馮海寬,樊意廣,陶惠林,楊福芹,楊貴軍,趙春江*

1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機理與定量遙感重點實驗室,北京市農(nóng)林科學院信息技術(shù)研究中心,北京 100097 2. 南京農(nóng)業(yè)大學國家信息農(nóng)業(yè)工程技術(shù)中心,江蘇 南京 210095 3. 河南工程學院土木工程學院,河南 鄭州 451191

引 言

冬小麥是我國三大主要農(nóng)作物之一,其種植廣泛,經(jīng)濟和營養(yǎng)價值較高。氮素是作物生長過程中重要的化學元素,是反映作物長勢的重要指標[1]。傳統(tǒng)上主要通過直接測量法獲取作物氮素,比較繁瑣,效率低,且對作物具有破壞性,無法大面積、高效地獲取。近些年,遙感技術(shù)作為一種新的監(jiān)測手段,基于其高效、無損、動態(tài)、經(jīng)濟性等優(yōu)點,開始被廣泛用于監(jiān)測作物生理生化參數(shù)。近地面遙感監(jiān)測氮含量,主要通過獲取作物的冠層光譜,但難以成像,不能大面積測量;衛(wèi)星遙感雖然覆蓋范圍廣,但由于光譜和空間分辨率較低,重訪周期長,易受天氣影響,導致獲取的數(shù)據(jù)不及時。無人機遙感具有操作方便,起飛條件簡單,能獲取較高的空間分辨率等優(yōu)勢[2],在監(jiān)測作物理化參數(shù)方面得到了廣泛關(guān)注。

國內(nèi)外學者圍繞無人機監(jiān)測作物氮營養(yǎng)狀況做了大量研究,Liu等[3]利用無人機可見光影像,分析25種植被指數(shù)估算冬小麥氮含量效果,從而篩選合適的植被指數(shù),以達到更高的監(jiān)測精度(R2=0.85,RMSE=0.24%)。Jing等[4]通過無人機搭載多光譜相機,分析在不同高度,植被指數(shù)和紋理特征估算冬小麥氮累積量的精度,結(jié)果表明飛行高度為30 m時,植被指數(shù)結(jié)合紋理特征估算效果最佳。Rodene等[5]通過無人機攜帶RGB傳感器,探究不同氮水平下植被指數(shù)監(jiān)測玉米氮含量效果。Fan等[6]基于無人機RGB影像提取的可見光植被指數(shù)和株高,探究了株高對估算馬鈴薯植株氮含量的影響。為估算水稻葉片氮濃度,Wang等[7]利用不同植被指數(shù)監(jiān)測水稻單生長階段和多生長階段葉片氮濃度,結(jié)果表明CIred-edge的估算效果最好(R2=0.78,RMSE=0.26%)。

通過無人機攜帶數(shù)碼、多光譜和高光譜相機估算氮含量,目前的研究主要是利用不同的植被指數(shù)構(gòu)建氮含量估算模型,分析不同植被指數(shù)的估算效果。高光譜波段信息豐富,包含很多與作物生長密切相關(guān)的特征參數(shù)。其中,藍邊(490～530 nm)、黃邊(460～640 nm)和紅邊區(qū)域(680～760 nm)構(gòu)建的光譜特征參數(shù)已被證實與作物的氮營養(yǎng)狀況密切相關(guān)[8-11]。然而,很少有人探究光譜特征參數(shù)與植被指數(shù)結(jié)合估算氮含量的能力。綜上所述,基于無人機高光譜影像,利用逐步回歸(stepwise regression,SWR)方法分別基于植被指數(shù),光譜特征參數(shù),植被指數(shù)結(jié)合光譜特征參數(shù)構(gòu)建冬小麥各生育期氮含量估算模型,并通過精度對比遴選最佳的特征參數(shù)組合,以期為冬小麥的氮含量估算提供一種有效的技術(shù)手段。

1 實驗部分

1.1 試驗材料

試驗區(qū)位于北京市昌平區(qū)國家精準農(nóng)業(yè)示范基地(E116°26′27″,N40°10′11″),該地區(qū)為北溫帶大陸性季風氣候,全年的降水主要集中在夏季。田間試驗的冬小麥品種為京9843和中麥175,為更好地達到試驗效果,共劃分48個試驗小區(qū),并設置4種不同層次的氮素水平,分別為N0(0 kg·hm-2)、N1(195 kg·hm-2)、N2(390 kg·hm-2)和N3(585 kg·hm-2),同時進行3種不同梯度的灌溉處理:僅雨水,雨水加100 mm灌溉,雨水加200 mm灌溉,每種處理設置3個重復。

1.2 氮含量測定

試驗于冬小麥拔節(jié)期(2015年4月21號)、挑旗期(2015年4月26號)、開花期(2015年5月13號)和灌漿期(2015年5月22號)進行。分別在各小區(qū)中選取30株具有代表性的植株作為樣本,將樣本放入密封袋帶回實驗室,在實驗室對樣本莖葉分離,分別稱葉片,莖和穗的鮮質(zhì)量,然后105 ℃下殺青0.5 h,再將樣品在80 ℃條件下烘干至恒質(zhì)量,稱重干質(zhì)量。隨后將樣品研磨粉碎,通過凱氏定氮儀測定氮含量,得到冬小麥4個不同生育期的氮含量數(shù)據(jù)。

1.3 光譜數(shù)據(jù)獲取與處理

為保證試驗數(shù)據(jù)的有效性,無人機飛行試驗和地面數(shù)據(jù)采集同步進行,數(shù)據(jù)采集在晴朗無云的條件下進行,且采集時間為當?shù)貢r間的11:30到13:30之間。無人機攜帶Cubert UHD185成像光譜儀,光譜儀重量為470 g,獲取450～950 nm波段,波段間隔為4 nm;飛行平臺采用的是大疆八旋翼無人機,最大載重為6 500 g,飛行高度為100 m,飛行的續(xù)航時間為0.5 h。獲取影像數(shù)據(jù)后,利用Agisoft PhotoScan軟件進行處理,通過地面采集的控制點位置信息,在ArcGIS軟件中將全色影像和位置信息進行影像拼接和校正;然后通過ENVI軟件對處理后的影像輻射定標。最后繪制出不同采樣小區(qū)的感興趣區(qū),提取各小區(qū)的平均光譜反射率作為此小區(qū)的光譜反射率。

1.4 光譜參數(shù)選取

根據(jù)已有的研究成果,選取24種與氮含量密切相關(guān)光譜參數(shù),作為變量估算氮含量,具體見表1所示。

表1 本工作選取的光譜參數(shù)及定義Table 1 The spectral parameters selected in this work and definitions

1.5 方法

利用逐步回歸(stepwise regression,SWR)方法構(gòu)建氮含量估算模型,將70%的樣本(34個)作為建模集數(shù)據(jù),剩余30%樣本(14個)作為驗證集數(shù)據(jù),檢驗模型的估算能力。逐步回歸可以通過剔除變量中不太重要和共線性較嚴重的變量,從而提高模型精度。其主要流程為:將變量逐個引入模型,每引入一個解釋變量后都進行F檢驗,并對已經(jīng)選入的解釋變量逐個進行t檢驗,當原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時,則將其刪除,以確保每次引入新的變量之前回歸方程中只包含顯著性變量,以保證最后得到的解釋變量集是最優(yōu)的,直到篩選出最佳估算模型。

1.6 精度驗證

為評價建模數(shù)據(jù)和驗證數(shù)據(jù)構(gòu)建模型的效果,選用決定系數(shù)(coefficient of determination,R2)、均方根誤差(root mean square error,RMSE)、標準均方根誤差(normalized root mean square error,NRMSE)檢驗模型的精度,R2越大,RMSE和NRMSE越小,說明構(gòu)建的模型擬合性更好,估算精度更高[8]。

2 結(jié)果與討論

2.1 光譜參數(shù)與氮含量相關(guān)性分析

將不同生育期的光譜參數(shù)分別與氮含量作相關(guān)性分析,統(tǒng)計顯著性結(jié)果,如表2所示。

表2 不同生育期光譜參數(shù)與氮含量相關(guān)系數(shù)Table 2 Correlation coefficients between spectral parameters and nitrogen content at different fertility stages

通過相關(guān)系數(shù)結(jié)果可知,各生育期的氮含量與光譜參數(shù)相關(guān)性差異較大。拔節(jié)期,紅邊面積(Sa)、藍邊振幅(Dc)和藍邊位置(λc)無相關(guān)性,黃邊位置(λb)、黃邊面積(Sb)具有0.05水平顯著相關(guān)性,剩余光譜參數(shù)均具有0.01水平顯著相關(guān)性,相關(guān)系數(shù)絕對值最高、最低分別為0.680,0.035,對應的光譜參數(shù)分別為NPCI與藍邊位置(λc)。挑旗期,黃邊位置(λb)、黃邊最小振幅(Dbmin)、藍邊振幅(Dc)、藍邊位置(λc)與藍邊最小振幅(Dcmin)為無相關(guān)性,黃邊振幅(Db)和黃邊面積(Sb)為0.05顯著水平,剩下的光譜參數(shù)為0.01顯著水平,光譜參數(shù)LCI的相關(guān)系數(shù)絕對值最大,為0.680,藍邊位置(λc)的相關(guān)系數(shù)絕對值最小,為0.087。開花期,除黃邊振幅(Db)、黃邊位置(λb)、黃邊面積(Sb)、黃邊最小振幅(Dbmin)與藍邊振幅(Dc)表現(xiàn)無相關(guān)性,GI表現(xiàn)為0.05顯著水平相關(guān)外,剩余光譜參數(shù)表現(xiàn)為0.01顯著水平相關(guān),其中紅邊位置(λa)相關(guān)系數(shù)絕對值為0.662,在此生育期最高,黃邊位置(λb)相關(guān)系數(shù)絕對值為0.033,在此生育期最低。開花期,僅紅邊最小振幅(Damin)和藍邊位置(λc)為無相關(guān)性,黃邊位置(λb)、黃邊最小振幅(Dbmin)、藍邊振幅(Dc)和藍邊最小振幅(Dcmin)為0.05水平顯著相關(guān)性,剩下光譜參數(shù)為0.01水平顯著相關(guān)性,此生育期相關(guān)系數(shù)絕對值最高的光譜參數(shù)為LCI,為0.589,最低的光譜參數(shù)為藍邊位置(λc),為0.092。

2.2 單光譜參數(shù)估算模型

根據(jù)不同生育期的光譜參數(shù)與氮含量的相關(guān)系數(shù)結(jié)果可知,光譜參數(shù)MSR、PBI、LCI、NDVI、PSND和OSAVI 6種植被指數(shù)、紅邊位置(λa)、藍邊面積(Sc)和紅邊振幅(Da)3種光譜特征參數(shù)在各生育期均呈現(xiàn)較高的相關(guān)性,因此選取這9種光譜參數(shù)構(gòu)建單參數(shù)的氮含量估算模型,結(jié)果見表3所示。

表3 僅用一個光譜參數(shù)的估算模型結(jié)果Table 3 estimation results of models only using one spectral parameter

根據(jù)表3可知,拔節(jié)期,光譜變量中植被指數(shù)建模R2從0.16到0.30,RMSE從34.50%到37.82%,NRMSE從11.13%到12.20%,隨著R2逐漸增大,RMSE和NRMSE逐漸減小。植被指數(shù)MSR建立的估算模型效果最好(建模R2=0.30,RMSE=34.50%,NRMSE=11.13%,驗證R2=0.66,RMSE=25.99%,NRMSE=8.85%),光譜變量中光譜特征參數(shù)建模R2從0.09到0.11,RMSE從38.93%到39.45%,NRMSE從12.56%到12.73%,光譜特征參數(shù)紅邊位置(λa)建立的估算模型效果最好(建模R2=0.11,RMSE=38.93%,NRMSE=12.56%,驗證R2=0.47,RMSE=32.85%,NRMSE=11.09%)。挑旗期,植被指數(shù)LCI和光譜特征參數(shù)紅邊振幅(Da)建立的模型效果最好(建模R2=0.38、0.32,RMSE=24.27%、25.26%,NRMSE=11.06%、11.60%,驗證R2=0.61、0.43,RMSE=25.62%、31.01%,NRMSE=12.11%、14.66%)。開花期,植被指數(shù)LCI估算模型最好,建模R2、RMSE和NRMSE分別為0.22、18.76%、10.74%;驗證R2、RMSE和NRMSE分別為0.40、21.50%、13.07%;光譜特征參數(shù)紅邊位置(λa)估算效果最好,建模R2、RMSE和NRMSE分別為0.38、16.76%、9.60%;驗證R2、RMSE和NRMSE分別為0.54、18.79%、11.42%。灌漿期,植被指數(shù)LCI和光譜特征參數(shù)紅邊振幅(Da)建立的估算模型最佳,建模R2、RMSE和NRMSE分別為0.26、0.24,16.52%、16.67%,11.89%、11.99%;驗證R2、RMSE和NRMSE分別為0.44、0.42,13.43%、13.69%,10.82%、10.98%。

2.3 基于SWR的估算模型構(gòu)建

為探究植被指數(shù)和植被指數(shù)結(jié)合光譜特征參數(shù)估算氮含量效果,利用分析的植被指數(shù)和光譜特征參數(shù),將每個生育期的70%的樣本作為建模集數(shù)據(jù),30%的樣本作為驗證集數(shù)據(jù),分別通過SWR方法構(gòu)建基于植被指數(shù)、植被指數(shù)結(jié)合光譜特征參數(shù)的氮含量估算模型,建模和驗證結(jié)果見表4,表5和圖1,圖2所示。

圖1 基于植被指數(shù)的SWR驗證結(jié)果(a):撥節(jié)期;(b):挑旗期;(c):開花期;(d):灌漿期Fig.1 Results of SWR validation based on vegetation indices(a):Joint stage;(b):Booting stage;(c):Flowering stage;(d):Filling stage

圖2 基于植被指數(shù)結(jié)合光譜特征參數(shù)的SWR驗證結(jié)果(a):撥節(jié)期;(b):挑旗期;(c):開花期;(d):灌漿期Fig.2 Results of SWR validation based on vegetation indices combined with spectral characteristic parameters(a):Joint stage;(b):Booting stage;(c):Flowering stage;(d):Filling stage

表4 基于植被指數(shù)的SWR分析結(jié)果Table 4 Results of SWR analysis based on vegetation indices

表5 基于植被指數(shù)結(jié)合光譜特征參數(shù)的SWR分析結(jié)果Table 5 Results of SWR analysis based on vegetation indices combined with spectral characteristic parameters

由表4和圖1可知,利用SWR方法,將植被指數(shù)作為氮含量估算模型的自變量,構(gòu)建的氮含量估算模型在不同生育期表現(xiàn)有差異。拔節(jié)期到開花期,建模的R2的范圍為0.58～0.73,RMSE的范圍為26.74%～11.11%,NRMSE的范圍為8.63%～6.37%;驗證的R2的范圍為0.74～0.83,RMSE的范圍為23.87%～10.75%,NRMSE的范圍為8.06%～6.14%,建模和驗證的R2均隨著生育期推移而增加,同時RMSE和NRMSE減少,表明估算模型逐漸穩(wěn)定,精度逐漸提高。開花期到灌漿期,建模R2的范圍為0.73～0.37,RMSE的范圍為11.11%～15.18%,NRMSE的范圍為6.37%～10.93%;驗證R2的范圍為0.83～0.29,RMSE的范圍為10.75%～17.75%,NRMSE的范圍為6.14%～14.29%,建模和驗證的R2均隨著生育期推移而減小,同時RMSE和NRMSE增加,表明估算模型穩(wěn)定性降低,精度逐漸降低。

表5和圖2顯示了利用SWR方法,將植被指數(shù)結(jié)合光譜特征參數(shù)作為氮含量估算模型自變量得到的結(jié)果。拔節(jié)期到開花期,建模和驗證的R2的范圍分別為0.64～0.78、0.77～0.85,RMSE的范圍為24.68%～9.88%、7.81%～4.76%,NRMSE的范圍為7.96%～5.66%、7.81%～4.76%;開花期到灌漿期,建模和驗證的R2的范圍分別為0.78～0.49、0.85～0.40,RMSE的范圍為9.88%～13.68%、9.12%～18.29%,NRMSE的范圍為5.66%～9.85%、4.76%～14.73%。得到的建模和驗證R2均高于、RMSE和NRMSE均低于同生育期基于植被指數(shù)構(gòu)建的估算模型的R2、RMSE與NRMSE。表明植被指數(shù)結(jié)合光譜特征參數(shù)構(gòu)建的估算模型擬合性更好,精度更高。

通過不同生育期構(gòu)建的氮含量估算模型對比發(fā)現(xiàn),使用SWR方法,基于植被指數(shù)構(gòu)建的估算模型在開花期達到最佳效果(建模R2、RMSE與NRMSE分別為0.73、11.11%、6.37%,驗證R2、RMSE與NRMSE分別為0.83、10.75%、6.14%);基于植被指數(shù)結(jié)合光譜特征參數(shù)的估算模型也在開花期效果最好(建模R2、RMSE與NRMSE分別為0.78、9.88%、5.66%,驗證R2、RMSE與NRMSE分別為0.85、9.12%、4.76%)。

2.4 氮含量空間分布

由2.3可知,利用SWR方法,基于植被指數(shù)結(jié)合光譜特征參數(shù)構(gòu)建的氮含量估算模型效果最佳,通過不同生育期的模型預測結(jié)果制作氮含量空間分布,如圖3所示。由圖3可知,拔節(jié)期氮含量較高,主要為2.6%～3.3%,西部和東部地塊的氮含量較低,中部地塊的氮含量較高,大于3.1%。挑旗期,氮含量降低,主要為1.9%～2.3%,同時也表現(xiàn)為中部地塊氮含量較高,西部和東部地塊氮含量較低,中部氮含量大于2.2%。開花期,隨著生育期推移,氮含量進一步降低,中部地塊呈現(xiàn)出較高的氮含量,大多高于1.8%。根據(jù)不同生育期的氮含量分布結(jié)果可以明顯地區(qū)分不同地塊的氮含量,同時估算的氮含量分布和實測氮含量具有很高的一致性,說明構(gòu)建的估算模型精度較高。

圖3 不同生育期氮含量空間分布Fig.3 Spatial distribution of nitrogen content in different growth stages

目前,無人機遙感技術(shù)在農(nóng)業(yè)領域發(fā)揮著重要作用,高光譜可以獲取作物的敏感波段信息,更好地監(jiān)測作物生長,在農(nóng)業(yè)監(jiān)測上具有更強的優(yōu)勢。

傳統(tǒng)方法構(gòu)建作物生理生化參數(shù)監(jiān)測模型是通過單一植被指數(shù),得到的監(jiān)測模型存在飽和現(xiàn)象[10]。本文利用逐步回歸分析方法構(gòu)建氮含量估算模型,模型保留了重要的因子,避免過度擬合。冬小麥4個主要生育期,單個植被指數(shù)或光譜特征參數(shù)估算氮含量能力弱,R2最高僅為0.38,這是由于單個植被指數(shù)或光譜特征參數(shù)不能充分地反映作物的生長狀況,敏感性較差。使用SWR方法估算氮含量,在不同生育期均表現(xiàn)出較好的估算效果,相比單個植被指數(shù)或光譜特征參數(shù),提高了氮含量估算能力。紅邊、黃邊、藍邊作為高光譜的特有波段,與作物生長緊密相關(guān),將其作為光譜特征參數(shù),與植被指數(shù)結(jié)合,并利用SWR方法估算不同時期的氮含量,得到的估算模型效果更好,相比基于植被指數(shù)構(gòu)建的氮含量模型,提高了模型的精度,說明光譜特征參數(shù)對氮含量估算具有促進作用。

基于單個植被指數(shù)或光譜特征參數(shù)估算氮含量,構(gòu)建的估算模型效果不佳,而基于多種植被指數(shù),植被指數(shù)結(jié)合光譜特征參數(shù),并通過SWR方法構(gòu)建的氮含量估算模型效果較好,精度較高。為驗證本結(jié)論,需在多個區(qū)域展開試驗,以得到更為準確和適用性更強的氮含量估算模型。

3 結(jié) 論

基于無人機搭載高光譜傳感器獲取的冬小麥不同生育期的遙感影像,利用SWR方法分別以植被指數(shù)、植被指數(shù)結(jié)合光譜特征參數(shù)構(gòu)建氮含量估算模型,得到結(jié)論如下:

(1)冬小麥4個生育期,大部分光譜參數(shù)與氮含量的相關(guān)性呈現(xiàn)0.01顯著水平。不同生育期光譜參數(shù)相關(guān)性最高的分別是NPCI、LCI、紅邊位置(λa)、LCI,相關(guān)系數(shù)絕對值分別為0.680、0.680、0.662、0.589。

(2)基于單個植被指數(shù)或光譜特征參數(shù)構(gòu)建的氮含量估算模型精度較低。拔節(jié)期、挑旗期、開花期、灌漿期,最佳估算模型對應的參數(shù)分別為MSR(建模R2=0.30,RMSE=34.50%,NRMSE=11.13%)、LCI(建模R2=0.38,RMSE=24.27%,NRMSE=11.06%)、紅邊位置(λa)(建模R2=0.38,RMSE=16.76%,NRMSE=9.60%)、LCI(建模R2=0.26,RMSE=16.52%,NRMSE=11.89%)。

(3)基于植被指數(shù),利用SWR方法構(gòu)建的氮含量估算模型在開花期達到最佳效果(建模R2、RMSE與NRMSE分別為0.73、11.11%、6.37%,驗證R2、RMSE與NRMSE分別為0.83、10.75%、6.14%);基于植被指數(shù)結(jié)合光譜特征參數(shù),利用SWR方法構(gòu)建的氮含量估算模型擬合性、精度均優(yōu)于植被指數(shù),開花期估算效果最佳(建模R2、RMSE與NRMSE分別為0.78、9.88%、5.66%,驗證R2、RMSE與NRMSE分別為0.85、9.12%、4.76%)。