水稻氮素高光譜遙感估測(cè)模型研究

李永梅 張學(xué)儉 張立根

摘要：以寧夏引黃灌區(qū)水稻為研究對(duì)象，將各生育期水稻冠層原始光譜反射率、一階微分光譜及高光譜變量與氮素進(jìn)行相關(guān)性分析，構(gòu)建了分蘗盛期、孕穗期、齊穗期和灌漿期水稻氮素高光譜遙感估測(cè)線(xiàn)性及非線(xiàn)性模型，并對(duì)模型進(jìn)行驗(yàn)證，結(jié)果表明：齊穗期所有的氮素估測(cè)模型均優(yōu)于其他生育期；基于一階微分光譜構(gòu)建的模型擬合效果及精度優(yōu)于原始光譜和高光譜變量構(gòu)建的模型；線(xiàn)性回歸模型與非線(xiàn)性模型的決定系數(shù)差異均不大，擬合效果接近；最終確定各生育期的最優(yōu)模型是基于一階微分光譜構(gòu)建的線(xiàn)性模型：分蘗盛期y=12.54x+3.202（r=0.877），孕穗期y=16.88x+1.224（r=0.893），齊穗期y=1.197x+2.049（r=0.958），灌漿期y=-6.974x+1.467（r=-0.802），其中齊穗期估測(cè)效果最佳。

關(guān)鍵詞：水稻；氮素；高光譜遙感；估測(cè)模型

中圖分類(lèi)號(hào)： S127；TP79文獻(xiàn)標(biāo)志碼：

文章編號(hào)：1002-1302（2016）08-0435-05

作物氮素含量成為評(píng)價(jià)其長(zhǎng)勢(shì)、產(chǎn)量及品質(zhì)的重要指標(biāo)，是科學(xué)施肥的重要依據(jù)。對(duì)作物氮的管理一直是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié)，如何準(zhǔn)確、迅速、經(jīng)濟(jì)地判斷植物的氮素狀況，進(jìn)而確定作物的氮肥需求量并采取有效的氮肥管理措施，成為精準(zhǔn)農(nóng)業(yè)養(yǎng)分管理的研究熱點(diǎn)，具有重要的經(jīng)濟(jì)意義和生態(tài)意義。傳統(tǒng)的作物氮素診斷主要是實(shí)驗(yàn)室化學(xué)分析方法，這些方法通常需要破壞性采樣，時(shí)效性差、主觀性強(qiáng)。高光譜遙感技術(shù)具有獲取信息量大、光譜分辨率高、波段連續(xù)性強(qiáng)等優(yōu)勢(shì)，為作物營(yíng)養(yǎng)狀況監(jiān)測(cè)提供了新方法，已成為診斷作物氮素的新手段，在農(nóng)業(yè)養(yǎng)分管理中具有極高的應(yīng)用價(jià)值和應(yīng)用前景[1-2]。

國(guó)內(nèi)外對(duì)水稻光譜特征及其營(yíng)養(yǎng)遙感監(jiān)測(cè)進(jìn)行了相關(guān)研究。王人潮等最早開(kāi)創(chuàng)了國(guó)內(nèi)水稻高光譜遙感研究，探討了不同施氮水平下水稻光譜變化規(guī)律，并采用t檢驗(yàn)法篩選出水稻氮素診斷的敏感波段[3]。之后，有學(xué)者進(jìn)一步對(duì)水稻高光譜一階微分及“三邊”參數(shù)等進(jìn)行了研究，并在構(gòu)建水稻氮素診斷遙感模型方面做了嘗試。Ryu等利用機(jī)載遙感數(shù)據(jù)構(gòu)建了水稻含氮量的高光譜預(yù)測(cè)模型[4]。Shibayama等將水稻高光譜反射率與葉片氮含量進(jìn)行了相關(guān)性研究，發(fā)現(xiàn)400、620、760、880 nm的波長(zhǎng)與葉片氮素相關(guān)性最好，可作為水稻氮素高光譜診斷的特征波長(zhǎng)[5]。目前對(duì)水稻氮素的遙感診斷與監(jiān)測(cè)已有較多的研究，但綜合多種高光譜數(shù)據(jù)對(duì)水稻各生育期的氮素含量分別進(jìn)行估測(cè)的相關(guān)研究并不多見(jiàn)。本研究以不同施氮水平試驗(yàn)田為依托，首次在高海拔、高緯度的寧夏引黃灌區(qū)開(kāi)展水稻高光譜特征及氮素遙感估測(cè)研究，采用統(tǒng)計(jì)分析方法按生育期將水稻冠層原始光譜、一階微分光譜及“三邊”高光譜變量與水稻冠層氮濃度進(jìn)行相關(guān)性分析，篩選出水稻氮素診斷的光譜參數(shù)，據(jù)此構(gòu)建水稻氮素的高光譜遙感估測(cè)模型，為寧夏水稻氮素實(shí)施大范圍無(wú)損遙感監(jiān)測(cè)提供科學(xué)依據(jù)及技術(shù)支撐。

1材料與方法

1.1試驗(yàn)與方法

試驗(yàn)在靈武市梧桐樹(shù)鄉(xiāng)陶家圈村和楊洪橋村2個(gè)點(diǎn)進(jìn)行，供試水稻品種為長(zhǎng)粒優(yōu)，前茬種植作物均為玉米。采取單因素肥效進(jìn)行試驗(yàn)設(shè)計(jì)，共設(shè)3個(gè)氮肥水平，每小區(qū)面積為65 m2（5 m×13 m），重復(fù)3次。

1.2光譜信息采集

利用美國(guó)SVC GER1500光譜儀，波段范圍350～1 096 nm。采樣間隔為1.5 nm，光譜分辨率為3 nm，視場(chǎng)角25°。在分蘗盛期、孕穗期、齊穗期及灌漿期4個(gè)生育期，晴朗無(wú)風(fēng)天氣、北京時(shí)間10：30—14：30進(jìn)行水稻光譜采集。采集光譜時(shí)探頭垂直向下，距冠層0.7 m。每小區(qū)選取長(zhǎng)勢(shì)中等、無(wú)病蟲(chóng)害的健康水稻作為光譜測(cè)定對(duì)象，同時(shí)每小區(qū)選擇3個(gè)點(diǎn)分別測(cè)定5次，取均值。

1.3農(nóng)學(xué)參數(shù)測(cè)定

光譜測(cè)定范圍內(nèi)，同步取樣3～5穴，進(jìn)行葉面積指數(shù)、葉片氮含量及冠層氮密度的測(cè)定與計(jì)算，其中楊洪橋村數(shù)據(jù)用于模型構(gòu)建，陶家圈村數(shù)據(jù)用于模型檢驗(yàn)。

率作為自變量，以氮含量作為因變量，擬合了氮濃度與特征波長(zhǎng)處高光譜之間的線(xiàn)性回歸、指數(shù)回歸和對(duì)數(shù)回歸模型（表3）。由表3可見(jiàn)，孕穗期和齊穗期氮濃度與原始光譜間相關(guān)程度最好，擬合效果較好；分蘗盛期和灌漿期的擬合效果較差。根據(jù)相關(guān)系數(shù)r，各生育期中3個(gè)模型的擬合程度基本接近，說(shuō)明利用水稻冠層原始光譜采用線(xiàn)性、指數(shù)和對(duì)數(shù)模型對(duì)其氮素進(jìn)行估測(cè)是可行的，其中線(xiàn)性模型更為簡(jiǎn)潔。

3結(jié)論與討論

通過(guò)將原始高光譜反射率及多種光譜變換形式與冠層氮濃度進(jìn)行相關(guān)性分析，篩選相關(guān)性最顯著的波段構(gòu)建水稻氮

素估測(cè)模型，對(duì)各生育期的模型進(jìn)行對(duì)比及驗(yàn)證，得出如下結(jié)論：（1）基于一階微分高光譜反射率構(gòu)建的水稻氮素估測(cè)模型優(yōu)于基于原始光譜和高光譜變量構(gòu)建的模型。（2）從生育期來(lái)看，齊穗期水稻氮素估測(cè)模型的擬合效果最佳，齊穗期為水稻氮素診斷的最佳時(shí)期。（3）從模型類(lèi)型上，線(xiàn)性模型與非線(xiàn)性模型在擬合效果及精度上差異不大，由于線(xiàn)性模型簡(jiǎn)單，故最優(yōu)模型確定為線(xiàn)性函數(shù)模型。

以寧夏引黃灌區(qū)水稻為研究對(duì)象，水稻氮素估測(cè)模型覆蓋了水稻主要生育期，拓寬了目前高光譜遙感診斷水稻氮素的研究區(qū)域，為寧夏水稻氮素?zé)o損診斷奠定了一定的基礎(chǔ)。今后如何采用高光譜變換技術(shù)降低下墊面對(duì)水稻冠層光譜的干擾，并嘗試人工智能算法構(gòu)建多變量的氮素診斷模型，進(jìn)一步提高水稻氮素估測(cè)模型的精度及普適性，并指導(dǎo)科學(xué)施肥仍需深入研究。

參考文獻(xiàn)：

[1]陳志強(qiáng). 不同氮素水平下玉米葉片的高光譜響應(yīng)及其診斷[D]. 杭州：浙江大學(xué)，2008：1-5.

[2]楊娜. 便捷式光譜儀測(cè)量軟件開(kāi)發(fā)及農(nóng)學(xué)參數(shù)光譜分析方法[D]. 北京：北京工業(yè)大學(xué)，2011：1-5.

[3]王人潮，陳銘臻，蔣亨顯. 水稻遙感估產(chǎn)的農(nóng)學(xué)機(jī)理研究——Ⅰ.不同氮素水平的水稻光譜特征及其敏感波段的選擇[J]. 浙江農(nóng)業(yè)大學(xué)學(xué)報(bào)，1993，19（增刊1）：7-14.

[4]Ryu C，Suguri M，Umeda M.Model for predicting the nitrogen content of rice at panicle initiation stage using data from airborne hyperspectral remote sensing[J]. Biosystems Engineering，2009，104（4）：465-475.

[5]Shibayama M，Akiyama T A.Canopy water deficit detection in paddy rice using a high resolution field spectroradiometer[J]. Remote Sensing of Environment，1993（45）：117-126.

[6]郁進(jìn)元，何巖，趙忠福，等. 長(zhǎng)寬法測(cè)定作物葉面積的校正系數(shù)研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2007（2）：37-39.

[7]譚昌偉，周清波，齊臘，等. 水稻氮素營(yíng)養(yǎng)高光譜遙感診斷模型[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2008，19（6）：1261-1268.

[8]易秋香. 不同遙感水平水稻氮素信息提取研究[D]. 杭州：浙江大學(xué)，2008：1-5.

[9]王仁紅，宋曉宇，李振海，等. 基于高光譜的冬小麥氮素營(yíng)養(yǎng)指數(shù)估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（19）：191-198.