基于特征转移植被指数的水稻叶片氮素含量定量估算

于丰华，邢思敏，郭忠辉，白驹驰，许童羽※

（1. 沈阳农业大学信息与电气工程学院，沈阳 110866；2. 辽宁省农业信息化工程技术研究中心，沈阳 110866）

0 引 言

随着光学遥感技术的不断发展，利用多光谱、高光谱遥感数据对水稻进行定量遥感反演，已成为快速获取水稻营养状况、病虫害胁迫、表型信息等理化参量的重要技术手段。氮素作为水稻生长过程中所必须的大量元素，其含量在水稻叶片内的亏缺程度将对水稻的生长状态有着重要影响。因此如何利用光谱技术实现水稻氮素含量的快速、精准反演，是近年来水稻数字化生产、育种表型高通量获取等研究中重要的研究热点。

近年来，高光谱技术由于光谱分辨较高，相比传统的多光谱监测能够快速获取水稻连续波段的高光谱反射率信息。如何利用丰富的高光谱信息构建植被指数，高效、准确实现水稻氮素含量的定量反演模型，国内外研究人员已开展了大量研究工作。

林维潘等借鉴了NDVI的构建原理及形式构建了三波段植被指数（Three-band Vegetation Index,TVI），结果表明该植被指数可以有效预测叶片氮积累量，决定系数为0.68，均方根误差（Root Mmean Square Error，RMSE）为0.39。Osco等基于无人机获取的多光谱图像，提出随机森林算法处理的光谱植被指数推断植株冠层的氮含量，其预测模型达0.90，RMSE为0.307mg/g。Bronson等研究得出归一化差异红边指数（Normalized Difference Red Edge Index，NDRE）和红边叶绿素指数（Chlorophyl Red Edge，CIRE）能够较早检测到棉花氮含量的缺乏，结合带有近红外和红边波段光学传感器，指导基于灌溉棉花的季节性氮管理。李艳大等基于CGMD 光谱仪的差值植被指数（Difference Vegetation Index，DVI）的线性方程可较好地预测植株氮积累量，为0.90～0.93，模型检验的RMSE、相对均方根误差（Relation Root Mean Square Error,RRMSE）和相关系数分别为3.71～6.33 kg/hm、11.7%～14.3%和0.93～0.96。宋红燕等研究了植株冠层光谱特征与植株氮素含量之间的关系，并构建了植株含氮量的估算模型。结果表明覆膜旱作水稻植株氮含量与552和890 nm等2个敏感波段构成的比值（Ratio Vegetation Index, RVI）和绿色归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）的关系最佳，其中植株全氮含量拟合方程的决定系数为0.730～0.808。Ramachandiran等利用植被指数（GNDVI、NDVI）构建线性回归模型估算与作物氮素含量、预测植株的实际粮食产量，决定系数在0.81～0.85之间。结果表明光谱植被指数能够通过遥感量化氮和水胁迫对玉米的综合影响。田永超等综合分析了水稻冠层高光谱植被指数与叶层氮浓度的定量关系，结果表明以3个蓝光波段（434、496、401 nm）构建的光谱参数与水稻叶层氮浓度呈极显著的直线相关关系，该植被指数对水稻叶层氮浓度具有较好的预测性。谭昌伟等对水稻氮素含量与原始光谱反射率、一阶微分光谱以及高光谱特征参数间的相关性进行了分析，结果表明以植被指数的归一化变量为自变量构建的水稻氮素营养高光谱遥感诊断模型能较好地诊断水稻氮素营养，为0.8755，RMSE为0.2372 mg/g，该模型可定量诊断水稻氮素营养。Moharana等用对施氮量较为敏感的水稻临界波长光谱反射率构建衍生的植被指数，结果表明该指数能够有效区分大多数品种水稻的氮浓度水平，并用于评估水稻农业系统中的氮胁迫。薛利红等研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明近红外与绿光波段的比值（/）与叶片氮积累量（Leaf Nitrogen Accumulation，LNA）呈显著线性关系且不受氮肥水平和生育时期的影响，模拟值与实测值之间符合度较高估算精度为91.22%，估计的RMSE为1.090 mg/g，平均相对误差为0.026 mg/g。

目前，水稻氮素含量植被指数的构建形式还是以传统的NDVI、EVI等植被指数的构建方法为主，即只是改变了指数波段，指数构建形式并没有变化，且缺少对氮素与光谱特征之间关系的深入挖掘。本研究通过选取400～1 000 nm范围内水稻叶片高光谱反射率的特征波段，提出一种波段特征转移的思想，构建水稻氮素含量特征转移指数（Nitrogen Characteristic Transfer Index，NCTI），以期为水稻叶片氮素含量快速监测构建一种高效、精准的植被指数，为水稻营养诊断、氮高效品种筛选等应用场景提供一种新的易于操作的检测方法。

1 材料与方法

1.1 研究区概况

试验地点位于辽宁省海城市耿庄镇沈阳农业大学精准农业航空科研基地（北纬 40°58'45.39"，东经122°43'47.0064"），试验品种为辽宁地区广泛种植的“粳优653”品种。试验于2020年6－9月进行；返青期、分蘖期、拔节期、抽穗期进行水稻叶片高光谱反射率测量与全氮含量测定。

试验小区设计为5个氮肥梯度处理（图1），分别为N0、N1、N2、N3、N4；各小区之间采用田埂进行分隔。其中N0为对照组，即不施用基肥；N3为当地标准氮基肥施用水平，氮肥施用量为150 kg/hm，N1、N2为低氮施肥水平，施用量分别为50和100 kg/hm；N4为高氮施肥水平，施用量为200 kg/hm；磷肥和钾肥的施用按照当地标准施用量进行，其中磷肥标准施用量为144 kg/hm，钾肥标准施用量为192 kg/hm。每个氮肥梯度进行三次重复，每个小区面积40 m（5 m×8 m），区组随机排列。氮肥按基肥∶分蘖肥∶穗肥=5∶3∶2追加施用。其他田间管理按当地正常水平进行。每周进行一次样品采集，每小区取四穴样本测量鲜物质量，干物质量及氮素含量。

图1 试验区域及小区设计 Fig.1 Experimental area and plot design

1.2 数据获取

为了保证叶片活性，在对水稻破坏采样的过程中，将整穴水稻的根部连带着根部的土一起挖出，装入标记好的自封袋中，放进低温保温箱中带回实验室，水稻叶片在不离体的状态下进行光谱的测量。水稻叶片高光谱测量采用海洋光学的HR2000+光纤光谱仪，HR2000+整合了高分辨率光学平台，2 MHz的A/D转换器，可编程电子器件，采集速度、光谱分辨率较高（半高峰宽为0.035 nm），有效波长范围在400～1 000 nm之间，适合用于水稻叶片高高光谱反射率数据快速采集。为了保证光谱反射率的采集质量，本研究在测量环节接入积分球，保证光谱仪光源发出的光在叶片上分布均匀。水稻叶片高光谱采集过程中，每5 min进行一次标准版反射率定标（反射率>99%）和光谱仪仪器背景暗噪声光谱数据的采集，用于获取水稻叶片精准的反射率信息。每个叶片采集三个位置，每个位置进行五次重复采集，通过计算平均高光谱反射率来表征水稻最终的高光谱反射率信息。

对每个小区中采样点水稻进行整穴破坏性取样，带回实验室后将该穴水稻所有新鲜叶片剪下置于烘箱中以120 ℃杀青60 min，再以80 ℃烘干至恒质量。称量后将其粉碎，把研磨好的粉末采用凯氏定氮法检测叶片的含氮量（mg/g），具体步骤如下：

1）称量与炭化，在分析天平中放入称量纸进行校零。将干燥过后的样品放入称量纸上，称取（0.2±0.01）g。将称量好的水稻干叶样品放入50 mL锥形瓶内并编号，将100 mL的浓硫酸溶液分别加入锥形瓶，摇匀，放至干燥器皿中静置4 h，直至瓶中样品彻底炭化。

2）煮沸与蒸馏，将2～3 mL浓度为30%的过氧化氢溶液加入每个锥形瓶中，然后加热至出现酸雾后，继续加热10 min后取下，并继续向其中滴入2～3 mL浓度为30%的过氧化氢溶液，加热至瓶中溶液澄清透明。将溶液放入量程为50 mL的容量瓶内，待溶液冷却后定容至50 mL。称量10 mL浓度为2%的硼酸溶液，并滴入1～2 滴甲基红-溴甲酚绿指示剂，将配置好的硼酸溶液置于蒸馏器的出液口处。量取5 mL配置好的过氧化氢溶液与5 mL的10 mol/L过氧化钠溶液混合，放入蒸馏器中加热蒸馏。同时，使用pH值试纸对蒸馏器出口处的冷凝液进行pH值测试，当pH值等于7时，暂停加热。

3）滴定，采用浓度为0.02 mol/L的硫酸对硼酸溶液进行滴定，直至硼酸溶液逐渐变成酒红色为止，并记下所用硫酸体积。同时进行空白对照试验。

4）水稻叶片氮素含量计算。计算公式如下：

式中、分别为样品所用的硫酸溶液体积和空白试验所用硫酸溶液体积（L）；为硫酸溶液浓度（mol/L）；为样品质量（mol）。

1.3 水稻叶片高光谱反射率特征波段选择

本研究所采用的非成像高光谱仪在400～1 000 nm范围内光谱分辨率为0.463 nm，分辨率较高，而植被指数通常是由几个特征波段通过一定方式组合构建的一种数学表达形式，因此如何从连续的高光谱反射率中提取与水稻氮素含量具有相关性的特征波段是构建氮素含量反演植被指数的基础。

本研究首先利用ENVI软件中的光谱重采样模块，对所采集的400～1 000 nm范围内的水稻叶片高光谱信息进行重采样，将高光谱波段间隔重采样为1 nm。并再此基础上，利用连续投影法对所选范围内的高光谱反射率信息进行特征波段提取。

连续投影算法（Successive Projections Algorithm，SPA）是一种前向波段选取方法，从一个波段变量开始，每次循环都计算其在剩余波段内的投影，并将投影向量最大值对应的波段引入到波段组合中，同时保证选入波段与前一个波段的相关度最低，之后重复以上步骤，直至选出的波段数满足给定的要求为止。由于连续投影算法能够在有效减小变量间的共线性的同时建立冗余信息量最小的波段组合，大大降低了建模所用的波段数目，本研究采用Matlab平台实现连续投影法算法提取特征波段。

1.4 水稻叶片氮素植被指数构建

现有水稻氮素含量植被指数的构建大多是在植被指数形式已确定的情况下，通过更换不同波段来形成新的植被指数，这种方法的特点是可利用成熟的植被指数构建形式，根据反演参量的不同来确定最优的波段，例如RVI（Ratio Vegetation Index）等，这种植被指数的构建形式大多以两波段植被指数居多。

本研究在植被指数构建过程中，首先通过特征波段选择方法，从高维的高光谱信息中提取特征波段子集。在此基础上，提出了一种波段特征转移的思路，将多个特征波段转换为3个波段构成氮素特征转移指数（Nitrogen Characteristic Transfer Index，NCTI），波段特征转移法构建植被指数具体步骤如下：

1）通过高光谱降维的方式选取氮素含量的高光谱特征波段反射率……R，为光谱波段；

2）选择选择其中任意一个特征波段反射率（t∊ 1 、2… …） 作为特征转移波段；

4）为了突出特征的变化，选择R变化最大的一组特征光谱比值的分母R作为指数统一变化的基础。

5）在R变化最大的一组特征光谱比值中，选择光谱特征比值与氮素含量相关性最好的两个特征光谱比值作为植被指数的底R和真数R。

6）取对数之后比值结果与氮素含量依旧保持了较好的相关性，所以选择两组特征光谱比值（j∊1、2），采用式（4）构建氮素特征转移指数（NCTI）。

本研究采用线性回归方法构建水稻叶片氮素浓度反演模型，采用均方根误差（RMSE）和模型决定系数（）作为氮素反演模型的评价标准。

2 结果与分析

2.1 数据分析

将试验中测得的氮素含量数据，采用3倍标准差分别对各个关键生育期氮素含量进行异常值剔除。同时采用蒙特卡洛算法将各关键生育期异常光谱数据剔除，最终得到173个样本。同时采用Kennard-Stone算法（KS）将样本按照训练集与验证集4∶1的比例进行划分，其中训练集138个，验证集35个，其氮素含量统计表如表1所示，由表 1 可知，本研究的建模数据集和验证数据集2组数据除样本量不同之外，其他统计参量相差不大，变异系数均小于40%，满足氮素含量反演要求。

表1 水稻叶片氮素质量分数统计表 Table 1 Statistical table of nitrogen content in rice leaves

水稻叶片光谱特性及其变化能够反映水稻的生长发育状况，是反演水稻营养成分的基础。水稻叶片的反射光谱特征主要受叶片色素含量和氮素含量的影响，此外还受到叶片内部结构（叶片间隙和细胞厚度）的影响。如图2所示，在标准施氮水平下水稻3个关键生育期的光谱反射曲线如图所示。

图2 不同生育期的水稻叶片高光谱特征曲线 Fig.2 Hyperspectral characteristic curve of rice leaves in different growth stages

图2为对应不同生育期的水稻叶片光谱曲线，光谱波段范围为400～1 000 nm。由图2可知，水稻叶片光谱曲线在3个关键生育期呈现出大致相同的变化规律，各时期光谱曲线均存在极为显著的“双谷一峰”特征。随着水稻生育时期的改变，光谱特征曲线主要在可见光区域和近红外区域处具有显著变化，在近红外波段区域，从分蘖期到抽穗期，光谱曲线发生较大变化，各个生育期的近红外区域的高光谱反射率均逐渐增大。

水稻叶片高光谱反射率是开展定量反演的重要前提，但连续波段的高光谱反射率信息中含有大量的冗余信息，本研究采用连续投影算法对400～1 000 nm波段的水稻高光谱进行特征波段筛选，并利用校正集对筛选波段进行内部交叉验证，交叉验证均方根误差（Root Mean Square Error of Cross Validation，RMSEVC）呈现出逐渐变小的走势，RMSEVC值达到最低时，表示最优波段集合包含的波段数量，即为该时期最优子集波段数量。根据验证结果的RMSECV值筛选了6个水稻叶片氮素含量高光谱特征波段（图3），对应波段分别为500、555、662、690、729、800 nm，筛选的特征波段可作为植被指数构建的数据基础。

图3 水稻叶片高光谱特征波段SPA筛选结果 Fig.3 SPA(Successive Projections Algorithm) screening results of hyperspectral characteristic bands of rice leaves

2.2 氮素特征转移指数构建结果

本研究共提取了6个特征波段，按照所对应氮素含量进行排序，6个特征波段的反射率分布如图4所示。

由图4a可知，SPA所提取的6个特征波段，在氮素含量不同的情况下，存在一定的变化。将6个特征波段的反射率两两组合做比值后，特征波段反射率均有一定的变化，而以800 nm波段反射率为分母时，变化最大。为了能够突出变化特征，本研究将800 nm波长作为统一变化基础。每一个特征波段均与800 nm波段反射率做比值，处理后的水稻叶片样本特征变化如图5所示。

由图4b可知，其余5个波段与800 nm作比值后，其中550 nm波长的反射率特征变化较为明显，500、662、690 nm的反射率特征几乎没有变化。729与800 nm特征较为相近，但作比值后，仍然保持了很好的特征变化区间。因此本研究分别选择550和800 nm 波段反射率比值、729和800 nm 波段反射率比值，作为构建植被指数的基础。

图4 各特征波段反射率变化趋势图 Fig.4 Trend of reflectance of each characteristic waveband

由图5a和图5b可知，经过比值计算后与氮素含量之间的单调关系均有所增加，所以以550和800 nm 波段反射率比值作为底、729和800 nm 波段反射率比值作为真数，采用公式（2）构建植被指数。

图5c为NCTI指数的散点图，通过散点图可知，本研究构建的新型植被指数具有较好的单调变化。

图5 不同波段比值指数与氮素含量的单调关系趋势图 Fig.5 Trend of monotonic relationship between the ratio index and nitrogen content in different bands

2.3 水稻氮素含量反演结果

将本研究所构建的NCTI新型植被指数作为模型输入，采用非线性关系构建水稻叶片氮素含量反演模型，模型决定系数为0.774，均方根误差RMSE为0.379（图 6）。

图6 水稻氮素含量反演结果 Fig.6 Inversion results of nitrogen content in Rice

2.4 反演结果分析与评价

已有较多学者研究利用植被指数开展水稻叶片氮素含量的反演，本研究从IndexData-Base数据库中选择氮素含量反演中常用的植被指数，用来与本研究所建立的NCTI型植被指数作对比。6种指数采用线性回归方法构建的水稻叶片氮素含量反演模型结果，模型决定系数均小于0.774，其中差值植被指数构建的三次函数拟合效果最好，决定系数为0.672 mg/g。综合模型结果来看，本研究所构建的NCTI新型植被指数线性拟合的效果最好。

图7 不同植被指数反演结果 Fig.7 Inversion results of different vegetation indices

3 讨 论

为了探究利用光谱技术快速、便捷的实现水稻叶片氮素的精准检测，本文以水稻叶片高光谱为研究对象，通过连续投影法筛选出对水稻叶片氮素含量变化敏感的特征波段，构建了新型植被指数定量估算水稻叶片氮素含量。为了从光谱信息中筛选出含有最低冗余信息的敏感特征波段，本文选择连续投影法筛选共线性最小的特征波段，使得变量之间的共线性达到最小的同时，保留了原始数据中绝大部分特征，被选取的特征波长物理意义明确，具有很强的解释能力，因此可以有效的提高模型拟合精度。而本文通过连续投影法挑选出的550、729 nm敏感波段分别处于与叶片氮素含量较高的绿光和红光波段内，与前期的研究结果相吻合。本研究植被指数构建的主要思路是利用数学变换方法对特征波段进行组合成新型植被指数，、分别与做比值之后，发现比值结果与氮素含量存在较好的相关性，对数函数（0<<1）在其定义域内是单调减函数，取对数之后比值结果与氮素含量依旧保持了较好的相关性，并且避免个别极端值的影响，使得NCTI植被指数具有较好的拟合精度。

为验证NCIT植被指数的反演效果，本文对比了NCIT与其他常见植被指数的拟合精度，发现本文提出的NCTI植被指数拟合效果优于其他作者提出的植被指数，研究过程中发现，将其他学者提出的植被指数用于本文的数据集时，拟合效果有所下降。本文提出的NCTI植被指数用于其他数据集时也有可能会出现拟合精度下降，也存在普适性不足的问题，究其原因可能是采用了数据统计的方式构建植被指数，未在农学机理上探究敏感波段与氮素含量之间的数学关系表达式；在研究过程中未考虑到不同季节、不同地区、不同品种对水稻叶片光谱变化产生的影响，已有学者对该问题做了探讨与研究。但由于植被指数计算简单且容易实现检测装置的研发与集成，基于植被指数的水稻氮素检测方法仍具有可观的研究价值。应在未来的科研试验中对上述问题开展更为深入的探讨与研究。本文采用线性回归方法构建了水稻叶片氮素含量的反演模型，线性回归的建模方式比其他神经网络算法更易在硬件设备上实现，运行时间更短，能够为实时的水稻氮素含量反演提供可能。

4 结 论

本文利用水稻叶片高光谱反射率信息，通过连续投影法提取高光谱特征波段，并运用氮素特征转移法构建了氮素特征转移指数，为水稻氮素含量的快速反演提供技术支撑，主要结论如下：

1）本研究采用连续投影法提取了500、555、662、690、729、800 nm等6个水稻叶片氮素含量特征波长。运用氮素特征转移思路构建了由550、729、800 nm组合而成的氮素特征转移指数（Nitrogen Characteristic Transfer Index，NCTI）。

3）以NCTI为输入，运用线性回归的方式构建水稻是氮素含量反演模型，其模型决定系数为0.774，均方根误差为0.379 mg/g，反演效果优于归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强植被指数（Enhanced Vegetation Index，EVI）等传统植被指数所建立的氮素含量反演模型。