基于高光谱植被指数的春小麦LAI和SPAD值及产量反演模型研究

来源：江苏农业科学杂志2023年第第20期北京时间：

作者：李靖言;颜安;宁松瑞;孙萌;范君;左筱筱

单位：1.新疆农业大学计算机与信息工程学院，新疆乌鲁木齐 830052； 2.新疆农业大学资源与环境学院，新疆乌鲁木齐 830052； 3. 西安理工大学省部共建西北旱区生态水利国家重点实验室，陕西西安 710048

摘要：快速、准确地获取春小麦生长特征及产量对科学施肥有重要意义。为探索高光谱估测不同施肥处理春小麦叶面积指数(LAI)、叶绿素相对含量(SPAD值)和产量的方法，本研究采用盆栽试验，以不施肥(CK)和常规施肥(CF，常规施氮量120 kg/hm2)处理为对照，设置常规施肥减氮处理(N1，常规施氮量减少15%；N2，常规施氮量减少30%)与生物有机肥处理(2种类型：A和B，2个施量：1 125、2 250 kg/hm2)配施试验，分析春小麦LAI、SPAD值和产量及其冠层高光谱特征。主要结论：(1)B处理春小麦LAI、SPAD值的平均值和产量均高于A处理，N2B1处理的春小麦LAI、SPAD值及产量均最高。(2)在可见光波段下，施生物有机肥处理的“绿峰”和“红谷”特征差异比CK显著增强。随施氮量、生物有机肥施量的升高，近红外波段下春小麦冠层高光谱反射率也随之升高；建议用500~550 nm和670~800 nm 波段的春小麦冠层一阶微分高光谱特征识别春小麦的LAI和SPAD值。(3)优选与春小麦LAI、SPAD值指标较为敏感的不同植被指数构建4种［决策树回归(decision tree regression)、随机森林回归(random forest regression)、梯度提升回归(gradient boosting regression)以及线性支持向量机回归(Linear SVR)］机器学习模型，结果表明，采用线性支持向量机回归模型反演春小麦叶面积指数的效果最好(r2=0.723 3，RMSE=0.256 9)，采用梯度提升回归模型反演春小麦SPAD值的效果最好(r2=0.759 4，RMSE=2.332 9)，采用决策树回归模型反演春小麦产量的效果最好(r2=0809 8，RMSE=597.842 4 kg/hm2)。

关键词：春小麦;生物有机肥;氮肥减施;高光谱特征;机器学习