基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

陈鹏飞，梁飞

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

陈鹏飞1,2，梁飞3

（1中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室，北京 100101；2江苏省地理信息资源开发与利用协同创新中心南京 210023；3新疆农垦科学院农田水利与土壤肥料研究所，新疆石河子 832000）

【】基于无人机高空间分辨率影像，探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响，为棉花氮素营养精准探测提供新技术手段。开展棉花水、氮耦合试验，分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据，首先探讨了土壤背景对棉花冠层光谱的影响；其次，分析了影像纹理特征与植株氮浓度间的相关性；最后，将获得的数据分为建模样本和检验样本，设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景，采用光谱指数与主成分分析耦合建模的方法，来建立各种情景下植株氮浓度的反演模型，并对模型反演效果进行比较。土壤背景对棉花冠层光谱有影响，且不同生育期趋势不同；影像纹理特征参数与植株氮浓度间有显著相关关系；剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33，标准误差为0.21%，验证决定系数为0.19，标准误差为0.23%；剔除土壤背景后模型的建模决定系数为0.38，标准误差为0.20%，验证决定系数为0.30，标准误差为0.21%；增加纹理信息后模型的建模决定系数为0.57，标准误差为0.17%，验证决定系数为0.42，标准误差为0.19%。基于低空无人机高空间分辨率影像，剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度；影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。

无人机；多光谱；图像纹理特征；氮素营养诊断；棉花

0 引言

【研究意义】氮素是作物生长、发育所必需的重要营养元素，它在提高作物光合能力，增加同化产物等方面起着重要作用[1]。对大多数土壤来说，其当季有效氮含量不能满足作物生长需要，需要添加外来氮源，因此氮肥管理是实现高产优质为目标的作物生产中最为重要的环节之一[2]。棉花是世界上最重要的天然纺织纤维作物，占世界纤维总量的35%左右[3]。此外，它还是重要的油料作物和战略物资。在我国，棉花种植面积居各经济作物之首[4]，在国民经济中具有举足轻重的作用。因此，及时掌握棉花的氮素营养状况，根据其需求进行氮肥管理，对节约成本，减少环境污染具有重要意义。【前人研究进展】与正常植株相比，作物氮素营养缺乏时，其自身生理、生化参数发生一系列改变，研究表明这些参数可用于准确指示作物氮素营养状况[5]。常见的用于指示作物氮素营养状况的指标可分为群体指标和个体指标。群体指标包括氮素/叶绿素累积量（单位土地面积含氮、叶绿素总量）、生物量、叶面积指数等；个体指标包括氮素/叶绿素浓度（单位干物质含氮、叶绿素量），它们反映了个体的平均状况[6]。相对于群体指标，个体指标在指示作物氮素营养状况时，不易受群体密度的干扰，但也更难从遥感信息中提取。前人们基于遥感技术对以上参数开展了大量的估测研究，取得一定的研究成果[7-11]。但这些研究多基于卫星、地面基站和载人飞机的遥感探测技术。它们存在各自的优、缺点，往往难以满足成本与数据可获得性相兼容，给实际应用带来困难。无人机具有机动灵活、操作简单便于普及的特点，它可根据天气状况随时起降，能搭载多种类型的传感器且换装容易，能在一定程度实现低成本与高数据可获得性兼顾，其必将成为未来作物遥感信息获取的重要手段之一。基于无人机遥感技术，已有学者开展相关氮素营养诊断研究，推动了无人机技术在这方面的应用。田明璐等[12]利用无人机获取棉花冠层高光谱影像，基于偏最小二乘法构建了棉花叶片相对叶绿素含量SPAD的估测模型；秦占飞等[13]基于八旋翼无人机获得高光谱影像数据，通过构建诊断氮素的光谱指数反演了水稻叶片氮浓度信息；Liu等[14]基于无人机获取小麦冠层高光谱影像，利用神经网络法建立了反演叶片氮浓度的模型，很好估测了小麦拔节期、挑旗期、开花期的叶片氮浓度信息；Näsi等[15]基于无人机搭载FPI高光谱传感器和RGB相机获得光谱信息，利用随机森林法反演了大麦植株氮素累积量。【本研究切入点】目前基于无人机开展氮素营养诊断的研究，一方面多集中于小麦等粮食作物，在棉花方面的研究还比较缺乏；另一方面，已有研究直接将前人依托卫星、有人机、地基平台等获得的氮素营养诊断方法不加改进的移植到低空无人机数据的处理上，利用感兴趣区所有像元的平均光谱信息来与对应区域农学参数建立定量关系模型，并没有发挥无人机影像高空间分辨率的优势。低空无人机遥感具有超高空间分辨率的特点，其分辨率能达到厘米乃至毫米级，可有效去除土壤等背景信息。已有研究表明，剔除无人机热红外影像中土壤背景是提高作物水分诊断精度的有效途径[16]，但在作物氮素营养诊断方面还缺乏探讨。此外，高分辨率的低空无人机影像不但具有光谱信息，还有丰富的纹理特征。这些纹理特征能否用于作物氮素营养诊断，提高其估测精度还未有相关研究报道。【拟解决的关键问题】植株氮浓度是棉花重要的氮素营养诊断指标。以棉花为例，本文主要研究基于低空无人机影像去除土壤背景信息对植株氮浓度反演的影响，以及无人机影像中纹理信息是否可用于提高植株氮浓度的反演精度。

1 材料与方法

1.1 田间试验

本研究数据来自2018年新疆石河子市开展的棉花水、氮耦合试验。试验地位于石河子市郊区（北纬44°18′52.81″，东经85°58′48.27″）。试验选取新陆早60号作为试验材料，采用水肥一体化膜下滴灌，膜宽2.05 m，1膜6行，宽行距0.66 m，窄行距0.10 m，宽窄行相间排列，播种密度约为260 000株/hm2。土壤类型灌耕灰漠土，有机质含量8.35 g·kg-1，速效氮含量43.4 mg·kg-1，速效磷含量25.15 mg·kg-1，速效钾含量134.3 mg·kg-1。根据当地土壤养分条件、常规大田灌溉量，本研究设置4个氮肥梯度和4个灌溉梯度，共16个处理小区，小区面积为100 m2（145 m×6.9 m）。其中，4个氮肥处理分别为337.5、300、262.5、225 kg·hm-2；4个水分处理为5 250、4 500、3 750、3 000 m3·hm-2。施用的氮肥为尿素，磷肥为磷酸一铵，钾肥为氯化钾，全部肥料压差式施肥罐溶解后，随水滴灌施入小区。除水、氮外，各处理小区磷、钾肥及其他管理措施相同。灌溉与施肥日期及施用比例如表1所示。

表1 水肥一体化灌溉时间及每次灌溉各成分施用量占总量的比例

1.2 数据获取

在棉花的盛蕾期、初花期、盛花期等关键生育期，获取其无人机影像和植株氮浓度等地面农学参数信息。

1.2.1 农学参数 在每个小区，分别在膜的边行和中行选择代表性样点，连续拔取3株棉花，剪去根后，茎、叶分离后放入烘箱烘干至恒重。称取各部分干重，并将烘干茎、叶分别粉碎，利用元素分析仪（Elementar，哈瑙，德国），采用Dumas燃烧法测定其含氮量；然后根据各部分干重，换算为植株氮浓度信息（%）。每个小区2个样点的平均值用来代表各小区的植株氮浓度值。

1.2.2 无人机影像 无人机影像基于3DR Solo四旋翼无人机（3DR，加利福尼亚，美国），搭载RedEdge M多光谱传感器（MicaSense，华盛顿，美国）获得。RedEdge M包含有蓝光波段（475 nm）、绿光波段（560 nm）、红光波段（668 nm）、红边波段（717 nm）和近红外波段（840 nm）等5个波段信息。无人机影像在当地12：00—14：00，天空晴朗无云时获取。飞行高度为40 m，对应地面分辨率约为2.82 cm。飞行时，航向和旁向重叠率设为75%。相机先采用触发拍摄模式，在飞行前拍摄白板，然后再设定为自动拍摄模式，用于在无人机飞行过程中进行拍摄。Pix4D ag（Pix4D，洛桑，瑞士）软件用来进行无人机影像拼接。在此过程中，白板信息被用来将影像DN值转换为反射率。本研究所使用无人机及获取的1景无人机影像如图1所示。

1.3 数据分析方法

首先，采用人工目视解译的方法从3个时期无人机影像中识别各小区棉花信息，以用于后期剔除土壤等背景；其次，设置剔除土壤背景、不剔除土壤背景等不同情景，分析剔除土壤背景对棉花冠层反射率的影响；然后，基于剔除土壤背景后的影像，提取其纹理特征，采用相关性分析方法探讨纹理特征与植株氮浓度之间的相关性；最后，设置不剔除土壤背景、剔除土壤背景、剔除土壤背景+增加纹理特征等不同情景，根据RedEdge M波段设置情况，选择常用光谱指数，计算相应光谱指数值，以其为输入变量，采用主成分回归法分别建立各情景下的植株氮浓度反演模型，并比较模型优劣。需要说明的是：（1）参考已有关于作物氮素营养诊断方面的报道[17-18]，本研究使用的光谱指数包括比值光谱指数、土壤调整植被指数、改进土壤调整植被指数、三角植被指数、增强植被指数、修改三角植被指数、绿波段比值光谱指数、红边模型等常用光谱指数和以归一化差值植被指数为基础任意组合各波段信息构成的光谱指数，计算公式如表2所示；（2）主成分回归法是常用的遥感反演植被参数时的建模方法[28]。在建模时，获得的棉花3个时期共48个样本被随机分为2组。1组包含36个样本作为建模样本；另一组包含12个样本作为检验样本。各情境下的建模，依赖于相同的建模样本和检验样本。在构建主成分反演植株氮浓度模型时，选择恰能代表原输入变量99.5%以上信息的前n个主成分变量来建立模型，预测决定系数（coefficient of determination，2）、预测标准误差（root mean square error，）和相对预测标准误差（/平均值×100%）被用来评价模型的优劣；（3）本研究使用的图像纹理特征主要依赖于灰度共生矩阵计算的各种参数，包括各波段的对比度、能量值、同质性、平均值和标准差等，利用Matlab软件编程实现相关计算。

表2 本研究使用的光谱指数

,为RedEdge M五波段反射率的任意两两组合

,represents any combination of two bands from five bands of RedEdge M

2 结果

2.1 剔除土壤背景信息对棉花冠层光谱反射率的影响

不同棉花生育期，同一地块影像中土壤像元所占的比例随着棉花冠层的生长而变化。新疆种植棉花需要覆盖薄膜以保温、保水。覆盖薄膜的土壤反射率与无覆盖土壤的反射率不同。图2-A、2-C、2-E分别是棉花孕蕾期、初花期、盛花期的真彩色合成影像，图2-B、2-D、2-F是对应时期剔除土壤背景前后，棉花冠层反射率的变化情况（以施肥量300 kg·hm-2，灌溉量4 500 m³·hm-2为例，图中红色边框小区）。可以看出孕蕾期，在蓝光、绿光、红光、红边等波段，剔除土壤背景的棉花冠层反射率要低于不剔除土壤背景的棉花冠层反射率，而在近红外波段，情况恰恰相反（图2-B）。这是因为在棉花生长的早期，行与行间的空地存在大量的裸露地表，由于棉花冠层小，投射的阴影有限，这些区域绝大部分被光照射且仅有少部分处于阴影区（图2-A），使得不剔除土壤背景的棉花冠层光谱主要受光照土壤的影响，而光照土壤的反射率恰恰在蓝光、绿光、红光、红边波段比纯棉花冠层光谱反射率大，在近红外波段比纯棉花冠层光谱反射率小（图2-B）。在初花期、盛花期，剔除土壤背景的棉花冠层反射率要在各个波段高于不剔除土壤背景的棉花冠层反射率（图2-D，2-F）。这是因为随着棉花冠层变大，棉花行与行之间的空隙，一部分被棉花冠层填充，另一部分成为棉花冠层的阴影区（图2-C，2-E），使得不剔除土壤背景的棉花冠层光谱主要受阴影土壤的影响，而阴影土壤的反射率在各个波段均低于纯棉花冠层光谱反射率（图2-D，2-F）。需要说明的是，由于选择的样例小区，在棉花初花期和盛花期不存在光照土壤像元，所以图2-D，2-F没有光照像元的反射率。以上结果说明，对于不剔除土壤背景的棉花冠层反射率来说，土壤背景光谱信息对其影响在棉花生长的不同阶段的趋势是不同的，这就决定了在建立棉花冠层参数反演模型时，其必将成为一种噪声而不是有用信息来影响反演结果。

A，B：孕蕾期；C，D：初花期；E，F：盛花期 A, B: Bud; C, D: early bloom; E, F: peak bloom

2.2 图像纹理特征与植株氮浓度的相关性

作物缺氮其同化产物和叶绿素合成受阻，叶片大小和叶色会发生变化。由于氮素的可转移性，使得老叶首先受害，冠层不同层叶片（上、中、下）体现出差异，从而影响它们对光的吸收和反射特性。低空无人机影像空间分辨率达到厘米级，冠层的各个部分都会在像元层级或多或少有所体现，从而使得以上由于缺氮造成的作物冠层的变化，在图像纹理特征上有反映。图3显示了棉花各个波段不同纹理特征与植株氮浓度之间相关系数的绝对值。可以看出，它们之间的相关性均达到0.01显著水平（＜0.01），说明纹理特征可以用来反映棉花的氮素营养状况。

图3 各波段不同纹理特征与植株氮浓度之间相关性系数的绝对值

2.3 不同情景下植株氮浓度反演结果

不同情景下植株氮浓度的反演结果如图4所示。从图中可以看出，基于剔除土壤背景前，棉花冠层光谱信息反演植株氮浓度的建模结果为预测决定系数0.33，预测标准误差0.21%，相对预测标准误差6.98%（图4-A）；验证结果为预测决定系数0.19，预测标准误差0.23%，相对预测标准误差7.72%（图4-B）。与这一结果相比，基于剔除土壤背景后，棉花冠层光谱信息反演植株氮浓度的模型取得了更好的结果。其中，构建模型时的预测决定系数为0.38，预测标准误差为0.20%，相对预测标准误差为6.71%（图4-C）；验证模型时的预测决定系数为0.30，预测标准误差为0.21%，相对预测标准误差为7.10%（图4-D）。另外，增加纹理信息后，植株氮浓度反演模型的建模结果和验证结果都取得了极大提高。建模时，模型预测决定系数为0.57，预测标准误差为0.17%，相对预测标准误差为5.62%（图4-E）；验证时，模型预测决定系数为0.42，预测标准误差为0.19%，相对预测标准误差为6.35%（图4-F）。以上结果说明，剔除土壤背景信息有利于增加棉花植株氮浓度的估测精度，同时图像纹理作为反映棉花氮素营养状况的一种信息，增加它有利于进一步提高植株氮浓度的估测精度。

A：剔除土壤背景信息前的建模结果；B：剔除土壤背景信息前的验证结果；C：剔除土壤背景信息后的建模结果；D：剔除土壤背景信息后的验证结果；E：剔除土壤背景信息+增加纹理信息的建模结果；F：剔除土壤背景信息+增加纹理信息的验证结果

3 讨论

基于无人机搭载S185高光谱相机获取影像数据，秦占飞等[13]构建反演水稻叶片氮浓度模型的2为0.67，为0.329%；Liu等[14]利用无人机高光谱影像数据，基于人工神经网络法、多元线性回归法建立的反演小麦叶片氮浓度模型的2在0.57—0.97，在0.152%—0.279%；同样基于无人机搭载RedEdge多光谱相机，Li等[29]获得高粱叶片氮浓度与各光谱指数间的最优相关关系系数（）为0.61。相对于高光谱传感器，本研究使用的多光谱传感器所能提供的光谱信息量要少，在反演植株氮浓度时，不加纹理特征的反演模型的估测效果远不如前面所述报道。增加纹理信息后，反演模型的估测性能得到了提升，其估测植株氮浓度的效果与这些研究的估测结果较为接近。另外，与上述他人基于同款多光谱相机获得的结果相比，本研究获得了更好的氮浓度估测效果。

关于剔除土壤背景信息对作物氮素营养诊断的影响，张东彦[30]基于地面成像光谱仪在反演玉米、大豆叶绿素累积量时表明，土壤背景信息会影响玉米、大豆的冠层反射光谱从而影响叶绿素累积量的提取精度，剔除土壤背景的叶绿素累积量反演模型的性能比剔除土壤背景前有小幅提高。本研究同样表明，土壤背景会影响棉花的冠层反射光谱，进而给植株氮浓度的反演带来影响。相对于叶绿素累积量这一群体参数的估测，剔除土壤背景对植株氮浓度这一个体氮素营养诊断指标的反演影响更大，其反演模型相对于剔除土壤背景前有显著提高。

由于常用地基光谱仪往往不能成像，获取的光谱信息是植被、土壤的混合光谱；卫星遥感、有人机遥感的分辨率较低，单个像元往往是多种地物的混合光谱信息，从而使得长期以来，人们较少从影像纹理特征角度来考虑反演作物氮素营养状况的可能性。低空无人机遥感影像超高空间分辨率的特征，使得探讨这一问题成为可能。本研究提出并验证了基于无人机高分辨率影像纹理特征反演棉花植株氮浓度的可行性。

当然，本研究也存在一些不足之处。一方面，在剔除土壤背景时，为保证精度本研究采用了人工目视解译的方法，该方法非常耗时，不利于在生产实践中应用，后期提出一种自动、高效的分类方法以剔除土壤背景信息将是进一步研究的方向；另一方面，本研究虽然证明低空无人机高空间分辨率影像的纹理信息可用于棉花氮素营养诊断，但针对不同作物究竟影像的分辨率为多少时，图像的纹理信息才对氮素营养诊断有用的问题并没有做探讨，这将是未来研究的方向。

4 结论

依赖低空无人机超高空间分辨率影像，本研究分析了土壤背景对棉花冠层反射光谱的影响，以及剔除土壤背景后，影像纹理特征与棉花植株氮浓度之间的相关性，并通过设计不同的情景，利用光谱指数与主成分回归相结合的方式建立了植株氮浓度的反演模型，结果表明土壤背景影响棉花冠层反射光谱，剔除土壤背景会提高建模估测植株氮浓度的精度；影像纹理特征与棉花植株氮浓度之间具有显著相关关系，增加影像纹理特征，采用图像光谱和纹理信息结合的方式建模，会显著提高植株氮浓度的估测精度。

致谢：感谢王国栋、刘金然在田间试验过程中给予的支持和帮助！

[1] 武维华. 植物生理学. 北京: 科学出版社, 2004: 91.

WU W H.. Beijing: Science Press, 2004: 91. (in Chinese)

[2] 薛利红, 罗卫红, 曹卫星, 田永超. 作物水分和氮素光谱诊断研究进展. 遥感学报, 2003, 7(1): 73-80.

XUE L H, LUO W H, CAO W X, Tian Y C. Research progress on the water and nitrogen detection using spectral reflectance., 2003, 7(1): 73-80. (in Chinese)

[3] JUNG J H, MAEDA M, CHANG A J, LANDIVAR J, YEOM J, MCGINTY J. Unmanned aerial system assisted framework for the selection of high yielding cotton genotypes., 2018, 152: 74-81.

[4] 肖晶晶, 霍治国, 姚益平, 张蕾, 李娜, 柏秦凤, 温泉沛. 棉花节水灌溉气象等级指标. 生态学报, 2013, 33(22): 7288-7299.

XIAO J J, HUO Z G, YAO Y P, ZHANG L, LI N, BAI Q F, WEN Q P. Meteorogical grading indexs of water-saving irrigation for cotton., 2013, 33(22): 7288-7299. (in Chinese)

[5] TREMBLAY N. Determining nitrogen requirements from crops characteristics. Benefits and challenges//Pandalai S G.:. Kerala: India Research Signpost Press, 2004: 157-182.

[6] 陈鹏飞, 孙九林, 王纪华, 赵春江. 基于遥感的作物氮素营养诊断技术: 现状与趋势. 中国科学(信息科学), 2010, 40(增刊): 21-37.

CHEN P F, SUN J L, WANG J H, ZHAO C J. Using remote sensing technology for crop nitrogen diagnosis: status and trends., 2010, 40(S1): 21-37. (in Chinese)

[7] HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression., 2003, 86(4): 542-553.

[8] EITEL J U H, LONG D S, GESSLER P E, SMITH A M S. Using in-situ measurements to evaluate the new RapidEyeTM satellite series for prediction of wheat nitrogen status., 2007, 28(18): 4183-4190.

[9] CHEN P F, DRISS H, TREMBLAY N, WANG J H, VIGNEAULT P, LI B G. New index for estimating crop nitrogen concentration using hyperspectral data., 2010, 114(9): 1987-1997.

[10] HUANG S Y, MIAO Y X, YUAN F, GNYP M L, YAO Y K, CAO Q, WANG H Y, LENZ-WIEDEMANN V I S, BARETH G. Potential of rapidEye and worldView-2 satellite data for improving rice nitrogen status monitoring at different growth stages., 2017, 9(3): 227.

[11] LIANG L, DI L P, HUANG T, WANG J H, LIN L, WANG L J, YANG M H. Estimation of leaf nitrogen content in wheat using new hyperspectral indices and a random forest regression algorithm., 2018, 10(12): 1940.

[12] 田明璐, 班松涛, 常庆瑞, 由明明, 罗丹, 王力, 王烁. 基于低空无人机成像光谱仪影像估算棉花叶面积指数. 农业工程学报, 2016, 32(21): 102-108.

TIAN M L, BAN S T, CHANG Q R, YOU M M, LUO D, WANG L, WANG S. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index., 2016, 32(21): 102-108. (in Chinese)

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

QIN Z F, CHANG Q R, XIE B N, SHEN J. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in yellow river diversion irrigation district., 2016, 32(23): 77-85. (in Chinese)

[14] LIU H Y, ZHU H C, WANG P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyper-spectral data., 2017, 38(8/10): 2117-2134.

[15] NÄSI R, VILJANEN N, KAIVOSOJA J, ALHONOJA K, HAKALA T, MARKELIN L, HONKAVAARA E. Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based spectral and photogrammetric 3D features., 2018, 10(7): 1082.

[16] 张智韬, 边江, 韩文霆, 付秋萍, 陈硕博, 崔婷. 剔除土壤背景的棉花水分胁迫无人机热红外遥感诊断. 农业机械学报, 2018, 49(10): 250-260.

ZHANG Z T, BIAN J, HAN W T, FU Q P, CHEN S B, CUI T. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background., 2018, 49(10): 250-260. (in Chinese)

[17] ZHU Y, YAO X, TIAN Y C, LIU X J, CAO W X. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice., 2008, 10(1): 1-10.

[18] CHEN P F. A comparison of two approaches for estimating the wheat nitrogen nutrition index using remote sensing., 2015, 7(4): 4527-4548.

[19] ROUSE J W, HAAS R W, SCHELL J A, DEERING D W, HARLAN J C. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation.

[20] PEARSON R L, MILLER L D. Remote mapping of standing crop biomass for estimation of the productivity of the Shortgrass Prairie, Pawnee National Grasslands, Colorado//. Ann Arbor, Michigan, USA, 1972: 1357-1381.

[21] HUETE A, JUSTICE C, LIU H. Development of vegetation and soil indices for MODIS-EOS., 1994, 49(3): 224-234.

[22] BROGE N H, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density., 2001, 76(2): 156-172.

[23] QI J, CHEHBOUNI A, HUETE A R, KERR Y H, SOROOSHIAN S. A modified soil adjusted vegetation index., 1994, 48(2): 119-126.

[24] RONDEAUX G, STEVEN M, BARET F. Optimization of soil- adjusted vegetation indices., 1996, 55(2): 95-107.

[25] HABOUDANE D, MILLER J R, PATTEY E, ZARCO-TEJADA P J, STRACHAN I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture., 2004, 90(3): 337-352.

[26] GITELSON A A, VIÑA A, CIGANDA V, RUNDQUIST D C, ARKEBAUER T J. Remote estimation of canopy chlorophyll content in crops., 2005, 32(8): 93-114.

[27] XUE L H, CAO W X, LUO W H, DAI T B, ZHU Y. Monitoring leaf nitrogen status in rice with canopy spectral reflectance., 2004, 96(1): 135-142.

[28] YANG F, SUN J L, FANG H L, YAO Z F, ZHANG J H, ZHU Y Q, SONG K S, WANG Z M, HU M G. Comparison of different methods for corn LAI estimation over northeastern China., 2012, 18: 462-471.

[29] Li J T, SHI Y Y, VEERANAMPALAYAM-SIVAKUMAR A N, SCHACHTMAN D P. Elucidating sorghum biomass, nitrogen and chlorophyll contents with spectral and morphological traits derived from unmanned aircraft system., 2018, 9: 1406.

[30] 张东彦. 基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究[D]. 杭州: 浙江大学, 2012.

ZHANG D Y. Diagnosis mechanism and methods of crop chlorophyll information based on hyperspectral imaging technology[D]. Hangzhou: Zhejiang University, 2012. (in Chinese)

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

CHEN PengFei1,2, LIANG Fei3

(1Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences/State Key Laboratory of Resources and Environmental Information System, Beijing 100101;2Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023;3Institute of Farmland Water Conservancy and Soil Fertilizer, Xinjiang Academy of Agricultural and Reclamation Science, Shihezi 832000, Xinjiang)

【】Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【】Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (2) value of 0.33 and root mean square error () value of 0.21% during model calibration, and2value of 0.19 andvalue of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had2value of 0.38 andvalue of 0.20% during model calibration, and2value of 0.30 andvalue of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had2value of 0.57 andvalue of 0.17% during model calibration, and2value of 0.42 andvalue of 0.19% during validation. 【Conclusion】Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.

unmanned aerial vehicle (UAV); multi-spectra; image texture feature; nitrogen nutrition diagnosis; cotton

10.3864/j.issn.0578-1752.2019.13.003

2019-02-25；

2019-03-14

国家重点研发计划（2017YFD02015，2017YFD0201501-05）、国家自然科学基金（41871344）

陈鹏飞，E-mail：pengfeichen@igsnrr.ac.cn

（责任编辑 杨鑫浩）