亚州二一二色网,黄色网络超级黄网站,免费扣b视频

引言

氮素是作物生長發育最需要的營養元素之一，對作物的光合作用和產量具有顯著影響。植株的全氮含量是表征作物氮素狀況的主要指標，因此有必要從植株氮素含量來評價作物氮素營養狀況。作物氮素狀況的有效診斷需建立在對作物生長特性和氮素水平實時監測的基礎上。目前，測定作物氮含量的傳統方法主要依靠田間取樣和實驗室化學分析。近年來，人們提出了利用葉綠素儀、葉綠素熒光等方法對植物氮素狀況進行無損估測。然而，這些方法僅針對單個植株單個葉片點對點的監測，在實際應用中難以反映作物植株的種群狀況。相比之下，無人機遙感近年來在精準農業領域得到了廣泛的應用，能夠實現對作物生長狀況由點到面的監測,并能夠快速評估農作物的空間差異性。無人機遙感平臺可以攜帶多光譜和高光譜傳感器，近十幾年來，高光譜遙感以其高分辨率、強連續性和海量信息獲取的優勢，進一步推動了定量農業遙感的發展。結合無人機高光譜遙感技術提取小麥長勢信息已經逐漸成為國內外學者研究熱點。Xia等利用該技術從高光譜數據中選取歸一化差異植被指數（ＮＤＶＩ）和比值植被指數（ＲＶＩ）構建了冬小麥生物量遙感反演模型。從無人機影像提取出來的植被指數可以提取小麥籽粒產量信息，支持向量回歸（ＳＶＲ）結合順序前向選擇（ＳＦＳ）技術能夠較好的用于提取籽粒信息。Liu等利用無人機高光譜數據和實測高光譜數據計算光譜指標，構建了用于反演不同生育期的冬小麥葉片含氮量（ＬＮＣ）的反演模型并分析了ＬＮＣ與光譜反射率的相關性。Wang等針對江蘇北部某實驗點小麥拔節、孕穗期和開花３個生育階段的葉片葉綠素進行了反演并發現與支持向量回歸（ＳＶＲ）和反向傳播神經網絡（ＢＰＮＮ）相比，基于隨機森林（ＲＦ）算法的葉綠素反演模型有較好的預測效果。在同一生育期，不同施肥處理的冬小麥光譜特征存在顯著差異，因此，有必要引入適用于不同肥力條件下的具有較強泛化能力的算法構建冬小麥全氮含量遙感反演模型。近年來，集成學習作為一種新的機器學習范式，通過增加學習器數目提高了其化能力并被廣泛應用于解決各類回歸問題。本研究以位于安徽蒙城的農業部蒙城砂姜黑土生態環境站內冬小麥為研究對象，基于無人機高光譜遙感數據和田間采樣數據，采用梯度提升樹類集成學習算法構建不同土壤肥力條件下拔節期冬小麥全氮含量遙感反演模型，提取不同肥力條件的田塊冬小麥全氮含量信息，以期為其田間施肥管理提供科學參考。

實驗部分

2.1 研究區及概況

以安徽蒙城的農業部蒙城砂姜黑土生態環境站（１１６°３７′ Ｅ，３３°１３′Ｎ)為研究區（如圖１）。本站位于安徽北部平原區，屬于暖溫帶半濕潤季風氣候，年平均氣溫1４.８℃，無霜期 212ｄ，年降水量６００～９００ｍｍ。試驗土為常見的普通砂姜黑土。試驗站始于１９８２年。試驗開始時耕層土壤（０～２０ｃｍ）的肥力性狀為：有機質１０.４ｇ·ｋｇ-1，全氮０.９６ｇ·ｋｇ－１，堿解氮８４．５ｍｇ·ｋｇ－１，全磷０．２８ｇ·ｋｇ－１，有效磷９．８ｍｇ· ｋｇ－１。設置７種不同的施肥處理，分別為撂荒、不施肥、施氮磷鉀化肥、氮磷鉀＋低量麥秸、氮磷鉀＋全量麥秸、氮磷鉀＋豬糞、氮磷鉀＋牛糞。全部肥料于秋季小麥種植整地前一次性施入各處理小區，人工或機械耕翻，與土壤充分混勻。長期以來，形成了具有較大肥力差異的小麥種植田塊。

2.2 數據獲取

使用的數據包括無人機高光譜成像數據和小麥全氮含量數據。如圖１，在研究區域試驗田內均勻地布設１２６個采樣點，每個采樣點取3-５株小麥，封裝保鮮帶回實驗室。將植株樣品置于７０℃干燥箱內恒溫干燥，粉碎，使用凱氏定氮法測定小麥全氮含量。對于每個采樣點，取３～５株小麥的均值作為該點全氮含量。計算公式如式（１）

Ｎ＝（Ｖ ×０．０５×１４×１００）／（１０００×Ｍ）（１）

式（１）中：Ｎ為全氮含量（％）；Ｖ為鹽酸體積變量（ｍＬ）；M為樣品質量（ｇ）。

圖1 研究區域試驗田分布

2.3 數據預處理

無人機高光譜圖像的處理包括以下步驟：第一是鏡頭校正，消除圖像畸變；第二步，輻射定標，將數字灰度值轉換為反射率；然后進行大氣校正，以消除大氣、水汽等因素的影響。通過軟件對多景遙感影像進行拼接；最后，從每個田塊中提取感興趣區域的平均光譜。因此，每個田塊在176個波段都有對應的平均譜，作為模型輸入的自變量，這里將整個大田均勻地劃分成了126個田塊。對于小麥全氮含量實測數據，為避免異常值對建模產生影響，去除了異常實測值。

2.4 方法

XGBoost是由陳天奇等改進的一種GBDT算法,它與GBDT算法有較多不同點，比如在優化時，GBDT僅僅用到了一階導數，XGBoost則另外引入了二階導數對損失函數進行調優；在目標函數里，XGBoost算法為了避免過擬合現象，將樹模型復雜度作為正則項。此外，XGBoost在訓練過程中參考了隨機森林的思想，每次迭代過程中不使用全數樣本，且不采用樣本的所有特征，而是有選擇地采取部分樣本的部分特征進行訓練，這樣可有效提高模型的泛化能力，削弱模型欠擬合和過擬合現象，而且XGBoost算法支持并行計算以提高運行速度。該算法原理是將原始數據集分割成多個數據子集，將每個子集隨機地分配給基學習器進行預測，然后將基學習器的結果按照一定的權重進行計算，從而預測最后的結果。圖２為整體實驗的技術路線圖，分為３個步驟。第一步，構建模型訓練集，將176個波段的光譜反射率信息作為模型輸入的自變量，實測全氮含量數據作為模型因變量，隨機選取７０％的采樣點的數據作為訓練集并對自變量進行歸一化處理；第二步，反演模型構建與驗證，采用貝葉斯優化算法對模型進行超參數調優，該優化方法可以看做一個高斯過程，考慮了先驗參數信息且不斷更新知識而傳統的網格搜索或隨機不考慮先驗參數信息。此外，貝葉斯優化方法迭代次少運行速度快，可以優化XGBoost這種具有多個參數的算法，表１為本研究中XGBoost遙感反演模型中關鍵超參數的含義及其調優后的結果，其他參數設置為默認值。利用３０％的驗證集數據進行模型驗證和精度評估，第三步，基于第二步構建好的全氮含量遙感反演模型預測大田小麥的全氮含量，提取無人機高光譜影像上所有像元的光譜反射率信息作為模型的輸入，輸出預測的全氮含量并成圖。

圖２基于XGBoost模型的冬小麥全氮含量遙感預測技術路線圖

表１ XGBoost模型中一些超參數的含義及其最優值

結果與討論

3.1 模型反演精度分析

在長期定位試驗下，不同的肥料處理導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出顯著差異。為了篩選出用于構建該區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系數。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性，在各波段的絕對相關系數均值達0.732。在波長為795.3ｎｍ時，全氮含量與該波段相關性達到最大值，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；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系數

的光譜反射率與全氮含量均成正相關。當波長為735.5ｎｍ時，反射率與全氮含量之間的相關性最低，為0.232，其余波段的相關系數絕對值均高于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Ｒ２、均方根誤差和平均絕對百分比誤差作為評價指標，其中，MAPE用來評價模型預測結果的相對誤差。由圖５可知，XGBoost模型預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習性能，可以應用于構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預測結果分析

基于XGBoost算法的拔節期冬小麥全氮含量反演模型具有較好的驗證精度，現將該模型應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測整片小麥大田的全氮含量。

由圖６可知，XGBoost模型預測的拔節期冬小麥全氮含量總體上呈現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致，該算法具有較強的泛化能力，構建的遙感反演模型適用于預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。模型預測的冬小麥（拔節期）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節研究發現，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，這是由于土壤養分對冬小麥長勢有著一定的影響。因此，本節針對冬小麥全氮含量與土壤全氮含量進行了相關性分析。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（R2）為0.47。