**基于多时相无人机遥感的洋麻(Hibiscus cannabinus L.)植株高度估算:氮肥与堆肥处理下的生长响应及模型开发**

《Agronomy》:Multitemporal UAV-Based Estimation of Kenaf (Hibiscus cannabinus L.) Plant Height Under Nitrogen and Compost Treatments

【字体: 大 中 小 】 时间:2026年09月19日 来源:Agronomy 4.1

编辑推荐:

  本研究旨在评估洋麻(Hibiscus cannabinus L.)在氮肥与堆肥处理下的生长响应,并开发一种基于无人机(unmanned aerial vehicle, UAV)的植株高度估算模型。地面实测植株高度在收获期(播种后110天,days after

  
本研究旨在评估洋麻(Hibiscus cannabinus L.)在氮肥与堆肥处理下的生长响应,并开发一种基于无人机(unmanned aerial vehicle, UAV)的植株高度估算模型。地面实测植株高度在收获期(播种后110天,days after sowing, DAS)的差异不显著,凸显了多时相监测的必要性。研究人员在五个生长阶段(20–110 DAS)采集了多光谱无人机影像,采用面向对象的影像分割方法提取纯净植被区域,并使用数字表面模型差分法(ΔDSMt)以减小微地形效应。研究人员开发了一种基于无人机的多元线性回归模型(UAV-based multiple linear regression, UAV-MLR),利用ΔDSMt、归一化差值植被指数(normalized difference vegetation index, NDVI)、绿色归一化差值植被指数(green normalized difference vegetation index, GNDVI)和归一化绿红差值指数(normalized green-red difference index, NGRDI)整合互补的结构与光谱信息。在校准数据集上进行评估,UAV-MLR模型展现出较高的拟合性能(调整后R2 = 0.9858,RMSE = 14.95 cm,MAE = 11.31 cm),优于基于茎粗的地面简单线性回归模型(ground-based simple linear regression, G-SLR)(调整后R2 = 0.9615,RMSE = 39.68 cm,MAE = 29.16 cm)。通过整合结构与光谱信息,所提出的方法将均方根误差降低了62.3%,为作物监测与精准农业提供了一种高精度、非破坏性的工具。
**论文解读:基于多时相无人机遥感的洋麻植株高度估算研究**

**一、研究背景与问题提出**

在全球气候变化日益受到关注的背景下,向基于低投入农业技术的精准农业转型已成为重要的发展方向。洋麻(Hibiscus cannabinus L.)是一种原产于非洲的亚热带一年生作物,具有约100–125天的短生长周期和可达4–6 m的快速生长特性,以其优越的生物质生产力和远超传统作物的二氧化碳(CO2)吸收能力而备受关注。随着洋麻经济和环境价值的提升,如何在较低的化学肥料和农药投入下实现其可持续生产成为研究热点。

然而,洋麻的结构发育和生物质积累受到养分有效性(特别是土壤氮素和有机堆肥施用)的强烈调控。不同的施肥制度可导致植株高度和冠层光谱特征出现显著的空间和时间变异。更为关键的是,随着作物在开花后向生殖发育阶段转变,垂直茎秆伸长减缓,由施肥处理诱导的株高差异在最终收获阶段趋于收敛。这一生理转变使得收获期单次株高测量的诊断价值十分有限,凸显了在整个作物生命周期内开展多时相监测以准确评估施肥响应的必要性。传统的作物生长评估依赖人工田间测量株高和茎粗等指标,对高秆密植的洋麻而言,后期田间可及性和调查效率显著下降,且基于茎粗与株高异速生长关系的地面简单线性回归模型(G-SLR)在生长后期也不够可靠。因此,亟需引入能够覆盖完整生长周期的非破坏性测量技术。

**二、研究内容与意义**

针对上述问题,研究人员开展了以下工作:(1)实施基于对象的预处理工作流程,以分离纯净作物植被、减少土壤和非目标背景噪声;(2)通过多时相数字表面模型(digital surface model, DSM)差分构建基线校正的冠层高度模型(ΔDSMt),以减小微地形误差;(3)利用标准化的光谱和结构参数开发基于无人机的多元线性回归模型(UAV-MLR),并严格比较其与传统地面测量回归模型在多个生长阶段的拟合性能。

本研究的重要意义在于:证实了无人机遥感数据能够同时反映冠层的垂直结构和生理活力,实现对洋麻植株高度的非破坏性、高精度估算,其精度较传统地面模型提升显著(RMSE降低62.3%),为高秆作物的规模化生长诊断和精准施肥管理提供了实用参考框架。

**三、关键技术方法概述**

田间试验在韩国国立韩京大学实验农场进行,栽培面积约300 m2,共24个小区(3 m × 3 m),设8个施肥处理(N0、N0.5、N1、N2分别对应不施氮、半量氮、标准氮、倍量氮,以及与堆肥配施的N0+C、N0.5+C、N1+C、N2+C),每处理3次重复,于2025年6月18日播种,10月5日收获。无人机多光谱影像(DJI Mavic 3 Multispectral Enterprise)在5个生长阶段(20、40、60、80、110 DAS)采集,飞行高度12 m,地面采样距离0.55 cm/pixel,采用RTK GNSS实现厘米级定位。影像通过WebODM处理生成DSM和正射镶嵌图。辐射定标利用元数据中的暗电流噪声校正、渐晕校正函数和下行光传感器实时辐照度数据,计算光谱反射率。植被指数(NDVI、GNDVI、GLI、NGBDI、NGRDI、VARI)基于校准后的多光谱和RGB影像计算。采用八连通分量标记算法和Moore邻域轮廓追踪算法进行面向对象的植被提取,构建小区级纯净植被掩膜。相对冠层高度模型ΔDSMt通过各生长阶段DSM减去播前裸土基准DSMpre获得。地面实测数据在同日采集(共160个单株测量值),以处理均值(n = 40)用于回归建模。模型变量选择通过方差膨胀因子诊断多重共线性,采用后向剔除法确定最终变量组合。

**四、主要研究结果**

**4.1 施肥处理下洋麻的生长响应**

**4.1.1 植株高度的时序变化**

双因素方差分析显示,氮肥水平和堆肥施用对80 DAS之前的株高影响显著(p < 0.05),但到收获期(110 DAS)处理效应不再显著。在营养生长阶段(20、40、80 DAS),氮水平与堆肥的交互作用显著(p < 0.01)。早期(20 DAS)不施堆肥条件下N1处理株高最大(46.9 ± 3.4 cm),而施堆肥条件下N0.5+C处理最高(50.5 ± 4.0 cm)且与N1、N2无显著差异,表明堆肥可在减氮条件下缓冲生长响应。60 DAS时交互效应不显著,N1氮水平下平均株高最大(250.5 cm),施堆肥小区(227.7 cm)显著高于不施堆肥小区(221.7 cm)。80 DAS(进入开花过渡期)交互效应再次显著,不施堆肥条件下N2和N0.5构成上位组,施堆肥条件下N1+C最高(357.5 ± 7.4 cm)。但开花启动后,代谢能量和光合产物从垂直茎秆伸长转向花和种子等生殖器官发育,至110 DAS各处理间株高差异在统计上趋于收敛。

**4.1.2 茎粗的时序变化**

与株高不同,茎粗在整个生长期间持续受氮肥和堆肥主效应显著影响直至收获期(p < 0.001)。氮×堆肥交互效应在40 DAS和80 DAS显著(p < 0.05)。20、60和110 DAS交互效应不显著,主要表现为主效应:20 DAS时N1处理茎粗均值最大(5.93 mm),施堆肥小区(5.89 mm)显著高于不施堆肥小区(4.82 mm);60 DAS时N2属最高组(a),N1属中间组(ab);110 DAS时N2(31.61 mm)和N1(29.79 mm)构成上位组,施堆肥小区均值(30.17 mm)显著高于不施堆肥小区(26.29 mm)。这说明开花后未被纵向生长利用的同化产物被重新分配至木质部和韧皮纤维等茎秆结构组织的发育中。

**4.2 基于无人机的植被指数与数字表面模型分析**

**4.2.1 植被指数分析**

研究分析了6种植被指数的时间变化模式。包含近红外波段的NDVI和GNDVI从早期至40–60 DAS快速上升后保持稳定高位,未施氮处理(N0和N0+C)全程维持较低值,表明近红外植被指数对洋麻生物质积累和叶绿素活性变化响应敏感,可用于长期追踪氮肥效应。可见光波段指数GLI、NGBDI和NGRDI在40–60 DAS达最大值后于80 DAS下降,可能与冠层郁闭、叶绿素含量下降及冠层密度增加导致阴影增多有关。VARI表现出独特的时间模式,持续增加至生长后期(110 DAS),这可能是因其对大气效应和土壤背景影响相对不敏感。

**4.2.2 基于ΔDSMt的冠层结构发育**

通过ΔDSMt追踪了各生长阶段洋麻冠层的垂直结构发育。20–40 DAS期间,个体植被像元沿播种行保持分离;60–80 DAS期间相邻冠层逐渐融合形成连续冠层。高氮高堆肥处理中反映较大相对冠层高度的红色区域更发达,而养分缺乏处理中反映有限垂直生长的蓝色和绿色区域持续存在。110 DAS时冠层最终垂直结构已建立,处理间高度差异持续存在。值得注意的是,无人机高度估值与地面实测株高存在偏差,这是因为地面实测以最顶端心叶尖端为零点测量垂直距离,而DSM反映像元级别上层冠面的平均高度,导致轻微的结构性低估。

**4.3 基于无人机的冠层高度预测模型开发与比较分析**

**4.3.1 基于多重共线性控制的变量选择与UAV-MLR模型开发**

初始候选自变量包括ΔDSMt和6种植被指数均值。经方差膨胀因子诊断和后向剔除,GLI、NGBDI和VARI因高多重共线性或相对低贡献被排除。最终模型中所有自变量VIF值为1.19–6.35,均低于常用阈值10。各变量经标准化处理后构建最终UAV-MLR模型:预测株高(cm)= 229.13 + 121.58 × 标准化(ΔDSMt)+ 34.15 × 标准化(NDVI)? 14.30 × 标准化(GNDVI)? 8.45 × 标准化(NGRDI)。该模型融合了垂直结构变量和反映冠层结构与活力的光谱植被指数。

**4.3.2 与G-SLR的性能比较及适用性评估**

G-SLR模型在对数转换后调整后R2为0.9615,残差满足正态性和同方差性假设,但反变换至原始cm尺度的RMSE为39.68 cm、MAE为29.16 cm,可能是因为后期茎秆增粗与垂直伸长的发育模式不完全同步。而UAV-MLR模型调整后R2达0.9858,F统计量为678.4(p < 0.001),RMSE仅14.95 cm、MAE为11.31 cm,残差同样满足正态性和同方差性假设,被认定为更准确且适用的非破坏性株高估算模型。

**4.3.3 遥感模型讨论与精准农业意义**

UAV-MLR模型的较强拟合性能可归因于ΔDSMt(反映垂直结构)与植被指数(反映冠层生理状态)的互补作用。研究指出,本研究中的ΔDSMt是相对于播前裸土基线(DSMt ? DSMpre)推导的,用于实现单次无人机飞行即可瞬时估算绝对株高的目标。对于像洋麻这样持续垂直生长且处理响应空间异质性高的作物,传统地面调查难以充分捕捉田间变异,而无人机遥感可对整个小区面积进行重复观测,获取田块尺度的冠层信息,同时大幅降低劳动和时间成本,对于规模化栽培或田间可及性受限的情形尤为实用。

**五、讨论总结与研究结论**

研究表明,洋麻株高在早期至中期生长阶段受氮肥和堆肥施用的强烈影响,但进入生殖生长阶段后处理间差异逐渐减小;与之形成对比的是,茎粗持续保持对施肥处理的响应直至生长后期,能更稳定地反映长期养分响应能力。基于ΔDSMt和植被指数(NDVI、GNDVI和NGRDI)构建的UAV-MLR模型在估算洋麻株高方面展现出较高的解释力和较低的拟合误差,优于G-SLR模型。这表明无人机数据能够同时反映冠层垂直结构与生理活力,实现对洋麻株高的非破坏性、高精度估算。本研究证实了无人机遥感在洋麻这类高秆作物上补充传统地面调查的实践潜力。尽管未开展植株内部成分的直接化学分析,本研究所提出的非破坏性生长信息框架可为精准农业中的大规模作物监测和施肥管理提供有用基础。未来研究应在多个品种、生长阶段和环境条件下进一步验证模型的普适性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号