基于多光譜成像技術的玉米氮素營養診斷方法研究

劉奕彤，宋玉柱，馬昕宇，郭思琪，馮 江,王樹文

(東北農業大學 電氣與信息學院，哈爾濱 150030)

基于多光譜成像技術的玉米氮素營養診斷方法研究

劉奕彤，宋玉柱，馬昕宇，郭思琪，馮 江,王樹文

(東北農業大學 電氣與信息學院，哈爾濱 150030)

為快速、無損地獲取寒地玉米作物養分信息，利用多光譜成像技術開展了大田玉米氮素營養診斷研究。采用美國ADC多光譜相機采集玉米拔節期冠層多光譜圖像，利用德國AA3連續流動分析儀測定葉片氮含量。提取紅色通道灰度均值(AVSR)、綠色通道灰度均值(AVSG)和近紅外通道灰度均值(AVSNIR)等3個光譜參數，構建歸一化植被指數(NDVI)、綠色歸一化植被指數(GNDVI)、紅色通道與綠色通道比值植被指數(RVIR/G)、紅色通道與近紅外通道比值植被指數(RVIR/NIR)、近紅外通道與紅色通道比值植被指數(RVINIR/R)、紅色歸一化比值(RNR)、綠色歸一化比值(GNR)、近紅外歸一化比值(NIRNR)等8個植被指數。將全部光譜參數及植被指數分別與氮素值進行相關性分析，建立寒地玉米氮素一元線性回歸、多項式回歸及多元回歸模型。結果表明：一元回歸模型R2最高達0.854，多元回歸模型R2為0.870，所得模型可為寒地大田玉米精準施肥和長勢監測提供支持。

玉米；氮素；多光譜圖像；定量監測

0 引言

農作物養分信息是反映農作物生長狀況的重要指標，及時獲取農作物養分信息可以為精準施肥、灌溉等農田管理提供支持，是提高糧食產量、促進農業可持續發展的重要保障[1]。近年來，光譜成像技術以其快速、非破壞性、操作方便等優點，被越來越多地應用于作物營養檢測中[2]。特別是近地多光譜技術具有儀器成本低、圖像質量高和分析方便的優點，受到了許多學者的關注[3-5]。

Sun[6-7]等通過比較多種光譜圖像特征參數提取方法的優劣，提出了一種新型光譜指數CNDVI。在中等和偏高施氮水平下，CNDVI與玉米葉綠素含量相關性較高，相關系數分別為0.60和0.63。王海華[8]等發現玉米冠層多光譜圖像的NIR/G比值特征參數與葉綠素含量的相關系數達0.637。Li[9]等對比不同生育期玉米冠層氮素反演模型預測效果，得出葉綠素含量指數CCCI預測效果最好。以上研究均是建立的單個植被指數作物氮素營養監測模型，預測精度偏低，有必要研究多個植被指數的作物氮素營養診斷方法，為精確定量施肥提供技術支撐。

本研究以寒地玉米為研究對象，采集拔節期玉米冠層多光譜圖像，提取3個圖像光譜參數，構建8個植被參數，將全部光譜參數及植被指數分別與氮素含量進行相關性分析，選擇相關性較高的光譜參數或植被指數與氮素值分別建立一元線性回歸、多項式回歸與多元回歸模型，為大田玉米氮素營養快速檢測和玉米生長信息的實時獲取提供技術支持。

1 實驗部分

實驗于2013年在東北農業大學香坊農場實驗基地進行，供試玉米品種為東農253。實驗田采用單因素(N)設計，設4個梯度(N1、N2、N3、N4)，目標施肥量依次為(0,65、109、163kg/hm2)，表現為嚴重缺氮、缺氮、適量氮、過量氮。每個施氮水平重復4次，且隨機分布。其它管理均按高產要求進行，以消除其它因素對作物生長的交互影響。玉米拔節期施用化肥基本信息如表1所示。播種于2013年5月2號進行，同時進行第1次施肥。

按照圖像采集需選擇晴朗、微風、少云的實驗要求，于6月15日(拔節期)當天10:00-14:00進行多光譜圖像采集。采集時，設置多光譜相機鏡頭垂直距玉米植株冠層頂部70cm，在同一施氮水平下隨機選擇20株玉米植株為一組進行圖像采集，采集圖像前進行白板校正。氮素營養診斷模型的建立通過EXCEL及SPSS20.0等軟件實現。

表1 玉米拔節期施用化肥基本信息

利用德國AA3連續流動分析儀測定玉米冠層葉片的氨態氮含量，表2給出了玉米葉片在拔節期氮含量情況。

表2 拔節期玉米葉片含氮量

2 結果與討論

2.1 玉米植株多光譜圖像獲取

使用美國Tetracam公司生產的ADC多光譜相機采集玉米植株的多光譜圖像，通過PixelWrench2軟件可以得到紅色(R)、綠色(G)、近紅外(NIR)通道的圖像，如圖1所示。

圖1 原始及紅色、綠色、近紅外圖像Fig.1 Original and R、G、NIR images

2.2 玉米植株光譜特征參數提取

基于處理過的圖像，提取紅色通道灰度均值(AVSR)、綠色通道灰度均值(AVSG)及近紅外通道灰度均值(AVSNIR)等3個光譜參數值。

均值計算公式為

將上述光譜參數代入歸一化植被指數(Normalized Difference Vegetation Index，NDVI)，綠色歸一化植被指數(Green Normalized Difference Vegetation Index，GNDVI)、紅色通道與綠色通道比值植被指數(R/G Ratio Vegetation Index, RVIR/G)、近紅外通道與紅色通道比值植被指數(NIR/R ratio vegetation index, RVINIR/R)、紅色通道與近紅外通道比值植被指數(R/NIR ratio vegetation index, RVIR/NIR)、紅色歸一化比值

(Red Normalized Ratio, RNR)、綠色歸一化比值(Green Normalized Ratio, GNR)、近紅外歸一化比值(Near Infrared Normalized Ratio, NIRNR)等8個植被指數公式中，計算各植被指數值。

各植被指數計算公式為

拔節期共提取了80組樣本信息，表3只給出了其中部分樣本光譜參數值及植被指數值(拔節期N3)。

表3 光譜參數值及植被指數值

續表3

2.3 玉米植株氮素檢測模型

將構建的植被指數與實測值建立回歸模型是利用光譜技術反演植株葉綠素、氮素含量的主要方法之一[10-11]。Zou[12]等選擇了7種植被指數分別與葉綠素含量建立反演模型，決定系數均能達到0.6以上。張連蓬[13]等采用了18個植被指數對葉綠素含量進行反演，結果顯示有5種的決定系數在0.75以上，且具有很好的普適性。王磊[14]等從19個光譜參數中發現，紅邊斜率、綠峰最大反射率、比值植被指數和歸一化差值植被指數與葉片氮含量均存在較好的相關性。本實驗通過SPSS20.0軟件，將3個光譜參數及8個植被指數分別與玉米氮素值進行相關性分析，其中NDVI、RVIR/NIR和RNR與玉米氮素相關性最高。

將NDVI、RVIR/NIR和RNR分別作為自變量(x)，氮素含量作為因變量(y)，通過回歸分析分別建立一元線性模型(y=a+bx)和二次多項式模型(y=a+bx+cx2)。其中，a、b、c為常數。

圖2～圖4分別為拔節期玉米植株葉片氮含量與NDVI、RVIR/NIR和RNR的線性和二次多項式回歸方程和曲線。由此可知，在拔節期采用RVIR/NIR和RNR的二次多項式模型反演氮素含量的效果較好，決定系數R2分別為0.854和0.848。

為提高回歸模型的預測精度，采用逐步回歸方法，將NDVI、RVIR/NIR和RNR共同與玉米氮素含量建立多元回歸模型，得到反演模型方程為

y=1.776+32.559RNR-15.512RVIR/NIR+

1.085NDVI

該模型的決定系數為0.870，優于單一變量模型。多元回歸模型的預測效果如圖5所示。

圖2 NDVI與氮素值回歸方程Fig.2 Regression equations of nitrogen content and NDVI

圖3 RVIR/NIR與氮素值回歸方程Fig.3 Regression equations of nitrogen content and RVIR/NIR

圖4 RNR與氮素值回歸方程Fig.4 Regression equations of nitrogen content and RNR

圖5 多元回歸模型預測效果圖Fig.5 Precision results of multiple regression models

3 結論

為快速、無損地獲取寒地玉米作物養分信息，利用多光譜成像技術開展了大田玉米氮素營養診斷研究。將得到的11個光譜參數及植被指數分別與氮素值進行相關性分析，建立寒地玉米氮素一元線性回歸、二次多項式回歸及多元回歸模型，得出以下結論：

1)在拔節期，歸一化植被指數(NDVI)、紅色通道與近紅外通道比值植被指數(RVIR/NIR)、紅色歸一化比值(RNR)與玉米氮素含量呈極顯著相關，可用來反演玉米植株氮素營養狀況。

2)利用RVIR/NIR建立的玉米氮素二次多項式模型精度較高，R2=0.854。

3)利用NDVI、RVIR/NIR和RNR建立的玉米氮素多元回歸模型決定系數為0.870，精度優于一元線性及二次多項式回歸模型，所得模型能有效檢測寒地玉米氮素含量。

[1] 吳倩,孫紅,李民贊,等.玉米作物多光譜圖像精準分割與葉綠素診斷方法研究[J].光譜學與光譜分析,2015,35(1):178-183.

[2] 韓文霆,李敏,陳微.作物數字圖像獲取與長勢診斷的方法研究[J].農機化研究,2012,34(6):1-6.

[3] 李曉麗,何勇.基于多光譜圖像及組合特征分析的茶葉等級區分[J].農業機械學報,2009,40(S1):113-118.

[4] 張曉東,毛罕平,左志宇,等.油菜氮素的多光譜圖像估算模型研究[J].中國農業科學,2011,44(16):3323-3332.

[5] 郭威,張彥娥,朱景福,等.玉米冠層葉片氮素營養估測研究[J].農機化研究,2011,33(10):31-34.

[6] Sun Hong,Li Minzan, Zheng Lihua,et al. Evaluation of maize growth by ground based multi-spectral image[C]//IEEE/SICE International Symposium on System Integration(SII).Kyoto:Kyoto University,2011:207-211.

[7] Sun Hong,Li Minzan, Zheng Lihua,et al. Monitoring of maize chlorophyll content based on multispectral vegetation indices[C]//Multispectral,Hyperspectral，and Ultraspectral Remote Sensing Technology，Techniques and Applications IV.San Diego:SPIE,2012.

[8] 王海華,趙彥娥,郭威.基于多光譜圖像的玉米營養監測技術研究[J].農機化研究,2012,34(11):178-181.

[9] Li F，Miao Y X，Feng G H，et al.Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices[J].Field Crops Research，2014，157:111-123.

[10] 丁希斌,劉飛,張初,等.基于高光譜成像技術的油菜葉片SPAD值檢測[J].光譜學與光譜分析,2015,35(2):486-491.

[11] 金梁,胡克林,田明明,等.夏玉米葉片分層氮素營養的高光譜診斷[J].光譜學與光譜分析,2013,33(4):1032-1037.

[12] 石吉勇，鄒小波,趙杰文，等. 高光譜圖像技術檢測黃瓜葉片的葉綠素葉面分布[J].分析化學，2011，39(2)：243-247.

[13] 張連蓬,柳欽火,王德高,等.高光譜遙感植被指數的普適性分析[J].測繪通報,2010(9):1-4.

[14] 王磊，自由路，盧艷麗，等.基于光譜分析的玉米氮素營養診斷[J].植物營養與肥料學報,2011,17(2):333-340.

Research on Nutrition Diagnosis Method of Maize Nitrogen Based on Multispectral Imaging Technique

Liu Yitong, Song Yuzhu, Ma Xinyu, Guo Siqi, Feng Jiang, Wang Shuwen

(College of Electric and Information, Northeast Agricultural University, Harbin 150030, China)

In order to rapidly acquire maize nutrient information in the field, a non-destructive method of maize nitrogen content index measurement was conducted based on multispectral imaging technique. Firstly, American ADC multi-spectral image monitoring system was available to acquire the canopy images of maize in jointing stage. At the same time, each sample was measured to show the nitrogen content index by AA3 continuous flow analyzer. Secondly, eleven vegetation indices were calculated including AVSR, AVSG, AVSNIR, NDVI, GNDVI, RVIR/G, RVIR/NIR, RVINIR/R, RNR, GNR and NIRNR. And then the method of correlation analysis was used to reduce the dimension of data so as to acquire three sensitive spectral characteristic parameters. Lastly, the nitrogen index detecting model based on simple linear regression method, polynomial regression method and multiple regression method by stepwise regression. The results indicated that, the maximal R2of simple regression models is 0.854 and the R2of multiple regression model is 0.870. It was feasible to diagnose nitrogen content of maize based on multi-spectral images.

maize; nitrogen; multi-spectral image; quantitative monitoring

2016-12-01

國家“863計劃”項目(AA2013102303)；黑龍江省自然科學基金面上項目(C2015006)；哈爾濱市科技創新人才項目(2015RQQXJ020)

劉奕彤(1996-)，女，哈爾濱人，本科學生，(E-mail)1198430784@qq.com。

王樹文(1975-)，男，哈爾濱人，副教授，碩士生導師，(E-mail)wswtr@163.com。

S123

A

1003-188X(2018)02-0148-06