王樹文，牛羽新，馬昕宇，陳雙龍，阿瑪尼，馮 江

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱 150030)

0 引言

氮素是水稻生長發(fā)育所必需的營養(yǎng)元素之一，也是土壤肥力中最為活躍的因素[1-2]，合理施用氮肥對水稻增產(chǎn)、品質(zhì)提升及避免因過量施肥而造成的一系列環(huán)境問題至關(guān)重要[3-4]。目前，國內(nèi)關(guān)于玉米[5-6]、水稻氮素營養(yǎng)監(jiān)測的研究很多，但針對寒地水稻的分析研究較少。由于存在對經(jīng)驗(yàn)要求較高，需破壞性取樣、分析成本高、易受時(shí)空影響傳統(tǒng)作物氮素營養(yǎng)診斷方法無法滿足大范圍農(nóng)田實(shí)時(shí)監(jiān)測等缺點(diǎn)而難以普及[7-9]。高光譜遙感技術(shù)的出現(xiàn)為快速、無損監(jiān)測作物氮素含量提供一種有效途徑。王仁紅等[10]通過優(yōu)選對預(yù)測冬小麥葉片氮素含量、冠層氮素密度精度較高的光譜參量，建立其與氮營養(yǎng)指數(shù)的經(jīng)驗(yàn)?zāi)Ｐ?，得出線性內(nèi)插法紅邊位置在氮營養(yǎng)指數(shù)估測方面表現(xiàn)較好，其R2=0.860，RMSE=0.080。Liu等[11]在2年試驗(yàn)的基礎(chǔ)上，采用敏感波段和植被指數(shù)構(gòu)建了不同階段冬小麥的葉片氮素含量定量監(jiān)測模型。Song等[12]根據(jù)與小麥氮素含量相關(guān)系數(shù)最高的光譜指數(shù)和相應(yīng)的觀測角度進(jìn)行建模，實(shí)現(xiàn)了多角度高光譜遙感對小麥冠層氮素含量進(jìn)行無損檢測。徐新剛等[13]采集大麥作物冠層葉片高光譜反射率和氮含量，分析其可見光-近紅外范圍內(nèi)的反射率曲線，運(yùn)用權(quán)重最優(yōu)組合原理及算法，對大麥冠層葉片氮含量進(jìn)行了估測，給后續(xù)此方面的深入探究提供了全新思路。Fitzgerald等[14]應(yīng)用光譜診斷技術(shù)進(jìn)行小麥氮素含量的估測，所建估測模型相對系數(shù)是0.970，均方差是0.650。Jin等[15]采用高光譜技術(shù)對玉米葉片氮素分散形態(tài)和位置做出分析，得出了氮素含量和植被指數(shù)的數(shù)學(xué)關(guān)系，建立了估算模型，對玉米上部和下部葉片氮素含量分別進(jìn)行了診斷。王巧男等[16]采用高光譜技術(shù)，將應(yīng)用雙波段指數(shù)的氮素估測模型加入至冠層圖像，進(jìn)而通過分析處理得到冠層氮素估測散布圖，可視化圖像中直觀地展現(xiàn)了柑橘嫩、中、老3種葉片的氮素含量由大至小的變化趨勢。

國內(nèi)外學(xué)者對應(yīng)用高光譜技術(shù)檢測水稻葉片氮素含量的探究一樣是廣泛并且高度重視的。唐延林等[17]對不同施氮梯度下的水稻葉片進(jìn)行了研究，得到了葉片的光譜曲線和紅邊特征及它們的變化趨勢。Tian等[18]指出了指數(shù)SR(R553，R537)可以很好地預(yù)測水稻葉片氮素含量。顧清等[19]根據(jù)水稻葉片的光譜和形狀特征判定了其氮素含量。Onoyama等[20]融合反射率和溫度數(shù)據(jù)，采用偏最小二乘方法對抽穗期水稻的氮素含量進(jìn)行了估算。Chu等[21]應(yīng)用“紅邊”770nm與752nm所組成的比值指數(shù)判定了水稻葉片的氮素積累量，同時(shí)建立了優(yōu)質(zhì)判定模型。Du等[22]運(yùn)用高光譜LIDAR技術(shù)判定水稻葉片氮素含量，應(yīng)用4種不同氮素梯度的大田試驗(yàn)作為基礎(chǔ)，構(gòu)建了依據(jù)支持向量機(jī)方法的判定模型，得出波段數(shù)目從4遞增為32，回歸系數(shù)也從0.510增至0.750。和上述研究比較，本文更加系統(tǒng)地分析了應(yīng)用高光譜技術(shù)診斷水稻葉片氮素含量，采用多種降維、建模方法，構(gòu)建多種植被指數(shù)、光譜參量，給出了水稻抽穗期的多個(gè)模型，內(nèi)容更為完善、豐富。

1 試驗(yàn)

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2015年在黑龍江省哈爾濱市方正縣水稻研究院開展。供試水稻品種為龍稻23。水稻大田里共設(shè)置6種不同的施肥梯度[23]，依次是N0(無氮)、N1(60kg/hm2)、N2(90kg/hm2)，N3(120kg/hm2)、N4(150kg/hm2)、N5(180kg/hm2)，每個(gè)水平均有4次重復(fù)，共24個(gè)小區(qū)，且隨機(jī)分布，小區(qū)面積均為10m×10m。其它田間管理均按高產(chǎn)要求進(jìn)行。

1.2 水稻葉片圖像采集

本研究采用美國Headwall公司的高光譜系統(tǒng)完成水稻葉片高光譜圖像獲取。通過系統(tǒng)自帶Hyperspec軟件進(jìn)行水稻葉片高光譜圖像的獲取與儲存，試驗(yàn)品種24個(gè)小區(qū)共240片葉子，因高光譜系統(tǒng)的光譜分辨率為2.96nm，故每片葉子采集得到光譜區(qū)域是400～1 000nm共203個(gè)波段下的高光譜圖像。

龍稻23抽穗期水稻葉片在不同氮素水平下的高光譜圖像如圖1所示。

(a) N0 (b) N3 (c) N5

1.3 水稻葉片氮素值獲取

本試驗(yàn)采用浙江托普儀器有限公司生產(chǎn)的植物營養(yǎng)測定儀(TYS-4N)進(jìn)行水稻葉片氮素含量活體測定。試驗(yàn)中選擇活體水稻從上至下的第二片葉子在田中直接進(jìn)行氮素含量測量，把測量后的水稻葉片取下依次放進(jìn)密封袋里，對每個(gè)密封袋均標(biāo)明小區(qū)名稱和編號，進(jìn)而確保水稻葉片氮素含量和光譜反射率一一對應(yīng)；每個(gè)小區(qū)測量并采摘10片葉子用以開展高光譜圖像采集試驗(yàn)。對每個(gè)小區(qū)的10個(gè)氮素含量應(yīng)用狄克松(Dixon)檢驗(yàn)法刪除由于誤差而出現(xiàn)的離值點(diǎn)，通過運(yùn)算得到其余水稻葉片氮素含量的平均值，即為此小區(qū)水稻葉片的氮素含量。本試驗(yàn)所用氮素含量非實(shí)驗(yàn)室測量值，而是利用精密植物營養(yǎng)儀測得，為確保試驗(yàn)數(shù)據(jù)的可靠性，隨機(jī)抽取24組水稻葉片樣品，采用德國AA3連續(xù)流動分析儀測定水稻葉片氮素值，對比氮素實(shí)驗(yàn)室測量值和精密植物營養(yǎng)儀測量值，發(fā)現(xiàn)誤差較小，在本研究的可接受范圍內(nèi)。采用精密植物營養(yǎng)儀測量水稻葉片氮素值，雖然在精確性上略低于實(shí)驗(yàn)室測量值，但時(shí)效性高，且確保了氮素含量與光譜反射率一一對應(yīng)。

1.4 水稻葉片反射率提取

由于試驗(yàn)于室內(nèi)開展，環(huán)境、操作等客觀條件良好，故本試驗(yàn)只需用原始光譜圖像來做處理和分析即可。使用ENVI5.3軟件提取240個(gè)葉片高光譜圖像的光譜反射率時(shí)，于葉脈兩邊依次選擇1個(gè)4mm×40mm的矩形當(dāng)作感興趣區(qū)域(region of interest，ROI)，經(jīng)過運(yùn)算得到完整ROI的平均光譜反射率當(dāng)作此葉片的光譜反射率；葉片在203個(gè)波段上均有一一對應(yīng)的光譜反射率，這些反射率組成了葉片的光譜反射率曲線，每個(gè)小區(qū)取10片葉子反射率的平均值為其反射率值，本試驗(yàn)共測得240組水稻葉片光譜反射率。

2 結(jié)果與討論

2.1 抽穗期水稻葉片高光譜反射率分析

龍稻23抽穗期葉片光譜反射率曲線如圖2所示。

圖2 龍稻23在抽穗期不同氮素水平下的光譜反射率曲線

由圖2可知：在水稻抽穗期各氮素水平下，冠層反射率曲線均呈現(xiàn)相同的規(guī)律性：不同施氮梯度條件下的葉片光譜反射率曲線均表現(xiàn)出相同的走向趨勢。在綠波段(約560nm)可見明顯的反射峰，即為“綠峰”；在紅波段(約685nm)可見明顯的吸收谷，即為“紅谷”；在近紅外波段(約>760nm)出現(xiàn)一個(gè)較高的反射平臺。在可見光范圍內(nèi)，水稻葉片光譜反射率伴隨施氮梯度的提高而降低，此現(xiàn)象于反射峰處特別顯著；在紅光到近紅外的過渡區(qū)域(紅邊區(qū)域)，葉片光譜反射率急速變大，施氮梯度小的葉片光譜反射率增加緩慢，然而施氮梯度大的葉片光譜反射率增加迅速；于近紅外范圍內(nèi)，反射率伴隨氮素梯度的提高而變大，于波段(760～1 000nm)范圍內(nèi)特別顯著。伴隨氮素梯度的增大，氮素含量隨之變多，葉綠素值同樣變多，因此于可見光范圍內(nèi)光譜反射率因氮素梯度的增大而減少。氮素含量較大的葉片其組織細(xì)胞個(gè)體大、間隙大，相應(yīng)的其細(xì)胞壁水化程度也大，所以于近紅外范圍內(nèi)光譜反射率隨著氮素梯度的變大而增多。水稻為綠色植物，其葉片為綠色，針對藍(lán)紫光吸收率較高，綠光吸收率較低，可見光區(qū)域形成典型的綠峰曲線，于綠波段區(qū)域出現(xiàn)波峰，即為“綠峰”；針對紅光吸收率較高，于紅波段區(qū)域出現(xiàn)波谷，即為“紅谷”，于近紅外波段區(qū)域，由于葉片的多重反射，反射率快速增加，所以出現(xiàn)經(jīng)典的紅谷曲線。

2.2 水稻葉片高光譜特征波段選擇

高光譜圖像具有很高的光譜分辨率，因而含括了龐大的數(shù)據(jù)信息量，此種特性為后續(xù)的研究帶來了一定的困難。高光譜圖像所有波段間具有較高的相關(guān)性與數(shù)據(jù)冗余，故經(jīng)由減少數(shù)據(jù)維度進(jìn)而選取有效的特征波段是具有一定可行性，不會對結(jié)果造成太大影響。本試驗(yàn)采用SPA和SPCA兩種降維方法進(jìn)行比較，降維方法的正確選取與使用，可以極大地提高計(jì)算效率，對研究高光譜技術(shù)具有重要的意義。在真正分析時(shí)也不是波段數(shù)目越多，效果越好，由于光譜儀在測量范圍的兩端包含了較大的噪音，而且全部光譜信息中包含了很多不需要的復(fù)雜信息，因此舍棄一些不必要的波段對后續(xù)的研究與分析是具有一定好處的，本試驗(yàn)同樣對400～1 000nm波段進(jìn)行削減，采用500～900nm共136個(gè)波段的光譜數(shù)據(jù)進(jìn)行分析。

2.2.1 龍稻23抽穗期SPA特征波段選擇

使用SPA方法選取抽穗期龍稻23葉片的特征波段，在波段數(shù)目為20時(shí)，RMSE=0.004，此時(shí)RMSE為最小值，得到502、508、511、522、546、555、564、632、659、674、677、679、682、685nm、688、697、721、733、754、893nm共20個(gè)特征波段。

2.2.2 龍稻23抽穗期SPCA特征波段選擇

龍稻23抽穗期自相關(guān)矩陣如圖3所示。依據(jù)自相關(guān)矩陣把全部波長分割成4個(gè)部分，依次是500～674nm、675～697nm、698～727nm、728～900nm，特征波段選擇結(jié)果如表1所示。

圖3 龍稻23抽穗期光譜波段間相關(guān)系數(shù)r值的分布

表1 龍稻23抽穗期分段主成分的結(jié)果

2.3 水稻葉片氮素高光譜預(yù)測模型的構(gòu)建及篩選

本研究最終目的是構(gòu)建寒地水稻葉片氮素含量預(yù)測模型，為水稻作物遙感信息獲取、葉片氮素含量精準(zhǔn)檢測給予試驗(yàn)支持和理論依據(jù)。本研究采用軟件SPSS20及Excel2003結(jié)合前文所選擇的敏感波段構(gòu)建了多種回歸分析模型，包括MSRA、SRA及MRA，選取的建模函數(shù)包括一次函數(shù)(y=ax+b)、二次函數(shù)(y=ax2+bx+c)、指數(shù)函數(shù)(y=aebx)、對數(shù)函數(shù)(y=alnx+b)及冪函數(shù)(y=axb)。文中給出模型精度，比較R2與RMSE數(shù)值大小，分別得到回歸系數(shù)F檢驗(yàn)和t檢驗(yàn)結(jié)果，判斷其顯著性優(yōu)劣，優(yōu)選最佳模型。

2.3.1 水稻葉片抽穗期全光譜氮素預(yù)測模型

采用全光譜-MSRA方法對龍稻23抽穗期進(jìn)行建模和預(yù)測，波長857、715、878nm被選為模型自變量，預(yù)測模型為y=90.376SI(857)-6.890SI(715)-81.748SI(878)+0.253，RC2與RP2依次是0.964與0.961，RMSEC與RMSEP依次是0.083與0.050，預(yù)測模型中系數(shù)的t檢驗(yàn)結(jié)果全部比0.05小。

2.3.2 水稻葉片抽穗期SPA氮素預(yù)測模型

以SPA方法在龍稻23抽穗期光譜數(shù)據(jù)中選出的20個(gè)特征波長作為MSRA建模變量，經(jīng)F檢驗(yàn)、t檢驗(yàn)，波長893、721nm被選擇作為模型自變量，預(yù)測模型為y=6.501SI(893)-8.615SI(721)+1.989，RC2與RP2依次是0.929與0.904，RMSEC與RMSEP依次是0.114與0.080，預(yù)測模型中系數(shù)的t檢驗(yàn)結(jié)果全部比0.05小。

2.3.3 水稻葉片抽穗期SPCA氮素預(yù)測模型

龍稻23抽穗期葉片此2種參數(shù)之間的相關(guān)系數(shù)如表2所示。比較得出：氮素含量和光譜參量SI(822)、SI(828)、RI(822，715)、RI(828，715)、DI(822，712)、DI(822，715)、DI(828，715)、DDI(828，682，617)及DDI(822，691，620)相關(guān)性較高。

構(gòu)建所選9個(gè)特征光譜參量和葉片氮素含量的多種SRA模型，如表3所示。對比可得：在全部SRA模型中DI(822，712)、DI(822，715)、DI(828，715)、DDI(828，682，617)建模效果排在前4位，其RC2依次為0.945、0.947、0.947、0.929；RMSEC依次為0.098、0.096、0.096、0.114。

構(gòu)建建模集性能較好的前4種特征光譜參量和氮素含量的MRA模型，如表4所示。比較可知，單變量DI(822，715)預(yù)測模型效果最好，其RC2=0.947，RMSEC=0.095，對其進(jìn)行預(yù)測集驗(yàn)證，其RP2=0.933，RMSEP=0.076。

表2 龍稻23抽穗期葉片氮素含量和特征光譜參量的相關(guān)系數(shù)

表3 龍稻23抽穗期葉片氮素含量和特征光譜參量的定量關(guān)系

表4 龍稻23抽穗期葉片氮素含量和多項(xiàng)特征光譜參量的定量關(guān)系

續(xù)表4

2.3.4 水稻葉片氮素含量預(yù)測模型分析

本文分析龍稻23抽穗期葉片氮素含量預(yù)測模型，從3種方法中選取最優(yōu)模型進(jìn)行預(yù)測，通過比較所得3個(gè)模型的RC2、RP2、RMSEC、RMSEP4項(xiàng)參數(shù)確定預(yù)測模型，此選擇只考慮模型客觀性能的優(yōu)劣，不考慮實(shí)際應(yīng)用。

龍稻23抽穗期水稻所選模型為以857、715、878nm為自變量的全光譜-MSRA預(yù)測模型，預(yù)測結(jié)果如圖4所示。其RC2最大，RMSEC最小，RP2最大，RMSEP最小，且RC2與RP2相差不大，模型穩(wěn)定。

圖4 龍稻23抽穗期全光譜-MSRA模型氮素實(shí)測值和預(yù)測值的對比

3 結(jié)論

1)葉片光譜反射率在可見光區(qū)域隨著施氮水平的增加而降低，在近紅外區(qū)域隨著施氮水平的增加而升高。水稻葉片紅邊位置因生育進(jìn)程的推進(jìn)而改變，紅邊曲線均出現(xiàn)“雙峰”，且同樣隨之移動。生育期對紅邊位置的影響較大，氮素水平對紅邊位置的影響較小，單一采用紅邊位置這一光譜參量判斷水稻葉片氮素含量不可取。

2)2種特征波段選擇方法在整體試驗(yàn)中起到了關(guān)鍵的作用，均有效降低了水稻葉片高光譜數(shù)據(jù)維度，去除了數(shù)據(jù)冗余和共線性。SPA方法將龍稻23抽穗期葉片高光譜波段由136個(gè)降為2個(gè)；SPCA方法將龍稻23抽穗期葉片高光譜波段由136個(gè)降為5個(gè)，同時(shí)此方法還可保留那些重要但信息量較小的波段。

3)從模型的客觀性能高低來看，龍稻23抽穗期采用全光譜-MSRA方法所建模型效果最好，其RC2為0.964，RMSEC為0.083，RP2為0.961，RMSEP為0.050；REPI、NDI、GNDI3種指數(shù)在模型建模集性能中的貢獻(xiàn)不及SI、RI、DI、DDI4種特征光譜參量，不可單一依靠這3種指數(shù)預(yù)測水稻葉片氮素含量。

4)從實(shí)際應(yīng)用角度來看，采用全光譜-MSRA模型，因其具有完整的光譜信息，故模型精度高；但其波段數(shù)目過多，應(yīng)用于實(shí)際中比較困難。采用SPA-MSRA模型，雖模型精度略差；但其特征波段數(shù)目少、計(jì)算量小、精度滿足要求、方法簡單、直觀，可行性較高。采用SPCA-CA-MRA模型，雖運(yùn)算過程復(fù)雜但模型豐富、精度高，在特征波段選擇過程中，既降低了波段數(shù)目又保留了重要的波段，也充分利用了水稻葉片氮素含量和光譜反射率之間的相關(guān)性及水稻特征光譜參量，同樣可行?？傊捎酶吖庾V技術(shù)診斷寒地水稻葉片氮素營養(yǎng)狀況是值得研究、可行性高且有意義的。