一、引言

天然牧草是我國草原牧區草食家畜飼料的主要來源,其營養成分直接影響著草食畜的營養狀況、生長和發育,也間接影響畜產品的產量和質量,氮(N)、磷(P)、鉀(,K)是牧草所需的關鍵營養元素,其含量對于草地的健康和生長至關重要。因此,精確估算牧草N,P,K含量對評價草地營養價值具有重要意義。

本研究對內蒙古的溫性草原和溫性荒漠草原開展無人機高光譜數據及同步的地面實測數據的采樣。在高光譜數據的不同預處理基礎上,采用機器學習算法包括隨機森林(RF)和PLSR結合Lasso回歸特征選擇,對天然草地牧草N,,K含量進行了評估。本研究可為牧場放牧管理和飼料供需管理提供參考,對畜牧業草地的合理利用以及生態環境保護具有重要的參考價值。

二、材料與方法

2.1 研究區概況

研究區位于內蒙古錫林郭勒盟的蘇尼特左旗和錫林浩特市,屬于溫帶大陸性氣候,冬季漫長嚴寒,夏季短暫炎熱,年均溫度在5℃至9℃之間。其中,蘇尼特左旗分布在內蒙古錫林郭勒盟的西部,草地類型主要以溫性荒漠草原為主,地勢整體呈現出西高東低的傾斜趨勢,海拔為1000m左右,年降水量為180mm,主要集中在夏季;植被組成以針茅、羊草為優勢種的旱叢生小禾草以及混生小灌木為主。錫林浩特市分布在錫林郭勒盟中部,草地類型主要為溫性草原,地勢相對平坦,海拔高度為1100~1300m,年均降水量約為300~350mm;大針茅、羊草等旱生禾草以及多年生密叢草本植物冰草和冷蒿是該草地的植物群落組成。

圖1 研究區海拔高度和草地類型分布圖

2.2高光譜數據采集與圖像處理

本研究主要通過無人機搭載傳感器獲取數據，并通過軟件分析處理。

2.3 模型評價

采用決定系數(R2)、均方根誤差(RMSE)和相對預測偏差(RPD)評估N,P,K含量的估測模型精度。R2范圍為0~1,越接近1,模型擬合度越好。RMSE越小,模型預測準確度越高。當RPD在1.4~1.8之間時,表示該模型可用于預測,當RPD在1.8~2之間,模型質量一般;當RPD在2.0~2.5之間時,模型質量較好;當RPD大于2.5時,模型質量極好。

三、結果與分析

3.1兩種草地類型下N,P,K含量統計分析

本研究使用蒙特卡洛算法對高光譜反射率數據進行了異常值剔除。共得到CP含量對應實測樣本值92個,其中溫性荒漠草原43個樣本,溫性草原49個。然后,采用算法將牧草N,P,K含量實測值分別按照7∶3分為訓練集和測試集,結果如表1所示。

表1 兩種草地類型下牧草 N,P,K 含量的統計分析

在所有樣本集中,相比于P含量(0.04~0.24mg·g-1)和K含量(0.09~0.48mg·g-1),N含量(1.14~3.24mg·g-1)偏高;N,P和K含量在所有樣本集中變異系數均較高,范圍為17.95%~53.35%,表明樣本有一定的離散性;兩種草地類型的訓練集和測試集中的均值和標準差相近,分布均勻,具有建模的可靠性。

3.2不同方法的高光譜數據預處理結果

對OR光譜和處理后光譜反射率平均,得到光譜反射率曲線。

圖2 兩種草地類型下不同光譜預處理方法的處理結果

結果如圖2所示,不同高光譜處理方法具有不同的光譜特征。在OR光譜中,溫性荒漠草原的反射率比溫性草原更高;另外,溫性草原在紅色邊緣區域的反射率在695nm處急劇上升,776nm后趨于平穩;而溫性荒漠草原的反射率則在藍光和綠光區域急劇增加,在紅外區域緩慢增加。在SG光譜中,光譜曲線相比于OR光譜更加平滑。Log(1/R)處理可以調整數據的尺度,提高數據對細微差異的敏感性,與SG平滑處理的光譜曲線相比具有相反的趨勢。此外,FD處理能夠有效地突出數據中細微變化、特征峰和谷值,其中在溫性荒漠草原在可見光區域的反射率高于溫性草原。而在紅邊區域,溫性草原的反射率明顯高于溫性荒漠草原。

3.3高光譜預處理數據與N,P,K含量的相關性分析

根據地面樣方數據的位置和空間坐標信息與高光譜影像中對應位置的反射率結合劃分訓練和測試樣本。將兩種草地類型下不同預處理的高光譜反射率數據分別與N,P,K含量作相關性分析,所有光譜曲線與N,P,K含量的顯著相關(P<0.05)區域主要在可見光區域和近紅外區域。高光譜數據與N含量的相關性結果如圖3所示。

圖3 不同光譜預處理方法與 N含量的相關性分析結果

在OR光譜中,溫性荒漠草原光譜數據與N含量相關性明顯高于溫性草原,由表2得出,在429nm處相關性最高(r=-0.762),溫性草原同樣也是在429nm處相關性最高(r=-0.455)。對于SG光譜曲線,溫性荒漠草原下光譜數據與N含量在429nm處相關性最高(r=-0.766),溫性草原在397nm處相關性最高(r=-0.454)。在Log(1/R)光譜中,溫性荒漠草原和溫性草原下,N含量與429nm和397nm處的反射率表現出最高的正相關性,r分別為0.767和0.454。在FD光譜曲線中,溫性荒漠草原下在482nm處的光譜反射率與N含量相關性最高,呈負相關性關系(r=-0.727),溫性草原下在738nm處反射率與N含量相關性最高,且呈正相關(r=0.552)。高光譜數據與P含量的相關性結果如圖4所示,相關性曲線趨勢與N含量表現一致。

圖4 不同光譜預處理方法與 P含量的相關性分析結果

由表2可知,對于OR光譜,溫性荒漠草原和溫性草原下光譜反射率與P含量的相關性分別在429nm和453nm處的波段表現最高,且均為負相關,r分別為-0.727和-0.390。對于SG光譜曲線,溫性荒漠草原下光譜數據與P含量在429nm處相關性最高(r=-0.740),溫性草原在429nm處相關性最高(r=-0.376)。對于Log(1/R)光譜,溫性荒漠草原和溫性草原下均是在429nm處的反射率數據與P含量的相關性最高,均為正相關,相關系數r分別為0.740和0.381。對于FD光譜曲線,溫性荒漠草原光譜與P含量在429nm處相關性最高(r=-0.770),溫性草原在457nm處相關性最高(r=-0.431)。

表2 不同高光譜預處理數據與 N,P,K 含量最高相關性的統計表

圖5 兩種草地類型下不同光譜預處理方法與 K 含量的相關性分析結果

高光譜數據與K含量的相關性結果如圖5所示,相關性曲線趨勢與N,P含量曲線一致。由表2結果看出,對于OR光譜,溫性荒漠草原和溫性草原下光譜反射率與K含量分別在429nm和397nm處相關性最高,均為負相關,r分別為-0.649和-0.357。對于SG光譜曲線,溫性荒漠草原光譜數據與K含量在429nm處相關性最高(r=-0.654),溫性草原在397nm處相關性最高(r=-0.357)。對于Log(1/R)光譜,溫性荒漠草原和溫性草原下分別在429nm和397nm處的光譜反射率與K含量相關性最高,均為正相關,r分別為0.653和0.357。對于FD光譜曲線,溫性荒漠草原光譜與K含量在429nm處相關性最高(r=-0.702),溫性草原在855nm處相關最高(r=-0.452)。

3.4牧草N,P,K含量的模型構建與精度評價

本研究利用不同處理的高光譜數據分別與N,P,K含量構建了RF和PLSR模型,結果如表3所示。

表3兩種草地類型下牧草 N,P,K 含量模型構建結果

N含量構建的16個模型中,在溫性荒漠草原下的最優模型為SG-FD-Lasso-RF,該模型在測試集上的R2值為0.90,RMSE分別為0.11mg·g-1,RPD達到3.14,模型效果極好。與OR光譜相比,R2提高了12.22%,RMSE降低了38.89%,RPD提高了43.95%。在溫性草原中,最優模型為SGFD-Lasso-RF,該模型在測試集上的R2值為0.82,RMSE分別為0.15mg·g-1,RPD達到2.35,模型效果較好。與OR光譜相比,R2提高了26.59%,RMSE降低了42.31%,RPD提高了38.29%。以上結果表明,FD處理后構建的RF估測模型與OR光譜相比,在兩種草地類型下均表現出較好的結果,能夠顯著改善N含量預測的準確性。

在P含量與光譜數據構建的16個模型中,溫性荒漠草原下的最優模型SG-Log(1/R)-LassoPLSR,該模型在測試集上的R2值為0.75,RMSE分別為0.023mg·g-1,RPD達到2.54,模型效果極好。與OR光譜相比,R2提高了10.67%,RMSE降低了17.85%,RPD提高了39.37%。在溫性草原中,最優模型為SG-Log(1/R)-Lasso-RF,該模型在測試集上的R2值為0.76,RMSE分別為0.018mg·g-1,RPD達到2.01,模型效果較好。與OR光譜相比,R2提高了10.53%,RMSE降低了5.26%,RPD提高了12.44%。總體而言,在溫性荒漠草原下Log(1/R)處理相比于OR光譜構建的PLSR估測模型能夠顯著改善P含量預測的準確性。而在溫性草原下,Log(1/R)處理相比于OR光譜構建的RF估測模型能夠顯著提高P含量的預測精度。

在K含量與光譜數據構建的16個模型中,溫性荒漠草原下的最優模型為SG-FD-Lasso-RF,該模型在測試集上的R2值為0.79,RMSE分別為0.043mg·g-1,RPD達到2.18,模型效果較好。與OR光譜相比,R2提高了18.99%,RMSE降低了31.75%,RPD提高了22.94%。在溫性草原中,最優模型為SG-FD-Lasso-RF,該模型在測試集上的R2值為0.80,RMSE分別為0.026mg·g-1,RPD達到2.23,表明模型效果較好。與OR光譜相比,R2提高了31.25%,RMSE降低了38.09%,RPD提高了33.18%。P含量與N含量結果一致,FD處理后構建的RF估測模型與OR光譜相比,在兩種草地類型下均表現出較好的結果,能夠顯著提高P含量預測的準確性。

圖6 兩種草地類型下牧草 N,P,K 含量最優模型擬合效果

對比了兩種草地類型下N,P,K含量構建的最優模型實測值與預測值。結果如圖6所示,N和K含量均在FD處理下表現最優,P含量在Log(1/R)處理下表現最好,可以表明,高光譜的FD和Lo(1/R)處理對模型精度具有一定的提高效果。同g時,在構建的這6個最優模型中,只有溫性荒漠草原下P含量的PLSR模型效果最好,其余5個最優模型均在RF算法上表現最佳,表明RF模型比PLSR和SVM模型更適用于預測天然牧草的N,P,K含量中,對于實際應用中牧草營養成分的含量反演具有重要的參考價值。另外,N含量擬合效果優于P和K含量,但是其穩定性不如P和K含量。在溫性荒漠草原中,N含量預測結果優于溫性草原,而P和K含量則在溫性草原上表現最佳。

四、結論

本文分析了內蒙古自治區兩種草地類型下不同預處理方法的光譜數據與N,P,K含量之間的相關性,發現Log(1/R)預處理和FD處理能提高N,P和K含量的相關性。Lasso回歸可以大大降低波段數量。此外,在構建N和K含量模型時,FD被確定為最優預處理方法,而在構建P含量的機器學習模型時,Log(1/R)處理方法表現最佳。在溫性荒漠草原下,P含量構建的PLSR模型效果最佳。而在兩種草地類型下的N和K含量以及溫性草原下P含量構建的RF模型均表現最優。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇