A practical model and online tool to predict cover crop nitrogen content and carbon-to-nitrogen ratio via remote sensing
N. Kaur · C. White · A. Lefever 等 7 人
用无人机和卫星遥感结合积温与物种，构建覆盖作物氮含量及碳氮比预测模型并开发在线工具。
260个覆盖作物样本，随机森林与广义加性模型，UAV/卫星NDVI、NDRE、G
随机森林预测精度高（N含量R²>0.74，C:N比R²>0.86），UAV-NDRE对N含量解释力最
可探索多源遥感融合与实时在线工具在精准氮肥推荐中的田间验证和推广。
基于无人机与卫星遥感的覆盖作物氮素与碳氮比预测模型并落地在线工具，方法扎实、数据规模可观，对精准施肥有直接应用价值。
摘要 目的 估算覆盖作物（cover crop，CC）氮（N）含量及碳氮比（C:N）对于指导后续经济作物的氮肥推荐至关重要，但目前缺乏便于从业者采用的预测工具。本研究旨在（1）利用无人机（Uncrewed Aerial Vehicles，UAV）和卫星影像获取的归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）和归一化差异红边指数（Normalized Difference Red Edge Index，NDRE），结合生长度日（growing degree days，GDD，基准温度5 °C）和覆盖作物物种，开发预测覆盖作物氮含量和碳氮比的模型；（2）将所开发模型整合至在线应用程序中。方法 在切萨皮克湾流域宾夕法尼亚州10个县采集了260余份覆盖作物生物量样品，涵盖多种物种（小黑麦、黑麦、小麦、芸薹属、豆科及混播）。评估了四种模型：（1）无人机NDVI + GDD + 物种，（2）无人机NDRE + GDD + 物种，（3）卫星NDVI + GDD + 物种，（4）卫星NDRE + GDD + 物种。结果 基于10折交叉验证，随机森林模型（氮含量R² > 0.74，碳氮比R² > 0.86）总体上比广义加性模型（氮含量R² > 0.70，碳氮比R² > 0.85）解释了更多的变异。GDD和植被指数是氮含量的最强预测因子，而GDD和物种组对碳氮比影响最大。在独立站点-年份验证中，无人机NDRE对覆盖作物氮含量变异的解释能力最强（R² = 0.82），且两个基于无人机的模型（R² = 0.52）在碳氮比预测方面均比卫星模型解释了更多的变异。结论 随机森林模型准确预测了覆盖作物氮含量和碳氮比，并已整合至在线应用程序中以支持精准农业实践。