​覆盖作物和精准施肥是推进可持续农业的两项核心战略。在综述植被遥感方面已证实的成就的基础上，提出了一种新方法，利用覆盖作物遥感绘制土壤养分供应图，并在播种下一季经济作物之前制作精确基础施肥的处方图。

本文的第一个目标是介绍使用覆盖作物遥感作为土壤养分可用性的“反应”或“生物指标”的概念。这一概念有两个组成部分：1.利用覆盖作物的遥感绘制氮的可用性图；2. 利用遥测覆盖作物养分缺乏的视觉表现来指导取样方案。

第二个目标是描述两个案例研究，这两个案例研究最初评估了这一概念在20公顷田地中的可行性。

在第一个案例研究中，在不同氮水平的土壤中，分两个季节播种含有豆类和谷物的覆盖作物混合物。当土壤氮含量低时，谷物占主导地位，而当土壤氮含量高时，豆类占主导地位。利用无人机- RGB图像的植物高度和质地分析来衡量优势种之间的差异，作为土壤氮有效性的指标。

在第二个案例研究中，在一种燕麦覆盖作物中，在整个田地中观察到三种不同的表型，实验室分析表明它们的营养水平有显著差异。通过多阶段分类程序对无人机- RGB图像获得的光谱植被指数和植物高度进行分析，以区分表型。对分类结果进行解释和插值，生成一张高分辨率地图，显示整个田地的营养吸收情况。所建议的概念基本上提高了覆盖作物如果与遥感结合起来可以提供的有益于可持续农业的服务。讨论了建议概念的潜力、局限性和开放性问题。

图1 利用覆盖作物的表型作为“智能取样”方案的流程

 图2 可持续农业示范农场位于以色列北部的Newe Ya'ar。用幻影4 Pro从50米的高度拍摄的图像。实验场地由21个小区组成，其中四个被采样(用黑色矩形表示)。圆形符号表示采样点的位置，而颜色表示燕麦表型(见图例)。图片底部:三种燕麦表型的典型外观:左-健康燕麦;中——不健康的燕麦;右，萎黄病的燕麦。

图3 根据株高和VARI/GRVI光谱指数获得燕麦健康、不健康和黄萎病三种表型直方图(每种表型共20个采样点)。第四类(土壤和其他非植被物体，如水管)没有显示出来。

图4 A: CC - 1季节(2019-2020年)的生物量和物种组成。饼状图表示谷物和豆类的相对生物量。上图数字-土壤矿质氮结果。下面的数字是地上覆盖作物的总生物量。B：与A相似，添加了虚线或全多边形，代表肥料或堆肥添加物。C： cc - 1和cc - 2之间的高度和标准偏差差异，以三角形和圆形表示。颜色和大小的含义见图例。D：覆盖季覆盖作物表型的典型外观：顶部- cc - 1季，豆科植物占主导地位；底部- cc -2季，谷物为主的混合物。

图5  由数字高程模型得出的两个季节之间的高差(第二季减去第一季)。

 图6 两个覆盖作物季节焦点平均值的标准差直方图

图7 基于植物高度和光谱植被的多阶段分类。A-原始图像(2022年2月13日)。B-根据植物高度直方图对不健康燕麦进行分类。C-基于光谱指数对健康燕麦进行分类，D-基于光谱指数对黄萎病燕麦进行分类。

 图8 本研究取样样地的最终分类结果(样地1-4)。颜色的含义见图例。

 图9 玉米季节三种表型的取样点与灌溉管道之间的距离。字母表示表型之间的显著差异(α = 0.05)。