基于无人机高光谱分数阶微分的油菜营养元素含量估算研究报告
一、 研究概况
本研究报告基于徐宾灿、马瑜蔓、邹冉、胡洁、余强毅、吴文斌、周清波、史云及通信作者宋茜等人于2026年在《中国农业科学》（Scientia Agricultura Sinica）第59卷第12期上发表的研究论文，题为《基于无人机高光谱分数阶微分的油菜营养元素含量估算》（Estimating Rapeseed Nutrient Content Using Fractional-Order Differentiation of UAV-Based Hyperspectral Data）。主要完成单位为中国农业科学院农业资源与农业区划研究所（北方干旱半干旱耕地高效利用全国重点实验室）与湖北省农业科学院经济技术研究所。
二、 研究背景与目标
营养元素对油菜的生长发育、产量形成及品质调控至关重要。其中，油菜不仅是喜氮（N）、磷（P）、钾（K）的作物，更是典型的喜硼（B）和喜硫（S）作物，钙（Ca）等中微量元素也与其抗逆性密切相关。快速、无损地监测油菜冠层的多营养元素水平，是实现精准营养诊断与施肥决策的关键。
传统的实验室检测方法因具破坏性、周期长而无法满足现代精准农业的需求。无人机高光谱遥感技术作为一种高效的替代方案，以其高时空分辨率和丰富的光谱信息成为研究热点。然而，油菜冠层光谱环境复杂，常规整数阶微分等预处理方法在处理高维数据时，往往在消除噪声的同时造成有效信号的缺失，忽视了光谱曲线间的渐变信息，难以精细挖掘与多种营养元素相关的特异性光谱特征，限制了同步估算多种元素的精度。鉴于此，本研究旨在探究油菜营养元素的高光谱响应机制，通过引入分数阶微分（Fractional-Order Differentiation, FOD）技术增强光谱特征信号，并系统对比偏最小二乘回归（Partial Least Squares Regression, PLSR）、支持向量回归（Support Vector Regression, SVR）和随机森林回归（Random Forest Regression, RFR）三种机器学习算法，构建并提升硼（B）、氮（N）、磷（P）、钾（K）、钙（Ca）、硫（S）这6种核心营养元素的定量估算模型精度，为油菜的精准营养管理提供理论和实践参考。
三、 研究流程与方法
本研究遵循一套整合了田间试验、数据获取、光谱预处理、特征增强与建模分析的完整技术路线，主要分为以下四个阶段：
1. 试验设计与数据采集：试验于2023年6月至9月在甘肃省张掖市民乐县（海拔2486米）的春油菜育种试验田进行。试验田总面积约7875平方米，划分为63个小区，种植了多个骨干型品种。研究在春油菜的苗期、蕾薹期、初花期三个关键生育时期执行了三次无人机飞行任务。搭载Nano-Hyperspec高光谱相机的大疆M300 RTK无人机在110米高度获取了400-1000纳米范围、共270个波段的高光谱影像。同步地，按照均匀性和代表性原则，从采样小区内采集32份油菜冠层顶部发育完全的叶片样品，用于实验室测定B、N、P、K、Ca、S六种元素的含量。
2. 光谱预处理与分数阶微分增强：获取的高光谱影像经辐射校正、几何校正和拼接，生成数字正射影像。为降低噪声，研究使用Savitzky-Golay（SG）平滑算法（窗口长度7、多项式阶数3）对原始光谱进行处理，并利用NDVI阈值法去除土壤背景，提取各小区的平均冠层光谱反射率。本研究的关键创新在于采用分数阶微分（FOD）技术进行光谱特征增强。与步长较大的整数阶微分不同，FOD通过Grünwald-Letnikov（G-L）定义进行计算，在0至2阶范围内以0.1为步长生成21组光谱数据，能够精细地调节微分阶数，从而在抑制噪声的同时，突出光谱曲线中由生化组分变化引起的细微吸收或反射特征。
3. 特征波段筛选与模型构建：研究利用递归特征消除（Recursive Feature Elimination, RFE）算法，从21组经FOD处理的高光谱数据中筛选出对各营养元素最敏感的波段，以降低数据维度与冗余。随后，采用分层抽样法将总数据集（n=32）按3:1的比例划分为训练集（24个样本）和测试集（8个样本），并基于PLSR、SVR和RFR三种回归算法分别构建营养元素含量估算模型。所有模型均通过网格搜索进行超参数优化。
4. 模型评估与空间制图：采用决定系数（R²）和归一化均方根误差（NRMSE）作为模型精度的评价指标。通过对比不同FOD阶数与不同算法组合下的模型性能，筛选出每种营养元素的最佳估算模型，并进行特征重要性评估，以从机理上识别关键光谱响应区域。最后，应用最佳模型对试验田的高光谱影像进行逐像元解算，绘制了田块尺度的油菜叶片6种营养元素含量空间分布图。
四、 主要研究结果
研究结果系统揭示了FOD技术对光谱特征的增强效应、不同模型-元素组合的精度差异及敏感波段的生理机制。
1. FOD对光谱特征的增强效果：FOD处理有效消除了原始光谱中的基线漂移和背景噪声。随着微分阶数增加，光谱波形发生显著变化，低阶FOD（0.1-0.8阶）使红边及近红外区域的反射峰逐渐压缩，描述了光谱的整体变化趋势；而高阶FOD（>1.0阶）则显著放大了光谱曲线中的局部瞬态波动和边缘效应，增强了与叶片内部结构及生化组分变化相关的微弱信号。经FOD处理后的模型，其测试集R²相较于原始光谱模型普遍提高了13%至30%，训练集与测试集间的平均性能差异（ΔR²）缩小至0.09，表明模型的泛化能力得到明显改善。
2. 不同算法模型的精度差异分析：在PLSR、SVR和RFR三种算法中，RFR模型在大多数营养元素的估算中表现出最稳健的性能，其在不同营养元素上的测试集R²范围为0.48至0.89。例如，对于B和N元素，RFR模型的测试集R²分别达到0.87和0.89。这是因为RFR的集成学习和特征随机选取机制能够有效降低高光谱数据的冗余性和多重共线性影响，并自适应地捕捉光谱与营养元素间的非线性关系。然而，对于P元素，SVR模型表现最优（测试集R²=0.76），其原因可能在于油菜在不同生育时期缺磷的色素响应（叶绿素与花青素含量变化）呈现复杂的、甚至反转的非线性关系，而SVR通过核函数在高维空间进行拟合，恰好擅长处理这类复杂的非线性问题。相比之下，线性方法PLSR在处理高阶FOD增强的局部瞬态特征时能力不足，在整个元素估算中效果均不理想。
3. 营养元素敏感波段的生理机制解析：特征重要性评估结果表明，不同营养元素的最佳敏感波段与其生理功能高度吻合。N元素的敏感波段高度集中于红光（600-650纳米）和红边（700-740纳米）区域，这与氮作为叶绿素和蛋白质基本组成元素的角色直接相关，高氮植株强烈的红光吸收和红边“红移”现象在此得到体现。B元素的敏感波段集中在绿光、红光及红边区域，与其影响结实率和色素代谢的功能相联。K元素的敏感波段呈分散特征，可见光（411纳米）和近红外（848, 942纳米）均有贡献，反映了钾在调节细胞渗透压和冠层结构中的多重作用。S元素的敏感波段则高度集中在红光和近红外区域，体现了其作为含硫蛋白质组成元素对叶片生化组分和结构的影响。这些发现为利用光谱进行生理机制解释提供了确凿证据。
4. 营养元素空间异质性制图：应用最佳模型绘制的空间分布图揭示了6种营养元素在田块尺度上的异质性分布特征。尽管试验田进行了统一施肥，B、P、K等元素依然表现出明显的局部差异斑块，而N、Ca、S的分布相对均匀。这一结果验证了模型对田间微环境差异及作物营养吸收差异的解析能力，制图结果与田间管理记录及养分迁移机理具有逻辑一致性。
五、 研究结论与价值
本研究成功提出并验证了一套“FOD特征增强”与“基于生理机制的算法择优”相耦合的FOD-RFR方法体系。该体系能够有效解析油菜全生育期多营养元素的细微光谱特征，实现了对B、N、P、K、Ca、S六种元素非破坏性、高精度的同步协同估算。其科学价值在于，首次系统性地将FOD技术应用于油菜中微量营养元素的监测，深入揭示了不同元素的光谱响应机制，发现高阶FOD（>1.0）擅长放大叶片结构变化引起的局部光谱响应，而低阶FOD则更适用于捕捉色素变化引起的宏观特征。应用价值在于，该方法为油菜的精准营养诊断与变量施肥管理提供了关键技术支撑，其成果不仅适用于油菜，也为其他大田作物的复杂生化参数遥感监测提供了可借鉴的理论框架和方法参考。
六、 研究亮点
本研究主要有三大亮点： 方法创新：首次将分数阶微分技术系统性地应用于油菜多种中微量营养元素（B、Ca、S）的协同估算，突破了传统整数阶微分在弱光谱特征挖掘上的局限性，显著提升了模型精度。 算法优选策略：并非简单地追求单一算法的最优，而是创造性地提出了“基于生理机制”的算法择优思路，指出需要根据元素（如受复杂非线性影响的P）的光谱响应特性来匹配最合适的模型（如SVR），为同类研究提供了新的建模思维。 机理揭示深度：通过特征重要性分析，将筛选出的敏感波段与作物的叶绿素合成、蛋白质形成、细胞壁结构维持等生理生化过程紧密耦联，为高光谱估算模型提供了扎实的物理解释基础，而非仅仅是数据驱动的“黑箱”模型。