基于無人機影像特征的冬小麥植株氮含量預測及模型遷移能力分析

郭燕，井宇航，王來剛，黃競毅，賀佳，馮偉，鄭國清

基于無人機影像特征的冬小麥植株氮含量預測及模型遷移能力分析

郭燕1,2,3，井宇航1,4，王來剛1,2,3，黃競毅5，賀佳1,2,3，馮偉4，鄭國清1,2,3

1河南省農業科學院農業經濟與信息研究所，鄭州 450002；2農業農村部黃淮海智慧農業技術重點實驗室，鄭州 450002；3河南省農作物種植監測與預警工程研究中心，鄭州 450002；4河南農業大學農學院/省部共建小麥玉米作物學國家重點實驗室，鄭州 450046；5Department of Soil Science, University of Wisconsin-Madison, Madison, WI 53706, USA

【目的】氮素的精準監測和合理施用對小麥健康生長、產量及品質提升、減少農田環境污染與資源浪費尤為重要。為精準監測小麥生長關鍵生育期植株氮含量，探索機器學習方法構建的植株氮含量預測模型的遷移能力。【方法】小區試驗于2020—2022年在河南省商水縣開展，在冬小麥拔節期、孕穗期、開花期和灌漿期，采用M600大疆無人機搭載K6多光譜成像儀獲取5波段（Red、Green、Blue、Rededge、Nir）多光譜影像。基于5個波段冠層反射率提取20種植被指數和40種紋理特征，采用相關分析從65個影像特征中篩選冬小麥植株氮含量敏感特征。基于篩選出的敏感特征，采用BP神經網絡（BP）、隨機森林（RF）、Adaboost、支持向量機（SVR）4種機器學習回歸方法構建植株氮含量預測模型，并對模型預測效果和在不同水處理條件下模型的遷移預測能力進行分析。【結果】（1）植株氮含量與影像特征的相關系數通過0.01極顯著水平檢驗的包括22個光譜特征和29個紋理特征。（2）4種機器學習回歸方法構建的冬小麥植株氮含量預測模型存在差異，RF和Adaboost方法預測植株氮含量集中于95%的置信區間，多分布于1﹕1直線附近，而BP和SVR方法預測的植株氮含量分布相對較為分散；RF方法構建的預測模型2最大，最小，MAE中等，分別為0.81、0.42%和0.29%；SVR方法構建的預測模型2最小，和MAE較大，分別為0.66、0.54%和0.40%。（3）以W1處理（按需灌溉）實測植株氮含量為訓練集，采用BP、RF、Adaboost和SVR方法構建的模型對W0處理冬小麥植株氮含量遷移預測2分別為0.75、0.72、0.72和0.66；以W0處理（自然狀態）實測植株氮含量為訓練集，BP、RF、Adaboost和SVR方法構建的模型對W1處理冬小麥植株氮含量遷移預測2分別為0.51、0.69、0.61和0.45。【結論】4種機器學習方法構建的冬小麥植株氮含量預測模型均表現出了較強的遷移預測能力，尤以RF和Adaboost方法構建的模型預測效果和遷移能力為好。

無人機；光譜特征；紋理特征；機器學習；冬小麥植株氮含量；遷移能力

0 引言

【研究意義】小麥是世界上播種面積最大、分布最廣泛的糧食作物。我國是小麥生產大國，肩負扛穩糧食安全的重任，2021年小麥產量占世界總產量的17%以上[1]。氮素作為保證小麥產量和質量的關鍵元素，其精準監測和合理施用對小麥健康生長、產量及品質提升、減少農田環境污染與資源浪費尤為重要。因此，氮素含量的快速、無損、精準監測一直是學者們密切關注和研究的熱點[2-5]，而如何提高氮素含量的預測精度及模型的普適性是一個難題。【前人研究進展】目前，國內外學者針對作物氮含量快速監測和精準預測方面開展了大量研究，從取樣分析到近地面、無人機、衛星遙感的無損監測，在敏感波段篩選、植被指數構建、預測方法優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，數據的選擇和方法存在差異，面向田塊尺度精準預測需求，高光譜數據光譜分辨率高，具有明顯優勢[12-13]，如張瀟元等[12]利用ASD小麥冠層高光譜數據，基于特征波段構建了SAVI（soil adjusted vegetation index）等14種不同的植被指數對小麥葉片氮含量進行反演，多指數聯合相比單一植被指數可顯著提高精度，模型2為0.92以上，但較大范圍數據獲取時效率明顯偏低。隨著遙感技術的進步，機載光譜成像儀也開始得到廣泛應用，大大提高了數據獲取效率。尤其是近地面、機載高光譜數據對氮含量有益的預測結果，促進了成本更低的無人機多光譜遙感數據在作物氮素快速監測與反演中的應用，但是無人機多光譜數據的光譜分辨率較低，影響氮含量的預測效果[4,13-14]。而另一方面，無人機多光譜數據超高空間分辨率影像豐富的紋理特征信息卻又容易被忽略。已有研究表明，紋理特征可以提升原始影像的光譜空間信息辨識度，在進行作物參數預測和反演時可以提升精度[11,14-16]，如賈丹等[15]在光譜分辨率為0.01 m時，融合無人機多光譜影像光譜特征和紋理特征建立的冬小麥氮含量預測模型比單一植被指數或者紋理特征建立的模型精度提升10個百分點以上。因此，綜合分析光譜信息、紋理特征對作物氮素含量的敏感性，采用合適的方法建立植株氮含量預測模型，對提升氮素含量預測精度、提升模型適用性、降低成本具有重要意義。植株氮含量的預測與反演的方法主要包括統計模型和物理模型法，統計模型主要是利用一元回歸和多元回歸等方法建立線性、對數、冪函數等模型[11,15]，如WALSH等[17]、楊福芹等[18]基于無人機影像提取植被指數和紋理特征，對春小麥和冬小麥的氮含量進行了預測，模型2范圍為0.58—0.84。物理模型主要是輻射傳輸模型和幾何光學模型，通過敏感性參數分析篩選特征波段，利用查找表法、人工神經網絡法等方法反演作物氮含量[9,13]，如JAY等[19]利用PROSAIL模型反演甜菜冠層氮含量，模型2為0.84。近年隨著數據挖掘技術的發展，支持向量機、神經網絡、遺傳算法、隨機森林等方法越來越多應用到作物氮含量等理化參數的預測與反演中，這些方法具有機器學習能力，在精度方面優于傳統模型[9-10,20-22]，如Chlingaryan等[20]對比分析了傳統統計分析方法和機器學習方法在作物氮含量和產量預測中的效果，發現隨機森林（RF）、決策樹（DT）等機器學習方法更具有優勢和潛力。不同機器學習方法由于原理不同，構建的模型學習效率、預測和反演能力等方面存在差異[23-24]，如楊寶華等[6]采用后向傳輸神經網絡（BP）、支持向量機（SVR）和徑向基神經網絡（RBF）方法對冬小麥冠層氮素進行預測，模型2為0.82（SVR）—0.98（RBF）；Qiu等[24]采用Adaboost、人工神經網絡（ANN）、K鄰近（KNN）、偏最小二乘（PLS）、RF和SVR機器學習回歸方法對水稻氮營養指數進行預測時，發現RF和Adaboost方法構建的模型精度最高，灌漿期與植株氮營養指數RF模型2高達0.98，說明機器學習方法優于傳統統計分析方法、集成學習方法優于一般機器學習方法的特點，但是這些研究均未對模型在不同處理條件下的遷移能力進行分析。【本研究切入點】探索一般機器學習方法（BP和SVR）和集成學習方法（RF和Adaboost）構建植株氮含量模型的預測效果和遷移預測能力，彌補目前國內外關于模型遷移能力尤其是在農業領域應用還相對缺乏的現狀。【擬解決的關鍵問題】本研究以冬小麥為研究對象，設計水氮耦合小區試驗，獲取關鍵生育期無人機多光譜影像，提取無人機影像光譜特征與紋理特征，基于相關性分析得到植株氮含量敏感特征，利用機器學習回歸方法構建植株氮含量模型，同時對模型預測能力和遷移能力進行評價與分析，為冬小麥氮素營養快速診斷、精準施肥以及模型推廣應用提供數據和技術支持。

1 材料與方法

1.1 研究區概況和試驗設計

研究區位于河南省周口市商水縣國營農場，地勢平坦，屬溫帶大陸性季風氣候，冬季寒冷干燥，夏季高溫多雨，主要種植冬小麥、玉米、棉花等作物，其中冬小麥的生長周期為8個月，一般10月播種，次年5月底6月初收獲。研究區土壤類型為砂姜黑土，試驗地塊常年進行氮素定位試驗，具有很好的氮素水平表現性狀。試驗采用隨機區組設計，5個氮水平，2個水處理，供試品種為鑫華麥818、鄭麥103、豐德存5號。5個氮水平分別為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%作為底肥施入，剩余50%在拔節期追施。所有處理磷肥和鉀肥用量均為150 kg·hm-2和90 kg·hm-2，全部作為底肥施入。2個水處理分別為自然狀態（W0）和按需灌溉（W1）。試驗小區空間分布見圖1。

圖1 研究區位置和試驗設計

1.2 數據獲取與處理

1.2.1 無人機多光譜影像獲取與處理 2020—2022年，采用M600六旋翼無人機遙感平臺搭載K6多光譜成像儀獲取冬小麥拔節期、孕穗期、開花期和灌漿期的冠層多光譜影像。此多光譜成像儀包含藍光（中心波長450 nm，Blue）、綠光波段（中心波長550 nm，Green）、紅光波段（中心波長685 nm，Red）、紅邊波段（中心波長725 nm，Rededge）、近紅外波段（中心波段780 nm，Nir）5個波段。飛機飛行高度為50 m，獲取影像空間分辨率為0.02 m，飛行時鏡頭垂直朝下，視場角為30°，航向重疊度70%，旁向重疊度75%。無人機影像預處理主要包括影像格式轉換、影像篩選、影像拼接、正射校正、輻射定標，具體過程參考李美炫等[25]、MESSINA等[26]的研究。

1.2.2 地面數據獲取與處理 地面數據采集與無人機多光譜影像采集同步進行。具體為冬小麥拔節期、孕穗期、開花期和灌漿期，每個小區選取長勢均勻的區域，固定2行（0.2 m）×1 m，取其中20個單莖樣本裝入密封袋。4個生育期每年獲取120個樣本，3年共獲得360個樣本。樣本在實驗室內分離為葉片、莖和穗后分別置于紙袋中，105℃下殺青，80℃條件下烘干至恒重。器官粉碎后，采用凱氏定氮法進行氮含量測定，并通過植株氮含量公式（1）計算氮含量，共獲得360個冬小麥植株氮含量實測值。樣本按照1﹕1分為訓練集和測試集。

1.3 研究方法

1.3.1 特征提取 無人機遙感影像經過輻射校正等預處理后，進行光譜特征和紋理特征提取。光譜特征數據包括藍（B）、綠（G）、紅（R）、紅邊（Rededge）和近紅外（Nir）5個波段的反射率數據以及由不同的波段組合計算得到的綠波段歸一化植被指數（NGBDI）、綠波段優化土壤調節植被指數（GOSAVI）等20種植被指數；紋理特征包括5個波段各自對應的8種特征，分別為對比度（contrast，con）、二階距（second moment，sm）、方差（variance，var）、均值（mean）、相關性（correlation，cor），差異性（dissimilarity，dis）、同質性（homogenetity，hom）、熵（entropy，ent）。

（1）植被指數

自20世紀70年代地球資源衛星發射升空，學者就開始研究光譜響應與植被之間的關系，由于植被指數結構簡單，具有一定的機理性，能夠減少土壤等因素對植被光譜的影響，目前已經廣泛應用于植被覆蓋以及其生長態勢的定性和定量評價[27-30]。作物缺氮時會表現出覆蓋度降低、葉面積減小、葉片變黃等明顯的表觀特征[31-32]，這些特征為利用植被指數進行植株氮含量的預測提供了依據。通過查閱相關文獻，本研究選取20種常用的植被指數，具體計算公式見表1。

（2）紋理特征

紋理特征是圖像固有的屬性，包含物體表面結構組織排列的重要信息以及它們與周圍環境的關系，具有旋轉不變性，對噪聲抵抗能力強的優勢[16,29,33-34]。目前紋理特征提取的方法主要包括統計方法（灰度共生矩陣、紋理譜、幾何）、模型法（隨機場模型、分型模型）、信號處理法和結構分析法等[35-37]。其中灰度共生矩陣方法是當前學界公認的具有較強魯棒特性和適應特性的圖像識別技術，能夠高效實現對圖像的分類和檢索，最大程度實現分類處理精度的提升[29,38]，在遙感影像紋理特征提取中應用最為廣泛。由于每個波段的紋理特征反映的信息不同，本研究通過灰度共生矩陣方法對多光譜影像5個波段的紋理特征進行分別提取，共計得到40種數據，具體計算方法參考文獻[29]。

1.3.2 相關分析 相關分析是統計分析的一種重要方法，可以提高我們對于現象（變量）之間相互依存關系的認識，通過相關系數篩選特征參數，為建立更優的模型提供基礎[14,39-40]。如宋宇斐[41]、劉秀英等[42]基于相關分析篩選小麥葉綠素和氮素、牡丹種子含水率的特征參數進行模型構建。本研究為篩選出冬小麥植株氮含量的敏感特征，將25種光譜特征與40種紋理特征與實測植株氮含量分別進行Pearson相關分析，采用通過0.01水平顯著檢驗的特征進行植株氮含量模型構建。計算公式如下：

表1 植被指數及計算公式

1.3.3 機器學習回歸方法

（1）BP神經網絡

BP神經網絡（back propagation neural net，BP）是一種采用誤差逆向傳播進行算法訓練的多層前饋網絡，是目前最廣泛應用的神經網絡模型之一[58-59]。BP神經網絡學習規則是最速下降法，通過誤差反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。目前，BP神經網絡常用的激活函數包括identity、sigmoid、ReLU等20多種，當函數identity處于活動狀態時，節點的輸入等于輸出，最適合于潛在行為是線性（類似線性回歸）的任務[60]，為此本研究采用identity作為植株氮含量訓練模型的激活函數。同時為了防止過擬合，常引入學習率、正則化等參數對模型進行優化[61]。本研究中設計3層網絡結構，采用準牛頓方法族優化器（lbfgs）提高運行速度，具體參數設置見表2。

（2）隨機森林

隨機森林（random forest，RF）是集成學習bagging思想的典型代表，以決策樹為基礎學習器，通過集成方式構建而成的一種監督機器學習方法，而且在決策樹的訓練過程引入了隨機性，使其具備優良的抗過擬合以及抗噪能力，而且RF在模型訓練時可以并行訓練提高訓練的效率，同時可以得到特征重要性[62-63]。RF在植株氮含量模型訓練過程中，每次抽樣的結果形成一棵符合自身屬性規則和判斷值的樹，最終集成所有的樹實現回歸。樹深度越深，枝葉越多，模型就越復雜，RF的參數都是向著減少模型的復雜度，防止過擬合的方向調整[61-62]。結合Liepe等[64]的研究，本文RF節點分裂評價準則、樹的最大深度等參數經過多次運行后，其設置見表2。

（3）Adaboost

Adaboost是英文“Adaptive Boosting”（自適應增強）的縮寫，由Yoav Freund和Robert Schapire于1995年提出。AdaBoost方法是集成學習boosting思想的典型代表，解釋性強，結構簡單，運算過程中通過不斷的迭代，在每一輪中加入一個新的弱學習器，直到達到某個預定的足夠小的錯誤率。每一個訓練樣本都被賦予一個權重，表明它被某個學習器選入訓練集的概率，通過對權重的不斷調整，使AdaBoost方法能“聚焦于”植株氮含量信息豐富的樣本上[65-67]。Adaboost算法可以通過增加學習器個數提高泛化能力，但是當數據噪聲較大或者基學習器復雜度較高時，增加基學習器個數很難提高泛化能力[60-61]，本研究中考慮到樣本量，將基學習器的個數設置為100。另一方面，為防止過擬合，Adaboost算法中可以設置學習率，取值范圍為(0，1]，值越大，需要的弱學習器迭代次數越少。結合Barrow等[65]、Wu等[68]關于Adaboost算法參數對模型影響的研究，本文采用線性損失函數和決策樹基分類器，具體參數設置見表2。

表2 BP、RF、Adaboost和SVR方法的參數值

（4）支持向量機

支持向量機（support vector machine，SVR）的理論基礎是凸二次規劃，決定了它最終的結果是全局最優。SVR用非線性映射將數據映射到高維數據特征空間中，使得在高維數據特征空間中自變量與因變量具有很好的線性回歸特征，在該特征空間進行擬合后再返回到原始空間，同時通過引入核函數，可以很好地解決高維空間中的內積運算[69-71]。常用的核函數主要有線性、多項式、徑向基、Sigmoid、傅里葉等[61,72]。其中線性核函數具有效率高、應用范圍廣的優勢，本研究光譜特征和紋理特征具有線性可分性，結合Yi等[73]研究，本研究選擇線性核函數即可滿足需求也能提高效率，其他參數設置見表2。

本研究機器學習算法采用計算機設備系統為Window10 64位操作系統，處理器為IntelI CoreI i7-9700K @ 3.60GHz，內存（RAM）為64.0 GB。同時為了盡可能使4種機器學習回歸方法具有對比性，數據切分、洗牌方式、交叉驗證、迭代次數等設置相同。

1.3.4 模型評價 本研究采用均方根誤差（）、平均絕對誤差（MAE）和決定系數（2）來衡量冬小麥植株氮含量的預測效果和遷移能力。為預測值與實際值之差平方的期望值的平方根，MAE是絕對誤差的平均值，能反映預測值誤差的實際情況，二者均是值越小，模型準確度越高。2將預測值與實測值對比，結果越靠近1，模型準確度越高。、MAE和2的計算方法參考文獻[74]。

2 結果

2.1 基于Pearson相關分析的植株氮含量敏感性分析

為篩選出植株氮含量的敏感特征，將25種光譜特征與40種紋理特征與實測植株氮含量分別進行Pearson相關分析，結果見表3—4。光譜特征與植株氮含量的相關系數最大的是RERDVI，為0.80；紋理特征與植株氮含量的相關系數最大的是mean_Nir，為0.79；總體來看，光譜特征與植株氮含量的相關性高于紋理特征。光譜特征，除了G波段反射率、GNDVI、GOSAVI 3個特征外，其余22個光譜特征均通過了0.01極顯著水平檢驗；紋理特征，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個紋理特征均通過了0.01極顯著水平檢驗。為盡可能保留植株氮含量的敏感性特征，本研究將通過0.01極顯著水平檢驗的51種光譜特征和紋理特征均作為下一步進行植株氮含量預測模型的構建。

表3 光譜特征與植株氮含量之間的相關分析

*和**分別表示在＜0.05，＜0.01水平差異顯著。下同 * and ** indicate significant difference at＜0.05 and＜0.01. The same as below

表4 光譜特征與植株氮含量之間的相關性

2.2 基于機器學習回歸的冬小麥植株氮含量預測

融合篩選出的51個光譜特征和紋理特征，采用BP、RF、Adaboost和SVR回歸方法構建模型進行冬小麥植株氮含量預測，測試數據實測值和預測值關系見圖2，模型評估指標2、和MAE見圖3。不同方法構建的模型，對冬小麥植株氮含量的預測效果存在差異。從95%的置信區間可知，RF和Adaboost方法置信區間的數據集中程度較BP和SVR方法大，且實測值與預測值多集中分布于1﹕1直線附近。不同機器學習方法構建的預測模型2、和MAE不同，RF方法構建的預測模型2最大，最小，MAE中等，2、和MAE分別為0.81、0.42%和0.29%；Adaboost方法構建的預測模型2與RF方法相似，中等，MAE最小，分別為0.79、0.44%和0.32%；BP方法構建的預測模型2、和MAE不分別為0.71、0.48%和0.37%；SVR方法構建的預測模型2最小，和MAE較大，分別為0.66、0.54%和0.40%。綜合2、和MAE可知，RF和Adaboost方法構建的冬小麥植株氮含量預測模型效果較好。

圖2 不同機器學習方法冬小麥植株氮含量預測值與實測值關系

圖3 不同機器學習方法冬小麥植株氮含量預測模型評價指標對比

2.3 冬小麥植株氮含量預測模型的遷移能力

基于BP、RF、Adaboost和SVR方法分別以W1和W0處理實測數據為訓練集建立植株氮含量預測模型，對W0和W1處理植株氮含量進行預測，4種方法對W0和W1處理植株氮含量的預測效果與本研究2.2具有相似性，實測值和預測值的關系見圖4—5。以W1處理為訓練集，BP、RF、Adaboost和SVR方法構建的模型對W0處理冬小麥植株氮含量遷移預測2分別為0.75、0.72、0.72和0.66；反之，以W0處理為訓練集，BP、RF、Adaboost和SVR方法構建的模型對W1處理冬小麥植株氮含量遷移預測2分別為0.51、0.69、0.61和0.45。由圖5可知，遷移預測模型的和MAE值BP和SVR方法比RF和Adaboost方法高。不同訓練集得到的植株氮含量預測模型，W1處理訓練得到的模型對W0處理冬小麥植株氮含量預測的結果優于W0處理訓練得到的模型對W1處理的預測結果。綜合2、和MAE，4種方法構建的植株氮含量預測模型遷移預測能力均是RF和Adaboost方法較好。

3 討論

3.1 不同機器學習方法訓練效率分析

基于以上分析可知，不同的機器學習方法構建的冬小麥植株氮含量模型預測效果存在差異。為厘清不同方法的預測效率，基于表2中不同方法設置的參數對訓練用時進行統計，在數據切分、洗牌方法、交叉驗證等相同的條件下，模型的訓練用時存在較大的差異，其中用時最短的為SVR方法，用時為0.02s，RF和Adaboost用時相差較少，分別為0.78s和0.83s，用時最長的為BP方法，是SVR的142倍。4種方法相比，SVR的效率最高，BP的最低，RF和Adaboost處于中間。這與Du等[58]、Jeung等[62]、Fernández- Habas等[63]、Lin和LIU[75]對水流沖刷效率、熱效率、牧草質量、土壤全氮預測研究得到的結論相一致。

圖4 4種機器學習方法構建的模型對W0和W1水處理的遷移預測能力

圖5 冬小麥植株氮含量預測模型對W0和W1水處理的遷移預測能力對比

3.2 不同機器學習方法對植株氮含量預測和模型遷移能力的影響

本研究對植株氮含量進行預測時，基于表2設置的參數，數據按照1﹕1劃分為訓練集和測試集，4種方法構建的訓練集和測試集模型預測效果評價指標見表5。訓練模型4種方法2大小依次為Adaboost（1.00）、RF（0.96）、BP（0.84）、SVR（0.70）；和MAE的值4種方法相比，值最小的為Adaboost方法，分別為0.02%和0.01%，其次為RF、BP和SVR方法；測試模型的2大小與訓練模型存在差異，4種方法2大小依次為RF（0.81）、Adaboost（0.79）、BP（0.71）、SVR（0.66），和MAE的值4種方法相比，值最小的為RF方法，分別為0.42%和0.29%。這種差異與數據本身相關聯，本研究中冬小麥品種有3個，基因型的差異會造成獲取的表型信息（冠層影像）存在差別以及氮含量的差異，進而造成訓練集合和測試集合數據存在差異，導致預測效果和模型的遷移能力也不相同。進一步地，針對測試數據的實測值和預測值進行點對點對應（圖6），4種方法均具局部擬合度較高的表現，這可能是由于本研究中植株氮含量主要集中在1.2%—2.8%范圍內，模型對該范圍內的數值有較好的預測能力，這種訓練模型與測試模型的差異以及局部擬合較好的表現與冠層影像信息密切相關。

表5 BP、RF、Adaboost和SVR方法構建的植株氮含量模型評價效果

圖6 測試數據的曲線擬合效果

目前機器學習已經滲透到了理工農醫等多個領域，尤其是監督式機器學習極大地提升了預測的準確率[76]，但能否信任這些模型，遷移能力至關重要？本研究采用W0和W1實測混合數據進行訓練得到的模型對植株氮含量達到了較好的預測效果，同時分別采用W0和W1處理實測數據對模型進行訓練，然后對W1和W0處理的植株氮含量進行預測，模型表現出了較好的本地遷移能力，而且不同機器學習方法相比，RF和Adaboost方法構建的冬小麥植株氮含量預測模型遷移能力表現較為突出。Jiang等[74]采用RF、SVR、Adaboost等12種方法對密云水庫全氮含量進行估測時，RF和Adaboost方法同樣表現突出，2分別為0.71和0.96。Shi等[10]采用BP、RF和線性回歸對氮含量、葉面積指數和干物質預測時，RF模型的精度最高，2分別為0.82、0.79和0.80。申哲等[77]、Lin和LIU[75]對土壤質地和全氮預測的研究也得出類似結論。但是不同區域之間模型的遷移能力是否也存在這樣的結果，還需進一步研究。

3.3 不同機器學習方法對植株氮含量預測的原理性分析

機器學習是面向機器的智能數據分析方法，通過充分挖掘模型構建數據集中的信息進行模型構建從而達到精準預測目的。在不同的領域，機器學習已成為進行預測研究熱點[58,62-63,76-79]，但不同機器學習存在差異，本研究著重探討了BP、RF、Adaboost、SVR這4種機器學習回歸方法對冬小麥植株氮含量預測的影響。4種方法學習效率和預測過程中的主要結果分析可知，主要是由于方法原理、對數據的要求和模型泛化能力等方面的差別，BP方法學習能力強，由于對設置的參數要求多，模型訓練的時間較長；RF和Adaboost方法訓練可調，所需參數相對較為簡單，運算速度較快；SVR方法可以解決高維問題，泛化能力也較強，對整體數據的依賴性相對較低，但是合適的核函數確定存在難度，模型的精度容易受到影響，本研究中選擇的核函數為線性核函數，提高了運行速度，但可能損害了模型的精度[61]。

本研究中，RF和Adaboost方法表現較為突出，分析原因主要是這兩種方法屬于集成學習，分別基于bagging和boosting的思想，將若干個學習器進行組合而得到一個新的學習器，從而達到較好的學習效果，充分體現了機器學習的“群體智慧”。二者均是從原始數據集中采用Bootstrap策略有放回地抽取、重組形成與原始數據集等大的子集合。這就意味著同一個子集里面的樣本可以是重復出現的，不同子集中的樣本也可以是重復出現的。而且，不同于單個決策樹在分割過程中考慮所有特征后，選擇一個最優特征來分割節點，RF方法通過在基學習器中隨機考察一定的特征變量，之后在這些特征中選擇最優特征變量，類似于“民主投票”，這使得RF方法構建的模型泛化能力和學習能力優于個體學習器。這種表現在Du等[58]、Jeung等[62]、Fernández-Habas等[63]、Lin和LIU[75]、王來剛等[78]的研究中也得到了驗證。AdaBoost方法在抽樣的過程中則是充分考慮每個分類器的權重，類似于“精英挑選”，但是如果數據不平衡導致模型精度下降[61]。因此，綜合考慮，RF和Adaboost方法構建的植株氮含量模型預測效果和遷移能力較好。本研究中綜合了光譜特征和紋理特征，未來大量的數據綜合運用，豐富機器學習的訓練集信息將是重要的研究方向，因此，充分運用多源信息，建立高精度、普適性強的預測模型，對更好地服務智慧農業落地開花具有重要的理論意義和現實意義。但是本研究建立的預測模型是否能夠在不同研究區之間遷移并且達到較好的效果，以及造成不同處理模型預測結果差異的原因與影像特征的定量關系，還需進一步研究。

4 結論

本研究基于5波段多光譜反射率，通過計算分析得到不同波段組合的20種植被指數和40種紋理特征，利用通過0.01極顯著水平檢驗的51種光譜特征和紋理特征，采用BP、RF、Adaboost、SVR 4種機器學習回歸方法構建冬小麥植株氮含量預測模型，2分別為0.71、0.81、0.79和0.66，預測值與實測值相比存在偏低的趨勢。以W1處理為訓練集，BP、RF、Adaboost和SVR方法構建的模型對W0處理冬小麥植株氮含量遷移預測2分別為0.75、0.72、0.72和0.66；反之，以W0處理為訓練集，BP、RF、Adaboost和SVR方法構建的模型對W1處理冬小麥植株氮含量遷移預測2分別為0.51、0.69、0.61和0.45。綜合考慮2、和MAE，RF和Adaboost方法構建的植株氮含量模型具有較好的預測效果和遷移能力。

[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, 賀佳, 王來剛, 馮偉, 劉海礁. 小麥冠層氮素含量光譜估算研究進展. 麥類作物學報, 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] 楊寶華, 陳建林, 陳林海, 曹衛星, 姚霞, 朱艷. 基于敏感波段的小麥冠層氮含量估測模型. 農業工程學報, 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, 王偉東, 陳曉凱, 常慶瑞. 基于無人機高光譜的冬小麥氮素營養監測. 農業工程學報, 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, 張會芳, 戎亞思, 張少華, 馮偉, 王來剛, 賀佳, 劉海礁, 鄭國清. 無人機飛行高度對冬小麥植株氮積累量預測模型的影響. 河南農業科學, 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] 張瀟元, 張立福, 張霞, 王樹東, 田靜國, 翟涌光. 不同光譜植被指數反演冬小麥葉氮含量的敏感性研究. 中國農業科學, 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] 魏鵬飛, 徐新剛, 李中元, 楊貴軍, 李振海, 馮海寬, 陳幗, 范玲玲,王玉龍, 劉帥兵. 基于無人機多光譜影像的夏玉米葉片氮含量遙感估測. 農業工程學報, 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] 賈丹, 陳鵬飛. 低空無人機影像分辨率對冬小麥氮濃度反演的影響. 農業機械學報, 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] 楊福芹, 馮海寬, 肖天豪, 李天馳, 郭向前. 融合無人機影像光譜與紋理特征的冬小麥氮營養指數估算. 農業現代化研究, 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] 黃芬, 高帥, 姚霞, 張小虎, 朱艷. 基于機器學習和多顏色空間的冬小麥葉片氮含量估算方法研究. 南京農業大學學報, 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, 陳秀青, 楊琦, 史良勝. 基于高光譜的水稻葉片氮含量估計的深度森林模型研究. 作物學報, 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, 彭玉鳳, 田中宇, 姜遠茂. 基于無人機影像陰影去除的蘋果樹冠層氮素含量遙感反演.中國農業科學, 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] 于豐華, 邢思敏, 郭忠輝, 白駒馳, 許童羽. 基于特征轉移植被指數的水稻葉片氮素含量定量估算. 農業工程學報, 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] 牛亞曉, 張立元, 韓文霆, 邵國敏. 基于無人機遙感與植被指數的冬小麥覆蓋度提取方法. 農業機械學報, 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, 趙庚星. 基于無人機多光譜遙感的冬小麥葉綠素含量反演及監測. 中國農學通報, 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] 萬亮, 岑海燕, 朱姜蓬, 張佳菲, 杜曉月, 何勇. 基于紋理特征與植被指數融合的水稻含水量無人機遙感監測. 智慧農業, 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, 烏蘭吐雅, 烏云德吉, 許洪滔, 包珺瑋, 任婷婷. 基于紋理特征與MODIS-NDVI時間序列的耕地面積提取研究. 中國農業資源與區劃, 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. 基于光譜和紋理特征綜合的農作物種植結構提取方法研究. 蘭州: 蘭州交通大學, 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] 高蘋, 徐敏, 孔維財, 張志薇. 基于最優化相關分析的油菜開花期預報模型研究. 海洋氣象學報, 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] 崔承齊, 劉艷陽, 江曉林, 孫知雨, 杜振偉, 武軻, 梅鴻獻, 鄭永戰. 芝麻產量相關性狀的多位點全基因組關聯分析及候選基因預測. 中國農業科學, 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. 基于數字圖像的小麥葉綠素和氮素營養檢測研究. 保定: 河北農業大學, 2020.

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

[42] 劉秀英, 余俊茹, 王世華. 光譜特征變量和BP神經網絡構建油用牡丹種子含水率估算模型. 農業工程學報, 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, VI?A 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, 張勁松, 孟平, 楊洪國, 孫圣. 基于無人機遙感影像的核桃冠層氮素含量估算. 農業機械學報, 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. 機器學習方法. 北京: 清華大學出版社, 2022.

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

[61] 周志華. 機器學習. 北京: 清華大學出版社, 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, CA?ADA 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, 張認連, 龍懷玉, 徐愛國. 基于機器學習方法的寧夏南部土壤質地空間分布研究. 中國農業科學, 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] 王來剛, 鄭國清, 郭燕, 賀佳, 程永政. 融合多源時空數據的冬小麥產量預測模型研究. 農業機械學報, 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

國家自然科學基金（41601213）、國家重點研發計劃（2022YFD2001105）、河南省農業科學院杰出青年科技基金（2021JQ02）、河南省農科院農經信息所科技創新領軍人才培育計劃項目（2022KJCX01）

郭燕，E-mail：10914063@zju.edu.cn。通信作者鄭國清，E-mail：zgqzx@hnagri.org.cn

（責任編輯 楊鑫浩）