近日，中国农科院灌溉所节水高效灌溉技术与装备创新团队通过融合异质集成学习方法（stacking）处理的遥感图像纹理特征，改进利用无人机多传感器光谱特征数据构建的冬小麦全氮含量反演模型，有效提高了全氮含量的预测精度。相关研究成果在线发表在《遥感》（《remote sensing》）上。

作物氮素状况反映植株光合作用与产量，其准确诊断是精准农业的重要支撑。无人机遥感技术能提取作物大面积长势信息，近年来广泛应用于植株全氮含量预测领域，且准确性持续上升。

科研人员依托前期研究成果，在高斯过程回归(GPR)、随机森林回归(RFR)、岭回归(RR)和弹性网络回归(ENR)4种机器学习算法进行数据融合的基础上，加入stacking集成学习方法技术分析图像纹理特征改进模型，具有大面积快速、高效评估冬小麦氮素含量的优势，能实现冬小麦全氮含量的预测精度提升的目标。研究利用3种不同肥力下30个小麦品种抽穗期植株全氮含量评价新模型冬小麦全氮含量预测精度，结果显示，添加纹理特征可以提高基于光谱特征构建的TNC预测模型的准确性，并且随着模型输入更多特征，准确性会进一步提高，研究为精准农业提供了理论支撑。

研究得到中央公益性科研院所基本科研业务费、“十四五”国家重点研发课题以及河南省重大科技项目资助。

原文链接：（doi.org/10.3390/rs15082152），

图1集成学习模型框架。GPR高斯过程回归，RFR随机森林回归，RR岭回归，ENR弹性网络回归，p不同模型的预测值。

图2基于七个输入特征中的每一个构建的最佳TNC预测模型的观测值和预测值。RT RGB纹理特征，MS多光谱光谱特征，MT多光谱纹理特征。

图3最佳TNC预测分布图。