王賞貴 李新疆 費(fèi)浩 李艷慧 孟文博 陳仁谷

摘? 要：采用高光譜技術(shù)檢測(cè)棉花葉片氮素是本次研究的主要手段。選用新疆南疆最具代表性的棉花作物作為研究對(duì)象，采用連續(xù)投影算法（successive projections algorithm，簡(jiǎn)稱SPA）和標(biāo)準(zhǔn)正態(tài)變量變換方法（standard normal variate transformation，簡(jiǎn)稱SNV）等算法進(jìn)行光譜預(yù)處理，并利用偏最小二乘回歸模型（PLS）預(yù)測(cè)棉花葉片氮素情況，探究棉花葉片氮素和高光譜之間的關(guān)系。結(jié)果顯示：SPA-PLS算法的逐漸回歸結(jié)果的R值最小能達(dá)到0.8032，預(yù)測(cè)精度能達(dá)到0.9647以上，RMSEP最大為0.2604，RMSECV最大為0.1414，預(yù)測(cè)參數(shù)都達(dá)到較好效果，說明利用高光譜成像技術(shù)能夠快速、準(zhǔn)確的檢測(cè)棉花葉片氮素含量，為精準(zhǔn)施肥和生態(tài)環(huán)境保護(hù)提供幫助。

關(guān)鍵詞：棉花葉片;高光譜;氮素;SPA-PLS

中圖分類號(hào)：S511? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）03-0017-03

Abstract： The use of hyperspectral technology to detect nitrogen in cotton leaves is the main means of this study. The most representative cotton crop in Southern Xinjiang was selected as the research object， and the spectral preprocessing was carried out by using successive projections algorithm （SPA） and standard normal variate transformation （SNV）. Partial least squares regression model （PLS） was used to predict cotton leaf nitrogen， and to explore the relationship between cotton leaf nitrogen and hyperspectrum. The results show that the minimum R value of the gradual regression result of SPA-PLS algorithm can reach 0.8032， the prediction accuracy can reach more than 0.9647， the maximum RMSEP is 0.2604 and the maximum RMSECV is 0.1414， and the prediction parameters are all good， indicating that hyperspectral imaging technology can be used to detect nitrogen content in cotton leaves quickly and accurately， which is helpful for accurate fertilization and ecological environment protection.

Keywords： cotton leaves; hyperspectral; nitrogen; SPA-PLS

作為作物當(dāng)中主要的三大元素之一的氮元素，不管對(duì)棉花生長(zhǎng)還是棉花土壤肥力的影響都是非常大的[1]，現(xiàn)代農(nóng)業(yè)作物種植過程已經(jīng)離不開氮肥的大量使用，現(xiàn)在國(guó)內(nèi)針對(duì)作物氮素監(jiān)測(cè)的研究方法很多，但對(duì)棉花氮素的高光譜響應(yīng)分析卻相對(duì)較少[11]。近年來，人們?nèi)找孀⒁獾綑z測(cè)作物的氮素對(duì)作物生長(zhǎng)影響巨大，甚至是破壞性檢測(cè)，而且成本較高，這些原因使得人們渴望出現(xiàn)一種新的技術(shù)能夠代替這種破壞性的檢測(cè)方法。高光譜成像技術(shù)能夠解決這些問題，高光譜成像技術(shù)以其無損、快速、準(zhǔn)確的特點(diǎn)贏得人們的青睞，逐漸成為近年來檢測(cè)農(nóng)作物含量的重要手段。張銀杰等[5]為不同生育時(shí)期的玉米建立了較為準(zhǔn)確的玉米氮素監(jiān)測(cè)診斷模型，達(dá)到了合理施氮、高效利用氮肥的目的。

國(guó)內(nèi)外研究者對(duì)作物氮素的研究也是熱點(diǎn)之一，并且也作了大量的報(bào)道，近幾年來在作物檢測(cè)方面的研究越發(fā)廣泛和深入。周慧等[4]研究發(fā)現(xiàn)荔枝冠層中、上層葉片氮質(zhì)量分?jǐn)?shù)與無人機(jī)正射數(shù)據(jù)計(jì)算的類胡蘿卜素反射指數(shù)（CRI）相關(guān)性最高（r=0.86，p<0.01）;冠層中、下層葉片鉀質(zhì)量分?jǐn)?shù)與無人機(jī)正射數(shù)據(jù)的光譜變量顯著相關(guān)，且與標(biāo)準(zhǔn)綠波段（NG）指數(shù)的相關(guān)程度最高（r=-0.83，p<0.01）。說明光譜數(shù)據(jù)可以反映荔枝冠層葉片氮、鉀質(zhì)量分?jǐn)?shù)，并且精度相對(duì)較高。翟麗婷等[2]研究了冬小麥在不同灌溉條件下葉片氮素的分布情況和冬小麥冠層光譜信息的變化規(guī)律，并在不同水分處理下，較為準(zhǔn)確地篩選了的敏感波段。

本文采集了新疆南疆棉花葉片的高光譜數(shù)據(jù)，并且測(cè)量了棉花葉片的氮素含量，利用PLS，歸一化，SPA-PLS，數(shù)據(jù)中心化等不同算法相結(jié)合的方法對(duì)棉花葉片氮素?cái)?shù)據(jù)和高光譜數(shù)據(jù)進(jìn)行模擬，優(yōu)先選出SPA-PLS的逐漸回歸最好，能夠較為準(zhǔn)確地反映棉花氮素的高光譜響應(yīng)，為準(zhǔn)確、快速、無損檢測(cè)棉花氮素提供了理論方法。

1 實(shí)驗(yàn)部分

1.1 樣本采集

實(shí)驗(yàn)于2019年在新疆阿拉爾市第一師灌溉試驗(yàn)站進(jìn)行，試驗(yàn)田共設(shè)計(jì)18個(gè)小區(qū)，3個(gè)處理。試驗(yàn)田施加尿素（N）、磷酸二氫鈣（P）、硫酸鉀（K）進(jìn)行棉花定時(shí)定量施肥。分別在2019年7月10日（蕾期）、2019年7月26日（花期）、2019年8月2日（花鈴期）、2019年8月26日（鈴期）采集了四個(gè)時(shí)期的棉花葉片氮素和高光譜數(shù)據(jù)，每個(gè)時(shí)期采集180個(gè)數(shù)據(jù)，四個(gè)時(shí)期共計(jì)720個(gè)樣本數(shù)據(jù)。

1.2 葉片氮素含量測(cè)定

實(shí)驗(yàn)儀器選用杭州大吉光電植物營(yíng)養(yǎng)測(cè)量?jī)x，先在植株上將棉花葉片標(biāo)號(hào)，以保證所測(cè)得的棉花葉片氮素值和將要測(cè)的葉片光譜值一一對(duì)應(yīng)，然后在每個(gè)葉片上測(cè)3次氮素值，將這3個(gè)氮素值求平均作為該葉片的氮素值。在每一期數(shù)據(jù)的測(cè)量中每個(gè)小區(qū)采集10個(gè)葉片，18個(gè)小區(qū)共采集180個(gè)葉片。

1.3 葉片高光譜數(shù)據(jù)采集

實(shí)驗(yàn)中采用的是ASD中國(guó)總代理北京理加聯(lián)合科技有限公司生產(chǎn)的高光譜儀HandHeld 2，其波長(zhǎng)范圍為325-1075nm，設(shè)置樣品光譜采集次數(shù)為每次采集5條光譜。將實(shí)驗(yàn)中采集到的棉花葉片放入用黑色擋板遮擋的平臺(tái)上，然后調(diào)整鏡頭到平臺(tái)的距離為20cm，測(cè)量所需葉片的光譜值，最后用ASD光譜儀配套的光譜數(shù)據(jù)處理軟件ViewSpecPro將每片棉花葉片的5條光譜數(shù)據(jù)求平均后作為這片葉子的高光譜數(shù)據(jù)，從而可以利用Excel 2010和MATLAB 2016a進(jìn)行后續(xù)計(jì)算。

1.4 建模方法

本研究利用偏最小二乘法（partial least squares，簡(jiǎn)稱PLS）建立棉花葉片檢測(cè)的校正集和預(yù)測(cè)集模型，通過相關(guān)系數(shù)R、均方根誤差（root mean square erroe，簡(jiǎn)稱RMSE）、預(yù)測(cè)精度（Precision）、預(yù)測(cè)均方根誤差（root mean square erroe of prediction，簡(jiǎn)稱RMSEP）、交叉驗(yàn)證預(yù)測(cè)均方差（root mean square erroe of cross validation，簡(jiǎn)稱RMSECV）這些參數(shù)評(píng)價(jià)利用偏最小二乘法建立的模型好壞。四個(gè)時(shí)期的參數(shù)R、RMSE、Precision、RMSEP、RMSECV都很好的說明了利用偏最小二乘法建模在棉花葉片氮素的光譜檢測(cè)中起到了很好的效果。

2 結(jié)果與分析

2.1 光譜預(yù)處理結(jié)果分析

使用原始數(shù)據(jù)+SPA、原始數(shù)據(jù)+數(shù)據(jù)中心化、原始數(shù)據(jù)+歸一化、原始數(shù)據(jù)+SNV、SNV+SPA這幾種不同的預(yù)處理方法對(duì)光譜進(jìn)行處理后，對(duì)結(jié)果優(yōu)劣進(jìn)行了比較。結(jié)果顯示，經(jīng)過SNV+SPA預(yù)處理過的光譜略好于原始數(shù)據(jù)+SPA等其他的幾種預(yù)處理方法。

2.2 不同時(shí)期棉花葉片高光譜特征

從圖1可以看出在不同的重要生育期棉花葉片的高光譜特征呈現(xiàn)大體一致的趨勢(shì)。在綠波段（約550nm）處呈現(xiàn)明顯的反射峰，在紅波段（約680nm）處呈現(xiàn)有吸收谷的現(xiàn)象，在近紅外波段（>760nm）光譜值達(dá)到最大，走勢(shì)逐漸趨于水平。從四個(gè)重要生育期的棉花葉片高光譜特征來看，在可見光區(qū)域，光譜特征呈現(xiàn)先增大后減小的趨勢(shì)，此現(xiàn)象在反射峰處達(dá)到最大值，在近紅外區(qū)域，光譜特征呈現(xiàn)趨于平穩(wěn)的趨勢(shì)，在波段（760-1075nm）較為明顯。

2.3 基于PLS的預(yù)測(cè)模型建立

本研究選用偏最小二乘法（partial least squares，簡(jiǎn)稱PLS）方法對(duì)棉花葉片的高光譜數(shù)據(jù)進(jìn)行建模，其預(yù)測(cè)的散點(diǎn)圖如圖2所示，在棉花葉片四個(gè)重要時(shí)期的建模參數(shù)中，鈴期的R值最大，為0.8626;花鈴期的R值最小，為0.8032;而在均方根誤差RMSEP和RMSECV方面，鈴期的RMSEP最小，為0.1570;花鈴期的RMSEP最大，為0.2604;鈴期的RMSECV最小，為0.0531;花鈴期的RMSECV最大，為0.1414。

表1 不同棉花重要生育期參數(shù)比較

在精度方面，鈴期的Precision最大，為0.9683;花鈴期的Precision值最小，為0.9579。通過分析可知，花鈴期高光譜數(shù)據(jù)建模效果與其他時(shí)期相比較差，但建模參數(shù)都能達(dá)到較好效果，由此可知，用SPA-PLS方法建立模型利用高光譜技術(shù)檢測(cè)棉花氮素含量具有較好的預(yù)測(cè)效果。四個(gè)棉花重要生育期的建模參數(shù)如表1所示。

3 結(jié)論

此次研究利用高光譜技術(shù)檢測(cè)棉花葉片氮素含量，通過對(duì)棉花葉片四個(gè)重要生育期的光譜預(yù)處理，建立了基于SPA-PLS方法的預(yù)測(cè)模型。結(jié)果顯示，棉花四個(gè)生育期建立模型的R值最小能達(dá)到0.8032，預(yù)測(cè)精度能達(dá)到0.9647以上，RMSEP最大為0.2604，RMSECV最大為0.1414，預(yù)測(cè)參數(shù)都達(dá)到較好效果，說明利用SPA-PLS方法建立模型來預(yù)測(cè)棉花葉片氮素含量是可行的，此次研究為利用高光譜技術(shù)檢測(cè)作物重要營(yíng)養(yǎng)物質(zhì)提供了參考。

參考文獻(xiàn)：

[1]王樹文，牛羽新，馬昕宇，等.基于高光譜的抽穗期寒地水稻葉片氮素預(yù)測(cè)模型[J].農(nóng)機(jī)化研究，2019，41（03）：158-164.

[2]翟麗婷，魏峰遠(yuǎn)，馮海寬，等.不同水分處理下冬小麥葉片光譜特征及氮素垂直分布情況分析[J].中國(guó)農(nóng)業(yè)信息，2019，31（02）：39-54.

[3]張亞坤，羅斌，潘大宇，等.基于分?jǐn)?shù)階微分算法的大豆冠層氮素含量估測(cè)研究[J].光譜學(xué)與光譜分析，2018，38（10）：3221-3230.

[4]周慧，蘇有勇，王重洋，等.利用無人機(jī)的多光譜參數(shù)預(yù)測(cè)荔枝葉片養(yǎng)分質(zhì)量分?jǐn)?shù)[J].熱帶地理，2019，39（04）：562-570.

[5]張銀杰，王磊，白由路，等.基于高光譜分析的玉米葉片氮含量分層診斷研究[J].光譜學(xué)與光譜分析，2019，39（09）：2829-2835.

[6]李百超.基于高光譜成像技術(shù)的蘋果葉片氮素含量估測(cè)研究[D].山東農(nóng)業(yè)大學(xué)，2018.

[7]鄭人文，李子波，唐榮年.基于分?jǐn)?shù)階微分的橡膠樹割膠期氮素含量定量檢測(cè)[J].南方農(nóng)業(yè)學(xué)報(bào)，2019，50（04）：802-808.

[8]楊海波，高興，黃紹福，等.基于衛(wèi)星波段的馬鈴薯植株氮素含量估測(cè)[J].光譜學(xué)與光譜分析，2019，39（09）：2686-2692.

[9]張曉東，蘇辰，段夢(mèng)杰.基于近紅外光譜嶺回歸的甜椒氮素檢測(cè)試驗(yàn)[J].排灌機(jī)械工程學(xué)報(bào)，2019，37（01）：86-92.

[10]陳凱.基于光譜技術(shù)的橡膠樹氮素水平無損診斷策略研究[D].海南大學(xué)，2018.

[11]程博.基于反射光譜的甜菜不同生育時(shí)期氮素預(yù)測(cè)系統(tǒng)研究[D].內(nèi)蒙古農(nóng)業(yè)大學(xué)，2017.

[12]蔣燦辰，唐榮年.基于近紅外光譜技術(shù)的成年橡膠樹葉片氮素含量檢測(cè)[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，44（03）：429-433.