基于高光谱的水稻叶片氮素估测与反演模型

张国圣， 许童羽， 于丰华， 陈春玲， 王 洋

(沈阳农业大学 信息与电气工程学院，辽宁 沈阳 110886)

基于高光谱的水稻叶片氮素估测与反演模型

张国圣， 许童羽*， 于丰华， 陈春玲， 王 洋

(沈阳农业大学 信息与电气工程学院，辽宁 沈阳 110886)

快速、无损、准确地监测水稻叶片氮素状况，对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义。利用无人飞行平台搭载高光谱成像系统获取水稻冠层高光谱数据，分析了试验点水稻分蘖期叶片氮素与冠层高光谱信息之间的关系。结果表明，水稻分蘖期叶片氮素含量与同期归一化差值植被指数(NDVI)之间有良好的相关性，可以建立水稻分蘖期叶片氮素含量反演的相关统计模型。

水稻氮素；高光谱；统计模型；归一化植被指数

大米是我国传统主食之一，而作为大米的产出者——水稻，则在我国粮食种植中占据了重要地位。鉴于我国对环境问题的日益重视，以及退耕还林等一系列环境保护措施的实施，新世纪水稻栽培科学的发展已经由追求高产的单一目标，发展为追求高产、优质、高效、生态、安全的综合目标。面对这一新的目标，水稻栽培科学要有新的发展、大的作为，必须走精确定量的发展方向[1]。氮元素在植物的生长过程中起重要作用，因此氮肥在农业生产与应用中具有重要作用，如何针对性施肥，在最大程度上减少化肥使用量，既能够降低其对环境的危害，又能够使农作物不会因此而减产成为“精细农业”中一个亟待解决的问题。

传统的作物氮素诊断方法主要有常规室内化学定量检测分析及“看苗施肥”、叶色卡等定性和半定量的方法。这样的方法虽然较直观可靠，但因其破坏性的大量采样，导致费时费工、分析成本高而难以得到普遍应用[2]。所以，快速、无损、准确地监测水稻叶片氮素状况 ，对于诊断水稻生殖生长特征、提高氮肥运筹水平具有重要意义[3]。利用光谱指数进行作物冠层氮素营养状况的估测一直是农业遥感研究的重要内容之一[4]，作为一种重要的经济作物，水稻氮含量的高光谱测定更是受到了广泛关注，在氮素的高光谱定量反演方面，国内外学者已进行了大量的研究工作，并取得了一定的成果[5-9]。

基于以上分析，本试验以沈阳农业大学道南试验田为研究区，通过获取水稻取样点的高光谱图像植被指数，建立区域水稻分蘖期冠层叶片氮素反演模型，从而对水稻冠层氮素含量进行估测，进而实现对水稻氮肥的精细管理。由于其与传统实验室方法相比具有破坏性小、检测速度快的特点，在农业生产生活中将会得到越来越多的应用。

1 材料与方法

1.1 试验设计

试验于2016年6—10月在沈阳农业大学农学院教学科研试验基地进行，试验田总面积约1 km2，其中进行本试验的试验田面积为900 m2。

供试水稻品种为沈稻47，株距10 cm，插秧时间5月27日，底肥均为过磷酸钙510 kg·hm-2，硫酸钾150 kg·hm-2。设0、225 kg·hm-2(1/2正常)、450 kg·hm-2(正常)、675 kg·hm-2(3/2倍正常)尿素4个施肥处理。种植18个小区，每个小区规格为8 m×5 m，编号为1～18号，小区采用完全随机排列，保护行100 cm。试验小区单灌单排，小区间采取隔离措施保证水肥不互相渗透。小区除施肥措施外，其他田间管理措施保持一致。

每个小区每周进行一次高光谱数据采集，同时进行破坏性取样，每个样品选取在试验地块中间位置，以减小边缘效应对实验数据的影响。每一小区根据遥感图像在长势较好和长势较差处各取一穴(约18株)，株高用卷尺进行测量。器官分离后随机分为2份，送至实验室进行水稻叶片的全氮分析，一份作为建模数据，另一份用来检验模型精度。试验田情况如图1所示。

图1 试验区域遥感图像Fig.1 Map of experimental area

1.2 数据获取

1.2.1 光谱测量仪器

水稻冠层高光谱数据通过无人飞行平台经纬M600搭载高光谱成像系统Gaia Sky-mini进行采集，其光谱范围为400～1 000 nm，光谱分辨率(4.0±0.5)nm，全幅像素1 320(空间维)×1 040(光谱维)，飞行器最大飞行速度18 m·s-1(无风)，最大飞行高度1 000 m，图像采集视场角25°，空间分辨率0.34 m。大疆经纬M600采用了模块化设计，搭载ZenmuseX5云台和“如影”RONIN-MX稳定器。M600内置专业级A3飞行控制系统、Lightbridge2图像传输系统，配置6块独立TB47S智能电池，电池容量4 500 mAh、电压22.2 V、整体质量595 g。

1.2.2 光谱数据获取

每次试验尽量选择在晴朗无云、气温峰值的气象条件下获取水稻冠层光谱信息，测定时间控制在10：00—14：00，如遇到阴雨天，则向后顺延，最迟不得超过16：00。测量时应保证传感器探头垂直向下，距离水稻冠层1 m，每次悬停10 s，以获取采样点附近区域的高光谱数据，所采集的图像使用ENVI5.3进行辐射校正。

1.2.3 农学参数获取

水稻农学参数随水稻生长过程进行获取，从每个小区破坏性取样水稻两穴，清查每穴水稻的株数，然后于自然条件下晾晒30 d，器官分离后将水稻叶片放入烤箱，在65 ℃条件下烘干12 h杀青，然后以95 ℃烘烤直至烘干。将水稻叶片研磨成粉、烘干，待冷却至室温后进行称量，每份样品0.2 g并进行平行试验，于实验室条件下以H2SO4-H2O2消煮法测量水稻叶片全氮含量。

归一化差值植被指数(normalized differential vegetation index，NDVI)用于增加在近红外范围绿叶的散射与红色波段范围叶绿素吸收的差异，NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗糙度等，且与植被覆盖有关。其计算公式如下所示：

(1)

其中ρNIR为近红外波段的反射值，ρRED为红光波段反射值，其值介于-1～1。

光化学植被指数(photochemicalreflectanceindex，PRI)对活植物的类胡萝卜素较为敏感，类胡萝卜素可标识光合作用中的光利用率或碳吸收率。其计算公式如下所示：

(2)

其中ρ531为中心波长531nm波段的反射值，ρ570为中心波长570nm波段的反射值，其值介于-1～1。

1.3 数据分析方法

本文依据水稻冠层光谱数据构建NDVI、PRI值，利用回归拟合方法构建水稻冠层叶片氮素反演模型，采用均方根误差(meansquareerror，MSE)和决定系数(R2)两种参数优选估测模型。R2越接近1，说明模型拟合度越好；MSE越小，说明模型精确度越高。在实验室条件下以化学手段所测数据对所筛选的估测模型进行验证，同时绘制叶片氮素含量实测值与估算值间1∶1散点图。本文中数据分析在SPSS22.0、ENVI5.3和Excel2010中完成。

2 结果与分析

对水稻分蘖期高光谱图像进行提取得到所需农学参数，并与相应的水稻叶片氮素含量进行对比分析可得，NDVI值与水稻冠层氮素含量的回归模型为N=0.0321NDVI+0.638，决定系数R2=0.8 234，PRI值与水稻冠层氮素含量的回归模型为N=0.0227PRI+0.0172，R2=0.2 609(表1)。这表明，水稻冠层氮素含量与NDVI值具有较显著的线性相关性，而与PRI值几乎不具有线性相关性。同时模型预测的水稻冠层氮素含量与实测值二者间MSE=0.4 174，处于可接受范围内，表明模型精确度较高。利用反演模型得出的估测值与实际测量值间均方差较小，P值大于0.05，可视为样本来自同一群体，预测值与实测值间无明显差异，表明反演模型的预测精度较高(表2)。

表1 高光谱图像植被指数值与叶片氮素含量间的回归模型(n=72)

Table1Regressionequationsbetweenvaluesofhyperspectralremotesensingimageandnitrogencontentofriceleaf(n=72)

植被指数Vegetationindexmodel回归模型Regression决定系数R2Decisioncoefficient均方根误差MSESquareerrorNDVIN=0 0321NDVI+0 6380 82340 0147PRIN=0 0227PRI+0 01720 26090 0186

表2 模型预测值与实际测量值对比(n=36)

Table 2 Comparison between predicted values by model and measured values(n=36)

来源Resource平方和Sumofsquares自由度df均方MeansquareF值F⁃valueP值P⁃value组间Intergroup5 804340 1719 9760 247组内Intragroup0 01710 017总计Total5 82135

图2 模型预测值与实测水稻叶片氮素含量间的关系(n=36)Fig.2 Relation between model predicted and measured nitrogen content of rice leaf(n=36)

图3 模型预测和实测的水稻叶片氮素含量与NDVI值的关系(n=36)Fig.3 Relation between predicted and measured nitrogen content and NDVI value of rice leaf(n=36)

3 结论与讨论

本试验使用无人飞行平台搭载高光谱成像设备对水稻冠层NDVI值与PRI值进行了测定，并对两种植被指数数值进行了优化，进而分析了水稻分蘖期叶片氮素含量与两种植被指数间的线性关系。结果表明，随着施氮量的增加，NDVI预测值与NDVI计算值均呈现增加趋势，各个处理间差异显著，具有一定的代表性，可以作为研究使用的载体；经过计算决定系数发现，模型预测的水稻叶片氮素含量与NDVI值具有良好的线性相关性(R2=0.694)，实测水稻叶片氮素含量与NDVI值也具有良好的线性相关性(R2=0.716)，而水稻叶片氮素含量与PRI值并无明显线性关系(R2=0.260 9)；通过均方差分析发现，模型预测的水稻叶片氮素含量与实测水稻叶片氮素含量二者间MSE=0.417 4，说明二者无明显差异，模型预测值与实际值较为接近。

综上所述，利用高光谱图像得到的NDVI值能够较好的反演水稻冠层氮素含量，可以建立较为准确、高精度的反演模型(N=0.0321NDVI+0.638)。但是其中仍存在不足，本反演模型只能应用于水稻分蘖期，当将其他时期得到的数据带入模型后，其结果并不理想。同时，反演模型是以统计学方法建立，需要一定数量的样本数据作为验证数据，这对于样本个数有限的试验来说是有影响的，尤其是在样本数较少的情况下，这个问题显得更加突出。

致谢：感谢沈阳农业大学分析与测试中心吴正超老师的支持与帮助!

[1] 凌启鸿，张洪程，丁艳锋，等. 水稻高产技术的新发展——精确定量栽培[J]. 中国稻米， 2005，11(1)：3-7. LING Q H， ZHANG H C， DING Y F， et al. Development of rice high-yielding techniques—Precisely fixed quantity planting[J].ChinaRice， 2005，11(1)：3-7. (in Chinese with English abstract)

[2] 邹长明，秦道珠，高菊生，等. 水稻氮肥施用技术Ⅱ-看苗施用氮肥的叶片诊断指标[J]. 湖南农业大学学报 (自然科学版) ， 2001 ， 27 (1) :29-31. ZHOU C M， QIN D Z， GAO J S， et al. Application technology of N fertilizer on riceⅡ.The index of diagnosing nitrogen nutrition in rice leaf[J].JournalofHunanAgricultureUniversity(NaturalSciences)， 2001， 27 (1):29-31. (in Chinese with English abstract)

[3] 张浩，姚旭国，张小斌，等.区域水稻穗期叶片氮素的遥感估测初探[J]. 核农学报，2009，36(3): 364-368. ZHANG H， YAO X G， ZHANG X B， et al. A primary study on nitrogen content of rice leaf based on remote sensing at spiking stage[J].JournalofNuclearAgricultureSciences， 2009，36(3):364-368. (in Chinese with English abstract)

[4] 王仁红，宋晓宇，李振海，等. 基于高光谱的冬小麦氮素营养指数估测[J].农业工程学报，2014，30(19):191-198. WANG R H， SONG X Y， LI Z H， et al. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J].TransactionsoftheChineseSocietyofAgriculturalEngineering，2014，30(19):191-198. (in Chinese with English abstract)

[5] CLEVERS J G P W， KOOISTRA， L. Using hyperspectral remote sensing data for retrieving total canopy chlorophyll and nitrogen content[J].IEEEJournalofSelectedTopicsinAppliedEarthObservations&RemoteSensing， 2012，5(2):574-583.

[6] 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[J].RemoteSensingofEnvironment， 2003， 86(4): 542-553.

[7] ZHU Y， ZHOU D， YAO X， et al. Quantitative relationships of leaf nitrogen status to canopy spectral reflectance in rice[J].AustralianJournalofAgriculturalResearch， 2007， 58(11): 1077-1085.

[8] FENG W， YAO X， ZHU Y， et al. Monitoring leaf nitrogen status with hyperspectral reflectance in wheat[J].EuropeanJournalofAgronomy， 2008， 28(3): 394-404.

[9] DANIELA S， MIRCO B， PIETRO A B， et al. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry[J].FieldCropsResearch， 2009， 111(1/2): 119-129.

[10] 李冰，刘镕源，刘素红，等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J].农业工程学报，2012，28(13)：160-165. LI B， LIU R Y， LIU S H， et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remotesensing system[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2012， 28(13):160-165. (in Chinese with English abstract)

[11] 田永超，朱艳，姚霞，等. 基于光谱信息的作物氮素营养无损监测技术[J].生态学杂志，2007，26 (9) :1454-1463. TIAN Y C，ZHU Y，YAO X， et al. Non-destructive monitoring of crop nitrogen nutrition based on spectral information[J].ChineseJournalofEcology， 2007， 26 (9) :1454-1463. (in Chinese with English abstract)

[12] 张浩，胡昊，陈义，等. 水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型[J].核农学报，2012 ，26(1):135-140. ZHANG H， HU H， CHEN Y， et al. Estimating nitrogen of rice leaf and protein of rice seed based on hyperspectral data[J].JournalofNuclearAgricultureSciences， 2012， 26(1): 135-140. (in Chinese with English abstract)

[13] 姚霞，朱艳，冯伟，等. 监测小麦叶片氮素积累量的新高光谱特征波段及比值植被指数[J].光谱学与光谱分析，2009，29(8):2191-2195. YAO X， ZHU Y， FENG W， et al. Exploring novel hyperspectral band and key index for leaf nitrogen accumulation in wheat[J].SpectroscopyandSpectralAnalysis， 2009， 29(8):2191-2195. (in Chinese with English abstract)

[14] 李刚华，丁艳锋，薛利红，等. 利用叶绿素计(SPAD-502)诊断水稻氮素营养和推荐追肥的研究进展[J]. 植物营养与肥料学报，2005，11(3):412-416. LI G H， DING Y F， XUE L H， et al. Research progress on diagnosis of nitrogen nutrition and fertilization recommendation for rice by use chlorophyll meter[J].PlantNutritionandFertilizerScience， 2005， 11(3):412-416. (in Chinese with English abstract)

[15] 谭昌伟，周清波，齐腊，等. 水稻氮素营养高光谱遥感诊断模型[J]. 应用生态学报，2008，19(6):1261-1268. TAN C W， ZHOU Q B， QI L， et al. Hyperspectral remote sensing diagnosis models of rice plant nitrogen nutritional status[J].ChineseJournalofAppliedEcology， 2008， 19(6):1261-1268. (in Chinese with English abstract)

[16] 田永超. 基于高光谱遥感的水稻氮素营养参数监测研究[D]. 南京：南京农业大学，2008. TIAN Y C. Monitoring research of rice nitrogen nutrition parameter based on hyperspectural remote sensing[D].Nanjing: Nanjing Agricultural University，2008.

(责任编辑 张 韵)

Nitrogen content inversion of rice leaf based on the hyperspectral data

ZHANG Guosheng， XU Tongyu*， YU Fenghua， CHEN Chunling， WANG Yang

(CollegeofEngineeringandElectricity，ShenyangAgricultureUniversity，Shenyang110886，China)

Non-destructive， rapid and accurate monitoring of nitrogen nutrition of rice leaf at spikingstage is significant in estimating crop reproductive growth， enhancing nitrogen management and use efficiency. In this study， the field experiments were carried out and the hyperspectral data of rice canopy was acquired at the same time by the unmanned aerial vehicle. The relationship between nitrogen content and hyperspectral data was analyzed. The result showed that the leaf nitrogen content at tillering stage had good correlation with the normalized differential vegetation index. The regression model can be established.

nitrogen content of crop; hyperspectrl; regression model; NDVI value

http://www.zjnyxb.cn

10.3969/j.issn.1004-1524.2017.05.23

2017-01-12

国家重点研发计划(2016YFD020060307)

张国圣(1991—)，男，辽宁大连人，硕士研究生，主要从事农业信息化方面的研究。E-mail: 287063310@qq.com

*通信作者，许童羽，E-mail: yatongmu@163.com

S126

A

1004-1524(2017)05-0845-05

浙江农业学报ActaAgriculturaeZhejiangensis， 2017，29(5): 845-849

张国圣，许童羽，于丰华，等. 基于高光谱的水稻叶片氮素估测与反演模型[J].浙江农业学报，2017，29(5)： 845-849.