目前，对小麦作物的准确监测是精准农业的决策过程的关键。本研究旨在利用机器学习回归算法（MLRAs）和降维（DR）技术从高光谱数据中提取小麦作物的不同性状。该试验在意大利的一块农田中进行，在不同因素如品种、氮处理和土壤耕作条件下进行。高光谱数据是在地面上使用全范围光谱演化光谱仪(350-2500nm)获取的。采用四种DR技术，包括（i）对投影的变量影响（VIP）、（ii）主成分分析（PCA）、（iii）植被指数（VI）和（iv）光谱特征（SF）计算，在保持高光谱数据信息量的前提下，对高光谱数据进行降维。使用五种MLRA模型，包括（i）偏最小二乘回归（PLSR），（ii）随机森林（RF），（iii）支持向量回归（SVR），（iv）高斯过程回归（GPR）和（v）神经网络（NN），分别对小麦叶片和冠层水平的性状进行了反演。研究性状为叶面积指数（LAI）、叶片和冠层含水量（LWC和CWC）、叶片和冠层叶绿素含量（LCC和CCC）以及叶片和冠层氮含量（LNC和CNC）。MLRA模型能够准确反演冠层水平的小麦性状，PLSR和NN表明建模最高性能。相反，MLRA模型表明对叶片水平性状反演精度较低。DR技术显著提高了作物性状的反演精度。此外，生成的模型使用土壤光谱重新校准，然后转移到使用CASI-SASI高光谱传感器收集的机载数据集中，从而可以估计整个田地的小麦性状。预测的作物性状图谱显示了一致的模式，同时也很好地保留了实际的田间特征。最后，采用统计配对t检验对研究站点内不同变量的小麦表型分析概念进行验证。在许多情况下，氮处理导致小麦作物性状存在显著差异，而观察到的品种间差异较小。土壤耕作条件对小麦作物性状没有特别影响。使用基于高光谱数据的MLRA和DR技术的这种组合可以帮助在整个种植季节有效地监测作物性状，也可以很容易地应用于其他农业环境，以帮助精确农业应用和高通量表型解决方案的实施。

图1意大利萨迪尼亚的研究区(左)。使用CASI数据于2022年5月29日获得的实验区域的RGB真实颜色(右)

图2 三重复试验方案图(Repx):(a)最小耕作和传统整地;(b)4个硬粒小麦品种(Vx);(c)4种施肥策略(Nx)。小组(d)报告了在第二次覆盖施肥期间为每个地块提供的实际剂量。bing图像用作背景

图3通过光谱演化收集的光谱特征随时间变化的示例。实线表示在每次活动中为每个实验地块获得的四个特征的平均值。标准偏差报告为每个标签的阴影颜色

表1在本研究中评估的特征属性列表

图4 根据不同的输入场景比较不同MLRA模型精度的统计。R2值用颜色编码，深绿色、中绿色和红色分别表示优秀(RPD>2.0)、中级(1.4<RPD<2.0)和不可靠(RPD<1.4)模型。详细的统计结果见附录D;表A2

图5 在交叉验证场景中获得的显示不同作物性状在冠层水平(a-d)和叶片水平(e-g)上的MLRA估计值与观测值的散点图。黑线虚线表示1:1的线。只显示了各作物性状的MLRA模型和输入场景的最佳组合。所有模型的详细统计结果见附录D表A2

图6散点显示表现最佳的MLRA模型对不同作物性状的可转移性结果到机载数据集。灰色和黑色虚线分别代表回归线和1:1线。只显示了各作物性状的MLRA模型和输入场景的最佳组合。所有模型的可转移性的详细结果见附录E;表A3。顶部面板(a,c,e,g)显示原始训练的结果，底部面板(b,d,f,h)显示结果，包括训练数据集中的土壤光谱

图7 将MLRA模型应用于机载高光谱图像，得到LAI(左上)、CWC(右上)、CCC(左下)和CNC(右下)的估算图

图8 基于MLRA的作物性状估计因研究站点不同的农业变量而产生的差异，包括4个品种(V1、V2、V3和V4;顶部)4个氮处理(N1、N2、N3、N4;中)、两种土壤耕作类型(L1和L2;

底部)。水平线显示中间值，由表示第25和75个百分位数的框边包围。数字表示t检验的p值，*、**、***和****分别表示p值小于0.05、0.01、0.001和0.0001的显著性水平

附录A CASI-SASI预处理

图A1 高光谱飞行覆盖的区域(a)和实验区域的高分辨率航线细节(b)。图片高亮显示了用于SASI亮度校准的标准防水布的位置

图A2在黑色防水布上收集的空中(CASI和SASI)辐射与地面辐射的示例。很明显，辐射目标存在校准问题

图A3ATCOR 4的大气校正结果有(绿线)和没有重新校准CASI+SASI层堆栈(红线)。黑线显示了通过光谱演化在地面上获得的反射率。上图(a)为黑色面板，下图(b)为白色面板

图A4来自大气校正后的空中数据的反射率(蓝线)与来自地面测量的反射率(黑线)的例子。两个红框显示了受水蒸气影响的光谱区域。图(a)报告了“R3L1V1N4”地块的测量结果(R3重复3-L1最小耕作-V1 Beltorax品种-N4施肥策略“可变速率”)。图(b)为“R1L2V3N3”(重复1-L2深耕-V3 Beltorax品种- N3施肥策略“标准+30%”)

附录C 高光谱植被指数及光谱特征

表A1本文研究了高光谱植被指数(VIs)列表

图A5 高光谱数据的光谱特征提取表征。AF和RpF分别表示吸收峰和反射峰特征

附录D 所有被测试解决方案的性能指标(MLRA和DR)

表A2不同的MLRA模型在不同输入情景下对所有研究作物性状的性能进行统计比较。给出了确定系数(R2)、归一化均方根误差(nRMSE)和性能-偏差比(RPD)。每个作物性状的最佳识别模型用深绿色、中绿色和红色分别表示优良(RPD>2.0)、中等(1.4<RPD<2.0)和312个不可靠(RPD<1.4)模型

表A3在模型生成阶段，最优MLRA模型(RPD>2)对冠层性状的可转移性结果。给出了决定系数(R2)、归一化均方根误差(nRMSE)、性能-偏差比(RPD)和偏差百分比(PBIAS)。每个作物性状的最佳识别模型用深绿色、中绿色和红色分别表示优良(RPD>2.0)、中等(1.4<RPD<2.0)和312个不可靠(RPD<1.4)模型