基于高光譜“玉米田養鵝”模式下作物冠層氮素反演

馮 江,陸治冶,馬昕宇,陳雙龍,趙慶賀,王樹文

(1.東北農業大學 電氣與信息學院,哈爾濱 150030;2.嶺南師范學院 信息工程學院,廣東 湛江 524000)

0 引言

氮素是植物生長和籽粒形成的關鍵營養元素,增加土壤中的氮素含量有助于提高產量,然而作物產量與土壤氮素含量不成正比關系,過量的施肥會抑制作物生長,造成大量的養分流失,進而造成水體富氧化或加劇溫室效應等環境污染[1-2]。實時檢測氮素含量對種植至關重要,傳統的養分檢測手段要破壞作物本身,費時費力時效性差,無法滿足現階段生產中的需求。目前,具有快速、無損、精準的高光譜技術在諸多方面如作物[3-8]、水果[9-15]、蔬菜[16-18]已有研究。

近年來,“農牧一體化”這一概念被提出,是利用田間系統的雜草而獲得經濟效應和生態效應的新型生產方式,本實驗為“玉米田養鵝”模式,具體是指在種植玉米的同時,通過利用田間生長出的其他資源(如雜草和昆蟲)來飼養畜禽動物的一種復合型生產方式和種植方式。由于不進行雜草處理,雜草與玉米進行生長競爭,會導致玉米小幅減產,因而通過飼養畜禽進行除草作用減少減產帶來的損失,可以用販賣家禽動物來彌補。這種植方式可以大大提高經濟效應,而空間上玉米、雜草可使生態系統更加穩定。

利用不同條件下反射率差異建立模型,國內外學者進行了大量研究,郭曼[19]分析了關中地區夏玉米在不同生長時期不同氮素水平下的光譜特性,發現夏玉米的氮素營養水平與葉面光譜反射率存在顯著的相關性。李媛媛等[20]測定西北地區玉米乳熟期葉片反射率,并使用BP神經網絡進行建模,模型R2為0.887和0.896,RMSE為2.782。周麗麗等[21]在水培條件下對3個玉米品種的高光譜敏感波段進行研究,建立多種光譜參數并與葉片氮素含量進行建模。趙家明等[22]分別對不同施氮玉米葉片反射率進行測定,建立NDVI光譜參數并對NDVI值進行優化,提出了一種優化NDVI值,但對玉米田養鵝模式下的高光譜預測模型研究較少。“農牧一體化”中已經對生態系統的穩定性[27]、農民實用的經濟效應性和養分平衡[28]這幾項做出大量的研究,但是“農牧一體化”中對于高光譜預測模型的研究尚且不足。

為此,以“農牧一體化”生產方式下 “玉米田養鵝”模式的玉米冠層葉片為研究對象,對高光譜圖像進行反射率提取,采用自相關分析與主成分相結合的方法(BICA-PCA)建立多種光譜參數,最后建立氮素預測模型,從而實現對“農牧一體化”的養分吸收的準確分析,為“農牧一體化”養分平衡快速分析提供理論基礎。

1 數據采集與處理方法

1.1 實驗田概況

實驗地點位于黑龍江省鶴崗市延軍農場(130°51′E,47°43′N),選用玉米品種為德美亞一號,于5月12日進行播種;以史丹利復合肥80kg/m2作為農田底肥,主要成分含量為N=15%、P2O5=15%、K2O=15%,玉米4～5葉期采取起壟、追肥(尿素N≥46.4%,施肥量100kg/hm2)。實驗田共有兩個大區,分別是玉米田養鵝(簡寫API)和對照組玉米區(CK),每個大區做一組實驗重復3次,田間共設計6個試驗小區,每個小區為12.5m×40m,面積為500m2,設置保護行。玉米田養鵝區不進行雜草處理,對照處理于苗期噴灑闊葉除草劑,即乙草胺∶莠去津=1∶1混合,采用25L攜帶自制噴罩的背式噴霧器搖勻噴灑,劑量1.25L/hm2。每個小區周圍四周用50cm高尼龍網圍封,防止鵝群跑到對照區。試驗田8月10日放入鵝,如圖1所示。考慮到農田雜草可持續供應和對玉米作物產生的干擾程度,放養鵝的數量為54只,采取3個小區輪流放養的措施,放養周期為3天 (即每個小區放牧期為1天)。早晨6時放入鵝,白天用6個5L飲水壺補充足夠的水;傍晚6時趕回鵝,每只鵝投喂復合飼料100g,9月底結束放養。

圖1 “玉米田養鵝”實驗田圖片

1.2 冠層高光譜圖像采集和氮素值獲取

采用美國Headwall公司生產的高光譜室外成像系統,光譜采集波長為400～1 000nm,光譜分辨率為2nm。選擇晴朗無風無云天氣,分別于8月5日和9月20日上午進行拍攝,拍攝時鏡頭距離玉米冠層頂部50cm掃描拍攝。拍攝時掃描平臺移動速度為0.73 cm/s,防止移動速度過快或過慢對拍攝圖像造成變形。圖2(a)、(b)、(c)、(d)分別為放牧前時期API、放牧前時期CK、放牧后時期API和放牧后期CK的高光譜圖像。

(a) 放牧前RGICF (b) 放牧前CK

(c) 放牧后RGICF (d) 放牧后CK

隨機選取冠層圖像中每株玉米從上到下第2片玉米葉片,每個小區采集10片葉片,放入密封袋中進行編號。采用德國AA3連續流動分析儀測定銨態氮含量,將采集好的葉片進行洗滌、烘干、殺青、粉碎處理,測量每片玉米葉子的氮素值。

1.3 冠層反射率提取

使用ENVI軟件對放牧前后高光譜圖像進行光譜反射率提取。在被測量氮素的玉米葉片的高光譜圖像中選取5處大小為2 000nm2的感興趣區域(Region of interest, ROI),將取到的5處反射率的平均值記為該片葉子的反射率。

1.4 數據處理

實驗中分別針對API和CK組獲得了30組實驗數據,共60組實驗數據,去掉因氮素測量誤差引起的離值點15組數據,隨機選擇30組數據作為校正集,剩下15組數據作為建模的預測集。

使用波段自相關分析方法(Bands inter-correlation Analysis, BICA)與主成分分析(Principal Components Analysis, PCA)提取特征波段,然后構建不同植被指數。由于提取反射率波段有406個,原始數據維度過高,直接采用主成分分析獲得的主成分過多,故采用自相關分析方法和主成分分析方法相結合,先對不同相關性的波段進行分割,再對幾部分波段分別進行主成分分析,選擇貢獻率高的波段作為特征波段進行構建植被指數。

本文采用的植被指數如下:單波段指數(Single Band Index, SI),紅邊位置指數(Red Edge Position Index, REPI)、比值指數(Ratio Spectral Index, RSI),差值指數(Difference Spectral Index, DSI),雙差值指數(Double Difference Index, DDI),歸一化差分植被指數(Normalized Difference Vegetation Index, NDVI)。植被指數公式分別為

SI(a)=Ra

(1)

REPI=λ

(2)

RSI(a,b)=Ra/Rb

(3)

DSI(a,b)=Ra-Rb

(4)

DDI(a,b,c)=Ra-Rb-Rc

(5)

(6)

其中,Ra、Rb、λ、RNIR和RRED分別代表玉米冠層在特征波段a、特征波段b、紅邊位置指數(Red Edge Position Index)、近紅外波段(Near Infrared Eeflectance Band, NIR)和紅光波段(Red Band, RED)下的光譜反射率值。計算出在不同波段下的植被指數和玉米氮素冠層氮素值進行相關性分析,然后選擇相關性高的植被指數進行建模,并通過多元逐步回歸分析(Multiple Stepwise Regression Analysis, MSRA)方法建立植被指數與氮素含量單變量或多變量的預測模型,利用R2和RMSE比較模型的擬合程度及預測性能和模型的精度。實驗數據處理與分析采用ENVI5.0、MATLAB2013、SPSS20和Excel2013軟件完成。

2 實驗結果

2.1 放牧前后玉米冠層高光譜特征

由圖3可知:在放牧前和放牧后2個時期的高光譜反射率的趨勢大致相同。在綠光波段(500～560nm)具有明顯的波峰,在紅光波段(622～700nm)反射率下降形成明顯的吸收谷,之后反射率急劇上升,在近紅外光波段(780～1 000nm)反射率形成一個較高的平臺。相比較放牧前時期和放牧后時期,可以明顯發現:在綠光波段和近紅外光波段,放牧后時期的光譜反射率要高于放牧前時期,而放牧后的紅邊位置較放牧前有了明顯向左移動。針對玉米田養鵝(API)和對照組(CK)的反射率進行比較,在500nm處以后CK的反射率要高于API,而在400～480nm處成相反趨勢。

圖3 放牧前和放牧后玉米冠層高光譜反射率

2.2 特征波段提取與選擇

由于高光譜圖像的各波段相關性較高,分別對獲得的放牧前和放牧后時期的反射率進行剔除干擾部分。計算出30組光譜數據(400～1 000nm)組成的矩陣(30×406)的自相關矩陣,即各個波段中相關系數,如圖4所示。

圖4 放牧前波段間相關系數的分布

圖4為放牧前波段間相關系數的分布,顏色由黑色到白色表示相關系數從0到-1,代表波段間相關性的強弱,由于各個波段間相關性不同導致相關矩陣對角線出現明顯分塊。根據相關系數將整個相關系數矩陣分為4個小區,分別為400～509nm、509～564nm、564～684nm和713～1 000nm,每個分段內相關性較強,圖像顏色接近白色。最后,將4個小區分別用主成分分析法提取每個小區的特征波段,選擇的特征波段如表1所示。

表1 BICA-PCA結果

2.3 基于BICA-PCA的特征波長建模預測

2.3.1 光譜參數與氮素含量相關性

上述植被指數公式獲得的光譜參數共有36組,將36組光譜參數與氮素含量進行相關性分析,如表2所示。由表2可知:放牧前時期相關系數較高的光譜參數有SI(457)、SI(620)、NDVI(620,883)、RSI(457,753)、RSI(457,883)、RSI(620,753)和RSI(620,883),其相關系數分別為-0.856、-0.853、0.884、-0.876、-0.877、-0.883;而放牧后時期相關系數較高的光譜參數有NDVI(536,840)、NDVI(572,840)、RSI(516,840)、RSI(536,572)、RSI(536,840)和RSI(572,840)。

2.3.2 玉米氮素含量預測模型

通過BICA-PCA方法,分別在不同的時期獲得光譜參數,以光譜參數為自變量,玉米冠層氮素含量為因變量建立多元線性回歸模型(multivariable linear regression model, MLRA),如表3所示。列出3組精度較高的多元回歸模型,根據校正集決定系數和預測集決定系數,選出放牧前后時期最佳模型分別為y=0.068RSI(620,753)-8.328RSI(620,883)+2.546RSI(697,883)+2.958和y=-5.975NDVI(536,840)+10.127NDVI(572,840)-2.738RSI(516,840)-0.972RSI(536,572)+1.695校正集均方根誤差為0.133和0.094;預測集均方根誤差為0.147和0.141,表明模型精度較高,適用于本時期氮素預測。氮素含量預測模型預測效果如圖5所示。

表2 玉米冠層氮素含量與不同特征光譜參數的相關系數

續表2

表3 玉米冠層氮素含量與不同特征光譜參數的預測模型

3 討論

提取玉米冠層光譜信息后,基于“農牧一體化”實驗下對玉米冠層的氮素值建立模型。很多研究表明:不同的時期氮素含量的變化會影響光譜反射率發生紅邊位移現象,在不同時期下的近紅外反射率差異明顯,這與本研究結果一致[26]。這是因為隨著玉米的生長,玉米葉面積增長,葉綠素積累較多光合作用增強對近紅外光反射也增強,此外鵝的糞便也會作為玉米的肥料,也會造成氮含量增加。氮含量的增加也會對光譜的特征波段造成變化,說明各個時期都有對應不同的敏感波段,相應的光譜參數也有所變化,光譜參數與氮素的相關性也有變化。從表3中發現:放牧前期有些相關系數較高的光譜參數,如單波段光譜參數SI、DSI、RSI和DDI到了放牧后期都有不同程度相關性減弱,NDVI光譜參數在兩個時期都表現出較好的相關性。這是因為在放牧前期時,由于不進行雜草處理的API區的雜草生態系統比較完好。到了放牧后地上雜草相對較少,導致地表露出,土壤背景噪聲增加,在拍攝高光譜圖像中會對反射率造成影響[27]。

4 結論

1)放牧前與放牧后建立的光譜參數中,放牧前相關系數較高的光譜參數有NDVI(620,883)、RSI(457,753)、RSI(457,883)、RSI620,697)、RSI(620,753)和RSI(620,883)相關系數均在0.8以上;放牧后時期的光譜參數有NDVI(536,840)、NDVI(572,840)、RSI(572,840)、RSI(536,840)和RSI(536,572),相關系數也均在0.8以上。

2)基于BICA-PCA方法,分別建立放牧前和放牧后的氮素預測模型,在放牧前時期選擇由3個光譜參數構成的模型y=0.068RSI(620,753)-8.328RSI(620,883)+2.546RSI(697,883)+2.958,校正集決定系數為0.796,校正集均方根誤差為0.133;在預測性能指標中,預測集決定系數為0.840,預測集均方根誤差為0.147,其模型效果最好。而在放牧后時期,選擇由4個光譜參數構成的模型y=-5.975NDVI(536,840)+10.127NDVI(572,840)-2.738RSI(516,840)-0.972RSI(536,572)+1.695,校正集決定系數為0.761,校正集均方根誤差為0.94;在預測性能指標中,預測集決定系數為0.789,預測集均方根誤差為0.141,放牧前模型精度要高于放牧后時期。