背景：

     SPAD值表示葉片中的相對(duì)葉綠素含量。葉綠素作為光合作用劑在小麥生長(zhǎng)和施肥管理中起著至關(guān)重要的作用。葉綠素是作物光合作用最重要的色素，其濃度變化直接影響作物的健康狀況在中國(guó)，冬小麥?zhǔn)侵饕Z食作物之一，因此，對(duì)于小麥生長(zhǎng)監(jiān)測(cè)和田間肥料管理，有必要有效測(cè)定葉片葉綠素含量或SPAD。傳統(tǒng)上，葉綠素是在體外測(cè)量的，這種測(cè)量更精確，但具有破壞性、成本高昂且不適合大面積.對(duì)于使用SPAD的點(diǎn)采樣，SPAD值可以通過(guò)SPAD-502葉綠素儀測(cè)量，不受時(shí)間和氣候條件的限制。許多學(xué)者使用該儀器獲取小麥SPAD數(shù)據(jù)。近年來(lái)，遙感技術(shù)已成為作物生長(zhǎng)監(jiān)測(cè)的重要工具。特別是基于無(wú)人機(jī)的低空遙感探測(cè)技術(shù)具有操作方便、靈活性快速、效率高、空間分辨率高等優(yōu)點(diǎn)，在精準(zhǔn)農(nóng)業(yè)中的得到了廣泛的應(yīng)用，最重要的是，它不受云層的影響，例如衛(wèi)星傳感器。此外，無(wú)人機(jī)遙感平臺(tái)可以攜帶多光譜和高光譜傳感器。由于高光譜傳感器具有高光譜分辨率和強(qiáng)波段連續(xù)性，因此可以準(zhǔn)確獲取冬小麥的光譜信息。根據(jù)葉綠素中太陽(yáng)輻射的吸收和反射，為植物生成了特定的光譜曲線。

在以往的研究中，小麥生長(zhǎng)信息是基于植被指數(shù)的高光譜數(shù)據(jù)中提取的。或支持向量回歸、隨機(jī)森林 （RF）、反向傳播神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法等方法監(jiān)測(cè)農(nóng)學(xué)參數(shù)。現(xiàn)有算法基于全局建模的思想，無(wú)法較大化地提高不同土壤肥力條件下小麥光譜特性的差異。此外，在同一生育期，不同施肥處理下的冬小麥光譜特征也存在顯著差異.因此，為了更好地探索不同土壤肥力條件下基于光譜差異的冬小麥SPAD濃度，采用聚類(lèi)神經(jīng)網(wǎng)絡(luò) 或必須使用局部建模（例如地理加權(quán)回歸模型 .差異化模型的目標(biāo)是根據(jù)光譜角距離（SAD）對(duì)小麥光譜進(jìn)行聚類(lèi)，以區(qū)分不同肥力田的小麥光譜，然后構(gòu)建每個(gè)光譜聚類(lèi)的回歸模型。最近，集成學(xué)習(xí)算法 已被用于解決回歸問(wèn)題 ，因?yàn)樗鼈兙哂蟹夯芰徒７€(wěn)定性.

因此，本研究在安徽省孟城縣國(guó)家土壤質(zhì)量觀測(cè)實(shí)驗(yàn)站建立了兩步回歸模型估計(jì)田間冬小麥SPAD。采用K-means作為聚類(lèi)方法，并使用兩種類(lèi)型的集成學(xué)習(xí)算法作為回歸方法：基于提升集成策略的集成學(xué)習(xí)算法Extreme Gradient Boosting（XGBoost）和RF。比較了非聚類(lèi)回歸模型（RF、XGBoost）和聚類(lèi)回歸模型（聚類(lèi)-RF、聚類(lèi)-XGBoost）的性能，并評(píng)估了土壤有機(jī)質(zhì)（OM）和土壤全氮（TN）對(duì)小麥SPAD遙感估計(jì)的影響。

數(shù)據(jù)收集

    本研究使用的數(shù)據(jù)包括基于無(wú)人機(jī)的高光譜成像數(shù)據(jù)、小麥SPAD和各樣地的土壤養(yǎng)分?jǐn)?shù)據(jù)。具體來(lái)說(shuō)，利用搭載有高光譜成像系統(tǒng)的六旋翼無(wú)人機(jī)、用于穩(wěn)定性增強(qiáng)的云臺(tái)和高光譜成像儀組成。高光譜成像儀從 176 個(gè)光譜波段采集從可見(jiàn)光到近紅外 （400–1000 nm） 范圍的波長(zhǎng)，光譜分辨率為 3.5 nm。高光譜數(shù)據(jù)是在無(wú)云和無(wú)風(fēng)的日子里采集的，包含空間分辨率為4.7 cm的高光譜立方體圖像。對(duì)于小麥SPAD數(shù)據(jù)，我們使用手持式葉綠素儀（SPAD-502，）實(shí)時(shí)測(cè)量了田間126個(gè)采樣點(diǎn)的相對(duì)葉綠素含量。每個(gè)采樣點(diǎn)選取10個(gè)具有代表性的小麥植株，測(cè)量每個(gè)采樣點(diǎn)選取的旗葉，均勻選取每片葉的不同部位（避脈）測(cè)量SPAD，平均值計(jì)算為該采樣點(diǎn)葉片的最終SPAD值。對(duì)于土壤養(yǎng)分?jǐn)?shù)據(jù)，從每個(gè)樣地中隨機(jī)選擇5個(gè)樣本點(diǎn)，并混合成一個(gè)樣本。將土壤樣品在室溫下風(fēng)干，磨碎并混合以備后用。OM和TN含量是在自然狀態(tài)下風(fēng)干土壤樣品后測(cè)定的。

方法

    研究中選擇的聚類(lèi)方法為K-means，回歸算法為RF和XGBoost。分兩步法，在第一步中，我們使用 k 均值簇類(lèi)將小麥光譜劃分為各種小麥光譜簇類(lèi)。該劃分基于176個(gè)波段光譜反射率的合成，并將SAD設(shè)置為算法的判別距離。我們?cè)贛ATLAB中生成了簇類(lèi)，最大簇類(lèi)數(shù)設(shè)置為30。在第二步中，對(duì)于小麥光譜的每個(gè)簇類(lèi)，我們構(gòu)建了每個(gè)光譜簇類(lèi)的回歸模型，并基于RF和XGBoost算法測(cè)量了SPAD值。因此，每個(gè)光譜簇類(lèi)都有相應(yīng)的回歸模型。

冬小麥SPAD估測(cè)流程圖

SPAD估測(cè)流程圖

結(jié)果表明

所有評(píng)估模型均適用于基于無(wú)人機(jī)高光譜成像數(shù)據(jù)的小麥SPAD估計(jì)，R2> 0.75，RMSE < 3.10，MAPE < 6%。與非聚類(lèi)回歸相比，通過(guò)與聚類(lèi)的第一步耦合，可以在一定程度上提高模型性能。對(duì)于 RF，R2提高了18.1%（從0.763提高到0.901），RMSE下降了39.7%（從3.01提高到1.813），MAPE下降了47.4%（從5.99%下降到3.15%）;對(duì)于 XGBoost，R2提高了18.4%（從0.781提高到0.925），RMSE下降了50.2%（從2.90%下降到1.444%），MAPE下降了59.5%（從5.83%下降到2.36%）。另一方面，聚類(lèi)回歸模型的預(yù)測(cè)結(jié)果比非聚類(lèi)回歸模型表現(xiàn)出更大的空間變異。聚類(lèi)回歸模型的平均值與全局模型的平均值更接近。總的來(lái)說(shuō)，聚類(lèi)-XGBoost模型在所有情況下都表現(xiàn)出更好的SPAD估計(jì)性能。因此，通過(guò)光譜聚類(lèi)進(jìn)行差分建模適用于不同的條件，如不同施肥處理的田地，模型性能優(yōu)于全局建模。此外，我們發(fā)現(xiàn)，利用土壤OM和土壤TN作為補(bǔ)充模型輸入特征，小麥SPAD估計(jì)模型的精度顯著提高。因此，土壤養(yǎng)分?jǐn)?shù)據(jù)可用于未來(lái)小麥SPAD反演。

來(lái)源：Yang, X., Yang, R., Ye, Y., Yuan, Z.R., Wang, D.Z., & Hua, K.K. (2021). Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods. International Journal of Applied Earth Observations and Geoinformation, 105, 102618.