融合无人机光谱与纹理信息的玉米氮素营养估测

【目的】作物氮素营养状况是表征玉米冠层绿色程度和健康状态的关键指标,为比较玉米氮素营养估测模型中单一光谱指数模型与融合纹理信息模型精度的差异,探究基于无人机多光谱与纹理信息融合的玉米氮素营养估测模型的精准性与可靠性。【方法】采用Matrice 300 RTK多旋翼飞行器搭载MS600 Pro多光谱传感器,获取2年间6个氮素水平下玉米抽雄-吐丝期的多光谱影像数据,提取植被指数和纹理特征信息,综合分析植被指数、单纹理特征、组合纹理指数及植被指数和纹理指数融合的相关性,优选信息量最大的植被指数、归一化差值纹理指数(NDTI)及其组合信息,利用多元逐步回归(MSR)、随机森林(RF)、支持向量机(SVM)和灰狼优化的卷积神经网络(GWO-CNN)对比估测玉米叶片氮含量(LNC)、植株氮含量(PNC)、叶片氮积累(LNA)和植株氮积累(PNA)4个氮素营养参数。【结果】(1)不同氮素处理下玉米原始光谱反射率之间存在差异,红波段R(660 nm)、蓝波段B(450 nm)和近红外波段NIR(840 nm)波段差异较为显著。(2)基于无人机多光谱影像提取的植被指数(EVI、GARI、REOSAVI、SIPI和MCARI)、单纹理特征(var_(450)、var_(660)、mean_(840)、dis_(720)和hom_(840))和组合纹理指数NDTI均可用于VT-R1阶段玉米LNC、PNC、LNA及PNA估测,其中基于植被指数的GWO-CNN模型对LNC、PNC、LNA和PNA的估测效果优于单纹理特征和纹理指数模型,R^(2)分别为0.831、0.761、0.826和0.770。(3)融合植被指数和纹理指数的GWO-CNN模型对LNC、PNC、LNA和PNA估测精度明显高于植被指数和纹理指数,R^(2)分别为0.921、0.901、0.917和0.892,较单一光谱信息最优估测模型精度R ^(2)分别提高了9.77%、15.54%、9.92%和13.68%。【结论】融合多光谱的植被指数和纹理指数能够有效提高玉米氮素营养估测精度,较好地评估玉米氮素分布情况,为田块尺度下基于无人机平台的玉米氮肥精准管理提供新思路。