基于地空光谱影像融合与机器学习的梨树冠层氮含量估算精度提升研究

《Computers and Electronics in Agriculture》：Improving estimation accuracy of canopy nitrogen content using the fusion of ground-space spectral imagery with machine learning in pear orchards

本研究通过融合地面叶片高光谱与无人机冠层多光谱影像，利用机器学习算法构建映射模型提升光谱数据质量，显著提高了梨树冠层氮含量（CNC）反演精度。采用4SAIL模型和CIELAB色彩空间进行尺度转换，结合植被指数（VIs）与颜色指数（CIs）优化反演模型，为梨园氮肥精准施用提供技术支撑。

　　

亮点

冠层与叶片尺度光谱图像对比

为评估叶片尺度原始数据作为参考值的合理性，研究人员对比了冠层与叶片尺度的光谱数据。如图5(a)所示，与冠层原始反射光谱（灰色线）相比，基于叶片反射光谱模拟的冠层反射光谱（彩色线）呈现出更好的规律性和均一性。在颜色值方面，叶片尺度颜色数据在L通道的分布比冠层尺度数据更均匀（图5(b)），而a和b*通道的分布范围则更为集中（图5(c)和(d)）。这些结果表明，实验室条件下采集的叶片尺度光谱图像质量更高，适合作为冠层尺度光谱图像的校准参考。

数据质量提升对反演模型估算精度的影响

高质量的光谱图像是构建高精度反演模型的基础。然而在实际应用中，由于果园局部小气候难以预测，无人机采集的光谱图像质量往往难以保证。本研究利用实验室受控条件下采集的叶片尺度光谱图像作为参考值，通过机器学习算法构建映射模型来校准冠层尺度光谱图像。结果显示，使用映射数据的模型其R²和RMSE值相较于使用原始冠层反射率和颜色数据的模型平均提升了0.066和0.006。这表明通过地空光谱影像融合有效提升了数据质量，进而提高了CNC反演模型的稳健性和准确性。

结论

准确估算梨树冠层氮含量（CNC）对于氮肥施用决策至关重要。本研究首先以采集的叶片高光谱图像为参考，通过机器学习算法构建映射模型来提升冠层多光谱图像质量。光谱反射率和颜色数据分别通过4SAIL辐射传输模型（RTM）和CIELAB色彩空间在叶片与冠层尺度间进行转换。基于模拟冠层光谱反射率和叶片颜色数据，结合植被指数与颜色指数构建的CNC反演模型中，组合C1模型（7个VIs和2个CIs）表现最优。通过多模型结果筛选，最终模型R²提升至0.921，为梨园氮肥精准管理提供了可靠方法。