楊 欣，袁自然，葉 寅*，王道中，花可可，郭志彬

1.安徽省農(nóng)業(yè)科學(xué)院土壤肥料研究所，安徽 合肥 230031 2.養(yǎng)分循環(huán)與資源環(huán)境安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230031

引 言

氮素是作物生長(zhǎng)發(fā)育最需要的營(yíng)養(yǎng)元素之一，對(duì)作物的光合作用和產(chǎn)量具有顯著影響[1-3]。植株的全氮含量是表征作物氮素狀況的主要指標(biāo)[4]，因此有必要從植株氮素含量來評(píng)價(jià)作物氮素營(yíng)養(yǎng)狀況。

作物氮素狀況的有效診斷需建立在對(duì)作物生長(zhǎng)特性和氮素水平實(shí)時(shí)監(jiān)測(cè)的基礎(chǔ)上。目前，測(cè)定作物氮含量的傳統(tǒng)方法主要依靠田間取樣和實(shí)驗(yàn)室化學(xué)分析[5]。近年來，人們提出了利用葉綠素儀、葉綠素?zé)晒獾确椒▽?duì)植物氮素狀況進(jìn)行無損估測(cè)[6-7]。然而，這些方法僅針對(duì)單個(gè)植株單個(gè)葉片點(diǎn)對(duì)點(diǎn)的監(jiān)測(cè)，在實(shí)際應(yīng)用中難以反映作物植株的種群狀況。相比之下，無人機(jī)遙感近年來在精準(zhǔn)農(nóng)業(yè)領(lǐng)域得到了廣泛的應(yīng)用[8-9]，能夠?qū)崿F(xiàn)對(duì)作物生長(zhǎng)狀況由點(diǎn)到面的監(jiān)測(cè)，并能夠快速評(píng)估農(nóng)作物的空間差異性。無人機(jī)遙感平臺(tái)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(qiáng)連續(xù)性和海量信息獲取的優(yōu)勢(shì)，進(jìn)一步推動(dòng)了定量農(nóng)業(yè)遙感的發(fā)展[10]。結(jié)合無人機(jī)高光譜遙感技術(shù)提取小麥長(zhǎng)勢(shì)信息已經(jīng)逐漸成為國(guó)內(nèi)外學(xué)者研究熱點(diǎn)。Xia等利用該技術(shù)從高光譜數(shù)據(jù)中選取歸一化差異植被指數(shù)(NDVI)和比值植被指數(shù)(RVI)構(gòu)建了冬小麥生物量遙感反演模型[11]。從無人機(jī)影像提取出來的植被指數(shù)可以提取小麥籽粒產(chǎn)量信息，支持向量回歸(SVR)結(jié)合順序前向選擇(SFS)技術(shù)能夠較好的用于提取籽粒信息[12]。Liu等利用無人機(jī)高光譜數(shù)據(jù)和實(shí)測(cè)高光譜數(shù)據(jù)計(jì)算光譜指標(biāo)，構(gòu)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(guān)性[8]。Wang等針對(duì)江蘇北部某實(shí)驗(yàn)點(diǎn)小麥拔節(jié)、孕穗期和開花3個(gè)生育階段的葉片葉綠素進(jìn)行了反演并發(fā)現(xiàn)與支持向量回歸(SVR)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)相比，基于隨機(jī)森林(RF)算法的葉綠素反演模型有較好的預(yù)測(cè)效果[13]。

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[14]，因此，有必要引入適用于不同肥力條件下的具有較強(qiáng)泛化能力的算法構(gòu)建冬小麥全氮含量遙感反演模型。近年來，集成學(xué)習(xí)(ensemble learning)作為一種新的機(jī)器學(xué)習(xí)范式，通過增加學(xué)習(xí)器數(shù)目提高了其化能力并被廣泛應(yīng)用于解決各類回歸問題[15-16]。本研究以位于安徽蒙城的農(nóng)業(yè)部蒙城砂姜黑土生態(tài)環(huán)境站內(nèi)冬小麥為研究對(duì)象，基于無人機(jī)高光譜遙感數(shù)據(jù)和田間采樣數(shù)據(jù)，采用梯度提升樹類集成學(xué)習(xí)算法(extreme gradient boosting(XGBoost)構(gòu)建不同土壤肥力條件下拔節(jié)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(xué)參考。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)及概況

以安徽蒙城的農(nóng)業(yè)部蒙城砂姜黑土生態(tài)環(huán)境站(116°37′E，33°13′N)為研究區(qū)(如圖1)。本站位于安徽北部平原區(qū)，屬于暖溫帶半濕潤(rùn)季風(fēng)氣候，年平均氣溫14.8 ℃，無霜期212 d，年降水量600～900 mm。試驗(yàn)土為常見的普通砂姜黑土。試驗(yàn)站始于1982年。試驗(yàn)開始時(shí)耕層土壤(0～20 cm)的肥力性狀為：有機(jī)質(zhì)10.4 g·kg-1，全氮0.96 g·kg-1，堿解氮84.5 mg·kg-1，全磷0.28 g·kg-1，有效磷9.8 mg·kg-1。設(shè)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(qū)，人工或機(jī)械耕翻，與土壤充分混勻。長(zhǎng)期以來，形成了具有較大肥力差異的小麥種植田塊。

1.2 數(shù)據(jù)獲取

使用的數(shù)據(jù)包括無人機(jī)高光譜成像數(shù)據(jù)和小麥全氮含量數(shù)據(jù)。所有數(shù)據(jù)都于2021年3月26日(拔節(jié)期，無云無風(fēng))獲取。無人機(jī)高光譜成像系統(tǒng)(GaiaSky-mini2-VN)由國(guó)內(nèi)大疆公司的六旋翼無人機(jī)和四川雙利合譜公司生產(chǎn)的高光譜成像儀Gaisky2組成。該系統(tǒng)可獲取176個(gè)波段的光譜信息，包括可見光到近紅外(400～1 000 nm)光譜范圍，光譜分辨率為3.5 nm，空間分辨率為4.7 cm。數(shù)據(jù)采集前用參考板進(jìn)行數(shù)據(jù)校準(zhǔn)，飛行高度設(shè)置為120 m，移動(dòng)速度設(shè)置為7 m·s-1，航向重疊度和旁向重疊度分別設(shè)置為50%和55%。

如圖1，在研究區(qū)域試驗(yàn)田內(nèi)均勻地布設(shè)126個(gè)采樣點(diǎn)，每個(gè)采樣點(diǎn)取3-5株小麥，封裝保鮮帶回實(shí)驗(yàn)室。將植株樣品置于70 ℃干燥箱內(nèi)恒溫干燥，粉碎，使用凱氏定氮法[17]測(cè)定小麥全氮含量。對(duì)于每個(gè)采樣點(diǎn)，取3～5株小麥的均值作為該點(diǎn)全氮含量(total nitrogen content, TNC)。計(jì)算公式如式(1)

圖1 研究區(qū)域試驗(yàn)田分布

N=(V×0.05×14×100)/(1 000×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(zhì)量(g)。

1.3 數(shù)據(jù)預(yù)處理

無人機(jī)高光譜圖像的處理包括以下步驟：第一步是鏡頭校正，消除圖像畸變；第二步，輻射定標(biāo)，將數(shù)字灰度值(digital number，DN)轉(zhuǎn)換為反射率；然后進(jìn)行大氣校正，以消除大氣、水汽等因素的影響。使用Hispectralstitch軟件(四川雙利合譜公司開發(fā)提供)對(duì)多景遙感影像進(jìn)行拼接；最后，從每個(gè)田塊中提取感興趣區(qū)域(regions of interest，ROI)的平均光譜。因此，每個(gè)田塊在176個(gè)波段都有對(duì)應(yīng)的平均譜，作為模型輸入的自變量，這里將整個(gè)大田均勻地劃分成了126個(gè)田塊。對(duì)于小麥全氮含量實(shí)測(cè)數(shù)據(jù)，為避免異常值對(duì)建模產(chǎn)生影響，去除了異常實(shí)測(cè)值。

1.4 方法

XGBoost是由陳天奇等改進(jìn)的一種GBDT算法[17]，它與GBDT算法有較多不同點(diǎn)，比如在優(yōu)化時(shí)，GBDT僅僅用到了一階導(dǎo)數(shù)，XGBoost則另外引入了二階導(dǎo)數(shù)對(duì)損失函數(shù)進(jìn)行調(diào)優(yōu)；在目標(biāo)函數(shù)里，XGBoost算法為了避免過擬合現(xiàn)象，將樹模型復(fù)雜度作為正則項(xiàng)。此外，XGBoost在訓(xùn)練過程中參考了隨機(jī)森林的思想，每次迭代過程中不使用全數(shù)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(jìn)行訓(xùn)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(xiàn)象，而且XGBoost算法支持并行計(jì)算以提高運(yùn)行速度。該算法原理是將原始數(shù)據(jù)集分割成多個(gè)數(shù)據(jù)子集，將每個(gè)子集隨機(jī)地分配給基學(xué)習(xí)器進(jìn)行預(yù)測(cè)，然后將基學(xué)習(xí)器的結(jié)果按照一定的權(quán)重進(jìn)行計(jì)算，從而預(yù)測(cè)最后的結(jié)果。

圖2為整體實(shí)驗(yàn)的技術(shù)路線圖，分為3個(gè)步驟。第一步，構(gòu)建模型訓(xùn)練集，將176個(gè)波段的光譜反射率信息作為模型輸入的自變量，實(shí)測(cè)全氮含量數(shù)據(jù)作為模型因變量，隨機(jī)選取70%的采樣點(diǎn)的數(shù)據(jù)作為訓(xùn)練集并對(duì)自變量進(jìn)行歸一化處理；第二步，反演模型構(gòu)建與驗(yàn)證，采用貝葉斯優(yōu)化算法對(duì)模型進(jìn)行超參數(shù)調(diào)優(yōu)(https://www.kaggle.com/tilii7/bayesian-optimizing-ofxgboost-parameters/notebook)，該優(yōu)化方法可以看做一個(gè)高斯過程，考慮了先驗(yàn)參數(shù)信息且不斷更新知識(shí)而傳統(tǒng)的網(wǎng)格搜索或隨機(jī)不考慮先驗(yàn)參數(shù)信息。此外，貝葉斯優(yōu)化方法迭代次少運(yùn)行速度快，可以優(yōu)化XGBoost這種具有多個(gè)參數(shù)的算法，表1為本研究中XGBoost遙感反演模型中關(guān)鍵超參數(shù)的含義及其調(diào)優(yōu)后的結(jié)果，其他參數(shù)設(shè)置為默認(rèn)值。利用30%的驗(yàn)證集數(shù)據(jù)進(jìn)行模型驗(yàn)證和精度評(píng)估，第三步，基于第二步構(gòu)建好的全氮含量遙感反演模型預(yù)測(cè)大田小麥的全氮含量，提取無人機(jī)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(yù)測(cè)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(yù)測(cè)技術(shù)路線圖

表1 XGBoost模型中一些超參數(shù)的含義及其最優(yōu)值

2 結(jié)果與討論

2.1 模型反演精度分析

在長(zhǎng)期定位試驗(yàn)下，不同的肥料處理導(dǎo)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(zhǎng)勢(shì)存在顯著差異，其葉片光合作用性能不同，故其對(duì)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(xiàn)出顯著差異。為了篩選出用于構(gòu)建該區(qū)域冬小麥全氮含量遙感反演的敏感波段，首先對(duì)光譜反射率和實(shí)測(cè)全氮含量進(jìn)行了相關(guān)性分析，計(jì)算了全氮含量與各波段光譜反射率之間的皮爾遜相關(guān)系數(shù)。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(guān)性，在各波段的絕對(duì)相關(guān)系數(shù)均值達(dá)0.732。在波長(zhǎng)為795.3 nm時(shí)，全氮含量與該波段相關(guān)性達(dá)到最大值，為0.794。波長(zhǎng)小于735.5 nm時(shí)，各波段的光譜反射率與全氮含量均成負(fù)相關(guān)；波長(zhǎng)大于等于735.5 nm時(shí)，各波段的光譜反射率與全氮含量均成正相關(guān)。當(dāng)波長(zhǎng)為735.5 nm時(shí)，反射率與全氮含量之間的相關(guān)性最低，為0.232，其余波段的相關(guān)系數(shù)絕對(duì)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。

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(guān)系數(shù)

因此，本研究不采用全波段作為建模的自變量，采用了除735.5 nm波段以外的所有波段作為模型輸入自變量，使用XGBoost方法構(gòu)建冬小麥全氮含量遙感反演模型，模型驗(yàn)證精度使用決定系數(shù)R2、均方根誤差(root mean absolute error, RMSE)和平均絕對(duì)百分比誤差(mean absolute percent error, MAPE)作為評(píng)價(jià)指標(biāo)，其中，MAPE用來評(píng)價(jià)模型預(yù)測(cè)結(jié)果的相對(duì)誤差。由圖5可知，XGBoost模型預(yù)測(cè)的和實(shí)測(cè)的小麥全氮含量較為接近，模型反演精度較高，R2達(dá)到0.76，RMSE值較低，僅為2.68，MAPE值也較低，為11.08%，這說明XGBoost算法具有相對(duì)較強(qiáng)的學(xué)習(xí)性能，可以應(yīng)用于構(gòu)建冬小麥全氮含量遙感反演模型。

圖5 XGBoost模型反演的與實(shí)測(cè)全氮含量之間的散點(diǎn)圖

2.2 TNC預(yù)測(cè)結(jié)果分析

基于XGBoost算法的拔節(jié)期冬小麥全氮含量反演模型具有較好的驗(yàn)證精度，現(xiàn)將該模型應(yīng)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(gè)波段的反射率，輸入該反演模型進(jìn)行預(yù)測(cè)整片小麥大田的全氮含量(TNC)。

由圖6可知，XGBoost模型預(yù)測(cè)的拔節(jié)期冬小麥全氮含量總體上呈現(xiàn)較為顯著的空間分布差異，這是由長(zhǎng)期試驗(yàn)不同田塊不同的土壤肥力導(dǎo)致，該算法具有較強(qiáng)的泛化能力，構(gòu)建的遙感反演模型適用于預(yù)測(cè)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(yù)測(cè)的冬小麥(拔節(jié)期)全氮含量范圍介于14%～29%之間，平均全氮含量為19.66%。

圖6 XGBoost反演模型預(yù)測(cè)的TNC空間分布圖

2.3 冬小麥全氮含量與土壤全氮含量相關(guān)性分析

針對(duì)長(zhǎng)期定位試驗(yàn)下，不同土攘肥力的田塊上的冬小麥全氮含量進(jìn)行了遙感反演研究，由2.2節(jié)研究發(fā)現(xiàn)，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(yǎng)分對(duì)冬小麥長(zhǎng)勢(shì)有著一定的影響。因此，本節(jié)針對(duì)冬小麥全氮含量與土壤全氮含量進(jìn)行了相關(guān)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(guān)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(shù)(R2)為0.47。

圖7 冬小麥全氮含量與土壤全氮含量之間的相關(guān)性

3 結(jié) 論

(1)基于XGBoost算法，結(jié)合無人機(jī)高光譜遙感數(shù)據(jù)和田間采樣冬小麥全氮含量數(shù)據(jù)可以構(gòu)建全氮含量遙感反演模型，模型驗(yàn)證精度較高。

(2)在不同土壤肥力的田塊，XGBoost模型預(yù)測(cè)的拔節(jié)期冬小麥全氮含量呈現(xiàn)較為顯著的空間分布差異，平均全氮含量為19.66%。

(3)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(guān)性，兩者之間的決定系數(shù)(R2)為0.47。