该公众号免费宣传:招生/招聘等信息
Hyperspectral imagery to monitor crop nutrient status within and across growing seasons
第一作者:Nanfeng Liu
University of Wisconsin-Madison, USA
第二作者:Philip A. Townsend
University of Wisconsin-Madison, USA
通讯作者:Yi Wang
University of Wisconsin-Madison, USA
🛰️🛩️🌱🌱🌱🌱🌱🌱🌱🌱🧠💻
研究背景:
高光谱遥感在植被生化成分定量分析中具有重要作用,但在作物尤其是马铃薯中的应用仍然有限。
当前技术难以适用于跨生长阶段、跨种植季节以及多种作物类型的情况。
研究目标:
探讨高光谱影像在定量化马铃薯氮素状态(包括叶柄硝酸盐、叶片和藤蔓总氮)及预测块茎产量的能力。
验证模型在不同马铃薯品种和种植季节间的可迁移性。
研究方法:
数据采集:
使用HySpex VNIR-1800和SWIR-384高光谱成像仪,覆盖400-2350 nm的光谱范围。
田间试验包括不同氮肥施用量的五个处理、六种马铃薯品种。
图像处理:
辐射校正、几何校正、大气校正及BRDF校正。
排除非植被像素(NDVI<0.5),采用Savitzky-Golay滤波平滑光谱。
建模与验证:
使用普通最小二乘回归(OLSR)和偏最小二乘回归(PLSR)。
模型验证包括跨品种验证和跨季节验证。
主要发现:
模型性能:
PLSR在不同光谱范围(全光谱、VNIR、SWIR)中的表现均较好,验证
R^2 = 0.68-0.82;R 2 = 0.68 − 0.82 跨品种模型的
R^2 = 0.41-0.74 跨季节模型的R 2 = 0.41 − 0.74; R^2 = 0.46-0.75;R 2 = 0.46 − 0.75 光谱特征:
VNIR区域(400-1300 nm)与SWIR区域(1400-2350 nm)均能有效预测氮浓度。
SWIR区域包含与蛋白质相关的关键吸收特征(例如1500–1575 nm和2030–2055 nm)。
关键技术:
使用高分辨率影像避免了混合像素的影响。
对于光谱偏移的“笑脸效应”校正提高了模型稳定性。
图形概要
A ) 田间试验设计(2018 年:80 个地块 = 5 种施氮量 × 4 个品种 × 4 次重复;2019 年:120 = 5 × 6 × 4;黑色虚线框显示包含四个或六个品种子地块的整个地块)。B) 美国威斯康星州汉考克农业研究站 (HARS) 。C ) 五种施氮量的施氮情况和时间。D) 分为两类(或细分市场)的马铃薯品种列表。
重复k 倍交叉验证程序。
五种施氮量(左栏)和四种马铃薯品种(右栏)马铃薯氮浓度(包括叶柄NO 3 -N(a、b)、全叶总氮(c、d)、全株总氮(e、f)和块茎产量(g、h)的比较。
五种N 施用率(左栏)和四种马铃薯品种(右栏)的平均反射率(0–100%)比较。平均反射率是通过对具有相同 N 施用率或马铃薯品种的地块的光谱取平均值来计算的。
碎块马铃薯和赤褐色马铃薯的 HySpex PLSR 建模的跨马铃薯类型验证结果。注:(1)水平条表示预测中的不确定性(±1 个标准差);(2)在每个图标题中,(AB)表示类型 A 用于校准,类型 B 用于验证;(3)对于 N 浓度(叶柄 NO 3 -N、全叶总 N 和全藤总 N),所有日期的数据均用于建模;对于块茎产量(碎块马铃薯和赤褐色马铃薯),使用 2018 年 7 月 16 日和 2019 年 7 月 10 日的光谱数据进行建模。
HySpex PLSR 模型的跨季节验证结果(上行:N 浓度;下行:块茎产量)。注:(1)水平条表示预测中的不确定性(±1 个标准差);(2)在每个图标题中,(AB)表示季节 A 用于校准,季节 B 用于验证;(3)对于 N 浓度(叶柄 NO 3 -N、整片叶子 N 和整株葡萄树 N),所有日期的数据均用于建模;对于块茎产量(碎块和赤褐色类型),2018 年 7 月 16 日和 2019 年 7 月 10 日的光谱数据用于建模。
总结:
该论文提出了全光谱分析的优势及其在氮素诊断中的独特价值。研究首次验证了跨品种和跨季节模型的可行性,填补了现有技术难以适应多样化种植条件的空白。然而,研究依赖于高分辨率成像仪,成本较高,对未来卫星任务的实际应用具有局限性。此外,数据采集集中在生长季中期,模型对其他生长阶段的表现有待进一步验证。
推荐指数:⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.rse.2021.112303
期刊介绍
—
Remote Sensing of Environment
中科院分区:Q1
JCR分区:Q1
—