氮是作物生長(zhǎng)的關(guān)鍵營(yíng)養(yǎng)素，影響作物生長(zhǎng)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(biāo)，監(jiān)測(cè)TNC可以揭示其營(yíng)養(yǎng)狀況，并促進(jìn)有效的田間管理。傳統(tǒng)的氮含量測(cè)定方法有損、耗時(shí)、費(fèi)力、耗材。雖然出現(xiàn)了葉綠素計(jì)等無(wú)損方法來(lái)估計(jì)氮含量，但它們并不能完全反映植物的整體狀況。隨著無(wú)人機(jī)遙感技術(shù)的發(fā)展，使用無(wú)人機(jī)搭載傳感器可以高通量和無(wú)損的方式進(jìn)行土壤和作物TNC監(jiān)測(cè)。

紋理信息是遙感圖像的重要補(bǔ)充，有助于識(shí)別圖像中物體或區(qū)域的重要特征。不同的氮處理會(huì)影響作物生長(zhǎng)，導(dǎo)致植物株高差異、結(jié)構(gòu)差異以及葉片大小和顏色的變化，最終導(dǎo)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(píng)估氮含量的研究較少。

本研究在三種氮處理下種植了30個(gè)冬小麥品種，結(jié)合無(wú)人機(jī)多傳感器（RGB和多光譜）光譜和紋理特征，使用四種機(jī)器學(xué)習(xí)模型，即高斯過(guò)程回歸( GPR )、隨機(jī)森林回歸( RFR )、嶺回歸( RR )和彈性網(wǎng)絡(luò)回歸( ENR )，融合數(shù)據(jù)和Stacking集成學(xué)習(xí)方法來(lái)預(yù)測(cè)冬小麥抽穗期的TNC。結(jié)果表明，加入紋理特征提高了基于光譜特征構(gòu)建的TNC預(yù)測(cè)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(duì)TNC預(yù)測(cè)的R2在0.382 ~ 0.697之間。在這些模型中，集成學(xué)習(xí)方法產(chǎn)生了最好的TNC預(yù)測(cè)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(jié)果表明，通過(guò)數(shù)據(jù)融合和集成學(xué)習(xí)可以實(shí)現(xiàn)基于無(wú)人機(jī)多傳感器光譜和紋理特征的TNC準(zhǔn)確預(yù)測(cè)，為未來(lái)精準(zhǔn)農(nóng)業(yè)研究提供了一種有價(jià)值的高通量表型分析方法。

圖1 試驗(yàn)地區(qū)與小區(qū)。3種不同氮處理下的冬小麥種植于中國(guó)農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合試驗(yàn)基地。

圖3 采集數(shù)據(jù)的無(wú)人機(jī)設(shè)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(xué)習(xí)模型框架。GPR高斯過(guò)程回歸、RFR隨機(jī)森林回歸、RR嶺回歸、ENR彈性網(wǎng)絡(luò)回歸，不同模型的p個(gè)預(yù)測(cè)。


圖7 基于集成學(xué)習(xí)模型七個(gè)輸入特征中每個(gè)特征構(gòu)建的最佳TNC預(yù)測(cè)模型的觀測(cè)值和預(yù)測(cè)值。RT RGB紋理特征、MS多光譜光譜特征、MT多光譜紋理特征。基于3個(gè)特征組合的預(yù)測(cè)模型其R2高于單個(gè)或兩個(gè)特征組合的預(yù)測(cè)模型。



圖8 基于最佳預(yù)測(cè)模型生成的TNC預(yù)測(cè)分布圖

文獻(xiàn)來(lái)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