基于無(wú)人機(jī)高光譜遙感的水稻氮營(yíng)養(yǎng)診斷方法

許童羽 白駒馳 郭忠輝 金忠煜 于豐華

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，沈陽(yáng) 110866；2.遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心，沈陽(yáng) 110866)

0 引言

氮素是對(duì)作物生長(zhǎng)、發(fā)育，以及最終產(chǎn)量影響最明顯的元素，其含量變化會(huì)對(duì)光合作用、蛋白質(zhì)合成以及碳氮代謝產(chǎn)生影響。氮素的缺乏會(huì)抑制作物地上部分和根系的生長(zhǎng)，限制繁殖器官的形成和發(fā)育，并顯著影響作物最終產(chǎn)量以及品質(zhì)[1-2]。因此，快速、精準(zhǔn)、大面積地對(duì)水稻田間氮素需求情況進(jìn)行診斷，并依據(jù)診斷結(jié)果實(shí)現(xiàn)精準(zhǔn)施肥，是實(shí)現(xiàn)水稻田間精準(zhǔn)管理和保證水稻產(chǎn)量的重要手段。傳統(tǒng)的水稻氮營(yíng)養(yǎng)診斷標(biāo)準(zhǔn)主要基于臨界氮濃度曲線(Critical N concentration curve)。GREENWOOD等[3]最早提出了臨界氮濃度的概念，即作物達(dá)到最大生物量所需的最小氮濃度。隨后LEMAIRE等[4]提出了基于臨界氮濃度理論的氮營(yíng)養(yǎng)指數(shù)(Nitrogen nutrition index，NNI)。氮營(yíng)養(yǎng)指數(shù)作為作物氮營(yíng)養(yǎng)診斷的重要指標(biāo)，能夠定量描述作物的氮營(yíng)養(yǎng)豐缺狀況[5-6]，為作物氮虧缺量的確定提供了理論依據(jù)。呂茹潔等[7]基于臨界氮濃度理論，計(jì)算出超級(jí)雜交稻和常規(guī)稻的臨界氮濃度曲線，并依據(jù)曲線確定了二者的氮虧缺量與適宜施肥量，為水稻氮虧缺量的確定提供了理論支撐。

然而，基于氮營(yíng)養(yǎng)指數(shù)計(jì)算氮虧缺量需要通過(guò)田間采樣獲取數(shù)據(jù)，成本較高、測(cè)量周期長(zhǎng)，且結(jié)果具有滯后性[8]，難以對(duì)實(shí)際農(nóng)業(yè)生產(chǎn)做出指導(dǎo)。近年來(lái)，隨著高光譜遙感技術(shù)的發(fā)展，利用無(wú)人機(jī)高光譜遙感技術(shù)獲取水稻氮營(yíng)養(yǎng)狀況信息成為精準(zhǔn)農(nóng)業(yè)領(lǐng)域的重要發(fā)展方向。高光譜遙感技術(shù)能夠通過(guò)分析作物光譜數(shù)據(jù)來(lái)獲得其生長(zhǎng)信息，具有快速、無(wú)損、準(zhǔn)確等優(yōu)點(diǎn)[9]。對(duì)此，國(guó)內(nèi)外已在相關(guān)領(lǐng)域取得一定的研究進(jìn)展[10-11]。這些研究大多數(shù)集中在利用高光譜對(duì)水稻氮含量進(jìn)行反演，而單純的氮含量信息難以反映水稻的氮營(yíng)養(yǎng)豐缺狀況，因此，結(jié)合無(wú)人機(jī)高光譜遙感技術(shù)與臨界氮濃度曲線理論，通過(guò)光譜反演氮營(yíng)養(yǎng)指數(shù)的形式對(duì)水稻進(jìn)行氮營(yíng)養(yǎng)診斷成為當(dāng)前的研究熱點(diǎn)[12-13]。ZHA等[14]通過(guò)無(wú)人機(jī)遙感獲取水稻冠層光譜數(shù)據(jù)，構(gòu)建多種植被指數(shù)并結(jié)合機(jī)器學(xué)習(xí)算法對(duì)水稻地上生物量、氮吸收量與氮營(yíng)養(yǎng)指數(shù)進(jìn)行反演建模，結(jié)果顯示隨機(jī)森林算法顯著提高了氮營(yíng)養(yǎng)指數(shù)反演精度；QIU等[15]提取水稻RGB光譜信息并構(gòu)建植被指數(shù)，最后比較多種機(jī)器學(xué)習(xí)方法反演水稻氮營(yíng)養(yǎng)指數(shù)的精度，認(rèn)為隨機(jī)森林算法在各生育期表現(xiàn)最佳。

前人研究大都以對(duì)水稻進(jìn)行氮營(yíng)養(yǎng)診斷為主，而單純的氮營(yíng)養(yǎng)診斷只能判斷水稻的生長(zhǎng)狀況，需要進(jìn)一步獲取水稻氮虧缺量數(shù)據(jù)才能以此對(duì)精準(zhǔn)施肥做出定量指導(dǎo)。因此，本文擬以水稻無(wú)人機(jī)高光譜數(shù)據(jù)與氮虧缺量為研究對(duì)象，以水稻各個(gè)時(shí)期氮虧缺量約等于0的冠層光譜為標(biāo)準(zhǔn)，對(duì)水稻高光譜數(shù)據(jù)進(jìn)行比值、差值與歸一化差值變換，然后利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法處理原始光譜與變換光譜，篩選出效果最佳的光譜特征波段，并建立基于多元線性回歸、極限學(xué)習(xí)機(jī)與蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的水稻氮虧缺量反演模型，最后比較模型反演效果，確定基于高光譜數(shù)據(jù)的水稻氮虧缺量最佳反演方法，以期為快速獲取水稻氮虧缺量提供研究方向，也為基于田間水稻氮營(yíng)養(yǎng)狀況的精準(zhǔn)施肥提供定量指導(dǎo)。

1 數(shù)據(jù)獲取與反演模型建立

1.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)于2021年6—9月在遼寧省鞍山市海城市耿莊鎮(zhèn)沈陽(yáng)農(nóng)業(yè)大學(xué)精準(zhǔn)農(nóng)業(yè)航空科研基地(北緯40°58′45.39″，東經(jīng)122°43′47.01″)進(jìn)行，為避免陰雨多云天氣對(duì)遙感數(shù)據(jù)采集造成誤差，數(shù)據(jù)采集過(guò)程選擇天氣晴好的日期，如遇云量超過(guò)20%或不利于遙感數(shù)據(jù)采集天氣則順延采集。水稻品種為北粳1705。實(shí)驗(yàn)區(qū)域如圖1所示，實(shí)驗(yàn)田分為2個(gè)大區(qū)，其中實(shí)驗(yàn)區(qū)1設(shè)立5個(gè)氮肥梯度，施氮量分別為N0(0 kg/hm2)、N1(75 kg/hm2)、N2(150 kg/hm2)、N3(225 kg/hm2)、N4(300 kg/hm2)，實(shí)驗(yàn)區(qū)2也設(shè)計(jì)5個(gè)氮肥梯度，施氮量分別為：N0(0 kg/hm2)、N1(50 kg/hm2)、N2(100 kg/hm2)、N3(150 kg/hm2)、N4(200 kg/hm2)，氮肥基追比為5∶3∶2。實(shí)驗(yàn)區(qū)1對(duì)每個(gè)梯度設(shè)立3個(gè)重復(fù)小區(qū)，共設(shè)立3×5=15個(gè)小區(qū)。每個(gè)小區(qū)面積為5 m×8 m=40 m2，實(shí)驗(yàn)區(qū)2每個(gè)小區(qū)面積為660 m2，除氮肥梯度外兩組實(shí)驗(yàn)區(qū)田間管理一致，磷鉀肥施用量采用當(dāng)?shù)貥?biāo)準(zhǔn)施用量進(jìn)行，其中磷肥標(biāo)準(zhǔn)施用量為144 kg/hm2，鉀肥標(biāo)準(zhǔn)施用量為192 kg/hm2，基追比為1∶1，其余田間管理同常規(guī)高產(chǎn)管理。田間采樣由分蘗期至抽穗期，采樣間隔9 d，每次采樣在各實(shí)驗(yàn)小區(qū)選取具有代表性的3穴水稻進(jìn)行冠層光譜、水稻氮濃度與地上干物質(zhì)量的獲取，最后結(jié)果取平均值作為該小區(qū)水稻氮濃度與地上干物質(zhì)量。實(shí)驗(yàn)區(qū)1共采集小區(qū)數(shù)據(jù)120組，實(shí)驗(yàn)區(qū)2共采集小區(qū)數(shù)據(jù)88組，共計(jì)208組樣本。

圖1 實(shí)驗(yàn)小區(qū)分布圖

1.2 數(shù)據(jù)獲取

1.2.1水稻光譜參量獲取

無(wú)人機(jī)高光譜平臺(tái)采用深圳大疆創(chuàng)新公司M600 PRO型六旋翼無(wú)人機(jī)，高光譜成像儀選用四川雙利合譜公司GaiaSky-mini內(nèi)置推掃式機(jī)載高光譜成像系統(tǒng)，高光譜波段范圍為400～1 000 nm，分辨率為3 nm，有效波段數(shù)為253個(gè)。無(wú)人機(jī)高光譜遙感平臺(tái)數(shù)據(jù)采集時(shí)間為選擇太陽(yáng)光強(qiáng)較為穩(wěn)定的時(shí)段11:00—12:00，無(wú)人機(jī)飛行高度為150 m。運(yùn)用 ENVI 5.3+IDL工具軟件對(duì)獲取的高光譜遙感影像進(jìn)行小區(qū)高光譜數(shù)據(jù)提取，運(yùn)用波譜角填圖方法去除干擾地物光譜的影響，對(duì)每個(gè)小區(qū)的感興趣區(qū)計(jì)算平均光譜，再利用Matlab軟件對(duì)平均光譜進(jìn)行重采樣處理，使光譜分辨率降為1 nm，最后利用高斯濾波器對(duì)重采樣后光譜進(jìn)行去噪處理，結(jié)果作為每個(gè)實(shí)驗(yàn)小區(qū)的高光譜信息。

1.2.2水稻農(nóng)學(xué)參量獲取

測(cè)定樣本氮濃度與地上干物質(zhì)量時(shí)，首先對(duì)每個(gè)小區(qū)的水稻進(jìn)行破壞性采樣，將樣本帶至實(shí)驗(yàn)室，然后將樣本放入干燥箱中105℃殺青30 min后，80℃干燥至恒質(zhì)量；之后測(cè)量干燥后樣本的干物質(zhì)量，并根據(jù)種植密度換算成地上部干物質(zhì)量；最后將干燥后的樣本磨碎，對(duì)研磨后的樣本通過(guò)凱氏定氮法測(cè)量植株氮濃度。

1.3 基于臨界氮濃度曲線的氮虧缺量計(jì)算方法

臨界氮濃度是作物達(dá)到最大生物量所需的最小氮濃度，因此以臨界氮濃度為基準(zhǔn)可以推導(dǎo)出臨界氮積累量方程，進(jìn)而建立氮虧缺量方程，并確定水稻氮虧缺量[7]。

根據(jù)JUSTES等[16]提出的臨界氮濃度曲線構(gòu)建方法，以所測(cè)水稻氮濃度與地上干物質(zhì)量為基礎(chǔ)構(gòu)建東北水稻的臨界氮濃度曲線，具體方法如下：對(duì)比不同氮肥梯度下測(cè)定的氮濃度與干物質(zhì)量，通過(guò)方差分析將樣本分為受氮營(yíng)養(yǎng)限制組與不受氮營(yíng)養(yǎng)限制組；對(duì)受氮營(yíng)養(yǎng)限制組的數(shù)據(jù)，將地上干物質(zhì)量與氮濃度進(jìn)行線性擬合；對(duì)不受氮營(yíng)養(yǎng)限制組，對(duì)同一時(shí)期樣本地上干物質(zhì)量取平均值代表該時(shí)期最大地上干物質(zhì)量；取各時(shí)期擬合曲線于最大地上干物質(zhì)中位置的截點(diǎn)為該時(shí)期的理論臨界氮濃度點(diǎn)；將各時(shí)期臨界氮濃度點(diǎn)進(jìn)行冪函數(shù)擬合，構(gòu)建作物臨界氮濃度曲線

Nc=aM-b

(1)

式中Nc——水稻臨界氮質(zhì)量比，g/g

M——地上干物質(zhì)量，t/hm2

a、b——曲線參數(shù)

根據(jù)臨界氮濃度曲線推導(dǎo)出臨界氮積累量方程與氮虧缺量方程，推導(dǎo)過(guò)程為

Ncna=10aM1-b

(2)

Nand=Ncna-Nna

(3)

式中Ncna——臨界氮濃度條件下植株氮積累量，kg/hm2

Nand——氮虧缺量，kg/hm2

Nna——不同施氮量下植株實(shí)際氮積累量，kg/hm2

1.4 光譜數(shù)據(jù)處理

1.4.1高光譜數(shù)據(jù)變換

由于臨界氮濃度狀態(tài)下作物地上部氮營(yíng)養(yǎng)狀況與冠層葉片結(jié)構(gòu)達(dá)到最佳狀態(tài)，而這些都是影響水稻冠層光譜反射率的直接因素[17-18]，因此，相比非臨界氮濃度狀態(tài)下的作物，臨界氮濃度下水稻同其余水稻無(wú)論在光譜層面還是氮營(yíng)養(yǎng)狀況層面都存在一定的差異。為了在光譜層面突出臨界氮濃度下水稻與其余水稻的差距，本研究選取各個(gè)時(shí)期Nand≈0 kg/hm2樣本對(duì)應(yīng)的光譜反射率，將其與同時(shí)期其余樣本光譜反射率分別做比值、差值和歸一化差值變換，計(jì)算方法為

(4)

RD=RNC-Ri

(5)

(6)

式中RSV——比值光譜反射率，%

RD——差值光譜反射率，%

RND——?dú)w一化差值光譜反射率，%

RNC——臨界氮濃度狀態(tài)下樣本光譜反射率，%

Ri——同時(shí)期其余光譜反射率，%

1.4.2高光譜特征波段提取

由于全波段光譜相鄰波段數(shù)據(jù)相似度較高，且存在大量與所求變量無(wú)關(guān)的冗余信息，基于全波段光譜的建模往往存在運(yùn)行速度較慢，模型誤差較高，反演精度較低等缺點(diǎn)[19-21]。為了減少輸入變量個(gè)數(shù)，降低數(shù)據(jù)冗余性，提高建模速度與精度，本文采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法(Competitive adaptive reweighted sampling，CARS)對(duì)光譜反射率數(shù)據(jù)進(jìn)行特征提取。CARS算法基于達(dá)爾文進(jìn)化論簡(jiǎn)單有效的生存原則“適者生存”，對(duì)不適應(yīng)的波長(zhǎng)變量進(jìn)行逐步淘汰。首先，利用蒙特卡羅采樣法(Monte Carlo simulation，MCS)采樣N次，再以偏最小二乘回歸(Partial least squares regression，PLSR)系數(shù)絕對(duì)值作為衡量標(biāo)準(zhǔn)，保留回歸系數(shù)絕對(duì)值大的波長(zhǎng)變量，去除回歸系數(shù)絕對(duì)值小的波長(zhǎng)變量，從而獲得一系列的波長(zhǎng)變量子集；然后對(duì)比每次產(chǎn)生的PLSR模型的交互驗(yàn)證均方差值(Root mean square error of cross validation，RMSECV)，RMSECV 最小的那個(gè)模型所對(duì)應(yīng)的變量子集被選為最優(yōu)變量子集。

1.5 反演建模方法

選用多元線性回歸(Multivariable linear regression，MLR)、極限學(xué)習(xí)機(jī)(Extreme learning machine, ELM)與蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)(Bat algorithm optimized extreme learning machine, BA-ELM)3種算法進(jìn)行建模，并通過(guò)3種模型對(duì)訓(xùn)練集與測(cè)試集預(yù)測(cè)結(jié)果的決定系數(shù)R2與均方根誤差(Root mean square error，RMSE)來(lái)判斷模型的反演精度與魯棒性。

多元線性回歸是一種解釋單因變量與多自變量間線性關(guān)系的傳統(tǒng)回歸建模方法，模型結(jié)果唯一，并能夠更好地體現(xiàn)各個(gè)自變量與因變量間的相關(guān)程度。

極限學(xué)習(xí)機(jī)是一種基于單層前饋神經(jīng)網(wǎng)絡(luò)理論的改進(jìn)算法，具有學(xué)習(xí)速率快、泛化能力強(qiáng)、訓(xùn)練精度較高等優(yōu)點(diǎn)[22-23]。但由于極限學(xué)習(xí)機(jī)每次運(yùn)行中輸入層與隱含層之間的連接權(quán)值和隱含層神經(jīng)元的閾值都是隨機(jī)生成的，其在訓(xùn)練穩(wěn)定性上存在不足，且容易陷入局部最優(yōu)解。因此，本研究采用蝙蝠算法對(duì)極限學(xué)習(xí)機(jī)隱含層初始權(quán)重進(jìn)行優(yōu)化。

蝙蝠算法是一種新的元啟發(fā)式優(yōu)化算法。該算法模擬自然界中蝙蝠利用回聲定位來(lái)探測(cè)獵物和規(guī)避障礙物的原理，控制蝙蝠發(fā)出不同頻率的搜索脈沖來(lái)尋找最優(yōu)解。相較于經(jīng)典的粒子群算法，蝙蝠算法引入了局部搜索機(jī)制，在每輪迭代中最優(yōu)蝙蝠個(gè)體會(huì)采用隨機(jī)搜索的方式進(jìn)行局部尋優(yōu)，有助于算法跳出局部最優(yōu)解，增強(qiáng)算法的全局搜索性[24-26]。

2 結(jié)果與分析

2.1 植株氮虧缺量確定

2.1.1植株氮濃度與地上部干物質(zhì)量統(tǒng)計(jì)分析

東北水稻全生育期植株氮濃度與地上部干物質(zhì)量的基本信息如表1所示，由于實(shí)驗(yàn)包含全生育期采樣數(shù)據(jù)，實(shí)驗(yàn)區(qū)1與實(shí)驗(yàn)區(qū)2中的植株氮濃度與地上部干物質(zhì)量離散程度較高，最大值與最小值差別較大。其中實(shí)驗(yàn)區(qū)1由于施氮梯度較高，其整體氮濃度與地上部干物質(zhì)量高于實(shí)驗(yàn)區(qū)2。實(shí)驗(yàn)區(qū)2由于在分蘗期與拔節(jié)期采樣密度較高，其平均氮濃度較高，平均地上部干物質(zhì)量較低。

表1 植株氮濃度與地上部生物量統(tǒng)計(jì)

2.1.2臨界氮濃度曲線與氮虧缺量計(jì)算

根據(jù)1.3節(jié)提出的臨界氮濃度曲線的構(gòu)建方法，本文將每個(gè)采樣日獲得的氮濃度與干物質(zhì)量進(jìn)行回歸擬合，計(jì)算出每個(gè)采樣日的東北水稻臨界氮濃度，之后根據(jù)各個(gè)臨界氮濃度與對(duì)應(yīng)的干物質(zhì)量構(gòu)建東北水稻臨界氮濃度曲線(圖2)。曲線方程為

圖2 臨界氮質(zhì)量比擬合曲線

Nc=2.026M-0.460 3

(10)

決定系數(shù)R2為0.874 7，RMSE為0.382 5 g/g。曲線參數(shù)a、b分別為2.026、-0.460 3，與SONG等[27]計(jì)算出的東北水稻臨界氮濃度曲線參數(shù)a=1.99、b=-0.44非常接近，可進(jìn)一步用于東北水稻的氮虧缺量計(jì)算。

根據(jù)1.3節(jié)中的計(jì)算方法，本文結(jié)合樣本數(shù)據(jù)與臨界氮濃度曲線，計(jì)算各樣本的氮虧缺量。各個(gè)氮肥梯度的平均氮虧缺量如圖3所示，隨著氮肥梯度的增高，氮虧缺量整體呈下降趨勢(shì)，綜合實(shí)驗(yàn)區(qū)1與實(shí)驗(yàn)區(qū)2氮虧缺量的下降趨勢(shì)可知，水稻最佳施肥量在150～200 kg/hm2之間。

圖3 各氮肥梯度平均氮虧缺量

2.2 光譜數(shù)據(jù)處理

2.2.1光譜數(shù)據(jù)變換結(jié)果

根據(jù)1.4.1節(jié)提出的方法，本研究選取各個(gè)時(shí)期Nand≈0 kg/hm2的樣本對(duì)應(yīng)光譜反射率，將其與其余樣本光譜反射率分別作比值、差值、歸一化差值變換，變換結(jié)果與相關(guān)性分析結(jié)果如圖4、5所示，對(duì)比可得，不同施氮水平下原始光譜全波段反射率變換趨勢(shì)基本一致，在可見(jiàn)光波段(波長(zhǎng)400～700 nm)光譜反射率均呈“先升后降”的變化規(guī)律。同時(shí)，在綠波段(波長(zhǎng)550 nm附近)出現(xiàn)明顯的反射峰，在紅波段(波長(zhǎng)680 nm附近)出現(xiàn)明顯的吸收谷。在波長(zhǎng)680～770 nm內(nèi)不同施氮水平的光譜反射率曲線變化基本一致，反射率急劇升高，在近紅外波段(770～1 000 nm)形成較高的反射平臺(tái)；不同施氮水平下比值、差值與歸一化差值光譜反射率有一定差別，但在綠波段與紅波段差別較為明顯;在與氮虧缺量的相關(guān)性方面，4種光譜反射率與氮虧缺量的相關(guān)性圖像趨勢(shì)基本一致，在紅波段與綠波段形成2個(gè)波峰，其中歸一化差值光譜在2個(gè)波峰處相關(guān)性最佳，其次分別是比值光譜、差值光譜與原始光譜。

圖4 原始與變換光譜反射率

2.2.2特征波長(zhǎng)選擇

利用CARS算法對(duì)水稻原始光譜與歸一化差值光譜反射率進(jìn)行特征波長(zhǎng)的篩選，根據(jù)交叉驗(yàn)證集RMSECV確定光譜特征波長(zhǎng)后，刪去相鄰的特征波長(zhǎng)，并通過(guò)相關(guān)性分析選取與Nand相關(guān)性最好的波長(zhǎng)作為最佳特征波長(zhǎng)，以原始光譜選擇過(guò)程為例：由圖6a可以看出，隨著運(yùn)行次數(shù)的增加，原始光譜被選出的波段數(shù)逐漸減少，圖6b中RMSECV整體呈下降趨勢(shì)，說(shuō)明篩選過(guò)程中剔除的變量與SOM去除量無(wú)關(guān)，而72次迭代以后，RMSECV呈回升趨勢(shì)，表明反射率光譜中與SOM無(wú)關(guān)的大量信息或噪聲被添加，從而導(dǎo)致RMSECV上升。圖6c為所有變量在每次采樣過(guò)程中的回歸系數(shù)路徑圖，表示隨著運(yùn)行次數(shù)的增加各波段變量回歸系數(shù)的變化趨勢(shì)。結(jié)合圖6b分析發(fā)現(xiàn)當(dāng)運(yùn)行次數(shù)為第72次時(shí)，RMSECV最小即所選擇的光譜變量子集最優(yōu)。原始光譜與3種變換光譜的特征選擇結(jié)果如表2所示。

圖5 原始與變換光譜相關(guān)性

圖6 原始光譜CARS降維結(jié)果

表2 CARS提取后原始光譜與變換后光譜特征波長(zhǎng)與運(yùn)行結(jié)果

2.3 氮虧缺量反演模型構(gòu)建

為比較不同光譜變換方法與反演建模方法的性能，分別以經(jīng)CARS算法篩選出的原始光譜、比值光譜、差值光譜、歸一化差值光譜特征波長(zhǎng)為輸入變量，水稻氮虧缺量為輸出變量，分別構(gòu)建基于MLR、ELM與BA-ELM的水稻氮虧缺量反演模型。

2.3.1基于MLR的氮虧缺量反演

將4種光譜特征波長(zhǎng)作為輸入變量，分別構(gòu)建基于MLR的反演模型，反演結(jié)果如圖7所示：其中基于歸一化差值光譜的模型精度最高，訓(xùn)練集與測(cè)試集的R2分別為0.654 0、0.715 8，RMSE分別為0.955 7、1.204 8 kg/hm2；其次是基于差值光譜反演模型，其R2分別為0.600 5、0.524 2，RMSE分別為1.103 1、1.184 2 kg/hm2；然后是基于原始光譜的反演模型，R2分別為0.595 6、0.582 6，RMSE分別為1.189 4、1.083 9 kg/hm2。基于比值光譜的模型精度精度R2分別為0.597 3、0.517 5，RMSE分別為1.034 0、1.064 6 kg/hm2；基于歸一化差值光譜的反演模型反演效果最好。

圖7 基于MLR的不同反演模型結(jié)果

2.3.2基于ELM的氮虧缺量反演

將4種光譜特征波長(zhǎng)作為輸入變量，分別構(gòu)建基于ELM的反演模型，映射函數(shù)為Sigmoid，隱含層個(gè)數(shù)分別為13、14、12、13，訓(xùn)練結(jié)果如圖8所示。其中基于歸一化差值光譜的模型精度最高，訓(xùn)練集與測(cè)試集的R2分別為0.721 1、0.683 2，RMSE分別為0.857 8、1.151 2 kg/hm2；其次是基于比值光譜的反演模型，R2分別為0.685 0、0.634 4，RMSE分別為0.914 5、0.958 4 kg/hm2；然后是基于差值光譜反演模型，其R2分別為0.632 2、0599 4，RMSE分別為1.057 0、1.069 9 kg/hm2；最后是原始光譜的模型精度最低，R2分別為0.619 2、0.547 7，RMSE分別為1.154 6、1.175 3 kg/hm2?；跉w一化差值光譜的反演模型R2與RMSE均優(yōu)于其余3種模型。

圖8 基于ELM的反演模型結(jié)果

2.3.3基于BA-ELM的氮虧缺量反演

將4種光譜特征波長(zhǎng)作為輸入變量，分別構(gòu)建基于BA-ELM的反演模型，其中蝙蝠算法的最大迭代次數(shù)為80，種群大小為50，適應(yīng)度函數(shù)為驗(yàn)證集RMSE，隱含層個(gè)數(shù)分別為50、60、57、65，結(jié)果如圖9所示：基于歸一化差值光譜的模型精度最高，訓(xùn)練集與驗(yàn)證集的R2分別為0.816 0、0.830 6，RMSE為0.696 8、0.814 1 kg/hm2；基于比值光譜的模型精度R2分別為0.759 3、0.770 1，RMSE分別為0.799 4、0.730 9 kg/hm2；基于差值光譜的模型精度R2分別為0.733 9、0.659 0，RMSE分別為0.900 3、0.997 1 kg/hm2；原始光譜的模型精度，訓(xùn)練集與驗(yàn)證集的R2分別為0.692 2、0.680 8，RMSE為1.037 5、0.952 8 kg/hm2。經(jīng)過(guò)模型結(jié)果對(duì)比可知：基于BA-ELM的反演模型精度均優(yōu)于基于MLR與ELM的反演模型；其中基于歸一化差值光譜的反演模型在R2與RMSE上均優(yōu)于其余3種光譜模型；基于比值光譜在MLR模型中表現(xiàn)較差，但在ELM與BA-ELM模型中表現(xiàn)僅次于歸一化差值光譜，這可能是因?yàn)楸戎倒庾V與氮虧缺量之間存在較為復(fù)雜的非線性關(guān)系，MLR等線性模型對(duì)它的解釋能力較差。在3種模型中，差值光譜與原始光譜表現(xiàn)相近，可見(jiàn)對(duì)光譜進(jìn)行單純的差值處理難以突出其與氮虧缺量的關(guān)系。因此采用基于歸一化差值光譜的BA-ELM模型在反演水稻氮虧缺量上最有優(yōu)勢(shì)。

圖9 基于BA-ELM的反演模型結(jié)果

2.4 針對(duì)不同施肥量的模型預(yù)測(cè)能力

在實(shí)驗(yàn)區(qū)1與實(shí)驗(yàn)區(qū)2中，以反演效果最優(yōu)模型的氮虧缺量估測(cè)值與對(duì)應(yīng)梯度的氮虧缺量實(shí)測(cè)值對(duì)比，結(jié)果如圖10所示，實(shí)驗(yàn)區(qū)1與實(shí)驗(yàn)區(qū)2中，整體上估測(cè)值與實(shí)測(cè)值較為相近，對(duì)水稻氮虧缺量的估測(cè)能力較強(qiáng)；隨著施氮量梯度的提升，對(duì)氮虧缺量的估測(cè)精度呈下降趨勢(shì)，在臨界氮濃度狀態(tài)附近估測(cè)能力較差，這可能是因?yàn)榕R界氮濃度狀態(tài)下與非臨界氮濃度狀態(tài)下水稻光譜變化規(guī)律不一致，模型同時(shí)估測(cè)2種狀態(tài)的水稻光譜預(yù)測(cè)難度較高所致。

圖10 不同梯度氮虧缺量估測(cè)效果

3 討論

以往學(xué)者研究焦點(diǎn)往往集中在如何提高獲取水稻田間氮濃度或氮營(yíng)養(yǎng)指數(shù)信息的準(zhǔn)確性[28-29]，然而這些信息只能描述水稻的氮營(yíng)養(yǎng)狀況，難以對(duì)水稻氮虧缺狀況進(jìn)行精確的定量描述，進(jìn)而指導(dǎo)精準(zhǔn)施肥。本文首先通過(guò)田間采樣獲取水稻氮濃度、地上生物量與冠層光譜數(shù)據(jù)，根據(jù)前人提出的方法構(gòu)建東北水稻臨界氮濃度曲線，并基于臨界氮濃度曲線計(jì)算水稻氮虧缺量。由于臨界氮濃度表示作物達(dá)到最大干物質(zhì)量所需的最小氮濃度，以臨界氮濃度作為判斷水稻氮虧缺量的標(biāo)準(zhǔn)更能反映田間水稻的氮營(yíng)養(yǎng)狀況與實(shí)際氮需求情況。同時(shí)本研究還采用了無(wú)人機(jī)高光譜遙感技術(shù)與數(shù)據(jù)驅(qū)動(dòng)的反演建模方法，通過(guò)水稻冠層光譜數(shù)據(jù)對(duì)氮虧缺量進(jìn)行反演。無(wú)人機(jī)高光譜遙感技術(shù)能夠快速、大面積獲取水稻冠層光譜信息，進(jìn)而對(duì)田間水稻氮營(yíng)養(yǎng)狀況進(jìn)行快速診斷，數(shù)據(jù)驅(qū)動(dòng)的反演建模方法雖然可解釋性與泛化能力較差，但其能夠?qū)庾V與氮虧缺量之間的復(fù)雜非線性關(guān)系進(jìn)行準(zhǔn)確描述，將二者結(jié)合能夠同時(shí)滿足追肥決策所需的精確性與時(shí)效性，為定量追肥決策的實(shí)現(xiàn)提供了解決思路。

由于臨界氮濃度狀態(tài)下作物地上部氮營(yíng)養(yǎng)狀況與冠層葉片結(jié)構(gòu)達(dá)到最佳狀態(tài)，而這些都是影響水稻冠層光譜反射率的直接因素[30]，因此，相比非臨界氮濃度狀態(tài)下的作物，臨界氮濃度下作物無(wú)論在光譜層面還是氮營(yíng)養(yǎng)狀況層面都存在一定差異。為了在光譜層面上放大臨界氮濃度下水稻與其余水稻的差距，去除與氮虧缺量無(wú)關(guān)的冗余信息，本研究以各時(shí)期接近臨界氮濃度狀態(tài)下光譜為標(biāo)準(zhǔn)光譜，分別對(duì)原始光譜進(jìn)行比值、差值、歸一化差值變換，之后運(yùn)用CARS算法提取變換光譜的特征波長(zhǎng)。由結(jié)果可知3種光譜變換均提升了其與氮虧缺量之間的相關(guān)性，其中歸一化差值變換相關(guān)性與反演精度最高，這可能是由于歸一化差值計(jì)算既通過(guò)差值計(jì)算放大了臨界氮濃度光譜與其余冠層光譜的差異，又統(tǒng)一了差值光譜數(shù)據(jù)的量綱，還對(duì)光譜數(shù)據(jù)的統(tǒng)計(jì)分布性進(jìn)行了歸納。

在建模過(guò)程中，本文選擇蝙蝠算法優(yōu)化ELM算法的初始權(quán)重，并將其與原始ELM進(jìn)行對(duì)比建模。建模結(jié)果中BA-ELM模型的反演精度顯著高于ELM模型，這可能是由于ELM作為一種基于前饋神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法，具有學(xué)習(xí)速度快，收斂能力強(qiáng)等優(yōu)點(diǎn)，但同時(shí)也存在容易陷入局部最優(yōu)解的問(wèn)題；蝙蝠算法作為一種由粒子群算法衍生的元啟發(fā)式搜索算法，在迭代過(guò)程中會(huì)在最優(yōu)解附近再次搜索局部最優(yōu)解，因此具有優(yōu)秀的全局搜索能力，通過(guò)蝙蝠算法優(yōu)化極限學(xué)習(xí)機(jī)的初始參數(shù)會(huì)讓極限學(xué)習(xí)機(jī)在最優(yōu)解附近開(kāi)始學(xué)習(xí)，提高了算法的反演精度與全局搜索能力。

雖然本研究利用無(wú)人機(jī)高光譜數(shù)據(jù)對(duì)水稻氮虧缺量反演取得了較好的效果[31]，但對(duì)于實(shí)現(xiàn)基于無(wú)人機(jī)高光譜遙感的水稻精準(zhǔn)追肥仍存在以下幾點(diǎn)問(wèn)題：①本文采用的歸一化差值處理方法是基于各個(gè)采樣期臨界氮濃度狀態(tài)的水稻光譜計(jì)算的，而這些光譜如果用于其他水稻光譜的計(jì)算時(shí)，可能會(huì)因?yàn)椴蓸訒r(shí)間、水稻品種與發(fā)育狀況等因素造成誤差，進(jìn)而影響氮虧缺量反演效果。②蝙蝠算法優(yōu)化后的ELM算法也存在收斂精度不高，容易陷入局部最小值等問(wèn)題。后續(xù)的研究重點(diǎn)應(yīng)集中在如何在無(wú)人機(jī)高光譜數(shù)據(jù)中實(shí)時(shí)提取臨界氮濃度狀態(tài)下的水稻光譜與對(duì)反演算法的精度與魯棒性進(jìn)行優(yōu)化這兩方面上。

4 結(jié)論

(1)構(gòu)建了東北水稻臨界氮濃度曲線，可表示為Nc=2.026M-0.460 3。

(2)通過(guò)CARS算法提取的原始光譜、比值光譜、差值光譜與歸一化差值光譜特征波長(zhǎng)分別為400、411、422、447、570、677 nm，533、695、715、738、774 nm，413、424、444、497、533、600、676、691 nm，484、560、644、672、695、724 nm。

(3)對(duì)比基于4種光譜特征波長(zhǎng)與ELM、BA-ELM算法的8種建模方法反演精度可知，基于歸一化差值的BA-ELM模型反演結(jié)果最好，訓(xùn)練集與測(cè)試集的R2分別為0.816 0、0.830 6，RMSE為0.696 8、0.814 1 kg/hm2。