准确、快速地监测梨树冠层氮素含量对氮肥的精准施用至关重要。无人机遥感技术是实现作物养分快速无损探测的有效手段。然而，复杂的果园环境极易影响采集的光谱图像的质量，进而影响冠层氮素反演模型的估测精度，制约着无人机遥感技术在果园养分探测中的落地应用。

近日，装备所果园智能农机装备创新团队在农业工程领域国际顶刊《Computers and Electronics in Agriculture》（中科院一区TOP，IF=8.9）上发表了题为“Improving estimation accuracy of canopy nitrogen content using the fusion of ground-space spectral imagery with machine learning in pear orchar”的研究论文。该论文提出了一种地空光谱图像融合方法来增强采集的原始冠层光谱图像，以改善梨树冠层氮素含量反演的估测精度。

在这项研究中，研究人员分别采集了梨树的冠层光谱图像，叶片氮素含量和高光谱图像。为了解决原始采集光谱图像的质量问题，研究人员创新性地提出了利用实验室环境下采集的高质量光谱图像来校准原始冠层光谱图像的技术框架。通过4SAIL模型和CIELAB颜色空间将叶片尺度光谱图像的反射率和RGB值转换为冠层尺度光谱图像的反射率和RGB值，再利用随机森林算法构建冠层原始光谱图像与模拟光谱图像的映射模型，最后通过组合映射的反射率和RGB值构建植被指数和颜色指数来构建冠层氮素含量反演模型，并筛选多模型反演结果来提升反演精度。

图1 数据采集流程图

实验结果表明，相比原始冠层光谱图像，利用映射数据构建的冠层氮素反演模型R2平均提高了0.066；通过组合植被指数与颜色指数构建冠层氮素含量模型发现，使用映射数据并且组合7植被指数和2颜色指数的反演模型效果最好，其R2、RMSE、nRMSE和MAE分别达到了0.832、0.155、8.333%和0.152。并且，通过筛选多模型反演结果，冠层氮素反演模型的R2、RMSE、nRMSE和MAE进一步改善至0.921、0.117、6.290%和0.080。上述结果证明了所提方法的有效性。

图2 冠层氮素反演模型性能比较

图3 多模型融合结果

装备所果园智能农机装备创新团队博士后孙元昊为论文第一作者，团队首席吕晓兰研究员为通讯作者。研究得到江苏省卓越博士后计划、国家梨产业技术体系和江苏省农机研发制造推广应用一体化试点专项等项目的支持。此研究可为梨园梨树冠层氮素的高精度反演和氮肥施用处方的制定提供重要参考，有望进一步推动无人机遥感技术探测果树养分在果园中的实际应用。

文章DOI：10.1016/j.compag.2025.111075

链接：https://www.sciencedirect.com/science/article/pii/S0168169925011810