基于高光谱的抽穗期寒地水稻叶片氮素预测模型

王树文，牛羽新，马昕宇，陈双龙，阿玛尼，冯 江

(东北农业大学 电气与信息学院，哈尔滨 150030)

0 引言

氮素是水稻生长发育所必需的营养元素之一，也是土壤肥力中最为活跃的因素[1-2]，合理施用氮肥对水稻增产、品质提升及避免因过量施肥而造成的一系列环境问题至关重要[3-4]。目前，国内关于玉米[5-6]、水稻氮素营养监测的研究很多，但针对寒地水稻的分析研究较少。由于存在对经验要求较高，需破坏性取样、分析成本高、易受时空影响传统作物氮素营养诊断方法无法满足大范围农田实时监测等缺点而难以普及[7-9]。高光谱遥感技术的出现为快速、无损监测作物氮素含量提供一种有效途径。王仁红等[10]通过优选对预测冬小麦叶片氮素含量、冠层氮素密度精度较高的光谱参量，建立其与氮营养指数的经验模型，得出线性内插法红边位置在氮营养指数估测方面表现较好，其R2=0.860，RMSE=0.080。Liu等[11]在2年试验的基础上，采用敏感波段和植被指数构建了不同阶段冬小麦的叶片氮素含量定量监测模型。Song等[12]根据与小麦氮素含量相关系数最高的光谱指数和相应的观测角度进行建模，实现了多角度高光谱遥感对小麦冠层氮素含量进行无损检测。徐新刚等[13]采集大麦作物冠层叶片高光谱反射率和氮含量，分析其可见光-近红外范围内的反射率曲线，运用权重最优组合原理及算法，对大麦冠层叶片氮含量进行了估测，给后续此方面的深入探究提供了全新思路。Fitzgerald等[14]应用光谱诊断技术进行小麦氮素含量的估测，所建估测模型相对系数是0.970，均方差是0.650。Jin等[15]采用高光谱技术对玉米叶片氮素分散形态和位置做出分析，得出了氮素含量和植被指数的数学关系，建立了估算模型，对玉米上部和下部叶片氮素含量分别进行了诊断。王巧男等[16]采用高光谱技术，将应用双波段指数的氮素估测模型加入至冠层图像，进而通过分析处理得到冠层氮素估测散布图，可视化图像中直观地展现了柑橘嫩、中、老3种叶片的氮素含量由大至小的变化趋势。

国内外学者对应用高光谱技术检测水稻叶片氮素含量的探究一样是广泛并且高度重视的。唐延林等[17]对不同施氮梯度下的水稻叶片进行了研究，得到了叶片的光谱曲线和红边特征及它们的变化趋势。Tian等[18]指出了指数SR(R553，R537)可以很好地预测水稻叶片氮素含量。顾清等[19]根据水稻叶片的光谱和形状特征判定了其氮素含量。Onoyama等[20]融合反射率和温度数据，采用偏最小二乘方法对抽穗期水稻的氮素含量进行了估算。Chu等[21]应用“红边”770nm与752nm所组成的比值指数判定了水稻叶片的氮素积累量，同时建立了优质判定模型。Du等[22]运用高光谱LIDAR技术判定水稻叶片氮素含量，应用4种不同氮素梯度的大田试验作为基础，构建了依据支持向量机方法的判定模型，得出波段数目从4递增为32，回归系数也从0.510增至0.750。和上述研究比较，本文更加系统地分析了应用高光谱技术诊断水稻叶片氮素含量，采用多种降维、建模方法，构建多种植被指数、光谱参量，给出了水稻抽穗期的多个模型，内容更为完善、丰富。

1 试验

1.1 试验设计

试验于2015年在黑龙江省哈尔滨市方正县水稻研究院开展。供试水稻品种为龙稻23。水稻大田里共设置6种不同的施肥梯度[23]，依次是N0(无氮)、N1(60kg/hm2)、N2(90kg/hm2)，N3(120kg/hm2)、N4(150kg/hm2)、N5(180kg/hm2)，每个水平均有4次重复，共24个小区，且随机分布，小区面积均为10m×10m。其它田间管理均按高产要求进行。

1.2 水稻叶片图像采集

本研究采用美国Headwall公司的高光谱系统完成水稻叶片高光谱图像获取。通过系统自带Hyperspec软件进行水稻叶片高光谱图像的获取与储存，试验品种24个小区共240片叶子，因高光谱系统的光谱分辨率为2.96nm，故每片叶子采集得到光谱区域是400～1 000nm共203个波段下的高光谱图像。

龙稻23抽穗期水稻叶片在不同氮素水平下的高光谱图像如图1所示。

(a) N0 (b) N3 (c) N5

1.3 水稻叶片氮素值获取

本试验采用浙江托普仪器有限公司生产的植物营养测定仪(TYS-4N)进行水稻叶片氮素含量活体测定。试验中选择活体水稻从上至下的第二片叶子在田中直接进行氮素含量测量，把测量后的水稻叶片取下依次放进密封袋里，对每个密封袋均标明小区名称和编号，进而确保水稻叶片氮素含量和光谱反射率一一对应；每个小区测量并采摘10片叶子用以开展高光谱图像采集试验。对每个小区的10个氮素含量应用狄克松(Dixon)检验法删除由于误差而出现的离值点，通过运算得到其余水稻叶片氮素含量的平均值，即为此小区水稻叶片的氮素含量。本试验所用氮素含量非实验室测量值，而是利用精密植物营养仪测得，为确保试验数据的可靠性，随机抽取24组水稻叶片样品，采用德国AA3连续流动分析仪测定水稻叶片氮素值，对比氮素实验室测量值和精密植物营养仪测量值，发现误差较小，在本研究的可接受范围内。采用精密植物营养仪测量水稻叶片氮素值，虽然在精确性上略低于实验室测量值，但时效性高，且确保了氮素含量与光谱反射率一一对应。

1.4 水稻叶片反射率提取

由于试验于室内开展，环境、操作等客观条件良好，故本试验只需用原始光谱图像来做处理和分析即可。使用ENVI5.3软件提取240个叶片高光谱图像的光谱反射率时，于叶脉两边依次选择1个4mm×40mm的矩形当作感兴趣区域(region of interest，ROI)，经过运算得到完整ROI的平均光谱反射率当作此叶片的光谱反射率；叶片在203个波段上均有一一对应的光谱反射率，这些反射率组成了叶片的光谱反射率曲线，每个小区取10片叶子反射率的平均值为其反射率值，本试验共测得240组水稻叶片光谱反射率。

2 结果与讨论

2.1 抽穗期水稻叶片高光谱反射率分析

龙稻23抽穗期叶片光谱反射率曲线如图2所示。

图2 龙稻23在抽穗期不同氮素水平下的光谱反射率曲线

由图2可知：在水稻抽穗期各氮素水平下，冠层反射率曲线均呈现相同的规律性：不同施氮梯度条件下的叶片光谱反射率曲线均表现出相同的走向趋势。在绿波段(约560nm)可见明显的反射峰，即为“绿峰”；在红波段(约685nm)可见明显的吸收谷，即为“红谷”；在近红外波段(约>760nm)出现一个较高的反射平台。在可见光范围内，水稻叶片光谱反射率伴随施氮梯度的提高而降低，此现象于反射峰处特别显著；在红光到近红外的过渡区域(红边区域)，叶片光谱反射率急速变大，施氮梯度小的叶片光谱反射率增加缓慢，然而施氮梯度大的叶片光谱反射率增加迅速；于近红外范围内，反射率伴随氮素梯度的提高而变大，于波段(760～1 000nm)范围内特别显著。伴随氮素梯度的增大，氮素含量随之变多，叶绿素值同样变多，因此于可见光范围内光谱反射率因氮素梯度的增大而减少。氮素含量较大的叶片其组织细胞个体大、间隙大，相应的其细胞壁水化程度也大，所以于近红外范围内光谱反射率随着氮素梯度的变大而增多。水稻为绿色植物，其叶片为绿色，针对蓝紫光吸收率较高，绿光吸收率较低，可见光区域形成典型的绿峰曲线，于绿波段区域出现波峰，即为“绿峰”；针对红光吸收率较高，于红波段区域出现波谷，即为“红谷”，于近红外波段区域，由于叶片的多重反射，反射率快速增加，所以出现经典的红谷曲线。

2.2 水稻叶片高光谱特征波段选择

高光谱图像具有很高的光谱分辨率，因而含括了庞大的数据信息量，此种特性为后续的研究带来了一定的困难。高光谱图像所有波段间具有较高的相关性与数据冗余，故经由减少数据维度进而选取有效的特征波段是具有一定可行性，不会对结果造成太大影响。本试验采用SPA和SPCA两种降维方法进行比较，降维方法的正确选取与使用，可以极大地提高计算效率，对研究高光谱技术具有重要的意义。在真正分析时也不是波段数目越多，效果越好，由于光谱仪在测量范围的两端包含了较大的噪音，而且全部光谱信息中包含了很多不需要的复杂信息，因此舍弃一些不必要的波段对后续的研究与分析是具有一定好处的，本试验同样对400～1 000nm波段进行削减，采用500～900nm共136个波段的光谱数据进行分析。

2.2.1 龙稻23抽穗期SPA特征波段选择

使用SPA方法选取抽穗期龙稻23叶片的特征波段，在波段数目为20时，RMSE=0.004，此时RMSE为最小值，得到502、508、511、522、546、555、564、632、659、674、677、679、682、685nm、688、697、721、733、754、893nm共20个特征波段。

2.2.2 龙稻23抽穗期SPCA特征波段选择

龙稻23抽穗期自相关矩阵如图3所示。依据自相关矩阵把全部波长分割成4个部分，依次是500～674nm、675～697nm、698～727nm、728～900nm，特征波段选择结果如表1所示。

图3 龙稻23抽穗期光谱波段间相关系数r值的分布

表1 龙稻23抽穗期分段主成分的结果

2.3 水稻叶片氮素高光谱预测模型的构建及筛选

本研究最终目的是构建寒地水稻叶片氮素含量预测模型，为水稻作物遥感信息获取、叶片氮素含量精准检测给予试验支持和理论依据。本研究采用软件SPSS20及Excel2003结合前文所选择的敏感波段构建了多种回归分析模型，包括MSRA、SRA及MRA，选取的建模函数包括一次函数(y=ax+b)、二次函数(y=ax2+bx+c)、指数函数(y=aebx)、对数函数(y=alnx+b)及幂函数(y=axb)。文中给出模型精度，比较R2与RMSE数值大小，分别得到回归系数F检验和t检验结果，判断其显著性优劣，优选最佳模型。

2.3.1 水稻叶片抽穗期全光谱氮素预测模型

采用全光谱-MSRA方法对龙稻23抽穗期进行建模和预测，波长857、715、878nm被选为模型自变量，预测模型为y=90.376SI(857)-6.890SI(715)-81.748SI(878)+0.253，RC2与RP2依次是0.964与0.961，RMSEC与RMSEP依次是0.083与0.050，预测模型中系数的t检验结果全部比0.05小。

2.3.2 水稻叶片抽穗期SPA氮素预测模型

以SPA方法在龙稻23抽穗期光谱数据中选出的20个特征波长作为MSRA建模变量，经F检验、t检验，波长893、721nm被选择作为模型自变量，预测模型为y=6.501SI(893)-8.615SI(721)+1.989，RC2与RP2依次是0.929与0.904，RMSEC与RMSEP依次是0.114与0.080，预测模型中系数的t检验结果全部比0.05小。

2.3.3 水稻叶片抽穗期SPCA氮素预测模型

龙稻23抽穗期叶片此2种参数之间的相关系数如表2所示。比较得出：氮素含量和光谱参量SI(822)、SI(828)、RI(822，715)、RI(828，715)、DI(822，712)、DI(822，715)、DI(828，715)、DDI(828，682，617)及DDI(822，691，620)相关性较高。

构建所选9个特征光谱参量和叶片氮素含量的多种SRA模型，如表3所示。对比可得：在全部SRA模型中DI(822，712)、DI(822，715)、DI(828，715)、DDI(828，682，617)建模效果排在前4位，其RC2依次为0.945、0.947、0.947、0.929；RMSEC依次为0.098、0.096、0.096、0.114。

构建建模集性能较好的前4种特征光谱参量和氮素含量的MRA模型，如表4所示。比较可知，单变量DI(822，715)预测模型效果最好，其RC2=0.947，RMSEC=0.095，对其进行预测集验证，其RP2=0.933，RMSEP=0.076。

表2 龙稻23抽穗期叶片氮素含量和特征光谱参量的相关系数

表3 龙稻23抽穗期叶片氮素含量和特征光谱参量的定量关系

表4 龙稻23抽穗期叶片氮素含量和多项特征光谱参量的定量关系

续表4

2.3.4 水稻叶片氮素含量预测模型分析

本文分析龙稻23抽穗期叶片氮素含量预测模型，从3种方法中选取最优模型进行预测，通过比较所得3个模型的RC2、RP2、RMSEC、RMSEP4项参数确定预测模型，此选择只考虑模型客观性能的优劣，不考虑实际应用。

龙稻23抽穗期水稻所选模型为以857、715、878nm为自变量的全光谱-MSRA预测模型，预测结果如图4所示。其RC2最大，RMSEC最小，RP2最大，RMSEP最小，且RC2与RP2相差不大，模型稳定。

图4 龙稻23抽穗期全光谱-MSRA模型氮素实测值和预测值的对比

3 结论

1)叶片光谱反射率在可见光区域随着施氮水平的增加而降低，在近红外区域随着施氮水平的增加而升高。水稻叶片红边位置因生育进程的推进而改变，红边曲线均出现“双峰”，且同样随之移动。生育期对红边位置的影响较大，氮素水平对红边位置的影响较小，单一采用红边位置这一光谱参量判断水稻叶片氮素含量不可取。

2)2种特征波段选择方法在整体试验中起到了关键的作用，均有效降低了水稻叶片高光谱数据维度，去除了数据冗余和共线性。SPA方法将龙稻23抽穗期叶片高光谱波段由136个降为2个；SPCA方法将龙稻23抽穗期叶片高光谱波段由136个降为5个，同时此方法还可保留那些重要但信息量较小的波段。

3)从模型的客观性能高低来看，龙稻23抽穗期采用全光谱-MSRA方法所建模型效果最好，其RC2为0.964，RMSEC为0.083，RP2为0.961，RMSEP为0.050；REPI、NDI、GNDI3种指数在模型建模集性能中的贡献不及SI、RI、DI、DDI4种特征光谱参量，不可单一依靠这3种指数预测水稻叶片氮素含量。

4)从实际应用角度来看，采用全光谱-MSRA模型，因其具有完整的光谱信息，故模型精度高；但其波段数目过多，应用于实际中比较困难。采用SPA-MSRA模型，虽模型精度略差；但其特征波段数目少、计算量小、精度满足要求、方法简单、直观，可行性较高。采用SPCA-CA-MRA模型，虽运算过程复杂但模型丰富、精度高，在特征波段选择过程中，既降低了波段数目又保留了重要的波段，也充分利用了水稻叶片氮素含量和光谱反射率之间的相关性及水稻特征光谱参量，同样可行。总之，采用高光谱技术诊断寒地水稻叶片氮素营养状况是值得研究、可行性高且有意义的。