Optimizing canopy nitrogen retrieval in wheat from high-resolution UAV hyperspectral data using RTM-based Gaussian process regression
R. G. Rejith · Rabi N. Sahoo · Shalini Gakhar 等 15 人
用PROSAIL-PRO与高斯过程回归从无人机高光谱数据反演小麦冠层氮含量。
PROSAIL-PRO合成光谱训练GPR，EBD主动学习采样，4cm无人机高光谱
叶绿素基模型精度更高，R²达0.74，NRMSE为13.62%，优于蛋白基模型。
可探索多生育期、多品种迁移能力及主动学习采样策略对反演精度的提升空间。
将辐射传输模型与高斯过程回归结合，用4厘米超高分辨率无人机高光谱实现小麦冠层氮素精准反演，方法新颖、结论可靠，对精准农业养分管理有实操参考价值。
冠层氮含量（CNC）是直接影响作物生长、产量和营养状况的重要作物健康指标之一。无人机（UAV）获取的高光谱影像为无损、精准、及时地估算CNC开辟了新途径，有助于在精准农业中采用智能农业实践进行定点养分管理。为了将此类高光谱数据处理为CNC分布图，本研究通过将辐射传输模型与机器学习高斯过程回归（GPR）算法相结合，构建了两种混合反演方法：基于蛋白质的模型（CNCprot）和基于叶绿素的模型（CNCchl）。GPR反演模型使用PROSAIL-PRO模型生成的合成光谱数据进行训练，并采用基于欧氏距离的多样性（EBD）主动学习（AL）技术优化采样。CNC模型被应用于一幅无人机载高光谱影像，光谱范围为400-1000 nm，空间分辨率高达4 cm，该影像获取自印度农业研究理事会（ICAR）-印度农业研究所（IARI）位于印度新德里的实验麦田。GPR模型取得了良好的预测精度，CNCchl和CNCprot的R²值分别为0.74和0.56，NRMSE分别为13.62%和23.82%。一致的预测精度和较低的相关不确定性表明，将基于叶绿素的CNC反演应用于基于可见光-近红外（Vis-NIR）的高光谱数据能够更准确地制图CNC。这些有前景的结果证明了在超高分辨率下应用混合GPR模型的可能性，以及无人机数据集用于常规CNC监测的可行性。