【智慧农业之窗】不同水氮管理模式下基于冠层分层和多源遥感框架的玉米氮素状态诊断

玉米叶片氮素在冠层内部表现出显著的垂直异质性，这往往会影响基于遥感的氮素状态诊断的准确性。为了克服叶层贡献及多源特征整合考虑不足的问题，本研究提出了一种三维耦合氮素诊断框架，该框架结合了逐层叶片标注、多源特征融合和机器学习建模，基于新疆地区不同水氮管理模式下的春玉米实验数据进行构建。通过分层地面采样，获取了来自上、中、下冠层的叶片氮含量（LNW），并从无人机多光谱影像中提取了22个植被指数（VIs）、8个纹理特征（TFs）和15个纹理指数（TIs），构建了一个多源特征集。研究结果表明，上层和中层冠层叶片的组合最能代表整体植物氮素状态。特征融合显著提升了模型性能，其中极端梯度提升（XGBoost）在氮素营养指数（NNI）估测中的精度最高（R² = 0.68，RPD = 1.77），而卷积神经网络（CNN）在LNW估测中的表现最佳（R² = 0.83，RPD = 2.31）。通过估算的LNW得出的关键氮素稀释曲线揭示了灌溉水平显著影响曲线的截距和斜率，突出了水分对氮素吸收和稀释的双重调控作用。结合基于ArcGIS的空间可视化，本框架实现了V6、VT、R3和R6生长阶段氮素营养指数（NNI）的动态监测。总体而言，该框架有效提升了玉米氮素状态的时空分辨率和估测精度，为精准氮肥管理和可持续农业转型提供了理论依据和技术支持。

图1. 本研究的工作流程

图2. 研究区域地理位置及实验处理区块的空间布局

图3. (a) 种植模式；(b) 夏季玉米在V6、VT、R3和R6生长阶段冠层垂直分层示意图

图4. 雨云图展示了不同生长阶段下，在渐进式冠层组合条件下玉米叶片氮含量的空间分布与时间动态变化

图5. 不同冠层层位叶片氮含量（LNW_t、LNW_tm、LNW_tmb）与植被指数的相关矩阵

图6. 不同冠层层位叶片氮含量（LNW_t、LNW_tm、LNW_tmb）与纹理特征的相关性矩阵

图7. 不同冠层层位叶片氮含量（LNW_t、LNW_tm、LNW_tmb）与纹理指数的相关矩阵

图8. 采用不同机器学习模型实测与预测的LNW_t散点图

图9. 采用不同机器学习模型测得与预测的LNW_tm散点图

图10. 采用不同机器学习模型测得与预测的LNW_tmb散点图

图11. 不同灌溉处理下玉米的临界氮稀释曲线

图12. 模拟与观测临界氮浓度对比

图13. 不同灌溉和氮肥水平下氮营养指数（NNI）的时序动态变化

图14. 氮营养指数与植被指数（a）、纹理特征（b）及纹理指数（c）的相关性矩阵

图15. 采用不同机器学习模型实测与预测的氮营养指数（NNI）散点图

图16. 2024年玉米田在V6、VT、R3和R6生长阶段，基于LNW_tm数据输入由极端梯度提升模型生成的氮营养指数预测图

来源：

Lei Wen, Jiang Yu, Wenhui Jiang, Shengzhao Pei, Zhenqi Liao, Fucang Zhang, Junliang Fan, Feihu Yin, Diagnosis of maize nitrogen status under contrasting water and nitrogen regimes using a canopy-stratified and multi-source remote sensing framework, Computers and Electronics in Agriculture, https://doi.org/10.1016/j.compag.2025.111148

转自扬州大学智慧农业研究院

监制：王丽娇