肖天豪，范園園，馮海寬，李天馳，楊福芹

(1.河南省測(cè)繪工程院，鄭州 450003；2.河南工程學(xué)院 土木工程學(xué)院，鄭州 451191；3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

0 引言

氮是農(nóng)作物中蛋白質(zhì)、遺傳物質(zhì)核酸、葉綠素等的重要成分，并對(duì)籽粒蛋白質(zhì)含量與結(jié)構(gòu)有重要影響[1-2]。當(dāng)植物氮量含量較少時(shí)，植株生長(zhǎng)發(fā)育不良，分叉及穗數(shù)少，蛋白質(zhì)含量及產(chǎn)量低；氮肥過(guò)量時(shí)，小麥大量分蘗，莖葉生長(zhǎng)過(guò)快，容易發(fā)生倒伏和病蟲(chóng)害。因此，精準(zhǔn)判別農(nóng)作物氮素含量成為重中之重[3-4]。

目前，無(wú)人機(jī)遙感廣泛應(yīng)用于作物氮素狀況估測(cè)。秦占飛等[5]基于無(wú)人機(jī)高光譜影像的比值光譜指數(shù)(ratio spectral index，RSI)，構(gòu)建了水稻氮含量反演的線性最優(yōu)估測(cè)模型；劉帥兵等[6]基于無(wú)人機(jī)影像，通過(guò)提取每區(qū)域的DN值構(gòu)建植被指數(shù)，采用多元回歸模型對(duì)冬小麥氮含量反演，相比于傳統(tǒng)方法，模型穩(wěn)定性很高；陳鵬飛等[7]基于高空間分辨率遙感影像，驗(yàn)證了土壤背景及紋理信息能夠提高對(duì)棉花氮濃度反演精度；Lemaire等[8]構(gòu)建了氮濃度稀釋曲線，用氮營(yíng)養(yǎng)指數(shù)對(duì)氮肥進(jìn)行估算；Liu等[9]研究表明融合空間信息和光譜信息可以有效提高反演葉綠素含量的精度；魏全全等[10]采用經(jīng)驗(yàn)回歸法建立了數(shù)碼相機(jī)DN值與葉片氮濃度的關(guān)系，構(gòu)建基于數(shù)字圖像技術(shù)的最佳方程模型，結(jié)果表明模型預(yù)測(cè)精度較好。然而上述學(xué)者獲取的植被指數(shù)是直接作為氮營(yíng)養(yǎng)指數(shù)的輸入?yún)?shù)，對(duì)植被指數(shù)之間的相關(guān)性考慮不足，會(huì)影響氮素反演的精度。

綜上所述，為解決上述問(wèn)題，本研究以冬小麥為研究對(duì)象，整合相關(guān)系數(shù)和膨脹因子，綜合選取相關(guān)性高和多重共線性小的植被指數(shù)，利用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)探討利用無(wú)人機(jī)高光譜影像估算冬小麥氮營(yíng)養(yǎng)診斷模型的可行性及效果，以期為實(shí)時(shí)監(jiān)測(cè)冬小麥氮素營(yíng)養(yǎng)狀況及生長(zhǎng)狀況提供有力保障。

1 材料與方法

1.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)區(qū)選為北京市昌平區(qū)小湯山(40°00′N～40°21′N，116°34′E～117°00′E)。冬小麥品種為京9843(J9843)和中麥175(ZM175)。水分為3個(gè)水平：雨養(yǎng)(W1)、正常施水(W2)和2倍正常施水(W3)。氮肥施用量分為4個(gè)水平：未施氮肥(0 kg/hm2，N1)、195 kg/hm2氮肥(1/2正常，N2)、390 kg/hm2氮肥(正常，N3)和585 kg/hm2氮肥(3/2正常，N4)。實(shí)驗(yàn)田東西向長(zhǎng)度為84 m，南北向長(zhǎng)度為32 m，共48個(gè)小區(qū)，每個(gè)小區(qū)面積是6 m×8 m，16個(gè)小區(qū)為1組，重復(fù)3次，重復(fù)1和重復(fù)2用于建模，重復(fù)3用于驗(yàn)證。如圖1所示。

1.2 數(shù)據(jù)獲取

1)地上部生物量及植株氮含量的獲取。實(shí)驗(yàn)在2015年4月26日，獲取挑旗期冬小麥生物量和氮含量等數(shù)據(jù)，首先，在室外固定樣方的每個(gè)區(qū)域內(nèi)，隨機(jī)選取20株小麥作為樣本；然后，將各器官稱重置于紙袋中，放置于烘箱105 ℃殺青30 min；最后，定成恒溫75 ℃烘干至恒重(約48 h)，將烘干后的各器官稱重，將稱重的植株各部分粉碎，采用凱式定氮法測(cè)定冬小麥葉、莖、穗等氮含量。

2)氮營(yíng)養(yǎng)指數(shù)。Lemaire等根據(jù)氮臨界濃度稀釋曲線建立了氮營(yíng)養(yǎng)指數(shù)(nitrogen nutrition index，NNI)模型，臨界氮濃度(Nc)為作物地上生物量達(dá)到最佳生長(zhǎng)速度所需要的最低氮濃度。

1.3 高光譜指數(shù)

根據(jù)無(wú)人機(jī)反射率的研究范圍，構(gòu)建氮素與植被指數(shù)的相關(guān)關(guān)系模型，選擇了19個(gè)植被指數(shù)對(duì)冬小麥氮營(yíng)養(yǎng)狀況進(jìn)行研究：歸一化色素差值指數(shù)PSNDc[11]、植被色素比率PPR[12]、改善角度植被指數(shù)MCARI[13]、比值植被指數(shù)SR(533，565)[14]、光化學(xué)植被指數(shù)PRI[15]、紅邊位置指數(shù)REP內(nèi)插REP內(nèi)插[16]、紅邊歸一化指數(shù)RENDVI[17]、比值指數(shù)-1dB(RI-1dB)[18]、雙峰冠層氮指數(shù)DCNI[19]、綠色色素指數(shù)CIgreen[20]、紅邊比值指數(shù)SR705、卡特指數(shù)CTR2[21]、三角植被指數(shù)TVI[22]、光化學(xué)植被指數(shù)PRI、土壤調(diào)節(jié)植被指數(shù)SAVI[23]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)OSAVI[24]、修正土壤調(diào)節(jié)植被指數(shù)MSAVI[25]、歸一化植被指數(shù)NDVI[26]、綠波段歸一化植被指數(shù)GNDVI[27]、比值植被指數(shù)-1(RVI-1)[28]。

1.4 數(shù)據(jù)分析方法

1)方差膨脹因子。方差膨脹因子(variance inflation factor，VIF)是衡量各種回歸模型中自變量與自變量間多重共線性嚴(yán)重程度的一種度量，用于植被指數(shù)之間存在的多重共線性分析[29]。

2)偏最小二乘法。偏最小二乘法是一種集多元線性回歸分析、典型相關(guān)分析和主成分分析于一體的新型多元統(tǒng)計(jì)數(shù)據(jù)分析方法，該方法能在自變量之間存在多重共線的條件下進(jìn)行回歸計(jì)算。

3)BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)[30]，在結(jié)構(gòu)上有輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡(luò)通過(guò)自身訓(xùn)練，以及利用梯度下降算法來(lái)自主計(jì)算目標(biāo)函數(shù)的最小值，從而輸出期望數(shù)據(jù)[31]。實(shí)驗(yàn)中BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為20，輸出節(jié)點(diǎn)數(shù)為4，隱含層節(jié)點(diǎn)數(shù)為16，訓(xùn)練迭代次數(shù)為1 000次。

4)精度評(píng)價(jià)。為了評(píng)價(jià)模型的效果，選取決定系數(shù)(coefficient of determination，R2)、均方根誤差(root mean square error，RMSE)作為模型評(píng)價(jià)指標(biāo)。

2 結(jié)果與分析

2.1 植被指數(shù)與NNI的相關(guān)性

表1為冬小麥植被指數(shù)與NNI的相關(guān)關(guān)系。

表1 植被指數(shù)與冬小麥NNI的相關(guān)性

從表1中得出，除了植被指數(shù)MCRI、CIgreen不存在極顯著相關(guān)外，其他植被指數(shù)，如PSNDc、PPR等與NNI都達(dá)到了極顯著相關(guān)(P<0.01)。其中，RENDVI相關(guān)性較好，r為0.785 1；DCNI相關(guān)性最差，r為0.511 8。植被指數(shù)與NNI的相關(guān)性依次為RENDVI、RVI-1、RI-1dB、NDVI、PSNDc、RVI、GNDVI、SR、SAVI、CTR2、PRI、TVI、PPR、OSAVI、REP內(nèi)插、MSAVI、DCNI、MCRI、CIgreen。

2.2 植被指數(shù)間的多重共線性分析

為防止偏最小二乘回歸以及BP神經(jīng)網(wǎng)絡(luò)入選參量之間的高相關(guān)，降低植被指數(shù)之間的共線性，采用膨脹因子對(duì)植被指數(shù)之間進(jìn)行多重共線性分析，如圖2所示。顏色越深則表示兩植被指數(shù)之間的共線性越強(qiáng)，反之越弱。由圖2可知，當(dāng)020時(shí)，PRI與SR，REP內(nèi)插與SAVI，REP內(nèi)插與OSAVI無(wú)法共線。

為了保證植被指數(shù)對(duì)氮營(yíng)養(yǎng)指數(shù)的敏感性，將相關(guān)系數(shù)與膨脹系數(shù)進(jìn)行結(jié)合，選取相關(guān)性強(qiáng)且指數(shù)間共線性弱的植被指數(shù)作為自變量，進(jìn)行氮營(yíng)養(yǎng)指數(shù)建模。結(jié)合表1和圖2，把植被指數(shù)RVI-1、SNDc、SR705、SAVI和CTR2作為輸入變量，采用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建氮營(yíng)養(yǎng)指數(shù)模型。

2.3 氮營(yíng)養(yǎng)指數(shù)建模與驗(yàn)證

采用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)算法，基于RVI-1、PSNDc、SR705、SAVI和CTR2 5個(gè)植被指數(shù)構(gòu)建氮營(yíng)養(yǎng)指數(shù)模型。冬小麥氮營(yíng)養(yǎng)指數(shù)建模結(jié)果如表2和圖3(a)、圖3(b)所示。由表2和圖3(a)、圖3(b)得出：偏最小二乘建模的R2和RMSE分別為0.681 5和0.284 0，BP神經(jīng)網(wǎng)絡(luò)建模的R2和RMSE分別為0.935 2和0.267 7，氮營(yíng)養(yǎng)指數(shù)實(shí)測(cè)值與預(yù)測(cè)值較均勻地分布在1∶1線附近，BP神經(jīng)網(wǎng)絡(luò)建模精度高于偏最小二乘建模精度。為了驗(yàn)證模型的有效性，采用16個(gè)數(shù)據(jù)樣本，利用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。結(jié)果見(jiàn)表2和圖3(c)、圖3(d)。利用偏最小二乘法驗(yàn)證的R2和RMSE分別為0.722 3和0.212 5，BP神經(jīng)網(wǎng)絡(luò)驗(yàn)證的R2和RMSE分別為0.748 4和0.216 3，偏最小二乘法實(shí)測(cè)值與預(yù)測(cè)值大多分布在1∶1線之下，部分值被低估。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)實(shí)測(cè)值與預(yù)測(cè)值較均勻地分布在1∶1線附近。從建模和驗(yàn)證結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的氮營(yíng)養(yǎng)指數(shù)模型效果優(yōu)于偏最小二乘法。

表2 NNI的估算與驗(yàn)證

將偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的氮營(yíng)養(yǎng)指數(shù)模型應(yīng)用于無(wú)人機(jī)影像上，冬小麥氮素營(yíng)養(yǎng)狀況空間分布如圖4所示。由圖4(a)可知，采用偏最小二乘法構(gòu)建的氮營(yíng)養(yǎng)指數(shù)模型，其缺氮情況比較嚴(yán)重，大多數(shù)實(shí)驗(yàn)區(qū)域NNI預(yù)測(cè)值小于0.9，表明氮營(yíng)養(yǎng)狀況不佳，只有少部分實(shí)驗(yàn)區(qū)域NNI預(yù)測(cè)值大于0.9。由圖4(b)可知，估算的氮素營(yíng)養(yǎng)狀況與實(shí)際施氮情況接近相符。綜上所述，基于無(wú)人機(jī)高光譜影像，采用BP神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確反演冬小麥氮營(yíng)養(yǎng)指數(shù)，能有效地對(duì)實(shí)驗(yàn)區(qū)氮營(yíng)養(yǎng)狀況進(jìn)行監(jiān)測(cè)。

3 結(jié)束語(yǔ)

本研究基于無(wú)人機(jī)高光譜影像數(shù)據(jù)，分析了植被指數(shù)與NNI的相關(guān)性，采用相關(guān)系數(shù)和膨脹因子篩選出對(duì)氮營(yíng)養(yǎng)指數(shù)敏感、植被指數(shù)間多重共線性弱的植被指數(shù)，最后采用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)兩種方法構(gòu)建了氮營(yíng)養(yǎng)指數(shù)模型，結(jié)論如下。

1)氮營(yíng)養(yǎng)指數(shù)相關(guān)性好且植被指數(shù)間多重共線性弱的5個(gè)植被指數(shù)分別為RVI-1、PSNDc、SR705、SAVI和CTR2。

2)利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的氮營(yíng)養(yǎng)指數(shù)模型效果較偏最小二乘法精度高，R2為0.935 2，RMSE為0.216 3。

因此，基于無(wú)人機(jī)高光譜影像的氮營(yíng)養(yǎng)指數(shù)模型能夠高效、快捷地監(jiān)測(cè)冬小麥氮素營(yíng)養(yǎng)含量。