一、引言

氮素是作物生長發(fā)育所需的關(guān)鍵營養(yǎng)元素，對作物的光合作用和產(chǎn)量有顯著影響。因此，準(zhǔn)確評估作物氮素狀況對農(nóng)業(yè)生產(chǎn)至關(guān)重要。傳統(tǒng)的氮素測量方法主要依賴田間取樣和實驗室化學(xué)分析，這些方法耗時且具有破壞性。近年來，無人機遙感技術(shù)為精準(zhǔn)農(nóng)業(yè)領(lǐng)域帶來了革新，它能夠?qū)崿F(xiàn)對作物生長狀況的實時監(jiān)測和快速評估。本研究利用無人機高光譜遙感技術(shù)，結(jié)合集成學(xué)習(xí)算法，構(gòu)建了冬小麥全氮含量的遙感反演模型，以期為田間施肥管理提供科學(xué)參考。

二、材料與方法

    研究區(qū)概況

本研究以位于安徽蒙城的農(nóng)業(yè)部蒙城砂姜黑土生態(tài)環(huán)境站內(nèi)的冬小麥為研究對象。該地區(qū)屬于暖溫帶半濕潤季風(fēng)氣候，年平均氣溫14.8℃，無霜期212天，年降水量600-900mm。試驗土壤為普通砂姜黑土。

    數(shù)據(jù)獲取與處理

使用無人機獲取高光譜成像數(shù)據(jù)，并在研究區(qū)域試驗田內(nèi)均勻地布設(shè)126個采樣點，采集小麥樣品用于全氮含量測定。對高光譜圖像進行預(yù)處理，包括鏡頭校正、輻射定標(biāo)、大氣校正等步驟。提取每個田塊的光譜反射率作為模型輸入的自變量。

    方法

采用XGBoost算法構(gòu)建冬小麥全氮含量遙感反演模型。XGBoost是一種改進的GBDT算法，具有更高的運算效率和更好的泛化能力。將經(jīng)過預(yù)處理的光譜反射率數(shù)據(jù)和實測全氮含量數(shù)據(jù)作為模型的輸入和輸出，利用貝葉斯優(yōu)化算法進行超參數(shù)調(diào)優(yōu)。使用70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)作為驗證集進行模型驗證和精度評估。

三、結(jié)果與討論

在長期定位試驗下，不同的肥料處理導(dǎo)致不同田塊上的土壤肥力存在顯著差異，田塊間冬小麥的長勢存在顯著差異，其葉片光合作用性能不同，故其對光的吸收和反射也不同，如圖３所示，不同田塊冬小麥冠層光譜特征呈現(xiàn)出顯著差異。為了篩選出用于構(gòu)建該區(qū)域冬小麥全氮含量遙感反演的敏感波段，首先對光譜反射率和實測全氮含量進行了相關(guān)性分析，計算了全氮含量與各波段光譜反射率之間的皮爾遜相關(guān)系數(shù)。由圖４可知，總體上各波段反射率與冬小麥全氮含量之間存在較高的相關(guān)性，在各波段的絕對相關(guān)系數(shù)均值 達0.732。在波長為795.3ｎｍ時，全氮含量與該波段相關(guān)性達到最大值，為0.794。波長小于735.5ｎｍ時，各波段的光譜反射率與全氮含量均成負相關(guān)；波長大于等于735.5ｎｍ 時，各波段

圖３ 不同田塊冬小麥冠層光譜圖

圖４ 光譜反射率與全氮含量之間的相關(guān)系數(shù)

的光譜反射率與全氮含量均成正相關(guān)。當(dāng)波長為735.5ｎｍ時，反射率與全氮含量之間的相關(guān)性最低，為0.232，其余波段的相關(guān)系數(shù)絕對值均高于0.5，這可能是由于各田塊在該波段上的光譜反射率幾乎一致（圖３），故各田塊在該波段上無光譜差異性。因此，本研究不采用全波段作為建模的自變量，采用了除735.5ｎｍ波段以外的所有波段作為模型輸入自變量，使用XGBoost方法構(gòu)建冬小麥全氮含量遙感反演模型，模型驗證精度使用決定系數(shù)Ｒ２、均方根誤差和平均絕對百分比誤差作為評價指標(biāo)，其中，MAPE用來評價模型預(yù)測結(jié)果的相對誤差。由圖５可知，XGBoost模型預(yù)測的和實測的小麥全氮含量較為接近，模型反演精度較高，R2達到 0.76，RMSE值較低，僅為2.68，MAPE值也較低，為11.8%，這說明XGBoost算法具有相對較強的學(xué)習(xí)性能，可以應(yīng)用于構(gòu)建冬小麥全氮含量遙感反演模型。

圖５ XGBoost模型反演的與實測全氮含量之間的散點圖

3.2 TNC預(yù)測結(jié)果分析

基于XGBoost算法的拔節(jié)期冬小麥全氮含量反演模型具有較好的驗證精度，現(xiàn)將該模型應(yīng)用到整片小麥大田上， 提取出不同土壤肥力條件下的小麥大田影像上所有像元在176個波段的反射率，輸入該反演模型進行預(yù)測整片小麥大田的全氮含量。

由圖６可知，XGBoost模型預(yù)測的拔節(jié)期冬小麥全氮含量總體上呈現(xiàn)較為顯著的空間分布差異，這是由長期試驗不同田塊不同的土壤肥力導(dǎo)致，該算法具有較強的泛化能力，構(gòu)建的遙感反演模型適用于預(yù)測不同土壤肥力條件的整片大田的冬小麥全氮含量空間分布。模型預(yù)測的冬小麥（拔節(jié)期）全氮含量范圍介于14%~29%之 間，平均全氮含量為19.66%。

3.3 冬小麥全氮含量與土壤全氮含量相關(guān)性分析

針對長期定位試驗下，不同壤肥力的田塊上的冬小麥全氮含量進行了遙感反演研究，由2.2節(jié)研究發(fā)現(xiàn)，在不同土壤肥力的田塊，冬小麥的全氮含量存在顯著空間分布差異性，這是由于土壤養(yǎng)分對冬小麥長勢有著一定的影響。因 此，本節(jié)針對冬小麥全氮含量與土壤全氮含量進行了相關(guān)性分析。如圖７所示，冬小麥全氮含量與土壤全氮含量之間存在著較為顯著的相關(guān)性，其中，冬小麥全氮含量范圍為12%~32%，土壤全氮含量范圍為29%~55%，兩者之間的決定系數(shù)（R2）為0.47。

圖６ XGBoost反演模型預(yù)測的TNC空間分布圖

圖７ 冬小麥全氮含量與土壤全氮含量之間的相關(guān)性

四、結(jié)論

本研究利用無人機高光譜遙感技術(shù)和XGBoost算法成功構(gòu)建了冬小麥全氮含量的遙感反演模型。該模型具有較高的驗證精度和較好的泛化能力，可用于預(yù)測不同土壤肥力條件下的小麥全氮含量空間分布。此外，還發(fā)現(xiàn)冬小麥全氮含量與土壤全氮含量之間存在較為顯著的相關(guān)性。這些結(jié)果為田間施肥管理提供了科學(xué)參考依據(jù)。