利用无人机影像结合气象和施肥变量改进水稻氮营养指数估算-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

利用无人机影像结合气象和施肥变量改进水稻氮营养指数估算

发布时间：

2025-10-15

来源：

作者：

实时准确地监测水稻氮素状况是精确氮肥管理的基础。尽管基于无人机（UAV）的光谱传感器已被广泛使用，但现有的作物表型估计模型仍然存在精度不高和稳定性有限的问题。在本研究中，将无人机植被指数（VIs）、气象参数（M）和施肥数据（F）作为输入变量，使用自适应增强算法（AB）、偏最小二乘法（PLSR）和随机森林（RF）建立水稻氮营养指数（NNI）估计模型。

结果表明：①气象和施肥因素都有利于模型精度提高，预测精度排序为:VI + M + F > VI + F > VI + M > VI。②在三个最大似然模型中，RF算法表现出最好的性能，并在所有生长阶段实现了从0.94到0.95的R²。③在拔节、开花、灌浆和成熟期，RF模型始终优于AB和PLSR，验证R²≥0.86。④拔节期RFVI+M+F模型（R² = 0.95，RMSE = 0.05）能够实现最早的可靠氮营养指数估算。以上证明了通过结合无人机图像和机器学习能够可以提高模型的稳健性和准确性。

综上，将无人机图像与农业环境数据相结合，通过合输入变量的RF模型能够用于精确农业实际氮含量监测和特定地点氮管理。此外，作者强调，在采用精确氮的常规管理之前，需要对多个品种、环境和传感器配置进行更广泛的验证。

图1. 只用无人机导出的植被指数(VIs)建立的NNI模型的验证散点图。(a)拔节期；(b)开花期；(c)灌浆期；(d)成熟期

图2. 使用不同输入组合建立的跨阶段NNI模型的验证散点图:(a)仅Vis；(b) VI +气象变量(M)；(c) VI +施肥变量(F)；(d) VI + M + F

图3. 以只有VI为参照，通过添加气象(M)或施肥变量(F)实现模型精确度(CRMA)的变化率。(a)拔节期；(b)开花期；(c)灌浆期；(d)成熟期和(e)跨时期

表1. 不同生育期和跨阶段各影响参数与水稻氮素营养指数的相关性分析

表2. 不同生育期使用不同变量的水稻NNI估算模型的验证结果

来源

Qiu, Z.; Ma, F.; Zhou, J.; Du,C. Improving Rice Nitrogen NutritionIndex Estimation Using UAV Images Combined with Meteorological and Fertilization Variables. Agronomy 2025,15, 1946. https://doi.org/10.3390/agronomy15081946

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示