背景：

     SPAD值表示葉片中的相對葉綠素含量。葉綠素作為光合作用劑在小麥生長和施肥管理中起著至關重要的作用。葉綠素是作物光合作用最重要的色素，其濃度變化直接影響作物的健康狀況在中國，冬小麥是主要糧食作物之一，因此，對于小麥生長監測和田間肥料管理，有必要有效測定葉片葉綠素含量或SPAD。傳統上，葉綠素是在體外測量的，這種測量更精確，但具有破壞性、成本高昂且不適合大面積.對于使用SPAD的點采樣，SPAD值可以通過SPAD-502葉綠素儀測量，不受時間和氣候條件的限制。許多學者使用該儀器獲取小麥SPAD數據。近年來，遙感技術已成為作物生長監測的重要工具。特別是基于無人機的低空遙感探測技術具有操作方便、靈活性快速、效率高、空間分辨率高等優點，在精準農業中的得到了廣泛的應用，最重要的是，它不受云層的影響，例如衛星傳感器。此外，無人機遙感平臺可以攜帶多光譜和高光譜傳感器。由于高光譜傳感器具有高光譜分辨率和強波段連續性，因此可以準確獲取冬小麥的光譜信息。根據葉綠素中太陽輻射的吸收和反射，為植物生成了特定的光譜曲線。

在以往的研究中，小麥生長信息是基于植被指數的高光譜數據中提取的。或支持向量回歸、隨機森林 （RF）、反向傳播神經網絡和深度學習算法等方法監測農學參數。現有算法基于全局建模的思想，無法較大化地提高不同土壤肥力條件下小麥光譜特性的差異。此外，在同一生育期，不同施肥處理下的冬小麥光譜特征也存在顯著差異.因此，為了更好地探索不同土壤肥力條件下基于光譜差異的冬小麥SPAD濃度，采用聚類神經網絡 或必須使用局部建模（例如地理加權回歸模型 .差異化模型的目標是根據光譜角距離（SAD）對小麥光譜進行聚類，以區分不同肥力田的小麥光譜，然后構建每個光譜聚類的回歸模型。最近，集成學習算法 已被用于解決回歸問題 ，因為它們具有泛化能力和建模穩定性.

因此，本研究在安徽省孟城縣國家土壤質量觀測實驗站建立了兩步回歸模型估計田間冬小麥SPAD。采用K-means作為聚類方法，并使用兩種類型的集成學習算法作為回歸方法：基于提升集成策略的集成學習算法Extreme Gradient Boosting（XGBoost）和RF。比較了非聚類回歸模型（RF、XGBoost）和聚類回歸模型（聚類-RF、聚類-XGBoost）的性能，并評估了土壤有機質（OM）和土壤全氮（TN）對小麥SPAD遙感估計的影響。

數據收集

    本研究使用的數據包括基于無人機的高光譜成像數據、小麥SPAD和各樣地的土壤養分數據。具體來說，利用搭載有高光譜成像系統的六旋翼無人機、用于穩定性增強的云臺和高光譜成像儀組成。高光譜成像儀從 176 個光譜波段采集從可見光到近紅外 （400–1000 nm） 范圍的波長，光譜分辨率為 3.5 nm。高光譜數據是在無云和無風的日子里采集的，包含空間分辨率為4.7 cm的高光譜立方體圖像。對于小麥SPAD數據，我們使用手持式葉綠素儀（SPAD-502，）實時測量了田間126個采樣點的相對葉綠素含量。每個采樣點選取10個具有代表性的小麥植株，測量每個采樣點選取的旗葉，均勻選取每片葉的不同部位（避脈）測量SPAD，平均值計算為該采樣點葉片的最終SPAD值。對于土壤養分數據，從每個樣地中隨機選擇5個樣本點，并混合成一個樣本。將土壤樣品在室溫下風干，磨碎并混合以備后用。OM和TN含量是在自然狀態下風干土壤樣品后測定的。

方法

    研究中選擇的聚類方法為K-means，回歸算法為RF和XGBoost。分兩步法，在第一步中，我們使用 k 均值簇類將小麥光譜劃分為各種小麥光譜簇類。該劃分基于176個波段光譜反射率的合成，并將SAD設置為算法的判別距離。我們在MATLAB中生成了簇類，最大簇類數設置為30。在第二步中，對于小麥光譜的每個簇類，我們構建了每個光譜簇類的回歸模型，并基于RF和XGBoost算法測量了SPAD值。因此，每個光譜簇類都有相應的回歸模型。

冬小麥SPAD估測流程圖

SPAD估測流程圖

結果表明

所有評估模型均適用于基于無人機高光譜成像數據的小麥SPAD估計，R2> 0.75，RMSE < 3.10，MAPE < 6%。與非聚類回歸相比，通過與聚類的第一步耦合，可以在一定程度上提高模型性能。對于 RF，R2提高了18.1%（從0.763提高到0.901），RMSE下降了39.7%（從3.01提高到1.813），MAPE下降了47.4%（從5.99%下降到3.15%）;對于 XGBoost，R2提高了18.4%（從0.781提高到0.925），RMSE下降了50.2%（從2.90%下降到1.444%），MAPE下降了59.5%（從5.83%下降到2.36%）。另一方面，聚類回歸模型的預測結果比非聚類回歸模型表現出更大的空間變異。聚類回歸模型的平均值與全局模型的平均值更接近。總的來說，聚類-XGBoost模型在所有情況下都表現出更好的SPAD估計性能。因此，通過光譜聚類進行差分建模適用于不同的條件，如不同施肥處理的田地，模型性能優于全局建模。此外，我們發現，利用土壤OM和土壤TN作為補充模型輸入特征，小麥SPAD估計模型的精度顯著提高。因此，土壤養分數據可用于未來小麥SPAD反演。

來源：Yang, X., Yang, R., Ye, Y., Yuan, Z.R., Wang, D.Z., & Hua, K.K. (2021). Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods. International Journal of Applied Earth Observations and Geoinformation, 105, 102618.