东北寒地水稻冠层氮素含量高光谱预测模型

王树文，宋玉柱，张长利，马昕宇，郭思琪

（东北农业大学电气与信息学院，哈尔滨150030）

东北寒地水稻冠层氮素含量高光谱预测模型

王树文，宋玉柱，张长利，马昕宇，郭思琪

（东北农业大学电气与信息学院，哈尔滨150030）

为实现动态、无损监测寒地水稻氮素状况，利用高光谱成像技术，分析不同生育期水稻冠层光谱特征，借助波段自相关分析（Bands inter-correlation analysis，BICA）与主成分分析（Principal components analysis, PCA），选择特征波段构建多种植被指数。根据植被指数与氮素含量相关性，建立单变量预测模型。利用最大R2增量法（MAXR）分析全部植被指数与氮素含量定量关系，建立多变量预测模型。结果表明，从分蘖期到抽穗期，寒地水稻冠层光谱反射率在可见光波段内降低，在近红外波段内增加。基于BICA-PCA-MAXR预测模型预测精度和稳定性较基于BICA-PCA结合一元回归预测模型显著提升。研究结果可为水稻氮素含量快速检测提供地域参考，水稻精准施肥管理提供技术支持。

水稻氮素；预测模型；波段自相关分析；主成分分析；最大R2增量法

王树文,宋玉柱,张长利,等.东北寒地水稻冠层氮素含量高光谱预测模型[J].东北农业大学学报,2017,48(4):79-88.

Wang Shuwen,Song Yuzhu,Zhang Changli,et al.Hype rspectralestima tion m odel for predicting canopy nitrogen content of rice in cold region o f Northeast China[J].Jou rnal of Northeast Ag ricu ltural University,2017,48(4):79-88.(in Chinese w ith Eng lish abstract)

氮肥施用是提高水稻产量，改进品质的重要措施，氮素监测是评价水稻长势，合理施用氮肥的重要依据[1]。因此，动态、无损监测水稻氮素状况具有重要意义。传统作物氮素诊断方法有外观、化学和叶绿素计诊断。外观诊断虽直观，但易出现混淆与误判，对观察者经验要求较高[2]；化学诊断虽准确，但工作量大、费用高，一般需对作物破坏性取样[3]；叶绿素计诊断仅定量估测单叶营养成分，难以反映大面积农田营养状况[4]。故传统诊断方法在时间和空间上无法满足大面积水稻生产需求。

高光谱技术利用水稻光谱反射率在不同波段间差异，通过构建植被指数与实测值建立回归模型反演氮素含量[5]。覃夏等建立基于NDVI(780,671)江西鹰潭地区早稻氮素含量诊断模型[6]。Tian等在多地试验基础上研究发现利用RSI(573,553)估测水稻叶片氮素含量效果较好[7]。Chu等采用RSI(770,752)预测水稻叶片氮素累积量[8]。邵华等建立738 nm一阶微分反射率（FD738）模型估测南方丘陵地区晚稻冠层氮素值[9]。李颖等基于盆栽氮磷互作试验发现RSI(FD740,FD719)、NDSI(FD552,FD419)、DSI(FD713,FD707)可有效估测拔节、抽穗和灌浆期水稻冠层氮素含量[10]。李永梅等指出RSI(800,550)与宁夏引黄地区水稻冠层氮素累积量相关性最高[11]。秦占飞等研究发现，RSI(FD738,FD522)可有效估测引黄地区水稻叶片全氮含量[12]。上述研究中，特征光谱参数选择多基于经验模型或用穷举法筛选，采用植被指数多为DSI、RSI和NDSI等传统植被指数，建模分析方法均基于不同函数形式一元回归分析。同时，现有研究多集中在南方丘陵及宁夏引黄等区域，而对生长环境和耕作方式差异较大的东北寒冷地水稻氮素含量高光谱监测研究较少，特别是在冠层水平下监测时期、指标及模型等方面尚缺乏系统研究。黑龙江省作为寒地水稻种植及商品粮供应基地，利用高光谱技术开展水稻冠层氮素含量监测研究，对保障水稻产量及品质具有重要意义[13-16]。

本文以黑龙江省寒地水稻为研究对象，分析氮胁迫下分蘖、拔节和抽穗期等3个水稻重要生育期冠层光谱反射率与冠层氮素含量定量关系。探讨各生育期特征波段构建植被指数反演冠层氮素含量能力，全部植被指数与冠层氮素含量定量关系。以期为水稻氮素含量快速、无损检测提供地域参考，为指导水稻生产实践、合理施用氮肥提供技术支持。

1 材料与方法

1.1 试验设计

试验于2016年在黑龙江省五常市开展，选用水稻品种为稻花香。供试土壤为草甸土型水稻土，土壤有机质含量35.5 g·kg-1、全氮含量1.44 g·kg-1、有效磷51.8 g·kg-1、速效钾111 g·kg-1、pH 6.30。试验田采用单因素（N）设计，共设计4个氮素水平（N0，N1，N2，N3），目标施氮量依次为（0，60，90，120 kg·hm-1），每个施氮水平重复4次，共设计16个小区。每个小区面积为4m×4m，小区间筑埂隔离，田间管理符合高产要求。

1.2 冠层图像采集

试验采用美国SOC公司710VP型便携式成像光谱仪，波段范围为372～1 038 nm，分辨率为4.68 nm。选择晴朗、无风、无云天气，分别于6月25日（分蘖期）、7月15日（拔节期）、8月20日（抽穗期）当天10:00～14:00，采集各小区冠层高光谱图像。采集图像时，光谱仪探头垂直距冠层顶部100 cm，每个小区随机选取2处作图像采集，每张图像中包含2穴完整水稻植株。测量前校正亮、暗电流。通过自带HyperScanner软件完成高光谱冠层图像采集与传输。

1.3 冠层叶片氮素值获取

选取冠层图像中每穴水稻植株最上层10片叶子，以小区为单位装入编号密封袋中。将叶片洗涤、烘干、杀青、粉碎、消煮处理后，利用德国AA3连续流动分析仪测定水稻叶片全氮含量。采用狄克松（Dixon）检验法去掉每穴植株10片叶子氮素含量误差值，将剩余氮素含量平均值作为该穴水稻植株对应氮素值。

1.4 冠层反射率提取

利用ENVI软件对3个生育期共96张冠层图像提取光谱反射率。在冠层图像中每穴水稻植株上选取5处感兴趣区域（Region of interest，ROI），取其反射率平均值作为该穴植株冠层光谱反射率。高光谱反射率提取如图1所示。本试验共得到分蘖期64组数据，剔除2组异常数据后，随机选择42组数据作为校正集（Calibration set），余下20组数据作为预测集（Prediction set）。采用同样方法，选择拔节期41组数据作为校正集，20组数据作为预测集；抽穗期42组数据作为校正集，20组数据作为预测集。

图1 高光谱反射率提取示意图Fig.1 Schematic diagram of extracting hyperspectral reflectance

1.5 数据分析

利用波段自相关分析（Bands inter-correlation analysis,BICA）与主成分分析（Principal components analysis,PCA）提取特征波段，构建植被指数。原始冠层光谱反射率数据量较大，因此在不同波段间存在大量冗余。利用BICA可将原始光谱反射率按照波段间自相关性强弱切割，对自相关性较强部分作PCA，根据不同波段对主成分贡献率挑选特征波段，最大限度保留原始数据特征。

本文采用植被指数包括：差值指数（Difference spectral index，DSI）、比值指数（Ratio spectral index，RSI）、归一化指数（Normalized difference spectral index，NDSI）、增强植被指数（Enhanced vegetation index，EVI）、改良简单比值指数（Modi⁃fied simple ratio index，MSR）、改良土壤调节植被指数（Modified soil-adjusted vegetation index，MSA⁃VI）。其中，DSI、RSI、NDSI是研究使用次数较多的植被指数；EVI用于消除高光谱图像背景变化影响；MSR用于克服RSI、NDSI易饱和问题；MSA⁃VI用于减少土壤反射率噪声影响。上述各植被指数计算公式如下：

其中，Rλ1、Rλ2为λ1、λ2波段反射率值，Rλblue、Rλred和Rλnir为蓝光、红光和近红外波段反射率值。

比较其与氮素含量相关性，确定较优植被指数。利用一元回归分析（Simple regression analysis，SRA）建立植被指数与氮素含量单变量预测模型。本文采用函数有线性函数（y=ax+b）、二次多项式函数（y=ax2+bx+c）、指数函数（y=aebx）、对数函数（y=a ln x+b）和幂函数（y=axb）。

利用最大R2增量法（MAXR）分析全部植被指数与氮素含量，建立多变量预测模型。利用R2和RMSE比较模型拟合程度及预测性能。试验数据处理和分析采用ENVI5.0、MATLAB2014、SPSS22及SAS9.4等软件完成。

2 结果与分析

2.1 水稻冠层高光谱反射率特征

由图2可知，在不同生育期，水稻冠层光谱反射率曲线呈相同规律性：在紫光波段（372～455 nm）和蓝光波段（455～492 nm）反射率缓慢上升，进入绿光波段（492～577 nm）后，反射率快速升高，554 nm处出现明显反射峰，进入黄光波段（577～597 nm）和橙光波段（597～622 nm）反射率迅速下降，至红光波段（622～770 nm）内呈现明显吸收谷，反射率迅速增加，在近红外波段（＞770 nm）行成一个较高反射平台。同时，从分蘖期到抽穗期，之后反射率在绿光、黄光、橙光等可见光波段内依次降低，在近红外波段内依次升高。

2.2 结果验证

利用3个生育期试验数据，构建以往研究中所建植被指数，分别与氮素含量作相关性分析，判断该植被指数是否适用于寒地水稻氮素含量预测。由表1可知，除文献[9]中FD738与寒地水稻氮素含量具有较高相关性外，其余植被指数与氮素含量相关性普遍较低。因此，现有研究建立的植被指数无法满足准确预测寒地水稻冠层氮素含量实际需求。

图2 不同生育期水稻冠层高光谱反射率Fig.2 Canopy hyperspectral reflectance of rice under differen tstages

表1 植被指数与氮素含量相关系数Tab le1 Correlation coefficientsbetween nitrogen contentand vegetation indices in p reviousstudies

2.3 特征波段提取与选择

分别对分蘖、拔节和抽穗期原始冠层光谱反射率作BICA剔除噪声干扰部分，获得自相关矩阵，如图3所示。图中红色部分代表波段间相关系数较大，相关性较强；蓝色部分代表波段间相关系数较小，相关性较弱。由图3可知，在分蘖、拔节和抽穗期，相关矩阵可大致分为6个区间，其中，小于400 nm区间不属于可见光波段范围，因此舍弃。对所有区间作PCA，根据各波段对主成分贡献率选择特征波段，结果如表2所示。

2.4 各植被指数与氮素含量相关性

将所选特征波段代入6种植被指数中，将所构建植被指数分为分蘖、拔节和抽穗期3组，分别与氮素含量作相关性分析。由表3可知，在分蘖期，DSI(821,457)、DSI(821,574)、DSI(821,678)、EVI(821,678,457)、MSAVI(821,678)与水稻氮素含量相关性较强；DSI(983,457)、DSI(983,585)、DSI(983,683)、NDSI(983,826)和MSAVI(983,683)与拔节期水稻氮素含量具有较强相关性；在抽穗期，DSI(837,457)、DSI(989,457)、DSI(837,611)、DSI(989,611)和DSI(837,704)与氮素含量相关性较强。

图3 光谱波段自相关矩阵Fig.3 Spectralbands inter-correlationmatrix

表2 BICA-PCA结果Table2 Resu ltsof BICA-PCA (nm)

2.5 基于BICA-PCA-SRA水稻冠层氮素含量预测模型

将与氮素含量相关性较高的植被指数作为自变量x，氮素值作为因变量y，利用SRA建立单变量预测模型，验证模型预测集。

由表4可知，在分蘖期，以EVI(821,678,457)为变量的二次多项式模型预测效果最好，RC2为0.740，RM⁃SEC为0.125，RP2为0.763，RMSEP为0.110；在拔节期，以DSI(983,585)为变量的二次多项式模型拟合效果最佳，RC2为0.722，RMSEC为0.082，RP2为0.741，RMSEP为0.079；在抽穗期，以DSI(837,611)为变量的对数模型预测效果最优，RC2为0.734,RMSEC为0.071,RP2为0.778，RMSEP为0.053。各生育期预测模型预测效果见图4。

2.6 基于BICA-PCA-M AXR水稻冠层氮素含量预测模型

将各生育期全部植被指数作为自变量，氮素含量作为因变量，利用MAXR建立多变量预测模型，验证所建模型预测集。考虑到模型复杂程度及饱和问题，表5仅列出2～4个变量预测模型。由表5可知，在分蘖期，以DSI(821,574)和NDSI(821,678)构建的预测模型稳定性最好，RP2为0.781,RMSEP为0.122；在拔节期，以NDSI(683,585)、NDSI(983,826)和MSAVI(826,683)构建的模型预测精度和稳定性最优，RC2为0.805，RMSEC为0.060，RP2为0.795，RMSEP为0.095；在抽穗期，以DSI(837,457)、RSI(989,704)和MSR(989,704)构建的模型预测效果最佳，RC2为0.797，RMSEC为0.065，RP2为0.783，RMSEP为0.057。各生育期预测模型预测效果见图5。

表3 各植被指数与氮素含量相关系数Tab le 3 Correlation coefficientsbetween vegetation indicesand nitrogen con tent

表4 基于BICA-PCA-SRA水稻冠层氮素含量预测模型Table 4 Predictionm odelsof canopy nitrogen con tent of rice based on BICA-PCA-SRA

图4 基于BICA-PCA-SRA氮素含量预测模型预测效果Fig.4 Predictiveeffectof predictionmodelsof nitrogen contentbased on BICA-PCA-SRA

表5 基于BICA-PCA-MAXR水稻冠层氮素含量预测模型Table 5 Predictionm odelsof canopy nitrogen con tent of rice based on BICA-PCA-M AXR

图5 基于BICA-PCA-MAXR氮素含量预测模型预测效果Fig.5 Predictiveeffectof predictionmodelsof nitrogen contentbased on BICA-PCA-MAXR

3 讨论

由表1可知，目前研究建立的植被指数与寒地水稻氮素含量相关性普遍较低。这是因为，作物光谱反射率是生物及非生物因素共同作用结果，受不同生长环境（温度、湿度），不同土壤背景（颜色、黏性），不同观测尺度（冠层尺度、叶片尺度）及植物本身变化等内外因素影响，不同研究中水稻氮素敏感波段及预测模型差异较大，无法直接用于寒地水稻氮素含量预测[20-22]。在分析冠层反射率时，不同生育期可见光波段及近红外波段反射率差异明显[23-24]。这是因为，随着水稻持续生长，水稻叶片叶绿素含量随之增多，光合作用增强，对可见光吸收增强，导致反射率降低；叶绿素含量越高的叶片，叶面积越大，对近红外波段反射越强。在数据分析时，利用BICA和PCA提取特征波段作为植被指数变量。除传统DSI、RSI和NDSI，本文选择的EVI、MSR、MSAVI 3种植被指数均适用于冠层尺度建模。

由表3可知，在分蘖期，DSI、EVI、MSAVI与氮素含量相关性较高，受分蘖期水稻植被覆盖度较低影响，RSI、NDSI、MSR与氮素含量相关性较低。到拔节期，随着植被覆盖度提升，此现象明显好转，RSI、NDSI与氮素含量均具有较高相关性。到抽穗期，水稻植株生长茂盛，土壤背景噪声减小，此时DSI对氮素含量敏感度提高，相关系数最高。从分蘖期到拔节期，NDSI与氮素含量相关性逐渐提升，到抽穗期则明显降低。因为在水稻植株处于中、低覆盖度时，NDSI对氮素含量敏感度随植被覆盖度增加而提高，达到一定覆盖度后则出现饱和。另外3种植被指数中，EVI较好地消除了图像背景变化影响，3个生育期内均表现出较高相关性；MSR相比RSI与NDSI未表现抗饱和能力较强优势，可能因其易受试验环境影响，导致与氮素含量相关性较低；MSAVI可较好消除土壤背景噪声影响，但更适合植被覆盖度较低时氮素含量预测。

在利用植被指数建立预测模型时，本文采用两种方法。一是通过传统SRA建模对比，选择拟合度高回归模型。由表4可知，不同函数形式预测模型相比较，最合适拟合模型为二次多项式模型、对数模型和幂函数模型等非线性预测模型。分析其原因，主要是在水稻生长过程中，叶片之间相互重叠，覆盖度逐渐增大，叶片内氮素含量累积与冠层覆盖度增加之间呈非线性关系，而冠层覆盖度与可见光波段及近红外波段反射率变化线性相关。因此，氮素含量与各植被指数之间呈非线性关系，与秦占飞等研究相一致[5]。二是采用MAXR建立多变量预测模型。Shi等利用不同植被指数间线性组合，方法是将与预测目标相关性较高植被指数与实测值作多元回归分析（Multiple regression analysis，MRA），得到精度更高植被指数组合预测模型[25]。但此方法存在人为删除与氮素含量相关性较低植被指数，排除多种组合可能性，得到组合模型预测精度较单变量模型提升不明显等缺点。因此，本文采用MAXR分析全部植被指数与氮素含量定量关系。结果证明，所建模型中变量更丰富，预测效果更好。在分蘖、拔节和抽穗期，所选模型RC2较单变量模型分别提升7.84%、11.50%和8.58%，效果显著。

由于条件和环境限制，本试验所选范围较小，采集图像存在一定噪声及抖动。今后将在多地试验，丰富试验数据，完善试验设计、仪器操作、图像处理等，为寒地水稻氮素含量监测提供更准确预测模型，结合无人机控制系统，为农用微小型无人机作物营养监测技术在寒地水稻生产中的应用提供支持[26-28]。

4 结论

a.从分蘖期到抽穗期，寒地水稻冠层光谱反射率在可见光波段内降低，在近红外波段内增加。

b.在拔节期与抽穗期，DSI与氮素含量相关性最高，其中，DSI(983,585)与拔节期水稻氮素含量相关系数为0.837，DSI(837,611)与抽穗期水稻氮素含量相关系数为0.855。在分蘖期，EVI(821,678,457)与氮素含量相关性最高，相关系数为0.859。

c.在分蘖、拔节和抽穗期，基于BICA-PCASRA单变量预测模型RC2分别为0.740、0.722、0.734，RMSEC分别为0.125、0.082、0.071。基于BICA-PCA-MAXR多变量预测模型RC2分别为0.798、0.805、0.797，RMSEC分别为0.112、0.060、0.065，此模型预测效果较单变量模型显著提升。所建模型均可有效估测寒地水稻冠层氮素含量。

[1]王克如,潘文超,李少昆,等.不同施氮量棉花冠层高光谱特征研究[J].光谱学与光谱分析,2011,31(7):1868-1872.

[2]唐菁,杨承栋,康红梅,等.植物营养诊断方法研究进展[J].世界林业研究,2005,18(6):45-48.

[3]裘正军,宋海燕,何勇,等.应用SPAD和光谱技术研究油菜生长期间氮素变化规律[J].农业工程学报,2007,23(7):150-154.

[4]张筱蕾,刘飞,聂鹏程,等.高光谱成像技术油菜叶片氮含量及分布快速检测[J].光谱学与光谱分析,2014,34(9):2513-2518.

[5]秦占飞,常庆瑞,申健,等.引黄灌区水稻红边特征及SPAD高光谱预测模型[J].武汉大学学报:信息科学版,2016,41(9): 1168-1175.

[6]覃夏,王绍华,薛利红.江西鹰潭地区早稻氮素营养光谱诊断模型构建与应用[J].中国农业科学,2011,44(4):691-698.

[7]Tian Y C,Gu K J,Chu X,et al.Comparison of different hyper⁃spectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J].Plantand Soils,2014,376(1-2):193-209.

[8]Chu X,Guo Y J,He JY,etal.Comparison ofdifferenthyperspec⁃tralvegetation indices forestimating canopy leafnitrogen accumu⁃lation in rice[J].Agronomy Journal,2014,106(5):1911-1920.

[9]邵华,石庆华,郭熙,等.基于冠层高光谱南方丘陵地区晚稻氮素营养诊断[J].江西农业大学学报,2015,37(6):975-981.

[10]李颖,薛利红,马资厚,等.氮磷互作水稻冠层氮素敏感光谱筛选研究[J].土壤,2015,47(1):33-41.

[11]李永梅,张立根,侯静,等.宁夏引黄灌区水稻冠层高光谱特征研究[J].湖北农业科学,2016,55(7):1642-1645.

[12]秦占飞,常庆瑞,谢宝妮,等.基于无人机高光谱影像引黄灌区水稻叶片全氮含量估测[J].农业工程学报,2016,32(23):77-85.

[13]王艳华,任传友,韩亚东,等.东北地区活动积温和极端持续低温时空分布特征及其对粮食产量影响[J].农业环境科学学报, 2011,30(9):1742-1748.

[14]袁建清,苏中滨,贾银江,等.基于高光谱成像寒地水稻叶瘟病与缺氮识别[J].农业工程学报,2016,32(13):155-160.

[15]王树文,郑博元,张长利.氮素胁迫下水稻高光谱特征研究[J].农机化研究,2015,(8):162-165.

[16]高红秀,郑冠龙,朱方旭,等.不同蘖穗肥施氮量对水稻根系、抗倒性及产量性状影响[J].东北农业大学学报,2016,47(12): 1-7.

[17]Huete A,Justice C,Liu H.Development of vegetation and soil indices for MODIS-EOS[J].Remote Sensing of Environment,1994,49(3):224-234.

[18]Haboudane D,Miller JR,Pattey E,et al.Hyperspectral vegeta⁃tion indices and novelalgorithms for predicting green LAIof crop canopies:Modeling and validation in the contextof precision agri⁃culture[J].Remote Sensing of Environment,2004,90(3):337-352.

[19]Qi J,ChehbouniA,Huete A R,etal.Amodified soiladjusted veg⁃etation index[J].Remote Sensing of Environment,1994,48(2): 119-126.

[20]王树文,赵珊,张长利,等.基于成像光谱技术寒地玉米苗期冠层氮含量预测模型[J].农业工程学报,2016,32(13):149-154.

[21]Nguy-Robertson A L,Peng Y,Gitelson A A,et al.Estimating Green LAIin four crops:Potential of determining optimal spectral bands for a universal algorithm[J].Agricultural and ForestMeteo⁃rology,2014,192-193:140-148.

[22]Gnyp M L,Miao Y X,Yuan F,etal.Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field CropsResearch,2014,155:42-55.

[23]王树文,赵越,王丽凤,等.基于高光谱寒地水稻叶片氮素含量预测[J].农业工程学报,2016,32(20):187-194.

[24]王树文,赵珊,张长利,等.氮素胁迫下寒地玉米高光谱特征研究[J].东北农业大学学报,2015,46(2):89-93.

[25]Shi T Z,Liu H Z,Chen Y Y,etal.Estimation of arsenic in agri⁃cultural soils using hyperspectral vegetation indices of rice[J]. JournalofHazardousMaterials,2016,308:243-252.

[26]彭显龙,刘元英,罗盛国,等.寒地稻田施氮状况与氮素调控对水稻投入和产出影响[J].东北农业大学学报,2007,38(4):467-472.

[27]汪沛,罗锡文,周志艳,等.基于微小型无人机的遥感信息获取关键技术综述[J].农业工程学报,2014,30(18):1-12.

[28]Du L,GongW,Shi S,etal.Estimation of rice leaf nitrogen con⁃tents based on hyperspectral LIDAR[J].International Journal of Applied Earth Observation and Geoinformation,2016,44:136-143.

Hyperspectralestimation model for predicting canopy nitrogen content of rice in cold region of Northeast China/

WANG Shuwen,SONG Yuzhu,ZHANG
Changli,MA Xinyu,GUO Siqi
(School of Electric and Inform ation,No rtheast Agricultural University, Harbin 150030,China)

In order to realize the dynam ic and non-destructive monitoring of rice nitrogen status in cold region,the hyperspectral imaging technique was used to analyze the characteristics of rice canopy spectrum at different grow th stages.On the basis of the verification o f the previous research resu lts,bands intercorrelation ana lysis(BICA)and principa l com ponents analysis(PCA)were used to se lect characteristic bands to construct vegetation indices.The univariate p rediction mode ls were estab lished according to the correlation between vegetation indices and nitrogen content.Quantitative relationship between total vegetation indices and nitrogen contentwas analyzed by MAXR,and themultivariate predictionmodels were established.The obtained models were validated,analyzed and evaluated.The results showed that,from the tillering stage to heading date,the canopy spectral reflectance of rice in cold region decreased in visibleregion and increased in near infrared region.The prediction accuracy and stability of the prediction models based on BICA-PCA-MAXR were significantly improved compared w ith the prediction m odels based on BICA-PCA combined w ith sim ple regression analysis.The results provided regional reference for the rapid detection of rice nitrogen contentand technicalsupport for guiding the precise fertilizationmanagement.

rice nitrogen;estimation m odel;bands inter-correlation analysis;principal components analysis;MAXR

S127；S511；O655

A

1005-9369（2017）04-0079-10

时间2017-4-24 6:20:19[URL]http://kns.cnki.net/kcms/detail/23.1391.S.20170424.0620.020.html

2017-03-22

国家“863”项目（AA2013102303）；黑龙江省博士后科研启动基金项目（LBH-Q13022）；黑龙江省自然科学基金面上项目（C2015006）；哈尔滨市科技创新人才项目（2015RQQXJ020）

王树文（1975-），男，副教授，博士，研究方向为高光谱遥感技术农业应用。E-mail:wswtr@163.com