水稻氮素高光谱遥感估测模型研究

李永梅 张学俭 张立根

摘要：以宁夏引黄灌区水稻为研究对象，将各生育期水稻冠层原始光谱反射率、一阶微分光谱及高光谱变量与氮素进行相关性分析，构建了分蘖盛期、孕穗期、齐穗期和灌浆期水稻氮素高光谱遥感估测线性及非线性模型，并对模型进行验证，结果表明：齐穗期所有的氮素估测模型均优于其他生育期；基于一阶微分光谱构建的模型拟合效果及精度优于原始光谱和高光谱变量构建的模型；线性回归模型与非线性模型的决定系数差异均不大，拟合效果接近；最终确定各生育期的最优模型是基于一阶微分光谱构建的线性模型：分蘖盛期y=12.54x+3.202（r=0.877），孕穗期y=16.88x+1.224（r=0.893），齐穗期y=1.197x+2.049（r=0.958），灌浆期y=-6.974x+1.467（r=-0.802），其中齐穗期估测效果最佳。

关键词：水稻；氮素；高光谱遥感；估测模型

中图分类号： S127；TP79文献标志码：

文章编号：1002-1302（2016）08-0435-05

作物氮素含量成为评价其长势、产量及品质的重要指标，是科学施肥的重要依据。对作物氮的管理一直是农业生产中的重要环节，如何准确、迅速、经济地判断植物的氮素状况，进而确定作物的氮肥需求量并采取有效的氮肥管理措施，成为精准农业养分管理的研究热点，具有重要的经济意义和生态意义。传统的作物氮素诊断主要是实验室化学分析方法，这些方法通常需要破坏性采样，时效性差、主观性强。高光谱遥感技术具有获取信息量大、光谱分辨率高、波段連续性强等优势，为作物营养状况监测提供了新方法，已成为诊断作物氮素的新手段，在农业养分管理中具有极高的应用价值和应用前景[1-2]。

国内外对水稻光谱特征及其营养遥感监测进行了相关研究。王人潮等最早开创了国内水稻高光谱遥感研究，探讨了不同施氮水平下水稻光谱变化规律，并采用t检验法筛选出水稻氮素诊断的敏感波段[3]。之后，有学者进一步对水稻高光谱一阶微分及“三边”参数等进行了研究，并在构建水稻氮素诊断遥感模型方面做了尝试。Ryu等利用机载遥感数据构建了水稻含氮量的高光谱预测模型[4]。Shibayama等将水稻高光谱反射率与叶片氮含量进行了相关性研究，发现400、620、760、880 nm的波长与叶片氮素相关性最好，可作为水稻氮素高光谱诊断的特征波长[5]。目前对水稻氮素的遥感诊断与监测已有较多的研究，但综合多种高光谱数据对水稻各生育期的氮素含量分别进行估测的相关研究并不多见。本研究以不同施氮水平试验田为依托，首次在高海拔、高纬度的宁夏引黄灌区开展水稻高光谱特征及氮素遥感估测研究，采用统计分析方法按生育期将水稻冠层原始光谱、一阶微分光谱及“三边”高光谱变量与水稻冠层氮浓度进行相关性分析，筛选出水稻氮素诊断的光谱参数，据此构建水稻氮素的高光谱遥感估测模型，为宁夏水稻氮素实施大范围无损遥感监测提供科学依据及技术支撑。

1材料与方法

1.1试验与方法

试验在灵武市梧桐树乡陶家圈村和杨洪桥村2个点进行，供试水稻品种为长粒优，前茬种植作物均为玉米。采取单因素肥效进行试验设计，共设3个氮肥水平，每小区面积为65 m2（5 m×13 m），重复3次。

1.2光谱信息采集

利用美国SVC GER1500光谱仪，波段范围350～1 096 nm。采样间隔为1.5 nm，光谱分辨率为3 nm，视场角25°。在分蘖盛期、孕穗期、齐穗期及灌浆期4个生育期，晴朗无风天气、北京时间10：30—14：30进行水稻光谱采集。采集光谱时探头垂直向下，距冠层0.7 m。每小区选取长势中等、无病虫害的健康水稻作为光谱测定对象，同时每小区选择3个点分别测定5次，取均值。

1.3农学参数测定

光谱测定范围内，同步取样3～5穴，进行叶面积指数、叶片氮含量及冠层氮密度的测定与计算，其中杨洪桥村数据用于模型构建，陶家圈村数据用于模型检验。

率作为自变量，以氮含量作为因变量，拟合了氮浓度与特征波长处高光谱之间的线性回归、指数回归和对数回归模型（表3）。由表3可见，孕穗期和齐穗期氮浓度与原始光谱间相关程度最好，拟合效果较好；分蘖盛期和灌浆期的拟合效果较差。根据相关系数r，各生育期中3个模型的拟合程度基本接近，说明利用水稻冠层原始光谱采用线性、指数和对数模型对其氮素进行估测是可行的，其中线性模型更为简洁。

3結论与讨论

通过将原始高光谱反射率及多种光谱变换形式与冠层氮浓度进行相关性分析，筛选相关性最显著的波段构建水稻氮

素估测模型，对各生育期的模型进行对比及验证，得出如下结论：（1）基于一阶微分高光谱反射率构建的水稻氮素估测模型优于基于原始光谱和高光谱变量构建的模型。（2）从生育期来看，齐穗期水稻氮素估测模型的拟合效果最佳，齐穗期为水稻氮素诊断的最佳时期。（3）从模型类型上，线性模型与非线性模型在拟合效果及精度上差异不大，由于线性模型简单，故最优模型确定为线性函数模型。

以宁夏引黄灌区水稻为研究对象，水稻氮素估测模型覆盖了水稻主要生育期，拓宽了目前高光谱遥感诊断水稻氮素的研究区域，为宁夏水稻氮素无损诊断奠定了一定的基础。今后如何采用高光谱变换技术降低下垫面对水稻冠层光谱的干扰，并尝试人工智能算法构建多变量的氮素诊断模型，进一步提高水稻氮素估测模型的精度及普适性，并指导科学施肥仍需深入研究。

参考文献：

[1]陈志强. 不同氮素水平下玉米叶片的高光谱响应及其诊断[D]. 杭州：浙江大学，2008：1-5.

[2]杨娜. 便捷式光谱仪测量软件开发及农学参数光谱分析方法[D]. 北京：北京工业大学，2011：1-5.

[3]王人潮，陈铭臻，蒋亨显. 水稻遥感估产的农学机理研究——Ⅰ.不同氮素水平的水稻光谱特征及其敏感波段的选择[J]. 浙江农业大学学报，1993，19（增刊1）：7-14.

[4]Ryu C，Suguri M，Umeda M.Model for predicting the nitrogen content of rice at panicle initiation stage using data from airborne hyperspectral remote sensing[J]. Biosystems Engineering，2009，104（4）：465-475.

[5]Shibayama M，Akiyama T A.Canopy water deficit detection in paddy rice using a high resolution field spectroradiometer[J]. Remote Sensing of Environment，1993（45）：117-126.

[6]郁进元，何岩，赵忠福，等. 长宽法测定作物叶面积的校正系数研究[J]. 江苏农业科学，2007（2）：37-39.

[7]谭昌伟，周清波，齐腊，等. 水稻氮素营养高光谱遥感诊断模型[J]. 应用生态学报，2008，19（6）：1261-1268.

[8]易秋香. 不同遥感水平水稻氮素信息提取研究[D]. 杭州：浙江大学，2008：1-5.

[9]王仁红，宋晓宇，李振海，等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报，2014，30（19）：191-198.