凌琪涵，孔发明,2，宁 强,2，魏 勇,2，柳 展，代明珠，周 宇，张跃强,2,4，石孝均,2,4，王 洁,2,4※

（1.西南大学资源环境学院 重庆 400716；2.长江经济带农业绿色发展研究中心 重庆 400716；3.勐海曼香云天农业发展有限公司 勐海县 666205；4.国家紫色土肥力与肥料效益监测基地 重庆 400716）

0 引言

氮是水稻生长发育必需的营养元素，参与水稻体内重要化合物的合成并与产量密切相关，氮肥施用不足或者过量均会影响水稻的生长发育进而影响产量和品质[1]。大量研究表明，利用不同尺度的遥感监测手段能实现水稻氮营养诊断和指导变量精准施氮，然而大多数的研究仅仅建立了单一品种的氮营养监测模型，缺乏对不同试验点、多品种水稻氮营养监测的探究。同时，消费级无人机载传感设备的研究与应用不足，以至于大部分研究结果难以推广使用。因此，探究基于消费级无人机载多光谱成像技术对不同试验点、多品种水稻氮营养监测与应用具有重要意义。目前大多数水稻氮营养监测主要基于叶片尺度的地面遥感、无人机近地遥感以及星载遥感[2]。李卫国等[3]在水稻分蘖期利用HJ-1A 卫星遥感影像通过归一化植被指数（normalized difference vegetation index，NDVI）反演水稻叶面积指数（leaf area index，LAI），并进行了水稻长势分级。然而，卫星遥感存在空间分辨率较低、重访周期较长、受天气影响大等不足[4]。地面遥感技术利用便携式地物光谱仪能够快速、准确的获取作物生长和营养等信息[5]。李旭青等[6]的研究结果表明，以氮素光谱敏感指数作为输入变量结合随机森林算法构建水稻冠层氮含量反演模型精度较高（决定系数R2为0.82）。于丰华等[7]利用连续投影法提取敏感波段，并采用波段特征转移思路，筛选出3 个敏感波段（550、729 和800 nm）构成氮素特征转移指数，利用线性回归模型构建了水稻叶片氮含量监测模型，R2为0.77，均方根误差RMSE为0.38 mg/g。但便携式地物光谱仪监测范围小、工作量较大，很难实现田块尺度的作物营养监测和农情反演[8]。近年来，无人机遥感凭借空间分辨率高（可获取田块尺度厘米级遥感影像）、时效性强、成本低等优势，在作物营养诊断领域迅速普及[9]。目前，无人机作物氮营养监测主要通过植被指数的经验模型、化学计量法和机器学习等方式实现[10]。王玉娜等[11]通过分析小麦冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性，筛选出3 个敏感光谱参数，通过随机森林构建冬小麦氮素营养指数模型，模型的决定系数为0.79，均方根误差为0.13。冯帅等[12]筛选敏感波段两两随机组合构建植被指数，实现了各生育期东北粳稻冠层叶片氮含量估测，结果较为准确（R2均大于0.70）。魏鹏飞等[13]通过以各生育期最优光谱指数为自变量，夏玉米叶片氮含量为因变量，通过逐步回归建立夏玉米各生育期叶片氮含量监测模型（R2为0.56～0.64）。WANG等[14]系统总结了水稻氮营养监测建模方法，发现植被指数模型较适用于单一生长阶段，当涉及多个生育期混合样本时，利用偏最小二乘回归和机器学习等方法对水稻叶片氮含量和地上部氮累积量建模精度（R2为0.72～0.95）优于植被指数（R2为0.62～0.87）。综上所述，前人利用地面便携式光谱仪、无人机结合多/高光谱相机实现了水稻氮营养估测。然而，无论是便携式地物光谱仪还是无人机载多/高光谱传感设备均花费巨大，在一定程度上限制了其在农业上的应用。消费级无人机多光谱影像是近几年无人机近地遥感监测设备的重大技术突破，所搭载传感器光谱波段较全面，性价比很高，配套简便易操作的图像处理与分析软件，在规模化田块尺度农情监测方面发展迅速。然而，利用无人机多光谱影像在单一试验点、单品种以及不同试验点、多品种水稻氮营养监测的研究鲜有报道。本研究利用消费级无人机多光谱遥感技术，获取2 个试验点不同品种水稻分蘖期、拔节期、抽穗期的冠层多光谱图像，测定水稻冠层氮含量和地上部氮累积量，通过植被指数、偏最小二乘回归、随机森林以及反向传播神经网络，探究单一试验点、单一品种水稻和不同试验点、多品种水稻氮营养监测，以期为无人机载多光谱遥感技术在不同试验点、不同品种水稻氮营养监测和指导精确施氮提供理论依据和技术支持。

1 材料与方法

1.1 试验设计

本研究分别在云南省西双版纳傣族自治州勐海县勐遮镇试验农场（简称勐遮镇试验农场，100°13′E，21°57′N，海拔1 265.08 m）与重庆市北碚区国家紫色土肥力与肥料效益监测基地（简称北碚紫色土基地，106°26′E，30°26′N，海拔317 m）设置水稻不同施氮水平田间试验（图1）。勐遮镇试验农场属于热带季风气候，年平均温度为24.01 °C，年平均降雨量为1 526.2 mm，试验前土壤pH 值 5.3，全氮1.20 g/kg，速效磷37.70 mg/kg，速效钾52.20 mg/kg，有机质23.70 g/kg；供试的水稻品种为云粳37。2021 年1 月15 日播种，采用人工插秧，N0～N4 处理的施氮量分别为0、64、128、160、192 kg/hm2（见表1，N2 为当地推荐施氮量，N3 为农户施氮量）。北碚紫色土基地属于亚热带湿润季风气候，年平均温度为18.5 °C，年平均降雨量为1 105.1 mm，试验前土壤pH 值 7.7，全氮1.25 g/kg，速效磷4.30 mg/kg，速效钾88.45 mg/kg，有机质22.61 g/kg；供试的水稻品种为极优6 135。2022 年3 月15 日播种，采用人工插秧的方式，N0～N4 处理的施氮量分别为0、60、120、160、200 kg/hm2（见表1，N2 为当地推荐施氮量，N3 为农户施氮量）。每个小区50 m2，不同试验点水稻均实行单季种植制度，株距13.3 cm、行距30 cm，25 万穴/hm2，每穴定植2 株，移栽基本苗50 万株/hm2。云粳37 分别在播种前、拔节期、抽穗期，极优6 135 分别在播种前、分蘖期、拔节期施用尿素，均按照总氮量的40%、40%、20%施用，磷肥和钾肥分别作为基肥施用，P2O5用量120 kg/hm2，K2O 用量105 kg/hm2（表1）。

图1 试验农场及小区设计Fig.1 Experimental farm and plot design

1.2 水稻冠层多光谱图像采集与氮营养测定

利用大疆无人机精灵4 多光谱版进行水稻冠层多光谱图像采集，采集时间分别为分蘖期、拔节期和抽穗期。选择天气晴朗无风、太阳光照强烈的10:00-14:00 采集图像，每次飞行前用漫反射灰布进行辐射定标。无人机垂直地面飞行，飞行高度100 m，航向重叠率80%，旁向重叠率70%。相机每个航点自动拍照，图像以TIFF 格式保存。

在获取水稻冠层多光谱图像的同时，从每个小区采集具有代表性水稻植株6 穴带回实验室，按照茎、叶、穗单独分装标记。将各时期的水稻样品放入烘箱，105 °C杀青30 min 后，在70 °C 的温度下烘干至恒质量。称量后记录干质量，然后用球磨仪将其粉碎，称取烘干磨碎后的叶片、茎秆、穗样品0.5 g，采用凯氏定氮法测得水稻叶片、茎秆、穗的含氮量。

1.3 图像处理与数据计算

采集的多光谱图像包含5 个光谱波段（450、560、650、730 和840 nm）。图像在DJI TerraV3.6.0 中进行二维多光谱重建并添加漫反射辐射校正参数，输出5 个波段的多光谱正射图像，对分蘖期图像进行掩膜处理，去除土壤背景值，再提取水稻冠层光谱值。

分蘖期和拔节期水稻全氮含量、氮累积量计算式为

1.4 数据分析与建模

数据集的划分利用python 3.8 SKlearn 机器学习库的train_test_split 算法（K-fold），将总样本随机划分为建模集（70%）和验证集（30%）。根据前人研究选取与水稻氮营养相关性较高的比值植被指数（ratio vegetation index，RVI[15]）、归一化植被指数（normalized difference vegetation index，NDVI[16]）、归一化近红外植被指数（normalized nir vegetation index，NNVI[17]），采用偏最小二乘回归（partial least squares regression，PLSR[18]）、随机森林（random forest，RF[19]）和反向传播神经网络（back-propagation neural network，BPNN[19]）分别对单一试验点、单品种水稻和不同试验点、多品种水稻的冠层氮含量和地上部氮累积量进行建模。在迁移学习验证中，以云粳37 的样本作为验证集测试极优6 135 各生育期及全生育期氮营养监测模型的迁移能力；以极优6 135 的样本作为验证集测试云粳37 各生育期及全生育期氮营养监测模型的迁移能力。采用决定系数R2和均方根误差RMSE评价模型。

植被指数模型的构建及模型的R2、RMSE计算采用Microsoft Excel 2019 进行。PLSR 是利用主成分分析与典型关联分析相结合，解决模型自变量和因变量的映射问题；RF 利用Bootstrap 重抽样方法从原始样本中抽取多个样本，对每个Bootstrap 样本构建决策树，然后将决策树中最好的结果作为最终预测结果；BPNN 在建模前对变量进行归一化处理，经过反复参数调试对数据进行训练，最终确定隐含层节点数为3、输出层节点数为1 时模型最佳 。PLSR 和RF 模型在python 3.8 的Anaconda3环境中采用Sklearn 机器学习库建立，BPNN 模型采用TensorFlow 2.0 深度学习库建立。

2 结果与分析

2.1 不同施氮处理对水稻冠层反射率的影响

在不同施氮处理下，不同试验点的水稻冠层反射率如图2 所示。

图2 云粳37 和极优6 135 不同生育期冠层反射率Fig.2 Canopy reflectance of Yunjing 37 and Jiyou6135 at different growth stages

各生育期不同品种水稻的光谱反射率有明显差异。总体而言，云粳37 各波段光谱反射率均大于极优6 135，尤其在840 nm 处存在明显差异。其中，拔节期云粳37在840 nm 处的平均光谱反射率比极优6 135 高0.21，其次是抽穗期（840 nm 处平均光谱反射率差值为0.12），差值最小的为分蘖期（840 nm处平均光谱反射率差值为0.08）。在不同施氮处理下，不同品种在同一生育期的光谱反射率存在相似性。在分蘖期，云粳37 和极优6 135光谱反射率变幅在整个波段范围内均随施氮量增加而增大（0.002～0.13；0.003～0.05），在可见光波段光谱反射率均随施氮量的增加而减小，而在红边和近红外波段随施氮量的增加而增加。在拔节期和抽穗期，均随施氮量增加而增加，可见光光谱反射率变幅差异减小（0.004～0.015；0.009～0.02），而红边和近红外波段随施氮量的增加而增大（0.021～0.15；0.02～0.14），光谱反射率增加。

2.2 单一试验点、单品种水稻的冠层氮含量、地上部氮累积量反演模型验证

单一试验点、单品种水稻的各项生化指标见表2。总体而言，随着生育期的进行，2 个品种冠层氮含量逐渐降低而地上部氮累积量逐渐升高。其中，云粳37 冠层氮含量随生育期的降幅（0.87 个百分点）小于极优6 135（1.80个百分点），且地上部累积量的增幅（35.34 kg/hm2）也小于极优6 135（95.81 kg/hm2）。极优6 135 的氮营养在同一生育期均大于云粳37（除抽穗期冠层氮含量），不同品种间冠层氮含量差异（0.76 个百分点）小于地上部氮累积量（62.43 kg/hm2）。在分蘖期，极优6 135 的冠层氮含量和地上部氮累积量比云粳37 分别高0.76 个百分点和1.99 kg/hm2。在拔节期，极优6 135 的冠层氮含量和地上部氮累积量比云粳37 分别高0.03 个百分点和8.79 kg/hm2。在抽穗期，极优6 135 的冠层氮含量比云粳37 低0.17 个百分点，地上部氮累积量比云粳37 高62.43 kg/hm2。在全生育期，极优6 135 的冠层氮含量和地上部氮累积量比云粳37 分别高0.18 个百分点和30.27 kg/hm2。

表2 云粳37 和极优6 135 不同生育期冠层氮含量和地上部氮累积量Table 2 Canopy nitrogen content(CNC) and plant nitrogen accumulation(PNA) at different growth stages of yunjing37 and jiyou6135

在水稻的3 个生育期，利用植被指数NDVI（840 nm，650 nm），NNVI，RVI（840 nm，650 nm）建立单一试验点、单品种氮营养监测模型，对单一生育期的模型进行迁移学习验证，结果如表3 所示。

表3 不同生育期云粳37 和极优6 135 冠层氮含量、地上部氮累积量测试集预测精度和迁移学习验证Table 3 Validation of prediction accuracy and transfer learning of CNC and PNA test sets of Yunjing37 and Jiyou 6135 at different growth stages

总体而言，拔节期和抽穗期利用植被指数构建的氮营监测模型养测试集精度均优于分蘖期，在迁移测试中，单一品种水稻、单生育期的测试迁移测试RMSE较大。在分蘖期，3 种植被指数冠层氮含量监测模型的测试集R2为0.53～0.72，RMSE为0.18%～0.23%；地上部氮累积量监测模型的测试集R2为0.64～0.79，RMSE为2.67～3.92 kg/hm2，其中NDVI 的建模精度优于RVI 和NNVI；单一品种的分蘖期氮营养监测模型迁移测试的CNC 和PNA 的RMSE范围是1.00%～1.29%和8.07～12.51 kg/hm2，误差较大。在拔节期，植被指数模型对冠层氮含量和地上部氮累积量的预测精度较好，其中NNVI 模型的冠层氮含量（R2为0.71～0.84，RMSE为0.13%～0.23%）和地上部氮累积量（R2为0.67～0.88，RMSE为6.90～12.16 kg/hm2）模型优于RVI 和NDVI；单一品种拔节期氮营养监测模型迁移测试的CNC 和PNA 的RMSE为0.25%～1.38%和20.00～101.96 kg/hm2。在抽穗期，云粳37 通过NDVI 建立的冠层氮含量和地上部氮累积量模型的测试集精度较好，CNC 的R2为0.68 和RMSE为0.12%，PNA 的R2为0.83 和RMSE为5.44 kg/hm2；极优6135 通过NNVI 建立的冠层氮含量和地上部氮累积量模型精度较好，CNC 的R2为0.75 和RMSE为0.22%，PNA的R2为0.83 和RMSE为20.96 kg/hm2；单一品种抽穗期氮营养监测模型迁移测试的CNC 和PNA 的RMSE范围是0.33%～0.90%和35.37～125.24 kg/hm2。

由表3 可知，基于3 种植被指数无法建立云粳37和极优6 135 的全生育期冠层氮含量模型，而3 种植被指数可以建立水稻地上部氮累积量的模型。其中，RVI地上部氮累积量监测模型的验证集和迁移测试结果较好，优于NDVI 和NNVI，云粳37 的测试集R2和RMSE分别为0.77 和10.87 kg/hm2，迁移测试的RMSE为14.10 kg/hm2；极优6 135 的测试集R2和RMSE分别为0.62 和29.64 kg/hm2，迁移测试的RMSE为24.18 kg/hm2。基于RF、PLSR 和BPNN 均可以建立单一品种全生育期氮营养监测模型，其中RF 建立的冠层氮含量模型的测试集R2分别为0.70 和0.91，RMSE分别为0.26%和0.25%，地上部氮累积量监测模型的R2分别为0.91 和0.94，RMSE分别为6.12 和12.34 kg/hm2，而全生育期冠层氮含量监测模型无法实现迁移学习验证，地上部氮累积量模型迁移学习的RMSE较大。

各处理的氮营养反演结果如图3 所示。

图3 云粳37 和极优6 135 冠层氮含量和地上部氮累积量反演结果Fig.3 Results of CNC and PNA inversion of Yunjing 37 and Jiyou 6135

2.3 不同试验点、多品种水稻的冠层氮含量、地上部氮累积量反演模型验证

在3 个生育期，以植被指数、偏最小二乘回归（PLSR）、随机森林（RF）以及反向传播神经网络（BPNN）对不同试验点、多品种的冠层氮含量、地上部氮累积量建立监测模型，测试集结果如表4 所示。

表4 多品种水稻（云粳37、极优6 135）不同生育期CNC 和PNA 测试集精度（均值±标准差）Table 4 Precision (mean ± standard deviation) of CNC and PNA at test sets for multiple varieties of rice (Yunjing 37,Jiyou 6135) at different growth stages

在3 个生育期，利用PLSR、RF 和BPNN 建立的不同试验点、多品种的冠层氮含量和地上部氮累积量监测模型的R2为0.63～0.97，而植被指数无法建立水稻冠层氮含量监测模型，可以建立地上部氮累积量监测模型，但均存在较大误差，RMSE为6.82～73.76 kg/hm2。在拔节期和抽穗期，利用PLSR、RF 和BPNN 建立模型的精度均优于分蘖期。

在分蘖期，PLSR、RF 和BPNN 构建的冠层氮含量监测模型测试集的R2为0.43～0.57，RMSE为0.34%～0.39%；地上部氮累积量监测模型的R2为0.63～0.66，RMSE为3.54～6.11 kg/hm2，其中BPNN 的建模精度相对较好。在拔节期和抽穗期，RF 所建立的冠层氮含量（拔节期R2为0.80，RMSE为0.16%；抽穗期R2为0.76，RMSE为0.13%）和地上部氮累积量（拔节期R2为0.87，RMSE为9.05 kg/hm2；抽穗期R2为0.87，RMSE为16.44 kg/hm2）模型测试集精度优于PLSR 和BPNN。

在全生育期，基于RF 构建的冠层氮含量监测模型的测试集精度较高，R2为0.83，RMSE为0.28%，而PLSR 和BPNN 构建的模型测试集精度较低（R2分别为0.21 和0.25）、误差较大（RMSE分别为0.61%和0.60%）。3 种建模方法构建的不同试验点、多品种水稻地上部氮累积量监测模型的测试集精度均较高（R2为0.90～0.94，RMSE为10.09～13.20 kg/hm2），其中RF构建的模型测试集精度最好。不同试验点、多品种水稻冠层氮含量和地上部氮累积量监测模型测试结果如图4 所示。

图4 不同试验点、多品种水稻冠层氮含量和地上部氮累积量模型预测效果检验Fig.4 Validation of the prediction effects of the CNC and PNA models for multi-variety rice at different test points

3 讨论

3.1 基于无人机多光谱影像的水稻冠层光谱反射率与氮营养的关系

无人机多光谱影像采集的不同试验点、不同品种水稻各生育期可见光波段反射率随着施氮量的增加而下降，红边和近红外反射率随着施氮量的增加而增加。这是因为水稻叶片中的叶绿素可以吸收大部分可见光[20]，叶绿素含量随施氮量增加而增加，因此可见光波段反射率下降[21]；叶绿素含量越高则细胞结构越复杂，因而红边和近红外波段反射率增加[22]。本文研究结果表明，云粳37的光谱反射率在各生育期均大于极优6 135，尤其在近红外区域，潘庆梅等[23]的研究结果表明叶片的水分变化导致叶片发生生理变化，从而引起可见光和近红外波段光谱反射率发生变化；不同品种的水稻由于叶片结构、基本组成物质含量等有明显差异而形成水分变化，造成不同品种冠层光谱反射率存在明显差异。

3.2 基于植被指数的单一试验点、单品种水稻氮营养监测

本研究结果表明，基于掩膜覆盖后NDVI 所构建的水稻分蘖期氮营养监测模型精度较好，R2超过0.70。这可能是因为分蘖期为水稻生长早期，覆盖度较低，无人机多光谱相机采集到的冠层多光谱图像包含大量混合像元，通过图像掩膜处理能去除水和土壤背景对光谱的影响，进一步提高氮营养反演模型精度[24]。于丰华等[25]的研究表明，混合像元的反射率与水稻的反射率在近红外波段范围内有明显差异，因此很大程度地影响了水稻分蘖期的模型精度。ZHENG 等[26]研究表明，将植被指数和纹理特征结合作为输入参数建模，可以在一定程度上提升水稻分蘖期氮营养监测模型的精度。基于植被指数建立的水稻拔节期氮营养监测模型的精度均较高，其中基于NNVI 构建的水稻氮营养监测模型精度最好，R2为0.74～0.88。这可能是因为NDVI 在水稻拔节期植被覆盖度较高的情况下易出现过饱和[27]，BADGLEY 等[16]研究结果表明，在高植被覆盖度的情况下利用NNVI（NIRv）可以有效分离出由植被引起的反射率比例，从而降低过饱和现象并提高建模精度。在抽穗期，基于·NDVI 构建的云粳37 氮营养监测模型的R2最高，而基于NNVI 构建的极优6 135 氮营养监测模型的R2最高。这是因为云粳37 冠层氮含量降幅较小，生物量增幅小，而极优6 135 冠层氮含量降幅较大，生物量增幅大，氮营养往穗部的转移量较大（表4），因此极优6 135 的植被冠层较厚、生物量大，基于NNVI 构建的抽穗期氮营养监测模型精度高于NDVI。在3 个关键生育期中，单一品种水稻氮营养监测模型迁移测试的RMSE均较大。沈掌泉等[28]的研究表明，不同水稻品种间光谱存在差异并且在不同生育期的差异程度不一样，抽穗期品种间光谱差异最大，其次是孕穗期，而分蘖期各品种间差异不明显。杨长明等[29]的研究结果表明，不同作物品种对太阳辐射的吸收具有选择性，不同试验点的辐照、栽培时间不一致，可能会进一步加大多光谱反射率对氮营养响应的差异，因而不同试验点水稻氮营养监测模型的迁移能力不同。本研究结果表明，基于植被指数无法建立单一水稻品种全生育期冠层氮含量监测模型，但可以建立地上部氮累积量监测模型。这可能是因为在水稻整个生育期，冠层氮含量随生育期不断降低，冠层光谱特征也随之发生变化。在全生育期样本建模时，氮含量较低的生育期样本会偏离模拟曲线，氮含量监测模型精度较低，氮累积量监测模型精度较高，而本文采用的植被指数无法减小冠层光谱与氮含量之间的不协调性[30]。薛利红等[31]和李艳大等[32]的研究表明，水稻的氮累积量对冠层的光谱响应比冠层氮浓度更灵敏，能削弱叶面积指数、叶片内部结构以及内含物等造成的影响，并且植株氮累积量不仅反映植株个体的氮营养而且反应群体植株的氮营养，因此，对植株群体的氮营养状态的监测更有意义。本研究的结果表明，基于RVI 的地上部氮累积量监测模型对2 个品种均有较好的精度和迁移能力，这可能是因为RVI 算法可以扩展地物特别是同化不同植被间的光谱差异，从而在一定程度上提高不同地物反演模型精度和准确性[33]。

3.3 不同建模方法对不同试验点、多品种水稻氮营养监测建模精度的影响

本研究结果表明，基于植被指数的单一试验点、单一品种水稻氮营养监测模型的建模方法可以通用，然而无法利用植被指数分别对不同试验点、多品种水稻冠层氮含量进行建模，虽然可以建立地上部氮累积监测模型，但均存在较大误差，这可能是由于品种间的差异较大，不同品种水稻冠层氮含量与植被指数之间的关系为非线性，而植被指数建立的为线性回归模型[34-35]。前人开发并利用PLSR、RF、BPNN 构建多生育期多品种作物氮营养监测模型，这主要因为PLSR、RF、BPNN 能够解析非线性数据之间的联系。PLSR 是一种线性非参数回归方法，更适于解决共线性的回归分析（自变量多且共线性强）[36]，本研究自变量是多光谱数据，输入自变量较少，模型精度小于RF 和BPNN。BPNN 是一种有监督学习多层前馈神经网络，能根据预测误差调整网格权值和阈值，从而准确提取数据特征进行回归训练[37-38]。本文中利用RF 建立的不同试验点、多品种水稻冠层氮含量和地上部氮累积量监测模型均有较好的精度和较低的RMSE，R2分别为0.76～0.83 和0.87～0.94，RMSE分别为0.16%～0.28%和9.05～16.44 kg/hm2，基于RF 构建的多品种水稻全生育期冠层氮含量监测模型精度较高，R2为0.83，高于PLSR 和BPNN，这与郭燕等[39]对小麦冠层氮含量监测模型的研究结果相似，这是因为集成学习算法是一种包含多个决策树的分类器回归方法，根据决策树节点选取特定的输入变量进行分割，可确保选取特征为最优特征变量，增加了模型的泛化能力和优化学习能力。

3.4 利用无人机多光谱影像对作物氮营养监测的优势

消费级无人机多光谱影像设备应用农业，需要考虑应用场景和成本。无人机成像设备主要是无人机搭载数码相机（RGB），操作简单、价格便宜，分辨率高，在小麦、玉米和水稻氮营养诊断上有一定推广和应用[40-42]。然而，无人机RGB 影像由于辐射定标困难[43]，加上与作物氮营养相关的敏感波段极有可能不仅仅在RGB 范围内[44]，导致作物氮营养诊断效果不稳定。本研究采用的大疆精灵4 多光谱无人机（自带多光谱相机）整套系统价格约45 000 元，拥有5 个多光谱波段，并且自带NDVI等实时光谱图像，能够满足分蘖期、拔节期和抽穗期这3 个施肥关键期的氮营养监测。此外，配套预处理软件大疆智图能快速进行正射拼接以及辐射校正，使图像处理更加简单[45]。本研究利用大疆精灵4 多光谱无人机采集不同试验点、多品种水稻冠层光谱图像，利用植被指数、化学计量法和机器学习等方法构建的水稻氮营养监测模型，能在一定程度上解决不同生态点、多品种水稻氮营养监测模型，对于大区域尺度、不同品种作物营养诊断与精确施肥有重要意义[46]。

4 结论

本研究利用消费级无人机多光谱影像采集水稻冠层光谱反射率，通过不同建模方法，探究不同生态点、不同品种水稻氮营养监测模型的精度和普适性，主要结论如下：

1）利用植被指数构建分蘖期、拔节期、抽穗期单一试验点、单品种水稻氮营养监测模型，模型验证集的决定系数R2为0.53～0.88，植被指数无法构建水稻全生育期冠层氮含量监测模型，利用PLSR（partial least squares regression）、BPNN（back-propagation neural network）和RF（random forest）建立的全生育期冠层氮含量监测模型验证集的R2为0.61～0.91；植被指数、PLSR、BPNN和RF 构建单一试验点、单品种全生育期地上部氮累积量监测模型验证集的R2为0.48～0.94，模型迁移能力均较差。

2）分别利用植被指数、PLSR、BPNN 和RF 构建水稻多品种全生育期冠层氮含量和地上部氮累积量监测模型，RF 模型精度最高，R2为0.57～0.94，优于PLSR 和BPNN。