氮是作物生長的關鍵營養(yǎng)素,影響作物生長發(fā)育、產(chǎn)量和質(zhì)量??偟浚═NC)是作物氮狀態(tài)的主要指標,監(jiān)測TNC可以揭示其營養(yǎng)狀況,并促進有效的田間管理。傳統(tǒng)的氮含量測定方法有損、耗時、費力、耗材。雖然出現(xiàn)了葉綠素計等無損方法來估計氮含量,但它們并不能完全反映植物的整體狀況。隨著無人機遙感技術的發(fā)展,使用無人機搭載傳感器可以高通量和無損的方式進行土壤和作物TNC監(jiān)測。
紋理信息是遙感圖像的重要補充,有助于識別圖像中物體或區(qū)域的重要特征。不同的氮處理會影響作物生長,導致植物株高差異、結構差異以及葉片大小和顏色的變化,最終導致光譜圖像中紋理特征的變化。之前的大多數(shù)研究只分析了RGB紋理特征,使用RGB和多光譜紋理特征全面評估氮含量的研究較少。
本研究在三種氮處理下種植了30個冬小麥品種,結合無人機多傳感器(RGB和多光譜)光譜和紋理特征,使用四種機器學習模型,即高斯過程回歸( GPR )、隨機森林回歸( RFR )、嶺回歸( RR )和彈性網(wǎng)絡回歸( ENR ),融合數(shù)據(jù)和Stacking集成學習方法來預測冬小麥抽穗期的TNC。結果表明,加入紋理特征提高了基于光譜特征構建的TNC預測模型的精度,且隨著輸入特征量的增加,模型精度也隨之提高。GPR、RFR、RR和ENR模型對TNC預測的R2在0.382 ~ 0.697之間。在這些模型中,集成學習方法產(chǎn)生了最好的TNC預測效果( R2 = 0.726 , RMSE = 3.203 mg·g-1 , MSE = 10.259 mg·g-1, RPD = 1.867 , RPIQ = 2.827)。研究結果表明,通過數(shù)據(jù)融合和集成學習可以實現(xiàn)基于無人機多傳感器光譜和紋理特征的TNC準確預測,為未來精準農(nóng)業(yè)研究提供了一種有價值的高通量表型分析方法。
圖1 試驗地區(qū)與小區(qū)。3種不同氮處理下的冬小麥種植于中國農(nóng)業(yè)科學院新鄉(xiāng)綜合試驗基地。
圖3 采集數(shù)據(jù)的無人機設備。(a) DJI M210,(b) DJI Phantom 4 Pro,(c)紅邊MX多光譜傳感器,(d) RGB 傳感器。
圖4 集成學習模型框架。GPR高斯過程回歸、RFR隨機森林回歸、RR嶺回歸、ENR彈性網(wǎng)絡回歸,不同模型的p個預測。
圖7 基于集成學習模型七個輸入特征中每個特征構建的最佳TNC預測模型的觀測值和預測值。RT RGB紋理特征、MS多光譜光譜特征、MT多光譜紋理特征?;?個特征組合的預測模型其R2高于單個或兩個特征組合的預測模型。
圖8 基于最佳預測模型生成的TNC預測分布圖
文獻來源:Li, Z.; Zhou, X.; Cheng, Q.; Fei, S.; Chen, Z. A Machine-Learning Model Based on the Fusion of Spectral and Textural Features from UAV Multi-Sensors to Analyse the Total Nitrogen Content in Winter Wheat. Remote Sens. 2023, 15, 2152. https://doi.org/10.3390/rs15082152