摘要
精准农业是中国实现农业现代化和乡村振兴的重要发展方向，是一种将现代信息技术与农业生产决策深度融合的新型农业生产模式。发展精准农业，实现农业数字化、智能化，有利于提高中国的农业生产力，降低农业生产成本，实现农业可持续发展。在这个大背景下，利用无人机实现作物生长指标信息的快速获取，农作物的氮素精准诊断和氮肥的优化施用是实现智慧农业的关键一步。因此，本研究以长江下游地区不同尺度的水稻田为研究区，以不同施肥处理的水稻生长指标为研究对象，采用无人机遥感平台获取不同生长期水稻遥感影像，实现对水稻生长指标和地上氮营养的诊断;同时结合无人机监测结果开发出一种针对该地区水稻氮肥施用的决策方案。 (1)对水稻冠层生长指标的准确估计有利于水稻生产，通过使用无人机(UAV)携带的可见光相机可以实现快速监测。然而，使用无人机获取的可见光图像的方法缺乏一个优化的模型来实现对水稻生长指标的准确限定。分析无人机植被指数(UAV-VIs)与水稻各生长时期的叶片干生物量(LDB)、叶面积指数(LAI)和叶片全氮(LTN)之间的相关性。使用最佳指数法(OVI)和面向对象的分割法(OS)来去除图像中的非冠层区域，以提高估计的准确性。选择经过两种方法处理后，每个生长期与水稻冠层指标相关性最好的UAV-VIs，建立一个水稻冠层指标估算模型数据库。结果表明，利用OVI和OS方法去除影像非冠层区域分别可以提高水稻冠层生长指标与UAV-VIs的相关性;在分蘖期和拔节初期，LDB与绿叶指数(GLI)和红绿比指数(RGRI)的相关性决定系数分别为0.83和0.88;在拔节初期和拔节末期，LAI与修正绿红植被指数(MGRVI)的相关性决定系数为0.80和0.88;在扬花期和灌浆期，LTN与多余红色植被指数(ExR)的相关系数分别为0.86和0.93。通过利用UAV-VIs和不同生长时期的实测水稻生长指标建立的简单估算模型数据库，可以估算出各时期的水稻冠层生长指标。 (2)在利用无人机监测水稻生长状况的过程中，降低无人机应用成本对于精准农业的发展和普及是非常有必要的。本研究在2019-2020年不同氮素(N)处理的田间实验获得了不同生长时期的水稻株高(PH)、叶面积指数(LAI)、地上生物量(AGB)和植株氮浓度(PNC)。分别利用多光谱无人机影像和可见光无人机影像获取的多光谱植被指数(MS-VI)和可见光植被指数(RGB-VI)与实测水稻生长参数建立随机森林估算模型。结果表明，不同的氮肥施用导致了水稻生长变量的显著差异;不同生长期PH和LAI与MS-VI的相关性系数大于其与RGB-VI的相关性数，AGB和PNC与RGB-VI的相关性系数大于其与MS-VI的相关性系数。利用多光谱影像和可见光影像建立了水稻生长关键指标的RF估算模型，结果表明该模型对所有指标在每个生长阶段的R2值大于0.8，利用可见光影像建立的RF模型准确性略高于利用多光谱影像建立的模型。然后利用2019年的可见光影像进一步测试了RF模型，对于PH、LAI、AGB和PNC，验证的决定系数R2分别为0.75、0.75、0.72和0.68，均方根误差RMSE值为11.68、1.58、3.74和0.13，表明可见光无人机在监测水稻生长方面与多光谱无人机具有相同的性能。 (3)及时准确的估算水稻氮营养指数(NNI)有利于掌握水稻营养状况，调整追肥措施，提高作物产量。传统的氮营养指数评估方法需要人工田间采集数据，该过程成本高，时效性低;而利用无人机影像进行水稻NNI的监测可以避免这种缺点。基于2019和2020两个生长季不同施肥处理的实验取样数据，开发出一种适合长江下游地区的水稻临界氮浓度稀释模型，然后通过建立的临界氮浓度稀释模型得到水稻氮营养指数。结果表明:本研究建立的临界氮浓度稀释模型为Nc=3.37AGB-0.25，对该地区水稻临界氮浓度的计算具有适应性。在本研究中，通过分析两个不同实验田关键生长期的实测氮营养指数和对应时期的无人机影像指数，利用六种机器学习算法(池)(自适应增强算法、人工神经网络、K最近邻算法、偏最小二乘法、随机森林算法、支持向量机)建立NNI估算模型，并对比了不同生长期不同机器学习模型的精度。结果发现，在关键生长期中，大多数无人机植被指数与水稻NNI呈显著相关关系;利用六种机器学习模型对水稻NNI的估算结果，同一生长期，随机森林模型表现最好，R2在0.88到0.96之间，RMSE在0.03到0.07之间，MAE在0.02到0.06之间;在同一种模型不同生长期之间比较，灌浆期为最适合估算水稻NNI的时期，检验结果R2在0.56到0.97之间，其次为拔节初期，检验结果R2在0.50到0.96之间;利用实测水稻NNI对建立的灌浆期随机森林估算模型进行验证，两个实验田的验证结果R2为0.72，RMSE为0.22，MAE为0.17。因此，该研究成果是一种可拓展的、简单廉价的快速监测水稻NNI的方法。 (4)通过光谱传感器进行水稻氮素状况监测的方法发展迅速，但是大多只是通过作物表型进行分析，缺少在作物生长影响因素等方面的分析。本研究利用两个实验田2年不同生长期(拔节期、开花期、灌浆期、成熟期)的无人机植被指数和实际测量水稻NNI数据，通过三种机器学习算法(自适应增强算法、偏最小二乘算法、随机森林算法)分别建立水稻NNI估算模型;在此基础上分别纳入气象、施肥量数据作为输入变量，建立不同变量因子组合的水稻NNI估算模型，对比基于多变量因子模型与基于无人机Ⅵ单因子模型，判断增加水稻影响因素等模型输入因子，是否可以提高水稻氮营养的估算和诊断。结果表明:1)与单独利用无人机Ⅵ作为模型输入因子相比，通过机器学习方法纳入气象、施肥量作为模型输入因子，可以优化水稻NNI的估算结果，表现为MLⅥ+M+F＞MLⅥ+F＞MLⅥ+M＞MLⅥ;2)三种模型中，利用随机森林算法综合无人机Ⅵ、气象和施肥量作为输入变量建立的水稻NNI估算模型(RFⅥ+W+F)为最优模型，在各个生长期模型的验证精度R2为0.94-0.95，在整个生长期模型的验证精度R2达到0.96。该研究采用将无人机数据与气象、施肥数据进行综合建模的策略，优化了季节性水稻氮素状况的诊断，为氮肥的精准施用提供指导。 (5)以两个生长季的家庭农场(200亩)无人机影像、实测水稻NNI、气象数据和施肥处理为基础，利用随机森林算法建立不同生长期水稻NNI估算模型，探究本研究方法在农场尺度应用的可行性;结合水稻NNI估算结果和实测产量数据，对研究区进行合理的施肥决策。结果表明:在农场(200亩)尺度下，以UAV-VIs、气象、施肥量数据作为输入因子建立的水稻NNI估算模型精度较高，在拔节期、扬花期、灌浆期模型验证集精度R2分别为0.94、0.86和0.91，该模型可以用于农场尺度的水稻NNI估算。分析不同时期水稻NNI与产量之间的相关关系，发现产量随NNI的升高逐渐增加，达到最高点后又呈下降趋势，但是产量达到最高时所对应的NNI值，即最佳NNI，随着生长期推进逐渐减小。本研究根据NNI开发了一种水稻氮肥追施策略，利用该策略实现了浦口实验田2019生长季变量施肥处方图的制作。
NETL