氮（N）是作物生长和质量的重要营养素，但不当施用氮肥可能对作物生产力和环境造成负面影响。为应对这一挑战，无人机（UAV）遥感作为一种成本效益高的替代方案，逐渐取代了传统的破坏性田间采样和实验室分析。此文提供了一项全面的文献综述，整合了当前和潜在的生理及光谱指标，用于评估作物氮状态，并比较各自的优缺点。此外，还分析了四种不同的作物氮素检索方法的利弊。
2024年10月24日，中国农大李道亮教授在Computers and Electronics in Agriculture发表了一篇题为“Application of unmanned aerial vehicle optical remote sensing in crop nitrogen diagnosis: A systematic literature review”的综述，对目前和潜在的用于评估作物氮状况的生理和光谱指标进行了全面的文献综述，并比较了它们各自的属性。
文献检索显示，近五年无人机光学遥感在作物氮状态诊断中的应用显著增加。通过Web of Science和Google Scholar筛选出92篇相关论文，主要研究对象为小麦、水稻和玉米，使用多光谱（MS）传感器的研究占主导。超过70%的研究采用氮含量、氮浓度和氮营养指数作为指标，线性和非线性回归方法的应用也在上升，尽管基于物理的方法在无人机遥感中的应用仍较少，但其可解释性和可转移性较强。
图 1.2018-2023年期间通过无人机数据评估作物氮状况的文献统计，包括 （a） 不同的作物，（b） 不同的传感器类型，以及 （c） 不同的可检索指标
图 2.2018-2023年基于不同方法评估作物氮状况的文献统计
2.用于遥感作物氮监测的可检索指标
在遥感作物氮监测中，存在可检索的氮素评价指标，这些指标可以分为直接和间接可检索指标。
1.直接可检索指标
直接指标主要通过区域基准的“N面积”（表示每单位叶面积的氮质量，利用凯氏定氮法或燃烧分析法确定）和质量基准的“N%”（作物组织中氮占总干物质的百分比）来评估作物氮状况。N面积常受生物量影响，但对氮与光的相互作用有较好描述；N%则不受密度变化显著影响。
氮状态指标：
冠层氮密度（CND）：结合冠层结构和叶片氮含量，表示单位土地面积的氮总量。
氮营养指数（NNI）：反映作物的氮营养状况，但对追肥所需氮量的量化有限。
氮充足指数（NSI）：比较非限制N状态与参考N状态，评估氮供应，但依赖参考值的可用性。
2.间接可检索指标
间接指标通常与叶绿素（Chl）相关，因Chl是叶片氮的主要组成部分。常用的参数包括：叶片Chl浓度（以每单位叶面积的氮质量表示）和叶片Chl含量（以每单位鲜叶重量的氮质量表示）。冠层Chl密度：每单位地面面积的总Chl含量，通常通过经验方法检索。
尽管Chl与N之间的相关性被广泛利用，但其受到多种因素（如辐照度、叶厚度、营养缺乏等）影响，且相关性并不稳定。因此，建议优先使用冠层水平指标（如CND、Chl密度和NNI），以更全面反映作物的氮状况，尤其是在植物生长周期的不同阶段。
图 3.几个具有作物氮管理潜力的Chl仪表
3.光学遥感数据的氮（N）反演方法
主要分为两大类：统计或实证方法和基于物理的方法。整体上，反演方法又可细分为四个主要类别：
图 4.不同类别的作物N检索方法之间的关系
图 5.基于参数回归方法的作物N反演流程图
图 6.基于非参数回归方法的作物N反演流程图
图 7.基于RTM的作物N反演流程图
图 8.基于杂交方法的作物N反演流程图
1.参数回归技术
基于预定义数学函数，广泛应用于作物氮状态监测。通常采用植被指数（VI）或光谱指数，通过回归分析建立光谱波段与生物物理参数之间的关系。
植被指数的分类：单一反射率值或两个特定波长反射率之差；反射率的简单比率；归一化差值比；基于反射率特征导数的索引。
在多光谱（MS）和高光谱（HS）遥感中，结合适当的波段可显著提升氮检索精度。不过，参数回归方法的缺陷在于未能完全利用连续光谱数据，且对噪声敏感，可能出现欠拟合。
2.非参数回归方法
不依赖于预设模型参数，动态调整权重以最小化提取误差。分为线性和非线性两种。
2.1线性非参数回归
1.偏最小二乘回归（PLSR）：有效处理多重共线性和高维数据，构建新的潜在分量。
2.逐步多元回归（SMLR）：识别显著影响因变量的自变量，存在过拟合风险。
3.岭回归（RR）：通过惩罚项控制模型复杂度，提高泛化能力。
4. LASSO：通过约束回归系数进行变量选择与简化模型，适用于高维数据。
2.2非线性非参数回归
人工神经网络（ANN）：能够捕捉复杂非线性关系，主要形式包括：
1.反向传播神经网络（BPNN）：通过反向传播算法进行自我训练，优化预测能力。
2.径向基函数神经网络（RBFNN）：擅长插值和函数逼近。
3.贝叶斯回归神经网络（BRNN）：融入贝叶斯原理，通过概率分布管理复杂性，防止过拟合。
3.基于物理的方法：
该类别利用物理原理模拟光与植物冠层的相互作用，提取氮信息，通常具备更高的准确性。基于物理的方法依赖于对电磁辐射与植被和土壤相互作用的基本原理的理解，旨在通过生物物理和生化特性的建模推导出与遥感数据相对应的特性。这些模型通常使用辐射传输模型（RTM）来模拟光学特性和冠层反射率，并通过反演技术从遥感图像中提取相关的生物物理参数。相较于统计方法，基于物理的方法不受生长阶段和环境因素的影响，通常具有更好的泛化能力和稳健性。
4.混合方法:
混合方法是将两种或多种不同的技术或方法结合起来，目的是利用各自的优势以克服限制并提升整体性能。在遥感、机器学习（ML）和作物氮（N）建模的背景下，混合方法通常结合基于物理的模型与统计模型，以提高反演精度和模型适用性。混合方法通过结合基于物理的模型和统计模型的优势，创造出更有效和通用的解决方案，弥补了每种方法的固有弱点。这种方法在作物氮状态的估计中展现了良好的应用前景，能够有效利用模拟数据来补充测量数据，提高模型的可靠性和适用性。
4.无人机平台在农作物氮监测中的应用
无人机平台在图像采集的部署时间、范围和周期方面起着关键作用。在农作物氮监测领域，常用的农业轻型无人机主要包括固定翼、旋翼和混合动力无人机。
1.固定翼无人机：高速和高巡航高度，能够覆盖更大的区域。精度可达到厘米级。
续航能力强，有效载荷能力高。
2.旋翼无人机：能在较低高度和速度下飞行，数据分辨率可达到亚厘米级，适合小区域的精细监控。机械结构简单，适合于稳定性飞行测试和自主导航控制。增加旋翼数量可降低碰撞风险并提高飞行稳定性。
3.混合动力无人机： 结合了多旋翼的垂直起降能力和固定翼的巡航能力，适合在多种环境下操作。提供更大的航程和更快的飞行速度，适合耐力和机动性任务。
图 9.用于作物氮诊断的无人机类型;（a） 固定翼，（b） 旋翼，（c） 混合翼
5.无人机数据的处理流程：
5.1.生成UAV产品的工作流程
图 10.无人机数据收集和处理的流程图
1.数据收集
规划飞行：确定飞行区域、高度和重叠率，并设置相机参数。
图像捕获：无人机在预定区域内拍摄多个重叠的图像，并可在现场设置地面控制点（GCP）以提高模型精度。
2.数据预处理
图像质量检查：确保图像清晰，避免模糊或过度曝光。
标记GCP：添加参考点，以帮助后续处理。
3.摄影测量处理
图像对齐：确定相机位置，生成稀疏点云。
密集点云生成：从稀疏点云创建密集点云，并利用其生成带纹理的3D网格模型，以增强真实感。
4.后处理
生成数字表面模型（DSM）：从密集点云或3D网格生成DSM，必要时生成数字高程模型（DEM）。正射镶嵌创建：校正影像以消除变形，生成正射镶嵌，并用多光谱或热红外影像生成植被指数等分析产品。
5.产品输出
导出产品：将DSM、DEM、正射镶嵌及其他产品以通用格式导出，同时生成报告，记录工程详细信息、方法和结果。
特殊考虑
多光谱（MS）传感器：在数据预处理阶段，需对每个波段进行辐射校准和几何校准，确保不同波段的兼容性。
高光谱（HS）传感器：需要更多的数据重叠和较慢的飞行速度，数据经过复杂的辐射校准、几何校准和噪声处理。
5.2.摄影测量软件比较
1. Agisoft Metashape：高精度和可定制的工作流程，适合较小规模的农业分析。擅长处理高分辨率图像以生成精细的3D模型。支持多个平台（Windows、macOS、Linux）。
2. Pix4D：处理1到200 MP的输入图像，支持多达10,000个图像。特别适合农业监测，提供专用的Pix4Dfields模块。
3. ContextCapture：专为大规模3D建模任务设计，适合大面积农业监测。与GIS和BIM工具无缝集成。
4. DJI Terra：针对DJI无人机优化，简化数据采集和处理流程。能快速处理大规模图像数据，生成高精度的地理空间产品。
6.光学遥感评估作物氮状况的潜力
6.1. RGB成像：
RGB传感器经济实惠且操作简单，能高效捕捉作物颜色变化，这与叶片中的氯含量相关。RGB图像提取的植被指数（VI）及颜色特征能准确反映作物的生长和营养状态，结合纹理和光谱信息可以提高氮密度的估计精度。通道受限，无法有效捕获红边和近红外波段，难以区分不同的营养缺失症状。
6.2.光谱成像：
光谱成像传感器可收集全面的光谱数据，显著提高对叶片氮状态的评估精度。
（1）多光谱成像（MS）：适合精准农业，结合光谱信息与作物形态参数进一步提高氮状况评估的准确性。
（2）高光谱成像（HS）：相比于多光谱成像，HS技术可以捕捉更多波段，提供更详细的光谱数据，这对氮监测尤为重要。数据处理复杂，需解决波段间冗余和噪声问题，只有少量特征是有用的，因此需有效进行特征提取和降维。HS遥感技术在氮监测中展现出巨大潜力，尽管面临诸多挑战，值得持续探索与发展。
图 11.干叶光谱、鲜叶光谱和冠层光谱17个与Chl、蛋白质和N相关的吸收特征
7.多传感器信息融合
多传感器信息融合通过整合来自多个传感器的数据，提供比单一传感器更可靠和准确的信息，尤其在作物营养估计方面受到重视。这种方法通过融合光谱、空间、结构和辅助信息，提高作物性状估计的精度。
1. 融合层次
低级融合：直接结合原始传感器测量（数据融合）。
中级融合：提取并合并特征（特征融合）。
高级融合：集成多个决策过程的输出（决策融合）
。
融合技术
融合技术范围从简单的统计方法（如平均和加权求和）到复杂算法（如贝叶斯推理、卡尔曼滤波、Dempster-Shafer理论和人工神经网络）。
（1）异构影像融合：整合不同空间、光谱、时间分辨率或成像原理的影像数据。
（2）来自异构传感器的数据融合：整合不同类型传感器（如光学、微波、LiDAR和温度传感器）获取的多模态数据。
3.挑战与前景
尽管已有研究评估无人机传感器在氮营养监测中的效果，但不同传感器数据的整合及其在氮状况评估中的潜力尚未充分开发。当前融合算法需解决保持光谱完整性的问题，尤其是在无人机数据中，几何失真和配准误差可能引入光谱失真。此外，空间和时间分辨率、光谱范围及数据格式的差异也增加了数据集成和分析的难度，影响氮监测的准确性和可靠性。
8.当前作物氮估算研究的局限性
8.1.现有作物氮倒置指标的不足
当前研究主要依赖冠层光谱测量来评估作物氮（N），但N在叶片干重中仅占0.3%至6.4%。虽然与叶绿素（Chl）相关的变量常被用作氮状态的代理，但其与氮的关系脆弱，受作物种类、生长阶段和气候条件影响，可能导致误导性结论。
8.2.背景对作物冠层反射率的影响
在多光谱（MS）或高光谱（HS）图像中，像素可能包含多个地面物体的特征，导致混合光谱响应，特别是在传感器分辨率不足时。背景元素（如土壤和植被阴影）在树冠覆盖率低时显著影响光谱反射率，增加了氮估计的不确定性。尽管开发了专门的植被指数（VI）和光谱解混方法来减轻干扰，其在氮估计中的应用潜力仍待验证。
8.3.不同生育期对作物氮估算的影响
氮在不同年份、季节和生长阶段的分配动态变化，尤其是“氮稀释”效应，导致植物氮百分比降低。这种现象在营养生长阶段尤为明显，影响基于光谱的信息推导氮含量的准确性。确定最佳监测氮状况的生长阶段至关重要。季节变化也显著影响基于物理模型的性能。
8.4.作物冠层内的氮分布不均匀
氮在作物冠层中的垂直分布表现出明显的异质性，受冠层结构、植物种类、种群密度和生育期等因素影响。氮需求超过吸收时，氮会从下部叶片转移到顶部叶片，导致缺氮症状在上层叶片中更早出现。大多数遥感技术未能有效考虑这种垂直梯度，建议在早期生长阶段量化冠层内的氮分布以提高氮状况指标的准确性。
8.5.遥感影像预处理的挑战
遥感影像的预处理是无人机数据分析的基础，包括辐射校准、几何校正和图像融合。辐射校准确保数据在辐射特性上的可比性，但由于大气、光照和传感器特性等因素，数据可能产生偏差，影响分析的可靠性。此外，采集时间和传感器类型的差异可能导致空间和光谱失真，亟需改进无参考指标以评估影像融合质量，推动该领域的研究。
8.6. DL技术在作物氮估算中的局限性
深度学习（DL）因其强大的特征学习能力，适合处理复杂数据集以表征作物氮状态与冠层反射率之间的关系。然而，训练有效的DL模型需要大量标记样本，而在实际农业中获取这些数据非常困难。因此，迁移学习（TL）成为一种有效解决方案，已在精准农业中开始应用。自我监督学习（SSL）作为TL的一种形式，通过未标记数据生成伪标签，能够有效捕获光谱相关性并提高氮状态的预测准确性。尽管SSL在作物氮估算中的应用潜力巨大，但相关研究仍较为稀缺，且数据集的时效性和一致性问题需进一步解决。
8.7.多源数据整合对作物氮估算的影响
无人机光谱数据能实时提供作物生长、病虫害和养分状况的信息，但这些数据受到温度、湿度、光照和降水等环境因素的影响。整合环境、气象与农田数据能够更好地解释光谱变化，提高氮状况的诊断准确性。动态整合实时或历史环境数据能够指导农业管理决策，如施肥和施药时机。尽管跨域数据分析在作物氮监测中展现出潜力，但仍需进一步探索和验证。
8.8.无人机遥感数字化足迹带来的挑战
“数字化足迹”是指在数据收集过程中产生的大量数据。
1.计算能力需求：大型数据集需要强大的计算能力进行处理，分析速度滞后可能影响决策的及时性。
2.存储需求：高分辨率图像和高光谱数据需要大量存储空间，增加了对硬件和云存储平台的要求。
3.数据传输复杂性：数据共享和传输变得复杂，尤其在网络条件不佳的情况下。
4.冗余信息：大型数据集中可能存在大量冗余信息，提取有价值的数据成为技术挑战。
文章强调了无人机遥感在监测作物氮状况中的重要性，确保高产并降低氮肥使用的环境风险。未来研究应关注精准检索指标、不同生长阶段对氮监测的影响，以及跨域数据集成。此外，整合实时及历史环境、气象和农田数据对氮管理决策至关重要，能帮助农民做出更明智的管理决策。无人机遥感在优化作物氮管理方面前景广阔，未来应重点发展更适应性和可转移性的氮监测模型，以推动精准农业和可持续环境管理。
