《Computers and Electronics in Agriculture》：UAV hyperspectral prediction of soil nutrients using the cluster-hybrid method
編輯推薦：
針對耕地破碎化區域土壤水分、粗糙度等外部因素影響無人機（UAV）高光譜預測土壤養分精度的問題，研究人員提出聚類混合方法。通過對像素光譜聚類建模，結合普通克里金（OK）法，發現該方法較全局模型顯著提升總氮（TN）、總磷（TP）、土壤有機質（SOM）預測精度，為精準農業提供新途徑。
研究背景與意義
在農業生產中，土壤養分如總氮（TN）、總磷（TP）和土壤有機質（SOM）是評估土壤質量的核心指標。傳統實驗室分析成本高、效率低，難以滿足現代農業精細化管理需求。無人機（UAV）高光譜遙感憑借高空間分辨率、實時性強等優勢，成為田間尺度土壤養分監測的新興技術。然而，在耕地破碎化顯著的區域（如我國黃淮海平原），相鄰農田因耕作時間、土壤水分、表面粗糙度及秸稈覆蓋等外部因素差異，導致無人機影像中像素光譜特征異質性強，傳統全局模型難以準確捕捉土壤養分與光譜的復雜關系，預測精度受限。
為解決這一難題，河南大學生命科學學院等機構的研究人員開展了相關研究。他們以河南省封丘縣為研究區，針對耕地破碎化導致的光譜干擾問題，提出 “聚類混合方法”，旨在通過精細化建模提升無人機高光譜對土壤養分的預測能力。該研究成果發表于《Computers and Electronics in Agriculture》，為破碎化農田的土壤精準監測提供了新的技術路徑。
關鍵技術方法
研究采用以下核心技術：
- 光譜聚類：利用高斯混合模型（GMM）對無人機高光譜影像的像素進行聚類，根據光譜特征將研究區域劃分為不同類別，以區分受外部因素影響程度不同的地塊。
- 局部建模：對每個聚類分別構建偏最小二乘回歸（PLSR）、支持向量機回歸（SVR）和深度神經網絡（DNN）模型，針對不同聚類的土壤特性優化預測算法。
- 地統計補充：對于因外部因素導致預測精度低的聚類，利用普通克里金（OK）法，基于高精度聚類的預測值進行空間插值，補充養分空間分布信息。
- 數據采集：在研究區采集 65 份表層土壤樣本（涵蓋未耕地與耕地），通過 HySpex 高光譜傳感器獲取 400–1000 nm 波段的光譜數據，結合實驗室化學分析獲取養分含量真值。
研究結果
1. 全局模型的局限性
- 光譜差異顯著：未耕地與耕地之間、耕地內部因外部因素存在明顯光譜差異，導致全局模型無法有效適配異質化數據。
- 預測精度低下：全區域全局模型對 TN、TP、SOM 的 R2 僅為 0.17、0.14 和 < 0；耕地單區域模型的 R2 分別為 0.15、0.17 和 < 0，表明全局建模在破碎化農田中失效。
2. 聚類混合方法的有效性
- 未耕地聚類表現：采用 SVR 模型獲得較高精度，TN、TP、SOM 的 R2 分別為 0.76、0.76、0.72，均方根誤差（RMSE）為 0.07 g/kg、0.05 g/kg、1.28 g/kg，顯示未受耕作干擾的區域光譜與養分相關性更穩定。
- 耕地聚類表現：5 個耕地聚類中，某一類通過 DNN 模型實現高精度預測，TN、TP、SOM 的 R2 達 0.76、0.74、0.79，RMSE 為 0.08 g/kg、0.06 g/kg、1.00 g/kg，表明特定耕作條件下的局部建�？赏黄仆獠恳蛩馗蓴_。
3. 養分空間制圖
將高精度聚類的 DNN/SVR 預測結果與低精度聚類的 OK 插值結果拼接，生成各養分的高分辨率空間分布圖，實現了破碎化農田中土壤養分的精細化表征。
結論與討論
本研究首次將聚類混合方法應用于無人機高光譜土壤養分預測，證實了該方法在破碎化農田中的有效性。研究發現，通過光譜聚類區分異質化地塊并構建局部模型，結合地統計方法補充空間信息，可顯著提升 TN、TP、SOM 的預測精度（R2 提升 0.6–0.8），突破了傳統全局模型受外部因素干擾的瓶頸。
該方法的創新點在于結合機器學習與地統計學，既利用了高光譜數據的精細光譜特征，又通過空間插值彌補了局部建模的局限性，為復雜農田環境下的土壤監測提供了技術范式。研究結果對耕地資源緊張、破碎化程度高的地區（如東亞、南亞農業區）具有重要參考價值，可助力精準農業中變量施肥、土壤質量分區管理等決策，推動遙感技術在智慧農業中的實際應用。未來研究可進一步拓展至更多外部因素（如土壤質地、作物類型）的影響機制，優化聚類算法與模型組合，提升方法的普適性。
