基于無人機多光譜遙感和機器學習的苧麻冠層葉片氮素含量預測模型研究

Research on Prediction Models for Nitrogen Content in Ramie Canopy Leaves Using UAV-Based Multispectral Remote Sensing and Machine LearningXu Mingzhi 1，2 ，Chen Jianfu1， Yue Yunkai1，Jiao Xinwei1，F(xiàn)u H"，"Introduction":""，"Columns":"信息技術.農(nóng)業(yè)工程"，"Volume":""，"Content":"

Research on Prediction Models for Nitrogen Content in Ramie Canopy Leaves Using UAV-Based Multispectral Remote Sensing and Machine Learning

Xu Mingzhi ^1，2 ，Chen Jianfu1， Yue Yunkai1，Jiao Xinwei1，F(xiàn)u Hongyu1，Guan Sheng'，Zhang Lei1，Cui Guoxian1，She Wei1（1. College of Agriculture， Hunan Agricultural University， Changsha 41O128， China;2. Huaihua Research Institute of Agricultural Sciences， Huaihua 418OOO，China）

AbstractNitrogen is one of the most significant nutrients afecting the growth and development of ramie. Accurately and timely mastering the nitrogen nutrition in ramie is crucial for improving management effciency， precisely controling growth dynamics，and implementing scientific management practices.This study conductedthe field trials with four nitrogen fertilizer levels and two top-dressing periodswhich were no nitrogen （NO）， 273kg/hm² of pure nitrogen （N1）， 332kg/hm² of pure nitrogen （N2）， 390kg/hm² of pure nitrogen （N3），as wellas top-dressing during the row closure period （a） and vigorous growth period （b）. Spectral images were collected using DJI Phantom 4 drones at four growth stages（seedling stage，line-closing stage，full growth stage and mature stage） of three seasons of ramie. Combined with measured nitrogen data， four machine learning algorithms including support vector machine （SVM），random forest regresson （RFR），back propagation neural network （BPNN），convolutional neural network （CNN）were used to establish nitrogen nutrition estimation models for each growth stage.The results showed that the nitrogen content estimation models based on the four machine learning algorithms all had some predictive capacity，but there were obvious differences in prediction accuracy. Among them，the CNN model had the highest prediction accuracy at seedling stage （ R² of 0.761，RMSE of 0.743 and MAE of O.548 on the validation set），which could accurately predicte the nitrogen nutrition status of ramie，although its generalization ability at mature stage needed to be optimized. The RFR model demonstrated stable performance in nitrogen prediction across growth stages （ R² of 0.607 to 0.755，RMSE of 0.819 to 1.156 and MAE of 0.680 to 0.930 on the validation set），making it suitable as a general model for long-term monitoring.In conclusion，the machine learning model based on UAV multispectral remote sensing could achieve better prediction of nitrogen in ramie crown leaves，which could provide theoretical support for rapid monitoring of ramie growth and precise fertilization management.

KeywordsRamie; Leaf nitrogen content; UAV； Multispectrum; Machine learning

氮素作為作物生長發(fā)育過程中不可或缺的營養(yǎng)元素，其含量水平在葉片中的表現(xiàn)成為評價植被生長狀態(tài)的關鍵指標[]。精確且及時的氮含量檢測不僅能大大提高作物管理的效率，而且對掌握作物生長動態(tài)、精準實施科學化管理具有重要意義[2-3]。傳統(tǒng)的作物氮素診斷主要依賴于經(jīng)驗判斷和實驗室檢測，耗時耗力且成本高昂，難以滿足現(xiàn)代農(nóng)業(yè)高效發(fā)展的需求。隨著科技的飛速發(fā)展，無人機遙感技術在作物氮素監(jiān)測領域的應用日益廣泛。研究表明，利用無人機多光譜技術動態(tài)監(jiān)測水稻葉片氮素狀況能有效解決人工破壞性取樣、耗時費力等問題[4-5]，在小麥[6]、夏玉米[7]荔枝樹[8]、冬油菜[9]等不同作物上的研究也均證實了無人機多光譜遙感影像在氮素監(jiān)測中的可行性和有效性。

近年來，機器學習在作物氮素監(jiān)測中的應用取得了顯著進展，其核心優(yōu)勢在于能夠高效解析復雜的非線性和高維光譜數(shù)據(jù)，突破傳統(tǒng)統(tǒng)計模型的局限性。機器學習具有優(yōu)秀的非線性建模能力、高維數(shù)據(jù)處理能力、空間特征挖掘能力及動態(tài)適應性等。機器學習算法如支持向量機（SVM）、隨機森林（RF）神經(jīng)網(wǎng)絡等能有效捕捉光譜特征與氮素含量間的非線性關系。多光譜傳感器能夠在不同波段范圍內(nèi)捕獲作物葉片反射的光譜特征，從而反映出作物生長狀態(tài)和葉片生理特征[10]。因此，通過對采集的光譜數(shù)據(jù)進行處理和分析，提取與作物氮素含量相關的光譜特征，然后建立作物氮素含量與光譜特征之間的關系模型，能夠實現(xiàn)對作物氮素含量的反演[1] O

植被指數(shù)與葉片氮素含量之間相關性較高[12]，通過無人機遙感平臺搭載多光譜相機采集遙感數(shù)據(jù)，然后構建適宜的植被指數(shù)，用于對水稻葉片氮素狀況的動態(tài)監(jiān)測，可以解決破壞性取樣、費時費力和局限性的問題，具有較好的可行性，是田塊和中小型區(qū)域尺度應用的良好選擇[4]。利用無人機搭載多光譜相機獲取的遙感影像數(shù)據(jù)對田間水稻的冠層氮素分類與反演較為適合[5]。研究指出紅光（ 和近紅外（ 840nm， 是水稻冠層響應不同施氮量的敏感波段[13]。Lu等[14]研究表明，利用無人機多光譜相機的傾斜圖像來有效估計小麥葉片或植株中的氮濃度是非常重要和實用的。劉昌華等[15]研究指出，利用多旋翼無人機平臺搭載多光譜相機對冬小麥的氮素診斷具有較強潛力，利用獲得的多光譜遙感數(shù)據(jù)能夠較好地估測冬小麥氮素指標，可為精準施肥管理提供一定指導。Astaoui等[16]利用無人機多光譜影像建立小麥氮素吸收模型，并繪制小麥氮素吸收與氮素營養(yǎng)指數(shù)的關系圖，有助于對小麥的健康生長進行監(jiān)測。可見，利用無人機多光譜遙感獲取圖像信息提取有效植被指數(shù)并建立作物氮素反演模型，在作物營養(yǎng)監(jiān)測中的應用日益廣泛，正逐步成為精準農(nóng)業(yè)領域的重要手段[17-18]。

苧麻作為我國特色天然纖維作物，種植面積占全球的 90% 以上，其葉片氮含量直接影響纖維品質與產(chǎn)量。當前苧麻氮素管理仍依賴人工經(jīng)驗判斷，缺乏精準監(jiān)測技術體系，導致施肥效率低下和環(huán)境污染風險。相較于傳統(tǒng)統(tǒng)計方法，機器學習在解決光譜數(shù)據(jù)高維度、多重非線性問題上展現(xiàn)出獨特優(yōu)勢，其自適應學習機制可有效挖掘隱含的農(nóng)學規(guī)律。然而，現(xiàn)有研究仍存在模型泛化能力不足、特征選擇標準不統(tǒng)一、跨作物遷移效果差等問題，特別是針對多年生纖維類作物的適應性研究亟待加強。因此，本研究利用無人機搭載的多光譜設備獲取苧麻不同生育時期的冠層影像數(shù)據(jù)，通過圖像融合技術提取植被指數(shù)，分析植被指數(shù)與實測冠層葉片氮素含量之間的相關性，篩選出與氮素含量相關性高且在實際應用中廣泛使用的植被指數(shù)作為特征參數(shù)，構建基于不同機器學習算法（SVM、RFR、BPNN以及CNN）的苧麻冠層葉片氮素含量預測模型，對比分析各模型的性能差異，優(yōu)選兼顧精度與魯棒性的模型，旨在建立苧麻氮素快速無損監(jiān)測技術體系，提升苧麻種植管理的科學性和精準性，為苧麻精準化栽培管理和纖維品質提升提供技術支撐。

材料與方法

1.1 供試材料與試驗設計

試驗于2023年4—11月在省長沙市農(nóng)業(yè)大學麻長期定位研究試驗點（ 28^°01^′N 113^°07^′E? ）進行，供試苧麻品種為“中苧2號”，采用寬窄行種植，寬行距 50cm ，窄行距 40cm 。試驗設置4個施氮水平和2個追氮時期，施氮水平分別為不施氮肥（NO）以及施純氮 （N1） 332kg/hm² （N2） 390kg/hm² （N3），其中60% 的氮肥基施，剩余 40% 的氮肥一次性追施;追肥時期分別為封行期（a）和旺長期（b）。共形成7個處理，以標準施肥的 N3-a 作為對照（CK），每個處理重復3次，采用完全隨機排列，如圖1所示。各小區(qū)統(tǒng)一基施磷、鉀肥，施用量分別為 和 。供試氮肥為尿素（含 N46.2% ），磷肥為過磷酸鈣（ P₂O₅ 含量 12% ），鉀肥為氯化鉀（ K₂O 含量 60% ）。

1.2 數(shù)據(jù)采集

1.2.1 光譜數(shù)據(jù)采集 2023年4—11月采用大疆精靈4多光譜版無人機，在三季苧麻苗期、封行期、旺長期、成熟期選擇晴天上午10：00至下午14：00進行光譜數(shù)據(jù)采集。設置無人機飛行高度為 20m ，云臺俯仰角為 -90^° ，主航向重疊率為80% ，主航線間圖像重疊率為 75% 。試驗區(qū)四周設白色參考板進行輻射定標，并布設6個控制點進行幾何校正。

1.2.2葉片氮素含量測定 在光譜數(shù)據(jù)采集同期，各小區(qū)隨機選10株苧麻，取倒4葉或倒5葉，每小區(qū)共20片葉，置于烘箱中 105^°C 殺青 ^1h 后80^°C 烘 48h 至恒重，用微型植物粉樣機粉碎后過篩混勻，裝袋備用。采用凱氏定氮法測定氮素含量[19] O

1.3 光譜數(shù)據(jù)處理及植被指數(shù)提取

1.3.1光譜數(shù)據(jù)預處理對采集的無人機多光譜影像數(shù)據(jù)進行圖幅拼接、輻射校正、幾何校正等預處理。圖像拼接是將多張影像拼接成整體，此步驟在Pix4Dmapper中進行。輻射校正是以輻射特性穩(wěn)定的地物輻射值作為參考，將獲取的影像數(shù)字值（digitalnumber，DN）轉換為輻射值，以消除光譜反射率或光譜輻射亮度值與實際目標的真實值之間的輻射誤差[20]。幾何校正是利用試驗區(qū)周圍布設的6個控制點建立原始畸變圖像空間與地理制圖標準空間之間的對應關系，將具有幾何畸變的影像數(shù)據(jù)通過空間變換模型（仿射/投影變換）映射到標準地理坐標系，實現(xiàn)像素位置與真實地物坐標的精確對應，從而提高影像的質量和可用性[21]，確保影像的準確性和可靠性。

1.3.2光譜反射率的計算將預處理后的無人機多光譜影像及地面取樣點的GPS定位信息導人到ENVI5.6軟件中，以地面取樣點為中心，在圖像上裁剪出 200×200 像素的光譜影像作為感興趣區(qū)域（ROI），將ROI內(nèi)苧麻葉片樣本的平均反射光譜作為該取樣點的光譜反射率[22]。光譜反射率計算公式如下：

式中， 為目標地物的反射率，DN為目標地物的 DN 均值， DN_??_ffg 為白色參考板的 DN 均值，R參考板為參考板的反射率值。

1.3.3植被指數(shù)的提取結合氮素對光譜的吸收特性，從現(xiàn)有的多光譜植被指數(shù)中選出7種與葉片氮素相關性較高且常用的植被指數(shù)（表1），作為模型構建時的特征值輸人。利用SPSSSta-tistics26軟件，采用Pearson相關分析方法，對所選植被指數(shù)與苧麻冠層氮素含量進行相關性驗證。

1.4模型構建及預測精度評價

1.4.1數(shù)據(jù)集及模型構建剔除異常樣本后，本試驗共獲得各時期多光譜圖像提取的植被指數(shù)126組（涵蓋7個不同氮肥處理，每個處理設3個重復小區(qū)，每個小區(qū)采集2個樣點數(shù)據(jù)，并在三季苧麻的每個關鍵生育期各獲取一次觀測值），對其進行標準化以消除量綱差異，按7：3比例隨機劃分訓練集（88組）和驗證集（38組），確保數(shù)據(jù)分布一致性。

以篩選的植被指數(shù)為特征輸人，以實驗室實測苧麻葉片氮素含量（LNC）為目標輸出，構建SVM、RFR、BPNN和CNN四類預測模型，系統(tǒng)探究機器學習在苧麻氮素反演中的適用性。其中，SVM選用高斯核（RBF）映射非線性關系，通過網(wǎng)格搜索優(yōu)化懲罰系數(shù)（C）和核參數(shù) （γ） ;RFR采用100棵決策樹集成，以特征隨機性提升泛化能力；BPNN設計單隱藏層結構（節(jié)點數(shù) ≈ 輸人特征數(shù) ×2/3 ），引入ReLU激活函數(shù)加速收斂;CNN則針對一維植被指數(shù)特性，將輸入重塑為偽二維數(shù)據(jù)，構建包含卷積層（ 3×1 核）最大池化層及全連接層的輕量化網(wǎng)絡，使用梯度下降算法通過迭代優(yōu)化網(wǎng)絡參數(shù)（如卷積核權重、全連接層權重等），最小化預測輸出與真實標簽之間的誤差（即損失函數(shù)），從而讓模型逐步學習數(shù)據(jù)中的有效特征并提升預測精度。

1.4.2模型預測精度評估及泛化能力評價利用MATLAB計算訓練集與驗證集的決定系數(shù)（ R² ）、均方根誤差（RMSE）、平均絕對誤差（MAE），用于評價模型的預測精度及泛化能力。其中， R² 用于衡量模型解釋數(shù)據(jù)變異的能力，值越接近1說明模型擬合越好；RMSE反映預測值與真實值的偏差，對較大誤差更敏感；MAE是預測誤差絕對值的平均，對異常值更穩(wěn)健。泛化能力通常指的是機器學習算法對新數(shù)據(jù)或未參與訓練樣本的預測效能，反映了學習模型在獨立同分布假設下對分布外樣本的適應水平。訓練集的評價指標顯示模型對已知數(shù)據(jù)的擬合程度，而驗證集的評價指標則反映模型對新數(shù)據(jù)的預測能力。驗證集的 R² 、RMSE和MAE越接近訓練集，說明模型的預測精度越好，泛化能力越強[30-31]。三個指標的計算公式如下：

式中， y_i 為第 i 個樣本的實測值， Y_i 為第 i 個樣本的預測值，y為樣本平均值， n 為樣本數(shù)。

2 結果與分析

2.1 植被指數(shù)與苧麻冠層葉片氮含量的相關性 分析

對不同生育時期（苗期、封行期、旺長期、成熟期）苧麻冠層LNC與7種植被指數(shù)的相關性進行統(tǒng)計分析并繪制熱圖（圖2）?？梢钥闯?，所選植被指數(shù)在苗期均表現(xiàn)出與LNC極顯著正相關（ Plt;0.01） ，其中NDVI、RVI、MSR和WDRVI的相關系數(shù)較高，表明苗期苧麻冠層結構較簡單，植被指數(shù)能較好地反映氮素狀況。隨著生育期推進，各植被指數(shù)與LNC的相關性呈現(xiàn)波動變化，封行期和旺長期大部分有所下降，而成熟期有所回升，7個植被指數(shù)與苧麻冠層LNC的相關系數(shù)均超過0.593，表明植被指數(shù)在生育后期仍具有一定的預測能力。

基于上述分析，NDVI、RVI、MSR、WDRVI與LNC的相關性在整個生育期內(nèi)表現(xiàn)出較高的穩(wěn)定性，適合作為跨生育期氮含量預測的核心指標；而GNDVI、RDVI和SAVI在封行期和旺長期表現(xiàn)較差，可能需結合其他參數(shù)優(yōu)化模型。因此，構建預測模型時，可采取分生育期建模策略以提高精度。此外，還可通過機器學習方法（如隨機森林、神經(jīng)網(wǎng)絡）整合多個植被指數(shù)，減少單一指數(shù)的局限性。

2.2 基于苧麻不同生育時期的冠層葉片氮含量預測模型

分別以植被指數(shù)NDVI、GNDVI、RVI、MSR、RDVI、WDRVI、SAVI為建模特征值輸人，以苧麻冠層LNC輸出，使用4種機器學習算法（SVM、RFR、BPNN、CNN）建立了不同生育期的冠層葉片氮素預測模型（表2）。模型整體性能比較，CNN模型在苗期的表現(xiàn)穩(wěn)定且預測精度較高，在封行期的預測精度較低，在旺長期的 R² 值較苗期略有下降，但仍高于其他模型；在成熟期，雖然CNN 模型在訓練集的表現(xiàn)優(yōu)秀，但在驗證集的表現(xiàn)不如RFR模型，說明其泛化能力有待提高；RFR模型表現(xiàn)出最佳的跨生育期穩(wěn)定性（驗證集 R² 為0.607～0.755） ，具有較好的預測與泛化能力；SVM模型在各生育時期的表現(xiàn)均較差。誤差分析顯示，總體來說CNN的RMSE和MAE最低（成熟期訓練集RMSE僅0.365），而SVM的預測誤差最大（驗證集RMSE普遍 gt;1.3 ）。綜合來看，CNN模型在四個生育時期的 R² 值較高，RMSE和MAE值較低，表現(xiàn)出最好的性能；RFR模型在四個生育時期的表現(xiàn)最為穩(wěn)定，泛化能力最好。從生育時期來看，苗期預測效果最佳，其次為成熟期，封行期和旺長期模型精度有所下降，這可能與冠層郁閉度增加導致的光譜信息復雜化有關。

3討論

3.1 植被指數(shù)與苧麻冠層葉片氮素含量的關系

葉片氮素含量是表征植被健康狀況的重要指標，其變化會在植株葉片或冠層的反射光譜中反映出來[32-33]。敏感變量篩選能有效去除植被指數(shù)中的冗余信息，提高反演模型精度[34]。本研究分析了NDVI、GNDVI、RVI、MSR、RDVI、WDRVI、SAVI共7種常用的植被指數(shù)與苧麻葉片氮含量的相關性，結果表明，7種植被指數(shù)與苧麻各生育期（苗期、封行期、旺長期、成熟期）的葉片氮素含量均呈極顯著正相關關系，這與在棉花[12]、小麥[35]等作物上的研究結果一致;其中，相關系數(shù)最高值（0.803）出現(xiàn)在苗期，最低值（0.394）出現(xiàn)在封行期。在苗期，冠層覆蓋度低，土壤背景反射（尤其在紅波段）對植被指數(shù)的干擾顯著，但本研究顯示RVI、WDRVIMSR、NDVI與葉片氮含量仍表現(xiàn)出高相關性（ r?0.792 ），這可能歸因于苗期氮素主要富集于新生葉片，而紅波段（ 630～690 nm ）對葉綠素a的吸收峰敏感，近紅外波段（ 760～900nm） ）則與葉片細胞結構相關。此外，WDRVI通過引入近紅外波段的權重系數(shù)，降低了高反射區(qū)域的飽和效應，使其在苗期高氮條件下仍保持線性響應。隨著苧麻生育進程的推進，冠層郁閉度增加，植被指數(shù)對葉片氮素的響應機制發(fā)生變化，此時光譜信息主要反映群體冠層特征而非單葉屬性，各植被指數(shù)與葉片氮含量的相關性呈降低趨勢；但到成熟期，各植被指數(shù)與葉片氮含量的相關性又有所提高，這可能是因為成熟期葉片生長停止，氮的積累或再分配已完成，此時冠層的氮含量與單葉氮含量的關系更直接，從而與葉片氮含量的相關性提高。

3.2 苧麻冠層葉片氮含量估測模型的構建與驗證

本研究在試驗設計上設置梯度施氮和分階段追肥，并增加重復試驗，選用苧麻多個生育期的數(shù)據(jù)進行模型構建，以使研究數(shù)據(jù)覆蓋盡可能大的氮素變化范圍，降低極端值的影響，同時擴展模型的輸人特征范圍，增強模型對實際生產(chǎn)場景的適應性。所構建的四種模型在不同生育期都展現(xiàn)了一定的氮素預測能力，但預測精度存在顯著差異，其中，CNN模型整體表現(xiàn)最優(yōu)，RFR模型次之，SVM模型表現(xiàn)最差，這表明在選擇模型時需要考慮具體的應用場景和數(shù)據(jù)特征。

比較不同模型在各生育期的表現(xiàn)，CNN在苗期表現(xiàn)最優(yōu)（驗證集 R²=0.761 ），這得益于其獨特的空間特征提取能力，即通過卷積核有效捕捉植被指數(shù)間的空間關聯(lián)，通過權值共享機制降低過擬合風險，以及通過多層次非線性變換更好地表達光譜-氮素的復雜關系。這與梁宇鋒等[8在荔枝氮素反演中的核心結論一致，即相比于傳統(tǒng)化學方法檢測手段，基于無人機多光譜遙感技術結合機器學習算法實現(xiàn)對作物營養(yǎng)物質含量的檢測具有很大優(yōu)勢。盡管他們使用最小二乘回歸法，但其研究同樣強調(diào)傳統(tǒng)線性模型難以充分表征光譜與氮素間的復雜非線性關系，而CNN則能通過多層次非線性變換更好地捕捉了這種關系，兩者共同印證了復雜光譜-氮素映射需要更強大的非線性建模能力，CNN通過卷積結構與深層網(wǎng)絡能夠突破傳統(tǒng)統(tǒng)計方法的局限性。但在成熟期，衰老葉片的光譜異質性（如葉黃素吸收峰偏移）削弱了CNN對空間特征的判別能力，導致驗證集 R² 下降至0.648。RFR模型表現(xiàn)出最佳的跨生育期穩(wěn)定性，各時期的驗證集 R² 均在 0.607～ 0.755之間，特別是在成熟期，其驗證集 R²（0.755） （2號明顯高于CNN，這主要是因為RFR的集成學習機制降低了方差，而且其可以通過對特征重要性排序自動選擇關鍵變量，并對異常值和噪聲具有魯棒性。這也說明在數(shù)據(jù)分布復雜時，基于決策樹的集成方法可能比深度學習更具優(yōu)勢。相比之下，SVM對于復雜數(shù)據(jù)的處理表現(xiàn)不佳，而BPNN的訓練過程容易陷入局部最優(yōu)解。雖然理論上SVM適合小樣本學習，但在本研究中表現(xiàn)出高斯核參數(shù) （γ） 的全局性限制了局部特征提取，懲罰系數(shù)（C）的固定設置難以適應不同生育期的數(shù)據(jù)分布變化，以及其對特征縮放敏感而本研究僅進行了簡單標準化，這可能與其核函數(shù)選擇和參數(shù)優(yōu)化不足有關，進而在各生育期表現(xiàn)相對較差。BPNN的表現(xiàn)很大程度上取決于初始權重和偏置的選擇，不適的初始值導致訓練效果不佳;另外，BPNN對網(wǎng)絡結構的選擇相對敏感，隱含層節(jié)點數(shù)的選擇需要依賴經(jīng)驗[36-37]，也影響其對線性關系差或非線性關系的擬合能力。

可見，基于無人機多光譜遙感技術結合機器學習算法對苧麻冠層葉片氮素反演一定程度上能夠有效預測植株葉片氮含量。但目前的研究選用的試驗區(qū)數(shù)據(jù)有限，今后可進行多年多點試驗，以進一步驗證模型的普適性。同時，后續(xù)研究還需對網(wǎng)絡結構和參數(shù)選擇進行深入優(yōu)化，亦可考慮采用融合模型的方式，提升模型泛化能力，以便更精準地監(jiān)測作物氮素營養(yǎng)狀態(tài)

4結論

本研究利用無人機多光譜遙感技術和機器學習算法，成功構建了苧麻冠層葉片氮素含量的預測模型。主要結論如下：

（1）本研究選取的7種植被指數(shù)NDVI、GND-VI、RVI、MSR、RDVI、WDRVI、SAVI與苧麻冠層葉片氮素含量均具有較好的相關性，均在0.01水平上達到極顯著相關，適合作為苧麻冠層葉片氮素預測模型的輸入特征。

（2）所選的4種機器學習模型（SVM、RFR、BPNN、CNN）的預測精度存在明顯差異。CNN模型在苗期的預測精度最高，訓練集和驗證集的 R² 分別為0.852和0.761，但其在成熟期的泛化能力有待優(yōu)化。RFR模型的跨生育期氮素預測性能表現(xiàn)穩(wěn)定，適合作為長期監(jiān)測的通用模型。SVM和BPNN模型在冠層尺度對苧麻葉片氮素含量的預測性能較差。基于無人機多光譜遙感和機器學習構建的苧麻氮素含量預測模型的最佳監(jiān)測時期為苗期，此時模型精度高且農(nóng)藝調(diào)控窗口大。

綜上所述，基于無人機多光譜遙感的機器學習模型對苧麻冠層葉片氮素預測具有可行性，可為苧麻葉片氮素值的無損、快速監(jiān)測提供理論支持。在實際應用中可采取分生育期的建模策略，苗期采用CNN模型以獲得高精度，后期可切換至RFR保證穩(wěn)定性。今后的研究可以進一步探索更多植被指數(shù)和機器學習模型的組合，優(yōu)化苧麻氮素營養(yǎng)監(jiān)測體系，并推動其在農(nóng)業(yè)生產(chǎn)中的實際應用。

參考文獻：

[1] 胡春勝，秦樹平，張玉銘，等.華北平原農(nóng)田生態(tài)系統(tǒng)氮素過程及其環(huán)境效應研究［J].中國生態(tài)農(nóng)業(yè)學報，2018，26（10）：1501-1514.

[2] 牛魯燕，蔣風偉，張俊麗，等.基于無人機多光譜遙感的小麥長勢監(jiān)測研究[J].山東農(nóng)業(yè)科學，2021，53（3）：139-145.

[3] 韓英，賈如，唐漢.精準變量施肥機械研究現(xiàn)狀與發(fā)展建議[J].農(nóng)業(yè)工程，2019，9（5）：1-6.

[4] 宋麗娟.基于機載多光譜和SPAD的寒地粳稻氮素營養(yǎng)診斷研究[D].沈陽：沈陽農(nóng)業(yè)大學，2020.

[5] 張雨.基于無人機遙感的水稻氮素營養(yǎng)診斷研究［D].哈爾濱：東北農(nóng)業(yè)大學，2017.

[6] 馮偉，姚霞，朱艷，等.基于高光譜遙感的小麥葉片含氮量監(jiān)測模型研究[J].麥類作物學報，2008，28（5）：851-860.

[7] 楊飛.無人機多光譜遙感對夏玉米氮素診斷監(jiān)測模型研究[D].石河子：石河子大學，2020.

[8] 梁宇鋒，潘滿清，霍翔，等.基于無人機多光譜圖像的荔枝葉片氮磷鉀含量檢測[J].機電工程技術，2022，51（5）：138-142.

［9］劉一諾.基于無人機多光譜影像的冬油菜氮營養(yǎng)診斷［D].光譜遙感識別[J]．浙江農(nóng)林大學學報，2020，37（1）：136-142.

[11］蘭衛(wèi)華，萬敏，王凱，等.中波紅外多光譜成像技術研究［J].光電工程，2012，39（2）：59-62.

［12］王賞貴.棉花冠層氮素無人機遙感監(jiān)測與分布制圖［D].塔里木：塔里木大學，2020.

[13］傅友強，鐘旭華，黃農(nóng)榮，等.基于無人機多光譜遙感的水稻冠層光譜特征和氮素營養(yǎng)關系研究［J].廣東農(nóng)業(yè)科學，2021，48（10） ：121-131.

[14]Lu N，Wang W H，Zhang Q F，et al. Estimation of nitrogen nu-trition status in winter wheat from unmanned aerial vehiclebasedmulti-angular multispectral imagery[J].Frontiers inPlant Science，2019，10：1601.

[15］劉昌華，王哲，陳志超，等.基于無人機遙感影像的冬小麥氮素監(jiān)測[J].農(nóng)業(yè)機械學報，2018，49（6）：207-214.

[16]Astaoui G，Dadaiss JE，Sebari I，et al. Mapping wheat dry mat-ter and nitrogen content dynamics and estimation of wheat yieldusing UAV multispectral imagery machine learning and a varie-ty-based approach： case study of morocco[J]. AgriEngineer-ing，2021，3（1） ：29-49.

[17]Milanez K D T M，Araujo Nóbrega T C，Silva Nascimento D，etal.Selection of robust variables for transfer of classificationmodels employing the successive projections algorithm[J]. An-alytica Chimica Acta，2017，98（4） ：76-85.

[18]Kitchen N R，Sudduth K A，Drummond S T，et al. Ground-based canopy reflectance sensing for variable-rate nitrogen cornfertilization[J]. Agronomy Journal，2010，102（1） ：71-84.

[19］李合生.植物生理生化實驗原理和技術［M].北京：高等教育出版社，2000.

[20］陳偉，晏磊，勾志陽，等.無人機多光譜傳感器場地絕對輻射定標研究[J]．光譜學與光譜分析，2012，32（12）：3169-3174.

[21］李美炫.基于無人機多/高光譜影像陰影去除的蘋果樹冠層氮素含量反演[D].泰安：山東農(nóng)業(yè)大學，2022.

[22］鄧書斌.ENVI遙感圖像處理方法［M].北京：高等教育出版社，2014.

[23] Jiang R，Sanchez-Azofeifa A，Laakso K，et al. UAV-based par-tially sampling system for rapid NDVI mapping in the evaluationof rice nitrogen use efficiency[J]. Journal of Cleaner Produc-tion，2021，289：125705.

[24] Gitelson A A，Kaufman Y J，Merzlyak M N. Use of a greenchannel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，1996，58（3）：289-298.

[25］譚昌偉，杜穎，童璐，等.基于開花期衛(wèi)星遙感數(shù)據(jù)的大田小麥估產(chǎn)方法比較[J]．中國農(nóng)業(yè)科學，2017，50（16）：3101-3109.

[26]郭松，常慶瑞，崔小濤，等.基于光譜變換與SAP-SVR的玉米SPAD值高光譜估測[J].東北農(nóng)業(yè)大學學報，2021，52（8） ：79-88.

[27]LiXR，YangCH，HuangWJ，et al.Identification of cottonroot rot by multifeature selection from Sentinel-2 images usingrandom forest[J].Remote Sensing，2020，12（21）：3504.

[28]Gitelson A A. Wide dynamic range vegetation index for remotequantification of characteristics ofvegetation[J]. Journal ofPlantPhysiology，2004，161：165-173.

[29]HaboudaneD，MillerJR，TremblayN，etal. Integrated narrow-bandvegetation indicesforprediction ofcropchlorophyll contentfor application to precision agriculture[J]. Remote Sensing ofEnvironment，2002，81：416-426.

[30]Rinaldi M，Losavi N，F(xiàn)lagella Z. Evaluation and application ofthe OILCROP SUN model for sunflower in southern Italy[J].Agricultural Systems，2003，78（1） ：17-30.

[31］金昭，呂建樹.基于機器學習模型的區(qū)域土壤重金屬空間預測精度比較研究［J].地理研究，2022，41（6）：1731-1747.

[32］陳磊，伍濤，張紹鈴，等.豐水梨不同施氮量對果實品質形成及葉片生理特性的影響［J].果樹學報，2010，27（6）：871-876.

[33］潘蓓.蘋果樹冠層氮素、葉綠素及葉面積指數(shù)的高光譜估測[D].泰安：山東農(nóng)業(yè)大學，2013.

[34］劉江凡，趙澤藝，李朝陽，等.基于無人機多光譜遙感的蘋果樹冠層SPAD反演［J].排灌機械工程學報，2024，42（5） ：525-531.

[35]陶新宇，朱永基，蘇祥祥，等.基于無人機多光譜影像的冬小麥花前期氮素營養(yǎng)估測［J].安徽科技學院學報，2023，37（3） ：50-59.

[36]劉穎，楊鵬飛，張立軍，等.前饋神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡的魯棒性驗證綜述[J].軟件學報，2023，34（7）：3134-3166.

[37]Liao HC，Gao Y，WangQG，et al.Development of viscositymodel for aluminum alloysusingBPneural network[J].Trans-actionsofNonferrousMetalsSocietyofChina，2O21，31（10）：2978-2985.