基于无人机高光谱数据的冬小麦SPAD聚类回归估测

背景：

     SPAD值表示叶片中的相对叶绿素含量。叶绿素作为光合作用剂在小麦生长和施肥管理中起着至关重要的作用。叶绿素是作物光合作用最重要的色素，其浓度变化直接影响作物的健康状况在中国，冬小麦是主要粮食作物之一，因此，对于小麦生长监测和田间肥料管理，有必要有效测定叶片叶绿素含量或SPAD。传统上，叶绿素是在体外测量的，这种测量更精确，但具有破坏性、成本高昂且不适合大面积.对于使用SPAD的点采样，SPAD值可以通过SPAD-502叶绿素仪测量，不受时间和气候条件的限制。许多学者使用该仪器获取小麦SPAD数据。近年来，遥感技术已成为作物生长监测的重要工具。特别是基于无人机的低空遥感探测技术具有操作方便、灵活性快速、效率高、空间分辨率高等优点，在精准农业中的得到了广泛的应用，最重要的是，它不受云层的影响，例如卫星传感器。此外，无人机遥感平台可以携带多光谱和高光谱传感器。由于高光谱传感器具有高光谱分辨率和强波段连续性，因此可以准确获取冬小麦的光谱信息。根据叶绿素中太阳辐射的吸收和反射，为植物生成了特定的光谱曲线。

在以往的研究中，小麦生长信息是基于植被指数的高光谱数据中提取的。或支持向量回归、随机森林 （RF）、反向传播神经网络和深度学习算法等方法监测农学参数。现有算法基于全局建模的思想，无法较大化地提高不同土壤肥力条件下小麦光谱特性的差异。此外，在同一生育期，不同施肥处理下的冬小麦光谱特征也存在显著差异.因此，为了更好地探索不同土壤肥力条件下基于光谱差异的冬小麦SPAD浓度，采用聚类神经网络 或必须使用局部建模（例如地理加权回归模型 .差异化模型的目标是根据光谱角距离（SAD）对小麦光谱进行聚类，以区分不同肥力田的小麦光谱，然后构建每个光谱聚类的回归模型。最近，集成学习算法 已被用于解决回归问题 ，因为它们具有泛化能力和建模稳定性.

因此，本研究在安徽省孟城县国家土壤质量观测实验站建立了两步回归模型估计田间冬小麦SPAD。采用K-means作为聚类方法，并使用两种类型的集成学习算法作为回归方法：基于提升集成策略的集成学习算法Extreme Gradient Boosting（XGBoost）和RF。比较了非聚类回归模型（RF、XGBoost）和聚类回归模型（聚类-RF、聚类-XGBoost）的性能，并评估了土壤有机质（OM）和土壤全氮（TN）对小麦SPAD遥感估计的影响。

数据收集

    本研究使用的数据包括基于无人机的高光谱成像数据、小麦SPAD和各样地的土壤养分数据。具体来说，利用搭载有高光谱成像系统的六旋翼无人机、用于稳定性增强的云台和高光谱成像仪组成。高光谱成像仪从 176 个光谱波段采集从可见光到近红外 （400–1000 nm） 范围的波长，光谱分辨率为 3.5 nm。高光谱数据是在无云和无风的日子里采集的，包含空间分辨率为4.7 cm的高光谱立方体图像。对于小麦SPAD数据，我们使用手持式叶绿素仪（SPAD-502，）实时测量了田间126个采样点的相对叶绿素含量。每个采样点选取10个具有代表性的小麦植株，测量每个采样点选取的旗叶，均匀选取每片叶的不同部位（避脉）测量SPAD，平均值计算为该采样点叶片的最终SPAD值。对于土壤养分数据，从每个样地中随机选择5个样本点，并混合成一个样本。将土壤样品在室温下风干，磨碎并混合以备后用。OM和TN含量是在自然状态下风干土壤样品后测定的。

方法

    研究中选择的聚类方法为K-means，回归算法为RF和XGBoost。分两步法，在第一步中，我们使用 k 均值簇类将小麦光谱划分为各种小麦光谱簇类。该划分基于176个波段光谱反射率的合成，并将SAD设置为算法的判别距离。我们在MATLAB中生成了簇类，最大簇类数设置为30。在第二步中，对于小麦光谱的每个簇类，我们构建了每个光谱簇类的回归模型，并基于RF和XGBoost算法测量了SPAD值。因此，每个光谱簇类都有相应的回归模型。

冬小麦SPAD估测流程图

SPAD估测流程图

结果表明

所有评估模型均适用于基于无人机高光谱成像数据的小麦SPAD估计，R2> 0.75，RMSE < 3.10，MAPE < 6%。与非聚类回归相比，通过与聚类的第一步耦合，可以在一定程度上提高模型性能。对于 RF，R2提高了18.1%（从0.763提高到0.901），RMSE下降了39.7%（从3.01提高到1.813），MAPE下降了47.4%（从5.99%下降到3.15%）;对于 XGBoost，R2提高了18.4%（从0.781提高到0.925），RMSE下降了50.2%（从2.90%下降到1.444%），MAPE下降了59.5%（从5.83%下降到2.36%）。另一方面，聚类回归模型的预测结果比非聚类回归模型表现出更大的空间变异。聚类回归模型的平均值与全局模型的平均值更接近。总的来说，聚类-XGBoost模型在所有情况下都表现出更好的SPAD估计性能。因此，通过光谱聚类进行差分建模适用于不同的条件，如不同施肥处理的田地，模型性能优于全局建模。此外，我们发现，利用土壤OM和土壤TN作为补充模型输入特征，小麦SPAD估计模型的精度显著提高。因此，土壤养分数据可用于未来小麦SPAD反演。

来源：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.