井宇航，郭 燕，張會(huì)芳，戎亞思，，張少華，馮 偉，王來(lái)剛，賀 佳，劉海礁，鄭國(guó)清

（1. 河南農(nóng)業(yè)大學(xué) 農(nóng)學(xué)院/省部共建小麥玉米作物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450046；2. 河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，河南 鄭州 450002；3. 農(nóng)作物種植監(jiān)測(cè)與預(yù)警河南省工程實(shí)驗(yàn)室，河南 鄭州 450002）

氮素是作物生長(zhǎng)發(fā)育必不可少的營(yíng)養(yǎng)元素，在作物的光合作用、蛋白質(zhì)合成、同化過(guò)程中起著關(guān)鍵作用[1?2]。在目前耕地資源緊缺、環(huán)境問題不斷突出、智慧農(nóng)業(yè)方興未艾的背景下，及時(shí)監(jiān)測(cè)作物氮素狀況有利于氮肥精準(zhǔn)管理[3]。傳統(tǒng)的氮素監(jiān)測(cè)需要人工采樣和實(shí)驗(yàn)室理化分析，耗時(shí)費(fèi)力[4]。遙感技術(shù)的快速發(fā)展為氮素快速監(jiān)測(cè)提供了新的技術(shù)手段，從最初20 世紀(jì)80 年代的近地傳感到如今的衛(wèi)星遙感、無(wú)人機(jī)遙感，全方位、多角度對(duì)作物氮素的監(jiān)測(cè)也越來(lái)越多。但是衛(wèi)星遙感的波段信息少且易受陰雨天氣影響，時(shí)間和分辨率難以靈活控制[5?6]。近地遙感波段信息多可以滿足分辨率的要求，但是目前仍然以人工操控為主，應(yīng)用的范圍偏小[7?9]。無(wú)人機(jī)則具有靈活機(jī)動(dòng)、時(shí)間和分辨率可控的優(yōu)勢(shì)，可以根據(jù)研究需要搭載不同的傳感器。國(guó)內(nèi)外研究者通過(guò)利用各種無(wú)人機(jī)平臺(tái)搭載高光譜相機(jī)、多光譜相機(jī)、數(shù)碼相機(jī)等傳感器[10?12]獲取遙感影像已開展了作物長(zhǎng)勢(shì)監(jiān)測(cè)、氮素估算等方面的研究，取得了一些重要結(jié)果[13?16]。目前，在玉米[17]、大豆[18]、棉花[13]植株氮含量的監(jiān)測(cè)中采用的飛行高度集中在30～100 m，預(yù)測(cè)模型和驗(yàn)證模型R2均在0.5以上，較好地估算了作物氮含量。但是這些模型的建立均是在一定的高度，模型的適用性以及效率需要進(jìn)一步驗(yàn)證。

小麥作為我國(guó)主要的糧食作物之一，關(guān)系國(guó)家糧食安全[19]。隨著農(nóng)業(yè)現(xiàn)代化進(jìn)程推進(jìn)，農(nóng)業(yè)進(jìn)入4.0 時(shí)代，高標(biāo)準(zhǔn)農(nóng)田建設(shè)和小型農(nóng)場(chǎng)的發(fā)展已成為未來(lái)農(nóng)業(yè)的必然趨勢(shì)。通過(guò)無(wú)人機(jī)技術(shù)實(shí)現(xiàn)精準(zhǔn)化管理的同時(shí)，也需構(gòu)建精度高、適用性強(qiáng)、監(jiān)測(cè)效率高的氮素監(jiān)測(cè)模型。在冬小麥無(wú)人機(jī)氮素監(jiān)測(cè)中，主要是以獲取的冬小麥生育期遙感影像提取植被指數(shù)與氮素營(yíng)養(yǎng)指數(shù)進(jìn)行模型構(gòu)建與檢驗(yàn)[20?22]，如劉昌華等[23]、王玉娜等[24]基于無(wú)人機(jī)搭載多光譜和高光譜成像儀獲取分辨率為5、30 cm 的遙感影像建立氮素營(yíng)養(yǎng)指數(shù)預(yù)測(cè)模型，對(duì)冬小麥植株氮含量進(jìn)行了較好地估算，驗(yàn)證模型R2最高可達(dá)0.96。這些研究很好地推動(dòng)了無(wú)人機(jī)遙感技術(shù)在作物氮素營(yíng)養(yǎng)監(jiān)測(cè)中的應(yīng)用，但也存在一定的缺陷，植被指數(shù)在植被覆蓋度高時(shí)，會(huì)表現(xiàn)出對(duì)冠層變化不敏感現(xiàn)象，影響反演精度和效果[25]。因此，有學(xué)者將植被指數(shù)結(jié)合紋理特征對(duì)冬小麥氮素營(yíng)養(yǎng)進(jìn)行監(jiān)測(cè)，如賈丹等[26]研究表明，無(wú)人機(jī)影像分辨率介于1.00～5.69 cm 時(shí)，光譜信息對(duì)小麥植株氮濃度反演影響不大，紋理特征在一定的分辨率下可以提高模型的反演精度。但不同高度影像的光譜特征和紋理特征對(duì)氮含量預(yù)測(cè)模型的影響研究缺乏。為了探究無(wú)人機(jī)飛行高度對(duì)冬小麥植株氮積累量預(yù)測(cè)模型穩(wěn)定性的影響，分析不同高度光譜特征、紋理特征對(duì)冬小麥植株氮積累量預(yù)測(cè)模型的影響，在冬小麥拔節(jié)期、開花期、灌漿期通過(guò)設(shè)置30、60、90 m 3個(gè)飛行高度，獲得分辨率為1.05～3.26 cm 的無(wú)人機(jī)影像，使用偏最小二乘回歸（PLSR）與BP 神經(jīng)網(wǎng)絡(luò)（BPNN）方法建立冬小麥植株氮積累量估算模型，并在不同高度進(jìn)行交叉驗(yàn)證，探究不同分辨率下構(gòu)建的冬小麥植株氮積累量估算模型穩(wěn)定性，以期為氮素的高效快速監(jiān)測(cè)提供技術(shù)支撐。

1 材料和方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)區(qū)位于河南省周口市商水縣國(guó)營(yíng)農(nóng)場(chǎng)第十四分廠（33°32′2.9′′N，114°29′1.0′′E，海拔高度約66 m）。土壤類型為砂姜黑土。試驗(yàn)地塊常年進(jìn)行氮素定位試驗(yàn)，具有很好的氮素水平表現(xiàn)性狀。供試3 個(gè)冬小麥品種為鑫華麥818、鄭麥103、豐德存5號(hào)（2020 年10 月23 日播種），共設(shè)置5 個(gè)施氮水平：N0（0 kg/hm2）、N6（60 kg/hm2）、N12（120 kg/hm2）、N18（180 kg/hm2）、N24（240 kg/hm2），其中50%作為底肥施入，剩余50%在拔節(jié)期追施。所有處理磷肥和鉀肥用量均為150 kg/hm2和90 kg/hm2，全部作為底肥施入。水分設(shè)置2個(gè)水平，W0：僅雨水（自然狀態(tài)）；W1：正常灌溉。小區(qū)空間分布如圖1所示。

圖1 研究區(qū)位置及小區(qū)布設(shè)分布Fig.1 Location of the study area and distribution of the field experiment

1.2 數(shù)據(jù)采集

1.2.1 無(wú)人機(jī)遙感影像數(shù)據(jù)獲取及預(yù)處理 在冬小麥拔節(jié)期、開花期、灌漿期，分別選取天氣晴朗、無(wú)風(fēng)無(wú)云天氣，通過(guò)無(wú)人機(jī)搭載K6 多光譜成像儀進(jìn)行影像獲取，時(shí)間為11:30—12:30。該傳感器波段主要包括藍(lán)光波段（中心波長(zhǎng)450 nm，Blue）、綠光波段（中心波長(zhǎng)550 nm，Green）、紅光波段（中心波長(zhǎng)685 nm，Red）、紅邊波段（中心波長(zhǎng)725 nm，Red edge）、近紅外波段（中心波長(zhǎng)780 nm，Nir）。飛行前地面鋪設(shè)標(biāo)準(zhǔn)反射率為5%、20%、40%、70%的4 塊輻射定標(biāo)板，同時(shí)使用天寶實(shí)時(shí)動(dòng)態(tài)定位（Real?time kinematic，RTK）接收機(jī)測(cè)量試驗(yàn)區(qū)4 個(gè)頂點(diǎn)及中間點(diǎn)的地面控制點(diǎn)（GCP），用于確定當(dāng)前飛行位置和海拔高度。飛行時(shí)設(shè)定航向重疊率與旁向重疊率分別為70%和75%。獲取的影像數(shù)據(jù)通過(guò)格式轉(zhuǎn)換、影像拼接、地理信息矯正和輻射定標(biāo)，獲得研究區(qū)植被冠層反射率信息。對(duì)獲取的影像數(shù)據(jù)和處理效率進(jìn)行統(tǒng)計(jì)，結(jié)果見表1。隨著飛行高度的增加，相同的數(shù)據(jù)獲取區(qū)域，雖然損失了分辨率，但飛行時(shí)間大幅縮短，照片的數(shù)量迅速減少，后期影像處理耗時(shí)也顯著降低，可以顯著提高工作效率。

表1 不同高度影像分辨率和數(shù)據(jù)統(tǒng)計(jì)Tab.1 Image resolution and data statistics at different height

1.2.2 冬小麥植株樣品采集及氮積累量測(cè)定 地面數(shù)據(jù)的采集與影像采集同步進(jìn)行，在小區(qū)內(nèi)選取長(zhǎng)勢(shì)均勻的區(qū)域，通過(guò)固定2 行（0.2 m）×1 m 的總莖數(shù)，取其中20個(gè)單莖樣本裝入密封袋。在實(shí)驗(yàn)室內(nèi)將植株器官分離為葉片、莖和穗后分別置于紙袋中，105 ℃下殺青，80 ℃條件下烘干至恒定質(zhì)量。器官粉碎后，采用K1100 全自動(dòng)凱氏定氮法測(cè)定植株不同器官氮含量，通過(guò)公式（1）計(jì)算植株氮積累量。3 個(gè)生育時(shí)期共獲得270 個(gè)冬小麥植株氮積累量測(cè)定值，其中每個(gè)生育時(shí)期選取60 個(gè)數(shù)據(jù)為建模集，30個(gè)數(shù)據(jù)為驗(yàn)證集。

1.3 研究方法與參數(shù)選取

1.3.1 研究方法 PLSR 是一種新型的多元回歸分析方法[27]，它在回歸建模過(guò)程中采用數(shù)據(jù)降維、信息綜合與篩選技術(shù)，提取對(duì)系統(tǒng)最佳解釋能力的新綜合成分，尤其是對(duì)于只有1 個(gè)因變量多個(gè)自變量的建模具有較好的預(yù)測(cè)效果。BPNN 是一種采用誤差逆向傳播進(jìn)行算法訓(xùn)練的多層前饋網(wǎng)絡(luò)[28]，是目前最廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型之一。正向傳播是通過(guò)將隱藏層逐步處理給定輸入樣本數(shù)據(jù)到輸出層。當(dāng)輸出層的輸出不等于預(yù)期輸出或誤差大，則將其傳送到反向誤差。本研究使用的BP 網(wǎng)絡(luò)訓(xùn)練模型的隱藏神經(jīng)元個(gè)數(shù)為3，最大訓(xùn)練次數(shù)為1 000，網(wǎng)絡(luò)學(xué)習(xí)速率為0.5，訓(xùn)練目標(biāo)誤差為0.001。將某一高度下的建模集植被指數(shù)、紋理特征和植株氮積累量作為訓(xùn)練集，對(duì)其他高度驗(yàn)證集植被指數(shù)與紋理特征和植株氮積累量進(jìn)行模型驗(yàn)證，通過(guò)機(jī)器訓(xùn)練得到氮積累量預(yù)測(cè)結(jié)果。

模型的穩(wěn)定性分析采用決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）、相對(duì)分析誤差（Residual predictive deviation，RPD）作為評(píng)價(jià)指標(biāo)。R2與PRD越大，RMSE越小，表明估算模型的穩(wěn)定性越好。另外，當(dāng)RPD≥2 時(shí)說(shuō)明模型具有極好的預(yù)測(cè)能力，當(dāng)1.4≤RPD<2 時(shí)表明模型能夠?qū)悠愤M(jìn)行粗略估測(cè)，而RPD<1.4則表明模型無(wú)法對(duì)樣品進(jìn)行預(yù)測(cè)[29]。

式中，xi表示第i個(gè)樣本點(diǎn)實(shí)測(cè)氮積累量，xˉ表示實(shí)測(cè)氮積累量的平均值，yi表示第i個(gè)樣本點(diǎn)預(yù)測(cè)氮積累量，yˉ表示預(yù)測(cè)氮積累量的平均值，n表示樣本數(shù)量。

1.3.2 植被指數(shù)選取 植被指數(shù)具有一定的機(jī)理性，而且結(jié)構(gòu)簡(jiǎn)單，將不同波段反射率進(jìn)行組合，在一定程度上能夠減少土壤等因素對(duì)植被光譜的影響。冬小麥缺氮時(shí)會(huì)表現(xiàn)出覆蓋度降低[30]、葉面積減小[28]、葉片變黃[31]等明顯的表觀特征，這些特征為利用植被指數(shù)進(jìn)行植株氮含量的預(yù)測(cè)提供了依據(jù)。通過(guò)查閱相關(guān)文獻(xiàn)，選取9 種常用的氮含量預(yù)測(cè)植被指數(shù)，具體公式如表2所示。

表2 植被指數(shù)及計(jì)算公式Tab.2 Vegetation index and calculating formula

1.3.3 紋理特征提取 紋理特征反映圖像灰度性質(zhì)及其空間關(guān)系，擴(kuò)大原始影像亮度的空間識(shí)別度，能夠在一定程度上解決植被指數(shù)反演存在的飽和問題，提高反演精度[26]，而且紋理特征受到傳感器和大氣影響較小，尤其是無(wú)人機(jī)飛行高度較低時(shí)豐富的紋理信息對(duì)作物氮素監(jiān)測(cè)非常重要。本研究利用灰度共生矩陣進(jìn)行不同高度遙感影像紋理特征提取[39?40]。提取得到的紋理特征包括8個(gè)，分別為對(duì)比度（Contrast，con）、二階距（Second moment，sm）、方差（Variance，var）、均值（mean）、相關(guān)性（Correlation，cor）、差異性（Dissimilarity，dis）、同質(zhì)性（Homogenetity，hom）、熵（Entropy，ent）。

2 結(jié)果與分析

2.1 不同高度植被指數(shù)與冬小麥植株氮積累量相關(guān)性分析

不同高度植被指數(shù)與冬小麥植株氮積累量皮爾遜相關(guān)分析結(jié)果見表3。9 個(gè)植被指數(shù)與植株氮積累量的相關(guān)系數(shù)均達(dá)到了0.05 水平的顯著性。其中RERDVI 和RVI 在3 個(gè)高度中與植株氮積累量的相關(guān)系數(shù)均在0.8 以上，達(dá)到了0.01 水平的極顯著性。CARI 與植株氮積累量的相關(guān)系數(shù)最小，而且隨著飛行高度的增加下降明顯。NGBDI 在30 m與植株氮積累量的相關(guān)系數(shù)表現(xiàn)為0.01 水平極顯著正相關(guān)，在60、90 m 高度下與植株氮積累量的相關(guān)系數(shù)則為極顯著負(fù)相關(guān)。不同的植被指數(shù)對(duì)植株氮積累量的敏感性指示方向也不同，EXG 與植株氮積累量在3個(gè)高度下表現(xiàn)為0.01水平極顯著負(fù)相關(guān)，因此，為了保證在3個(gè)高度下植被指數(shù)與植株氮積累量的相關(guān)一致性，將除NGBDI 外的其他8 個(gè)植被指數(shù)作為建模因子。

表3 不同高度植被指數(shù)與植株氮積累量相關(guān)性Tab.3 Correlations between the plant nitrogen accumulation and vegetation indices at different height

2.2 不同高度紋理特征與植株氮積累量相關(guān)性分析

不同高度紋理特征與冬小麥植株氮積累量皮爾遜相關(guān)分析結(jié)果見表4。紋理特征隨高度變化較植被指數(shù)明顯，8 個(gè)紋理特征中cor與植株氮積累量的相關(guān)系數(shù)有60%未達(dá)到顯著性，其相關(guān)性與其他紋理特征相比稍差。mean 除了在紅邊波段下與植株氮積累量相關(guān)性較小外，在其他波段與植株氮積累量的相關(guān)性優(yōu)于其他紋理特征。從不同高度藍(lán)光波段紋理特征與植株氮積累量的相關(guān)性來(lái)看，紋理特征在30 m 高度下與植株氮積累量在0.01 水平存在顯著相關(guān)性，隨著高度的增加，除sm、mean 在90 m 時(shí)依然與植株氮積累量在0.01 水平存在顯著相關(guān)性外，其他紋理特征與植株氮積累量相關(guān)性均有明顯下降。從紅邊波段紋理特征與植株氮積累量相關(guān)性來(lái)看，紋理特征在30 m 高度除cor 和mean與植株氮積累量在0.05 水平存在顯著相關(guān)性外，其他紋理特征與植株氮積累量不存在顯著相關(guān)性。從近紅外波段紋理特征與植株氮積累量相關(guān)性來(lái)看，紋理特征在60 m 高度下除mean 與植株氮積累量存在0.01水平極顯著相關(guān)性、cor在0.05水平存在顯著相關(guān)性外，其他紋理特征與植株氮積累量不存在顯著相關(guān)性。綜合對(duì)比分析，綠光波段與紅光波段的紋理特征隨著高度的增加與植株氮積累量的相關(guān)性好于其他波段，因此，將綠光與紅光波段除cor外的紋理特征作為建模因子。

表4 不同高度紋理特征與植株氮積累量相關(guān)性Tab.4 Correlations between the plant nitrogen accumulation and texture features at different height

2.3 建模因子的共線性檢驗(yàn)

在進(jìn)行線性建模時(shí)，如果兩變量之間存在共線性會(huì)造成信息疊加。方差膨脹因子（Variance inflation factor，VIF）作為檢驗(yàn)建模因子之間是否存在共線性問題的主要方法，在進(jìn)行多變量選擇模型構(gòu)建中得到了廣泛應(yīng)用。當(dāng)020 時(shí)，建模因子之間存在嚴(yán)重的共線性[25]。為篩選出冬小麥植株氮積累量預(yù)測(cè)模型中更為合理的植被指數(shù)和紋理特征，對(duì)3 個(gè)高度選取的植被指數(shù)與紋理特征建模因子進(jìn)行共線性分析，結(jié)果見圖2。植被指數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 與紋理特征Green-mean、Green-sm、Red-mean、Red-var在3 個(gè)高度下VIF 介于0～10，變量之間不存在共線性，將這6 個(gè)植被指數(shù)與4 個(gè)紋理特征作為冬小麥植株氮積累量模型的建模因子。

圖2 植被指數(shù)和紋理特征的VIF分析Fig.2 VIF analysis for vegetation index and texture feature

2.4 不同高度植被指數(shù)對(duì)冬小麥植株氮積累量模型穩(wěn)定性的影響

基 于 選 取 的6 個(gè) 植 被 指 數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 采用PLSR 與BPNN建立30、60、90 m 冬小麥植株氮積累量預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果的R2、RMSE、RPD見表5。對(duì)于PLSR，利用30 m 植被指數(shù)建立的植株氮積累量預(yù)測(cè)模型使用90 m 驗(yàn)證集植被指數(shù)信息進(jìn)行預(yù)測(cè)時(shí)R2仍能達(dá)到0.69，RPD為1.96，穩(wěn)定性好。利用高度為90 m植被指數(shù)建立的植株氮積累量預(yù)測(cè)模型在30 m 驗(yàn)證集植被指數(shù)預(yù)測(cè)時(shí)R2與RPD分別為0.54、1.11，相比30 m 植被指數(shù)建立的模型使用30 m 驗(yàn)證集植被指數(shù)預(yù)測(cè)結(jié)果的R2與RPD下降了0.25、1.85，但是模型仍具有較好的預(yù)測(cè)能力和穩(wěn)定性。BPNN 構(gòu)建的不同高度植株氮積累量預(yù)測(cè)模型穩(wěn)定性整體優(yōu)于PLSR。30 m 植被指數(shù)建立的植株氮積累量模型在使用90 m 驗(yàn)證集植被指數(shù)進(jìn)行氮積累量預(yù)測(cè)時(shí)R2、RPD分別達(dá)到0.82、2.88，與對(duì)應(yīng)的PLSR 預(yù)測(cè)結(jié)果相比，R2、RPD分別提高了0.13、0.92。90 m 植被指數(shù)構(gòu)建的模型使用30 m 驗(yàn)證集植被指數(shù)預(yù)測(cè)的R2、RPD達(dá)到了0.74、2.01，與對(duì)應(yīng)的PLSR 相比，R2、RPD分別提高了0.20、0.90。

表5 不同高度植被指數(shù)的冬小麥植株氮積累量預(yù)測(cè)模型的R2、RMSE和RPD對(duì)比Tab.5 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation predicting models with different height of vegetation indices

2.5 不同高度紋理特征對(duì)冬小麥植株氮積累量模型穩(wěn)定性的影響

基于選取的4 個(gè)紋理特征Green-mean、Greensm、Red-mean、Red-var 采用PLSR 與BPNN 建立了30、60、90 m 冬小麥植株氮積累量預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果R2、RMSE、RPD見表6。對(duì)于PLSR，利用30 m 紋理特征建立的植株氮積累量預(yù)測(cè)模型使用90 m 驗(yàn)證集紋理特征信息進(jìn)行植株氮積累量預(yù)測(cè)時(shí)R2仍能達(dá)到0.57，RPD為1.67，與表5中30 m植被指數(shù)建立的植株氮積累量預(yù)測(cè)模型使用90 m 植被指數(shù)預(yù)測(cè)結(jié)果相比R2、RPD分別下降了0.12、0.29。利用高度為90 m 紋理特征建立的預(yù)測(cè)模型在30 m驗(yàn)證集紋理特征預(yù)測(cè)時(shí)R2與RPD分別為0.24、0.44，與30 m 紋理特征建立的預(yù)測(cè)模型使用30 m 驗(yàn)證集紋理特征預(yù)測(cè)結(jié)果相比R2與RPD分別下降了0.50、2.21。BPNN 構(gòu)建的不同高度冬小麥植株氮積累量預(yù)測(cè)模型穩(wěn)定性整體好于PLSR。30 m 紋理特征建立的模型在使用90 m 驗(yàn)證集紋理特征進(jìn)行預(yù)測(cè)時(shí)R2、RPD分別達(dá)到0.72、2.64，與對(duì)應(yīng)的PLSR 預(yù)測(cè)結(jié)果相比，R2、RPD分別提高了0.15、0.97。90 m 紋理特征構(gòu)建的模型使用30 m 驗(yàn)證集紋理特征預(yù)測(cè)結(jié)果的R2、RPD達(dá)到了0.63、1.60，與對(duì)應(yīng)的PLSR 預(yù)測(cè)結(jié)果相比，R2、RPD分別提高了0.39、1.16。與不同高度下植被指數(shù)構(gòu)建的模型相比，紋理特征構(gòu)建的模型穩(wěn)定性下降，這主要是隨著高度的增加，紋理信息受高度的影響比植被指數(shù)大。

表6 不同高度紋理特征的冬小麥植株氮積累量預(yù)測(cè)模型的R2、RMSE和RPD對(duì)比Tab.6 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of texture features

2.6 不同高度植被指數(shù)+紋理特征對(duì)冬小麥植株氮積累量模型穩(wěn)定性的影響

將選取的6 個(gè)植被指數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 和4 個(gè) 紋 理 特 征Greenmean、Green-sm、Red-mean、Red-var，采用PLSR 與BPNN方法建立了30、60、90 m冬小麥植株氮積累量預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果的R2、RMSE、RPD見表7。對(duì)于PLSR，利用30 m 植被指數(shù)+紋理特征建立的預(yù)測(cè)模型使用90 m驗(yàn)證集植被指數(shù)+紋理特征進(jìn)行預(yù)測(cè)時(shí)，R2與RPD分別為0.76、2.46，結(jié)果優(yōu)于對(duì)應(yīng)的單一植被指數(shù)與紋理特征預(yù)測(cè)結(jié)果。利用高度為90 m 植被指數(shù)+紋理特征建立的預(yù)測(cè)模型在30 m驗(yàn)證集植被指數(shù)+紋理特征預(yù)測(cè)時(shí)R2與RPD分別為0.62、1.69，與對(duì)應(yīng)的單一植被指數(shù)或者紋理特征預(yù)測(cè)結(jié)果相比穩(wěn)定性有所提高。2 種方法相比，BPNN構(gòu)建的冬小麥植株氮積累量預(yù)測(cè)模型穩(wěn)定性整體上優(yōu)于PLSR。30 m 植被指數(shù)+紋理特征建立的模型在使用90 m驗(yàn)證集植被指數(shù)+紋理特征信息進(jìn)行預(yù)測(cè)時(shí)R2、RPD分別達(dá)到了0.81、3.03，90 m 植被指數(shù)+紋理特征建立的模型使用30 m驗(yàn)證集植被指數(shù)和紋理特征預(yù)測(cè)的R2、RPD達(dá)到了0.71、2.35?？傮w來(lái)看，結(jié)合植被指數(shù)與紋理特征構(gòu)建的模型預(yù)測(cè)能力與穩(wěn)定性都有所提高。

表7 不同高度植被指數(shù)+紋理特征的冬小麥植株氮積累量預(yù)測(cè)模型的R2、RMSE和RPD對(duì)比Tab.7 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of vegetation indices and texture features

2.7 融合多高度植被指數(shù)、紋理特征信息預(yù)測(cè)冬小麥植株氮積累量結(jié)果

使用PLSR 與BPNN 進(jìn)行冬小麥植株氮積累量預(yù)測(cè)時(shí)發(fā)現(xiàn)，2種方法之間的結(jié)果存在差異，通過(guò)預(yù)測(cè)值與實(shí)測(cè)值R2、RMSE和RPD可以看出，BPNN 能夠進(jìn)一步提高模型的穩(wěn)定性。這主要是因?yàn)镻LSR屬于線性回歸的一種，因變量與自變量之間存在依賴性。從圖3建模時(shí)不同高度植被指數(shù)與紋理特征變量重要性（Variable importance plot，VIP）值可以看出，在建立預(yù)測(cè)模型過(guò)程中，不同高度的植被指數(shù)與紋理特征變量對(duì)模型的貢獻(xiàn)存在差異。這是導(dǎo)致某一高度的模型在其他高度表現(xiàn)出穩(wěn)定性下降的原因。

圖3 不同高度下植被指數(shù)與紋理特征建模時(shí)的VIP值Fig.3 VIP values of vegetation index and texture feature at different height

BPNN 在各建模情況下表現(xiàn)出較好的預(yù)測(cè)效果，其中植被指數(shù)+紋理特征預(yù)測(cè)效果要優(yōu)于單一植被指數(shù)或紋理特征，通過(guò)分析發(fā)現(xiàn)，是由于BPNN的訓(xùn)練集中進(jìn)行植株氮積累量預(yù)測(cè)的信息增多，豐富了訓(xùn)練集以進(jìn)行模型構(gòu)建，3 個(gè)高度下植被指數(shù)與紋理特征存在差異，并且與植株氮積累量都存在一定的相關(guān)性，因此，分別將3個(gè)高度下選取的植被指數(shù)、紋理特征、植被指數(shù)+紋理特征作為BPNN 訓(xùn)練集，并用90 m 高度的驗(yàn)證集信息進(jìn)行冬小麥植株氮積累量的預(yù)測(cè)，預(yù)測(cè)值與實(shí)測(cè)值結(jié)果見圖4。利用植被指數(shù)建立的植株氮積累量預(yù)測(cè)模型R2、RMSE、RPD分別為0.93、1.89 g/m2、3.73，利用紋理特征得到的 預(yù)測(cè)模型R2、RMSE、RPD分別為0.89、2.03 g/m2、3.54，利用植被指數(shù)+紋理特征預(yù)測(cè)模型的R2、RMSE、RPD分別為0.93、1.80 g/m2、4.03，3 個(gè)模型的預(yù)測(cè)效果和穩(wěn)定性都很好，尤其是采用植被指數(shù)+紋理特征建立的預(yù)測(cè)模型較單獨(dú)采用植被指數(shù)或紋理特征建立的模型精度和穩(wěn)定性均有較大的提升，這也說(shuō)明在一定的高度下，無(wú)人機(jī)遙感影像的植被指數(shù)和紋理特征對(duì)模型的構(gòu)建均有重要作用。

圖4 融合多高度植被指數(shù)、紋理特征信息的冬小麥植株氮積累量預(yù)測(cè)模型Fig.4 Prediction models of plant nitrogen accumulation combined with vegetation indices and texture features in winter wheat

3 結(jié)論與討論

3.1 無(wú)人機(jī)飛行高度對(duì)冬小麥植株氮積累量預(yù)測(cè)模型穩(wěn)定性的影響

無(wú)人機(jī)飛行高度（分辨率）與監(jiān)測(cè)效率、監(jiān)測(cè)精度密切相關(guān)，建立預(yù)測(cè)模型時(shí)不能忽視分辨率對(duì)模型穩(wěn)定性的影響。本研究中，在監(jiān)測(cè)范圍不變的情況下，90 m 獲取數(shù)據(jù)所用時(shí)間約為30 m 的1/7，照片數(shù)量由235張減少到32張，拼接時(shí)間由6.2 h降低到1.2 h，說(shuō)明高度的增加可以大幅度提高冬小麥植株氮積累量監(jiān)測(cè)效率。不同高度的光譜特征與紋理特征對(duì)構(gòu)建的冬小麥植株模型穩(wěn)定性影響不同，主要是因?yàn)闊o(wú)人機(jī)影像數(shù)據(jù)獲取的是冬小麥冠層信息，影像數(shù)據(jù)易受到葉片之間遮擋、葉片大小以及葉片卷曲程度的影響。隨著高度的增加分辨率降低，像元出現(xiàn)混合[41]，土壤與植被、冠層陰影與植被之間界限模糊，這些因素都會(huì)對(duì)獲取影像的光譜、紋理特征產(chǎn)生影響。有研究表明，當(dāng)冬小麥葉片長(zhǎng)度在10 cm以下時(shí)，分辨率優(yōu)于10 cm的影像才能辨識(shí)出這種紋理特征，但是冬小麥在生長(zhǎng)的過(guò)程中，葉片呈現(xiàn)一定的傾角，葉寬對(duì)冠層光譜的影響占主要地位，這也是無(wú)人機(jī)從上方俯視獲取不同氮處理的冠層顏色會(huì)出現(xiàn)紋理特征不同的原因。賈丹等[26]選取15～80 m 飛行高度進(jìn)行冬小麥氮濃度的反演，表明當(dāng)分辨率在3.49 cm 時(shí)光譜特征變化沒有紋理特征變化明顯，但是對(duì)于不同高度下模型的穩(wěn)定性并未進(jìn)行深入分析。本研究將最大高度設(shè)置為90 m（分辨率為3.26 cm），并同時(shí)設(shè)置30、60 m 2 個(gè)高度，對(duì)應(yīng)分辨率分別為1.05、2.09 cm，分別研究了3 個(gè)高度下利用植被指數(shù)、紋理特征、植被指數(shù)+紋理特征建立模型的穩(wěn)定性。結(jié)果表明，3 個(gè)高度構(gòu)建的模型中，30 m 構(gòu)建的模型穩(wěn)定性最好，90 m 構(gòu)建的模型穩(wěn)定性相對(duì)較差，在不同高度植被指數(shù)、紋理特征、植被指數(shù)+紋理特征構(gòu)建的模型中，紋理特征構(gòu)建的模型相較于其他2 種模型穩(wěn)定性較差，說(shuō)明高分辨率影像能表現(xiàn)出豐富的植株群體信息，提高模型的穩(wěn)定性。但獲取高分辨率的影像，需要采用低的飛行高度，效率就會(huì)變低。因此，在實(shí)際應(yīng)用中還需要綜合考慮無(wú)人機(jī)影像獲取效率，根據(jù)具體需求尋找精度和效率的平衡點(diǎn)。

3.2 建模方式對(duì)冬小麥植株氮積累量預(yù)測(cè)模型穩(wěn)定性的影響

PLSR 是根據(jù)自變量對(duì)因變量的貢獻(xiàn)程度來(lái)建立線性預(yù)測(cè)模型，從不同高度建模因子的VIP 值可以看出，不同高度下的建模因子對(duì)植株氮積累量的貢獻(xiàn)程度存在差異，這也導(dǎo)致了PLSR 構(gòu)建的線性模型適用性單一，模型穩(wěn)定性容易發(fā)生變化。同時(shí)PLSR 模型在處理復(fù)雜多維度的關(guān)系與辨識(shí)系統(tǒng)中的信息與噪聲時(shí)仍然存在短板[42]。使用不同高度數(shù)據(jù)進(jìn)行交叉驗(yàn)證時(shí)，PLSR 模型對(duì)植株氮積累量預(yù)測(cè)能力及穩(wěn)定性下降明顯。BPNN 屬于機(jī)器學(xué)習(xí)的一種，通過(guò)誤差信號(hào)不斷地修正網(wǎng)絡(luò)權(quán)值和閾值從而得出與期望值相符的結(jié)果[43]。在本研究中，基于某一高度植被指數(shù)、紋理特征數(shù)據(jù)構(gòu)建的預(yù)測(cè)模型對(duì)其他高度冬小麥植株氮積累量進(jìn)行預(yù)測(cè)，90 m 高度紋理特征構(gòu)建的模型用30 m 高度數(shù)據(jù)驗(yàn)證時(shí)，R2與RPD與對(duì)應(yīng)的PLSR 模型相比分別提高了0.39、1.16，模型依然具備較好的預(yù)測(cè)能力及穩(wěn)定性。通過(guò)比較基于植被指數(shù)、紋理特征、植被指數(shù)+紋理特征，采用BPNN與PLSR構(gòu)建的植株氮積累量預(yù)測(cè)模型發(fā)現(xiàn)，BPNN 進(jìn)行模型構(gòu)建時(shí)，訓(xùn)練集信息越豐富，泛化效應(yīng)越好，模型的預(yù)測(cè)效果越好?；谥脖恢笖?shù)+紋理特征，采用BPNN 構(gòu)建的模型預(yù)測(cè)R2、RMSE、RPD分 別 為0.71～0.89、1.27～3.53 g/m2、2.23～3.65，優(yōu)于單一植被指數(shù)或紋理特征。因此，在保證實(shí)際可用的前提下，適當(dāng)提高無(wú)人機(jī)飛行高度采用泛化能力更強(qiáng)的模型可以達(dá)到高效地進(jìn)行植株氮積累量預(yù)測(cè)的目的。

基于低空無(wú)人機(jī)搭載多光譜傳感器，通過(guò)設(shè)置不同的無(wú)人機(jī)飛行高度，利用PLSR和BPNN建立冬小麥植株氮積累量預(yù)測(cè)模型，并對(duì)模型在其他高度下的穩(wěn)定性進(jìn)行研究。結(jié)果表明，模型的穩(wěn)定性表現(xiàn)為植被指數(shù)+紋理特征>植被指數(shù)>紋理特征；30、60、90 m 植被指數(shù)、紋理特征、植被指數(shù)+紋理特征建立的模型中，30 m 建立模型的穩(wěn)定性最好；BPNN能夠進(jìn)一步提高模型的穩(wěn)定性，模型適用性更好；融合多高度植被指數(shù)、紋理特征信息構(gòu)建的BPNN模型能夠提高對(duì)冬小麥植株氮積累量的預(yù)測(cè)精度?？傮w來(lái)說(shuō)，在進(jìn)行冬小麥植株氮積累量監(jiān)測(cè)時(shí)，需要同時(shí)考慮精度要求和效率，對(duì)植株氮積累量進(jìn)行大致預(yù)測(cè)時(shí)，可以選擇低飛行高度結(jié)合植被指數(shù)進(jìn)行模型的構(gòu)建；如果對(duì)預(yù)測(cè)結(jié)果要求較高，并且對(duì)影像獲取效率有要求時(shí)，就需要結(jié)合紋理特征以及機(jī)器學(xué)習(xí)對(duì)植株氮積累量進(jìn)行預(yù)測(cè)，滿足精度與效率的需求。