氮是作物生長的關鍵營養素，影響作物生長發育、產量和質量?？偟浚═NC）是作物氮狀態的主要指標，監測TNC可以揭示其營養狀況，并促進有效的田間管理。傳統的氮含量測定方法有損、耗時、費力、耗材。雖然出現了葉綠素計等無損方法來估計氮含量，但它們并不能完全反映植物的整體狀況。隨著無人機遙感技術的發展，使用無人機搭載傳感器可以高通量和無損的方式進行土壤和作物TNC監測。

紋理信息是遙感圖像的重要補充，有助于識別圖像中物體或區域的重要特征。不同的氮處理會影響作物生長，導致植物株高差異、結構差異以及葉片大小和顏色的變化，最終導致光譜圖像中紋理特征的變化。之前的大多數研究只分析了RGB紋理特征，使用RGB和多光譜紋理特征全面評估氮含量的研究較少。

本研究在三種氮處理下種植了30個冬小麥品種，結合無人機多傳感器（RGB和多光譜）光譜和紋理特征，使用四種機器學習模型，即高斯過程回歸( GPR )、隨機森林回歸( RFR )、嶺回歸( RR )和彈性網絡回歸( ENR )，融合數據和Stacking集成學習方法來預測冬小麥抽穗期的TNC。結果表明，加入紋理特征提高了基于光譜特征構建的TNC預測模型的精度，且隨著輸入特征量的增加，模型精度也隨之提高。GPR、RFR、RR和ENR模型對TNC預測的R2在0.382 ~ 0.697之間。在這些模型中，集成學習方法產生了最好的TNC預測效果( R2 = 0.726 , RMSE = 3.203 mg·g-1 , MSE = 10.259 mg·g-1, RPD = 1.867 , RPIQ = 2.827)。研究結果表明，通過數據融合和集成學習可以實現基于無人機多傳感器光譜和紋理特征的TNC準確預測，為未來精準農業研究提供了一種有價值的高通量表型分析方法。

圖1 試驗地區與小區。3種不同氮處理下的冬小麥種植于中國農業科學院新鄉綜合試驗基地。

圖3 采集數據的無人機設備。(a) DJI M210，(b) DJI Phantom 4 Pro，(c)紅邊MX多光譜傳感器，(d) RGB 傳感器。


圖4 集成學習模型框架。GPR高斯過程回歸、RFR隨機森林回歸、RR嶺回歸、ENR彈性網絡回歸，不同模型的p個預測。


圖7 基于集成學習模型七個輸入特征中每個特征構建的最佳TNC預測模型的觀測值和預測值。RT RGB紋理特征、MS多光譜光譜特征、MT多光譜紋理特征?；?個特征組合的預測模型其R2高于單個或兩個特征組合的預測模型。



圖8 基于最佳預測模型生成的TNC預測分布圖

文獻來源：Li, Z.; Zhou, X.; Cheng, Q.; Fei, S.; Chen, Z. A Machine-Learning Model Based on the Fusion of Spectral and Textural Features from UAV Multi-Sensors to Analyse the Total Nitrogen Content in Winter Wheat. Remote Sens. 2023, 15, 2152. https://doi.org/10.3390/rs15082152