中国农业科学 ›› 2023, Vol. 56 ›› Issue (5): 850-865.doi: 10.3864/j.issn.0578-1752.2023.05.004
郭燕1,2,3(), 井宇航1,4, 王来刚1,2,3, 黄竞毅5, 贺佳1,2,3, 冯伟4, 郑国清1,2,3(
)
收稿日期:
2022-08-02
接受日期:
2022-09-08
出版日期:
2023-03-01
发布日期:
2023-03-13
通信作者:
郭燕,E-mail:10914063@zju.edu.cn。郑国清,E-mail:zgqzx@hnagri.org.cn
基金资助:
GUO Yan1,2,3(), JING YuHang1,4, WANG LaiGang1,2,3, HUANG JingYi5, HE Jia1,2,3, FENG Wei4, ZHENG GuoQing1,2,3(
)
Received:
2022-08-02
Accepted:
2022-09-08
Published:
2023-03-01
Online:
2023-03-13
摘要:
【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1﹕1直线附近,而BP和SVR方法预测的植株氮含量分布相对较为分散;RF方法构建的预测模型R 2最大,RMSE最小,MAE中等,分别为0.81、0.42%和0.29%;SVR方法构建的预测模型R 2最小,RMSE和MAE较大,分别为0.66、0.54%和0.40%。(3)以W1处理(按需灌溉)实测植株氮含量为训练集,采用BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测R 2分别为0.75、0.72、0.72和0.66;以W0处理(自然状态)实测植株氮含量为训练集,BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测R 2分别为0.51、0.69、0.61和0.45。【结论】4种机器学习方法构建的冬小麦植株氮含量预测模型均表现出了较强的迁移预测能力,尤以RF和Adaboost方法构建的模型预测效果和迁移能力为好。
郭燕, 井宇航, 王来刚, 黄竞毅, 贺佳, 冯伟, 郑国清. 基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析[J]. 中国农业科学, 2023, 56(5): 850-865.
GUO Yan, JING YuHang, WANG LaiGang, HUANG JingYi, HE Jia, FENG Wei, ZHENG GuoQing. UAV Multispectral Image-Based Nitrogen Content Prediction and the Transferability Analysis of the Models in Winter Wheat Plant[J]. Scientia Agricultura Sinica, 2023, 56(5): 850-865.
表1
植被指数及计算公式"
植被指数 Vegetation index | 简写Abbreviation | 计算公式 Formulas | 文献 References |
---|---|---|---|
绿波段归一化植被指数 Green-band normalized vegetation index | GNDVI | (Rnir-Rgreen)/(Rnir+Rgreen) | [ |
绿波段优化土壤调节植被指数 Green-band optimized soil adjusted vegetation index | GOSAVI | 1.16×(Rnir-Rgreen)/(Rnir+Rgreen+0.16) | [ |
归一化差异植被指数 Normalized difference vegetation index | NDVI | (Rnir-Rred)/(Rnir+Rred) | [ |
改进简单比值植被指数 Modified simple ratio index | MSR | ((Rnir/Rred)-1)/(((Rnir/Rred)+1)0.5) | [ |
红边优化土壤调节植被指数 Rededge-band optimized soil adjusted vegetation index | REOSAVI | 1.16×(Rnir-Rred)/(Rnir+Rred+0.16) | [ |
红边重归一化植被指数 Rededge-band renormalized difference vegetation index | RERDVI | (Rnir-Rred edge)/((Rnir+Rrededge)0.5) | [ |
叶绿素吸收比值指数 Chlorophyll absorption ratio index | CARI | (Rred edge-Rred)-0.2×(Rrededge+Rred) | [ |
优化土壤调节植被指数 Optimized soil adjusted vegetation index | OSAVI | (Rnir-Rred)/(Rnir+Rred+0.16) | [ |
归一化蓝绿差异指数 Normalized blue-green difference index | NGBDI | (Rgreen-Rblue)/(Rgreen+Rblue) | [ |
增强型植被指数 Enhanced vegetation index | EVI | 2.5×(Rnir-Rred)/(Rnir+6×Rred-7.5×Rblue+1) | [ |
三角植被指数 Triangle vegetation index | TVI | 0.5×(120×(Rnir-Rgreen)-200×(Rred-Rgreen)) | [ |
大气阻抗植被指数 Atmospherically resistant vegetation index | VARI | (Rgreen-Rred)/(Rgreen+Rred-Rblue) | [ |
过绿指数 Excessive green index | EXG | 2×Rgreen-Rred-Rblue | [ |
比值植被指数 Ratio vegetation index | RVI | Rnir/Rred | [ |
修正三角植被指数 Modified triangle vegetation index | MTVI | (1.5×(1.2×(Rnir-Rgreen)-2.5×(Rred-Rgreen)))/(((2×Rnir+1)2-6×Rnir-5×(Rred)0.5-0.5)0.5) | [ |
土壤调节植被指数Soil adjusted vegetation index | SAVI | 1.5×(Rnir-Rred)/(Rnir+Rred+0.5) | [ |
归一化蓝绿波段差值植被指数 Normalized blue-green band difference vegetation index | GBNDVI | (Rnir-(Rgreen+Rblue))/(Rnir+Rgreen+Rblue) | [ |
重归一化植被指数Renormalized difference vegetation index | RDVI | (Rnir-Rred)(Rnir+Rred)0.5 | [ |
差值植被指数Difference vegetation index | DVI | Rnir-Rred | [ |
优化植被指数Optimized vegetation index | VIplot | 1.45×(R2nir+1)(Rred+0.45) | [ |
表2
BP、RF、Adaboost和SVR方法的参数值"
BP | RF | Adaboost | SVR | ||||
---|---|---|---|---|---|---|---|
参数名 Parameters | 参数值 Parameter value | 参数名 Parameters | 参数值 Parameter value | 参数名 Parameters | 参数值 Parameter value | 参数名 Parameters | 参数值 Parameter value |
数据切分 Data cut | 0.5 | 数据切分 Data cut | 0.5 | 数据切分 Data cut | 0.5 | 数据切分 Data cut | 0.5 |
数据洗牌 Data shuffling | 是 Yes | 数据洗牌 Data shuffling | 是 Yes | 数据洗牌 Data shuffling | 是 Yes | 数据洗牌 Data shuffling | 是 Yes |
交叉验证 Cross validation | 3折 3-fold cross validation | 交叉验证 Cross validation | 3折 3-fold cross validation | 交叉验证 Cross validation | 3折 3-fold cross validation | 交叉验证 Cross validation | 3折 3-fold cross validation |
激活函数 Activation function | Identity | 节点分裂评价准则 Identity node split evaluation criterion | mse | 基分类器数量 Number of base classifiers | 100 | 惩罚系数 Penalty factor | 1 |
求解器 Sovler | lbfgs | 内部节点分裂最小样本数 Minimum number of samples for internal node splitting | 2 | 损失函数 Loss function | linear | 核函数 Kernel function | linear |
学习率 Learning rate | 0.1 | 叶子节点最小样本数 Minimum number of samples of leaf nodes | 1 | 基分类器 Base classifier | 决策树 Decision tree | 核函数系数 Kernel function coefficient | scale |
L2正则项 L2 regular term | 1 | 树的最大深度 Maximum depth of tree | 10 | 学习率 Learning rate | 1 | 核函数最高项次数 Maximum number of terms in kernel function | 3 |
迭代次数 Number of iterations | 1000 | 叶子节点的最大数量 Maximum number of leaf nodes | 50 | 误差收敛条件 Error convergence condition | 0.001 | ||
隐藏第1层 神经元数量 Number of hidden layers 1st neurons | 100 | 决策树数量 Number of decision trees | 100 | 最大迭代次数 Maximum number of iterations | 1000 |
表3
光谱特征与植株氮含量之间的相关分析"
反射率 Reflectance | 植被指数 Vegetation index | 植被指数 Vegetation index | 植被指数 Vegetation index | 植被指数 Vegetation index | |||||
---|---|---|---|---|---|---|---|---|---|
B | -0.59** | GNDVI | -0.02 | RERDVI | 0.80** | TVI | 0.57** | SAVI | 0.79** |
G | -0.09** | GOSAVI | -0.06 | CARI | 0.79** | VARI | 0.76** | GBNDVI | -0.30** |
R | -0.68** | NDVI | 0.68** | OSAVI | 0.57** | EXG | 0.47** | RDVI | 0.79** |
Rededge | -0.20** | MSR | 0.66** | NDRGI | 0.60** | RVI | 0.64** | DVI | 0.35** |
Nir | 0.78** | REOSAVI | 0.57** | EVI | 0.46** | MTVI | 0.80** | Viopt | -0.26** |
表4
光谱特征与植株氮含量之间的相关性"
波段 Band | con | cor | dis | ent | hom | mean | sm | var |
---|---|---|---|---|---|---|---|---|
B | -0.22** | 0.21** | -0.25** | -0.24** | 0.26** | -0.05 | 0.25** | -0.16** |
G | -0.22** | -0.58** | -0.22** | -0.16** | 0.22** | -0.32** | 0.16** | -0.20** |
R | -0.33** | 0.09 | -0.36** | -0.38** | 0.36** | -0.22* | 0.37** | -0.33** |
Rededge | -0.08 | -0.63** | -0.07 | 0.04 | 0.06 | 0.05 | -0.05 | -0.06 |
Nir | 0.12* | -0.56** | 0.11* | 0.40** | -0.20** | 0.79** | -0.39** | 0.21** |
表5
BP、RF、Adaboost和SVR方法构建的植株氮含量模型评价效果"
方法Method | 数据Dataset | R² | RMSE (%) | MAE (%) |
---|---|---|---|---|
BP | 训练集Training dataset | 0.84 | 0.40 | 0.30 |
测试集Test dataset | 0.71 | 0.48 | 0.37 | |
RF | 训练集Training dataset | 0.96 | 0.17 | 0.13 |
测试集Test dataset | 0.81 | 0.42 | 0.29 | |
Adaboost | 训练集Training dataset | 1.00 | 0.02 | 0.01 |
测试集Test dataset | 0.79 | 0.44 | 0.32 | |
SVR | 训练集Training dataset | 0.70 | 0.52 | 0.40 |
测试集Test dataset | 0.66 | 0.54 | 0.40 |
[1] |
United States Department of Agriculture USDA, World Agricultural Production. Circular Series WAP. 2022: 27-42. https://apps.fas.usda.gov/psdonline/circulars/production.pdf.
|
[2] |
doi: 10.1016/j.fcr.2012.06.003 |
[3] |
doi: 10.3389/fpls.2019.01601 pmid: 31921250 |
[4] |
郭燕, 井宇航, 贺佳, 王来刚, 冯伟, 刘海礁. 小麦冠层氮素含量光谱估算研究进展. 麦类作物学报, 2021, 41(11): 1425-1431.
|
|
|
[5] |
|
[6] |
杨宝华, 陈建林, 陈林海, 曹卫星, 姚霞, 朱艳. 基于敏感波段的小麦冠层氮含量估测模型. 农业工程学报, 2015, 31(22): 176-182.
|
|
|
[7] |
王玉娜, 李粉玲, 王伟东, 陈晓凯, 常庆瑞. 基于无人机高光谱的冬小麦氮素营养监测. 农业工程学报, 2020, 36(22): 31-39.
|
|
|
[8] |
doi: 10.3390/rs13040739 |
[9] |
doi: 10.1016/j.chemolab.2021.104404 |
[10] |
doi: 10.1016/j.compag.2020.105860 |
[11] |
井宇航, 郭燕, 张会芳, 戎亚思, 张少华, 冯伟, 王来刚, 贺佳, 刘海礁, 郑国清. 无人机飞行高度对冬小麦植株氮积累量预测模型的影响. 河南农业科学, 2022, 51(2):147-158.
|
|
|
[12] |
张潇元, 张立福, 张霞, 王树东, 田静国, 翟涌光. 不同光谱植被指数反演冬小麦叶氮含量的敏感性研究. 中国农业科学, 2017, 50(3): 474-485.
doi: 10.3864/j.issn.0578-1752.2017.03.006 |
doi: 10.3864/j.issn.0578-1752.2017.03.006 |
|
[13] |
doi: 10.1016/j.compag.2019.04.005 |
[14] |
魏鹏飞, 徐新刚, 李中元, 杨贵军, 李振海, 冯海宽, 陈帼, 范玲玲, 王玉龙, 刘帅兵. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测. 农业工程学报, 2019, 35(8):126-133.
|
|
|
[15] |
贾丹, 陈鹏飞. 低空无人机影像分辨率对冬小麦氮浓度反演的影响. 农业机械学报, 2020, 51(7): 164-169.
|
|
|
[16] |
doi: 10.1016/j.ijleo.2021.168241 |
[17] |
doi: 10.4236/ars.2018.72006 |
[18] |
杨福芹, 冯海宽, 肖天豪, 李天驰, 郭向前. 融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算. 农业现代化研究, 2020, 41(4): 718-726.
|
|
|
[19] |
doi: 10.1016/j.fcr.2017.05.005 |
[20] |
doi: 10.1016/j.compag.2018.05.012 |
[21] |
doi: 10.1016/j.jag.2020.102174 |
[22] |
黄芬, 高帅, 姚霞, 张小虎, 朱艳. 基于机器学习和多颜色空间的冬小麦叶片氮含量估算方法研究. 南京农业大学学报, 2020, 43(2): 364-371.
|
|
|
[23] |
李金敏, 陈秀青, 杨琦, 史良胜. 基于高光谱的水稻叶片氮含量估计的深度森林模型研究. 作物学报, 2021, 47(7): 1342-1350.
doi: 10.3724/SP.J.1006.2021.02060 |
|
|
[24] |
doi: 10.1016/j.compag.2021.106421 |
[25] |
李美炫, 朱西存, 白雪源, 彭玉凤, 田中宇, 姜远茂. 基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演. 中国农业科学, 2021, 54(10): 2084-2094.
doi: 10.3864/j.issn.0578-1752.2021.10.005 |
doi: 10.3864/j.issn.0578-1752.2021.10.005 |
|
[26] |
doi: 10.3390/drones5030061 |
[27] |
doi: 10.1016/0034-4257(92)90059-S |
[28] |
doi: 10.1080/01431160110115799 |
[29] |
doi: 10.1016/j.agwat.2021.107076 |
[30] |
于丰华, 邢思敏, 郭忠辉, 白驹驰, 许童羽. 基于特征转移植被指数的水稻叶片氮素含量定量估算. 农业工程学报, 2022, 38(2): 175-182.
|
|
|
[31] |
牛亚晓, 张立元, 韩文霆, 邵国敏. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法. 农业机械学报, 2018, 49(4): 212-221.
|
|
|
[32] |
奚雪, 赵庚星. 基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测. 中国农学通报, 2020, 36(20): 119-126.
doi: 10.11924/j.issn.1000-6850.casb20190400050 |
doi: 10.11924/j.issn.1000-6850.casb20190400050 |
|
[33] |
doi: 10.3390/rs10091484 |
[34] |
万亮, 岑海燕, 朱姜蓬, 张佳菲, 杜晓月, 何勇. 基于纹理特征与植被指数融合的水稻含水量无人机遥感监测. 智慧农业, 2020, 2(1): 58-67.
|
|
|
[35] |
于利峰, 乌兰吐雅, 乌云德吉, 许洪滔, 包珺玮, 任婷婷. 基于纹理特征与MODIS-NDVI时间序列的耕地面积提取研究. 中国农业资源与区划, 2018, 39(11): 169-177.
|
|
|
[36] |
王镕. 基于光谱和纹理特征综合的农作物种植结构提取方法研究. 兰州: 兰州交通大学, 2019.
|
|
|
[37] |
doi: 10.1016/j.aej.2021.08.018 |
[38] |
doi: 10.1007/s11042-021-10634-4 |
[39] |
高苹, 徐敏, 孔维财, 张志薇. 基于最优化相关分析的油菜开花期预报模型研究. 海洋气象学报, 2021, 41(3): 77-83.
|
|
|
[40] |
崔承齐, 刘艳阳, 江晓林, 孙知雨, 杜振伟, 武轲, 梅鸿献, 郑永战. 芝麻产量相关性状的多位点全基因组关联分析及候选基因预测. 中国农业科学, 2022, 55(1): 219-232.
doi: 10.3864/j.issn.0578-1752.2022.01.018 |
|
|
[41] |
宋宇斐. 基于数字图像的小麦叶绿素和氮素营养检测研究. 保定: 河北农业大学, 2020.
|
|
|
[42] |
刘秀英, 余俊茹, 王世华. 光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型. 农业工程学报, 2020, 36(22): 308-315.
|
|
|
[43] |
doi: 10.1016/S0034-4257(96)00072-7 |
[44] |
doi: 10.1016/S0034-4257(02)00048-2 |
[45] |
|
[46] |
doi: 10.1080/07038992.1996.10855178 |
[47] |
doi: 10.1007/s11119-015-9412-y |
[48] |
doi: 10.1016/0034-4257(95)00186-7 |
[49] |
|
[50] |
|
[51] |
|
[52] |
|
[53] |
|
[54] |
doi: 10.1016/j.rse.2003.12.013 |
[55] |
doi: 10.1016/0034-4257(92)90074-T |
[56] |
doi: 10.2307/1936256 |
[57] |
doi: 10.1080/01431160600791650 |
[58] |
doi: 10.1016/j.seta.2021.101029 |
[59] |
王鑫梅, 张劲松, 孟平, 杨洪国, 孙圣. 基于无人机遥感影像的核桃冠层氮素含量估算. 农业机械学报, 2021, 52(2): 178-187.
|
|
|
[60] |
李航. 机器学习方法. 北京: 清华大学出版社, 2022.
|
|
|
[61] |
周志华. 机器学习. 北京: 清华大学出版社, 2016.
|
|
|
[62] |
doi: 10.1016/j.jhydrol.2019.05.079 |
[63] |
doi: 10.1016/j.compag.2021.106614 |
[64] |
|
[65] |
doi: 10.1016/j.ijforecast.2016.01.006 |
[66] |
|
[67] |
doi: 10.1016/j.cma.2021.114238 |
[68] |
|
[69] |
doi: 10.1016/j.jhydrol.2020.125033 |
[70] |
Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11) [Online Application Software]. https://www.spsspro.com.
|
[71] |
|
[72] |
doi: S0893-6080(19)30302-8 pmid: 31586856 |
[73] |
doi: 10.1016/j.renene.2021.05.045 |
[74] |
doi: 10.1016/j.ecolind.2021.107356 |
[75] |
doi: 10.1016/j.compag.2021.106634 |
[76] |
doi: 10.3390/e23010018 |
[77] |
申哲, 张认连, 龙怀玉, 徐爱国. 基于机器学习方法的宁夏南部土壤质地空间分布研究. 中国农业科学, 2022, 55(15): 2961-2972.
doi: 10.3864/j.issn.0578-1752.2022.15.008 |
doi: 10.3864/j.issn.0578-1752.2022.15.008 |
|
[78] |
王来刚, 郑国清, 郭燕, 贺佳, 程永政. 融合多源时空数据的冬小麦产量预测模型研究. 农业机械学报, 2022, 53(1): 198-204, 458.
|
|
|
[79] |
doi: 10.1007/s42979-021-00592-x |
[1] | 蔡苇荻,张羽,刘海燕,郑恒彪,程涛,田永超,朱艳,曹卫星,姚霞. 基于成像高光谱的小麦冠层白粉病早期监测方法[J]. 中国农业科学, 2022, 55(6): 1110-1126. |
[2] | 冯子恒,宋莉,张少华,井宇航,段剑钊,贺利,尹飞,冯伟. 基于无人机多光谱和热红外影像信息融合的小麦白粉病监测[J]. 中国农业科学, 2022, 55(5): 890-906. |
[3] | 王淑婷,孔雨光,张赞,陈红艳,刘鹏. 基于星-机光谱融合的棉花叶片SPAD值反演[J]. 中国农业科学, 2022, 55(24): 4823-4839. |
[4] | 马啸,陈鹏飞. 基于无人机多光谱影像的小麦封垄前种植行识别方法改进[J]. 中国农业科学, 2022, 55(20): 3926-3938. |
[5] | 陈春羽,陈松岭,韩艳玉,任立军,邹洪涛,张玉龙. 仿生改性水基共聚物包膜氮肥的制备及其性能研究[J]. 中国农业科学, 2022, 55(20): 3970-3982. |
[6] | 陶海玉,张爱武,庞海洋,康孝岩. 智能手机原位牧草生物量估算[J]. 中国农业科学, 2021, 54(5): 933-944. |
[7] | 周萌,韩晓旭,郑恒彪,程涛,田永超,朱艳,曹卫星,姚霞. 基于参数化和非参数化法的棉花生物量高光谱遥感估算[J]. 中国农业科学, 2021, 54(20): 4299-4311. |
[8] | 费帅鹏,禹小龙,兰铭,李雷,夏先春,何中虎,肖永贵. 基于高光谱遥感和集成学习方法的冬小麦产量估测研究[J]. 中国农业科学, 2021, 54(16): 3417-3427. |
[9] | 李美炫,朱西存,白雪源,彭玉凤,田中宇,姜远茂. 基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演[J]. 中国农业科学, 2021, 54(10): 2084-2094. |
[10] | 史丰智,王瑞燕,李玉环,闫宏,张晓鑫. LAI无人机多光谱遥感估测及其在盐渍土改良中的应用[J]. 中国农业科学, 2020, 53(9): 1795-1805. |
[11] | 赵静,李志铭,鲁力群,贾鹏,杨焕波,兰玉彬. 基于无人机多光谱遥感图像的玉米田间杂草识别[J]. 中国农业科学, 2020, 53(8): 1545-1555. |
[12] | 张振华,丁建丽,王敬哲,葛翔宇,王瑾杰,田美玲,赵启东. 集成土壤-环境关系与机器学习的干旱区土壤属性数字制图[J]. 中国农业科学, 2020, 53(3): 563-573. |
[13] | 奚雪,赵庚星,高鹏,崔昆,李涛. 基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例[J]. 中国农业科学, 2020, 53(24): 5005-5016. |
[14] | 石雅娇,陈鹏飞. 一种面向农业无人机影像分割的尺度参数自动确定方法[J]. 中国农业科学, 2020, 53(17): 3496-3508. |
[15] | 刘慧芳,贺正,贾彪,刘志,李振洲,付江鹏,慕瑞瑞,康建宏. 基于机器学习的滴灌玉米光合响应特征[J]. 中国农业科学, 2019, 52(17): 2939-2950. |
|