背景：

     SPAD值表示葉片中的相對葉綠素含量。葉綠素作為光合作用劑在小麥生長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，冬小麥是主要糧食作物之一，因此，對于小麥生長監(jiān)測和田間肥料管理，有必要有效測定葉片葉綠素含量或SPAD。傳統(tǒng)上，葉綠素是在體外測量的，這種測量更精確，但具有破壞性、成本高昂且不適合大面積.對于使用SPAD的點采樣，SPAD值可以通過SPAD-502葉綠素儀測量，不受時間和氣候條件的限制。許多學者使用該儀器獲取小麥SPAD數(shù)據(jù)。近年來，遙感技術(shù)已成為作物生長監(jiān)測的重要工具。特別是基于無人機的低空遙感探測技術(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，在精準農(nóng)業(yè)中的得到了廣泛的應用，最重要的是，它不受云層的影響，例如衛(wèi)星傳感器。此外，無人機遙感平臺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波段連續(xù)性，因此可以準確獲取冬小麥的光譜信息。根據(jù)葉綠素中太陽輻射的吸收和反射，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、隨機森林 （RF）、反向傳播神經(jīng)網(wǎng)絡和深度學習算法等方法監(jiān)測農(nóng)學參數(shù)?，F(xiàn)有算法基于全局建模的思想，無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，采用聚類神經(jīng)網(wǎng)絡 或必須使用局部建模（例如地理加權(quán)回歸模型 .差異化模型的目標是根據(jù)光譜角距離（SAD）對小麥光譜進行聚類，以區(qū)分不同肥力田的小麥光譜，然后構(gòu)建每個光譜聚類的回歸模型。最近，集成學習算法 已被用于解決回歸問題 ，因為它們具有泛化能力和建模穩(wěn)定性.

因此，本研究在安徽省孟城縣國家土壤質(zhì)量觀測實驗站建立了兩步回歸模型估計田間冬小麥SPAD。采用K-means作為聚類方法，并使用兩種類型的集成學習算法作為回歸方法：基于提升集成策略的集成學習算法Extreme Gradient Boosting（XGBoost）和RF。比較了非聚類回歸模型（RF、XGBoost）和聚類回歸模型（聚類-RF、聚類-XGBoost）的性能，并評估了土壤有機質(zhì)（OM）和土壤全氮（TN）對小麥SPAD遙感估計的影響。

數(shù)據(jù)收集

    本研究使用的數(shù)據(jù)包括基于無人機的高光譜成像數(shù)據(jù)、小麥SPAD和各樣地的土壤養(yǎng)分數(shù)據(jù)。具體來說，利用搭載有高光譜成像系統(tǒng)的六旋翼無人機、用于穩(wěn)定性增強的云臺和高光譜成像儀組成。高光譜成像儀從 176 個光譜波段采集從可見光到近紅外 （400–1000 nm） 范圍的波長，光譜分辨率為 3.5 nm。高光譜數(shù)據(jù)是在無云和無風的日子里采集的，包含空間分辨率為4.7 cm的高光譜立方體圖像。對于小麥SPAD數(shù)據(jù)，我們使用手持式葉綠素儀（SPAD-502，）實時測量了田間126個采樣點的相對葉綠素含量。每個采樣點選取10個具有代表性的小麥植株，測量每個采樣點選取的旗葉，均勻選取每片葉的不同部位（避脈）測量SPAD，平均值計算為該采樣點葉片的最終SPAD值。對于土壤養(yǎng)分數(shù)據(jù)，從每個樣地中隨機選擇5個樣本點，并混合成一個樣本。將土壤樣品在室溫下風干，磨碎并混合以備后用。OM和TN含量是在自然狀態(tài)下風干土壤樣品后測定的。

方法

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

冬小麥SPAD估測流程圖

SPAD估測流程圖

結(jié)果表明

所有評估模型均適用于基于無人機高光譜成像數(shù)據(jù)的小麥SPAD估計，R2> 0.75，RMSE < 3.10，MAPE < 6%。與非聚類回歸相比，通過與聚類的第一步耦合，可以在一定程度上提高模型性能。對于 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，聚類回歸模型的預測結(jié)果比非聚類回歸模型表現(xiàn)出更大的空間變異。聚類回歸模型的平均值與全局模型的平均值更接近?？偟膩碚f，聚類-XGBoost模型在所有情況下都表現(xiàn)出更好的SPAD估計性能。因此，通過光譜聚類進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作為補充模型輸入特征，小麥SPAD估計模型的精度顯著提高。因此，土壤養(yǎng)分數(shù)據(jù)可用于未來小麥SPAD反演。

來源：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.