臧少龍，劉淋茹，高越之，吳珂，賀利,3，段劍釗，宋曉，馮偉,3

基于無(wú)人機(jī)影像多時(shí)相的小麥品種氮效率分類識(shí)別

1河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，鄭州 450046；2河南省農(nóng)業(yè)科學(xué)院植物營(yíng)養(yǎng)與資源環(huán)境研究所，鄭州 450002；3國(guó)家小麥工程技術(shù)研究中心，鄭州 450046

【目的】探索無(wú)人機(jī)遙感在氮效率分類識(shí)別中的潛力，構(gòu)建小麥品種氮效率分類方法，為氮高效品種篩選提供理論依據(jù)和技術(shù)支持?！痉椒ā客ㄟ^(guò)6個(gè)成熟期與氮效率密切相關(guān)的農(nóng)學(xué)指標(biāo)（產(chǎn)量、植株氮積累、氮素生理利用效率、植株干生物量、籽?？偽俊收獲指數(shù)）構(gòu)建主成分綜合值，并對(duì)其進(jìn)行K-Means聚類分析，將121個(gè)小麥品種劃分為氮高效型、氮中效型和氮低效型3種類型。利用無(wú)人機(jī)遙感平臺(tái)搭載多光譜相機(jī)，在小麥拔節(jié)期、孕穗期和開(kāi)花期獲取無(wú)人機(jī)遙感影像，并提取34種植被指數(shù)，分析植被指數(shù)與氮效率綜合值的相關(guān)性；對(duì)比支持向量機(jī)（SVM）、隨機(jī)森林（RF）和K最近鄰（KNN）分類方法的氮效率分類模型精度，使用總體分類精度（OA）和Kappa系數(shù)比較不同生育時(shí)期下小麥品種氮效率分類識(shí)別的能力；并使用3種不同的特征集篩選方法（ReliefF算法、Boruta算法和RF-RFE算法）對(duì)優(yōu)化的特征子集進(jìn)行綜合評(píng)價(jià)，確立適宜的小麥品種氮效率分類識(shí)別方法?！窘Y(jié)果】隨著小麥生育時(shí)期的不斷推進(jìn)，植被指數(shù)與氮效率綜合值的相關(guān)性逐漸提高，開(kāi)花期最高（=0.502）；利用植被指數(shù)全特征集對(duì)小麥品種氮效率進(jìn)行分類，對(duì)于單生育時(shí)期數(shù)據(jù)而言，以開(kāi)花期的SVM模型分類效果最好（OA=77.1%，Kappa=0.591），拔節(jié)期最差（OA=65.6%，Kappa=0.406）；總體而言，多生育時(shí)期數(shù)據(jù)融合的品種氮效率分類精度高于單生育時(shí)期，其中以拔節(jié)期+孕穗期+開(kāi)花期3個(gè)生育時(shí)期數(shù)據(jù)融合的SVM模型的分類效果最優(yōu)（OA=80.6%，Kappa=0.669）。為減少多生育時(shí)期數(shù)據(jù)融合的特征集變量數(shù)量，比較分析RF-RFE、Boruta和ReliefF 3種算法的特征優(yōu)化效果，基于RF-RFE算法得到的優(yōu)化特征子集分類精度最高，其OA和Kappa系數(shù)比全特征集分類模型分別提高了4.0%和10.1%，其中，以3個(gè)生育時(shí)期數(shù)據(jù)融合的分類效果最好（OA=85.4%，Kappa=0.749）?！窘Y(jié)論】確立6個(gè)氮效率指標(biāo)—主成分分析—K-Means氮效率評(píng)價(jià)方法；RF-RFE算法有效優(yōu)化多生育時(shí)期組合的特征子集數(shù)量，且獲得較高的分類精度，確立基于多生育時(shí)期組合—RF-RFE—SVM技術(shù)融合的小麥品種氮效率分類模型，為小麥氮高效品種的快速準(zhǔn)確分類鑒定提供理論依據(jù)和技術(shù)支撐。

冬小麥；無(wú)人機(jī)；植被指數(shù)；生育時(shí)期；特征篩選；氮效率分類

0 引言

【研究意義】氮（N）是小麥必需的三大營(yíng)養(yǎng)元素之一，在光合作用、能量同化和傳遞、形態(tài)構(gòu)建和干物質(zhì)合成中發(fā)揮著重要作用[1]。合理施用氮肥可以促進(jìn)小麥健康生長(zhǎng)發(fā)育，最終達(dá)到增加產(chǎn)量、優(yōu)化品質(zhì)的目的，但過(guò)量施用則會(huì)導(dǎo)致氮肥效率下降及環(huán)境污染問(wèn)題，如硝酸鹽淋洗、氧化亞氮排放等[2]。因此，篩選或培育能夠高效吸收利用氮素的小麥品種，對(duì)于小麥產(chǎn)業(yè)的可持續(xù)健康發(fā)展具有十分重要的意義?！厩叭搜芯窟M(jìn)展】作物氮高效品種篩選在不同時(shí)期表現(xiàn)不盡相同，大多數(shù)學(xué)者選擇在苗期[3-5]或成熟期進(jìn)行。在苗期進(jìn)行作物氮高效品種篩選具有簡(jiǎn)單、快速且不受時(shí)間和空間影響等優(yōu)點(diǎn)，但小麥氮素利用效率往往是隨作物生長(zhǎng)而不斷發(fā)生變化的，因此，在成熟期進(jìn)行篩選其結(jié)果往往更加合理可靠。宋曉等[6]以產(chǎn)量、籽粒吸氮量、植株氮積累量等農(nóng)學(xué)指標(biāo)為依據(jù)，利用主成分分析篩選出10個(gè)高產(chǎn)氮高效品種。張盼盼等[7]綜合考慮產(chǎn)量和氮效率表現(xiàn)，從黃淮海地區(qū)主推的玉米品種中篩選出2個(gè)高產(chǎn)氮高效品種。朱新開(kāi)等[8]、李艷等[9]研究認(rèn)為，成熟期籽粒產(chǎn)量、籽粒氮素積累量等可作為篩選小麥氮高效材料的有效指標(biāo)。目前，作物氮高效品種評(píng)價(jià)篩選多以成熟期籽粒產(chǎn)量、生物學(xué)干重、植株氮素積累量等指標(biāo)進(jìn)行綜合分析，有效消除個(gè)別指標(biāo)的片面性，大大提高氮高效品種篩選的準(zhǔn)確性和可靠性，但國(guó)際上尚沒(méi)有固定的氮效率測(cè)評(píng)體系。以上傳統(tǒng)的氮效率評(píng)價(jià)均以人工地面調(diào)查分析氮效率相關(guān)性狀為基礎(chǔ)，費(fèi)工費(fèi)時(shí)且低效，因此，亟需探索一種適應(yīng)大田尺度下高通量篩選氮高效品種的新模式及方法。無(wú)人機(jī)可以實(shí)時(shí)獲取作物冠層的光譜信息、紋理信息及溫度信息，已作為一種高通量、快速無(wú)損監(jiān)測(cè)手段在作物長(zhǎng)勢(shì)監(jiān)測(cè)及資源評(píng)價(jià)方面發(fā)揮重要作用。無(wú)人機(jī)的光譜信息主要以植被指數(shù)（VIs）的形式應(yīng)用。VIs可以表征作物的冠層光譜特征，是估算作物表型參數(shù)最簡(jiǎn)單、最有效、研究最廣泛的方法[10-11]。朱婉雪等[12]利用無(wú)人機(jī)獲取小麥不同生育時(shí)期多光譜影像，應(yīng)用9個(gè)VIs精確評(píng)估產(chǎn)量變異狀況；劉暢等[13]基于無(wú)人機(jī)影像解析及植被指數(shù)快速提取，采用多元逐步回歸法快速反演小麥生物量；郭燕等[14]利用遙感影像提取的植被指數(shù)，結(jié)合機(jī)器學(xué)習(xí)算法快速估算小麥植株氮積累量；劉濤等[15]基于無(wú)人機(jī)多光譜影像，采用人工神經(jīng)網(wǎng)絡(luò)模型成功反演小麥葉綠素含量。與遙感估算產(chǎn)量及監(jiān)測(cè)長(zhǎng)勢(shì)相比，利用無(wú)人機(jī)影像快速鑒定氮高效品種以及精確評(píng)估作物氮效率狀況的研究較少。董德譽(yù)[16]利用無(wú)人機(jī)多光譜遙感影像構(gòu)建產(chǎn)量、氮肥利用效率等與氮效率相關(guān)性狀的估算模型，然后對(duì)其預(yù)測(cè)值進(jìn)行聚類分析，鑒定出氮高效小麥品種；YANG等[17]利用安裝在無(wú)人機(jī)上的多光譜相機(jī)評(píng)估了小麥氮素利用效率。前人研究表明利用無(wú)人機(jī)遙感技術(shù)在作物氮高效品種篩選識(shí)別方面具有很好的應(yīng)用潛力，但仍存在監(jiān)測(cè)時(shí)期單一導(dǎo)致模型適應(yīng)性差、影像特征多計(jì)算效率低的問(wèn)題，這在一定程度上限制了研究結(jié)果的生產(chǎn)應(yīng)用。前人研究利用單一或少量特征進(jìn)行物種分類識(shí)別，分類效果不盡如人意，而利用較多特征分類又會(huì)造成數(shù)據(jù)冗余等問(wèn)題[18]，因此對(duì)于高維數(shù)據(jù)來(lái)說(shuō)，特征選擇是必要的。周小成等[19]利用無(wú)人機(jī)采集可見(jiàn)光遙感數(shù)據(jù)，通過(guò)遞歸特征消除隨機(jī)森林算法（RF-RFE）對(duì)多特征集進(jìn)行特征優(yōu)化選擇，有效提高了森林資源的分類精度；LI等[20]利用Boruta算法對(duì)無(wú)人機(jī)可見(jiàn)光圖像進(jìn)行特征選擇獲得最佳的特征子集，對(duì)甘蔗倒伏鑒定具有較高的準(zhǔn)確率（94.0%）；梁加玲等[21]利用ReliefF算法有效去除無(wú)關(guān)特征的影響，提高了遙感影像的分類精度。【本研究切入點(diǎn)】目前，將無(wú)人機(jī)遙感影像用于作物氮效率鑒定分類的研究還較少，尤其利用無(wú)人機(jī)在作物生育前期直接對(duì)品種氮效率進(jìn)行鑒定分類的研究還未見(jiàn)有報(bào)道。利用無(wú)人機(jī)可以獲取作物多生育時(shí)期影像數(shù)據(jù)，時(shí)間和空間分辨率高，相較于單生育時(shí)期影像數(shù)據(jù)，多生育時(shí)期融合數(shù)據(jù)反映與植株氮素吸收轉(zhuǎn)運(yùn)有關(guān)的冠層形態(tài)及生理信息更加豐富。但大量信息無(wú)疑會(huì)產(chǎn)生一定的冗余，影響后續(xù)結(jié)果的準(zhǔn)確性及應(yīng)用性。為有效減少影像包含的無(wú)關(guān)或微妙的光譜信息，準(zhǔn)確高通量鑒定識(shí)別作物氮高效品種類型，很有必要對(duì)數(shù)據(jù)進(jìn)行降維處理，從而達(dá)到減少特征個(gè)數(shù)、提高模型精度、減少運(yùn)行時(shí)間的目的。不同的特征選擇方法其篩選特征的標(biāo)準(zhǔn)不盡相同，不同的監(jiān)測(cè)對(duì)象其適用的特征選擇方法也有差異，因此有必要進(jìn)一步探索適用于小麥氮高效品種篩選鑒定的無(wú)人機(jī)遙感影像特征篩選方法。【擬解決的關(guān)鍵問(wèn)題】為篩選并培育氮高效品種，優(yōu)化我國(guó)小麥種質(zhì)資源，減少氮肥用量、穩(wěn)定產(chǎn)量和保護(hù)生態(tài)環(huán)境，以無(wú)人機(jī)多光譜遙感影像為數(shù)據(jù)源，開(kāi)展特征集篩選方法與鑒定分類方法相融合的小麥品種氮效率分類識(shí)別研究。內(nèi)容具體包括：（1）建立簡(jiǎn)單快捷、可靠的小麥氮高效品種農(nóng)學(xué)評(píng)價(jià)篩選方法；（2）比較單生育時(shí)期特征集與多生育時(shí)期融合特征集在小麥品種氮效率分類識(shí)別中的差異；（3）評(píng)估不同特征優(yōu)化算法對(duì)分類精度的影響，構(gòu)建小麥品種氮效率最優(yōu)分類模型，為快速篩選鑒定小麥氮高效品種提供參考和技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2020—2021年和2021—2022年連續(xù)兩個(gè)年度在河南省滎陽(yáng)市廣武鎮(zhèn)河南賽德種業(yè)有限公司育種站（34°38′N，113°41′E）以及2022—2023年在河南省新鄉(xiāng)市原陽(yáng)縣河南農(nóng)業(yè)大學(xué)試驗(yàn)基地進(jìn)行（35°6′N，113°56′E），試驗(yàn)田的地理位置和土壤基礎(chǔ)肥力情況見(jiàn)圖1。供試小麥品種共121個(gè)，均為適宜黃淮地區(qū)種植的主推品種（表1）。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列，每個(gè)品種3次重復(fù)，試驗(yàn)小區(qū)長(zhǎng)5.0 m，寬1.2 m，6行區(qū)，行距0.2 m。所有小麥品種在10月中旬播種，小區(qū)基本苗保持在330 萬(wàn)/hm2左右。肥料選擇氮肥為尿素（含N 46%）、磷肥為磷酸二氫鈣（含P2O512%）、鉀肥為硫酸鉀（含K2O 57%），每個(gè)小區(qū)施N 225 kg·hm-2、P2O5112.5 kg·hm-2、K2O 112.5 kg·hm-2。氮肥分基肥和追肥（拔節(jié)期）兩次施入，基追比為5﹕5，磷肥和鉀肥全部作為基肥一次施入。試驗(yàn)田采用統(tǒng)一的種植方式、水肥管理及病蟲(chóng)防治。

1.2 研究方法

氮高效是多種氮效率指標(biāo)相互作用呈現(xiàn)的一個(gè)復(fù)雜綜合性狀，綜合前人研究結(jié)果，本研究氮效率品種劃分是通過(guò)6個(gè)成熟期與氮效率密切相關(guān)的農(nóng)學(xué)指標(biāo)（產(chǎn)量、植株氮積累、氮素生理利用效率、植株干生物量、籽?？偽?、N收獲指數(shù)）構(gòu)建主成分綜合值，通過(guò)K-Means把小麥品種劃分為氮高效型、氮中效型和氮低效型。為探究挖掘無(wú)人機(jī)多光譜影像在小麥氮高效品種篩選鑒定中的潛力，研究不同生育時(shí)期植被指數(shù)融合對(duì)小麥氮效率品種分類的影響，采用RF-RFE算法、Boruta算法和ReliefF算法對(duì)多生育時(shí)期植被指數(shù)融合數(shù)據(jù)進(jìn)行特征優(yōu)化，選擇SVM、RF、KNN分類器對(duì)小麥氮效率品種進(jìn)行分類。技術(shù)路線如圖2所示。

a：河南省滎陽(yáng)市；b：河南省原陽(yáng)縣 a: Xingyang City, Henan Province; b: Yuanyang County, Henan Province

1.3 農(nóng)學(xué)參數(shù)獲取及氮高效品種的確定

農(nóng)學(xué)參數(shù)獲?。撼墒炱诿啃^(qū)取長(zhǎng)勢(shì)具有代表性的小麥10株，分為籽粒和秸稈兩部分，置于70 ℃干燥箱內(nèi)恒溫干燥至質(zhì)量不變，稱取干重，隨后粉碎并采用凱氏定氮儀測(cè)定秸稈氮含量和籽粒氮含量。成熟期每小區(qū)選取一個(gè)具有代表性的1 m×1 m樣方進(jìn)行測(cè)產(chǎn)，三年共9個(gè)重復(fù)的平均值即為該品種產(chǎn)量實(shí)測(cè)值。根據(jù)測(cè)得結(jié)果計(jì)算成熟期植株氮積累、氮素生理利用效率、成熟期植株干生物量、籽粒總吸氮量、N收獲指數(shù)，相關(guān)計(jì)算公式如下：

成熟期植株氮積累=籽粒含氮量×籽粒干質(zhì)量+秸稈含氮量×秸稈干質(zhì)量（1）

氮素生理利用效率=產(chǎn)量/成熟期植株氮積累（2）

成熟期植株干生物量=秸稈干質(zhì)量+籽粒干質(zhì)量（3）

籽?？偽?籽粒含氮量×產(chǎn)量（4）

N收獲指數(shù)=籽?？偽?成熟期植株氮積累（5）

氮效率品種的劃分：依據(jù)各小麥品種與氮效率相關(guān)的6個(gè)農(nóng)學(xué)指標(biāo)的變化及反應(yīng)，對(duì)其進(jìn)行主成分綜合，通過(guò)綜合值進(jìn)行K-Means聚類分析，將121個(gè)小麥品種劃分為氮高效（high nitrogen efficiency type，HNET）、氮中效（medium nitrogen efficiency type，MNET）和氮低效（low nitrogen efficiency type，LNET）3種類型。

表1 供試品種編號(hào)及名稱

1.4 無(wú)人機(jī)數(shù)據(jù)獲取與處理

使用Matrice600PRO大疆六旋翼無(wú)人機(jī)與Ronin系列云臺(tái)，搭載2 064像素×1 544像素K6機(jī)載模塊化多光譜相機(jī)，該傳感器包括藍(lán)光（450 nm）、綠光（550 nm）、紅光（685 nm）、紅邊（725 nm）、近紅外（780 nm）5個(gè)多光譜通道和1個(gè)4 384像素×3 288像素RGB原色通道，如圖3所示，在小麥拔節(jié)期（S1）、孕穗期（S2）和開(kāi)花期（S3）分別獲取無(wú)人機(jī)平臺(tái)的多光譜數(shù)據(jù)。選擇在天氣晴朗、無(wú)風(fēng)無(wú)云的環(huán)境下，中午11：00—13：00進(jìn)行無(wú)人機(jī)作業(yè)，以避免環(huán)境條件的影響。飛行高度設(shè)置為50 m，拍照方式為等時(shí)觸發(fā)，航向重疊率為75%，旁相重疊率為70%。拍攝前，使用手持式ASD對(duì)鋪設(shè)反射率為5%、20%、40%和70%的靶標(biāo)布進(jìn)行校準(zhǔn)。使用Pix4D Mapper 4.5.6軟件對(duì)多光譜圖像進(jìn)行拼接、輻射校正與幾何校正，利用ArcGIS 10.8軟件對(duì)拼接預(yù)處理的遙感影像進(jìn)行裁剪處理，得到每個(gè)試驗(yàn)樣區(qū)的光譜圖像，提取各樣區(qū)光譜反射率，并計(jì)算每個(gè)品種3個(gè)重復(fù)小區(qū)的平均值作為該品種的反射率值。

1.5 多光譜植被指數(shù)的選取與計(jì)算

光譜指數(shù)是由不同波段的反射率以代數(shù)形式重新組合成的一種參數(shù)，可降低條件背景對(duì)光譜數(shù)據(jù)的干擾，比單波段具有更高的靈敏性。依據(jù)前人研究結(jié)果篩選出適用于無(wú)人機(jī)多光譜傳感器通道的34種植被指數(shù)（表2），以用于小麥氮效率評(píng)價(jià)。

1.6 特征選擇

特征選擇能夠剔除不相關(guān)或冗余的特征，從而提高模型精確度，減少運(yùn)行時(shí)間。本研究選取以下3種分類特征選擇算法，根據(jù)品種實(shí)際氮效率類別進(jìn)行特征篩選。

表2 本文采用的植被指數(shù)及計(jì)算公式

Rblue：藍(lán)波段反射率 Blue band；Rgreen：綠波段反射率 Green band；Rred：紅波段反射率 Red band；Rre：紅邊波段反射率 Red edge band；Rnir：近紅外波段反射率 Near infrared band

圖3 大疆M600Pro無(wú)人機(jī)、搭載相機(jī)及圖像采集

1.6.1 Boruta特征選擇 Boruta算法[20]是一種以隨機(jī)森林為框架的特征選擇方法，通過(guò)隨機(jī)森林策略對(duì)每個(gè)特征生成1個(gè)得分，用此來(lái)評(píng)估特征的重要性，經(jīng)過(guò)反復(fù)迭代運(yùn)算，剔除不重要特征，保留關(guān)聯(lián)性較好的特征，直至所有特征被選擇或達(dá)到迭代次數(shù)。

1.6.2 ReliefF特征選擇 ReliefF算法不受數(shù)據(jù)類型的限制，抗噪能力強(qiáng)，操作簡(jiǎn)單，運(yùn)算速度快，是目前廣泛應(yīng)用的一種過(guò)濾式（filter）多類別特征選擇算法，通過(guò)計(jì)算特征權(quán)重判斷特征重要性。本研究設(shè)置權(quán)重閾值為0.01，選擇權(quán)重大于0.01的特征變量作為ReliefF特征子集。具體方法為：在同一類樣本中抽取1個(gè)樣本R，分別在同類和異類樣本中尋找k個(gè)最近鄰樣本，構(gòu)成同類樣本集Near Hit和異類樣本集Near Miss，再以R與Near Hit和Near Miss中樣本各特征平均差異的差值定義特征權(quán)重W。特征權(quán)重越大，說(shuō)明該特征使得樣本的類間距離越大，類內(nèi)距離越小，對(duì)類別識(shí)別的作用也越大[21]。

1.6.3 RF-RFE特征選擇 遞歸消除算法（recursive feature elimination，RFE）是一種集成算法，隨機(jī)森林與RFE相結(jié)合形成RF-RFE，將RF作為基分類器，通過(guò)增加或移除特定特征變量，能夠更加合理地決定最大化模型性能的最終特征子集的大小。RF-RFE算法[22]是把需要的特征子集初始化為整個(gè)特征子集，采用隨機(jī)森林算法得到的重要性排序進(jìn)行后向迭代刪除特征重要度最小的特征，重復(fù)迭代，直至特征數(shù)為0，比較每個(gè)模型分類效果，選擇最優(yōu)的特征變量集合。

1.7 分類方法

為了探究不同分類算法對(duì)篩選小麥氮高效品種的影響，并評(píng)價(jià)出最優(yōu)分類算法，本研究選擇了3種比較常用的機(jī)器學(xué)習(xí)分類算法：K近鄰（KNN）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）分類算法。

1.7.1 K近鄰分類算法 K近鄰分類算法[23]是一種非參數(shù)的分類方法，對(duì)于未知或者非正態(tài)分布的數(shù)據(jù)可以取得較高的分類準(zhǔn)確率，具有概念清晰、易于操作等諸多優(yōu)點(diǎn)。其主要過(guò)程為：對(duì)于1個(gè)待分類的樣本X，首先找出與X最接近的或者最相似的K個(gè)已知類別標(biāo)簽的訓(xùn)練樣本，然后根據(jù)這K個(gè)訓(xùn)練樣本的類別標(biāo)簽確定樣本X的類別。

1.7.2 隨機(jī)森林分類算法 隨機(jī)森林分類算法[24]是由若干決策樹(shù)組成，用眾多決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)，最終由多棵決策樹(shù)分類器的投票結(jié)果決定分類結(jié)果。其中，決策樹(shù)的個(gè)數(shù)N、隨機(jī)特征變量個(gè)數(shù)m直接影響模型的分類精度和運(yùn)算速度。決策樹(shù)的個(gè)數(shù)N≥100時(shí)，各分類情況的OOB誤差趨于穩(wěn)定，隨機(jī)森林未出現(xiàn)過(guò)擬合現(xiàn)象，本研究設(shè)置N=300；隨機(jī)森林變量個(gè)數(shù)m，本研究根據(jù)Breiman建議設(shè)定m（隨機(jī)森林變量的個(gè)數(shù)）等于M（特征變量的總數(shù)）的平方根進(jìn)行分類。

1.7.3 支持向量機(jī)分類算法 支持向量機(jī)[25]是一種追求間隔最大化的分類模型，即將向量高維映射，通過(guò)學(xué)習(xí)1個(gè)分離超平面，使得該超平面盡量分開(kāi)兩類樣本，并且使所有樣本點(diǎn)到超平面的距離之和最大。支持向量機(jī)的核函數(shù)選擇徑向基核函數(shù)，參數(shù)gamma和C使用網(wǎng)絡(luò)搜索交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。

1.8 精度評(píng)價(jià)

為了對(duì)比不同特征選擇和分類算法的分類精度，采用總體分類精度（overall Accuracy，OA）和Kappa系數(shù)（Kappa coefficient）對(duì)測(cè)試結(jié)果（以7﹕3的比例劃分訓(xùn)練集和測(cè)試集）進(jìn)行評(píng)價(jià)。由于每次運(yùn)行的結(jié)果存在差異，因此每個(gè)方案將分別運(yùn)行100次，分別計(jì)算2個(gè)分類精度指標(biāo)的平均值，以此進(jìn)行最后的分類精度評(píng)價(jià)。

式中，N代表驗(yàn)證樣本的總數(shù)；n代表混淆矩陣的總列數(shù)；xii代表混淆矩陣的第i行、第i列的樣本數(shù)量；xi+和x+i分別表示混淆矩陣各行各列元素之和。

2 結(jié)果

2.1 不同小麥品種間氮效率指標(biāo)差異分析

分析產(chǎn)量、成熟期植株氮積累量、氮素生理利用效率、成熟期植株干生物量、籽?？偽?、N收獲指數(shù)6個(gè)農(nóng)學(xué)性狀指標(biāo)的差異，由表3可知，6個(gè)性狀指標(biāo)的變異系數(shù)介于8.754%—21.374%，其中植株干生物量的變異系數(shù)最大（21.374%），其次為植株氮積累量（20.799%），N收獲指數(shù)的變異系數(shù)最?。?.754%）。6個(gè)性狀指標(biāo)在121個(gè)小麥品種間存在不同程度的差異，以此作為小麥品種氮效率的評(píng)判依據(jù)。

2.2 不同小麥品種氮效率分類

2.2.1 主成分提取 本研究的KMO值為0.648，Bartlett球形度檢驗(yàn)的Sig.約等于0，因此本研究數(shù)據(jù)符合Kaiser-Meyer-Olkin度量，可以用于主成分分析。對(duì)121個(gè)小麥品種的6個(gè)性狀指標(biāo)進(jìn)行主成分分析，主成分確定的標(biāo)準(zhǔn)是累計(jì)貢獻(xiàn)率＞85%，數(shù)據(jù)分析結(jié)果如表4所示，前2個(gè)主成分的累計(jì)貢獻(xiàn)率為75.1%，前3個(gè)主成分的累計(jì)貢獻(xiàn)率為91.9%，因此提取前3個(gè)主成分做進(jìn)一步分析。主成分分析的旋轉(zhuǎn)因子載荷反映各指標(biāo)對(duì)主成分貢獻(xiàn)的大小。第一主成分的特征值為2.262，貢獻(xiàn)率為37.7%，其中，植株氮積累量、氮素生理利用效率、植株干生物量的載荷值較大，其旋轉(zhuǎn)后的載荷值分別為0.860、-0.937、0.780；第二主成分的特征值為2.244，貢獻(xiàn)率為37.4%，其中，產(chǎn)量（0.975）、籽粒總吸氮量（0.911）的載荷值較大；第三主成分的特征值為1.006，貢獻(xiàn)率為16.8%，其中，N收獲指數(shù)的載荷值為0.933，貢獻(xiàn)較多。

表3 供試小麥品種氮效率評(píng)價(jià)指標(biāo)分析

表4 主成分分析旋轉(zhuǎn)后的特征值、貢獻(xiàn)率、累計(jì)貢獻(xiàn)率和成分載荷值

F1、F2、F3分別表示主成分1、主成分2、主成分3 F1, F2, F3 represent principal component 1, principal component 2, principal component 3。下同 The same as below

2.2.2 不同氮效率品種K-Means分類 結(jié)合各主成分的方差貢獻(xiàn)率，可得出121個(gè)小麥品種氮效率綜合得分（F）函數(shù)：F=0.377F1+0.374F2+0.168F3，各個(gè)品種氮效率綜合得分的計(jì)算結(jié)果如表5所示。利用各品種氮效率綜合得分進(jìn)行K-Means聚類分析，將供試品種分為氮高效型、氮中效型和氮低效型3類（表6），其中氮高效型品種13個(gè)，聚類中心為1.782；氮中效型品種61個(gè)，聚類中心為0.280；氮低效型品種47個(gè)，聚類中心為-0.856。

表5 供試小麥品種氮效率主成分綜合評(píng)價(jià)

表6 供試小麥品種基于氮效率綜合得分的聚類結(jié)果及聚類中心

聚類中心在第6次迭代后收斂The clustering center converges after the sixth iteration

2.3 不同氮效率品種冠層波段反射率特征分析

不同生育時(shí)期下小麥氮高效型、氮中效型和氮低效型的波段反射率如圖4所示，不同氮效率類型小麥樣品的平均反射率在波段之間的變化趨勢(shì)總體相似，且隨著生育時(shí)期的推進(jìn)，反射率先增后降，表現(xiàn)為典型的小麥冠層反射率特征；不同氮效率類型小麥在單個(gè)生育時(shí)期下的平均反射率數(shù)值存在一定的差異，其中780 nm波段差異最為明顯（S1：0.020、S2：0.036、S3：0.118），平均反射率在3個(gè)生育時(shí)期下都表現(xiàn)為氮高效型＞氮中效型＞氮低效型。光譜反射率雖然能夠展現(xiàn)不同氮效率類型小麥的部分差異，但是僅憑這些差異很難對(duì)小麥氮效率進(jìn)行準(zhǔn)確分類，因此，有必要通過(guò)植被指數(shù)建立合適的分類模型以挖掘不同氮效率類型小麥光譜數(shù)據(jù)的潛在特征。

圖4 3種氮效率品種不同生育時(shí)期下的波段反射率箱線圖

2.4 不同生育時(shí)期植被指數(shù)與小麥氮效率綜合得分相關(guān)性分析

將選取的植被指數(shù)分別與冬小麥氮效率綜合得分進(jìn)行相關(guān)性分析，得到不同生育時(shí)期下相關(guān)性熱圖（圖5）。從生育時(shí)期來(lái)看，隨著小麥生長(zhǎng)發(fā)育的不斷推進(jìn)，植被指數(shù)與氮效率綜合得分之間的相關(guān)性逐漸增強(qiáng)。拔節(jié)期的相關(guān)系數(shù)絕對(duì)值的范圍為0.023—0.425，RVIgreen的相關(guān)系數(shù)最高，GWDRVI的相關(guān)性最差；孕穗期的相關(guān)系數(shù)絕對(duì)值的范圍為0.100—0.498，TVI的相關(guān)性最好，DATT的相關(guān)性最差；而開(kāi)花期的相關(guān)系數(shù)絕對(duì)值的范圍為0.202—0.502，其中VIopt1最優(yōu)。整體而言，不同植被指數(shù)與小麥氮效率綜合得分在不同生育時(shí)期都存在一定的相關(guān)性，這為利用植被指數(shù)對(duì)小麥品種氮效率分類奠定了理論技術(shù)。

圖5 不同生育時(shí)期植被指數(shù)與小麥氮效率綜合得分相關(guān)性熱圖

2.5 基于植被指數(shù)全特征集的小麥品種氮效率分類

2.5.1 單生育時(shí)期植被指數(shù) 為比較不同生育時(shí)期多光譜影像植被指數(shù)在小麥品種氮效率分類中的效果，利用KNN、RF和SVM分類算法，使用總體分類精度（OA）和Kappa系數(shù)對(duì)不同生育時(shí)期的分類模型進(jìn)行精度評(píng)價(jià)（表7）。對(duì)于單生育時(shí)期而言，隨著生育時(shí)期的推進(jìn)，不同分類算法的分類精度逐漸升高，拔節(jié)期最低，平均總體分類精度和平均Kappa系數(shù)為61.3%和0.306；孕穗期次之，平均總體分類精度和平均Kappa系數(shù)為68.6%和0.440；開(kāi)花期最高，平均總體分類精度和平均Kappa系數(shù)為71.9%和0.493。對(duì)于3種分類算法而言，KNN分類模型的精度最低，平均總體分類精度和平均Kappa系數(shù)為62.4%和0.296；RF分類模型的精度次之，平均總體分類精度和平均Kappa系數(shù)為67.6%和0.441；SVM分類模型的精度最高，平均總體分類精度和平均Kappa系數(shù)為71.6%和0.503。

表7 基于單生育時(shí)期的小麥品種氮效率分類精度

S1：拔節(jié)期 Jointing stage；S2：孕穗期 Booting stage；S3：開(kāi)花期 Flowering stage。下同The same as below

2.5.2 多生育時(shí)期植被指數(shù) 相對(duì)于單生育時(shí)期植被指數(shù)對(duì)氮效率品種進(jìn)行分類，將不同生育時(shí)期的植被指數(shù)融合作為輸入變量，3種分類算法的精度均有所提升，結(jié)果如表8所示。對(duì)于兩生育時(shí)期植被指數(shù)融合來(lái)說(shuō)，拔節(jié)期和孕穗期植被指數(shù)融合分類的精度最低（OA=70.6%，Kappa=0.477），相較單生育時(shí)期拔節(jié)期和孕穗期平均總體分類精度分別提高15.3%和3.0%；孕穗期和開(kāi)花期植被指數(shù)融合分類的精度最高（OA=74.3%，Kappa=0.542），相較單生育時(shí)期孕穗期和開(kāi)花期平均總體分類精度分別提高8.3%、3.3%。對(duì)于三生育時(shí)期植被指數(shù)融合來(lái)說(shuō)，分類精度在多生育時(shí)期植被指數(shù)融合中最高（OA=76.7%，Kappa=0.584），與兩生育時(shí)期植被指數(shù)融合相比的平均總體分類精度提高5.7%，與單生育時(shí)期植被指數(shù)相比平均總體分類精度提高14.0%。

3種算法在多生育時(shí)期融合下的分類結(jié)果趨勢(shì)與單生育時(shí)期一致。KNN分類模型的精度最低，平均總體分類精度和平均Kappa系數(shù)分別為67.6%和0.401，比單生育時(shí)期植被指數(shù)KNN分類模型分別提高8.3%、35.5%；SVM分類模型的精度最高，平均總體分類精度和平均Kappa系數(shù)為77.5%和0.614，比單生育時(shí)期植被指數(shù)SVM分類模型分別提高8.2%、22.1%。

表8 基于多生育時(shí)期的小麥品種氮效率分類精度

2.6 基于多生育時(shí)期植被指數(shù)不同特征選擇算法的小麥品種氮效率分類

2.6.1 基于不同特征選擇算法的特征子集篩選 在多生育時(shí)期數(shù)據(jù)融合的基礎(chǔ)上，采用不同算法進(jìn)行特征子集優(yōu)化。圖6表示RF-RFE算法特征選擇的過(guò)程，選擇分類精度最高的組合作為最優(yōu)特征子集，其中，拔節(jié)期和孕穗期植被指數(shù)特征組合下變量數(shù)量為36時(shí)，分類精度最高（0.724）；拔節(jié)期和開(kāi)花期植被指數(shù)特征組合下變量數(shù)量為22時(shí)，分類精度最高（0.782）；孕穗期和開(kāi)花期植被指數(shù)特征組合下變量數(shù)量為11時(shí)，分類精度最高（0.798）；拔節(jié)期、孕穗期和開(kāi)花期植被指數(shù)特征組合下變量數(shù)量為21時(shí)，分類精度最高（0.807）。圖7表示Boruta算法特征選擇的結(jié)果，根據(jù)計(jì)算各特征變量的Z-scores選擇重要參數(shù)，其中，拔節(jié)期和孕穗期植被指數(shù)特征組合中篩選得到10個(gè)重要變量；拔節(jié)期和開(kāi)花期植被指數(shù)特征組合中篩選得到11個(gè)重要變量；孕穗期和開(kāi)花期植被指數(shù)特征組合中篩選得到11個(gè)重要變量；拔節(jié)期、孕穗期和開(kāi)花期植被指數(shù)特征組合中篩選得到12個(gè)重要變量。圖8（僅顯示被選擇的特征）表示ReliefF算法特征選擇的結(jié)果，選擇權(quán)重閾值大于0.01的變量組成特征子集，其中，拔節(jié)期和孕穗期植被指數(shù)特征組合中篩選得到10個(gè)變量組成特征子集；拔節(jié)期和開(kāi)花期植被指數(shù)特征組合中篩選得到8個(gè)變量組成特征子集；孕穗期和開(kāi)花期植被指數(shù)特征組合中篩選得到10個(gè)變量組成特征子集；拔節(jié)期、孕穗期和開(kāi)花期植被指數(shù)特征組合中篩選得到10個(gè)變量組成特征子集。

a：拔節(jié)期+孕穗期 Jointing stage + Booting stage；b：拔節(jié)期+開(kāi)花期 Jointing stage + Flowering stage；c：孕穗期+開(kāi)花期 Booting stage + Flowering stage；d：拔節(jié)期+孕穗期+開(kāi)花期 Jointing stage + Booting stage + Flowering stage。下同The same as below

2.6.2 基于多生育時(shí)期植被指數(shù)不同特征選擇算法的小麥品種氮效率分類模型評(píng)價(jià) 根據(jù)3種特征選擇方法對(duì)多生育時(shí)期植被指數(shù)融合特征篩選的結(jié)果，利用KNN、RF和SVM分類算法進(jìn)行小麥品種氮效率分類，具體分類評(píng)價(jià)結(jié)果如圖9所示。不同特征選擇算法處理后的分類精度在多生育時(shí)期融合之間的趨勢(shì)與全特征集基本一致，都為拔節(jié)期+孕穗期＜拔節(jié)期+開(kāi)花期＜孕穗期+開(kāi)花期＜拔節(jié)期+孕穗期+開(kāi)花期。對(duì)于不同特征選擇算法而言，基于RF-RFE特征選擇算法的分類精度最高，平均總體分類精度和平均Kappa系數(shù)為76.6%和0.585，比全特征集模型分別提高4.0%和10.1%；基于ReliefF特征選擇算法的分類精度最差（劣于全特征集），平均總體分類精度和平均Kappa系數(shù)為72.5%和0.507，比全特征集模型分別下降1.6%和4.5%。對(duì)于不同分類方法對(duì)特征選擇后的數(shù)據(jù)進(jìn)行分類來(lái)說(shuō)，不同分類算法分類精度的趨勢(shì)與上面研究結(jié)果一致。分別以RF-RFE、Boruta和ReliefF特征選擇后的植被指數(shù)作為輸入量，均以SVM分類精度最高，平均總體分類精度和平均Kappa系數(shù)分別為80.1%和0.654、78.5%和0.624以及76.8%和0.593，較特征選擇前分別提高3.4%和6.5%、提高1.2%和1.6%以及下降0.9%和3.4%；以KNN分類精度最低，平均總體分類精度和平均Kappa系數(shù)分別為71.1%和0.474、69.9%和0.448以及66.5%和0.377，較特征選擇前分別提高5.2%和18.3%、提高3.4%和11.6%以及下降1.6%和6.0%。12種不同特征數(shù)據(jù)集（4種多生育時(shí)期融合方法、3種特征選擇方法）結(jié)合3種分類算法組成的48種分類方法中，基于RF-RFE算法對(duì)拔節(jié)期、孕穗期和開(kāi)花期多生育時(shí)期融合特征子集進(jìn)行優(yōu)化，利用SVM分類算法對(duì)優(yōu)化后的數(shù)據(jù)集進(jìn)行分類，總體分類精度和Kappa系數(shù)最高，分別為85.4%和0.749。

1：拔節(jié)期Jointing stage；2：孕穗期 Booting stage；3：開(kāi)花期Flowering stage。下同The same as below

圖8 基于ReliefF的多生育時(shí)期特征集優(yōu)化結(jié)果

圖9 基于多生育時(shí)期植被指數(shù)不同特征選擇算法的小麥品種氮效率分類模型評(píng)價(jià)

3 討論

3.1 作物氮高效品種農(nóng)學(xué)篩選評(píng)價(jià)方法

選擇合適的性狀指標(biāo)是作物氮效率鑒定的關(guān)鍵，有助于快速準(zhǔn)確地鑒定不同氮效率品種，為篩選培育氮高效類型品種提供方法參考[26]。氮素高效利用是多種氮效率指標(biāo)共同呈現(xiàn)的一個(gè)復(fù)雜綜合性狀，其中每一個(gè)指標(biāo)都可以從不同側(cè)面反映氮素的吸收與利用能力[27-28]，因此，僅利用單指標(biāo)評(píng)價(jià)氮效率具有一定的片面性，多指標(biāo)共同評(píng)價(jià)氮效率更全面、更充分。本研究在相同氮素水平條件下，綜合考慮植株吸收和利用氮素的能力，并依據(jù)前人相關(guān)研究結(jié)果[29-30]，將產(chǎn)量、成熟期植株氮積累量、氮素生理利用效率、成熟期植株干生物量、籽?？偽?、N收獲指數(shù)6個(gè)性狀指標(biāo)作為氮效率評(píng)價(jià)指標(biāo)，具有較強(qiáng)的理論性與可靠性。但多指標(biāo)共同評(píng)價(jià)品種氮效率無(wú)疑會(huì)增加信息量和計(jì)算量，指標(biāo)間可能還存在多重共性問(wèn)題。近年來(lái)，主成分分析在多重指標(biāo)綜合評(píng)價(jià)分析中顯現(xiàn)出巨大的潛力與優(yōu)勢(shì)。主成分綜合分析是將多個(gè)指標(biāo)濃縮為幾個(gè)關(guān)鍵的、不相關(guān)的概括性指標(biāo)，通過(guò)主成分得分構(gòu)造綜合得分，進(jìn)而進(jìn)行綜合評(píng)價(jià)[31]。周麗艷等[32]通過(guò)主成分分析將11個(gè)農(nóng)藝性狀簡(jiǎn)化為彼此互不相關(guān)的5個(gè)主成分，并通過(guò)系統(tǒng)聚類將春小麥品種劃分為7大類群。連盈等[33]利用22個(gè)氮效率相關(guān)指標(biāo)采用主成分分析法極好評(píng)價(jià)了參試谷子品種的耐低氮性。陳林濤等[34]運(yùn)用主成分分析法將8個(gè)雜交稻芽種物理特性進(jìn)行簡(jiǎn)化，成功構(gòu)建科學(xué)的芽種量化評(píng)價(jià)體系。本研究利用主成分分析法將6個(gè)氮效率指標(biāo)通過(guò)線性組合提煉為3個(gè)相互獨(dú)立的主成分，累計(jì)貢獻(xiàn)率達(dá)91.9%，很好地減少計(jì)算工作量，解決了指標(biāo)間的多重共性問(wèn)題。最后對(duì)3個(gè)主成分進(jìn)行綜合分析，得到氮效率綜合得分，并通過(guò)K-Means進(jìn)行聚類分析，得到氮高效型品種13個(gè)，氮中效型品種61個(gè)，氮低效型品種47個(gè)。

3.2 生育時(shí)期對(duì)小麥品種氮效率分類的影響

小麥生命周期包含多個(gè)生長(zhǎng)階段，具有不同的冠層光譜特征，從中計(jì)算得到的植被指數(shù)可以很好地反映不同生育時(shí)期作物的生長(zhǎng)狀況與氮素吸收利用情況，這為通過(guò)植被指數(shù)進(jìn)行作物氮效率鑒定分類奠定了理論基礎(chǔ)。本研究基于單生育時(shí)期植被指數(shù)進(jìn)行小麥品種氮效率分類時(shí)，拔節(jié)期分類精度最低，開(kāi)花期分類精度最高。這主要是因?yàn)樾←溕L(zhǎng)初期植被覆蓋率低，在進(jìn)行植被指數(shù)提取時(shí)裸露的土壤會(huì)對(duì)植被指數(shù)的準(zhǔn)確性造成很大的干擾[35]，而且氮效率相關(guān)指標(biāo)是通過(guò)最后成熟期的性狀計(jì)算得到的，小麥拔節(jié)期主要為營(yíng)養(yǎng)生長(zhǎng)，距離小麥成熟收獲還有很長(zhǎng)一段時(shí)間，該時(shí)期的生長(zhǎng)特征并不能完全反映后期產(chǎn)量、干物質(zhì)、植株氮積累量等物質(zhì)積累。除此之外，拔節(jié)后溫度、降雨、光照等不可控變量對(duì)作物的氮素吸收利用也存在較大影響[36]，因此利用拔節(jié)期植被指數(shù)進(jìn)行作物氮效率預(yù)測(cè)分類具有很大的不確定性。隨著生育時(shí)期推進(jìn)至小麥開(kāi)花期，該時(shí)期是小麥由營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)為生殖生長(zhǎng)的關(guān)鍵時(shí)期，此時(shí)小麥冠層結(jié)構(gòu)基本成型，小麥成穗數(shù)及穗粒數(shù)基本確定，米國(guó)華等[37]、王春曉等[38]指出如果開(kāi)花期生長(zhǎng)良好，也可為之后的植株氮素吸收轉(zhuǎn)運(yùn)、干物質(zhì)積累以及籽粒灌漿提供更充分的物質(zhì)基礎(chǔ)。因此，開(kāi)花期遙感監(jiān)測(cè)所得到的植被指數(shù)對(duì)成熟期氮效率相關(guān)性狀的解釋性較好、機(jī)理性較強(qiáng)。

隨著冬小麥生育時(shí)期的發(fā)展，冬小麥實(shí)時(shí)氮素利用效率不斷發(fā)生變化，在單個(gè)時(shí)期內(nèi)利用光譜信息對(duì)冬小麥品種氮效率進(jìn)行分類評(píng)價(jià)精度不高。相反，多個(gè)生育時(shí)期的光譜信息構(gòu)成的數(shù)據(jù)集可以提供更多有用的信息，能更科學(xué)、更合理地反映作物產(chǎn)量等氮素利用相關(guān)性狀的變化過(guò)程[39-41]。WANG等[42]利用拔節(jié)至灌漿期的累計(jì)光譜指數(shù)對(duì)籽粒產(chǎn)量和蛋白質(zhì)含量進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)其預(yù)測(cè)精度分別高于各單時(shí)期的預(yù)測(cè)精度；程千等[43]研究表明基于多時(shí)相植被指數(shù)能進(jìn)一步提高冬小麥產(chǎn)量預(yù)測(cè)精度，并且能對(duì)產(chǎn)量做出較好的提前估測(cè)。本研究通過(guò)對(duì)比發(fā)現(xiàn)，結(jié)合多個(gè)生育時(shí)期植被指數(shù)對(duì)品種氮效率進(jìn)行分類的精度比單個(gè)生育時(shí)期的精度均有所提高，其中拔節(jié)期、孕穗期和開(kāi)花期3個(gè)生育時(shí)期結(jié)合的分類精度最高，平均總體分類精度達(dá)76.7%，比單個(gè)生育時(shí)期提高6.7%—25.3%，進(jìn)一步說(shuō)明多生育時(shí)期融合數(shù)據(jù)可以更好地反映作物氮素吸收利用的變化過(guò)程。

3.3 特征選擇及分類方法對(duì)小麥品種氮效率分類的影響

在當(dāng)前大數(shù)據(jù)背景下，數(shù)據(jù)處理過(guò)程中往往會(huì)存在大量無(wú)關(guān)和冗余的信息，提取大量的數(shù)據(jù)特征會(huì)占用更多的計(jì)算機(jī)內(nèi)存和耗費(fèi)大量的時(shí)間，而且不適合的特征子集可能會(huì)造成模型過(guò)擬合、分類識(shí)別精度低等問(wèn)題[44]。為了解決大數(shù)據(jù)背景下“維數(shù)災(zāi)難”問(wèn)題，挖掘數(shù)據(jù)內(nèi)部的本質(zhì)結(jié)構(gòu)特征和聯(lián)系，提高變量的區(qū)分性、解釋性，特征變量的選擇至關(guān)重要。趙靜等[45]利用RFE算法對(duì)無(wú)人機(jī)多光譜影像提取的光譜特征以及紋理特征進(jìn)行特征選擇，顯著提高了玉米與雜草的識(shí)別精度；魏永康等[46]利用Boruta算法對(duì)無(wú)人機(jī)影像多特征參量進(jìn)行優(yōu)化，篩選參數(shù)少且倒伏分類精度高。由此可見(jiàn)，數(shù)據(jù)類型不同，其所適合的特征選擇方法也有所區(qū)別。本研究發(fā)現(xiàn)多生育時(shí)期植被指數(shù)特征集全部參與品種氮效率的分類評(píng)估，雖然分類精度高，但數(shù)據(jù)運(yùn)算量大，不適宜構(gòu)建簡(jiǎn)便、實(shí)用的氮效率分類模型。因此，比較并篩選最佳的分類特征組合是作物氮效率評(píng)估分類的重要內(nèi)容。本研究基于ReliefF算法、Boruta算法和RF-RFE算法對(duì)多生育時(shí)期植被指數(shù)融合特征集進(jìn)行特征選擇，發(fā)現(xiàn)RF-RFE特征選擇算法在小麥品種氮效率分類識(shí)別中效果最優(yōu)，且具有較好的穩(wěn)定性，證明RF-RFE特征選擇算法在構(gòu)建小麥品種氮效率分類模型中具有更好的優(yōu)化能力和泛化能力。

隨著數(shù)理統(tǒng)計(jì)軟件的廣泛引入，機(jī)器學(xué)習(xí)技術(shù)在作物監(jiān)測(cè)及分類中得到了廣泛應(yīng)用[47]。但由于不同機(jī)器學(xué)習(xí)算法原理不同，分類目標(biāo)物屬性也有所區(qū)別，導(dǎo)致所得到的結(jié)果可能存在很大差異[48-49]。為了探究不同分類建模方法對(duì)品種氮效率分類的效果，本研究比較了KNN、RF和SVM 3種常見(jiàn)的分類方法對(duì)品種氮效率分類的潛力，其中KNN分類效果最差，SVM效果最好。KNN算法在分類決策上是依據(jù)最鄰近的一個(gè)或幾個(gè)樣本的類別來(lái)決定待分類樣本所屬的類別，無(wú)需估計(jì)參數(shù)，簡(jiǎn)單易于實(shí)現(xiàn)，但模型的可解釋性較差，普適性較低[50]。本文在特征選擇的基礎(chǔ)上利用KNN分類算法得到的最高總體分類精度僅為73.5%，在處理多時(shí)期復(fù)雜因子時(shí)表現(xiàn)出較大的局限性。RF和SVM模型在處理復(fù)雜多維度問(wèn)題時(shí)表現(xiàn)出很好的適應(yīng)性，使分類精度得到進(jìn)一步提高，其中SVM算法具有精度高、運(yùn)算速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)，可以處理多元線性不可分問(wèn)題，對(duì)高維數(shù)據(jù)做出準(zhǔn)確分類[51]。結(jié)果表明，SVM算法對(duì)品種氮效率進(jìn)行分類的總體分類精度可達(dá)85.4%，說(shuō)明SVM模型在融合多生育時(shí)期數(shù)據(jù)方面具有較大優(yōu)勢(shì)，可作為篩選小麥氮高效品種的有效途徑，為小麥氮高效品種篩選鑒定及快速育種提供技術(shù)指導(dǎo)，RF算法的效果略差，總體分類精度為82.0%。

本研究確立6個(gè)氮效率指標(biāo)—主成分分析—K-Means氮效率評(píng)價(jià)方法，根據(jù)該評(píng)價(jià)方法對(duì)供試小麥品種氮效率分類的結(jié)果，進(jìn)一步利用無(wú)人機(jī)植被指數(shù)構(gòu)建了多生育時(shí)期組合—RF-RFE—SVM小麥氮效率分類模式，為小麥氮高效品種的篩選鑒定提供了理論依據(jù)和技術(shù)支撐。但本研究?jī)H利用了單一模態(tài)數(shù)據(jù)（植被指數(shù)）參與模型構(gòu)建，未來(lái)還應(yīng)綜合考慮紋理特征、溫度參數(shù)特征等多模態(tài)數(shù)據(jù)以及溫度、降雨、光照等不可控環(huán)境變量對(duì)小麥品種氮效率分類模型的影響，以期構(gòu)建精度更高、魯棒性更強(qiáng)的小麥氮高效品種篩選模型。

4 結(jié)論

通過(guò)主成分分析—K-Means聚類分析將不同氮效率小麥品種成功劃分為氮高效、氮中效和氮低效3個(gè)類別，對(duì)比分析單生育時(shí)期多光譜影像特征集與多生育時(shí)期融合特征集在小麥品種氮效率分類識(shí)別中的差異，發(fā)現(xiàn)單生育時(shí)期以開(kāi)花期的總體分類精度最高（OA=71.9%），多生育時(shí)期融合優(yōu)于單生育時(shí)期，以拔節(jié)期+孕穗期+開(kāi)花期融合數(shù)據(jù)效果最優(yōu)（OA=76.7%）。對(duì)于不同分類方法而言，SVM算法表現(xiàn)最優(yōu)，KNN算法表現(xiàn)最差。為了減少影像數(shù)據(jù)特征數(shù)量，提高模型分類精度，利用ReliefF算法、Boruta算法和RF-RFE算法對(duì)多生育時(shí)期特征組合變量進(jìn)行優(yōu)化選擇，其中RF-RFE方法有效降低數(shù)據(jù)集維度，提高小麥品種氮效率分類的精度（OA= 85.4%）。多生育時(shí)期組合—RF-RFE—SVM技術(shù)融合模式對(duì)小麥品種氮效率分類具有較高的應(yīng)用價(jià)值，為促進(jìn)育種進(jìn)程和我國(guó)種業(yè)創(chuàng)新具有十分重要的意義。

[1] XU G H, Fan X R, Miller A J. Plant nitrogen assimilation and use efficiency. Annual Review of Plant Biology, 2012, 63: 153-182.

[2] Hawkesford M J. Reducing the reliance on nitrogen fertilizer for wheat production. Journal of Cereal Science, 2014, 59(3): 276-283.

[3] 張鵬鈺, 高桐梅, 蘇小雨, 李豐, 王東勇, 田媛, 蘆海靈, 苗紅梅, 衛(wèi)雙玲. 芝麻苗期氮高效品種篩選及氮效率評(píng)價(jià)體系建立. 河南農(nóng)業(yè)科學(xué), 2022, 51: 54-66.

Zhang P Y, Gao T M, Su X Y, Li F, Wang D Y, Tian Y, Lu H L, Miao H M, Wei S L. Screening of nitrogen efficient varieties and construction of nitrogen efficiency assessment system at seedling stage of sesame (Sesamum indicum L.). Journal of Henan Agricultural Sciences, 2022, 51(6): 54-66. (in Chinese)

[4] 葛禮姣, 方馨妍, 張?jiān)圃? 羅孟婷, 管志勇, 陳素梅, 房偉民, 陳發(fā)棣, 趙爽. 菊花苗期氮高效品種資源篩選及氮效率評(píng)價(jià)體系建立. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2021, 44(6): 1054-1062.

Ge L J, Fang X Y, Zhang Y Y, Luo M T, Guan Z Y, Chen S M, Fang W M, Chen F D, Zhao S. Screening of nitrogen efficient varieties and its assessment system construction at seedling stage of chrysanthemum. Journal of Nanjing Agricultural University, 2021, 44(6): 1054-1062. (in Chinese)

[5] 杜保見(jiàn), 郜紅建, 常江, 章力干. 小麥苗期氮素吸收利用效率差異及聚類分析. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2014, 20(6): 1349-1357.

Du B J, Gao H J, Chang J, Zhang L G. Screening and cluster analysis of nitrogen use efficiency of different wheat cultivars at the seedling stage. Journal of Plant Nutrition and Fertilizer, 2014, 20(6): 1349-1357. (in Chinese)

[6] 宋曉, 張珂珂, 黃晨晨, 黃紹敏, 郭斗斗, 岳克, 張水清. 基于主成分分析的氮高效小麥品種的篩選. 河南農(nóng)業(yè)科學(xué), 2020, 49(12): 10-16.

Song X, Zhang K K, Huang C C, Huang S M, Guo D D, Yue K, Zhang S Q. Selection of nitrogen-efficient wheat varieties based on principal component analysis. Journal of Henan Agricultural Sciences, 2020, 49(12): 10-16. (in Chinese)

[7] 張盼盼, 李志源, 劉京寶, 黃璐, 喬江方, 李川, 張美微, 劉鋒. 黃淮海地區(qū)高產(chǎn)氮高效玉米品種的篩選與評(píng)價(jià). 河南農(nóng)業(yè)科學(xué), 2021, 50(10): 10-17.

Zhang P P, LI Z Y, Liu J B, Huang L, Qiao J F, Li C, Zhang M W, Liu F. Screening and evaluation of maize varieties with high yield and nitrogen use efficiency in Huang-Huai-Hai region. Journal of Henan Agricultural Sciences, 2021, 50(10): 10-17. (in Chinese)

[8] 朱新開(kāi), 郭文善, 朱冬梅, 朱波風(fēng), 封超年, 彭永欣. 不同基因型小麥氮素吸收積累差異研究. 揚(yáng)州大學(xué)學(xué)報(bào), 2005, 26(3): 52-57.

Zhu X K, Guo W S, Zhu D M, Zhu B F, Feng C N, Peng Y X. Studies on differences of accumulated N amount in different genotypes of winter wheat. Journal of Yangzhou University, 2005, 26(3): 52-57. (in Chinese)

[9] 李艷, 董中東, 郝西, 崔黨群. 小麥不同品種的氮素利用效率差異研究. 中國(guó)農(nóng)業(yè)科學(xué), 2007, 40(3): 472-477. doi: 10.3864/j.issn.0578- 1752.at-2006-7202.

Li Y, Dong Z D, Hao X, Cui D Q. The studies on genotypic difference of nitrogen utilization efficiency in winter wheat. Scientia Agricultura Sinica, 2007, 40(3): 472-477. doi: 10.3864/j.issn.0578- 1752.at-2006-7202. (in Chinese)

[10] Qiu R C, Wei S, Zhang M, Sun H, Li H, Liu G, Li M Z. Sensors for measuring plant phenotyping: A review. International Journal of Agricultural and Biological Engineering, 2018, 11(2): 1–17.

[11] Feng L, Chen S S, Zhang C, Zhang Y C, He Y. A comprehensive review on recent applications of unmanned aerial vehicle remote sensing with various sensors for high-throughput plant phenotyping. Computers and Electronics in Agriculture, 2021, 182: 106033.

[12] 朱婉雪, 李仕冀, 張旭博, 李洋, 孫志剛. 基于無(wú)人機(jī)遙感植被指數(shù)優(yōu)選的田塊尺度冬小麥估產(chǎn). 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(11): 78-86.

Zhu W X, Li S J, Zhang X B, Li Y, Sun Z G. Estimation of winter wheat yield using optimal vegetation indices from unmanned aerial vehicle remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(11): 78-86. (in Chinese)

[13] 劉暢, 楊貴軍, 李振海, 湯伏全, 王建雯, 張春蘭, 張麗妍. 融合無(wú)人機(jī)光譜信息與紋理信息的冬小麥生物量估測(cè). 中國(guó)農(nóng)業(yè)科學(xué), 2018, 51(16): 3060-3073. doi: 10.3864/j.issn.0578-1752.2018.16.003.

Liu C, Yang G J, Li Z H, Tang F Q, Wang J W, Zhang C L, Zhang L Y. Biomass estimation in winter wheat by UAV spectral information and texture information fusion. Scientia Agricultura Sinica, 2018, 51(16): 3060-3073. doi: 10.3864/j.issn.0578-1752.2018. 16.003. (in Chinese)

[14] 郭燕, 井宇航, 王來(lái)剛, 黃競(jìng)毅, 賀佳, 馮偉, 鄭國(guó)清. 基于無(wú)人機(jī)影像特征的冬小麥植株氮含量預(yù)測(cè)及模型遷移能力分析. 中國(guó)農(nóng)業(yè)科學(xué), 2023, 56(5): 850-865. doi: 10.3864/j.issn.0578-1752.2023.05. 004.

Guo Y, Jing Y H, Wang L G, Huang J Y, He J, Feng W, Zheng G Q. UAV multispectral image-based nitrogen content prediction and the transferability analysis of the models in winter wheat plant. Scientia Agricultura Sinica, 2023, 56(5): 850-865. doi: 10.3864/j.issn.0578-1752.2023.05.004. (in Chinese)

[15] 劉濤, 張寰, 王志業(yè), 賀超, 張全國(guó), 焦有宙. 利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量. 農(nóng)業(yè)工程學(xué)報(bào), 2021, 37(19): 65-72.

Liu T, Zhang H, Wang Z Y, He C, Zhang Q G, Jiao Y Z. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(19): 65-72. (in Chinese)

[16] 董德譽(yù). 冬小麥氮高效鑒定及光合效率和籽粒蛋白質(zhì)含量的反演. 烏魯木齊:新疆農(nóng)業(yè)大學(xué), 2022.

Dong D Y. Identification of nitrogen efficiency and inversion of photosynthetic efficiency and grain protein content in winter wheat. Urumqi: Xinjiang Agricultural University, 2022. (in Chinese)

[17] Yang M J, Hassan M A, Xu K J, Zheng C Y, Rasheed A, Zhang Y, Jin X L, Xia X C, Xiao Y G, He Z H. Assessment of water and nitrogen use ef?ciencies through UAV-based multispectral phenotyping in winter wheat. Frontiers in Plant Science, 2020, 11: 927.

[18] 李郅琴, 杜建強(qiáng), 聶斌, 熊旺平, 黃燦奕, 李歡. 特征選擇方法綜述. 計(jì)算機(jī)工程與應(yīng)用, 2019, 55(24): 10-19.

Li Z Q, Du J Q, Nie B, Xiong W P, Huang C Y, Li H. Summary of feature selection methods. Computer Engineering and Applications, 2019, 55(24): 10-19. (in Chinese)

[19] 周小成, 鄭磊, 黃洪宇. 基于多特征優(yōu)選的無(wú)人機(jī)可見(jiàn)光遙感林分類型分類. 林業(yè)科學(xué), 2021, 57(6): 24-36.

Zhou X C, Zheng L, Huang H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing. Scientia Silvae Sinicae, 2021, 57(6): 24-36. (in Chinese)

[20] Li X H, Li X Z, Liu W, Wei B H, Xu X L. A UAV-based framework for crop lodging assessment. European Journal of Agronomy, 2021, 123: 126201.

[21] 梁加玲, 劉彥花, 徐軍, 王茜茜, 歐鎮(zhèn)麗. 基于ReliefF算法的遙感影像分類特征優(yōu)化. 地礦測(cè)繪, 2020, 36(3): 1-5.

Liang J L, Liu Y H, Xu J, Wang X X, Ou Z L. Classification feature optimization of remote sensing images based on ReliefF algorithm. Surveying and Mapping of Geology and Mineral Resources, 2020, 36(3): 1-5. (in Chinese)

[22] 楊珺雯, 張錦水, 朱秀芳, 謝登峰, 袁周米琪. 隨機(jī)森林在高光譜遙感數(shù)據(jù)中降維與分類的應(yīng)用. 北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 51(S1): 82-88.

Yang J W, Zhang J S, Zhu X F, Xie D F, Yuanzhou M Q. Application of random forest in dimensionality reduction and classification of hyperspectral remote sensing data. Journal of Beijing Normal University (Natural Science), 2015, 51(S1): 82-88. (in Chinese)

[23] 王曉曄, 王正歐. K-最近鄰分類技術(shù)的改進(jìn)算法. 電子與信息學(xué)報(bào), 2005, 27(3): 487-491.

Wang X Y, Wang Z O. An improved K-nearest neighbor algorithm. Journal of Electronics & Information Technology, 2005, 27(3): 487-491. (in Chinese)

[24] 李欣海. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用. 應(yīng)用昆蟲(chóng)學(xué)報(bào), 2013, 50(4): 1190-1197.

Li X H. Using “random forest” for classification and regression. Chinese Journal of Applied Entomology, 2013, 50(4): 1190-1197. (in Chinese)

[25] 劉志剛, 李德仁, 秦前清, 史文中. 支持向量機(jī)在多類分類問(wèn)題中的推廣. 計(jì)算機(jī)工程與應(yīng)用, 2004, 40(7): 10-13, 65.

Liu Z G, Li D R, Qin Q Q, Shi W Z. An analytical overview of methods for multi-category support vector machines. Computer Engineering and Applications, 2004, 40(7): 10-13, 65. (in Chinese)

[26] 趙瑞, 張旭輝, 張程煬, 郭涇磊, 汪妤, 李紅霞. 小麥種質(zhì)資源成株期氮效率評(píng)價(jià)及篩選.中國(guó)農(nóng)業(yè)科學(xué), 2021, 54(18): 3818-3833. doi: 10.3864/j.issn.0578-1752.2021.18.003.

Zhao R, Zhang X H, Zhang C Y, Guo J L, Wang Y, Li H X. Evaluation and screening of nitrogen efficiency of wheat germplasm resources at mature stage. Scientia Agricultura Sinica, 2021, 54(18): 3818-3833. doi: 10.3864/j.issn.0578-1752.2021.18.003. (in Chinese)

[27] 黃永蘭, 黎毛毛, 蘆明, 萬(wàn)建林, 龍起樟, 王會(huì)民, 唐秀英, 范志潔. 氮高效水稻種質(zhì)資源篩選及相關(guān)特性分析. 植物遺傳資源學(xué)報(bào), 2015, 16(1): 87-93.

Huang Y L, Li M M, Lu M, Wan J L, Long Q Z, Wang H M, Tang X Y, Fan Z J. Selection of rice germplasm with high nitrogen utilization efficiency and its analysis of the related characters. Journal of Plant Genetic Resources, 2015, 16(1): 87-93. (in Chinese)

[28] 崔文芳, 高聚林, 屈佳偉, 于曉芳, 胡樹(shù)平, 蘇治軍, 王志剛, 孫繼穎, 謝岷. 氮高效玉米雜交種的篩選及氮效率相關(guān)特性分析. 玉米科學(xué), 2016, 24(4): 72-82.

Cui W F, Gao J L, Qu J W, Yu X F, Hu S P, Su Z J, Wang Z G, Sun J Y, Xie M. Analysis of nitrogen efficient maize hybrid screening and nitrogen efficiency related characteristics. Journal of Maize Sciences, 2016, 24(4): 72-82. (in Chinese)

[29] 馮洋, 陳海飛, 胡孝明, 周衛(wèi), 徐芳森, 蔡紅梅. 我國(guó)南方主推水稻品種氮效率篩選及評(píng)價(jià). 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2014, 20(5): 1051-1062.

Feng Y, Chen H F, Hu X M, Zhou W, Xu F S, Cai H M. Nitrogen efficiency screening of rice cultivars popularized in South China. Journal of Plant Nutrition and Fertilizer, 2014, 20(5): 1051-1062. (in Chinese)

[30] 鐘思榮, 陳仁霄, 陶瑤, 龔絲雨, 何寬信, 張啟明, 張世川, 劉齊元. 耐低氮煙草基因型的篩選及其氮效率類型. 作物學(xué)報(bào), 2017, 43(7): 993-1002.

Zhong S R, Chen R X, Tao Y, Gong S Y, He K X, Zhang Q M, Zhang S C, Liu Q Y. Screening of tobacco genotypes tolerant to low-nitrogen and their nitrogen efficiency types. Acta Agronomica Sinica, 2017, 43(7): 993-1002. (in Chinese)

[31] 林海明, 張文霖. 主成分分析與因子分析的異同和SPSS軟件——兼與劉玉玫、盧紋岱等同志商榷. 統(tǒng)計(jì)研究, 2005, 22(3): 65-69.

Lin H M, Zhang W L. The relationship between principal component analysis and factor analysis and SPSS software—To discuss with comrade Liu Yumei, Lu Wendai etc. Statistical Research, 2005, 22(3): 65-69. (in Chinese)

[32] 周麗艷, 郭振清, 馬玉玲, 東方陽(yáng), 林小虎. 春小麥品種農(nóng)藝性狀的主成分分析與聚類分析. 麥類作物學(xué)報(bào), 2011, 31(6): 1057-1062.

Zhou L Y, Guo Z Q, Ma Y L, DONGFANG Y, Lin X H. Principal component and cluster analysis of different spring wheat cultivars based on agronomic traits. Journal of Triticeae Crops, 2011, 31(6): 1057-1062. (in Chinese)

[33] 連盈, 盧娟, 胡成梅, 牛胤全, 史雨剛, 楊進(jìn)文, 王曙光, 張文俊, 孫黛珍. 低氮脅迫對(duì)谷子苗期性狀的影響和耐低氮品種的篩選. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2020, 28(4): 523-534.

Lian Y, Lu J, Hu C M, Niu Y Q, Shi Y G, Yang J W, Wang S G, Zhang W J, Sun D Z. Effects of low nitrogen stress on foxtail millet seedling characteristics and screening of low nitrogen tolerant varieties. Chinese Journal of Eco-Agriculture, 2020, 28(4): 523-534. (in Chinese)

[34] 陳林濤, 馬旭, 曹秀龍, 溫志成, 季傳棟, 李宏偉. 基于主成分分析的雜交稻芽種物理特性評(píng)價(jià)研究. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(16): 334-342.

Chen L T, Ma X, Cao X L, Wen Z C, Ji C D, Li H W. Evaluation research of physical characteristics of hybrid rice buds based on principal component analysis. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 334-342. (in Chinese)

[35] 王佳兒, 肖悅, 王志昊, 鄭長(zhǎng)娟, 王勇, 白旭乾, 于廣多, 張智韜. 剔除土壤背景對(duì)反演玉米根域土壤含水率的影響研究. 節(jié)水灌溉, 2021(12): 81-86, 93.

Wang J E, Xiao Y, Wang Z H, Zheng C J, Wang Y, Bai X Q, Yu G D, Zhang Z T. Effect of removing soil background on inversion of soil moisture content in maize root zone. Water Saving Irrigation, 2021(12): 81-86, 93. (in Chinese)

[36] 徐海成. 冬小麥高產(chǎn)高效群體構(gòu)建的栽培模式研究[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2016.

Xu H C. Study on cultivation mode of high yield and high efficiency population construction of winter wheat[D]. Taian: Shandong Agricultural University, 2016. (in Chinese)

[37] 米國(guó)華, 陳范駿, 春亮, 郭亞芬, 田秋英, 張福鎖. 玉米氮高效品種的生物學(xué)特征. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2007, 13(1): 155-159.

Mi G H, Chen F J, Chun L, Guo Y F, Tian Q Y, Zhang F S. Biological characteristics of nitrogen efficient maize genotypes. Journal of Plant Nutrition and Fertilizer Science, 2007, 13(1): 155-159. (in Chinese)

[38] 王春曉, 凌飛, 鹿?jié)蓡? 姜蔚, 臧宏偉, 張偉, 姚杰, 蘭豐, 柳璇, 王志新, 鄭永美. 不同氮效率花生品種氮素累積與利用特征. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2019, 27(11): 1706-1713.

Wang C X, Ling F, Lu Z Q, Jiang W, Zang H W, Zhang W, Yao J, Lan F, Liu X, Wang Z X, Zheng Y M. Characteristics of nitrogen accumulation and utilization in peanuts () with different nitrogen use efficiencies. Chinese Journal of Eco- Agriculture, 2019, 27(11): 1706-1713. (in Chinese)

[39] Du M M, Noguchi N. Monitoring of wheat growth status and mapping of wheat yield’s within-field spatial variations using color images acquired from UAV-camera system. Remote Sensing, 2017, 9(3): 289.

[40] ZHOU X, ZHENG H B, XU X Q, HE J Y, GE X K, YAO X, CHENG T, ZHU Y, CAO W X, TIAN Y C. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255.

[41] 王晶晶, 李長(zhǎng)碩, 卓越, 檀海斌, 侯永勝, 嚴(yán)海軍. 基于多時(shí)相無(wú)人機(jī)遙感生育時(shí)期優(yōu)選的冬小麥估產(chǎn). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(9): 197-206.

Wang J J, Li C S, Zhuo Y, Tan H B, Hou Y S, Yan H J. Yield estimation of winter wheat based on optimization of growth stages by multi-temporal UAV remote sensing. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(9): 197-206. (in Chinese)

[42] WANG L G, TIAN Y C, YAO X, ZHU Y, CAO W X. Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images. Field Crops Research, 2014, 164: 178-188.

[43] 程千, 徐洪剛, 曹引波, 段福義, 陳震. 基于無(wú)人機(jī)多時(shí)相植被指數(shù)的冬小麥產(chǎn)量估測(cè).農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021, 52(3): 160-167.

Cheng Q, Xu H G, Cao Y B, Duan F Y, Chen Z. Grain yield prediction of winter wheat using multi-temporal UAV based on multispectral vegetation index. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 160-167. (in Chinese)

[44] GUYON I, ELISSEEFF A. An introduction to variable and feature selection. Journal of Machine Learning Research, 2003, 3(3): 1157-1182.

[45] 趙靜, 李志銘, 魯力群, 賈鵬, 楊煥波, 蘭玉彬. 基于無(wú)人機(jī)多光譜遙感圖像的玉米田間雜草識(shí)別. 中國(guó)農(nóng)業(yè)科學(xué), 2020, 53(8): 1545-1555. doi: 10.3864/j.issn.0578-1752.2020.08.005.

Zhao J, Li Z M, Lu L Q, Jia P, Yang H B, Lan Y B. Weed identification in maize field based on multi-spectral remote sensing of unmanned aerial vehicle. Scientia Agricultura Sinica, 2020, 53(8): 1545-1555. doi: 10.3864/j.issn.0578-1752.2020.08.005. (in Chinese)

[46] 魏永康, 楊天聰, 臧少龍, 賀利, 段劍釗, 謝迎新, 王晨陽(yáng), 馮偉. 基于無(wú)人機(jī)多光譜影像特征融合的小麥倒伏監(jiān)測(cè). 中國(guó)農(nóng)業(yè)科學(xué), 2023, 56(9): 1670-1685. doi: 10.3864/j.issn.0578-1752.2023. 09.005.

Wei Y K, Yang T C, Zang S L, He L, Duan J Z, Xie Y X, Wang C Y, Feng W. Monitoring wheat lodging based on UAV multi-spectral image feature fusion. Scientia Agricultura Sinica, 2023, 56(9): 1670-1685. doi: 10.3864/j.issn.0578-1752.2023.09.005. (in Chinese)

[47] 劉忠, 萬(wàn)煒, 黃晉宇, 韓已文, 王佳瑩. 基于無(wú)人機(jī)遙感的農(nóng)作物長(zhǎng)勢(shì)關(guān)鍵參數(shù)反演研究進(jìn)展. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(24): 60-71.

Liu Z, Wan W, Huang J Y, Han Y W, Wang J Y. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(24): 60-71. (in Chinese)

[48] 陶惠林, 徐良驥, 馮海寬，楊貴軍, 楊小冬，苗夢(mèng)珂, 代陽(yáng). 基于無(wú)人機(jī)數(shù)碼影像的冬小麥株高和生物量估算. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(19): 107-116.

Tao H L, Xu L J, Feng H K, Yang G J, Yang X D, Miao M K, Dai Y. Estimation of plant height and biomass of winter wheat based on UAV digital image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 107-116. (in Chinese)

[49] 潘治利, 祁萌, 魏春陽(yáng), 李鋒, 張仕祥, 王建偉, 過(guò)偉民, 艾志錄. 基于圖像處理和支持向量機(jī)的初烤煙葉顏色特征區(qū)域分類. 作物學(xué)報(bào), 2012, 38(2): 374-379.

Pan Z L, Qi M, Wei C Y, Li F, Zhang S X, Wang J W, Guo W M, Ai Z L. Color region classification of flue-cured tobacco leaves based on the image processing and support vector machine. Acta Agronomica Sinica, 2012, 38(2): 374-379. (in Chinese)

[50] 毋雪雁, 王水花, 張煜東. K最近鄰算法理論與應(yīng)用綜述. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(21): 1-7.

Wu X Y, Wang S H, Zhang Y D. Survey on theory and application of K-Nearest-Neighbors algorithm. Computer Engineering and Applications, 2017, 53(21): 1-7. (in Chinese)

[51] 周濤麗. 基于支持向量機(jī)的多分類方法研究[D]. 成都: 電子科技大學(xué), 2015.

Zhou T L. Research on multi-classification method based on support vector machine[D]. Chengdu: University of Electronic Science and Technology of China, 2015. (in Chinese)

Classification and Identification of Nitrogen Efficiency of Wheat Varieties Based on UAV Multi-Temporal Images

ZANG ShaoLong1, LIU LinRu1, GAO YueZhi1, WU Ke1, HE Li1,3, DUAN JianZhao1, SONG Xiao2, FENG Wei

1College of Agronomy, Henan Agricultural University, Zhengzhou 450046;2Institute of Plant Nutrition and Environmental Resources, Henan Academy of Agricultural Sciences, Zhengzhou 450002;3National Engineering Research Centre for Wheat, Zhengzhou 450046

【Objective】To explore the potential of UAV remote sensing in nitrogen efficiency classification and recognition, a nitrogen efficiency classification method for wheat varieties was constructed, so as to provide the theoretical basis and technical support for nitrogen efficient variety screening.【Method】Six agronomic indicators related to nitrogen efficiency at maturity stage (yield, plant nitrogen accumulation, nitrogen physiological use efficiency, plant dry biomass, total nitrogen uptake of grains, and N harvest index) were used to construct the principal component synthesis value, and K-Means cluster analysis was performed on them. The 121 wheat varieties were divided into three types: high, medium, and low nitrogen efficiency types. A UAV remote sensing platform equipped with a multi-spectral camera was used to obtain remote sensing images of wheat at the jointing, booting and flowering stages, and 34 vegetation indices were extracted to analyze the correlation between vegetation index and nitrogen efficiency comprehensive value. The accuracy of nitrogen efficiency classification models of support vector machine (SVM), random forest (RF), and K-nearest neighbor (KNN) classification methods were compared, and the overall classification accuracy (OA) and Kappa coefficient were used to compare the classification and recognition ability of wheat varieties in different growth periods. Three different feature set screening methods (ReliefF algorithm, Boruta algorithm and RF-RFE algorithm) were used to comprehensively evaluate the optimized feature subsets, and an appropriate classification and recognition method for wheat varieties nitrogen efficiency was established.【Result】With the progress of wheat growth stage, the correlation between vegetation index and the comprehensive value of nitrogen efficiency gradually increased, which reached the highest correlation coefficient at flowering stage (=0.502). The full feature set of vegetation indices was used to classify the nitrogen efficiency of wheat varieties. For the data of single growth stage, SVM model had the best classification accuracy at flowering stage (OA=77.1%, Kappa=0.591), and the worst classification accuracy at jointing stage (OA=65.6%, Kappa=0.406). In general, the classification accuracy of nitrogen efficiency of varieties with multi-growth stage data fusion was higher than that of single growth stage, among which SVM model with jointing stage + booting stage + flowering stage had the best classification accuracy (OA=80.6%, Kappa=0.669). In order to reduce the number of feature set variables in multi-growth period data fusion, the feature optimization effects of RF-RFE, Boruta and ReliefF algorithms were compared and analyzed. The optimal feature subset based on RF-RFE algorithm had the highest classification accuracy, and its OA and Kappa coefficients were 4.0% and 10.1% higher than those of the full feature set classification model, respectively. Among them, the data fusion of three growth stages had the best classification accuracy (OA=85.4%, Kappa=0.749).【Conclusion】The nitrogen efficiency evaluation method with six nitrogen efficiency indexes - principal component analysis -K-Means were established in this study. The RF-RFE algorithm effectively optimized the number of characteristic subsets of the multi-growth period combination, and obtained high classification accuracy. A nitrogen efficiency classification model of wheat varieties based on the fusion of multi-growth period combination and RF-RFE-SVM technology was established, which provided the theoretical basis and technical support for the rapid and accurate classification and identification of wheat varieties with nitrogen efficiency.

winter wheat; UAV; vegetation index; multiple growth periods; feature selection; nitrogen efficiency classification

10.3864/j.issn.0578-1752.2024.09.006

2023-11-19；

2024-03-01

國(guó)家自然科學(xué)基金（32301693）、河南省科技研發(fā)計(jì)劃聯(lián)合基金項(xiàng)目（232103810017，222103810015）、河南省高等學(xué)校重點(diǎn)科研項(xiàng)目（24A210008）

臧少龍，E-mail：z036213@163.com。通信作者賀利，E-mail：he-li19870308@163.com。通信作者馮偉，E-mail：fengwei78@126.com

（責(zé)任編輯 李秋雨）