高效的N肥使用產出需要平衡最小的環境污染和最大的產量，N素使用效率是目前精準農業中重要問題之一。于2017年6月，應用無人機高光譜成像系統對八種不同氮處理的冬小麥進行了高光譜圖像采集。高光譜成像儀采用美國RESONON公司的Pika-L，波段范圍400-1000nm，系統集成了慣導測量系統（IMU）和穩定云臺，可以獲得較高精度的光譜分辨率和空間分辨率的數據。同時在地面采集并獲得冬小麥的葉綠素含量（CHL）、葉面積(LAI),利用偏最小二乘法進行反演估算，(RLAI?2= 0.79, RMSELAI [m2m2]?= 0.18,?R2CHL?= 0.77, RMSECHL [_g cm-2]?= 7.02)，并采用多元線性回歸模型進行了產量估測（R2產量＝0.88，RMSEfield[dt ha-1]=4.18）。利用該模型，可以對高光譜圖像進行像素水平的預測。結果表明，在一定施氮量以上，進一步施肥不一定會繼續導致產量增加，為高光譜精準農業研究提供了一定了理論支持。
1?實驗設計
試驗田位于德國西北部的奧斯納布呂克大學，包括8個處理，6個施氮水平。氮肥水平選擇在0到150 kg ha-1，如圖所示，不同顏色代表了不同的處理。
圖1研究區域
2?數據處理
高光譜傳感器采用美國RESONON公司的PikaL,無人機系統采用大疆無人機DJI S1000,以及SBG慣導系統和穩定云帶裝置（圖2）。
圖2 高光譜機載系統現場照片
幾何校正前????????????幾何校正后
3?結果和分析
圖7?LAI偏最小二乘回歸（PLSR）模型預測值與實測值比較 圖8?CHL偏最小二乘回歸（PLSR）模型預測值與實測值比較
利用高光譜數據采用偏最小二乘法模型進行LAI和CHL的估測，模型精度分別為LAI:R2?= 0.79，RMSE=0.182，CHL:R2?=0.77，RMSE=7.016。整個研究區域的LAI預測如（圖9）所示，接近于零的LAI值主要出現在田間地塊之間的狹窄的壟帶上，由于這些相鄰像素的影響，LAI值仍然大于零。LAI估值低于1個地塊（地塊3、17和21）無需額外施肥。地塊（4、9和14）值主要介于1和2之間，該區的施氮量為50 kg ha-1。含有125和141千克HA1礦物和有機肥料的地塊混合料（5、7、13、15、16和19號地塊）的LAI值低于純礦物施肥地塊。其他大部分地塊LAI估值在2-3之間。含有125和141千克礦物和有機肥料的混合料（地塊5、7、13、15、16和19號地塊）的LAI值低于相同數量的純礦物施肥地塊。
不同地塊的CHL預測(圖10 )總體上比LAI更加獨特，并且在相同處理的地塊內顯示出明顯的異質性。最低CHL預測值( 0–20g·cm2?)位于地塊之間的人行道上。相鄰像素的混合光譜使得其數值大于零值。大約在20至40g·cm2之間的值主要出現在沒有額外施肥的地塊(地塊3、17和21 )和施肥量為50 kg·ha-1的地塊。施肥含量在141千克ha-1礦物和有機混合物處理下，葉綠素含量會更高( 40 - 60g·cm2?)。含有125 kg ha-1礦物和有機肥的地塊顯示出比僅含有相同量礦物肥料的地塊(地塊1、6和8 )更低的CHL (地塊5、7和13 )。125、141和150 kg ha-1處理的地塊內CHL最高( > 80g·cm2?)。具有相同處理的地塊根據它們在實驗中的位置顯示出了細微差異(地塊11、12與22 )。
4?結論
1 介紹了一種基于無人機的高光譜推掃系統，該系統能夠記錄高空間分辨率和光譜分辨率的數據，非常適合于調查，特別是在較小的區域，如精準農業中的單一農場。通過所展示的硬件組合，可以證明，在無人機上使用推掃式相機可以克服畸變、拼接等傳統問題的影響，并有效利用與快照式相機相比的高光譜分辨率和光譜分辨率的優勢。同時，應用經驗線校正的輻射校正顯著改善了信號質量。
?2 基于無人機的高光譜數據的LAI和CHL預測具有很好的空間分辨率。通過LAI或CHL預測，區分不同處理的地塊。可以通過該技術在精確農業領域進行可靠的農田參數反演。這一信息可以在施肥前用于計算所需的最佳氮量，并以精確的方式施用，從而減少環境破壞而不損失產量。