隨著農業遙感的興起，利用冠層光譜信息可以很好的監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，是精準農業的研究熱點之一。
圖1 試驗田
安徽省農業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、圖像識別、高光譜圖像處理；2、農業面源污染等。
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