氮是作物生长的关键营养素，影响作物生长发育、产量和质量。总氮含量（TNC）是作物氮状态的主要指标，监测TNC可以揭示其营养状况，并促进有效的田间管理。传统的氮含量测定方法有损、耗时、费力、耗材。虽然出现了叶绿素计等无损方法来估计氮含量，但它们并不能完全反映植物的整体状况。随着无人机遥感技术的发展，使用无人机搭载传感器可以高通量和无损的方式进行土壤和作物TNC监测。

纹理信息是遥感图像的重要补充，有助于识别图像中物体或区域的重要特征。不同的氮处理会影响作物生长，导致植物株高差异、结构差异以及叶片大小和颜色的变化，最终导致光谱图像中纹理特征的变化。之前的大多数研究只分析了RGB纹理特征，使用RGB和多光谱纹理特征全面评估氮含量的研究较少。

本研究在三种氮处理下种植了30个冬小麦品种，结合无人机多传感器（RGB和多光谱）光谱和纹理特征，使用四种机器学习模型，即高斯过程回归( GPR )、随机森林回归( RFR )、岭回归( RR )和弹性网络回归( ENR )，融合数据和Stacking集成学习方法来预测冬小麦抽穗期的TNC。结果表明，加入纹理特征提高了基于光谱特征构建的TNC预测模型的精度，且随着输入特征量的增加，模型精度也随之提高。GPR、RFR、RR和ENR模型对TNC预测的R2在0.382 ~ 0.697之间。在这些模型中，集成学习方法产生了最好的TNC预测效果( R2 = 0.726 , RMSE = 3.203 mg·g-1 , MSE = 10.259 mg·g-1, RPD = 1.867 , RPIQ = 2.827)。研究结果表明，通过数据融合和集成学习可以实现基于无人机多传感器光谱和纹理特征的TNC准确预测，为未来精准农业研究提供了一种有价值的高通量表型分析方法。

图1 试验地区与小区。3种不同氮处理下的冬小麦种植于中国农业科学院新乡综合试验基地。

图3 采集数据的无人机设备。(a) DJI M210，(b) DJI Phantom 4 Pro，(c)红边MX多光谱传感器，(d) RGB 传感器。


图4 集成学习模型框架。GPR高斯过程回归、RFR随机森林回归、RR岭回归、ENR弹性网络回归，不同模型的p个预测。


图7 基于集成学习模型七个输入特征中每个特征构建的最佳TNC预测模型的观测值和预测值。RT RGB纹理特征、MS多光谱光谱特征、MT多光谱纹理特征。基于3个特征组合的预测模型其R2高于单个或两个特征组合的预测模型。



图8 基于最佳预测模型生成的TNC预测分布图

文献来源：Li, Z.; Zhou, X.; Cheng, Q.; Fei, S.; Chen, Z. A Machine-Learning Model Based on the Fusion of Spectral and Textural Features from UAV Multi-Sensors to Analyse the Total Nitrogen Content in Winter Wheat. Remote Sens. 2023, 15, 2152. https://doi.org/10.3390/rs15082152