本研究由Guldana Sarsen， Qiu-xiang Tang， Ya-bin Li， Long-long Bao， Yu-hang Xu， Guang-yun Sun， Jian-wen Wu， Yierxiati Abulaiti， Qing-qing Lv， Fubin Liang， Na Zhang， Ren-song Guo， Liang Wang， Jian-ping Cui， Peng-zhong Zhang， Tao Lin 等多位研究者共同完成。主要研究人员来自新疆农业科学院棉花研究所/新疆棉花技术创新中心/国家棉花工程技术研究中心/新疆棉花遗传改良与智能生产重点实验室、新疆农业大学农学院以及中国农业科学院棉花研究所/棉花生物学国家重点实验室。该研究成果于2026年发表在学术期刊 Computers and Electronics in Agriculture 第247卷上。
本研究属于精准农业与农业遥感交叉领域，特别聚焦于利用无人机（Unmanned Aerial Vehicle, UAV）遥感技术进行作物表型分析。棉花作为全球重要的纤维作物，氮素是其生长、蛋白质合成和光合作用的关键营养元素。然而，传统农业生产中氮肥过量施用现象普遍，不仅增加成本，还造成地下水污染等环境问题。因此，准确、及时地监测作物氮素状况，是实现精准施肥、提高资源利用效率、减少环境足迹的关键。
当前，基于无人机的作物氮素监测主要依赖冠层顶部的光谱植被指数（Vegetation Indices, Vis），如归一化差异植被指数（NDVI）。然而，这种方法存在信号饱和问题，且将复杂的多层冠层视为单一均质层处理，无法捕捉冠层内部氮素在垂直维度上的异质性。棉花冠层结构复杂，中下部叶片常被遮蔽，导致光谱信号衰减，使得NDVI等指数在高叶面积时失去敏感性，严重限制了模型的准确性。此外，纯粹的光谱方法难以表征与氮素分配、光截获相关的冠层空间结构特征（如叶片聚集度、空隙分布等）。
为部分解决上述问题，研究者们引入了从高分辨率无人机影像中提取的纹理特征（Texture Features, TFs），作为量化冠层空间结构变异性的补充数据源。同时，冠层垂直分层策略在植物生态学和遥感领域被提出，用以阐明生物物理属性在不同冠层的分布。然而，现有的研究大多只是将光谱和纹理特征融合用于整体冠层估算的“黑箱”增强，并未明确解析或验证来自不同垂直冠层的贡献。将无人机多源特征（Vis和TFs）与一个专门为植物氮积累量（Plant Nitrogen Accumulation, PNA）设计的垂直分层地面验证框架系统结合的研究尚属空白。
因此，本研究旨在填补这一空白。其核心新颖之处不在于特征融合或分层策略本身，而在于将这些方法在一个针对性框架内进行系统性整合，以解决一个具体问题：准确估算棉花冠层中垂直分布的氮素。研究假设，光谱指数、纹理特征和垂直分层提供了互补的信息流：光谱数据主要反映受光叶片的氮素生化属性；纹理特征捕捉受整体冠层氮素状况和结构影响的空间异质性；而垂直分层则提供了揭示氮素实际分层分布模式的必要地面真实数据链接。本研究的具体目标是：（1）量化Vis和TFs在估算棉花PNA中的单独及组合贡献；（2）评估垂直冠层分层策略与传统全株方法的估算性能差异，并分析由此产生的PNA垂直分布模式；（3）评估所提出的多源分层框架在不同水氮生长条件下的适用性和稳定性。
本研究实施了一项系统性的水氮耦合田间试验，并遵循了从数据采集、处理、特征提取到模型构建与验证的完整技术路线。
第一，研究区域与实验设计。 试验于2024年4月至10月在新疆农业科学院棉花研究所试验基地进行。该地区属典型干旱大陆性气候。试验采用双因素裂区设计：灌溉水平为主区因子，设5个水平（W1-W5，基于作物需水量的40%至100%）；施氮量为副区因子，设4个水平（N1-N4，0至450 kg ha⁻¹）。这种设计覆盖了从严重亏缺到过量的广泛农艺范围，旨在构建能够准确估算不同氮素状况和结构变异下PNA的稳健模型。每个处理组合设4次重复，小区面积47.6 m²。棉花品种为‘新陆中88’，采用六行机采配置和膜下滴灌方式种植。
第二，地面数据采集。 在棉花四个关键生育期（现蕾期BS、开花期FS、铃期BSS、吐絮期BOS）进行破坏性采样。在每个小区选取3株代表性植株，测量株高后，将每株垂直等分为三层：下层（底部）、中层（中部）和上层（顶部）。分层样本经烘干、称重获得地上部生物量，然后用凯氏定氮法测定植株氮浓度。最终，通过公式 PNA = 植株氮浓度 × 地上部干生物量 计算得到各层的植物氮积累量（单位kg ha⁻¹），为模型提供分层的地面真实值。
第三，无人机遥感影像获取与预处理。 在地面采样同期，于晴朗天气下使用大疆Matrice 210 RTK V2无人机搭载两个传感器进行航拍：一个是MicaSense RedEdge-MX双多光谱相机（获取蓝、绿、红、红边、近红外5个波段），另一个是大疆Zenmuse XT2 RGB相机。飞行高度30米，确保多光谱影像地面采样距离（GSD）约2.0厘米，RGB影像GSD约0.8厘米，以满足解析棉花冠层纹理结构的需求。飞行采用75%的前向和旁向重叠度，并布设18个地面控制点以保证几何校正精度。飞行前后均拍摄标准反射率板进行辐射定标。获取的影像使用Pix4D Mapper软件进行处理，生成正射镶嵌图和数字表面模型（DSM），并利用ArcGIS进行地理配准和掩膜提取，最终得到每个试验小区的光谱和图像数据。
第四，特征提取。 从预处理后的影像中提取两大类特征： 1. 光谱植被指数（Vis）： 基于文献综述，选择了13个对作物氮素状况和冠层特征敏感的植被指数作为候选特征，包括归一化差异红边指数（NDRE）、绿度归一化差异植被指数（GNDVI）、优化土壤调节植被指数（OSAVI）等。这些指数使用ENVI软件从各小区掩膜内的多光谱影像中计算得出。 2. 纹理特征（TFs）： 从高分辨率的RGB正射影像转换得到的灰度图中，使用灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM） 方法提取了8个纹理特征：均值（MEA）、同质性（HOM）、方差（VAR）、熵（ENT）、二阶矩（SEC）、对比度（CON）、相异性（DIS）和相关性（COR）。这些特征用于量化冠层的空间异质性和结构复杂度，例如，熵反映结构复杂性，对比度捕捉空间异质性。所有纹理特征也通过ENVI软件计算。
第五，机器学习建模与性能评估。 研究评估了三种机器学习算法：随机森林回归（Random Forest Regression, RFR）、支持向量回归（Support Vector Regression, SVR） 和偏最小二乘回归（Partial Least Squares Regression, PLSR）。为验证分层策略的有效性，建模在三种场景下进行：仅使用上层数据、使用上中层合并数据、以及传统的使用全株数据。同时，比较了三种特征输入：仅Vis、仅TFs、Vis与TFs融合。 所有样本按70:30划分为训练集和测试集。为防止时空数据泄漏，采用了五折GroupKFold交叉验证（按小区ID和飞行日期分组）。模型性能使用决定系数（R²）和均方根误差（RMSE）进行评估。通过网格搜索对各个算法的超参数进行了优化。
第六，统计分析与制图。 使用双因素方差分析（ANOVA）评估水氮处理对PNA的显著性影响，并进行Tukey HSD事后检验。基于最优的估算模型（RFR + 融合特征 + 上层数据），生成了铃期（BSS）棉花PNA的高分辨率空间反演图，直观展示田间氮素积累的空间分布。
第一，水氮处理下PNA的动态变化。 双因素方差分析表明，PNA在不同生育期和处理组合间存在显著的时空动态。总体上，PNA随灌溉和施氮量的增加而增加，且在现蕾期和铃期处理效应最为显著。研究发现了水氮互作的复杂关系：例如，在现蕾期，中低灌溉水平下，低氮处理（N1, N2）间的PNA差异显著，而中高灌溉则消除了这种差异，表明此时水分是主要限制因子。到了铃期，中高灌溉水平下的PNA显著高于低灌溉，凸显了此阶段充足水分供应的重要性。在常规灌溉下，中氮处理的PNA显著高于低氮和高氮处理，表明存在一个最大化氮积累的最佳施氮范围。
第二，分层氮积累的特征。 垂直分层揭示了全株分析中无法观察到的、动态的氮素分布模式： * 现蕾期（BS）： 氮素在各层分布相对均匀（上层：21.00，中层：30.64，下层：28.68 kg ha⁻¹），变异系数低，表明早期营养生长阶段氮分配策略稳定均衡。 * 开花期（FS）： 各层氮积累均大幅增加，下层变异系数显著增大，表明其对环境和生理影响的敏感性增加。 * 铃期（BSS）： 氮素显著向光合活跃的中层冠层集中（121.84 kg ha⁻¹），远高于上层（61.47 kg ha⁻¹）。此阶段上层变异系数最高，可能源于强烈的光竞争和叶片功能分化。 * 吐絮期（BOS）： 中层仍维持最高的PNA（131.94 kg ha⁻¹）以支持棉铃充实，下层变异系数进一步剧增，可能与复杂的叶片衰老和养分再分配过程有关。 这些模式与作物生理学的“功能叶优先”原则及源库协调理论高度一致。
第三，机器学习模型性能比较。 在所有特征集和分层场景下，RFR模型均表现出最优且最稳定的预测性能。特征融合策略显著提升了所有模型的估算精度。Vis与TFs的结合比单独使用任何一种特征的预测效果更好。其中，RFR模型从这种融合中受益最大。在上层冠层场景下，采用融合特征的RFR模型取得了最佳性能（测试集R² = 0.833， RMSE = 1.463 g m⁻²）。相比之下，PLSR在处理纹理和融合特征时表现出明显的过拟合，而SVR的整体精度最低且表现不稳定。
第四，基于不同特征的分层监测效果。 * 仅用Vis： 所有模型的估算精度均随冠层深度增加而下降，上层估算精度最高，全株估算精度最差。这证实了光学无人机遥感信号主要来自冠层上层的局限性。 * 仅用TFs： 纹理特征提供了有价值的补充信息。RFR在上层PNA估算中仍表现最佳（测试集R² = 0.821），表明其能有效捕捉与氮素状况相关的叶片排列和密度空间变异。同样，所有模型在全株水平的精度大幅下降。 * 特征融合（Vis+TFs）： 特征融合显著提高了各冠层PNA的估算精度，克服了单一数据源的局限。RFR持续领先，在上层、上中层和全株分别取得测试集R²为0.833、0.668和0.495。这证明多源特征融合通过结合“生化表达”和“结构表征”，增强了模型在处理复杂冠层和环境变异时的稳健性。
第五，空间反演制图。 基于最优模型（上层RFR融合特征）生成的铃期PNA空间反演图，清晰地展示了试验区内氮素积累的空间异质性。图中颜色强度与PNA值正相关，有效识别了低氮和高氮区域。反演结果与该时期地面实测的统计特征高度吻合，验证了所提模型具有很强的区域适用性和空间推断能力，为田间实施精准氮肥管理提供了直观可靠的依据。
本研究建立并验证了一个创新的无人机遥感框架，该框架通过协同整合多源光谱与纹理特征与冠层垂直分层验证策略，成功实现了对棉花冠层内垂直分布氮积累量的准确估算和可视化表征。
科学价值： 1. 提供了三维视角： 研究突破了传统“二维表面监测”的局限，首次量化揭示了棉花冠层内氮积累的动态垂直分布规律（如铃期向中层集中），将无人机遥感观测与有生理学意义的过程联系起来，实现了向“三维原位诊断”的迈进。 2. 阐明了感知边界： 研究并未“克服”光谱饱和效应，而是系统量化了该效应在棉花冠层中的具体强度和垂直梯度（如从上层到全株R²下降约0.33），明确了当前无人机多光谱遥感技术对氮积累监测的有效感知边界。 3. 验证了融合与分层机制： 研究在分层框架内证实了光谱与纹理特征的互补性（光谱响应上层叶片氮素生化属性，纹理量化上层结构空间异质性），并证明其协同作用在信号最直接丰富的上层冠层区域能得到最有效利用。 4. 提供了方法学参考： 该研究为未来开发更具物理机理基础、整合多层信息的氮素监测方法（例如，利用高精度上层遥感结果结合冠层氮垂直分布经验模型来间接推导全株氮状况）提供了可行的概念和方法学参考。
应用价值： 1. 支持精准管理： 生成的高分辨率上层PNA空间分布图，可用于识别田间氮素状况的相对空间差异，为变量施氮提供决策参考。 2. 优化农艺措施： 理解氮素在中上层冠层的聚集规律，有助于未来设计更符合植株内部氮分配动态的施肥策略（如在关键生育期加强冠层中部的养分供应），也为品种选育、种植密度优化等农艺措施的评估提供了新视角。 3. 模型稳健性强： 该框架在从亏缺到丰足的水氮耦合条件下均表现出稳定的性能，表明其对田间环境变异具有良好的适应性和鲁棒性。
研究也坦诚地指出了当前工作的局限性，并为未来研究方向提出了清晰展望： 局限性： 包括模型在更大规模、更高异质性商业田间的泛化能力需进一步验证；所用多光谱传感器波段较宽，可能限制了对特定生化组分的敏感性；当前模型属于静态反演，未能实现氮素需求的动态预测；尽管揭示了分层规律，但未将上、中、下层信息明确整合到一个统一的全株估算模型中，这主要源于冠层内辐射和结构的显著垂直异质性。 未来展望： 建议未来研究可从以下方面深入：1) 尺度扩展与验证；2) 数据源拓展，集成高光谱、热红外、激光雷达等多模态遥感数据；3) 机理模型耦合，将遥感反演与作物生长模型结合；4) 智能方法探索，在数据充足条件下探索深度学习等算法的应用；5) 框架迁移，将该分层融合框架应用于小麦、玉米等其他复杂冠层结构作物。这些方向将有助于进一步深化对复杂冠层系统氮素积累的机理理解和估算精度。