基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

引用本文

冯帅, 许童羽, 于丰华, 陈春玲, 杨雪, 王念一. 基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究[J]. 光谱学与光谱分析, 2019,39(10): 3281-3287.
FENG Shuai, XU Tong-yu, YU Feng-hua, CHEN Chun-ling, YANG Xue, WANG Nian-yi. Research of Method for Inverting Nitrogen Content in Canopy Leaves of Japonica Rice in Northeastern China Based on Hyperspectral Remote Sensing of Unmanned Aerial Vehicle[J]. Spectroscopy and Spectral Analysis, 2019,39(10): 3281-3287.
Doi:10.3964/j.issn.1000-0593(2019)10-3281-07 复制到剪切板

Permissions

光谱学与光谱分析所有

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

冯帅¹, 许童羽^1,^2,^*, 于丰华^1,², 陈春玲^1,², 杨雪¹, 王念一¹

1. 沈阳农业大学信息与电气工程学院, 辽宁沈阳 110161

2. 沈阳农业大学辽宁省农业信息化工程技术中心, 辽宁沈阳 110161

*通讯联系人 e-mail: yatongmu@163.com

作者简介: 冯帅, 1992年生, 沈阳农业大学信息与电气工程学院博士研究生 e-mail: int_crazy@163.com

收稿日期: 2018-05-08 接受日期: 2018-10-30

基金: 国家“十三五”重点研发计划项目(2016YFD0200600, 2016YFD0200603)资助

摘要

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型, 以水稻小区试验为基础, 获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上, 提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF), 并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法(CARS)选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合, 并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数 R²分别为: DSI( R₈₅₇, R₆₂₃), 0.704; DSI( R₆₇₀, R₅₇₈), 0.786; DSI( R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明: SaDE-ELM建模效果最好, 在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高, 各生长期反演模型的训练集和验证集决定系数 R²均在0.810以上, RMSE均在0.400以下, 可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。

关键词: 水稻; 氮素; 无人机; 高光谱处理; 植被指数; 反演模型

中图分类号:TP79 文献标志码:A

Research of Method for Inverting Nitrogen Content in Canopy Leaves of Japonica Rice in Northeastern China Based on Hyperspectral Remote Sensing of Unmanned Aerial Vehicle

FENG Shuai¹, XU Tong-yu^1,^2,^*, YU Feng-hua^1,², CHEN Chun-ling^1,², YANG Xue¹, WANG Nian-yi¹

1. College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110161, China

2. Liaoning Agricultural Information Technology Center, Shenyang Agricultural University, Shenyang 110161, China

*Corresponding author

Abstract

In order to explore a better hyperspectral inversion model for monitoring nitrogen content in rice canopy leaves by remote sensing, based on rice plot experiments, the canopy height spectral data of rice at different growth stages were obtained. Based on the comprehensive comparison of the first derivative (1-Der), standard normal variable transformation (SNV) and SG smoothing method, a spectral processing method (SNV-FDSGF) combining standard normal variable transformation with SG filtering method of first derivative was proposed. The sensitive bands of different growth stages were screened out by non-information variable - competitive adaptive reweighted sampling method (UVE-CARS). Two sensitive bands of each growth period were randomly combined to construct a difference spectrum index DSI (difference spectral index), a ratio spectral index RSI (ratio vegetation index) and a normalized spectrum index NDSI (normalized defference spectral index) with high correlation with nitrogen content in rice leaves. Among them, the optimal vegetation index and determination coefficient R² at the tillering, jointing and heading stages were: DSI( R₈₅₇, R₆₂₃), 0.704; DSI( R₆₇₀, R₅₇₈), 0.786; DSI( R₉₉₅, R₅₀₈), 0.754. Using the superior three planting indices in each growth period as inputs, the adaptive differential optimization extreme learning machine (SaDE-ELM), radial basis function (RBF-NN) and particle swarm optimization BP neural network (PSO-BPNN) inversion models were constructed respectively. The results showed that SaDE-ELM had the best modeling effect. Compared with RBF-NN and PSO-BPNN, the stability and prediction ability of the model were significantly improved. The determination coefficient R² of training set and verification set of each growth phase inversion model was above 0.810 and RMSE was below 0.400, which could provide certain theoretical basis for quantitative prediction of nitrogen content in rice canopy leaves.

Keyword: Rice; Nitrogen; Unmanned aerial vehicle; Hyperspectral processing; Vegetation index; Inversion model

文章图片

引言

氮素是水稻生长过程中必要元素, 因此对水稻含氮量的检测与评估, 有利于水稻氮素营养检测、长势和水稻产量的预测^[1]。目前, 水稻氮素诊断的方式一般采用稻田间破坏性获取样本和在室内对水稻组织进行化学方法分析。虽然室内检测结果较为精准, 但是该方法消耗大量人力、物力、费时且具有滞后性^{[2, 3]}。因此利用无人机高光谱技术进行水稻含氮量诊断, 能够弥补传统方法的不足。

目前, 随着高光谱技术的快速发展, 国内外学者陆续采用高光谱技术对果蔬^{[4, 5]}、粮食作物^{[6, 7, 8]}的冠层叶片含氮量进行了大量的研究, 并取得了一定的成果。 Yu等^[9]结合水稻冠层数据和环境数据建立了水稻叶片氮素含量反演模型。 Wang等^[10]经研究发现, 采用三波段构建植被指数对水稻冠层叶片含氮量进行估测, 估测效果较为准确。李旭青等^[11]利用改进的随机森林算法进行反演建模, 估测效果较有提升。王仁红等^[12]经研究发现采用新的红边参数对冬小麦氮素含量建立反演模型, 模型精度较高(R²=0.86, RMSE=0.08)。 Inoue等^[13]研究发现740和522 nm的一阶导数值构成的简单指数RSI(D₇₄₀, D₅₂₂)对于农作物冠层含氮量的评估是最准确和鲁棒的。

本工作采用无人机获取水稻冠层不同时期的高光谱数据进行分析, 构建各生长期较优的植被指数以及不同的建模方法对水稻冠层叶片含氮量进行估测, 以望为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。

1 实验部分

1.1 研究区概况

试验区设立在辽宁省沈阳市辽中区卡力玛村院士工作站的水稻培育基地, 位于122° 39'56.05″E, 41° 31'4.51″N。供测试的水稻品种为千重浪1号。试验田各小区占地10亩, 划分为20个小区, 试验小区分布如图1所示。其中, 氮肥处理设置4个水平, 分别为N0(不含氮), N1(50 kg· hm^-2), N2(100 kg· hm^-2), N3(150 kg· hm^-2), 每个小区5个重复, 且随机分布。于2017年6月20日— 8月23日在试验小区共采样多次, 所对应的生长期分别为分蘖期、拔节期和抽穗期。所采集的样本中去除粗大误差, 最终用于水稻叶片氮素含量测定的样本量为170个。

	Figure Option View Download New Window
	图1 试验小区分布图Fig.1 Distribution of experimental plots

1.2 高光谱数据采集

水稻冠层光谱数据采用GaiaSky-mini高光谱成像仪进行获取。光谱范围为400~1 000 nm, 光谱分辨率为2.0 nm。为了获取稳定的水稻冠层高光谱反射率数据, 数据的采集均在天气晴朗、无风或微风时进行, 采集试验时间与地面样本采集日期相同, 飞行时间均在9:00— 14:00。飞行高度设定为50 m, 地面分辨率为2 cm。

采用ENVI软件获取各个小区感兴趣区(ROI)内的平均水稻光谱反射率, 并将其作为该小区的水稻冠层光谱反射率。

1.3 水稻叶片氮素含量测定

在获取水稻冠层高光谱反射率数据的同时, 从每个小区破坏性获取具有代表性水稻植株4株, 带回实验室。首先将各时期的水稻鲜叶放入烘箱, 并于温度为105 ℃内杀青30 min。并在70 ℃的烘箱中将叶片烘干至恒量。称量后将其粉碎, 使用传统的凯氏定氮法检测代表性水稻叶片的含氮量(N, %)。 170个水稻叶片氮素含量统计数据见表1。

表1 水稻叶片氮素含量统计表 Table 1 A statistical table of nitrogen content in rice leaves

1.4 数据分析方法

1.4.1 光谱处理

由于无人机高光谱数据会受到光照不均、风速大小, 背景因素等外界环境的干扰, 本工作为获取更加准确并增加光谱的有效信息, 综合比较三种处理方法的优缺点, 提出一种基于标准正态变量变换(SNV)处理的一阶导数(1-Der)与SG滤波法相结合的光谱处理方法(SNV-FDSGF)。

1.4.2 构建光谱植被指数

为进一步减少模型输入量, 将所有有效样本按水稻生长期分为三组, 分别代表拔节期、分蘖器、抽穗期, 先采用无信息变消除法(UVE)和竞争自适应重加权采样(CARS)相结合的方法对处理过后的光谱数据提取最优敏感波段, 并将三个生长期筛选出的敏感波段两两随机组合构建植被指数, 形成与水稻冠层叶片含氮量的决定系数等势图, 得到较优植被指数。采用的植被指数包括: 差值光谱植被指数(difference spectral index, DSI)、比值光谱植被指数(ratio spectral index, RSI)以及归一化光谱植被指数(normalized defference spectral index, NDSI), 分别定义如下

$DSI (x, y) = x - y$ (1)

$RSI (x, y) = \frac{x}{y}$ (2)

$NDSI (x, y) = \frac{y - x}{y + x}$ (3)

式中x和y分别为400~1 000 nm波段内的敏感波段的光谱反射率(R_i, R_j)。并分析DSI, RSI以及NDSI与水稻叶片含氮量的相关性R²。用以筛选较优的光谱植被指数并将筛选出的各时期较优的三种光谱植被指数与东北粳稻冠层叶片含氮量建立反演模型。

1.4.3 反演建模方法

为提高模型预测精度, 避免样本集选择陷入极值化和局部化, 将三个生长期的有效样本按照Kennard-Stone算法(KS)划分样本的训练集和验证集, 其中分蘖期训练集和验证集个数分别为47和24; 拔节期训练集和验证集个数分别为: 30和16; 抽穗期训练集和验证集个数分别为35和18。采用自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)、粒子群优化的BP神经网络(PSO-BPNN)3种方法建模并进行对比分析, 得到最优的水稻冠层叶片含氮量反演模型。

ELM本身有学习速率快和训练误差小等特点。但由于该神经网络的输入权值和隐含层偏执矩阵均采用随机生成的方式, 经研究发现所建立的反演模型稳定性与泛化能力较差。因此将自适应差分优化算法(SaDE)对ELM进行优化, 利用SaDE所具有的全局搜索性能获取与训练集较好匹配的输入权值与隐含层偏执矩阵, 从而提高ELM的稳定性和泛化能力。具体执行步骤如下:

(1)构建模型的训练集和原始种群, 并设置ELM隐含单元个数N、激励函数g(x)和P个维数的参数向量M_r_,_g(r=1, 2, …, P), 如式(4)所示, 迭代次数为g, w_i和d_i分别为输入层权值和隐层的偏置矩阵, 种群中每一个个体每一维的数值范围为[-1, 1]。

$M_{r, g} = [{w^{T}}_{1, (r, g)}, \dots, {w^{T}}_{N, (r, g)}, d_{1, (r, g)}, \dots, d_{N, (r, g)}]$ (4)

(2)将模型种群中各个个体M_r_,_g通过式(5)算出隐层的输出矩阵, 并将矩阵H由式(6)得出权重β , 并通过式(7)得出每一个种群个体的标准误差(RMSE)。

$H = [\begin{array}{l} g (w_{1, (r, g)} x_{1} + d_{1, (r, g)}) & \dots & g (w_{N, (r, g)} x_{1} + d_{N, (r, g)}) \\ \dots \\ g (w_{1, (r, g)} x_{k} + d_{1, (r, g)}) & \dots & g (w_{N, (r, g)} x_{k} + d_{N, (r, g)}) \end{array}]$ (5)

$β_{r, g} = H_{r, g}^{+} T$ (6)

$RMSE = \sqrt[]{\frac{\overset{k}{\sum_{i = 1}} [\overset{N}{\sum_{j = 1}} ‖ β_{j} g (w_{j, (r, g)} x_{i} + d_{j, (r, g)} - t_{i}) ‖]}{k}}$ (7)

(3)最后随机选取种群中的一个群体, 采用式(8)(r₁, r₂和r₃表示不同个体且互不相同, F代表变异概率)进行变异处理, 得到每个变异的个体v_r_,_g, 再将v_r_,_g和M_r_,_g根据式(9)(CR代表交叉概率, 取值范围[0, 1])进行交叉操作得到u_r_,_g₊₁。并将新得到的u_r_,_g₊₁与M_r_,_g进行对比分析。重复进行g次变异、交叉与对比, 最终计算得出输出权重β , 得到模型。

$v_{r, g} = M_{r 1, g} + F (M_{r 2, g} - M_{r 3, g})$ (8)

$u_{r, i} = \{\begin{array}{l} v_{r, i} & rand i (0, 1) \leq CR or i = rand (1, N) \\ M_{r, i} & other \end{array}$ (9)

2 结果与讨论

2.1 各时期的水稻冠层光谱曲线

分析图2, 在水稻3个时期内, 光谱曲线呈现出较为一致的规律性。在400~500 nm, 反射率呈现为较为平缓的状态; 在500~550 nm后, 反射率表现出慢慢上升的现象, 并在550 nm呈现较为明显的高峰。在556~680 nm反射率缓慢下滑, 在680 nm呈现出较为显著的低谷。进入681~772 nm后三个生长期反射率变化基本一致, 反射率迅速上升。光谱放射率在772 nm形成反射率平台。同时, 在图2两个放大的小图中可以发现, 拔节期和分蘖期的反射率在400~772 nm中呈现多次交叉, 但并没有出现明显差异, 抽穗期反射率在400~772 nm中较相对于其他两个时期。

	Figure Option View Download New Window
	图2 不同生长期水稻冠层原始高光谱反射率Fig.2 Canopy original hyperspectral reflectance at different growth stages

2.2 光谱处理分析

首先采用SNV方法对原始光谱进行处理, 其具有消除高光谱获取过程中产生的水稻冠层散射与光程变化对光谱的影响的优点。多次处理发现, SNV处理过后的光谱产生了一些反射光谱的基线漂移, 对光谱数据产生了一定影响。因此将处理过后的光谱数据进行一阶导数变换处理, 该处理方法能够较为有效地消除基线漂移旋转, 提高了光谱的分辨率与灵敏度。最后采用SG滤波法对数据处理。图3为SNV-FDSGF处理后水稻冠层的反射光谱。

	Figure Option View Download New Window
	图3 SNV-FDSGF处理后水稻冠层的反射光谱Fig.3 Reflectance spectra of rice canopy after SNV-FDSGF treatment

将所获取的全部光谱数据采用4种处理方法进行处理, 并将得到的处理结果作为PLSR模型的输入, 实测水稻叶片氮素含量作为输出, 利用交叉验证法将模型调整至最佳, 按不同生长期和不同处理方法建立水稻冠层氮素含量的定量预测模型, 所建模型的预测结果如表2所示。

表2 3个时期光谱数据的4种处理方法建模结果 Table 2 Modeling results of four processing methods for spectral data of three periods

由表2可得, 通过对比经四种处理和未经处理的PLSR建模结果, 发现未经处理的原始数据建模效果较差, 决定系数R²较低, RMSE较高; 经SNV-FDSGF处理后的PLSR反演结果与其他处理方法反演效果相比较优, 建模集和预测集角决定系数R²高于0.58, RMSE低于0.40。

2.3 植被指数与水稻叶片的含氮量相关性

将经SNV-FDSGF处理后的水稻3个生长期光谱数据进行UVE与CARS相结合获取较优的敏感波段, 分别将3个生长期(分蘖期、拔节期和抽穗期)的光谱波段由300个分别降低为24个、 28个和31个, 明显降低了数据维度。

同时, 为进一步减少模型输入变量个数, 提高建模效率与精度, 将3个生长期内任意两个敏感波段组合构成NDSI(R_i, R_j), RSI(R_i, R_j)和DSI(R_i, R_j)。图4(a, b, c)和图5(a, b)分别代表水稻三个不同时期的植被指数与水稻冠层叶片含氮量的R²等势图。

	Figure Option View Download New Window
	图4 水稻分蘖期植被指数与叶片含氮量的R²等势图 (a): 分蘖期NDSI(R_i, R_j); (b): 分蘖期RSI(R_i, R_j); (c): 分蘖期DSI(R_i, R_j)Fig.4 Contour of R² between vegetation index and nitrogen content of rice canopy during tillering stage (a):Tillering stage NDSI(R_i, R_j); (b): Tillering stage RSI(R_i, R_j); (c): Tillering stage DSI(R_i, R_j)

	Figure Option View Download New Window
	图5 水稻拔节期和抽穗期DSI与叶片含氮量的R²等势图 (a): 拔节期DSI(R_i, R_j); (b): 抽穗期DSI(R_i, R_j)Fig.5 Contour of R² between DSI at jointing stage and heading stage and nitrogen content of rice canopy leaf (a): Jointing stage DSI(R_i, R_j); (b): Heading stage DSI(R_i, R_j)

从图4中可知, 对于分蘖期NDSI植被指数[图4(a)]而言, 在第8(623 nm)波段与第14(737 nm)到17波段(772 nm)的波段组合的NDSI最佳, 决定系数R²达到0.60以上, 其中相关性最好的波段组合为NDSI(R₇₃₇, R₆₂₃), R²为0.684。在分蘖期RSI指数[图4(b)]中, 最优的波段组合同样出现在第8(623 nm)波段与第14(737 nm)到17波段(772 nm)之中, 但是植被指数与叶片含氮量的相关性R²具有略微的提高, 最优的植被指数为RSI(R₇₄₅, R₆₂₃), 决定系数R²为0.689。在分蘖期DSI指数中[图4(c)], 每个特征波段间的组合与叶片氮素含量的相关性比其他两个植被指数均较高, 最佳特征波段范围为第7(598 nm)到8波段(623 nm)与第16(759 nm)到22波段(857 nm)之间, 其中DSI(R₈₅₇, R₆₂₃)与叶片氮素含量的相关性最好, R²为0.704。

同理, 由图5可判断, 拔节期与抽穗期的三种较优的植被指数与水稻叶片含氮量的相关性R²均在0.69以上, 其中拔节期和抽穗期较优NDSI(R_i, R_j)和RSI(R_i, R_j)指数分别为NDSI(R₇₆₇, R₅₀₄), RSI(R₇₆₇, R₅₀₀)和NDSI(R₆₆₇, R₅₉₇), RSI(R₅₈₇, R₄₃₁), 决定系数分别为0.770, 0.771和0.738, 0.752, 但DSI(R_i, R_j)与水稻叶片氮素含量的相关性相比较低, 因此本文仅列出拔节期和抽穗期的DSI(R_i, R_j)与叶片氮素含量的决定系数等势图[图5(a)和(b)]。由图5可知, 拔节期植被指数DSI(R₆₇₀, R₅₇₈)的决定系数R²为0.786, 抽穗期植被指数DSI(R₉₉₅, R₅₀₈)的决定系数R²为0.754。

2.4 自适应差分优化的极限学习机反演模型

分别将水稻各个生长期较优的三种植被指数作为模型的输入变量, 水稻叶片氮素含量作为模型的输出变量, 建立基于自适应差分极限学习机(SaDE-ELM)水稻冠层叶片氮素含量反演模型。经反复测试确定SaDE-ELM的参数为: 激活函数g(x)=sigmoid, 交叉概率CR=0.8, 变异因子F=0.5。水稻3种不同生长期建模结果如图6(a, b, c)所示。

	Figure Option View Download New Window
	图6 基于水稻三种生长期的SaDE-ELM反演模型验证图 (a): 分蘖期; (b): 拔节期; (c): 抽穗期Fig.6 Verification diagram of SaDE-ELM inversion model based on three growth stages of rice (a): Tillering stage; (b): Jointing stage; (c): Heading stage

由图6可知, 采用SaDE-ELM反演建模中, 水稻的3个生长期反演建模效果均较好, 训练集与验证集的R²均在0.81以上, RMSE均低于0.40。其中, 采用水稻拔节期数据建立的SaDE-ELM模型效果最好, 训练集与验证集的R²为0.865和0.839, RMSE为0.189和0.211, 拔节期训练集和验证集的R²与RMSE相差不大, 模型的稳定性与预测能力较高。在水稻抽穗期, 训练集与验证集的R²分别为0.839和0.832, RMSE分别为0.201和0.178, 建模效果仅次于拔节期。而在分蘖期, 建模效果相比上述两个时期较差, 训练集的R²与RMSE为0.850和0.269, 验证集的R²与RMSE为0.810和0.386。由此可见, SaDE-ELM对水稻三个生长期冠层叶片含氮量预测的建模效果较好, 提高了模型的稳定性和预测能力。

2.5 与其他反演模型比较

将本文反演模型与其他两种比较好的反演模型: RBF-NN和PSO-BPNN进行对比分析, 建模效果如图7和图8所示。两个模型均采用每个生长期较优的三种植被指数作为输入变量并通过数据整理, 参数调整等达到最优模型反演状态。由图7和图8可得, RBF-NN反演模型和PSO-BPNN反演模型对水稻冠层叶片含氮量的预测效果较好。训练集和预测集的R²高达0.70以上, RMSE均低于0.50。但与SaDE-ELM方法比较, SaDE-ELM反演模型决定系数R²最高, RMSE低于其他两种模型。经对比分析得出采用SaDE-ELM建模的预测能力和模型稳定性均要优于其他两种方法所建立的反演模型。

	Figure Option View Download New Window
	图7 基于水稻3种生长期的PSO-BPNN反演模型验证图 (a): 分蘖期; (b): 拔节期; (c): 抽穗期Fig.7 Verification diagram of PSO-BPNN inversion model based on three growth stages of rice (a): Tillering stage; (b): Jointing stage; (c): Heading stage

	Figure Option View Download New Window
	图8 基于水稻3种生长期的RBF-NN反演模型验证图 (a): 分蘖期; (b): 拔节期; (c): 抽穗期Fig.8 Verification diagram of RBF-NN inversion model based on three growth stages of rice (a): Tillering stage; (b): Jointing stage; (c): Heading stage

本工作采用机载高光谱摄像机获取田间水稻3个生长期的高光谱图像, 使用ENVI软件选取感兴趣区域并进行光谱提取。首先对水稻的3中生长期光谱数据进行1-Der, SNV, SNV-FDSGF和SG滤波法等4种不同的处理, 同时, 使用PLSR构建叶片含氮量反演模型, 经分析确定SNV-FDSGF方法效果最优。同时, 为了降低冗余信息, 提高建模效率与精度, 采用UVE与CARS方法筛选敏感波段, 并构建归一化植被指数等光谱植被指数。在使用较优的光谱植被指数构建与东北粳稻冠层叶片含氮量建立反演模型时, 分别采用径向基神经网络、粒子群优化BP神经网络和自适应差分优化极限学习机等3种方法建立模型, 经验证, 所建立的反演模型获得了较好的预测效果, 能为实时、快速、无损和准确监测水稻冠层叶片含氮量提供了一种新的方法。

本研究中还存在一定的不足之处。如更多考虑单一水稻品种、无人机飞行高度等因素下对反演的影响。而在后续研究中, 将更进一步对不同水稻品种、无人机飞行高度、植株形态密度以及叶面积指数等影响因素进行建模分析, 以确保能够得出更加充分地建立水稻冠层氮素含量反演模型。

4 结论

采用光谱处理技术分析水稻冠层叶片的光谱特点, 探究了4种的处理方法的数据处理能力, 并采用UVE-CARS方法筛选各生长期水稻敏感波段并构建3种光谱植被指数, 建立多种反演模型。研究结果表明:

(1)根据不同的光谱处理方法对数据进行处理并构建PLSR估测模型, 研究表明SNV-FDSGF处理方法是一种较为有效的数据处理方法, 能够有效地消除或降低光照等外界环境因素的影响, 提高了建模效率与精度。

(2)采用UVE与CARS相结合的方法筛选特征波段, 并构建水稻生长各时期的植被指数与水稻冠层叶片含氮量的R²等势图。其中分蘖、拔节和抽穗3个时期的最佳植被指数和决定系数R²分别为: DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。

(3)每个生长期分别采用3种较优的植被指数进行反演建模, 对比发现, SaDE-ELM模型优于RFB和PSO-BP模型, 原因在于SaDE-ELM构建的反演模型能够更加极限地接近非线性函数, 具有较好的泛化能力和更快的学习速率。在3个生长期的SaDE-ELM反演模型中训练集与验证集的R²均在0.81以上, RMSE均低于0.40。

参考文献

文献列表

[1]	CHEN Yong-zhe, FU Bo-jie, FENG Xiao-ming(陈永喆, 傅伯杰, 冯晓明). Acta Ecologica Sinica(生态学报), 2017, 37(18): 6240. [本文引用:1]
[2]	QIN Zhan-fei, CHANG Qing-rui, XIE Bao-ni, et al(秦占飞, 常庆瑞, 谢宝妮, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(23): 77. [本文引用:1]
[3]	WANG Shu-wen, ZHAO Yue, WANG Li-feng, et al(王树文, 赵越, 王丽凤, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(20): 187. [本文引用:1]
[4]	Tyler J Nigon, David J Mulla, Carl J Rosen, et al. Computers& Electronics in Agriculture, 2015, 112(C): 36. [本文引用:1]
[5]	LI Lan-tao, MA Yi, WEI Quan-quan, et al(李岚涛, 马驿, 魏全全, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(20): 147. [本文引用:1]
[6]	YANG Bao-hua, CHEN Jian-lin, CHEN Lin-hai, et al(杨宝华, 陈建林, 陈林海, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(22): 176. [本文引用:1]
[7]	LI Fen-ling, CHANG Qing-rui(李粉玲, 常庆瑞). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2017, 48(7): 174. [本文引用:1]
[8]	Martin L Gnyp, Yuxin Miao, Fei Yuan, et al. Field Crops Research, 2014, 155(155): 42. [本文引用:1]
[9]	Yu F H, Xu T Y, Cao Y L, at al. Int. J. Agric. & Biol. Eng. , 2016, 9(5): 132. [本文引用:1]
[10]	Wang Wei, Yao Xia, Yao Xinfeng, et al. Field Crops Research, 2012, 129(384): 90. [本文引用:1]
[11]	LI Xu-qing, LIU Xiang-nan, LIU Mei-ling, et al(李旭青, 刘湘南, 刘美玲, 等). Journal of Remote Sensing(遥感学报), 2014, 18(4): 923. [本文引用:1]
[12]	WANG Ren-hong, SONG Xiao-yu, LI Zhen-hai, et al(王仁红, 宋晓宇, 李振海, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(19): 191. [本文引用:1]
[13]	Yoshio Inoue, Eiji Sakaiya, Yan Zhu, et al. Remote Sensing of Encironment, 2012, 126(6829): 210. [本文引用:1]

2017

0.0

CHEN

Yong-zhe

, FU

Bo-jie

, FENG

Xiao-ming

(陈永喆, 傅伯杰, 冯晓明). Acta Ecologica Sinica(生态学报), 2017, 37(18): 6240.

Vegetation nitrogen content is an important indicator of vegetation growth, which plays an important role in fields of ecosystem monitoring including ecosystem health, net primary ecosystem, the disturbance of ecosystem, as well as in the precision agriculture management.Remote sensing inversion of vegetation nitrogen content currently relies on the hyperspectral/multispectral data. The inversion methods can be categorized into that based onvegetation indices, regression analysis (e.g. partial least squares regression) and radiation transfer models separately. Current satellite-based inversion of vegetation nitrogen content is limited to a small area, uniformed in species of vegetation and the environmental condition (e.g. climatecondition, topography et al). As a result, the inversion works poor for complex ecosystems. In order to meet the requirements of increasingly meaningful research projects such as global nitrogen deposition and the response of ecosystems to human activities, current methods of vegetation nitrogen content inversion need further development. It may be a potential solution to carry out research on the standardization of vegetation spectrum of different types of plants, as well as under different environmental conditions to generate more general or even universal inversion methods of vegetation nitrogen content. On the other hand, comprehensive utilization of multiple data from various sources (e.g. microwave remote sensing and unmanned aerial vehicle remote sensing data) will be an alternative solution to multi-scale simultaneous monitoring, which helps to improve remote sensing's routine monitoring capability of regional and worldwide vegetation nitrogen content.

植被含氮量表征植被氮素状态。它作为植被生长状况的重要指标，在生态系统健康状况检测、生态系统生产估测、精准农业、生态系统干扰评估等方面均有重要意义。遥感监测植被含氮量主要基于高光谱和多光谱数据，采用的算法包括经验方法（波谱指数与回归分析）及物理方法（辐射传输模型法）。但受数据源和研究方法的局限，目前植被氮含量遥感监测局限于区域范围较小且内部植被类型与环境条件（气候、地形等）基本一致的情形，而对复杂生态系统的监测能力不足。未来的研究需针对氮沉降和人类活动的生态系统响应这一重大研究需求，发展和改进现有植被含氮量遥感反演方法。可考虑开展对不同环境条件下、不同类型植被光谱曲线进行标准化的研究，以形成普适的植被含氮量反演方法。并考虑综合运用多种数据（如微波遥感、无人机遥感），形成多尺度同步监测，以提高遥感对区域乃至全球范围内植被氮含量常规监测的能力。

... 引言氮素是水稻生长过程中必要元素, 因此对水稻含氮量的检测与评估, 有利于水稻氮素营养检测、长势和水稻产量的预测^[1] ...

2016

0.0

QIN

Zhan-fei

, CHANG

Qing-rui

, XIE

Bao-ni

, et al(秦占飞, 常庆瑞, 谢宝妮, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(23): 77.

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法，该文依托不同氮素水平水稻试验，基于成像高光谱数据和无人机高光谱影像，综合运用统计分析及遥感参数成图技术，对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明，以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数（ratio spectral index，RSI）构建的线性模型为水稻叶片全氮含量的最优估测模型（检验R2为0.673，均方根误差为0.329，相对分析误差为2.02）；无人机高光谱影像反演的水稻叶片全氮含量分布范围（1.28%～2.56%）与地面实际情况较相符（1.34%～2.49%）。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。

... 虽然室内检测结果较为精准, 但是该方法消耗大量人力、物力、费时且具有滞后性^[2,3] ...

2016

0.0

WANG

Shu-wen

, ZHAO

Yue

, WANG

Li-feng

, et al(王树文, 赵越, 王丽凤, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(20): 187.

为快速、无损和准确地诊断水稻营养状况，开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象，利用高光谱成像技术，分析拔节期水稻叶片光谱，采用全波段高光谱数据、连续投影算法及分段主成分分析（segmented principal components analysis，SPCA）与相关分析（correlation analysis，CA）相结合的方法建立多种回归分析模型，并对模型进行检验和筛选。结果表明：随着施氮水平提高，水稻叶片反射率在可见光区域降低，在近红外区域升高。在校正集决定系数上，基于多元逐步回归分析的全波段模型较好，校正集决定系数为0.821，校正集均方根误差RMSEC=0.079；在预测集决定系数上，基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好，预测集决定系数为0.869，预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。

... 虽然室内检测结果较为精准, 但是该方法消耗大量人力、物力、费时且具有滞后性^[2,3] ...

2015

0.0

... 目前, 随着高光谱技术的快速发展, 国内外学者陆续采用高光谱技术对果蔬^[4,5]、粮食作物^[6,7,8]的冠层叶片含氮量进行了大量的研究, 并取得了一定的成果 ...

2015

0.0

Lan-tao

, MA

, WEI

Quan-quan

, et al(李岚涛, 马驿, 魏全全, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(20): 147.

为无损和定量研究高光谱技术在冬油菜植株氮素积累量（PNA, plant nitrogen accumulation）时空变化监测的适宜性及准确性，该文以两年田间氮肥水平试验为基础，采用单变量线性和非线性回归方法，建立基于特征光谱参数的冬油菜P NA高光谱估算模型。结果表明，采用比值光谱的方法可显著提高冬油菜冠层光谱反射率与PNA间的相关性，其最佳的波段组合为1 259 nm与492 nm处光谱反射率比值（R1259/R492），决定系数R2为0.85。高光谱参数间，以比值植被指数（RVI-5）、归一化光谱指数（NDSI）、线性内插法红边位置（REIP）、三角植被指数（TVI）、742 nm处一阶微分光谱值（FD742）和红边面积（SDR）等光谱参数与PNA相关性较好（平均R2和标准误SE分别为0.69和42.70），且以FD742表现最优（R2=0.79，SE=35.66）。精度分析结果显示，以光谱参数R1259/R492和FD742为自变量的指数方程模型作为高光谱监测油菜PNA的最佳模型，各生育期Noise Equivalent（NE）均较低且表现稳定，同时模型估测精度较高，R2分别为0.98和0.98，相对均方根误差RRMSE分别为0.73和0.72，相对误差MRE分别为14.42%和10.31%。该方法为快捷和精确评估冬油菜PNA提供了新的研究思路。

2015

0.0

YANG

Bao-hua

, CHEN

Jian-lin

, CHEN

Lin-hai

, et al(杨宝华, 陈建林, 陈林海, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(22): 176.

为提高小麦冠层叶片氮素含量检测精度，在不同生育时期对5种不同氮素水平的小麦试验田进行光谱采集，获取了234个范围为350～2 500 nm的高光谱数据。在比较蒙特卡洛－无信息变量消除（monte carlo-uninformative variable elimination，MC-UVE）、随机青蛙（random frog）、竞争自适应重加权采样（competitive adaptive reweighted sampling，CARS）及移动窗口偏最小二乘法的波段选择等方法的基础上，提出一种竞争性自适应重加权算法与相关系数法相结合的敏感波段选择方法，并从2151个原始波段中选出了30个敏感波段。用筛选后的30个波段数据建立非线性回归模型，得到了径向基神经网络模型校正集均方根误差为0.3699，预测集均方根误差为1.074e-009，校正决定系数为0.9832，预测决定系数为0.9982。试验结果表明：经过竞争自适应重加权采样的相关分析后所建立的径向基神经网络预测模型，无论是预测精度还是建模精度，比误差后向传播（back propagation，BP）神经网络和支持向量回归模型相比都有了显著提高，该方法在小麦氮含量预测过程中具有明显的优势，可在实际生产中应用。

2017

0.0

2014

0.0

2016

0.0

... Yu等^[9]结合水稻冠层数据和环境数据建立了水稻叶片氮素含量反演模型 ...

2012

0.0

... Wang等^[10]经研究发现, 采用三波段构建植被指数对水稻冠层叶片含氮量进行估测, 估测效果较为准确 ...

2014

0.0

Xu-qing

, LIU

Xiang-nan

, LIU

Mei-ling

, et al(李旭青, 刘湘南, 刘美玲, 等). Journal of Remote Sensing(遥感学报), 2014, 18(4): 923.

Canopy Nitrogen Concentration (CNC) is a key indicator of crop yields. It is feasible to establish a real-time regional model to estimate CNC by upscaling the field-scale spectral model. This study focuses on monitoring the CNC in rice on a large scale in real-time. The Random Forest (RF) algorithm is used to establish the CNC spectral inversion model, and some vegetation indexes that are sensitive to nitrogen were selected as input parameters for the RF. CNC was selected as an output parameter. The hyperspectral and biochemical data were collected in a paddy in Changchun City, Jilin Province, China, and the data in Suzhou was used to test the model's universality and effectiveness. Two regional-scale models were developed by applying scale transformation based on the input and output variables respectively. The results show that the RFCNC model (CNC spectral inversion model based on the RF algorithm) performed accurately and significantly improved upon existing methods. R, used to validate method accuracy in Changchun and Suzhou, was 0.82 and 0.73 respectively. The regional application accuracy increased (R=0.81) through the two upscaling methods using hyperspectral remote sensing satellite images. This study suggests that this method is promising for estimating regional CNC in rice by upscaling a field-scale spectral model if the strategy is appropriately selected.

利用地面实测数据构建高精度的水稻冠层氮素含量光谱反演点模型并将其进行尺度转换，实现了水稻冠层氮素含量准实时、大区域监测。以氮素光谱敏感指数作为输入变量，冠层氮素含量数据为输出变量，利用随机森林算法构建水稻冠层氮素含量高光谱反演模型，并用苏州市水稻农田验证区数据，检验模型的普适性和有效性；利用准同步的Hyperion数据，采用对输入、输出变量进行线性变换的简单尺度转换方法实现了点模型的区域应用。结果表明：基于随机森林算法的水稻冠层氮素含量高光谱反演模型可解释、所需样本少、不会过拟合、精度高（模型在实验区的预测精度为R=0.82，验证区检验精度为R=0.73）且具有普适性；点模型基于高光谱遥感卫星影像和尺度转换进行区域应用，精度较高（R=0.81）。

... 李旭青等^[11]利用改进的随机森林算法进行反演建模, 估测效果较有提升 ...

2014

0.0

WANG

Ren-hong

, SONG

Xiao-yu

, LI

Zhen-hai

, et al(王仁红, 宋晓宇, 李振海, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(19): 191.

为了准确定量诊断氮素状况，为施肥和产量、品质的估测提供参考，该文通过设置不同氮素水平和品种类型的冬小麦田间试验，分析孕穗至灌浆初期不同光谱参数在小麦氮素营养状况监测上的差异，筛选叶片氮素含量和冠层氮素密度反演效果较好的参数，建立其与氮营养指数（NNI，nitrogen nutrition index）的经验模型。研究表明，线性内插法红边位置（REPLI）、修正红边单比指数（mSR705）、比值指数（RI-1dB）、简单比值色素指数（SRPI）、红边指数（VOG）等光谱参数与氮素营养指标具有良好的相关性(r>0.85)，且不受生育期影响，可用来反演评价冠层氮素营养状况；研究对筛选的光谱参数与各氮素指标进行回归建模，并用独立试验数据对所建模型进行验证，结果显示，REPLI在氮营养指数估测方面表现较好(r=0.93)，估测模型精度较高（决定系数R2=0.86，均方根误差RMSE = 0.08）。NNI在氮素营养状况诊断方面有一定的优势，通过高光谱反演氮营养指数进行氮素营养状态的定性定量诊断有一定的可行性。

... 王仁红等^[12]经研究发现采用新的红边参数对冬小麦氮素含量建立反演模型, 模型精度较高(R²=0 ...

2012

0.0

... Inoue等^[13]研究发现740和522 nm的一阶导数值构成的简单指数RSI(D₇₄₀, D₅₂₂)对于农作物冠层含氮量的评估是最准确和鲁棒的 ...