融合无人机多源遥感与机器学习的茶树氮营养指数无损监测研究

《Scientia Horticulturae》：Integrating UAV multi-sensor imagery and machine learning for non-destructive estimation of nitrogen nutrition index in tea plants

本研究针对茶树氮素精准诊断难题，创新性地结合无人机多源遥感（LiDAR、多光谱、可见光）与机器学习算法，建立了茶树氮营养指数（NNI）无损监测模型。通过多品种氮梯度试验，构建了茶树临界氮稀释曲线，采用特征选择与回归算法优化，最终基于Boruta-GPR的MS+RGB融合模型达到最优精度（R2=0.7346）。该研究为茶园精准施肥提供了可靠技术支撑，对减少氮肥滥用、促进茶产业可持续发展具有重要意义。

　　

在追求优质高产茶叶的今天，氮肥管理成为影响茶叶品质和生态环境的双刃剑。中国超过30%的茶园氮肥施用量远超推荐阈值（300-450 kg·ha?1），年平均施氮量高达491 kg·ha?1，这种过度施肥已引发土壤酸化、温室气体排放增加和土壤生物多样性降低等一系列环境问题。相反，氮供应不足又会制约茶树生长，影响鲜叶品质，最终降低经济效益。因此，实现茶树氮素营养的精准、快速、实时诊断，成为现代茶园管理的迫切需求。

传统诊断方法如叶色观察、SPAD测量和化学分析等，主要量化叶片氮浓度，但无法判断该浓度是否满足植株生理需求，对精准施肥管理的指导有限。氮营养指数（NNI）通过临界氮稀释曲线（CNDC）量化实际氮供应满足作物需求的程度，克服了这一局限。然而，NNI的准确性受物种间组织学、形态学和生态生理特性差异的限制。虽然水稻、小麦、玉米和油菜等作物已建立了特定物种和组织的CNDC，但作为多年生木本植物，茶树具有不同于一年生作物的冠层发育动态和氮需求模式，其NNI诊断模型尚未建立，阻碍了茶树栽培系统中氮营养的精准管理。

针对这一技术瓶颈，青岛农业大学的研究团队在《Scientia Horticulturae》上发表了创新性研究成果。他们开发了一种基于无人机多源遥感的茶树NNI估算方法，首次将LiDAR与多光谱（MS）和可见光（RGB）数据创新性结合，捕获茶树的结构和光谱信息。通过在三种茶树品种上设置六个氮处理水平的田间试验，研究人员整合三种特征选择方法（Boruta、RFE、ElasticNet）与四种机器学习算法（SVM、PLS、RF、GPR），成功构建了茶树NNI估算模型。

关键技术方法概述

研究在山东诸城桃源村茶园基地进行，采用DJI Matrice 300 RTK无人机搭载Yusense MS600 Pro多光谱相机和Zenmuse-H20T RGB相机，同时使用手持LiGrip H120激光雷达扫描仪采集数据。通过五期采样获取270份茶树样品，测定生物量和氮含量，建立了品种特异性CNDC。从多源遥感数据中提取了光谱特征（27个）、颜色纹理特征（39个）和LiDAR结构特征（66个），采用特征选择算法优化变量组合，最终构建机器学习估算模型。

研究结果分析

不同氮浓度对PNC和PDM的影响

研究结果显示，氮施用量显著影响茶树氮营养状况，NNI值范围在0.36-1.16之间，随施氮量增加而升高。植物干物质（PDM）的变异系数（53.32%）始终高于植物氮浓度（PNC）（26.77%），表明氮供应对生物量积累的影响大于对叶片氮浓度的影响。三个品种中，XY10的变异系数最低，表明其对氮供应的敏感性相对较低。PNC与生物量之间的动态关系呈现明显的负相关，符合经典的氮稀释规律，即随着生物量增加，单位干物质的氮浓度下降。

CNDC建立和NNI变化

研究成功建立了不同品种的CNDC，曲线遵循幂律关系：N_c=a·DM^-b。品种间模型参数存在显著差异，LC37的a值最高（2.806），表明在低生物量水平下具有相对较高的初始氮浓度；LC40的稀释系数b最大（0.5488），表明随着生物量增加，氮浓度下降更快。基于这些发现，建立了通用CNDC：N_c=2.641DM^-0.5041，为小叶种茶树的精准氮肥管理提供了理论基础。

NNI分析表明，LC40在低氮处理（N0、N1）下的NNI显著高于LC37和XY10，而在N3、N4和N5处理下，三个品种间无显著差异，证明了茶树基因型间氮利用效率存在显著差异。LC40在低氮条件下能满足新梢生长需求，可能被鉴定为低氮高效茶树品种。

特征变量选择

通过三种特征选择方法（RFE、Boruta、ElasticNet）确定了不同组合的最优特征子集。对于单传感器数据集，多光谱（MS）、RGB和LiDAR分别选择8、35和3个特征，其中多光谱模型达到最高精度（0.72）。多传感器融合显著提高了模型性能，MS+RGB、MS+LiDAR、RGB+LiDAR和MS+RGB+LiDAR的最优特征数分别为65、4、26和132。变量重要性排序显示，传感器和算法依赖的关键预测特征存在差异。

NNI估算模型构建

多源数据融合显著提高了所有算法的估算精度。基于MS+RGB数据集的模型优于MS+LiDAR和RGB+LiDAR组合。其中，Boruta-GPR模型实现了最佳性能（R2=0.7346，RMSE=0.0878，RPD=1.6987）。对于MS+LiDAR和RGB+LiDAR数据集，Boruta-GPR也分别取得了R2=0.7134和R2=0.7248的良好结果。对于完全融合的MS+RGB+LiDAR数据集，ElasticNet-RF模型表现最佳（R2=0.7281）。

研究结论与意义

本研究首次建立了茶树临界氮稀释曲线，构建了基于无人机多源遥感的NN诊断框架。结果表明，高斯过程回归（GPR）算法在多源数据融合中表现最佳，结合Boruta特征选择策略，能有效处理高维异构数据，捕捉复杂的非线性特征交互作用。生成的NNI空间分布图为实现茶园变量施肥提供了直接空间指导。

该研究的创新点在于将LiDAR结构信息与多光谱、可见光数据融合，克服了单一传感器数据的局限性；建立了茶树特异性CNDC，填补了多年生木本植物NNI诊断模型的空白；开发的Boruta-GPR融合模型为茶园精准氮管理提供了可靠工具。未来研究将侧重于增强技术框架的实用性、鲁棒性和普适性，验证模型在不同产区的适应性，并探索高光谱等新型传感器数据的应用潜力。

这项研究不仅为茶树氮营养精准诊断提供了新方法，也为类似多年生作物系统的氮素管理提供了重要参考，对推进农业可持续发展具有积极意义。