摘要
马铃薯是我国的第四大粮食作物，我国的马铃薯种植面积位居世界第一，但是单产量低于世界平均水平。氮是促进作物生长和提高作物产量的重要营养元素，氮不足会降低马铃薯的产量和品质，过量会造成环境污染和成本浪费。因此，根据马铃薯的氮营养状况进行精准施氮是非常重要的。本研究以不同氮肥梯度下的马铃薯为研究对象，开展了盆栽和大田试验，采用地面和无人机遥感平台获取马铃薯的冠层图像，结合植被覆盖度、株高和叶绿素含量估算结果为马铃薯的氮营养诊断提供参考。论文的主要研究内容及结论如下： （1）马铃薯植株氮素营养诊断长势参数筛选。通过方差分析研究不同施氮条件下马铃薯整个生长时期植被覆盖度、株高、叶绿素含量和生物量的显著性差异，结果表明：植被覆盖度仅在陕北试验中的马铃薯块茎形成期存在显著性差异，整体与施氮量变化并不显著；马铃薯株高在块茎形成期不存在显著性差异，在后期的马铃薯生长阶段出现显著性差异，且随着施氮量的增加，马铃薯株高逐渐增大；对于叶绿素含量而言，在盆栽试验中，由于基质养分含量可以满足块茎形成期的营养需求，此生长阶段马铃薯植株的叶绿素含量不存在显著性差异，在盆栽试验后续马铃薯生长时期和大田试验中马铃薯整个生长阶段，叶绿素含量均存在显著性差异，且随着施氮量的增加，马铃薯植株的叶绿素含量呈逐渐增高；马铃薯地上生物量与施氮量具有一致性，仅在关中试验的块茎形成期不存在显著性差异。 （2）基于无人机遥感的马铃薯植被覆盖度估算方法研究。本研究分别基于红-绿组合和蓝-绿组合构造了RGCI和BGCI两种植被指数，并对比了RGCI、BGCI与常见的8种植被指数结合植被指数交点法、最大熵阈值法和双峰直方图法提取的马铃薯植被覆盖度精度，通过混淆矩阵验证结果可知：BGCI结合植被指数交点法取得了马铃薯前2个生长时期最高的植被覆盖度提取精度，总体精度均在98.5%以上，RGCI结合植被指数交点法获得了马铃薯成熟期最高的植被覆盖度提取精度；Pearson相关系数法和随机森林特征筛选结果均显示RGCI和BGCI在马铃薯整个生长时期与FVC均有较好的相关性，BGCI在马铃薯整个生长时期的FVC估算精度最高；同时独立验证集的模型精度评价结果显示RGCI和BGCI建立的FVC估算模型具有良好的年际间、生长期和品种间的适用性，且随着无人机飞行高度的增加，图像分辨率降低，马铃薯植被覆盖度估算精度逐渐下降。 （3）基于无人机遥感的马铃薯株高提取方法研究。本研究将马铃薯单个生长时期单位面积内土壤的DSM均值作为基准，利用马铃薯植株DSM的最大值与其作差值提出了BSFM算法。结果表明：传统的SFM法在马铃薯单个生长时期的株高精度较低， R2均小于0.55，BSFM算法在马铃薯单个或整个生长时期均取得了更好的株高提取精度（R2均高于0.75）；此外还分析了不同点云密度对SFM法和BSFM的马铃薯株高提取精度的影响，不同点云密度对马铃薯株高提取精度影响较大，高密度点云条件下可以显著提升BSFM算法提取马铃薯株高的提取精度；基于陕北试验独立验证集的模型精度评价结果同样表明本研究提出的BSFM算法在不同年际和种植环境中具有较好的适用性。 （4）基于无人机遥感的马铃薯叶绿素含量估算及氮营养诊断方法研究。基于盆栽试验中可见光图像的红色和绿色波段拟合结果构造的 RGFI 建立了马铃薯植株的叶绿素含量估算模型，取得了较好地模型精度，表明可见光图像估算马铃薯植株的叶绿素含量是可行的。另外，基于无人机可见光图像建立了马铃薯植株叶绿素含量估算模型，并以多光谱图像建立的叶绿素含量估算模型进行评估，结果表明：基于无人机可见光图的 24 种纹理特征的组合后第三个主成分分析结果与 FNGBDI 线性融合构造的FTNGBDI指数建立的马铃薯植株叶绿素含量估算精度显著高于其它传统的特征；相比于无人机多光谱图像，FTNGBDI建立的简单线性叶绿素含量估算模型同样比无人机多光谱图像基于集成学习算法建立的复杂估算模型更好；此外，独立验证数据集同样证明了 FTNGBDI 估算马铃薯叶绿素含量在年际间、品种间具有较好的普适性（R2均高于0.80）；基于FTNGBDI和叶绿素含量的拟合结果构造了评价马铃薯氮营养状况的临界稀释曲线，结果表明本研究基于 FTNGBDI 和叶绿素含量结合构造的临界氮浓度稀释曲线可以较好地诊断马铃薯植株的缺氮状况。
NETL