基于无人机载多光谱的烤烟叶片氮含量评估

doi:10.16178/j.issn.0528-9017.20231115

浙江农业科学 ›› 2025, Vol. 66 ›› Issue (5): 1158-1162.DOI: 10.16178/j.issn.0528-9017.20231115

基于无人机载多光谱的烤烟叶片氮含量评估

金磊¹(), 张驰²^,^*(), 邵小东³, 杜军¹, 田晶晶¹, 刘宇¹

1.安徽皖南烟叶有限责任公司,安徽宣城 242000
2.北京市农林科学院, 北京 100000
3.云南省烟草公司红河州公司,云南弥勒 652300

收稿日期:2023-11-17 出版日期:2025-05-11 发布日期:2025-05-20
通讯作者: 张驰(1984—),男,四川成都人,副研究员,博士,研究方向为农业信息化,E-mail:zhangc@nercita.org.cn。
作者简介:金磊(1988—),男,安徽六安人,农艺师,硕士,研究方向为无人机农业信息化应用,E-mail:jinlei2004@163.com。
基金资助:
安徽皖南烟叶有限责任公司科技项目(20220563004)

Assessment of nitrogen content in flue-cured tobacco leaves based on UAV-loaded multiple spectrum

JIN Lei¹(), ZHANG Chi²^,^*(), SHAO Xiaodong³, DU Jun¹, TIAN Jingjing¹, LIU Yu¹

1. Anhui Wannan Tobacco Leaf Co., Ltd., Xuancheng 242000, Anhui
2. Beijing Academy of Agriculture and Forestry Sciences, Beijing 100000
3. Yunnan Tobacco Company Honghe Prefecture Company, Mile 652300, Yunnan

Received:2023-11-17 Online:2025-05-11 Published:2025-05-20

摘要/Abstract

摘要：

该文研究无人机载多光谱遥感技术对大田烟叶氮素评估的可行性与有效性,为大面积集中连片种植的烟田提供一种高效、准确、无损的氮素营养诊断方式。2023年,在石屏县设置了不同处理的田间试验,并通过无人机载多光谱飞拍和田间采样获取小区多光谱图像数据和烟叶氮含量数据,利用多元线性回归(MLR)、偏最小二乘(PLSR)、随机森林(RF)等多种机器学习算法构建烟叶冠层多光谱特征与叶片氮含量之间的定量关系模型。结果表明,MLR构建的模型稳定性最高,RF构建的模型取得最高的相关度和最低的误差。本研究证实了多光谱遥感在大田烟叶氮素诊断方面的可行性,并取得了较好的结果,为更多烟草农学参数的遥感反演提供了参考。

关键词: 无人机, 烤烟, 多光谱遥感, 氮素诊断, 机器学习

Abstract:

To study the feasibility and effectiveness of multispectral remote sensing technology in field tobacco nitrogen assessment, and to provide an efficient, accurate and non-destructive nitrogen nutrition diagnosis method for large area concentrated tobacco fields, in 2023, field experiments with different treatments were set up in Shiping County. Data on plot multispectral images and tobacco leaf nitrogen content were collected through drone-based multispectral aerial photography and field sampling. Various machine learning algorithms, including multiple linear regression (MLR), partial least squares regression (PLSR), and random forest (RF), were used to construct quantitative relationship models between multispectral characteristics of the tobacco canopy and leaf nitrogen content. The results showed that the model built by MLR had the highest stability, while the model constructed by RF achieved the highest correlation and the lowest error. This study confirms the feasibility of using multispectral remote sensing for diagnosing nitrogen content in field tobacco leaves and has promising results, providing a reference for the remote sensing inversion of more agronomic parameters in tobacco cultivation.

Key words: UAV, flue-cured tobacco, multispectral remote sensing, nitrogen diagnosis, machine learning

中图分类号:

S572

金磊, 张驰, 邵小东, 杜军, 田晶晶, 刘宇. 基于无人机载多光谱的烤烟叶片氮含量评估[J]. 浙江农业科学, 2025, 66(5): 1158-1162.

JIN Lei, ZHANG Chi, SHAO Xiaodong, DU Jun, TIAN Jingjing, LIU Yu. Assessment of nitrogen content in flue-cured tobacco leaves based on UAV-loaded multiple spectrum[J]. Journal of Zhejiang Agricultural Sciences, 2025, 66(5): 1158-1162.

图/表 4

表1 叶片氮含量

Table 1 Leaf nitrogen content 单位:mg·g-1

数据集	数量	最大值	最小值	平均值	标准差
总样本集	45	44.37	14.48	30.85	8.34
测试集	27	44.37	14.48	30.10	8.23
训练集	18	42.62	17.24	31.99	8.38

图1 MLR构建烟叶氮含量评估模型

Fig.1 Nitrogen content evaluation model of tobacco leaves using MLR

图2 PLSR构建烟叶氮含量评估模型

Fig.2 Nitrogen content evaluation model of tobacco leaves using PLSR

图3 RF构建烟叶氮含量评估模型

Fig.3 Nitrogen content evaluation model of tobacco leaves using RF

参考文献 15

[1]	GU Q, SHENG L, ZHANG T H, et al. Early detection of tomato spotted wilt virus infection in tobacco using the hyperspectral imaging technique and machine learning algorithms[J]. Computers and Electronics in Agriculture, 2019, 167: 105066.
[2]	窦玉青. 基于高光谱技术的烟草含氮化合物估测模型研究[D]. 泰安: 山东农业大学, 2016.
[3]	ZHANG M Z, CHEN T E, GU X H, et al. UAV-borne hyperspectral estimation of nitrogen content in tobacco leaves based on ensemble learning methods[J]. Computers and Electronics in Agriculture, 2023, 211: 108008.
[4]	边琳, 叶飞, 王建雄. 基于无人机低空多光谱遥感监测的烤烟株高研究[J]. 山东农业科学, 2020, 52(12): 126-132.
[5]	王帅, 郭治兴, 梁雪映, 等. 基于无人机多光谱遥感数据的烟草植被指数估产模型研究[J]. 山西农业科学, 2021, 49(2): 195-203.
[6]	叶大鹏, 黄俊昆, 秦华, 等. 基于多光谱与深度学习技术的皱褶初烤烟叶等级识别[J]. 福建农林大学学报(自然科学版), 2022, 51(2): 282-288.
[7]	杨栋淏, 陈成. 基于UAV多光谱遥感的相邻地块烤烟施药对比监测[J]. 现代化农业, 2022(4): 60-62.
[8]	ZHANG R N, ZHANG J Q, KUAI Y, et al. Estimation of tobacco leaf chlorophyll content under different nitrogen levels using UAV-based multispectral camera[C]// International Conference on Agri-Photonics and Smart Agricultural Sensing Technologies (ICASAST 2022). June 10-12, 2022. Zhengzhou, China. SPIE, 2022: 45-49.
[9]	赖佳政, 李贝贝, 程翔, 等. 基于无人机高光谱遥感的烤烟叶片叶绿素含量估测[J]. 智慧农业(中英文), 2023, 5(2): 68-81.
[10]	刘红芸, 吴雪梅, 李德仑, 等. 基于高光谱技术的采摘期烟叶水分含量研究[J]. 中国农机化学报, 2021, 42(9): 157-163.
[11]	孙阳, 李青山, 谭效磊, 等. 鲜烟叶高光谱特征与颜色分析及其关系研究[J]. 中国烟草学报, 2018, 24(4): 55-64.
[12]	李朋彦. 基于无人机高光谱遥感的烤烟生长监测[D]. 郑州: 河南农业大学, 2019.
[13]	LIU N F, TOWNSEND P A, NABER M R, et al. Hyperspectral imagery to monitor crop nutrient status within and across growing seasons[J]. Remote Sensing of Environment, 2021, 255: 112303.
[14]	ZHANG M Z, CHEN T E, GU X H, et al. Hyperspectral remote sensing for tobacco quality estimation, yield prediction, and stress detection: a review of applications and methods[J]. Frontiers in Plant Science, 2023, 14: 1073346.
[15]	贾康, 施文泼. 提高烟草税对CPI和就业的影响与对策[J]. 财经智库, 2020, 5(5): 58-78, 141-142.

基于无人机载多光谱的烤烟叶片氮含量评估

Assessment of nitrogen content in flue-cured tobacco leaves based on UAV-loaded multiple spectrum

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨德海, 马骏洁, 彭小祠, 赵伟金, 谢益燕, 杨艳, 冯灿湖, 彭仁, 黄伟, 薛波, 王彦楠, 欧阳铖人. 不同打顶措施对大理烟区K326产量和质量的影响[J]. 浙江农业科学, 2025, 66(5): 1163-1166.
[2]	骆琴, 姚晓明, 寿萌辉, 周宇杰. 不同助剂对植保无人机防控水稻病虫害效果的评价[J]. 浙江农业科学, 2025, 66(4): 986-991.
[3]	刘建军, 曹安全, 彭玖华, 王利祥, 陈和青, 杨再军, 张丰收, 薛刚. 微生物菌剂对土壤微生物及烤烟产量和质量的影响[J]. 浙江农业科学, 2025, 66(1): 79-85.
[4]	刘国侠, 王绍美, 徐方正, 程廷明, 毛东平, 张广雨, 耿锐梅, 蒋彩虹, 朱启法. 皖南优质烤烟新品种(系)生态适应性定位筛选研究[J]. 浙江农业科学, 2024, 65(9): 2075-2085.
[5]	方铁飞, 姚晓明, 周宇杰. 植保无人机不同喷液量对抗性二化螟防治效果的影响[J]. 浙江农业科学, 2024, 65(7): 1663-1666.
[6]	孙玉晓, 田建伟, 杨海洲, 刘焰, 聂斌, 张宁新, 王刚, 尹忠春, 彭五星. 有机氮部分替代化学氮对烤烟产质量及化学成分的影响[J]. 浙江农业科学, 2024, 65(6): 1340-1345.
[7]	蔡毅, 杨建, 杨洋, 程智敏, 谢冰, 唐明, 杨懿德, 鄢敏. 烤烟新品种在宜宾烟区的综合性状评价[J]. 浙江农业科学, 2024, 65(6): 1346-1350.
[8]	康辉, 陈思原, 罗云霞, 张宝, 马扬扬, 周航, 陈红丽, 杨艾勇. 烤烟提钾降氯技术研究进展[J]. 浙江农业科学, 2024, 65(6): 1351-1357.
[9]	张文军, 熊橙梁, 张庆富, 姚未远, 夏滔, 郭松, 杨柳. 肥料增效剂对烤烟生长发育及上部烟叶产质量的影响[J]. 浙江农业科学, 2024, 65(2): 314-319.
[10]	范晓苏, 梁芳婷, 贾海江, 首安发, 方明棵, 沈方科, 罗源群. 喷施硼钼肥对贺州植烟区烤烟产质量的影响[J]. 浙江农业科学, 2024, 65(12): 2864-2868.
[11]	何晓冰, 卜亚艇, 许跃奇, 黄昆鹏, 陈旭初, 贾志斌, 孙聚涛. 不同微生物菌剂对烤烟根际微生物群落的影响[J]. 浙江农业科学, 2024, 65(12): 2869-2877.
[12]	席元肖, 刘中庆, 李森, 高政绪, 王德权, 王玉华, 方敏. 潍坊烟区不同品种烤烟化学成分差异及评价[J]. 浙江农业科学, 2024, 65(12): 3005-3009.
[13]	应俊杰, 余山红, 方辉, 冯永斌, 项加青, 戴彬凤, 明珂, 钟列权. 基于植保无人机的农艺融合技术应用与植保社会化服务体系建设分析[J]. 浙江农业科学, 2024, 65(10): 2259-2265.
[14]	王宇, 杨坤, 饶维冬, 冯第飞, 汪泓, 肖玖军, 张胜国. 无人机高光谱数据的辣椒SPAD值反演[J]. 浙江农业科学, 2024, 65(10): 2323-2337.
[15]	陈启龙. 烤烟新品系在漯河的适应性研究[J]. 浙江农业科学, 2024, 65(10): 2411-2416.