基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

郭燕，井宇航，王来刚，黄竞毅，贺佳，冯伟，郑国清

基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

郭燕1,2,3，井宇航1,4，王来刚1,2,3，黄竞毅5，贺佳1,2,3，冯伟4，郑国清1,2,3

1河南省农业科学院农业经济与信息研究所，郑州 450002；
2农业农村部黄淮海智慧农业技术重点实验室，郑州 450002；
3河南省农作物种植监测与预警工程研究中心，郑州 450002；
4河南农业大学农学院/省部共建小麦玉米作物学国家重点实验室，郑州 450046；
5Department of Soil Science, University of Wisconsin-Madison, Madison, WI 53706, USA

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量，探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展，在冬小麦拔节期、孕穗期、开花期和灌浆期，采用M600大疆无人机搭载K6多光谱成像仪获取5波段（Red、Green、Blue、Rededge、Nir）多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征，采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征，采用BP神经网络（BP）、随机森林（RF）、Adaboost、支持向量机（SVR）4种机器学习回归方法构建植株氮含量预测模型，并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】（1）植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。（2）4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异，RF和Adaboost方法预测植株氮含量集中于95%的置信区间，多分布于1﹕1直线附近，而BP和SVR方法预测的植株氮含量分布相对较为分散；
RF方法构建的预测模型2最大，最小，MAE中等，分别为0.81、0.42%和0.29%；
SVR方法构建的预测模型2最小，和MAE较大，分别为0.66、0.54%和0.40%。（3）以W1处理（按需灌溉）实测植株氮含量为训练集，采用BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测2分别为0.75、0.72、0.72和0.66；
以W0处理（自然状态）实测植株氮含量为训练集，BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测2分别为0.51、0.69、0.61和0.45。【结论】4种机器学习方法构建的冬小麦植株氮含量预测模型均表现出了较强的迁移预测能力，尤以RF和Adaboost方法构建的模型预测效果和迁移能力为好。

无人机；
光谱特征；
纹理特征；
机器学习；
冬小麦植株氮含量；
迁移能力

【研究意义】小麦是世界上播种面积最大、分布最广泛的粮食作物。我国是小麦生产大国，肩负扛稳粮食安全的重任，2021年小麦产量占世界总产量的17%以上[1]。氮素作为保证小麦产量和质量的关键元素，其精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。因此，氮素含量的快速、无损、精准监测一直是学者们密切关注和研究的热点[2-5]，而如何提高氮素含量的预测精度及模型的普适性是一个难题。【前人研究进展】目前，国内外学者针对作物氮含量快速监测和精准预测方面开展了大量研究，从取样分析到近地面、无人机、卫星遥感的无损监测，在敏感波段筛选、植被指数构建、预测方法优化和精度提升等方面均取得了一定成果[6-11]。但是，不同研究尺度，数据的选择和方法存在差异，面向田块尺度精准预测需求，高光谱数据光谱分辨率高，具有明显优势[12-13]，如张潇元等[12]利用ASD小麦冠层高光谱数据，基于特征波段构建了SAVI（soil adjusted vegetation index）等14种不同的植被指数对小麦叶片氮含量进行反演，多指数联合相比单一植被指数可显著提高精度，模型2为0.92以上，但较大范围数据获取时效率明显偏低。随着遥感技术的进步，机载光谱成像仪也开始得到广泛应用，大大提高了数据获取效率。尤其是近地面、机载高光谱数据对氮含量有益的预测结果，促进了成本更低的无人机多光谱遥感数据在作物氮素快速监测与反演中的应用，但是无人机多光谱数据的光谱分辨率较低，影响氮含量的预测效果[4,13-14]。而另一方面，无人机多光谱数据超高空间分辨率影像丰富的纹理特征信息却又容易被忽略。已有研究表明，纹理特征可以提升原始影像的光谱空间信息辨识度，在进行作物参数预测和反演时可以提升精度[11,14-16]，如贾丹等[15]在光谱分辨率为0.01 m时，融合无人机多光谱影像光谱特征和纹理特征建立的冬小麦氮含量预测模型比单一植被指数或者纹理特征建立的模型精度提升10个百分点以上。因此，综合分析光谱信息、纹理特征对作物氮素含量的敏感性，采用合适的方法建立植株氮含量预测模型，对提升氮素含量预测精度、提升模型适用性、降低成本具有重要意义。植株氮含量的预测与反演的方法主要包括统计模型和物理模型法，统计模型主要是利用一元回归和多元回归等方法建立线性、对数、幂函数等模型[11,15]，如WALSH等[17]、杨福芹等[18]基于无人机影像提取植被指数和纹理特征，对春小麦和冬小麦的氮含量进行了预测，模型2范围为0.58—0.84。物理模型主要是辐射传输模型和几何光学模型，通过敏感性参数分析筛选特征波段，利用查找表法、人工神经网络法等方法反演作物氮含量[9,13]，如JAY等[19]利用PROSAIL模型反演甜菜冠层氮含量，模型2为0.84。近年随着数据挖掘技术的发展，支持向量机、神经网络、遗传算法、随机森林等方法越来越多应用到作物氮含量等理化参数的预测与反演中，这些方法具有机器学习能力，在精度方面优于传统模型[9-10,20-22]，如Chlingaryan等[20]对比分析了传统统计分析方法和机器学习方法在作物氮含量和产量预测中的效果，发现随机森林（RF）、决策树（DT）等机器学习方法更具有优势和潜力。不同机器学习方法由于原理不同，构建的模型学习效率、预测和反演能力等方面存在差异[23-24]，如杨宝华等[6]采用后向传输神经网络（BP）、支持向量机（SVR）和径向基神经网络（RBF）方法对冬小麦冠层氮素进行预测，模型2为0.82（SVR）—0.98（RBF）；
Qiu等[24]采用Adaboost、人工神经网络（ANN）、K邻近（KNN）、偏最小二乘（PLS）、RF和SVR机器学习回归方法对水稻氮营养指数进行预测时，发现RF和Adaboost方法构建的模型精度最高，灌浆期与植株氮营养指数RF模型2高达0.98，说明机器学习方法优于传统统计分析方法、集成学习方法优于一般机器学习方法的特点，但是这些研究均未对模型在不同处理条件下的迁移能力进行分析。【本研究切入点】探索一般机器学习方法（BP和SVR）和集成学习方法（RF和Adaboost）构建植株氮含量模型的预测效果和迁移预测能力，弥补目前国内外关于模型迁移能力尤其是在农业领域应用还相对缺乏的现状。【拟解决的关键问题】本研究以冬小麦为研究对象，设计水氮耦合小区试验，获取关键生育期无人机多光谱影像，提取无人机影像光谱特征与纹理特征，基于相关性分析得到植株氮含量敏感特征，利用机器学习回归方法构建植株氮含量模型，同时对模型预测能力和迁移能力进行评价与分析，为冬小麦氮素营养快速诊断、精准施肥以及模型推广应用提供数据和技术支持。

1.1 研究区概况和试验设计

研究区位于河南省周口市商水县国营农场，地势平坦，属温带大陆性季风气候，冬季寒冷干燥，夏季高温多雨，主要种植冬小麦、玉米、棉花等作物，其中冬小麦的生长周期为8个月，一般10月播种，次年5月底6月初收获。研究区土壤类型为砂姜黑土，试验地块常年进行氮素定位试验，具有很好的氮素水平表现性状。试验采用随机区组设计，5个氮水平，2个水处理，供试品种为鑫华麦818、郑麦103、丰德存5号。5个氮水平分别为N0（0）、N6（60 kg·hm-2）、N12（120 kg·hm-2）、N18（180 kg·hm-2）和N24（240 kg·hm-2），其中50%作为底肥施入，剩余50%在拔节期追施。所有处理磷肥和钾肥用量均为150 kg·hm-2和90 kg·hm-2，全部作为底肥施入。2个水处理分别为自然状态（W0）和按需灌溉（W1）。试验小区空间分布见图1。

图1 研究区位置和试验设计

1.2 数据获取与处理

1.2.1 无人机多光谱影像获取与处理 2020—2022年，采用M600六旋翼无人机遥感平台搭载K6多光谱成像仪获取冬小麦拔节期、孕穗期、开花期和灌浆期的冠层多光谱影像。此多光谱成像仪包含蓝光（中心波长450 nm，Blue）、绿光波段（中心波长550 nm，Green）、红光波段（中心波长685 nm，Red）、红边波段（中心波长725 nm，Rededge）、近红外波段（中心波段780 nm，Nir）5个波段。飞机飞行高度为50 m，获取影像空间分辨率为0.02 m，飞行时镜头垂直朝下，视场角为30°，航向重叠度70%，旁向重叠度75%。无人机影像预处理主要包括影像格式转换、影像筛选、影像拼接、正射校正、辐射定标，具体过程参考李美炫等[25]、MESSINA等[26]的研究。

1.2.2 地面数据获取与处理 地面数据采集与无人机多光谱影像采集同步进行。具体为冬小麦拔节期、孕穗期、开花期和灌浆期，每个小区选取长势均匀的区域，固定2行（0.2 m）×1 m，取其中20个单茎样本装入密封袋。4个生育期每年获取120个样本，3年共获得360个样本。样本在实验室内分离为叶片、茎和穗后分别置于纸袋中，105℃下杀青，80℃条件下烘干至恒重。器官粉碎后，采用凯氏定氮法进行氮含量测定，并通过植株氮含量公式（1）计算氮含量，共获得360个冬小麦植株氮含量实测值。样本按照1﹕1分为训练集和测试集。

1.3 研究方法

1.3.1 特征提取 无人机遥感影像经过辐射校正等预处理后，进行光谱特征和纹理特征提取。光谱特征数据包括蓝（B）、绿（G）、红（R）、红边（Rededge）和近红外（Nir）5个波段的反射率数据以及由不同的波段组合计算得到的绿波段归一化植被指数（NGBDI）、绿波段优化土壤调节植被指数（GOSAVI）等20种植被指数；
纹理特征包括5个波段各自对应的8种特征，分别为对比度（contrast，con）、二阶距（second moment，sm）、方差（variance，var）、均值（mean）、相关性（correlation，cor），差异性（dissimilarity，dis）、同质性（homogenetity，hom）、熵（entropy，ent）。

（1）植被指数

自20世纪70年代地球资源卫星发射升空，学者就开始研究光谱响应与植被之间的关系，由于植被指数结构简单，具有一定的机理性，能够减少土壤等因素对植被光谱的影响，目前已经广泛应用于植被覆盖以及其生长态势的定性和定量评价[27-30]。作物缺氮时会表现出覆盖度降低、叶面积减小、叶片变黄等明显的表观特征[31-32]，这些特征为利用植被指数进行植株氮含量的预测提供了依据。通过查阅相关文献，本研究选取20种常用的植被指数，具体计算公式见表1。

（2）纹理特征

纹理特征是图像固有的属性，包含物体表面结构组织排列的重要信息以及它们与周围环境的关系，具有旋转不变性，对噪声抵抗能力强的优势[16,29,33-34]。目前纹理特征提取的方法主要包括统计方法（灰度共生矩阵、纹理谱、几何）、模型法（随机场模型、分型模型）、信号处理法和结构分析法等[35-37]。其中灰度共生矩阵方法是当前学界公认的具有较强鲁棒特性和适应特性的图像识别技术，能够高效实现对图像的分类和检索，最大程度实现分类处理精度的提升[29,38]，在遥感影像纹理特征提取中应用最为广泛。由于每个波段的纹理特征反映的信息不同，本研究通过灰度共生矩阵方法对多光谱影像5个波段的纹理特征进行分别提取，共计得到40种数据，具体计算方法参考文献[29]。

1.3.2 相关分析 相关分析是统计分析的一种重要方法，可以提高我们对于现象（变量）之间相互依存关系的认识，通过相关系数筛选特征参数，为建立更优的模型提供基础[14,39-40]。如宋宇斐[41]、刘秀英等[42]基于相关分析筛选小麦叶绿素和氮素、牡丹种子含水率的特征参数进行模型构建。本研究为筛选出冬小麦植株氮含量的敏感特征，将25种光谱特征与40种纹理特征与实测植株氮含量分别进行Pearson相关分析，采用通过0.01水平显著检验的特征进行植株氮含量模型构建。计算公式如下：

表1 植被指数及计算公式

1.3.3 机器学习回归方法

（1）BP神经网络

BP神经网络（back propagation neural net，BP）是一种采用误差逆向传播进行算法训练的多层前馈网络，是目前最广泛应用的神经网络模型之一[58-59]。BP神经网络学习规则是最速下降法，通过误差反向传播不断调整网络的权值和阈值，使网络的误差平方和最小。目前，BP神经网络常用的激活函数包括identity、sigmoid、ReLU等20多种，当函数identity处于活动状态时，节点的输入等于输出，最适合于潜在行为是线性（类似线性回归）的任务[60]，为此本研究采用identity作为植株氮含量训练模型的激活函数。同时为了防止过拟合，常引入学习率、正则化等参数对模型进行优化[61]。本研究中设计3层网络结构，采用准牛顿方法族优化器（lbfgs）提高运行速度，具体参数设置见表2。

（2）随机森林

随机森林（random forest，RF）是集成学习bagging思想的典型代表，以决策树为基础学习器，通过集成方式构建而成的一种监督机器学习方法，而且在决策树的训练过程引入了随机性，使其具备优良的抗过拟合以及抗噪能力，而且RF在模型训练时可以并行训练提高训练的效率，同时可以得到特征重要性[62-63]。RF在植株氮含量模型训练过程中，每次抽样的结果形成一棵符合自身属性规则和判断值的树，最终集成所有的树实现回归。树深度越深，枝叶越多，模型就越复杂，RF的参数都是向着减少模型的复杂度，防止过拟合的方向调整[61-62]。结合Liepe等[64]的研究，本文RF节点分裂评价准则、树的最大深度等参数经过多次运行后，其设置见表2。

（3）Adaboost

Adaboost是英文“Adaptive Boosting”（自适应增强）的缩写，由Yoav Freund和Robert Schapire于1995年提出。AdaBoost方法是集成学习boosting思想的典型代表，解释性强，结构简单，运算过程中通过不断的迭代，在每一轮中加入一个新的弱学习器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个学习器选入训练集的概率，通过对权重的不断调整，使AdaBoost方法能“聚焦于”植株氮含量信息丰富的样本上[65-67]。Adaboost算法可以通过增加学习器个数提高泛化能力，但是当数据噪声较大或者基学习器复杂度较高时，增加基学习器个数很难提高泛化能力[60-61]，本研究中考虑到样本量，将基学习器的个数设置为100。另一方面，为防止过拟合，Adaboost算法中可以设置学习率，取值范围为(0，1]，值越大，需要的弱学习器迭代次数越少。结合Barrow等[65]、Wu等[68]关于Adaboost算法参数对模型影响的研究，本文采用线性损失函数和决策树基分类器，具体参数设置见表2。

表2 BP、RF、Adaboost和SVR方法的参数值

（4）支持向量机

支持向量机（support vector machine，SVR）的理论基础是凸二次规划，决定了它最终的结果是全局最优。SVR用非线性映射将数据映射到高维数据特征空间中，使得在高维数据特征空间中自变量与因变量具有很好的线性回归特征，在该特征空间进行拟合后再返回到原始空间，同时通过引入核函数，可以很好地解决高维空间中的内积运算[69-71]。常用的核函数主要有线性、多项式、径向基、Sigmoid、傅里叶等[61,72]。其中线性核函数具有效率高、应用范围广的优势，本研究光谱特征和纹理特征具有线性可分性，结合Yi等[73]研究，本研究选择线性核函数即可满足需求也能提高效率，其他参数设置见表2。

本研究机器学习算法采用计算机设备系统为Window10 64位操作系统，处理器为IntelI CoreI i7-9700K @ 3.60GHz，内存（RAM）为64.0 GB。同时为了尽可能使4种机器学习回归方法具有对比性，数据切分、洗牌方式、交叉验证、迭代次数等设置相同。

1.3.4 模型评价 本研究采用均方根误差（）、平均绝对误差（MAE）和决定系数（2）来衡量冬小麦植株氮含量的预测效果和迁移能力。为预测值与实际值之差平方的期望值的平方根，MAE是绝对误差的平均值，能反映预测值误差的实际情况，二者均是值越小，模型准确度越高。2将预测值与实测值对比，结果越靠近1，模型准确度越高。、MAE和2的计算方法参考文献[74]。

2.1 基于Pearson相关分析的植株氮含量敏感性分析

为筛选出植株氮含量的敏感特征，将25种光谱特征与40种纹理特征与实测植株氮含量分别进行Pearson相关分析，结果见表3—4。光谱特征与植株氮含量的相关系数最大的是RERDVI，为0.80；
纹理特征与植株氮含量的相关系数最大的是mean_Nir，为0.79；
总体来看，光谱特征与植株氮含量的相关性高于纹理特征。光谱特征，除了G波段反射率、GNDVI、GOSAVI 3个特征外，其余22个光谱特征均通过了0.01极显著水平检验；
纹理特征，除con_Rededge、con_Nir、cor_R、dis_Rededge、dis_Nir、ent_Rededge、hom_Rededge、mean_B、mean_Rededge、sm_Rededge、var_Rededge外，其余29个纹理特征均通过了0.01极显著水平检验。为尽可能保留植株氮含量的敏感性特征，本研究将通过0.01极显著水平检验的51种光谱特征和纹理特征均作为下一步进行植株氮含量预测模型的构建。

表3 光谱特征与植株氮含量之间的相关分析

*和**分别表示在＜0.05，＜0.01水平差异显著。下同 * and ** indicate significant difference at＜0.05 and＜0.01. The same as below

表4 光谱特征与植株氮含量之间的相关性

2.2 基于机器学习回归的冬小麦植株氮含量预测

融合筛选出的51个光谱特征和纹理特征，采用BP、RF、Adaboost和SVR回归方法构建模型进行冬小麦植株氮含量预测，测试数据实测值和预测值关系见图2，模型评估指标2、和MAE见图3。不同方法构建的模型，对冬小麦植株氮含量的预测效果存在差异。从95%的置信区间可知，RF和Adaboost方法置信区间的数据集中程度较BP和SVR方法大，且实测值与预测值多集中分布于1﹕1直线附近。不同机器学习方法构建的预测模型2、和MAE不同，RF方法构建的预测模型2最大，最小，MAE中等，2、和MAE分别为0.81、0.42%和0.29%；
Adaboost方法构建的预测模型2与RF方法相似，中等，MAE最小，分别为0.79、0.44%和0.32%；
BP方法构建的预测模型2、和MAE不分别为0.71、0.48%和0.37%；
SVR方法构建的预测模型2最小，和MAE较大，分别为0.66、0.54%和0.40%。综合2、和MAE可知，RF和Adaboost方法构建的冬小麦植株氮含量预测模型效果较好。

图2 不同机器学习方法冬小麦植株氮含量预测值与实测值关系

图3 不同机器学习方法冬小麦植株氮含量预测模型评价指标对比

2.3 冬小麦植株氮含量预测模型的迁移能力

基于BP、RF、Adaboost和SVR方法分别以W1和W0处理实测数据为训练集建立植株氮含量预测模型，对W0和W1处理植株氮含量进行预测，4种方法对W0和W1处理植株氮含量的预测效果与本研究2.2具有相似性，实测值和预测值的关系见图4—5。以W1处理为训练集，BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测2分别为0.75、0.72、0.72和0.66；
反之，以W0处理为训练集，BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测2分别为0.51、0.69、0.61和0.45。由图5可知，迁移预测模型的和MAE值BP和SVR方法比RF和Adaboost方法高。不同训练集得到的植株氮含量预测模型，W1处理训练得到的模型对W0处理冬小麦植株氮含量预测的结果优于W0处理训练得到的模型对W1处理的预测结果。综合2、和MAE，4种方法构建的植株氮含量预测模型迁移预测能力均是RF和Adaboost方法较好。

3.1 不同机器学习方法训练效率分析

基于以上分析可知，不同的机器学习方法构建的冬小麦植株氮含量模型预测效果存在差异。为厘清不同方法的预测效率，基于表2中不同方法设置的参数对训练用时进行统计，在数据切分、洗牌方法、交叉验证等相同的条件下，模型的训练用时存在较大的差异，其中用时最短的为SVR方法，用时为0.02s，RF和Adaboost用时相差较少，分别为0.78s和0.83s，用时最长的为BP方法，是SVR的142倍。4种方法相比，SVR的效率最高，BP的最低，RF和Adaboost处于中间。这与Du等[58]、Jeung等[62]、Fernández- Habas等[63]、Lin和LIU[75]对水流冲刷效率、热效率、牧草质量、土壤全氮预测研究得到的结论相一致。

图4 4种机器学习方法构建的模型对W0和W1水处理的迁移预测能力

图5 冬小麦植株氮含量预测模型对W0和W1水处理的迁移预测能力对比

3.2 不同机器学习方法对植株氮含量预测和模型迁移能力的影响

本研究对植株氮含量进行预测时，基于表2设置的参数，数据按照1﹕1划分为训练集和测试集，4种方法构建的训练集和测试集模型预测效果评价指标见表5。训练模型4种方法2大小依次为Adaboost（1.00）、RF（0.96）、BP（0.84）、SVR（0.70）；
和MAE的值4种方法相比，值最小的为Adaboost方法，分别为0.02%和0.01%，其次为RF、BP和SVR方法；
测试模型的2大小与训练模型存在差异，4种方法2大小依次为RF（0.81）、Adaboost（0.79）、BP（0.71）、SVR（0.66），和MAE的值4种方法相比，值最小的为RF方法，分别为0.42%和0.29%。这种差异与数据本身相关联，本研究中冬小麦品种有3个，基因型的差异会造成获取的表型信息（冠层影像）存在差别以及氮含量的差异，进而造成训练集合和测试集合数据存在差异，导致预测效果和模型的迁移能力也不相同。进一步地，针对测试数据的实测值和预测值进行点对点对应（图6），4种方法均具局部拟合度较高的表现，这可能是由于本研究中植株氮含量主要集中在1.2%—2.8%范围内，模型对该范围内的数值有较好的预测能力，这种训练模型与测试模型的差异以及局部拟合较好的表现与冠层影像信息密切相关。

表5 BP、RF、Adaboost和SVR方法构建的植株氮含量模型评价效果

图6 测试数据的曲线拟合效果

目前机器学习已经渗透到了理工农医等多个领域，尤其是监督式机器学习极大地提升了预测的准确率[76]，但能否信任这些模型，迁移能力至关重要？本研究采用W0和W1实测混合数据进行训练得到的模型对植株氮含量达到了较好的预测效果，同时分别采用W0和W1处理实测数据对模型进行训练，然后对W1和W0处理的植株氮含量进行预测，模型表现出了较好的本地迁移能力，而且不同机器学习方法相比，RF和Adaboost方法构建的冬小麦植株氮含量预测模型迁移能力表现较为突出。Jiang等[74]采用RF、SVR、Adaboost等12种方法对密云水库全氮含量进行估测时，RF和Adaboost方法同样表现突出，2分别为0.71和0.96。Shi等[10]采用BP、RF和线性回归对氮含量、叶面积指数和干物质预测时，RF模型的精度最高，2分别为0.82、0.79和0.80。申哲等[77]、Lin和LIU[75]对土壤质地和全氮预测的研究也得出类似结论。但是不同区域之间模型的迁移能力是否也存在这样的结果，还需进一步研究。

3.3 不同机器学习方法对植株氮含量预测的原理性分析

机器学习是面向机器的智能数据分析方法，通过充分挖掘模型构建数据集中的信息进行模型构建从而达到精准预测目的。在不同的领域，机器学习已成为进行预测研究热点[58,62-63,76-79]，但不同机器学习存在差异，本研究着重探讨了BP、RF、Adaboost、SVR这4种机器学习回归方法对冬小麦植株氮含量预测的影响。4种方法学习效率和预测过程中的主要结果分析可知，主要是由于方法原理、对数据的要求和模型泛化能力等方面的差别，BP方法学习能力强，由于对设置的参数要求多，模型训练的时间较长；
RF和Adaboost方法训练可调，所需参数相对较为简单，运算速度较快；
SVR方法可以解决高维问题，泛化能力也较强，对整体数据的依赖性相对较低，但是合适的核函数确定存在难度，模型的精度容易受到影响，本研究中选择的核函数为线性核函数，提高了运行速度，但可能损害了模型的精度[61]。

本研究中，RF和Adaboost方法表现较为突出，分析原因主要是这两种方法属于集成学习，分别基于bagging和boosting的思想，将若干个学习器进行组合而得到一个新的学习器，从而达到较好的学习效果，充分体现了机器学习的“群体智慧”。二者均是从原始数据集中采用Bootstrap策略有放回地抽取、重组形成与原始数据集等大的子集合。这就意味着同一个子集里面的样本可以是重复出现的，不同子集中的样本也可以是重复出现的。而且，不同于单个决策树在分割过程中考虑所有特征后，选择一个最优特征来分割节点，RF方法通过在基学习器中随机考察一定的特征变量，之后在这些特征中选择最优特征变量，类似于“民主投票”，这使得RF方法构建的模型泛化能力和学习能力优于个体学习器。这种表现在Du等[58]、Jeung等[62]、Fernández-Habas等[63]、Lin和LIU[75]、王来刚等[78]的研究中也得到了验证。AdaBoost方法在抽样的过程中则是充分考虑每个分类器的权重，类似于“精英挑选”，但是如果数据不平衡导致模型精度下降[61]。因此，综合考虑，RF和Adaboost方法构建的植株氮含量模型预测效果和迁移能力较好。本研究中综合了光谱特征和纹理特征，未来大量的数据综合运用，丰富机器学习的训练集信息将是重要的研究方向，因此，充分运用多源信息，建立高精度、普适性强的预测模型，对更好地服务智慧农业落地开花具有重要的理论意义和现实意义。但是本研究建立的预测模型是否能够在不同研究区之间迁移并且达到较好的效果，以及造成不同处理模型预测结果差异的原因与影像特征的定量关系，还需进一步研究。

本研究基于5波段多光谱反射率，通过计算分析得到不同波段组合的20种植被指数和40种纹理特征，利用通过0.01极显著水平检验的51种光谱特征和纹理特征，采用BP、RF、Adaboost、SVR 4种机器学习回归方法构建冬小麦植株氮含量预测模型，2分别为0.71、0.81、0.79和0.66，预测值与实测值相比存在偏低的趋势。以W1处理为训练集，BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测2分别为0.75、0.72、0.72和0.66；
反之，以W0处理为训练集，BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测2分别为0.51、0.69、0.61和0.45。综合考虑2、和MAE，RF和Adaboost方法构建的植株氮含量模型具有较好的预测效果和迁移能力。

[1] United States Department of Agriculture (USDA), World Agricultural Production. Circular Series WAP. 2022: 27-42. https://apps.fas.usda. gov/psdonline/circulars/production.pdf.

[2] PERRY E M, FITZGERALD G J, NUTTALL J G, O’LEARY G, SCHULTHESS U, WHITLOCK A. Rapid estimation of canopy nitrogen of cereal crops at paddock scale using a canopy chlorophyll content index. Field Crops Research, 2012, 134: 158-164.

[3] LU N, WANG W, ZHANG Q, LI D, YAO X, TIAN Y C, ZHU Y, CAO W X, BARET F, LIU S Y, CHENG T. Estimation of nitrogen nutrition status in winter wheat from unmanned aerial vehicle based multi-angular multispectral imagery. Frontiers in Plant Science, 2019, 10: 1601.

[4] 郭燕, 井宇航, 贺佳, 王来刚, 冯伟, 刘海礁. 小麦冠层氮素含量光谱估算研究进展. 麦类作物学报, 2021, 41(11): 1425-1431.

GUO Y, JING Y H, HE J, WANG L G, FENG W, LIU H J. Research progress of nitrogen content estimation in winter wheat canopy based on optical spectrum. Journal of Triticeae Crops, 2021, 41(11): 1425-1431. (in Chinese)

[5] ROSIN N A, DALMOLIN R, HORST-HEINEN T Z, MOURA- BUENO J M, SILVA-SANGOI D V, SILVA L. Diffuse reflectance spectroscopy for estimating soil organic carbon and make nitrogen recommendations. Scientia Agricola, 2021, 78(5): e20190246.

[6] 杨宝华, 陈建林, 陈林海, 曹卫星, 姚霞, 朱艳. 基于敏感波段的小麦冠层氮含量估测模型. 农业工程学报, 2015, 31(22): 176-182.

YANG B H, CHEN J L, CHEN L H, CAO W X, YAO X, ZHU Y. Estimation model of wheat canopy nitrogen content based on sensitive bands. Transactions of the Chinese Society of Agricultural Engineering,2015, 31(22): 176-182. (in Chinese)

[7] 王玉娜, 李粉玲, 王伟东, 陈晓凯, 常庆瑞. 基于无人机高光谱的冬小麦氮素营养监测. 农业工程学报, 2020, 36(22): 31-39.

WANG Y N, LI F L, WANG W D, CHEN X K, CHANG Q R. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images.Transactions of the Chinese Society of Agricultural Engineering,2020, 36(22): 31-39. (in Chinese)

[8] JIANG J L, ZHU J, WANG X, CHENG T, TIAN Y C, ZHU Y, YAO X. Estimating the leaf nitrogen content with a new feature extracted from the ultra-high spectral and spatial resolution images in wheat. Remote Sensing, 2021, 13(4): 739.

[9] SABZI S, POURDARBANI R, ROHBAN M H, GARCÍA-MATEOS G, ARRIBAS J I. Estimation of nitrogen content in cucumber plant (L.) leaves using hyperspectral imaging data with neural network and partial least squares regressions. Chemometrics and Intelligent Laboratory Systems, 2021, 217: 104404.

[10] SHI P H, WANG Y, XU J M, ZHAO Y L, YANG B L, YUAN Z M, SUN Q H. Rice nitrogen nutrition estimation with RGB images and machine learning methods.105860

[11] 井宇航, 郭燕, 张会芳, 戎亚思, 张少华, 冯伟, 王来刚, 贺佳, 刘海礁, 郑国清. 无人机飞行高度对冬小麦植株氮积累量预测模型的影响. 河南农业科学, 2022, 51(2):147-158.

JING Y H, GUO Y, ZHANG H F, RONG Y S, ZHANG S H, FENG W, WANG L G, HE J, LIU H Q, ZHENG G Q. Effects of UAV flight height on prediction model of plant nitrogen accumulation in winter wheat. Journal of Henan Agricultural Sciences, 2022, 51(2):147-158. (in Chinese)

[12] 张潇元, 张立福, 张霞, 王树东, 田静国, 翟涌光. 不同光谱植被指数反演冬小麦叶氮含量的敏感性研究. 中国农业科学, 2017, 50(3): 474-485.

ZHANG X Y, ZHANG L F, ZHANG X, WANG S D, TIAN J G, ZHAI Y G.Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen. Scientia Agricultura Sinica,2017, 50(3): 474-485. (in Chinese)

[13] LI Z H, LI Z H, FAIRBAIRN D, LI N, XU B, FENG H K, YANG G J. Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral. Computers and Electronics in Agriculture, 2019, 162: 174-182.

[14] 魏鹏飞, 徐新刚, 李中元, 杨贵军, 李振海, 冯海宽, 陈帼, 范玲玲,王玉龙, 刘帅兵. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测. 农业工程学报, 2019, 35(8):126-133.

WEI P F, XU X G, LI Z Y, YANG G J, LI Z H, FENG H K, CHEN G, FAN L L, WANG Y L, LIU S B. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 126-133. (in Chinese)

[15] 贾丹, 陈鹏飞. 低空无人机影像分辨率对冬小麦氮浓度反演的影响. 农业机械学报, 2020, 51(7): 164-169.

JIA D, CHEN P F. Effect of low altitude UAV image resolution on inversion of winter wheat nitrogen concentration. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 164-169. (in Chinese)

[16] GANDHIMATHI ALIAS USHA S, VASUKI S. Significance of texture features in the segmentation of remotely sensed images. International Journal for Light and Electron Optics2022, 249: 168241.

[17] WALSH O S, SHAFIAN S, MARSHALL J, JACKSON C, MCCLINTICK-CHESS J R, BLANSCET S M, SWOBODA K, THOMPSON C, BELMONT K M, WALSH W L. Assessment of UAV based vegetation indices for nitrogen concentration estimation in spring wheat. Advances in Remote Sensing, 2018, 7: 71-90.

[18] 杨福芹, 冯海宽, 肖天豪, 李天驰, 郭向前. 融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算. 农业现代化研究, 2020, 41(4): 718-726.

YANG F Q, FENG H K, XIAO T H, LI T C, GUO X Q. Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion. Research of Agricultural Modernization, 2020, 41(4): 718-726. (in Chinese)

[19] JAY S, MAUPAS F, BENDOULA R, GORRETTA N. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: Comparison of vegetation indices and PROSAIL inversion for field phenotyping. Field Crops Research, 2017, 210: 33-46.

[20] CHLINGARYAN A, SUKKARIEH S, WHELAN B. Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review. Computers and Electronics in Agriculture, 2018, 151: 61-69.

[21] BERGER K, VERRELST J, FÉRET J, HANK T B, WOCHER M, MAUSER W, CAMPS-VALLS G. Retrieval of aboveground crop nitrogen content with a hybrid machine learning method. International Journal of Applied Earth Observation and Geoinformation, 2020, 92: 102174.

[22] 黄芬, 高帅, 姚霞, 张小虎, 朱艳. 基于机器学习和多颜色空间的冬小麦叶片氮含量估算方法研究. 南京农业大学学报, 2020, 43(2): 364-371．

HUANG F, GAO S, YAO X, ZHANG X H, ZHU Y. Estimation of winter wheat leaf nitrogen concentration using machine learning algorithm and multi-color space. Journal of Nanjing Agricultural University, 2020, 43(2): 364-371. (in Chinese)

[23] 李金敏, 陈秀青, 杨琦, 史良胜. 基于高光谱的水稻叶片氮含量估计的深度森林模型研究. 作物学报, 2021, 47(7): 1342-1350.

LI J M, CHEN X Q, YANG Q, SHI L S. Deep learning models for estimation of paddy rice leaf nitrogen concentration based on canopy hyperspectral data. Acta Agronomica Sinica, 2021, 47(7): 1342-1350. (in Chinese)

[24] QIU Z C, MA F, LI Z W, XU X B, GE H X, DU C. Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms.106421

[25] 李美炫, 朱西存, 白雪源, 彭玉凤, 田中宇, 姜远茂. 基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演.中国农业科学, 2021, 54(10): 2084-2094.

LI M X, ZHU X C, BAI X Y, PENG Y F, TIAN Z Y, JIANG Y M. Remote sensing inversion of nitrogen content in apple canopy based on shadow removal in UAV multi-spectral remote sensing images. Scientia Agricultura Sinica, 2021, 54(10): 2084-2094. (in Chinese)

[26] MESSINA G, PRATICÒ S, BADAGLIACCA G, DI FAZIO S, MONTI M, MODICA G. Monitoring onion crop “Cipolla Rossa di Tropea Calabria IGP” growth and yield response to varying nitrogen fertilizer application rates using UAV imagery. Drones, 2021, 5: 61.

[27] GAMON J A, PENUElAS J, FIELD C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment, 1992, 41(1): 35-44.

[28] XIAO X M, HE L, SALAS W, LI C S, MOORE B, ZHAO R, FROLKING S, BOLES S. Quantitative relationships between field-measured leaf area index and vegetation index derived from vegetation images for paddy rice fields. International Journal of Remote Sensing, 2002, 23(18): 3595-3604.

[29] ZHOU Y C, LAO C C, YANG Y L, ZHANG Z T, CHEN H Y, CHEN Y W, CHEN J Y, NING J, YANG N. Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices. Agricultural Water Management, 2021, 256: 107076.

[30] 于丰华, 邢思敏, 郭忠辉, 白驹驰, 许童羽. 基于特征转移植被指数的水稻叶片氮素含量定量估算. 农业工程学报, 2022, 38(2): 175-182.

YU F H, XING S M, GUO Z H, BAI J C, XU T Y. Remote sensing inversion of the nitrogen content in rice leaves using character transfer vegetation index. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(2): 175-182. (in Chinese)

[31] 牛亚晓, 张立元, 韩文霆, 邵国敏. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法. 农业机械学报, 2018, 49(4): 212-221.

NIU Y X, ZHANG L Y, HAN W T, SHAO G M. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212-221. (in Chinese)

[32] 奚雪, 赵庚星. 基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测. 中国农学通报, 2020, 36(20): 119-126.

XI X, ZHAO G X. Chlorophyll content in winter wheat: Inversion and monitoring based on UAV multi-spectral remote sensing. Chinese Agricultural Science Bulletin, 2020, 36(20): 119-126. (in Chinese)

[33] WAN L, LI Y J, CEN H Y, ZHU J P, YIN W X, WU W K, ZHU H Y, SUN D W, ZHOU W J, HE Y. Combining UAV-based vegetation indices and image classification to estimate flower number in oilseed rape. Remote Sensing, 2018, 10(9): 1484.

[34] 万亮, 岑海燕, 朱姜蓬, 张佳菲, 杜晓月, 何勇. 基于纹理特征与植被指数融合的水稻含水量无人机遥感监测. 智慧农业, 2020, 2(1): 58-67.

WAN L, CEN H Y, ZHU J P, ZHANG J F, DU X Y, HE Y. Using fusion of texture features and vegetation indices from water concentration in rice crop to UAV remote sensing monitor. Smart Agriculture, 2020, 2(1): 58-67. (in Chinese)

[35] 于利峰, 乌兰吐雅, 乌云德吉, 许洪滔, 包珺玮, 任婷婷. 基于纹理特征与MODIS-NDVI时间序列的耕地面积提取研究. 中国农业资源与区划, 2018, 39(11): 169-177.

YU L F, WULAN T Y, WUYUN D J, XU H T, BAO J W, REN T T. Study on extraction of arable land area based on texture features and MODIS-NDVI time series. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(11): 169-177. (in Chinese)

[36] 王镕. 基于光谱和纹理特征综合的农作物种植结构提取方法研究. 兰州: 兰州交通大学, 2019.

WANG R. Study on extraction of crop planting structure based on spectral and texture features. Lanzhou: Lanzhou Jiaotong University, 2019. (in Chinese)

[37] YANG Y, CHEN J. Comprehensive analysis of water carrying capacity based on wireless sensor network and image texture of feature extraction. Alexandria Engineering Journal, 2022, 61: 2877-2886.

[38] AOUAT S, AIT-HAMMI I, HAMOUCHENE I. A new approach for texture segmentation based on the Gray Level Co-occurrence Matrix. Multimedia Tools and Applications, 2021, 80: 24027-24052.

[39] 高苹, 徐敏, 孔维财, 张志薇. 基于最优化相关分析的油菜开花期预报模型研究. 海洋气象学报, 2021,41(3): 77-83.

GAO P, XU M, KONG W C, ZHANG Z W. Establishment of predicting models for oilseed rape florescence using an optimal correlation analysis method. Journal of Marine Meteorology, 2021, 41(3): 77-83. (in Chinese)

[40] 崔承齐, 刘艳阳, 江晓林, 孙知雨, 杜振伟, 武轲, 梅鸿献, 郑永战. 芝麻产量相关性状的多位点全基因组关联分析及候选基因预测. 中国农业科学, 2022, 55(1): 219-232.

CUI C Q, LIU Y Y, JIANG X L, SUN Z Y, DU Z W, WU K, MEI H X, ZHENG Y Z. Multi-locus genome-wide association analysis of yield-related traits and candidate gene prediction in sesame (L.). Scientia Agricultura Sinica, 2022, 55(1): 219-232. (in Chinese)

[41] 宋宇斐. 基于数字图像的小麦叶绿素和氮素营养检测研究. 保定: 河北农业大学, 2020.

SONG Y F. Detection of chlorophyll and nitrogen nutrition of wheat based on digital images. Baoding: Hebei Agricultural University, 2020. (in Chinese)

[42] 刘秀英, 余俊茹, 王世华. 光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型. 农业工程学报, 2020, 36(22): 308-315.

LIU X Y, YU J R, WANG S H. Estimation of moisture content in peony seed oil using spectral characteristic variables and BP neural network. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 308-315. (in Chinese)

[43] GITELSON A A, KAUFMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289-298.

[44] GILABERT M A, GONZÁLEZ-PIQUERAS J, GARCÍA-HARO F J, MELIÁ J. A generalized soil-adjusted vegetation index. Remote Sensing of Environment, 2002, 82(2): 303-310.

[45] ROUSE J W. Monitoring the vernal advancement of retrogradation (green wave effect) of natural vegetation. NASA/GSFC Type III. Final Report. Greenbelt Md, 1974: 371.

[46] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[47] CAO Q, MIAO Y, SHEN J N, YU W F, YUAN F, CHENG S S, HUANG S Y, WANG H Y, YANG W, LIU F. Improving in-season estimation of rice yield potential and responsiveness to topdressing nitrogen application with crop circle active crop canopy sensor. Precision Agriculture, 2015, 17: 136-154.

[48] RONDEAUX G, BARET F, STEVEN M. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[49] GITELSON A A, VIÑA A, CIGANDA V S, RUNDQUIST D, ARKEBAUER T J. Remote estimation of canopy content in crops. Geophysical Research Letters, 2005, 32(8): 1-4.

[50] HUETE A, JUSTICE C, LEEUWEN W V. MODIS vegetation index (MOD13) algorithm theoretical basis document. US: NASA Goddard Space Flight Center, 1999.

[51] DEERING D W, ROUSE J W, HASS R H, SCHELL J A. Measuring “Forage Production” of grazing units from Landsat MSS data. Proceedings of the 10thInternational Symposium on Remote Sensing of Environment, Ann Arbor, 1975: 169-1178.

[52] ERUNOVA M, PISMAN T I, SHEVYRNOGOV A P. The technology for detecting weeds in agricultural crops based on vegetation index VARI (PlanetScope). Journal of Siberian Federal University. Engineering & Technologies, 2021, 14(3): 347-353.

[53] LAMM R D, SLAUGHTER D C, GILES D K. Precision weed control system for cotton. Transactions of the American Society of Agricultural and Biological Engineers, 2002, 45(1): 231-238.

[54] HABOUDANE D, MILLER J R, PATTEY E, ZARCO-TEJADA P J, STRACHAN I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 2004, 90(3): 337-352.

[55] HUETE A R, HUA G, QI J, CHEHBOUNI A G, LEEUWEN W J. Normalization of multidirectional red and NIR reflectances with the SAVI. Remote Sensing of Environment, 1992, 41(2/3): 143-154.

[56] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor. Ecology, 1969, 50: 663-666.

[57] REYNIERS M, WALVOORT D J J, DE BAARDEMAAKER J. A linear model to predict with a multi-spectral radiometer the amount of nitrogen in winter wheat. International Journal of Remote Sensing, 2006, 27(19): 4159-4179.

[58] DU B, LUND P D, WANG J, KOLHE M, HU E. Comparative study of modelling the thermal efficiency of a novel straight through evacuated tube collector with MLR, SVR, BP and RBF methods. Sustainable Energy Technologies and Assessments, 2021, 44(1): 101029.

[59] 王鑫梅, 张劲松, 孟平, 杨洪国, 孙圣. 基于无人机遥感影像的核桃冠层氮素含量估算. 农业机械学报, 2021, 52(2): 178-187.

WANG X M, ZHANG J S, MENG P, YANG H G, SUN S. Estimation of nitrogen content in walnut canopy based on UAV remote sensing image. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(2): 178-187. (in Chinese)

[60] 李航. 机器学习方法. 北京: 清华大学出版社, 2022.

LI H. Machine Learning Method. Beijing: Tsinghua University Press, 2022. (in Chinese)

[61] 周志华. 机器学习. 北京: 清华大学出版社, 2016.

ZHOU Z H. Machine Learning. Beijing: Tsinghua University Press, 2016. (in Chinese)

[62] JEUNG M, BAEK S, BEOM J, CHO K H, HER Y, YOON K. Evaluation of random forest and regression tree methods for estimation of mass first flush ratio in urban catchments. Journal of Hydrology, 2019, 575: 1099-1110.

[63] FERNÁNDEZ-HABAS J, CAÑADA M C, MORENO A M G, LEAL- MURILLO J R, GONZÁLEZ-DUGO M P, OAR B A, GÓMEZ- GIRÁLDEZ P J, FERNÁNDEZ-REBOLLO P. Estimating pasture quality of Mediterranean grasslands using hyperspectral narrow bands from field spectroscopy by random forest and PLS regressions. Computers and Electronics in Agriculture, 2022, 192: 106614.

[64] LIEPE M U, BELOMESTNYKH S. RF parameter and field stability requirements for the Cornell ERL prototype. Proceedings of the 2003 Particle Accelerator Conference, 2003, 2: 1329-1331.

[65] BARROW D K, CRONE S F. A comparison of AdaBoost algorithms for time series forecast combination. International Journal of Forecasting, 2016, 32(4): 1103-1119.

[66] WANG L L, GUO Y L, FAN M H, LI X. Wind speed prediction using measurements from neighboring locations and combining the extreme learning machine and the AdaBoost algorithm. Energy Reports, 2022, 8: 1508-1518.

[67] ZHOU Y, LU Z, CHENG K. Adaboost-based ensemble of polynomial chaos expansion with adaptive sampling. Computer Methods in Applied Mechanics and Engineering, 2022, 388: 114238.

[68] WU S, NAGAHASHI H. Parameterized AdaBoost: Introducing a parameter to speed up the training of real Adaboost. Institute of Electrical and Electronics Engineers Signal Processing Letters, 2014, 21: 687-691.

[69] PANAHI M, SADHASIVAM N, POURGHASEMI H R, REZAIE F, LEE S. Spatial prediction of groundwater potential mapping based on convolutional neural network (CNN) and support vector regression (SVR). Journal of Hydrology, 2020, 588: 125033.

[70] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11) [Online Application Software]. https://www.spsspro.com.

[71] ALNUWAISER M A, JAVED M F, KHAN M I, AHMED M W, GALAL A M. Support vector regression and ANN approach for predicting the ground water quality.2022, 99: 10538.

[72] LI Y, SUN H, YAN W, ZHANG X. Multi-output parameter-insensitive kernel twin SVR model. Neural networks, 2020, 121: 276-293.

[73] YI Y, WANG L, CHEN Z. Adaptive global kernel interval SVR-based machine learning for accelerated dielectric constant prediction of polymer-based dielectric energy storage. Renewable Energy, 2021, 176: 81-88.

[74] JIANG Q, XU L, SUN S, WANG M, XIAO H. Retrieval model for total nitrogen concentration based on UAV hyper spectral remote sensing data and machine learning algorithms-a case study in the Miyun reservoir, China. Ecological Indicators, 2021, 124: 107356.

[75] LIN L, LIU X. Mixture-based weight learning improves the random forest method for hyperspectral estimation of soil total nitrogen. Computers and Electronics in Agriculture, 2022, 192: 106634.

[76] LINARDATOS P, PAPASTEFANOPOULOS V, KOTSIANTIS S B. Explainable AI: A review of machine learning interpretability methods. Entropy, 2021, 23: 18.

[77] 申哲, 张认连, 龙怀玉, 徐爱国. 基于机器学习方法的宁夏南部土壤质地空间分布研究. 中国农业科学, 2022, 55(15): 2961-2972.

SHEN Z, ZHANG R L, LONG H Y, XU A G. Research on spatial distribution of soil texture in southern Ningxia based on machine learning. Scientia Agricultura Sinica, 2022, 55(15): 2961-2972. (in Chinese)

[78] 王来刚, 郑国清, 郭燕, 贺佳, 程永政. 融合多源时空数据的冬小麦产量预测模型研究. 农业机械学报, 2022, 53(1): 198-204, 458.

WANG L G, ZHENG G Q, GUO Y, HE J, CHENG Y Z. Prediction of winter wheat yield based on fusing multi-source spatio-temporal data. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 198-204, 458. (in Chinese)

[79] SARKER I H. Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2021, 2(3): 160.

UAV multispectral Image-Based Nitrogen Content Prediction and the Transferability Analysis of the Models in Winter Wheat Plant

1Institute of Agricultural Economy and Information, Henan Academy of Agricultural Sciences, Zhengzhou 450002;2Key Laboratory of Huang-Huai-Hai Smart Agricultural Technology, Ministry of Agriculture and Rural Affairs, Zhengzhou 450002;3Henan Engineering Laboratory of Crop Planting Monitoring and Warning, Zhengzhou 450002;4College of Agronomy, Hennan Agricultural University/State Key Laboratory of Wheat and Maize Crop Science, Zhengzhou 450046;5Department of Soil Science, University of Wisconsin-Madison, Madison, WI 53706, USA

【Objective】Accurate monitoring and rational application of nitrogen are particularly important for healthy growth, yield and quality improvement of wheat, and reduction of environmental pollution and resource waste. The purpose of this study was to develop UAV-based models for accurately and effectively assessment of the plant nitrogen content in the key growth stages of wheat growth, and to explore the transferability of the models constructed based on machine learning methods. 【Method】Winter wheat experiment were conducted from 2020 to 2022 in Shangshui county, Henan province, China. Based on the K6 multichannel imager mounted on DJM600 UAV, 5-band (Red, Green, Blue, Rededge, and Nir) multispectral images were obtained from a UAV system in the stages of jointing, booting, flowering and filling in winter wheat, to calculate 20 vegetation indices and 40 texture features from different band combinations. Correlation analysis was used to screen the sensitive characteristics of nitrogen content in winter wheat plants from the 65 image features. Combining the sensitive spectral features and texture features of the nitrogen content of winter wheat plants, BP neural network (BP), random forest (RF), Adaboost, and support vector machine (SVR) machine learning regression methods were used to build plant nitrogen content models, and compared for the model performance and transferability. 【Result】(1)The correlation coefficients between plant nitrogen content and image features passed the test of 0.01 extremely significant level, including 22 spectral features and 29 texture features. (2) 51 spectral and texture features were adopted to build four machine learning models. The estimates of plant nitrogen by the RF and Adaboost methods were relatively concentrated, mostly close to the 1﹕1 line; while the estimations from the BP and SVR methods were relatively scattered. The RF method was the best, with2,, and MAE of 0.81, 0.42%, and 0.29%, respectively; The SVR method was the worst, with2,, and MAE of 0.66, 0.54% and 0.40%, respectively. (3) The prediction effects of the four methods on the nitrogen content of W0 and W1 treatments trained using W1 and W0 treatments were the same as those trained using both W0 and W1 datasets, both of which were closer to the 1﹕1 line for the RF and Adaboost methods. The2of transfer prediction results for the models constructed by BP, RF, Adaboost, and SVR methods were 0.75, 0.72, 0.72, and 0.66 for the prediction of nitrogen content in W0 treatment and 0.51, 0.69, 0.61 (trained using data under W1 treatment) and 0.45 for the prediction under W1 treatment (trained using data under W0 treatment), respectively.【Conclusion】All models showed strong transferability, especially the RF and Adaboost methods, in predicting winter wheat nitrogen content under rainfed and irrigation water management.

UAV; spectral feature; textural feature; machine learning; nitrogen content in winter wheat; transferability

10.3864/j.issn.0578-1752.2023.05.004

2022-08-02；

2022-09-08

国家自然科学基金（41601213）、国家重点研发计划（2022YFD2001105）、河南省农业科学院杰出青年科技基金（2021JQ02）、河南省农科院农经信息所科技创新领军人才培育计划项目（2022KJCX01）

郭燕，E-mail：10914063@zju.edu.cn。通信作者郑国清，E-mail：zgqzx@hnagri.org.cn

（责任编辑 杨鑫浩）