引用本文
樊意广, 冯海宽, 刘杨, 边明博, 赵钰, 杨贵军, 钱建国. 利用光谱空间特征估算马铃薯植株氮含量[J]. 光谱学与光谱分析, 2023,43(5): 1532-1540.
FAN Yi-guang, FENG Hai-kuan, LIU Yang, BIAN Ming-bo, ZHAO Yu, YANG Gui-jun, QIAN Jian-guo. Estimation of Nitrogen Content in Potato Plants Based on Spectral Spatial Characteristics[J]. Spectroscopy and Spectral Analysis, 2023,43(5): 1532-1540.
Doi:10.3964/j.issn.1000-0593(2023)05-1532-09  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
利用光谱空间特征估算马铃薯植株氮含量
樊意广1,3,5, 冯海宽1,2,3,*, 刘杨1,3,4, 边明博1,3, 赵钰1,3, 杨贵军1,3, 钱建国5
1.农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097
2.南京农业大学国家信息农业工程技术中心, 江苏 南京 210095
3.国家农业信息化工程技术研究中心, 北京 100097
4.中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
5.辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
*通讯作者 e-mail: fenghaikuan123@163.com

作者简介: 樊意广, 1993年生, 北京市农林科学院信息技术研究中心、 国家农业信息化工程技术研究中心、 辽宁工程技术大学联合培养硕士研究生 e-mail: fyglngd@163.com

收稿日期: 2022-07-22 修回日期: 2022-10-19
基金: 黑龙江省揭榜挂帅科技攻关项目(2021ZXJ05A05), 国家自然科学基金项目(41601346), 2022年度农业农村部农业遥感机理与定量遥感重点实验室建设项目(PT2022-24)资助
摘要

植株氮含量(PNC)是评价作物长势和营养状况的重要指标, 快速准确获取作物的PNC信息可为农田管理策略的制定与实施提供重要依据。 已有研究表明, 仅采用影像的光谱信息估算作物的PNC存在饱和现象, 该研究尝试采用植被指数(VIs)结合二维离散小波分解技术(DWT)提取的多个尺度的高频信息(HFI)构建一种光谱空间特征(VIs+HFI), 探究VIs、 HFI和VIs+HFI估算PNC的能力。 首先, 以无人机为遥感平台获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期5个氮营养关键生育期的数码影像并实测各生育期的PNC数据。 其次, 基于预处理的无人机影像, 提取各生育期冠层的光谱信息构建VIs, 并采用DWT提取各生育期1~5尺度的HFI。 然后, 将各生育期提取的VIs和HFI与马铃薯PNC进行相关性分析, 分别筛选出相关系数绝对值较大的前7个VIs和前10个HFI。 为降低共线性对实验结果的影响, 根据KMO检验结果对筛选的HFI进行主成分分析(PCA)降维处理。 最后, 采用岭回归和极限学习机(ELM) 2种方法分别以VIs、 HFI主成分和VIs+HFI主成分为模型变量构建马铃薯各生育期的PNC估算模型, 并进行评估。 结果表明: (1)马铃薯各生育期, 1~5尺度的HFI对估算PNC均有贡献。 (2)以VIs+HFI为模型变量构建的马铃薯PNC估算模型的精度和稳定性高于单一VIs和HFI。 (3)马铃薯各生育期, 以岭回归方法构建的PNC估算模型优于ELM方法。 其中, 以VIs+HFI为模型变量构建的PNC估算模型效果最优, 5个生育期的建模 R2分别为0.833、 0.764、 0.791、 0.664和0.435, RMSE分别为0.332%、 0.297%、 0.275%、 0.286%和0.396%; NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%和15.166%, 该研究可为马铃薯氮营养状况的实时高效监测提供一种新的技术支撑。

关键词: 无人机; 马铃薯; 植株氮含量; 植被指数; 高频信息
中图分类号:S25 文献标志码:A
Estimation of Nitrogen Content in Potato Plants Based on Spectral Spatial Characteristics
FAN Yi-guang1,3,5, FENG Hai-kuan1,2,3,*, LIU Yang1,3,4, BIAN Ming-bo1,3, ZHAO Yu1,3, YANG Gui-jun1,3, QIAN Jian-guo5
1. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
2. Nanjing Agricultural University, National Engineering and Technology Center for Information Agriculture, Nanjing 210095, China
3. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China
4. Key Laboratory of Modern Precision Agriculture System Integration Research, Ministry of Education, China Agricultural University, Beijing 100083, China
5. School of Mapping and Geographical Science, Liaoning Technical University, Fuxin 123000, China
*Corresponding author
Abstract

Plant nitrogen content (PNC) is essential for evaluating crop growth and nutritional status. Obtaining crop PNC information quickly and accurately can provide an important basis for formulating and implementing farmland management strategies. Existing studies have shown saturation in estimating crop PNC using only the spectral information of images. Therefore, this research attempted to use vegetation indices (VIs) combined with two-dimensional discrete wavelet decomposition technology (DWT) to extract high-frequency information(HFI) at multiple scales. It was constructing a spectral, spatial feature (VIs+HFI) and exploring the ability of VIs, HFI, and VIs+HFI to estimate PNC. First, the UAV was a remote sensing platform to obtain digital images of the five critical nitrogennutrient growth periods of potato budding, tuber formation, tuber growth, starch accumulation, and maturity. It measured PNC data for each growth period. Secondly, based on the pre-processed UAV images, the spectral information of the canopy of each growth period was extracted to construct VIs, and the DWT was used to extract the HFI of each growth period 1~5 scales. Then, the VIs and HFI extracted from each growth period were correlated with the ground-truthed PNC data. The top 7 VIs and the top 10 HFI with larger absolute correlation coefficient values were screened, respectively. To reduce the effect of covariance on the experimental results, the screened HFI were subjected to principal component analysis (PCA) for dimensionality reduction according to the KMO test results. Finally, two methods, ridge regression and extreme learning machine (ELM), were used to construct and evaluate the PNC estimation model of each growth period of potato with VIs, HFI principal components, and VIs+HFI principal components as model variables.The results showed that: (1) HFI at different scales contributed to the estimation of PNC in each growth period of potato. (2) The accuracy and stability of the potato PNC estimation model for each growth period constructed with VIs+HFI as model variables werehigher than that of a single VIs and HFI. (3) In each growth period of the potato, the PNC estimation model constructed by the ridge regression method was better than the ELM method. Among them, the PNC estimation model constructed with VIs+HFI as the model variable had the best effect. The modeling R2 of the five growth periods were 0.833, 0.764, 0.791, 0.664, 0.435, and the RMSE were 0.332%, 0.297%, 0.275%, 0.286%, 0.396%; NRMSE were 9.113%, 9.425%, 10.336%, 9.547%, 15.166%, respectively. This research can provide new technical support for real-time and efficient potato nitrogen nutrition status detection.

Keyword: Unmanned aerial vehicle; Potato; Plantnitrogen content; Vegetation indices; High frequency information
引言

我国是世界上最大的马铃薯生产国, 马铃薯的产量与品质对保障我国国家粮食安全和对外实施粮食贸易策略具有极其重要的影响。 植株氮含量(plant nitrogen content, PNC)是评价作物长势与营养状态的重要指标, 快速准确地获取马铃薯的PNC信息对提高马铃薯单产和商品薯率有重要的指导意义[1]。 传统的田间取样方法虽能较准确地获取作物的PNC信息, 但耗时耗力、 效率低下且具有破坏性, 不利于开展大范围的农田监测。

遥感技术的快速发展使高通量、 高精度和定量化获取作物的理化参数成为可能。 目前, 常用于精准农业的遥感平台主要有地面遥感平台、 无人机遥感平台和卫星遥感平台等[2]。 然而, 由于成像和分辨率的限制, 地面遥感和卫星遥感的应用并不广泛[3, 4]。 与二者相比, 无人机遥感技术具有时空分辨率高, 操作简便, 机动灵活等特点, 更适用于农田尺度的信息监测, 已在农业的精细化管理中得到了广泛应用。

目前, 无人机搭载的传感器主要有数码相机、 多光谱和高光谱等。 与多光谱和高光谱相比, 数码相机成本更低, 空间分辨率更高, 数据处理更加便捷。 如何利用低成本的数码相机快速无损地监测作物的理化参数已成为精准农业的重要研究内容[5]。 国内外学者采用无人机数码相机就作物的理化参数监测做了大量的研究工作, 如刘杨等[6]基于7种植被指数(vegetation indices, VIs)分别采用多元线性回归、 支持向量机和人工神经网络3种回归方法构建马铃薯不同生长阶段的生物量估算模型, 为马铃薯产量的评估提供了良好的参考。 Yue等[7]采用无人机数码相机获取大豆不同生育期的数码影像, 并通过提取的光谱信息构建11个VIs, 有效估算了大豆冠层叶绿素含量。 Hasan等[8]基于RGB图像结合灰色关联分析筛选对叶面积指数敏感的VIs, 采用偏最小二乘方法准确估算了玉米的叶面积指数。 Li等[9]采用过绿植被指数估算马铃薯的冠层覆盖度并取得了良好的结果。

上述研究表明, 采用单个或多个VIs估算作物的理化参数虽然能取得良好的效果, 但也存在一定的问题。 一方面, 单一VIs能够提供的光谱信息有限; 另一方面, 在植被高密度条件下, VIs会因饱和现象而无法精确地估算作物的理化参数[10]。 无人机数码影像具有较高的空间分辨率, 其影像中包含丰富的空间结构特征, 可以提供大量与作物长势和营养状态相关的有效信息。 因此, 一些学者尝试引入作物的空间结构特征, 如纹理特征等与VIs结合估算作物的理化参数, 并取得了一定的进展。 如Fu[11]等采用无人机数码影像中获取的光谱信息分别与灰度矩阵纹理和Gabor纹理结合, 高精度地估算了冬小麦的含氧量。 陈鹏飞等[12]研究发现, 影像纹理特征值与棉花的PNC显著相关, 以影像光谱信息结合纹理特征为模型变量构建的PNC估算模型精度更高。 然而有研究同时表明, 纹理特征与影像的空间分辨率联系紧密, 不同分辨率下的纹理特征估算作物理化参数的效果不同。 如贾丹等[13]通过设置4种无人机飞行高度, 对比了分辨率在1.0~5.69 cm变化时, 光谱信息结合纹理特征值估算灌浆期小麦PNC的效果, 发现不同分辨率下的纹理特征均能降低植被指数估算PNC的饱和性。 刘杨等[14]通过设置不同的飞行高度, 获取了5种不同分辨率下的纹理特征并分别与马铃薯的地上生物量做相关性分析, 结果表明不同分辨率下的纹理特征与生物量的相关性有很大差异。 通过升高或降低飞行高度的方式获取影像不同分辨率下的空间结构特征虽然可行, 但大大增加了飞行作业的时间和成本, 不利于快速开展农田尺度上的作物信息监测。

与纹理特征相似, 基于二维离散小波分解技术(two-dimensional discrete wavelet decomposition technique, DWT)提取的高频信息(high frequency information, HFI)也包含影像丰富的空间结构信息, 且DWT具有多分辨率分析的特点, 可以对单个波段进行不同尺度的处理, 为快速获取影像不同分辨率下的空间结构信息提供了一种新的思路。 然而, 采用VIs结合DWT技术提取的HFI监测作物理化参数的研究鲜有报道。 本研究基于马铃薯5个生育期的数码影像, 采用VIs结合DWT技术提取的各影像1~5尺度的HFI, 构建了一种光谱空间特征(VIs+HFI), 并结合KMO(Kaiser Meyer Olkin)检验和主成分分析(principal component analysis, PCA)探究了VIs、 HFI和VIs+HFI估算PNC的能力, 以期为马铃薯PNC的快速无损估算提供技术参考。

1 实验部分
1.1 试验设计

于2019年4月— 7月在北京市昌平区小汤山镇国家精准农业研究示范基地(40° 10'34″N, 116° 26'39″E)开展马铃薯试验。 试验共分为密度试验区(N区)、 氮肥试验区(S区)和钾肥试验区(K区) 3个试验区。 其中, N区设3种密度处理(T0: 60 000 株· hm-2、 T1: 72 000 株· hm-2和T2: 84 000 株· hm-2), 2个品种(Z1: 中薯3、 Z2: 中薯5), 3次重复, 共18个小区。 S区设4种氮素处理(N0: 0 kg尿素· hm-2、 N1: 244.65 kg尿素· hm-2、 N2: 489.15 kg尿素· hm-2和N3: 733.5 kg尿素· hm-2), 2个品种(Z1和Z2), 3次重复, 共24个小区。 K区设3种钾肥处理(K0: 0 kg钾肥· hm-2、 K1: 970.5 kg钾肥· hm-2和K2: 1 941 kg钾肥· hm-2), 1个品种(Z2), 3次重复, 共6个小区。 单个小区面积为32.5 m2, 各小区之间用保护行隔开, 马铃薯种植方式为覆膜种植。 具体的试验设计如图1所示。

图1 马铃薯田间位置及试验设计
注: N区和S区均为K1处理, k1— k11为地面控制点Fig.1 Potato field location and experiment design
Note: Both N area and S area are processed by K1, and k1— k11 are ground control points

1.2 数据获取

1.2.1 无人机数码影像获取

在马铃薯现蕾期(2019年5月13日)、 块茎形成期(2019年5月28日)、 块茎增长期(2019年6月10日)、 淀粉积累期(2019年6月20日)和成熟期(2019年7月3日)采集无人机数码影像。 本研究以大疆精灵4系列无人机为遥感平台获取试验区域的数码影像, 无人机及其搭载的数码相机传感器的部分参数如表1所示。 无人机配备高精度的位置与姿态测量系统以精确获得试验区域的位置。 为避免光照强度的影响, 在晴朗无云的正午开展飞行作业, 飞行时间为11:00 am— 2:00 pm, 无人机的飞行高度设置为20 m, 横向和旁向重叠率均为85%。

表1 部分无人机和相机参数 Table 1 Partial parameters of UAN and camera

1.2.2 地面数据获取

马铃薯地面数据采集与无人机飞行作业同步进行, 具体方法为: 每个试验小区选取可代表整体长势水平的马铃薯3株, 茎叶分离后105 ℃杀青0.5 h, 80 ℃条件下烘干至样本质量不再发生变化。 采用精度为0.01 g的天平测定烘干后叶的干质量(leaf dry matter, LDM)和茎的干质量(stem dry matter, SDM), 然后利用凯氏定氮仪分别测定马铃薯叶氮含量(leaf nitrogen concentration, LNC)和地上茎氮含量(stem nitrogen concentration, SNC), 最后根据式(1)计算马铃薯PNC。

PNC=LDM×LNC+SDM×SNCLDM+SDM×100%(1)

1.2.3 无人机影像预处理

采用Agisoft PhotoScan Professional软件对数码影像进行预处理, 主要流程为: (1)对原始影像进行筛选, 剔除姿态角异常的影像。 (2)将筛选后的影像和POS数据导入到Agisoft PhotoScan Professional软件中并对齐影像。 (3)生成点云, 并在此基础上构建格网和纹理。 (4)生成数字正射影像(digital orthophoto map, DOM), 并保存为TIFF格式文件输出。

1.3 植被指数选取

已有的研究成果表明, 植被指数可以较好地反映作物的PNC信息。 本研究基于马铃薯各生育期的DOM提取每个试验小区的平均红波段值R、 绿波段值G和蓝波段值B, 并计算其归一化后的值r、 g和b。 根据已有的文献资料, 选取12个能较好反映作物PNC信息的植被指数, 加上3个原始的单波段值, 共15个植被指数估算马铃薯PNC, 如表2所示。

表2 可见光植被指数 Table 2 Visible vegetation index
1.4 高频信息提取

为获取影像多个尺度的空间结构信息, 采用DWT技术处理马铃薯各生育期的DOM。 DWT技术克服了短时傅里叶变换单一分辨率处理的缺陷, 具有多分辨率分析的特点和良好的时频定位功能。 一幅影像经过一次DWT处理, 可以分解成一个低频子图(LL)和3个高频子图(LH、 HL和HH)。

其中LL代表影像的低频信息, 反映影像的大致轮廓。 LH、 HL和HH分别代表影像水平方向、 垂直方向和对角线方向上的高频信息, 反映影像在3个方向上的轮廓、 纹理和边缘等空间细节特征。 每一层生成的LL可以继续进行DWT处理, 生成下一层的低频子图和高频子图。 因此, 采用DWT技术可以获取影像在多个尺度完整的空间结构信息, 为快速获取作物在不同分辨率下的空间结构特征提供了一种新的思路。 本研究采用DWT技术分别获取了每个生育期R、 G和B波段1~5尺度3个方向共45个HFI进行后续的处理。 为了便于描述, 采用“ 波段-尺度-方向” 的方式表示各HFI, 如R-S1-HL表示R波段1尺度水平方向的高频信息。

1.5 数据分析方法

1.5.1 多重共线性检验

KMO检验统计量能够根据原始变量间简单相关系数和偏相关系数的相对关系进行共线性诊断, 计算方法如式(2)所示。

KMO=∑i=0k∑jkrij2/∑i=0k∑jkrij2+∑i=0k∑jkαij2(2)

式(2)中, k表示原始变量的个数, i和j分别表示第i个和第j个原始变量, r和α 分别表示原始变量间的简单相关系数和偏相关系数。 当1> KMO≥ 0.7时, 表明原始变量之间存在严重的共线性, 适合进行主成分分析; 当KMO< 0.7时, 表明原始变量之间的共线性较弱, 无须进行主成分分析。

1.5.2 主成分分析

当原始变量间的相关性较严重时, 会增大数据的冗余, 影响模型的精度, PCA方法可以对多个具有一定共线性的变量进行降维处理, 得到一组新的相互无关的综合变量, 并根据需要使得到的综合变量尽可能多地反映原来变量的信息。 本研究根据KMO检验的结果, 对共线性较为严重的原始变量进行PCA降维处理, 并选择能描述原始变量95%以上信息的综合变量作为主成分进行建模。

1.5.3 建模方法选取

本研究选用岭回归和极限学习机(extreme learning machine, ELM)2种方法构建马铃薯各生育期的PNC估算模型。 岭回归是一种改良的最小二乘估算方法, 通过引入有偏常数而获得更符合实际的估计量。 ELM是一种单层前馈神经网络算法, 能够随机产生输入层与隐含层之间的连接权值, 大大提高了网络的训练速率, 具有良好的泛化性能。

1.6 精度评价

每个生育期各获取48组数据, 以重复1和重复3的32组数据构成模型的训练样本, 重复2的16组数据用来验证模型。 采用决定系数(R2)、 均方根误差(RMSE)、 标准均方根误差(NRMSE)评价模型的估算性能。

2 结果与讨论
2.1 相关性分析

2.1.1 植被指数与PNC的相关性分析

将表2中构建的15个VIs分别与马铃薯对应生育期的PNC进行相关性分析, 结果如图2所示。 马铃薯现蕾期, 仅有R、 G和B三个VIs与PNC表现出相关性, 相关系数绝对值位于0.328~0.506之间, 其余VIs均与PNC不相关。 块茎形成期, 与PNC相关系数绝对值较大的前7个VIs依次是(r-g-b)/(r+g)、 VDVI、 CIVE、 VARI、 NDI、 MGEVI和GLA, 相关系数绝对值在0.609~0.818之间, 均达到0.01相关水平。 块茎增长期, 与PNC相关系数绝对值较大的前7个VIs依次是R、 VDVI、 CIVE、 MGRVI、 NDI、 VARI、 GLA和EXG, 相关系数绝对值在0.715~0.834之间, 均达到0.01相关水平。 淀粉积累期, 与PNC相关系数绝对值较大的前7个VIs依次是R、 VDVI、 CIVE、 (r-g-b)/(r+g)、 NDI、 MGRVI和VARI, 相关系数绝对值位于0.660~0.765之间, 均达到0.01相关水平。 成熟期, 与PNC相关系数绝对值较大的前7个VIs依次是IKAW、 EXB、 (r-g-b)/(r+g)、 G、 VDVI、 RGBVI和R, 相关系数绝对值在0.315~0.455之间, 其中IKAW、 EXB、 (r-g-b)/(r+g)和G 4个VIs与PNC达到0.01相关水平, VDVI、 RGBVI和R 3个VIs与PNC达到0.05相关水平。

图2 植被指数与PNC相关性Fig.2 Correlation between vegetation index and PNC

2.1.2 高频信息与PNC相关性分析

将每个生育期提取的45个HFI与马铃薯PNC做相关性分析, 结果如图3所示。 由图3(a)可知, 马铃薯现蕾期, 相关系数绝对值较大的前10个HFI依次是R-S4-LH、 G-S4-LH、 B-S1-HH、 G-S1-HH、 R-S1-HH、 G-S5-LH、 B-S1-HL、 R-S5-LH、 G-S1-HL和R-S1-HL, 相关系数绝对值在0.759~0.820之间, 均与PNC达到0.01相关水平。 由图3(b)可知, 块茎形成期相关系数绝对值较大的前10个HFI依次是G-S3-HH、 R-S3-HH、 G-S1-LH、 G-S2-LH、 R-S1-LH、 R-S2-LH、 R-S2-HH、 G-S2-HH、 R-S1-HH和G-S1-HH, 相关系数绝对值在0.743~0.772之间, 均与PNC达到0.01相关水平。 由图3(c)可知, 块茎增长期, 相关系数绝对值较大的前10个HFI依次是R-S3-LH、 R-S4-HH、 R-S1-HH、 G-S1-HH、 R-S1-LH、 R-S2-HH、 R-S1-HL、 G-S2-HH、 B-S2-HH和R-S3-HH, 相关系数绝对值在0.791~0.817之间, 均与PNC达到0.01相关水平。 由图3(d)可知, 淀粉积累期, 相关系数绝对值较大的前10个HFI依次是B-S4-LH、 B-S5-LH、 B-S4-HL、 B-S4-HH、 B-S5-LH、 B-S5-HL、 B-S5-HH、 B-S3-LH、 R-S1-HL和R-S2-HL, 相关系数绝对值在0.484~0.653之间, 均与PNC达到0.01相关水平。 由图3(e)可知, 成熟期, 相关系数绝对值较大的前10个HFI依次是G-S5-HL、 B-S5-LH、 G-S1-LH、 R-S5-HL、 G-S2-LH、 R-S1-LH、 G-S4-HL、 G-S3-LH、 B-S1-LH和G-S3-HH, 相关系数绝对值在0.344~0.415之间, 其中前3个HFI与PNC达到0.01相关水平, 其余HFI与PNC达到0.05相关水平。 由图3可知, 马铃薯同一生长阶段, 不同尺度的HFI与PNC的相关性差异较为明显, 随着马铃薯生育期的推进, 同一尺度的HFI与PNC的相关性也发生改变。

图3 高频信息与PNC相关性
注: “ r” 表示相关系数
(a): 现蕾期; (b): 块茎形成期; (c): 块茎增长期; (d): 淀粉积累期; (e): 成熟期Fig.3 Correlation between high frequency information and PNC
Note: “ r” represents the correlation coefficient
(a): Bud period; (b): Tuber from period; (c): Tuber grow period; (d): Starch store period; (e): Matunity period

2.2 基于单一模型变量估算马铃薯PNC

为减小数据间共线性对模型精度和效率的影响, 构建马铃薯PNC估算模型之前, 首先对各生育期选择的VIs和HFI进行KMO检验, 判断各自变量间的共线程度。 5个生育期各VIs间的KMO值分别是0.589、 0.619、 0.497、 0.647和0.389, 各HFI间的KMO值分别是0.808、 0.895、0.892、 0.826和0.811。 由KMO检验结果可知, 各生育期选择的VIs间共线程度较弱, 而HFI间存在严重的共线性, 有必要对选择的HFI进行PCA降维处理。 根据累计贡献率大于95%的原则对各生育期的HFI进行降维处理, 分别提取出2个、 1个、 1个、 3个和3个主成分。 基于选择的VIs和提取HFI的主成分分别采用岭回归和ELM两种方法构建马铃薯PNC的估算模型, 结果如表3所示。 以VIs为模型变量估算马铃薯PNC在块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 而在现蕾期和成熟期的估算效果较差。 以HFI为模型变量估算马铃薯PNC在现蕾期、 块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 而在成熟期的估算效果较差。 在马铃薯现蕾期, 以HFI为模型变量的PNC估算模型估算效果明显优于VIs, 在块茎形成期、 块茎增长期和淀粉积累期, 以VIs为模型变量的PNC估算模型估算效果略优于HFI。 在成熟期, 以VIs为模型变量的PNC估算模型估算效果与HFI相差不大。 马铃薯各生育期, 基于同种模型变量时, 采用岭回归方法构建PNC估算模型的精度和稳定性均要优于ELM方法。

表3 单变量模型估算马铃薯PNC结果 Table 3 Estimation of potato PNC results by univariate model
2.3 基于光谱空间特征估算马铃薯PNC

为探究VIs结合HFI构建的光谱空间特征估算马铃薯PNC的效果, 以各生育期筛选的VIs+HFI主成分为模型变量, 分别使用岭回归和ELM两种方法构建马铃薯PNC估算模型, 结果如表4所示。 5个生育期, 采用两种方法以VIs+HFI主成分为模型变量估算马铃薯PNC的效果较单一VIs或HFI均有明显提高。

表4 基于光谱空间特征估算马铃薯PNC结果 Table 4 Estimation of potato PNC results based on spectral spatial characteristics

综合表3和表4可知, 基于VIs+HFI主成分利用岭回归方法构建的马铃薯PNC的估算模型效果最好, 估算效果如图4(a— e)所示。 由图4可知, 马铃薯现蕾期、 块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 建模R2分别为0.833、 0.764、 0.791和0.664, RMSE分别为0.332%、 0.297%、 0.275%和0.286%, NRMSE分别为9.113%、 9.425%、 10.336%和9.547%。 验证R2分别为0.822、 0.826、 0.727和0.702, RMSE分别为0.352%、 0.256%、 0.310%和0.207%, NRMSE分别为8.661%、 9.074%、 10.277%和10.145%。 各生育期建模R2与验证R2之差均不超过0.1, RMSE和NRMSE之间的差值均不超过0.1%, 且建模点和验证点均分布在1:1线附近, 表明4个生育期构建的模型精度均较高且稳定。 而成熟期, 建模R2为0.435, 验证R2为0.433且建模点和验证点偏离1:1线, 表明这一时期构建的模型精度较差。

图4 基于岭回归的马铃薯PNC估算效果
(a): 现蕾期; (b): 块茎形成期; (c): 块茎增长期; (d): 淀粉积累期; (e): 成熟期Fig.4 Estimation effect of potato PNC based on ridge regression
(a): Bud period; (b): Tuber from period; (c): Tuber grow period; (d): Starch store period; (e): Matunity period

2.4 多尺度高频信息的筛选

与通过调整无人机飞行高度定量改变影像的分辨率不同, DWT技术能快速有效地获取影像多个尺度完整的空间结构特征。 因此, 本研究采用DWT技术提取了马铃薯5个关键生育期1~5尺度的HFI, 获取了影像在多个分辨率下的空间结构特征。 由相关性分析结果可知[图3(a— e)], 马铃薯同一生长阶段, 不同尺度的HFI与PNC的相关性差异明显, 随着马铃薯生育期的推进, 同一尺度的HFI与PNC的相关性也随之变化。 分析其主要原因, 在同一生长阶段不同尺度的HFI反映作物空间细节水平及与环境背景分离的能力不同, 而在不同的生长阶段, 冠层覆盖度、 叶面积和氮含量等的不同引起作物冠层空间细节的变化, 从而导致HFI反映PNC能力的变化。 根据皮尔逊相关系数筛选了相关系数绝对值较大的前10个HFI构建马铃薯PNC估算模型, 由筛选的结果可知, 不同尺度的HFI对估算马铃薯PNC均有贡献, 与Yang[15]等估算冬小麦PNC得出的结论一致, 不同的是Yang等仅采用了1~2尺度的小波纹理特征, 而本工作采用的是1~5尺度的高频信息, 提取的空间结构特征信息更丰富。

2.5 植株氮含量的估算

为探究植被指数估算马铃薯PNC的能力, 首先将构建的15个VIs与PNC进行相关性分析, 筛选出与PNC相关性较好的VIs作为模型变量采用岭回归和ELM两种方法构建PNC的估算模型。 由相关性分析结果(图2)和两种方法的估算结果(表3)可知, 马铃薯块茎形成期、 块茎增长期和淀粉积累期基于VIs估算马铃薯PNC可以取得较好的效果, 而现蕾期和成熟期估算效果较差。 分析认为现蕾期马铃薯主要以营养生长为主, 叶片空间结构小, 提取的VIs受土壤背景影响较大, 不能很好地反映PNC变化。 块茎形成期到淀粉积累期, 马铃薯以营养生长和生殖生长为主, 地上部氮持续向地下块茎输送, 这一阶段马铃薯茎叶生长旺盛, 植被覆盖度大, 提取的VIs能较好地反映PNC的变化规律。 而成熟期, 由于连天大雨影响, 大部分马铃薯植株叶片枯黄脱落, 此时提取的VIs与PNC的相关性明显变差, 因而估算模型精度较低。

为探究高频信息估算马铃薯PNC的能力, 首先根据累计贡献率大于95%的原则对各生育期筛选的10个HFI进行PCA降维处理, 并基于提取的主成分采用岭回归和ELM两种方法构建PNC的估算模型。 由两种方法的估算结果可知(表3), 现蕾期基于HFI主成分构建的PNC估算模型的估算效果远远优于VIs。 分析其主要原因: (1) 现蕾期马铃薯尚未封垄, 此时各小区的空间结构特征差异明显, 提取的HFI能够较好地反映PNC的变化规律; (2) 不同尺度的HFI能提供作物不同层次的空间结构细节信息, 增强了作物与背景环境的分离能力, 大大减弱了土壤背景噪声对估算模型精度的影响; 因而现蕾期以HFI主成分为模型变量构建的PNC估算模型明显优于VIs。 块茎形成期到淀粉积累期, 马铃薯茎叶生长旺盛, 植被覆盖度变大, 各个小区之间的空间结构差异减弱, 土壤背景对模型精度的影响变小, HFI的优势不能完全凸显, 基于两种变量构建的PNC估算模型的估算效果相差不大(VIs略优于HFI)。 成熟期, 由于天气影响, 提取的HFI不能真实地反映PNC的变化, 因而估算模型的精度较前4个生育期明显变差。

为探究光谱空间特征估算马铃薯PNC的能力, 本研究基于VIs+HFI主成分分别采用岭回归和ELM两种方法构建马铃薯各生育期的PNC估算模型。 由估算结果可知(表4), 各生育期, 相较于单一VIs或HFI, 以VIs+HFI主成分为模型变量构建的PNC估算模型的建模和验证的R2均有所提高, RMSE和NRMSE均有所降低。 其主要原因是: VIs和HFI分别代表了作物冠层的光谱特征和空间结构特征, 能够为估算PNC提供多种类型的有效信息, 减弱了饱和效应对VIs估算作物理化参数的影响。 此外, 与单一模型变量的估算结果相似, 基于VIs+HFI主成分采用两种方法构建的PNC估算模型在成熟期的估算效果较差, 这主要是受外界天气的影响, 构建的光谱空间特征不能很好地反映PNC的变化。

各生育期基于同种变量采用ELM方法构建模型的精度和稳定性均低于岭回归方法, 其原因是岭回归方法采用L2范数正则化对最小二乘方法进行改进, 提高了模型的适用性与稳定性, 而ELM方法虽然有较好的泛化性能, 但针对小样本数据集优势体现不明显。 本研究提取不同尺度的高频信息, 为作物理化参数估算提供了不同于光谱维度的有效信息, 可为光谱技术在精准农业中的应用提供参考。 此外, 本研究仅采用了1年的马铃薯试验田数据构建PNC估算模型, 还需要采用不同年限及不同地点的马铃薯PNC数据对所得结论进行验证, 以得到更具有普适性的PNC估算模型。

3 结论

(1)基于马铃薯冠层数码影像采用DWT技术提取的1~5尺度的高频信息对估算马铃薯PNC均有贡献。

(2)以单一VIs为模型变量估算马铃薯PNC, 块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 现蕾期和成熟期估算效果较差。 以单一HFI主成分为模型变量估算马铃薯PNC, 现蕾期、 块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 成熟期估算效果较差。

(3)以光谱空间特征为模型变量, 显著提高了马铃薯PNC估算模型的精度和稳定性, 其中, 现蕾期、 块茎形成期、 块茎增长期和淀粉积累期的估算效果较好, 成熟期估算效果较差。

(4)马铃薯各生育期, 岭回归方法构建的PNC估算模型优于ELM方法, 其中以光谱空间特征为模型变量, 采用岭回归方法构建的模型效果最优, 5个生育期的建模R2分别为0.833、 0.764、 0.791、 0.664、 0.435; RMSE分别为0.332%、 0.297%、 0.275%、 0.286%、 0.396%; NRMSE分别为9.113%、 9.425%、 10.336%、 9.547%、 15.166%, 本研究可为马铃薯氮素营养监测及光谱分析技术在农业遥感中的应用提供参考。

参考文献
[1] GAO Xing, LI Fei, YANG Hai-bo, et al(高兴, 李斐, 杨海波, 等). Journal of Plant Nutrition and Fertilizers(植物营养与肥料学报), 2019, 25(2): 15. [本文引用:1]
[2] Tao H, Feng H, Xu L, et al. Sensors, 2020, 20(4): 1231. [本文引用:1]
[3] WANG Yu-na, LI Fen-ling, WANG Wei-dong, et al(王玉娜, 李粉玲, 王伟东, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(22): 9. [本文引用:1]
[4] Xu X, Fan L, Li Z, et al. Remote Sensing, 2021, 13(3): 340. [本文引用:1]
[5] Han L, Yang G, Dai H, et al. Plant Methods, 2019, 15(1): 10. [本文引用:1]
[6] LIU Yang, HUANG Jue, SUN Qian, et al(刘杨, 黄珏, 孙乾, 等). National Remote Sensing Bulletin(遥感学报), 2021, 25(9): 2004. [本文引用:1]
[7] Yue J, Feng H, Tian Q, et al. Plant Methods, 2020, 16(1): 1. [本文引用:1]
[8] Hasan U, Sawut M, Chen S. Sustainability, 2019, 11(23): 6829. [本文引用:1]
[9] Li B, Xu X, Han J, et al. Plant Methods, 2019, 15(1): 1. [本文引用:1]
[10] Yue J, Zhou C, Guo W, et al. International Journal of Remote Sensing, 2021, 42(5): 1602. [本文引用:1]
[11] Fu Y, Yang G, Li Z, et al. Remote Sensing, 2020, 12(22): 3778. [本文引用:1]
[12] CHEN Peng-fei, LIANG Fei(陈鹏飞, 梁飞). Scientia Agricultura Sinica(中国农业科学) 2019, 52(13): 2220. [本文引用:1]
[13] JIA Dan, CHEN Peng-fei(贾丹, 陈鹏飞). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2020, 51(7): 164. [本文引用:1]
[14] LIU Yang, FENG Hai-kuan, SUN Qian, et al(刘杨, 冯海宽, 孙乾, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(5): 1470. [本文引用:1]
[15] Yang B, Wang M, Sha Z, et al. Sensors, 2019, 19(20): 4416. [本文引用:1]