摘要：氮（Nitrogen，N）、磷（Phosphorus，P）、鉀（Kalium，K）含量是衡量牧草營養(yǎng)價值的重要指標(biāo)，其準(zhǔn)確檢測對于草地退化評價和畜牧業(yè)發(fā)展具有重要意義。本研究以內(nèi)蒙古溫性荒漠草原和溫性草原為研究對象，結(jié)合高光譜無人機(jī)數(shù)據(jù)和地面實測數(shù)據(jù)，使用最小絕對值收縮和選擇算子（Lasso）回歸來進(jìn)行敏感波段篩選，然后采用偏最小二乘回歸（Partial ieast squares regression，PLSR）和隨機(jī)森林（Random forest，RF）算法分別構(gòu)建天然牧草N，P，K含量的估測模型。結(jié)果表明：一階導(dǎo)數(shù)（First derivative，F(xiàn)D）和對數(shù)的倒數(shù)（Reciprocal of logarithm，Log（1/R））處理有助于提高敏感波段與N，P，K含量的相關(guān)性；Lasso回歸方法可以大大地減少波段的數(shù)量；兩種草地類型下N和K含量構(gòu)建的最佳反演模型均為RF模型，R2在0.76～0.90之間；P含量在溫性荒漠草原下最優(yōu)的是PLSR模型，R2為0.72，而在溫性草原下為RF模型（R2=0.75）。研究結(jié)果對于草地分等定級、放牧管理和草地農(nóng)業(yè)等都具有重要參考價值。

關(guān)鍵詞：天然牧草；無人機(jī)；高光譜；營養(yǎng)成分；機(jī)器學(xué)習(xí)

中圖分類號：S155.4+7""" 文獻(xiàn)標(biāo)識碼：A"""" 文章編號：1007-0435（2024）05-1500-13

Inversion of Nitrogen，Phosphorus and Potassium Content in Natural Grassland

in Inner Mongolia Based on UAV Hyperspectral Data

QI Hui-min， CHEN Ang， YANG Xiu-chun*

（School of Grasland Science， Beijing Forestry University， Beijing 100083， China）

Abstract：Nitrogen （N），phosphorus （P） and potassium （Kalium，K） contents are important indicators of the nutritional value of pasture grasses，and their accurate detection is of great significance for the evaluation of grassland degradation and the development of animal husbandry. In this study，temperate desert steppe and temperate steppe in Inner Mongolia were used as research objects，and hyperspectral unmanned aerial vehicle （UAV） data and ground-based measured data were combined to screen the sensitive bands by using the least absolute value contraction and selection operator （Lasso） regression. Then，Partial least squares regression （PLSR） and Random forest （RF） algorithms were used to construct the estimation models of N，P，and K contents of natural pasture grasses，respectively. The results showed that the first derivative （FD） and the reciprocal of logarithm （Log（1/R）） treatments could help to improve the correlation between sensitive bands and N，P，and K contents;and the Lasso regression method greatly reduced the number of bands. The best inversion models constructed for N and K contents under both grass types were RF models，with R2 between 0.76 and 0.90. The P content was optimized by the PLSR model under the temperate desert steppe with an R2 of 0.72 and the RF model under the temperate steppe （R2=0.75）. The results of this study have important reference value for grassland classification and grading，grazing management and grassland agriculture.

Key words：Natural forage;Unmanned aerial vehicle （UAV）;Hyperspectral;Nutritional composition;Machine learning

天然牧草是我國草原牧區(qū)草食家畜飼料的主要來源，其營養(yǎng)成分直接影響著草食畜的營養(yǎng)狀況、生長和發(fā)育，也間接影響畜產(chǎn)品的產(chǎn)量和質(zhì)量［1-2］，氮（Nitrogen，N）、磷（Phosphorus，P）、鉀（Kalium，K）是牧草所需的關(guān)鍵營養(yǎng)元素，其含量對于草地的健康和生長至關(guān)重要［3］。因此，精確估算牧草N，P，K含量對評價草地營養(yǎng)價值具有重要意義［4］。

近年來，隨著傳感器和平臺設(shè)計的創(chuàng)新，無人機(jī)結(jié)合高光譜傳感器在農(nóng)業(yè)中的應(yīng)用變得越來越重要。傳統(tǒng)的實地采樣后進(jìn)行化學(xué)實驗的方法存在耗時費(fèi)力、時效性差和破壞性強(qiáng)等問題［5］，而無人機(jī)搭載的高光譜傳感器利用物質(zhì)在不同光譜范圍內(nèi)的吸收和反射特性，具有高精度和非破壞性的快速獲取大量樣本數(shù)據(jù)等獨特優(yōu)勢［6］，因此被廣泛應(yīng)用。國內(nèi)外關(guān)于N，P，K含量的高光譜遙感研究主要以小麥 （Triticum aestivum）、玉米 （Zea mays） 和水稻 （Oryza satiua） 等農(nóng)作物為主［7-9］，也有研究利用無人機(jī)高光譜數(shù)據(jù)來預(yù)測高寒草甸草原的N，P含量［10］。但是對于我國北方大面積分布的溫性草原和溫性荒漠草原的牧草營養(yǎng)成分含量的研究還未得到廣泛關(guān)注。

無人機(jī)高光譜數(shù)據(jù)獲取中，可能會受到多種干擾因素的影響，例如噪聲和大氣散射等。Savizkg和Golay在1964年提出了Savitzky-Golay（SG）卷積平滑方法［11］，能夠有效的去除高頻噪聲。同時，為了應(yīng)對高光譜數(shù)據(jù)成像過程中的其他干擾，研究者們也提出了多種處理方法來提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。Pang等［12］對高光譜數(shù)據(jù)進(jìn)行了一階微分（First derivative，F(xiàn)D）處理，發(fā)現(xiàn)可以更好地反映植物中碳磷鉀含量所對應(yīng)的敏感波段。此外，也有學(xué)者對高光譜數(shù)據(jù)進(jìn)行了一階微分（FD）和倒數(shù)的對數(shù)（Reciprocal of logarithmic，Log（1/R））處理，發(fā)現(xiàn)與原始光譜相比，構(gòu)建的機(jī)器學(xué)習(xí)模型實現(xiàn)了更高的估測精度［5，13］。這些研究為本研究在解決高光譜數(shù)據(jù)干擾問題和提高數(shù)據(jù)質(zhì)量方面提供了有益的參考。

高光譜數(shù)據(jù)的高維度、信息冗余和噪聲使得特征篩選成為必要的步驟。最小絕對值收縮和選擇算子算法（Lasso）回歸是常見的特征篩選方法，它通過限制系數(shù)大小來實現(xiàn)特征篩選［14］。Fernandez-Habas等［15］利用Lasso回歸篩選敏感波段，并對營養(yǎng)成分構(gòu)建模型，發(fā)現(xiàn)Lasso回歸不僅能有效地選擇重要的變量，實現(xiàn)顯著的降維，也提高了模型的精度。另外，也有學(xué)者研究使用Lasso回歸、連續(xù)投影算法（Successive projections algorithm，SPA）特征篩選算法［16］構(gòu)建了針對植物N含量的偏最小二乘回歸（Partial least squares regression，PLSR）模型，結(jié)果表明，與SPA算法相比，Lasso回歸可以獲得更好的預(yù)測效果。

機(jī)器學(xué)習(xí)算法在利用高光譜數(shù)據(jù)對植物性狀檢索方面具有巨大潛力。常見的非參數(shù)型機(jī)器學(xué)習(xí)模型（如隨機(jī)森林、偏最小二乘回歸等）與傳統(tǒng)的參數(shù)模型相比，它們不受特定形式的假設(shè)限制，具備高效處理復(fù)雜數(shù)據(jù)的能力，能夠生成更準(zhǔn)確的預(yù)測結(jié)果［15，17］，因此，常被用于牧草的營養(yǎng)成分模型構(gòu)建的研究［17-19］。

綜上所述，本研究對內(nèi)蒙古的溫性草原和溫性荒漠草原開展無人機(jī)高光譜數(shù)據(jù)及同步的地面實測數(shù)據(jù)的采樣。在高光譜數(shù)據(jù)的不同預(yù)處理基礎(chǔ)上，采用機(jī)器學(xué)習(xí)算法包括隨機(jī)森林（Random forest，RF）和PLSR結(jié)合Lasso回歸特征選擇，對天然草地牧草N，P，K含量進(jìn)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(yè)草地的合理利用以及生態(tài)環(huán)境保護(hù)具有重要的參考價值。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古錫林郭勒盟的蘇尼特左旗和錫林浩特市，蘇尼特左旗地理坐標(biāo)為北緯43°86′，東經(jīng)113°09′，錫林浩特市為北緯43°93′，東經(jīng)116°09′，屬于溫帶大陸性氣候，冬季漫長嚴(yán)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(nèi)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(xiàn)出西高東低的傾斜趨勢，海拔為1 000 m左右，年降水量為180 mm，主要集中在夏季；植被組成以針茅（Stipa capillata）、羊草（Leymus chinensis）為優(yōu)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1 100～1 300 m，年均降水量約為300～350 mm；大針茅（Stipa capillata Linn）、羊草（Leymus chinensis）等旱生禾草以及多年生密叢草本植物冰草（Stellaria media）和冷蒿（Artemisia frigida）是該草地的植物群落組成。

1.2 數(shù)據(jù)獲取與處理

1.2.1 樣地設(shè)置與地面數(shù)據(jù)采集 本研究在內(nèi)蒙古蘇尼特左旗設(shè)置了3塊溫性荒漠草原樣地，在錫林浩特市設(shè)置了4塊溫性草原樣地，共計7塊樣地（圖1），7個樣地總面積為2 km2，在7塊樣地內(nèi)均勻的布設(shè)了99個樣方，其中蘇尼特左旗草原有47個樣方，錫林浩特市草原52個樣方，樣方大小為1 m×1 m。使用中海達(dá)RTK-V200高精度基站儀器獲得每個樣地和樣方的經(jīng)緯度，同時記錄了每個樣地草地類型、優(yōu)勢種等信息。將樣方內(nèi)的草樣齊地面剪去，將其分類置于樣方袋中，然后將草樣運(yùn)輸至實驗室放入65℃烘箱中烘48 h至恒重后稱取干重。對烘干后的草樣打包到專業(yè)實驗室，使用丹麥福斯FOSS DS2500儀器進(jìn)行近紅外檢測，以獲得草樣的N，P，K含量。

1.2.2 高光譜數(shù)據(jù)采集與圖像處理 在樣方數(shù)據(jù)采集之前，開展無人機(jī)航拍數(shù)據(jù)的采集，使用的是大疆公司DJIM600無人機(jī)搭載resonon傳感器（美國Resonon公司的PikaL），該傳感器能夠獲取的波長范圍為389～1 023 nm，空間分辨率為15 cm，光譜分辯率為4.2 nm，共獲得150個波段。為了保證高光譜圖像質(zhì)量和數(shù)據(jù)的準(zhǔn)確性，無人機(jī)選擇2022年7月21—31日的12∶00—15∶00時間段內(nèi)，天氣晴朗、無風(fēng)無云或少云情況下飛行，飛行高度為350 m，旁向重疊為55%。高光譜無人機(jī)飛行前使用黑白板數(shù)據(jù)進(jìn)行輻射測量校準(zhǔn)，飛行過程中根據(jù)情況及時進(jìn)行參考板驗證，獲得7塊樣地的高光譜圖像。通過系統(tǒng)自帶的Res2DMap軟件完成圖像的輻射定標(biāo)、鑲嵌和圖像拼接，并利用ENVI軟件實現(xiàn)高光譜圖像的大氣校正和幾何校正。

1.2.3 高光譜數(shù)據(jù)預(yù)處理 光譜反射率的平滑和濾波在保留原始數(shù)據(jù)中的特征信息的前提下，可以去除高光譜數(shù)據(jù)中的噪聲和突變點。本研究通過ENVI軟件對高光譜數(shù)據(jù)進(jìn)行了SG處理。另外，光譜轉(zhuǎn)換可以去除光譜之間的差異、提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，更好地發(fā)掘數(shù)據(jù)中的有用信息［10，20］。本研究使用The unscramble X10.4軟件對高光譜數(shù)據(jù)進(jìn)行了一階微分（FD）、對數(shù)倒數(shù)（Log（1/R））轉(zhuǎn)換。

1.3 特征選擇與模型構(gòu)建

采用Lasso回歸這一基于正則化的線性回歸方法來進(jìn)行特征篩選，Lasso回歸的原理是在目標(biāo)函數(shù)中添加L1正則化項，通過約束系數(shù)向量的L1范數(shù)實現(xiàn)特征的稀疏性，即將某些特征的系數(shù)縮小甚至置為0，從而實現(xiàn)降維［21］。Lasso回歸已被廣泛應(yīng)用于高光譜數(shù)據(jù)的特征篩選［22-23］，在本研究中，使用Python編程語言中的scikit-learn包來實現(xiàn)Lasso回歸。

PLSR通過找到自變量和因變量之間的最大協(xié)方差，構(gòu)建一組新的綜合變量，用于建立回歸模型。這種方法可以降低自變量的維數(shù)，并捕捉與因變量相關(guān)的重要信息，從而提高預(yù)測的準(zhǔn)確性，因此被廣泛用于牧草營養(yǎng)成分的研究［24-26］。本研究中，該過程通過The unscramble X10.4軟件實現(xiàn)，同時設(shè)置了10倍交叉驗證來評估模型的性能。

RF算法能夠解釋復(fù)雜的非線性關(guān)系，可以通過不斷調(diào)整模型參數(shù)，提高預(yù)測性能及模型精度。因此，越來越多的學(xué)者選擇使用RF算法來研究牧草營養(yǎng)成分含量［27-28］。RF具有兩個主要的超參數(shù)，分別是回歸樹的數(shù)量（ntree）和在每個節(jié)點要選擇的預(yù)測器的數(shù)量（mtry），需要對兩者進(jìn)行優(yōu)化選擇，來提高預(yù)測模型的精度。本研究中，RF模型的參數(shù)優(yōu)化、模型構(gòu)建及精度驗證均通過python軟件實現(xiàn)。

1.4 模型評價

采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對預(yù)測偏差（RPD）評估N，P，K含量的估測模型精度。

式中，n為樣本數(shù)，Yi是實際測定值，Y︿i是預(yù)測值，Y-是實際測定的平均值，Y-=1n∑ni=1Yi。R2范圍為0～1，越接近1，模型擬合度越好。RMSE越小，模型預(yù)測準(zhǔn)確度越高。當(dāng)RPD在1.4～1.8之間時，表示該模型可用于預(yù)測，當(dāng)RPD在1.8～2之間，模型質(zhì)量一般；當(dāng)RPD在2.0～2.5之間時，模型質(zhì)量較好；當(dāng)RPD大于2.5時，模型質(zhì)量極好［29］。

2 結(jié)果與分析

2.1 兩種草地類型下N，P，K含量統(tǒng)計分析

本研究使用蒙特卡洛算法［30］對高光譜反射率數(shù)據(jù)進(jìn)行了異常值剔除。共得到CP含量對應(yīng)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Kennard-Stone算法［31］將牧草N，P，K含量實測值分別按照7∶3分為訓(xùn)練集和測試集，結(jié)果如表1所示。在所有樣本集中，相比于P含量（0.04～0.24 mg·g-1）和K含量（0.09～0.48 mg·g-1），N含量（1.14～3.24 mg·g-1）偏高；N，P和K含量在所有樣本集中變異系數(shù)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(xùn)練集和測試集中的均值和標(biāo)準(zhǔn)差相近，分布均勻，具有建模的可靠性［32］。

2.2 不同方法的高光譜數(shù)據(jù)預(yù)處理結(jié)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。結(jié)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(qū)域的反射率在695 nm處急劇上升，776 nm后趨于平穩(wěn)；而溫性荒漠草原的反射率則在藍(lán)光和綠光區(qū)域急劇增加，在紅外區(qū)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(diào)整數(shù)據(jù)的尺度，提高數(shù)據(jù)對細(xì)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，F(xiàn)D處理能夠有效地突出數(shù)據(jù)中細(xì)微變化、特征峰和谷值，其中在溫性荒漠草原在可見光區(qū)域的反射率高于溫性草原。而在紅邊區(qū)域，溫性草原的反射率明顯高于溫性荒漠草原。

2.3 高光譜預(yù)處理數(shù)據(jù)與N，P，K含量的相關(guān)性分析

根據(jù)地面樣方數(shù)據(jù)的位置和空間坐標(biāo)信息與高光譜影像中對應(yīng)位置的反射率結(jié)合劃分訓(xùn)練和測試樣本。將兩種草地類型下不同預(yù)處理的高光譜反射率數(shù)據(jù)分別與N，P，K含量作相關(guān)性分析，所有光譜曲線與N，P，K含量的顯著相關(guān)（Plt;0.05）區(qū)域主要在可見光區(qū)域和近紅外區(qū)域。

高光譜數(shù)據(jù)與N含量的相關(guān)性結(jié)果如圖3所示，在OR光譜中，溫性荒漠草原光譜數(shù)據(jù)與N含量相關(guān)性明顯高于溫性草原，由表2得出，在429 nm處相關(guān)性最高（r=-0.762），溫性草原同樣也是在429 nm處相關(guān)性最高（r=-0.455）。對于SG光譜曲線，溫性荒漠草原下光譜數(shù)據(jù)與N含量在429 nm處相關(guān)性最高（r=-0.766），溫性草原在397 nm處相關(guān)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429 nm和397 nm處的反射率表現(xiàn)出最高的正相關(guān)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482 nm處的光譜反射率與N含量相關(guān)性最高，呈負(fù)相關(guān)性關(guān)系（r=-0.727），溫性草原下在738 nm處反射率與N含量相關(guān)性最高，且呈正相關(guān)（r=0.552）。

高光譜數(shù)據(jù)與P含量的相關(guān)性結(jié)果如圖4所示，相關(guān)性曲線趨勢與N含量表現(xiàn)一致。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(guān)性分別在429 nm和453 nm處的波段表現(xiàn)最高，且均為負(fù)相關(guān)，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(shù)據(jù)與P含量在429 nm處相關(guān)性最高（r=-0.740），溫性草原在429 nm處相關(guān)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429 nm處的反射率數(shù)據(jù)與P含量的相關(guān)性最高，均為正相關(guān)，相關(guān)系數(shù)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429 nm處相關(guān)性最高（r=-0.770），溫性草原在457 nm處相關(guān)性最高（r=-0.431）。

高光譜數(shù)據(jù)與K含量的相關(guān)性結(jié)果如圖5所示，相關(guān)性曲線趨勢與N，P含量曲線一致。由表2結(jié)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429 nm和397 nm處相關(guān)性最高，均為負(fù)相關(guān)，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(shù)據(jù)與K含量在429 nm處相關(guān)性最高（r=-0.654），溫性草原在397 nm處相關(guān)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429 nm和397 nm處的光譜反射率與K含量相關(guān)性最高，均為正相關(guān)，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429 nm處相關(guān)性最高（r=-0.702），溫性草原在855 nm處相關(guān)性最高（r=-0.452）。

2.4 牧草N，P，K含量的Lasso回歸結(jié)果分析

如表3所示，與Lasso回歸前波段數(shù)量相比，溫性荒漠草原Lasso回歸后N，P，K含量選擇的敏感波段數(shù)量分別降低了91%～94%，90%～96%，92%～96%。另外，SG和Log（1/R）處理后選擇的波段分布在藍(lán)光、綠光、黃光和近紅外區(qū)域，與OR光譜相比新增了藍(lán)光區(qū)域。而FD處理后波段分布在紅外和近紅外區(qū)域，與OR光譜相比減少了綠光和黃光區(qū)域；對于溫性草原，Lasso回歸后N，P，K含量選擇敏感波段數(shù)量分別降低了87%～90%，87%～93%，80%～91%。OR光譜敏感波段分布在綠光、紅外和近紅外區(qū)域，相較于溫性荒漠草原減少了黃光這一區(qū)域。經(jīng)SG，Log（1/R）和FD處理后選擇的波段區(qū)域與溫性荒漠草原相似。綜上所述，Lasso回歸能夠顯著減少變量的數(shù)量，提高模型的效率。

2.5 牧草N，P，K含量的模型構(gòu)建與精度評價

本研究利用不同處理的高光譜數(shù)據(jù)分別與N，P，K含量構(gòu)建了RF和PLSR模型，結(jié)果如表4所示。N含量構(gòu)建的16個模型中，在溫性荒漠草原下的最優(yōu)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0.11 mg·g-1，RPD達(dá)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(yōu)模型為SG-FD-Lasso-RF，該模型在測試集上的R2值為0.82，RMSE分別為0.15 mg·g-1，RPD達(dá)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(jié)果表明，F(xiàn)D處理后構(gòu)建的RF估測模型與OR光譜相比，在兩種草地類型下均表現(xiàn)出較好的結(jié)果，能夠顯著改善N含量預(yù)測的準(zhǔn)確性。

在P含量與光譜數(shù)據(jù)構(gòu)建的16個模型中，溫性荒漠草原下的最優(yōu)模型為SG-Log（1/R）-Lasso-PLSR，該模型在測試集上的R2值為0.75，RMSE分別為0.023 mg·g-1，RPD達(dá)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(yōu)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0.018 mg·g-1，RPD達(dá)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%?？傮w而言，在溫性荒漠草原下Log（1/R）處理相比于OR光譜構(gòu)建的PLSR估測模型能夠顯著改善P含量預(yù)測的準(zhǔn)確性。而在溫性草原下，Log（1/R）處理相比于OR光譜構(gòu)建的RF估測模型能夠顯著提高P含量的預(yù)測精度。

在K含量與光譜數(shù)據(jù)構(gòu)建的16個模型中，溫性荒漠草原下的最優(yōu)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0.043 mg·g-1，RPD達(dá)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(yōu)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0.026 mg·g-1，RPD達(dá)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(jié)果一致，F(xiàn)D處理后構(gòu)建的RF估測模型與OR光譜相比，在兩種草地類型下均表現(xiàn)出較好的結(jié)果，能夠顯著提高P含量預(yù)測的準(zhǔn)確性。

對比了兩種草地類型下N，P，K含量構(gòu)建的最優(yōu)模型實測值與預(yù)測值。結(jié)果如圖6所示，N和K含量均在FD處理下表現(xiàn)最優(yōu)，P含量在Log（1/R）處理下表現(xiàn)最好，可以表明，高光譜的FD和Log（1/R）處理對模型精度具有一定的提高效果。同時，在構(gòu)建的這6個最優(yōu)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(yōu)模型均在RF算法上表現(xiàn)最佳，表明RF模型比PLSR和SVM模型更適用于預(yù)測天然牧草的N，P，K含量中，對于實際應(yīng)用中牧草營養(yǎng)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(yōu)于P和K含量，但是其穩(wěn)定性不如P和K含量。在溫性荒漠草原中，N含量預(yù)測結(jié)果優(yōu)于溫性草原，而P和K含量則在溫性草原上表現(xiàn)最佳。

3 討論

3.1 不同高光譜數(shù)據(jù)預(yù)處理方法的比較分析

高光譜數(shù)據(jù)預(yù)處理能夠去除高光譜數(shù)據(jù)中的噪聲和干擾，從而提高模型構(gòu)建的精度和準(zhǔn)確性，是模型構(gòu)建前的一個重要步驟。高光譜數(shù)據(jù)不同的預(yù)處理方法對牧草含量的建模效果存在一定的差異性［33-34］。本研究對高光譜原始數(shù)據(jù)進(jìn)行了SG，F(xiàn)D，Log（1/R）處理，在其與N和K含量構(gòu)建的兩種機(jī)器學(xué)習(xí)模型中，F(xiàn)D處理表現(xiàn)效果最好，而與P含量構(gòu)建的兩種機(jī)器學(xué)習(xí)模型中，Log（1/R）處理表現(xiàn)效果最好（表4）。Peng等［33］利用FD處理后的高光譜數(shù)據(jù)對退化的植被營養(yǎng)狀況構(gòu)建線性回歸模型，發(fā)現(xiàn)FD處理有助于提高模型性能。以往也有研究表明對高光譜數(shù)據(jù)進(jìn)行Log（1/R）處理能夠更好地反映營養(yǎng)成分所對應(yīng)的敏感波段［34］。本研究的N，P，K含量與高光譜數(shù)據(jù)的相關(guān)性分析結(jié)果表明，F(xiàn)D光譜處理與OR光譜相比可以增強(qiáng)敏感波段與天然牧草N，P，K含量之間的相關(guān)性。楊邁等［35］對FD處理后光譜數(shù)據(jù)與滇池濕地植物N含量進(jìn)行相關(guān)性分析，得出與本研究一致的結(jié)果。

3.2 高光譜數(shù)據(jù)與牧草N，P，K含量的相關(guān)性分析

大多數(shù)情況下，敏感譜帶以及其接近的譜帶被選擇用于預(yù)測相關(guān)的化合物［36］，本研究中光譜數(shù)據(jù)與N，P，K含量之間的相關(guān)性最高的波段主要集中在藍(lán)色波段（397 nm，429 nm，453 nm，482 nm）、紅外波段（738 nm）和近紅外區(qū)域（855 nm）。與已有的一些研究基本一致，但也有一些差別。Gao等［37］對飼草P含量的光譜分析發(fā)現(xiàn)，近紅外和短波紅外的光譜反射率與P含量的相關(guān)性很高。也有研究發(fā)現(xiàn)紅邊區(qū)域（580 nm～740 nm）的光譜反射率與天然牧草氮磷含量的相關(guān)性較強(qiáng)［38］。高金龍等［10］對青藏高原高寒草地碳氮磷含量的高光譜分析得出，紅邊區(qū)域光譜反射率與N含量相關(guān)性較高，而P含量則是在近紅外和短波紅外區(qū)域相關(guān)性較高。但是，以往有研究認(rèn)為在紅外和近紅外波段光譜反射率與營養(yǎng)成分含量相關(guān)性較高［15］，而本研究中相關(guān)性較高的波段在藍(lán)光區(qū)域分布也較多，與以往研究存在一定的差異。究其原因，可能是草地類型或者草地植被群落物種組成、理化性質(zhì)及組織構(gòu)造的不同［4］。

3.3 特征參數(shù)選擇的方法

本研究中使用Lasso回歸方法來篩選特征波段，結(jié)果表明，Lasso回歸可以顯著的減少特征變量的數(shù)量（表3），已有的一些研究也證實了這一結(jié)論［23，39-40］。本研究中經(jīng)Lasso回歸后篩選的敏感波段大部分在紅邊區(qū)域和近紅外波段。也有研究利用高光譜反射率估算東部白楊和雜交楊樹類群的氮含量，其研究中用Lasso回歸進(jìn)行了特征篩選，發(fā)現(xiàn)大部分被篩選的波段分布在紅邊和近紅外區(qū)域［41］。苗春麗等人［42］的研究中Lasso回歸特征篩選結(jié)果顯示，紅光波段（733 nm）和近紅外波段（803 nm，850 nm，875 nm和879 nm）區(qū)域為敏感波段。Lasso回歸對變量選擇的數(shù)量取決于懲罰因子的變化，選擇的數(shù)量會隨著懲罰因子值的增加而減少，但過大的懲罰因子值會導(dǎo)致模型誤差的增加［15，43］。因此，在本研究中，使用了5折交叉驗證方法來確定最優(yōu)的懲罰因子。

3.4 PLSR和RF模型結(jié)果的比較

與傳統(tǒng)的PLSR回歸統(tǒng)計方法相比，RF模型更適用復(fù)雜數(shù)據(jù)的挖掘和預(yù)測，更注重結(jié)果的準(zhǔn)確性［44］。本研究分別對N，P，K含量構(gòu)建了PLSR和RF模型（表4），結(jié)果顯示，在溫性荒漠草原下，構(gòu)建的PLSR模型在P含量預(yù)測方面效果最好。而在兩種草地類型下的N和K含量以及溫性草原下的N含量構(gòu)建的模型中，RF表現(xiàn)最佳。有研究報道使用無人機(jī)高光譜數(shù)據(jù)預(yù)測草原的營養(yǎng)成分含量，發(fā)現(xiàn)RF模型是優(yōu)于PLSR的［45-46］，這與本研究結(jié)果一致。另外，相比于P和K含量，無人機(jī)高光譜數(shù)據(jù)可以更好地實現(xiàn)不同草地類型天然草原N含量的預(yù)測（R2gt;0.80，RPDgt;2.35）。

4 結(jié)論

本文分析了內(nèi)蒙古自治區(qū)兩種草地類型下不同預(yù)處理方法的光譜數(shù)據(jù)與N，P，K含量之間的相關(guān)性，發(fā)現(xiàn)Log（1/R）預(yù)處理和FD處理能提高N，P和K含量的相關(guān)性。Lasso回歸可以大大降低波段數(shù)量。此外，在構(gòu)建N和K含量模型時，F(xiàn)D被確定為最優(yōu)預(yù)處理方法，而在構(gòu)建P含量的機(jī)器學(xué)習(xí)模型時，Log（1/R）處理方法表現(xiàn)最佳。在溫性荒漠草原下，P含量構(gòu)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(gòu)建的RF模型均表現(xiàn)最優(yōu)。

參考文獻(xiàn)

［1］ 姚喜喜，孫海群，李長慧，等. 高寒草原天然牧草營養(yǎng)品質(zhì)近紅外光譜預(yù)測模型的建立［J］. 動物營養(yǎng)學(xué)報，2021，33（7）：4088-4097

［2］ 陳懂懂，李奇，霍莉莉，等. 長江源和黃河源區(qū)草地牧草養(yǎng)分、理論承載力及飼用價值［J］. 草地學(xué)報，2023，31（7）：2186-2193

［3］ 賓振鈞，王靜靜，張文鵬，等. 氮肥添加對青藏高原高寒草甸6個群落優(yōu)勢種生態(tài)化學(xué)計量學(xué)特征的影響［J］. 植物生態(tài)學(xué)報，2014，38（3）：231-237

［4］ 高金龍，侯堯宸，白彥福，等. 基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究——以青海省貴南縣及瑪沁縣高寒草甸為例［J］. 草業(yè)學(xué)報，2016，25（3）：9-21

［5］ 高宏元，侯蒙京，葛靜，等. 基于隨機(jī)森林的高寒草地地上生物量高光譜估算［J］. 草地學(xué)報，2021，29（8）：1757-1768

［6］ OBERMEIER W A，LEHNERT L W，POHL M J，et al. Grassland Ecosystem Services in a Changing Environment：The Potential of Hyperspectral Monitoring［J］. Remote Sensing of Environment，2019，232：111273

［7］ COLORADO J D，CERA-BORNACELLI N，CALDAS J S，et al. Estimation of Nitrogen in Rice Crops From Uav-Captured Images［J］. Remote Sensing，2020，12（20）：3396

［8］ FENG H，F(xiàn)AN Y，TAO H，et al. Monitoring of Nitrogen Content in Winter Wheat Based On Uav Hyperspectral Imagery［J］. Spectroscopy and Spectral Analysis，2023，43（10）：3239-3246

［9］ 陳志超，蔣貴印，張正，等. 基于無人機(jī)高光譜遙感的春玉米氮營養(yǎng)指數(shù)反演［J］. 河南理工大學(xué)學(xué)報（自然科學(xué)版），2022，41（03）：81-89

［10］高金龍. 青藏高原東緣高寒天然草地牧草氮磷養(yǎng)分和生長狀況的高光譜遙感研究［D］. 蘭州：蘭州大學(xué)，2020：47-58

［11］謝樹剛. 基于高光譜的黃河三角洲土壤有機(jī)質(zhì)含量估測模型研究［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2021：13-14

［12］PANG H，ZHANG A，YIN S，et al. Estimating Carbon， Nitrogen， and Phosphorus Contents of West-East Grassland Transect in Inner Mongolia Based on Sentinel-2 and Meteorological Data［J］. Remote Sensing，2022，14（2）：242

［13］WU L，GONG Y，BAI X，et al. Nondestructive Determination of Leaf Nitrogen Content in Corn by Hyperspectral Imaging Using Spectral and Texture Fusion［J］. Applied Sciences，2023，13（3）：1910

［14］HUANG W，LI W，XU J，et al. Hyperspectral Monitoring Driven by Machine Learning Methods for Grassland Above-Ground Biomass［J］. Remote Sensing，2022，14（9）：2086

［15］FERNANDEZ-HABAS J，CARRIERE CANADA M，GARCIA MORENO A M，et al. Estimating Pasture Quality of Mediterranean Grasslands Using Hyperspectral Narrow Bands From Field Spectroscopy by Random Forest and Pls Regressions［J］. Computers and Electronics in Agriculture，2022，192：106614

［16］CAO C，WANG T，GAO M，et al. Hyperspectral Inversion of Nitrogen Content in Maize Leaves Based On Different Dimensionality Reduction Algorithms［J］. Computers and Electronics in Agriculture，2021，190：106461

［17］聶磊超，崔麗娟，劉志君，等. 鹽城濱海濕地優(yōu)勢植物碳氮磷生態(tài)化學(xué)計量高光譜反演［J］. 生態(tài)學(xué)報，2023，43（12）：5173-5185

［18］KARILA K，OLIVEIRA R A，EK J，et al. Estimating Grass Sward Quality and Quantity Parameters Using Drone Remote Sensing with Deep Neural Networks［J］. Remote Sensing，2022，14（11）：2692

［19］CUI L，DOU Z，LIU Z，et al. Hyperspectral Inversion ofPhragmites CommunisCarbon，Nitrogen，and Phosphorus Stoichiometry Using Three Models［J］. Remote Sensing，2020，12（12）：1998

［20］何文，余玲，姚月鋒. 基于光譜指數(shù)的喀斯特植物葉片葉綠素含量定量估算［J］. 廣西植物，2022，42（6）：914-926

［21］EPPRECHT C，GUGAN D，VEIGA，et al. Variable Selection and Forecasting Via Automated Methods for Linear Models：Lasso/Adalasso and Autometrics［J］. Communications in Statistics-Simulation and Computation，2021，50（1）：103-122

［22］SCHUMACHER P，MISLIMSHOEVA B，BRENNING A，et al. Do Red Edge and Texture Attributes From High-Resolution Satellite Data Improve Wood Volume Estimation in a Semi-Arid Mountainous Region？［J］. Remote Sensing （Basel，Switzerland），2016，8（7）：540

［23］LIU J，F(xiàn)ENG Q，LIANG T，et al. Estimating the Forage Neutral Detergent Fiber Content of Alpine Grassland in the Tibetan Plateau Using Hyperspectral Data and Machine Learning Algorithms［J］. Ieee Transactions On Geoscience and Remote Sensing，2022，60

［24］ADJORLOLO C，MUTANGA O，CHO M A. Predicting C3 and C4 Grass Nutrient Variability Using in Situ Canopy Reflectance and Partial Least Squares Regression［J］. International Journal of Remote Sensing，2015，36（6）：1743-1761

［25］PULLANAGARI R R，DEHGHAN-SHOAR M，YULE I J，et al. Field Spectroscopy of Canopy Nitrogen Concentration in Temperate Grasslands Using a Convolutional Neural Network［J］. Remote Sensing of Environment，2021，257：112353

［26］陳積山，朱瑞芬，張強(qiáng)，等. 建立近紅外特征波長模型快速測定羊草常規(guī)營養(yǎng)成分的研究［J］. 草地學(xué)報，2019，27（4）：867-873

［27］GAO J，LIANG T，YIN J，et al. Estimation of Alpine Grassland Forage Nitrogen Coupled with Hyperspectral Characteristics During Different Growth Periods On the Tibetan Plateau［J］. Remote Sensing，2019，11（18）：2085

［28］GAO J，LIANG T，LIU J，et al. Potential of Hyperspectral Data and Machine Learning Algorithms to Estimate the Forage Carbon-Nitrogen Ratio in an Alpine Grassland Ecosystem of the Tibetan Plateau［J］. Isprs Journal of Photogrammetry and Remote Sensing，2020，163：362-374

［29］朱怡，吳永波，周子堯，等. 基于高光譜數(shù)據(jù)的互花米草營養(yǎng)成分反演［J］. 北京林業(yè)大學(xué)學(xué)報，2020，42（9）：92-99

［30］ZHOU Z，MOREL J，PARSONS D，et al. Estimation of Yield and Quality of Legume and Grass Mixtures Using Partial Least Squares and Support Vector Machine Analysis of Spectral Data［J］. Computers and Electronics in Agriculture，2019，162：246-253

［31］SAPTORO A，TADE M O，VUTHALURU H. A Modified Kennard-Stone Algorithm for Optimal Division of Data for Developing Artificial Neural Network Models［J］. Chemical Product and Process Modeling，2012，7（1）：131

［32］孫問娟，李新舉. 煤礦區(qū)土壤有機(jī)碳含量的遙感反演與分布特征［J］. 水土保持學(xué)報，2018，32（3）：328-333

［33］PENG Y，ZHANG M，XU Z，et al. Estimation of Leaf Nutrition Status in Degraded Vegetation Based On Field Survey and Hyperspectral Data［J］. Scientific Reports，2020，10（1）：4361

［34］祁瓊. 基于高光譜數(shù)據(jù)的苔草營養(yǎng)成分反演方法研究［J］. 地理空間信息，2017，15（10）：90-93

［35］楊邁，李曉琳，鄭毅，等. 基于高光譜技術(shù)的滇池流域濕地植物氮含量估算模型構(gòu)建［J］. 西南林業(yè)大學(xué)學(xué)報（自然科學(xué)），2024，44（4）：1-10

［36］ADJORLOLO C，MUTANGA O，CHO M A，et al. Spectral Resampling Based On User-Defined Inter-Band Correlation Filter：C3 and C4 Grass Species Classification［J］. International Journal of Applied Earth Observation and Geoinformation，2013，21：535-544

［37］GAO J，MENG B，LIANG T，et al. Modeling Alpine Grassland Forage Phosphorus Based On Hyperspectral Remote Sensing and a Multi-Factor Machine Learning Algorithm in the East of Tibetan Plateau，China［J］. Isprs Journal of Photogrammetry and Remote Sensing，2019，147：104-117

［38］GONG Z，KAWAMURA K，ISHIKAWA N，et al. Estimation of Herbage Biomass and Nutritive Status Using Band Depth Features with Partial Least Squares Regression in Inner Mongolia Grassland，China［J］. Grassland Science，2016，62（1）：45-54

［39］宋雪蓮，王志偉，張文，等. 冷杉葉片氮含量高光譜反演技術(shù)研究［J］. 草原與草坪，2021，41（6）：139-147

［40］BRATSCH S，EPSTEIN H，BUCHHORN M，et al. Relationships Between Hyperspectral Data and Components of Vegetation Biomass in Low Arctic Tundra Communities at Ivotuk，Alaska［J］. Environmental Research Letters，2017，12（2）：25003

［41］KYAW T Y，SIEGERT C M，DASH P，et al. Using Hyperspectral Leaf Reflectance to Estimate Photosynthetic Capacity and Nitrogen Content Across Eastern Cottonwood and Hybrid Poplar Taxa［J］. Plos One，2022，17（3）：e264780

［42］苗春麗，伏帥，劉潔，等. 基于UAV成像高光譜圖像的高寒草甸地上生物量——以海北試驗區(qū)為例［J］. 草業(yè)科學(xué)，2022，39（10）：1992-2004

［43］YANG S，F(xiàn)ENG Q，LIANG T，et al. Modeling Grassland Above-Ground Biomass Based On Artificial Neural Network and Remote Sensing in the Three-River Headwaters Region［J］. Remote Sensing of Environment，2018，204：448-455

［44］胡林，劉婷婷，李歡，等. 機(jī)器學(xué)習(xí)及其在農(nóng)業(yè)中應(yīng)用研究的展望［J］. 農(nóng)業(yè)圖書情報學(xué)報，2019，31（10）：12-22

［45］WIJESINGHA J，ASTOR T，SCHULZE-BRNINGHOFF D，et al. Predicting Forage Quality of Grasslands Using Uav-Borne Imaging Spectroscopy［J］. Remote Sensing （Basel，Switzerland），2020，12（1）：126

［46］PULLANAGARI R，KERESZTURI G，YULE I. Integrating Airborne Hyperspectral，Topographic，and Soil Data for Estimating Pasture Quality Using Recursive Feature Elimination with Random Forest Regression［J］. Remote Sensing （Basel，Switzerland），2018，10（7）：1117

（責(zé)任編輯 閔芝智）

收稿日期：2024-01-04；修回日期：2024-03-17

基金項目：國家自然科學(xué)基金（41571105）資助

作者簡介：

亓慧敏（1998-），女，漢族，河南商丘人，碩士研究生，主要從事草原遙感與信息技術(shù)研究，E-mail：qihuimin1998@163.com；*通信作者 Author for correspondence，E-mail：yangxiuchun@bjfu.edu.cn