一、研究背景
水稻是全球主要粮食作物，氮素作为关键宏量营养素，直接影响水稻生长与产量。传统氮素管理依赖农民经验判断，存在主观性强、易受光照和经验影响、无法适配田间实时变异等问题，常导致缺肥或过量施肥。过量施肥会引发富营养化、土壤酸化、水稻倒伏等环境与农艺问题，缺肥则会抑制叶绿素合成、降低产量。现有监测方法缺乏精准性和规模化适配能力，而无人机（UAV）遥感技术具备高分辨率、实时性优势，机器学习可高效处理多源特征，二者结合为水稻氮素精准监测提供了可行路径，因此本研究旨在构建融合UAV 多光谱影像与机器学习的氮素水平分类框架，解决传统管理的局限性。
二、研究方法
图1 无人机多光谱影像氮素分类框架的工作流程
1. 试验设计与数据采集
研究区位于台湾台中雾峰区台湾农业试验所 78 号试验田，于 2020-2021 年两季水稻（TNG71品种）种植期开展试验，设置 4 种核心氮素水平（80-200 kg/ha，涵盖缺肥、适宜、过量施肥），采用常规灌溉（CP）和干湿交替灌溉（AWD）两种方式（图2、图3）。使用DJI Matrice 210 RTK 和 Gryphon 无人机搭载MicaSense Altum 多光谱传感器，在 40 米高度、80%重叠度下采集影像，覆盖蓝、绿、红、红边、近红外 5 个波段，同时收集田间气象数据与土壤理化性质数据。
图2 实验场地位于台湾台中市的地理位置
图3 2020年和2021年的实验田间设计
2. 影像预处理与像素分割
对原始影像进行辐射定标、几何校正和正射镶嵌处理，确保数据精度；采用 128×128 像素瓦片划分影像，由领域专家手动标注水稻与土壤背景作为真值（图4）。分别使用Otsu算法（无监督）和决策树分类器（DTC，有监督）进行水稻像素分割，输入特征包括原始光谱波段、HSV颜色空间转换特征及ExG、ExR、ExGR植被指数。
图4 128×128图像瓦片及其用于像素分割的真实标签
3. 特征增强与选择
提取16个光谱与结构特征，包括5个原始波段、3个颜色空间特征、6个植被指数（GNDVI、MTVI2等）、冠层覆盖度（CC）和累积生长度日（CGDD），并进行归一化处理。采用随机森林重要性（RF Importance）、递归特征消除（RFE）和卡方检验三种特征选择方法，筛选对氮素分类最具解释力的核心特征，降低计算复杂度。
4. 氮素水平分类模型构建与评估
构建支持向量机（SVM）和 K 近邻（KNN）两种分类模型，基于水稻关键生育期划分Period I（营养生长期至生殖早期）和Period II（灌浆期）两个时段进行训练与测试。通过网格搜索优化模型超参数（如SVM的RBF核参数C和γ），采用精度、召回率、F1分数和总体准确率（OA）作为评估指标，使用混淆矩阵分析模型性能。
三、主要研究结果
1. 水稻像素分割效果
Otsu算法中，ExG特征表现最优，水稻召回率达77.6%、总体准确率79.4%；NIR波段次之，总体准确率77.0%。DTC模型结合9种复合特征（原始波段+颜色空间+植被指数）时性能最佳，水稻召回率95.3%、F1分数90.8%、总体准确率88.8%，显著优于单一特征模型和Otsu算法（图5、图6）。
图5 利用多种方法得出的分割结果
图6 DTC分类结果可视化
2. 氮素水平分类性能
模型对比方面，SVM在非线性特征处理上优于 KNN，Period I 中SVM 总体准确率 60.0%，高于KNN 的 50.0%；两模型在Period II 均达到 70.0% 的总体准确率。卡方检验筛选的特征（NDRE、GNDVI、RERVI、CC）表现最优，在 Period II 实现90.0% 的总体准确率；RFE 筛选特征后，模型在Period I 和 II 的总体准确率分别达75.0% 和 80.0%。此外，红边比率植被指数（RERVI）和冠层覆盖度（CC）是氮素分类最关键的特征，NDRE、GNDVI、OSAVI等植被指数在不同生育期均保持稳定贡献。
SVM模型在第一期表现优于KNN模型，OA为60.0%，高于KNN模型的50.0%。两者在第二期表现均有所提升，OA达到70.0%。由于KNN模型依赖基于距离的优化进行分类，而SVM模型利用基于超平面的分离，SVM模型在处理N级分类中的非线性关系时更为有效（表1）。
表1 使用16特征数据集比较KNN与SVM在氮素分类中的表现
在射频重要性方法中，应用了网格搜索来评估特征组合。结果表明：第一和第二阶段的OA率分别为60.0%和70.0%。然而，按重要性选择特征的使用相比所有特征，性能略好。N级之间观察到分类表现差异较大。特征选择后，第二期0级的精度水平保持稳定，但召回率和F1评分显著下降。相反，在第二级中，召回率和F1分数更高，但精度下降（表2）。这些观察表明，所选特征组合在各层级间，尤其是在第二期，导致推理表现更为平衡。
表2 使用RF重要性选定特征的SVM分类性能
表3 使用递归特征消除（RFE）重要性选定特征的SVM分类性能
使用RFE的SVM模型在第一和第二阶段的OA率分别为75.0%和80.0%，优于使用所有特征或RF重要性特征的模型。第一期最优特征集包含九个特征，按RFE排名如下：RE′、NIR′、R′、G′、CGDD、GNDVI、OSAVI、RERVI和CC。第二期的最佳特征集包括RE′、NIR′和RERVI。RE′和NIR'在这两个时期均为主要贡献因子，显示其与N水平高度相关。对于氮水平2，使用RFE特征的模型在第一和第二阶段的精度、回忆率和F1评分均优于使用所有特征或按射频重要性选择的模型。
表4 使用卡方检验选定特征的SVM分类性能
使用卡方检验评估特征相对于N个水平的统计显著性，并选定关系最强的特征进行模型训练和测试。测试结果：使用卡方检验特征的SVM模型的OA在第一期为60.0%，第二期为90.0%。这两个时期的最佳特征集有四个：NDRE、GNDVI、RERVI 和 CC。第二期获得的OA和N级分类结果优于第一期。
图7 每个模型及特征选择方法的可视化结果
图7的可视化结果展示了每个机器学习模型和特征选择方法在预测两个时期N个水平方面的性能。兴趣区域图代表了实验图中三个氮素级（L0、L1和L2）的真实分类。第一期的分类误差通常更高，尤其是包含所有特征的KNN模型。L0和L1之间的误分类很常见。这表明，由于水稻在营养生长阶段表型变异性较大，早季N水平分类更具挑战性。
3. 生育期影响规律
Period I（营养生长期）中，冠层覆盖度（CC）因表型变化显著，成为主要影响特征；Period II（灌浆期）中，光谱特征（RERVI、NDRE、GNDVI）对氮素状态的解释力更强，分类精度更高（图8）。
图8 所有特征的相关热力图
四、结论
本研究成功构建了融合UAV 多光谱影像与机器学习的水稻氮素水平分类框架，实现了缺肥、适宜、过量施肥三个等级的精准区分。决策树分类器结合复合特征的水稻像素分割方案，以及 SVM 模型搭配卡方检验特征选择的分类方案，分别在像素提取和氮素等级判断中表现最优，核心特征 RERVI、CC、NDRE 和 GNDVI 的组合可有效捕捉氮素水平差异。
研究证实，UAV多光谱影像的高分辨率优势与机器学习的特征处理能力相结合，显著提升了氮素监测的精准度和规模化适配性，为精准农业中的氮素管理提供了数据驱动的解决方案。不同生育期的特征重要性差异表明，需针对性选择监测时段与特征组合以优化效果。局限性方面，研究数据来源于单一试验站点，可能受品种、土壤和气候的地域差异影响泛化性；UAV 影像存在存储需求大、监测成本较高的问题。未来研究需扩大试验区域与品种范围，优化影像采集时序以平衡效率与存储需求，结合时序机器学习方法捕捉氮素动态变化，提升模型的实际应用价值。
文献来源
Yang M D, Hsu Y C, Chen Y H, et al. Precision monitoring of rice nitrogen fertilizer levels based on machine learning and UAV multispectral imagery[J]. Computers and Electronics in Agriculture, 2025, 237: 110523.
转自绿水智慧农业
监制：王丽娇
10个月宝宝每天需要喝多少奶粉？
