《Computers and Electronics in Agriculture》:Assessing in-season crop nitrogen status based on UAV multispectral imaging and AI-driven model optimization
编辑推荐:
维持适宜的氮素(Nitrogen, N)状态对实现大麦理想籽粒品质至关重要。氮肥通常在播种时施用,导致当季调整空间受限。及时监测对于籽粒氮浓度预测与品质评估具有重要意义。本研究旨在开发一种人工智能(Artificial Intelligence, AI)驱动框
维持适宜的氮素(Nitrogen, N)状态对实现大麦理想籽粒品质至关重要。氮肥通常在播种时施用,导致当季调整空间受限。及时监测对于籽粒氮浓度预测与品质评估具有重要意义。本研究旨在开发一种人工智能(Artificial Intelligence, AI)驱动框架,利用在三个关键生育期(拔节期DC30、抽穗期DC55和开花期DC65)采集的无人机(Unmanned Aerial Vehicle, UAV)多光谱影像,估算氮浓度、氮积累量、氮营养指数(Nitrogen Nutrition Index, NNI)和干物质(Dry Matter, DM)。研究人员采用随机森林(Random Forest, RF)和基于Keras的前馈神经网络(Keras-based Feedforward Neural Network, KFNN)两种机器学习算法估算氮素相关指标。从多光谱数据中提取多种植被指数(Vegetation Indices, VIs),并应用特征重要性排序和非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm, NSGA)优化输入变量,以提升模型性能和稳健性。结果表明,氮素相关指标在DC55和DC65阶段估算效果更佳,而DM在DC30阶段预测良好。KFNN在建模氮积累量和DM等复杂性状方面始终优于RF,D指数提升超过10%。NSGA优化特征集在提升模型稳定性和预测精度方面优于传统重要性排序。前3种VIs组合在精度与冗余度之间取得了良好平衡。所有模型在氮素相关指标和DM方面的D指数均达到0.75以上。本研究表明,将生育期特异性建模与基于AI的特征优化相结合,为实时氮素监测提供了一种可扩展且经济高效的方法,支持春大麦的精准氮素管理。
本研究旨在解决春大麦生产中氮素管理的关键挑战。大麦(Hordeum vulgare L.)作为全球广泛种植的谷类作物,在人类营养、畜牧饲料和酿造工业中具有重要地位。然而,传统管理方式下大麦氮肥利用效率(Nitrogen Use Efficiency, NUE)通常仅为33%至45%,造成了农学效率低下和环境问题。氮素管理需求因最终用途而异:饲料大麦追求最大籽粒产量和生物量积累,而酿造大麦则需在保持可接受产量的同时严格控制籽粒氮浓度。高纬度地区春大麦通常在3月至4月播种,氮肥多在播种时或出苗后不久施用,使得当季校正施肥的机会有限。传统作物氮素状态评估依赖破坏性采样和实验室分析,存在劳动密集、耗时且时空分辨率低等局限。遥感(Remote Sensing, RS)技术,特别是配备多光谱传感器的无人机,因其高空间和时间分辨率、操作灵活性和成本效益,成为当季非破坏性监测的有前景替代方案。
氮是叶绿素分子的关键组分,直接参与调控光合作用的蛋白质和酶的形成。植物氮素状态的变化会引起冠层反射率的显著改变,这构成了植被指数的生理学基础。然而,冠层反射率与氮含量之间的关系强烈受生育期影响:早期稀疏冠层增强土壤背景效应,而旺盛生长期 dense冠层导致VIs饱和,降低了对 subtle 氮差异的敏感性。人工智能为数据驱动的农业决策提供了前景广阔的能力,但现有研究多聚焦单一生育期或静态特征集,很少将氮素吸收的动态特性和生育期依赖的光谱响应显式纳入AI建模框架。
为此,研究人员于2024年春大麦生长季在丹麦奥胡斯大学Foulumgaard进行了两项田间试验。试验一为氮响应试验,设置0、40、80、120、160和200 kg N/ha六个氮水平,采用随机完全区组设计,3次重复,共18个小区。试验二为均一施肥参考田,单施140 kg N/ha标准肥,48个小区,建于5公顷大田内。两个试验均在5月15日播种,8月26日收获。研究人员在DC30、DC55和DC65三个阶段同步采集田间样本和无人机影像。样本经105℃烘干30分钟后于80℃烘至恒重测定DM,采用凯氏定氮法分析氮浓度,并计算氮积累量和NNI。临界氮浓度(Nc)采用临界氮稀释曲线计算(a=4.76, b=0.39)。
无人机多光谱数据采用Micasense RedEdge相机搭载DJI Matrice 100获取,飞行高度30 m,前后及旁向重叠度均为90%。使用CHCNAV-T8 GNSS接收机RTK模式测量4个地面控制点以进行几何校正,辐射定标采用标准白板。影像处理使用Pix4Dmapper软件,提取红(Rr)、绿(Rg)、红边(Rreg)和近红外(Rnir)波段反射率,计算50种植被指数。为表征各小区光谱信息,在ArcGIS Pro中勾画感兴趣区(Region of Interest, ROI)以最小化边缘效应和混合像元影响。
特征选择方面,研究人员首先基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)算法进行特征重要性分析,以平均不纯度减少量为评估指标,将重要性分数分为低(<10)、中(10-20)和高(>20)三类贡献度。同时采用NSGA-II多目标遗传算法进行优化,以最小化预测误差、最大化相关性、稳定性和区分能力为目标,通过模拟二元交叉(Simulated Binary Crossover, SBX)和多项式变异进行种群进化,种群规模50、变异概率0.2、迭代200代。
建模采用RF和KFNN算法。RF构建决策树集成,每次分裂随机选择特征子集以减轻过拟合。KFNN基于Keras API和TensorFlow后端实现,包含输入层、三个采用整流线性单元(Rectified Linear Unit, ReLU)激活函数的隐藏层,以及采用线性激活函数的输出层。网络使用Adam优化器,以均方误差(Mean Squared Error, MSE)为损失函数,应用dropout正则化(dropout率0.3)和早停策略防止过拟合。关键超参数通过网格搜索优化。数据按7:3分为训练集和测试集,以D指数、均方根误差(Root Mean Square Error, RMSE)和相对均方根误差(relative RMSE, rRMSE)评估模型性能。
结果表明,VIs与氮浓度、氮积累量、DM和NNI的关系受冠层结构、叶绿素含量和背景干扰影响。DC30阶段,红边指数如MCCCI、REGNDVI和REGRVI与氮积累量呈中等相关性,传统NDVI与DM的R
2为0.53。DC55阶段,结合红边与近红外或绿光波段的复合指数表现优异,CIg、NDRE/GOSAVI和RVI2对氮浓度、氮积累量和NNI的R
2>0.75。DC65阶段,冠层完全发育、土壤背景干扰最小,RETVI与氮浓度相关性最强(R
2=0.89),REGRVI与NNI相关性最高(R
2=0.86)。
特征重要性分析显示,DC30阶段VIs总重要性分数较低,仅MCCCI达18.67;DC55阶段NDRE/GOSAVI和CIg贡献较高但变异性大;DC65阶段特征重要性更为一致,RETVI和REGRVI贡献最强。NSGA-II优化方面,DC30适应度从Top 2的1.18提升至Top 5的2.85;DC55改善最显著,从1.90升至4.79;DC65从1.86升至4.57。
模型性能方面,多数模型预测精度随生育期变化,整体趋势为DC65优于DC55优于DC30。氮积累量以KFNN结合特征重要性在DC65表现最佳(D指数0.83,RMSE 26.90 kg N/ha),显著优于DC30(0.75,RMSE 17.03 kg N/ha)和DC55(0.62,RMSE 37.53 kg N/ha)。NNI以KFNN结合NSGA在DC65最佳(D指数0.75,rRMSE 29.74%),优于DC30(0.55,rRMSE 26.47%)和DC55(0.45,rRMSE 65.84%)。DM则在早期可预测性最高,KFNN结合特征重要性在DC30达D指数0.73,DC55降至0.54,DC65略恢复至0.69。
跨建模算法和特征选择策略比较显示,KFNN在多数生育期优于RF,优势在氮积累量和DM等强非线性性状中尤为明显,D指数提升常超10%。NSGA-II在多数生育期优于特征重要性排序,更为稳定准确。输入特征数量显著影响性能,Top 3 VIs组合在多数情况下优于Top 2和Top 5,在精度与简洁性间取得有效平衡。
标准田验证中,KFNN模型采用NSGA筛选的Top 3 VIs估算关键氮素指标:氮浓度模型表现最佳,D指数0.96,RMSE 0.57%,rRMSE 21.79%,表明跨生育期泛化能力稳健。NNI估算一致性较强,D指数0.82,RMSE 0.15。氮积累量和DM精度略低,D指数分别为0.75和0.88,RMSE分别为22.37 kg/ha和1.52 t DM/ha,DM较高rRMSE(43.98%)反映田间生物量积累变异性。DC30阶段样本趋向聚于1:1线附近,尤其NNI和氮浓度;DC55和DC65样本更为分散,可能由于冠层复杂性和环境条件变化。
空间变异性方面,标准田氮浓度主要在1.3%-1.6%间变化,高氮区呈聚集分布,低氮区较为分散。DM预测值范围较宽,主要在6.0-8.0 t DM/ha,高生物量区与高氮浓度区空间一致,低DM区(<5.0 t DM/ha)有限且对应低氮浓度区。籽粒氮预测显示明显空间变异,低值(<1.4%)主要分布在田块中部,高值(>1.8%)见于南部小区。残差空间分布表明多数验证点预测偏差较小(|Residual|<0.2),但存在局部高估和低估聚集。
讨论部分,研究人员分析了光谱反射率和VIs选择的机制。VIs性能随生育期的变化主要由冠层结构驱动:从稀疏到完全封盖的冠层发育过程中,叶角分布、光截获效率和反射率特征的转变改变了不同光谱波段对氮素状态的敏感性。红边和近红外指数如NDRE和RETVI对NNI和氮浓度预测准确,决定系数达0.89,而NDVI在早期阶段表现较差(R
2=0.53),归因于高叶面积指数(Leaf Area Index, LAI)条件下NDVI饱和。红边区域对叶绿素含量更敏感,能有效缓解饱和效应。DC30阶段VIs整体贡献低,反映冠层发育不完全和土壤背景干扰;DC55和DC65阶段NDRE/GOSAVI和MRETVI贡献提高,归因于快速冠层扩展和氮吸收峰值期红边及复合指数对叶绿素积累与氮状态耦合动态的更好捕捉。蓝绿光波段CIg在DC65对氮浓度预测性能强(R
2=0.86),反映生殖期叶绿素动态敏感性。
生育期特异性监测方面,DC30代表早期冠层扩展和快速氮吸收,DC55是决定潜在粒数、对氮供应高度敏感的时期,DC65对应开花期峰值冠层发育和氮分配关键期。研究表明估算性能存在明显阶段依赖模式,强调解释光谱-氮关系时纳入物候信息的重要性。DC30阶段VIs对氮变异响应弱,随冠层发育密度增加和叶绿素含量提高,红边和近红外区域反射率增强,光谱响应与作物氮吸收相关性改善。这与先前玉米研究报道的稳定性能形成对比,可能归因于春大麦作为有限生长和快速成熟谷物的种属特异性冠层发育动态。此外,施肥处理与VIs的显著交互效应表明氮管理实践可通过改变冠层结构和叶片氮分布间接调控光谱信号。
建模算法比较方面,KFNN在估算氮积累量和DM等非线性、交互密集型性状方面始终优于RF,而RF对氮浓度等具有更直接光谱响应的变量表现出更高稳定性和可解释性。DC65阶段KFNN结合NSGA优化VIs集对氮积累量估算精度最高(D指数0.83,rRMSE 34.74%),与此前报道的RF优越性形成分歧,可能源于后期冠冠结构和光学复杂性增加导致的多重散射和不均匀氮再分布。但后期阶段不确定性亦累积,生物量接近最大时光谱对氮增量变化敏感性降低,预测偏差增大。除光谱饱和效应外,基于点的破坏性采样与面元整合无人机像元间的尺度失配、田间空间异质性增加及冠结构复杂性进一步放大残差误差。NSGA通过多目标优化和最小化光谱特征冗余,比传统特征重要性排序更有效,增强泛化能力防止过拟合。
研究局限性包括:框架主要依赖光谱VIs,早期生长阶段不完全冠层封闭增加土壤背景和阴影效应贡献,可能降低预测稳定性;红边信息虽显著贡献于氮评估,但不同种植系统(如水稻)中水体背景和观测几何效应更显著,表明背景介质差异可改变光谱-氮关系;研究限于单季单品种,未评估轮作、基因型变异或年际气候波动影响;采用文献报道的临界氮稀释曲线计算NNI,未针对研究区域和春大麦条件建立特异性曲线,其参数设置可能影响氮素状态量化。
研究结论指出,本研究开发了基于无人机的多光谱框架监测春大麦氮素状态,结合VIs优化与机器学习模型。结果表明,涉及红边和近红外波段的复合指数(REGRVI、RETVI、NDRE/GOSAVI)在DC55和DC65阶段预测氮浓度和NNI最为有效。KFNN模型始终优于RF模型,尤其氮积累量和DM方面D指数提升超10%。尽管NSGA特征选择对部分性状预测不确定性较高,但前3种VIs组合在精度与稳定性间取得良好平衡,D指数均达0.75以上。总体而言,研究结果强调整合生育期、性状特征和算法选择以设计适应性遥感策略进行当季氮素监测和籽粒蛋白质管理的重要性。未来工作应在多个生长季和多样春大麦品种中验证所提关系,评估年际气候变异性下的稳健性;建立春大麦特异性临界氮稀释曲线以提高NNI估算准确性和可比性;将模型整合入变量施肥决策支持系统,并链接至终端用途品质性状(如籽粒蛋白质)以增强供应链价值。