学术研究报告：基于无人机多光谱图像的小麦叶片氮含量遥感监测

1. 作者与发表信息

本研究由王茂宇、李梅、夏雨微（太仓市农业技术推广中心，江苏苏州）合作完成，发表于《安徽农业科学》（Journal of Anhui Agricultural Sciences）2025年第53卷第8期。

2. 研究背景

小麦是江苏省的主要粮食作物，但其生产中长期依赖经验性施肥，导致肥料滥用问题突出。为实现精准农业的需求，本研究提出利用无人机多光谱遥感技术动态监测小麦叶片氮含量（Leaf Nitrogen Content, LNC）。传统卫星遥感存在分辨率低、时效性差等问题，而无人机遥感技术（Unmanned Aerial Vehicle, UAV）因灵活高效，近年来在农业监测中展现出潜力。研究旨在探索拔节期和孕穗期小麦LNC的无人机遥感监测模型，为精准施肥管理提供技术支撑。

3. 研究流程与方法

3.1 试验设计与数据采集

• 试验区概况：位于江苏太仓市城厢镇东林村，面积约2公顷，气候属北亚热带湿润区，年降水量1173 mm，适宜小麦种植。
  
• 无人机平台：使用大疆Mavic 3M无人机搭载多光谱相机（波段包括绿光560 nm、红光650 nm、红边730 nm、近红外860 nm），获取可见光与多光谱影像。
  
• 叶片采样与氮含量测定：于2024年3月28日（拔节期）和4月10日（孕穗期）采集40个采样点的小麦叶片样本，经105℃杀青、80℃烘干后，采用凯氏定氮法测定LNC。
  

3.2 数据预处理

• 图像裁剪与土壤背景剔除：
  
  • 使用ENVI软件的Subset Data ROI工具裁剪图像，剔除非目标区域。
    
  • 通过ArcGIS分离土壤背景，确保仅分析小麦冠层反射率数据。
    
• 植被指数计算：提取15种常见植被指数（如NDVI、NDREI、CARI等），并分析其与LNC的相关性。
  

3.3 模型构建与验证

• 敏感变量筛选：通过皮尔逊相关性分析，拔节期选用归一化绿蓝差异指数（NGBDI）和红绿蓝植被指数（RGBVI），孕穗期选用RGBVI和超红指数（ExR）。
  
• 模型建立：采用二元多项式回归构建监测模型。例如，拔节期模型为：
  [ LNC = -2.38 + 31.78X_1 - 3.12X_2 - 49.82X_1^2 + 7.44X_1X_2 + 2.24X_2^2
  ] 其中(X_1)为NGBDI，(X_2)为RGBVI。
  
• 模型验证：利用独立样本（17个数据点）检验模型精度，通过决定系数（R²）和均方根误差（RMSE）评价。孕穗期模型表现最佳（R²=0.7379，RMSE=0.2670）。
  

4. 主要研究结果

• 模型精度：
  
  • 拔节期模型R²为0.73，孕穗期模型R²达0.81，表明基于RGBVI和ExR的组合变量更适合孕穗期监测。
    
• 空间分布图：生成太仓市小麦LNC遥感监测图（图7），直观展示不同生育期氮素分布差异，为分区施肥提供依据。
  

5. 研究结论与价值

• 科学价值：验证了无人机多光谱遥感在小麦LNC监测中的可行性，提出的敏感变量组合（如RGBVI+ExR）为同类研究提供参考。
  
• 应用价值：研究成果可辅助农业管理部门制定精准施肥方案，减少氮肥滥用，提升农业生产效率。
  

6. 研究亮点

• 方法创新：首次结合NGBDI与RGBVI用于拔节期监测，并针对孕穗期提出ExR指数的应用。
  
• 技术可推广性：基于商用无人机（大疆Mavic 3M）和开源软件（ENVI、ArcGIS），成本低且易于推广。
  

7. 不足与展望

当前研究依赖多光谱数据，未来可通过高光谱技术提升监测精度。此外，模型需在不同气候区和品种中进一步验证。

（注：文中“NGBDI”“RGBVI”“ExR”等术语首次出现时标注英文原词，后续使用中文简称。）