基于無人機數碼影像的冬小麥氮含量反演

劉帥兵，楊貴軍，景海濤，馮海寬，李賀麗，陳 鵬1,，楊文攀1,

?

基于無人機數碼影像的冬小麥氮含量反演

劉帥兵1,2，楊貴軍1,4※，景海濤3，馮海寬1,4，李賀麗1,4，陳 鵬1,3，楊文攀1,3

（1. 北京農業信息技術研究中心，農業部農業遙感機理與定量遙感重點實驗室，北京 100097；2. 武漢大學電子信息學院，武漢 430072；3. 河南理工大學測繪與國土信息工程學院，焦作 454000；4. 國家農業信息化工程技術研究中心，北京 100097）

準確、快速地獲取關鍵生育期冬小麥氮素含量，對農業管理者進行田間氮素施肥有重要的決策作用。利用無人機（unmanned aerial vehicle，UAV）搭載數碼相機，可以短時間內獲取冬小麥長勢信息，實現對冬小麥氮素含量動態監測。該研究利用2015年北京市小湯山冬小麥無人機數碼影像，采用3種閾值分割方法，將田間植株作物與土壤背景分離。對比影像分割方法的時效性與準確性，最終確定可見光波段差異植被指數VDVI（visible-band difference vegetation index）提取植被信息。按照試驗方案要求，在不同的氮肥與水分脅迫管理下，將冬小麥3次重復試驗分成48個試驗小區，依據小區邊界提取小區的紅、綠和藍通道的平均DN（digital number）值，選取25個植被指數，同時與各個試驗小區冬小麥不同器官氮含量進行相關性分析，篩選數碼影像變量。由于植被指數之間耦合度較高，因此采用主成分分析對原始數據進行成分提取，提取特征向量參與建模，最后利用多元線性回歸分析建立氮素反演模型，通過決定系數（2）、均方根誤差（RMSE）和歸一化的均方根誤差（nRMSE）3個指標篩選出最佳模型，探究各器官氮素含量與數碼變量的相關性。結果表明，實驗室實測氮素含量與UAV數碼影像氮素反演結果及基本一致。在反演模型構建精度方面，3種數據處理結果整體>部分>植被指數，反演效果葉氮>植株氮>莖氮。以冬小麥挑旗期為例，葉片氮含量整體信息提取驗證模型的2、RMSE和nRMSE分別為0.85、0.235和6.10%，比部分信息提取驗證模型的2高0.14，RMSE和nRMSE分別降低0.068和1.77個百分點；比植被指數信息提取驗證模型的2高0.43，RMSE和nRMSE分別降低0.141和3.67個百分點。研究表明，基于UAV數碼影像利用多元線性回歸構建冬小麥氮素含量反演模型，對試驗小區整體提取作物信息的方式反演冬小麥葉氮含量效果最好，相比傳統反演方法，模型穩定性更高，可為冬小麥田間水肥決策管理提供參考。

無人機；氮素；冬小麥；主成分分析；多元線性回歸

0 引 言

小麥是中國重要的糧食作物，也是世界范圍內種植面積最多的，分布面積最廣的糧食作物。研究冬小麥表型信息和生理過程對指導農業生產和糧食增產意義重大[1]。氮素是作物健康生長發育所必須的營養元素，顯著影響冬小麥品質與產量[2]。同時氮素營養狀況是評價作物長勢、提高產量和改善作物品質的重要指標[3-4]。當氮肥施加過多時，不僅浪費資源，同時會造成環境污染；而氮肥施加過少，則會影響作物正常生長，進而導致小麥減產。因此，分析植株的氮素營養狀況，制定科學的養分管理方案，可以使作物氮素供求同步，在保持高產的同時提高養分利用率[5-7]。

目前已經很多儀器設備可以直接或間接的對作物體內的氮素含量進行評估，包括葉色表、Dualex氮素指數測量儀[8]、SPAD-502（Soil and plant analyzer development，SPAD）葉綠素測量儀[9]、CCM-200葉綠素測量儀[10]、Greenseeker光譜儀[11]、Crop circle active canopy sensor主動冠層光譜儀[12]、PAM-2500綠素熒光[13]等。使用田間測量儀器雖然可以直接對作物進行評估測量，但是這些方法可能會破壞原始農田，時間及人力成本高，缺乏效率[14]。近年來，隨著無人機遙感技術的不斷發展，其在作物生態參數反演估算、農田生態環境信息監測等方面得到廣泛應用[15-17]。在田間進行無人機遙感監測，可以快速無損的對田間作物生長和營養狀況表征信息進行獲取，節省了大量的時間及人力，有利于大田條件下作物的精確管理[18-20]。

現有的研究表明，葉色、葉片紋理可以直接反映作物對不同光線的吸收、反射、折射及利用狀況，也是氮素在作物體內一系列代謝結果的綜合反應[21]。因此利用光譜信息可以估算氮素的豐缺狀況[22]。作物生化參數與植被指數之間存在著明顯的相關性，利用植被指數等遙感參量反演生物量是檢測作物長勢的重要方法[23-25]。裴浩杰等[26]利用無人機高光譜影像，利用植株氮含量與小麥其他長勢指標按照均等權重構建一個綜合長勢指標（comprehensive growth index, CGI）對冬小麥長勢進行檢測，總體上優于各項單獨指標與相應光譜植株的相關系數，能夠判斷冬小麥整體長勢差異；Schirrmann等[27]利用低成本的無人機影像，獲取飛行高度為50 m的11 hm2無人機數碼影像，用于監測小麥的生理參數和氮營養狀況；李冰等[28]利用低空無人機技術搭載多光譜載荷觀測系統，以冬小麥為研究對象，利用植被指數閾值法提取研究區域內冬小麥覆蓋度時序變化曲線；高林等[1]利用無人機獲取的數碼及多光譜影像，構建多種植被指數，采用經驗模型法構建了LAI（leaf area index, LAI）反演模型，反演準確率可以達到85.4%；Roosjen等[29]利用無人機搭載分幅相機，在傳統的單角度攝影情況下，采用多角度觀測的手段增加了觀測數據信息量，對葉面積指數和葉綠素含量估計的影像進行了研究，結果表明采用多角度的方式獲取光譜數據對葉綠素含量的估計有促進作用。以上研究基于多源遙感數據融合處理，重點在于遙感影像數據獲取和光譜信息提取2方面，構建數碼單數據源與農學參數反演模型的研究還很少。同時傳統的反演建模方法多采用單線性模型，具有很大的偶然性，且反演模型的穩定性較低。利用低成本的數碼影像，可以短時間內獲取田間信息并與農學參數結合建立反演模型，對田間作物農學參數的估測，對大田生產條件下，作物長勢、冬小麥不同組分氮素營養狀況的診斷和監測有重要的指導意義。

本文利用無人機數碼影像，采用3種作物信息提取方法，選取25個數碼影像變量，結合主成分分析篩選與冬小麥氮素含量相關性較高的建模變量。利用多元線性回歸分析方法構建冬小麥氮素含量反演模型，并對比分析不同信息提取方法下，冬小麥不同器官之間氮素反演效果，以期利用低成本的無人機數碼影像對冬小麥氮素進行監測，為綜合評價農業田間水肥決管理方案提供一種快速、無損和高通量的遙感監測技術手段。

1 材料與方法

1.1 試驗材料與試驗設計

本研究于北京市昌平區小湯山國家精準農業研究示范基地開展冬小麥田間試驗，地處北緯40°10′48″～40°10′54″，東經116°26′51″～116°26′53″，海拔約為50 m。冬小麥于2014年10月7日播種，2015年6月下旬收獲。研究區域屬于溫帶半濕潤大陸性季風氣候，前茬作物為玉米，土壤類型為潮土。冬小麥試驗小區分布如圖1所示。

圖1 試驗小區概況

試驗田表層0～0.3 m土層中硝態氮質量分數為3.16～14.82 mg/kg，速效鉀質量分數為86.83～120.62 mg/kg，有效磷質量分數為3.14～21.18 mg/kg，土壤有機質質量分數為15.8～20.0 g/kg。為增加各試驗小區內作物氮素含量的差異性，采用中麥175、京麥9843兩個品種的小麥進行種植，同時添加了不同的水分及氮素供給，每種處理方案重復3次，共設計48個試驗小區，每個小區種植面積為48 m2。試驗小區內種植密度為 489 株/m2，行距15 cm，播深5 cm，其他田間管理按當地正常水平進行。具體試驗設計方案如圖2所示。

1.2 數據獲取

無人機數碼影像數據采集于2015年冬小麥挑旗期（4月26日）、開花期（5月13日）及灌漿期（5月22日）3個關鍵生育期。采用RICOPTER八旋翼無人機，飛行高度設置為50 m。無人機懸臂展開尺寸為1 920 mm× 820 mm×470 mm，自重11 000 g，最大載重6 500 g，最大起飛重量25 000 g，飛行時間約為30 min，航速20～30 km/h。航測影像儀采用Sony Cyber-shot DSC-QX100鏡頭，尺寸62.5 mm×62.5 mm×55.5 mm，質量為179 g，2 090萬像素CMOS傳感器，拍攝影像最大分辨率為5 472×3 648像素，焦距為10 mm（定焦拍攝）光學變焦倍數為3.6倍，采集到的數據源為*.TIF格式影像數據。無人機傳感器拍攝瞬時位置與姿態信息由無人機搭載的位置與姿態系統（position and orientation system，POS）進行實時獲取，借助AgisoftPhotoScan軟件對無人機高清數碼影像進行拼接處理。

注：作物品種：P1：中麥175；P2：京9843；氮素處理：N1：0 kg·hm-2、N2：195 kg·hm-2、N3：390 kg·hm-2、N4：585 kg·hm-2，氮肥為尿素，分基肥和拔節肥按總施肥量各1/2施入土地；水分處理：S1：雨養；S2：675 m3·hm-2；S3：1012.5 m3·hm-2，生育期灌水3次，分別為凍水、拔節水和灌漿水。

Note: Crop varieties: P1: Zhong Mai 175; P2: Jing9843; Nitrogen treatment: N1: 0 kg·hm-2, N2: 195 kg·hm-2, N3: 390 kg·hm-2, N4: 585 kg·hm-2, nitrogen fertilizer was urea. Base and elongation fertilizers were applied to the soil at 1/2 of the total amount of fertilizer applied; Water treatment: S1: Rainfall; S2: 675 m3·hm-2; S3: 1 012.5 m3·hm-2, growth period irrigation three times, respectively, frozen water, pulling water saving and grouting water.

圖2 試驗方案

Fig.2 Experiment scheme

在獲取同一冬小麥生育期數碼影像時，不可避免會受到天氣影響，因此本研究中無人機飛行時間選擇在中午12點太陽光輻射強度穩定，天空晴朗、無云時。由于影像采集時間處于冬小麥試驗的3個生育期，各影像天氣及光照條件是不同的，因此需要對影像進行輻射校正。在田間地面上放置定標黑白布，統計其在影像上的DN（digital number, DN）值。對數據進行歸一化，可以消除數據中的誤差，減少天氣狀況和數碼相機系統誤差對數據的影響。從歸一化處理過后數碼影像中，提取冬小麥冠層RGB三通道小區平均DN值，進行后續處理。

測定植株氮素含量時，在每個試驗小區進行隨機抽樣，選取20株具有代表性的冬小麥植株作為樣本，放入塑料薄膜密封袋于實驗室進行后續處理。對東小麥進行莖葉分離后，將葉片、莖和穗不同器官組分（下稱組分）在105 ℃條件下殺青30 min，然后放置在75 ℃條件下烘干至樣本變成恒質量狀態，記錄此時的干質量。采用凱氏定氮儀（Buchi B-339, Switzerland）對研磨粉碎后冬小麥各組分的全氮含量進行測定[30]。在冬小麥的開花和灌漿生育期時，需要考慮穗氮含量對植株氮含量的影響，植株氮含量（%）計算如式（1）所示。

利用采集到的冬小麥數據，計算冬小麥各個生育期氮素含量干物質量，結果如圖3所示。

圖3 冬小麥各生育期氮素含量

1.3 植被指數選取

以預處理后的無人機冬小麥數碼影像，采用3種方法對正射影像進行精確劃分，得到48個試驗小區裁剪影像，利用ENVI（environment for visualizing images，ENVI）軟件提取各個試驗小區平均DN值，依據現有的數碼影像變量研究成果及氮素與可見光波段植被指數之間的關系，選擇22個可見光植被指數，共25個數碼影像變量對冬小麥氮素進行估測，本文選取的數碼影像變量如表1所示。

1.4 數據處理

1.4.1 冠層圖像處理

無人機數碼影像通過RGB色彩三通道反應冬小麥各組分對可見光的反射特性，但是由于太陽高度角，光線遮擋等影響，使得圖像中存在裸露土地，作物陰影，田間枯葉等無關地物信息。傳統光譜信息采集使用的方法是將試驗小區中所有像元參與建模分析。當混入無關地物信息時，將會影響到氮素敏感參數的選擇，因此需要一定的方法將試驗小區非作物葉片像素信息進行剔除，提高敏感數碼影像參數的篩選。本研究基于傳統光譜采集方法，對比2種剔除干擾元素后的試驗小區作物影像，采用植被指數提取試驗小區邊界的方法精度最高。影像上的陰影通過2種方式進行了剔除，一種是在劃分小區時進行手動剔除，另一種是利用植被指數進行剔除。

表1 與氮素相關的數碼影像變量

注：“”表示經驗的可見光植被指數，、和分別表示、和的DN值歸一化后的數碼影像變量，下同。

Note: “” represents the experience of the visible vegetation parameters;,andrepresent digital image variables of the normalized DN of,and, respectively, the same below.

1.4.2 主成分分析

主成分分析是利用數學降維的思想，將多個彼此之間具有相關性的變量指標通過線性變換，重新組合成一組彼此不相關的綜合變量來代替原來的指標的多元統計法，又稱主分量分析[41]。通常數學上的處理就是將個指標進行線性組合，作為新的綜合指標，在數據集中保留盡可能多的有用變量。將主成分分析的第一個主成分變量1進行方差分析，方差越大則表示1包含的信息越多。鑒于每個主成分方差值有所不同，且方差值呈遞減趨勢，因此含有的有效信息也呈遞減趨勢，因此根據各個主成分方差累計貢獻率大于90%的原則，選取個主成分，這樣可以有效地保留原始變量信息。

1.4.3 多元線性回歸

多元線性回歸模型在作物養分建模中有著廣泛的應用，通常以作物養分為因變量，遙感光譜信息、植被指數和紋理特征等作為自變量，通過多元線性回歸對作物養分進行估算[42-43]。將所有試驗小區總數設為，實測冬小麥氮素含量設為Y×1，對應遙感變量為，用X×m表示影響冬小麥氮素的自變量因子，β×1為未知參數向量，為誤差項。多元線性回歸模型的矩陣表示為：。

1.4.4 建模評價指標

本研究選取決定系數（coefficient of determination,2）、均方根誤差（root mean square error, RMSE）以及歸一化的均方根誤差（nRMSE）作為反演模型評價與驗證模型的指標。2用來表示模型模擬值與實測值的擬合效果，其值越接近1表明模型擬合精度高。均方根誤差反映模擬值與實測值的離散程度，因此其值越小，表明估算模型的擬合精度越好。反演模型及其驗證時的2越大，同時RMSE和nRMSE越小，模型的估算能力越好。其計算公式如下：

2 結果與分析

2.1 非作物冠層像素剔除

大田生產條件下冬小麥自然生長狀況的不可控性以及水肥脅迫，會導致冬小麥長勢不均勻，尤其在缺水和氮肥的試驗小區尤其明顯，有大面積土壤裸露情況出現。因此，本文利用3種試驗小區邊界提取的方法，對冬小麥試驗小區進行分割處理，其目的主要是討論土壤背景去除對反演模型精度的影響。參照汪小欽等[44]的研究方法，采用過綠植株EXG（excess green）、可見光波段差異植被指數VDVI、歸一化綠紅差異指數NGRDI（normalized green-red difference index）、歸一化綠藍差異指數NGRBDI（normalized green-blue difference index）和紅綠比值指數RGRI（red-green ratio index）對植被信息進行提取，綜合適用性和可靠性，最終選取VDVI植被指數提取試驗小區冬小麥長勢信息。

2.2 冬小麥氮素反演模型

2.2.1 相關性分析

基于無人機數碼影像可見光波段信息（RGB），參照現有的數碼影像變量研究成果及氮素與可見光波段植被指數之間的關系，選取了22個數碼變量加上原始RGB三通道，共25個數碼變量。針對3種不同采樣方法，分別分析數碼影像變量與冬小麥氮含量之間的相關性。以冬小麥挑旗期為例，按整塊分割處理后的影像處理結果顯示，相關系數大于0.6的有17個數碼影像變量。其中相關系數最高為歸一化紅光指數，其2=0.804。按部分分割處理后的影像處理結果顯示，相關系數大于0.6的有16個。其中相關性最高的變量為?，其2=0.813。按VDVI植被指數分割處理后的結果顯示，相關系數大于0.6的有15個。相關性最高的變量為?，其2=0.799。可以看出，相關系數較高的變量與綠度值沒有直接關系，因此氮素可能與數碼影像的色彩特征具有較強的相關關系。不同數碼變量與冬小麥挑旗期氮素含量的相關系數如圖4所示，顏色越深則代表兩變量之間的相關性越強。

圖4 不同數碼影像變量與冬小麥挑旗期氮素含量的相關系數

參考相關性系數檢驗臨界值表進行變量的顯著性檢，當自由度為26時，且相關系數絕對值大于0.479時，即可達到0.01顯著性水平。從冬小麥氮素含量與數碼影像變量相關系數圖中可以看出，達到0.01顯著性水平的數碼變量，整塊分割處理結果有18個，部分分割處理結果有19個，植被指數VDVI分割處理結果有16個。從結果上看，數碼影像變量與冬小麥氮素具有較高的相關性，證明了冬小麥氮素反演模型構建的可行性。因此每個方法選擇10個相關性較高的敏感波段參與后續的建模研究。

2.2.2 主成分分析

由于各數碼影像變量之間也具有較強的相關性，需要將不同變量之間的相關性降低，同時利用較少的公共因子的線性組合，及特定的因子之和來表達原有的所有變量，以達到合理的解釋原始變量間的相關性和簡化變量維數的目的。圖5為主成分分析的各成分累計貢獻率，利用主成分分析的方法可以有效地將高維數據將至低維，將原有的25個數碼變量信息降至3個主成分變量，主成分累計貢獻率可達到99%。

PCA法通過主成分分析，確定冬小麥數碼影像變量主成分特征值和特征向量，根據主成分累計貢獻率，選擇關鍵主成分。通過計算各主成分得分，得到各個試驗小區關鍵主成分的得分系數作為反演模型參數。當累計貢獻率達到90%以上時，即證明此時生成的主成分分量已經可以表示絕大部分的原始數據信息，因此將整體、部分和植被指數數碼信息主成分處理結果進行統計，皆選取3個主成分因子作為最終結果。以冬小麥挑旗期為例，各主成分特征向量及累計貢獻率如表2所示。

圖5 主成分分析的各成分累計貢獻率

2.2.3 氮含量反演

由于遙感技術通常采用垂直觀測模式，地表植被冠層葉片對可見光波段波譜信息貢獻率處于絕對優勢，因此在對作物氮素含量進行遙感監測的過程中，通常僅獲取作物上層葉片光譜信息，未能對作物中下層氮素含量進行遙感反演監測。因此本研究借助冬小麥無人機數碼影像，討論從中提取出的數碼影像信息與冬小麥不同組分間氮含量分布差異的相關性，借助多元線性回歸的方法對3種影像處理結果進行分析匯總。冬小麥氮素主要由葉氮、莖氮組成，而傳統的氮素檢測只考慮植株整體氮含量，因此以篩選出的數碼影像變量與冬小麥葉氮、莖氮和植株氮含量分別構建反演模型，探究冬小麥各組分氮素與數碼影像變量之間的關系。

表2 主成分特征向量及總方差解釋

篩選相關性較高的數碼影像變量及其主成分分析結果與冬小麥葉氮、莖氮和植株氮含量進行多元線性回歸，構建冬小麥氮素含量估算模型，并評價其精度。研究發現，只用相關性較高的數碼影像變量進行建模時，模型的2較低，當加入影像變量主成分分析結果時，模型擬合效果較好以冬小麥開花期為例，構建的冬小麥氮素計算模型的2、RMSE和RMSE結果如圖6所示，其他生育期處理過程與開花期一致。

注：圖中“▲”代表模型的建模數據，“×”代表驗證模型數據。建模及驗證數據均采用多元線性回歸方法構建模型。1表示建模模型，2表示驗證模型。

Note:In the graph, “▲” represents the modeling data of the model, and “×” represents the validation model data. Modeling and validation data are constructed by multiple linear regression method.1is the modeling model and2is the verification model.

圖6 不同影像分割方法下各器官氮素含量多元線性回歸模型

Fig.6 Multivariate linear regression model of nitrogen content in organs with different image segmentation methods

利用篩選的數碼影像變量采用多元線性回歸構建冬小麥氮素估算遙感影像（圖7）。圖7b顯示，冬小麥挑旗期整體氮素含量相對較高，冬小麥試驗長勢較為旺盛，在不同的水肥脅迫下，各個試驗小區氮素差異在空間分布上得到呈現。從圖7d得到，冬小麥開花期氮素含量相較于挑旗期氮素含量整體呈現下降趨勢，這與本文圖3冬小麥各生育期氮素含量變化基本吻合，在不同水肥脅迫條件下，各個試驗小區差異逐漸凸顯，可以直觀的顯示氮素含量空間分布的不同。圖7f中可以得到，冬小麥灌漿期長勢已經呈現衰敗跡象，整體氮素含量空間分布差異與冬小麥開花期基本相同，也與圖3氮素變化一致。總體而言，遙感監測圖可以直觀反映冬小麥氮素含量空間分布狀況，為冬小麥精準氮素管理提供依據。

圖7 冬小麥氮含量空間分布估算結果

3 討 論

3.1 建模參數篩選

按照田間試驗小區邊界對試驗小區進行劃分，利用整體采集信息方式（圖8b），提取試驗小區整體平均DN值，包含了試驗小區內所有的影像信息。此方法方便快捷，可以在短時間內獲取田間信息，但是沒有剔除土壤背景像素信息。第二種方式（圖8c）綜合考慮時間及運算效率，采用目視解譯的方式，對田間大面積裸露背景進行手動剔除。此方法同樣可以在短時間內獲取作物影像信息，相比整體處理可以排除大部分土壤信息對反演模型的影響。但是會丟失部分作物信息，同時會殘留部分土壤信息。第三種方法（圖8d）利用植被指數的方式，提取試驗小區植被邊界。借助ENVI軟件提取冬小麥試驗小區植被指數，采用雙峰直方圖閾值法確定植被與土壤信息分離的最佳閾值，建立矢量文件（.evf），再將矢量文件轉換成柵格文件（.shp），在ENVI中按掩膜裁剪的方式，將原始試驗中的土壤信息進行剔除。

本研究使用高清數碼影像自帶的RGB三個波段，即紅光、綠光和藍光波段為光譜上的3個信號通道，不同的數碼相機型號雖然色域有所區別，但是所包含的波段信息基本一致。但是本研究未對不同相機型號的數碼影像進行氮素反演研究，本研究方法是否對所有型號數碼相機具有普適性，需要進一步驗證。無人機飛行試驗沒有設置其他飛行高度，沒有對不同分辨率的影像進行驗證。但是在不同分辨率上，對數碼影像的紋理特征影響較大，但是對于數碼影像的色彩特征影響較小。本研究主要是基于數碼影像色彩空間特征對氮素進行反演建模研究，因此在不同分辨率下的數碼影像對建模的精度影響較小。

圖8 不同方法的分割影像信息

3.2 反演模型精度

圖6中顯示，利用無人機數碼影像反演冬小麥氮含量估算值與實測數據具有較高的擬合精度。構建驗證模型時，在第3個重復試驗田中，由于施水量不足以及人為因素如汽車碾壓，機器碾壓，人工踐踏等，使得試驗小區實際生長狀況嚴重偏離預設試驗方案，因此在驗證模型中，將第3個重復試驗田中的4個試驗小區(雨養)進行剔除處理。利用3種信息提取方法分別構建的反演模型效果為整體處理>部分處理>植被指數處理。如對冬小麥葉氮含量反演模型，整體信息提取對冬小麥葉氮含量構建模型的2、RMSE和nRMSE分別為0.76、0.217和5.63%，驗證模型的2、RMSE和nRMSE分別為0.85、0.235和6.1%，比部分信息提取反演驗證模型精度高0.14、0.068和1.77個百分點，比VDVI分割提取反演驗證模型精度高0.43、0.141和3.67個百分點。根據冬小麥不同組分氮含量反演模型精度驗證結果，氮素估測反演模型效果葉氮>植株氮>莖氮。如利用整體分割提取處理冬小麥葉氮含量反演驗證模型的決定系數，比植株氮含量反演模型決定系數高0.04、比莖氮含量反演模型高0.05。整體信息提取可以將田間所有作物信息進行提取分析，對比部分信息提取以及VDVI邊界分割的方法，在數據量的保持以及數據豐度上都比較好，因此構建的反演模型精度較高。采用VDVI提取植被邊界構建的反演模型，莖氮>植株氮>葉氮，分析其原因，可能是由于田間冬小麥冠層之下的葉片，沒有被太陽光直射，而導致葉片有大面積黑色陰影，被錯誤當做土壤背景剔除，試驗小區內部冬小麥葉片信息丟失嚴重，樣本信息豐度不足，進而使得葉氮含量反演效果較差。植株氮計算公式中，存在葉氮成分，因此也影響了植株氮的反演精度。在建模方法選擇上，本文嘗試采用了多種方法，如支持向量機（SVM）、隨機森林模型（RF）以及BP神經網絡等機器去學習的方法，但由于樣本總量太少，導致訓練的樣本集數據過少，其所構建的模型無法滿足精度要求。同時鑒于簡單反演模型而言，排除數據偶然性等因素，本文所構建的模型在穩定性上要優于單線性反演模型。

綜上所述，利用無人機數碼影像，可以較好的對冬小麥氮素含量進行估算，其中采用整體分割提取方法構建的冬小麥葉片氮含量反演模型效果最好。后續可以考慮利用其他的植被指數提取試驗小區邊界，或考慮計算機視覺原理對原始數據進行作物信息提取，繼而構建冬小麥氮素估測模型，討論其與傳統方法的差異。

4 結 論

基于無人機數碼影像的氮素檢測方法，從可見光波段植被指數中篩選與冬小麥氮素含量相關性較高的指數作為數碼影像變量，同時結合數碼影像變量主成分分析結果，利用多元線性回歸構建冬小麥氮素含量估測模型，可以準確快速的監測冬小麥氮素含量空間分布，結果表明：

1）利用整體信息提取方法構建的冬小麥氮素含量反演模型精度最高，效果最好。可以最大限度的保留影像光譜的原始信息，利用無人機搭載高清數碼相機可以快速無損的監測冬小麥不同生育期氮素含量，能夠對冬小麥氮素含量精確估測，為大田生產條件下，冬小麥水肥決策管理提供精準信息，具有一定的實用價值。

2）冬小麥不同器官氮素含量的反演效果不同。冬小麥葉氮的反演效果最好，以冬小麥開花期葉片氮含量為例，在整體處理下建模模型的決定系數、均方根誤差和歸一化均方根誤差分別為0.76、0.217和5.63%，驗證模型分別為0.85、0.235和6.1%；部分處理下建模模型為0.778、0.210和5.46%，驗證模型為0.713、0.303和7.87%；VDVI分割處理下建模模型為0.816、0.192和4.97%，驗證模型為0.427、0.376和9.77%

[1] 高林，楊貴軍，李紅軍，等. 基于無人機數碼影像的冬小麥葉面積指數探測研究[J]. 中國生態農業學報，2016，24(9)：1254－1264.

Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254－1265. (in Chinese with English abstract)

[2] Liu W, Chang Q R, Guo M, et al. Monitoring of leaf nitrogen content in summer corn with first derivative of spectrum based on modified red edge[J]. Journal of Northwest A&F University, 2010, 38(4):91－98.

[3] Bélanger G, Gastal F, Warembourg F R. The effects of nitrogen fertilization and the growing season on carbon partitioning in a sward of tall fescue (Festuca arundinacea Schreb)[J]. Annals of Botany, 1992, 70(3): 239－244.

[4] Zhao D, Reddy K R, Kakani V G, et al. Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum[J]. European Journal of Agronomy, 2005, 22(4):391－403.

[5] 趙士誠，何萍，仇少君，等. 相對SPAD值用于不同品種夏玉米氮肥管理的研究[J]. 植物營養與肥料學報，2011，17(5)：1091－1098.

Zhao Shicheng, He Ping, Qiu Shaojun, et al. Application of relative SPAD values for nitrogen fertilizer management of different cultivars of summer maize[J]. Plant Nutrition and Fertilizer Science, 2011, 17(5): 1091－1098. (in Chinese with English abstract)

[6] 張福鎖，王激清，張衛峰，等. 中國主要糧食作物肥料利用率現狀與提高途徑[J]. 土壤學報，2008, 45(5)：915－924.

Zhang Fusuo, Wang Jiqing, Zhang Weifeng, et al. Nutrient use efficiencies of major cereal crops in China and measures for improvement[J]. Acta Pedologica Sinica, 2008, 45(5): 915－924. (in Chinese with English abstract)

[7] Cui Z, Zhang F, Chen X, et al. In-season nitrogen management strategy for winter wheat: Maximizing yields, minimizing environmental impact in an over-fertilization context[J]. Field Crops Research, 2010, 116(1/2): 140－146.

[8] 李振海，王紀華，賀鵬，等. 基于Dualex氮平衡指數測量儀的作物葉綠素含量估算模型[J]. 農業工程學報，2015，31(21)：191－197.

Li Zhenhai, Wang Jihua, He Peng, et al. Modelling of crop chlorophyll content based on Dualex[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 191－197. (in Chinese with English abstract)

[9] Yu Huan, Wu Huasong, Wang Z J. Evaluation of SPAD and dualex for in-season corn nitrogen status estimation[J]. Acta Agronomica Sinica, 2010, 36(5): 840－847.

[10] 周小生. 茶樹氮素營養的快速診斷及其相關的生理生化指標的研究[D]. 合肥：安徽農業大學，2012.

Zhou Xiaosheng. Stydy on rapid diagnosis and physiology and biochemistry indexes of nitrogen nutrition in tea plants()[D]. Hefei: Anhui province, Anhui University of Science and Technology, 2012. (in Chinese with English abstract)

[11] Ali A M, Thind H S. A framework for refining nitrogen management in dry direct-seeded rice using GreenSeeker optical sensor[J]. Computers & Electronics in Agriculture, 2015, 110(C): 114－120.

[12] Cao Q, Miao Y, Wang H, et al. Non-destructive estimation of rice plant nitrogen status with crop circle multispectral active canopy sensor[J]. Field Crops Research, 2013, 154(3): 133－144.

[13] 李強，羅延宏，余東海，等. 低氮脅迫對耐低氮玉米品種苗期光合及葉綠素熒光特性的影響[J]. 植物營養與肥料學報，2015，21(5)：1132－1141.

Li Qiang, Luo Yanhong, Yu Donghai, et al. Effects of low nitrogen stress on photosynthetic characteristics and chlorophyll fluorescence parameters of maize cultivars tolerant to low nitrogen stress at the seeding stage[J]. Plant Nutrition and Fertilizer Science, 2015, 21(5): 1132－1141. (in Chinese with English abstract)

[14] Mao W, Wang Y, Wang Y. Real-time Detection of Between-row Weeds Using Machine Vision[C]//2003, Las Vegas, NV July 27-30, 2003. DOI: 10.13031/2013.15381

[15] 趙虎，楊正偉，李霖，等. 作物長勢遙感監測指標的改進與比較分析[J]. 農業工程學報，2011，27(1)：243－249.

Zhao Hu, Yang Zhengwei, Li Lin, et al. Improvement and comparative analysis of indices of crop growth condition monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 243－249. (in Chinese with English abstract)

[16] 牛亞曉，張立元，韓文霆，等. 基于無人機遙感與植被指數的冬小麥覆蓋度提取方法[J]. 農業機械學報，2018，49(4)：212－221.

Niu Yaxiao, Zhang Liyuan, Han Wenting, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212－221. (in Chinese with English abstract)

[17] 韓文霆，李廣，苑夢嬋，等. 基于無人機遙感技術的玉米種植信息提取方法研究[J]. 農業機械學報，2017，48(1)：139－147.

Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sensing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 139－147. (in Chinese with English abstract)

[18] Nguyen H T, Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy, 2006, 24(4): 349－356.

[19] Li Y, Chen D, Walker C N, et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research, 2010, 118(3): 221－227.

[20] Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[21] 劉勇. 基于無人機平臺的小麥冠層葉片氮素營養監測研究[D].南京：南京農業大學，2016.

Liu Yong. Monitoring Canopy Leaf Nitrogen Status Based on Unmanned Aerial Vehicle Platform in Wheat[D]. Nanjing: Agricultural University of Nanjing, 2016. (in Chinese with English abstract)

[22] Tian Y C, Gu K J, Xu C, et al. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]. Plant and Soil, 2014, 376(1/2): 193－209.

[23] 李長春，牛慶林，楊貴軍，等. 基于無人機數碼影像的大豆育種材料葉面積指數估測[J]. 農業機械學報，2017，48(8)：147－158.

Li Changchun, Niu Qingling, Yang Guijun, et al. Estimation of leaf area index of soybean breeding materials based on UAV digital images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 147－158. (in Chinese with English abstract)

[24] 田明璐，班松濤，常慶瑞，等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J]. 農業機械學報，2016，47(11)：285－293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285－293. (in Chinese with English abstract)

[25] 肖武，陳佳樂，笪宏志，等. 基于無人機影像的采煤沉陷區玉米生物量反演與分析[J]. 農業機械學報, 2018, 49(8)：176－187.

Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery, 49(8): 176－187. (in Chinese with English abstract)

[26] 裴浩杰，馮海寬，李長春，等. 基于綜合指標的冬小麥長勢無人機遙感監測[J]. 農業工程學報，2017，33(20)：74－82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20):74－82. (in Chinese with English abstract)

[27] Schirrmann M, Giebel A, Gleiniger F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016, 8(9): 706.

[28] 李冰，劉镕源，劉素紅，等. 基于低空無人機遙感的冬小麥覆蓋度變化檢測[J]. 農業工程學報，2012，28(13)：160－165.

Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13):160－165. (in Chinese with English abstract)

[29] Roosjen P P J, Brede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data–potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation & Geoinformation, 2018, 66: 14－26.

[30] 中國標準出版社第一室. 中國農業標準匯編. 土壤和肥料卷[S]. 北京：中國標準出版社，2010.

[31] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer[J]. New Phytologist, 1999, 143(1): 105－117.

[32] Kawashima S, Nakatani M. An algorithm for estimating chlorophyll content in leaves using a video Camera[J]. Annals of Botany, 1998, 81(1): 49－54.

[33] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 39: 79－87.

[34] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[35] Mounir L, Borman M, Johnson D. Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat[J]. Geocarto International, 2001, 16(1): 65－70.

[36] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282－293.

[37] Woebbecke D, Meyer G, Von Bargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259－269.

[38] Kataoka T, Kaneko T, Okamoto H, et al. Crop growth estimation system using machine vision[C]//Proceedings 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003). IEEE, 2003.

[39] Gitelson A A, Vi?a A,Arkebauer T J, et al. Remote estimation of leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters, 2003, 30(30): 335－343.

[40] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 7(39): 79－87.

[41] 蘇鍵，陳軍，何潔. 主成分分析法及其應用[J]. 輕工科技，2012(9)：12－13.

[42] 徐輝，潘萍，寧金魁，等. 多元線性回歸與神經網絡模型在森林地上生物量遙感估測中的應用[J]. 東北林業大學學報，2018，46(1)：63－67.

Xu Hui, Pan Ping, Ning Jinkui, et al. Remote sensing estimation of forest aboveground biomass based on multiple linear regression and neutal network model[J]. Journal of Northeast Forestry University, 2018, 46(1): 63－67. (in Chinese with English abstract)

[43] Lu D, Chen Q, Wang G, et al. Aboveground forest biomass estimation with landsat and lidar data and uncertainty analysis of the estimates[J]. International Journal of Forestry Research, 2012(2): 1－16.

[44] 汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提取[J]. 農業工程學報，2015，31(5)：152－159.

Wang Xiaoqian, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－159. (in Chinese with English abstract)

Retrieval of winter wheat nitrogen content based on UAV digital image

Liu Shuaibing1,2, Yang Guijun1,4※, Jing Haitao3,Feng Haikuan1,4, Li Heli1,4, Chen Peng1,3, Yang Wenpan1,3

(1.,,100097,; 2.,,430072; 3.,,454000,; 4.,100097,)

Accurate and rapid acquisition of nitrogen content of winter wheat in critical growth period plays an important role in decision-making of nitrogen fertilization in field. Using unmanned aerial vehicle (UAV) with digital camera, the growth information of winter wheat can be obtained in a short time, and the dynamic monitoring of nitrogen content of winter wheat can be realized. In this study, three thresholding segmentation methods were used to separate the field plant crops from the soil background based on the digital image of winter wheat UAV in Xiaotangshan, Beijing, in 2015. By comparing the timeliness and accuracy of image segmentation methods, the visible-band difference vegetation index (VDVI) was finally determined to extract vegetation information. According to the requirements of the experiment scheme, winter wheat was divided into 48 material plots by three repeated experiments under different nitrogen and water stress management. In order to increase the difference of crop nitrogen content in each experimental plot, two different varieties of wheat were planted, and different water and nitrogen supply were added at the same time. Each treatment scheme was repeated three times. A total of 48 experimental plots were designed. The planting area of each plot was 48 m2. Draw lessons from construction method of hyperspectral vegetation Index, 25 vegetation indices were constructed according to the average DN (digital number) values of red, green and blue channels extracted from the plot boundary. The correlation analysis was used to screen the digital image variables between the constructed vegetation index and the nitrogen content of different components of winter wheat in each material plot. Because of the high coupling degree between vegetation indices, principal component analysis was used to reduce the dimension of original data and extract feature vectors to participate in modeling. Various factors affecting the selection of modeling parameters and modeling were discussed. The nitrogen retrieval model was established by multiple linear regression analysis, and the best model was selected by determining coefficient (2), root mean square error (RMSE) and normalized root mean square error (nRMSE) to explore the sensitivity of nitrogen content and digital variables. Using the model and UAV digital image, the retrieval image of winter wheat nitrogen was drawn, which visually display the spatial distribution of winter wheat nitrogen content. The results showed that the estimated value of winter wheat nitrogen content retrieved from UAV digital image had high fitting accuracy with the measured data. In terms of the accuracy of the inversion model, the three data processing results were integral segmentation > partial segmentation > segmentation by VDVI. The inversion effect of nitrogen content in different organs of winter wheat was different. Taking the flag-flying period of winter wheat as an example, the2and nRMSE of the verification model of integral segmentation was 0.85 which was 0.14 and 0.43 higher than that of the partial segmentation and VDVI segmentation, RMSE and nRMSE of the verification model of integral segmentation was 0.235 and 6.1% respectively, which was 0.068 and 1.77 percentage points lower than those of the partial segmentation, 0.141 and 3.67 percentage points lower than those of VDVI segmentation, respectively. The results can provide reference for decision-making and management of water and fertilizer in winter wheat field.

UAV; nitrogen; winter wheat; principal component analysis; multiple linear regression

2018-08-27

2019-05-06

國家重點研發計劃（2016YFD0300602）；國家自然科學基金（41471351，41601346）；北京市自然科學基金（6182011）；北京市農林科學院科技創新能力建設項目（KJCX20170423）

劉帥兵，博士，助理研究員，主要從事農業定量遙感。Email：463543329@qq.com

楊貴軍，博士，研究員，主要從事定量遙感機理及應用研究。Email：yanggj@nercita.org.cn

10.11975/j.issn.1002-6819.2019.11.009

TP75

A

1002-6819(2019)-11-0075-11

劉帥兵，楊貴軍，景海濤，馮海寬，李賀麗，陳 鵬，楊文攀. 基于無人機數碼影像的冬小麥氮含量反演[J]. 農業工程學報，2019，35(11)：75－85. doi：10.11975/j.issn.1002-6819.2019.11.009 http://www.tcsae.org

Liu Shuaibing, Yang Guijun, Jing Haitao, Feng Haikuan, Li Heli, Chen Peng, Yang Wenpan. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75－85. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.11.009 http://www.tcsae.org