【智慧农业】基于无人机光谱与纹理特征融合及冠层分层的棉花氮素垂直分布精准估算

精确监测植株氮积累量对棉花这一冠层结构复杂的作物实施精准管理至关重要。现有无人机遥感方法主要依赖冠层顶部光谱植被指数（如NDVI），存在信号饱和问题，且难以捕捉冠层内部氮素的垂直异质性。为更好地解决上述局限性，本研究构建并严格验证了一种创新框架，该框架将多源无人机特征与垂直冠层分层策略协同整合。我们开展了一项水氮耦合田间试验，提取了关键光谱指数（如NDRE、GNDVI）和纹理特征（如熵、对比度），并在分层与整株两种情景下评估了三种机器学习模型。结果表明，在分层框架内融合植被指数与纹理特征，对不同冠层氮素的估算效果存在显著差异。应用于上层冠层的随机森林回归模型取得了最佳性能（R² = 0.833，RMSE = 1.463 g m⁻²），而传统整株方法的R²为0.494。此外，该分层策略能够定量表征棉花冠层内部氮素的动态分布模式：在蕾期，氮素分配相对均匀；而在铃期，则明显集中于光合作用活跃的中、上层冠层（例如，中层冠层的植株氮积累量达121.84 kg ha⁻¹）。本研究提供了冠层氮素分布的三维视角，有助于将无人机观测与具有生理意义的过程相联系，并为棉花及其他冠层结构复杂作物的精准氮素管理提供了可行路径。

图1. 研究区域概览

图2. 估算植物氮积累的技术流程

图3. 不同水分和氮素处理条件下棉花植株氮积累的动态变化

图4. 不同机器学习模型在估算棉花氮积累方面的表现

图5.不同机器学习模型利用植被指数估算分层棉花氮积累量的表现

图6. 基于纹理特征估算分层棉花氮积累量时，不同机器学习模型的性能表现

图7. 基于融合光谱与纹理特征估算分层棉花氮积累量时，不同机器学习模型的性能表现

图8. 2024年8月9日棉花氮素积累的空间分布

文章来源：本文转载自扬州大学智慧农业研究院