基于無人機高光譜的內(nèi)蒙古天然牧草氮磷鉀含量的反演

一、引言

天然牧草是我國草原牧區(qū)草食家畜飼料的主要來源,其營養(yǎng)成分直接影響著草食畜的營養(yǎng)狀況、生長和發(fā)育,也間接影響畜產(chǎn)品的產(chǎn)量和質(zhì)量,氮(N)、磷(P)、鉀(,K)是牧草所需的關鍵營養(yǎng)元素,其含量對于草地的健康和生長至關重要。因此,精確估算牧草N,P,K含量對評價草地營養(yǎng)價值具有重要意義。

本研究對內(nèi)蒙古的溫性草原和溫性荒漠草原開展無人機高光譜數(shù)據(jù)及同步的地面實測數(shù)據(jù)的采樣。在高光譜數(shù)據(jù)的不同預處理基礎上,采用機器學習算法包括隨機森林(RF)和PLSR結(jié)合Lasso回歸特征選擇,對天然草地牧草N,,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(yè)草地的合理利用以及生態(tài)環(huán)境保護具有重要的參考價值。

二、材料與方法

2.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古錫林郭勒盟的蘇尼特左旗和錫林浩特市,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(nèi)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(xiàn)出西高東低的傾斜趨勢,海拔為1000m左右,年降水量為180mm,主要集中在夏季;植被組成以針茅、羊草為優(yōu)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1100~1300m,年均降水量約為300~350mm;大針茅、羊草等旱生禾草以及多年生密叢草本植物冰草和冷蒿是該草地的植物群落組成。

圖1 研究區(qū)海拔高度和草地類型分布圖

2.2高光譜數(shù)據(jù)采集與圖像處理

本研究主要通過無人機搭載傳感器獲取數(shù)據(jù)，并通過軟件分析處理。

2.3 模型評價

采用決定系數(shù)(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。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(zhì)量一般;當RPD在2.0~2.5之間時,模型質(zhì)量較好;當RPD大于2.5時,模型質(zhì)量極好。

三、結(jié)果與分析

3.1兩種草地類型下N,P,K含量統(tǒng)計分析

本研究使用蒙特卡洛算法對高光譜反射率數(shù)據(jù)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,采用算法將牧草N,P,K含量實測值分別按照7∶3分為訓練集和測試集,結(jié)果如表1所示。

表1 兩種草地類型下牧草 N,P,K 含量的統(tǒng)計分析

在所有樣本集中,相比于P含量(0.04~0.24mg·g-1)和K含量(0.09~0.48mg·g-1),N含量(1.14~3.24mg·g-1)偏高;N,P和K含量在所有樣本集中變異系數(shù)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。

3.2不同方法的高光譜數(shù)據(jù)預處理結(jié)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。

圖2 兩種草地類型下不同光譜預處理方法的處理結(jié)果

結(jié)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(qū)域的反射率在695nm處急劇上升,776nm后趨于平穩(wěn);而溫性荒漠草原的反射率則在藍光和綠光區(qū)域急劇增加,在紅外區(qū)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(diào)整數(shù)據(jù)的尺度,提高數(shù)據(jù)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(shù)據(jù)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(qū)域的反射率高于溫性草原。而在紅邊區(qū)域,溫性草原的反射率明顯高于溫性荒漠草原。

3.3高光譜預處理數(shù)據(jù)與N,P,K含量的相關性分析

根據(jù)地面樣方數(shù)據(jù)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(jié)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(shù)據(jù)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(P<0.05)區(qū)域主要在可見光區(qū)域和近紅外區(qū)域。高光譜數(shù)據(jù)與N含量的相關性結(jié)果如圖3所示。

圖3 不同光譜預處理方法與 N含量的相關性分析結(jié)果

在OR光譜中,溫性荒漠草原光譜數(shù)據(jù)與N含量相關性明顯高于溫性草原,由表2得出,在429nm處相關性最高(r=-0.762),溫性草原同樣也是在429nm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(shù)據(jù)與N含量在429nm處相關性最高(r=-0.766),溫性草原在397nm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429nm和397nm處的反射率表現(xiàn)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482nm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738nm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(shù)據(jù)與P含量的相關性結(jié)果如圖4所示,相關性曲線趨勢與N含量表現(xiàn)一致。

圖4 不同光譜預處理方法與 P含量的相關性分析結(jié)果

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429nm和453nm處的波段表現(xiàn)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(shù)據(jù)與P含量在429nm處相關性最高(r=-0.740),溫性草原在429nm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429nm處的反射率數(shù)據(jù)與P含量的相關性最高,均為正相關,相關系數(shù)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429nm處相關性最高(r=-0.770),溫性草原在457nm處相關性最高(r=-0.431)。

表2 不同高光譜預處理數(shù)據(jù)與 N,P,K 含量最高相關性的統(tǒng)計表

圖5 兩種草地類型下不同光譜預處理方法與 K 含量的相關性分析結(jié)果

高光譜數(shù)據(jù)與K含量的相關性結(jié)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(jié)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429nm和397nm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(shù)據(jù)與K含量在429nm處相關性最高(r=-0.654),溫性草原在397nm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429nm和397nm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429nm處相關性最高(r=-0.702),溫性草原在855nm處相關最高(r=-0.452)。

3.4牧草N,P,K含量的模型構(gòu)建與精度評價

本研究利用不同處理的高光譜數(shù)據(jù)分別與N,P,K含量構(gòu)建了RF和PLSR模型,結(jié)果如表3所示。

表3兩種草地類型下牧草 N,P,K 含量模型構(gòu)建結(jié)果

N含量構(gòu)建的16個模型中,在溫性荒漠草原下的最優(yōu)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0.11mg·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(yōu)模型為SGFD-Lasso-RF,該模型在測試集上的R2值為0.82,RMSE分別為0.15mg·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(jié)果表明,FD處理后構(gòu)建的RF估測模型與OR光譜相比,在兩種草地類型下均表現(xiàn)出較好的結(jié)果,能夠顯著改善N含量預測的準確性。

在P含量與光譜數(shù)據(jù)構(gòu)建的16個模型中,溫性荒漠草原下的最優(yōu)模型SG-Log(1/R)-LassoPLSR,該模型在測試集上的R2值為0.75,RMSE分別為0.023mg·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(yōu)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0.018mg·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(gòu)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(gòu)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(shù)據(jù)構(gòu)建的16個模型中,溫性荒漠草原下的最優(yōu)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0.043mg·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(yōu)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0.026mg·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(jié)果一致,FD處理后構(gòu)建的RF估測模型與OR光譜相比,在兩種草地類型下均表現(xiàn)出較好的結(jié)果,能夠顯著提高P含量預測的準確性。

圖6 兩種草地類型下牧草 N,P,K 含量最優(yōu)模型擬合效果

對比了兩種草地類型下N,P,K含量構(gòu)建的最優(yōu)模型實測值與預測值。結(jié)果如圖6所示,N和K含量均在FD處理下表現(xiàn)最優(yōu),P含量在Log(1/R)處理下表現(xiàn)最好,可以表明,高光譜的FD和Lo(1/R)處理對模型精度具有一定的提高效果。同g時,在構(gòu)建的這6個最優(yōu)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(yōu)模型均在RF算法上表現(xiàn)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(yǎng)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(yōu)于P和K含量,但是其穩(wěn)定性不如P和K含量。在溫性荒漠草原中,N含量預測結(jié)果優(yōu)于溫性草原,而P和K含量則在溫性草原上表現(xiàn)最佳。

四、結(jié)論

本文分析了內(nèi)蒙古自治區(qū)兩種草地類型下不同預處理方法的光譜數(shù)據(jù)與N,P,K含量之間的相關性,發(fā)現(xiàn)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(shù)量。此外,在構(gòu)建N和K含量模型時,FD被確定為最優(yōu)預處理方法,而在構(gòu)建P含量的機器學習模型時,Log(1/R)處理方法表現(xiàn)最佳。在溫性荒漠草原下,P含量構(gòu)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(gòu)建的RF模型均表現(xiàn)最優(yōu)。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇