基于近紅外光譜與多元模型的小麥氮含量估算

張兵+范澤華+姚江河+陳杰

摘要：采用頻譜測量的谷物氮元素估算方法易受作物水分等因素的影響，對此提出了采用近紅外光譜與最小二乘法（PLS）的小麥氮素與水分預測方案。采用光譜傳感器獲得的光譜反射率數(shù)據(jù)（光譜范圍是400～950 nm），在植物生長階段（BBCH 32）測試了是否可以估算春小麥中的氮與水分。2014—2015年，在甘肅地區(qū)進行小麥的田地試驗，試驗場共包含36個小區(qū)，在播種期間主小區(qū)使用氮施肥（N 70 kg/hm2或100 kg/hm2），子塊則使用水灌溉。在BBCH 32，對所有的小區(qū)使用便攜式光譜儀測量其冠層反射率，然后，每個小區(qū)選擇0.25 m2樣方作為地表小麥作物量的采樣，并分析總氮量。首先通過對數(shù)線性比對光譜數(shù)據(jù)進行預處理，然后使用Savitzky-Golay方法與均值化對其進行第一階導數(shù)濾波，然后，通過偏最小二乘法（PPLS）結(jié)合光譜信息與正定數(shù)據(jù)對模型進行校準。結(jié)果表明，本方法優(yōu)于基于指標的方法，其最優(yōu)模型的氮、水分性能分別為RPD=2.26、RPD=1.49。

關(guān)鍵詞：春小麥；近紅外光譜；最小二乘法；主成分分析；氮含量估算；水含量估算

中圖分類號： S127；S512.106 文獻標志碼： A

文章編號：1002-1302（2016）09-0374-05

氮是決定作物成長情況的重要養(yǎng)分，因為異質(zhì)型土壤的質(zhì)量在空間上有所變化，所以氮的使用效率也呈現(xiàn)空間性變化[1-2]。為了優(yōu)化農(nóng)產(chǎn)品企業(yè)的經(jīng)濟效益，應當使用均勻的氮施肥比例[3]。

采用電磁頻譜[4]中可視與近紅外頻譜范圍的電磁能光譜反射可實現(xiàn)氮含量的估算，電磁頻譜的可視范圍（400～700 nm）會被葉片組織的葉綠素影響，電磁頻譜的近紅外頻譜為700～2 500 nm[5-6]。可見近紅外光譜法具有分析簡便快速、低成本、無污染及樣品的非破壞性和多組分同時測定等優(yōu)點[7～12]。本研究基于近紅外技術(shù)的廣泛使用對小麥的含氮量與含水量進行無損檢測。

1 材料與方法

1.1 農(nóng)田試驗

在甘肅地區(qū)合作農(nóng)產(chǎn)品企業(yè)的幫助下進行農(nóng)田試驗，試驗區(qū)域的經(jīng)緯度為（103.73°E，36.03°N，海拔1 537 m），年平均降水量為310 mm，年平均溫度為10 ℃，平均生長季溫度約15 ℃，試驗地的地形平坦。

農(nóng)田試驗占地22.5 m×45 m，將其劃分為若干個2 m×7.5 m 大小的小區(qū)，每個小區(qū)的兩邊均設(shè)置1.5 m×7.5 m的邊界區(qū)來防止邊緣效果，如圖1所示。

對主小區(qū)注入氮養(yǎng)分（分別為70或100 kg N /hm2），對子區(qū)域則使用水灌溉[分為3個灌溉級別：少量水灌溉（W-），自然水灌溉（W0），額外的水灌溉（W+）]。具體處理方法為W-：在小區(qū)內(nèi)放置2.5 m×4 m的塑料與鋁合金框架遮雨；W0：僅有自然雨水灌溉，無外部水灌溉；W+：除降水以外，額外采用外部水灌溉。W+小區(qū)則采用便攜式滴灌設(shè)備對其進行額外水灌溉（覆蓋面積為2 m×4 m），按照不規(guī)則的時間間隔共進行40 mm水灌溉。在2014年與2015年分別進行了4、5次額外的水灌溉，如圖2所示。

在2014年與2015年相同的試驗田位置進行田地試驗，每年同一季節(jié)進行春小麥的播種與施肥。

1.2 環(huán)境條件與土壤含水量

距離試驗田約100 m處設(shè)置了1個小型氣象站，每隔1 h測量降水量與大氣環(huán)境參數(shù)。在2014年，每星期在每個處理小區(qū)中，通過頻域反射儀對4個深度（10、20、30、40 cm）監(jiān)控土壤的體積含水量。為了增加測量的頻率，本試驗采用ECH2O介電常數(shù)傳感器在9個選擇的塊中（10、20 cm深度）分別連續(xù)地測量土壤環(huán)境（圖2）。使用文獻[13]的轉(zhuǎn)換函數(shù)與土壤的紋理數(shù)據(jù)，計算土壤凋蔫點（-1 500 kPa）等級等重要土壤環(huán)境參數(shù)。

在2014年，測量之前的兩星期相對較干燥，僅有12 mm降水量， 而發(fā)芽期間的降水量為[KG*5]72mm； 2015年同一時間的降水量則分別是31、162 mm。2014年從發(fā)芽直到測量時的平均空氣溫度為10.4 ℃；2015年的相應溫度為12.0 ℃。2014年發(fā)芽到測量時間點土壤上部（0～20厘米）的含水量平均值是15%，2015年對應的平均值為25%。

1.3 頻譜測量

在冠層生長期（BBCH32）測量了冠層反射率，測量方法為采用便攜式田地光譜儀（Carl-Zeiss光譜儀與Hamamatsu傳感器相連，并通過PCI-USB操作控制器），傳感器記錄太陽輻射與小麥冠層反射的輻射。將輸入輻射反射分割以獲得反射率數(shù)據(jù)，在作物冠層之上1.5 m處使用離最低點60°的視角操作儀器。

1.4 參考測量

頻譜測量之后，選擇地上小麥生物量作為樣本并作為參考，樣本選擇方式為：在每個試驗中劃分1個0.25 m2的樣方（圖1）。采樣后每隔30 min進行以此采樣，并更新各統(tǒng)計參數(shù)值。然后將樣本置于60 ℃的環(huán)境下做干燥處理（持續(xù)48 h），然后稱作物的干質(zhì)量。通過提取水元素來計算作物的水含量，通過比色法（使用FIAstar 5000流動注射分析儀）分析氮含量。

1.5 數(shù)據(jù)分析與統(tǒng)計

每年對新鮮（干燥）的作物量、植物水分以及氮含量使用分塊模型進行方差分析，分塊模型中將氮處理作為主小區(qū)，水處理作為子小區(qū)。將氮、水含量作為固定因子，將其他因子作為隨機因素。所有測試中假設(shè)顯著性值為P<0.05，圖3所示是平均數(shù)據(jù)的箱線圖。

Wis-NIR波譜的預處理過程如下。初步測試之后，選擇3個方法來獲得最優(yōu)的校準結(jié)果：（1）對數(shù)線性化；（2）Savitzky-Golay方法的一階濾波；（3）平均歸一化方法。使用主成分分析法（PCA）對多光譜數(shù)據(jù)進行降維處理，在2年的數(shù)據(jù)集分析中，因為析因模型的不確定性，成分分數(shù)的分配與加載是一個矩陣旋轉(zhuǎn)的任意結(jié)果，所以本研究改變PC1與PC3分數(shù)的分配來確保單年數(shù)據(jù)集的分組準確性。使用PLS與PPLS回歸從輻射度數(shù)據(jù)估算出冠層的特征。因為相關(guān)的樣本較小（單年n=36，2年為n=72），本研究采用leave-one-out交叉驗證方法。

為了評估模型的性能，本研究計算交叉驗證模型統(tǒng)計的集合，其中包括根均方誤差（RMSE）、決定系數(shù)（R2）、一致性相關(guān)系數(shù)（定義為數(shù)據(jù)集的標準偏差與對應數(shù)據(jù)集模型預測RMSE的比例）。如果估算的RMSE與種群傳播相比較大，RPD相對較小且校準模型是非魯棒的，那么RPD與R2之間具有確定的函數(shù)關(guān)系：RPD值越高，則模型的估算能力越強。本研究結(jié)論的模型性能主要基于RPD值，其中測試過程參考文獻[14]：狀態(tài)為RPD<1.4的模型無法用于預測；狀態(tài)為1.4≤RPD≤2的模型具有預測潛力；RPD>2的模型具有預測能力。然后使用Akiake信息準則選擇模型分量的最優(yōu)數(shù)量[15]。

PPLS與PLS之間最大的差異是控制參數(shù)g，通過該參數(shù)可直接調(diào)節(jié)PPLS算法，g=0.5時PPLS模型則變換為普通的PLS模型。使用PPLS算法建模，調(diào)節(jié)g參數(shù)以獲得RPD最大值，校準的PPLS模型包含1個回歸系數(shù)的集合，其中每個系數(shù)對應1個測量的頻帶。本研究為植物的氮、水含量均建立了3個模型的校準程序。

除了多元建模，本研究測試所選擇指標的預測能力最終將對應VI的計算值作為獨立的變量，采用線性回歸方法實現(xiàn)回歸處理（代替PPLS）。

2 結(jié)果與分析

2.1 參考數(shù)據(jù)

首先為主要效果：水灌溉對測量的生物量與植物水含量產(chǎn)生了明顯的影響，但是并不影響氮含量。地表小麥植物中施氮肥100 kg/hm2的小區(qū)比70 kg/hm2的小區(qū)生物量、含水量以及氮含量多，2015年新鮮生物量的差異較為明顯。

在處理層，氮含量較高的小區(qū)生物量越多（W+N100），而2種不同水含量供給模式的生物量接近，其中，W-小區(qū)的生物量最少（圖3）。

2.2 光譜數(shù)據(jù)

原始反射率數(shù)據(jù)的方差在NIR范圍中高于頻譜的可視部分，如圖4所示，W+小區(qū)的冠層比W-小區(qū)多反射10%以上的NIR輻射能量。在NIR區(qū)域與綠色頻帶中（540～550 nm），反射數(shù)據(jù)中氮含量的影響較低，但隨著氮含量的升高，反射率升高；而在其他頻帶中則具有最小的方差，例如，低含氮量小區(qū)（藍色、紅色頻帶）的反射率較低。對原反射率數(shù)據(jù)預處理以防止早熟并且消除頻譜方差之間的差異。在頻譜區(qū)域400～420、510～530、620～660、690～710 nm（圖4），方差有所變化。

2.3 分類

在多元化分析的第一步，測試頻譜數(shù)據(jù)是否包含在不同的處理條件下足夠區(qū)分氮含量與水元素的信息。使用PCA為相關(guān)頻帶融入新的變量，在每個分析的頻譜數(shù)據(jù)集中，前3個主成分的數(shù)量高于總方差的98%，如圖5所示。

第1個主成分（PC1）包含植物水含量的信息，圖5中可看出，沿著PC1坐標上，W-小區(qū)與W+小區(qū)之間具有明顯的差異。分別分析2014年與2015年數(shù)據(jù)，W-小區(qū)的所有分數(shù)為負值，W+的所有小區(qū)分數(shù)是正值。在2014年相對干燥的季節(jié)，W0分數(shù)最高與W-分數(shù)為同一級別，在2015的潮濕季節(jié)，W0的分數(shù)與W+分數(shù)相當。

第2個主成分（PC2）包含的主要信息與植物氮含量相關(guān)，分別分析每年的情況，氮比例最高的小區(qū)趨向于負的，氮比例最低的小區(qū)總體為正的。

在2年總數(shù)據(jù)集的PCA分數(shù)小區(qū)中，最相關(guān)信息包含于PC1與PC3中。這說明PC2數(shù)據(jù)中包含額外的重要變化，大約為總方差的28.5%，本研究將變化歸因于2年之間數(shù)據(jù)集的差異性。

2.4 校準

在PCA分類步驟中，分別處理各小區(qū)獲得了較好的質(zhì)量結(jié)果，本研究從氮與水含量的冠層光譜分析量化的信息。表1所示是多元PLS與PPLS的水與氮含量結(jié)果，其中對頻譜反射數(shù)據(jù)進行預處理，并使用選擇的窄帶植被指數(shù)完成線性回歸。

比較2個測試的多元校準方法，本研究發(fā)現(xiàn)一個總體輕度較好的性能PPLS方法比PLS。水含量被最優(yōu)估計使用PPLS模型，將g值設(shè)為0.9，然而氮含量被最優(yōu)估算，將g值設(shè)為0.8。PPLS與PLS模型之間RMSE的差異可忽略不計，但是更多信息的策略RPD顯示估算的提高當是使用PPLS建模的時候。

考慮單年數(shù)據(jù)集的多元校準，證明水含量與頻譜數(shù)據(jù)的相關(guān)性（R2=0.87）優(yōu)于氮含量（R2=0.59），綜合2年數(shù)據(jù)集則對2個特征分析均可獲得較好的分析效果。因為R2增加到0.86的級別，所以氮含量的預測效果提高明顯；多元模型對于2年綜合的水含量估算僅略差于2013年的數(shù)據(jù)集。2年綜合數(shù)據(jù)集的PPLS模型RPD值高于2，說明在量化模型中使用2個模型的有效性。

作為比較，本研究也測試了線性模型對水與葉綠素狀態(tài)指標的有效性。對于估算氮與水含量的效果，多元模型優(yōu)于基于指標的模型。對于2季的數(shù)據(jù)集，氮含量數(shù)據(jù)都可建立較好的模型，因為綜合數(shù)據(jù)集的所有測試指標獲得的RPD值均大于2，而單年數(shù)據(jù)集獲得了較差的校準效果，其RPD值低于1.4，所以對于定量的氮估算，不可采用NDVI的結(jié)果。

通過比較可看出，所有的指標中基于NDVI的方法給出了水分估算的最優(yōu)結(jié)果，一致性系數(shù)低于NDVI，說明其模型可能過度估算了極值。當從2年中遍歷水分數(shù)據(jù)，基于指標的模型性能較差。

以下部分提出氮、水含量最適應的校準模型，如圖6所示。模型使用PPLS，其g值分別為0.8與0.9。深度分析線性模型使用X-Y孤立點，Q-Q分布與Cook距離指出幾個對應的孤立點。從圖6的分布可看出，通過刪除孤立點可明顯地改進模型的適應度。

3 討論

在Vis-NIR區(qū)域（400～950 nm）使用冠層反射的頻譜信息，本方法在BBCH 32階段可在地表區(qū)分小麥的水分與氮含量。在處理層，通過PCA分開定量處理，使用PPLS模型定量地估算氮、水含量，并基于參考數(shù)據(jù)校準。此外，本研究檢測了不同的頻帶間隔（對于水模型尤其重要），在頻譜中減小近紅外區(qū)域（400～950 nm）。假設(shè)傳感器具有有效的頻譜范圍來區(qū)分谷物中的水與氮含量，該假設(shè)對于施肥的優(yōu)化極為重要。

4 結(jié)論

Vis-NIR區(qū)域的頻譜信息（400～950 nm）可用于小麥中氮與水含量的估算，該信息對于氮含量的優(yōu)化極為重要。本方法融入了反射數(shù)據(jù)的多元化分析，并采用數(shù)據(jù)預處理技術(shù)來估算田地異質(zhì)性等因素所引起的方差。而基于指標的方法則不具備足夠的信息來估算氮、水含量。

參考文獻：

[1]許圓圓，祖艷群，陳建軍，等. 元陽梯田周圍不同植物群落氮元素背景值特征及其元素循環(huán)[J]. 云南農(nóng)業(yè)大學學報：自然科學版，2012，27（2）：270-275.

[2]彭向永，常 寶，徐術(shù)人，等. 谷胱甘肽對小麥幼苗銅毒害的緩解作用及其與氮、硫、磷積累的相關(guān)性[J]. 農(nóng)業(yè)環(huán)境科學學報，2012，31（5）：867-873.

[3]黃 擎，劉博睿，蔡華杰，等. 凍融交替對不同施肥水平的黑土中氮磷元素含量的影響[J]. 農(nóng)業(yè)工程學報，2015（增刊1）：188-195.

[4]王 磊，謝樹果，蘇東林，等. 基于時間序列分析的頻譜異常自主檢測和穩(wěn)健估計方法[J]. 電子學報，2014（6）：1055-1060.

[5]何東健，陳 煦，任嘉琛，等. 土壤速效磷含量近紅外光譜田間快速測定方法[J]. 農(nóng)業(yè)機械學報，2015，46（3）：152-157.

[6]何東健，陳 煦. 土壤有機質(zhì)含量田間實時測定方法[J]. 農(nóng)業(yè)機械學報，2015，46（1）：127-132.

[7]Morón A，García A，Sawchik J，et al. Preliminary study on the use of near-infrared reflectance spectroscopy to assess nitrogen content of undried wheat plants[J]. Journal of the Science of Food & Agriculture，2007，87（1）：147-152.

[8]vergaard，S. I，Isaksson，T，Kvaal，K，et al. Comparisons of two hand-held，multispectral field radiometers and a hyperspectral airborne imager in terms of predicting spring wheat grain yield and quality by means of powered partial least squares regression[J]. Journal of Near Infrared Spectroscopy，2010，18（18）：247-261.

[9]賀城，楊增玲，黃光群，等. 可見/近紅外光譜分析秸稈-煤混燃物的秸稈含量[J]. 農(nóng)業(yè)工程學報，2013，29（17）：188-195.

[10]胡永光，陳培培，趙夢龍. 綠茶殺青葉料含水率可見-近紅外光譜檢測[J]. 農(nóng)業(yè)機械學報，2013，44（8）：174-179.

[11]Liao Y，F(xiàn)an Y，F(xiàn)ang C. On-line prediction of pH values in fresh pork using visible/near-infrared spectroscopy with wavelet de-noising and variable selection methods[J]. Journal of FoodEngineering，2012，109（4）：668-675.

[12]Wang J，Nakano K，Ohashi S，et al. Comparison of different modes of visible and near-infrared spectroscopy for detecting internal insect infestation in jujubes[J]. Journal of Food Engineering，2010，101（1）：78-84.

[13]Riley H. Estimation of physical properties of cultivated soils in southeast Norway from readily available soil information[J]. Norwegian Journal of Agricultural Sciences，1996，25（Suppl）：1-51.

[14]Chang C W，Laird，David A，et al. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties[J]. Soil Science Society of America Journal，2001，65（2）：480-490.

[15]Akaike H. Information theory and an extension of the maximum likelihood principle[J]. Inter Symp on Information Theory，1973，1：610-624.

[16]Barnes E M，Clarke T R，Richards S E，et al. Coincident detection of crop water stress，nitrogen status and canopy density using ground-based multispectral data[C]. Proceedings of the 5th International Conference on Precision Agriculture Bloomington. Minnesota，USA，2000.

[17]Rouse J W，Haas R H，Schell J A，et al. Monitoring vegetation systems in the great plains with erts[J]. Nasa Special Publication，1974，351：309.

[18]Lelong C C D，Pinet P C，Poilvé H. Hyperspectral imaging and stress mapping in agriculture：a case study on wheat in Beauce （France）[J]. Remote Sensing of Environment，1998，66（2）：179-191.