无人机飞行高度对冬小麦植株氮积累量预测模型的影响
2022-04-23井宇航张会芳戎亚思张少华王来刚刘海礁郑国清
井宇航，郭 燕，张会芳，戎亚思，，张少华，冯 伟，王来刚，贺 佳，刘海礁，郑国清
（1. 河南农业大学 农学院/省部共建小麦玉米作物学国家重点实验室，河南 郑州 450046；2. 河南省农业科学院 农业经济与信息研究所，河南 郑州 450002；3. 农作物种植监测与预警河南省工程实验室，河南 郑州 450002）
氮素是作物生长发育必不可少的营养元素，在作物的光合作用、蛋白质合成、同化过程中起着关键作用[1‑2]。在目前耕地资源紧缺、环境问题不断突出、智慧农业方兴未艾的背景下，及时监测作物氮素状况有利于氮肥精准管理[3]。传统的氮素监测需要人工采样和实验室理化分析，耗时费力[4]。遥感技术的快速发展为氮素快速监测提供了新的技术手段，从最初20 世纪80 年代的近地传感到如今的卫星遥感、无人机遥感，全方位、多角度对作物氮素的监测也越来越多。但是卫星遥感的波段信息少且易受阴雨天气影响，时间和分辨率难以灵活控制[5‑6]。近地遥感波段信息多可以满足分辨率的要求，但是目前仍然以人工操控为主，应用的范围偏小[7‑9]。无人机则具有灵活机动、时间和分辨率可控的优势，可以根据研究需要搭载不同的传感器。国内外研究者通过利用各种无人机平台搭载高光谱相机、多光谱相机、数码相机等传感器[10‑12]获取遥感影像已开展了作物长势监测、氮素估算等方面的研究，取得了一些重要结果[13‑16]。目前，在玉米[17]、大豆[18]、棉花[13]植株氮含量的监测中采用的飞行高度集中在30～100 m，预测模型和验证模型R2均在0.5以上，较好地估算了作物氮含量。但是这些模型的建立均是在一定的高度，模型的适用性以及效率需要进一步验证。
小麦作为我国主要的粮食作物之一，关系国家粮食安全[19]。随着农业现代化进程推进，农业进入4.0 时代，高标准农田建设和小型农场的发展已成为未来农业的必然趋势。通过无人机技术实现精准化管理的同时，也需构建精度高、适用性强、监测效率高的氮素监测模型。在冬小麦无人机氮素监测中，主要是以获取的冬小麦生育期遥感影像提取植被指数与氮素营养指数进行模型构建与检验[20‑22]，如刘昌华等[23]、王玉娜等[24]基于无人机搭载多光谱和高光谱成像仪获取分辨率为5、30 cm 的遥感影像建立氮素营养指数预测模型，对冬小麦植株氮含量进行了较好地估算，验证模型R2最高可达0.96。这些研究很好地推动了无人机遥感技术在作物氮素营养监测中的应用，但也存在一定的缺陷，植被指数在植被覆盖度高时，会表现出对冠层变化不敏感现象，影响反演精度和效果[25]。因此，有学者将植被指数结合纹理特征对冬小麦氮素营养进行监测，如贾丹等[26]研究表明，无人机影像分辨率介于1.00～5.69 cm 时，光谱信息对小麦植株氮浓度反演影响不大，纹理特征在一定的分辨率下可以提高模型的反演精度。但不同高度影像的光谱特征和纹理特征对氮含量预测模型的影响研究缺乏。为了探究无人机飞行高度对冬小麦植株氮积累量预测模型稳定性的影响，分析不同高度光谱特征、纹理特征对冬小麦植株氮积累量预测模型的影响，在冬小麦拔节期、开花期、灌浆期通过设置30、60、90 m 3个飞行高度，获得分辨率为1.05～3.26 cm 的无人机影像，使用偏最小二乘回归（PLSR）与BP 神经网络（BPNN）方法建立冬小麦植株氮积累量估算模型，并在不同高度进行交叉验证，探究不同分辨率下构建的冬小麦植株氮积累量估算模型稳定性，以期为氮素的高效快速监测提供技术支撑。
1 材料和方法
1.1 试验设计
试验区位于河南省周口市商水县国营农场第十四分厂（33°32′2.9′′N，114°29′1.0′′E，海拔高度约66 m）。土壤类型为砂姜黑土。试验地块常年进行氮素定位试验，具有很好的氮素水平表现性状。供试3 个冬小麦品种为鑫华麦818、郑麦103、丰德存5号（2020 年10 月23 日播种），共设置5 个施氮水平：N0（0 kg/hm2）、N6（60 kg/hm2）、N12（120 kg/hm2）、N18（180 kg/hm2）、N24（240 kg/hm2），其中50%作为底肥施入，剩余50%在拔节期追施。所有处理磷肥和钾肥用量均为150 kg/hm2和90 kg/hm2，全部作为底肥施入。水分设置2个水平，W0：仅雨水（自然状态）；W1：正常灌溉。小区空间分布如图1所示。
图1 研究区位置及小区布设分布Fig.1 Location of the study area and distribution of the field experiment
1.2 数据采集
1.2.1 无人机遥感影像数据获取及预处理 在冬小麦拔节期、开花期、灌浆期，分别选取天气晴朗、无风无云天气，通过无人机搭载K6 多光谱成像仪进行影像获取，时间为11:30—12:30。该传感器波段主要包括蓝光波段（中心波长450 nm，Blue）、绿光波段（中心波长550 nm，Green）、红光波段（中心波长685 nm，Red）、红边波段（中心波长725 nm，Red edge）、近红外波段（中心波长780 nm，Nir）。飞行前地面铺设标准反射率为5%、20%、40%、70%的4 块辐射定标板，同时使用天宝实时动态定位（Real‑time kinematic，RTK）接收机测量试验区4 个顶点及中间点的地面控制点（GCP），用于确定当前飞行位置和海拔高度。飞行时设定航向重叠率与旁向重叠率分别为70%和75%。获取的影像数据通过格式转换、影像拼接、地理信息矫正和辐射定标，获得研究区植被冠层反射率信息。对获取的影像数据和处理效率进行统计，结果见表1。随着飞行高度的增加，相同的数据获取区域，虽然损失了分辨率，但飞行时间大幅缩短，照片的数量迅速减少，后期影像处理耗时也显著降低，可以显著提高工作效率。
表1 不同高度影像分辨率和数据统计Tab.1 Image resolution and data statistics at different height
1.2.2 冬小麦植株样品采集及氮积累量测定 地面数据的采集与影像采集同步进行，在小区内选取长势均匀的区域，通过固定2 行（0.2 m）×1 m 的总茎数，取其中20个单茎样本装入密封袋。在实验室内将植株器官分离为叶片、茎和穗后分别置于纸袋中，105 ℃下杀青，80 ℃条件下烘干至恒定质量。器官粉碎后，采用K1100 全自动凯氏定氮法测定植株不同器官氮含量，通过公式（1）计算植株氮积累量。3 个生育时期共获得270 个冬小麦植株氮积累量测定值，其中每个生育时期选取60 个数据为建模集，30个数据为验证集。
1.3 研究方法与参数选取
1.3.1 研究方法 PLSR 是一种新型的多元回归分析方法[27]，它在回归建模过程中采用数据降维、信息综合与筛选技术，提取对系统最佳解释能力的新综合成分，尤其是对于只有1 个因变量多个自变量的建模具有较好的预测效果。BPNN 是一种采用误差逆向传播进行算法训练的多层前馈网络[28]，是目前最广泛应用的神经网络模型之一。正向传播是通过将隐藏层逐步处理给定输入样本数据到输出层。当输出层的输出不等于预期输出或误差大，则将其传送到反向误差。本研究使用的BP 网络训练模型的隐藏神经元个数为3，最大训练次数为1 000，网络学习速率为0.5，训练目标误差为0.001。将某一高度下的建模集植被指数、纹理特征和植株氮积累量作为训练集，对其他高度验证集植被指数与纹理特征和植株氮积累量进行模型验证，通过机器训练得到氮积累量预测结果。
模型的稳定性分析采用决定系数（Coefficient of determination，R2）、均方根误差（Root mean square error，RMSE）、相对分析误差（Residual predictive deviation，RPD）作为评价指标。R2与PRD越大，RMSE越小，表明估算模型的稳定性越好。另外，当RPD≥2 时说明模型具有极好的预测能力，当1.4≤RPD<2 时表明模型能够对样品进行粗略估测，而RPD<1.4则表明模型无法对样品进行预测[29]。
式中，xi表示第i个样本点实测氮积累量，xˉ表示实测氮积累量的平均值，yi表示第i个样本点预测氮积累量，yˉ表示预测氮积累量的平均值，n表示样本数量。
1.3.2 植被指数选取 植被指数具有一定的机理性，而且结构简单，将不同波段反射率进行组合，在一定程度上能够减少土壤等因素对植被光谱的影响。冬小麦缺氮时会表现出覆盖度降低[30]、叶面积减小[28]、叶片变黄[31]等明显的表观特征，这些特征为利用植被指数进行植株氮含量的预测提供了依据。通过查阅相关文献，选取9 种常用的氮含量预测植被指数，具体公式如表2所示。
表2 植被指数及计算公式Tab.2 Vegetation index and calculating formula
1.3.3 纹理特征提取 纹理特征反映图像灰度性质及其空间关系，扩大原始影像亮度的空间识别度，能够在一定程度上解决植被指数反演存在的饱和问题，提高反演精度[26]，而且纹理特征受到传感器和大气影响较小，尤其是无人机飞行高度较低时丰富的纹理信息对作物氮素监测非常重要。本研究利用灰度共生矩阵进行不同高度遥感影像纹理特征提取[39‑40]。提取得到的纹理特征包括8个，分别为对比度（Contrast，con）、二阶距（Second moment，sm）、方差（Variance，var）、均值（mean）、相关性（Correlation，cor）、差异性（Dissimilarity，dis）、同质性（Homogenetity，hom）、熵（Entropy，ent）。
2 结果与分析
2.1 不同高度植被指数与冬小麦植株氮积累量相关性分析
不同高度植被指数与冬小麦植株氮积累量皮尔逊相关分析结果见表3。9 个植被指数与植株氮积累量的相关系数均达到了0.05 水平的显著性。其中RERDVI 和RVI 在3 个高度中与植株氮积累量的相关系数均在0.8 以上，达到了0.01 水平的极显著性。CARI 与植株氮积累量的相关系数最小，而且随着飞行高度的增加下降明显。NGBDI 在30 m与植株氮积累量的相关系数表现为0.01 水平极显著正相关，在60、90 m 高度下与植株氮积累量的相关系数则为极显著负相关。不同的植被指数对植株氮积累量的敏感性指示方向也不同，EXG 与植株氮积累量在3个高度下表现为0.01水平极显著负相关，因此，为了保证在3个高度下植被指数与植株氮积累量的相关一致性，将除NGBDI 外的其他8 个植被指数作为建模因子。
表3 不同高度植被指数与植株氮积累量相关性Tab.3 Correlations between the plant nitrogen accumulation and vegetation indices at different height
2.2 不同高度纹理特征与植株氮积累量相关性分析
不同高度纹理特征与冬小麦植株氮积累量皮尔逊相关分析结果见表4。纹理特征随高度变化较植被指数明显，8 个纹理特征中cor与植株氮积累量的相关系数有60%未达到显著性，其相关性与其他纹理特征相比稍差。mean 除了在红边波段下与植株氮积累量相关性较小外，在其他波段与植株氮积累量的相关性优于其他纹理特征。从不同高度蓝光波段纹理特征与植株氮积累量的相关性来看，纹理特征在30 m 高度下与植株氮积累量在0.01 水平存在显著相关性，随着高度的增加，除sm、mean 在90 m 时依然与植株氮积累量在0.01 水平存在显著相关性外，其他纹理特征与植株氮积累量相关性均有明显下降。从红边波段纹理特征与植株氮积累量相关性来看，纹理特征在30 m 高度除cor 和mean与植株氮积累量在0.05 水平存在显著相关性外，其他纹理特征与植株氮积累量不存在显著相关性。从近红外波段纹理特征与植株氮积累量相关性来看，纹理特征在60 m 高度下除mean 与植株氮积累量存在0.01水平极显著相关性、cor在0.05水平存在显著相关性外，其他纹理特征与植株氮积累量不存在显著相关性。综合对比分析，绿光波段与红光波段的纹理特征随着高度的增加与植株氮积累量的相关性好于其他波段，因此，将绿光与红光波段除cor外的纹理特征作为建模因子。
表4 不同高度纹理特征与植株氮积累量相关性Tab.4 Correlations between the plant nitrogen accumulation and texture features at different height
2.3 建模因子的共线性检验
在进行线性建模时，如果两变量之间存在共线性会造成信息叠加。方差膨胀因子（Variance inflation factor，VIF）作为检验建模因子之间是否存在共线性问题的主要方法，在进行多变量选择模型构建中得到了广泛应用。当0
图2 植被指数和纹理特征的VIF分析Fig.2 VIF analysis for vegetation index and texture feature
2.4 不同高度植被指数对冬小麦植株氮积累量模型稳定性的影响
基 于 选 取 的6 个 植 被 指 数NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 采用PLSR 与BPNN建立30、60、90 m 冬小麦植株氮积累量预测模型，模型预测结果的R2、RMSE、RPD见表5。对于PLSR，利用30 m 植被指数建立的植株氮积累量预测模型使用90 m 验证集植被指数信息进行预测时R2仍能达到0.69，RPD为1.96，稳定性好。利用高度为90 m植被指数建立的植株氮积累量预测模型在30 m 验证集植被指数预测时R2与RPD分别为0.54、1.11，相比30 m 植被指数建立的模型使用30 m 验证集植被指数预测结果的R2与RPD下降了0.25、1.85，但是模型仍具有较好的预测能力和稳定性。BPNN 构建的不同高度植株氮积累量预测模型稳定性整体优于PLSR。30 m 植被指数建立的植株氮积累量模型在使用90 m 验证集植被指数进行氮积累量预测时R2、RPD分别达到0.82、2.88，与对应的PLSR 预测结果相比，R2、RPD分别提高了0.13、0.92。90 m 植被指数构建的模型使用30 m 验证集植被指数预测的R2、RPD达到了0.74、2.01，与对应的PLSR 相比，R2、RPD分别提高了0.20、0.90。
表5 不同高度植被指数的冬小麦植株氮积累量预测模型的R2、RMSE和RPD对比Tab.5 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation predicting models with different height of vegetation indices
2.5 不同高度纹理特征对冬小麦植株氮积累量模型稳定性的影响
基于选取的4 个纹理特征Green-mean、Greensm、Red-mean、Red-var 采用PLSR 与BPNN 建立了30、60、90 m 冬小麦植株氮积累量预测模型，模型预测结果R2、RMSE、RPD见表6。对于PLSR，利用30 m 纹理特征建立的植株氮积累量预测模型使用90 m 验证集纹理特征信息进行植株氮积累量预测时R2仍能达到0.57，RPD为1.67，与表5中30 m植被指数建立的植株氮积累量预测模型使用90 m 植被指数预测结果相比R2、RPD分别下降了0.12、0.29。利用高度为90 m 纹理特征建立的预测模型在30 m验证集纹理特征预测时R2与RPD分别为0.24、0.44，与30 m 纹理特征建立的预测模型使用30 m 验证集纹理特征预测结果相比R2与RPD分别下降了0.50、2.21。BPNN 构建的不同高度冬小麦植株氮积累量预测模型稳定性整体好于PLSR。30 m 纹理特征建立的模型在使用90 m 验证集纹理特征进行预测时R2、RPD分别达到0.72、2.64，与对应的PLSR 预测结果相比，R2、RPD分别提高了0.15、0.97。90 m 纹理特征构建的模型使用30 m 验证集纹理特征预测结果的R2、RPD达到了0.63、1.60，与对应的PLSR 预测结果相比，R2、RPD分别提高了0.39、1.16。与不同高度下植被指数构建的模型相比，纹理特征构建的模型稳定性下降，这主要是随着高度的增加，纹理信息受高度的影响比植被指数大。
表6 不同高度纹理特征的冬小麦植株氮积累量预测模型的R2、RMSE和RPD对比Tab.6 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of texture features
2.6 不同高度植被指数+纹理特征对冬小麦植株氮积累量模型稳定性的影响
将选取的6 个植被指数NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 和4 个 纹 理 特 征Greenmean、Green-sm、Red-mean、Red-var，采用PLSR 与BPNN方法建立了30、60、90 m冬小麦植株氮积累量预测模型，模型预测结果的R2、RMSE、RPD见表7。对于PLSR，利用30 m 植被指数+纹理特征建立的预测模型使用90 m验证集植被指数+纹理特征进行预测时，R2与RPD分别为0.76、2.46，结果优于对应的单一植被指数与纹理特征预测结果。利用高度为90 m 植被指数+纹理特征建立的预测模型在30 m验证集植被指数+纹理特征预测时R2与RPD分别为0.62、1.69，与对应的单一植被指数或者纹理特征预测结果相比稳定性有所提高。2 种方法相比，BPNN构建的冬小麦植株氮积累量预测模型稳定性整体上优于PLSR。30 m 植被指数+纹理特征建立的模型在使用90 m验证集植被指数+纹理特征信息进行预测时R2、RPD分别达到了0.81、3.03，90 m 植被指数+纹理特征建立的模型使用30 m验证集植被指数和纹理特征预测的R2、RPD达到了0.71、2.35。总体来看，结合植被指数与纹理特征构建的模型预测能力与稳定性都有所提高。
表7 不同高度植被指数+纹理特征的冬小麦植株氮积累量预测模型的R2、RMSE和RPD对比Tab.7 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of vegetation indices and texture features
2.7 融合多高度植被指数、纹理特征信息预测冬小麦植株氮积累量结果
使用PLSR 与BPNN 进行冬小麦植株氮积累量预测时发现，2种方法之间的结果存在差异，通过预测值与实测值R2、RMSE和RPD可以看出，BPNN 能够进一步提高模型的稳定性。这主要是因为PLSR属于线性回归的一种，因变量与自变量之间存在依赖性。从图3建模时不同高度植被指数与纹理特征变量重要性（Variable importance plot，VIP）值可以看出，在建立预测模型过程中，不同高度的植被指数与纹理特征变量对模型的贡献存在差异。这是导致某一高度的模型在其他高度表现出稳定性下降的原因。
图3 不同高度下植被指数与纹理特征建模时的VIP值Fig.3 VIP values of vegetation index and texture feature at different height
BPNN 在各建模情况下表现出较好的预测效果，其中植被指数+纹理特征预测效果要优于单一植被指数或纹理特征，通过分析发现，是由于BPNN的训练集中进行植株氮积累量预测的信息增多，丰富了训练集以进行模型构建，3 个高度下植被指数与纹理特征存在差异，并且与植株氮积累量都存在一定的相关性，因此，分别将3个高度下选取的植被指数、纹理特征、植被指数+纹理特征作为BPNN 训练集，并用90 m 高度的验证集信息进行冬小麦植株氮积累量的预测，预测值与实测值结果见图4。利用植被指数建立的植株氮积累量预测模型R2、RMSE、RPD分别为0.93、1.89 g/m2、3.73，利用纹理特征得到的 预测模型R2、RMSE、RPD分别为0.89、2.03 g/m2、3.54，利用植被指数+纹理特征预测模型的R2、RMSE、RPD分别为0.93、1.80 g/m2、4.03，3 个模型的预测效果和稳定性都很好，尤其是采用植被指数+纹理特征建立的预测模型较单独采用植被指数或纹理特征建立的模型精度和稳定性均有较大的提升，这也说明在一定的高度下，无人机遥感影像的植被指数和纹理特征对模型的构建均有重要作用。
图4 融合多高度植被指数、纹理特征信息的冬小麦植株氮积累量预测模型Fig.4 Prediction models of plant nitrogen accumulation combined with vegetation indices and texture features in winter wheat
3 结论与讨论
3.1 无人机飞行高度对冬小麦植株氮积累量预测模型稳定性的影响
无人机飞行高度（分辨率）与监测效率、监测精度密切相关，建立预测模型时不能忽视分辨率对模型稳定性的影响。本研究中，在监测范围不变的情况下，90 m 获取数据所用时间约为30 m 的1/7，照片数量由235张减少到32张，拼接时间由6.2 h降低到1.2 h，说明高度的增加可以大幅度提高冬小麦植株氮积累量监测效率。不同高度的光谱特征与纹理特征对构建的冬小麦植株模型稳定性影响不同，主要是因为无人机影像数据获取的是冬小麦冠层信息，影像数据易受到叶片之间遮挡、叶片大小以及叶片卷曲程度的影响。随着高度的增加分辨率降低，像元出现混合[41]，土壤与植被、冠层阴影与植被之间界限模糊，这些因素都会对获取影像的光谱、纹理特征产生影响。有研究表明，当冬小麦叶片长度在10 cm以下时，分辨率优于10 cm的影像才能辨识出这种纹理特征，但是冬小麦在生长的过程中，叶片呈现一定的倾角，叶宽对冠层光谱的影响占主要地位，这也是无人机从上方俯视获取不同氮处理的冠层颜色会出现纹理特征不同的原因。贾丹等[26]选取15～80 m 飞行高度进行冬小麦氮浓度的反演，表明当分辨率在3.49 cm 时光谱特征变化没有纹理特征变化明显，但是对于不同高度下模型的稳定性并未进行深入分析。本研究将最大高度设置为90 m（分辨率为3.26 cm），并同时设置30、60 m 2 个高度，对应分辨率分别为1.05、2.09 cm，分别研究了3 个高度下利用植被指数、纹理特征、植被指数+纹理特征建立模型的稳定性。结果表明，3 个高度构建的模型中，30 m 构建的模型稳定性最好，90 m 构建的模型稳定性相对较差，在不同高度植被指数、纹理特征、植被指数+纹理特征构建的模型中，纹理特征构建的模型相较于其他2 种模型稳定性较差，说明高分辨率影像能表现出丰富的植株群体信息，提高模型的稳定性。但获取高分辨率的影像，需要采用低的飞行高度，效率就会变低。因此，在实际应用中还需要综合考虑无人机影像获取效率，根据具体需求寻找精度和效率的平衡点。
3.2 建模方式对冬小麦植株氮积累量预测模型稳定性的影响
PLSR 是根据自变量对因变量的贡献程度来建立线性预测模型，从不同高度建模因子的VIP 值可以看出，不同高度下的建模因子对植株氮积累量的贡献程度存在差异，这也导致了PLSR 构建的线性模型适用性单一，模型稳定性容易发生变化。同时PLSR 模型在处理复杂多维度的关系与辨识系统中的信息与噪声时仍然存在短板[42]。使用不同高度数据进行交叉验证时，PLSR 模型对植株氮积累量预测能力及稳定性下降明显。BPNN 属于机器学习的一种，通过误差信号不断地修正网络权值和阈值从而得出与期望值相符的结果[43]。在本研究中，基于某一高度植被指数、纹理特征数据构建的预测模型对其他高度冬小麦植株氮积累量进行预测，90 m 高度纹理特征构建的模型用30 m 高度数据验证时，R2与RPD与对应的PLSR 模型相比分别提高了0.39、1.16，模型依然具备较好的预测能力及稳定性。通过比较基于植被指数、纹理特征、植被指数+纹理特征，采用BPNN与PLSR构建的植株氮积累量预测模型发现，BPNN 进行模型构建时，训练集信息越丰富，泛化效应越好，模型的预测效果越好。基于植被指数+纹理特征，采用BPNN 构建的模型预测R2、RMSE、RPD分 别 为0.71～0.89、1.27～3.53 g/m2、2.23～3.65，优于单一植被指数或纹理特征。因此，在保证实际可用的前提下，适当提高无人机飞行高度采用泛化能力更强的模型可以达到高效地进行植株氮积累量预测的目的。
基于低空无人机搭载多光谱传感器，通过设置不同的无人机飞行高度，利用PLSR和BPNN建立冬小麦植株氮积累量预测模型，并对模型在其他高度下的稳定性进行研究。结果表明，模型的稳定性表现为植被指数+纹理特征>植被指数>纹理特征；30、60、90 m 植被指数、纹理特征、植被指数+纹理特征建立的模型中，30 m 建立模型的稳定性最好；BPNN能够进一步提高模型的稳定性，模型适用性更好；融合多高度植被指数、纹理特征信息构建的BPNN模型能够提高对冬小麦植株氮积累量的预测精度。总体来说，在进行冬小麦植株氮积累量监测时，需要同时考虑精度要求和效率，对植株氮积累量进行大致预测时，可以选择低飞行高度结合植被指数进行模型的构建；如果对预测结果要求较高，并且对影像获取效率有要求时，就需要结合纹理特征以及机器学习对植株氮积累量进行预测，满足精度与效率的需求。
