一、引言

氮素是作物生長發(fā)育所需的關鍵營養(yǎng)元素，對作物的光合作用和產量有顯著影響。因此，準確評估作物氮素狀況對農業(yè)生產至關重要。傳統(tǒng)的氮素測量方法主要依賴田間取樣和實驗室化學分析，這些方法耗時且具有破壞性。近年來，無人機遙感技術為精準農業(yè)領域帶來了革新，它能夠實現(xiàn)對作物生長狀況的實時監(jiān)測和快速評估。本研究利用無人機高光譜遙感技術，結合集成學習算法，構建了冬小麥全氮含量的遙感反演模型，以期為田間施肥管理提供科學參考。

二、材料與方法

    研究區(qū)概況

本研究以位于安徽蒙城的農業(yè)部蒙城砂姜黑土生態(tài)環(huán)境站內的冬小麥為研究對象。該地區(qū)屬于暖溫帶半濕潤季風氣候，年平均氣溫14.8℃，無霜期212天，年降水量600-900mm。試驗土壤為普通砂姜黑土。

    數(shù)據(jù)獲取與處理

使用無人機獲取高光譜成像數(shù)據(jù)，并在研究區(qū)域試驗田內均勻地布設126個采樣點，采集小麥樣品用于全氮含量測定。對高光譜圖像進行預處理，包括鏡頭校正、輻射定標、大氣校正等步驟。提取每個田塊的光譜反射率作為模型輸入的自變量。

    方法

采用XGBoost算法構建冬小麥全氮含量遙感反演模型。XGBoost是一種改進的GBDT算法，具有更高的運算效率和更好的泛化能力。將經過預處理的光譜反射率數(shù)據(jù)和實測全氮含量數(shù)據(jù)作為模型的輸入和輸出，利用貝葉斯優(yōu)化算法進行超參數(shù)調優(yōu)。使用70%的數(shù)據(jù)作為訓練集，30%的數(shù)據(jù)作為驗證集進行模型驗證和精度評估。

三、結果與討論

在長期定位試驗下，不同的肥料處理導致不同田塊上的土壤肥力存在顯著差異，田塊間冬小麥的長勢存在顯著差異，其葉片光合作用性能不同，故其對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。為了篩選出用于構建該區(qū)域冬小麥全氮含量遙感反演的敏感波段，首先對光譜反射率和實測全氮含量進行了相關性分析，計算了全氮含量與各波段光譜反射率之間的皮爾遜相關系數(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性，在各波段的絕對相關系數(shù)均值 達0.732。在波長為795.3ｎｍ時，全氮含量與該波段相關性達到最大值，為0.794。波長小于735.5ｎｍ時，各波段的光譜反射率與全氮含量均成負相關；波長大于等于735.5ｎｍ 時，各波段

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系數(shù)

的光譜反射率與全氮含量均成正相關。當波長為735.5ｎｍ時，反射率與全氮含量之間的相關性最低，為0.232，其余波段的相關系數(shù)絕對值均高于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。因此，本研究不采用全波段作為建模的自變量，采用了除735.5ｎｍ波段以外的所有波段作為模型輸入自變量，使用XGBoost方法構建冬小麥全氮含量遙感反演模型，模型驗證精度使用決定系數(shù)Ｒ２、均方根誤差和平均絕對百分比誤差作為評價指標，其中，MAPE用來評價模型預測結果的相對誤差。由圖５可知，XGBoost模型預測的和實測的小麥全氮含量較為接近，模型反演精度較高，R2達到 0.76，RMSE值較低，僅為2.68，MAPE值也較低，為11.8%，這說明XGBoost算法具有相對較強的學習性能，可以應用于構建冬小麥全氮含量遙感反演模型。

圖５ XGBoost模型反演的與實測全氮含量之間的散點圖

3.2 TNC預測結果分析

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證精度，現(xiàn)將該模型應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個波段的反射率，輸入該反演模型進行預測整片小麥大田的全氮含量。

由圖６可知，XGBoost模型預測的拔節(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，這是由長期試驗不同田塊不同的土壤肥力導致，該算法具有較強的泛化能力，構建的遙感反演模型適用于預測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。模型預測的冬小麥（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%。

3.3 冬小麥全氮含量與土壤全氮含量相關性分析

針對長期定位試驗下，不同壤肥力的田塊上的冬小麥全氮含量進行了遙感反演研究，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)分對冬小麥長勢有著一定的影響。因 此，本節(jié)針對冬小麥全氮含量與土壤全氮含量進行了相關性分析。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６ XGBoost反演模型預測的TNC空間分布圖

圖７ 冬小麥全氮含量與土壤全氮含量之間的相關性

四、結論

本研究利用無人機高光譜遙感技術和XGBoost算法成功構建了冬小麥全氮含量的遙感反演模型。該模型具有較高的驗證精度和較好的泛化能力，可用于預測不同土壤肥力條件下的小麥全氮含量空間分布。此外，還發(fā)現(xiàn)冬小麥全氮含量與土壤全氮含量之間存在較為顯著的相關性。這些結果為田間施肥管理提供了科學參考依據(jù)。