基于無人機影像多時相的小麥品種氮效率分類識別

臧少龍，劉淋茹，高越之，吳珂，賀利,3，段劍釗，宋曉，馮偉,3

基于無人機影像多時相的小麥品種氮效率分類識別

1河南農業大學農學院，鄭州 450046；2河南省農業科學院植物營養與資源環境研究所，鄭州 450002；3國家小麥工程技術研究中心，鄭州 450046

【目的】探索無人機遙感在氮效率分類識別中的潛力，構建小麥品種氮效率分類方法，為氮高效品種篩選提供理論依據和技術支持?！痉椒ā客ㄟ^6個成熟期與氮效率密切相關的農學指標（產量、植株氮積累、氮素生理利用效率、植株干生物量、籽?？偽?、N收獲指數）構建主成分綜合值，并對其進行K-Means聚類分析，將121個小麥品種劃分為氮高效型、氮中效型和氮低效型3種類型。利用無人機遙感平臺搭載多光譜相機，在小麥拔節期、孕穗期和開花期獲取無人機遙感影像，并提取34種植被指數，分析植被指數與氮效率綜合值的相關性；對比支持向量機（SVM）、隨機森林（RF）和K最近鄰（KNN）分類方法的氮效率分類模型精度，使用總體分類精度（OA）和Kappa系數比較不同生育時期下小麥品種氮效率分類識別的能力；并使用3種不同的特征集篩選方法（ReliefF算法、Boruta算法和RF-RFE算法）對優化的特征子集進行綜合評價，確立適宜的小麥品種氮效率分類識別方法。【結果】隨著小麥生育時期的不斷推進，植被指數與氮效率綜合值的相關性逐漸提高，開花期最高（=0.502）；利用植被指數全特征集對小麥品種氮效率進行分類，對于單生育時期數據而言，以開花期的SVM模型分類效果最好（OA=77.1%，Kappa=0.591），拔節期最差（OA=65.6%，Kappa=0.406）；總體而言，多生育時期數據融合的品種氮效率分類精度高于單生育時期，其中以拔節期+孕穗期+開花期3個生育時期數據融合的SVM模型的分類效果最優（OA=80.6%，Kappa=0.669）。為減少多生育時期數據融合的特征集變量數量，比較分析RF-RFE、Boruta和ReliefF 3種算法的特征優化效果，基于RF-RFE算法得到的優化特征子集分類精度最高，其OA和Kappa系數比全特征集分類模型分別提高了4.0%和10.1%，其中，以3個生育時期數據融合的分類效果最好（OA=85.4%，Kappa=0.749）?！窘Y論】確立6個氮效率指標—主成分分析—K-Means氮效率評價方法；RF-RFE算法有效優化多生育時期組合的特征子集數量，且獲得較高的分類精度，確立基于多生育時期組合—RF-RFE—SVM技術融合的小麥品種氮效率分類模型，為小麥氮高效品種的快速準確分類鑒定提供理論依據和技術支撐。

冬小麥；無人機；植被指數；生育時期；特征篩選；氮效率分類

0 引言

【研究意義】氮（N）是小麥必需的三大營養元素之一，在光合作用、能量同化和傳遞、形態構建和干物質合成中發揮著重要作用[1]。合理施用氮肥可以促進小麥健康生長發育，最終達到增加產量、優化品質的目的，但過量施用則會導致氮肥效率下降及環境污染問題，如硝酸鹽淋洗、氧化亞氮排放等[2]。因此，篩選或培育能夠高效吸收利用氮素的小麥品種，對于小麥產業的可持續健康發展具有十分重要的意義。【前人研究進展】作物氮高效品種篩選在不同時期表現不盡相同，大多數學者選擇在苗期[3-5]或成熟期進行。在苗期進行作物氮高效品種篩選具有簡單、快速且不受時間和空間影響等優點，但小麥氮素利用效率往往是隨作物生長而不斷發生變化的，因此，在成熟期進行篩選其結果往往更加合理可靠。宋曉等[6]以產量、籽粒吸氮量、植株氮積累量等農學指標為依據，利用主成分分析篩選出10個高產氮高效品種。張盼盼等[7]綜合考慮產量和氮效率表現，從黃淮海地區主推的玉米品種中篩選出2個高產氮高效品種。朱新開等[8]、李艷等[9]研究認為，成熟期籽粒產量、籽粒氮素積累量等可作為篩選小麥氮高效材料的有效指標。目前，作物氮高效品種評價篩選多以成熟期籽粒產量、生物學干重、植株氮素積累量等指標進行綜合分析，有效消除個別指標的片面性，大大提高氮高效品種篩選的準確性和可靠性，但國際上尚沒有固定的氮效率測評體系。以上傳統的氮效率評價均以人工地面調查分析氮效率相關性狀為基礎，費工費時且低效，因此，亟需探索一種適應大田尺度下高通量篩選氮高效品種的新模式及方法。無人機可以實時獲取作物冠層的光譜信息、紋理信息及溫度信息，已作為一種高通量、快速無損監測手段在作物長勢監測及資源評價方面發揮重要作用。無人機的光譜信息主要以植被指數（VIs）的形式應用。VIs可以表征作物的冠層光譜特征，是估算作物表型參數最簡單、最有效、研究最廣泛的方法[10-11]。朱婉雪等[12]利用無人機獲取小麥不同生育時期多光譜影像，應用9個VIs精確評估產量變異狀況；劉暢等[13]基于無人機影像解析及植被指數快速提取，采用多元逐步回歸法快速反演小麥生物量；郭燕等[14]利用遙感影像提取的植被指數，結合機器學習算法快速估算小麥植株氮積累量；劉濤等[15]基于無人機多光譜影像，采用人工神經網絡模型成功反演小麥葉綠素含量。與遙感估算產量及監測長勢相比，利用無人機影像快速鑒定氮高效品種以及精確評估作物氮效率狀況的研究較少。董德譽[16]利用無人機多光譜遙感影像構建產量、氮肥利用效率等與氮效率相關性狀的估算模型，然后對其預測值進行聚類分析，鑒定出氮高效小麥品種；YANG等[17]利用安裝在無人機上的多光譜相機評估了小麥氮素利用效率。前人研究表明利用無人機遙感技術在作物氮高效品種篩選識別方面具有很好的應用潛力，但仍存在監測時期單一導致模型適應性差、影像特征多計算效率低的問題，這在一定程度上限制了研究結果的生產應用。前人研究利用單一或少量特征進行物種分類識別，分類效果不盡如人意，而利用較多特征分類又會造成數據冗余等問題[18]，因此對于高維數據來說，特征選擇是必要的。周小成等[19]利用無人機采集可見光遙感數據，通過遞歸特征消除隨機森林算法（RF-RFE）對多特征集進行特征優化選擇，有效提高了森林資源的分類精度；LI等[20]利用Boruta算法對無人機可見光圖像進行特征選擇獲得最佳的特征子集，對甘蔗倒伏鑒定具有較高的準確率（94.0%）；梁加玲等[21]利用ReliefF算法有效去除無關特征的影響，提高了遙感影像的分類精度?！颈狙芯壳腥朦c】目前，將無人機遙感影像用于作物氮效率鑒定分類的研究還較少，尤其利用無人機在作物生育前期直接對品種氮效率進行鑒定分類的研究還未見有報道。利用無人機可以獲取作物多生育時期影像數據，時間和空間分辨率高，相較于單生育時期影像數據，多生育時期融合數據反映與植株氮素吸收轉運有關的冠層形態及生理信息更加豐富。但大量信息無疑會產生一定的冗余，影響后續結果的準確性及應用性。為有效減少影像包含的無關或微妙的光譜信息，準確高通量鑒定識別作物氮高效品種類型，很有必要對數據進行降維處理，從而達到減少特征個數、提高模型精度、減少運行時間的目的。不同的特征選擇方法其篩選特征的標準不盡相同，不同的監測對象其適用的特征選擇方法也有差異，因此有必要進一步探索適用于小麥氮高效品種篩選鑒定的無人機遙感影像特征篩選方法?！緮M解決的關鍵問題】為篩選并培育氮高效品種，優化我國小麥種質資源，減少氮肥用量、穩定產量和保護生態環境，以無人機多光譜遙感影像為數據源，開展特征集篩選方法與鑒定分類方法相融合的小麥品種氮效率分類識別研究。內容具體包括：（1）建立簡單快捷、可靠的小麥氮高效品種農學評價篩選方法；（2）比較單生育時期特征集與多生育時期融合特征集在小麥品種氮效率分類識別中的差異；（3）評估不同特征優化算法對分類精度的影響，構建小麥品種氮效率最優分類模型，為快速篩選鑒定小麥氮高效品種提供參考和技術支持。

1 材料與方法

1.1 試驗設計

試驗于2020—2021年和2021—2022年連續兩個年度在河南省滎陽市廣武鎮河南賽德種業有限公司育種站（34°38′N，113°41′E）以及2022—2023年在河南省新鄉市原陽縣河南農業大學試驗基地進行（35°6′N，113°56′E），試驗田的地理位置和土壤基礎肥力情況見圖1。供試小麥品種共121個，均為適宜黃淮地區種植的主推品種（表1）。試驗小區隨機區組排列，每個品種3次重復，試驗小區長5.0 m，寬1.2 m，6行區，行距0.2 m。所有小麥品種在10月中旬播種，小區基本苗保持在330 萬/hm2左右。肥料選擇氮肥為尿素（含N 46%）、磷肥為磷酸二氫鈣（含P2O512%）、鉀肥為硫酸鉀（含K2O 57%），每個小區施N 225 kg·hm-2、P2O5112.5 kg·hm-2、K2O 112.5 kg·hm-2。氮肥分基肥和追肥（拔節期）兩次施入，基追比為5﹕5，磷肥和鉀肥全部作為基肥一次施入。試驗田采用統一的種植方式、水肥管理及病蟲防治。

1.2 研究方法

氮高效是多種氮效率指標相互作用呈現的一個復雜綜合性狀，綜合前人研究結果，本研究氮效率品種劃分是通過6個成熟期與氮效率密切相關的農學指標（產量、植株氮積累、氮素生理利用效率、植株干生物量、籽粒總吸氮量、N收獲指數）構建主成分綜合值，通過K-Means把小麥品種劃分為氮高效型、氮中效型和氮低效型。為探究挖掘無人機多光譜影像在小麥氮高效品種篩選鑒定中的潛力，研究不同生育時期植被指數融合對小麥氮效率品種分類的影響，采用RF-RFE算法、Boruta算法和ReliefF算法對多生育時期植被指數融合數據進行特征優化，選擇SVM、RF、KNN分類器對小麥氮效率品種進行分類。技術路線如圖2所示。

a：河南省滎陽市；b：河南省原陽縣 a: Xingyang City, Henan Province; b: Yuanyang County, Henan Province

1.3 農學參數獲取及氮高效品種的確定

農學參數獲取：成熟期每小區取長勢具有代表性的小麥10株，分為籽粒和秸稈兩部分，置于70 ℃干燥箱內恒溫干燥至質量不變，稱取干重，隨后粉碎并采用凱氏定氮儀測定秸稈氮含量和籽粒氮含量。成熟期每小區選取一個具有代表性的1 m×1 m樣方進行測產，三年共9個重復的平均值即為該品種產量實測值。根據測得結果計算成熟期植株氮積累、氮素生理利用效率、成熟期植株干生物量、籽?？偽?、N收獲指數，相關計算公式如下：

成熟期植株氮積累=籽粒含氮量×籽粒干質量+秸稈含氮量×秸稈干質量（1）

氮素生理利用效率=產量/成熟期植株氮積累（2）

成熟期植株干生物量=秸稈干質量+籽粒干質量（3）

籽粒總吸氮量=籽粒含氮量×產量（4）

N收獲指數=籽?？偽?成熟期植株氮積累（5）

氮效率品種的劃分：依據各小麥品種與氮效率相關的6個農學指標的變化及反應，對其進行主成分綜合，通過綜合值進行K-Means聚類分析，將121個小麥品種劃分為氮高效（high nitrogen efficiency type，HNET）、氮中效（medium nitrogen efficiency type，MNET）和氮低效（low nitrogen efficiency type，LNET）3種類型。

表1 供試品種編號及名稱

1.4 無人機數據獲取與處理

使用Matrice600PRO大疆六旋翼無人機與Ronin系列云臺，搭載2 064像素×1 544像素K6機載模塊化多光譜相機，該傳感器包括藍光（450 nm）、綠光（550 nm）、紅光（685 nm）、紅邊（725 nm）、近紅外（780 nm）5個多光譜通道和1個4 384像素×3 288像素RGB原色通道，如圖3所示，在小麥拔節期（S1）、孕穗期（S2）和開花期（S3）分別獲取無人機平臺的多光譜數據。選擇在天氣晴朗、無風無云的環境下，中午11：00—13：00進行無人機作業，以避免環境條件的影響。飛行高度設置為50 m，拍照方式為等時觸發，航向重疊率為75%，旁相重疊率為70%。拍攝前，使用手持式ASD對鋪設反射率為5%、20%、40%和70%的靶標布進行校準。使用Pix4D Mapper 4.5.6軟件對多光譜圖像進行拼接、輻射校正與幾何校正，利用ArcGIS 10.8軟件對拼接預處理的遙感影像進行裁剪處理，得到每個試驗樣區的光譜圖像，提取各樣區光譜反射率，并計算每個品種3個重復小區的平均值作為該品種的反射率值。

1.5 多光譜植被指數的選取與計算

光譜指數是由不同波段的反射率以代數形式重新組合成的一種參數，可降低條件背景對光譜數據的干擾，比單波段具有更高的靈敏性。依據前人研究結果篩選出適用于無人機多光譜傳感器通道的34種植被指數（表2），以用于小麥氮效率評價。

1.6 特征選擇

特征選擇能夠剔除不相關或冗余的特征，從而提高模型精確度，減少運行時間。本研究選取以下3種分類特征選擇算法，根據品種實際氮效率類別進行特征篩選。

表2 本文采用的植被指數及計算公式

Rblue：藍波段反射率 Blue band；Rgreen：綠波段反射率 Green band；Rred：紅波段反射率 Red band；Rre：紅邊波段反射率 Red edge band；Rnir：近紅外波段反射率 Near infrared band

圖3 大疆M600Pro無人機、搭載相機及圖像采集

1.6.1 Boruta特征選擇 Boruta算法[20]是一種以隨機森林為框架的特征選擇方法，通過隨機森林策略對每個特征生成1個得分，用此來評估特征的重要性，經過反復迭代運算，剔除不重要特征，保留關聯性較好的特征，直至所有特征被選擇或達到迭代次數。

1.6.2 ReliefF特征選擇 ReliefF算法不受數據類型的限制，抗噪能力強，操作簡單，運算速度快，是目前廣泛應用的一種過濾式（filter）多類別特征選擇算法，通過計算特征權重判斷特征重要性。本研究設置權重閾值為0.01，選擇權重大于0.01的特征變量作為ReliefF特征子集。具體方法為：在同一類樣本中抽取1個樣本R，分別在同類和異類樣本中尋找k個最近鄰樣本，構成同類樣本集Near Hit和異類樣本集Near Miss，再以R與Near Hit和Near Miss中樣本各特征平均差異的差值定義特征權重W。特征權重越大，說明該特征使得樣本的類間距離越大，類內距離越小，對類別識別的作用也越大[21]。

1.6.3 RF-RFE特征選擇 遞歸消除算法（recursive feature elimination，RFE）是一種集成算法，隨機森林與RFE相結合形成RF-RFE，將RF作為基分類器，通過增加或移除特定特征變量，能夠更加合理地決定最大化模型性能的最終特征子集的大小。RF-RFE算法[22]是把需要的特征子集初始化為整個特征子集，采用隨機森林算法得到的重要性排序進行后向迭代刪除特征重要度最小的特征，重復迭代，直至特征數為0，比較每個模型分類效果，選擇最優的特征變量集合。

1.7 分類方法

為了探究不同分類算法對篩選小麥氮高效品種的影響，并評價出最優分類算法，本研究選擇了3種比較常用的機器學習分類算法：K近鄰（KNN）、隨機森林（RF）和支持向量機（SVM）分類算法。

1.7.1 K近鄰分類算法 K近鄰分類算法[23]是一種非參數的分類方法，對于未知或者非正態分布的數據可以取得較高的分類準確率，具有概念清晰、易于操作等諸多優點。其主要過程為：對于1個待分類的樣本X，首先找出與X最接近的或者最相似的K個已知類別標簽的訓練樣本，然后根據這K個訓練樣本的類別標簽確定樣本X的類別。

1.7.2 隨機森林分類算法 隨機森林分類算法[24]是由若干決策樹組成，用眾多決策樹對樣本進行訓練并預測，最終由多棵決策樹分類器的投票結果決定分類結果。其中，決策樹的個數N、隨機特征變量個數m直接影響模型的分類精度和運算速度。決策樹的個數N≥100時，各分類情況的OOB誤差趨于穩定，隨機森林未出現過擬合現象，本研究設置N=300；隨機森林變量個數m，本研究根據Breiman建議設定m（隨機森林變量的個數）等于M（特征變量的總數）的平方根進行分類。

1.7.3 支持向量機分類算法 支持向量機[25]是一種追求間隔最大化的分類模型，即將向量高維映射，通過學習1個分離超平面，使得該超平面盡量分開兩類樣本，并且使所有樣本點到超平面的距離之和最大。支持向量機的核函數選擇徑向基核函數，參數gamma和C使用網絡搜索交叉驗證進行參數尋優。

1.8 精度評價

為了對比不同特征選擇和分類算法的分類精度，采用總體分類精度（overall Accuracy，OA）和Kappa系數（Kappa coefficient）對測試結果（以7﹕3的比例劃分訓練集和測試集）進行評價。由于每次運行的結果存在差異，因此每個方案將分別運行100次，分別計算2個分類精度指標的平均值，以此進行最后的分類精度評價。

式中，N代表驗證樣本的總數；n代表混淆矩陣的總列數；xii代表混淆矩陣的第i行、第i列的樣本數量；xi+和x+i分別表示混淆矩陣各行各列元素之和。

2 結果

2.1 不同小麥品種間氮效率指標差異分析

分析產量、成熟期植株氮積累量、氮素生理利用效率、成熟期植株干生物量、籽?？偽俊收獲指數6個農學性狀指標的差異，由表3可知，6個性狀指標的變異系數介于8.754%—21.374%，其中植株干生物量的變異系數最大（21.374%），其次為植株氮積累量（20.799%），N收獲指數的變異系數最?。?.754%）。6個性狀指標在121個小麥品種間存在不同程度的差異，以此作為小麥品種氮效率的評判依據。

2.2 不同小麥品種氮效率分類

2.2.1 主成分提取 本研究的KMO值為0.648，Bartlett球形度檢驗的Sig.約等于0，因此本研究數據符合Kaiser-Meyer-Olkin度量，可以用于主成分分析。對121個小麥品種的6個性狀指標進行主成分分析，主成分確定的標準是累計貢獻率＞85%，數據分析結果如表4所示，前2個主成分的累計貢獻率為75.1%，前3個主成分的累計貢獻率為91.9%，因此提取前3個主成分做進一步分析。主成分分析的旋轉因子載荷反映各指標對主成分貢獻的大小。第一主成分的特征值為2.262，貢獻率為37.7%，其中，植株氮積累量、氮素生理利用效率、植株干生物量的載荷值較大，其旋轉后的載荷值分別為0.860、-0.937、0.780；第二主成分的特征值為2.244，貢獻率為37.4%，其中，產量（0.975）、籽?？偽浚?.911）的載荷值較大；第三主成分的特征值為1.006，貢獻率為16.8%，其中，N收獲指數的載荷值為0.933，貢獻較多。

表3 供試小麥品種氮效率評價指標分析

表4 主成分分析旋轉后的特征值、貢獻率、累計貢獻率和成分載荷值

F1、F2、F3分別表示主成分1、主成分2、主成分3 F1, F2, F3 represent principal component 1, principal component 2, principal component 3。下同 The same as below

2.2.2 不同氮效率品種K-Means分類 結合各主成分的方差貢獻率，可得出121個小麥品種氮效率綜合得分（F）函數：F=0.377F1+0.374F2+0.168F3，各個品種氮效率綜合得分的計算結果如表5所示。利用各品種氮效率綜合得分進行K-Means聚類分析，將供試品種分為氮高效型、氮中效型和氮低效型3類（表6），其中氮高效型品種13個，聚類中心為1.782；氮中效型品種61個，聚類中心為0.280；氮低效型品種47個，聚類中心為-0.856。

表5 供試小麥品種氮效率主成分綜合評價

表6 供試小麥品種基于氮效率綜合得分的聚類結果及聚類中心

聚類中心在第6次迭代后收斂The clustering center converges after the sixth iteration

2.3 不同氮效率品種冠層波段反射率特征分析

不同生育時期下小麥氮高效型、氮中效型和氮低效型的波段反射率如圖4所示，不同氮效率類型小麥樣品的平均反射率在波段之間的變化趨勢總體相似，且隨著生育時期的推進，反射率先增后降，表現為典型的小麥冠層反射率特征；不同氮效率類型小麥在單個生育時期下的平均反射率數值存在一定的差異，其中780 nm波段差異最為明顯（S1：0.020、S2：0.036、S3：0.118），平均反射率在3個生育時期下都表現為氮高效型＞氮中效型＞氮低效型。光譜反射率雖然能夠展現不同氮效率類型小麥的部分差異，但是僅憑這些差異很難對小麥氮效率進行準確分類，因此，有必要通過植被指數建立合適的分類模型以挖掘不同氮效率類型小麥光譜數據的潛在特征。

圖4 3種氮效率品種不同生育時期下的波段反射率箱線圖

2.4 不同生育時期植被指數與小麥氮效率綜合得分相關性分析

將選取的植被指數分別與冬小麥氮效率綜合得分進行相關性分析，得到不同生育時期下相關性熱圖（圖5）。從生育時期來看，隨著小麥生長發育的不斷推進，植被指數與氮效率綜合得分之間的相關性逐漸增強。拔節期的相關系數絕對值的范圍為0.023—0.425，RVIgreen的相關系數最高，GWDRVI的相關性最差；孕穗期的相關系數絕對值的范圍為0.100—0.498，TVI的相關性最好，DATT的相關性最差；而開花期的相關系數絕對值的范圍為0.202—0.502，其中VIopt1最優。整體而言，不同植被指數與小麥氮效率綜合得分在不同生育時期都存在一定的相關性，這為利用植被指數對小麥品種氮效率分類奠定了理論技術。

圖5 不同生育時期植被指數與小麥氮效率綜合得分相關性熱圖

2.5 基于植被指數全特征集的小麥品種氮效率分類

2.5.1 單生育時期植被指數 為比較不同生育時期多光譜影像植被指數在小麥品種氮效率分類中的效果，利用KNN、RF和SVM分類算法，使用總體分類精度（OA）和Kappa系數對不同生育時期的分類模型進行精度評價（表7）。對于單生育時期而言，隨著生育時期的推進，不同分類算法的分類精度逐漸升高，拔節期最低，平均總體分類精度和平均Kappa系數為61.3%和0.306；孕穗期次之，平均總體分類精度和平均Kappa系數為68.6%和0.440；開花期最高，平均總體分類精度和平均Kappa系數為71.9%和0.493。對于3種分類算法而言，KNN分類模型的精度最低，平均總體分類精度和平均Kappa系數為62.4%和0.296；RF分類模型的精度次之，平均總體分類精度和平均Kappa系數為67.6%和0.441；SVM分類模型的精度最高，平均總體分類精度和平均Kappa系數為71.6%和0.503。

表7 基于單生育時期的小麥品種氮效率分類精度

S1：拔節期 Jointing stage；S2：孕穗期 Booting stage；S3：開花期 Flowering stage。下同The same as below

2.5.2 多生育時期植被指數 相對于單生育時期植被指數對氮效率品種進行分類，將不同生育時期的植被指數融合作為輸入變量，3種分類算法的精度均有所提升，結果如表8所示。對于兩生育時期植被指數融合來說，拔節期和孕穗期植被指數融合分類的精度最低（OA=70.6%，Kappa=0.477），相較單生育時期拔節期和孕穗期平均總體分類精度分別提高15.3%和3.0%；孕穗期和開花期植被指數融合分類的精度最高（OA=74.3%，Kappa=0.542），相較單生育時期孕穗期和開花期平均總體分類精度分別提高8.3%、3.3%。對于三生育時期植被指數融合來說，分類精度在多生育時期植被指數融合中最高（OA=76.7%，Kappa=0.584），與兩生育時期植被指數融合相比的平均總體分類精度提高5.7%，與單生育時期植被指數相比平均總體分類精度提高14.0%。

3種算法在多生育時期融合下的分類結果趨勢與單生育時期一致。KNN分類模型的精度最低，平均總體分類精度和平均Kappa系數分別為67.6%和0.401，比單生育時期植被指數KNN分類模型分別提高8.3%、35.5%；SVM分類模型的精度最高，平均總體分類精度和平均Kappa系數為77.5%和0.614，比單生育時期植被指數SVM分類模型分別提高8.2%、22.1%。

表8 基于多生育時期的小麥品種氮效率分類精度

2.6 基于多生育時期植被指數不同特征選擇算法的小麥品種氮效率分類

2.6.1 基于不同特征選擇算法的特征子集篩選 在多生育時期數據融合的基礎上，采用不同算法進行特征子集優化。圖6表示RF-RFE算法特征選擇的過程，選擇分類精度最高的組合作為最優特征子集，其中，拔節期和孕穗期植被指數特征組合下變量數量為36時，分類精度最高（0.724）；拔節期和開花期植被指數特征組合下變量數量為22時，分類精度最高（0.782）；孕穗期和開花期植被指數特征組合下變量數量為11時，分類精度最高（0.798）；拔節期、孕穗期和開花期植被指數特征組合下變量數量為21時，分類精度最高（0.807）。圖7表示Boruta算法特征選擇的結果，根據計算各特征變量的Z-scores選擇重要參數，其中，拔節期和孕穗期植被指數特征組合中篩選得到10個重要變量；拔節期和開花期植被指數特征組合中篩選得到11個重要變量；孕穗期和開花期植被指數特征組合中篩選得到11個重要變量；拔節期、孕穗期和開花期植被指數特征組合中篩選得到12個重要變量。圖8（僅顯示被選擇的特征）表示ReliefF算法特征選擇的結果，選擇權重閾值大于0.01的變量組成特征子集，其中，拔節期和孕穗期植被指數特征組合中篩選得到10個變量組成特征子集；拔節期和開花期植被指數特征組合中篩選得到8個變量組成特征子集；孕穗期和開花期植被指數特征組合中篩選得到10個變量組成特征子集；拔節期、孕穗期和開花期植被指數特征組合中篩選得到10個變量組成特征子集。

a：拔節期+孕穗期 Jointing stage + Booting stage；b：拔節期+開花期 Jointing stage + Flowering stage；c：孕穗期+開花期 Booting stage + Flowering stage；d：拔節期+孕穗期+開花期 Jointing stage + Booting stage + Flowering stage。下同The same as below

2.6.2 基于多生育時期植被指數不同特征選擇算法的小麥品種氮效率分類模型評價 根據3種特征選擇方法對多生育時期植被指數融合特征篩選的結果，利用KNN、RF和SVM分類算法進行小麥品種氮效率分類，具體分類評價結果如圖9所示。不同特征選擇算法處理后的分類精度在多生育時期融合之間的趨勢與全特征集基本一致，都為拔節期+孕穗期＜拔節期+開花期＜孕穗期+開花期＜拔節期+孕穗期+開花期。對于不同特征選擇算法而言，基于RF-RFE特征選擇算法的分類精度最高，平均總體分類精度和平均Kappa系數為76.6%和0.585，比全特征集模型分別提高4.0%和10.1%；基于ReliefF特征選擇算法的分類精度最差（劣于全特征集），平均總體分類精度和平均Kappa系數為72.5%和0.507，比全特征集模型分別下降1.6%和4.5%。對于不同分類方法對特征選擇后的數據進行分類來說，不同分類算法分類精度的趨勢與上面研究結果一致。分別以RF-RFE、Boruta和ReliefF特征選擇后的植被指數作為輸入量，均以SVM分類精度最高，平均總體分類精度和平均Kappa系數分別為80.1%和0.654、78.5%和0.624以及76.8%和0.593，較特征選擇前分別提高3.4%和6.5%、提高1.2%和1.6%以及下降0.9%和3.4%；以KNN分類精度最低，平均總體分類精度和平均Kappa系數分別為71.1%和0.474、69.9%和0.448以及66.5%和0.377，較特征選擇前分別提高5.2%和18.3%、提高3.4%和11.6%以及下降1.6%和6.0%。12種不同特征數據集（4種多生育時期融合方法、3種特征選擇方法）結合3種分類算法組成的48種分類方法中，基于RF-RFE算法對拔節期、孕穗期和開花期多生育時期融合特征子集進行優化，利用SVM分類算法對優化后的數據集進行分類，總體分類精度和Kappa系數最高，分別為85.4%和0.749。

1：拔節期Jointing stage；2：孕穗期 Booting stage；3：開花期Flowering stage。下同The same as below

圖8 基于ReliefF的多生育時期特征集優化結果

圖9 基于多生育時期植被指數不同特征選擇算法的小麥品種氮效率分類模型評價

3 討論

3.1 作物氮高效品種農學篩選評價方法

選擇合適的性狀指標是作物氮效率鑒定的關鍵，有助于快速準確地鑒定不同氮效率品種，為篩選培育氮高效類型品種提供方法參考[26]。氮素高效利用是多種氮效率指標共同呈現的一個復雜綜合性狀，其中每一個指標都可以從不同側面反映氮素的吸收與利用能力[27-28]，因此，僅利用單指標評價氮效率具有一定的片面性，多指標共同評價氮效率更全面、更充分。本研究在相同氮素水平條件下，綜合考慮植株吸收和利用氮素的能力，并依據前人相關研究結果[29-30]，將產量、成熟期植株氮積累量、氮素生理利用效率、成熟期植株干生物量、籽粒總吸氮量、N收獲指數6個性狀指標作為氮效率評價指標，具有較強的理論性與可靠性。但多指標共同評價品種氮效率無疑會增加信息量和計算量，指標間可能還存在多重共性問題。近年來，主成分分析在多重指標綜合評價分析中顯現出巨大的潛力與優勢。主成分綜合分析是將多個指標濃縮為幾個關鍵的、不相關的概括性指標，通過主成分得分構造綜合得分，進而進行綜合評價[31]。周麗艷等[32]通過主成分分析將11個農藝性狀簡化為彼此互不相關的5個主成分，并通過系統聚類將春小麥品種劃分為7大類群。連盈等[33]利用22個氮效率相關指標采用主成分分析法極好評價了參試谷子品種的耐低氮性。陳林濤等[34]運用主成分分析法將8個雜交稻芽種物理特性進行簡化，成功構建科學的芽種量化評價體系。本研究利用主成分分析法將6個氮效率指標通過線性組合提煉為3個相互獨立的主成分，累計貢獻率達91.9%，很好地減少計算工作量，解決了指標間的多重共性問題。最后對3個主成分進行綜合分析，得到氮效率綜合得分，并通過K-Means進行聚類分析，得到氮高效型品種13個，氮中效型品種61個，氮低效型品種47個。

3.2 生育時期對小麥品種氮效率分類的影響

小麥生命周期包含多個生長階段，具有不同的冠層光譜特征，從中計算得到的植被指數可以很好地反映不同生育時期作物的生長狀況與氮素吸收利用情況，這為通過植被指數進行作物氮效率鑒定分類奠定了理論基礎。本研究基于單生育時期植被指數進行小麥品種氮效率分類時，拔節期分類精度最低，開花期分類精度最高。這主要是因為小麥生長初期植被覆蓋率低，在進行植被指數提取時裸露的土壤會對植被指數的準確性造成很大的干擾[35]，而且氮效率相關指標是通過最后成熟期的性狀計算得到的，小麥拔節期主要為營養生長，距離小麥成熟收獲還有很長一段時間，該時期的生長特征并不能完全反映后期產量、干物質、植株氮積累量等物質積累。除此之外，拔節后溫度、降雨、光照等不可控變量對作物的氮素吸收利用也存在較大影響[36]，因此利用拔節期植被指數進行作物氮效率預測分類具有很大的不確定性。隨著生育時期推進至小麥開花期，該時期是小麥由營養生長轉為生殖生長的關鍵時期，此時小麥冠層結構基本成型，小麥成穗數及穗粒數基本確定，米國華等[37]、王春曉等[38]指出如果開花期生長良好，也可為之后的植株氮素吸收轉運、干物質積累以及籽粒灌漿提供更充分的物質基礎。因此，開花期遙感監測所得到的植被指數對成熟期氮效率相關性狀的解釋性較好、機理性較強。

隨著冬小麥生育時期的發展，冬小麥實時氮素利用效率不斷發生變化，在單個時期內利用光譜信息對冬小麥品種氮效率進行分類評價精度不高。相反，多個生育時期的光譜信息構成的數據集可以提供更多有用的信息，能更科學、更合理地反映作物產量等氮素利用相關性狀的變化過程[39-41]。WANG等[42]利用拔節至灌漿期的累計光譜指數對籽粒產量和蛋白質含量進行預測，發現其預測精度分別高于各單時期的預測精度；程千等[43]研究表明基于多時相植被指數能進一步提高冬小麥產量預測精度，并且能對產量做出較好的提前估測。本研究通過對比發現，結合多個生育時期植被指數對品種氮效率進行分類的精度比單個生育時期的精度均有所提高，其中拔節期、孕穗期和開花期3個生育時期結合的分類精度最高，平均總體分類精度達76.7%，比單個生育時期提高6.7%—25.3%，進一步說明多生育時期融合數據可以更好地反映作物氮素吸收利用的變化過程。

3.3 特征選擇及分類方法對小麥品種氮效率分類的影響

在當前大數據背景下，數據處理過程中往往會存在大量無關和冗余的信息，提取大量的數據特征會占用更多的計算機內存和耗費大量的時間，而且不適合的特征子集可能會造成模型過擬合、分類識別精度低等問題[44]。為了解決大數據背景下“維數災難”問題，挖掘數據內部的本質結構特征和聯系，提高變量的區分性、解釋性，特征變量的選擇至關重要。趙靜等[45]利用RFE算法對無人機多光譜影像提取的光譜特征以及紋理特征進行特征選擇，顯著提高了玉米與雜草的識別精度；魏永康等[46]利用Boruta算法對無人機影像多特征參量進行優化，篩選參數少且倒伏分類精度高。由此可見，數據類型不同，其所適合的特征選擇方法也有所區別。本研究發現多生育時期植被指數特征集全部參與品種氮效率的分類評估，雖然分類精度高，但數據運算量大，不適宜構建簡便、實用的氮效率分類模型。因此，比較并篩選最佳的分類特征組合是作物氮效率評估分類的重要內容。本研究基于ReliefF算法、Boruta算法和RF-RFE算法對多生育時期植被指數融合特征集進行特征選擇，發現RF-RFE特征選擇算法在小麥品種氮效率分類識別中效果最優，且具有較好的穩定性，證明RF-RFE特征選擇算法在構建小麥品種氮效率分類模型中具有更好的優化能力和泛化能力。

隨著數理統計軟件的廣泛引入，機器學習技術在作物監測及分類中得到了廣泛應用[47]。但由于不同機器學習算法原理不同，分類目標物屬性也有所區別，導致所得到的結果可能存在很大差異[48-49]。為了探究不同分類建模方法對品種氮效率分類的效果，本研究比較了KNN、RF和SVM 3種常見的分類方法對品種氮效率分類的潛力，其中KNN分類效果最差，SVM效果最好。KNN算法在分類決策上是依據最鄰近的一個或幾個樣本的類別來決定待分類樣本所屬的類別，無需估計參數，簡單易于實現，但模型的可解釋性較差，普適性較低[50]。本文在特征選擇的基礎上利用KNN分類算法得到的最高總體分類精度僅為73.5%，在處理多時期復雜因子時表現出較大的局限性。RF和SVM模型在處理復雜多維度問題時表現出很好的適應性，使分類精度得到進一步提高，其中SVM算法具有精度高、運算速度快、泛化能力強等優點，可以處理多元線性不可分問題，對高維數據做出準確分類[51]。結果表明，SVM算法對品種氮效率進行分類的總體分類精度可達85.4%，說明SVM模型在融合多生育時期數據方面具有較大優勢，可作為篩選小麥氮高效品種的有效途徑，為小麥氮高效品種篩選鑒定及快速育種提供技術指導，RF算法的效果略差，總體分類精度為82.0%。

本研究確立6個氮效率指標—主成分分析—K-Means氮效率評價方法，根據該評價方法對供試小麥品種氮效率分類的結果，進一步利用無人機植被指數構建了多生育時期組合—RF-RFE—SVM小麥氮效率分類模式，為小麥氮高效品種的篩選鑒定提供了理論依據和技術支撐。但本研究僅利用了單一模態數據（植被指數）參與模型構建，未來還應綜合考慮紋理特征、溫度參數特征等多模態數據以及溫度、降雨、光照等不可控環境變量對小麥品種氮效率分類模型的影響，以期構建精度更高、魯棒性更強的小麥氮高效品種篩選模型。

4 結論

通過主成分分析—K-Means聚類分析將不同氮效率小麥品種成功劃分為氮高效、氮中效和氮低效3個類別，對比分析單生育時期多光譜影像特征集與多生育時期融合特征集在小麥品種氮效率分類識別中的差異，發現單生育時期以開花期的總體分類精度最高（OA=71.9%），多生育時期融合優于單生育時期，以拔節期+孕穗期+開花期融合數據效果最優（OA=76.7%）。對于不同分類方法而言，SVM算法表現最優，KNN算法表現最差。為了減少影像數據特征數量，提高模型分類精度，利用ReliefF算法、Boruta算法和RF-RFE算法對多生育時期特征組合變量進行優化選擇，其中RF-RFE方法有效降低數據集維度，提高小麥品種氮效率分類的精度（OA= 85.4%）。多生育時期組合—RF-RFE—SVM技術融合模式對小麥品種氮效率分類具有較高的應用價值，為促進育種進程和我國種業創新具有十分重要的意義。

[1] XU G H, Fan X R, Miller A J. Plant nitrogen assimilation and use efficiency. Annual Review of Plant Biology, 2012, 63: 153-182.

[2] Hawkesford M J. Reducing the reliance on nitrogen fertilizer for wheat production. Journal of Cereal Science, 2014, 59(3): 276-283.

[3] 張鵬鈺, 高桐梅, 蘇小雨, 李豐, 王東勇, 田媛, 蘆海靈, 苗紅梅, 衛雙玲. 芝麻苗期氮高效品種篩選及氮效率評價體系建立. 河南農業科學, 2022, 51: 54-66.

Zhang P Y, Gao T M, Su X Y, Li F, Wang D Y, Tian Y, Lu H L, Miao H M, Wei S L. Screening of nitrogen efficient varieties and construction of nitrogen efficiency assessment system at seedling stage of sesame (Sesamum indicum L.). Journal of Henan Agricultural Sciences, 2022, 51(6): 54-66. (in Chinese)

[4] 葛禮姣, 方馨妍, 張云月, 羅孟婷, 管志勇, 陳素梅, 房偉民, 陳發棣, 趙爽. 菊花苗期氮高效品種資源篩選及氮效率評價體系建立. 南京農業大學學報, 2021, 44(6): 1054-1062.

Ge L J, Fang X Y, Zhang Y Y, Luo M T, Guan Z Y, Chen S M, Fang W M, Chen F D, Zhao S. Screening of nitrogen efficient varieties and its assessment system construction at seedling stage of chrysanthemum. Journal of Nanjing Agricultural University, 2021, 44(6): 1054-1062. (in Chinese)

[5] 杜保見, 郜紅建, 常江, 章力干. 小麥苗期氮素吸收利用效率差異及聚類分析. 植物營養與肥料學報, 2014, 20(6): 1349-1357.

Du B J, Gao H J, Chang J, Zhang L G. Screening and cluster analysis of nitrogen use efficiency of different wheat cultivars at the seedling stage. Journal of Plant Nutrition and Fertilizer, 2014, 20(6): 1349-1357. (in Chinese)

[6] 宋曉, 張珂珂, 黃晨晨, 黃紹敏, 郭斗斗, 岳克, 張水清. 基于主成分分析的氮高效小麥品種的篩選. 河南農業科學, 2020, 49(12): 10-16.

Song X, Zhang K K, Huang C C, Huang S M, Guo D D, Yue K, Zhang S Q. Selection of nitrogen-efficient wheat varieties based on principal component analysis. Journal of Henan Agricultural Sciences, 2020, 49(12): 10-16. (in Chinese)

[7] 張盼盼, 李志源, 劉京寶, 黃璐, 喬江方, 李川, 張美微, 劉鋒. 黃淮海地區高產氮高效玉米品種的篩選與評價. 河南農業科學, 2021, 50(10): 10-17.

Zhang P P, LI Z Y, Liu J B, Huang L, Qiao J F, Li C, Zhang M W, Liu F. Screening and evaluation of maize varieties with high yield and nitrogen use efficiency in Huang-Huai-Hai region. Journal of Henan Agricultural Sciences, 2021, 50(10): 10-17. (in Chinese)

[8] 朱新開, 郭文善, 朱冬梅, 朱波風, 封超年, 彭永欣. 不同基因型小麥氮素吸收積累差異研究. 揚州大學學報, 2005, 26(3): 52-57.

Zhu X K, Guo W S, Zhu D M, Zhu B F, Feng C N, Peng Y X. Studies on differences of accumulated N amount in different genotypes of winter wheat. Journal of Yangzhou University, 2005, 26(3): 52-57. (in Chinese)

[9] 李艷, 董中東, 郝西, 崔黨群. 小麥不同品種的氮素利用效率差異研究. 中國農業科學, 2007, 40(3): 472-477. doi: 10.3864/j.issn.0578- 1752.at-2006-7202.

Li Y, Dong Z D, Hao X, Cui D Q. The studies on genotypic difference of nitrogen utilization efficiency in winter wheat. Scientia Agricultura Sinica, 2007, 40(3): 472-477. doi: 10.3864/j.issn.0578- 1752.at-2006-7202. (in Chinese)

[10] Qiu R C, Wei S, Zhang M, Sun H, Li H, Liu G, Li M Z. Sensors for measuring plant phenotyping: A review. International Journal of Agricultural and Biological Engineering, 2018, 11(2): 1–17.

[11] Feng L, Chen S S, Zhang C, Zhang Y C, He Y. A comprehensive review on recent applications of unmanned aerial vehicle remote sensing with various sensors for high-throughput plant phenotyping. Computers and Electronics in Agriculture, 2021, 182: 106033.

[12] 朱婉雪, 李仕冀, 張旭博, 李洋, 孫志剛. 基于無人機遙感植被指數優選的田塊尺度冬小麥估產. 農業工程學報, 2018, 34(11): 78-86.

Zhu W X, Li S J, Zhang X B, Li Y, Sun Z G. Estimation of winter wheat yield using optimal vegetation indices from unmanned aerial vehicle remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(11): 78-86. (in Chinese)

[13] 劉暢, 楊貴軍, 李振海, 湯伏全, 王建雯, 張春蘭, 張麗妍. 融合無人機光譜信息與紋理信息的冬小麥生物量估測. 中國農業科學, 2018, 51(16): 3060-3073. doi: 10.3864/j.issn.0578-1752.2018.16.003.

Liu C, Yang G J, Li Z H, Tang F Q, Wang J W, Zhang C L, Zhang L Y. Biomass estimation in winter wheat by UAV spectral information and texture information fusion. Scientia Agricultura Sinica, 2018, 51(16): 3060-3073. doi: 10.3864/j.issn.0578-1752.2018. 16.003. (in Chinese)

[14] 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. 中國農業科學, 2023, 56(5): 850-865. doi: 10.3864/j.issn.0578-1752.2023.05. 004.

Guo Y, Jing Y H, Wang L G, Huang J Y, He J, Feng W, Zheng G Q. UAV multispectral image-based nitrogen content prediction and the transferability analysis of the models in winter wheat plant. Scientia Agricultura Sinica, 2023, 56(5): 850-865. doi: 10.3864/j.issn.0578-1752.2023.05.004. (in Chinese)

[15] 劉濤, 張寰, 王志業, 賀超, 張全國, 焦有宙. 利用無人機多光譜估算小麥葉面積指數和葉綠素含量. 農業工程學報, 2021, 37(19): 65-72.

Liu T, Zhang H, Wang Z Y, He C, Zhang Q G, Jiao Y Z. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(19): 65-72. (in Chinese)

[16] 董德譽. 冬小麥氮高效鑒定及光合效率和籽粒蛋白質含量的反演. 烏魯木齊:新疆農業大學, 2022.

Dong D Y. Identification of nitrogen efficiency and inversion of photosynthetic efficiency and grain protein content in winter wheat. Urumqi: Xinjiang Agricultural University, 2022. (in Chinese)

[17] Yang M J, Hassan M A, Xu K J, Zheng C Y, Rasheed A, Zhang Y, Jin X L, Xia X C, Xiao Y G, He Z H. Assessment of water and nitrogen use ef?ciencies through UAV-based multispectral phenotyping in winter wheat. Frontiers in Plant Science, 2020, 11: 927.

[18] 李郅琴, 杜建強, 聶斌, 熊旺平, 黃燦奕, 李歡. 特征選擇方法綜述. 計算機工程與應用, 2019, 55(24): 10-19.

Li Z Q, Du J Q, Nie B, Xiong W P, Huang C Y, Li H. Summary of feature selection methods. Computer Engineering and Applications, 2019, 55(24): 10-19. (in Chinese)

[19] 周小成, 鄭磊, 黃洪宇. 基于多特征優選的無人機可見光遙感林分類型分類. 林業科學, 2021, 57(6): 24-36.

Zhou X C, Zheng L, Huang H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing. Scientia Silvae Sinicae, 2021, 57(6): 24-36. (in Chinese)

[20] Li X H, Li X Z, Liu W, Wei B H, Xu X L. A UAV-based framework for crop lodging assessment. European Journal of Agronomy, 2021, 123: 126201.

[21] 梁加玲, 劉彥花, 徐軍, 王茜茜, 歐鎮麗. 基于ReliefF算法的遙感影像分類特征優化. 地礦測繪, 2020, 36(3): 1-5.

Liang J L, Liu Y H, Xu J, Wang X X, Ou Z L. Classification feature optimization of remote sensing images based on ReliefF algorithm. Surveying and Mapping of Geology and Mineral Resources, 2020, 36(3): 1-5. (in Chinese)

[22] 楊珺雯, 張錦水, 朱秀芳, 謝登峰, 袁周米琪. 隨機森林在高光譜遙感數據中降維與分類的應用. 北京師范大學學報(自然科學版), 2015, 51(S1): 82-88.

Yang J W, Zhang J S, Zhu X F, Xie D F, Yuanzhou M Q. Application of random forest in dimensionality reduction and classification of hyperspectral remote sensing data. Journal of Beijing Normal University (Natural Science), 2015, 51(S1): 82-88. (in Chinese)

[23] 王曉曄, 王正歐. K-最近鄰分類技術的改進算法. 電子與信息學報, 2005, 27(3): 487-491.

Wang X Y, Wang Z O. An improved K-nearest neighbor algorithm. Journal of Electronics & Information Technology, 2005, 27(3): 487-491. (in Chinese)

[24] 李欣海. 隨機森林模型在分類與回歸分析中的應用. 應用昆蟲學報, 2013, 50(4): 1190-1197.

Li X H. Using “random forest” for classification and regression. Chinese Journal of Applied Entomology, 2013, 50(4): 1190-1197. (in Chinese)

[25] 劉志剛, 李德仁, 秦前清, 史文中. 支持向量機在多類分類問題中的推廣. 計算機工程與應用, 2004, 40(7): 10-13, 65.

Liu Z G, Li D R, Qin Q Q, Shi W Z. An analytical overview of methods for multi-category support vector machines. Computer Engineering and Applications, 2004, 40(7): 10-13, 65. (in Chinese)

[26] 趙瑞, 張旭輝, 張程煬, 郭涇磊, 汪妤, 李紅霞. 小麥種質資源成株期氮效率評價及篩選.中國農業科學, 2021, 54(18): 3818-3833. doi: 10.3864/j.issn.0578-1752.2021.18.003.

Zhao R, Zhang X H, Zhang C Y, Guo J L, Wang Y, Li H X. Evaluation and screening of nitrogen efficiency of wheat germplasm resources at mature stage. Scientia Agricultura Sinica, 2021, 54(18): 3818-3833. doi: 10.3864/j.issn.0578-1752.2021.18.003. (in Chinese)

[27] 黃永蘭, 黎毛毛, 蘆明, 萬建林, 龍起樟, 王會民, 唐秀英, 范志潔. 氮高效水稻種質資源篩選及相關特性分析. 植物遺傳資源學報, 2015, 16(1): 87-93.

Huang Y L, Li M M, Lu M, Wan J L, Long Q Z, Wang H M, Tang X Y, Fan Z J. Selection of rice germplasm with high nitrogen utilization efficiency and its analysis of the related characters. Journal of Plant Genetic Resources, 2015, 16(1): 87-93. (in Chinese)

[28] 崔文芳, 高聚林, 屈佳偉, 于曉芳, 胡樹平, 蘇治軍, 王志剛, 孫繼穎, 謝岷. 氮高效玉米雜交種的篩選及氮效率相關特性分析. 玉米科學, 2016, 24(4): 72-82.

Cui W F, Gao J L, Qu J W, Yu X F, Hu S P, Su Z J, Wang Z G, Sun J Y, Xie M. Analysis of nitrogen efficient maize hybrid screening and nitrogen efficiency related characteristics. Journal of Maize Sciences, 2016, 24(4): 72-82. (in Chinese)

[29] 馮洋, 陳海飛, 胡孝明, 周衛, 徐芳森, 蔡紅梅. 我國南方主推水稻品種氮效率篩選及評價. 植物營養與肥料學報, 2014, 20(5): 1051-1062.

Feng Y, Chen H F, Hu X M, Zhou W, Xu F S, Cai H M. Nitrogen efficiency screening of rice cultivars popularized in South China. Journal of Plant Nutrition and Fertilizer, 2014, 20(5): 1051-1062. (in Chinese)

[30] 鐘思榮, 陳仁霄, 陶瑤, 龔絲雨, 何寬信, 張啟明, 張世川, 劉齊元. 耐低氮煙草基因型的篩選及其氮效率類型. 作物學報, 2017, 43(7): 993-1002.

Zhong S R, Chen R X, Tao Y, Gong S Y, He K X, Zhang Q M, Zhang S C, Liu Q Y. Screening of tobacco genotypes tolerant to low-nitrogen and their nitrogen efficiency types. Acta Agronomica Sinica, 2017, 43(7): 993-1002. (in Chinese)

[31] 林海明, 張文霖. 主成分分析與因子分析的異同和SPSS軟件——兼與劉玉玫、盧紋岱等同志商榷. 統計研究, 2005, 22(3): 65-69.

Lin H M, Zhang W L. The relationship between principal component analysis and factor analysis and SPSS software—To discuss with comrade Liu Yumei, Lu Wendai etc. Statistical Research, 2005, 22(3): 65-69. (in Chinese)

[32] 周麗艷, 郭振清, 馬玉玲, 東方陽, 林小虎. 春小麥品種農藝性狀的主成分分析與聚類分析. 麥類作物學報, 2011, 31(6): 1057-1062.

Zhou L Y, Guo Z Q, Ma Y L, DONGFANG Y, Lin X H. Principal component and cluster analysis of different spring wheat cultivars based on agronomic traits. Journal of Triticeae Crops, 2011, 31(6): 1057-1062. (in Chinese)

[33] 連盈, 盧娟, 胡成梅, 牛胤全, 史雨剛, 楊進文, 王曙光, 張文俊, 孫黛珍. 低氮脅迫對谷子苗期性狀的影響和耐低氮品種的篩選. 中國生態農業學報(中英文), 2020, 28(4): 523-534.

Lian Y, Lu J, Hu C M, Niu Y Q, Shi Y G, Yang J W, Wang S G, Zhang W J, Sun D Z. Effects of low nitrogen stress on foxtail millet seedling characteristics and screening of low nitrogen tolerant varieties. Chinese Journal of Eco-Agriculture, 2020, 28(4): 523-534. (in Chinese)

[34] 陳林濤, 馬旭, 曹秀龍, 溫志成, 季傳棟, 李宏偉. 基于主成分分析的雜交稻芽種物理特性評價研究. 農業工程學報, 2019, 35(16): 334-342.

Chen L T, Ma X, Cao X L, Wen Z C, Ji C D, Li H W. Evaluation research of physical characteristics of hybrid rice buds based on principal component analysis. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 334-342. (in Chinese)

[35] 王佳兒, 肖悅, 王志昊, 鄭長娟, 王勇, 白旭乾, 于廣多, 張智韜. 剔除土壤背景對反演玉米根域土壤含水率的影響研究. 節水灌溉, 2021(12): 81-86, 93.

Wang J E, Xiao Y, Wang Z H, Zheng C J, Wang Y, Bai X Q, Yu G D, Zhang Z T. Effect of removing soil background on inversion of soil moisture content in maize root zone. Water Saving Irrigation, 2021(12): 81-86, 93. (in Chinese)

[36] 徐海成. 冬小麥高產高效群體構建的栽培模式研究[D]. 泰安: 山東農業大學, 2016.

Xu H C. Study on cultivation mode of high yield and high efficiency population construction of winter wheat[D]. Taian: Shandong Agricultural University, 2016. (in Chinese)

[37] 米國華, 陳范駿, 春亮, 郭亞芬, 田秋英, 張福鎖. 玉米氮高效品種的生物學特征. 植物營養與肥料學報, 2007, 13(1): 155-159.

Mi G H, Chen F J, Chun L, Guo Y F, Tian Q Y, Zhang F S. Biological characteristics of nitrogen efficient maize genotypes. Journal of Plant Nutrition and Fertilizer Science, 2007, 13(1): 155-159. (in Chinese)

[38] 王春曉, 凌飛, 鹿澤啟, 姜蔚, 臧宏偉, 張偉, 姚杰, 蘭豐, 柳璇, 王志新, 鄭永美. 不同氮效率花生品種氮素累積與利用特征. 中國生態農業學報(中英文), 2019, 27(11): 1706-1713.

Wang C X, Ling F, Lu Z Q, Jiang W, Zang H W, Zhang W, Yao J, Lan F, Liu X, Wang Z X, Zheng Y M. Characteristics of nitrogen accumulation and utilization in peanuts () with different nitrogen use efficiencies. Chinese Journal of Eco- Agriculture, 2019, 27(11): 1706-1713. (in Chinese)

[39] Du M M, Noguchi N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system. Remote Sensing, 2017, 9(3): 289.

[40] ZHOU X, ZHENG H B, XU X Q, HE J Y, GE X K, YAO X, CHENG T, ZHU Y, CAO W X, TIAN Y C. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255.

[41] 王晶晶, 李長碩, 卓越, 檀海斌, 侯永勝, 嚴海軍. 基于多時相無人機遙感生育時期優選的冬小麥估產. 農業機械學報, 2022, 53(9): 197-206.

Wang J J, Li C S, Zhuo Y, Tan H B, Hou Y S, Yan H J. Yield estimation of winter wheat based on optimization of growth stages by multi-temporal UAV remote sensing. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(9): 197-206. (in Chinese)

[42] WANG L G, TIAN Y C, YAO X, ZHU Y, CAO W X. Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images. Field Crops Research, 2014, 164: 178-188.

[43] 程千, 徐洪剛, 曹引波, 段福義, 陳震. 基于無人機多時相植被指數的冬小麥產量估測.農業機械學報, 2021, 52(3): 160-167.

Cheng Q, Xu H G, Cao Y B, Duan F Y, Chen Z. Grain yield prediction of winter wheat using multi-temporal UAV based on multispectral vegetation index. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 160-167. (in Chinese)

[44] GUYON I, ELISSEEFF A. An introduction to variable and feature selection. Journal of Machine Learning Research, 2003, 3(3): 1157-1182.

[45] 趙靜, 李志銘, 魯力群, 賈鵬, 楊煥波, 蘭玉彬. 基于無人機多光譜遙感圖像的玉米田間雜草識別. 中國農業科學, 2020, 53(8): 1545-1555. doi: 10.3864/j.issn.0578-1752.2020.08.005.

Zhao J, Li Z M, Lu L Q, Jia P, Yang H B, Lan Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle. Scientia Agricultura Sinica, 2020, 53(8): 1545-1555. doi: 10.3864/j.issn.0578-1752.2020.08.005. (in Chinese)

[46] 魏永康, 楊天聰, 臧少龍, 賀利, 段劍釗, 謝迎新, 王晨陽, 馮偉. 基于無人機多光譜影像特征融合的小麥倒伏監測. 中國農業科學, 2023, 56(9): 1670-1685. doi: 10.3864/j.issn.0578-1752.2023. 09.005.

Wei Y K, Yang T C, Zang S L, He L, Duan J Z, Xie Y X, Wang C Y, Feng W. Monitoring wheat lodging based on UAV multi-spectral image feature fusion. Scientia Agricultura Sinica, 2023, 56(9): 1670-1685. doi: 10.3864/j.issn.0578-1752.2023.09.005. (in Chinese)

[47] 劉忠, 萬煒, 黃晉宇, 韓已文, 王佳瑩. 基于無人機遙感的農作物長勢關鍵參數反演研究進展. 農業工程學報, 2018, 34(24): 60-71.

Liu Z, Wan W, Huang J Y, Han Y W, Wang J Y. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(24): 60-71. (in Chinese)

[48] 陶惠林, 徐良驥, 馮海寬，楊貴軍, 楊小冬，苗夢珂, 代陽. 基于無人機數碼影像的冬小麥株高和生物量估算. 農業工程學報, 2019, 35(19): 107-116.

Tao H L, Xu L J, Feng H K, Yang G J, Yang X D, Miao M K, Dai Y. Estimation of plant height and biomass of winter wheat based on UAV digital image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 107-116. (in Chinese)

[49] 潘治利, 祁萌, 魏春陽, 李鋒, 張仕祥, 王建偉, 過偉民, 艾志錄. 基于圖像處理和支持向量機的初烤煙葉顏色特征區域分類. 作物學報, 2012, 38(2): 374-379.

Pan Z L, Qi M, Wei C Y, Li F, Zhang S X, Wang J W, Guo W M, Ai Z L. Color region classification of flue-cured tobacco leaves based on the image processing and support vector machine. Acta Agronomica Sinica, 2012, 38(2): 374-379. (in Chinese)

[50] 毋雪雁, 王水花, 張煜東. K最近鄰算法理論與應用綜述. 計算機工程與應用, 2017, 53(21): 1-7.

Wu X Y, Wang S H, Zhang Y D. Survey on theory and application of K-Nearest-Neighbors algorithm. Computer Engineering and Applications, 2017, 53(21): 1-7. (in Chinese)

[51] 周濤麗. 基于支持向量機的多分類方法研究[D]. 成都: 電子科技大學, 2015.

Zhou T L. Research on multi-classification method based on support vector machine[D]. Chengdu: University of Electronic Science and Technology of China, 2015. (in Chinese)

Classification and Identification of Nitrogen Efficiency of Wheat Varieties Based on UAV Multi-Temporal Images

ZANG ShaoLong1, LIU LinRu1, GAO YueZhi1, WU Ke1, HE Li1,3, DUAN JianZhao1, SONG Xiao2, FENG Wei

1College of Agronomy, Henan Agricultural University, Zhengzhou 450046;2Institute of Plant Nutrition and Environmental Resources, Henan Academy of Agricultural Sciences, Zhengzhou 450002;3National Engineering Research Centre for Wheat, Zhengzhou 450046

【Objective】To explore the potential of UAV remote sensing in nitrogen efficiency classification and recognition, a nitrogen efficiency classification method for wheat varieties was constructed, so as to provide the theoretical basis and technical support for nitrogen efficient variety screening.【Method】Six agronomic indicators related to nitrogen efficiency at maturity stage (yield, plant nitrogen accumulation, nitrogen physiological use efficiency, plant dry biomass, total nitrogen uptake of grains, and N harvest index) were used to construct the principal component synthesis value, and K-Means cluster analysis was performed on them. The 121 wheat varieties were divided into three types: high, medium, and low nitrogen efficiency types. A UAV remote sensing platform equipped with a multi-spectral camera was used to obtain remote sensing images of wheat at the jointing, booting and flowering stages, and 34 vegetation indices were extracted to analyze the correlation between vegetation index and nitrogen efficiency comprehensive value. The accuracy of nitrogen efficiency classification models of support vector machine (SVM), random forest (RF), and K-nearest neighbor (KNN) classification methods were compared, and the overall classification accuracy (OA) and Kappa coefficient were used to compare the classification and recognition ability of wheat varieties in different growth periods. Three different feature set screening methods (ReliefF algorithm, Boruta algorithm and RF-RFE algorithm) were used to comprehensively evaluate the optimized feature subsets, and an appropriate classification and recognition method for wheat varieties nitrogen efficiency was established.【Result】With the progress of wheat growth stage, the correlation between vegetation index and the comprehensive value of nitrogen efficiency gradually increased, which reached the highest correlation coefficient at flowering stage (=0.502). The full feature set of vegetation indices was used to classify the nitrogen efficiency of wheat varieties. For the data of single growth stage, SVM model had the best classification accuracy at flowering stage (OA=77.1%, Kappa=0.591), and the worst classification accuracy at jointing stage (OA=65.6%, Kappa=0.406). In general, the classification accuracy of nitrogen efficiency of varieties with multi-growth stage data fusion was higher than that of single growth stage, among which SVM model with jointing stage + booting stage + flowering stage had the best classification accuracy (OA=80.6%, Kappa=0.669). In order to reduce the number of feature set variables in multi-growth period data fusion, the feature optimization effects of RF-RFE, Boruta and ReliefF algorithms were compared and analyzed. The optimal feature subset based on RF-RFE algorithm had the highest classification accuracy, and its OA and Kappa coefficients were 4.0% and 10.1% higher than those of the full feature set classification model, respectively. Among them, the data fusion of three growth stages had the best classification accuracy (OA=85.4%, Kappa=0.749).【Conclusion】The nitrogen efficiency evaluation method with six nitrogen efficiency indexes - principal component analysis -K-Means were established in this study. The RF-RFE algorithm effectively optimized the number of characteristic subsets of the multi-growth period combination, and obtained high classification accuracy. A nitrogen efficiency classification model of wheat varieties based on the fusion of multi-growth period combination and RF-RFE-SVM technology was established, which provided the theoretical basis and technical support for the rapid and accurate classification and identification of wheat varieties with nitrogen efficiency.

winter wheat; UAV; vegetation index; multiple growth periods; feature selection; nitrogen efficiency classification

10.3864/j.issn.0578-1752.2024.09.006

2023-11-19；

2024-03-01

國家自然科學基金（32301693）、河南省科技研發計劃聯合基金項目（232103810017，222103810015）、河南省高等學校重點科研項目（24A210008）

臧少龍，E-mail：z036213@163.com。通信作者賀利，E-mail：he-li19870308@163.com。通信作者馮偉，E-mail：fengwei78@126.com

（責任編輯 李秋雨）