基于多源遙感數(shù)據(jù)的夏玉米冠層氮素遙感監(jiān)測研究

王嬌娜

（三和數(shù)碼測繪地理信息技術(shù)有限公司，甘肅 天水 741000）

對夏玉米具體生長情況進(jìn)行診斷時(shí)，常對冠層氮素進(jìn)行診斷分析，而在氮素診斷過程中可應(yīng)用兩種方法，一種是傳統(tǒng)的實(shí)驗(yàn)室測量方法，即通過人工手段采集監(jiān)測范圍內(nèi)的作物樣本，經(jīng)過實(shí)驗(yàn)室化學(xué)測量方法對氮素情況進(jìn)行分析。該方法雖然具有較高的精準(zhǔn)性，但是對人力和物力等資源的消耗較大，且監(jiān)測周期相對較長。另一種是基于多源遙感技術(shù)的新型監(jiān)測方法，即利用無人機(jī)和光譜相機(jī)等設(shè)備實(shí)現(xiàn)空間數(shù)據(jù)檢測，能夠有效縮減監(jiān)測使用的資源，且保證了數(shù)據(jù)監(jiān)測的時(shí)效性和精準(zhǔn)性，已經(jīng)成為現(xiàn)階段重點(diǎn)關(guān)注和研究的技術(shù)。

1 多源遙感技術(shù)在農(nóng)業(yè)種植中的應(yīng)用

使用多源遙感技術(shù)對夏玉米種植過程進(jìn)行氮素監(jiān)測時(shí)，主要以系統(tǒng)分析原理作為生長模型，對玉米種植品種、生長發(fā)育環(huán)境以及種植栽培技術(shù)等進(jìn)行整合，以此對夏玉米的光合效應(yīng)、產(chǎn)量變化、生長發(fā)育周期以及水碳循環(huán)等變化情況和夏玉米生長環(huán)境之間的反饋關(guān)系進(jìn)行數(shù)量分析和理論研究，構(gòu)建出數(shù)學(xué)關(guān)系模型，將夏玉米生長過程進(jìn)行動態(tài)化定量模擬。該模型在實(shí)際應(yīng)用中能夠提高玉米生長檢測的精準(zhǔn)性、機(jī)理性以及真實(shí)性。

氮素對玉米生長品質(zhì)和最終產(chǎn)量等具有十分重要的影響，如果氮素含量過高，會導(dǎo)致玉米營養(yǎng)過剩，且會造成資源浪費(fèi)和環(huán)境污染問題；如果氮素含量過低，會導(dǎo)致玉米營養(yǎng)不良，最終影響到玉米質(zhì)量和產(chǎn)量。因此，將玉米氮素控制在合理范圍內(nèi)是科學(xué)種植的前提與保障[1]。傳統(tǒng)的田間測量方法能夠?qū)τ衩椎厍闆r進(jìn)行有效監(jiān)測，但是會對農(nóng)作物造成一定程度的破壞，且浪費(fèi)時(shí)間和成本。而多源遙感技術(shù)的應(yīng)用能夠?qū)崿F(xiàn)對玉米長勢和發(fā)育情況的快速監(jiān)測，有助于現(xiàn)代化農(nóng)業(yè)的快速發(fā)展。

2 多源遙感監(jiān)測實(shí)驗(yàn)概述

2.1 實(shí)驗(yàn)區(qū)域概況

實(shí)驗(yàn)一區(qū)位于北京市昌平區(qū)，氣候條件為溫帶季風(fēng)氣候。實(shí)驗(yàn)區(qū)域內(nèi)的土壤成分主要為粉質(zhì)黏壤土，pH值在8左右。土壤成分大致如下：速效鉀含量為145 mg/kg、速效磷含量為17 mg/kg、堿解氮含量為49.9 mg/kg、有機(jī)質(zhì)含量為1.14%。對實(shí)驗(yàn)區(qū)域進(jìn)行三次不同氮素含量的施肥，分別是過量765 kg/hm2、一般337 kg/hm2、無氮0。將實(shí)驗(yàn)區(qū)域劃分成18個(gè)小型實(shí)驗(yàn)田，每塊面積大小為7 m*7 m，分別標(biāo)記為1#～18#，其中1#～9#種植“農(nóng)大108”玉米，10#～18#種植“京華8”玉米。對玉米生長發(fā)育的四個(gè)階段進(jìn)行樣品數(shù)據(jù)采集，分別是拔節(jié)期、大口期、開花期以及灌漿期。全部實(shí)驗(yàn)區(qū)均進(jìn)行標(biāo)準(zhǔn)統(tǒng)一化管理。

實(shí)驗(yàn)二區(qū)和實(shí)驗(yàn)一區(qū)位置相同，氣候條件相同。將實(shí)驗(yàn)區(qū)域劃分成48個(gè)小型實(shí)驗(yàn)區(qū)，其中北側(cè)24個(gè)實(shí)驗(yàn)區(qū)進(jìn)行品種區(qū)分處理，選用8個(gè)不同品種；南側(cè)24個(gè)實(shí)驗(yàn)區(qū)進(jìn)行氮素區(qū)分處理，分別進(jìn)行不施氮處理N0：0，1/2倍常規(guī)氮處理N1：210 kg/hm2，常規(guī)氮處理N2：420 kg/hm2，3/2倍常規(guī)氮處理N3：630 kg/hm2。土壤條件為重壤土和濕潤土，有效鉀含量為86 mg/kg～120 mg/kg、有效磷含量為3 mg/kg～22 mg/kg、硝酸氮含量為3 mg/kg～15 mg/kg、氮濃度為1 g/kg～1.2 g/kg、有機(jī)質(zhì)含量為15 g/kg～20 g/kg。在種植前和大口期施兩次氮肥，磷肥在種植前施用。

2.2 數(shù)據(jù)信息獲取和處理

利用無人機(jī)搭載高清相機(jī)和多光譜相機(jī)以便攜式地物光譜儀等裝置進(jìn)行作物信息收集。監(jiān)測夏玉米冠層氮素時(shí)，在每個(gè)小實(shí)驗(yàn)區(qū)內(nèi)隨機(jī)選擇兩株作物作為數(shù)據(jù)采集樣本，將莖和葉分離，隨后將葉片放入烘箱中烘烤半小時(shí)，將烘烤溫度控制在105 ℃，再將溫度控制在80 ℃繼續(xù)烘烤2 d以上，直至重量恒定。將葉片取出稱重，隨后進(jìn)行研磨粉碎，利用凱氏分析儀對氮的質(zhì)量分?jǐn)?shù)進(jìn)行測定。氮濃度計(jì)算公式如下：

3 近地高光譜夏玉米冠層氮素遙感監(jiān)測研究

3.1 遙感監(jiān)測過程分析

對高光譜特征變量進(jìn)行有效選取。首先，對光譜數(shù)據(jù)信息進(jìn)行預(yù)處理，利用卷積平滑法消除光譜中的噪聲，預(yù)實(shí)驗(yàn)結(jié)果表明，移動窗口寬度達(dá)到17、多項(xiàng)式次數(shù)為2時(shí)，具有較為良好的去噪效果。本文中涉及的植被指數(shù)、位置特征以及一階導(dǎo)數(shù)等光譜變量都是在去噪后經(jīng)過光譜反射率計(jì)算得出的結(jié)果。選取3個(gè)不同氮素水平的實(shí)驗(yàn)區(qū)，對其光譜變量進(jìn)行分析，能夠呈現(xiàn)出3個(gè)吸收點(diǎn)位和6個(gè)反射點(diǎn)位的參數(shù)情況，本次研究只對面積、深度以及歸一化深度3個(gè)參數(shù)進(jìn)行分析。其次，對植被指數(shù)進(jìn)行合理選取，設(shè)定34個(gè)植被指數(shù)對夏玉米冠層氮素含量（LNC）進(jìn)行估算，其中6項(xiàng)為氮敏感高光譜，包括歸一化差值紅邊、綜合指數(shù)、比值植被指數(shù)等，并選擇典型指數(shù)23個(gè)。上述涉及寬波段的VIs，可利用高光譜計(jì)算對應(yīng)傳感器的光譜響應(yīng)函數(shù)[2]。隨后，利用連續(xù)投影算法（SPA）對敏感變量進(jìn)行有效提取與篩選，該方法能夠消除光譜信息共線性問題，能夠消減變量間的冗余度，以此對特征參數(shù)進(jìn)行典型選取，能夠大幅度提高數(shù)據(jù)建模分析效率。為解決共線性問題，可在連續(xù)投影算法中選擇最小冗余波段子集。從某一個(gè)波段開始，讓投影算子在向量空間中每次迭代時(shí)再次選擇新的波長，直至達(dá)到預(yù)期波長。將評價(jià)指標(biāo)設(shè)置為均方根誤差。連續(xù)投影算法選擇的變量數(shù)目由較低的均方根誤差值決定。使用SPSS軟件對敏感波段、植被指數(shù)、位置特征以及LNC指數(shù)進(jìn)行相關(guān)性分析，將未參與建模樣本的1/3作為對照樣本，利用MATLAB進(jìn)行偏最小二乘（PLSR）以及隨機(jī)森林算法（RF）的計(jì)算，以均方根誤差、決定系數(shù)以及歸一化相對誤差3個(gè)指標(biāo)作為定量化、指標(biāo)解釋和玉米冠層葉片氮素間的具體關(guān)系。

3.2 遙感監(jiān)測結(jié)果分析

對高光譜敏感特征數(shù)據(jù)集和LNC敏感性之間的關(guān)系進(jìn)行分析，包括敏感光譜特征數(shù)據(jù)集、位置特征數(shù)據(jù)集、植被指數(shù)特征數(shù)據(jù)集以及綜合光譜特征數(shù)據(jù)集等。為降低水汽或其他因素對高光譜信息的干擾，本次研究選用400 nm～1 353 nm、1 437 nm～1 799 nm和1 992 nm～2 354 nm的光譜進(jìn)行研究分析，同時(shí)選擇412 nm、724 nm、1 084 nm與1 343 nm的反射光譜以及658 nm與937 nm的一階導(dǎo)數(shù)光譜?；谶B續(xù)統(tǒng)去除法能夠得到反射位置和吸收位置的光譜特征。利用相同方法選擇兩個(gè)最佳的位置特征與VIs。

位置、植被指數(shù)和敏感波段中會發(fā)生比較嚴(yán)重的多重共線性現(xiàn)象。利用SPA能夠選擇高光譜信息中的最佳參數(shù)，且與LNC之間具有良好的關(guān)聯(lián)性，但是與其位置特征的關(guān)聯(lián)性相對低下。最佳參數(shù)引用波段大多集中在近紅外和可見光波段，這一現(xiàn)象與預(yù)期研究結(jié)果保持一致。傳統(tǒng)的研究方法大多依據(jù)光譜中的某個(gè)單一變量特征對玉米冠層氮素含量進(jìn)行研究，有關(guān)數(shù)據(jù)信息綜合處理和相似變量模型比較等方面的研究較少[3]。本次研究對比分析了兩個(gè)數(shù)據(jù)模型，即RF模型和PLS模型。基于PLS模型構(gòu)建的LNC模型具有明顯的優(yōu)勢，不會受到樣本數(shù)量的影響，具有較高的精準(zhǔn)度，能夠保障LNC預(yù)測數(shù)據(jù)和真實(shí)情況的契合性?；赗F模型能夠?qū)崿F(xiàn)高精度、操作簡單和較強(qiáng)的過擬合能力，與預(yù)期研究結(jié)果保持一致。

4 低空無人機(jī)多源影像融合的夏玉米氮素遙感監(jiān)測研究

4.1 遙感監(jiān)測方法分析

首先，需要對夏玉米冠層氮素情況進(jìn)行影響信息的獲取，在晴朗天氣下開展無人機(jī)飛行，同時(shí)配置多光譜相機(jī)和高清數(shù)碼相機(jī)。將飛行高度控制在60 m，空間分辨率控制在5.61 m和1.57 m。獲取影像信息后對其進(jìn)行處理操作，使用HSV對影像中的顏色信息進(jìn)行有效提取，并將其轉(zhuǎn)換成不同顏色，以此區(qū)分土壤和植被，使用ENVI軟件進(jìn)行處理操作，將處理后的信息歸檔并分割。無人機(jī)遙感技術(shù)獲取的影像信息與衛(wèi)星影像信息相比具有更高的分辨率，植被特征更加明顯，但是陰影和土壤噪聲也更加明顯，因此需要對土壤背景噪聲進(jìn)行去除。植被在地面產(chǎn)生的垂直投影面積占總面積的百分比就是植被覆蓋度（FVcover），在土壤背景影像分析中十分重要[4]。大多數(shù)研究中都會利用數(shù)字圖像分析技術(shù)對植被覆蓋度進(jìn)行提取，本文基于色彩空間變換，將影像的RGB信息轉(zhuǎn)換成HSV，隨后利用閾值對土壤和植被進(jìn)行分割，再使用ArcGIS對植被和研究實(shí)驗(yàn)區(qū)的像元數(shù)目進(jìn)行統(tǒng)計(jì)，然后對植被覆蓋度進(jìn)行計(jì)算。

其次，使用ENVI軟件對48個(gè)研究區(qū)域?qū)?yīng)的多光譜圖像信息進(jìn)行植被指數(shù)和波段信息提取。利用隨機(jī)蛙跳算法對多光譜植被指數(shù)和波段信息進(jìn)行大小順序排列，將指數(shù)最大的前5個(gè)變量作為建模時(shí)應(yīng)用的特征參數(shù)。依據(jù)上述參數(shù)建立模型，進(jìn)行統(tǒng)計(jì)分析。研究區(qū)域內(nèi)的48個(gè)樣本均作為實(shí)驗(yàn)樣本，以均方根誤差、決定系數(shù)以及歸一化相對誤差3個(gè)指標(biāo)作為定量化、指標(biāo)解釋和玉米冠層葉片氮素間的具體關(guān)系。

4.2 遙感監(jiān)測結(jié)果分析

植被指數(shù)能夠準(zhǔn)確反映出地面植被生長情況以及覆蓋情況，因此對無人機(jī)遙感技術(shù)獲取的植被指數(shù)和波段信息與LNC之間的關(guān)聯(lián)關(guān)系進(jìn)行分析。對未消除土壤背景噪聲和去除土壤背景噪聲兩個(gè)狀態(tài)下的指數(shù)進(jìn)行選擇，以此建立反演數(shù)據(jù)模型。隨后對玉米冠層CSAIs和LNC之間的關(guān)聯(lián)關(guān)系建立反演模型，分析不同情境下作物氮濃度的反演結(jié)果。結(jié)果表明，土壤剔除前，北面相同品種不同氮素處理下的玉米長勢情況存在一定差異性，不施氮肥的實(shí)驗(yàn)區(qū)實(shí)際玉米長勢情況和預(yù)期情況相比較差[5-7]。土壤剔除后，北面實(shí)驗(yàn)區(qū)LNC明顯提高，且南側(cè)不同土壤條件和不同氮水平的實(shí)驗(yàn)區(qū)LNC情況也明顯改良。

低空無人機(jī)遙感技術(shù)與多光譜遙感影像技術(shù)相比具有更高的分辨率，植被紋理特征更加明顯，但是更容易受到土壤背景噪聲影響，因此需要考慮土壤背景噪聲消除問題[8-10]。本文主要使用HSV色彩變換方法對土壤背景噪聲進(jìn)行消除，從而獲取到更精準(zhǔn)的玉米植被數(shù)據(jù)，能夠?qū)崿F(xiàn)更真實(shí)的遙感監(jiān)測。

5 結(jié)束語

傳統(tǒng)植被監(jiān)測技術(shù)主要依靠人工操作，在實(shí)際應(yīng)用中不僅耗費(fèi)大量的時(shí)間和精力，且成本投入較大。隨著時(shí)代的發(fā)展進(jìn)步，現(xiàn)代化技術(shù)促使農(nóng)業(yè)監(jiān)測更新升級，為農(nóng)業(yè)監(jiān)測提供更加高效、精準(zhǔn)的監(jiān)測方法。本次研究以高光譜和無人機(jī)遙感監(jiān)測為案例進(jìn)行研究，利用隨機(jī)蛙跳算法、隨機(jī)森林算法、偏最小二乘法等方法建立模型并分析。實(shí)驗(yàn)結(jié)果表明，上述遙感技術(shù)在實(shí)際應(yīng)用中獲取的數(shù)據(jù)信息具有更高的精確性和真實(shí)性，影像信息具有更高的分辨率。