在印度北部，采用双无人机传感技术和可变施肥率的方法来种植具有气候适应性的甘蔗

《Discover Agriculture》：Dual UAV sensing and variable rate fertigation for climate resilient sugarcane cultivation in Northern India

　　摘要
甘蔗（Saccharum officinarum L.）是南亚农村经济的重要经济作物和支柱，但其种植仍然高度依赖资源，需要大量的灌溉和氮肥。传统的灌溉方式（如漫灌）和统一的施肥方法往往导致水资源利用效率低下、养分利用效率差以及严重的环境损失。精准农业工具，特别是无人驾驶飞行器（UAV），通过实现特定地点的监测和有针对性的投入管理，为解决这些挑战提供了机会。在这项研究中，开发了一种适用于印度北部亚热带地区甘蔗种植的双UAV工作流程。使用配备多光谱相机的轻型传感无人机，在关键生长阶段通过NDVI和NDRE植被指数监测冠层活力。根据这些指数生成的胁迫图被处理成管理网格，并转化为施肥计划，由具备变量施肥能力的小型UAV执行。与传统农民的种植方法相比，传感器引导的处理方式在提高投入利用效率和作物表现方面显示出显著改进，同时降低了水和氮的需求。这种方法强调了基于UAV的感知到执行管道作为一种可扩展、低成本的策略的潜力，适用于高秆作物，表明在测试条件下可以提高气候适应性、农场盈利能力和环境可持续性。除了甘蔗之外，该工作流程还为其他资源密集型作物系统的精准养分和水资源管理提供了一个可复制的模板。

1 引言
甘蔗（Saccharum officinarum L.）是世界上最重要的工业作物之一，为糖、乙醇、生物能源和多种农业工业产品提供原材料。全球范围内，甘蔗的种植面积超过2600万公顷，年产量超过19亿吨，其中印度和巴西合计占总产量的近60%[1]。仅在印度，甘蔗种植面积就约为500万公顷，支持着数百万农民和大型加工产业，使其成为农村生计和国家生物经济的重要组成部分[2]。尽管具有经济重要性，甘蔗种植仍然高度依赖资源。这种作物需要大量的灌溉投入，在传统的漫灌系统中，每公顷灌溉量通常超过20,000–25,000立方米，同时需要施用200至300公斤的氮肥[3, 4]。这种高投入的管理方式常常导致资源利用效率低下。据报道，许多印度甘蔗系统的氮利用效率（NUE）仅为30–35%，表明大量施用的氮通过淋溶、挥发或反硝化过程流失[5]。同样，漫灌方式也导致水资源利用效率（WUE）低下，通过径流和深层渗透造成大量损失[6]。这些低效率不仅降低了农场盈利能力，还加剧了环境问题，包括地下水枯竭、养分污染和温室气体排放[7]。传统的甘蔗种植管理方法进一步加剧了这些挑战。肥料和灌溉水通常按照统一的、基于日历的时间表施用，没有考虑土壤条件、作物活力或养分需求的空间差异[8]。结果，田地的一部分接收了过量的投入，而另一部分则供应不足，导致作物生长不均匀，整体效率降低。尽管滴灌和分次施肥等技术显示出提高资源利用效率的潜力，但由于基础设施成本、操作复杂性和农民技术意识的限制，这些技术在印度许多地区的采用仍然有限[9]。这些限制突显了需要创新的管理方法，能够动态监测作物状况并实现特定地点的投入应用。

精准农业的最新进展通过整合遥感技术和数字决策支持工具，为解决这些挑战提供了新的机会。在这些技术中，无人驾驶飞行器（UAV）作为一种高度灵活的高分辨率作物监测平台脱颖而出。与卫星图像相比，基于UAV的感知提供了更高的空间分辨率和更大的时间灵活性，使得在整个生长季节内能够详细评估作物状况[10]。当配备多光谱传感器时，UAV可以生成植被指数，如归一化差异植被指数（NDVI）和归一化差异红边指数（NDRE），这些指数广泛用于指示冠层活力、叶绿素含量和氮状态[11]。许多研究表明，基于UAV的植被指数在监测小麦、水稻和玉米等主要作物的生长和指导养分管理方面非常有效[12,13,14]。在甘蔗系统中，UAV的应用主要集中在生物量估计、作物健康监测和胁迫检测上[15, 16]。然而，大多数现有研究仍限于诊断性监测，其中植被指数主要用于识别作物胁迫，而不是指导操作管理决策。将基于UAV的数据转化为可执行的田间干预措施（如变量施肥或灌溉）的研究相对较少，特别是在高秆作物中，因为地面机械存在操作限制。将UAV感知与自动化投入交付相结合的概念为克服这些限制提供了一条有前景的途径。通过将植被指数图转换为空间明确的管理方案，基于UAV的系统可以根据作物需求实时调整肥料和水的施用。虽然一些国际研究探索了基于UAV的变量施肥处方制图，但这些系统通常依赖于地面机械来实施[3, 17, 18]。这种方法可能不太适合甘蔗种植，在甘蔗的中后期生长阶段，密集的冠层结构和田地条件可能会限制传统设备的可访问性。

在这种背景下，本研究探讨了在印度北部亚热带条件下，双UAV感知和执行系统在甘蔗精准养分和水资源管理中的潜力。该研究旨在开发和评估一种将基于UAV的作物监测与特定地点施肥决策相结合的操作工作流程。具体来说，本研究的目标是：
(i) 开发一种结合多光谱作物监测与变量施肥交付的基于UAV的感知到执行管道；
(ii) 评估这种方法对水资源利用效率（WUE）、氮利用效率（NUE）、作物产量和经济回报的影响，与传统农民的种植方法进行比较；
(iii) 评估基于UAV的施肥作为提高甘蔗生产系统资源利用效率的可扩展策略的可行性。假设将基于UAV的植被指数（NDVI和NDRE）与自动化变量施肥相结合，将显著提高投入利用效率和作物生产力，同时减少水和氮的需求[24]。通过在实际田间条件下展示端到端的UAV感知到执行框架，本研究有助于推进高投入作物系统的气候适应性和资源高效农业管理策略。

2 材料与方法
2.1 研究区域和作物详情
田间实验于2023–2024生长季节在印度北方邦Saharanpur区的Nanauta区块进行（29°42′N, 77°24′E；WGS84地理坐标系统；海拔270米）。图1显示了实验地点及其周围农业景观的卫星视图。该地区属于上恒河平原农业气候区，其特征是半干旱到亚湿润的条件、冲积土壤和集约化灌溉农业[25]。该地区的平均季节温度范围为23–35°C，年降水量约为1,100毫米，主要集中在雨季（7月至9月）。

2.2 实验处理和设计
田间试验采用随机完全区组设计（RCBD），包含三种处理和三个重复实验[29, 30]，每个小区面积约为0.11公顷，如表1所示，RCBD的示意图见图2。
表1 甘蔗的实验区组设计

2.3 UAV平台和传感器规格
本研究使用了两种UAV平台：一种用于冠层监测的微型传感UAV，另一种用于变量施肥的小型执行UAV，如图3所示。配备RedEdge-MX传感器的微型感测无人机获取多光谱图像；植被指数（NDVI、NDRE）经过处理后生成胁迫地图，这些地图通过小型载荷量为16公斤的无人机触发定点施肥。

感测无人机：这架定制的四旋翼微型无人机（最大起飞重量<2公斤）配备了MicaSense RedEdge-MX多光谱相机[34]。该传感器能够捕捉五个离散的光谱波段：蓝光（475纳米，半高宽20纳米）、绿光（560纳米，20纳米）、红光（668纳米，10纳米）、红边光（717纳米，10纳米）和近红外光（840纳米，40纳米），在45米飞行高度下产生约5厘米的地面采样距离[16, 21]。每次飞行前都使用制造商提供的反射率校准面板和入射光传感器进行辐射校准[34]。

捕获的多光谱图像使用OpenDroneMap（ODM）工具包拼接成正射影像图，这是一种在基于无人机的农业研究中广泛使用的开源摄影测量软件[35, 36]。随后使用自定义的Python 3.10流程（包含NumPy、Rasterio和GeoPandas库）处理植被指数（NDVI、NDRE），实现自动栅格提取、阈值划分以及转换为管理网格。

施肥无人机：这架六旋翼无人机（最大起飞重量24公斤）基于碳纤维框架制造，载荷容量为16升。无人机配备了双超低体积（ULV）旋转喷嘴，能够喷出80-100微米范围内的液滴，适用于高穿透力的叶面施肥，减少漂移[37]。飞行控制系统基于Pixhawk开源自动驾驶硬件，运行ArduPilot固件。由Python流程生成的变量施肥任务文件（GeoJSON格式）被导入Mission Planner中，这是一种与Pixhawk兼容的开源地面控制软件，用于执行定点施肥任务。

两架无人机均遵循印度2022年《无人机规则》中针对农业研究的实验类别[38]。为了提高飞行精度，采用了差分GPS（DGPS）校正，并通过预编程的网格模式执行自主飞行，以确保图像采集和处理范围的均匀性。

飞行定位通过集成在Pixhawk自动驾驶系统中的机载GNSS接收器实现，在开阔天空条件下提供大约±1-2米的水平定位精度。每次感测任务在45米高度下获取约220-230张重叠的多光谱图像，前向重叠率为80%，侧向重叠率为70%。在五次生长阶段监测任务中，共处理了约1,120张多光谱图像以生成正射影像图。

图像地理配准利用无人机机载GNSS定位信息，这些信息嵌入在图像元数据中。由于实验地块面积较小，且机载GNSS提供的定位精度足以满足基于网格的空间分析需求，因此未部署地面控制点（GCPs）。正射影像图使用OpenDroneMap（ODM）中的结构从运动摄影测量技术生成，估计的定位精度约为±1-2米，这足以用于划定用于植被指数绘制和施肥决策的10×10管理网格。

2.4 植被指数计算和图像处理
在甘蔗生长的五个关键物候阶段，通过安装在感测无人机上的RedEdge-MX传感器获取多光谱图像：建立期（种植后约30天，DAP）、分蘖期（约60 DAP）、快速生长期（约120 DAP）、伸长期（约180 DAP）和成熟期（约270 DAP）。每次飞行前使用MicaSense反射率校准面板和与RedEdge-MX集成的下行光传感器进行辐射校准[34]。校准确保光谱反射率值根据太阳辐射变化进行归一化，从而实现飞行间的可比性[39]。暗电流校正和 vignetting 校正通过RedEdge固件自动应用。

获取的图像使用OpenDroneMap（ODM）拼接成正射影像图，这是一种经过验证的适用于农业无人机应用的开源摄影测量引擎[35, 36]。然后使用自定义的Python 3.10流程（包含NumPy、Rasterio和GeoPandas库）处理GeoTIFF格式的输出文件，生成植被指数。本研究计算了两个主要指数：
$$\text{NDVI}=\frac{\text{NIR}-\text{Red}}{\text{NIR}+\text{Red}}$$
$$\text{NDRE}=\frac{\text{NIR}-\text{RedEdge}}{\text{NIR}+\text{RedEdge}}$$
其中NIR对应840纳米波段，Red对应668纳米波段，RedEdge对应717纳米波段[40]。

正射影像图被划分为10×10的管理网格（每个单元格0.1公顷），以便进行定点分析。提取网格级别的平均NDVI和NDRE值，并应用阈值将每个单元格分类为“低”、“中”或“高”活力。采用的阈值分别为NDVI < 0.52和NDRE < 0.30[41, 42]。这些阈值基于先前的甘蔗和谷物研究，将植被指数与叶片氮含量联系起来[20, 24]。

生成的胁迫地图作为GeoJSON格式的shapefile导出，直接输入到变量施肥引擎中。这种从感测到决策的工作流程使得基于无人机的指数能够在同一季节内转化为可操作的管理措施[43]。

2.5 变量施肥和叶面处理方案
基于无人机的感测工作流程直接与用Python（v3.10）编写的基于规则的施肥引擎集成。从NDVI和NDRE（第2.4节）得出的胁迫地图被转换为GeoJSON任务文件，定义每个0.1公顷管理单元的定点氮肥施用量。这些指令通过Mission Planner上传到基于Pixhawk的施肥无人机，从而执行变量施肥飞行。

施肥逻辑：氮肥以尿素-硝酸铵（UAN）溶液的形式施用（18%氮），通过无人机喷洒系统以变量速率进行空中施用。针对低、中、高NDRE区域的施肥量分别定义为70、50和40公斤氮/公顷。基于规则的阈值（NDVI < 0.52；NDRE < 0.30）来自全球氮素特性数据集，并根据甘蔗特定的无人机研究进行了验证[24, 33]。在处理T2和T3中，施肥无人机用于施用从植被指数地图得出的变量施肥指令。

喷洒系统：施肥无人机在距作物冠层3-4米的高度飞行，地面速度约为4米/秒，这有助于减少漂移风险，同时保持作物冠层的均匀覆盖[44, 45]。

叶面生物刺激剂方案：处理T3结合了无人机引导的变量施肥和海藻提取物生物刺激剂的叶面施用（3毫升/升，60升/公顷），在同一施肥无人机平台上在快速生长期和伸长期进行[31, 46]。

脉冲滴灌调度：为了减少淋溶和挥发，施肥以脉冲滴灌方式施用（每天两次），遵循亏缺灌溉和精准灌溉管理原则[47]。这种方法使氮供应与作物吸收模式同步，提高了氮利用效率（NUE）和水分利用效率（WUE）。

2.6 农艺测量
为了评估无人机引导施肥的效果，在甘蔗的关键物候阶段测量了一系列形态学、生理学和产量参数。

生长和形态特征：在每个生长阶段记录植株高度（从地面到最高完全展开的叶片）和分蘖密度（每米行长的分蘖数量）[48]。

叶绿素含量（SPAD读数）：使用SPAD-502 Plus叶绿素仪（Konica Minolta，日本）评估叶片叶绿素状态。对于每个地块，从顶部可见露珠叶片（TVD叶片，即第一个完全展开且具有可见叶环的叶片）收集30个读数，这些叶片被广泛认为是甘蔗营养状况的诊断叶片[49, 50]。

产量测定：收获时，通过切割和称重每个地块内的所有甘蔗茎秆来估算甘蔗产量（吨/公顷）。根据印度甘蔗育种研究所推荐的Bureau of Sugar Standards（BSS）协议和程序，使用子样本确定商业甘蔗糖分（CCS%）[51]。

2.7 水分和养分效率测量
水分利用效率（WUE）：根据Richards（1993）的方法计算，作为甘蔗产量（公斤）与总灌溉水量（立方米）的比率[52]。氮利用效率（NUE）：根据Moll等人（1982）的框架，计算由于施用氮素而增加的产量与实际提供的氮素量之比[53]。
经济评估：通过考虑投入成本（肥料、水、能源、无人机运营和生物刺激剂施用）与甘蔗产量的总收益，计算净经济回报（卢比/公顷）[51]。无人机运营成本根据印度农业无人机的现行服务费率估算。

WUE和NUE是联合国粮食及农业组织（FAO）水资源生产力框架和国际植物营养研究所（IPNI）4R养分管理计划认可的全球公认的可持续性指标[54]。在甘蔗种植中，提高WUE和NUE尤为重要，因为基准效率仍然较低（NUE < 35%；许多地区的甘蔗用水量< 10公斤/公顷[55]。通过采用无人机引导的定点施肥，本研究旨在展示这些全球基准指标的可测量改进。通过结合生理指数（SPAD、NDVI/NDRE）、产量属性和效率计算，该测量框架提供了对基于无人机施肥方案的全面评估。

2.8 统计分析
收集的关于产量、水分利用效率（WUE）、氮利用效率（NUE）和经济回报的数据接受了单因素方差分析（ANOVA）以检验处理效果[30, 56, 57]。当检测到显著的处理效果（p < 0.05）时，使用Tukey的HSD检验进行均值的后验比较。

所有统计分析均在R软件版本4.3.0[58]中进行，使用了stats和agricolae包。使用Shapiro–Wilk检验和Levene检验分别检验ANOVA的假设（正态性和方差齐性）。除了农艺指标外，还使用Python 3.10和NumPy、GeoPandas库对NDVI和NDRE层进行了空间分析。从无人机正射影像图中提取网格级数据，并使用基于规则的阈值（第2.4节）对胁迫区域进行分类。在相关情况下，还报告了效应大小（ANOVA的η2），以估计超出统计显著性的处理效果幅度[59, 60]。

3 结果
所有报告的结果均对应于一个季节的田间实验，应在这一实验范围内进行解释。

3.1 植被指数的空间分布
图4显示了T2处理和T3处理在五个生长阶段（建立期→成熟期）的NDVI热图组合。在两种处理中，高活力区域（NDVI > 0.60）从第1阶段扩展到第3阶段，然后趋于平稳。胁迫区域（NDVI < 0.52）在两个季节的网格单元（3, 4）和（6, 7）持续存在，但在快速生长期，其面积从18%（T2）下降到9%（T3），第一次施肥/生物刺激剂循环后。

图4
该图像的替代文本可能是使用AI生成的。

全尺寸图像
2023年监测的T2处理（传感器引导施肥）和T3处理（传感器引导施肥+生物刺激剂）下甘蔗的空间标准化差异植被指数（NDVI）热图。共同的颜色条（0.30 → 0.75）使用YlGn调色板：浅黄色（NDVI ≤ 0.40）表示低活力或覆盖稀疏的像素，而深绿色（NDVI ≥ 0.70）表示密集健康的冠层。
a 建立期（约30 DAP）—T2；
b 建立期—T3；
c 分蘖期（约60 DAP）—T2；
d 分蘖期—T3；
e 快速生长期（约120 DAP）—T2；
f 快速生长期—T3；
g 伸长期（约180 DAP）—T2；
h 伸长期—T3；
i 成熟期（约270 DAP）—T2；
j 成熟期—T3。网格方向遵循无人机数据处理期间使用的内部田间坐标系统，其中X轴和Y轴对应管理网格的行和列索引，而不是地理坐标。

图5显示了T2处理和T3处理在五个生长阶段（建立期→成熟期）的NDRE热图组合。在快速生长期，平均NDRE达到0.47，表明冠层氮含量充足；然而，NDRE < 0.30的网格仅覆盖了7%的地块，触发了定点氮素校正。这些空间层验证了Li等人[7]采用的阈值，并为施肥无人机提供了地理参考的shapefile。

图5
该图像的替代文本可能是使用AI生成的。

全尺寸图像
2023年监测的T2处理（传感器引导施肥）和T3处理（传感器引导施肥+生物刺激剂）下甘蔗的空间标准化差异红边光（NDRE）热图。共同的颜色条（0.15 → 0.55）使用GnBu调色板：非常浅绿色（NDRE ≤ 0.25）表示裸露的土壤或叶绿素含量低的像素，而深蓝色（NDRE ≥ 0.50）表示高叶氮/叶绿素和健康的冠层。
a 建立期—T2；
b 建立期—T3；
c 分蘖期—T2；
d 分蘖期—T3；
e 快速生长期—T2；
f 快速生长期—T3；
g 伸长期—T2；
h 伸长期—T3；
i 成熟期—T2；
j 成熟期—T3。网格方向遵循无人机数据处理期间使用的内部田间坐标系统，其中X轴和Y轴对应管理网格的行和列索引，而不是地理坐标。

3.2 无人机感测生成的施肥响应
图6将NDRE胁迫图叠加在10×10管理网格上，并将每个单元格分类为低、中或高施肥需求。在T3处理中，只有100个单元格中的30个需要最高的氮肥施用量，与T1相比，总施用的氮肥量减少了约24%。后续两次飞行将高需求区域进一步缩小到11个单元格（11%）。因此，基于规则的引擎将大约70%的田地调整为中等或低氮肥施用量。

图6
该图像的替代文本可能是使用AI生成的。

全尺寸图像
基于T3处理无人机NDRE地图得出的定点施肥需求分类。每个10×10管理单元格被标记为低（绿色）、中（橙色）或高（红色）氮需求。初步的感测飞行发现30%的田块对肥料和水分的需求较高；随后的适应性飞行将这一比例降低到11%，使得大部分田块的肥料和水分使用率处于中等或较低水平，并且与全面施肥控制（T1）相比，总施肥量减少了24%。网格的布局遵循无人机数据处理过程中使用的内部坐标系统，其中X轴和Y轴对应于管理网格的行和列索引，而不是地理坐标。

**3.3 水分和氮素利用效率**
表2总结了灌溉量、施用的氮素量以及由此得出的效率。与农民的传统做法（T1）相比，T2时期的水分利用效率下降了17%，T3时期下降了30%，主要是因为在脉冲滴灌过程中跳过了无需补水的田块。氮素利用效率（NUE）从T1的31%提高到了T2的40%，再到T3的48%，这一提升与Suman等人[2]使用生物固定氮素所报告的结果相当，但在这里是通过传感器引导实现的。

**3.4 产量和经济效益**
表3列出了产量和净经济效益。货币价值以印度卢比（?）表示；作为国际参考，根据2023年的平均汇率，1印度卢比约等于0.012美元（约0.011欧元）。变量施肥管理使产量在T2时期增加了8%，在T3时期增加了17%，主要是因为及时纠正了生长季中期的氮素缺乏问题。考虑到无人机操作和生物刺激剂的成本后，T2时期的净收益增加了每公顷17,000卢比，T3时期增加了每公顷29,200卢比。这些成果证实了在滴灌甘蔗种植中节省水分的效果（Menezes等人[3]的研究），但在这里是通过完全基于空中的决策流程实现的。

**3.5 处理效果的统计验证**
单因素方差分析（ANOVA）显示，无人机引导的施肥对甘蔗产量（F?,? = 125.2, p = 1.3 × 10??）、水分利用效率（F?,? = 4453.8, p < 1 × 10??）和氮素利用效率（F?,? = 921.6, p = 3.4 × 10??）有显著影响。Tukey的HSD方法将处理效果分为三个不同的组（T3 a > T2 b > T1 c）。净经济效益也遵循相同的排序，T3的净收益比T1高出56%。这些结果证实，传感器引导的精准施肥在节省投入的同时显著提高了生产力。处理效果对产量的影响非常大，η2 = 0.976和ω2 = 0.965，表明超过96%的产量变化可以通过无人机引导的管理来解释。成对比较的Hedges’ g值显示了显著差异，特别是T1（农民传统做法）与T3（传感器引导的施肥+生物刺激剂）之间，g值达到了–9.44，反映了极其显著的效果大小。水分利用效率（WUE）的差异也非常明显（η2 = 0.999；ω2 = 0.999）。成对比较显示，T1与T3之间的效果差异非常大，Hedges’ g值为–81.85，突显了无人机引导的施肥对水分生产力的显著影响。

**图7**
该图像的替代文本可能是使用人工智能生成的。图中显示了不同处理方式下（T1=农民传统做法；T2=无人机监控的施肥；T3=无人机监控的施肥+生物刺激剂）的产量、水分利用效率（WUE）和氮素利用效率（NUE）的成对效果大小。负值表示无人机引导的处理方式比传统做法表现更好。所有比较都显示出极大的效果差异，凸显了基于无人机的 site-specific（特定地点）管理方法的强大影响。

**4 结论**
除了在印度北部地区的益处外，这种双无人机施肥工作流程提供了一个潜在的可扩展模板，尽管还需要在不同农业生态条件下进行进一步验证。通过将低成本的多光谱感测技术与开源的、基于无人机的变量施肥技术相结合，该方法展示了在测试条件下提高产量同时减少肥料和水分投入的潜力。这项研究为推进气候智能型农业实践提供了路径：提高氮素利用效率、减少灌溉需求，并为农民带来更高的经济效益。这些成果直接有助于实现联合国可持续发展目标（SDG 2：零饥饿和SDG 12：负责任的消费和生产），同时也通过减少养分淋失和温室气体排放支持SDG 6（清洁水和卫生）和SDG 13（气候行动）。

展望未来，将无人机工作流程与人工智能驱动的决策支持相结合，并在多种农业生态系统中扩展验证，将是这项技术主流化的关键步骤。如果与服务提供商模型和农民合作社相结合，基于无人机的精准施肥可以加速向可持续集约化生产的转变，确保粮食安全的同时保护环境资源。

**5 讨论**
本研究的结果证实，将基于无人机的冠层监测与自动化的变量施肥相结合，显著提高了甘蔗的产量、氮素利用效率（NUE）和水分利用效率（WUE）。与农民的传统做法相比，无人机监控的处理方式减少了近四分之一的氮素投入和最多三分之一的灌溉用水量，同时产量增加了8-17%。这些发现与早期研究一致，表明针对特定地点的养分管理可以提高高投入种植系统的生产力和资源利用效率[3, 14]。这里观察到的水分利用效率（WUE）的显著提升与滴灌和脉冲灌溉甘蔗的研究结果一致，其中精准的水分输送减少了渗漏损失[6]。然而，与地面滴灌系统不同，基于无人机的施肥工作流程是非侵入性的、可扩展的，并且适用于小规模农户的土地。这使得它特别适合土地分散的地区，这在印度和撒哈拉以南非洲的许多地区都很常见[61]。

本研究中的氮素利用效率（NUE）提升幅度（从31%提高到48%）值得注意，因为甘蔗系统在全面施肥时往往氮素回收率较低（<35%[5]）。在澳大利亚的试验中，使用地面传感器实施变量施肥也报告了类似的提升[13]。我们的结果扩展了这一证据基础，表明即使在高大作物中，无人机也能实现从感测到施肥的完整流程。

此外，添加生物刺激剂叶面喷施（处理T3）进一步提高了产量和氮素利用效率（NUE）。研究表明，海藻提取物可以改善多种作物的养分吸收、光合作用活性和非生物胁迫耐受性，包括甘蔗[31, 46]。这里观察到的协同效应表明，基于无人机的施肥方式可以是精准施用生物刺激剂的有效手段。

从社会经济角度来看，与农民传统做法相比，基于无人机的施肥使净经济效益增加了每公顷17,000至29,200卢比。虽然无人机系统的初始投资可能较高，但无人机服务提供商和开源自动驾驶平台（如Pixhawk/ArduPilot）的普及降低了采用门槛。在巴西，由于无人机喷洒技术在甘蔗和玉米种植中的成本效益，这类服务已经迅速扩展[62]。

尽管结果令人印象深刻，但这项研究仅在一个季节和一个地点、一个甘蔗品种（Co-0238）上进行。需要在不同农业气候区进行多地点试验以验证其稳健性。此外，虽然基于规则的施肥阈值在控制条件下有效，但未来的研究可以结合机器学习模型，使施肥处方动态调整，正如斯里兰卡和中国的研究所示[19, 63]。将无人机工作流程与物联网土壤湿度传感器和基于云的决策支持系统相结合，可以进一步促进在实际农业生产条件下的应用。

**总结**
这些发现表明，基于无人机的从感测到执行的流程不仅是一项技术创新，也是一种社会生态干预措施，能够减少农业化学品的使用足迹，同时提高农民的盈利能力。然而，这项研究也有一些局限性。田间实验仅在一个地点和一个生长季节进行，这可能限制了其在不同农业气候条件下的普遍适用性。评估仅限于一个甘蔗品种（Co-0238），不同基因型的响应可能会有所不同。此外，基于规则的施肥阈值（NDVI和NDRE）来自文献，可能需要根据当地情况进行校准才能更广泛适用。虽然基于无人机的操作在受控条件下得到了验证，但在小规模农户中的实际操作可行性可能取决于服务可及性、成本结构和监管框架。未来的研究应侧重于多地点、多季节的验证，以及与基于机器学习的自适应决策系统的整合，以及在真实农业生产场景下的经济可行性。