《Precision Agriculture》:A practical model and online tool to predict cover crop nitrogen content and carbon-to-nitrogen ratio via remote sensing
编辑推荐:
本研究旨在开发能够预测覆盖作物(CC)氮(N)含量和碳氮比(C:N)的模型,并将其整合至在线应用平台中,以满足精准农业实践的需求。研究人员利用来自无人机(UAV)和卫星影像的归一化植被指数(NDVI)及归一化红边指数(NDRE),结合生长度日(GDD,基温5
本研究旨在开发能够预测覆盖作物(CC)氮(N)含量和碳氮比(C:N)的模型,并将其整合至在线应用平台中,以满足精准农业实践的需求。研究人员利用来自无人机(UAV)和卫星影像的归一化植被指数(NDVI)及归一化红边指数(NDRE),结合生长度日(GDD,基温5 °C)和覆盖作物种类,构建了四种预测模型:(1)UAV NDVI + GDD + 物种,(2)UAV NDRE + GDD + 物种,(3)卫星NDVI + GDD + 物种,(4)卫星NDRE + GDD + 物种。研究采集了来自美国宾夕法尼亚州切萨皮克湾流域10个县的超过260份覆盖作物生物量样本,涵盖黑小麦、黑麦、小麦、芸薹属植物、豆科植物及其混合物。结果表明,随机森林模型(R2 > 0.74用于N含量预测,R2 > 0.86用于C:N比预测)在10折交叉验证中的解释变异性普遍优于广义加性模型(R2 > 0.70用于N含量预测,R2 > 0.85用于C:N比预测)。GDD和植被指数是N含量的最强预测因子,而GDD和物种组对C:N比影响最大。在独立站点年份验证中,基于UAV的NDRE模型解释了CC N含量最大的变异性(R2 = 0.82),而两种基于UAV的模型(R2 = 0.52)在C:N比预测中均优于卫星模型。最终,随机森林模型被成功整合至一个在线应用程序中,以支持精准农业实践。
研究背景与问题
覆盖作物(CC)是在主栽作物休闲期间种植的作物,能够提供改善土壤结构、增加有机质、抑制杂草和减少侵蚀等多种农业生态效益。此外,覆盖作物还可以捕获土壤中过剩的氮(N),防止氮素淋失到环境中。覆盖作物残体对后续主栽作物氮有效性的影响取决于其碳氮比(C:N)和总氮含量(单位面积kg ha-1 )。例如,豆科覆盖作物通常具有较高的氮含量和较低的C:N,有利于净矿化和释放植物可利用的氮;而禾本科覆盖作物随成熟度增加C:N升高,促进微生物固持作用,可能暂时降低后续作物的氮有效性。因此,准确估算覆盖作物的氮含量和C:N比对于调整施氮量至关重要——既可避免因固持作用导致的产量损失,也可在覆盖作物供氮充足时降低肥料成本。
尽管已有多种氮推荐决策支持工具(如Adapt-N、CC-NCALC和宾州州立大学氮推荐工具)需要覆盖作物氮含量和C:N比作为输入参数,但目前缺乏易于被从业者采用的预测工具。现有研究多集中于利用遥感技术估算覆盖作物生物量,而针对氮含量预测的研究往往局限于少数物种(主要为禾谷类),关于C:N比预测的研究更为稀少。更重要的是,截至目前,尚未有任何基于传感器的覆盖作物氮含量或C:N比预测模型被整合至用户界面应用中,这限制了其广泛推广。
为解决上述问题,本研究旨在:(1)利用无人机(UAV)和卫星影像的归一化植被指数(NDVI)和归一化红边指数(NDRE),结合生长度日(GDD,基温5 °C)和覆盖作物物种,开发预测覆盖作物氮含量和C:N比的模型;(2)将开发的模型整合至一个在线应用中,以支持精准农业实践。
主要关键技术方法
研究人员在美国宾夕法尼亚州切萨皮克湾流域的10个县采集了超过260份覆盖作物地上部生物量样本(2020-2025年),涵盖黑小麦、黑麦、小麦、芸薹属植物、豆科植物及其混合物七类物种组。采用随机森林回归模型(RFM)和广义加性模型(GAM)两种建模方法,分别基于UAV和卫星平台的NDVI和NDRE数据,结合GDD和物种信息,构建四种预测模型。模型性能通过10折交叉验证和独立站点年份验证进行评估。最终将最优模型整合至R Shiny在线应用中。
研究结果
覆盖作物氮含量预测 :随机森林模型在内部10折交叉验证中一致优于广义加性模型,四个RFM的R2范围为0.74-0.80,RMSE为15.71-19.27 kg ha-1 。变量重要性分析表明,GDD和植被指数(NDVI或NDRE)是最重要的预测因子,而物种组的重要性相对较低。偏依赖图显示,随着GDD从约200增加到700(UAV模型)或从100增加到900(卫星模型),氮含量从约45-50 kg ha-1 增加到75-110 kg ha-1 ;NDRE从0.15增加到0.70(或NDVI从0.25增加到0.80)时,氮含量从约30增加到100 kg ha-1 。物种方面,豆科植物和黑麦贡献最高的氮含量(60-70 kg ha-1 ),而黑小麦和芸薹属植物贡献最低(52-55 kg ha-1 )。
覆盖作物C:N比预测 :随机森林模型和广义加性模型表现相似,但RFM略优,R2范围为0.86-0.88。变量重要性分析识别出GDD和物种为最重要的预测因子,而植被指数贡献最小。偏依赖图显示,C:N比随GDD增加而上升,直至约500 GDD后趋于平稳;豆科植物的C:N比受GDD影响较小。物种方面,豆科植物具有最低的C:N比(13-15),其次是含豆科的混合物(16-19),黑麦和黑小麦具有最高的C:N比(20-28)。植被指数对C:N比的影响较小,但总体趋势是随着植被指数增加C:N比下降。
独立站点年份验证 :在八个独立站点年份的氮含量预测验证中,UAV-NDRE模型精度最高(R2=0.82),其次为UAV-NDVI(R2=0.78)、卫星-NDRE(R2=0.68)和卫星-NDVI(R2=0.59)。在六个独立站点年份的C:N比预测验证中,两种UAV模型表现相当(R2=0.52),优于卫星模型(R2=0.41-0.37)。
讨论与结论
研究表明,随机森林模型能够将遥感植被信息转化为具有农学应用价值的覆盖作物氮含量和C:N比估计值,从而支持站点特异性氮管理和大规模覆盖作物生态系统服务评估。随机森林模型在氮含量预测中一致优于广义加性模型,这归因于其内置的袋外误差估计机制减少了过拟合风险。在独立站点年份验证中,基于UAV的模型普遍优于卫星模型,可能得益于UAV更高的空间分辨率、更少的混合像素干扰以及同日采集的优势。值得注意的是,C:N比模型在独立验证中R2显著下降(从交叉验证的>0.86降至0.37-0.52),表明模型对新站点年份的泛化能力有限,这可能源于预测变量集有限以及随机森林对训练数据中重复模式的高度依赖。
尽管如此,本研究的模型仅需简单的、易于获取的输入参数(物种、GDD和植被指数),即可应用于广泛的覆盖作物物种,相比现有文献中需要复杂输入(如数字表面模型、冠层高度、土壤属性等)的方法更具实用性。最终,所有四个随机森林模型被整合至一个用户友好的在线应用(
https://n-pennstate.shinyapps.io/SpatialCoverCropNitrogenContent/ )中,用户可根据可用数据选择相应模型,输入单点值或上传栅格文件,即可获得覆盖作物氮含量和C:N比的场平均值或空间分布预测图。该应用可与现有的氮推荐工具(如宾州州立大学玉米氮推荐工具)协同使用,通过计算覆盖作物衍生的玉米籽粒产量信用值来调整施氮量,从而实现精准氮管理,提升农场盈利能力和农业可持续性。