基于无人机多光谱遥感和机器学习的苎麻冠层叶片氮素含量预测模型研究
许明志1
陈建福2
岳云开2
焦鑫伟2
付虹雨2
管圣2
张蕾2
崔国贤2
佘玮2
1.湖南农业大学农学院,湖南长沙 410128;怀化市农业科学研究院,湖南怀化 4180002.湖南农业大学农学院,湖南长沙 410128
摘要：氮素是对苎麻生长发育影响最显著的营养元素之一,精确且及时地掌握苎麻氮素营养信息对提高其管理效率、精准掌控其生长动态、实施科学化管理等具有重要意义.本研究通过田间试验,设置4个氮肥水平和2个追肥时期,包括不施氮(N0)、施纯氮273 kg/hm2(N1)、施纯氮332 kg/hm2(N2)、施纯氮390 kg/hm2(N3),以及封行期(a)和旺长期(b)追肥,于三季苎麻苗期、封行期、旺长期、成熟期使用大疆精灵4无人机采集光谱图像,结合凯氏定氮法实测氮素数据,使用支持向量机(SVM)、随机森林回归(RFR)、反向传播神经网络(BPNN)、卷积神经网络(CNN))4种机器学习算法,建立了各生育期苎麻氮素营养估测模型.结果表明,基于4种机器学习算法构建的苎麻冠层叶片氮素含量估测模型均具有一定的预测能力,但预测精度存在明显差异,其中,CNN模型在苗期的预测精度最高(验证集R2为0.761,RMSE 0.743,MAE 0.548),能够准确地预测苎麻的氮素营养状况,但在成熟期的泛化能力有待优化;RFR模型的苎麻跨生育期氮素预测性能表现稳定(验证集R2为0.607～0.755,RMSE为0.819～1.156,MAE为0.680～0.930),适合作为长期监测的通用模型.综上,基于无人机多光谱遥感的机器学习模型能够实现对苎麻冠层叶片氮素的良好预测,可为快速监测苎麻长势和精准施肥管理提供理论支持.
关键词：苎麻叶片氮素含量无人机多光谱机器学习
分类号：S127(农业物理学)
资助基金：湖南省自然科学基金项目(2021JJ30341)湖南省教育厅重点项目(23A0178)现代农业产业技术体系(CARS-16-E11)
论文发表日期：2025-04-30
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：8( 146-153 )
英文信息