本研究的通讯作者为来自中国科学院土壤科学研究所土壤与可持续农业国家重点实验室的Changwen Du教授（邮箱：chwdu@issas.ac.cn），合作作者包括Zhengchao Qiu（第一作者）、Fei Ma和Jianmin Zhou。研究团队来自中国科学院大学高级农业科学学院。该成果于2025年8月12日发表在开放获取期刊《Agronomy》（2025年第15卷，1946页），文章标题为《Improving rice nitrogen nutrition index estimation using UAV images combined with meteorological and fertilization variables》，DOI编号10.3390/agronomy15081946。
水稻氮素状态实时准确监测是实现精准氮素管理的关键。虽然基于无人机（Unmanned Aerial Vehicle，UAV）的光谱传感器已广泛应用，但仅依赖作物表型的现有估算模型仍存在精度和稳定性不足的问题。氮营养指数（Nitrogen Nutrition Index，NNI）定义为实际植株氮浓度与生物量推导的临界氮浓度的比值，能够进行生长阶段调整的氮状态评估。传统破坏性采样方法耗时且成本高，而手持光谱传感器又难以满足田间尺度代表性监测需求。
本研究有两个核心目标：1）评估在不同生育期使用UAV植被指数（Vegetation Indices，VIs）结合机器学习算法估算水稻NNI的可行性；2）探究气象和施肥参数对NNI估算的作用。通过整合无人机植被指数、气象参数和施肥数据作为输入变量，建立水稻NNI估算模型，解决现有方法忽视天气动态和施肥制度等氮吸收驱动机制的问题。
研究在2019-2020年连续两个生长季进行，地点位于中国江苏省南京市浦口区（32°04′15″N）和六合区（32°25′4″N）两个实验点。选用粳稻品种”南京5055”，保持105 kg ha−1的统一种植密度，采用20 cm × 20 cm标准移栽间距。浦口试验点设置5个氮处理（N1：0 kg/ha；N2-N5：240 kg/ha，其中控释尿素比例分别为0%、30%、40%、50%），六合试验点设置3个氮处理（Na：196 kg/ha 0%控释；Nb-Nc：196 kg/ha，40%-50%控释）。土壤基础特性包括有机质含量22.26-26.56 g kg−1，总氮1.31-1.58 g kg−1等。
作物数据采集：在分蘖期、开花期、灌浆期和成熟期进行采样，每个ROI（感兴趣区域）采集3丛代表性水稻植株。地上部干重记录为生物量（AGB），采用凯氏定氮法测定全氮含量，按公式NNI = N_a/N_c计算氮营养指数，其中N_c = 3.33AGB^(-0.26)。
气象数据获取：从中国气象局国家气象信息中心获取累计日降水量（PRE）、日均温（DAT）和累计太阳辐射时数（SRHS）三个关键指标，计算公式DAT = T_ave - 10℃（基准温度10℃）。
无人机影像采集：使用大疆Phantom 4 Professional无人机搭载2000万像素RGB相机，飞行高度100米，速度8 m/s，重叠率60-80%。配合10%、50%、90%反射率的校准板进行辐射定标，通过Pix4DMapper软件生成正射影像。提取11种植被指数（表4），包括绿叶算法（GLA）、绿红植被指数（GRVI）、修正绿红植被指数（MGRVI）等。
模型构建：采用三种机器学习算法——自适应提升（Adaptive Boosting，AB）、偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）。输入变量组合分为四类：仅VI、VI+气象（VI+M）、VI+施肥（VI+F）、VI+气象+施肥（VI+M+F）。80%数据用于训练，20%用于验证，通过决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）评估模型性能。
不同生长阶段各变量与NNI的相关性存在差异（表5）。在分蘖期，施肥与NNI相关性最高（r=0.60），但随着生育期推进逐渐减弱；VARI、GRVI、MGRVI和RGRI在整个生育期与NNI保持较高相关性（r>0.5）；而气象因素在跨阶段分析中显示出重要性（PRE r=0.62，DAT r=0.56，SRHS r=0.53）。
单一生长阶段模型：RF算法表现最优，VI模型的验证R²为0.86-0.88。加入气象和施肥变量后，模型精度排序为VI+M+F > VI+F > VI+M > VI。其中分蘖期RF_(VI+M+F)模型达到最高精度（R²=0.95，RMSE=0.05），成熟期次之（R²=0.95，RMSE=0.03）。
全生育期模型：RF_(VI+M+F)模型表现最佳（R²=0.96），相比仅用VI的模型（R²=0.95）仍有提升。模型精度提升率（CRMA）分析显示，施肥因素的加入使AB和PLSR模型精度显著提高（图6）。
研究展示了基于RF_(VI+M+F)模型生成的分蘖期NNI空间分布图（图7），暖色表示氮充足，冷色表示氮缺乏。这种可视化工具可为田间精准管理提供直观指导。
本研究证实整合无人机RGB影像、气象数据和施肥变量能显著提高水稻氮营养指数估算精度。随机森林算法在各类模型中表现最优，特别是分蘖期VI+M+F组合模型（R²=0.95）为早期氮素管理提供了可靠工具。研究发现： 1. 气象因素通过影响光合作用和养分吸收过程间接调控NNI； 2. 施肥量在生长前期对NNI形成起主导作用； 3. 多源数据融合能有效克服低冠层覆盖时期的背景噪声干扰。
该成果的科学价值在于首次系统量化了环境驱动因子与表型特征的协同作用机制，应用价值体现在为精准农业中的变量施肥决策提供了高效技术方案。使用消费级RGB相机和公开气象数据的低成本策略，增强了方法在发展中国家推广的可行性。
方法创新： 1. 首次将气象动力学与施肥制度作为机制性驱动因子纳入NNI估算模型； 2. 开发了适用于分蘖期低冠层覆盖条件的多源数据融合算法； 3. 验证了消费级无人机在氮素诊断中的实用价值。
局限性： 1. 仅使用单一粳稻品种，模型在其他生态型水稻中的普适性需验证； 2. 气象数据来自区域站点，未能反映田间微气候变异； 3. 依赖破坏性采样获取参考数据，制约了大范围应用。
未来研究方向包括：扩展品种和环境矩阵测试、部署田间物联网气象站、评估多光谱传感器应用，以及开发非破坏性参考测量方法。这些改进将增强模型在不同水稻生产系统中的鲁棒性和可操作性。