基于無人機高光譜的內蒙古天然牧草氮磷鉀含量的反演

摘要：氮（Nitrogen，N）、磷（Phosphorus，P）、鉀（Kalium，K）含量是衡量牧草營養價值的重要指標，其準確檢測對于草地退化評價和畜牧業發展具有重要意義。本研究以內蒙古溫性荒漠草原和溫性草原為研究對象，結合高光譜無人機數據和地面實測數據，使用最小絕對值收縮和選擇算子（Lasso）回歸來進行敏感波段篩選，然后采用偏最小二乘回歸（Partial ieast squares regression，PLSR）和隨機森林（Random forest，RF）算法分別構建天然牧草N，P，K含量的估測模型。結果表明：一階導數（First derivative，FD）和對數的倒數（Reciprocal of logarithm，Log（1/R））處理有助于提高敏感波段與N，P，K含量的相關性；Lasso回歸方法可以大大地減少波段的數量；兩種草地類型下N和K含量構建的最佳反演模型均為RF模型，R2在0.76～0.90之間；P含量在溫性荒漠草原下最優的是PLSR模型，R2為0.72，而在溫性草原下為RF模型（R2=0.75）。研究結果對于草地分等定級、放牧管理和草地農業等都具有重要參考價值。

關鍵詞：天然牧草；無人機；高光譜；營養成分；機器學習

中圖分類號：S155.4+7""" 文獻標識碼：A"""" 文章編號：1007-0435（2024）05-1500-13

Inversion of Nitrogen，Phosphorus and Potassium Content in Natural Grassland

in Inner Mongolia Based on UAV Hyperspectral Data

QI Hui-min， CHEN Ang， YANG Xiu-chun*

（School of Grasland Science， Beijing Forestry University， Beijing 100083， China）

Abstract：Nitrogen （N），phosphorus （P） and potassium （Kalium，K） contents are important indicators of the nutritional value of pasture grasses，and their accurate detection is of great significance for the evaluation of grassland degradation and the development of animal husbandry. In this study，temperate desert steppe and temperate steppe in Inner Mongolia were used as research objects，and hyperspectral unmanned aerial vehicle （UAV） data and ground-based measured data were combined to screen the sensitive bands by using the least absolute value contraction and selection operator （Lasso） regression. Then，Partial least squares regression （PLSR） and Random forest （RF） algorithms were used to construct the estimation models of N，P，and K contents of natural pasture grasses，respectively. The results showed that the first derivative （FD） and the reciprocal of logarithm （Log（1/R）） treatments could help to improve the correlation between sensitive bands and N，P，and K contents;and the Lasso regression method greatly reduced the number of bands. The best inversion models constructed for N and K contents under both grass types were RF models，with R2 between 0.76 and 0.90. The P content was optimized by the PLSR model under the temperate desert steppe with an R2 of 0.72 and the RF model under the temperate steppe （R2=0.75）. The results of this study have important reference value for grassland classification and grading，grazing management and grassland agriculture.

Key words：Natural forage;Unmanned aerial vehicle （UAV）;Hyperspectral;Nutritional composition;Machine learning

天然牧草是我國草原牧區草食家畜飼料的主要來源，其營養成分直接影響著草食畜的營養狀況、生長和發育，也間接影響畜產品的產量和質量［1-2］，氮（Nitrogen，N）、磷（Phosphorus，P）、鉀（Kalium，K）是牧草所需的關鍵營養元素，其含量對于草地的健康和生長至關重要［3］。因此，精確估算牧草N，P，K含量對評價草地營養價值具有重要意義［4］。

近年來，隨著傳感器和平臺設計的創新，無人機結合高光譜傳感器在農業中的應用變得越來越重要。傳統的實地采樣后進行化學實驗的方法存在耗時費力、時效性差和破壞性強等問題［5］，而無人機搭載的高光譜傳感器利用物質在不同光譜范圍內的吸收和反射特性，具有高精度和非破壞性的快速獲取大量樣本數據等獨特優勢［6］，因此被廣泛應用。國內外關于N，P，K含量的高光譜遙感研究主要以小麥 （Triticum aestivum）、玉米 （Zea mays） 和水稻 （Oryza satiua） 等農作物為主［7-9］，也有研究利用無人機高光譜數據來預測高寒草甸草原的N，P含量［10］。但是對于我國北方大面積分布的溫性草原和溫性荒漠草原的牧草營養成分含量的研究還未得到廣泛關注。

無人機高光譜數據獲取中，可能會受到多種干擾因素的影響，例如噪聲和大氣散射等。Savizkg和Golay在1964年提出了Savitzky-Golay（SG）卷積平滑方法［11］，能夠有效的去除高頻噪聲。同時，為了應對高光譜數據成像過程中的其他干擾，研究者們也提出了多種處理方法來提高數據的質量和準確性。Pang等［12］對高光譜數據進行了一階微分（First derivative，FD）處理，發現可以更好地反映植物中碳磷鉀含量所對應的敏感波段。此外，也有學者對高光譜數據進行了一階微分（FD）和倒數的對數（Reciprocal of logarithmic，Log（1/R））處理，發現與原始光譜相比，構建的機器學習模型實現了更高的估測精度［5，13］。這些研究為本研究在解決高光譜數據干擾問題和提高數據質量方面提供了有益的參考。

高光譜數據的高維度、信息冗余和噪聲使得特征篩選成為必要的步驟。最小絕對值收縮和選擇算子算法（Lasso）回歸是常見的特征篩選方法，它通過限制系數大小來實現特征篩選［14］。Fernandez-Habas等［15］利用Lasso回歸篩選敏感波段，并對營養成分構建模型，發現Lasso回歸不僅能有效地選擇重要的變量，實現顯著的降維，也提高了模型的精度。另外，也有學者研究使用Lasso回歸、連續投影算法（Successive projections algorithm，SPA）特征篩選算法［16］構建了針對植物N含量的偏最小二乘回歸（Partial least squares regression，PLSR）模型，結果表明，與SPA算法相比，Lasso回歸可以獲得更好的預測效果。

機器學習算法在利用高光譜數據對植物性狀檢索方面具有巨大潛力。常見的非參數型機器學習模型（如隨機森林、偏最小二乘回歸等）與傳統的參數模型相比，它們不受特定形式的假設限制，具備高效處理復雜數據的能力，能夠生成更準確的預測結果［15，17］，因此，常被用于牧草的營養成分模型構建的研究［17-19］。

綜上所述，本研究對內蒙古的溫性草原和溫性荒漠草原開展無人機高光譜數據及同步的地面實測數據的采樣。在高光譜數據的不同預處理基礎上，采用機器學習算法包括隨機森林（Random forest，RF）和PLSR結合Lasso回歸特征選擇，對天然草地牧草N，P，K含量進行了評估。本研究可為牧場放牧管理和飼料供需管理提供參考，對畜牧業草地的合理利用以及生態環境保護具有重要的參考價值。

1 材料與方法

1.1 研究區概況

研究區位于內蒙古錫林郭勒盟的蘇尼特左旗和錫林浩特市，蘇尼特左旗地理坐標為北緯43°86′，東經113°09′，錫林浩特市為北緯43°93′，東經116°09′，屬于溫帶大陸性氣候，冬季漫長嚴寒，夏季短暫炎熱，年均溫度在5℃至9℃之間。其中，蘇尼特左旗分布在內蒙古錫林郭勒盟的西部，草地類型主要以溫性荒漠草原為主，地勢整體呈現出西高東低的傾斜趨勢，海拔為1 000 m左右，年降水量為180 mm，主要集中在夏季；植被組成以針茅（Stipa capillata）、羊草（Leymus chinensis）為優勢種的旱叢生小禾草以及混生小灌木為主。錫林浩特市分布在錫林郭勒盟中部，草地類型主要為溫性草原，地勢相對平坦，海拔高度為1 100～1 300 m，年均降水量約為300～350 mm；大針茅（Stipa capillata Linn）、羊草（Leymus chinensis）等旱生禾草以及多年生密叢草本植物冰草（Stellaria media）和冷蒿（Artemisia frigida）是該草地的植物群落組成。

1.2 數據獲取與處理

1.2.1 樣地設置與地面數據采集 本研究在內蒙古蘇尼特左旗設置了3塊溫性荒漠草原樣地，在錫林浩特市設置了4塊溫性草原樣地，共計7塊樣地（圖1），7個樣地總面積為2 km2，在7塊樣地內均勻的布設了99個樣方，其中蘇尼特左旗草原有47個樣方，錫林浩特市草原52個樣方，樣方大小為1 m×1 m。使用中海達RTK-V200高精度基站儀器獲得每個樣地和樣方的經緯度，同時記錄了每個樣地草地類型、優勢種等信息。將樣方內的草樣齊地面剪去，將其分類置于樣方袋中，然后將草樣運輸至實驗室放入65℃烘箱中烘48 h至恒重后稱取干重。對烘干后的草樣打包到專業實驗室，使用丹麥福斯FOSS DS2500儀器進行近紅外檢測，以獲得草樣的N，P，K含量。

1.2.2 高光譜數據采集與圖像處理 在樣方數據采集之前，開展無人機航拍數據的采集，使用的是大疆公司DJIM600無人機搭載resonon傳感器（美國Resonon公司的PikaL），該傳感器能夠獲取的波長范圍為389～1 023 nm，空間分辨率為15 cm，光譜分辯率為4.2 nm，共獲得150個波段。為了保證高光譜圖像質量和數據的準確性，無人機選擇2022年7月21—31日的12∶00—15∶00時間段內，天氣晴朗、無風無云或少云情況下飛行，飛行高度為350 m，旁向重疊為55%。高光譜無人機飛行前使用黑白板數據進行輻射測量校準，飛行過程中根據情況及時進行參考板驗證，獲得7塊樣地的高光譜圖像。通過系統自帶的Res2DMap軟件完成圖像的輻射定標、鑲嵌和圖像拼接，并利用ENVI軟件實現高光譜圖像的大氣校正和幾何校正。

1.2.3 高光譜數據預處理 光譜反射率的平滑和濾波在保留原始數據中的特征信息的前提下，可以去除高光譜數據中的噪聲和突變點。本研究通過ENVI軟件對高光譜數據進行了SG處理。另外，光譜轉換可以去除光譜之間的差異、提高數據的質量和準確性，更好地發掘數據中的有用信息［10，20］。本研究使用The unscramble X10.4軟件對高光譜數據進行了一階微分（FD）、對數倒數（Log（1/R））轉換。

1.3 特征選擇與模型構建

采用Lasso回歸這一基于正則化的線性回歸方法來進行特征篩選，Lasso回歸的原理是在目標函數中添加L1正則化項，通過約束系數向量的L1范數實現特征的稀疏性，即將某些特征的系數縮小甚至置為0，從而實現降維［21］。Lasso回歸已被廣泛應用于高光譜數據的特征篩選［22-23］，在本研究中，使用Python編程語言中的scikit-learn包來實現Lasso回歸。

PLSR通過找到自變量和因變量之間的最大協方差，構建一組新的綜合變量，用于建立回歸模型。這種方法可以降低自變量的維數，并捕捉與因變量相關的重要信息，從而提高預測的準確性，因此被廣泛用于牧草營養成分的研究［24-26］。本研究中，該過程通過The unscramble X10.4軟件實現，同時設置了10倍交叉驗證來評估模型的性能。

RF算法能夠解釋復雜的非線性關系，可以通過不斷調整模型參數，提高預測性能及模型精度。因此，越來越多的學者選擇使用RF算法來研究牧草營養成分含量［27-28］。RF具有兩個主要的超參數，分別是回歸樹的數量（ntree）和在每個節點要選擇的預測器的數量（mtry），需要對兩者進行優化選擇，來提高預測模型的精度。本研究中，RF模型的參數優化、模型構建及精度驗證均通過python軟件實現。

1.4 模型評價

采用決定系數（R2）、均方根誤差（RMSE）和相對預測偏差（RPD）評估N，P，K含量的估測模型精度。

式中，n為樣本數，Yi是實際測定值，Y︿i是預測值，Y-是實際測定的平均值，Y-=1n∑ni=1Yi。R2范圍為0～1，越接近1，模型擬合度越好。RMSE越小，模型預測準確度越高。當RPD在1.4～1.8之間時，表示該模型可用于預測，當RPD在1.8～2之間，模型質量一般；當RPD在2.0～2.5之間時，模型質量較好；當RPD大于2.5時，模型質量極好［29］。

2 結果與分析

2.1 兩種草地類型下N，P，K含量統計分析

本研究使用蒙特卡洛算法［30］對高光譜反射率數據進行了異常值剔除。共得到CP含量對應實測樣本值92個，其中溫性荒漠草原43個樣本，溫性草原49個。然后，采用Kennard-Stone算法［31］將牧草N，P，K含量實測值分別按照7∶3分為訓練集和測試集，結果如表1所示。在所有樣本集中，相比于P含量（0.04～0.24 mg·g-1）和K含量（0.09～0.48 mg·g-1），N含量（1.14～3.24 mg·g-1）偏高；N，P和K含量在所有樣本集中變異系數均較高，范圍為17.95%～53.35%，表明樣本有一定的離散性；兩種草地類型的訓練集和測試集中的均值和標準差相近，分布均勻，具有建模的可靠性［32］。

2.2 不同方法的高光譜數據預處理結果

對OR光譜和處理后光譜反射率平均，得到光譜反射率曲線。結果如圖2所示，不同高光譜處理方法具有不同的光譜特征。在OR光譜中，溫性荒漠草原的反射率比溫性草原更高；另外，溫性草原在紅色邊緣區域的反射率在695 nm處急劇上升，776 nm后趨于平穩；而溫性荒漠草原的反射率則在藍光和綠光區域急劇增加，在紅外區域緩慢增加。在SG光譜中，光譜曲線相比于OR光譜更加平滑。Log（1/R）處理可以調整數據的尺度，提高數據對細微差異的敏感性，與SG平滑處理的光譜曲線相比具有相反的趨勢。此外，FD處理能夠有效地突出數據中細微變化、特征峰和谷值，其中在溫性荒漠草原在可見光區域的反射率高于溫性草原。而在紅邊區域，溫性草原的反射率明顯高于溫性荒漠草原。

2.3 高光譜預處理數據與N，P，K含量的相關性分析

根據地面樣方數據的位置和空間坐標信息與高光譜影像中對應位置的反射率結合劃分訓練和測試樣本。將兩種草地類型下不同預處理的高光譜反射率數據分別與N，P，K含量作相關性分析，所有光譜曲線與N，P，K含量的顯著相關（Plt;0.05）區域主要在可見光區域和近紅外區域。

高光譜數據與N含量的相關性結果如圖3所示，在OR光譜中，溫性荒漠草原光譜數據與N含量相關性明顯高于溫性草原，由表2得出，在429 nm處相關性最高（r=-0.762），溫性草原同樣也是在429 nm處相關性最高（r=-0.455）。對于SG光譜曲線，溫性荒漠草原下光譜數據與N含量在429 nm處相關性最高（r=-0.766），溫性草原在397 nm處相關性最高（r=-0.454）。在Log（1/R）光譜中，溫性荒漠草原和溫性草原下，N含量與429 nm和397 nm處的反射率表現出最高的正相關性，r分別為0.767和0.454。在FD光譜曲線中，溫性荒漠草原下在482 nm處的光譜反射率與N含量相關性最高，呈負相關性關系（r=-0.727），溫性草原下在738 nm處反射率與N含量相關性最高，且呈正相關（r=0.552）。

高光譜數據與P含量的相關性結果如圖4所示，相關性曲線趨勢與N含量表現一致。由表2可知，對于OR光譜，溫性荒漠草原和溫性草原下光譜反射率與P含量的相關性分別在429 nm和453 nm處的波段表現最高，且均為負相關，r分別為-0.727和-0.390。對于SG光譜曲線，溫性荒漠草原下光譜數據與P含量在429 nm處相關性最高（r=-0.740），溫性草原在429 nm處相關性最高（r=-0.376）。對于Log（1/R）光譜，溫性荒漠草原和溫性草原下均是在429 nm處的反射率數據與P含量的相關性最高，均為正相關，相關系數r分別為0.740和0.381。對于FD光譜曲線，溫性荒漠草原光譜與P含量在429 nm處相關性最高（r=-0.770），溫性草原在457 nm處相關性最高（r=-0.431）。

高光譜數據與K含量的相關性結果如圖5所示，相關性曲線趨勢與N，P含量曲線一致。由表2結果看出，對于OR光譜，溫性荒漠草原和溫性草原下光譜反射率與K含量分別在429 nm和397 nm處相關性最高，均為負相關，r分別為-0.649和-0.357。對于SG光譜曲線，溫性荒漠草原光譜數據與K含量在429 nm處相關性最高（r=-0.654），溫性草原在397 nm處相關性最高（r=-0.357）。對于Log（1/R）光譜，溫性荒漠草原和溫性草原下分別在429 nm和397 nm處的光譜反射率與K含量相關性最高，均為正相關，r分別為0.653和0.357。對于FD光譜曲線，溫性荒漠草原光譜與K含量在429 nm處相關性最高（r=-0.702），溫性草原在855 nm處相關性最高（r=-0.452）。

2.4 牧草N，P，K含量的Lasso回歸結果分析

如表3所示，與Lasso回歸前波段數量相比，溫性荒漠草原Lasso回歸后N，P，K含量選擇的敏感波段數量分別降低了91%～94%，90%～96%，92%～96%。另外，SG和Log（1/R）處理后選擇的波段分布在藍光、綠光、黃光和近紅外區域，與OR光譜相比新增了藍光區域。而FD處理后波段分布在紅外和近紅外區域，與OR光譜相比減少了綠光和黃光區域；對于溫性草原，Lasso回歸后N，P，K含量選擇敏感波段數量分別降低了87%～90%，87%～93%，80%～91%。OR光譜敏感波段分布在綠光、紅外和近紅外區域，相較于溫性荒漠草原減少了黃光這一區域。經SG，Log（1/R）和FD處理后選擇的波段區域與溫性荒漠草原相似。綜上所述，Lasso回歸能夠顯著減少變量的數量，提高模型的效率。

2.5 牧草N，P，K含量的模型構建與精度評價

本研究利用不同處理的高光譜數據分別與N，P，K含量構建了RF和PLSR模型，結果如表4所示。N含量構建的16個模型中，在溫性荒漠草原下的最優模型為SG-FD-Lasso-RF，該模型在測試集上的R2值為0.90，RMSE分別為0.11 mg·g-1，RPD達到3.14，模型效果極好。與OR光譜相比，R2提高了12.22%，RMSE降低了38.89%，RPD提高了43.95%。在溫性草原中，最優模型為SG-FD-Lasso-RF，該模型在測試集上的R2值為0.82，RMSE分別為0.15 mg·g-1，RPD達到2.35，模型效果較好。與OR光譜相比，R2提高了26.59%，RMSE降低了42.31%，RPD提高了38.29%。以上結果表明，FD處理后構建的RF估測模型與OR光譜相比，在兩種草地類型下均表現出較好的結果，能夠顯著改善N含量預測的準確性。

在P含量與光譜數據構建的16個模型中，溫性荒漠草原下的最優模型為SG-Log（1/R）-Lasso-PLSR，該模型在測試集上的R2值為0.75，RMSE分別為0.023 mg·g-1，RPD達到2.54，模型效果極好。與OR光譜相比，R2提高了10.67%，RMSE降低了17.85%，RPD提高了39.37%。在溫性草原中，最優模型為SG-Log（1/R）-Lasso-RF，該模型在測試集上的R2值為0.76，RMSE分別為0.018 mg·g-1，RPD達到2.01，模型效果較好。與OR光譜相比，R2提高了10.53%，RMSE降低了5.26%，RPD提高了12.44%?？傮w而言，在溫性荒漠草原下Log（1/R）處理相比于OR光譜構建的PLSR估測模型能夠顯著改善P含量預測的準確性。而在溫性草原下，Log（1/R）處理相比于OR光譜構建的RF估測模型能夠顯著提高P含量的預測精度。

在K含量與光譜數據構建的16個模型中，溫性荒漠草原下的最優模型為SG-FD-Lasso-RF，該模型在測試集上的R2值為0.79，RMSE分別為0.043 mg·g-1，RPD達到2.18，模型效果較好。與OR光譜相比，R2提高了18.99%，RMSE降低了31.75%，RPD提高了22.94%。在溫性草原中，最優模型為SG-FD-Lasso-RF，該模型在測試集上的R2值為0.80，RMSE分別為0.026 mg·g-1，RPD達到2.23，表明模型效果較好。與OR光譜相比，R2提高了31.25%，RMSE降低了38.09%，RPD提高了33.18%。P含量與N含量結果一致，FD處理后構建的RF估測模型與OR光譜相比，在兩種草地類型下均表現出較好的結果，能夠顯著提高P含量預測的準確性。

對比了兩種草地類型下N，P，K含量構建的最優模型實測值與預測值。結果如圖6所示，N和K含量均在FD處理下表現最優，P含量在Log（1/R）處理下表現最好，可以表明，高光譜的FD和Log（1/R）處理對模型精度具有一定的提高效果。同時，在構建的這6個最優模型中，只有溫性荒漠草原下P含量的PLSR模型效果最好，其余5個最優模型均在RF算法上表現最佳，表明RF模型比PLSR和SVM模型更適用于預測天然牧草的N，P，K含量中，對于實際應用中牧草營養成分的含量反演具有重要的參考價值。另外，N含量擬合效果優于P和K含量，但是其穩定性不如P和K含量。在溫性荒漠草原中，N含量預測結果優于溫性草原，而P和K含量則在溫性草原上表現最佳。

3 討論

3.1 不同高光譜數據預處理方法的比較分析

高光譜數據預處理能夠去除高光譜數據中的噪聲和干擾，從而提高模型構建的精度和準確性，是模型構建前的一個重要步驟。高光譜數據不同的預處理方法對牧草含量的建模效果存在一定的差異性［33-34］。本研究對高光譜原始數據進行了SG，FD，Log（1/R）處理，在其與N和K含量構建的兩種機器學習模型中，FD處理表現效果最好，而與P含量構建的兩種機器學習模型中，Log（1/R）處理表現效果最好（表4）。Peng等［33］利用FD處理后的高光譜數據對退化的植被營養狀況構建線性回歸模型，發現FD處理有助于提高模型性能。以往也有研究表明對高光譜數據進行Log（1/R）處理能夠更好地反映營養成分所對應的敏感波段［34］。本研究的N，P，K含量與高光譜數據的相關性分析結果表明，FD光譜處理與OR光譜相比可以增強敏感波段與天然牧草N，P，K含量之間的相關性。楊邁等［35］對FD處理后光譜數據與滇池濕地植物N含量進行相關性分析，得出與本研究一致的結果。

3.2 高光譜數據與牧草N，P，K含量的相關性分析

大多數情況下，敏感譜帶以及其接近的譜帶被選擇用于預測相關的化合物［36］，本研究中光譜數據與N，P，K含量之間的相關性最高的波段主要集中在藍色波段（397 nm，429 nm，453 nm，482 nm）、紅外波段（738 nm）和近紅外區域（855 nm）。與已有的一些研究基本一致，但也有一些差別。Gao等［37］對飼草P含量的光譜分析發現，近紅外和短波紅外的光譜反射率與P含量的相關性很高。也有研究發現紅邊區域（580 nm～740 nm）的光譜反射率與天然牧草氮磷含量的相關性較強［38］。高金龍等［10］對青藏高原高寒草地碳氮磷含量的高光譜分析得出，紅邊區域光譜反射率與N含量相關性較高，而P含量則是在近紅外和短波紅外區域相關性較高。但是，以往有研究認為在紅外和近紅外波段光譜反射率與營養成分含量相關性較高［15］，而本研究中相關性較高的波段在藍光區域分布也較多，與以往研究存在一定的差異。究其原因，可能是草地類型或者草地植被群落物種組成、理化性質及組織構造的不同［4］。

3.3 特征參數選擇的方法

本研究中使用Lasso回歸方法來篩選特征波段，結果表明，Lasso回歸可以顯著的減少特征變量的數量（表3），已有的一些研究也證實了這一結論［23，39-40］。本研究中經Lasso回歸后篩選的敏感波段大部分在紅邊區域和近紅外波段。也有研究利用高光譜反射率估算東部白楊和雜交楊樹類群的氮含量，其研究中用Lasso回歸進行了特征篩選，發現大部分被篩選的波段分布在紅邊和近紅外區域［41］。苗春麗等人［42］的研究中Lasso回歸特征篩選結果顯示，紅光波段（733 nm）和近紅外波段（803 nm，850 nm，875 nm和879 nm）區域為敏感波段。Lasso回歸對變量選擇的數量取決于懲罰因子的變化，選擇的數量會隨著懲罰因子值的增加而減少，但過大的懲罰因子值會導致模型誤差的增加［15，43］。因此，在本研究中，使用了5折交叉驗證方法來確定最優的懲罰因子。

3.4 PLSR和RF模型結果的比較

與傳統的PLSR回歸統計方法相比，RF模型更適用復雜數據的挖掘和預測，更注重結果的準確性［44］。本研究分別對N，P，K含量構建了PLSR和RF模型（表4），結果顯示，在溫性荒漠草原下，構建的PLSR模型在P含量預測方面效果最好。而在兩種草地類型下的N和K含量以及溫性草原下的N含量構建的模型中，RF表現最佳。有研究報道使用無人機高光譜數據預測草原的營養成分含量，發現RF模型是優于PLSR的［45-46］，這與本研究結果一致。另外，相比于P和K含量，無人機高光譜數據可以更好地實現不同草地類型天然草原N含量的預測（R2gt;0.80，RPDgt;2.35）。

4 結論

本文分析了內蒙古自治區兩種草地類型下不同預處理方法的光譜數據與N，P，K含量之間的相關性，發現Log（1/R）預處理和FD處理能提高N，P和K含量的相關性。Lasso回歸可以大大降低波段數量。此外，在構建N和K含量模型時，FD被確定為最優預處理方法，而在構建P含量的機器學習模型時，Log（1/R）處理方法表現最佳。在溫性荒漠草原下，P含量構建的PLSR模型效果最佳。而在兩種草地類型下的N和K含量以及溫性草原下P含量構建的RF模型均表現最優。

參考文獻

［1］ 姚喜喜，孫海群，李長慧，等. 高寒草原天然牧草營養品質近紅外光譜預測模型的建立［J］. 動物營養學報，2021，33（7）：4088-4097

［2］ 陳懂懂，李奇，霍莉莉，等. 長江源和黃河源區草地牧草養分、理論承載力及飼用價值［J］. 草地學報，2023，31（7）：2186-2193

［3］ 賓振鈞，王靜靜，張文鵬，等. 氮肥添加對青藏高原高寒草甸6個群落優勢種生態化學計量學特征的影響［J］. 植物生態學報，2014，38（3）：231-237

［4］ 高金龍，侯堯宸，白彥福，等. 基于高光譜數據的高寒草甸氮磷鉀含量估測方法研究——以青海省貴南縣及瑪沁縣高寒草甸為例［J］. 草業學報，2016，25（3）：9-21

［5］ 高宏元，侯蒙京，葛靜，等. 基于隨機森林的高寒草地地上生物量高光譜估算［J］. 草地學報，2021，29（8）：1757-1768

［6］ OBERMEIER W A，LEHNERT L W，POHL M J，et al. Grassland Ecosystem Services in a Changing Environment：The Potential of Hyperspectral Monitoring［J］. Remote Sensing of Environment，2019，232：111273

［7］ COLORADO J D，CERA-BORNACELLI N，CALDAS J S，et al. Estimation of Nitrogen in Rice Crops From Uav-Captured Images［J］. Remote Sensing，2020，12（20）：3396

［8］ FENG H，FAN Y，TAO H，et al. Monitoring of Nitrogen Content in Winter Wheat Based On Uav Hyperspectral Imagery［J］. Spectroscopy and Spectral Analysis，2023，43（10）：3239-3246

［9］ 陳志超，蔣貴印，張正，等. 基于無人機高光譜遙感的春玉米氮營養指數反演［J］. 河南理工大學學報（自然科學版），2022，41（03）：81-89

［10］高金龍. 青藏高原東緣高寒天然草地牧草氮磷養分和生長狀況的高光譜遙感研究［D］. 蘭州：蘭州大學，2020：47-58

［11］謝樹剛. 基于高光譜的黃河三角洲土壤有機質含量估測模型研究［D］. 泰安：山東農業大學，2021：13-14

［12］PANG H，ZHANG A，YIN S，et al. Estimating Carbon， Nitrogen， and Phosphorus Contents of West-East Grassland Transect in Inner Mongolia Based on Sentinel-2 and Meteorological Data［J］. Remote Sensing，2022，14（2）：242

［13］WU L，GONG Y，BAI X，et al. Nondestructive Determination of Leaf Nitrogen Content in Corn by Hyperspectral Imaging Using Spectral and Texture Fusion［J］. Applied Sciences，2023，13（3）：1910

［14］HUANG W，LI W，XU J，et al. Hyperspectral Monitoring Driven by Machine Learning Methods for Grassland Above-Ground Biomass［J］. Remote Sensing，2022，14（9）：2086

［15］FERNANDEZ-HABAS J，CARRIERE CANADA M，GARCIA MORENO A M，et al. Estimating Pasture Quality of Mediterranean Grasslands Using Hyperspectral Narrow Bands From Field Spectroscopy by Random Forest and Pls Regressions［J］. Computers and Electronics in Agriculture，2022，192：106614

［16］CAO C，WANG T，GAO M，et al. Hyperspectral Inversion of Nitrogen Content in Maize Leaves Based On Different Dimensionality Reduction Algorithms［J］. Computers and Electronics in Agriculture，2021，190：106461

［17］聶磊超，崔麗娟，劉志君，等. 鹽城濱海濕地優勢植物碳氮磷生態化學計量高光譜反演［J］. 生態學報，2023，43（12）：5173-5185

［18］KARILA K，OLIVEIRA R A，EK J，et al. Estimating Grass Sward Quality and Quantity Parameters Using Drone Remote Sensing with Deep Neural Networks［J］. Remote Sensing，2022，14（11）：2692

［19］CUI L，DOU Z，LIU Z，et al. Hyperspectral Inversion ofPhragmites CommunisCarbon，Nitrogen，and Phosphorus Stoichiometry Using Three Models［J］. Remote Sensing，2020，12（12）：1998

［20］何文，余玲，姚月鋒. 基于光譜指數的喀斯特植物葉片葉綠素含量定量估算［J］. 廣西植物，2022，42（6）：914-926

［21］EPPRECHT C，GUGAN D，VEIGA，et al. Variable Selection and Forecasting Via Automated Methods for Linear Models：Lasso/Adalasso and Autometrics［J］. Communications in Statistics-Simulation and Computation，2021，50（1）：103-122

［22］SCHUMACHER P，MISLIMSHOEVA B，BRENNING A，et al. Do Red Edge and Texture Attributes From High-Resolution Satellite Data Improve Wood Volume Estimation in a Semi-Arid Mountainous Region？［J］. Remote Sensing （Basel，Switzerland），2016，8（7）：540

［23］LIU J，FENG Q，LIANG T，et al. Estimating the Forage Neutral Detergent Fiber Content of Alpine Grassland in the Tibetan Plateau Using Hyperspectral Data and Machine Learning Algorithms［J］. Ieee Transactions On Geoscience and Remote Sensing，2022，60

［24］ADJORLOLO C，MUTANGA O，CHO M A. Predicting C3 and C4 Grass Nutrient Variability Using in Situ Canopy Reflectance and Partial Least Squares Regression［J］. International Journal of Remote Sensing，2015，36（6）：1743-1761

［25］PULLANAGARI R R，DEHGHAN-SHOAR M，YULE I J，et al. Field Spectroscopy of Canopy Nitrogen Concentration in Temperate Grasslands Using a Convolutional Neural Network［J］. Remote Sensing of Environment，2021，257：112353

［26］陳積山，朱瑞芬，張強，等. 建立近紅外特征波長模型快速測定羊草常規營養成分的研究［J］. 草地學報，2019，27（4）：867-873

［27］GAO J，LIANG T，YIN J，et al. Estimation of Alpine Grassland Forage Nitrogen Coupled with Hyperspectral Characteristics During Different Growth Periods On the Tibetan Plateau［J］. Remote Sensing，2019，11（18）：2085

［28］GAO J，LIANG T，LIU J，et al. Potential of Hyperspectral Data and Machine Learning Algorithms to Estimate the Forage Carbon-Nitrogen Ratio in an Alpine Grassland Ecosystem of the Tibetan Plateau［J］. Isprs Journal of Photogrammetry and Remote Sensing，2020，163：362-374

［29］朱怡，吳永波，周子堯，等. 基于高光譜數據的互花米草營養成分反演［J］. 北京林業大學學報，2020，42（9）：92-99

［30］ZHOU Z，MOREL J，PARSONS D，et al. Estimation of Yield and Quality of Legume and Grass Mixtures Using Partial Least Squares and Support Vector Machine Analysis of Spectral Data［J］. Computers and Electronics in Agriculture，2019，162：246-253

［31］SAPTORO A，TADE M O，VUTHALURU H. A Modified Kennard-Stone Algorithm for Optimal Division of Data for Developing Artificial Neural Network Models［J］. Chemical Product and Process Modeling，2012，7（1）：131

［32］孫問娟，李新舉. 煤礦區土壤有機碳含量的遙感反演與分布特征［J］. 水土保持學報，2018，32（3）：328-333

［33］PENG Y，ZHANG M，XU Z，et al. Estimation of Leaf Nutrition Status in Degraded Vegetation Based On Field Survey and Hyperspectral Data［J］. Scientific Reports，2020，10（1）：4361

［34］祁瓊. 基于高光譜數據的苔草營養成分反演方法研究［J］. 地理空間信息，2017，15（10）：90-93

［35］楊邁，李曉琳，鄭毅，等. 基于高光譜技術的滇池流域濕地植物氮含量估算模型構建［J］. 西南林業大學學報（自然科學），2024，44（4）：1-10

［36］ADJORLOLO C，MUTANGA O，CHO M A，et al. Spectral Resampling Based On User-Defined Inter-Band Correlation Filter：C3 and C4 Grass Species Classification［J］. International Journal of Applied Earth Observation and Geoinformation，2013，21：535-544

［37］GAO J，MENG B，LIANG T，et al. Modeling Alpine Grassland Forage Phosphorus Based On Hyperspectral Remote Sensing and a Multi-Factor Machine Learning Algorithm in the East of Tibetan Plateau，China［J］. Isprs Journal of Photogrammetry and Remote Sensing，2019，147：104-117

［38］GONG Z，KAWAMURA K，ISHIKAWA N，et al. Estimation of Herbage Biomass and Nutritive Status Using Band Depth Features with Partial Least Squares Regression in Inner Mongolia Grassland，China［J］. Grassland Science，2016，62（1）：45-54

［39］宋雪蓮，王志偉，張文，等. 冷杉葉片氮含量高光譜反演技術研究［J］. 草原與草坪，2021，41（6）：139-147

［40］BRATSCH S，EPSTEIN H，BUCHHORN M，et al. Relationships Between Hyperspectral Data and Components of Vegetation Biomass in Low Arctic Tundra Communities at Ivotuk，Alaska［J］. Environmental Research Letters，2017，12（2）：25003

［41］KYAW T Y，SIEGERT C M，DASH P，et al. Using Hyperspectral Leaf Reflectance to Estimate Photosynthetic Capacity and Nitrogen Content Across Eastern Cottonwood and Hybrid Poplar Taxa［J］. Plos One，2022，17（3）：e264780

［42］苗春麗，伏帥，劉潔，等. 基于UAV成像高光譜圖像的高寒草甸地上生物量——以海北試驗區為例［J］. 草業科學，2022，39（10）：1992-2004

［43］YANG S，FENG Q，LIANG T，et al. Modeling Grassland Above-Ground Biomass Based On Artificial Neural Network and Remote Sensing in the Three-River Headwaters Region［J］. Remote Sensing of Environment，2018，204：448-455

［44］胡林，劉婷婷，李歡，等. 機器學習及其在農業中應用研究的展望［J］. 農業圖書情報學報，2019，31（10）：12-22

［45］WIJESINGHA J，ASTOR T，SCHULZE-BRNINGHOFF D，et al. Predicting Forage Quality of Grasslands Using Uav-Borne Imaging Spectroscopy［J］. Remote Sensing （Basel，Switzerland），2020，12（1）：126

［46］PULLANAGARI R，KERESZTURI G，YULE I. Integrating Airborne Hyperspectral，Topographic，and Soil Data for Estimating Pasture Quality Using Recursive Feature Elimination with Random Forest Regression［J］. Remote Sensing （Basel，Switzerland），2018，10（7）：1117

（責任編輯 閔芝智）

收稿日期：2024-01-04；修回日期：2024-03-17

基金項目：國家自然科學基金（41571105）資助

作者簡介：

亓慧敏（1998-），女，漢族，河南商丘人，碩士研究生，主要從事草原遙感與信息技術研究，E-mail：qihuimin1998@163.com；*通信作者 Author for correspondence，E-mail：yangxiuchun@bjfu.edu.cn