光谱成像技术是一种快速、准确和无损的信息获取技术，常被应用于测量作物生长过程中的各项指标和胁迫状态。近年来，高光谱成像技术切实助力了精细农业的进步与发展。然而在相关研究中，高光谱成像技术多应用于预测单种栽培植物的生长和养分含量，研究对象具有一定的局限性。因此，本研究旨在利用高光谱图像数据建立混合栽培植物的多种农艺性状的预测模型。研究表明，在受控温室环境中，高光谱成像技术能够预测不同的土壤氮水平和土壤磷水平下的单独栽培植物(草类、豆科)和混合栽培植物的生物量、叶片氮浓度和氮产量。

　　研究首先利用机器学习算法对高光谱图像中的植物进行了详细区分，然后基于像素平均特征进行了各性状指标的回归分析。具体而言，基于可见近红外光谱与短波近红外光谱的支持向量机(SVM)模型可较好地区分背景与绿色植物的差别，误分类率仅为0.02%。在区分草类植物和豆科植物时，运用可见近红外光谱图像的超色调图像和短波近红外光谱的原始图像的SVM模型的分类准确率分别为3.16%和9.56%。在性状回归方面，研究选用各性状指标的混合模型和偏最小二乘回归(PLSR)模型进行了比较分析，研究发现PLSR对草类植物的回归决定系数较高，数值均在0.77以上。但是其在检测氮×磷互作效应对氮产量的影响时，回归结果与混合模型结果出现了差异。PLSR在对豆科植物的性状回归时，决定系数最高仅有0.577。本研究运用PLSR的载荷系数确定了影响PLSR模型预测草类植物和豆科植物的氮含量和生物量的特征波长。在受控条件下，本研究利用高光谱数据对混合栽种作物的生长性状和养分含量进行有效预测，有助于提高遥感技术在混合栽种大田中的广泛应用。

　　图1 本研究的数据采集和处理流程图

　　图2 (a)单株栽种植物图像示意图;(b)混合栽种植物的可见近红外光谱图像(蓝色：豆科植物;红色：草类植物);(c)混合栽种植物的短波近红外光谱图像(蓝色：豆科植物;红色：草类植物)

　　图3低氮磷(LNLP)、高磷(LNHP)、高氮(HNLP)和高氮磷(HNHP)条件下的草类植物(G)和豆科植物(L)的生物量、氮产量和叶片氮浓度的混合模型的估计平均值

　　图4 草类植物(G)和豆科植物(L)的实验室测量值与PLSR模型预测值的各指标回归结果

　　来源：Ball K R, Liu H, Brien C, et al. Hyperspectral imaging predicts yield and nitrogen content in grass–legume polycultures[J]. Precision Agriculture, 2022: 1-19.

　　编辑：张金诺