近日，南京農(nóng)業(yè)大學園藝學院房婉萍教授團隊，利用無人機遙感與數(shù)字化技術實現(xiàn)江蘇省代表性茶園樹體長勢的智能無損監(jiān)測。研究成果以“Non-destructive monitoring of tea plant growth through UAV spectral imagery and meteorological data using machine learning and parameter optimization algorithms”為題，發(fā)表在國際著名期刊《Computers and Electronics in Agriculture》。

圖1隨機森林算法參數(shù)的迭代優(yōu)化

（a-d）茶樹葉片生物量，（e-h）茶樹葉片氮素積累量

隨著茶園管理逐漸向集約化發(fā)展，急需適用于不同規(guī)模茶園的樹體長勢精準管理策略。研究選取了江蘇省8個具有代表性的茶園作為研究對象，核心區(qū)面積涵蓋8.33至39.01公頃。研究團隊通過無人機遙感系統(tǒng)獲取茶園遙感影像，同時收集了各茶園的氣象數(shù)據(jù)。采用參數(shù)優(yōu)化算法分別耦合隨機森林、彈性回歸網(wǎng)絡和偏最小二乘回歸方法進行茶樹葉片生物量和和氮素積累量監(jiān)測模型構建。研究結果表明，含紅邊信息的光譜特征在茶樹葉片生物量與氮積累量估測中表現(xiàn)最好，傳統(tǒng)機器學習在耦合參數(shù)優(yōu)化算法后模型精度得到顯著提升（圖1），其中結合三種光譜特征的葉片生物量（R2= 0.76）和氮素積累量（R2= 0.76）監(jiān)測模型的精度最高。以90和183天為時間區(qū)間構建的溫度、輻射、降水指標對葉片生物量和氮素積累量監(jiān)測具有更高的貢獻度（圖2），其與光譜特征的結合進一步提高了茶樹生長監(jiān)測模型（R2= 0.79-0.80）的精度。研究同時利用高清無人機影像結合GIS平臺對各茶園地塊進行數(shù)字化處理，量化了地塊空間位置、數(shù)量、面積等屬性，最終將茶樹生長監(jiān)測模型與茶園地塊數(shù)字信息相結合，評估了8個茶園的樹體生長空間變異情況（圖3；CV = 5.28% ~ 15.90%）。研究為茶樹生長定量化監(jiān)測和數(shù)字化管控提供了重要技術支持。

圖2 光譜特征（a和c）與氣象指標（b和d）對茶樹生長監(jiān)測模型構建的貢獻度

南京農(nóng)業(yè)大學園藝學院房婉萍教授為該論文的通訊作者，鐘山青年研究員江杰為論文第一作者，本團隊研究生姬浩田、周官子、潘榮玉、趙麗玉，朱旭君副教授、馬媛春和段玉老師，南京農(nóng)業(yè)大學農(nóng)學院劉小軍教授，以及江蘇鑫品茶業(yè)有限公司尹娟、段兆翔參與了部分研究工作。本研究得到了國家自然科學基金、國家現(xiàn)代農(nóng)業(yè)（茶葉）產(chǎn)業(yè)技術體系、中國博士后科學基金面上資助、國家資助博士后研究人員計劃等項目資助。

圖3江蘇省8個代表性茶園的樹體生長空間變異圖

（a-h）茶樹葉片生物量，（i-p）茶樹葉片氮素積累量