多光谱预处理与波段优化联用提升马铃薯地上生物量无人机高光谱估算精度

本研究针对无人机高光谱数据估算马铃薯地上生物量(AGB)时存在的噪声干扰和波段冗余问题，创新性地提出SG-MSC-FOD级联光谱预处理与CARS-SPA波段优化相结合的方法。通过两品种三密度四氮二钾处理的田间试验，证实该方法可使估算模型R2提升至0.73，RMSE降至256.09 kg/hm2，为作物生长监测提供了可靠技术方案。

　　

在精准农业领域，准确估算作物地上生物量(Aboveground Biomass, AGB)是指导田间管理的关键。传统破坏性取样方法效率低下，而卫星遥感又受限于时空分辨率。无人机高光谱技术虽能获取连续窄波段信息，但存在环境噪声干扰和波段冗余两大技术瓶颈——这正是北京市农林科学院精准农业研究示范基地团队在《Information Processing in Agriculture》发表的研究着力解决的难题。

研究人员设计了两品种（中薯3号/5号）、三种植密度（6-8.4万株/ha）、四氮水平（0-337.5 kg/ha）和二钾处理的田间试验，通过UHD185成像光谱仪获取450-950 nm范围125波段数据。创新性地构建了"三级光谱预处理+双阶波段优化"技术框架：采用Savitzky-Golay(SG)平滑消除机械噪声，乘性散射校正(MSC)补偿光照变异，一阶微分(FOD)增强特征吸收峰；继而通过竞争性自适应重加权采样(CARS)初筛敏感波段，再经连续投影算法(SPA)消除共线性，最终用偏最小二乘回归(PLSR)建模。

【3.1 不同光谱预处理方法的马铃薯AGB估算】
对比15种预处理组合发现，SG-MSC-FOD三级联用效果最优，使原始光谱R²从0.37提升至0.50。其中SG的9×9窗口二次多项式平滑保留光谱形态，MSC校正基线漂移，FOD则使绿峰(510-558 nm)、红谷(650-690 nm)特征更显著。

【3.2 不同波段优化方法的马铃薯AGB估算】
CARS初筛的28个波段存在冗余，SPA单独筛选的15个波段离散性更好。而CARS-SPA联用仅保留9个关键波段（534/686/894 nm等），覆盖绿峰、红边和近红外区，使模型R²达0.73，较全波段模型提升46%，变量数从125骤减至9。

【3.3 SG-MSC-FOD-CARS-SPA-PLSR模型验证】
模型在三个生育期（块茎形成期/膨大期/淀粉积累期）的R²稳定在0.60-0.80，不同品种、密度和肥效处理下NRMSE控制在19.42%-27.14%。空间分布图显示估算值与实测值高度吻合。

该研究突破性地证实：多级光谱预处理能协同解决噪声（SG）、散射（MSC）和背景干扰（FOD）等复合问题；而CARS-SPA的"粗筛+精筛"策略既可保留534 nm等AGB敏感波段，又避免"维度灾难"。相比传统植被指数方法，该技术路线将估算精度提高近1倍，为无人机农情监测提供了可推广的解决方案。未来可进一步探索连续小波变换等深度特征提取方法，以挖掘高光谱数据中更隐蔽的农学信息。