隨著農業(yè)遙感的興起，利用冠層光譜信息可以很好的監(jiān)測和診斷作物的葉片葉綠素含量。面對長期定位試驗條件下差異化土壤肥力的田塊，如何充分利用無人機高光譜遙感信息，構建具有較強空間適用性的冬小麥葉片葉綠素含量遙感估算模型，是精準農業(yè)的研究熱點之一。
圖1 試驗田
安徽省農業(yè)科學院楊欣老師及其團隊以蒙城馬店長期土壤定位試驗站內拔節(jié)期冬小麥冠層葉片葉綠素含量（SPAD）為研究對象，利用大疆六旋翼無人機（大疆M600PRO）搭載我司高光譜成像儀（GaiaSky-mini2）獲取田間高光譜遙感影像。此外，獲取田間實測SPAD數據，分析光譜信息（400-1000nm）和實測SPAD之間的關系，結合不同土壤肥力農田的光譜差異，提出了一種新的建模方法——聚類回歸法。根據光譜角距離（Spectral angle distance, SAD）將小麥光譜劃分為多個聚類，并對每個聚類建立小麥光譜與實測SPAD的回歸模型。這里使用K-means作為聚類方法，兩種集成學習算法，即隨機森林和**梯度提升(XGBoost)作為回歸方法。
圖2 光譜聚類結果
結果顯示：利用無人機高光譜遙感影像結合田間實測數據，可以實現對冬小麥葉綠素含量由點到面的監(jiān)測；對于土壤肥力差異較大的長期定位試驗田，可以先采用聚類算法進行光譜聚類分析，隨后進行差異化建模，反演不同田塊的冬小麥葉綠素含量，其反演效果相對于直接建模有明顯提升（18.40%）；土壤有機質和土壤全氮含量對小麥葉片葉綠素含量有所影響，土壤有機質和全氮含量數據的加入也相應的提高了反演模型的精度（14.23%）。
圖3非聚類-梯度的冬小麥葉片SPAD含量反演結果空間分布
圖4聚類-**梯度的冬小麥葉片SPAD含量反演結果空間分布
表1 RF和XGBoost模型的精度(包括土壤養(yǎng)分)
Model evaluated | R2 | RMSE | MAPE |
RF (spectral only) | 0.734 | 2.12 | 4.08% |
XGBoost (spectral only) | 0.752 | 2.30 | 4.02% |
RF (spectral + OM, TN) | 0.807 | 2.03 | 3.89% |
XGBoost (spectral + OM, TN) | 0.859 | 1.80 | 3.48% |
本文采用的高光譜設備（GaiaSky-mini2）具體參數如圖5所示。
圖8 GaiaSky-mini2相機及參數
楊欣，女，安徽桐城人，理學碩士，研究實習員，第一作者簡介：
主要研究方向：1、精準農業(yè)、圖像識別、高光譜圖像處理；2、農業(yè)面源污染等。
參考文獻：Xin Y , Rui Y C , Yin Y , et al. Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods - ScienceDirect[J]. International Journal of Applied Earth Observation and Geoinformation.
8
立即詢價
您提交后，專屬客服將第一時間為您服務