基于无人机高光谱的冬小麦氮素营养监测

王玉娜，李粉玲，王伟东，陈晓凯，常庆瑞

（西北农林科技大学资源环境学院，杨凌 712100）

0 引 言

氮素是作物生长的必需营养物质，与作物的长势、产量和品质息息相关。氮素营养指数（Nitrogen Nutrition Index，NNI）是作物氮素营养诊断的一个重要指标[1-2]，能够定量地刻画作物氮素营养的丰缺及其程度，通常通过田间破坏性取样获取作物植株氮素和生物量信息来计算氮素营养指数，虽然准确度较高，但具有破坏性，且难以实现大面积监测，还存在测试结果对实际农业生产指导的滞后性[3]。因此，基于遥感技术的氮素营养指数无损监测成为当前精准农业研究的重要内容[4-7]。基于地面非成像高光谱技术，Zhao 等[8]对夏玉米可见光至近红外光的冠层光谱反射率进行综合分析，利用任意两波段组成的归一化光谱指数和比率光谱指数对氮素营养指数进行估算，采用减量精细采样法确定最佳光谱指数，结果发现对NNI最敏感的光谱带位于 710和512 nm，估测NNI的最佳光谱指数为两者构成的归一化光谱指数。梁惠平等[9]采用逐步回归分析法，建立玉米氮素营养指数与高光谱参数的定量关系，发现红边/绿边比值参数、红边/近红外比值参数、红边敏感点参数可作为快速诊断玉米氮素营养状态的敏感参数。刘昌华等[10]采用 ASD Field Spec3野外便携式高光谱仪，基于10种光谱预处理，结合偏最小二乘回归、反向传播神经网络和随机森林 3种模型对冬小麦氮素营养进行研究，结果表明随机森林算法结合卷积平滑算法建立模型精度最佳。王仁红等[11]采用线性内插红边位置、修正红边单比指数等光谱指数与冬小麦各氮素指标进行建模，发现线性内插红边位置估测冬小麦氮素营养指数的精度最高，决定系数为0.859。地面非成像高光谱遥感为氮素营养的定量估算提供了理论依据。近年来，随着无人机遥感技术的发展，通过无人机平台搭载高光谱相机能够获得小区域尺度上的作物冠层光谱图像信息，以高时效性、高分辨率、成本低等优势为作物氮素营养诊断和监测提供了新的视角。

对于无人机高光谱的作物氮素营养估算主要是直接基于单个植被指数或多个植被指数与回归模型结合来实现的。魏鹏飞等[12]选取15个植被指数，运用逐步回归分析法获得不同生育期估算玉米氮素营养的最佳模型。秦占飞等[13]利用无人机高光谱影像738和522 nm波段反射率构建的比值植被指数能够准确评估水稻叶片氮素含量。刘昌华等[14]利用无人机多光谱影像，基于冬小麦关键生育期的光谱指数，实现冬小麦氮素营养指数的有效估算。以上研究都是基于单个或多个植被指数对作物氮素营养进行估测，但无人机高光谱具有较多波段，可以更加充分地获取作物冠层光谱信息。

综上，本研究以关中地区抽穗期冬小麦为研究对象，利用无人机搭载Cubert UHD185成像光谱仪获取光谱数据，利用相关性分析法筛选出与植株氮浓度、地上部生物量和氮素营养指数均敏感的三边参数、任意两波段光谱指数和植被指数，通过多元线性逐步回归、偏最小二乘回归和随机森林回归建立冬小麦氮素营养指数估算模型，并比较模型精度，确定抽穗期冬小麦氮素营养指数的最佳模型，以期为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。

1 材料与方法

1.1 试验设计

试验地点分别位于陕西省杨凌农业示范区西北农林科技大学实验农场（34°14′N，108°10′E）和陕西省咸阳市乾县梁山镇齐南村（34°38′N，108°07′E）（图1）。供试农作物品种为“小偃 22”，氮肥源为尿素。2个试验区的肥料均作为底肥一次性施入，不追肥，田间管理按大田管理方式进行。其中，西北农林科技大学实验农场设20个小区，每个小区面积为5.5 m×6 m，土壤类型为粉砂黏壤土。氮肥施入量分别为 0、45、90、135和180 kg/hm2，每个梯度设置2个重复。乾县梁山镇齐南村设36个小区，每个小区面积为9 m×10 m，土壤类型为壤土。氮含量设置6个梯度，分别为0、30、60、90、120和150 mg/kg，每个梯度设置2个重复。

图1 研究区地理位置Fig.1 Geographic location of study area

1.2 数据获取

1.2.1 光谱数据获取

试验采用八旋翼无人机遥感平台搭载 Cubert UHD185成像光谱仪获取冬小麦冠层高光谱图像。该光谱仪光谱范围为 450～950 nm，采样间隔为 4 nm，可在0.001 s内获得125个光谱通道的高光谱影像。数据采集前首先规划无人机飞行航线，设置飞行高度为100 m，镜头垂直朝下，视场角为30°，地面分辨率为0.3 m，航向重叠度80%，旁向重叠度60%。数据采集后，使用图像处理软件Agisoft PhotoScan进行影像拼接，在地理信息系统软件ArcGIS中，以谷歌地图中下载的影像和地面采集的 20个控制点为参考对拼接图像进行几何校正和配准，以保证镶嵌图像的几何精度，校正后的图像在图像处理软件ENVI 5.3软件中进行辐射定标，将影像的数字量化值（Digital Number，DN）值转换为地表反射率，并解译识别小麦地块。根据地面采样点位置构建兴趣区，以兴趣区内冬小麦平均光谱反射率作为该样点的光谱反射率。

1.2.2 农学参数获取

以光谱测定点为中心，采集测量冠层光谱区域0.5 m×0.5 m范围内的地上部小麦植株，迅速密封装袋带回实验室测定地上部生物量鲜质量。并从中随机选取 20株样品称取其鲜质量后，置入牛皮纸袋中，在105 ℃杀青30 min，于80 ℃烘箱烘干，称取其干质量，通过干质量与鲜质量的比值乘以鲜质量计算地上部生物量。然后粉碎干样，称取 0.2 g左右，用浓 H2SO4在有催化剂的条件下消煮，采用凯氏定氮法测定植株氮浓度。

氮素营养指数（Nitrogen Nutrition Index，NNI）是Lemaire等[15]根据临界氮稀释曲线模型提出的，用作评定作物氮素营养状况，其定义是作物地上部植株氮浓度与临界氮浓度的比值，计算如式（1）所示：

式中N为植株氮浓度，%；Nct为临界氮浓度，%。

当NNI＞1时，表明所施氮肥过量；当NNI=1时，表明所施氮肥处于最佳状态；当NNI＜1时，表明所施氮肥不足。其中，临界氮浓度采用李正鹏等[16]的关中平原小麦地上部临界氮浓度稀释曲线模型，如式（2）所示：

式中W为地上部生物量，t/hm2。

1.3 光谱参数定义

光谱指数通过某些特定波段的组合来指示绿色植被内部的色素含量、水分变换和营养状态等[17-18]。本研究尝试构建3类光谱指数进行NNI的遥感估算：1）在一阶导数变换的基础上，选取蓝、黄和红边面积、一阶导数的最大值及绿峰和红谷反射率等 8类“三边”参数进行NNI估算。2）构建450～950 nm波段范围内任意两波段组合的归一化光谱指数（Normalized Spectral Index，NDSI）、比值光谱指数（Ratio Spectral Index，RSI）和差值光谱指数（Difference Spectral Index，DSI），分析3类光谱指数与氮素营养指数的相关性，依据相关系数绘制各任意两波段光谱指数的相关性等势图，筛选相关性最大的波段组合进行NNI的估算研究。3）根据已报导的与冬小麦氮素营养指数相关性较好的线性内插红边位置（Red-Edge Position by Linear Interpolation，REPLI）[19]、红边归一化指数（Red-edge Normalized Difference Vegetation Index，RNDVI）[20]、Vogelmann 红边指数（Vogelmann red-edge index，VOG）[21]、双峰冠层氮指数（Double-peak Canopy Nitrogen Index，DCNI）[22]和光化学反射指数（Photochemical Reflectance Index，PRI）[23]等五类植被指数进行NNI估算研究。各光谱指数及其定义如表1所示。

表1 谱指数及其定义Table 1 Spectral indices and definitions

1.4 模型构建方法

首先，分析光谱参数与植株氮浓度、地上部生物量及氮素营养指数的相关性，然后基于对植株氮浓度、地上部生物量和氮素营养指数均敏感的光谱指数，利用多元线性逐步回归（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林回归（Random Forest Regression，RFR）对NNI进行建模估算。

多元线性逐步回归是一种从许多自变量中依次选取对因变量影响最大并通过检验移除影响最小变量的统计方法。偏最小二乘回归是多元线性回归分析、典型相关分析和主成分分析的结合[24-25]，其能够通过主成分分析来确定参与建模的自变量，消除变量之间的多重相关性，利用有效的数据构建回归模型，提高建模精度的能力。随机森林回归是基于统计学理论对样本进行训练并预测的一种机器学习算法[26]，能有效解决非线性问题，具有很强的抗干扰能力[27]。本研究在统计软件SPSS中进行多元线性逐步回归和偏最小二乘回归，在统计分析软件 R中实现随机森林回归。

1.5 模型精度检验

在抽穗期共采集56个样本数据。对氮素营养指数数据进行排序，采用分层抽样的方法，选择42个样本构建氮素营养指数估测模型，14个样本进行模型验证。采用决定系数（coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）和相对预测偏差（Relative Prediction Deviation，RPD）对模型进行检验。R2越接近1，RMSE越小，说明模型拟合能力越好，预测精度越高。RPD＜1.5模型不具备预测能力；1.5＜RPD＜2.0模型具有粗略的估测能力；RPD＞2.0表明模型具有极好的预测能力[28]。RPD的计算如式（3）所示：

式中n为建模集或者验证集的样本数目，SD为验证集标准偏差。

2 结果与分析

2.1 植株氮浓度、地上部生物量及氮素营养指数的统计分析

抽穗期冬小麦植株氮浓度、地上部生物量及氮素营养指数的基本信息如表2所示。总体上，不同氮素水平的冬小麦地上部生物量差异较大，植株氮浓度和氮素营养指数的标准偏差和变异系数表明两个指标的离散程度较小，反映了研究区施肥量整体上不足。

表2 冬小麦生物量、氮浓度和氮素营养指数统计Table 2 Statistics of above-ground biomass, plant nitrogen concentration and Nitrogen Nutrition Index (NNI) of winter wheat

2.2 光谱参数与植株氮浓度、地上部生物量及氮素营养指数的相关性分析

2.2.1 “三边”参数与植株氮浓度、地上部生物量及氮素营养指数的相关性分析

分析“三边”参数与植株氮浓度、地上部生物量及氮素营养指数的相关性（表3），结果表明，蓝边面积（Sblue）、红边面积（Sred）、红边内最大一阶导数值（Dr）、绿峰反射率最大值（Rg）、红谷反射率最小值（Rr）与植株氮浓度达到极显著性相关（P＜0.01），其相关系数分别为-0.59、0.64、-0.57和-0.51。Dr与地上部生物量呈显著相关（P＜0.05），相关系数为 0.33；Sred、Rg、Rr与地上部生物量呈极显著相关。Sblue、Sred、Dr、Rg和Rr与氮素营养指数呈极显著相关，其相关系数分别为-0.59、0.61、0.63、-0.61、和-0.56；Db与氮素营养指数呈显著负相关，相关系数为-0.30。总体上，红边面积、绿峰反射率最大值和红谷反射率最小值与植株氮浓度、地上部生物量和氮素营养指数都有较好的相关性，这 3个光谱参数可用于氮素营养指数的估算模型构建。

2.2.2 任意两波段光谱指数与植株氮浓度、地上部生物量及氮素营养指数的相关性分析

波段范围在450～950 nm内任意两波段组合的DSI、NDSI、RSI 三类光谱指数与冬小麦氮素营养指数的相关性等势图如图2所示。其中，相关系数＞0.34的区域表示任意两波段光谱指数与冬小麦氮素营养指数达到极显著相关，将与氮素营养指数相关系数最高的波段组合定义为最优任意两波段光谱指数。最优任意两波段光谱指数的入选波段及其与氮素营养指数的相关系数如表4所示。结果表明，所筛选出的最优任意两波段光谱指数与氮素营养指数的相关性均通过了显著性检验（P＜0.01），而且与植株氮浓度和地上部生物量也呈现极显著相关关系。其中比值光谱指数与氮素营养指数的相关性最佳，相关系数为-0.73，敏感光谱位置为718和738 nm，这与王仁红等[11]在冬小麦氮素营养指数高光谱估测研究中所构建的比值指数的感波段位置相似（波段位于720和735 nm）。本研究任意两波段光谱指数与氮素营养指数的相关性较“三边”参数有明显提高（表3）。

表3 “三边”参数与植株氮浓度、生物量和氮素营养指数的相关性Table 3 Correlation of trilateral parameters with plant nitrogen concentration, above-ground biomass, and Nitrogen Nutrition Index (NNI)

图2 抽穗期任意两波段光谱指数与冬小麦氮素营养指数相关性等势图Fig.2 Correlation isopotential map of any two bands spectral index with Nitrogen Nutrition Index (NNI) of winter wheat at the heading stage

表4 光谱指数入选波段及其与植株氮浓度、地上部生物量和氮素营养指数的相关性Table 4 Selected band of spectral index and its correlation with plant nitrogen concentration, above-ground biomass, and Nitrogen Nutrition Index (NNI)

2.2.3 植被指数与植株氮浓度、地上部生物量及氮素营养指数的相关性分析

五类典型植被指数与植株氮浓度、地上部生物量和氮素营养指数的相关性分析结果如表5所示。所选植被指数与冬小麦植株氮浓度和氮素营养指数的相关性优于地上部生物量，这与 Wang 等[29]在估算草种子氮素营养指数中的研究结果一致。REPLI、RNDVI、VOG、DCNI、PRI与植株氮浓度、氮素营养指数均达到极显著相关；除DCNI指数外，REPLI、RNDVI、VOG、PRI与地上部生物量也达到极显著相关（P＜ 0.01），相关系数分别为0.48、0.42、0.36和-0.35。基于红边位置的植被指数与植株氮浓度、地上部生物量和氮素营养指数的相关性显著优于其他指数。有研究表明红边与作物单位面积的叶绿素含量密切相关，与作物自身的营养状况联系密切，且红边参数与农学组分具有相对稳定的数学关系[30]，因此，对氮素营养指数的估算具有一定的潜力。

表5 植被指数与植株氮浓度、地上部生物量和氮素营养指数的相关性Table 5 Correlation between reported vegetation index and plant nitrogen concentration, above-ground biomass and Nitrogen Nutrition Index (NNI)

2.3 氮素营养指数模型构建

由于氮素营养指数与植株氮浓度和地上部生物量有关，根据光谱参数与植株氮浓度、地上部生物量及氮素营养指数的相关性分析，Sred、Rg、Rr、DSI、NDSI、RSI、REPLI、RNDVI、VOG和PRI与三者均达到显著检验（P＜0.01），基于这10种光谱参数对冬小麦氮素营养指数进行建模估算研究。

2.3.1 基于单个光谱参数的氮素营养指数（NNI）估算

构建各光谱参数与冬小麦氮素营养指数的一元回归模型，各估测模型的建模集精度和验证集精度如表6所示。除基于线性内插法红边位置外，其他光谱参数与氮素营养指数的关系均表现为非线性。建模集中，NNI-DSI回归模型的R2为0.56最大，RMSE为0.17最小，模型精度最高，但NNI-DSI回归模型的验证集精度略有下降。NNI-RNDVI模型的建模集和验证集精度基本接近，验证集R2最高为0.55，RMSE最小为0.18。将NNI-DSI模型和 NNI-RNDVI模型实测值和预测值的空间分布绘制成散点图（图3），散点分布越接近于1∶1线，说明模型的估算效果越佳。NNI-RNDVI模型的散点分布更接近于1∶1线，离散程度较小，对氮素营养指数的估算能力更强，实测值与预测值的散点趋势线斜率为0.62。

2.3.2 基于多个光谱参数的氮素营养指数估算

以与植株氮浓度、地上部生物量和氮素营养指数相关性均满足置信水平为P≥0.01的光谱参数作为输入变量，以冬小麦氮素营养指数作为响应变量，分别构建基于多元线性逐步回归、偏最小二乘回归和随机森林回归的冬小麦氮素营养指数预测模型，模型的建模精度和验证精度如表7所示。在建模集中，基于多个光谱参数建立的NNI模型精度R2为0.63～0.88，RMSE为0.10～0.15，整体精度高于基于单个光谱参数建立的NNI预测模型。NNI-RFR模型的精度相对最佳，R2为0.88，RMSE为0.10；其次是NNI-PLSR模型，R2和RMSE分别为0.65和0.15；NNI-MLSR模型精度略低于偏最小二乘回归模型精度，R2为0.63，RMSE为0.15。在验证集中，基于随机森林回归的冬小麦氮素营养指数模型获得最佳的验证精度，R2为 0.79，RMSE为0.13，其实测值与预测值空间分布图如图4所示，相比NNI-RNDVI模型散点空间分布更接近1∶1线，散点趋势斜率为0.70。

表6 基于单个光谱参数的冬小麦氮素营养指数预测模型Table 6 Estimation model of Nitrogen Nutrition Index (NNI) of winter wheat based on single spectral parameter

2.4 模型精度对比

相对预测偏差通过实测值和预测值之间标准差和均方根误差之比来证明模型的预测能力，本研究中基于单个光谱参数建立的冬小麦氮素营养指数模型中，NNI-RNDVI模型的相对预测偏差RPD最高为1.56；其次是NNI-DSI模型的 RPD为1.53，具有粗略估测样本的能力，其他单个光谱参数所建模型不具备预测样本能力。基于多个光谱参数所建的氮素营养指数估测模型中，NNI-RFR模型的RPD最大，为 2.25，具有极好的模型预测能力；其次为NNI-PLSR模型的 RPD为 1.54，可以粗略估测样本；NNI-MLSR模型RPD为1.47，不具备模型预测能力。整体上，基于随机森林回归的冬小麦氮素营养指数模型精度高于基于偏最小二乘回归、多元线性逐步回归和基于单个光谱参数建立的模型，具有极好的样本预测能力，这与刘昌华等[10]在利用野外便携式高光谱仪进行冬小麦氮素营养诊断的结果一致，且精度远高于梁惠平等[9]建立的玉米氮素营养指数逐步回归分析模型。分析认为虽然偏最小二乘回归方法可以进一步对敏感光谱指数进行主成分提取，提高光谱指数与氮素营养指数之间的相关性，但是也存在解决非线性问题能力弱和丢失部分信息等问题。随机森林回归对噪声有较好的容忍度，且不容易过度拟合，可以通过内核函数有效解决非线性问题[26-27,31]，在诊断大面积冬小麦氮素营养状况时具有明显优势。

图3 基于差值光谱指数和红边归一化指数的氮素营养指数预测值与实测值相关性Fig.3 Correlation of measured values and predicted values of Nitrogen Nutrition Index (NNI) based on Difference Spectral Index (DSI), and Red-edge Normalized Difference Vegetation Index (RNDVI)

2.5 冬小麦氮素营养指数遥感填图

以乾县试验田为例（图5a），利用NNI-RFR估测模型对提取的小麦覆盖区进行无人机影像的遥感填图，得到冬小麦NNI的空间分布专题区，结果如图5b所示，从空间分布来看，冬小麦NNI呈现东部低值区，西部相对较高，整体上施肥量不足。为检验NNI-RFR应用于无人机遥感填图的精度，将同步采样所获取NNI实测值与冬小麦NNI的空间分布专题图的反演值进行拟合分析，其回归方程斜率与R2分别为0.79和0.78，可以较好的反映研究区内冬小麦NNI值的分布情况（图6）。目前，对于冬小麦氮素营养监测的研究多基于非成像高光谱，难以快速实现小区域范围内的氮素营养监测，而卫星遥感技术受空间分辨率的影响对氮素营养的遥感填图精度较低[3-5]。本研究表明，无人机搭载高光谱成像仪能以较高的空间和光谱分辨率为小区域冬小麦氮素营养的空间分布提供理论和技术支持。

表7 基于多元线性逐步回归、偏最小二乘回归和随机森林回归的冬小麦氮素营养指数预测模型验证Table 7 Prediction models’ verification of Nitrogen Nutrition Index (NNI) of winter wheat based on Multiple Linear Stepwise Regression (MLSR), Partial Least Squares Regression (PLSR) and Random Forest Regression (RFR)

图4 基于随机森林回归的冬小麦氮素营养指数预测值与实测值相关性Fig.4 Correlation of measured values and predicted values of Nitrogen Nutrition Index (NNI) of winter wheat based on Random Forest Regression (RFR)

图5 乾县基于随机森林回归的冬小麦氮素营养指数遥感填图Fig.5 Remote sensing mapping of Nitrogen Nutrition Index (NNI)of winter wheat based on Random Forest Regression (RFR) in Qianxian

图6 基于随机森林回归的冬小麦氮素营养指数实测值与估算值空间分布Fig.6 Space distribution between the measured values and estimated values of Nitrogen Nutrition Index (NNI) of winter based on Random Forest Regression (RFR)

3 结 论

本研究基于小区试验和无人机高光谱数据对抽穗期冬小麦的氮素营养进行了遥感监测，得出以下主要结论：

1）任意两波段筛选的光谱指数与氮素营养指数的相关性优于“三边”参数和典型植被指数，其中由718和738 nm波段反射率构建的比值光谱指数对氮素营养指数最为敏感；

2）基于对植株氮浓度、地上部生物量和氮素营养指数均为敏感的10种光谱参数构建的随机森林回归模型能够很好地预测氮素营养指数，模型决定系数为 0.79，均方根误差为 0.13，相对预测偏差为 2.25，可以实现小区域范围的氮素营养指数遥感填图，为冬小麦氮素营养的空间分布格局，变量施肥和产量估算研究提供理论依据。