融合无人机多光谱图像和堆叠模型的农田排水沟水体氮素浓度预测

来源：环境科学杂志2026年第1期北京时间：

作者：马纪龙,马琨,谢铁娜,韩林蒲,齐勇杰,王烁,乔茜,邰克侬,贾彪

单位：宁夏大学农学院, 银川 750021,宁夏大学生态环境学院, 银川 750021,宁夏大学科学技术研究院, 银川 750021,宁夏大学农学院, 银川 750021,宁夏大学农学院, 银川 750021,宁夏大学农学院, 银川 750021,宁夏大学农学院, 银川 750021,宁夏大学农学院, 银川 750021,宁夏大学农学院, 银川 750021

摘要：快速和精准地监测农田排水沟水体氮素浓度有助于解析农业面源污染迁移规律，增强流域水质管理和污染防控. 为解决宁夏引黄灌区农田排水沟氮素迁移通量大和时空动态监测难等问题，以宁夏引黄灌区农田第四排水沟为研究对象，基于2024年耕作期的动态水质监测数据和无人机多光谱图像，选用BP、SVM、CNN、RF、XGBoost和CatBoost等6个机器学习模型，对总氮（TN）、铵态氮（NH₄+-N）和硝态氮（NO₃--N）进行建模预测. 在此基础上，选用性能较好的RF、XGBoost和CatBoost模型进行堆叠模型开发，并绘制预测结果分布图. 结果表明：①第四排水沟2024年耕作期内，各监测点ρ（TN）平均值均高于Ⅴ类水标准限值（2 mg·L-1），且NO₃--N占TN的26.16%~84.57%，是第四排水沟水体氮素污染的主要形态；②归一化加和值（k）能够结合Perason相关性分析和随机森林特征重要性分析的优势，充分解析出光谱特征与氮素浓度间的复杂依赖关系，作为特征筛选依据较为可靠；③TN、NH₄+-N和NO₃--N的XGBoost模型，测试集R2分别为0.81、0.55和0.79，MAE分别为0.67、0.12和0.68 mg·L-1，RMSE分别为0.90、0.16和0.90 mg·L-1，是本研究中的最佳机器学习模型；④TN、NH₄+-N和NO₃--N的RF-XGBoost模型，测试集R2分别为0.89、0.66和0.86，MAE分别为0.56、0.10和0.61 mg·L-1，RMSE分别为0.68、0.14和0.73 mg·L-1，MSE分别为0.46、0.02和0.53 mg·L-1，CCC分别为0.94、0.74和0.92，模型预测精度高，误差小，预测结果一致性高，外推能力强，是本研究田块尺度下最佳堆叠模型；⑤RF-XGBoost模型趋向于将极大值预测偏低，将极小值预测偏高，对中间值预测较为准确，且TN和NO₃--N的预测图和实测图一致性较强，NH₄+-N预测结果较差. 综上所述，RF-XGBoost堆叠模型仅依靠光谱特征可实现对宁夏引黄灌区农田第四排水沟水体中TN和NO₃--N的准确预测，且有着较强的外推能力，可在后续推广使用；而NH₄+-N仅依靠光谱特征很难充分反映其变化规律，因此还需在后续研究中探索其他关联指标建模的可行性，研究结果可为该方向提供新的思路和解决方案.

关键词：无人机（UAV）,多光谱,机器学习,堆叠模型,农田排水沟,氮素浓度,