研究区位于北京市昌平区小汤山镇国家精准农业示范基地(40° 10'11″N, 116° 26'27″E), 该地区属于温带大陆性季风气候, 全年的降水主要集中在夏季。 为模拟不同条件下小麦的氮营养状况, 设置4种氮素水平, 2个小麦品种, 3种水分处理, 氮肥处理主要包括不施氮N1(0 kg· hm^-2)、 正常氮的1/2 N2(195 kg· hm^-2)、 正常氮N3(390 kg· hm^-2)和正常氮的3/2 N4(585 kg· hm^-2), 品种主要包括J9843和ZM175, J9843是一种冬性、 中早熟小麦, 该品种叶片展开, 蛋白质含量高, ZM175属弱冬性中早熟品种, 该品种叶片直立, 蛋白质含量低。 水分处理主要包括仅靠雨水(W1, 0 mm), 正常水(W2, 100 mm)以及两倍正常水(W3, 200 mm), 共48个小区, 每种处理设置3个重复, 重复1和重复2建模, 重复3进行验证。 如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 试验设计 注: (1)品种: ZM175、 J9843; (2)水分: W1: 0 mm; W2: 100 mm; W3: 200 mm; (3)施氮量: N1(0 kg· hm-2); N2(195 kg· hm-2); N3(390 kg· hm-2); N4(585 kg· hm-2)Fig.1 Experimental design Note: (1) Variety: ZM175, J9843; (2) Moisture: W1: 0 mm; W2: 100 mm; W3: 200 mm; (3) Nitrogen rate: N1(0 kg· hm-2); N2(195 kg· hm-2); N3(390 kg· hm-2); N4(585 kg· hm-2)

1.2.1 无人机数据获取

试验选用八旋翼无人机, 无人机载重6 kg, 续航时间15~20 min。 选择天空晴朗少云、 无风、 时间在11:30— 13:30之间进行飞行, 飞行高度50 m。 携带的DSC— QX100数码相机和UHD185高光谱相机传感器的参数见表1所示。 DSC— QX100数码相机包含红光波段(700 nm)、 绿光波段(550 nm)和蓝光(470 nm)。 UHD185成像光谱仪包含从可见光到近红外波段; 采样间隔4 nm, 125个通道。 每次飞行前, 需要利用地面白板进行定标。 获取影像后, 需要对影像进行预处理。 数码影像处理主要利用俄罗斯Agisoft LLC公司Agisoft PhotoScan Professional软件进行拼接。 首先将无人机POS数据和数码影像导入软件中, 利用GPS获取的地面控制点坐标生成密集点云, 建立格网, 生成纹理, 最后生成冬小麦的数字表面模型(digital surface model, DSM)和数字正射影像(digital orthophoto map, DOM)。 高光谱影像的预处理主要包括拼接、 校正、 融合和光谱提取。 首先利用德国Cuber公司生产的Cuber-Pilot软件融合光谱立方体和全色JPG图像, 生成融合后的高空间和高光谱分辨率, 然后利用Agisoft PhotoScan软件结合地面控制点完成高光谱影像的拼接和校正, 利用IDL程序提取每个小区感兴趣的平均光谱反射率, 将平均光谱反射率作为不同小区的冠层光谱反射率。

表1

Table 1

表1(Table 1)

表1 传感器 Table 1 Sensor parameters 数码相机传感器 参数值 高光谱传感器 参数值 类型 CMOS 型号 UHD185 镜头 FOV84° 尺寸/(mm× mm× mm) 195× 67× 60 快门速度/s 8~1/8 000 相机质量/g 470 有效像素/万 2 000 波谱范围/nm 450~950 对焦距离/自动 1m~无穷远 采样间隔/nm 4 照片尺寸 4 864× 3 648 光谱分辨率/nm 8

表1 传感器 Table 1 Sensor parameters

1.2.2 农学参数获取

试验分别在冬小麦挑旗期(2015年4月26日)、 开花期(2015年5月13日)和灌浆期(2015年5月22日)三个生育期开展。 在各小区选取能代表小区长势水平的30株冬小麦作为样本, 放入带有标号的密封袋并迅速带回实验室。 在实验室进行茎叶穗分离, 称重后105 ℃下杀青30 min, 再将温度调至80 ℃烘干至恒质量, 将称重后的茎叶穗干重进行相加, 根据种植密度换算成单位面积的冬小麦地上生物量。 随后将样品研磨粉碎, 通过凯氏定氮仪测定氮含量。

氮营养指数^[9]是指作物地上部植株实际的氮浓度与临界氮浓度的比值, 用来判定作物体内氮营养状况, 如式(1)所示

NNI=N%/Nc(1)

式(1)中, N%为地上部植株氮浓度, Nc为临界氮浓度。 若NNI=1, 表明作物氮素营养水平处于最佳状态, 高于1为氮营养过剩, 低于1则氮营养不足; 其中, 临界氮浓度^[10](Nc)为作物地上干物质达到最大生长速率所需要的最低氮浓度, 如式(2)所示

Nc=5.35×W-0.442(2)

式(2)中, W为地上部生物量。

基于前人研究成果中与氮营养指数密切相关的差值、 比值、 非线性等多种类型植被指数, 选用了五类参数: 植被指数、 红边参数、 红边指数、 三波段参数、 颜色指数, 共计35个, 具体见表2。 r、 g和b分别代表归一化后的红光波段R、 绿光波段G和蓝光波段B, 归一化公式如式(3)— 式(5)。

r=R/(R+G+B)(3)

g=G/(R+G+B)(4)

b=B/(R+G+B)(5)

表2

Table 2

表2(Table 2)

表2 高光谱参数和颜色指数 Table 2 Hyperspectral parameters and color index 类别 参数 公式 文献 植被指数 NIR/G R782/R550 [11] 植物生化指数PBI R810/R562 [11] 叶绿素植被指数CIgreen R840/R560 [12] 绿波段优化土壤调节植被指数GOSAVI 1.16× (R800-R530)/0.16+R800+R530 [12] 绿波段土壤调节植被指数GSAVI 1.5× [(R800-R530)/(R800+R530+0.5)] [12] 绿波段复归一化植被指数GRDVI $\left(R_{800}-R_{530}\right) / \sqrt{R_{800}+R_{530}}$ [12] 绿波段比值植被指数GRVI R802/R530 [13] 红边参数 双峰面积差异指数DIDRmid ∫718760dRλdλdλ-∫680718dRλdλdλ [14] 右侧峰值面积RSDRmid ∫718760dRλdλdλ [14] 双峰面积比例指数RIDRmid ∫718760dRλdλdλ/∫680718dRλdλdλ [14] 双峰面积归一化差值指数NDDRmid ∫718760dRλdλdλ-∫680718dRλdλdλ/∫680760dRλdλdλ [14] 双差分指数DDI ∫720749dRλdλdλ-∫672701dRλdλdλ [14] 红边位置REP内插 700+40× [(R670+R780)/2-R700]/(R740-R700) [15] R-M红边边缘模型指数 R752/R720-1 [15] 红边指数 红边差值植被指数REDVI R800-R722 [16] 红边土壤调节植被指数RESAVI 1.5× [(R800-Re)/(R800+Re+0.5)] [16] 红边优化土壤调节植被指数REOSAVI 1.16× (R800-Re)/0.16+R800+Re [16] RVI1 R754/R706 [11] RVI2 R750/R705 [11] RVI3 R782/R702 [11] RERVI R782/R670 [16] 三波段参数 RVI4 (R780-R710)/(R780-R680) [11] RVI5 (R850-R710)/(R850-R680) [11] 增强植被指数EVI 2.5× (R800-R670)/(R800+6R670-7.5R470+1) [17] 修正三角形植被指数MTVI1 1.2× [1.2(R800-R550)-2.5× (R670-R550)] [17] RVI6 R860/(R550× R708) [11] 修正叶绿素吸收反射率植被指数MCARI [R730-R650-0.2× (R730-R560)]× R730/R650 [18] 三角植被指数TVI 0.5× [120× (R750-R550)-200× (R670-R550)] [19] 颜色指数 归一化红-蓝差值指数NRBDI (r-b)/(r+b) [19] r-b r-b [19] (r-g-b)/(r+g) (r-g-b)/(r+g) [19] r/b r/b [19] 红光标准化值NRI R/(R+G+B) [19] r+b r+b [19] 可见光大气阻抗指数VARI (g-r)/(g+r-b) [19] 注: Rλ 表示波长在λ nm处的光谱反射率; B表示蓝光波段、 G表示绿光波段、 R表示红光波段、 Nir表示近红外波段、 Re表示红边波段 Note: Rλ represents spectral reflectance at the wavelength of λ nm; B represents the blueband, G represents the green band, R represents the redband, Nir represents the near infrared band, and Re represents the red-edge band

表2 高光谱参数和颜色指数 Table 2 Hyperspectral parameters and color index

采用PLSR、 RF、 SWR和BP算法对冬小麦氮营养特性进行监测。 PLSR^[4]是一种新型的多变量回归分析方法, 可以同时实现回归建模、 简化数据结构和分析两组变量间的相关性, 给多元数据统计分析带来极大便利。 RF^[4]是通过自助重采样, 从原始的训练样本中有放回地随机采样构建决策树进行分类预测的一种算法, 具有很好的抗过拟合能力和抗噪声能力。 SWR^[6]是一种从众多自变量中筛选出对因变量影响显著的变量的统计方法。 BP^[7]算法是一种有监督式的学习算法, 基本思想是: 若利用已有权重和阈值正向传播得不到期望的输出, 则反向传播反复修改(迭代)各节点的权重和阈值, 逐步减小代价函数, 直到达到预先设定的要求。 数据分析在SPSS27.0、 MATLAB2022和MicrosoftExcel2016中进行。 数据流程如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 数据流程图Fig.2 Data flow diagram

选取决定系数(R²)和均方根误差(RMSE)作为模型预测的指标。 R²可以反映模型拟合能力, RMSE是评价预测模型性能的一个重要标准。 R²值越大, RMSE值越小, 说明模型的预测效果越好, 与实际数据的吻合度越高。 计算公式为

R2=∑i=1n(xi-yi)2∑i=1n(xi-x-)2(6)

$\text { RMSE }=\sqrt{\frac{\sum_{i=1}^{n}\left(y_{i}-x_{i}\right)^{2}}{n}}$ (7)

式(6)和式(7)中, x_i为作物实测值, y_i为作物估算值, x-为作物实测平均值, n为作物样本数。

高光谱参数及颜色指数和氮营养指数的相关性如图3所示。 可以看出, 高光谱参数与氮营养指数都达到了极显著正相关(p< 0.01), 颜色指数r+b和VARI与氮营养指数呈极显著正相关(p< 0.01), 其他颜色指数与氮营养指数呈极显著负相关(p< 0.01)。 高光谱植被指数、 红边参数和红边指数与氮营养指数的相关性优于颜色指数和三波段参数与氮营养指数的相关性。 其中红边参数中的双峰面积差异指数DIDRmid与氮营养指数的相关性绝对值最高, 其值是0.79, 三波段参数中的三角植被指数TVI与氮营养指数的相关性绝对值最差, 其值是0.59。 植被指数与氮营养指数的相关系数绝对值介于0.72~0.75之间; 红边参数的相关系数绝对值介于0.67~0.79; 红边指数的相关系数绝对值介于0.73~0.78; 三波段参数的相关系数绝对值介于0.59~0.71; 颜色指数的相关系数绝对值介于0.63~0.67, 其中红边参数的相关性波段范围较大。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 光谱参数与NNI的相关性Fig.3 The correlation between spectral parameters and NNI

根据不同高光谱参数和颜色指数与NNI的相关性结果可知, 高光谱参数REDVI、 NIR/G、 DIDRmid、 RVI4和颜色指数(r-g-b)/(r+g)与NNI均呈现较高的相关性, 选取这些高光谱参数和颜色指数进行单变量的NNI遥感模型反演, 结果见表3。 由表3可知, 以红边参数DIDRmid构建的反演模型效果最好(建模R²=0.66, RMSE=0.11%, 验证R²=0.55, RMSE=0.13%), 颜色指数构建的反演模型效果最差(建模R²=0.45, RMSE=0.14%, 验证R²=0.39, RMSE=0.14%), 但其作为补充性参数, 以单变量建模, 还未实现参数之间的信息互补, 所以颜色指数在估算氮营养指数上, 仍具有很大的上升空间。 基于DIDRmid参数和颜色指数(r-g-b)/(r+g)的NNI建模与验证结果见图4。 从图4可以看出, 建模与验证的实测与预测NNI值均匀的分布在1∶ 1线附近, 用DIDRmid可以很好的监测作物氮营养情况。

表3

Table 3

表3(Table 3)

表3 基于单变量的冬小麦NNI估算结果 Table 3 Estimation results of winter wheat NNI based on univariate analysis 方法 参数 建模(n=96) 验证(n=48) R2 RMSE/% R2 RMSE/% 一元线性 REDVI 0.62 0.12 0.55 0.13 NIR/G 0.57 0.12 0.54 0.13 DIDRmid 0.66 0.11 0.55 0.13 RVI4 0.53 0.13 0.41 0.14 (r-g-b)/(r+g) 0.45 0.14 0.39 0.14

表3 基于单变量的冬小麦NNI估算结果 Table 3 Estimation results of winter wheat NNI based on univariate analysis

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 基于红边参数(a)和颜色指数(b)的冬小麦NNI最优估算模型Fig.4 Optimal estimation models of NNI in winter wheat based on DIDRmid (a) and (r-g-b)/(r+g) (b)

为探究高光谱参数和颜色指数估算NNI的效果, 利用植被指数、 红边参数、 红边指数、 三波段参数和颜色指数相关性好的七个参数作为自变量, 分别通过SWR、 BP、 PLSR和RF四种方法构建NNI遥感估算模型, 结果见表4和图5。 由表4可得, NNI建模R²介于0.32~0.75, RMSE介于0.10%~0.16%, 验证R²介于0.35~0.60, RMSE介于0.11%~0.15%。 4种NNI估算模型方法中均是红边参数拟合度最高。 从模型构建的方法来说, 以红边参数作为自变量, 采用SWR进行NNI估算的R²和RMSE分别为0.71和0.10%, 验证的R²和RMSE分别为0.59和0.13%; 采用BP进行NNI估算的R²和RMSE分别为0.75和0.10%, 验证的R²和RMSE分别为0.60和0.12%; 采用PLSR进行NNI估算的R²和RMSE分别为0.74和0.10%, 验证的R²和RMSE分别为0.60和0.11%; 采用RF进行NNI估算的R²和RMSE分别为0.68和0.11%, 验证的R²和RMSE分别为0.55和0.12%, 其中以BP构建的NNI模型最优。

表4

Table 4

表4(Table 4)

表4 基于高光谱参数和颜色指数的多变量NNI分析结果 Table 4 Results of multivariate NNI analysis based on hyperspectral parameters and color index 方法 参数 建模(n=96) 验证(n=48) R2 RMSE/% R2 RMSE/% SWR 三波段参数 0.63 0.11 0.52 0.18 红边指数 0.62 0.12 0.55 0.13 红边参数 0.71 0.10 0.59 0.13 植被指数 0.61 0.12 0.58 0.12 颜色指数 0.46 0.14 0.41 0.14 BP 三波段参数 0.71 0.10 0.56 0.12 红边指数 0.72 0.10 0.55 0.12 红边参数 0.75 0.10 0.60 0.12 植被指数 0.59 0.12 0.57 0.12 颜色指数 0.46 0.13 0.41 0.14 PLSR 三波段参数 0.65 0.11 0.57 0.12 红边指数 0.72 0.10 0.58 0.18 红边参数 0.74 0.10 0.60 0.11 植被指数 0.61 0.12 0.59 0.12 颜色指数 0.47 0.14 0.46 0.15 RF 三波段参数 0.59 0.12 0.58 0.12 红边指数 0.56 0.12 0.52 0.13 红边参数 0.68 0.11 0.55 0.12 植被指数 0.40 0.15 0.52 0.13 颜色指数 0.32 0.16 0.35 0.15

表4 基于高光谱参数和颜色指数的多变量NNI分析结果 Table 4 Results of multivariate NNI analysis based on hyperspectral parameters and color index

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 基于多变量的冬小麦NNI最优估算模型 (a): 三波段参数; (b): 红边指数; (c): 红边参数; (d): 植被指数; (e): 颜色指数Fig.5 Optimal estimation model of NNI in winter wheat based on multivariates (a): Three-band parameter; (b): Red edge index; (c): Red edge parameter; (d): Vegetation index; (e): Color index

从图5不同方法进行NNI估算的最优模型可以看出, 以红边参数为自变量进行NNI估算模型拟合度最高。 同类参数之间信息互补的优势已经开始显现。

为探究融合高光谱参数和颜色指数估算NNI的效果, 利用三波段参数+颜色指数、 红边指数+颜色指数、 红边参数+颜色指数和植被指数+颜色指数作为自变量, 分别通过SWR、 BP、 PLSR和RF四种方法构建NNI遥感估算模型, 结果见表5和图6。 由表5可得, NNI建模R²介于0.42~0.77, RMSE介于0.09%~0.14%, 验证R²介于0.48~0.68, RMSE介于0.10%~0.14%。 4种NNI估算模型方法中均是红边参数+颜色指数拟合度最高。 从模型构建的方法来说, 采用SWR进行NNI估算的R²和RMSE分别为0.77和0.09%, 验证的R²和RMSE分别为0.63和0.13%; 采用BP进行NNI估算的R²和RMSE分别为0.76和0.09%, 验证的R²和RMSE分别为0.62和0.11%; 采用PLSR进行NNI估算的R²和RMSE分别为0.77和0.09%, 验证的R²和RMSE分别为0.65和0.11%; 采用RF进行NNI估算的R²和RMSE分别为0.62和0.12%, 验证的R²和RMSE分别为0.59和0.12%, 其中以PLSR构建的NNI模型最优。

表5

Table 5

表5(Table 5)

表5 基于多模态变量模型反演估算冬小麦NNI精度 Table 5 Accuracy of winter wheat NNI estimation based on fusion variable inversion modeling 方法 参数 建模(n=96) 验证(n=48) R2 RMSE/% R2 RMSE/% SWR 三波段参数+颜色指数 0.72 0.10 0.60 0.12 红边指数+颜色指数 0.75 0.10 0.63 0.12 红边参数+颜色指数 0.77 0.10 0.63 0.13 植被指数+颜色指数 0.70 0.10 0.66 0.12 BP 三波段参数+颜色指数 0.67 0.11 0.58 0.12 红边指数+颜色指数 0.55 0.13 0.48 0.14 红边参数+颜色指数 0.76 0.10 0.62 0.11 植被指数+颜色指数 0.54 0.13 0.51 0.14 PLSR 三波段参数+颜色指数 0.72 0.10 0.67 0.10 红边指数+颜色指数 0.75 0.10 0.68 0.10 红边参数+颜色指数 0.77 0.09 0.65 0.11 植被指数+颜色指数 0.70 0.10 0.68 0.10 RF 三波段参数+颜色指数 0.57 0.12 0.53 0.13 红边指数+颜色指数 0.55 0.13 0.53 0.13 红边参数+颜色指数 0.62 0.12 0.59 0.12 植被指数+颜色指数 0.42 0.14 0.49 0.13

表5 基于多模态变量模型反演估算冬小麦NNI精度 Table 5 Accuracy of winter wheat NNI estimation based on fusion variable inversion modeling

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 基于多模态变量的冬小麦NNI最优估算模型 (a): 三波段参数+颜色指数; (b): 红边指数+颜色指数; (c): 红边参数+颜色指数; (d): 植被指数+颜色指数Fig.6 Optimal estimation model of NNI in winter wheat based on fusion variables (a): Three-band parameter+color index; (b): Red edge index+color index; (c): Red edge parameter+color index; (d): Vegetation index+color index

从图6不同方法进行NNI估算的最优模型可以看出, 以红边参数+颜色指数为自变量进行NNI估算模型拟合度最高。 在融合高光谱参数和颜色指数之后的模型精度要高于单变量模型和多变量模型的精度。 说明颜色指数估算氮营养指数的潜力已经被发掘, 不同数据之间信息互补的优势要大与同类参数之间的优势。