基于无人机影像与机器学习技术的作物氮素吸收估算

《Remote Sensing》：Estimating Crop Nitrogen Uptake from UAV-Based Imagery Using Machine Learning Techniques

　　

无人机（UAV）搭载的高通量光谱成像技术已发展为大规模农业监测中有效的非破坏性替代手段。本研究评估了无人机多光谱成像（MSI）和高光谱成像（HSI）结合机器学习用于估算春小麦和油菜当季氮素吸收的表现。田间试验于2023–2025年三个生长季在加拿大阿尔伯塔省南部（灌溉条件）和中部（非灌溉条件）开展。研究人员在与地面实测组织采样同步的时间点采集航空影像，利用每作物约520组匹配数据训练并验证六种机器学习模型。所有模型均成功实现了跨年度、跨地点的氮素吸收估算，但表现因传感器和数据类型而异。对于油菜，人工神经网络（ANN）在多光谱数据中表现最优（R² = 0.83，RMSE = 0.5%），而高光谱数据提升了预测性能，支持向量回归（SVR）达到最佳结果（R² = 0.90，RMSE = 0.40%）。对于小麦，ANN在多光谱和高光谱数据中均取得最高精度（多光谱：R² = 0.77，RMSE = 0.54%；高光谱：R² = 0.8，RMSE = 0.48%）。研究结果表明，无人机光谱成像结合机器学习为非破坏性氮素吸收估算提供了可靠且可扩展的方法。尽管多光谱传感器产生了较强的预测性能，高光谱数据的增强光谱分辨率在多变生长条件下持续提升了两种作物的估算精度。

在精准农业领域，氮（N）肥料作为支撑作物生产力与营养品质的关键投入要素，对小麦和油菜等主粮作物尤为重要。然而，过量且低效的氮肥施用带来了严峻的经济与环境挑战。过量施氮是温室气体（GHG）排放（尤其是氧化亚氮N₂O）的主要来源，并通过硝酸盐淋溶进入水系以及氨挥发等途径造成严重环境风险。因此，准确监测作物全生育期的氮素状况对于优化土壤-植物氮平衡、降低环境足迹以及提高氮素利用效率（NUE）至关重要。

传统植物氮含量估算方法主要依赖破坏性组织采样配合实验室分析，这类技术存在主观性强、劳动密集、耗时昂贵等缺陷，难以满足大规模实时农业监测需求。在此背景下，高通量遥感技术作为有前景的非破坏性替代方案应运而生。尽管卫星观测长期以来主导作物性状估算，但其空间和时间分辨率往往限制田间尺度的精准应用。近年来，搭载轻量化传感器的无人机（UAV）实现了高分辨率、及时的作物监测，为精准管理提供了技术支撑。

在无人机遥感技术中，多光谱成像（MSI）和高光谱成像（HSI）被广泛用于获取与植物健康及营养状况相关的光谱特征。高光谱成像因其相较于传统宽带遥感技术的根本优势而在精准农业中日益受到重视。传统RGB和多光谱传感器将反射光聚合为少数宽且不连续的光谱波段，而高光谱成像可在数百个窄通道上捕获近连续光谱。这种超高光谱分辨率能够检测细微的生理、化学及色素变化，如红边区域的微弱偏移，甚至在结构变化尚未被宽波段察觉之前即可识别。已有研究证实了其在氮素估算中的潜力。

然而，将复杂光谱数据转化为准确、可推广的氮素估算仍面临挑战。光谱反射率与作物生化性状之间的关系高度非线性，并显著受作物特异性结构性状影响。为处理此类高维数据，研究人员日益转向机器学习（ML）算法。偏最小二乘回归（PLSR）可有效处理光谱数据中的多重共线性；支持向量回归（SVR）能够捕获高维特征空间中的非线性关系；极限梯度提升（XGBoost）、梯度提升回归（GBR）和随机森林（RF）等集成方法具有较高计算效率和稳健性能；人工神经网络（ANN）则利用互连节点捕捉高维光谱特征中的复杂模式。

尽管机器学习模型展现出良好潜力，其跨环境可转移性常受过拟合限制，主因在于多数研究依赖局限于单一地点或生长季的约束数据集。这阻碍了模型向更广泛农业景观的推广，包括多样化的灌溉与非灌溉环境。此外，关于MSI与HSI数据在不同作物架构和复杂机器学习流程中同等应用时的比较效能，仍存在显著知识空白。仅依赖光谱反射率限制了模型对氮素动态的上下文理解，而引入农艺元数据可缓解这一性能局限。例如，初步研究表明，整合非光谱数据（具体为肥料处理TRT和追肥后天数DAT）通过提供与作物发育和管理时机相关的背景信息，显著改善了氮素吸收预测。

为填补上述空白，本研究开展了针对春小麦和油菜无人机氮素吸收估算的全面多年度评估。研究目标包括：比较MSI与HSI数据对氮素估算的预测性能；评估六种机器学习算法（PLSR、SVR、XGBoost、ANN、RF和GBR）在两种光谱数据集上的表现；并探究与不同冠层结构相关的作物特异性光谱响应。模型稳健性和可转移性通过加拿大阿尔伯塔省灌溉与非灌溉田间试验2023–2025年的大规模数据集进行评估。

研究在加拿大阿尔伯塔省中部和南部两个不同农业气候区开展，为期三个连续生长季。第一站点为农业与农业食品部（AAFC）费尔菲尔德研究农场的灌溉试验田，位于莱斯布里奇县，地形平缓，土壤为典型暗棕色黑钙土，生长季均温约14°C，累积降水量约200毫米。第二站点为约翰迪尔公司管理的雨养试验田，位于斯特拉思莫尔附近的小麦兰县，地形起伏，坡度达9%，土壤为典型及钙质暗棕色黑钙土，生长季均温约13°C，累积降水量约250毫米。试验采用随机完全区组设计（RCBD），供试作物为春小麦品种AAC Viewfield和油菜品种InVigor L345PC，播种量分别为300粒/m²和120粒/m²。2023年试点仅在AAFC进行七处理试验；2024–2025年扩展至JD站点并增至十处理，包括无氮对照、100%基施处理及多种基追配比处理。三年共计296个油菜和小麦小区作为后续分析的兴趣区域（ROIs）。

无人机影像采集选择晴朗正午进行，涵盖关键物候期：基线航拍（追肥前，六月下旬）、中期间隔（追肥后25–30天，七月下旬）、中后期（追肥后50–60天，八月下旬）及收获前（九月上旬），每传感器每作物共18次飞行，总计72幅影像。多光谱成像采用MicaSense RedEdge-P相机（蓝、绿、红、红边和近红外五个离散波段），搭载DJI-M300 RTK无人机，飞行高度25米，地物采样间距（GSD）1.63厘米/像素，使用白板反射率校正板和下行光传感器（DLS-2）进行辐射定标。高光谱成像采用Pika-L相机（400–1000纳米，300个光谱通道，2.7纳米光谱分辨率），搭载DJI-M350 RTK无人机，飞行高度30米，使用24%反射率校正 tarp 进行辐射定标，并部署D-RTK2 GNSS基站确保高位置精度。

地面实测与无人机飞行同步进行，包括播前土壤采样、收获后残留NO₃-N测定，以及生育期植株叶片组织采样。组织样本由Down to Earth Labs分析总氮含量。收获时采用全植株氮法（含籽粒和秸秆）测定最终氮值。这些全植株测量被纳入建模数据集，因初步评估显示其增加训练数据量而不降低模型性能，从而增强机器学习模型的稳健性。原始光谱影像经辐射和几何校正后，分别使用Pix4D（MSI）和SpectrononPro（HSI）软件拼接为地理参考正射影像。基于Python的开源工具去除裸土、阴影及油菜开花像素干扰，提取各小区平均反射率值，并与原位氮素组织样本匹配，形成每作物超520组匹配数据的稳健数据集。

六种机器学习回归算法用于氮素吸收估算：PLSR作为线性基线，通过投影预测变量至潜变量以最大化解释方差；SVR使用径向基函数（RBF）核将特征映射至高维空间建立非线性决策边界；ANN利用互连节点层通过反向传播优化权重调整；RF、GBR和XGBoost等集成树方法组合多棵决策树以稳定方差、最小化偏差，其中XGBoost特别利用高级正则化和梯度框架最大化计算效率和预测精度。遵循已有研究框架，非光谱变量（肥料处理制度TRT和追肥后天数DAT）被纳入以提供额外农艺背景，使模型能够考虑作物物候阶段及与分次施用策略相关的氮素吸收时间动态。研究采用嵌套交叉验证框架，外层五折交叉验证反复保留20%样本用于验证，内层四折交叉验证结合网格搜索优化确定最优超参数，最大化决定系数（R²）。数据处理流程在训练子集上拟合迭代插补和标准化缩放，所有模型基于Python的Scikit-learn库实现。模型性能基于R²、斜率、均方根误差（RMSE）和平均绝对误差（MAE）评估。

多光谱成像氮素吸收估算结果显示，油菜MSI数据表现出较强的氮含量估算潜力。六种机器学习算法中，ANN在合并数据集上达到最高预测精度，R²为0.83，RMSE为0.50%；SVR和RF表现中等，R²分别为0.74和0.75。小麦MSI估算精度较油菜略有下降（R²降低约5%），ANN仍表现最优，R²为0.77，RMSE为0.54%，其余模型R²介于0.59–0.75。站点和年际变异分析表明，AAFC试验中多数算法表现稳定，而JD雨养试验中变异较大，可能因该站点训练样本较少。特别值得注意的是，ANN在2024年JD油菜试验中出现R²骤降至0.13的异常偏低现象，但在合并多年度数据集中仍保持最稳健。相比之下，PLSR线性方法在合并数据集中表现最低。

高光谱成像结果显示，从多光谱向高分辨率高光谱数据的过渡为两种作物均带来可测量的精度提升。油菜HSI数据在多数模型上产生显著且一致的精度增益，所有六模型在合并数据集上的平均R²提高0.12（从0.69至0.81），平均RMSE降低0.19%。SVR在高维数据集上表现最佳，R²达0.90，RMSE为0.40%，ANN和GBR紧随其后（R²分别为0.85和0.83）。小麦HSI同样产生一致且大幅度的精度提升，最佳模型性能超过0.80 R²阈值，所有六模型平均R²提高0.05（从0.70至0.75），平均RMSE降低0.06%。ANN在合并HSI小麦数据集上表现最优，R²为0.80，RMSE为0.48%，PLSR亦表现良好（R² = 0.74）。站点和年份特异性分析显示，PLSR在油菜孤立站点年份中表现极高（2025年JD达R² = 0.95），但在合并数据集中大幅下降（R²降至0.71）；而ANN在小麦2025年JD试验中虽出现R²仅0.31的严重局部异常，但在合并数据集中完全恢复并达到最高整体精度。SVR在孤立站点年份和合并多年度数据集中均保持高度一致的性能。

讨论部分对研究成果进行了深入分析。机器学习模型的适用性研究表明，模型性能强烈依赖于输入数据维度和训练数据可用性。油菜低维MSI数据中ANN持续领先，而高维HSI数据中SVR表现卓越，凸显其在高维特征空间中建模复杂非线性关系的能力。小麦MSI数据中ANN同样最优，HSI数据中ANN和SVR均达顶级性能，PLSR因处理高密度光谱数据多重共线性的优势亦表现良好。模型过拟合作为农业遥感中的持久挑战，通过整合2023–2025年灌溉与雨养环境数据集得到缓解。SVR和ANN等算法在合并数据集上持续达到R² > 0.80的高精度，表明其成功捕捉了潜在生化关系而非记忆站点特异性模式。PLSR虽在孤立试验中表现优异，但无法推广至多环境数据集，证明复杂非线性模型对地理多样性农业试验的必要性。

MSI与HSI效能比较表明，尽管MSI是有效的氮素估算工具，HSI提供了明确且卓越的精度改进。标准宽带MSI配置可能掩盖细微光谱偏移和生化变异，而HSI通过数百个窄波段的细微信息成功检测这些精细生理差异，油菜平均精度提升12%，小麦提升5%。然而，MSI与HSI预测值之间存在强线性相关（油菜R² = 0.74，小麦R² = 0.79），证实MSI捕获了大部分相同的预测信息。传感器选择需权衡预测精度与操作可行性：HSI虽精度更高，但数据密集、计算需求大、经济成本高；MSI操作简便、处理快速、成本效益高，与ANN等非线性算法结合可达足够精度（小麦R² = 0.77，油菜R² = 0.83），支持变量施肥管理和精准肥料推荐，更适合商业化大规模应用。

研究也探讨了挑战与局限性。模型过拟合通过三年多环境数据集整合得到缓解，非光谱和时间变量的纳入帮助模型考虑物候变异。然而，光谱反射率与作物氮状态的非线性关系持续受冠层结构效应和环境变异影响，窄叶作物如小麦的均匀冠层中，MSI宽带可能掩盖重要光谱偏移。两试验站点间空间不平衡（AAFC每年每作物40小区，JD仅20大小区）可能使算法偏向AAFC特征，虽通过分组随机化策略缓解，未来研究应追求跨区域重复数对称。此外，将叶片组织氮与全植株氮（含籽粒和秸秆）两种本质不同的生物学测量整合于同一回归框架，虽经验证未降低性能，但构成潜在理论局限。最后，跨环境可操作性仍需在更广泛地理和气候多样环境中继续验证。

研究结论部分指出，本研究构建并评估了整合无人机光谱成像与机器学习的作物氮素吸收综合估算框架，跨多个生长季和对比环境条件下的应用证实，2023–2025年异质性多年度数据集（涵盖灌溉与雨养环境）显著改善了模型泛化能力，减少了限制遥感技术农业 operational 部署的时间和空间过拟合。六种机器学习算法的比较评估揭示，模型性能强烈受光谱数据维度影响：低维MSI数据中ANN对春小麦和油菜均提供最高预测精度；高维HSI数据中ANN和SVR通过有效捕获与作物氮动态相关的细微生化和生理变异实现优越性能。尽管HSI通过连续窄波段提供增强的诊断能力，MSI结合先进非线性机器学习算法产生的精度足以支持 operational 应用，同时保持较低计算需求和实施成本。该多环境框架可扩展至玉米、大麦、大豆等其他主要大田作物及更广泛精准农业应用。纳入肥料处理制度和追肥后天数等农艺元数据，提升了模型考虑作物物候和氮素时间动态的能力，有望支持变量施肥氮管理、实时作物监测和作物育种高通量表型分析。未来研究应聚焦于先进光谱波段选择和降维技术，以识别最具信息量的波带，开发优化作物特异性多光谱传感器，兼顾高光谱系统的灵敏度与商业化精准农业所需的运行效率和可扩展性。