引用本文
杨福芹, 陈日强, 刘杨, 陈鑫鑫, 肖一博, 李昌浩, 王平, 冯海宽. 利用无人机高光谱监测马铃薯生物量及植株氮含量[J]. 光谱学与光谱分析, 2025,45(6): 1729-1738.
YANG Fu-qin, CHEN Ri-qiang, LIU Yang, CHEN Xin-xin, XIAO Yi-bo, LI Chang-hao, WANG Ping, FENG Hai-kuan. Monitoring Potato Biomass and Plant Nitrogen Content With UAV-Based Hyperspectral Imaging[J]. Spectroscopy and Spectral Analysis, 2025,45(6): 1729-1738.
Doi:10.3964/j.issn.1000-0593(2025)06-1729-10  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
利用无人机高光谱监测马铃薯生物量及植株氮含量
杨福芹1, 陈日强2, 刘杨2, 陈鑫鑫1, 肖一博1, 李昌浩1, 王平3, 冯海宽2,4,*
1.河南工程学院土木工程学院, 河南 郑州 451191
2.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
3.河北中保绿农作物科技有限公司, 河北 廊坊 065000
4.南京农业大学国家信息农业工程技术中心, 江苏 南京 210095
*通讯作者 e-mail: fenghaikuan123@163.com

作者简介: 杨福芹,女, 1979年生,河南工程学院土木工程学院副教授 e-mail: yangfuqin0202@163.com

收稿日期: 2024-09-26 修订日期: 2024-12-19
基金: 黑龙江揭榜挂帅科技攻关项目(2021ZXJ05A05),河南省科技攻关计划项目(202102310333),河南省高等学校重点科研项目(24B420004),河南工程学院创新创业人才培养计划项目(202311517028)资助
摘要

地上生物量和植株氮含量对作物生长发育及产量形成起着决定性的作用, 动态监测作物的长势和营养状况具有相当重要的意义。 利用无人机获取马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期的高光谱数据及地面生物量及植株氮含量数据; 分析植被指数与生物量及植株氮含量的相关性和变量投影重要性, 筛选出对生物量和植株氮含量敏感的植被指数, 结合深度神经网络(DNN)、 偏最小二乘法(PLSR)、 弹性网络回归(ENR)、 岭回归(RR)及支持向量机(SVR)估算生物量和植株氮含量, 对比不同模型估算生物量及植株氮含量的效果。 结果表明: (1)植被指数与生物量及植株氮含量的相关性均达到0.01显著水平, 利用变量投影重要性筛选出对生物量及植株氮含量敏感的植被指数; (2)对比分析5个生育期的遥感估算模型, 生物量和植株氮含量以块茎形成期构建的模型最好, 生物量以现蕾期估算的模型最差, 植株氮含量以块茎增长期估算的模型最差。 (3)采用PLSR方法在块茎形成期构建的生物量模型最优, 其建模的 R2、 RMSE和NRMSE分别为0.60、 235.65 kg·hm-2和0.15 kg·hm-2, 验证的 R2、 RMSE和NRMSE分别为0.58、 344.72 kg·hm-2和0.26 kg·hm-2, 采用RR方法在块茎形成期构建的植株氮含量模型最优, 其建模的 R2、 RMSE和NRMSE分别为0.74、 0.31%和0.15%, 验证的 R2、 RMSE和NRMSE分别为0.77、 0.58%和0.28%。 (4)综合比较DNN、 PLSR、 ENR、 RR和SVR算法估算生物量和植株氮含量模型, 估算的植株氮含量模型精度优于估算的生物量模型精度, 用植株氮含量可以更好的监测作物长势和营养特性, 可为农业管理提供参考。

关键词: 马铃薯; 变量投影重要性; 地上生物量; 植株氮含量; 无人机
中图分类号:S25 文献标志码:A
Monitoring Potato Biomass and Plant Nitrogen Content With UAV-Based Hyperspectral Imaging
YANG Fu-qin1, CHEN Ri-qiang2, LIU Yang2, CHEN Xin-xin1, XIAO Yi-bo1, LI Chang-hao1, WANG Ping3, FENG Hai-kuan2,4,*
1. College of Civil Engineering, Henan University of Engineering, Zhengzhou 451191, China
2. 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
3. Hebei Zhongbao Green Crop Technology Corporation, Langfang 065000, China
4. National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China
*Corresponding author
Abstract

Above-ground biomass and plant nitrogen content play a crucial role in crop growth, development, and yield formation. Therefore, dynamic monitoring of crop growth and nutritional status is of considerable importance. The study used unmanned aerial vehicles to obtain hyperspectral data and above-ground biomass during the budding stage, tuber formation stage, tuber growth and starch accumulation stage, to analyze the correlation and the importance of variable projection between vegetation indices and biomass and plant nitrogen content, and to screen out vegetation indices that are sensitive to biomass and plant nitrogen content combining deep neural network (DNN), partial least squares (PLSR), elastic network regression (ENR), ridge regression (RR) and support vector machine (SVR) to estimate biomass and plant nitrogen content and comparing the effectiveness of different models in estimating biomass and plant nitrogen content. The results showed that (1) the correlation between vegetation indices and both biomass and plant nitrogen content reached 0.01 significant level, and the importance of the variable projection was used to screen out the vegetation indices that were sensitive to biomass and plant nitrogen content; (2) Comparing the remote sensing estimation models for the five growth stages, the best model for biomass and plant nitrogen content was constructed at the tuber formation stage, the worst model for biomass was estimated at the present bud stage, and the worst model for plant nitrogen content was estimated at the tuber growth stage. (3) The optimum biomass model constructed in the tuber formation stage using the PLSR method was modelled with R2, RMSE and NRMSE was 0.60, 235.65 kg·hm-2 and 0.15 kg·hm-2 respectively, and validated with R2, RMSE and NRMSE was 0.58, 344.72 kg·hm-2 and 0.26 kg·hm-2, The optimum plant nitrogen content model constructed during tuber formation stage using RR method was modelled with R2, RMSE and NRMSE was 0.74, 0.31% and 0.15%, validated R2, RMSE and NRMSE was 0.77, 0.58% and 0.28%. Comprehensively comparing the DNN, PLSR, ENR, RR, and SVR algorithms for estimating biomass and plant nitrogen content models, the accuracy of the estimated plant nitrogen content model is found to be better than that of the estimated biomass model. The plant's nitrogen content can be used to more effectively monitor crop growth and nutritional characteristics, providing a reference for informed agricultural management.

Keyword: Potato; Importance of variable projection; Aboveground biomass; Plant nitrogen content; UAV
引言

粮食是关系国计民生和国家经济安全的重要战略物质, 也是人民群众最基本的生活物质。 小麦、 水稻和玉米等是全球范围内广泛种植的主粮作物, 但是受耕地面积的限制和种植效益的影响, 难以满足日益增长的粮食需求。 马铃薯作为世界第四大粮食作物之一, 具有很高的适应力(耐寒、 耐旱及耐贫瘠)和产量, 可以在多种气候和土壤条件下生长, 这使得马铃薯有望确保中国未来的粮食自给自足。 因此, 开展马铃薯生长过程的准确预测, 以提高马铃薯单产水平, 对我国粮食进出口决策、 农业保险评估及智慧农场等具有重要意义[1]。

地上生物量和植株氮含量是评估作物长势和营养状况的重要农学参数, 常常用来评价作物的生长状况及进行估产。 地上生物量能够直接表征作物的积累能力, 直接反映作物的发育和生长状况[2]。 氮是限制植物生长和形成产量的首要因素, 氮元素能促进植物的生长, 增加叶面积和绿色素含量, 提高光合作用效率, 从而增加植物的生物量和产量, 合理施用氮肥是获得作物高产的有效措施。 传统的地上生物量和植株氮含量测量方法耗时耗力, 而且具有破坏性, 无法在区域尺度上提供地上生物量和植株氮含量的空间分布, 无法满足现代化农业快速实时监测作物生长和营养状况的需求。

近年来, 随着精准农业的发展, 由于无人机具有高机动性、 操作简单、 成本低等优势, 以无人机为遥感平台进行作物长势和营养状况监测经常成为最新的监测方法[3]。 大量研究结果证明了地上生物量和植株氮含量对小麦[4]、 马铃薯[5]等作物长势和营养特性监测的有效性。 舒时富等[6]以颜色指数和纹理特征作为自变量, 采用经验回归方法构建了水稻生物量估算模型, 结果表明颜色指数融合纹理特征所构建的地上生物量模型最优。 Liu等[7]研究结果表明融入株高的多元线性回归模型可以大大提高地上生物量的估算精度。 Wang等[8]探索了冠层光谱反射率衍生的植被指数及无人机数码影像中提取纹理特征组合估算水稻地上生物量, 研究表明以光谱参数为输入变量比以纹理特征为输入变量, 采用多元逐步回归、 偏最小二乘以及随机森林进行水稻地上生物量估算精度高。 魏鹏飞等[9]研究结果表明在不同生育期选用最优植被指数可以很好的估算夏玉米叶片氮含量。 郭燕等[10]从无人机多光谱影像中提取植被指数及纹理特征, 采用神经网络、 随机森林、 自适应提升算法及支持向量机回归方法构建了植株氮含量估算模型, 结果表明以随机森林及自适应提升算法构建的植株氮含量模型预测效果较好。 Yi等[11]采用人工神经网络和主成分分析方法估测了水稻叶片氮含量, 结果指出人工神经网络模型不稳定。 国内外学者应用无人机成像技术对农作物地上生物量或植株氮含量进行动态监测取得了较大进展, 但同时采用马铃薯地上生物量和植株氮含量共同研究作物长势和营养特性监测的研究相对较少。 生物量和植株氮含量之间存在显著的相关关系, 适量施用氮肥可以促进植物的生长, 可以显著提高植物的生物量和产量, 但需控制施用量以避免负面影响。 为此, 本研究以不同马铃薯品种为研究对象, 重点研究了(1)评估变量投影重要性结合相关性估算马铃薯地上生物量和植株氮含量的效果; (2)采用深度神经网络(deep neural network, DNN)、 偏最小二乘法(partial least squares regression, PLSR)、 弹性网络回归(elastic net regression, ENR)、 岭回归(ridge regression, RR)及支持向量机(support vector regression, SVR)构建了地上生物量和植株氮含量估算模型, 确定地上生物量和植株氮含量最优估算模型。

1 实验部分
1.1 试验设计

2019年4月— 7月在国家精准农业研究示范基地(40° 10'34″N, 116° 26'39″E)开展马铃薯田间试验。 该区域平均海拔36 m, 暖温带半湿润大陆性季风气候, 年均降雨量和年均气温分别为11.8 ℃和644 mm。 试验区设置两个早熟品种中薯5(Z1)和中薯3(Z2), 4个氮肥试验(S区), 0 kg· hm-2尿素(N0, 不施氮)、 244.65 kg· hm-2尿素(N1, 1/2正常氮)、 489.15 kg· hm-2尿素(N2, 正常氮, 15 kg纯氮)、 733.5 kg· hm-2尿素(N3, 3/2正常氮)。 3个密度试验(N区), 每公顷60 000株· hm-2(T1)、 72 000株· hm-2 (T2)和84 000株· hm-2(T3), 种植密度的增加, 植物生物量通常呈现先增加后趋于饱和的趋势, 过高的种植密度会降低单株生长, 从而影响氮肥的利用率。 3个钾肥试验(K区), 0 kg· hm-2钾肥(K0)、 970.5 kg· hm-2钾肥(K1)、 1 941 kg· hm-2钾肥(K2), 密度试验区和氮素试验区中的所有处理均同时施用了K1处理, 具体方案见参考文献[14]。 重复3次, 48个小区, 小区面积为6.5 m× 5 m, 田间管理与当地管理方法保持一致。 试验详情如图1所示。

图1 马铃薯田间位置及试验设计
注: T1、 T2和T3代表不同种植密度梯度的处理; N0、 N1、 N2和N3代表不同施氮肥梯度的处理; K0、 K1和K2代表不同施钾肥梯度的处理; n01— n18、 s01— s24和k01— k06代表密度试验区、 氮素试验区和钾肥试验区的小区编号; 中薯5和中薯3均为本研究试验所使用的马铃薯品种Fig.1 Potato field location and experimental design
Note: T1, T2, and T3 represent the treatments with different planting density gradients; N0, N1, N2, and N3 represent the treatments with different nitrogen fertilizer gradients; K0, K1, and K2 represent the treatments with different potassium fertilizer gradients; n01— n18, s01— s24, and k01— k06 represent the cell numbers of the density test area, nitrogen test area, and potassium fertilizer test area; Both Zhongshu 5 and Zhongshu 3 are the potato varieties used in this experiment

1.2 无人机高光谱影像的获取与处理

利用六旋翼电动无人机(图2)搭载UHD185高光谱成像光谱仪(Cubert, 德国, 表1), 分别获取马铃薯现蕾期(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)和淀粉积累期(2019年6月20日)高光谱影像。 UHD185高光谱成像仪参数如表1所示, UHD185高光谱传感器的尺寸是195 mm× 67 mm× 60 mm。 各生育期选择天空晴朗无云的正午(11:30— 13:30)进行飞行作业, 飞行高度为50 m, 飞机飞行速度为1.5 m· s-1, 获得的影像空间分辨率为13 cm。 每次飞行前, 均采用标准的黑白板进行高光谱影像辐射校正。

图2 高光谱成像系统Fig.2 Hyperspectral imager

表1 UHD185成像仪参数 Table 1 UHD185 imager parameters

无人机高光谱数据的预处理主要用Cubert-Pilot和PhotoScan软件, 包括辐射校正、 影像拼接、 影像融合和光谱提取等。 首先利用Cuber-Pilot融合获取的全色JPG图像和高光谱立方体图像, 形成新的融合后的高光谱影像; 利用GPS获取的地面控制点信息, 通过PhotoScan软件对影像进行地形校正, 校正误差小于2 cm; 基于高密度点云数据完成影像拼接, 生成马铃薯各生育期的数字正射影像(digital orthophoto map, DOM)和数字表面模型(digital surface model, DSM)。

1.3 马铃薯生物量及植株氮含量的测定

无人机飞行作业的同时获取地上生物量和植株氮含量。 在每一个小区, 选取能代表小区长势水平的3棵马铃薯植株, 装入带有标号的塑料袋中迅速带回实验室并进行茎叶分离, 称重后放入烘箱105 ℃杀青30 min后, 将温度调至80℃烘干至质量不再发生变化后进行称重, 将茎叶的干重进行相加, 根据种植密度换算成单位面积的马铃薯地上生物量, 关键生育期样区生物量分布如图3所示。

图3 不同生育期生物量分布图Fig.3 Distribution of biomass at different growth stages

分别将马铃薯茎、 叶粉碎后, 利用凯氏定氮仪分别测定茎氮含量和叶片氮含量, 根据式(1)得到各小区的植株氮含量(plant nitrogen content, PNC)。

$\mathrm{PNC}=\frac{\text { LNC } \quad \text { LBiomass }+ \text { SNC SBiomass }}{\text { LBiomass }+ \text { SBiomass }}$ (1)

式(1)中, PNC为植株氮含量, %; LNC为叶片氮含量, %; SNC为茎氮含量, %; LBiomass为叶片生物量, kg· hm-2, kg· ha-1; SBiomass为茎生物量, kg· hm-2。

1.4 植被指数的选取

基于前人研究成果中与生物量及植株氮含量密切相关的差值、 比值、 非线性等多种类型植被指数, 选取了监测生物量和植株氮含量效果较好的20个植被指数: 归一化植被指数(normalized difference vegetation index, NDVI)[12], 差值植被指数(difference vegetation index, DVI)[12], 比值植被指数(ratio vegetation index, RVI), 重归一化植被指数(renormalized difference vegetation index, RDVI)[12], 土壤调节植被指数(soil adjusted vegetation index, SAVI)[12], 优化型土壤调节植被指数(optimized soil adjusted vegetation index, OSAVI)[12], 简单比值指数(simple ration vegetation index, SRI)[12], 变换植被指数(transformed vegetation index, TVI)[12], 光化学反射指数(photochemical reflectance index, PRI)[12], 线性内插红边位置(red-edge position by linear interpolation, REPLI)[12], 红边归一化指数(red-edge normalized difference vegetation Index, RNDVI)[12], Vogelmann红边指数(Vogelmann red-edge index, VOG)[13], 植被衰老反射指数(plant senescence reflectance index, PSRI)[14], 增强型土壤调节植被指数(modified soil adjusted vegetation index, MSAVI)[15], 简单比率(simple ratio, SR)[16], 光谱多边形植被指数(spectral polygonal vegetation index, SPVI)[17], 叶绿素指数(green chlorophyll vegetation index, GCVI)[18], 叶片叶绿素指数(leaf chlorophyll index, LCI)[19], 植物生化指数(plant biochemical index, PBI)[20]。 用于构建生物量和植株氮含量, 监测作物长势和营养特性。

1.5 数据分析方法

采用DNN、 PLSR、 ENR、 RR及SVR五种方法对马铃薯长势及营养特性进行监测。 DNN[21]是机器学习领域的一种技术, 是一种有多层隐藏层的神经网络, 该算法具有多个非线性映射的特征变换, 可以对高度复杂的函数进行拟合, 该机器学习训练迭代的次数设定2 500, 优化器采用Adam(adaptive moment estimation algorithm)算法。 PLSR[10]是一种统计学方法, 该方法主要集典型相关分析、 主成分分析和多元线性回归分析优点于一身, 能在自变量存在多重共线性的情况下进行因变量的回归计算。 ENR[21]是一种结合RR和Lasso回归的线性回归模型, 它是通过同时惩罚绝对值和平方值来达到选择特征和拟合数据的目的。 RR[21]是一种专用于共线性数据分析的有偏估计回归方法, 摒弃无偏性以降低精度及损失部分信息为代价获得可靠的回归系数的一种回归方法, 使预测模型拟合度最优。 SVR[10]通过寻找最大化间隔的超平面来进行回归预测, 通过引入拉格朗日乘子和核函数, 从而使用凸优化方法进行求解, 该方法在处理非线性回归问题时具有较好的性能, 训练模型确定惩罚系数C的搜索范围为10~1 000, 高斯径向基核函数(radial basis function, RBF)中的参数项γ 搜索范围为0.05~0.5。

1.6 变量投影重要性

变量投影重要性(variable importance projection, VIP)是自变量对因变量解释能力的一种测度, 并根据投影权重大小进行排序, 其公式为

$\operatorname{VIP}_{j}=\sqrt{\frac{k}{\sum_{h=1}^{m} r^{2}\left(y, c_{h}\right)} \sum_{h=1}^{m} r^{2}\left(y, c_{h}\right) w_{h j}^{2}}$ (2)

式(2)中, k为植被指数个数; m为从原植被指数变量中提取的成分个数, ch为相关植被指数自变量提取的主成分; r(y, ch)为冬小麦生物量和植株氮含量因变量和主成分的相关系数, 表示主成分对y的解释能力; whj为植被指数自变量在主成分上的权重。 VIPj值越大, 表示植被指数对生物量及植株氮含量的解释能力越强, 反之亦然。

1.7 精度评价

为了评估马铃薯长势和营养特性不同模型的拟合效果和稳定性, 采用决定系数(coefficient of determination, R2)、 均方根误差(root mean square error, RMSE)及标准均方根误差(normalized root mean square error, NRMSE)作为评价模型的指标, R2越接近于1, RMSE和NRMSE越低, 构建模型的预测性能越佳。

R2=∑i=1n(xi-yi)2∑i=1n(xi-x-)2(3)

$\mathrm{RMSE}=\sqrt{\frac{\sum_{i=1}^{n}\left(y_{i}-x_{i}\right)^{2}}{n}}$ (4)

NRMSE=RMSEx-(5)

其中, xi为作物实测值, yi为作物估算值, x-为作物实测平均值, n为作物样本数。

2 结果与讨论
2.1 植被指数与生物量及植株氮含量的相关性分析

马铃薯植被指数与生物量及植株氮含量的相关系数如图4及表2所示。 图4及表2结果表明: (1)马铃薯单生育期的植被指数与生物量的相关性均达到了极显著相关(p< 0.01), 在马铃薯多生育期, 除了REPL1和PRI植被指数与生物量没有达到显著相关, 其他植被指数与生物量都达到了极显著相关(p< 0.01); 植被指数与植株氮含量在单生育期和全生育期都达到了极显著相关(p< 0.01), 在现蕾期植被指数TVI、 PSRI、 PRI和DVI与植株氮含量达到显著相关(p< 0.05)。 (2)块茎增长期和淀粉积累期植被指数与生物量的相关性优于现蕾期、 块茎形成期和全生育期植被指数与生物量的相关性; 单个生育期植被指数与PNC的相关性优于多个生育期与PNC的相关性, 但VOG和REPLI在多个生育期的相关性较好。

图4 植被指数与生物量(a)及植株氮含量(b)的相关性分析
(a): 植被指数与生物量的相关性; (b): 植被指数与植株氮含量的相关性Fig.4 Correlations between vegetation index and biomass (a) and PNC (b)
(a): Between vegetation index and biomass; (b): Between vegetation index and PNC

表2 植被指数与生物量及植株氮含量的95%置信区间 Table 2 95% confidence interval for vegetation index and biomass, plant nitrogen content
2.2 植被指数的VIP筛选

根据变量投影重要性的定义依次计算各植被指数对生物量及植株氮含量的VIP值的大小, 分析结果如图5所示。 其中, 取VIP值大于1的植被指数。 可以看出, 在现蕾期, 植被指数对生物量的VIP值由大到小依次为MSR、 RVI、 SRI、 NDVI、 OSAVI、 SAVI、 RDVI、 RNDVI、 MSAVI和LCI; 植被指数对植株氮含量的VIP值由大到小依次为REPLI、 PSRI、 PRI、 TVI、 SR、 GCVI、 DVI、 PBI。 在块茎形成期, 植被指数对生物量的VIP值由大到小依次为PRI、 PSRI、 SPVI、 RVI、 SRI、 REPLI、 TVI; 植被指数对植株氮含量的VIP值由大到小依次为REPLI、 NDVI、 VOG、 OSAVI、 PRI、 SAVI。 在块茎增长期, 植被指数对生物量的VIP值由大到小依次为VOG、 GCVI、 LCI、 PBI、 SR、 RNDVI、 DVI、 OSAVI、 RDVI、 SAVI、 MSAVI、 NDVI; 植被指数对植株氮含量的VIP值由大到小依次为REPLI、 PSRI、 SR、 GCVI、 PBI、 PRI。 在淀粉积累期, 植被指数对生物量的VIP值由大到小依次为SR、 GCVI、 PBI、 SPVI、 MSAVI、 SAVI、 RDVI、 DVI、 TVI、 OSAVI、 RVI、 NDVI、 MSR、 SRI; 植被指数对植株氮含量的VIP值由大到小依次为GCVI、 PBI、 PSRI、 SR、 VOG、 TVI。 在全生育期, 植被指数对生物量的VIP值由大到小依次为PRI、 PSRI、 REPLI、 LCI、 GCVI、 TVI; 植被指数对植株氮含量的VIP值由大到小依次为REPLI、 VOG、 PRI、 SRI、 RVI、 MSR。

图5 植被指数与生物量(a)及植株氮含量(b)的VIP
(a): 植被指数与生物量的VIP; (b): 植被指数与植株氮含量的VIPFig.5 VIP data between vegetation index and biomass (a) and plant nitrogen content (b)
(a): VIP data between vegetation index and biomass; (b): VIP data between vegetation index and PNC

2.3 马铃薯的生物量及植株氮含量遥感估算

为系统地评估相关性结合投影变量重要性筛选植被指数估算马铃薯长势和营养特性的性能, 采用DNN、 PLSR、 ENR、 RR和SVR 5种方法分别构建了马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和全生育期的生物量和植株氮含量的遥感监测模型, 并对估算结果进行了对比分析, 结果如表3、 表4和图6、 图7和图8所示。 从表3和图6可以看出, (1)PLSR构建生物量的精度在现蕾期、 块茎形成期、 淀粉积累期和全生育期优于DNN、 ENR、 RR和SVR构建生物量的精度; 在块茎增长期, 用RR构建的生物量模型精度优于用DNN、 PLSR、 ENR和SVR构建生物量的精度。 (2)在现蕾期、 块茎形成期、 淀粉积累期和全生育期, 用PLSR构建的生物量模型最优, 其建模的R2、 RMSE和NRMSE分别为0.50、 103.77 kg· hm-2和0.18 kg· hm-2, 0.60、 235.65 kg· hm-2和0.15 kg· hm-2, 0.58、 366.39 kg· hm-2和0.16 kg· hm-2, 0.35、 343.42 kg· hm-2和0.15 kg· hm-2; 验证的R2、 RMSE和NRMSE分别为0.47、 313.92 kg· hm-2和0.50 kg· hm-2, 0.58、 344.72 kg· hm-2和0.26 kg· hm-2, 0.41、 353.56 kg· hm-2和0.25 kg· hm-2, 0.26、 261.74 kg· hm-2和1.36 kg· hm-2。 在块茎增长期, 用RR构建的生物量模型最优, 其建模的R2、 RMSE和NRMSE分别为0.44、 304.75kg· hm-2和0.20 kg· hm-2, 验证的R2、 RMSE和NRMSE分别为0.60、 243.77 kg· hm-2和0.20 kg· hm-2。 图7显示了不同生育期构建的最优模型, 可以看出建模和验证点大多分布在1∶ 1线附近, 但有少数点被远远低估。

表3 不同生育期马铃薯生物量建模与验证 Table 3 Modeling and validation of potato biomass at different growth stages
表4 不同生育期马铃薯植株氮含量建模与验证 Table 4 Modeling and validation of potato PNC at different growth stages

图6 生物量和植株氮含量的建模与验证结果分析
(a): 生物量建模与验证的R2; (b): 生物量建模与验证的RMSE; (c): 生物量建模与验证的NRMSE; (d): 植株氮含量建模与验证的R2; (e): 植株氮含量建模与验证的RMSE; (f): 植株氮含量建模与验证的NRMSEFig.6 Modeling and validation results analysis of biomass and plant nitrogen content
(a): R2 for biomass modeling and validation; (b): RMSE for biomass modeling and validation; (c): NRMSE for biomass modeling and validation; (d): R2 for PNC modeling and validation; (e): RMSE for PNC modeling and validation; (f): NRMSE for PNC modeling and validation

图7 不同生育期生物量最优模型建模与验证
(a): 生物量现蕾期; (b): 生物量块茎形成期; (c): 生物量块茎增长期; (d): 生物量淀粉积累期; (e): 生物量全生育期Fig.7 Modeling and validation results of optimal models for biomass at different growth stages
(a) Biomass in budding stage; (b): Biomass in tuber formation stage; (c): Biomass in tuber growth stage; (d): Biomass in starch accumulation stage; (e): Biomass throughout the entire reproductive stage

图8 不同生育期PNC最优模型建模与验证
(a): PNC现蕾期; (b): PNC块茎形成期; (c): PNC块茎增长期; (d): PNC淀粉积累期; (e): PNC全生育期Fig.8 Modeling and validation results of optimal models for PNC at different growth stages
(a): PNC in budding stage; (b): PNC in tuber formation stage; (c): PNC in tuber growth stage; (d): PNC in starch accumulation stage; (e): PNC throughout the entire reproductive stage

从表4、 图6和图8可以看出, 在现蕾期, 用ENR方法构建的植株氮含量优于用DNN、 PLSR、 ENR和SVR方法构建的植株氮含量模型, 用RR构建的植株氮含量最优模型的建模和验证的R2分别为0.76 、 0.63, 0.75和0.54; 在块茎形成期用RR构建的植株氮含量模型优于用DNN、 PLSR、 ENR和SVR构建的植株氮含量模型, 用RR构建的植株氮含量最优模型的建模和验证的R2为0.74和0.77; 在块茎增长期和全生育期用PLSR构建的植株氮含量模型优于用DNN、 ENR、 RR和SVR方法构建的植株氮含量模型; 用PLSR构建的植株氮含量最优模型的建模和验证的R2分别为0.92、 0.73、 0.73和0.53。

用DNN、 PLSR、 ENR、 RR和SVR 5种方法构建植株氮含量的遥感反演模型优于构建生物量的遥感反演模型, 用植株氮含量可以更好的监测作物长势和营养特性, 为马铃薯长势和营养状况的动态无损监测提供参考。

3 结论

VIP技术主要用于变量筛选, 可用于样本较小且自变量间相关性较强的情形, 通过分析植被指数对生物量及植株氮含量的解释能力, 根据解释能力的大小筛选自变量, 本文通过分析在马铃薯关键生育期植被指数对生物量及植株氮含量解释能力的大小, 分别筛选出关键生育期对生物量及植株氮含量敏感的前6个植被指数, 用于构建生物量及植株氮含量模型的构建。 用DNN、 PLSR、 ENR、 RR和SVR 5种算法估算生物量和植株氮含量模型, 估算的植株氮含量模型精度优于估算的生物量模型精度, 这是由于生物量的贡献主要来源于茎, 但是作物冠层的上层叶片贡献了大部分的田间冠层光谱, 而储存在垂直器官(如马铃薯地上茎)中的生物量很难通过光学遥感检测到。 作物的生长过程中, 光合作用产物的转移行为在不同生长阶段不同, 统计模型不关心作物生长过程中地上生物量的贡献来源, 特别是中高覆盖度, 光谱指数容易达到饱和。 所构建的模型受到生育期的影响, 尤其在全生育期, 对马铃薯生物量的建模精度影响更大。 在5种算法的生物量及植株氮含量模型构建中以PLSR和RR模型较佳, 机器学习模型较差, 主要是因为机器学习能够高效处理较大数据集, 对于较小数据集(关键生育期建模32个, 验证集16个)优势不明显, 这和文献[12]研究结果一致。 今后应增加不同地点及不同年限的马铃薯数据来对模型进行建模和验证, 以期得到能同时反演生物量和植株氮含量的普适模型。

利用无人机搭载高光谱传感器, 通过相关分析法和变量投影重要性, 分别筛选出各生育期敏感参数对马铃薯生物量和植株氮含量敏感的变量, 利用DNN、 PLSR、 ENR、 RR和SVR方法探究了高光谱植被指数估算马铃薯生物量和植株氮含量的能力。 结果表明: (1)利用相关系数法结合变量投影重要性原则, 分别筛选了现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和全生育期对生物量和植株氮含量敏感的植被指数。 (2)利用DNN、 PLSR、 ENR、 RR和SVR分别建立马铃薯生物量和植株氮含量估测模型, 植株氮含量的长势和营养特性估测模型优于生物量的长势和营养特性估测模型。 (3)综合比较各种算法, PLSR算法能更好的处理马铃薯生物量和植株氮含量数据, 其次是RR算法能较好的监测作物长势和营养特性。 该研究可为实时动态监测马铃薯长势和营养特性监测进行精准管理提供一种新的技术参考。

参考文献
[1] LIU Yang, SUN Qian, HUANG Jue, et al(刘杨, 孙乾, 黄珏, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(8): 2549. [本文引用:1]
[2] TAO Hui-lin, FENG Hai-kuan, YANG Gui-jun, et al(陶惠林, 冯海宽, 杨贵军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(23): 111. [本文引用:1]
[3] TAO Hui-lin, XU Liang-ji, FENG Hai-kuan, et al(陶惠林, 徐良骥, 冯海宽, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(19): 107. [本文引用:1]
[4] Gee C, Denimal E. Remote Sensing, 2020, 12: 2982. [本文引用:1]
[5] Liu Y, Feng H K, Yue J B, et al. Computers and Electronics in Agriculture, 2022, 198: 107089. [本文引用:1]
[6] SHU Shi-fu, LI Yan-da, CAO Zhong-sheng, et al(舒时富, 李艳大, 曹中盛, 等). Fujian Journal of Agricultural Sciences(福建农业学报), 2022, 37(7): 824. [本文引用:1]
[7] LIU Yang, FENG Hai-kuan, HUANG Jue, et al(刘杨, 冯海宽, 黄珏, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(2): 188. [本文引用:1]
[8] Wang Z L, Ma Y M, Chen Ping, et al. Frontiers in Plant Science, 2022, 13: 903643. [本文引用:1]
[9] WEI Peng-fei, XU Xin-gang, LI Zhong-yuan, et al(魏鹏飞, 徐新刚, 李中元, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(8): 126. [本文引用:1]
[10] GUO Yan, JING Yu-hang, WANG Lai-gang, et al(郭燕, 井宇航, 王来刚, 等). Scientia Agricultura Sinica(中国农业科学), 2023, 56(5): 850. [本文引用:3]
[11] Yi Q X, Huang J F, Wang F M, et al. Environmental Science & Technology, 2007, 41(19) : 6770. [本文引用:1]
[12] Liu Y, Feng H, Yue J. Remote Sensing, 2022, 14: 5449. [本文引用:11]
[13] Vogelmann J E, Rock B N, Moss G D M. International Journal of Romote Sensing, 1993, 14(8): 1563. [本文引用:1]
[14] Blackburn G A. International Journal of Romote Sensing, 1998, 19: 657. [本文引用:2]
[15] Qi J, Chehbouni A, Huete A R, et al. Remote Sensing of Environment, 1994, 48(2): 119. [本文引用:1]
[16] Gitelson A A, Merzlyak M N. International Journal of Romote Sensing, 1997, 18: 2691. [本文引用:1]
[17] Gitelson A A, Vina V, Arkebauer T J, et al. Geophysical Research Letters, 2003, 30(5): 1248. [本文引用:1]
[18] Datt B. Journal of Plant Physiology, 1999, 154(1): 30. [本文引用:1]
[19] Rama Rao N, Garg P K, Ghosh S K, et al. Journal of Agricultural Science, 2008, 146(1): 65. [本文引用:1]
[20] Jin X L, Li Z H, Fang H K, et al. The Crop Journal, 2020, 8(1): 87. [本文引用:1]
[21] Fei S P, Chen Z, Li L, et al. Agricultural and Forest Meteorology, 2023, 328: 109237. [本文引用:3]