孫小香，王芳東，趙小敏，謝 文，郭 熙

(江西農(nóng)業(yè)大學(xué)江西省鄱陽(yáng)湖流域農(nóng)業(yè)資源與生態(tài)重點(diǎn)實(shí)驗(yàn)室/南方糧油作物協(xié)同創(chuàng)新中心，南昌 330045)

0 引言

限制植物生長(zhǎng)的17種必需營(yíng)養(yǎng)元素中，氮素排首位。氮是作物體內(nèi)多種重要有機(jī)化合物的組分，例如氨基酸、蛋白質(zhì)、核酸、葉綠素和酶等都含有氮素[1]。缺氮直接影響作物的氨基酸、蛋白質(zhì)、葉綠素等的生物合成，使作物的光合作用能力降低，從而導(dǎo)致產(chǎn)量與品質(zhì)的降低[2]。由于氨的揮發(fā)及硝酸鹽的淋洗、徑流作用，作物施氮過(guò)多不僅造成氮肥利用率過(guò)低[3]而且容易加劇酸雨的形成、溫室氣體的排放[4]以及地下水、地表水污染[5]，因此，對(duì)作物氮肥的精準(zhǔn)管理是提高生產(chǎn)及減少環(huán)境污染的重要措施。準(zhǔn)確、快速、實(shí)時(shí)監(jiān)測(cè)作物氮素狀況和長(zhǎng)勢(shì)動(dòng)態(tài)，是確定適宜追肥量的前提[6]。

隨著高光譜分析技術(shù)的發(fā)展，利用遙感可以快速監(jiān)測(cè)水稻生長(zhǎng)及生理狀態(tài)[7]。我國(guó)近十幾年來(lái)，學(xué)術(shù)界在利用高光譜反射率估算水稻氮素含量領(lǐng)域已經(jīng)得出了較多成果，普遍認(rèn)為[8-12]綠色植被的反射光譜在可見(jiàn)光范圍主要受各種色素的吸收影響，反射率較低，在近紅外區(qū)域主要受葉片內(nèi)部結(jié)構(gòu)的影響，經(jīng)過(guò)細(xì)胞壁的多次反射而呈現(xiàn)出高的反射平臺(tái)，所以在紅谷到近紅外的過(guò)渡波段出現(xiàn)“紅邊”特征[13]。通過(guò)提取與葉片氮素濃度相關(guān)性高的光譜信息，可以建立以光譜參數(shù)為自變量，氮素濃度為因變量的預(yù)測(cè)模型。王人潮等[14]研究表明，診斷水稻葉片氮素營(yíng)養(yǎng)的冠層敏感光譜波段為530～560nm、630～660nm和760～900nm。譚昌偉[15]以796.7nm處的光譜反射率和738.4nm處的一階微分光譜反射率構(gòu)建的預(yù)測(cè)氮素模型精度較高(R2>0.79)，但認(rèn)為最適合診斷氮素含量的光譜參數(shù)是歸一化變量(SDr-SDb)/(SDr+SDb)。薛利紅等[16]研究得出近紅外與綠光波段的比值(R810/R560)與葉片氮積累量(LNA)呈顯著線性關(guān)系，不受氮肥水平和生育時(shí)期的影響。Tian等[17]研究表明指數(shù)SR(R553，R537)可以較好地估測(cè)水稻葉片氮素含量。目前BP神經(jīng)網(wǎng)絡(luò)在構(gòu)建土壤養(yǎng)分含量領(lǐng)域的研究成果較多[18-20]，例如張娟娟等[21]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了估測(cè)土壤全氮的高光譜模型，證明了BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果較好，在植被養(yǎng)分估算方面，李媛媛等[22]通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型估算玉米葉片葉綠素相對(duì)含量(soil and plant analyzer development，SPAD)值。Chen等[23]利用幾個(gè)光譜參數(shù)為輸入?yún)?shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型反演水稻色素含量，發(fā)現(xiàn)其精度高于多元逐步回歸。Kira等[24]基于神經(jīng)網(wǎng)絡(luò)建立了估算3種樹(shù)木葉綠素和類胡蘿卜素含量的模型。前人對(duì)構(gòu)建水稻氮素反演模型時(shí)缺乏對(duì)多種參數(shù)和多種方法的比較，尤其是BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)模型的對(duì)比。建立基于單個(gè)特征參數(shù)指標(biāo)的傳統(tǒng)水稻葉片氮素濃度預(yù)測(cè)模型、不同指標(biāo)數(shù)量的多元回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)比分析各模型精度，探討B(tài)P神經(jīng)網(wǎng)絡(luò)模型在該試驗(yàn)條件下的可行性，及其適合的指標(biāo)及數(shù)量。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

觀測(cè)資料來(lái)自于江西省農(nóng)科院的長(zhǎng)期試驗(yàn)田。供試土壤為蓮塘縣層中潴黃泥田試驗(yàn)田0～20cm耕層，土壤基本性狀為：pH值為6.50，有機(jī)質(zhì)含量25.6g/kg，全氮含量1.36g/kg，全磷含量0.49g/kg，緩效鉀含量240mg/kg，堿解氮含量81.6g/kg，有效磷含量20.8mg/kg，速效磷含量20.8mg/kg，速效鉀含量35.0mg/kg，陽(yáng)離子交換量7.54cmol/kg。

該試驗(yàn)共設(shè)8個(gè)處理：(1)不施肥(CK)；(2)缺氮(PK)；(3)缺鉀(NP)；(4)缺磷(NK)；(5)正常施肥(NPK)；(6)正常施肥：有機(jī)肥為1： 1(即處理(5)等養(yǎng)分化肥50%+有機(jī)肥50%)； (7)正常施肥：有機(jī)肥為3： 7(即處理(5)等養(yǎng)分化肥30%+有機(jī)肥70%)； (8)正常施肥：有機(jī)肥為7： 3(即處理(5)等養(yǎng)分化肥70%+有機(jī)肥30%)，其中每個(gè)處理設(shè)置3個(gè)重復(fù)，共24個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)33.3m2，并修筑了深70cm、寬50cm的水泥田埂。早稻施純氮(N)150kg/hm2，純磷(P2O5)60kg/hm2，純鉀(K2O)150kg/hm2，晚稻施純氮(N)160kg/hm2，純磷(P2O5)60kg/hm2，純鉀(K2O)150kg/hm2。氮肥施用尿素，磷肥施用過(guò)磷酸鈣，鉀肥施用氯化鉀，有機(jī)肥早稻用紫云英，其鮮草養(yǎng)分含量按含N 0.303%、P2O50.08%、K2O 0.23%計(jì)算，晚稻用鮮豬糞，其養(yǎng)分含量按含N 0.45%、P2O50.19%、K2O 0.60%計(jì)算。磷肥和有機(jī)肥全作基肥，氮肥50%作基肥、25%作分蘗肥、25%作幼穗分化肥，K肥全作追肥， 50%作分蘗肥， 50%作幼穗分化肥。

1.2 高光譜信息獲取

于2016年進(jìn)行光譜數(shù)據(jù)的采集，高光譜測(cè)定采用SVC HR-768地物波譜儀，其波長(zhǎng)范圍為350～2 500nm，采樣間隔為1.5nm(350～1 000nm)、7.5nm(1 000～1 850nm)和5nm(1 850～2 500nm)。水稻冠層測(cè)量時(shí)，天空無(wú)云或云分布均勻，時(shí)間一般為10： 00-14： 00(太陽(yáng)高度角大于45°)，光譜儀探頭垂直置于冠層上方100cm處測(cè)量光譜，每個(gè)小區(qū)重復(fù)3次取平均值作為該小區(qū)的光譜測(cè)量值，而且每次測(cè)量前進(jìn)行白板校正。光譜測(cè)定的日期為：分蘗盛期(8月25日)、孕穗期(9月18日)、抽穗期(9月27日)、成熟期(11月6日)。

1.3 葉片全氮濃度測(cè)定

與光譜測(cè)量同步，每小區(qū)選取2穴水稻植株帶回實(shí)驗(yàn)室，立即將水稻葉片分離，測(cè)定葉片面積及鮮重，在105℃殺青30min后，再將溫度調(diào)回80℃烘至恒重，稱取葉片干重。將同一時(shí)期同一小區(qū)的所有綠色葉片進(jìn)行粉碎、過(guò)篩，采用凱氏定氮法測(cè)定葉片全氮濃度。

1.4 數(shù)據(jù)處理

利用SVC HR-768光譜儀自帶的光譜數(shù)據(jù)處理軟件對(duì)原始光譜數(shù)據(jù)進(jìn)行重采樣，間隔為1nm，將輸出結(jié)果作為該曲線的光譜數(shù)據(jù)，對(duì)每小區(qū)重復(fù)測(cè)量曲線進(jìn)行均值處理作為該小區(qū)的光譜數(shù)據(jù)。表1為文中會(huì)使用的光譜參數(shù)，通過(guò)分析下表中各光譜參數(shù)與水稻葉片全氮含量的關(guān)系，尋找最佳預(yù)測(cè)效果的光譜參數(shù)。

表1 采用的光譜參數(shù)

光譜參數(shù)縮寫含義原始反射率Rλ1nm重采樣后的反射率值一階導(dǎo)數(shù)R′λ[R(λi+1)-R(λi-1)]/2Δλ三邊”參數(shù)紅邊振幅Dr680～760 nm內(nèi)最大一階微分值紅邊位置PDrDr對(duì)應(yīng)的波長(zhǎng)值紅邊面積SDr紅邊內(nèi)一階微分值總和黃邊振幅Dy560～640 nm內(nèi)最大一階微分值黃邊位置PDyDy對(duì)應(yīng)的波長(zhǎng)值黃邊面積SDy黃邊內(nèi)一階微分值總和藍(lán)邊振幅PDb510～560 nm內(nèi)最大一階微分值藍(lán)邊位置DbDb對(duì)應(yīng)的波長(zhǎng)值藍(lán)邊面積SDb藍(lán)邊內(nèi)一階微分值總和植被指數(shù)差值植被指數(shù)SD(Rλ1,Rλ2)Rλ2-Rλ1比值植被指數(shù)SR(Rλ1,Rλ2)Rλ2/Rλ1歸一化植被指數(shù)ND(Rλ1,Rλ2)(Rλ1-Rλ2)/(Rλ1+Rλ2)

以表1中的參數(shù)為自變量，采用指數(shù)、線性、對(duì)數(shù)、多項(xiàng)式和冪函數(shù)構(gòu)建傳統(tǒng)的回歸模型及BP神經(jīng)網(wǎng)絡(luò)模型，利用Excel及Matlab R2014a軟件進(jìn)行處理。由于氮素營(yíng)養(yǎng)對(duì)冠層光譜的響應(yīng)波段主要位于可見(jiàn)光和近紅外波段，且在短波紅外容易受水分的干擾，因此該文主要選擇350～1 350nm波段進(jìn)行分析。該文利用決定系數(shù)(R2)、均方根誤差(RMSE)及相對(duì)分析誤差(RPD)對(duì)模型精度進(jìn)行檢驗(yàn)。

將所有樣本按氮素濃度進(jìn)行由高到低排序，每隔3個(gè)樣本選擇1個(gè)樣本為驗(yàn)證樣本(共23份)，其余為建模樣本(共71份)。

表2 水稻葉片全氮含量統(tǒng)計(jì)特征

樣本集樣本數(shù)最大值(%)最小值(%)平均值(%)標(biāo)準(zhǔn)差整體樣本944.8761.2462.9930.845建模集714.8761.2462.9880.860驗(yàn)證集234.3151.4883.0110.814

由表2看出建模、驗(yàn)證樣本的各項(xiàng)指標(biāo)與總樣本相差不大，說(shuō)明該方法篩選的建模、驗(yàn)證樣本有代表性，可以代替總樣本對(duì)模型進(jìn)行建模驗(yàn)證。

2 結(jié)果與分析

2.1 水稻冠層葉片氮素濃度

圖1 水稻LNC隨生育期的變化

圖2 不同LNC水平水稻冠層光譜反射率曲線

圖3 水稻葉片全氮含量與冠層光譜反射率及一階導(dǎo)數(shù)光譜的相關(guān)性

采用凱氏定氮法對(duì)水稻冠層葉片進(jìn)行氮素濃度的檢測(cè)，圖1是8個(gè)處理的水稻LNC隨生育期的變化而變化的曲線。從圖1可知8個(gè)不同施肥處理的LNC隨生育期的增長(zhǎng)趨勢(shì)一致，均表現(xiàn)為從分蘗盛期到成熟期呈下降趨勢(shì)； 而同一生育期不同處理差異較為明顯，尤其是處理1(不施肥)和處理2(缺N)，且各生育期的全氮含量均顯著低于其它處理，原因可能是處理1和處理2缺施氮肥，從而導(dǎo)致水稻長(zhǎng)勢(shì)較差； 而相對(duì)全氮含量較高的為處理6(NPK： 有機(jī)肥=1： 1)、處理7(NPK： 有機(jī)肥=3： 7)及處理8(NPK：有機(jī)肥=7： 3)，這3個(gè)處理進(jìn)行了有機(jī)—無(wú)機(jī)肥不同比例的結(jié)合施用，水稻長(zhǎng)勢(shì)較好，葉片含氮量較高； 5是NPK均施的處理，從理論上推測(cè)其各生育期的LNC均高于處理3(缺P)，但是圖1處理5的曲線始終處于處理3曲線下方，所以可以看出水稻的營(yíng)養(yǎng)狀況并不能只依靠施肥狀況進(jìn)行推測(cè)。

2.2 不同LNC等級(jí)下水稻冠層反射率特征

不同施肥處理可能導(dǎo)致水稻LNC的差異，但是依據(jù)施肥情況無(wú)法準(zhǔn)確地確定水稻的氮素營(yíng)養(yǎng)狀況，于是該文根據(jù)事后檢測(cè)的葉片氮含量情況進(jìn)行分組，從而分析氮素對(duì)光譜的響應(yīng)特征。將94組水稻冠層光譜按LNC由低到高分為1%～2%、2%～3%、3%～4%、4%～5%共4組，并將對(duì)應(yīng)的每組光譜曲線進(jìn)行平均，從而得到代表不同N含量的冠層光譜反射曲線圖(圖2)。結(jié)果顯示，隨著LNC的增加，可見(jiàn)光波段光譜反射率逐漸降低，而近紅外波段的反射率顯著增加(從40%左右上升為80%左右)，主要是因?yàn)殡S全氮含量的增加，作物群體長(zhǎng)勢(shì)較好，色素含量增加，葉面積指數(shù)也增加，所以在可見(jiàn)光波段反射率下降，而在近紅外反射率增加； 每條光譜曲線的走勢(shì)基本一致，在550nm附近光譜曲線形成一個(gè)小的反射峰，紅光波段形成一個(gè)吸收谷，主要是由于葉綠素對(duì)紅光及藍(lán)紫光的強(qiáng)烈吸收，而對(duì)綠光的吸收強(qiáng)度較弱導(dǎo)致的； 在680～760nm波段反射率急劇上升，形成“紅邊”現(xiàn)象，也是植物曲線區(qū)別于其它地物光譜曲線的最為明顯的特征； 光譜曲線進(jìn)入近紅外波段之后，形成一個(gè)較高且較穩(wěn)的反射平臺(tái)，主要是由于葉內(nèi)水化細(xì)胞壁及海綿狀葉肉組織胞間界面的多次內(nèi)部反射作用引起的，另一個(gè)原因是因?yàn)楣趯庸庾V測(cè)定的是多層葉片，透過(guò)頂層葉片的能量將被下層的葉片反射回去，相比單片葉子會(huì)形成更高的反射能量； 其中在1 000nm波段處光譜曲線出現(xiàn)驟降驟升的現(xiàn)象，SVC HR-768在可見(jiàn)光和近紅外波段使用的是兩塊不同的傳感器，傳感器在交疊處數(shù)據(jù)存在不一致的現(xiàn)象。

2.3 水稻LNC與原始光譜及一階光譜的相關(guān)性分析

表3 “三邊”參數(shù)與水稻LNC的相關(guān)系數(shù)

“三邊”參數(shù)相關(guān)系數(shù)Dr0.608??PDr0.612??SDr0.687??Dy-0.506??PDy0.267??SDy0.560??PDb-0.444??Db0.418??SDb-0.419?? 注:?表示在0.05水平上顯著; ??表示在0.01水平上顯著

將每個(gè)小區(qū)水稻所有生育期的LNC與對(duì)應(yīng)的冠層光譜反射率及其一階微分光譜反射率進(jìn)行相關(guān)性分析(如圖3)。結(jié)果顯示，就原始光譜相關(guān)性曲線看來(lái)，在414～706nm波段相關(guān)系數(shù)均小于0，而527～691nm范圍為顯著負(fù)相關(guān)； 在350～414nm、708～1 350nm波段相關(guān)系數(shù)均大于0，在722～1 350nm間相關(guān)系數(shù)變化不大，存在一個(gè)正相關(guān)的平臺(tái)，且相關(guān)性較高(0.6左右)，相關(guān)性最好的波段是806nm(r=0.623)。相對(duì)于原始光譜，葉片全氮含量與一階微分光譜間的相關(guān)系數(shù)在部分波段得到了較大程度的提高，在402～463nm、503～624nm波段達(dá)到顯著性負(fù)相關(guān)，均高于原始光譜與葉片氮素的相關(guān)性； 在637～673nm 及698～804nm區(qū)域，其正相關(guān)達(dá)到較高水平，以751nm處的相關(guān)性最高(r=0.822)； 而804～1 350nm近紅外波段與葉片全氮的相關(guān)性較弱(r<0.242)。通過(guò)對(duì)這幾個(gè)相關(guān)性高的波段光譜信息進(jìn)行分析，有可能找到適于預(yù)測(cè)水稻LNC的光譜變量。

2.4 LNC與“三邊”參數(shù)的相關(guān)性分析

通過(guò)Excel軟件提取光譜曲線的“三邊”參數(shù)，并與LNC進(jìn)行相關(guān)性分析(表3)。

由表3可知，水稻LNC與“紅邊”參數(shù)的相關(guān)性均高于“黃邊”及“藍(lán)邊”參數(shù)，但都達(dá)到極顯著相關(guān)； 其中與Dr、PDr、SDr、PDy、SDy、Db呈正相關(guān)，與Dy、PDb、SDb呈負(fù)相關(guān)，相關(guān)性最高的為SDr(r=0.687)，相關(guān)性最低的為PDy(0.267)。

2.5 水稻葉片全氮含量的敏感植被指數(shù)

由于冠層反射光譜反映的是植被群體的光譜信息，是葉片、穗、莖稈及土壤等背景光譜特征的綜合體[25]，單一波段的反射率變異性較大，易受外在因素的干擾，而以兩波段的組合形成的植被指數(shù)可以擴(kuò)展植被間的光譜差異。為了尋找估算葉片全氮含量的最佳光譜植被指數(shù)，該文進(jìn)一步系統(tǒng)分析了350～1 350nm范圍內(nèi)兩波段組合的差值(SD)、比值(SR)及歸一化(ND)光譜指數(shù)與水稻葉片全氮含量的定量關(guān)系。圖4-A、4-B和4-C分別為350～1 350nm范圍內(nèi)不同波段組合后的光譜指數(shù)與葉片全氮量的決定系數(shù)等勢(shì)圖。圖4-A結(jié)果顯示差值植被指數(shù)形成的等勢(shì)圖是兩個(gè)對(duì)稱的三角形，在750nm附近的紅邊波段與近紅外波段的差值組合與葉片全氮含量相關(guān)性均較高，其中SD(R752，R751)與葉片全氮量相關(guān)系數(shù)最高，為0.827，決定系數(shù)為0.683； 圖4-B結(jié)果顯示550nm附近的綠光波段與近紅外波段的比值相關(guān)系數(shù)較高，其中SR(R534，R1 350)相關(guān)系數(shù)最高，為-0.790，R2為0.624； 圖4-C與圖4-A一樣均為兩個(gè)相同的三角形組合而成， 500～600nm的綠光波段與近紅外波段組合的歸一化差值植被指數(shù)與葉片全氮含量相關(guān)性較高，其中ND(R534，R1 349)相關(guān)系數(shù)最高，為0.788，決定系數(shù)為0.621。

圖4 兩波段組合的差值(A)、比值(B)及歸一化差值(C)光譜指數(shù)估算LNC的決定系數(shù)(R2)等勢(shì)圖

圖5 多指標(biāo)線性回歸與BP神經(jīng)網(wǎng)絡(luò)回歸實(shí)測(cè)值與預(yù)測(cè)值擬合結(jié)果

2.6 基于高光譜特征參數(shù)的單指標(biāo)傳統(tǒng)全氮估算模型

表4 水稻葉片全氮含量(y)與不同光譜參數(shù)(x)的定量關(guān)系及模型檢驗(yàn)效果

光譜參數(shù)模型回歸方程建模RC2驗(yàn)證RV2RMSEV%RPDR′751指數(shù)y=1.713 1e1.652 1x0.6280.6970.4511.807線性y=4.534 6x+1.589 90.6610.7280.4191.945對(duì)數(shù)y=1.085ln(x)+4.438 90.6380.6920.4531.798多項(xiàng)式y(tǒng)=-3.847 3x2+7.081 1x+1.260 70.6780.7310.4171.951冪y=4.97x0.415 60.6700.7230.4221.931SDr指數(shù)y=1.677 1e0.013x0.4320.4510.6221.308線性y=0.036 3x+1.502 40.4740.4800.5841.395對(duì)數(shù)y=1.646 8ln(x)-3.003 10.5240.5030.5691.432多項(xiàng)式y(tǒng)=-0.000 8x2+0.114 6x-0.113 50.5290.4960.5681.434冪y=0.318 7x0.602 30.5020.4940.5941.370SD(R752,R751)指數(shù)y=1.717 2e1.658x0.6270.7260.4221.930線性y=4.567 6x+1.591 30.6650.7500.4002.034對(duì)數(shù)y=1.150 1ln(x)+4.528 80.6580.6950.4421.841多項(xiàng)式y(tǒng)=-3.970 9x2+7.177 3x+1.256 90.6800.7470.4032.020冪y=5.113 8x0.436 10.6760.7380.4081.997SR(R534,R1 350)指數(shù)y=5.432 7e-3.676x0.6960.6400.5211.562線性y=-9.373 4x+4.6320.6330.6410.5211.565對(duì)數(shù)y=-1.635ln(x)+0.010.5840.6140.5531.471多項(xiàng)式y(tǒng)=2.861 9x2-10.581x+4.740 70.6340.6430.5211.563冪y=0.91x-0.6270.6140.5550.6321.289ND(R534,R1 349)指數(shù)y=0.442 5e2.632 3x0.6820.6280.5441.498線性y=6.770 9x-1.803 90.6310.6440.5241.555對(duì)數(shù)y=4.440 5ln(x)+4.572 10.6310.6380.5211.564多項(xiàng)式y(tǒng)=-4.401 3x2+12.694x-3.7470.6350.6410.5201.567冪y=5.316 2x1.746 50.6980.6420.5171.576

2.7 多指標(biāo)的線性回歸與BP神經(jīng)網(wǎng)絡(luò)的全氮估算模型

為了確定最佳的輸入?yún)?shù)個(gè)數(shù)，該文進(jìn)行了不同參數(shù)個(gè)數(shù)的驗(yàn)證。首先利用2.6節(jié)中的5個(gè)特征光譜參數(shù)作為輸入變量，LNC作為輸出變量，構(gòu)建多元線性回歸和BP神經(jīng)網(wǎng)絡(luò)模型。多元線性回歸模型在SPSS軟件中進(jìn)行，

y=5.072-0.398×x1+0.011×x2+1.828×x3-8.54×x4-2.101×x5，R2=0.742

由于2.6節(jié)中篩選出來(lái)的5個(gè)特征參數(shù)存在一定的相關(guān)性，所以為了使模型更簡(jiǎn)便，該文將5個(gè)指標(biāo)進(jìn)行逐步回歸，入選的參數(shù)為SD(R752，R751)和SR(R534，R1 350)，公式為：

y=2.971+2.8x3-4.779x4，R2=0.731，驗(yàn)證結(jié)果如圖5。另外將逐步回歸篩選出的2個(gè)參數(shù)作為輸入變量，葉片全氮含量作為輸出變量進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，驗(yàn)證結(jié)果如圖5。對(duì)比圖5的4種模型發(fā)現(xiàn)，多指標(biāo)模型精度均高于單指標(biāo)線性模型； 另外，當(dāng)5個(gè)指標(biāo)全部作為自變量時(shí)，多元線性回歸模型驗(yàn)證精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型； 而通過(guò)逐步回歸再次篩選指標(biāo)后，建立的BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于多元線性模型； 其中多元線性模型稍微優(yōu)于逐步回歸模型，而2指標(biāo)BP神經(jīng)網(wǎng)絡(luò)模型較5指標(biāo)BP神經(jīng)網(wǎng)絡(luò)模型有較大程度提高，說(shuō)明指標(biāo)較多時(shí)采用傳統(tǒng)的線性模型精度較好，而采用指標(biāo)較少時(shí)BP神經(jīng)網(wǎng)絡(luò)更有優(yōu)勢(shì)。

3 討論

光譜反射率對(duì)氮素含量變化的響應(yīng)為光譜反演氮素提供了理論基礎(chǔ)，本系統(tǒng)分析了光譜反射率、一階微分光譜、“三邊”參數(shù)及3種植被指數(shù)與水稻LNC的相關(guān)性，目的是篩選出敏感參數(shù)。其中氮素與原始光譜在527～691nm波段呈顯著負(fù)相關(guān)、708～1 350nm波段呈顯著正相關(guān)，與一階微分在402～463nm、503～624nm波段達(dá)到顯著性負(fù)相關(guān)， 637～673nm 及698～804nm區(qū)域顯著正相關(guān)，其中751nm處的一階微分光譜反射率與葉片全氮含量相關(guān)系數(shù)最高(0.822)，這與譚昌偉[15]的研究稍有出入，其原因可能是該研究是基于冠層層面，而譚昌偉的研究只是針對(duì)葉片，又或者是水稻品種、施肥情況及傳感器等因素造成的，真正原因還有待進(jìn)一步考究。

“三邊”參數(shù)能較好的反映出綠色植被的光譜特征，史冰全等[26]通過(guò)對(duì)“三邊”參數(shù)與葉綠素的相關(guān)性進(jìn)行分析，建立了基于紅邊面積的健康松樹(shù)針葉葉片葉綠素估算模型和基于藍(lán)邊位置的發(fā)黃松樹(shù)針葉葉片葉綠素估算模型。秦占飛等[27]發(fā)現(xiàn)在拔節(jié)期利用紅邊面積預(yù)測(cè)水稻SPAD、在抽穗期及乳熟期利用紅邊位置預(yù)測(cè)水稻SPAD效果較好。該文研究也得出“三邊”參數(shù)與葉片氮素相關(guān)性密切，尤其是“紅邊”參數(shù)中的紅邊面積，通過(guò)紅邊面積構(gòu)建的預(yù)測(cè)葉片氮素的冪函數(shù)效果較好(R2=0.674 8)，但是效果不如一階微分及植被指數(shù)構(gòu)建的模型。

相對(duì)比單波段參數(shù)，兩波段構(gòu)成的光譜指數(shù)可以放大植被的有效信息，削弱外部因素的影響，構(gòu)建適宜的敏感光譜指數(shù)已成為遙感提取植被生化組分信息的重要方法。由兩波段構(gòu)建的差值、比值及歸一化差值植被指數(shù)對(duì)葉片氮素含量的變化更敏感，以植被指數(shù)為自變量構(gòu)建的線性及非線性模型精度均高于單波段模型，這與田永超等[28]的結(jié)論一致。該文篩選的最佳的植被指數(shù)為751nm與752nm波段反射率的差值，由于兩波段相差太近，在目前分辨率低的儀器中可能得不到該波段數(shù)據(jù)，但是隨著科技的發(fā)展， 1nm以下分辨率的光譜儀應(yīng)該會(huì)出現(xiàn)。

尋找適宜的敏感參數(shù)是建模的前提，確定建模方法是建模的關(guān)鍵。該文研究結(jié)果表明，不同建模方法對(duì)估算水稻葉片全氮含量的影響較大。基于多變量構(gòu)建回歸模型精度均高于該文出現(xiàn)的所有單變量回歸模型，另外，李媛媛[22]構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型只是與單變量的傳統(tǒng)模型進(jìn)行對(duì)比，缺乏與多變量的對(duì)比，而該文為了使BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)表現(xiàn)的更有說(shuō)服力，進(jìn)行了不同指標(biāo)數(shù)量前提下的多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，發(fā)現(xiàn)利用該文的5個(gè)指標(biāo)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)與多元線性回歸相比沒(méi)有優(yōu)勢(shì)，而經(jīng)逐步回歸篩選出的2個(gè)指標(biāo)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型精度較多元回歸模型有大幅度提高，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)構(gòu)建水稻葉片全氮含量模型有優(yōu)勢(shì)，但需要選取合適的變量指標(biāo)。

4 結(jié)論