基于无人机高光谱的水稻叶片氮含量估测方法

张黎黎　吕霞

摘要：氮素是水稻生长发育所需的重要营养元素之一，实时、精准地检测氮含量可以提升水稻培育管理效率。對粳稻冠层叶片无人机高光谱数据进行降噪处理，构建10种植被指数组合作为BP神经网络模型的输入，反演粳稻叶片氮含量。结果表明：该估算模型对水稻叶片氮含量估测效果较好，训练集的决定系数R2和均方根误差RMSE分别为0.678 1和0.533 4，验证集的R2和RMSE分别为0.669 0和0.530 1。研究结果可为东北水稻无损实时监测和施肥管理提供依据。

关键词：水稻;氮含量;高光谱数据;植被指数;BP神经网络;估算模型

中图分类号：S511    文献标识码：A    文章编号：1674-1161（2021）06-0013-03

在耕地资源日益减少和人口对粮食需求不断增长的大背景下，及时了解水稻的生长状况和农田环境信息的空间差异，在此基础上调节对作物的肥力投入，能够实现水稻优质高效生产。在水稻生长发育过程中，氮素对产量的贡献率约占50%。传统的水稻氮素诊断方法是经验诊断和实验室检测，费时、费力，且成本高、时效性差，难以满足快速、准确诊断水稻营养状态的需求。高光谱遥感数据信息量大、波段信息冗余度高，而植被指数可以从原始波段中提取有效信息，降低高光谱数据的复杂程度。近年来，无人机高光谱遥感技术广泛应用于农作物营养诊断领域，实现农作物生产过程的动态监测与管理。利用BP神经网络建模，得到水稻冠层叶片氮含量反演模型，可实时、精确地检测氮含量，为精准施氮提供决策依据。

1 材料与方法

1.1 试验设计

试验于2019年6—9月在辽宁省抚顺市新宾满族自治县进行。试验品种为“粳稻653”。试验田培养采用控制变量法，设置4个氮肥梯度处理：N2（45.0 kg/hm2）为当地标准施氮量;在N2的基础上分别增加和减少50%的施氮量设为N1（22.5 kg/hm2）和N3（67.5 kg/hm2）;另设N0（不施基肥）为空白对照梯度。各小区之间水肥互不渗透，按照高产栽培管理。

1.2 试验方法

1.2.1 无人机高光谱影像获取及处理 利用大疆创新公司的M600PRO六旋翼无人机搭载双利合谱公司的GaiaSky-mini高光谱成像系统获取高光谱影像。2019年6月（分蘖期），选择5个天气晴朗、无云、无风的自然日，于10∶00—14∶00采集高光谱影像，无人机飞行高度100 m、航速6 m/s、分辨率3 nm。利用ENVI5.3工具软件对获取的高光谱影像进行小区高光谱数据提取。由于无人机获取的光谱数据易受自然背景、光照变化及表面散射等因素影响，因此对高光谱数据进行SG平滑处理。

1.2.2 水稻叶片氮含量测定 在无人机高光谱影像采集的当天，对试验小区水稻进行破坏性采样。每个小区挖取5穴具有代表性的水稻植株（长势均衡），将样本水稻叶片置于烘箱中105 ℃下杀青30 min，然后在75 ℃恒温下烘干至质量恒定，研磨后取1～2 g粉末，采用凯氏定氮法测定水稻叶片中的氮含量。

1.2.3 植被指数构建 植被指数是指通过加、减、乘、除等线性或非线性组建形式形成的在植被长势、生物量等方面具有重要指示意义的数值。参考前人研究结果，选择对叶片氮含量相应敏感的植被指数。

1.2.4 BP神经网络模型及检验方法 BP神经网络是一种基于误差反向传播的多层前馈神经网络，包含输入层、隐含层与输出层3个数据层。其原理是：正向传播时，输入层数据经过隐含层逐级处理，此过程中上层神经元影响下层神经元的状态，最终传向输出层。若结果未达到输出层设定的期望值，转入逆向传播阶段，误差按照均误差和梯度下降方式通过隐含层向输入层逐层传递，修正权重，最终达到接近期望输出值。以建模结果的决定系数和均方根误差作为模型精度的判断指标。

1.2.5 水稻冠层叶片氮含量估算 神经网络模型不需要使用数值算法建立数学模型，而是通过样本数据学习训练确定一个模式未知的输入数据集与目标集的关系。选择BP人工网络进行建模，以根据高光谱数据构建的10种植被指数作为输入量，以水稻冠层叶片氮含量作为输出量，随机选取样本数据的2/3作为训练集，其余的1/3作为验证集，构建BP神经网络反演模型并进行精度检验。

2 结果与分析

2.1 植被指数构建

对研究结果进行归纳、筛选后，确定对叶片氮含量相应敏感的10种植被指数，计算公式见表1。

2.2 BP神经网络模型及检验方法

BP神经网络运算过程中，隐含层节点数的确定极为关键，直接影响训练过程的信息获取及训练时间。隐含层节点数常用公式：

式中：k为隐含层节点数;n为输入节点数;m为输出节点数;α为属于区间[0，10]的任意整数。

模型的精度以建模结果的决定系数（R2）和均方根误差（RMSE）作为判断指标。

式中：yi为真实值;i为预测值;n为样本数。

2.3 水稻冠层叶片氮含量估算结果

将Tansig和Purelin法设置为隐含层与输出层的传递函数，Trainlm法设置为训练函数，训练的最大迭代次数为1 000次，学习速率lr和训练精度goal分别为0.10和0.01，结果如图1所示。

由图1可以看出：隐含层神经节点个数为10时，模型效果最佳。模型训练集的决定系数R2和均方根误差RMSE分别为0.678 1和0.533 4，验证集的R2和RMSE分别为0.669 0和0.530 1，说明模型估测效果较好。

3 结论与讨论

研究水稻冠层光谱反射率与叶片氮含量之间的关系，基于光谱反射率构建10种植被指数，建立BP神经网络水稻冠层叶片氮含量估算模型并进行分析。模型训练集的决定系数R2和均方根误差RMSE分别为0.678 1和0.533 4，验证集的R2和RMSE分别为0.669 0和0.530 1。可见，采用10种植被指数组合作为BP神经网络的输入反演粳稻叶片氮含量，模型估测效果较好，研究结果可为东北水稻无损实时监测和施肥管理提供依据。

研究中发现，无人机光谱数据样本采集基于水稻冠层尺度，不同的空间结构尺度会影响模型反演精度，未来考虑在水稻不同空间结构尺度下进行氮含量反演模型的构建;此次试验供测试的水稻品种单一，采集数据时期为水稻分蘖期，而不同品种、不同生育期水稻的生长状态和理化参数存在差异，光谱反射率也有所不同，未来考虑研究不同品种、不同时期的水稻氮含量反演。

参考文献

[1] 杨红云，周琼，杨珺，等.水稻氮素营养诊断方法研究进展[J].中国稻米，2020，26（2）：5-8，13.

[2] 裴信彪，吴和龙，马萍，等.基于无人机遥感的不同施氮水稻光谱与植被指数分析[J].中国光学，2018，11（5）：832-840.

[3] 陈春玲，周长献，于丰华，等.基于光谱特征参数的粳稻冠层氮素含量反演方法[J].沈阳农业大学学报，2020，51（2）：218-224.

[4] 于丰华，曹英丽，许童羽，等.基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥[J].农业工程学报，2020，36（15）：103-110.

[5] 王玉娜，李粉玲，王伟东，等.基于无人机高光谱的冬小麦氮素营养监测[J].农业工程学报，2020，36（22）：31-39.

[6] 陈圣波，陈彦冰，任枫荻，等.基于光谱指数的玉米叶绿素含量估算[J].信阳师范学院学报：自然科学版，2021，34（2）：225-229.

[7] 李园，王振锡，刘玉霞，李擎，等.不同时期香梨叶片铁元素含量高光谱估算模型[J].西南农业学报，2019，32（1）：161-168.

[8] 刘玉霞. 苹果叶片和冠层营养元素含量高光谱估算模型[D].乌鲁木齐：新疆农业大学，2018.

[9] 罗建军，杨红云，路艳，等.基于高光谱和参数优化支持向量机的水稻施氮水平分类研究[J].中国土壤与肥料，2020（5）：250-257.

[10]边琳，叶飞，王建雄.基于无人机低空多光谱遥感监测的烤烟株高研究[J].山東农业科学，2020，52（12）：126-132.

[11]陈晓凯，李粉玲，王玉娜，等.无人机高光谱遥感估算冬小麦叶面积指数[J].农业工程学报，2020，36（22）：40-49.

[12]周敏姑，邵国敏，张立元，等.无人机多光谱遥感反演冬小麦SPAD值[J].农业工程学报，2020，36（20）：125-133.

Estimating Method for Nitrogen Content in Rice Leaves Based

on UAV Hyper-spectrum

ZHANG Lili1， L? Xia2

（1. Shenyang Information Center （Shenyang Credit Center）， Shenyang 110044， China; 2. Liaoning Institute of Agricultural Mechanization， Shenyang 110161， China）

Abstract： Nitrogen is one of the important parameters in the process of rice growth and development， and real-time and accurate detection of nitrogen content can improve the efficiency of rice cultivation and management. In this study， The UAV hyperspectral data of japonica rice canopy leaves were de-noised， and 10 planting cover indices were constructed as the input of BP neural network model to invert nitrogen content in japonica rice leaves. The results showed that： The estimation model was effective in estimating nitrogen content in rice leaves. The  R2 and RMSE of the training set were 0.678 1 and 0.533 4， respectively， and the R2 and RMSE of the verification set were 0.669 0 and 0.530 1， respectively. The results can provide basis for nondestructive real-time monitoring and fertilization management of rice in northeast China.

Key words： rice; nitrogen content; hyperspectral data; vegetation index; BP neural network; estimation model

收稿日期：2021-07-09

作者简介：张黎黎（1980—），女，高级农艺师，从事农业信息化方面的研究工作。