樊意廣，馮海寬，劉 楊，邊明博，趙 鈺，楊貴軍，錢建國(guó)

1.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097 2.南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心，江蘇 南京 210095 3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097 4.中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083 5.遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院，遼寧 阜新 123000

引 言

氮素是作物生長(zhǎng)過程中不可或缺的營(yíng)養(yǎng)元素，合理的氮肥供應(yīng)是保證作物正常生命活動(dòng)的物質(zhì)基礎(chǔ)。植株氮含量(plant nitrogen content, PNC)是表征作物氮素營(yíng)養(yǎng)狀況的重要指示因子；快速準(zhǔn)確地獲取作物的PNC信息有助于科學(xué)、高效地制定氮肥管理策略，提高氮肥利用效率及降低環(huán)境污染[1]。傳統(tǒng)的PNC測(cè)量方法主要是田間取樣與實(shí)驗(yàn)室測(cè)試相結(jié)合，雖然結(jié)果準(zhǔn)確，但具有一定的破壞性，且耗時(shí)費(fèi)力，無法滿足數(shù)字農(nóng)業(yè)快速、高效和大范圍監(jiān)測(cè)的要求。近年來，遙感技術(shù)的迅速發(fā)展，為作物氮營(yíng)養(yǎng)狀況的高效無損監(jiān)測(cè)提供了一種新的技術(shù)手段[2]。

與衛(wèi)星和地面遙感技術(shù)相比，無人機(jī)成像技術(shù)具有操作簡(jiǎn)單、分辨率高和成本低等優(yōu)點(diǎn)，已成為數(shù)字農(nóng)業(yè)的重要技術(shù)支撐[3]。目前，以無人機(jī)為遙感平臺(tái)監(jiān)測(cè)作物理化參數(shù)常用的傳感器主要有高光譜、多光譜和數(shù)碼相機(jī)等，國(guó)內(nèi)外學(xué)者就不同傳感器監(jiān)測(cè)作物理化參數(shù)的性能做了大量研究。結(jié)果表明，不同類型傳感器監(jiān)測(cè)作物理化參數(shù)的性能不同，僅利用單一傳感器監(jiān)測(cè)作物理化參數(shù)具有一定的局限性[4-6]。例如高光譜傳感器雖然波段數(shù)目眾多，可獲得大量與作物理化性質(zhì)密切相關(guān)的特征參數(shù)，如紅邊和綠邊等，但存在空間分辨率低，無法獲取作物詳細(xì)的空間結(jié)構(gòu)特征等不足，無法避免單一光譜特征在作物高覆蓋度條件下估算理化參數(shù)可能出現(xiàn)的飽和現(xiàn)象[7]。而多光譜和數(shù)碼相機(jī)傳感器雖然空間分辨率高，可以高精度地獲取作物的空間結(jié)構(gòu)特征，如株高和紋理等，但受波段數(shù)目的制約，無法提供足夠的與作物理化性質(zhì)密切相關(guān)的光譜信息。

為解決上述問題，充分利用多種傳感器的優(yōu)勢(shì)，一些學(xué)者嘗試?yán)枚喾N傳感器信息監(jiān)測(cè)作物的理化參數(shù)。如Kefauver等[8]利用數(shù)碼影像數(shù)據(jù)和多光譜影像數(shù)據(jù)探究了不同施氮水平對(duì)大麥品質(zhì)的影響，結(jié)果表明多光譜影像指數(shù)對(duì)多元模型的貢獻(xiàn)大于數(shù)碼影像指數(shù)。Yue等[9]探究了地面高光譜數(shù)據(jù)、無人機(jī)數(shù)碼影像數(shù)據(jù)和無人機(jī)高光譜數(shù)據(jù)與株高結(jié)合估算作物長(zhǎng)勢(shì)參數(shù)的性能，結(jié)果顯示，株高的加入能明顯提高光譜指數(shù)估算冬小麥地上生物量的能力。Xu等[10]利用無人機(jī)搭載數(shù)碼相機(jī)傳感器和多光譜傳感器分別獲取了冬小麥的覆蓋度信息和多光譜影像指數(shù)，并構(gòu)建了覆蓋度調(diào)整光譜指數(shù)，用于估算冬小麥的葉片氮含量，結(jié)果顯示，無人機(jī)多光譜指數(shù)結(jié)合數(shù)碼相機(jī)提取的覆蓋度信息能有效提高估算模型的精度和穩(wěn)定性。

以上研究表明，株高和覆蓋度的加入可以提高作物理化參數(shù)的估算精度，但現(xiàn)有的大多數(shù)研究都是將二者與不同傳感器獲取的光譜指數(shù)作為單獨(dú)變量直接輸入到理化參數(shù)的估算模型中，嘗試融合不同傳感器獲取的信息的較少，將無人機(jī)高光譜獲取的紅邊和綠邊等特征參數(shù)，與無人機(jī)高清數(shù)碼相機(jī)獲取的株高和覆蓋度信息融合監(jiān)測(cè)作物的氮素營(yíng)養(yǎng)狀況的研究更是鮮有報(bào)道。

已有的研究表明，相較于紅邊區(qū)域，綠邊與作物的理化性質(zhì)聯(lián)系更加緊密，在監(jiān)測(cè)作物理化參數(shù)方面的應(yīng)用更廣泛[11-12]。因此，以馬鈴薯為研究對(duì)象，基于無人機(jī)高光譜反射率數(shù)據(jù)，提取了8個(gè)綠邊參數(shù)(green edge parameters, GEPs)，分別與無人機(jī)數(shù)碼影像提取的株高和覆蓋度信息融合，構(gòu)造了GEPs×Hdsm×VCuav，GEPs/(1+VCuav)，(GEPs+VCuav)×Hdsm和GEPs/(1+Hdsm)4種融合特征參數(shù)(fusion feature parameters, FFPs)，并利用偏最小二乘(partial least squares regression, PLSR)和人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks, ANN)2種算法，著重探討了綠邊參數(shù)融合株高和覆蓋度估算馬鈴薯植株氮含量的潛力，以期為馬鈴薯氮營(yíng)養(yǎng)狀況的高效無損監(jiān)測(cè)提供一種新的技術(shù)支撐。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)設(shè)計(jì)

馬鈴薯試驗(yàn)田位于北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地(40°10′34″N，116°26′39″E)，該地平均海拔為36 m，屬暖溫帶半濕潤(rùn)大陸性氣候。馬鈴薯試驗(yàn)采用正交試驗(yàn)設(shè)計(jì)，試驗(yàn)方案詳情見文獻(xiàn)[12]。為避免不同生育期試驗(yàn)田位置偏差對(duì)試驗(yàn)結(jié)果的影響，于試驗(yàn)小區(qū)周圍埋設(shè)了11個(gè)地面控制點(diǎn)(ground control point，GCPs)，并利用高精度的GPS測(cè)定各GCP的三維坐標(biāo)。具體的試驗(yàn)設(shè)計(jì)如圖1所示。

圖1 馬鈴薯田間位置及試驗(yàn)設(shè)計(jì)

1.2 無人機(jī)影像的獲取與預(yù)處理

以無人機(jī)為遙感平臺(tái)，搭載高清數(shù)碼相機(jī)傳感器和高光譜傳感器分別于2019年5月13日、5月28日、6月10日、6月20日和7月3日開展飛行作業(yè)，獲取馬鈴薯現(xiàn)蕾期至成熟期5個(gè)生育期的數(shù)碼影像和高光譜影像數(shù)據(jù)。2種傳感器的具體參數(shù)如表1所示。為避免光照對(duì)試驗(yàn)結(jié)果的影響，選擇正午12：00—14：00開展飛行作業(yè)，無人機(jī)的飛行高度設(shè)置為20 m，且配備高精度的位置與姿態(tài)測(cè)量系統(tǒng)，以獲得試驗(yàn)區(qū)域的精確位置。

表1 傳感器參數(shù)

高光譜影像的預(yù)處理在Cubert-Pilot和PhotoScan軟件中完成，主要包括影像的校正、拼接和融合等。數(shù)碼影像的預(yù)處理在PhotoScan中完成，主要包括影像的對(duì)齊與校正、生成點(diǎn)云、構(gòu)建網(wǎng)格和紋理，最終生成試驗(yàn)區(qū)域的數(shù)字表面模型(digital surface model，DSM)和數(shù)字正射影像(digital orthophoto map，DOM)。

1.3 地面數(shù)據(jù)獲取

地面數(shù)據(jù)的采集與無人機(jī)飛行作業(yè)同步開展。采集內(nèi)容包括各生育期的實(shí)測(cè)株高(height,H)、實(shí)測(cè)覆蓋度(vegetation coverage,VC)和PNC數(shù)據(jù)。其中H的測(cè)量方法為：在每個(gè)小區(qū)選取4株能代表整體長(zhǎng)勢(shì)的馬鈴薯植株，量取自然狀態(tài)下葉頂端到莖基的距離，取其平均值作為該小區(qū)馬鈴薯植株的H值。VC的測(cè)量方法借鑒了吳智超等[13]的思路，首先基于型號(hào)為G16的數(shù)碼相機(jī)(有效像素為1 200萬)，分別獲取馬鈴薯5個(gè)生育期冠層上方約1.5 m處的數(shù)碼影像。其次利用“色度-飽和度-亮度”(hue-saturation-intensity, HSI)顏色空間對(duì)研究區(qū)進(jìn)行轉(zhuǎn)換處理，再利用過綠植被指數(shù)(excess green vegetation index, EXG)對(duì)HSI處理的結(jié)果進(jìn)行綠色植被處理。然后采用最大類間方差閾值和形態(tài)學(xué)閾值的方法剔除土壤背景和雜草噪聲。最后每個(gè)研究小區(qū)內(nèi)植被的像素?cái)?shù)與小區(qū)內(nèi)總像素?cái)?shù)的比值即該小區(qū)的VC值。PNC通過實(shí)驗(yàn)室測(cè)量獲?。幻總€(gè)試驗(yàn)小區(qū)選取能代表整體長(zhǎng)勢(shì)的植株3株，將其莖葉分離后105 ℃殺青0.5 h，之后在80 ℃條件下干燥至恒質(zhì)量得到樣本的干質(zhì)量，然后利用凱氏定氮儀測(cè)定葉和莖部分的全氮含量，最后根據(jù)樣本的干質(zhì)量計(jì)算各個(gè)小區(qū)的PNC值[14]。

1.4 綠邊參數(shù)及融合特征參數(shù)選取

在502～554 nm范圍內(nèi)，由于植被葉片自身特性和內(nèi)部結(jié)構(gòu)的影響，光譜反射率由低谷區(qū)緩慢增加到峰值區(qū)，形成綠色植物特有的綠邊特征，常用于作物理化參數(shù)的監(jiān)測(cè)。選取了綠邊最大反射率(Rmax)、綠邊反射率總和(Rsum)、綠邊面積(SDg)、綠邊位置(GEP)、綠邊振幅(Dg)、最小振幅(Dgmin)、綠邊振幅/最小振幅(Dg/Dgmin)和綠邊一階導(dǎo)數(shù)總和(Dsum)8個(gè)GEPs。其中，SDg表示綠邊區(qū)域內(nèi)光譜曲線包圍的面積，GEP表示綠邊區(qū)域一階導(dǎo)數(shù)最大處對(duì)應(yīng)的波長(zhǎng)，Dg和Dgmin分別表示綠邊區(qū)域一階導(dǎo)數(shù)的最大值和最小值。為充分利用高光譜傳感器波段信息豐富和數(shù)碼相機(jī)傳感器高分辨率的優(yōu)點(diǎn)，基于選取的無人機(jī)高光譜GEPs和無人機(jī)數(shù)碼影像提取的Hdsm和VCuav構(gòu)造GEPs*Hdsm×VCuav，GEPs/(1+VCuav)，(GEPs+VCuav)×Hdsm和GEPs/(1+Hdsm)4種共32個(gè)融合特征參數(shù)進(jìn)行馬鈴薯PNC的監(jiān)測(cè)。

1.5 株高及覆蓋度的提取

為提取馬鈴薯的株高，于2019年4月20號(hào)采集了馬鈴薯試驗(yàn)田裸土狀態(tài)下的數(shù)碼影像，并結(jié)合GCPs生成該時(shí)期的DSM，在ArcGIS軟件中將不同生育期的DSM與裸土期的DSM進(jìn)行差值運(yùn)算，最后利用感興趣區(qū)工具提取每個(gè)小區(qū)的株高，將其平均值作為該小區(qū)的Hdsm。馬鈴薯覆蓋度的提取在ENVI軟件中完成，首先利用EXG指數(shù)通過雙峰法求取植被與土壤背景的閾值，然后對(duì)影像進(jìn)行二值化處理，最終以植被像素點(diǎn)個(gè)數(shù)與總像素點(diǎn)個(gè)數(shù)的比值作為該小區(qū)的VCuav。

1.6 數(shù)據(jù)分析方法

采用偏PLSR和ANN兩種方法構(gòu)建馬鈴薯PNC估算模型。PLSR是一種可以提供多對(duì)多的回歸模型。特別是當(dāng)自變量個(gè)數(shù)較多并存在一定的自相關(guān)性，而因變量個(gè)數(shù)較少時(shí)，通過PLSR構(gòu)建的模型效果要優(yōu)于傳統(tǒng)回歸分析。ANN能夠模擬動(dòng)物腦神經(jīng)元的行為特征，根據(jù)輸出值與期望值之間的誤差對(duì)各神經(jīng)元間的權(quán)值進(jìn)行不斷修正，從而達(dá)到非線性映射的目的。

1.7 精度評(píng)價(jià)

每個(gè)生育期獲取48組數(shù)據(jù)，在回歸分析中，采用32組數(shù)據(jù)(重復(fù)1和重復(fù)3)作為建模集，16組數(shù)據(jù)(重復(fù)2)作為驗(yàn)證集，構(gòu)建馬鈴薯PNC的估算模型。選用決定系數(shù)(R2)、均方根誤差(RMSE)和標(biāo)準(zhǔn)均方根誤差(NRMSE)評(píng)價(jià)模型的性能。

2 結(jié)果與討論

2.1 馬鈴薯冠層高光譜反射率提取

采用卷積平滑濾波(Savizky-Golag, SG)對(duì)原始高光譜反射率進(jìn)行平滑校正，以減少環(huán)境噪聲、傳感器隨機(jī)誤差等對(duì)馬鈴薯冠層高光譜反射率的影響。以塊莖形成期為例，不同處理小區(qū)校正后的光譜反射率曲線如圖2所示。由圖2可知，馬鈴薯冠層反射率具有典型的綠色植被光譜特征。在選取的綠邊區(qū)域內(nèi)，光譜反射率緩慢上升，在550 nm附近出現(xiàn)“綠峰”特征，可以較好地區(qū)分環(huán)境背景和植被特征。

圖2 馬鈴薯塊莖形成期光譜反射率曲線

2.2 株高提取

通過馬鈴薯各生育期DSM與裸土期DSM之間的差值運(yùn)算，得到5個(gè)生育期共240組Hdsm數(shù)據(jù)，將其與實(shí)測(cè)的H進(jìn)行線性擬合，結(jié)果如圖3所示。由圖3可知，提取的Hdsm與實(shí)測(cè)H擬合的決定系數(shù)為0.86，RMSE為2.66 cm，NRMSE為10.23%，表明基于DSM提取的Hdsm具有可靠的精度，可以代替實(shí)測(cè)H估算作物的理化參數(shù)。

圖3 馬鈴薯提取株高與實(shí)測(cè)株高對(duì)比分析

2.3 覆蓋度提取

基于馬鈴薯5個(gè)生育期的無人機(jī)數(shù)碼影像和地面數(shù)碼影像，分別獲取240組提取VCuav數(shù)據(jù)和實(shí)測(cè)VC數(shù)據(jù)，將二者進(jìn)行線性擬合得到如圖4所示的結(jié)果。由圖4可知，5個(gè)生育期VCuav和VC的擬合決定系數(shù)為0.84，RMSE為0.08，NRMSE為15.38%，表明基于無人機(jī)數(shù)碼影像提取的VCuav具有較高的精度，可以代替實(shí)測(cè)VC估算作物的理化參數(shù)。

圖4 馬鈴薯提取覆蓋度與實(shí)測(cè)覆蓋度對(duì)比分析

2.4 相關(guān)性分析

根據(jù)馬鈴薯高光譜反射率數(shù)據(jù)，提取各生育期的GEPs，并基于GEPs和無人機(jī)數(shù)碼影像提取的Hdsm及VCuav構(gòu)造GEPs×Hdsm×VCuav，GEPs/(1+VCuav)，(GEPs+VCuav)×Hdsm和GEPs/(1+Hdsm)4種FFPs，將各生育期獲取的GEPs和FFPs分別與對(duì)應(yīng)生育期的PNC進(jìn)行相關(guān)性分析，結(jié)果如圖5所示。由圖5可知，馬鈴薯5個(gè)生育期，大部分GEPs和FFPs與PNC均達(dá)到0.01相關(guān)水平，相關(guān)性表現(xiàn)較好。其中，現(xiàn)蕾期共有6個(gè)GEPs與PNC的相關(guān)性達(dá)到0.01相關(guān)水平，相關(guān)性從小到大依次為Dgmin，Dg，Rsum，SDg，Rmax和Dsum，相關(guān)系數(shù)絕對(duì)值介于0.60～0.79之間，而相關(guān)性位于前6的FFPs分別為Dg/1+Hdsm，Dsum/1+Hdsm，SDg/1+Hdsm，Rmax/1+VCuav，Dsum/1+VCuav和SDg/1+VCuav，相關(guān)系數(shù)絕對(duì)值介于0.71～0.84之間。塊莖形成期共有Rmax，Dg，Dgmin，SDg和Dsum5個(gè)GEPs與PNC的相關(guān)性達(dá)到0.01相關(guān)水平，相關(guān)系數(shù)絕對(duì)值介于0.37～0.72之間，而相關(guān)性位于前5的FFPs分別為(Rmax+VCuav)×Hdsm，Dsum/1+Hdsm，SDg/1+Hdsm，Dsum/1+VCuav和SDg/1+VCuav，相關(guān)系數(shù)絕對(duì)值位于0.75～0.85之間。塊莖增長(zhǎng)期共有Dgmin，Rsum，Rmax和Dg/Dgmin4個(gè)GEPs與PNC達(dá)到0.01相關(guān)水平，相關(guān)系數(shù)絕對(duì)值介于0.63～0.68之間，而相關(guān)性位于前4的FFPs分別是Dg/Dgmin×VCuav×Hdsm，Rmax/1+VCuav，SDg/1+VCuav和Dsum/1+VCuav，相關(guān)系數(shù)絕對(duì)值介于0.70～0.88之間。淀粉積累期共有Dgmin，Rsum和Rmax3個(gè)GEPs與PNC達(dá)到0.01相關(guān)水平，相關(guān)系數(shù)絕對(duì)值介于0.39～0.69之間，而相關(guān)性位于前3的FFPs分別為Dg/1+VCuav，SDg/1+VCuav和Dsum/1+VCuav，相關(guān)系數(shù)絕對(duì)值介于0.66～0.74之間。成熟期共有Rsum，Dg，Rmax，SDg和Dsum5個(gè)GEPs與PNC達(dá)到0.01相關(guān)水平，相關(guān)系數(shù)絕對(duì)值介于0.52～0.68之間，而相關(guān)性位于前5的FFPs分別為Dsum×VCuav×Hdsm，SDg×VCuav×Hdsm，Dg/1+VCuav，Dsum/1+VCuav和Dg/1+VCuav，相關(guān)系數(shù)介于0.49～0.56之間。由以上分析可知，馬鈴薯前4個(gè)生育期，構(gòu)造的大部分FFPs與PNC的相關(guān)性明顯高于GEPs，表明FFPs與作物PNC聯(lián)系更緊密，能更好地反映作物氮素營(yíng)養(yǎng)的動(dòng)態(tài)變化。

圖5 不同生育期植株氮含量與提取參數(shù)相關(guān)性分析結(jié)果

2.5 馬鈴薯植株氮含量估算

2.5.1 單參數(shù)估算馬鈴薯植株氮含量

基于各生育期挑選的最優(yōu)綠邊參數(shù)(optimal GEP, OGEP)和最優(yōu)融合特征參數(shù)(optimal FFP, OFFP)，利用一元線性回歸建立5個(gè)生育期的PNC估算模型，以探究OGEP和OFFP估算馬鈴薯PNC的能力。通過建模集和驗(yàn)證集數(shù)據(jù)得到各生育期模型的精度指標(biāo)如表2和表3所示。由表2可知，基于OGEP構(gòu)建的馬鈴薯PNC估算模型現(xiàn)蕾期精度最好，建模和驗(yàn)證的R2分別為0.54和0.77，RMSE分別為0.55和0.37，NRMSE分別為14.97%和14.21%，成熟期模型精度最差，建模和驗(yàn)證的R2分別為0.49和0.31，RMSE分別為0.37和0.37，NRMSE分別為14.02%和14.33%?？偟膩碚f，各生育期的OGEP具有一定估算馬鈴薯PNC的能力，但構(gòu)建的模型精度普遍不高。

表2 最優(yōu)綠邊參數(shù)估算馬鈴薯PNC結(jié)果

由表3可知，基于OFFP構(gòu)建的馬鈴薯5個(gè)生育期的PNC估算模型塊莖增長(zhǎng)期精度最好，建模和驗(yàn)證的R2分別為0.78和0.76，RMSE分別為0.28和0.25，NRMSE分別為10.52%和11.14%，成熟期精度最差，建模和驗(yàn)證的R2分別為0.30和0.47，RMSE分別為0.43和0.38，NRMSE分別為16.47%和16.43%?？偟膩碚f，基于OFFP構(gòu)建的馬鈴薯PNC估算模型前4個(gè)生育期估算效果良好，精度和穩(wěn)定性較高，但成熟期模型的精度較低。

表3 最優(yōu)融合特征參數(shù)估算馬鈴薯PNC結(jié)果

2.5.2 多參數(shù)估算馬鈴薯植株氮含量

為評(píng)估多個(gè)綠邊參數(shù)和融合特征參數(shù)估算馬鈴薯PNC的能力，分別基于各生育期與PNC達(dá)到0.01相關(guān)水平的GEPs及相同個(gè)數(shù)的FFPs，采用PLSR和ANN兩種方法構(gòu)建馬鈴薯5個(gè)生育期的PNC估算模型，結(jié)果如表4所示。由表4可知，以GEPs為模型變量，利用PLSR和ANN 2種方法建立的馬鈴薯PNC估算模型前3個(gè)生育期的精度較高，而淀粉積累期和成熟期的模型精度有所下降。而以FFPs為模型變量構(gòu)建的模型前4個(gè)生育期的模型精度較高，成熟期的模型精度較低。與單個(gè)模型參數(shù)構(gòu)建的PNC估算模型相比，多參數(shù)構(gòu)建的模型的精度和穩(wěn)定性更高，且以FFPs為模型變量，構(gòu)建的模型精度優(yōu)于GEPs。為進(jìn)一步確定馬鈴薯PNC的最佳估算模型，以FFPs為模型變量，分別繪制基于PLSR和ANN兩種方法的馬鈴薯5個(gè)生育期PNC實(shí)測(cè)值與預(yù)測(cè)值的散點(diǎn)圖，如圖6和圖7所示。

綜合表4、圖6和圖7可知，各生育期以同種模型變量基于ANN構(gòu)建的PNC估算模型的建模R2均高于PLSR方法，RMSE和NRMSE均低于PLSR方法，且以FFPs為模型變量，基于ANN方法的5個(gè)生育期的預(yù)測(cè)值與實(shí)測(cè)值分布更接近1∶1線，模型的精度和穩(wěn)定性最好。

圖6 基于FFPs利用PLSR估算馬鈴薯PNC效果

圖7 基于FFPs利用ANN估算馬鈴薯PNC效果

表4 基于PLSR和ANN方法估算馬鈴薯不同生育期PNC

2.6 基于綠邊參數(shù)估算馬鈴薯植株氮含量

由相關(guān)性分析結(jié)果(圖5)可知，馬鈴薯5個(gè)生育期，構(gòu)建的大部分GEPs均與PNC達(dá)到0.01相關(guān)水平，且前3個(gè)生育期的相關(guān)性明顯高于后2個(gè)生育期，表明綠邊區(qū)域與PNC的聯(lián)系較為緊密，且生長(zhǎng)前期相關(guān)性高于生長(zhǎng)后期。分別基于OGEP和GEPs構(gòu)建馬鈴薯PNC的估算模型，結(jié)果(表2、表4)也表明，前3個(gè)生育期的模型精度高于后2個(gè)生育期，其原因是隨著馬鈴薯生長(zhǎng)進(jìn)程的推進(jìn)，由淀粉積累期到成熟期馬鈴薯植株逐漸凋零枯萎，馬鈴薯葉片內(nèi)葉綠素濃度不斷降低，對(duì)綠光的反射能力變?nèi)?，綠邊區(qū)域與PNC的敏感性降低，以GEPs構(gòu)建的馬鈴薯PNC估算模型的精度也因此降低。

2.7 基于融合特征估算馬鈴薯植株氮含量

為探究融合特征參數(shù)估算馬鈴薯植株氮含量的性能，首先基于無人機(jī)數(shù)碼影像提取了作物的株高和覆蓋度，由圖3和圖4可知，基于無人機(jī)數(shù)碼影像提取的Hdsm和VCuav精度可靠，可以用于作物理化參數(shù)的估算。由各生育期的FFPs與PNC的相關(guān)性分析結(jié)果(圖5)可知，前4個(gè)生育期，構(gòu)造的大部分FFPs與PNC的相關(guān)性明顯高于GEPs。由表3和表4可知，前4個(gè)生育期的OFFP與PNC的相關(guān)性顯著高于OGEP，且基于OFFP和FFPs構(gòu)建的PNC估算模型的精度和穩(wěn)定性均顯著優(yōu)于OGEP和GEPs，而在成熟期，模型的精度沒有提升。這表明，前4個(gè)生育期FFPs與PNC的聯(lián)系更緊密，其原因是，相較于GEPs，F(xiàn)FPs融合了高光譜綠邊參數(shù)、高清數(shù)碼相機(jī)獲取株高和覆蓋度，包含了作物冠層和垂直結(jié)構(gòu)2個(gè)層次的變化信息，而PNC由莖和葉2部分的氮含量組成，因此，F(xiàn)FPs與作物PNC的聯(lián)系更緊密，能更好地反映PNC的動(dòng)態(tài)變化，且覆蓋度的加入，在一定程度上能消除土壤背景等的影響[15]，因此馬鈴薯前4個(gè)生育期基于FFPs估算PNC的效果優(yōu)于GEPs，而成熟期，由于連天大雨的影響，大部分馬鈴薯植株迅速凋零枯死，此時(shí)提取的株高和覆蓋度信息不能反映真實(shí)的PNC狀況，因此這一時(shí)期構(gòu)建的FFPs與PNC的相關(guān)性明顯降低，構(gòu)建的PNC估算模型的精度也明顯降低。此外，由5個(gè)生育期的OFFP和參與建模的FFPs可知，由GEPs/(1+VCuav)構(gòu)建的FFPs與PNC的相關(guān)性更強(qiáng)，對(duì)馬鈴薯PNC估算模型的貢獻(xiàn)最大，這與Yao等[14]利用高光譜植被指數(shù)與地面數(shù)碼相機(jī)獲取的覆蓋度估算冬小麥葉片氮含量得到的結(jié)論一致，其原因是植被覆蓋度的加入能很大程度上消除土壤背景的影響，增強(qiáng)了GEPs與作物氮狀況的敏感性。

2.8 基于不同回歸方法估算馬鈴薯植株氮含量

為探究OGEP和OFFP估算馬鈴薯PNC的效果，首先利用一元線性回歸構(gòu)建馬鈴薯5個(gè)生育期的PNC估算模型，由表2和表3可知，與基于GEPs和FFPs構(gòu)建的模型相比，基于最優(yōu)模型參數(shù)構(gòu)建的模型的精度和穩(wěn)定性較差，說明多參數(shù)估算作物理化參數(shù)的能力高于單個(gè)模型參數(shù)，這與Han等[16]估算玉米地上生物量得到的結(jié)論一致。其原因是多參數(shù)能夠提供更豐富的與氮相關(guān)的信息，從而能夠更好地反映PNC的變化?；贕EPs和FFPs，分別采用PLSR和ANN 2種方法構(gòu)建馬鈴薯的PNC估算模型，由表4可知，基于2種方法構(gòu)建的模型均表現(xiàn)為FFPs明顯優(yōu)于GEPs，說明融合綠邊參數(shù)和株高、覆蓋度構(gòu)建的FFPs與PNC的聯(lián)系更緊密，能明顯提高估算作物PNC的精度，可為作物氮營(yíng)養(yǎng)狀況的監(jiān)測(cè)和多源傳感器信息的應(yīng)用提供參考；而基于同種模型因子時(shí)，ANN方法顯示出更好的估算性能，其原因是神經(jīng)網(wǎng)絡(luò)算法在處理非線性問題方面具有明顯的優(yōu)勢(shì)和強(qiáng)大的容錯(cuò)能力，提高了估算模型的精度。

3 結(jié) 論

利用無人機(jī)搭載高光譜和數(shù)碼相機(jī)2種傳感器，探究了高光譜綠邊參數(shù)融合株高及覆蓋度信息估算馬鈴薯植株氮含量的能力，結(jié)果表明：(1)基于無人機(jī)數(shù)碼影像提取的Hdsm和VCuav與實(shí)測(cè)H和VC的擬合R2分別是0.86和0.84，表明提取的Hdsm和VCuav精度可靠，可以用于估算作物的理化參數(shù)。(2)與原始無人機(jī)高光譜GEPs相比，利用GEPs與無人機(jī)數(shù)碼影像提取的Hdsm和VCuav構(gòu)造的大部分FFPs與馬鈴薯PNC的相關(guān)性更高，能更好地反映馬鈴薯的氮營(yíng)養(yǎng)狀況。(3)在馬鈴薯前4個(gè)生育期，基于OFFP和FFPs構(gòu)建的模型明顯優(yōu)于OGEP和GEPs，其中，以FFPs為模型因子構(gòu)建的模型效果最好。(4)利用ANN方法估算各生育期PNC的效果優(yōu)于PLSR方法。該研究可為馬鈴薯氮營(yíng)養(yǎng)狀況的無損動(dòng)態(tài)監(jiān)測(cè)和多源傳感器信息的應(yīng)用提供參考。