基于机器学习和深度学习的无人机水稻氮素状态监测

《Precision Agriculture》：UAV-based rice nitrogen status monitoring using machine learning and deep learning

　　

摘要

目的

基于遥感技术的精准氮素管理对于粮食安全和农业可持续发展具有重要意义。本研究评估了利用无人机（UAV）多光谱数据估计水稻氮素状态指标的先进机器学习（ML）和深度学习（DL）方法。

方法

本研究在多个生长阶段估计了四个氮素指标——地上生物量（AGB）、植株氮素积累量（PNA）、氮素营养指数（NNI）和累积氮素亏缺（AND）。在随机森林（RF）回归模型中引入了特征选择和超参数优化，而卷积神经网络（CNN）则用于自动特征提取。分别采用SHAP和梯度加权类激活映射（Grad-CAM）对RF和CNN模型进行解释。

结果

RF结合Boruta-SHAP特征选择与智能优化取得了最佳性能，尤其是在抽穗前期，R2高达0.83。CNN模型自动捕捉了与水稻氮素状态敏感相关的特征，最大R2达到0.81。模型解释与定量分析表明，整合红边（RE）和近红外（NIR）波段的光谱与纹理信息可提升模型性能。

结论

所提出的方法能够利用无人机多光谱图像实现水稻氮素状态的无损监测，为高效、环保和可持续的精准氮素管理提供了技术支持。