基於無人機高光譜數據的冬小麥SPAD聚類回歸估測

背景：

SPAD（Soil plant analysis development）即(ji)葉(ye)片(pian)綠(lv)度(du)
，反(fan)映(ying)葉(ye)片(pian)中(zhong)葉(ye)綠(lv)素(su)的(de)相(xiang)對(dui)含(han)量(liang)。葉(ye)綠(lv)素(su)是(shi)作(zuo)物(wu)光(guang)合(he)作(zuo)用(yong)最(zui)重(zhong)要(yao)的(de)色(se)素(su)
，其(qi)濃(nong)度(du)變(bian)化(hua)直(zhi)接(jie)影(ying)響(xiang)作(zuo)物(wu)的(de)健(jian)康(kang)狀(zhuang)況(kuang)。傳(chuan)統(tong)葉(ye)綠(lv)素(su)體(ti)外(wai)測(ce)量(liang)方(fang)法(fa)不(bu)適(shi)合(he)大(da)麵(mian)積(ji)的(de)實(shi)時(shi)監(jian)測(ce)。近(jin)年(nian)來(lai)，遙(yao)感(gan)技(ji)術(shu)已(yi)成(cheng)為(wei)作(zuo)物(wu)生(sheng)長(chang)監(jian)測(ce)的(de)重(zhong)要(yao)工(gong)具(ju)。特(te)別(bie)是(shi)基(ji)於(yu)無(wu)人(ren)機(ji)的(de)低(di)空(kong)遙(yao)感(gan)探(tan)測(ce)技(ji)術(shu)
，具(ju)有(you)操(cao)作(zuo)方(fang)便(bian)、快速靈活、效率高
、空kong間jian分fen辨bian率lv理li想xiang等deng優you點dian，在zai精jing確que農nong業ye中zhong得de到dao了le廣guang泛fan應ying用yong。搭da載zai在zai無wu人ren機ji中zhong的de高gao光guang譜pu傳chuan感gan器qi具ju有you較jiao高gao的de光guang譜pu分fen辨bian率lv和he較jiao強qiang的de波bo段duan連lian續xu性xing，可ke以yi準zhun確que獲huo取qu冬dong小xiao麥mai的de光guang譜pu信xin息xi。

前人研究中，可以通過植被指數提取小麥生長信息
，或者采用支持向量回歸、隨機森林、反向傳播神經網絡等方法監測農學參數。但是現有算法基於全局建模思想，無法*daxianduditigaobutongturangfeilitiaojianxiaxiaomaiguangputezhengchayi。ciwai，zaitongyishengyuqi，butongshifeichulixiadedongxiaomaiguangputezhengyecunzaixianzhuchayi。yinci
，weilegenghaoditansuobutongturangfeilitiaojianxiadedongxiaomaiSPAD濃度，必須使用聚類神經網絡等差異化模型或地理加權回歸模型等局部模型。差異化模型的目標是根據光譜角距離（Spectral angle distance, SAD）對小麥光譜進行聚類，以區分不同肥力下的小麥光譜，然後對每個光譜聚類建立回歸模型。

因此，本研究采用K-means作為聚類方法，采用兩種集成學習算法作為回歸方法：基於Boosting集成策略的**梯度提升（XGBoost），以及基於Bagging集成策略的隨機森林（RF）。比較了非聚類回歸模型（RF、XGBoost）和聚類回歸模型（cluster-RF
、cluster-XGBoost）的性能，評估了土壤有機質（OM）和土壤全氮（TN）對小麥SPAD遙感估算的影響。

試驗設計

安徽省農業科學院花可可副研究員團隊利用搭載有GaiaSky-mini2-VN高光譜相機（江蘇雙利合譜公司）的DJI M600無人機平台，獲取了不同施肥處理下的小麥冠層高光譜影像。高光譜傳感器的波段範圍為400 ~ 1000 nm，光譜分辨率為3.5 nm，包含176個波段。獲取對應采樣點的SPAD值以及土壤OM和TN。

研究中選擇的聚類方法為K-means
，回歸算法為RF和XGBoost。整個算法流程分為兩步，第一步：使用K-means將小麥光譜劃分為不同的簇。對176個波段的光譜反射率進行綜合劃分，並將SAD作為算法的判別距離。簇的最大數量設置為30，最終選擇的簇數為2。圖1和2顯示了6個案例的實驗流程圖，6個案例的設置如表1所示。第二步：針對小麥光譜的每個聚類

，分別建立每個光譜聚類的回歸模型，並基於RF和XGBoost算法估測SPAD值。因此，每個光譜聚類都有相應的回歸模型。

圖1 冬小麥SPAD估測流程圖

圖2 案例5和6的SPAD估測流程圖。

表1 試驗設計

結論

與RF相比，XGBoost模型在所有田塊中表現出更好的估測性能（圖3）。RF模型和XGBoost模型的R2值分別為0.763和0.781
，XGBoost的RMSE和MAPE均低於RF模型（表2）。RMSE和MAPE評價指標表明，模型估計誤差較小且不顯著。

圖3 非聚類RF（a）和非聚類XGBoost（b）模型的預測散點圖

表2 非聚類回歸模型的準確性

從圖4可以看出，無人機高光譜技術可以實現田塊尺度的SPA監測。XGBoost和RF估測模型的估測結果相似，SPAD空間分布基本相似。XGBoost預測的SPAD值比RF分布更廣
，並且XGBoost預測的SPAD平(ping)均(jun)值(zhi)更(geng)接(jie)近(jin)於(yu)實(shi)測(ce)值(zhi)。但(dan)兩(liang)種(zhong)模(mo)型(xing)確(que)定(ding)的(de)標(biao)準(zhun)差(cha)與(yu)真(zhen)實(shi)數(shu)據(ju)略(lve)有(you)差(cha)異(yi)。因(yin)此(ci)
，有(you)必(bi)要(yao)引(yin)入(ru)局(ju)部(bu)建(jian)模(mo)
，如(ru)聚(ju)類(lei)回(hui)歸(gui)模(mo)型(xing)，以(yi)進(jin)一(yi)步(bu)提(ti)高(gao)估(gu)測(ce)性(xing)能(neng)。

圖4 基於RF（a）和XGBoost（b）的SPAD空間分布

圖5為聚類後的小麥光譜。將小麥光譜聚為兩類，兩類光譜存在顯著差異，因此聚類結果是合理的。當波長小於732 nm時
，Cluster1的平均光譜反射率低於Cluster2

；當波長大於732 nm時
，Cluster1的平均光譜反射率高於Cluster2。

圖5 高光譜反射率光譜曲線聚類結果

圖6顯示了聚類回歸模型預測的SPAD值與實測值之間的散點圖。cluster-XGBoost模型總體上優於cluster-RF。cluster-XGBoost的R2（0.925）高於cluster-RF（0.901）
，RMSE（1.444）比cluster-RF（1.813）低0.369
，MAPE比cluster-RF低25%。cluster-XGBoost比cluster-RF預測的SPAD範圍更大，並且cluster-XGBoost具有更高的標準差。兩種聚類回歸模型預測SPAD的空間分布如圖7所示，兩者表現出相似的分布。

圖6 cluster-RF（a）和cluster-XGBoost（b）模型的預測散點圖

圖7 基於cluster-RF（a）和cluster-XGBoost（b）的SPAD空間分布

前人研究表明，長期施肥處理後土壤養分的變化會影響小麥的生長，包括小麥葉綠素含量。如圖8所示
，光譜反射率與小麥SPAD高度相關，176個波段的相關係數絕對值均大於0.68，說明利用光譜信息可以建立小麥SPAD估測模型。土壤有機質和全氮與小麥SPAD呈顯著正相關，相關係數分別為0.44和0.45。因此

，可將土壤有機質和全氮引入小麥SPAD遙感估測。如表3所示，通過添加土壤OM和TN，RF和XGBoost模型的精度都得到了提高。對於RF，R2提高9.95%

，RMSE降低4.25%，MAPE降低4.66%；對於XGBoost
，R2提高14.23%，RMSE降低21.74%，MAPE降低13.43%。因此

，結合土壤養分和光譜信息估測小麥SPAD比單獨使用光譜信息更準確。此外，RF和XGBoost模型均能利用光譜和土壤信息準確檢測SPAD，且XGBoost模型在施用有機肥的田中表現優於RF模型。

圖8 光譜反射率與小麥SPAD的相關係數

表3 RF和XGBoost模型的精度（包括土壤養分）

作者信息

花可可
，博士，安徽省農業科學院土壤肥料研究所副研究員。

主要研究方向：土壤有機質提升過程與調控機製、活性氮汙染與阻控技術。

參考文獻：

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.

https://doi.org/10.1016/j.jag.2021.102618