基于多光谱成像技术的玉米氮素营养诊断方法研究

刘奕彤，宋玉柱，马昕宇，郭思琪，冯 江,王树文

(东北农业大学 电气与信息学院，哈尔滨 150030)

基于多光谱成像技术的玉米氮素营养诊断方法研究

刘奕彤，宋玉柱，马昕宇，郭思琪，冯 江,王树文

(东北农业大学 电气与信息学院，哈尔滨 150030)

为快速、无损地获取寒地玉米作物养分信息，利用多光谱成像技术开展了大田玉米氮素营养诊断研究。采用美国ADC多光谱相机采集玉米拔节期冠层多光谱图像，利用德国AA3连续流动分析仪测定叶片氮含量。提取红色通道灰度均值(AVSR)、绿色通道灰度均值(AVSG)和近红外通道灰度均值(AVSNIR)等3个光谱参数，构建归一化植被指数(NDVI)、绿色归一化植被指数(GNDVI)、红色通道与绿色通道比值植被指数(RVIR/G)、红色通道与近红外通道比值植被指数(RVIR/NIR)、近红外通道与红色通道比值植被指数(RVINIR/R)、红色归一化比值(RNR)、绿色归一化比值(GNR)、近红外归一化比值(NIRNR)等8个植被指数。将全部光谱参数及植被指数分别与氮素值进行相关性分析，建立寒地玉米氮素一元线性回归、多项式回归及多元回归模型。结果表明：一元回归模型R2最高达0.854，多元回归模型R2为0.870，所得模型可为寒地大田玉米精准施肥和长势监测提供支持。

玉米；氮素；多光谱图像；定量监测

0 引言

农作物养分信息是反映农作物生长状况的重要指标，及时获取农作物养分信息可以为精准施肥、灌溉等农田管理提供支持，是提高粮食产量、促进农业可持续发展的重要保障[1]。近年来，光谱成像技术以其快速、非破坏性、操作方便等优点，被越来越多地应用于作物营养检测中[2]。特别是近地多光谱技术具有仪器成本低、图像质量高和分析方便的优点，受到了许多学者的关注[3-5]。

Sun[6-7]等通过比较多种光谱图像特征参数提取方法的优劣，提出了一种新型光谱指数CNDVI。在中等和偏高施氮水平下，CNDVI与玉米叶绿素含量相关性较高，相关系数分别为0.60和0.63。王海华[8]等发现玉米冠层多光谱图像的NIR/G比值特征参数与叶绿素含量的相关系数达0.637。Li[9]等对比不同生育期玉米冠层氮素反演模型预测效果，得出叶绿素含量指数CCCI预测效果最好。以上研究均是建立的单个植被指数作物氮素营养监测模型，预测精度偏低，有必要研究多个植被指数的作物氮素营养诊断方法，为精确定量施肥提供技术支撑。

本研究以寒地玉米为研究对象，采集拔节期玉米冠层多光谱图像，提取3个图像光谱参数，构建8个植被参数，将全部光谱参数及植被指数分别与氮素含量进行相关性分析，选择相关性较高的光谱参数或植被指数与氮素值分别建立一元线性回归、多项式回归与多元回归模型，为大田玉米氮素营养快速检测和玉米生长信息的实时获取提供技术支持。

1 实验部分

实验于2013年在东北农业大学香坊农场实验基地进行，供试玉米品种为东农253。实验田采用单因素(N)设计，设4个梯度(N1、N2、N3、N4)，目标施肥量依次为(0,65、109、163kg/hm2)，表现为严重缺氮、缺氮、适量氮、过量氮。每个施氮水平重复4次，且随机分布。其它管理均按高产要求进行，以消除其它因素对作物生长的交互影响。玉米拔节期施用化肥基本信息如表1所示。播种于2013年5月2号进行，同时进行第1次施肥。

按照图像采集需选择晴朗、微风、少云的实验要求，于6月15日(拔节期)当天10:00-14:00进行多光谱图像采集。采集时，设置多光谱相机镜头垂直距玉米植株冠层顶部70cm，在同一施氮水平下随机选择20株玉米植株为一组进行图像采集，采集图像前进行白板校正。氮素营养诊断模型的建立通过EXCEL及SPSS20.0等软件实现。

表1 玉米拔节期施用化肥基本信息

利用德国AA3连续流动分析仪测定玉米冠层叶片的氨态氮含量，表2给出了玉米叶片在拔节期氮含量情况。

表2 拔节期玉米叶片含氮量

2 结果与讨论

2.1 玉米植株多光谱图像获取

使用美国Tetracam公司生产的ADC多光谱相机采集玉米植株的多光谱图像，通过PixelWrench2软件可以得到红色(R)、绿色(G)、近红外(NIR)通道的图像，如图1所示。

图1 原始及红色、绿色、近红外图像Fig.1 Original and R、G、NIR images

2.2 玉米植株光谱特征参数提取

基于处理过的图像，提取红色通道灰度均值(AVSR)、绿色通道灰度均值(AVSG)及近红外通道灰度均值(AVSNIR)等3个光谱参数值。

均值计算公式为

将上述光谱参数代入归一化植被指数(Normalized Difference Vegetation Index，NDVI)，绿色归一化植被指数(Green Normalized Difference Vegetation Index，GNDVI)、红色通道与绿色通道比值植被指数(R/G Ratio Vegetation Index, RVIR/G)、近红外通道与红色通道比值植被指数(NIR/R ratio vegetation index, RVINIR/R)、红色通道与近红外通道比值植被指数(R/NIR ratio vegetation index, RVIR/NIR)、红色归一化比值

(Red Normalized Ratio, RNR)、绿色归一化比值(Green Normalized Ratio, GNR)、近红外归一化比值(Near Infrared Normalized Ratio, NIRNR)等8个植被指数公式中，计算各植被指数值。

各植被指数计算公式为

拔节期共提取了80组样本信息，表3只给出了其中部分样本光谱参数值及植被指数值(拔节期N3)。

表3 光谱参数值及植被指数值

续表3

2.3 玉米植株氮素检测模型

将构建的植被指数与实测值建立回归模型是利用光谱技术反演植株叶绿素、氮素含量的主要方法之一[10-11]。Zou[12]等选择了7种植被指数分别与叶绿素含量建立反演模型，决定系数均能达到0.6以上。张连蓬[13]等采用了18个植被指数对叶绿素含量进行反演，结果显示有5种的决定系数在0.75以上，且具有很好的普适性。王磊[14]等从19个光谱参数中发现，红边斜率、绿峰最大反射率、比值植被指数和归一化差值植被指数与叶片氮含量均存在较好的相关性。本实验通过SPSS20.0软件，将3个光谱参数及8个植被指数分别与玉米氮素值进行相关性分析，其中NDVI、RVIR/NIR和RNR与玉米氮素相关性最高。

将NDVI、RVIR/NIR和RNR分别作为自变量(x)，氮素含量作为因变量(y)，通过回归分析分别建立一元线性模型(y=a+bx)和二次多项式模型(y=a+bx+cx2)。其中，a、b、c为常数。

图2～图4分别为拔节期玉米植株叶片氮含量与NDVI、RVIR/NIR和RNR的线性和二次多项式回归方程和曲线。由此可知，在拔节期采用RVIR/NIR和RNR的二次多项式模型反演氮素含量的效果较好，决定系数R2分别为0.854和0.848。

为提高回归模型的预测精度，采用逐步回归方法，将NDVI、RVIR/NIR和RNR共同与玉米氮素含量建立多元回归模型，得到反演模型方程为

y=1.776+32.559RNR-15.512RVIR/NIR+

1.085NDVI

该模型的决定系数为0.870，优于单一变量模型。多元回归模型的预测效果如图5所示。

图2 NDVI与氮素值回归方程Fig.2 Regression equations of nitrogen content and NDVI

图3 RVIR/NIR与氮素值回归方程Fig.3 Regression equations of nitrogen content and RVIR/NIR

图4 RNR与氮素值回归方程Fig.4 Regression equations of nitrogen content and RNR

图5 多元回归模型预测效果图Fig.5 Precision results of multiple regression models

3 结论

为快速、无损地获取寒地玉米作物养分信息，利用多光谱成像技术开展了大田玉米氮素营养诊断研究。将得到的11个光谱参数及植被指数分别与氮素值进行相关性分析，建立寒地玉米氮素一元线性回归、二次多项式回归及多元回归模型，得出以下结论：

1)在拔节期，归一化植被指数(NDVI)、红色通道与近红外通道比值植被指数(RVIR/NIR)、红色归一化比值(RNR)与玉米氮素含量呈极显著相关，可用来反演玉米植株氮素营养状况。

2)利用RVIR/NIR建立的玉米氮素二次多项式模型精度较高，R2=0.854。

3)利用NDVI、RVIR/NIR和RNR建立的玉米氮素多元回归模型决定系数为0.870，精度优于一元线性及二次多项式回归模型，所得模型能有效检测寒地玉米氮素含量。

[1] 吴倩,孙红,李民赞,等.玉米作物多光谱图像精准分割与叶绿素诊断方法研究[J].光谱学与光谱分析,2015,35(1):178-183.

[2] 韩文霆,李敏,陈微.作物数字图像获取与长势诊断的方法研究[J].农机化研究,2012,34(6):1-6.

[3] 李晓丽,何勇.基于多光谱图像及组合特征分析的茶叶等级区分[J].农业机械学报,2009,40(S1):113-118.

[4] 张晓东,毛罕平,左志宇,等.油菜氮素的多光谱图像估算模型研究[J].中国农业科学,2011,44(16):3323-3332.

[5] 郭威,张彦娥,朱景福,等.玉米冠层叶片氮素营养估测研究[J].农机化研究,2011,33(10):31-34.

[6] Sun Hong,Li Minzan, Zheng Lihua,et al. Evaluation of maize growth by ground based multi-spectral image[C]//IEEE/SICE International Symposium on System Integration(SII).Kyoto:Kyoto University,2011:207-211.

[7] Sun Hong,Li Minzan, Zheng Lihua,et al. Monitoring of maize chlorophyll content based on multispectral vegetation indices[C]//Multispectral,Hyperspectral，and Ultraspectral Remote Sensing Technology，Techniques and Applications IV.San Diego:SPIE,2012.

[8] 王海华,赵彦娥,郭威.基于多光谱图像的玉米营养监测技术研究[J].农机化研究,2012,34(11):178-181.

[9] Li F，Miao Y X，Feng G H，et al.Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices[J].Field Crops Research，2014，157:111-123.

[10] 丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015,35(2):486-491.

[11] 金梁,胡克林,田明明,等.夏玉米叶片分层氮素营养的高光谱诊断[J].光谱学与光谱分析,2013,33(4):1032-1037.

[12] 石吉勇，邹小波,赵杰文，等. 高光谱图像技术检测黄瓜叶片的叶绿素叶面分布[J].分析化学，2011，39(2)：243-247.

[13] 张连蓬,柳钦火,王德高,等.高光谱遥感植被指数的普适性分析[J].测绘通报,2010(9):1-4.

[14] 王磊，自由路，卢艳丽，等.基于光谱分析的玉米氮素营养诊断[J].植物营养与肥料学报,2011,17(2):333-340.

Research on Nutrition Diagnosis Method of Maize Nitrogen Based on Multispectral Imaging Technique

Liu Yitong, Song Yuzhu, Ma Xinyu, Guo Siqi, Feng Jiang, Wang Shuwen

(College of Electric and Information, Northeast Agricultural University, Harbin 150030, China)

In order to rapidly acquire maize nutrient information in the field, a non-destructive method of maize nitrogen content index measurement was conducted based on multispectral imaging technique. Firstly, American ADC multi-spectral image monitoring system was available to acquire the canopy images of maize in jointing stage. At the same time, each sample was measured to show the nitrogen content index by AA3 continuous flow analyzer. Secondly, eleven vegetation indices were calculated including AVSR, AVSG, AVSNIR, NDVI, GNDVI, RVIR/G, RVIR/NIR, RVINIR/R, RNR, GNR and NIRNR. And then the method of correlation analysis was used to reduce the dimension of data so as to acquire three sensitive spectral characteristic parameters. Lastly, the nitrogen index detecting model based on simple linear regression method, polynomial regression method and multiple regression method by stepwise regression. The results indicated that, the maximal R2of simple regression models is 0.854 and the R2of multiple regression model is 0.870. It was feasible to diagnose nitrogen content of maize based on multi-spectral images.

maize; nitrogen; multi-spectral image; quantitative monitoring

2016-12-01

国家“863计划”项目(AA2013102303)；黑龙江省自然科学基金面上项目(C2015006)；哈尔滨市科技创新人才项目(2015RQQXJ020)

刘奕彤(1996-)，女，哈尔滨人，本科学生，(E-mail)1198430784@qq.com。

王树文(1975-)，男，哈尔滨人，副教授，硕士生导师，(E-mail)wswtr@163.com。

S123

A

1003-188X(2018)02-0148-06