基于高光谱图像监测作物生长季节内和季节间的营养状况

高光谱遥感已成为量化植被生物化学的重要工具，具有监测作物营养状况的巨大潜力。在作物方面，以往的研究通常局限于较小的波长范围(如400~1300nm)、少量的作物品种、单一的生长阶段或单一的生长季节。本文提出了一种非特定时间或地点的作物状况常规监测的成像光谱法。

研究者利用四种马铃薯品种的三个生长阶段和两个生长季节的数据，证明了全范围(400~2350nm)成像光谱可以定量马铃薯营养状况(叶柄硝酸盐、全叶和藤蔓总氮)的能力，并预测出马铃薯不同品种、生长阶段和生长季节的块茎产量。

A) field experimental design (2018: 80 plots = 5 N rates × 4 cultivars × 4 replicates; 2019: 120 = 5 × 6 × 4; black dashed-line boxes show a whole plot containing four or six cultivar subplots). B) the Hancock agricultural research station (HARS) in Wisconsin, USA. C) N application and timing for each of five N rates. D) list of potato cultivars grouped into two potato types (or market segments).

因此，研究者专门测试了以下功能：

(1) 基于传统高光谱植被指数(VIs)进行普通最小二乘回归(OLSR)；

(2) 基于偏最小二乘回归(PLSR)使用全光谱(400~2350nm)、VNIR(可见光到近红外:400~1300nm)或仅SWIR(短波红外:1400~2350nm)波长进行实验；

(3) 基于某类型或某季节的数据，建立了一个可预测其它品种或其它季节的预测模型。

OLSR modelling validation results (left axis, red and purple symbols: R2; right axis, blue and gold symbols: relative RMSE) of N concentrations including petiole NO3-N, whole leaf N and whole vine N, and tuber yield for chipping (solid lines) and russet (dash lines) types using different VIs in Table 2. Background colors represent different groups of VIs. Green: chlorophyll-sensitive; Cyan: water; Orange: dry matter.

Cross-potato type validation results of HySpex PLSR modelling of chipping and russet potatoes. Notes: (1) horizontal bars indicate the uncertainty (±1 standard deviation) in predictions; (2) in each figure title, (A-B) means that type A is used for calibration and type B is used for validation; (3) for N concentrations (petiole NO3-N, whole leaf total N and whole vine total N), data from all dates are used for modelling; for tuber yield (chipping and russet types), spectral data from 16 July 2018 and 10 July 2019 are used for modelling.

结果表明，OLSR模型基于所有日期的数据(验证R2<0.01)产生了较差的预测结果，而单日期OLSR模型表现相对更好(R2=0.20~0.60，相对RMSE=15~30%)。PLSR模型在不同光谱区域(全光谱、仅限VNIR和SWIR)表现十分良好，验证R2=0.68~0.82和RRMSE=12~25%。

通过对马铃薯品种进行跨品种的模型测试，预测结果为：R2=0.45~0.75，RRMSE=13~30%。跨季节模型的验证R2=0.46~0.75和RRMSE=17~100%，比马铃薯品种模型有更显着的偏差。

为了实现稳定可推广的模型，研究者建议：

(1) 获取植物生长环境和发育阶段全范围的地面测量数据；

(2) 确保图像处理方法尽量减少数据之间的光谱差异。

公众号：农业之巅

更多信息请关注智农云芯（AgriBrain)：www.agribrain.cn

来源：https://doi.org/10.1016/j.rse.2021.112303