范耀冰等学者在《农业机械学报》2025年第1期发表了一项基于无人机高光谱影像的水稻氮含量估算研究。该研究由来自中北大学、中国农业科学院农业资源与农业区划研究所、湖南省水稻研究所等多个机构的科研团队合作完成，研究旨在通过高光谱特征与植株氮含量关系，实现对稻谷氮含量的精准估算。

学术背景
氮素是衡量水稻品质与产量的关键指标，传统氮含量监测方法（如人工取样测量）存在耗时耗力、主观性强等问题。无人机遥感技术凭借高分辨率、灵活性强等优势，已成为农业监测的重要工具。高光谱数据因其连续性强、信息量大等特点，能构建多种植被指数用于氮素监测。然而，现有研究多聚焦于植株氮含量（plant nitrogen content）等参数，对稻谷氮含量（rice grain nitrogen content）这一直接影响作物营养品质的指标研究较少。该研究创新性地以植株氮含量为桥梁，通过遥感可感知的植株氮参数间接反演稻谷氮含量，为水稻品质监测和精准施肥提供新思路。

研究流程与方法
1. 数据采集与预处理
- 研究区域与样本设计：试验在湖南省农业科学院长沙县高桥镇水稻实验基地进行，选用杂交稻中早39号和常规稻湘早籼24号，设置6个施氮水平（0~15 kg），共40个小区。
- 高光谱影像获取：使用大疆Wind4无人机搭载AisaKestrel 10型高光谱成像仪，在水稻拔节期、扬花期和完熟期分别采集395~1001 nm范围的高光谱数据（光谱分辨率3 nm）。
- 地面数据同步采集：每个生育期采集植株样本，分离稻谷与茎叶，通过凯氏定氮法测定植株氮含量和稻谷氮含量（单位：g/kg），最终获取117组有效数据（拔节期40组、扬花期37组、完熟期40组）。

1. 敏感波段筛选与模型构建

   • 窄波段归一化差值植被指数（n-NDVI）计算：通过任意两波段组合构建n-NDVI（公式：(R_i - R_j)/(R_i + R_j)），分析其与植株氮含量的相关性。
     
   • 最优波段宽度自动筛选：创新性地提出基于内接矩形的方法，在n-NDVI与植株氮含量拟合R²的极大值区域内，自动确定敏感波段中心波长及最优波段宽度（如完熟期敏感中心为629.⁸⁵⁄₇₀₁.93 nm，最优波宽±6 nm）。
     
   • 稻谷氮含量估算模型：建立植株氮含量与稻谷氮含量的线性统计模型（如完熟期模型：y=0.7996y+0.0061），并基于最优n-NDVI反演稻谷氮含量。
     

2. 精度验证

   • 采用决定系数（R²）、归一化均方根误差（NRMSE）和平均相对误差（MRE）评价模型精度。结果显示，稻谷氮含量估算R²为0.4109~0.6106，NRMSE为11.33%~16.85%，MRE为9.53%~13.24%，其中完熟期精度最高（R²=0.5900，NRMSE=14.06%）。
     

主要结果与贡献
1. 方法创新性：首次提出基于内接矩形自动筛选最优波段宽度的算法，解决了高光谱数据冗余问题，显著提升反演效率。
2. 模型普适性：通过植株氮含量间接估算稻谷氮含量，填补了遥感直接感知稻谷氮的技术空白。
3. 应用价值：为水稻精准施肥和品质监测提供技术支撑，尤其适用于完熟期氮素管理。

研究亮点
- 技术突破：内接矩形算法实现了敏感波段宽度的自动化筛选，避免了传统手动方法的低效性。
- 多生育期验证：涵盖拔节期、扬花期和完熟期，证实完熟期模型精度最优，符合水稻氮素转移规律。
- 跨学科融合：结合农业遥感、光谱分析与机器学习，推动智慧农业发展。

局限与展望
研究需进一步验证不同水稻品种和环境的适用性，未来可扩展至小麦、玉米等禾本科作物，并优化数据集划分方法以提升模型鲁棒性。

结论
该研究为稻谷氮含量的无人机遥感监测提供了可行方案，兼具科学价值与应用潜力，对实现农业可持续发展具有重要意义。