摘要
利用遥感手段进行农作物氮营养诊断和产量估测一直是精准农业领域的重要研究方向，对保障国家粮食安全及农业可持续发展具有重要意义。本研究以山东省乐陵市南夏村试验小区和全村为研究区，利用八旋翼无人机平台和eBeeSQ固定翼无人机平台搭载多光谱相机获取冬小麦冠层多光谱遥感影像数据并同步采集对应时期的氮营养参数（地上部生物量、氮浓度、吸氮量、氮营养指数）和产量数据。采用逐步多元线性回归、BP神经网络、支持向量机、随机森林、梯度提升回归树、极限学习机等算法优选田块尺度和村级尺度氮营养诊断模型及田块尺度产量反演的最佳模型，以期为华北冬小麦氮营养诊断和产量估测提供科学依据和技术支撑。主要工作及成果如下： （1）遥感数据获取与处理。校正传感器定标文件，对校正后的多光谱影像进行波段合并、辐射定标、影像拼接等预处理工作，得到研究区多光谱正射影像数据，最后基于Python3.6提取每个小区的平均光谱值并计算植被指数。 （2）田块尺度施氮量对冬小麦氮营养参数和产量影响较大，将生育期和施氮量作为自变量因子加入氮营养诊断模型和产量估测模型中，提高了诊断模型和估测模型的精度，提升了模型的适用性。 （3）田块尺度氮营养诊断模型中机器学习算法建立的模型及模型验证精度高于逐步多元线性回归模型的精度。五种机器学习算法构建的反演模型精度大小顺序为：随机森林gt;梯度提升回归树gt;BP神经网络gt;极限学习机gt;支持向量机gt;逐步多元线性回归，随机森林算法建立的模型精度最高。地上部生物量、氮浓度、吸氮量和氮营养指数基于随机森林算法所建模型的最大R2分别为0.94、0.94、0.92、0.95。氮营养指数在五种机器学习模型中，孕穗-扬花期的模型效果最优（R2分别为0.91、0.90、0.95、0.91、0.88），其中基于随机森林算法所建模型的一致性检验结果为77.27%，Kappa分析结果为0.54，诊断准确率较高。 （4）田块尺度产量反演模型中机器学习算法建立的模型及模型验证精度高于逐步多元线性回归模型的精度，其中梯度提升回归树算法建立的模型估产效果最好，返青-拔节期、孕穗-扬花期和全生育期的模型分别能解释92%、96%、91%的产量变异。孕穗-扬花期建立的五种机器学习模型的估产效果最优（R2分别为0.92、0.94、0.94、0.96、0.91）。 （5）使用在田块尺度表现较好的BP神经网络、随机森林和梯度提升回归树算法建立村级尺度氮营养诊断模型。随机森林算法建立的地上部生物量、氮浓度、吸氮量和氮营养指数的诊断模型R2分别为0.87、0.82、0.90、0.87，模型验证的R2分别为0.79、0.63、0.73、0.74，取得了较好的诊断结果。
NETL