基于RGB顏色空間的早稻氮素營養監測研究

葉 春 劉 瑩 李艷大 曹中盛 張麗娜 劉繼忠

(1.南昌大學 機電工程學院，南昌 330031；2.江西省農業科學院 農業工程研究所/江西省智能農機裝備工程研究中心/江西省農業信息化工程技術研究中心，南昌 330200；3．中國農業機械化科學研究院 產業創新中心，北京 100083)

水稻是我國重要的糧食作物，其產量及質量直接影響糧食安全。氮素是作物生長發育所必需的重要營養元素，科學合理施用氮肥是增加雙季稻單位面積產量和提高品質的有效措施。目前雙季稻氮肥過量施用現象普遍，不僅增加生產成本，還會降低肥料利用率，嚴重污染環境[1]。因此，雙季稻氮素營養的實時無損監測診斷對于氮肥精確管理和減輕農業面源污染具有重要意義。傳統的作物氮素營養監測診斷方法主要采用田間采樣實驗室化學分析法，費時費力成本高，且時效性差，難以滿足實時監測作物及田間追肥的需求[2]。隨著數字圖像技術的快速發展，其在稻麥氮素營養診斷[3-5]、病蟲害診斷[6]、產量預測[7]、含水率預測[8]等方面都得到了廣泛應用。

國內已有報道利用數字圖像技術進行作物營養診斷：祝錦霞等[9]通過掃描儀和無人機對水稻單葉和冠層圖像進行分析，發現藍色波段(Blueness intensity)對水稻的氮素水平較為敏感；石媛媛等[4]通過掃描儀圖像和無人機搭載數碼相機圖像建立了水稻氮磷鉀診斷模型；李紅軍等[10]開展了基于不同航拍高度的無人機圖像小麥和玉米氮素營養診斷，表明航拍診斷模型在冬小麥和夏玉米上均有較好監測精度，但存在航拍圖像精度、參數是否飽和等問題，需要進一步完善處理。由于實際生產中無人機使用需專人操作，掃描儀的使用耗時費力，其應用范圍及人群均相對受限。而數碼相機具有成本低、且能實時快速獲取數據的優點，應用數碼相機實施作物營養監測已經成為開展農業研究的新手段。李嵐濤等[11]通過應用普通數碼相機進行了水稻氮營養診斷，并得出敏感參數水稻紅光標準化值(NRI)構建的模型與水稻氮素營養指標和產量之間均表現出較好的相關性；Lee 等[12]應用數碼相機開展水稻冠層覆蓋率的研究，并指出改良的過度綠色指數(MEGI)顯示了從淹水/裸土背景分割水稻植物的最大潛力；Li等[13]于2013年利用數碼相機圖像對水稻葉綠素含量進行了估測，并構建一種模型來展開SPAD值的反演工作，效果良好；賈良良[14]構建了水稻葉片氮營養監測模型，認為數字圖像技術將成為估測作物營養含量的重要技術手段。

已有研究利用數字圖像參數構建了許多作物營養監測模型，驗證了模型具有較高精確度，但針對具體生育期結論各不相同，對雙季稻品種是否影響模型構建并未進行具體分析，且以雙季稻為研究對象的更少。因此，本研究擬以4 個早稻品種大田試驗為基礎，采用數碼相機獲取早稻全生育期冠層圖像，將圖像分割和去噪后提取顏色參數，并分析早稻冠層 RGB顏色空間參數和水稻氮素營養指數的關系，基于RGB顏色空間參數，利用單變量回歸和多變量回歸分析方法，篩選出早稻氮素營養監測的敏感顏色參數及最佳監測模型，以期為雙季稻氮肥精確管理和數字圖像營養監測設備的研發提供理論依據與參考。

1 材料與方法

1.1 試驗設計

以不同地點、不同施氮水平和不同品種類型的雙季早稻田間試驗為基礎。

試驗1：2019年在江西省農業科學院高安試驗基地進行，28°25′27″ N，115°12′15″ E。試驗田耕作層含有機質38.80 g/kg，全氮2.53 g/kg，銨態氮42.4 mg/kg、硝態氮1.04 mg/kg，有效磷16.78 mg/kg，速效鉀120.1 mg/kg和pH 5.5。供試品種為中嘉早17(記為C1)和長兩優173(記為C2)；設4 個施氮水平：0、75、150和225 kg/hm2(分別記為N0、N1、N2和N3)，3 次重復。不同時期施肥質量比：基肥∶分蘗肥∶穗肥=5∶3∶2，磷肥(60 kg/hm2)作為基肥一次性施入，鉀肥(120 kg/hm2)隨氮肥同比例施入，隨機區組排列。小區面積為30 m2，3 本移栽，南北行向，小區之間以埂相隔，埂上覆膜，獨立排灌。4月25日移栽，7月16日收獲。其他栽培措施與當地高產栽培一致。

試驗2： 2019年在江西省吉安市新干縣界埠鎮試驗基地進行，115°21′3.87″ E，27°45′17.65″ N。試驗田耕作層含有機質28.0 g/kg、堿解氮127.0 mg/kg、有效磷29.0 mg/kg、速效鉀121.0 mg/kg和pH 5.5。供試品種為早秈618(記為C3)和湘早秈45(記為C4)，4月26日移栽，7月19日收獲。早稻4 個施氮水平、行株距、行向、小區面積、重復數、氮磷鉀肥類型和用量均與試驗1相同。其他栽培措施與當地高產栽培一致。

1.2 數字圖像及圖像參數獲取

1.2.1數字圖像獲取

參照文獻[15]做法，選取晴朗無云的天氣分別于分蘗期(2019-05-09)、拔節期(2019-05-18)、孕穗期(2019-05-25)、抽穗期(2019-06-04)和齊穗期(2019-06-13)，在太陽高度角相對穩定的12: 00至14: 00，利用數碼相機(Canon EOS 100D，分辨率為72 DPI)獲取早稻冠層圖像。拍攝時，將相機鏡頭距離水稻冠層約1.0 m，與冠層呈60°夾角，同時將相機調至Auto模式下，以自動曝光控制色彩平衡，圖片以JPEG格式存儲，分辨率5 184×3 456。

1.2.2圖像特征參數獲取

用于作物營養診斷的圖像處理方法主要包括圖像分割法[16-17]和直方圖RGB參數組合法[14]。本研究應用Adobe photoshop7. 0 軟件直方圖程序獲取分割去噪后圖像的紅光值R(Redness intensity)、綠光值G(Greenness intensity)和藍光值B(Blueness intensity)。通過這3個顏色參數的組合運算，衍生出多種色彩參數。參考同類研究對色彩參數的選擇，本研究選取常用的8種色彩參數作為備選，其計算方法和相關文獻見表1。

表1 圖像色彩參數及計算方法Table 1 Image characteristic value and calculation methods

1.3 氮素營養指標的選擇

與數字圖像獲取同步，各小區選取長勢相同的稻株4株，根據植株器官發育情況，將樣品植株分離為葉、莖鞘和穗，在105 ℃殺青30 min，80 ℃烘干48 h至恒重后稱量，采用凱氏定氮法測定水稻葉片氮濃度(LNC)，進而計算水稻葉片氮積累量(LNA)。LNA/(g/m2)=葉片氮濃度/%×葉片干物質量/(g/m2)。

1.4 數據處理與分析

采用Adobe photoshop 7. 0軟件將早稻與水體裸地分割，進一步運用直方圖軟件提取早稻葉片色彩參數。其他數據處理與分析采用Microsoft Execl 2007、 SPSS 17.0 和Matlab 7.0進行。

1.5 模型的檢驗

試驗1獲取的試驗數據用于模型構建，試驗2獲取的試驗數據用于模型檢驗。采用國際上常用的R2、均方根誤差RMSE和相對均方根誤差(RRMSE)來評估模型的穩定性，RMSE和RRMSE值越小，說明模擬值與觀測值的一致性越好，即模型的模擬結果越準確、可靠。

(1)

(2)

2 結果與分析

2.1 不同施氮水平下各生育期早稻氮素營養變化特征

不同施氮水平下不同生育期水稻氮營養的時空變化特征各有差異(圖1)。由圖1可知全生育期內同一處理不同品種水稻LNC的變化整體趨勢一致，而同一生育期內不同處理的 LNC差異較為明顯。其中：N0和N1處理下水稻LNC隨著生育期推進逐漸減小；N2和N3理下LNC從分蘗期至拔節期是先增加，而后隨著生育期推進逐漸減小。進一步，將水稻葉片氮積累量進行比較分析(圖2)，由圖2可以看出，水稻LNA值隨著生育期推進不斷增加，除N3處理外，其他處理的LNA值均至抽穗期達到頂峰。說明水稻不同品種的葉片氮濃度和葉片氮積累量數值雖有差異，但基本變化趨勢一致。與對照(N0)相比，分蘗期、拔節期、孕穗期、抽穗期和齊穗期葉片氮濃度和氮積累量分別增加了7.41%、22.64%、32.55%、38.71%、99.17%和28.37%、77.17%、83.06%、120.95%、147.51%，差異顯著。不同施肥處理導致水稻LNC和LNA的差異，但是依據施肥情況無法準確確定水稻的氮素營養狀況。

C1:中嘉早17；C2：長兩優173；N0：不施氮肥；N1：氮肥施用量為75 kg/hm2；N2：氮肥施用量為150 kg/hm2；N3：氮肥施用量為225 kg/hm2。下同。C1, Zhongjiazao 17; C2， Changliangyou 173; N0, no nitrogen; N1,nitrogen application rate 75 kg/hm2； N2， nitrogen application rate 150 kg/hm2； N3,nitrogen application rate 225 kg/hm2. The same below.圖1 不同生育期早稻葉片氮濃度變化特征Fig.1 Characteristics of LNC in early rice leaves at different growth stage

2.2 不同施氮水平對數字圖像參數的影響

分析圖像參數對不同施氮水平的響應特征是利用圖像參數構造氮素營養預測模型的前提，不同施氮量下圖像顏色參數與葉片氮濃度、葉片氮積累量的相關系數整理見表2。結果顯示：氮肥施用后，不同時期冠層數字圖像顏色參數差異顯著；R、G和B3 個基本參數不同生育期與葉片氮濃度、氮積累量相關性變化明顯。其中參數R在分蘗期與LNC相關系數最大，在拔節期與LNA相關系數最大；拔節期，參數G與LNC和LNA的相關系數分別為0.724和0.841，為全生育期內相關系數最大值。而參數B與LNC及LNA的相關系數最大值出現在抽穗期和齊穗期。考慮到抽穗期后一般水稻田不再追施肥，抽穗期和齊穗期作為氮營養監測的敏感生育期指導實際追施肥意義較小，因此暫時以分蘗期和拔節期為備選觀測期。

圖2 不同生育期早稻葉片氮積累量變化特征Fig.2 Characteristics of LNA in early rice leaves at different growth stage

表2 不同生育時期水稻冠層顏色參數值與植株氮營養的相關系數rTable 2 Correlation coefficient between rice canopy color parameters and plant N-nutrition at different growth stage

進一步分析分蘗期和拔節期水稻冠層數字圖像參數隨施氮量和生育期的變化(表3)，結果表明不同施氮處理下圖像參數差異顯著，不同品種間的RGB值也略有差異，但不同品種相同施氮處理下圖像參數基本呈現一致，特別是在拔節期內，品種對于冠層色彩參數影響較小。結合表2的數據分析，拔節期冠層數字圖像顏色參數與水稻氮營養指標均達到極顯著水平，說明以拔節期為主要觀測期的水稻冠層圖像顏色參數能夠表征水稻植株氮素營養狀況。

2.3 氮素營養監測模型的構建

2.3.1單變量回歸分析構建模型

分別采用線性、非線性回歸方程(對數方程函數、多項式函數、冪方程函數和指數方程函數)分析拔節期圖像與早稻氮素營養參數間的關系，并對比分析不同模型的決定系數，選取方程決定系數R2最大時所對應的顏色參數作為自變量，以氮含量作為因變量，構建最佳氮素營養監測模型。

表3 不同施氮水平對數碼相機顏色參數的影響Table 3 Effects of different nitrogen application levels on color parameters of digital cameras

通過對比分析各方程決定系數發現，拔節期內，數碼相機圖像各參數與早稻氮素營養參數回歸分析中，除B參數外所有參數均以多項式函數擬合效果最佳。從R2值變化范圍看，構建的各模型R2值變化波動較大。將R2排序后可知，以參數INT為自變量，構建的 LNC及LNA多項式函數模型R2最高，分別為0.895 7和0.924 7，對應的方程分別為：YLNC=-0.001x2+0.338 8x-23.639，YLNA=0.019 8x2-5.939 7x+459.89。其次，以參數G為自變量，構建的LNA及LNC多項式函數模型R2僅次于INT，分別為0.770 9 和0.910 0，對應的方程分別為：YLNC=-0.000 9x2+0.410 2x-40.782，YLNA=0.027 6x2-11.361x+1 182.1。說明以INT和G參數作為自變量參數構建的模型可較好預測水稻氮素營養狀況，其中INT可以作為最佳敏感色彩參數。

2.3.2多變量回歸分析構建模型

在多變量回歸中，模型的構建涉及到多輸入和多輸出參數，常用的模型構建方法為多元回歸分析和神經網絡分析。根據多元回歸分析和BP神經網絡的特性，應用圖像參數和氮營養參數分別作為輸入輸出參數，用兩種多變量回歸分析方法構建監測模型。分別以LNC和LNA為變量，以顏色參數為自變量構建回歸方程(表4)。多元回歸方程中R2和調整R2指標用于揭示擬合程度。表4多元回歸分析的結果顯示：以水稻氮營養2 個參數作為輸出參數構建的回歸模型，R2分別為0.955和0.901，說明自變量可很好解釋因變量變化，回歸方程擬合度很好；回歸方程調整后的R2分別為0.844和0.654，意味著所構建的模型估計和預測結果可靠性高。BP神經網絡分析法中，結合輸入輸出節點數量，根據隱藏層選擇原則，本研究隱藏層設置為5層，以9 個色彩參數為輸入參數，2 個氮營養參數為輸出參數，以高安地區拔節期的數據作為訓練集，以新干地區數據作為測試集，結果顯示，測試數據與實際數據呈現較好的一致性。

表4 圖像色彩參數與氮營養指數的多元線性回歸分析Table 4 Multiple linear regression analysis between image color parameters and nitrogen nutrition indexs

2.4 模型驗證

為了驗證應用數碼相機進行雙季早稻氮素營養監測的可靠性，利用新干縣試驗點的試驗數據分別對單變量回歸分析模型(圖3)、多元回歸分析模型(圖4)和BP神經網絡分析模型(圖5)進行檢驗，采用國際上常用的決定系數(R2)、均方根誤差(RMSE)和相對誤差(RRMSE)來分析模擬值與實測值之間的符合度。結果表明，早稻拔節期回歸方程的預測效果均較好，RMSE介于0.210～1.925，RRMSE介于5.24%～14.55%。在所有模型中，用單變量INT回歸分析構建的LNA模型檢驗結果較為理想，模擬值與實測值之間具有較好的一致性。檢驗參數分別為：RMSE為 0.864 5，RRMSE為5.24%，R2為0.974 4(圖3 (b))。用BP神經網絡構建的LNC模型檢驗結果最佳，檢驗參數分別為：RMSE為0.210 5，RRMSE為6.52%，R2為0.807(圖5(a))。多元回歸分析法構建的LNA模型檢驗結果較好，但LNC的差異較大，結果并不穩定。因此通過篩選敏感顏色參數進行單變量回歸分析和BP神經網絡構建多變量早稻氮素營養監測模型均具有較好的預測效果。

圖3 單變量模型下LNC(a)和LNA(b)的實測值與模擬值比較Fig.3 Comparison of measured and simulated values of LNC (a) and LNA (b) in univariate models

圖4 多元回歸模型下LNC(a)和LNA(b)的實測值與模擬值的比較Fig.4 Comparison of measured and simulated values of LNC (a) and LNA (b) under multiple regression model

圖5 BP神經網絡模型下LNC(a)和LNA(b)的實測值與模擬值的比較Fig.5 Comparison of measured and simulated values of LNC (a) and LNA (b) under BP neural network model

3 討 論

應用數碼相機對早稻氮素營養監測具有快速、便捷、非破壞性等優點[19-23]。本研究表明，拔節期為早稻氮素營養監測的最佳生育期，研究結果與已有研究結果一致[11，16]。從圖像顏色參數變化規律來看，紅色和綠色波段參數顯示分蘗期和拔節期較適合監測，而藍色波段參數顯示在孕穗期與氮營養參數相關性高。相關性分析結果表明，分蘗期、拔節期和孕穗期均可作為主要觀測期。但通常水稻追肥是在孕穗期之前，而分蘗期因水稻并未封行，水體和裸土對圖像色彩參數提取影響較大。因此，選擇拔節期冠層圖像參數構建模型對實際施肥更有指導意義。

作物氮素營養無損監測的核心是建立推薦追肥模型，并以此進行施肥推薦[24]。探究不同色彩參數構建的模型對氮素營養的預測效果，可為后期診斷儀器的研發提供理論依據。回歸方程中的R2是自變量可以解釋的變異量占因變量總變異量的比例，代表回歸方程對因變量的解釋程度，R2越大說明自變量對因變量的解釋程度越高。本研究以RGB組合形成的參數為單變量分別構建回歸模型，篩選后得出，以參數INT構建的多項式模型R2最大，模型具有較好的預測性。由于冠層數字圖像反映的是植被群體的圖像信息，是葉片、穗、莖稈及土壤等背景的綜合體。僅以單一參數來評估植被氮營養狀況變異性較大，因此進一步通過多變量回歸分析構造預測模型。模型構建結果顯示，多元回歸分析和BP神經網絡構建的早稻氮素監測模型均具有較好的預測性。

為進一步驗證數碼相機圖像對早稻氮營養評估預測的可行性，需要開展模型檢驗。模型檢驗結果顯示，以BP神經網絡分析構建的LNC模型和以INT為自變量構建的LNA模型預測效果顯著，而多元回歸分析的模型檢驗結果不太理想。分析原因可能是，多元回歸分析中的圖像色彩參數由RGB三個基本參數得到，且LNA值與地上部生物量值和LNC及之間也存在線性關系，因此采用多元回歸分析易存在過擬合現象，影響預測結果，而BP神經網絡設置的隱藏層不斷修改了各層神經元的連接權值，訓練出最優的神經網絡模型，優于多元回歸模型。另外，大田試驗所選活體水稻樣本隨機性較大，生長環境，養分類型及用量等均有影響。為更好地驗證模型的普適性，下一步應結合多地區、多年分、多品種大區試驗進行驗證優化。

4 結 論

1)圖像色彩參數的變換結果顯示拔節期為最佳氮素營養監測生育期，且圖像色彩參數與水稻氮營養指標相關性高，可用于構建氮素營養監測模型。

2)構建了不同圖像色彩參數模型，結果顯示，INT與含氮量指標構建的模型決定系數最大，模型預測效果最佳。多元回歸分析和BP神經網絡構建的模型也均具有較好的預測性。

3)模型的檢驗結果顯示，以BP神經網絡分析構建的LNC模型和以INT為敏感色彩參數構建的LNA回歸模型，模擬值與實測值之間具有較好的一致性和相關性，證明基于圖像RGB空間參數構建早稻氮素營養監測模型具有較好的預測效果，可為早稻氮肥精確管理和數字圖像營養診斷設備研發提供理論依據。