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

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。