基于多尺度高光谱技术的苎麻叶片氮含量估测

作者及机构
本研究由湖南农业大学农学院的陈建福、岳云开、付虹雨、许明志、焦鑫伟、廖澳、张蕾、赵亮、陈兆中、崔国贤、佘玮共同完成，发表于《山东农业科学》2025年第57卷第2期（DOI:10.14083/j.issn.1001-4942.2025.02.022）。

学术背景
苎麻是我国重要的纤维作物，其氮素营养状况直接影响产量与品质。传统氮素检测方法（如凯氏定氮法）耗时费力，难以满足实时监测需求。高光谱遥感技术因其高效、无损的特点，在作物生理参数（如叶绿素、氮含量）估测中展现出潜力。然而，针对苎麻的多尺度（冠层与叶片）氮含量估测研究尚未见报道。本研究旨在通过多尺度高光谱数据结合机器学习算法，构建苎麻叶片氮含量（Leaf Nitrogen Content, LNC）的高精度估测模型，为苎麻氮肥精准管理提供技术支持。

研究流程
1. 试验设计与数据采集
- 施氮处理：设置4个施氮水平（N0: 0 kg/hm²；N1: 273 kg/hm²；N2: 332 kg/hm²；N3: 390 kg/hm²）和2个追肥时期（封行期、旺长期），共7个处理，每处理重复3次。
- 光谱采集：使用ASD FieldSpec系列光谱仪，在苎麻苗期、封行期、旺长期、成熟期采集冠层（视场角25°，距冠层70 cm）和叶片（倒三叶）的高光谱数据（波长范围325–1075 nm），共获得608个样本。
- LNC测定：同步采集叶片样品，通过凯氏定氮法测定全氮含量。

1. 数据处理与特征筛选

   • 光谱预处理：利用ViewSpec Pro 6.2软件提取原始光谱及一阶导数光谱，通过Pearson相关性分析筛选与LNC显著相关的特征波段。例如，冠层尺度在成熟期的特征波段为445–457 nm（极显著负相关）和852–868 nm（极显著正相关）。
     
   • 模型构建：采用偏最小二乘回归（PLSR）、支持向量机（SVM）和随机森林（RF）三种算法，以筛选出的特征波段为输入变量，分别构建冠层和叶片尺度的LNC估测模型。
     

2. 模型验证与评价

   • 将样本按3:1划分为训练集与验证集，以决定系数（R²）和均方根误差（RMSE）评估模型精度。
     

主要结果
1. 施氮水平对LNC的影响
- LNC随施氮量增加而显著升高（N3>N2>N1>N0），且旺长期为吸氮高峰。追肥时期差异显著，高氮水平下封行期追肥的LNC更高。

1. 冠层尺度模型表现

   • RF模型在封行期、旺长期和成熟期的估测精度最高（验证集R²分别为0.694、0.676、0.795），成熟期模型最优（R²=0.795，RMSE=0.608）。冠层光谱在成熟期与LNC的极显著相关波段为904–915 nm（负相关）。
     

2. 叶片尺度模型表现

   • RF模型在苗期、封行期和成熟期表现最佳（验证集R²最高达0.656），但旺长期以PLSR模型精度最高（R²=0.670）。叶片光谱在苗期与LNC的极显著相关波段为2036–2087 nm（正相关）。
     

3. 多尺度对比

   • 冠层尺度模型整体优于叶片尺度，尤其在成熟期差异显著（冠层R²=0.795 vs. 叶片R²=0.606）。RF算法在多数生育期表现稳定，适用于苎麻LNC估测。
     

结论与价值
本研究证实了多尺度高光谱技术估测苎麻LNC的可行性，冠层尺度因其操作便捷和精度较高更具推广潜力。RF算法构建的模型为苎麻氮素实时监测提供了可靠工具，有助于优化氮肥管理、减少环境污染。科学价值在于首次将多尺度光谱与机器学习结合应用于苎麻氮素反演，应用价值体现在为精准农业提供技术支撑。

研究亮点
1. 多尺度创新：首次对比冠层与叶片尺度光谱在苎麻LNC估测中的差异，明确了冠层尺度的优势。
2. 算法优化：RF算法在复杂生育期数据中表现稳健，为作物氮素模型构建提供了方法参考。
3. 农学意义：揭示了苎麻旺长期为氮素需求关键期，为追肥时机选择提供了依据。

其他发现
研究指出，未来需结合无人机或卫星遥感数据进一步验证模型的普适性，以拓展其在田间大面积监测中的应用。