赛斯拜克中国核心技术品牌 博士专业研发团队   18年专注高光谱

咨询热线:400-888-5135

无人机高光谱测量系统测试小麦地氮素

来源:赛斯拜克 发表时间:2023-12-21 浏览量:1735 作者:

摘要: 本研究利用无人机高光谱遥感技术和XGBoost算法,构建了冬小麦全氮含量的遥感反演模型。通过对安徽蒙城试验田的数据获取和处理,结合相关性分析和模型验证,发现该模型具有较高的反演精度和预测能力。研究结果表明,无人机高光谱遥感技术结合XGBoost算法可为精准农业提供有效手段,实现冬小麦全氮含量的实时监测和评估,为田间施肥管理提供科学参考。

一、引言


氮素是作物生长发育所需的关键营养元素,对作物的光合作用和产量有显著影响。因此,准确评估作物氮素状况对农业生产至关重要。传统的氮素测量方法主要依赖田间取样和实验室化学分析,这些方法耗时且具有破坏性。近年来,无人机遥感技术为精准农业领域带来了革新,它能够实现对作物生长状况的实时监测和快速评估。本研究利用无人机高光谱遥感技术,结合集成学习算法,构建了冬小麦全氮含量的遥感反演模型,以期为田间施肥管理提供科学参考。

image.png

二、材料与方法


    研究区概况


本研究以位于安徽蒙城的农业部蒙城砂姜黑土生态环境站内的冬小麦为研究对象。该地区属于暖温带半湿润季风气候,年平均气温14.8℃,无霜期212天,年降水量600-900mm。试验土壤为普通砂姜黑土。


    数据获取与处理


使用无人机获取高光谱成像数据,并在研究区域试验田内均匀地布设126个采样点,采集小麦样品用于全氮含量测定。对高光谱图像进行预处理,包括镜头校正、辐射定标、大气校正等步骤。提取每个田块的光谱反射率作为模型输入的自变量。


    方法


采用XGBoost算法构建冬小麦全氮含量遥感反演模型。XGBoost是一种改进的GBDT算法,具有更高的运算效率和更好的泛化能力。将经过预处理的光谱反射率数据和实测全氮含量数据作为模型的输入和输出,利用贝叶斯优化算法进行超参数调优。使用70%的数据作为训练集,30%的数据作为验证集进行模型验证和精度评估。


三、结果与讨论

在长期定位试验下,不同的肥料处理导致不同田块上的土壤肥力存在显著差异,田块间冬小麦的长势存在显著差异,其叶片光合作用性能不同,故其对光的吸收和反射也不同,如图3所示,不同田块冬小麦冠层光谱特征呈现出显著差异。为了筛选出用于构建该区域冬小麦全氮含量遥感反演的敏感波段,首先对光谱反射率和实测全氮含量进行了相关性分析,计算了全氮含量与各波段光谱反射率之间的皮尔逊相关系数。由图4可知,总体上各波段反射率与冬小麦全氮含量之间存在较高的相关性,在各波段的绝对相关系数均值 达0.732。在波长为795.3nm时,全氮含量与该波段相关性达到最大值,为0.794。波长小于735.5nm时,各波段的光谱反射率与全氮含量均成负相关;波长大于等于735.5nm 时,各波段


图3 不同田块冬小麦冠层光谱图


图4 光谱反射率与全氮含量之间的相关系数

的光谱反射率与全氮含量均成正相关。当波长为735.5nm时,反射率与全氮含量之间的相关性最低,为0.232,其余波段的相关系数绝对值均高于0.5,这可能是由于各田块在该波段上的光谱反射率几乎一致(图3),故各田块在该波段上无光谱差异性。因此,本研究不采用全波段作为建模的自变量,采用了除735.5nm波段以外的所有波段作为模型输入自变量,使用XGBoost方法构建冬小麦全氮含量遥感反演模型,模型验证精度使用决定系数R2、均方根误差和平均绝对百分比误差作为评价指标,其中,MAPE用来评价模型预测结果的相对误差。由图5可知,XGBoost模型预测的和实测的小麦全氮含量较为接近,模型反演精度较高,R2达到 0.76,RMSE值较低,仅为2.68,MAPE值也较低,为11.8%,这说明XGBoost算法具有相对较强的学习性能,可以应用于构建冬小麦全氮含量遥感反演模型。


图5 XGBoost模型反演的与实测全氮含量之间的散点图

3.2 TNC预测结果分析

基于XGBoost算法的拔节期冬小麦全氮含量反演模型具有较好的验证精度,现将该模型应用到整片小麦大田上, 提取出不同土壤肥力条件下的小麦大田影像上所有像元在176个波段的反射率,输入该反演模型进行预测整片小麦大田的全氮含量。

由图6可知,XGBoost模型预测的拔节期冬小麦全氮含量总体上呈现较为显著的空间分布差异,这是由长期试验不同田块不同的土壤肥力导致,该算法具有较强的泛化能力,构建的遥感反演模型适用于预测不同土壤肥力条件的整片大田的冬小麦全氮含量空间分布。模型预测的冬小麦(拔节期)全氮含量范围介于14%~29%之 间,平均全氮含量为19.66%。

3.3 冬小麦全氮含量与土壤全氮含量相关性分析

针对长期定位试验下,不同壤肥力的田块上的冬小麦全氮含量进行了遥感反演研究,由2.2节研究发现,在不同土壤肥力的田块,冬小麦的全氮含量存在显著空间分布差异性,这是由于土壤养分对冬小麦长势有着一定的影响。因 此,本节针对冬小麦全氮含量与土壤全氮含量进行了相关性分析。如图7所示,冬小麦全氮含量与土壤全氮含量之间存在着较为显著的相关性,其中,冬小麦全氮含量范围为12%~32%,土壤全氮含量范围为29%~55%,两者之间的决定系数(R2)为0.47。


图6 XGBoost反演模型预测的TNC空间分布图


图7 冬小麦全氮含量与土壤全氮含量之间的相关性


四、结论


本研究利用无人机高光谱遥感技术和XGBoost算法成功构建了冬小麦全氮含量的遥感反演模型。该模型具有较高的验证精度和较好的泛化能力,可用于预测不同土壤肥力条件下的小麦全氮含量空间分布。此外,还发现冬小麦全氮含量与土壤全氮含量之间存在较为显著的相关性。这些结果为田间施肥管理提供了科学参考依据。

相关产品

农业监测排行榜top10

农业监测相关推荐