用于小麦产量估算的高光谱成像

用于小麦产量估算的高光谱成像摘要氮肥的有效利用是现代农业中的一个关键问题。须尽量减少施肥，以减少对环境的影响，但在不影响产量的情况下以好的方式进行施肥。2017年6月，对冬小麦植株进行了八种不同氮处理的对照实验，并使用基于无人机的高光谱推送室相机Resonon Pika-L（400–1000 nm）进行了研究。该系统与精确的惯性测量单元（IMU）和万向节相结合，非常稳定，能够获得高光谱和高空间质量的高光谱图像。此外，在田间对48个样品（叶面积指数（LAI）、叶绿素（CHL）和反射光谱）进行了原位测量，这些样品在不同的氮处理中均匀分布。这些测量结果用于预测粮食产量，因为参数本身对植物的光谱反射没有直接影响。因此，我们提出了一种基于LAI和叶绿素估计的间接方法，该方法使用偏最小二乘回归（PLSR）从获得的高光谱图像数据中进行估计。所得模型显示了这些参数的可靠可预测性（R2LAI=0.79，RMSELAI[m2m−2]=0.18，R2CHL=0.77，RMSECHL[µg cm−2]=7.02）。随后使用LAI和CHL预测来校准多元线性回归模型，以估计粮食产量（R2yield=0.88，RMSE产量[dt ha−1]=4.18）。利用该模型，对高光谱图像进行了逐像素预测。由此得出的产量估计值得到了验证，并与不同的氮处理相反，这表明，在一定的施氮量以上，进一步施肥并不一定能带来更大的产量。1. 简介高效的粮食生产需要在最大限度地减少环境破坏和最大限度地提高产量之间取得平衡。广泛使用氮（N）进行施肥是当今农业的关键问题之一。未使用的氮会渗入地下水，从而危及饮用水的质量。此外，受污染的地下水排入河流和湖泊，导致这些水体富营养化。从农民的角度来看，最重要的经济参数是产量。在法定限度内过量施用氮肥会导致成本增加，但不会增加额外产量的价值。对化肥施用的进一步可能的监管只会对产量产生有限的负面影响。通过对照实验，直接比较不同施氮量的收获产量，可以确定减少施肥的影响。此外，在营养生长过程中监测这些影响的新概念使精确农业应用的发展成为可能，特别是为高效氮肥而创建的应用。各种规模的遥感技术往往被证明是农业作物监测的合适工具。特别是，无人机支持的遥感能够通过较低的飞行高度和高分辨率数据对个别地区进行非常精确的监测。近年来，基于无人机的高光谱记录系统发展迅速。与基于载人飞机的系统相比，传感器在采集和处理过程中更小、更轻、成本更低。这项技术的巨大潜力已经被证明。高光谱快照相机系统经常使用，因为与推送室相机相比，它们更容易处理，尤其是在拼接图像时。另一个问题是在预处理过程中对推室相机的线进行正射校正，因为原始数据的质量在很大程度上取决于惯性测量单元（IMU）的测量精度、万向节的整体稳定性和风力条件。许多研究已经表明了这些数据集的能力和限制。一旦克服了这些障碍，由于其较窄的线形相机孔径和较高的传感器分辨率，推室扫描仪系统能够以比快照系统更高的分辨率（空间和光谱）记录明显更少的噪声影响的光谱。由于粮食产量对作物的反射率没有直接影响，因此应通过估计其他生物物理参数间接得出。尽管可以表明直接从反射光谱估计粮食产量在统计学上是可能的，但最终确定这种关系只能通过生物物理和生物化学特性间接解释。在其他植物特性中，叶绿素含量（CHL）和叶面积指数（LAI）与粮食产量相关，这可以通过不同尺度和平台的遥感数据可靠地估计。此外，土壤矿物氮自然对植物发育有很强的影响，从而对叶绿素和叶面积的产生也有很大的影响，因此，这些参数也可以作为植物吸收氮的指标。LAI是描述农业植物条件的重要参数之一。例如，它可以用于获得有关生物量、养分供应、生长阶段和产量估计的信息。高光谱遥感数据用于LAI评估的可能性已经在不同尺度的各种研究中进行了研究。利用高光谱场光谱仪，可以确定LAI的良好预测性。机载高光谱成像仪也已成功用于预测LAI。最近许多使用无人机支持系统的出版物经常依赖多光谱传感器来推导LAI。然而，基于无人机的高光谱传感器的有效使用只有几年的时间，这就是为什么只有少数研究可以从这些数据中估计LAI的原因。参考文献使用无人机上的高光谱快照相机（450–950 nm）来估计不同生长阶段的冬小麦LAI。为此，根据光谱和高度信息计算了各种指数，并借助偏最小二乘回归（PLSR）或随机森林回归估计了LAI，结果平平（R2=0.59）。另一项研究将不同的回归和采样技术与来自同一高光谱快照相机的数据进行了比较，以预测大豆的LAI。他们使用在整个酚学中获得的测量结果，对所有方法都获得了类似的稳健结果（R2=~0.70）。相反，在增长阶段只使用一次数据，就会产生明显较弱的模型。CHL浓度是一个重要的生化参数，因为它是植物健康、营养物质可用性和植物胁迫的直接指标。这一参数已经在现场和飞机层面的高光谱遥感中进行了广泛的研究，而从基于无人机的高光谱数据中推导CHL相对罕见，因为它是一项相当新的技术。参考文献获得了春小麦的高光谱快照数据，并用最小二乘回归方法预测了叶绿素含量，从而建立了中等质量的模型。他们还将这些结果与常规RGB图像的预测进行了比较，没有发现使用高光谱数据有很大优势。据我们所知，到目前为止，这两个参数的推导仅在有限的程度上应用基于高分辨率无人机的高光谱推送室扫描仪进行了研究，本研究的目的是研究这些数据在估计冬小麦CHL和LAI方面的潜力。因此，我们研究了基于无人机的高光谱推送室扫描仪是否可以克服上述障碍，以及该技术的数据质量。此外，从估计的CHL和LAI间接推导粮食产量是可靠的。最后，研究了不同氮肥对这些估计和研究区内粮食产量的影响。2.材料和方法2.1. 研究区域和作物管理冬小麦的田间数据是在德国西北部贝尔姆（52.31°N，8.11°E）的奥斯纳布吕克应用科学大学现有的田间试验（面积约830平方米）中收集的。试验的最初目的是评估不同氮肥施用策略对饮用水质量的影响。地形非常平坦，东北部海拔约110米，东南部海拔109米。气候条件为温带海洋性（Cfb），年平均降水量为883毫米，年平均气温为9.4°C。表1总结了主要的作物管理业务。表1.作物管理试验季2016/2017。DAS：播种后几天。实验设置包括八个处理，在三次重复中总共有六个N施肥水平（表2，图1）。最佳处理（“opt”）遵循农业部[36]的官方区域建议，而减少的最佳处理（“opt-”）反映了地下水保护的肥料限制（表2，图1）。所有其他N施肥水平都在0和150 kg ha−1之间等距选择。图1.研究地点概述；每个地块通过处理着色、编号并标记施用的N量和N类型。m： 矿物，o:有机。表2.根据不同的处理，以kg ha−1 N为单位划分肥料施用率。m： 矿物肥料（硝酸钙铵，27%氮），o:有机肥料（猪粪，4.52%氮），opt:根据官方建议计算的最佳氮肥用量；opt–：opt减少10%。2.2. 数据和预处理2.2.1. 字段数据在2017年6月20日的一次野外活动中（252 DAS），进行了48次CHL和LAI测量，其中两次来自野外实验的每个地块（图1）。因此，在每个位置上对0.25-m2区域内的10个等分布CHL和5个等分布LAI测量值进行平均。CHL测量是用Konica Minolta的SPAD-502Plus叶绿素仪进行的。SPAD测量是在每个地块中10片完全发育的最上部叶片上进行的。然后，根据Markwell将SPAD值转换为µg cm−2 CHL。用Li-Cor的LAI-2200C植物冠层分析仪测量LAI。此外，用安装在三脚架上的现场光谱仪SVC HR-1024i观察每个地块。为了测定新鲜生物量，在生理成熟时，通过在每个地块内随机选择的四个0.25m2区域内手工切割整株植物来收获24个地块。这些区域与前面提到的采样位置不匹配。核心地块（14.7 m2）的收割是用Hege试验联合收割机完成的。谷物产量数据显示为86%干物质。2.2.2. 高光谱无人机图像数据在本研究中，使用了辐射校准的Resonon-Pika-L高光谱推送室扫描仪。该传感器具有900个空间像素，每个像素具有281个光谱通道，覆盖400至1000nm的光谱范围。最大光谱分辨率为2.1 nm。配备的物镜的视场为17.6°。该相机安装在DJI S1000+八旋翼机上，带有三轴万向节和SBG Systems的Ellipse-N IMU，滚转和俯仰精度为0.1°，航向精度为0.5°（图2）。完整的无人机系统重达11.2公斤，总飞行时间约为7分钟。图2.带安装摄像头的Octocopter（a）和带摄像头系统和惯性测量单元（IMU）的三轴万向节的特写（b）。图像数据采集于2017年6月19日在无云天气条件下进行。将三块具有不同亮度的0.25m2参考板（95%白色、40%灰色和5%黑色）放置在研究区域内进行后处理，并使用现场光谱仪SVC HR-1024i进行测量。在飞行高度为100米的情况下，实现了31米的地面覆盖带。这导致了大约3厘米的初始空间分辨率，在正射矫正过程中降低到10厘米。然后使用现场目标对图像进行地理参考。所有预处理步骤如图3所示。由于相机系统与三轴万向节相结合被证明是非常可靠和稳定的，原始数据的图像几何结构已经接近真实情况（图4）。图3.预处理和分析过程中执行的每个步骤的概述。图4.图像（a）和正射校正图像（b）的原始几何图形。通过计算观测到的0.25-m2图的场光谱和图像光谱之间的平均距离来评估高光谱图像的光谱质量。最初，白色参考面板用于将辐射数据转换为反射。比较图像光谱和场光谱显示，由于图像数据中的噪声，400和450 nm之间以及900 nm以外的光谱之间存在相对较高的差异（图5a）。这表明有必要在观测光谱范围的开始和结束处排除图像数据的某些波段，并进行辐射校正。此外，对于辐射校正，使用参考面板的图像和场光谱以及小麦测量值进行了经验线校正。为了减少噪声，将光谱数据限制在450至900nm的光谱范围内，并将其装仓到106个光谱通道，每个通道具有4nm。由于频谱仍然受到一些噪声的影响，因此进行了最小噪声分数变换（MNF），并用前14个MNF频带进行了反演。这些执行的步骤导致噪声较小，与场谱的偏差较小（图5b，请考虑与图5a相比Y轴的不同比例）。在空间上，图像数据被缩小到研究区域的真实程度（图1），不包括中间的人行道和实验周围的保护性小麦植物。此外，为了避免光谱混合像素，排除了来自所调查图边界的一行像素进行进一步分析。图5.每个谱带的场和原始图像光谱之间的平均距离（a）以及每个谱带场和降噪图像光谱之间平均距离。2.3. 方法论在第一步中，使用LAI测量的坐标从图像中提取48个图中每个图的0.25-m2采样区域的光谱。对这些光谱进行平均，得到一组48个图像光谱，对应于LAI和CHL测量值。两个PLSR型号分别使用LAI和CHL测量的提取光谱进行校准。由于每种氮处理都应用于三个地块，其中一个地块被排除在模型校准之外，并用于独立验证。验证图始终是与其他两个具有最大空间距离的图。这导致32个样本用于校准，16个样本用于验证。模型中最多包含10个潜在变量，使用R2和均方根误差（RMSE）作为质量度量。随后用验证样本对RMSE最低的性能最佳的模型进行验证。残差采用单样本t检验进行正态分布和显著性检验。为了获得完整研究地点的估计，使用这些模型来预测完整图像的CHL含量和LAI。由于粮食产量信息仅作为每个地块的单个值可用，因此对来自图像数据的LAI和CHL估计进行了平均。然后，根据LAI和CHL进行多元线性回归（MLR）预测粮食产量。在这种情况下，使用留一交叉验证（LOOCV）来验证模型，因为样本数量（n=24）太少，无法进行独立验证。LOOCV从PLSR模型校准（n-1）中排除每个样本一次，而是从型号中预测作为质量度量。将该模型应用于图像数据的每个单独像素，以预测图像中每个像素的晶粒产率。所有描述的步骤都是使用R统计环境进行的。该方法的逐步说明如图3所示。3.结果3.1. 数据分析所调查的48个小麦小区的LAI相对较低，范围为1.13至2.70，平均值为2.17，标准偏差（SD）为0.42。CHL的变化较大，从19.82到77.18µg cm−2。平均而言，CHL含量为46.02，SD为15.59µg cm−2。24个粮食产量样本的范围约为18.61至62.71 dt ha−1，平均值为46.94 dt ha−2，标准差为12.30 dt ha−3。氮肥施用量对粮食产量的变化有显著影响（图6）。CHL和LAI的测量值均与测得的粮食产量呈高度正相关（CHL/产量=0.79，LAI/产量=0.90）。因此，这两个参数都被认为非常适合于产量预测。图6.六个氮水平的平均收获结果（每个三个样本），谷物产量为86%干物质。误差条表示平均值的标准误差。3.2. PLSR和MLRLAI的独立验证的PLSR模型得出R2=0.79，RMSE为0.182（图7）。回归线接近1:1线，斜率接近1。残差正态分布（pLAI=0.41），残差的t检验显示与零无显著差异（pLAI=0.26）。高估和低估的最大值约为0.5。未施肥地块的LAI测量值远低于剩余测量值，因此对模型质量有相当大的影响。然而，其中一个地块的LAI接近2。施肥量较高的小区LAI值在2到2.5之间相对相似。根据PLSR负载，最相关的波长范围位于710和760nm之间的红色边缘（负载约为0.2）。红外平台（760–900 nm）也被认为是模型的一个重要波长范围（负载约为0.15）。光谱的视觉部分对结果模型的贡献较小（约0.05的载荷）。图7.叶面积指数（LAI）独立验证的偏最小二乘回归（PLSR）模型的散点图，回归线（连续）和1:1线（虚线）。CHL模型的R2为0.77，RMSE为7.016µg cm−2（图8）。CHL观测值在观测数据范围内平均分布。高估和低估的最大值约为20µg cm−2。0.87的斜率和8.77的偏移量表明高估了较低的值，而高于70µg cm−2的较高CHL值往往被低估。给出了残差的正态分布（pCHL=0.96），残差的t检验也显示出与零无显著差异（pCHL=0.08）。PLSR负载在电磁光谱的蓝色（450nm）和红色（660nm）部分显示出显著的波长。这两个区域的负荷都在0.18左右。绿色区域（550nm）与模型无关。红色边缘和红外平台也没有显著的相关性，并且显示出低于和高于0的负载的噪声振荡。图8.独立验证的叶绿素（CHL）PLSR模型的散点图，回归线（连续）和1:1线（虚线）。整个研究区域的LAI预测（图9）显示了可复制的结果。非常低的LAI值接近于零，主要发生在地块和没有小麦植株生长的区域之间的狭窄车道上。由于这些车道的相邻像素的影响，LAI值仍略大于零。LAI估计值低于1的区域位于没有额外施肥的区域（3号、17号和21号地块）。一至二之间的数值主要出现在施用50 kg ha−1氮肥的地块（地块4、9和14）。大多数其他地块的LAI在2到3之间。使用125和141 kg ha−1矿物和有机肥料混合物的地块（地块编号5、7、13、15、16和19）的LAI值低于使用类似量的纯矿物肥料的地块。一般来说，LAI估计值往往随着施肥量的增加而增加。LAI估计值高于3，位于施用125至150 kg ha−1矿物肥料的地块中，随着施用量的增加略有增加。总体而言，即使在该实验的受控条件下，一些地块也明显不均匀（例如，16号地块）。研究地点西半部和东半部的LAI预测也略有差异，即使在相同的治疗类别内也是如此。例如，施用100 kg ha−1的22号地块的LAI估计值高于施用相同氮处理的11号和12号地块。图9.基于PLSR模型的LAI空间预测。不同地块的CHL预测（图10）总体上比LAI更具差异性，并且在相同处理的地块内显示出明显的异质性。最低CHL预测值（0–20µg cm−2）位于地块之间的人行道上。大于零的值是由来自相邻像素的混合光谱引起的。大约在20至40µg cm−2之间的值主要出现在没有额外施肥的地块（地块编号3、17和21）和施用50 kg ha−1肥料的地块中。在141 kg ha−1矿物和有机混合物处理下，预测CHL更高（40–60µg cm−2）（图号2、18和20）。施用125 kg ha−1混合矿物肥料和有机肥料的地块（地块编号5、7和13）的CHL低于单独施用相同数量矿物肥料（地块编号1、6和8）的地块。在125、141和150 kg ha−1处理的地块内，预测CHL最高（>80µg cm−2），按顺序明显增加。同样，一些处理相同的地块根据其在实验装置中的位置显示出差异（例如，11号和12号地块与22号地块）。图10.基于PLSR模型的CHL空间预测。具有24个样本（每个地块仅一个样本）的留一交叉验证MLR模型表明，根据LAI和CHL预测的粮食产量以及通过收割确定的粮食产量具有显著的可预测性（R2=0.88）（图11）。RMSE误差约为4 dt ha−1，证明了这两个预测变量对粮食产量的良好预测性。回归线非常接近1:1线，斜率接近1，偏移量可忽略不计，为-0.10 dt ha−1。高估和低估在观测数据范围内分布均匀。残差呈正态分布（p=0.18），t检验显示与零无显著差异（p=0.96）。图11.留一交叉验证的粮食产量多元线性回归（MLR）模型的散点图与回归线（连续）和1:1线（虚线）。将用于粮食产量预测的MLR模型应用于图像，得到了可理解的估计。粮食产量预测的内图变异性非常明显。在这一预测中，可以看到更高肥料处理（图12）会增加粮食产量。在没有任何处理的情况下，作物的粮食产量最低，约为20 dt ha−1（地块3、17和21）。50 kg ha−1肥料处理的产量略高（高达40 dt ha−1）（地块4、9和14）。施用100 kg ha−1肥料的地块提供了约60 dt ha−1的粮食产量。类似的处理，如125 kg ha−1矿物质（1、6和8号地块）和125 kg ha–1矿物质加有机物（5、7和13号地块），在估计粮食产量方面显示出明显差异。这种效应在141 kg ha−1处理中也很明显，但总体粮食产量较高。最高的粮食产量估计在150 kg ha−1处理下，最高可达80 dt ha−1（地块10、23和24），在地块23和24的单个像素处，有一些更高的估计值大于80 dt ha–1。图12.基于MLR模型的粮食产量空间预测。4. 讨论这项小规模的实地试验，记录了六种不同N水平的空间差异，使基于无人机高光谱推送室扫描仪数据的CHL和LAI预测的产量估计成为可能。与使用类似技术设备的其他研究相比，即使在通过IMU数据进行正射校正之前，所获得的图像在几何上也非常稳定。这主要是通过非常稳定和准确的三轴万向节以及无人机平台良好的飞行特性实现的。尽管俯仰轴在理论上在历史最低点调整的相机设置中已经过时，但该轴的万向节校正防止了相机拾取平台振动，从而减少了数据中的干扰。在播种后的调查日（252），相对较低的LAI测量值是合理的，Zadoks状态约为77。参考文献在不同氮处理下测定了冬小麦植株在该生长阶段相似的LAI。LAI和CHL随施肥量的增加而增加。这些相关性与的研究结果完全一致。当在每个施肥阶段反对实现的粮食产量（图7）时，至少考虑到矿物施肥地块，平均而言，超过125 kg ha−1的施用量，只有轻微的产量效益。未施肥小区的CHL是观察到的最低值，但它们并没有显著低于这些小区的LAI值。这是可以解释的，因为这些植物即使营养不良，但叶片健康但较少，这导致LAI测量值较低。此外，这些地块中相当稀疏的植物种群可能导致较低叶片水平的提前成熟，这可能导致叶片面积的总体减少。使用PLSR回归将观察到的LAI测量值与从相同位置提取的相应图像光谱相关联。为LAI实现的模型被证明是相当稳健的。许多研究已经表明，从高光谱数据中预测LAI在不同尺度上是可能的。最相关的波长位于红色边缘和红外平台，这与的发现非常一致。由于有一些较低的LAI测量值（位于未施肥地块），这些值的预测对模型质量有很大影响。在较高氮处理（125、141和150 kg ha−1）的地块上，LAI预测的小方差表明，较高的植物有效氮量不会显著增加叶片生长。因此，LAI单独不能预测不同氮处理地块的产量，因为额外的营养物质显然主要用于开发其他植物参数。因此，为了更可靠的区分，还进行了CHL建模，以将其纳入后期的产量估计中。CHL的PLSR模型也具有高质量，这与其他量表的研究结果完全一致。相关波长主要在450和650nm左右被识别，这是由于这些区域内CHL的已知吸收特征而预期的。模型往往略微高估了较低的CHL值。然而，与LAI相比，CHL的测量数据分布更加均匀。特别是，矿物+有机和纯矿物施肥地块之间的更强分化可能是产量估算的一个重要组成部分。LAI的空间预测允许在不同的肥料处理之间进行非常精确的区分，并且预测值是合理的。正如预期的那样，预测图像中每个地块的LAI随着上升施肥而增加，类似于开发的PLSR模型。总的来说，在大多数情况下，受精组之间的分离是可能的。然而，在没有任何额外信息的情况下，无法区分施肥非常相似的地块（例如125和141 kg ha−1地块）。这可以通过这些处理的LAI现场测量结果非常相似来解释，这表明超过125 kg ha−1的肥料量不会显著增加LAI。对内部图变异性的调查显示了所提出的结果的强度。一些使用相同处理的地块因其位置不同而不同，可见即使在非常可控的条件下，在小范围内，也会发生意外的变异。100 kg ha−1地块之间的差异可能是地形的影响。由于两个相邻的同等地块11和12向东南方向有一个轻微的斜坡，少量的营养物质可能被冲走，与地块22相比，减少了它们的可用性，并影响了植物的发育。CHL的空间预测指出了不同的结构和关系，因此能够从另一个角度区分地块。在研究CHL时，具有相似施肥的小区（LAI方差较低）更容易区分，例如具有125 m kg ha−1和125 m+o kg ha−2的小区。相反，没有施肥的地块更难分离，预测相对相似，比如50 kg ha−1的地块。部分有机施肥小区的CHL低于全矿物施肥小区。值得注意的是，矿物和有机肥料结合区的CHL非常低（125 m+o，141 m+o）。与LAI相比，相同数量的纯矿物施肥地块的差异要明显得多。考虑到有机氮不是立即完全可用的，必须事先矿化，这些植物比经过矿物处理的植物发育得更少。相反，图3和图4显示相似的CHL，但LAI不同。CHL在地块内侧似乎也较小，因为在这一侧，实验地块没有保护性的未观察区域。在一定程度上，图18-24的中心在图中的两个线性结构中具有非常高的CHL。相同的结构在图1和图2中变得可见，但不那么明显。这可能是由于施肥过程中的微小误差造成的。为了受益于LAI和CHL的两种不同估计，使用每个地块的每个参数的平均值来校准MLR，以预测测得的粮食产量。这个模型质量很高。这一结果支持了的研究结果，表明了LAI和CHL对粮食产量的可预测性。该模型遵循图7所示的趋势，即更强的施肥也往往会导致更高的产量，在更高的施氮率下，产量的增加幅度较小。施肥125 m+o kg ha−1的地区存在最高的不确定性，在三分之二的情况下，这些不确定性明显过高或低估。这种影响可以通过以下事实来解释：LAI的PLSR模型已经严重低估了125 m+o kg ha−1地块中的一个。此外，用于验证的图可能具有无法借助用于校准的两个图进行建模的影响。因此，这可能完全是由验证策略的选择造成的。由于样本量小，且受极低谷物产量的强烈影响，须谨慎处理这些结果。空间粮食产量预测使所有处理之间具有很好的可区分性。LAI值相似但CHL值不同的地块（5号、6号、7号和8号地块）以及反之亦然，表明粮食产量存在明显差异。这表明，通过结合CHL和LAI的估计，对产量进行可靠的空间估计是可能的。在这一点上，各个地块内产量的可变性也变得很明显。特别是在研究区的西南部，地块中部的产量显著较高。这些影响可能是由周围植物的保护作用以及前面提到的肥料施用略有不均匀的可能性造成的。在试验开始时，用49 kg ha−1测量土壤中的剩余氮。该值被认为适用于整个研究区域，而事实上，这些数量可能分布不均匀，因此也可能导致植物发育的变化。LAI（图9）、CHL（图10）和粮食产量（图12）的预测图以及高光谱数据集的RGB表示（图4）的视觉比较显示出明显的结构相似性。这些可能是基于生物物理的。图像数据中的深绿色区域比较亮区域具有更高的LAI和CHL值。这是因为较密集和多层的树叶（较高的LAI）比植被较不密集的部分吸收了更多的光。因此，这些区域也具有较高的CHL含量。这些方面也最终反映在产量估算中。5. 结论本研究提出的主要见解和相关结果有三个方面。首先，我们提出了一种基于无人机的高光谱推送室扫描系统，该系统能够记录高光谱和高空间质量的高分辨率数据。该系统非常适合调查，尤其是在较小的地区，如精准农业中的单个田地。通过所提出的硬件组合，我们能够证明在无人机上使用高光谱推送室相机时可以克服上述障碍。此外，与快照相机系统相比，这些优势可以得到有效利用。Resonon Pika-L相机能够记录450至900纳米之间的高质量光谱信号。然而，在900nm以上，信号是有噪声的，因此不用于本研究。还表明，应用经验线校正的辐射校正显著提高了信号质量。因此，每次飞行都需要收集场谱。在无人机上使用高光谱推送室扫描仪时，建议特别注意额外的硬件组件。这对于使用过的万向节来说尤其重要。高精度的三轴稳定对于将摄像机的运动减少到最低限度并吸收无人机的振动非常重要。此外，IMU应直接连接到万向节内的摄像头上。这可以非常准确地记录摄像机的方位，完全独立于无人机的运动。其次，我们表明，基于无人机的高空间分辨率高光谱数据的LAI和CHL预测是有前景的。通过LAI或CHL预测，区分不同处理的地块，即使它们部分相似，也是可能的。有了这种方法，表型分析和精确农业应用就有可能可靠地在空间上预测植物参数。这些信息可以在施肥前用于计算所需的最佳氮量，并以精确的方式施用，从而在不损失产量的情况下减少环境破坏。第三，利用LAI和CHL预测的优势，实现了一个有前景的粮食产量预测，这与不同处理有很强的相关性。对于未来的研究，该方法可用于通过获取密集的时间序列来研究最适合预测粮食产量的酚学点。本文提出的方法是在CHL和LAI测量的基础上进行的，由于不同的氮处理，这些测量具有相对较高的变异性。在实际现场条件下，这种可变性可能不会以这种形式出现。因此，在未来，在其他更均匀的数据上测试所提出的方法并在必要时对其进行调整是很重要的。此外，须检查所使用的无人机和相机技术是否适用于更大的区域。