基于无人机高光谱成像技术的冬小麦SPAD遥感反演研究

随着农业遥感的兴起，利用冠层光谱信息可以很好的监测和诊断作物的叶片叶绿素含量。面对长期定位试验条件下差异化土壤肥力的田块，如何充分利用无人机高光谱遥感信息，构建具有较强空间适用性的冬小麦叶片叶绿素含量遥感估算模型，是精准农业的研究热点之一。

图1 试验田

安徽省农业科学院杨欣老师及其团队以蒙城马店长期土壤定位试验站内拔节期冬小麦冠层叶片叶绿素含量（SPAD）为研究对象，利用大疆六旋翼无人机（大疆M600PRO）搭载我司高光谱成像仪（GaiaSky-mini2）获取田间高光谱遥感影像。此外，获取田间实测SPAD数据，分析光谱信息（400-1000nm）和实测SPAD之间的关系，结合不同土壤肥力农田的光谱差异，提出了一种新的建模方法——聚类回归法。根据光谱角距离（Spectral angle distance, SAD）将小麦光谱划分为多个聚类，并对每个聚类建立小麦光谱与实测SPAD的回归模型。这里使用K-means作为聚类方法，两种集成学习算法，即随机森林和极端梯度提升(XGBoost)作为回归方法。

图2 光谱聚类结果

结果显示：利用无人机高光谱遥感影像结合田间实测数据，可以实现对冬小麦叶绿素含量由点到面的监测；对于土壤肥力差异较大的长期定位试验田，可以先采用聚类算法进行光谱聚类分析，随后进行差异化建模，反演不同田块的冬小麦叶绿素含量，其反演效果相对于直接建模有明显提升（18.40%）；土壤有机质和土壤全氮含量对小麦叶片叶绿素含量有所影响，土壤有机质和全氮含量数据的加入也相应的提高了反演模型的精度（14.23%）。

图3非聚类-极端梯度的冬小麦叶片SPAD含量反演结果空间分布

图4聚类-极端梯度的冬小麦叶片SPAD含量反演结果空间分布

表1 RF和XGBoost模型的精度(包括土壤养分)

本文采用的高光谱设备（GaiaSky-mini2）所示。

图8 GaiaSky-mini2相机及参数

第一作者简介：杨欣，女，安徽桐城人，理学硕士，研究实习员，

主要研究方向：1、精准农业、图像识别、高光谱图像处理；2、农业面源污染等。

参考文献：Xin Y , Rui Y C , Yin Y , et al. Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods - ScienceDirect[J]. International Journal of Applied Earth Observation and Geoinformation.

Doi: https://doi.org/10.1016/j.jag.2021.102618