基于高光谱遥感的马铃薯精准氮肥管理新见解

作者及机构
本研究由Alfadhl Y. Alkhaled（美国威斯康星大学麦迪逊分校植物与农业生态系统科学系；马里兰大学东岸分校农业、食品与资源科学系）、Philip A. Townsend、Brendan C. Heberlein、W. Beckett Hills（威斯康星大学麦迪逊分校森林与野生动物生态学系）及Yi Wang（威斯康星大学麦迪逊分校植物与农业生态系统科学系）共同完成，发表于2025年的期刊*Smart Agricultural Technology*（第12卷，文章编号101372）。

学术背景

研究领域与动机
本研究属于精准农业（Precision Agriculture）与高光谱遥感（Hyperspectral Remote Sensing）的交叉领域，聚焦马铃薯（Solanum tuberosum L.）生产中的氮肥（Nitrogen, N）精准管理。氮肥是影响马铃薯产量与品质的关键因素，但过量施用会导致环境污染（如地下水硝酸盐污染），而不足则引发减产。传统氮状态监测方法（如茎秆硝酸盐-N破坏性检测）效率低且时空分辨率差。高光谱遥感技术通过连续光谱反射数据（400–2500 nm）可非破坏性监测作物生理状态，但其在马铃薯氮管理中的应用仍存在数据量大、年际变异显著等挑战。

研究目标
1. 筛选与马铃薯氮状态（茎秆硝酸盐-N、叶片全氮）及产量稳定相关的植被指数（Vegetation Indices, VIs）；
2. 开发基于XGBoost机器学习模型的预测框架，结合高光谱数据与农艺因素（氮肥量、品种、生长阶段）；
3. 量化氮肥施用对马铃薯氮状态及产量的动态影响，为精准施肥提供决策支持。

研究流程与方法

1. 田间试验设计
- 地点与时间：2018–2020年在美国威斯康星州Hancock农业研究站进行，土壤为砂质（90%沙粒），有机质含量低（<10 g/kg）。
- 实验设计：裂区随机设计，主区为5个氮肥水平（45–410 kg N/ha），副区为6个马铃薯品种（本研究聚焦Silverton Russet和Lakeview Russet）。
- 数据采集：
- 生理指标：生长期内定期采集茎秆硝酸盐-N（反映即时氮状态）和叶片全氮（累积氮吸收），共3年80–160个样本/年。
- 产量数据：收获时测定块茎产量（mg/ha），每年40个数据点。

2. 高光谱数据获取与预处理
- 设备：使用HySpex VIS-NIR-1800（400–1000 nm）和SWIR-384（953–2518 nm）推扫式相机，搭载IMU/GPS传感器，飞行高度220–360米，空间分辨率13–21 cm/像素。
- 预处理流程：
- 辐射定标：将数字信号（DN）转换为辐射亮度；
- 几何校正：结合IMU/GPS数据与数字高程模型（DEM）进行正交校正；
- 大气校正：去除水汽和气溶胶影响，转换为地表反射率；
- 植被指数计算：从27个VIs中筛选关键指数（如TCARI、WI、NDTI），覆盖色素、水分和干物质类别（表2）。

3. 机器学习建模
- 模型选择：采用XGBoost算法，输入包括VIs及农艺因素（氮肥量、品种、生长阶段）。
- 验证方法：10折交叉验证（50次重复），70%训练集与30%独立测试集。
- 创新分析：
- 利用未施肥地块的光谱数据训练模型，预测施肥地块的氮状态与产量响应；
- 评估年际变异对预测稳定性的影响。

主要结果

1. 植被指数筛选
- 茎秆硝酸盐-N：色素类VIs（如TCARI）相关性最高（r=0.76），但年际变异显著（2018年r=0.39 vs. 2019年r=0.92）。
- 叶片全氮：水分指数WI（r=0.57）和干物质指数NDTI（r=0.59）表现稳定。
- 产量预测：光化学反射指数PRI（r=-0.64）和简单比率水分指数SRWI（r=0.60）相关性显著。

2. XGBoost模型性能
- 输入优化：结合VIs与农艺因素后，模型R²显著提升（茎秆硝酸盐-N：0.065→0.785；产量：0.55→0.83）。
- 年际差异：2019年预测精度最高（R²=0.922），而三年合并数据因环境变异导致R²降低至0.422。

3. 氮肥响应预测
- 施肥效应：模型成功预测早期块茎膨大期施氮（70 kg/ha）的产量增益（R²=0.952），但茎秆硝酸盐-N响应年际差异大（2018年斜率左移，2020年右移）。

结论与价值

科学意义
1. 首次系统验证了高光谱VIs（尤其是SWIR波段）对马铃薯氮状态及产量的预测潜力；
2. 揭示了农艺因素（品种、生长阶段）对模型泛化能力的关键作用；
3. 提出了基于未施肥地块光谱预测施肥响应的新方法。

应用价值
- 为精准氮肥管理提供实时监测工具，减少过量施肥造成的环境风险；
- 推动高光谱技术与机器学习在智慧农业中的落地应用。

研究亮点

1. 多年度数据验证：覆盖3年生长季，明确年际环境变异对模型的影响；
   
2. 全光谱分析：首次联合VIS-NIR-SWIR波段数据，突破传统VIS-NIR限制；
   
3. 动态预测框架：可量化不同生长阶段施氮的增产效果，支持分期施肥决策。
   

局限性
高光谱设备成本高、数据处理复杂，未来需开发轻量化模型与低成本传感器以促进推广。