作物氮素遙感估算的研究綜述

高菊GAO Ju；王家強WANG Jia-qiang

（塔里木大學農(nóng)學院，阿拉爾 843300）

0 引言

氮素是各類作物生長發(fā)育的核心元素之一，是組成作物體內(nèi)蛋白質(zhì)、核酸的重要基礎元素，與作物葉片光合作用能力密切相關，是作物生長發(fā)育和產(chǎn)量形成的關鍵因素[1]?，F(xiàn)代作物的生產(chǎn)正朝著精細管理、高效種植的方向發(fā)展[2]，準確了解作物氮素信息有助于及時采取相關的田間干預措施，從而保證作物高效高質(zhì)生產(chǎn)[3]。對作物氮素含量的監(jiān)測由來已久，傳統(tǒng)的監(jiān)測方法主要分為人工目視解譯和生理生化分析監(jiān)測法[4-5]。人工目視解譯通過對作物外部形態(tài)的目測來判斷是否缺乏氮素，缺點在于時效性差且難以衡量氮素缺乏的量。相關研究人員根據(jù)水稻葉片含氮量不同會呈現(xiàn)出不同顏色這一原理，研制了水稻標準葉色卡，并成功地用它來分析田間水稻氮素缺乏情況[6]。生理生化分析法主要通過在實驗室進行生理生化試驗，對植株中全氮含量進行測量，該方法雖然結(jié)果較為準確，但是檢測過程長，對植物破壞性較大，難以在實際生產(chǎn)中快速規(guī)?；瘧肹7]。

現(xiàn)代遙感技術(shù)的快速發(fā)展為作物氮素的估算提供了新的途徑。遙感技術(shù)可以實現(xiàn)對物體反射光譜的高效、快速、大尺度測量[8]，并且整個過程不會對作物造成傷害[9]。因此，遙感技術(shù)逐漸成為作物氮素含量反演中的研究熱點。遙感反演作物氮素的機理是基于氮素含量不同，其光譜響應也會存在差異，通過這些差異構(gòu)建相應的光譜特征參數(shù)，進而構(gòu)建作物氮素含量和光譜之間的函數(shù)關系，從而實現(xiàn)對作物氮素含量的反演[10]。利用光譜信息快速獲取作物氮素營養(yǎng)狀況已經(jīng)在多種作物上實現(xiàn)[11-13]，相關研究也構(gòu)建了大量用于監(jiān)測作物氮素的光譜指數(shù)[14-16]，并且采用一元線性回歸、支持向量機、偏最小二乘回歸、神經(jīng)網(wǎng)絡、隨機森林、主成分分析等方法進行分析和建模。本文對作物氮素含量遙感估算的研究進展進行綜述，論述了常見的幾種建模方法，總結(jié)了基于葉片尺度和冠層尺度的作物氮素含量估算研究進展，分析了影響作物氮素含量估算的兩大因素：作物氮素的垂直分布、光譜數(shù)據(jù)采集的角度差異，最后分析探討了當前該研究領域存在的問題，并進行了展望。

1 作物氮素遙感估算中的估算模型

相關研究人員采用眾多建模方法對作物氮素進行遙感估算，主要為線性回歸、支持向量回歸、偏最小二乘回歸、神經(jīng)網(wǎng)絡、隨機森林、主成分分析等方法。對不同作物不同時期進行氮素估算時，其最優(yōu)模型也往往不盡相同。本文詳細介紹線性回歸模型、支持向量回歸和隨機森林三種模型。

1.1 線性回歸模型

線性回歸模型主要分為簡單線性回歸模型和多元線性回歸模型。如公式（1），簡單線性回歸模型是根據(jù)自變量X 和因變量Y 之間的函數(shù)關系，建立兩者之間的線性回歸方程并進行預測的方法。在作物氮素遙感估算中，自變量為光譜信息，因變量為作物氮素含量。

如公式（2），多元線性回歸指的是建立多個自變量與一個因變量之間的關系，在作物氮素遙感估算中，多個自變量往往為多個波段的光譜數(shù)據(jù)或者多個光譜指數(shù)，因變量為作物氮素含量。

1.2 隨機森林

隨機森林是一種設計給決策樹使用的集成學習套袋法，具有運算快、精度高等優(yōu)點，并可以計算出多個自變量對因變量的重要性評分。隨機森林算法已經(jīng)運用到多個領域的建模中，在作物氮素遙感估算研究中的運用更是普遍。隨機森林算法結(jié)合多個決策樹的反演值輸出最終預測結(jié)果，而每個決策樹都是根據(jù)隨機森林的隨機向量值所建立的，進而輸出高準確率的結(jié)果。

1.3 支持向量回歸

支持向量機是利用超平面分割數(shù)據(jù)的機器學習模型，其分割數(shù)據(jù)的方法為將數(shù)據(jù)分類，然后向量使數(shù)據(jù)的分割最大化。支持向量回歸是支持向量機的推廣形式，該模型在解決非線性關系建模中具有一定優(yōu)勢，在作物氮素估算中的使用也非常普遍，其通過采用核函數(shù)來代替線性回歸方程中的線性項，常用的核函數(shù)包括：

多項式核函數(shù)：

徑向基核函數(shù)（γ 為正則化系數(shù)）：

2 基于遙感不同尺度對作物氮含量估算的研究進展

利用遙感技術(shù)對作物氮素含量進行估算的研究中，大多是獲取葉片或者冠層兩個層次的高光譜遙感數(shù)據(jù)，從而實現(xiàn)對葉片尺度或者冠層尺度的作物氮素含量監(jiān)測。在葉片尺度，往往是使用手持高光譜測量儀，對葉片的光譜特征進行一一測量[17]；在冠層尺度，有利用手持高光譜測量儀進行獲取光譜數(shù)據(jù)的，也有利用無人機遙感平臺[18]、衛(wèi)星遙感平臺[19]來獲取大面積作物冠層葉片的遙感影像，從而實現(xiàn)對其氮素的估算。在不同尺度上對氮素含量的遙感估算呈現(xiàn)出不同的特點。

2.1 基于葉片尺度的作物氮素含量遙感估算

基于葉片尺度的作物氮素含量估算是通過手持光譜測量儀獲取作物葉片的光譜信息，確定葉片中氮素的特征波段和光譜參數(shù)，從而構(gòu)建估算模型對作物氮素實現(xiàn)估算。

已有研究表明在葉片尺度上，氮素敏感的波段分別是近紅外、紅邊和綠光波段，特別是在450-750nm；此外，短波紅外（2100nm 和2132nm）也是氮素敏感區(qū)域，這些波段均可作為作物葉片氮素含量估算的輸入?yún)?shù)[20]。田永超等研究表明通過構(gòu)建水稻葉片光譜反射率指數(shù)可以準確地反演其氮素含量[21]；李粉玲等人利用光譜儀獲取了小麥冠層光譜數(shù)據(jù)，通過波譜響應函數(shù)對冠層葉片氮素含量進行了估算[22]。趙明家等研究發(fā)現(xiàn)基于高光譜優(yōu)化的NDVI 值能更加準確快速地估算到玉米葉片中的氮素含量[23]；馮偉等人研究顯示作物的紅邊面積對預測葉片氮素含量有較好的效果[24]；其他一些研究者也在葉片尺度上利用遙感技術(shù)對小麥和水稻的氮素含量進行了估算，精度均較高[25-27]。然而，葉片尺度對氮素估算的缺點在于只能獲取點信息，難以實現(xiàn)對作物大范圍的監(jiān)測。

2.2 基于冠層尺度的作物氮素含量遙感估算

直接基于葉片尺度建立作物氮素估算模型的做法僅適用于手持光譜測量儀，如果基于冠層尺度對作物氮素進行遙感估算則可以利用無人機遙感平臺、飛機遙感平臺和衛(wèi)星遙感平臺，從而可以實現(xiàn)大范圍的迅速低成本作物氮素估算。

已有眾多研究人員在作物冠層尺度對其氮素含量進行遙感估算。Chen 等人利用紅邊指數(shù)DCNI 估算了玉米和小麥的冠層氮含量，結(jié)果顯示精度較高[28]；Yao 等人通過構(gòu)建NDSI、RSI、NDS 和RSI 指數(shù)成功地對小麥冠層氮素含量進行了預測[29]；張曉東和李哲等人基于油菜和甜菜的冠層光譜特征，對其冠層氮素進行了成功估算[30-31]；馮偉等人利用小麥冠層高光譜遙感影像，提取了特征波段和多種光譜參數(shù)，得到了小麥氮素含量和冠層高光譜影像之間的關系，構(gòu)建了小麥冠層氮素的反演模型[32]。然而，基于冠層尺度的作物氮素含量遙感估算大部分是基于無人機遙感平臺、衛(wèi)星遙感平臺，通過這些平臺獲取的光譜數(shù)據(jù)的采集角度、大氣環(huán)境、地表情況均會對光譜產(chǎn)生影響。

3 作物氮素遙感估算的影響因素

在葉片尺度上，由于使用手持光譜儀進行直接測量，使得作物氮素光譜只受到手持光譜儀精度的影響，受外界影響較小[33]。而在冠層尺度中，由于遙感平臺與作物冠層之間距離較遠，會產(chǎn)生一系列影響光譜數(shù)據(jù)精度的因素。作物的光譜會受到冠層結(jié)構(gòu)、水分狀況、土壤背景和水分等因素的綜合影響[34]。為了去除掉非光譜信息對光譜反射率的影響，相關研究人員進行了一系列工作，有人利用大氣校正來減小大氣氣體分子和氣溶膠散射以及氣態(tài)物質(zhì)吸收引起的污染[35]；有人使用影像平滑函數(shù)來去除數(shù)據(jù)中的噪聲[36]；有人通過波段深度歸一化來減少傳感器信噪比、大氣效應和背景土壤暴露的影響[37]。除了上述這些影響作物光譜的因素外，作物氮素的垂直分布和光譜數(shù)據(jù)采集的角度差異影響更大。

3.1 作物氮素的垂直分布

作物在生長過程中遇到氮素缺乏時，冠層下層葉片將先由深綠變?yōu)辄S色；隨著氮素的持續(xù)缺乏，冠層的中層、下層葉片將出現(xiàn)衰老癥狀，繼而變黃。在這個過程中，上層葉片的變化最為緩慢，下層葉片對氮素缺乏的敏感性遠高于上層葉片，而傳統(tǒng)的遙感主要是自上而下對作物進行觀測，從而導致遙感監(jiān)測作物氮素含量的精準性和及時性。加上作物種類繁多，冠層結(jié)構(gòu)各不相同，即便是同一作物的不同生育時期其冠層結(jié)構(gòu)也存在很大差異，結(jié)構(gòu)的不同加上氮素供應差異的影響，使得作物的冠層氮含量存在明顯的空間異質(zhì)性特征，而傳統(tǒng)遙感的垂直觀測只能獲取作物部分光譜信息，難以全面反映整體的光譜信息。

王紀華等人計算了差值植被指數(shù)，并據(jù)此估算了小麥上、中和下層氮積累量，建立了小麥不同垂直層葉片氮素含量預測模型[38]；廖欽洪測定了玉米關鍵生長發(fā)育時期不同葉層葉片的光譜數(shù)據(jù)，并建立了基于連續(xù)小波變換的葉綠素含量估算模型，其反演效果優(yōu)于植被指數(shù)估算模型[39]。Li 等人將小麥不同葉層的葉片分別摘除，來研究摘除不同葉層情況下對小麥葉綠素和氮素的估算精度，結(jié)果表明去除倒一葉和倒二葉會對預測精度產(chǎn)生顯著影響，去除其他葉層則影響微弱[40]；也有研究表明摘除冬小麥下部葉片不會影響模型預測精度[41]。Luo 等人的研究表明如果將蘆葦?shù)娜~層分為5 層的話，利用其上3 層光譜預測葉片氮素含量較為有效[42]。綜上所述，需要獲取全面的作物冠層信息，并對獲取的光譜信息進行整合，從而進一步提高作物養(yǎng)分狀況的監(jiān)測精度。

3.2 光譜數(shù)據(jù)采集角度的差異

觀測角度的改變將影響作物的冠層反射率，傳統(tǒng)遙感往往是垂直觀測，這種觀測往往只能得到作物某一方向的光譜數(shù)據(jù)，并不能反映作物的立體結(jié)構(gòu)，使得許多光譜指數(shù)在葉面積指數(shù)較大時會出現(xiàn)不敏感現(xiàn)象，難以對作物氮素實現(xiàn)高精度反演[43]。

而多角度遙感可以獲得多個角度的作物光譜信息，且提供了一種表征冠層反射率各向異性的方法，有助于更好地提取理化信息[44]。此外，多角度遙感觀測可以改善傳統(tǒng)垂直向下方觀測時未充分考慮冠層結(jié)構(gòu)參數(shù)、環(huán)境等綜合效應的不足，提高作物冠層氮素的估算精度[45]。Wang 等人分別采用不同的觀測角度來監(jiān)測冬小麥上中下層的葉片葉綠素含量[46]；有研究人員從不同角度和觀測平面獲取了小麥冠層葉片的高光譜遙感數(shù)據(jù)，建立了小麥氮素含量的多角度高光譜監(jiān)測模型[47]。肖春華等人研究發(fā)現(xiàn)不同觀測角度下小麥的光譜信息豐富度也不同，在最低點觀測可以獲得小麥上部的更多信息，而30°和60°觀測則可以獲取小麥更多的下部信息，通過調(diào)整觀測角度，可以明顯提高作物冠層光譜監(jiān)測的精度[48]。于是一些研究人員通過對作物組合多角度的光譜觀測來估算其理化組分，如冠層葉片氮素含量、葉綠素密度等，發(fā)現(xiàn)可以提高估算的精度[49-50]。需要注意的是，任何觀測角度獲得的光譜信息都不可避免地具有土壤背景、光陰影等信息，因此最小化這些不利因素的影響是提高氮素監(jiān)測效果的關鍵。

4 總結(jié)和展望

本文對基于遙感的作物氮素含量估算進行綜述，可以看出作物氮素的定量監(jiān)測已成為國內(nèi)外遙感研究的熱點，利用作物的光譜信息構(gòu)建與氮素含量間的估算模型已經(jīng)較為成熟。然而，已有的研究也反映出一些問題：

①多角度立體觀測。觀測角度的不同會導致獲取光譜的不同，從而影響作物氮素估算。因此，多角度融合觀測或者探究各種作物的最佳觀測角度具有重大現(xiàn)實意義和應用前景。

②多源數(shù)據(jù)的協(xié)同應用。近地獲取的高光譜數(shù)據(jù)精度高，但是難以大面積應用，機載或星載傳感器獲取的數(shù)據(jù)尺度大，但容易受到各種環(huán)境影響。如何將多尺度、多類型的遙感數(shù)據(jù)融合后對作物進行氮素估算將是未來研究的重點和難點。

③估算模型的普適性。不同地區(qū)的溫度、氣候、地貌、地勢等各不相同，目前基于不同方法構(gòu)建的作物氮素含量光譜估算模型普適性差，難以大范圍應用。如何構(gòu)建具有高普適性的作物氮素含量遙感估算模型，需要進一步研究。

④估算模型的田間應用。作物光譜氮素含量的遙感估算目前還處于實驗室階段，所建立的最優(yōu)模型雖然精度較高，但是在生產(chǎn)上大面積推廣應用的案例還比較少。如何人基于遙感的作物估算更快速的走入田間地頭，為作物高質(zhì)高量生產(chǎn)，是下一步研究的重點。