研究背景
黍子是我国最早驯化的谷物之一，栽培历史超过1万年，至今仍是长城沿线地区的重要粮食作物。氮素直接影响黍子的生长、产量和籽粒品质，但过量施氮会降低肥料利用效率，并增加资源浪费和环境负荷。传统黍子叶片氮含量主要采用凯氏定氮法测定，虽然结果准确，但需要破坏性采样，且难以满足大田快速监测需求。无人机遥感与深度学习为作物氮素无损监测提供了新途径，但相关研究多集中于主粮作物，针对黍子的高精度估测方法仍较缺乏。
近日，山西农业大学农业遗传资源研究中心王君杰老师团队在《Agronomy》发表研究，融合ASD冠层光谱、无人机RGB影像、植被指数和纹理特征，并结合机器学习与深度学习估算黍子叶片氮含量，为黍子氮素无损诊断和小杂粮表型监测提供了新的技术方法。
图1.实验区域、无人机影像和实验数据采集。(a) 中国山西省位置。(b) 山西省忻州市繁峙县位置。(c) 实验场地布局。(d) 使用ASD FieldSpec 4地物光谱仪进行地面光谱采集。(e) 无人机影像采集。
研究方法
实验设计：研究在山西省忻州市繁峙县集义庄村开展，本试验设置有机肥替代化肥梯度，共8个施肥处理：不施肥对照（CK）、100%化肥（IF）、100%有机肥（OF）、10%有机肥 + 90%化肥、30%有机肥+70% 化肥、50%有机肥+ 50% 化肥、70%有机肥+30% 化肥、90%有机肥+10%化肥；
研究团队分别在拔节期、开花期、灌浆期和成熟期同步开展遥感观测与植株采样，最终获得96组样本；
叶片氮含量采用凯氏定氮法测定，作为模型构建和精度评价的实测基准；
遥感数据获取：
地面冠层光谱：采用ASD FieldSpec 4地物光谱仪采集黍子冠层光谱，并在每次测量前后进行白板校准；
无人机RGB影像：无人机搭载RGB相机，在距地面30 m高度获取试验区影像；
数据处理：研究采用连续投影算法筛选11个氮素敏感波长，并构建6个三波段植被指数。随后，以ASD光谱、RGB反射率、可见光植被指数、纹理特征及其融合数据为输入，比较PLS、SVM、RF、CNN1D、ResNet1D和U-Net六种模型。96个样本按3∶1划分为训练集和测试集，并采用R²、RMSE和RPD评价模型性能。
图2.不同光谱预处理方法与叶片氮含量之间的相关性。
图3. 可见光植被指数（VIs）与叶片氮含量之间的相关性。
图4.纹理特征与叶片氮含量之间的相关性。
表1. 基于不同输入变量组合的黍叶氮含量估算模型的性能。
续表1。
图5.不同输入特征集下最优估计模型的一对一关系。
图6.基于SHAP的特征重要性分析用于预测黍子叶片氮含量，并使用不同的特征集。(a) SHAP值汇总图。正SHAP值表示特征对模型输出的正贡献，负值表示负贡献。(b) 驱动因素的平均绝对SHAP值及其贡献比例。
研究结果
一阶导数预处理后的冠层光谱与叶片氮含量相关性最强；
可见光植被指数中，VARI与叶片氮含量的相关性最强；
红、绿、蓝通道的相关性纹理特征均与叶片氮含量呈极显著负相关，相关系数分别为−0.63、−0.63和−0.62；
ASD光谱、RGB反射率、植被指数和纹理特征融合后，6种模型的平均测试集R²达到0.858，为所有输入方案中最高；
在多源融合条件下，模型测试集性能排序为U-Net＞CNN1D＞ResNet1D＞RF＞SVM＞PLS；
多源融合U-Net模型的实测值与预测值吻合度最高，其次为仅以纹理特征为输入的SVM模型；
最优融合U-Net模型的SHAP分析显示，蓝通道相关性纹理特征B_Correlation是贡献最大的单一变量，平均绝对SHAP值为0.39；纹理特征的累计重要性占45.170%，在四类特征中贡献最高；
结语
本研究表明，地面高光谱与无人机RGB影像的协同应用，能够从生化、颜色和冠层结构等多个维度提高黍子叶片氮含量的估算精度。未来可通过跨年份、跨区域和多品种试验，进一步验证模型的稳定性与适用范围。
发表期刊：Agronomy【影响因子：4.1】
研究单位：山西农业大学农业遗传资源研究中心、山西农业大学等
研究地点：山西省忻州市繁峙县集义庄村
使用设备：ASD FieldSpec 4地物光谱仪
DOI：https://doi.org/10.3390/agronomy16161570