基于主动作物冠层传感器的玉米变量施氮算法

《Smart Agricultural Technology》：Algorithm for variable-rate nitrogen application in maize based on active crop canopy sensor

　　

摘要翻译：玉米氮需求的空间变异性要求决策支持系统能够将季中作物状态转化为准确、实时的肥料推荐。本研究开发并验证了一种基于传感器的玉米氮素管理算法，该算法将主动光学传感、季内估产（INSEY）和响应指数（RI）概念整合在一个适合实时应用的计算高效的多项式框架中。田间试验在四种施氮水平（0、75、100和125 kg N ha^?1）和四个传感时期（播种后35、45、65和75天）下进行，以校准产量预测和氮响应模型。使用GreenSeeker传感器获取的归一化差异植被指数（NDVI）数据与生长度日相结合，估算基线和氮素富集的产量潜力。INSEY与籽粒产量之间观察到强指数关系，在播种后45天时预测精度最高（R2 = 0.97）。响应指数有效捕捉了作物响应性，并支持在额外氮供应下估算可达到的产量。二次模型解释了氮需求变异的72–84%（R2 = 0.72–0.84），而基于INSEY的预测在播种后65天达到R2 = 0.98。算法指导的氮管理实现了7.9 t ha^?1的最大产量，同时与传统做法相比减少了20–30%的氮投入。本工作的新颖之处在于将基于RI的产量响应与基于INSEY的基线产量结合在一个简化的多项式模型中，适用于印度农业生态条件下的实时变量施氮。该框架为玉米实时和可持续的氮管理提供了一条实用途径。

论文解读：

**研究背景与问题**

玉米（*Zea mays* L.）作为高需氮作物，其生产力高度依赖氮素供应与作物需求的时间匹配。在印度玉米生产体系中，氮肥通常采用分次施用策略，包括播种时基施及在膝高期（V6）和抽雄期（VT）追施，以支持峰值养分吸收。然而，传统均匀施肥推荐忽视了田块尺度的土壤肥力、水分状况和作物响应差异，导致氮肥利用效率（NUE）降低、利润受限，并增加硝酸盐淋洗、氨挥发和温室气体排放等环境风险。现有传感器系统虽能提供实时冠层状态，但多数算法需要大量校准、专有软件或高计算资源，难以在低成本嵌入式平台上实现实时应用。此外，在温带系统开发的模型在印度农业气候条件下表现不一致，因为降雨变异性、土壤异质性和杂交种多样性差异显著。因此，亟需开发透明、计算高效且区域特异的决策支持工具，以实现田间实际部署。

**研究内容与结论**

研究人员开展了一系列田间试验，在四种施氮水平（0、75、100和125 kg N ha^?1）和四个传感时期（播种后35、45、65和75天）下，利用GreenSeeker主动光学传感器获取NDVI数据，结合生长度日（GDD）计算季内估产（INSEY），并通过氮富集条带计算响应指数（RI）。研究建立了NDVI与基线产量潜力（YP₀）和氮富集产量潜力（YP_N）的关系，开发了二次多项式模型直接估算氮需求。算法在Arduino嵌入式控制器上实现，并通过脉宽调制（PWM）信号实时调节施肥量。田间验证表明，算法指导的氮管理在减少20–30%氮投入的同时实现了7210–7892 kg ha^?1的籽粒产量，氮回收效率（REN）从常规管理的34.9%提升至73.8%。该研究发表在《Smart Agricultural Technology》。

**主要技术方法**

研究人员采用了主动光学冠层传感技术（GreenSeeker获取NDVI）、生长度日（GDD）归一化计算INSEY、氮富集条带（NRS）计算响应指数（RI）、二次多项式回归模型（N_req = β₀ + β₁NDVI + β₂NDVI²）以及Arduino嵌入式系统实时实现。试验在印度泰米尔纳德邦农业大学（Tamil Nadu Agricultural University）试验农场进行，土壤为红色砂壤土，初始有效氮为235.2 kg ha^?1。

**研究结果**

**3.1 氮肥算法性能评估**：通过两种独立试验（Trial 1和Trial 2）评估了四种氮素分次策略（T1–T4）。T4处理（65 kg N ha^?1在35 DAS + 50 kg N ha^?1在65 DAS + 算法校正剂量）在两种试验中均获得最高产量（7892和7210 kg ha^?1），同时总氮投入（189.4和173.1 kg N ha^?1）低于常规推荐的250 kg N ha^?1，平均氮减少27.5%（p < 0.01）。NDVI值从T1到T4递增，表明冠层发育与氮可用性正相关。

**3.2 基于算法的产量预测**：基线产量潜力（YP₀）范围为2032.5–6390 kg ha^?1，氮富集产量潜力（YP_N）为3180–7895 kg ha^?1。在45 DAS时，NDVI-产量关系最强（R2 = 0.97），RI值达2.3–2.8，表明该时期为最佳预测窗口。65 DAS时RI稳定在2.1–2.44，75 DAS时RI降至1.53–1.8，反映冠层饱和和氮响应减弱。

**3.3 基于INSEY的产量估算**：INSEY（NDVI/GDD）与籽粒产量的相关性从35 DAS到65 DAS递增，65 DAS时R2 = 0.98（p < 0.001），此后下降。各处理的INSEY随施氮量增加而增加，证实INSEY是可靠的产量估计指标。

**3.4 算法氮管理对氮利用效率的影响**：二次多项式模型解释了氮需求变异的72–84%（R2 = 0.72–0.84），RMSE为8.6–14.2 kg N ha^?1。45 DAS时预测精度最高（R2 = 0.84）。合并模型（N_req = 37.78 + 29.40NDVI ? 82.00NDVI²）在嵌入式部署中表现良好（R2 = 0.91）。NDVI与氮需求呈强负相关（r = ?0.95），RI与氮需求呈强正相关（r > 0.80）。

**3.5 对农学效率和回收效率的影响**：农学效率（AEN）从12.4到42.4 kg grain kg^?1 N变化，65 DAS时达到峰值（>30 kg grain kg^?1 N）。回收效率（REN）从常规管理的34.9%提升至最大73.8%，65 DAS时最高。ANOVA显示氮处理、生长阶段及其交互作用对AEN和REN均有显著影响（p < 0.01）。相关分析表明，籽粒产量与REN（r = 0.89）和AEN（r = 0.74）均呈强正相关。

**讨论与结论**

**局限性讨论**：算法在干旱条件下可能因水分胁迫导致NDVI低估氮需求，而过量降雨可能影响氮动态。后期冠层饱和降低NDVI灵敏度，45–65 DAS（V8–V12期）为最佳传感窗口。土壤异质性、盐度和压实可能影响精度，需建立氮富集条带。大田应用需拖拉机安装系统，并需进一步机械化验证。

**实践贡献**：田间验证表明，该算法将氮投入减少20–30%，同时将氮回收效率提升至73.8%，实现了氮供应与作物时空需求的同步。虽未直接量化环境效益，但预期可减少硝酸盐淋洗和气体排放。

**概念区分**：该模型与传统INSEY–RI框架不同，将多步骤计算合并为单一二次表达式，直接由NDVI估算氮需求，降低了计算复杂度，适合低成本嵌入式系统。

**与现有方法比较**：相比Topcon CropSpec和Yara N-Sensor等专有系统，本算法透明、计算高效，可在Arduino控制器上实现，为资源受限的农业生产系统提供了实用且经济的解决方案。

**结论**：研究成功开发并验证了区域特异的基于传感器的变量施氮算法，通过整合主动光学传感、INSEY和RI框架，实现了高产（7210–7892 kg ha^?1）和氮投入减少20–30%，同时提高了氮利用效率。该算法为实时、定点氮管理提供了透明、计算高效且可扩展的解决方案，有助于改善肥料利用效率、减少不必要氮投入并支持环境可持续的玉米生产。未来需在多个地点、生长季节和杂交种中进一步验证其鲁棒性和广泛适用性。