基于无人机高光谱图像的冬小麦水氮耦合决策-阿里云开发者社区

基于无人机高光谱图像的冬小麦水氮耦合决策

2026-02-06 22

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本研究基于无人机高光谱遥感，构建冬小麦水氮耦合决策模型：采用SPA-RF和VIs-RF分别反演叶片含水量（R²=0.83）与叶绿素（R²=0.65），通过转换模型精准估算土壤含水量与叶片氮含量（R²达0.79/0.78），实现全生育期动态水氮优化管理。

摘要

背景：提高水和养分利用效率对于增加作物产量和应对全球人口增长至关重要。优化的灌溉和氮肥追施水平能够提升作物的水分及氮素利用效率。无人机遥感因其能够实时监测作物性状，已成为优化水氮管理的有效工具。

目的：本研究提出一种基于无人机高光谱成像的技术方法，以优化冬小麦的水氮管理。

方法：通过分析氮肥与灌溉之间的交互作用，构建了一个用于精确水氮施用的耦合决策模型。采用机器学习算法结合连续投影算法和竞争性自适应重加权采样等敏感波段选择方法，对叶片含水量和叶绿素含量进行了估算。

结果：SPA-随机森林模型在叶片含水量估算中表现最佳，而植被指数VIs-随机森林模型则是叶绿素含量估算的最优模型。通过转换模型将叶片含水量与土壤含水量、叶绿素含量与叶片氮含量进行关联，分别达到了0.79和0.78的确定系数。

结论：通过将高光谱反演数据与田间测量数据相结合，所提出的水氮耦合模型在关键生育阶段展现出强大的适应性和稳定性。该模型能够在整个生育期动态调整水和氮的施用量，以实现目标产量、优化施肥策略并提高利用效率。

意义：本研究结果凸显了无人机高光谱技术在优化水氮管理方面的巨大潜力。该方法从水氮耦合对产量影响的角度，为提升水氮利用效率提供了参考依据。

核心成果

（1）构建冬小麦水氮耦合模型：基于随机森林（RF）算法，以土壤含水量（SWC）、叶片氮含量（LNC）和产量为输入变量，关键生育期模型平均决定系数（R²）达0.91，可动态调整水氮投入以实现目标产量。

（2）确定最优反演模型组合：叶片含水量（LWC）反演最优模型为SPA-RF（验证集R²=0.83），叶绿素含量（SPAD）反演最优模型为VIs-RF（验证集R²=0.65）；基于LWC-SWC、SPAD-LNC构建的转换模型，平均R²分别为0.79和0.78，实现SWC与LNC的精准估算。

（3）建立无人机高光谱水氮耦合模型：整合高光谱反演数据与田间实测数据，关键生育期验证集平均R²达0.76，SWC和LNC预测误差平均RMSE分别为0.39%和0.15%，为大面积、非破坏性冬小麦水氮监测提供技术支撑。

（4）明确水氮耦合效应及管理策略：构建水氮-产量三维模型，揭示不同生育期最优水氮组合（如拔节期SWC约20%、LNC约2.6%）；基于模型计算的灌溉量和追氮量，在时空分布上与实际吻合度高，可提升水氮利用效率并降低环境风险。

实验设计

本研究于2022-2023年和2023-2024在河北辛集马兰试验站开展试验，供试冬小麦“高优2018”，麦-玉轮作，试验田面积0.1公顷，采用区组设计。以水氮为变量，灌溉设W100（100%CWR）、W75、W50、W0四水平（滴灌，累计需水30mm时灌溉）；氮素设0-360kg·ha^-1五水平（N0-N4，N2为常规），尿素50%基施、50%拔节期追施，磷钾肥均基施。共20个水氮组合，每处理3次重复，统一除草。

图1 研究区域

数据采集

本研究的高光谱数据由X20P框幅式高光谱成像仪获取，该设备具有20MP的超高清大面阵光谱探测器，可同步获取350~1000 nm范围内164个光谱通道高光谱图像，在1/1000秒内获得整个高光谱立方体数据，更适合高速移动式测量，数据真实可靠无伪影，影像具有厘米级地理坐标信息，既适用于地面场景，也可配备一体式无刷云台，搭载于多旋翼或固定翼无人机。