基于面积指数的植株氮含量遥感估算

杨福芹，冯海宽，谢瑞,韩佩佩，戴渝心，蔡国盛,金丽妍

(1.河南工程学院 土木工程学院，河南 郑州 451191；2.国家农业信息化工程技术研究中心，北京 100097)

0 引 言

氮是植物生长过程中必不可缺的成分，当氮素充足时，植物自身可以生成更多的蛋白质养分，从而促进植物的生长，当植物体内氮素匮乏时，就会生长迟缓，从而作物的产量下降.但施肥不当也会导致环境污染，合理施加氮肥不仅有利于了解作物的生长状况，而且对生态环境保护也有着重要的意义.传统方式对小麦的含氮量测定多是破坏性取样，既费时间又浪费人力，难以满足现代化农业发展的需要.高光谱遥感具有快速、精确度高、无破坏性的特点，已广泛应用于农作物长势信息的快速获取[9].姚霞等[1]通过任意两两波段组合的NDSI和RSI与小麦叶层氮含量建立定量关系，结果表明归一化光谱指数NDSI(1350,700)和比值光谱指数RSI(1350，700)表现最好.宋英博等[2]寻找马铃薯叶片含氮量的敏感波段来计算植被指数，结果表明在(1005 ，580)组合的波段下，植被指数和氮含量相关性最高且NDVI的相关系数最大.李金梦等[3]通过双波段植被指数与柑橘叶片氮含量进行建模分析，结果表明在(856，814)组合下的双波段型植被指数对柑橘植株氮素含量具有很好的估测性.白丽敏[4]利用连续投影算法(SPA)提取冬小麦叶片全氮含量的光谱敏感波段,并用偏最小二乘(PLS)回归法建立冬小麦拔节期叶片氮含量估算模型，结果表明连续投影算法结合偏最小二乘方法的叶片氮含量估算值准确度更高.Yao 等[12]通过对高光谱数据与小麦叶片氮素积累的建模分析，结果表明NDSI和RSI的光谱数据与叶片氮素积累值建模效果最好.李丹等[6]将光谱波段进行优化，提取敏感波段，进行小麦氮素的估测，结果表明优化后的光谱参数可以更好地实现对小麦的氮素监测.贺佳等[8]基于不同的植被指数与小麦氮含量建立模型，结果表明植被指数建立的模型具有较高的预测精度，可以进行小麦生物量的监测.梁莉等[5]在传统植被指数的选取上，利用光谱特征曲线计算各个波段面积，构建新的植被指数算法(VSAI)，结果表明该算法可以更好地反映植被信息.

本研究以品种不同，氮素施加量不同，密度不同的田间试验为基础，通过ASD Filed Spec光谱仪获取的冬小麦冠层高光谱数据，利用面积归一化植被指数(Area normalized difference vegetation index，A-NDVI),面积比值植被指数(Area ratio vegetation index，A-RVI)为光谱特征变量，构建冬小麦植株氮含量(Plant Nitrogen content，PNC)最佳遥感估测模型，为快速检测冬小麦植株氮含量，及时精测冬小麦的生长状况提供参考价值.

1 研究区概况、实验设计及数据获取

1.1 试验地区概况

本研究试验在国家精准农业研究基地北京市小汤山进行.该试验区位于北纬40°00′～40°21′，东经116°34′～117°00′，海拔高度36 m.四季分明，适宜冬小麦的种植.

1.2 实验设计

图1 小区分布实验图Fig.1 plot of cell distribution experiment注：(1)品种处理—P1:京9843；P2:中麦175(2)氮素处理—N1:0；N2:1/2正常；N3:1正常； N4:2正常

实验于2014-2015年在国家的精准农业示范研究基地小汤山进行.试验设计为2个品种、4个氮素水平的正交试验；2个品种分别为京9843(J9843)和中麦175(ZM175).4个氮素水平分别为0 kg尿素/亩(0，N1)、13 kg尿素/亩(1/2正常，N2)、26 kg尿素/亩(正常，N3)和39 kg尿素/亩(3/2正常,N4)，处理16个，重复3个.共48个实验小区，每个小区面积是6m×8m.小区分布实验图如图1所示.

1.3 冠层光谱的数据采集

利用便携式光谱仪 ASD Field Spec FR2500 进行冬小麦冠层反射光谱的数据采集.研究所采集的光谱波段为 350～2 500 nm，分辨率为1.4 nm，采样间隔设为1 nm.采集过程中，将探头垂直于冠层50 cm 高处进行测定.每个小区在测量前后均使用白板来校正由光照条件引起的误差.光谱采集时选择晴朗无风的天气条件，选择 10∶00～14∶00 的时间段进行.每试验小区均测定10条光谱曲线，取其平均值作为该小区的冠层光谱.

1.4 植株氮含量的测定

在冠层光谱数据采集的同时，分别在各试验小区选取10个冬小麦植株样本，采用凯氏定氮仪对冬小麦植株样本进行氮含量测定.

1.5 方法

1.5.1 光谱特征变量

王大成等[10]研究表明植被指数估测植株含氮量是一种可靠、快捷、破坏力小的高效方法，且预测精度高.吴伟斌等[7]利用归一化植被指数和比值植被指数与氮含量建立模型，达到了最佳的建模效果.为了研究冬小麦的植被指数与其PNC之间的关系，本研究构建面积归一化植被指数A-NDVI和面积比值植被指数A-RVI进行冬小麦PNC估算，具体计算公式为：

(1)

(2)

其中SD代表波段面积，λ1，λ2-代表高光谱波段，Rλ1、Rλ2—λ1，λ2波长所对应的高光谱反射率.

1.5.2 逐步回归法

研究采用逐步回归法进行建模，逐步回归法的基本原理是将每次引入的变量跟前面的变量进行对比，通过筛选和剔除，选出最佳的变量，这些变量都是方程中显著性的变量，利用这些变量构建最佳的估测模型.

1.5.3 精度评定

采用决定系数(coefficient of determination，R2)、均方根误差(root mean square error，RMSE)和标准均方根误差(normalized root mean squared error，NRMSE)分析评定模型的建模精度和验证精度.其计算公式分别为：

(3)

(4)

(5)

2 结果与分析

2.1 光谱特征变量与PNC的相关性分析

开花期冬小麦光谱特征变量与PNC相关性计算结果见表1所示.从表1可以看出，在P<0.05的水平下，冬小麦PNC与A-NDVI1、A-RVI5、A-RVI7、A-NDVI2、A-NDVI3、A-RVI6、A-NDVI4和A-RVI8均达到极显著相关.其中A-NDVI4和A-RVI8与冬小麦PNC的相关性最高，相关系数r均为0.63，A-NDVI1和A-RVI5与冬小麦PNC的相关性最低，相关系数r为0.53.

挑旗期冬小麦光谱特征变量与PNC的相关性计算结果见表2所示，从表2可以看出，在P<0.05的水平下，冬小麦PNC与A-RVI5、A-RVI7、A-NDVI1、A-RVI6、A-RVI8、A-NDVI3、A-NDVI2和A-NDVI4均达到极显著相关.其中A-NDVI4与冬小麦PNC的相关性最高，相关系数r为0.67，A-RVI5与冬小麦PNC相关性最低，相关系数r为0.56.

表1 冬小麦开花期光谱特征变量与PNC的相关性

注：**表示在0.05的水平下达到极显著相关.

表2 冬小麦挑旗期光谱特征变量与PNC的相关性

Table 2 Correlation between spectral characteristic variables and PNC of winter wheat during the flag period

注：**表示在0.05水平下达到极显著相关.

2.2 不同生育期植株氮含量模型的构建与验证

2.2.1 开花期冬小麦PNC模型的构建与验证

通过对开花期光谱特征变量与PNC相关性的分析，利用逐步回归法进行冬小麦PNC模型的构建.得出以A-NDVI1，A-NDVI4，A-RVI5，A-RVI8作为自变量，构建冬小麦PNC的遥感估测模型最佳，得到的变量系数表格见表3：

表3 变量系数表

估测模型为：

Y=-24.251A-NDVI1+15.972A-NDVI4+0.041A-RVI5+0.044A-RVI8+5.963

(6)

其中Y代表冬小麦的预测氮含量(%).

建模结果如表4所示.从表4可以看出，其建模的R2，RMSE,NRMSE分别为0.77，0.11，11.58%，结果表明该模型具有较高的精度，进一步对冬小麦PNC估测模型进行验证，验证的结果见表4，预测值和实测值关系如图2所示.

从图2和表4可以看出，预测值和实测值具有较高的一致性，其验证的R2，RMSE，NRMSE分别为0.72，0.14，10.48%.建模和验证的精度较高，表明该方法进行冬小麦PNC的估算具有较高的可靠性.

表4 建模和验证结果

图2 开花期Fig.2 Flowering period

图3 挑旗期Fig.3 flag period

2.2.2 挑旗期冬小麦PNC模型的构建与验证

通过对挑旗期光谱特征变量与PNC相关性的分析，利用逐步回归法进行冬小麦PNC模型的构建，得出以A-NDVI1，A-NDVI2为自变量，构建冬小麦PNC的遥感估算模型最佳，系数表格如表5所示：

表5 变量系数表

估测模型为：

Y=-17.900A-NDVI1+8.872A-NDVI2+11.152

(7)

其中Y代表冬小麦的预测氮含量(%).

建模结果如表6所示.从表6可以看出，建模的R2，RMSE,NRMSE分别为0.6，0.14，10.81%，结果表明该模型具有较高的精度，进一步对冬小麦PNC估测模型进行验证，验证的结果见表6，预测值和实测值关系如图3所示.

从图3和表6可以看出，预测值和实测值具有较高的一致性，其验证的R2，RMSE，NRMSE分别0.54，0.18，14%.建模和验证的精度较高，表明该方法进行冬小麦PNC的估测具有较高的可靠性.

表6 建模和验证结果

3 结 论

本研究以冬小麦为研究对象，利用光谱特征变量，通过逐步回归法建立不同生育期冬小麦PNC遥感估测模型，用R2，RMSE和NRMSE分析评定建模和验证精度，得出如下结论：

(1)在开花期，A-NDVI4，A-RVI8与冬小麦PNC相关性最好，相关系数r均为0.63，A-NDVI1，A-RVI5与冬小麦PNC相关性最低，相关系数r为0.53；在挑旗期A-NDVI4与冬小麦PNC相关性最好，相关系数r为0.67，A-RVI5与冬小麦PNC相关性最低，相关系数r为20.56，

(2)利用逐步回归法建立不同生育期冬小麦PNC遥感估测模型，研究表明：在开花期，估测模型的R2，RMSE，NRMSE分别为0.77，0.11，11.58%，验证结果表明预测值和实测值具有较高的一致性，其R2，RMSE，NRMSE分别为0.72，0.14，10.48%；在挑旗期，估测模型的R2、RMSE、NRMSE分别为0.60，0.14，10.81%，验证结果表明预测值和实测值具有较高的一致性，其R2，RMSE，NRMSE分别为0.54，0.18，14%.两期的建模和验证精度较高，表明该方法进行冬小麦PNC的估测是可行的，研究结果可为冬小麦PNC的测定提供参考价值.