水稻氮素高光譜遙感估測模型研究

李永梅 張學儉 張立根

摘要：以寧夏引黃灌區水稻為研究對象，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行相關性分析，構建了分蘗盛期、孕穗期、齊穗期和灌漿期水稻氮素高光譜遙感估測線性及非線性模型，并對模型進行驗證，結果表明：齊穗期所有的氮素估測模型均優于其他生育期；基于一階微分光譜構建的模型擬合效果及精度優于原始光譜和高光譜變量構建的模型；線性回歸模型與非線性模型的決定系數差異均不大，擬合效果接近；最終確定各生育期的最優模型是基于一階微分光譜構建的線性模型：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），其中齊穗期估測效果最佳。

關鍵詞：水稻；氮素；高光譜遙感；估測模型

中圖分類號： S127；TP79文獻標志碼：

文章編號：1002-1302（2016）08-0435-05

作物氮素含量成為評價其長勢、產量及品質的重要指標，是科學施肥的重要依據。對作物氮的管理一直是農業生產中的重要環節，如何準確、迅速、經濟地判斷植物的氮素狀況，進而確定作物的氮肥需求量并采取有效的氮肥管理措施，成為精準農業養分管理的研究熱點，具有重要的經濟意義和生態意義。傳統的作物氮素診斷主要是實驗室化學分析方法，這些方法通常需要破壞性采樣，時效性差、主觀性強。高光譜遙感技術具有獲取信息量大、光譜分辨率高、波段連續性強等優勢，為作物營養狀況監測提供了新方法，已成為診斷作物氮素的新手段，在農業養分管理中具有極高的應用價值和應用前景[1-2]。

國內外對水稻光譜特征及其營養遙感監測進行了相關研究。王人潮等最早開創了國內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律，并采用t檢驗法篩選出水稻氮素診斷的敏感波段[3]。之后，有學者進一步對水稻高光譜一階微分及“三邊”參數等進行了研究，并在構建水稻氮素診斷遙感模型方面做了嘗試。Ryu等利用機載遙感數據構建了水稻含氮量的高光譜預測模型[4]。Shibayama等將水稻高光譜反射率與葉片氮含量進行了相關性研究，發現400、620、760、880 nm的波長與葉片氮素相關性最好，可作為水稻氮素高光譜診斷的特征波長[5]。目前對水稻氮素的遙感診斷與監測已有較多的研究，但綜合多種高光譜數據對水稻各生育期的氮素含量分別進行估測的相關研究并不多見。本研究以不同施氮水平試驗田為依托，首次在高海拔、高緯度的寧夏引黃灌區開展水稻高光譜特征及氮素遙感估測研究，采用統計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行相關性分析，篩選出水稻氮素診斷的光譜參數，據此構建水稻氮素的高光譜遙感估測模型，為寧夏水稻氮素實施大范圍無損遙感監測提供科學依據及技術支撐。

1材料與方法

1.1試驗與方法

試驗在靈武市梧桐樹鄉陶家圈村和楊洪橋村2個點進行，供試水稻品種為長粒優，前茬種植作物均為玉米。采取單因素肥效進行試驗設計，共設3個氮肥水平，每小區面積為65 m2（5 m×13 m），重復3次。

1.2光譜信息采集

利用美國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，視場角25°。在分蘗盛期、孕穗期、齊穗期及灌漿期4個生育期，晴朗無風天氣、北京時間10：30—14：30進行水稻光譜采集。采集光譜時探頭垂直向下，距冠層0.7 m。每小區選取長勢中等、無病蟲害的健康水稻作為光譜測定對象，同時每小區選擇3個點分別測定5次，取均值。

1.3農學參數測定

光譜測定范圍內，同步取樣3～5穴，進行葉面積指數、葉片氮含量及冠層氮密度的測定與計算，其中楊洪橋村數據用于模型構建，陶家圈村數據用于模型檢驗。

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處高光譜之間的線性回歸、指數回歸和對數回歸模型（表3）。由表3可見，孕穗期和齊穗期氮濃度與原始光譜間相關程度最好，擬合效果較好；分蘗盛期和灌漿期的擬合效果較差。根據相關系數r，各生育期中3個模型的擬合程度基本接近，說明利用水稻冠層原始光譜采用線性、指數和對數模型對其氮素進行估測是可行的，其中線性模型更為簡潔。

3結論與討論

通過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行相關性分析，篩選相關性最顯著的波段構建水稻氮

素估測模型，對各生育期的模型進行對比及驗證，得出如下結論：（1）基于一階微分高光譜反射率構建的水稻氮素估測模型優于基于原始光譜和高光譜變量構建的模型。（2）從生育期來看，齊穗期水稻氮素估測模型的擬合效果最佳，齊穗期為水稻氮素診斷的最佳時期。（3）從模型類型上，線性模型與非線性模型在擬合效果及精度上差異不大，由于線性模型簡單，故最優模型確定為線性函數模型。

以寧夏引黃灌區水稻為研究對象，水稻氮素估測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域，為寧夏水稻氮素無損診斷奠定了一定的基礎。今后如何采用高光譜變換技術降低下墊面對水稻冠層光譜的干擾，并嘗試人工智能算法構建多變量的氮素診斷模型，進一步提高水稻氮素估測模型的精度及普適性，并指導科學施肥仍需深入研究。

參考文獻：

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

[2]楊娜. 便捷式光譜儀測量軟件開發及農學參數光譜分析方法[D]. 北京：北京工業大學，2011：1-5.

[3]王人潮，陳銘臻，蔣亨顯. 水稻遙感估產的農學機理研究——Ⅰ.不同氮素水平的水稻光譜特征及其敏感波段的選擇[J]. 浙江農業大學學報，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]郁進元，何巖，趙忠福，等. 長寬法測定作物葉面積的校正系數研究[J]. 江蘇農業科學，2007（2）：37-39.

[7]譚昌偉，周清波，齊臘，等. 水稻氮素營養高光譜遙感診斷模型[J]. 應用生態學報，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，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養指數估測[J]. 農業工程學報，2014，30（19）：191-198.