葉面施硒下蕎麥冠層葉片氮含量遙感估測(cè)研究

氮是植物生長(zhǎng)發(fā)育過(guò)程中必需的營(yíng)養(yǎng)元素之一，快速準(zhǔn)確地獲取其含量對(duì)大田農(nóng)作物監(jiān)測(cè)和管理有重要意義。采用無(wú)人機(jī)(UAV)搭載多光譜傳感器對(duì)田間蕎麥冠層葉片氮含量（LeafNitrogen Content，LNC）進(jìn)行定量化估測(cè)，為蕎麥葉片的信息化管理提供理論依據(jù)。試驗(yàn)選用不同蕎麥品種為研究對(duì)象，通過(guò)無(wú)人機(jī)于蕎麥開(kāi)花期和灌漿期獲取多光譜影像并同步采集蕎麥冠層葉片的LNC，分別提取了5個(gè)波段下的反射率，選用與葉片LNC相關(guān)的12個(gè)植被指數(shù)進(jìn)行皮爾遜(Pearson)相關(guān)性分析，選取17個(gè)光譜變量中相關(guān)性較高的特征變量與實(shí)測(cè)LNC進(jìn)行PLSR、SVM和BPNN回歸建模。結(jié)果表明，適量施用葉面硒肥可促進(jìn)葉片吸收氮素從而增加LNC，過(guò)量硒肥不能持續(xù)提高LNC。G、R、NIR、NDVI、RDVI、RVI、SAVI、NLI、OSAVI、GRVI和LNC相關(guān)性較高，最高為GRVI，達(dá)到了0.824。采用BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型表現(xiàn)最優(yōu)，盛花一灌漿期預(yù)測(cè)集決定系數(shù)( R2)為0.828，均方根誤差（RMSE為2.172，驗(yàn)證集R2為0.939，RMSE為1.100，RPD為4.587。因此，無(wú)人機(jī)多光譜遙感技術(shù)可實(shí)現(xiàn)大田尺度的蕎麥冠層葉片LNC估測(cè)。"，"Introduction":""，"Columns":"信息與電氣化"，"Volume":""，"Content":"

關(guān)鍵詞：蕎麥；氮；遙感；無(wú)人機(jī)；多光譜傳感器；土壤像元

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1795（2023）05-0034-05

DOI： 10.19998/j.cnkl.2095-1795.2023.05.007

0引言

蕎麥?zhǔn)俏覈?guó)北方地區(qū)重要的糧食作物之一，又名凈腸草、烏麥、三角麥，是一種成熟期有75 d的一年生草本植物，一般有甜養(yǎng)和苦養(yǎng)兩個(gè)品種。中國(guó)是蕎麥第2大生產(chǎn)國(guó)和出口國(guó)，也是世界上蕎麥種植面積最大的國(guó)家，其中甜蕎的種植面積約是苦蕎的2倍。氮是植物生長(zhǎng)發(fā)育過(guò)程中所必需的營(yíng)養(yǎng)元素之一，氮元素是蛋白質(zhì)的重要合成元素，也是葉綠素的重要組成部分。在傳統(tǒng)的農(nóng)業(yè)生產(chǎn)過(guò)程中，氮肥施入量是農(nóng)作物保持良好營(yíng)養(yǎng)狀態(tài)的關(guān)鍵之一，施入量太少會(huì)影響農(nóng)作物產(chǎn)量，施入量太多則會(huì)造成資源浪費(fèi)、面源污染。因此，快速獲取氮含量在田間的分布狀況并及時(shí)進(jìn)行精準(zhǔn)變量施肥對(duì)綠色農(nóng)業(yè)的實(shí)現(xiàn)顯得尤為重要。傳統(tǒng)分析方法有物理法和化學(xué)法，該類方法費(fèi)時(shí)費(fèi)力，無(wú)法應(yīng)用于大田農(nóng)作物氮分布信息的快速獲取。

無(wú)人機(jī)低空多光譜遙感技術(shù)的發(fā)展為實(shí)現(xiàn)田間作物參數(shù)信息的快速無(wú)損監(jiān)測(cè)提供了許多先進(jìn)手段，已有大量學(xué)者對(duì)作物各類營(yíng)養(yǎng)水平參數(shù)、生理生態(tài)參數(shù)等含量的光譜特征展開(kāi)研究并提出多種估測(cè)模型，因此，采用光譜特征變量進(jìn)行作物氮估測(cè)是農(nóng)業(yè)遙感與信息研究的重要內(nèi)容。唐渲運(yùn)等以葡萄植株為研究對(duì)象，通過(guò)無(wú)人機(jī)多光譜相機(jī)獲取葡萄植株葉片5個(gè)波段下的反射率進(jìn)而生成植被指數(shù)，對(duì)氮元素進(jìn)行反演，結(jié)果表明，果實(shí)著色期葡萄氮含量反演最高。

本研究以不同品種蕎麥為研究對(duì)象，利用無(wú)人機(jī)多光譜遙感技術(shù)獲得植被指數(shù)，通過(guò)相關(guān)性分析篩選出敏感光譜變量進(jìn)行模型構(gòu)建和精度評(píng)價(jià)，為大田尺度蕎麥葉片氮含量的遙感估測(cè)模型研究提供參考。

1材料與方法

1.1試驗(yàn)材料與設(shè)計(jì)

試驗(yàn)于2020年8—10月在山西省晉中市太谷區(qū)申奉村試驗(yàn)田進(jìn)行。試驗(yàn)田位于太谷區(qū)東北部，地處37°23′～37°25，N，112°35′～112°37′E。研究區(qū)域平均海拔約為775 m，夏季炎熱多雨，春季溫度高于秋季，冬季寒冷漫長(zhǎng)，屬于暖溫帶大陸性氣候。研究對(duì)象為苦蕎和甜蕎兩個(gè)品種，根據(jù)葉面施硒量的不同設(shè)置5個(gè)水平：Sel（0mg/L）、Se2（5 mg/L）、Se3（10mg/L）、Se4（15 mg/L）和Se5（20 mg/L），每個(gè)處理重復(fù)3次，采用T40型植保無(wú)人機(jī)于8月25日進(jìn)行葉面硒肥噴施，葉面肥為生物富硒復(fù)合增效劑，飛行速度4 m/s，飛行高度相對(duì)蕎麥冠層高度為2m，噴幅4.5m。

1.2遙感影像獲取

在蕎麥?zhǔn)⒒ㄆ冢?月10日）與灌漿期（10月3日）2個(gè)關(guān)鍵生育期，選擇晴朗無(wú)云、無(wú)風(fēng)天氣，用大疆精靈4多光譜版（Phantom4-M，P4M）作為本次試驗(yàn)的飛行器，在11： 00—13： 00獲取蕎麥冠層遙感影像，該設(shè)備集成6個(gè)CMOS鏡頭，可獲取5個(gè)波段（藍(lán)、綠、紅、紅邊和近紅外）和可見(jiàn)光（RGB）下的農(nóng)作物遙感影像，5個(gè)波段的中心波段及波寬分別是450（±16）、560（±16）、650（±16）、730（±16）和840（±26）nm，單次拍攝可獲取6張200萬(wàn)像素以上的影像數(shù)據(jù)。飛行器頂部集成多光譜光強(qiáng)傳感器，可捕捉太陽(yáng)輻照度以此來(lái)排除環(huán)境光對(duì)數(shù)據(jù)采集的影像。試驗(yàn)前，在地面遙控平臺(tái)DJI GO上進(jìn)行參數(shù)設(shè)置和航線規(guī)劃，高度60 m，航向和旁向重疊率均為80%。使用DJI Terra進(jìn)行影像拼接，將5個(gè)波段的多光譜正射影像導(dǎo)人ENVI進(jìn)行波段合成并將像素灰度值轉(zhuǎn)換為反射率。

1.3葉片氮磷鉀測(cè)定

于遙感影像獲取的同時(shí)，分別在每塊處理區(qū)選取具有代表性的蕎麥冠層葉片作為樣本剪取并帶回實(shí)驗(yàn)室，試驗(yàn)一共60個(gè)樣本，將樣本先后進(jìn)行殺青、干燥處理后，采用凱式定氮法測(cè)定葉片氮含量，當(dāng)天完成理化值的測(cè)定。

1.4植被指數(shù)構(gòu)建

植被指數(shù)（Vegetation Index，VI）是根據(jù)作物的吸收特性，將不同波段下的反射率進(jìn)行線性、非線性組合形成的光譜變量參數(shù)，可增強(qiáng)光譜反射率對(duì)作物參數(shù)反演的敏感性，是一種降低土壤背景和大氣噪聲的有效途徑。根據(jù)前人的研究成果，選取與LNC密切相關(guān)的12個(gè)植被指數(shù)來(lái)構(gòu)建模型，具體公式如表1所示。

1.5統(tǒng)計(jì)分析

試驗(yàn)數(shù)據(jù)采用SPSS 24.0進(jìn)行單因素方差分析和相關(guān)性分析，在進(jìn)行方差分析之前先進(jìn)行正態(tài)性檢驗(yàn)，采用LSD法檢驗(yàn)差異顯著性并繪制柱形圖。相關(guān)性分析之后，篩選相關(guān)性較大的光譜變量進(jìn)行后續(xù)建模分析。使用SPXY算法將數(shù)據(jù)按4：1劃分為建模集與驗(yàn)證集，分別采用回歸算法進(jìn)行模型建立，有偏最小二乘回歸法（Partial Least Squares Regression，PLSR）、支持向量機(jī)（Support Vector Machine Regression，SVR）和反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN），采用決定系數(shù)（coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和建模集的相對(duì)分析誤差（Relative Percent Deviation，RPD）作為模型的評(píng)價(jià)指標(biāo)，RPD的計(jì)算方法參考文獻(xiàn)中計(jì)算方法，公式如下。

2結(jié)果與分析

2.1葉面噴硒對(duì)蕎麥冠層LNC的影響

由圖1可知，就單個(gè)生育期而言，隨著硒肥濃度的增加，LNC呈現(xiàn)先增加后減少的趨勢(shì)，在Se1、Se2處理下，適量的硒促進(jìn)了葉片對(duì)氮元素的吸收，并且有顯著性差異。LNC隨著施硒量增加而增加，而在Se3、Se4處理，LNC降低，這是由于過(guò)量的硒抑制了葉片的氮吸收，直觀表現(xiàn)為樣本葉片泛黃營(yíng)養(yǎng)失衡。就生育期之間而言，盛花期的LNC明顯高于灌漿期。

2.2光譜變量與LNC的相關(guān)性分析

由5個(gè)波段反射率和12個(gè)植被指數(shù)組成光譜變量集，利用不同硒濃度處理下的蕎麥?zhǔn)⒒ㄆ凇⒐酀{期和盛花-灌漿期的光譜變量與實(shí)測(cè)LNC數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)果如表2所示。

由表2可知，在盛花期，R、NDVI、RDVI、RVI、SAVI和OSAVI在0.01水平有較高的相關(guān)性，在0.58～0.70范圍內(nèi)，最高為NDVI，相關(guān)性為0.679，紅色波段為顯著負(fù)相關(guān)。在灌漿期，G、R、NIR、NDVI、GNDVI、RDVI、RVI、SAVI、OSAVI和NLI在0.01水平顯著相關(guān)，在0.49～0.60范圍內(nèi)，最高為R，達(dá)0.578。在盛花一灌漿期，NDVI、RDVI、DVI、RVI、SAVI、OSAVI、NLI和GRVI在0.01水平有較高的相關(guān)性，在0.70～0.80范圍內(nèi)，最高為GRVI，達(dá)0.824。

2.3模型構(gòu)建與精度評(píng)價(jià)

根據(jù)光譜變量與LNC的相關(guān)性大小關(guān)系篩選出3個(gè)時(shí)期的敏感光譜變量，將篩選后的光譜與相對(duì)應(yīng)的LNC值組成新的數(shù)據(jù)集，采用SPXY算法按4：1將數(shù)據(jù)集劃分為建模集（訓(xùn)練集）：驗(yàn)證集，以敏感光譜變量為輸入，實(shí)測(cè)LNC為輸出，分別建立偏最小二乘法、支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)3種回歸模型，并進(jìn)行精度檢驗(yàn)得到最優(yōu)估測(cè)模型。

由表3可知，盛花期表現(xiàn)最佳的模型為支持向量機(jī)模型，建模集R²為0.611，RMSE為1.852，驗(yàn)證集R²為0.840，RMSE為1.669，RPD為1.887，這說(shuō)明該模型在盛花期精度較高且可靠。灌漿期參與建模的光譜變量有11個(gè)，利用BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型精度遠(yuǎn)高于其他模型，建模集和驗(yàn)證集R²分別為0.683和0.883，建模集和驗(yàn)證集RMSE分別為1.365和0.813，RPD為2.900。在全生育期，參與建模的光譜變量有13個(gè)，3個(gè)模型精度均較高，最高為BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)集和驗(yàn)證集R²分別為0.828和0.939，RMSE分別為2.172和1.100，RPD為4.587，模型精度較高且穩(wěn)定可靠。基于BP神經(jīng)網(wǎng)絡(luò)的LNC估算模型預(yù)測(cè)值與實(shí)際值的關(guān)系如圖2所示。

3結(jié)束語(yǔ)

（1）通過(guò)給蕎麥噴施不同濃度硒含量可以得出：隨著施硒量的增加，LNC并不持續(xù)增加，適量增加硒肥可促進(jìn)蕎麥葉片氮合成，過(guò)量則會(huì)抑制氮合成，適宜的葉面噴硒水平在10～15 mg/L。

（2）選取的12個(gè)植被指數(shù)中，NDVI、RDVI、RVI、SAVI、NLI、OSAVI均與LNC相關(guān)性較高，其中NDVI、RVI、OSAVI表現(xiàn)出較強(qiáng)且穩(wěn)定的相關(guān)性。

（ 3） PLSR在盛花一灌漿期表現(xiàn)較好，在盛花期或灌漿期預(yù)測(cè)效果較差，SVR在灌漿期效果較差，在盛花期和盛花一灌漿期效果較好，BP神經(jīng)網(wǎng)絡(luò)模型精度較高且穩(wěn)定可靠，在盛花期、灌漿期、盛花一灌漿期驗(yàn)證集準(zhǔn)確率分別達(dá)0.823、0.883和0.939。