利用高光谱影像估算氮营养指数

肖天豪，范园园，冯海宽，李天驰，杨福芹

(1.河南省测绘工程院，郑州 450003；2.河南工程学院 土木工程学院，郑州 451191；3.国家农业信息化工程技术研究中心，北京 100097)

0 引言

氮是农作物中蛋白质、遗传物质核酸、叶绿素等的重要成分，并对籽粒蛋白质含量与结构有重要影响[1-2]。当植物氮量含量较少时，植株生长发育不良，分叉及穗数少，蛋白质含量及产量低；氮肥过量时，小麦大量分蘖，茎叶生长过快，容易发生倒伏和病虫害。因此，精准判别农作物氮素含量成为重中之重[3-4]。

目前，无人机遥感广泛应用于作物氮素状况估测。秦占飞等[5]基于无人机高光谱影像的比值光谱指数(ratio spectral index，RSI)，构建了水稻氮含量反演的线性最优估测模型；刘帅兵等[6]基于无人机影像，通过提取每区域的DN值构建植被指数，采用多元回归模型对冬小麦氮含量反演，相比于传统方法，模型稳定性很高；陈鹏飞等[7]基于高空间分辨率遥感影像，验证了土壤背景及纹理信息能够提高对棉花氮浓度反演精度；Lemaire等[8]构建了氮浓度稀释曲线，用氮营养指数对氮肥进行估算；Liu等[9]研究表明融合空间信息和光谱信息可以有效提高反演叶绿素含量的精度；魏全全等[10]采用经验回归法建立了数码相机DN值与叶片氮浓度的关系，构建基于数字图像技术的最佳方程模型，结果表明模型预测精度较好。然而上述学者获取的植被指数是直接作为氮营养指数的输入参数，对植被指数之间的相关性考虑不足，会影响氮素反演的精度。

综上所述，为解决上述问题，本研究以冬小麦为研究对象，整合相关系数和膨胀因子，综合选取相关性高和多重共线性小的植被指数，利用偏最小二乘法和BP神经网络探讨利用无人机高光谱影像估算冬小麦氮营养诊断模型的可行性及效果，以期为实时监测冬小麦氮素营养状况及生长状况提供有力保障。

1 材料与方法

1.1 实验设计

实验区选为北京市昌平区小汤山(40°00′N～40°21′N，116°34′E～117°00′E)。冬小麦品种为京9843(J9843)和中麦175(ZM175)。水分为3个水平：雨养(W1)、正常施水(W2)和2倍正常施水(W3)。氮肥施用量分为4个水平：未施氮肥(0 kg/hm2，N1)、195 kg/hm2氮肥(1/2正常，N2)、390 kg/hm2氮肥(正常，N3)和585 kg/hm2氮肥(3/2正常，N4)。实验田东西向长度为84 m，南北向长度为32 m，共48个小区，每个小区面积是6 m×8 m，16个小区为1组，重复3次，重复1和重复2用于建模，重复3用于验证。如图1所示。

1.2 数据获取

1)地上部生物量及植株氮含量的获取。实验在2015年4月26日，获取挑旗期冬小麦生物量和氮含量等数据，首先，在室外固定样方的每个区域内，随机选取20株小麦作为样本；然后，将各器官称重置于纸袋中，放置于烘箱105 ℃杀青30 min；最后，定成恒温75 ℃烘干至恒重(约48 h)，将烘干后的各器官称重，将称重的植株各部分粉碎，采用凯式定氮法测定冬小麦叶、茎、穗等氮含量。

2)氮营养指数。Lemaire等根据氮临界浓度稀释曲线建立了氮营养指数(nitrogen nutrition index，NNI)模型，临界氮浓度(Nc)为作物地上生物量达到最佳生长速度所需要的最低氮浓度。

1.3 高光谱指数

根据无人机反射率的研究范围，构建氮素与植被指数的相关关系模型，选择了19个植被指数对冬小麦氮营养状况进行研究：归一化色素差值指数PSNDc[11]、植被色素比率PPR[12]、改善角度植被指数MCARI[13]、比值植被指数SR(533，565)[14]、光化学植被指数PRI[15]、红边位置指数REP内插REP内插[16]、红边归一化指数RENDVI[17]、比值指数-1dB(RI-1dB)[18]、双峰冠层氮指数DCNI[19]、绿色色素指数CIgreen[20]、红边比值指数SR705、卡特指数CTR2[21]、三角植被指数TVI[22]、光化学植被指数PRI、土壤调节植被指数SAVI[23]、优化土壤调节植被指数OSAVI[24]、修正土壤调节植被指数MSAVI[25]、归一化植被指数NDVI[26]、绿波段归一化植被指数GNDVI[27]、比值植被指数-1(RVI-1)[28]。

1.4 数据分析方法

1)方差膨胀因子。方差膨胀因子(variance inflation factor，VIF)是衡量各种回归模型中自变量与自变量间多重共线性严重程度的一种度量，用于植被指数之间存在的多重共线性分析[29]。

2)偏最小二乘法。偏最小二乘法是一种集多元线性回归分析、典型相关分析和主成分分析于一体的新型多元统计数据分析方法，该方法能在自变量之间存在多重共线的条件下进行回归计算。

3)BP神经网络。BP神经网络是目前应用较为广泛的神经网络[30]，在结构上有输入层、隐含层和输出层。BP神经网络通过自身训练，以及利用梯度下降算法来自主计算目标函数的最小值，从而输出期望数据[31]。实验中BP神经网络的输入节点数为20，输出节点数为4，隐含层节点数为16，训练迭代次数为1 000次。

4)精度评价。为了评价模型的效果，选取决定系数(coefficient of determination，R2)、均方根误差(root mean square error，RMSE)作为模型评价指标。

2 结果与分析

2.1 植被指数与NNI的相关性

表1为冬小麦植被指数与NNI的相关关系。

表1 植被指数与冬小麦NNI的相关性

从表1中得出，除了植被指数MCRI、CIgreen不存在极显著相关外，其他植被指数，如PSNDc、PPR等与NNI都达到了极显著相关(P<0.01)。其中，RENDVI相关性较好，r为0.785 1；DCNI相关性最差，r为0.511 8。植被指数与NNI的相关性依次为RENDVI、RVI-1、RI-1dB、NDVI、PSNDc、RVI、GNDVI、SR、SAVI、CTR2、PRI、TVI、PPR、OSAVI、REP内插、MSAVI、DCNI、MCRI、CIgreen。

2.2 植被指数间的多重共线性分析

为防止偏最小二乘回归以及BP神经网络入选参量之间的高相关，降低植被指数之间的共线性，采用膨胀因子对植被指数之间进行多重共线性分析，如图2所示。颜色越深则表示两植被指数之间的共线性越强，反之越弱。由图2可知，当020时，PRI与SR，REP内插与SAVI，REP内插与OSAVI无法共线。

为了保证植被指数对氮营养指数的敏感性，将相关系数与膨胀系数进行结合，选取相关性强且指数间共线性弱的植被指数作为自变量，进行氮营养指数建模。结合表1和图2，把植被指数RVI-1、SNDc、SR705、SAVI和CTR2作为输入变量，采用偏最小二乘法和BP神经网络构建氮营养指数模型。

2.3 氮营养指数建模与验证

采用偏最小二乘法和BP神经网络算法，基于RVI-1、PSNDc、SR705、SAVI和CTR2 5个植被指数构建氮营养指数模型。冬小麦氮营养指数建模结果如表2和图3(a)、图3(b)所示。由表2和图3(a)、图3(b)得出：偏最小二乘建模的R2和RMSE分别为0.681 5和0.284 0，BP神经网络建模的R2和RMSE分别为0.935 2和0.267 7，氮营养指数实测值与预测值较均匀地分布在1∶1线附近，BP神经网络建模精度高于偏最小二乘建模精度。为了验证模型的有效性，采用16个数据样本，利用偏最小二乘法和BP神经网络进行验证。结果见表2和图3(c)、图3(d)。利用偏最小二乘法验证的R2和RMSE分别为0.722 3和0.212 5，BP神经网络验证的R2和RMSE分别为0.748 4和0.216 3，偏最小二乘法实测值与预测值大多分布在1∶1线之下，部分值被低估。而BP神经网络实测值与预测值较均匀地分布在1∶1线附近。从建模和验证结果可以看出，BP神经网络构建的氮营养指数模型效果优于偏最小二乘法。

表2 NNI的估算与验证

将偏最小二乘回归和BP神经网络构建的氮营养指数模型应用于无人机影像上，冬小麦氮素营养状况空间分布如图4所示。由图4(a)可知，采用偏最小二乘法构建的氮营养指数模型，其缺氮情况比较严重，大多数实验区域NNI预测值小于0.9，表明氮营养状况不佳，只有少部分实验区域NNI预测值大于0.9。由图4(b)可知，估算的氮素营养状况与实际施氮情况接近相符。综上所述，基于无人机高光谱影像，采用BP神经网络模型能准确反演冬小麦氮营养指数，能有效地对实验区氮营养状况进行监测。

3 结束语

本研究基于无人机高光谱影像数据，分析了植被指数与NNI的相关性，采用相关系数和膨胀因子筛选出对氮营养指数敏感、植被指数间多重共线性弱的植被指数，最后采用偏最小二乘法和BP神经网络两种方法构建了氮营养指数模型，结论如下。

1)氮营养指数相关性好且植被指数间多重共线性弱的5个植被指数分别为RVI-1、PSNDc、SR705、SAVI和CTR2。

2)利用BP神经网络构建的氮营养指数模型效果较偏最小二乘法精度高，R2为0.935 2，RMSE为0.216 3。

因此，基于无人机高光谱影像的氮营养指数模型能够高效、快捷地监测冬小麦氮素营养含量。