《Frontiers in Plant Science》：Construction and UAV-based inversion of integrated nitrogen diagnosis index for cotton using multispectral imagery
编辑推荐：
本文通过融合叶片面积指数(LAI)和上层叶氮重量(LNWupper)，构建了棉花生长阶段无依赖的集成氮诊断指数(INDI)。结合无人机(UAV)多光谱影像和极端梯度提升(XGBoost)机器学习算法，成功实现了滴灌棉田高精度、稳定、空间化的氮素诊断，为新疆地区精准施肥管理提供了可靠的技术框架和方法支持。
引言
棉花是全球最重要的经济作物之一，其产量和纤维品质高度依赖于氮素供应。氮在叶绿素合成、光合作用和干物质积累中起着关键作用，并强烈影响棉铃形成、铃重和最终产量。在中国新疆的滴灌棉田中，由于频繁灌溉和大量氮素随灌溉水移动，水氮管理高度耦合，导致氮素利用效率低，过量施氮和环境损失现象仍然普遍。因此，开发一种快速、稳定且独立于生长阶段的氮素诊断方法，对于精准施肥和可持续农业生产至关重要。
近年来，无人机遥感凭借其高时空分辨率和操作灵活性，在作物氮素监测方面显示出巨大潜力。多光谱影像可捕捉冠层结构、色素浓度和生理状态，其中红边和近红外波段对氮素变化特别敏感。大量研究表明，源自多光谱影像的植被指数，如归一化差异植被指数(NDVI)、归一化差异红边指数(NDRE)和改进型红边三角植被指数(MRETVI)，与叶绿素含量、氮浓度、LAI等生理性状显著相关，能够无损估测作物氮素状况。然而，当前的氮素反演研究仍面临两大主要局限：其一是依赖于单一生长阶段或单一生理指标，降低了诊断的鲁棒性，无法实现全生育期适用；其二是各生长阶段间光谱差异大，降低了反演模型在不同物候阶段的泛化能力。
上层叶氮重量(LNWupper)直接衡量了功能叶中的氮素累积，而叶片面积指数(LAI)描述了冠层结构和光合能力。结合这两个指标有望克服单一生理指标的局限性。同时，随机森林(RF)、梯度提升决策树(GBDT)和极端梯度提升(XGBoost)等机器学习算法在高维特征环境下，对非线性的光谱-生理关系建模展现出强大能力。为解决上述问题，本研究整合LAI和LNWupper，构建了集成氮诊断指数(INDI)，并将其与无人机多光谱影像和机器学习相结合，以实现棉花多个生长阶段的稳定氮素诊断。
材料与方法
研究区域 田间试验于2025年4月至10月在中国新疆昌吉回族自治州大西渠镇华兴农场进行。该地区为典型大陆性干旱气候。土壤为粘壤土，地下水为矿化度低于1.0 g L-1的灌溉水源。
试验设计 试验包含灌溉和施氮两个因素。灌溉设四个水平：60% ETc、80% ETc、100% ETc和120% ETc。施氮量设四个水平：0、245、300和350 kg N ha-1，共16个处理。棉花品种为“中棉113”，采用“一膜三管六行”机采配置模式。
无人机多光谱影像获取与预处理 在晴朗无风条件下，使用搭载RedEdge-P多光谱相机的Matrice 350 RTK无人机，在现蕾期、开花期、结铃期和吐絮期四个生长阶段采集影像。传感器包含蓝、绿、红、红边、近红外五个窄波段。飞行高度30米。采集的影像经过辐射校正、波段配准、拼接和几何校正等预处理。
叶片面积指数测量 在每个生长阶段，通过破坏性取样，使用打孔称重法测定LAI。每个处理随机选取9株棉株，其平均值代表处理水平的LAI。
叶片氮重量测量 叶片样品经烘干、研磨、过筛后，采用H2SO4–H2O2消解，凯氏定氮法测定氮浓度(LNC)。上层叶氮重量(LNWupper)通过叶片单位面积干重(LDWupper)与上层叶片氮浓度(LNCupper)的乘积计算。
集成氮诊断指数的构建 为实现稳健的、生长阶段无依赖的棉花氮素诊断，通过整合LAI和LNWupper构建了INDI。由于两指标单位和量纲不同，整合前进行了标准化。采用变异系数进行基于CV的加权，为减少高变异性指标的主导作用并提高跨阶段稳健性，采用了反CV加权方案并进行归一化。具体而言，先计算每个指标的CV，再计算其反CV归一化权重。接着，在每个生长阶段内对LAI和LNWupper进行Z-score标准化，以消除生长阶段间的尺度差异。最后，INDI定义为标准化指标的加权线性组合。
氮营养指数 引入基于临界氮稀释曲线的临界氮浓度概念。氮营养指数被广泛用于氮素诊断。NNI等于植株实际氮浓度与临界氮浓度的比值。当NNI等于1时表示氮素状况最佳，小于1表示缺氮，大于1表示氮素过剩。
植被指数选择 从可见光指数、结构指数、红边指数、土壤调整指数和复合指数五大类中，选取了14个代表性植被指数，包括MRETVI、比值植被指数(RVI)、红边比值植被指数(RERVI)、归一化绿度指数(NGI)、归一化色素叶绿素指数(NPCI)、NDRE、非线性指数(NLI)、可见光大气阻抗指数(VARI)、NDVI、增强型植被指数(EVI)、归一化绿蓝差异指数(NGBDI)、优化土壤调整植被指数(OSAVI)、红边归一化差异植被指数(RENDVI)和土壤调整植被指数(SAVI)。
模型构建与验证 为基于无人机多光谱数据实现棉花氮素指标反演，使用从各生长阶段提取的植被指数作为输入变量，INDI作为响应变量。构建了RF、GBDT和XGBoost三种机器学习模型。所有样本的70%用于模型校准，30%用于验证。采用五折交叉验证优化超参数。使用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)综合评价模型性能。
结果与分析
棉花氮素诊断指数与常用植被指数的相关性分析 结果显示，LAI与MRETVI、RVI、RERVI呈较高的正相关。LNWupper与NGBDI、NGI、NDRE的绝对相关系数在0.6至0.8之间，其中NGI和NDRE的绝对相关系数超过0.75，关系极显著。INDI也与MRETVI、RERVI、NLI、EVI等植被指数强相关。这些模式与冠层光学机制一致。
基于机器学习算法的棉花氮素诊断模型构建 对于LAI，三种模型均表现出良好的拟合性能，其中XGB模型精度最高。对于LNWupper预测，同样是XGB模型表现最佳，其次是GBDT模型，RF模型相对较差。LNWupper的总体RMSE高于LAI，反映了氮素积累固有的更大生物变异性，这对预测精度提出了更高挑战。对于INDI，XGB模型再次取得了最佳性能，且三种模型对INDI的预测精度均高于对LAI和LNWupper的预测。INDI的高可预测性表明，该指数整合了冠层结构和氮相关的生理特征，使模型能够更稳定、准确地捕捉氮素状态变化。总体而言，XGB模型在三个目标变量上均取得了最高的R2和最低的RMSE，优于RF和GBDT。因此，选择XGB作为后续INDI空间反演和氮素诊断的最优模型。
基于INDI的多光谱影像反演 基于机器学习模型训练结果，选择性能最佳的XGBoost模型对多光谱影像进行像元级反演，生成了不同生长阶段棉田的INDI空间分布图。分析表明，在高水高氮处理下，棉花表现出良好的氮素营养状况，而在不施氮处理中，棉花表现出氮素缺乏。这进一步证明，INDI作为整合了冠层结构和叶片氮素信息的复合诊断指数，能够有效揭示田块内的氮素分布格局和空间变异性。
多光谱影像INDI反演结果的验证 建立了四种灌溉处理下基于上层叶的临界氮稀释曲线。结果表明，氮浓度随时间推移逐渐降低。模型参数a和b均随灌水量的增加而增大。将灌水量和地上部干物质代入方程，得到模拟的临界氮浓度值。模拟与观测临界氮浓度值对比的R2为0.87，RMSE为0.17 g/100 g，RE为4.20%，表明该模型用于诊断棉花氮素营养状况稳定可靠。
计算NNI并据此评估作物氮素营养状况。棉花的NNI总体呈现播种后50-130天内增加、中期达到峰值、之后下降的模式。在不同灌溉条件下，NNI普遍随施氮量增加而增加。不施氮处理NNI始终低于1，表明明显缺氮；中高氮处理NNI大多接近或略高于1，表明维持了充足的氮素营养。在60% ETc灌溉下，NNI普遍较低，表明干旱限制了氮素吸收。80% ETc和100% ETc处理的NNI值最高，表明适宜灌溉促进了氮素利用，而120% ETc处理在后期略有下降，可能与淋溶损失有关。
INDI对NNI影响的各生长阶段分析 为验证INDI表征棉花氮素营养状况的能力，在现蕾期、开花期、结铃期和吐絮期对INDI与NNI进行了拟合分析。结果显示，INDI在所有生长阶段均与NNI呈显著正相关，但相关性强弱因阶段而异。现蕾期，INDI与NNI的决定系数为0.58，呈中等相关。开花期，两者相关性显著增强。结铃期相关性最高。吐絮期相关性略有下降但仍保持较高水平。总体而言，四个生长阶段的结果表明，INDI能够一致地反映棉花的氮素营养状况，其中在结铃期诊断性能最强，吐絮期次之，开花期有明显改善，现蕾期相对较弱。
讨论
传统的氮素诊断方法常依赖于单一指标，但这些指标表现出明显的阶段局限性。本研究通过加权整合冠层结构指标LAI和上层叶氮重量LNWupper，构建了INDI。与基于单一指标的研究相比，INDI在四个关键生长阶段表现出稳定的氮素响应特性。这证明，整合结构信息和氮素积累提高了跨生长阶段诊断的一致性。
多光谱分析表明，基于红边和近红外的植被指数与LNWupper和INDI的相关性高于传统NDVI和EVI。这与在其他作物中的研究结果一致。红边区域位于强叶绿素吸收和强近红外反射之间，对氮变化引起的叶绿素变化高度敏感，并在中高冠层覆盖条件下保持强响应性。因此，在冠层结构复杂、水氮梯度明显的滴灌棉花系统中，基于红边的反演应作为氮素反演模型的核心光谱组成部分。
在机器学习模型比较方面，XGBoost在LAI、LNWupper和INDI反演上取得了最高精度，优于RF和GBDT。本研究数据集具有无人机实验的典型特征，即样本量相对有限，高维光谱指数间存在强多重共线性。在此数据条件下，XGBoost的优势得到充分体现，表明XGBoost是构建实际农业遥感应用中高精度氮素反演模型的首选算法之一。
使用XGBoost模型生成的INDI空间分布图清晰揭示了不同水氮组合下氮素状况的空间异质性。高水高氮处理对应较高的INDI值，而低氮或低水处理则表现出明显的缺氮斑块。这一趋势与实测的NNI值以及先前关于水氮相互作用的研究结果一致。这表明，INDI不仅可以作为基于点的氮素诊断指标，还可以作为构建田块尺度氮素管理决策层的核心变量，支持滴灌棉花系统的精准水肥一体化调控。
通过构建不同灌溉水平下的临界氮稀释曲线并计算NNI，对INDI的诊断性能进行了独立验证。INDI在四个关键生长阶段均与NNI呈显著正相关，其中结铃期相关性最高，现蕾期最低。这一模式与作物氮素诊断应同时考虑生物量积累和氮浓度的理论相符。因此，INDI可被视为与临界氮理论框架高度兼容，能够表示氮素供应与植株需求之间的平衡，并具有作为将临界氮理论扩展到空间遥感应用的关键桥梁的强大潜力。
尽管INDI及其遥感反演框架在本研究中展现出良好的适用性和稳定性，但仍需承认一些局限性。首先，本研究在新疆昌吉的滴灌棉田中使用单一品种进行。光谱-生理关系可能因品种、种植制度和气候区域而异，因此需要在更大空间尺度、多年份和多样品种上进行验证。其次，本研究使用的多光谱传感器红边和近红外波段有限。高光谱数据在表征红边曲线特征和光谱形状参数方面具有更大潜力。未来可考虑多传感器数据融合，以进一步提高氮素诊断的准确性和鲁棒性。
结论
本研究表明，红边和近红外区域的植被指数与LNWupper和INDI相关性最强，可作为棉花氮素反演的核心变量。XGBoost模型在三个目标变量中表现最佳，可推荐作为INDI空间反演和氮素诊断的最优模型。通过整合LAI和LNWupper构建的INDI，克服了单一指标易饱和、受稀释效应影响等局限性，显著增强了氮素诊断在不同生长阶段的稳定性，能够准确捕捉氮素状况的变化。
