编辑推荐：
针对耕地破碎化区域土壤水分、粗糙度等外部因素影响无人机（UAV）高光谱预测土壤养分精度的问题，研究人员提出聚类混合方法。通过对像素光谱聚类建模，结合普通克里金（OK）法，发现该方法较全局模型显著提升总氮（TN）、总磷（TP）、土壤有机质（SOM）预测精度，为精准农业提供新途径。
研究背景与意义
在农业生产中，土壤养分如总氮（TN）、总磷（TP）和土壤有机质（SOM）是评估土壤质量的核心指标。传统实验室分析成本高、效率低，难以满足现代农业精细化管理需求。无人机（UAV）高光谱遥感凭借高空间分辨率、实时性强等优势，成为田间尺度土壤养分监测的新兴技术。然而，在耕地破碎化显著的区域（如我国黄淮海平原），相邻农田因耕作时间、土壤水分、表面粗糙度及秸秆覆盖等外部因素差异，导致无人机影像中像素光谱特征异质性强，传统全局模型难以准确捕捉土壤养分与光谱的复杂关系，预测精度受限。
为解决这一难题，河南大学生命科学学院等机构的研究人员开展了相关研究。他们以河南省封丘县为研究区，针对耕地破碎化导致的光谱干扰问题，提出 “聚类混合方法”，旨在通过精细化建模提升无人机高光谱对土壤养分的预测能力。该研究成果发表于《Computers and Electronics in Agriculture》，为破碎化农田的土壤精准监测提供了新的技术路径。
关键技术方法
研究采用以下核心技术：
- 光谱聚类：利用高斯混合模型（GMM）对无人机高光谱影像的像素进行聚类，根据光谱特征将研究区域划分为不同类别，以区分受外部因素影响程度不同的地块。
- 局部建模：对每个聚类分别构建偏最小二乘回归（PLSR）、支持向量机回归（SVR）和深度神经网络（DNN）模型，针对不同聚类的土壤特性优化预测算法。
- 地统计补充：对于因外部因素导致预测精度低的聚类，利用普通克里金（OK）法，基于高精度聚类的预测值进行空间插值，补充养分空间分布信息。
- 数据采集：在研究区采集 65 份表层土壤样本（涵盖未耕地与耕地），通过 HySpex 高光谱传感器获取 400–1000 nm 波段的光谱数据，结合实验室化学分析获取养分含量真值。
研究结果
1. 全局模型的局限性
- 光谱差异显著：未耕地与耕地之间、耕地内部因外部因素存在明显光谱差异，导致全局模型无法有效适配异质化数据。
- 预测精度低下：全区域全局模型对 TN、TP、SOM 的 R2 仅为 0.17、0.14 和 < 0；耕地单区域模型的 R2 分别为 0.15、0.17 和 < 0，表明全局建模在破碎化农田中失效。
2. 聚类混合方法的有效性
- 未耕地聚类表现：采用 SVR 模型获得较高精度，TN、TP、SOM 的 R2 分别为 0.76、0.76、0.72，均方根误差（RMSE）为 0.07 g/kg、0.05 g/kg、1.28 g/kg，显示未受耕作干扰的区域光谱与养分相关性更稳定。
- 耕地聚类表现：5 个耕地聚类中，某一类通过 DNN 模型实现高精度预测，TN、TP、SOM 的 R2 达 0.76、0.74、0.79，RMSE 为 0.08 g/kg、0.06 g/kg、1.00 g/kg，表明特定耕作条件下的局部建模可突破外部因素干扰。
3. 养分空间制图
将高精度聚类的 DNN/SVR 预测结果与低精度聚类的 OK 插值结果拼接，生成各养分的高分辨率空间分布图，实现了破碎化农田中土壤养分的精细化表征。
结论与讨论
本研究首次将聚类混合方法应用于无人机高光谱土壤养分预测，证实了该方法在破碎化农田中的有效性。研究发现，通过光谱聚类区分异质化地块并构建局部模型，结合地统计方法补充空间信息，可显著提升 TN、TP、SOM 的预测精度（R2 提升 0.6–0.8），突破了传统全局模型受外部因素干扰的瓶颈。
该方法的创新点在于结合机器学习与地统计学，既利用了高光谱数据的精细光谱特征，又通过空间插值弥补了局部建模的局限性，为复杂农田环境下的土壤监测提供了技术范式。研究结果对耕地资源紧张、破碎化程度高的地区（如东亚、南亚农业区）具有重要参考价值，可助力精准农业中变量施肥、土壤质量分区管理等决策，推动遥感技术在智慧农业中的实际应用。未来研究可进一步拓展至更多外部因素（如土壤质地、作物类型）的影响机制，优化聚类算法与模型组合，提升方法的普适性。
