陳春玲，周長獻，于豐華，許童羽，曹英麗

(沈陽農業(yè)大學 信息與電氣工程學院/遼寧省農業(yè)信息化工程技術中心，沈陽 110161)

氮是粳稻生長發(fā)育最重要的營養(yǎng)元素之一?？焖?、實時、準確的獲取粳稻氮素營養(yǎng)水平，有利于掌握粳稻的生長狀況，及時合理的進行營養(yǎng)診斷[1]。目前常用的粳稻氮素診斷方式雖直觀簡單、準確性高，但易混淆、耗時久、花費高且時效性差，具有破壞性，難以滿足其在實際生產中的快速需求[2-3]。利用無人機遙感技術輔助農業(yè)生產[4]，能夠快速、無損、大范圍獲取粳稻冠層信息，提高工作效率，最大程度的降低人工成本以及時間成本[5-7]。隨著高光譜遙感技術的迅猛發(fā)展，越來越多國內外學者借助高光譜技術在糧食作物[8-12]和果蔬[13-15]方面對植株氮素含量開展了大量研究，并取得了不錯進展。劉昌華等[16]采用10種預處理方法結合高光譜特征參數(shù)建立多種冬小麥氮營養(yǎng)指數(shù)高光譜估測模型，表明最佳的預測模型為隨機森林算法結合SG平滑預處理所建模型，預測集決定系數(shù)R2為0．795；TIAN等[17]研究表明綠色比率指數(shù)SR（R553，R537）可以在不同培養(yǎng)條件下較好的估計水稻葉片氮素含量；吳偉斌等[18]比較不同高光譜特征變量與LAI和氮含量的相關性，構建多種回歸模型，發(fā)現(xiàn)以植被指數(shù)變量VI4（紅邊面積/黃邊面積）與氮含量建立的指數(shù)模型為最佳模型；楊福芹等[19]利用從高光譜反射曲線中提取特征光譜參數(shù)，對蘋果葉片的LNC進行預測，結果表明定義的光譜特征參數(shù)所建立的估算模型不受品種的約束，都有較好的預測能力。但現(xiàn)有的研究多是利用單個敏感波段的反射率建立模型，無法充分利用光譜數(shù)據，不僅造成了數(shù)據的浪費，同時在一定程度上制約反演模型的精度。基于此，本研究以不同生育期、不同氮肥處理的田間試驗為基礎，通過分析粳稻冠層光譜特征參數(shù)與氮素含量的相關關系，比較多種氮素含量反演模型的建模效果，以期充分挖掘光譜數(shù)據并進一步提高粳稻氮素含量反演精度，為東北地區(qū)粳稻長勢及營養(yǎng)診斷提供技術參考。

1 材料與方法

1.1 試驗設計

試驗于2018年在遼寧省沈陽市沈陽農業(yè)大學路南試驗基地進行，供試驗品種為沈稻9816。試驗小區(qū)設計7 個氮素水平，氮肥處理分別為：0（N0），150（N1），240（N2），330 kg·hm-2（N3），有機肥替代中氮處理氮肥 10%（N4），有機肥替代中氮處理氮肥20%（N5），有機肥替代中氮處理氮肥30%（N6）。不同的氮肥處理進行3次重復試驗，共劃分為21個小區(qū)，單個試驗小區(qū)面積為30m2（7．61m×4．20m）。磷肥和鉀肥的施用量參照本地區(qū)推薦施用量進行。試驗過程中除施肥量不同外，其他田間管理按照當?shù)卣Ｋ竭M行。本研究于2018年粳稻分蘗期、拔節(jié)期、抽穗期3個關鍵生育期分別采集粳稻冠層高光譜數(shù)據和粳稻樣本數(shù)據。

1.2 數(shù)據獲取

1.2.1 粳稻冠層高光譜數(shù)據采集 本研究采用大疆M600 Pro六旋翼無人機搭載GaiaSky-mini高光譜儀獲取粳稻冠層光譜數(shù)據。該光譜儀波段范圍在400～1000nm之間，光譜分辨率為3．5nm，飛行高度設置為45m。為保證采集到的試驗數(shù)據質量，盡量選擇在光線強度穩(wěn)定、天氣晴朗、無風或微風時同時開展無人機遙感作業(yè)和地面樣本采集工作，飛行時段在10∶00至14∶00之間。利用ENVI5．3遙感圖像處理平臺將獲取到的高光譜圖像進行處理，選取每個小區(qū)感興趣區(qū)（regionof interest，ROI），計算整個ROI的平均光譜反射率作為該小區(qū)的粳稻冠層高光譜反射率值。

1.2.2 粳稻冠層氮素含量測定 每個試驗小區(qū)選取兩穴具有代表性的粳稻植株，裝入自封袋帶回實驗室。將每穴粳稻葉片放入烘箱中以105℃殺青30min，再以75℃恒溫將葉片烘干至質量恒定，研磨后取1～2g，使用凱氏定氮法測定粳稻氮素含量。

式中：V1為樣品滴定用標準酸(mL)；V0為空白滴定用標準酸(mL)；N為標準酸濃度；W為樣品重。

粳稻氮素含量基本情況描述統(tǒng)計結果如表1，滿足氮素含量反演要求。

1.3 數(shù)據處理與方法

1.3.1 光譜數(shù)據預處理 由于無人機高光譜遙感平臺在獲取粳稻冠層高光譜數(shù)據時，容易受到太陽位置、角度條件、地物環(huán)境以及高光譜儀自身的干擾。因此選用SG平滑與一階微分相結合的方法對光譜數(shù)據進行處理，可以提高光譜的信噪比，抑制或消除數(shù)據的隨機噪聲，同時可以得到整個光譜反射率曲線的變化率，反射率曲線拐點、極值點所在位置以及數(shù)值大小等特征信息。

表1 試驗區(qū)粳稻氮素含量統(tǒng)計結果Table 1 Statistical results of nitrogen content in japonica rice in test area

1.3.2 光譜特征參數(shù)的提取 本研究采用水稻冠層高光譜常見的3種類型20個光譜特征參數(shù)[20]，其特征參數(shù)是從高光譜原始光譜反射率和一階微分中提取“三邊”（藍邊、黃邊、紅邊）、綠峰、紅谷的光譜位置和反射率作為高光譜位置特征參數(shù)，分別為 Db、ab、Dy、λy、Dr、λr、Rg、λg、Rr、λ0；選取“三邊”覆蓋波段內一階微分波段值的總和作為高光譜面積特征參數(shù)；選取“三邊”、綠峰、紅谷反射率以及“三邊”面積特征參數(shù)的比值和歸一化運算作為高光譜植被指數(shù)特征參數(shù)， 分別為 X1=Rg/Rr、X2=（Rg-Rr）/（Rg+Rr）、X3=SDr/SDb、X4=SDr/Sdy、X5=（SDr-SDb）/（SDr+SDb）、X6=（SDr-SDy）/（SDr+SDy）。

1.3.3 建模方法與驗證 將采集到的樣本篩選去除異常值，最終得到用于粳稻氮素含量反演的有效樣本數(shù)為570個。為了提高模型的預測能力，按照Kennard-Stone算法（KS）將有效樣本劃分為建模集和驗證集，其中分蘗期建模集和驗證集樣本數(shù)分別為145和48；拔節(jié)期建模集和驗證集樣本數(shù)分別為137和46；抽穗期建模集和驗證集樣本數(shù)分別為146和48。采用偏最小二乘回歸（PLSR）、BP神經網絡（BPNN）和思維進化算法優(yōu)化BP神經網絡（MEA-BPNN）建立粳稻冠層氮素含量反演模型。選擇每個生育期與粳稻氮素含量相關性較高的3個光譜特征參數(shù)作為自變量，粳稻冠層氮素含量作為因變量，使用決定系數(shù)（R2）、均方根誤差（RMSE）兩個指標來檢驗模型的精度和穩(wěn)定性，篩選出最佳的粳稻冠層氮素含量反演模型。

2 結果與分析

2.1 不同生育期粳稻冠層光譜特征分析

由圖1可知，粳稻冠層光譜特征曲線在不同生育期表現(xiàn)出相同的趨勢：粳稻冠層光譜反射率在綠波段（560nm）處具有明顯的反射峰，這是由于粳稻是綠色植物，對綠光吸收率比較低，對藍紫光吸收率較高，于是在綠波段處出現(xiàn)波峰，即“綠峰”；由于對紅光吸收率較高，于是在紅波段（685nm）處具有明顯的吸收谷，即“紅谷”；在近紅外波段（780～1000nm）內由于葉片多重反射，反射率增加，形成一個較高的反射平臺。但不同生育期也有明顯的差異，在可見光區(qū)域，從分蘗期到抽穗期，隨著生育期的推移，粳稻不斷生長，葉片增加，光合作用增強，對紅光和藍光的吸收也不斷增加，相對應的反射率則慢慢減?。辉诮t外區(qū)域，隨著粳稻的生長發(fā)育，粳稻的葉面積指數(shù)也隨之增加，對近紅外的反射能力不斷增強，反射率增加，當葉面積指數(shù)達到一定值后，近紅外的反射率趨于穩(wěn)定。

2.2 不同生育期粳稻冠層光譜紅邊特征分析

“紅邊”是粳稻光譜最重要的特征，“紅邊”波段范圍內的波長位置與一階微分光譜反射率的變化反映了粳稻的生長狀況、營養(yǎng)情況等相關的生理特征。圖2為不同生育期粳稻冠層光譜紅邊特征曲線，從分蘗期到抽穗期，隨著粳稻的不斷生長，植株茂盛，葉片層數(shù)增加，葉片光合作用增強，紅邊特征光譜的位置會向長波方向移動，出現(xiàn)“紅移”的情況。3個生育期所對應的粳稻冠層的紅邊位置分別為711，718，722nm，紅邊對應的一階微分光譜反射率分別為 0．0088，0．0101，0．0102，紅邊面積分別為 0．376，0．442，0．469。

2.3 光譜特征參數(shù)與粳稻冠層氮素含量的相關性

利用有效粳稻樣本的氮素含量及對應的光譜數(shù)據，建立不同生育期光譜特征參數(shù)與粳稻冠層氮素含量的相關性，結果如表2。由表2可知，3個生育期的大多數(shù)光譜特征參數(shù)的相關性達到了極顯著水平，其中只有個別的光譜特征參數(shù)未達到顯著相關性。對于粳稻的分蘗期，藍邊位置λb的相關性達到顯著性，紅邊位置λr、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)的相關性未達到顯著性，其余光譜特征參數(shù)的相關性均達到了極顯著水平。對于粳稻的拔節(jié)期，除了綠峰位置λg、紅谷幅值Rr、SDr/SDb、SDr/SDy未達到顯著相關性，其余光譜特征參數(shù)的相關性均達到了極顯著水平。對于粳稻的抽穗期，除了紅谷幅值Rr、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)的相關性未達到顯著性，其余光譜特征參數(shù)的相關性均達到了極顯著水平，其中紅邊幅值Dr、紅邊面積SDr、Rg/Rr、(Rg-Rr)/(Rg+Rr)的相關系數(shù)均超過0.700。對比發(fā)現(xiàn)，3個生育期，相關系數(shù)最大的光譜特征參數(shù)均為紅邊面積SDr，相關系數(shù)分別為0.771，0.664，0.775。同時，3個生育期的SDr/SDb、SDr/SDy兩個光譜特征參數(shù)均未呈現(xiàn)顯著性。

圖1 不同生育期粳稻冠層光譜曲線特征Figure 1 Characteristics of canopy spectral curves of japonica rice in different growth stages

圖2 不同生育期粳稻冠層光譜紅邊特征Figure 2 First-order differential spectral characteristics of canopy in different growth stages

表2 不同生育期粳稻氮素含量與光譜特征參數(shù)的相關系數(shù)Table 2 Correlation coefficient between nitrogen content and spectral characteristic parameters of japonica rice in different growth stages

由此可知，光譜特征參數(shù)與粳稻氮含量之間有一定的聯(lián)系，因此選用每個生育期相關系數(shù)較高的光譜特征參數(shù)用來反演粳稻氮含量是可行的。為提高模型的效率和反演精度，從表3中分別選出每個生育期與粳稻冠層氮素含量相關性最高的3個光譜特征參數(shù)作為反演模型輸入，分蘗期為SDr、Db、Dr；拔節(jié)期為SDr、(SDr-SDy)/(SDr+SDy)、Rg/Rr；抽穗期為 SDr、Rg/Rr、Dr。

2.4 思維進化算法優(yōu)化的BP神經網絡模型

采用MEA-BPNN算法分別結合3個生育期相關性最高的3個光譜特征參數(shù)建立粳稻冠層氮素含量反演模型，經過反復測試，確定MEA-BPNN各個參數(shù)：初始種群個數(shù)為200，優(yōu)勝子種群個數(shù)為5，臨時子種群個數(shù)為5，迭代次數(shù)為20，隱含層節(jié)點個數(shù)為18，激活函數(shù)為Sigmoid。由MEA-BPNN算法建立的反演模型，其反演模型擬合圖如圖3。其中粳稻抽穗期的氮素反演效果最好，建模集和驗證集的決定系數(shù)R2與均方根誤差RMSE具有較高的一致性，決定系數(shù)R2分別為0.727和0.791，均方根誤差RMSE分別為0.381和0.351，反演模型有較好的穩(wěn)定性和預測能力，這是由于抽穗期粳稻生長茂盛，植株間密集，受到背景噪聲的干擾較小，粳稻葉片氮素含量與光譜反射率相關性較好。粳稻分蘗期的建模集和驗證集的決定系數(shù)R2分別為0.744和0.769，均方根誤差RMSE分別為0.357和0.348；拔節(jié)期的建模集和驗證集的決定系數(shù)R2分別為0.707和0.762，均方根誤差RMSE分別為0.386和0.392，分蘗期和拔節(jié)期的反演效果相對于抽穗期較差。綜上分析表明采用MEABPNN算法的粳稻氮素冠層含量反演模型具有較高的可靠性。

圖3 基于MEA-BPNN算法的3個生育期冠層氮素含量反演模型擬合圖Figure 3 Fitting map of inversion model of canopy nitrogen content in three growth stages based on MEABPNN algorithm

2.5 與其他主流模型建模對比分析

將MEA-BPNN算法和其他主流模型PLSR、BPNN算法進行對比，為了保證各模型間有可比性，模型均選用3個生育期相關性最高的3個光譜特征參數(shù)作為自變量，同時將模型的各個參數(shù)調節(jié)到最優(yōu)，反演模型擬合結果如圖4和圖5。3個生育期建立的PLSR和BPNN模型的建模集決定系數(shù)R2平均分別為0.657和0.671，建模精度都較高，由模型驗證結果可知，預測值和實測值擬合較好。

圖4 基于PLSR算法的3個生育期冠層氮素含量反演模型擬合圖Figure 4 Fitting map of inversion model of canopy nitrogen content in three growth stages based on PLSR algorithm

圖5 基于BPNN算法的3個生育期冠層氮素含量反演模型擬合圖Figure 5 Fitting map of inversion model of canopy nitrogen content in three growth stages based on BPNN algorithm

綜合比較3種反演模型建模和驗證結果可知 （表3），MEA-BPNN模型的建模和驗證效果均優(yōu)于PLSR模型和BPNN模型，3個生育期模型決定系數(shù)均在0.700以上。這是由于氮素與光譜反射率之間具有非線性，一般回歸方法達不到較高精度，而BP神經網絡算法具有很強的非線性映射能力和柔性的網絡結構，可以很好解決非線性問題，但收斂速度慢，容易陷入局部極小值。綜合建模集和驗證集的結果分析可得，MEA-BPNN模型能夠提高反演模型的精度，泛化能力好，能自適應不同生育期的光譜反演任務。

表3 粳稻3個生育期冠層氮素含量3種反演模型對比分析Table 3 Comparative analysis of three inversion models of canopy nitrogen content in three growth stages of japonica rice

3 討論與結論

氮是作物體內多種有機化合物的重要組成部分，其含量對作物生長的影響較為明顯，光譜反射率對氮素含量變化的響應可為反演氮素提供理論基礎。光譜反射率隨著作物氮素含量的不同，表現(xiàn)出不同光譜響應。對于信息量豐富的高光譜數(shù)據來說，僅利用單個光譜波段反射率建立的模型，無法充分利用光譜數(shù)據，并在一定程度上制約反演模型的精度。因此，本研究提出了高光譜位置變量、面積變量和植被指數(shù)變量等3種類型20個光譜特征參數(shù)，綜合考慮整個波段范圍的光譜數(shù)據，可以有效減少光譜信息的損失。分析不同光譜特征參數(shù)與氮素含量的相關性，發(fā)現(xiàn)高光譜面積變量中的紅邊面積SDr在3個生育期與氮素相關性都最為密切[21]。篩選出每個生育期的敏感特征參數(shù)，利用不同算法建立的氮素含量反演模型得到的反演模型精度也不一樣，MEABPNN模型明顯高于PLSR回歸模型和BPNN模型，這與許多學者的研究結果相符[22-23]。原因在于PLSR回歸模型雖然解決了數(shù)據變量和變量之間的重相關性問題，但也損失了部分有效信息，同時建模過程中會存在一些非線性問題，運用線性回歸解決非線性問題時表現(xiàn)就比較差。BPNN模型在進行樣本訓練時過多學習了細節(jié)，收斂速度慢，容易陷入局部極小值[24-25]。而MEA算法具有全局尋優(yōu)的特點，能夠快速搜索到最優(yōu)權重和閾值，可以有效提高BP神經網絡的收斂速度和模型精度，在進行大面積粳稻營養(yǎng)診斷時具有明顯的優(yōu)勢，在實際應用中可為未來精準農業(yè)提供高效的技術服務。

本研究結果表明，對20個光譜特征參數(shù)而言，在粳稻分蘗期，與粳稻氮素含量相關性最高的3個光譜特征參數(shù)分別為 SDr、Db、Dr，其相關系數(shù)分別為 0．771，0．719，0．703；在粳稻拔節(jié)期，相關性最高的 3 個光譜特征參數(shù)分別為 SDr、(SDr-SDy)/(SDr+SDy)、Rg/Rr，其相關系數(shù)分別為 0．664，0．631，0．619；在粳稻抽穗期，相關性最高的 3 個光譜特征參數(shù)分別為 SDr、Rg/Rr、Dr，其相關系數(shù)分別為 0．775，0．764，0．726。 利用每個生育期與粳稻氮素含量相關性最高的3個光譜特征參數(shù)建立粳稻冠層氮素含量反演模型，MEA-BPNN反演模型與PLSR、BPNN模型相比，無論在模型精度還是預測能力都有明顯提高，在各個生育期，MEA-BPNN模型的建模集和驗證集決定系數(shù)R2均達到0．700以上，RMSE均低于0．400以下。該模型有較好的預測能力和泛化能力，能夠適應不同生育期的氮素反演任務，可為相關研究及當?shù)鼐珳兽r業(yè)管理提高理論依據和技術支持。