基于無人機遙感可見光參數的水稻氮素營養診斷

袁璐 袁自然 屠人鳳 葉寅 陳曉芳 楊欣

摘 要：氮素是決定水稻產量的重要因素之一，傳統水稻氮素的診斷耗時費力且對作物的損害較大，確定無人機遙感水稻氮素營養診斷的最佳可見光參數，對水稻氮素的快速診斷具有良好的實用價值。該研究在安徽省懷遠縣試驗基地，設置5個施氮水平，先后2次進行無人機采樣，計算出10個可見光參數，并分析可見光參數與水稻含氮量之間的關系，結合相關系數與變異系數的大小篩選出診斷水稻氮素的最佳可見光參數。結果表明，參數B、G/（R+G+B）、G/B、RGBV1與作物含氮量的相關性較強，其中參數G/（R+G+B）可作為無人機為遙感水稻氮素診斷的最佳可見光參數。通過回歸分析得到y（含氮量）與x（綠光化標準值）之間的回歸方程y=0.0017x2-0.0074x+0.7201，R2=0.9825。

關鍵詞：無人機遙感;可見光參數;水稻;氮素營養

中圖分類號 S511文獻標識碼 A文章編號 1007-7731（2021）10-0035-04

Rice Nitrogen Nutrition Diagnosis Based on UAV Remote Sensing Visible Light Parameters

YUAN Lu1， 3 et al.

（1Institute of Soil and Fertilizer， Anhui Academy of Agricultural Sciences， Hefei 230031， China; 3College of Resources and Environment， Anhui Agricultural University， Hefei 230031， China）

Abstract： Nitrogen is one of the important factors that determine rice yield. Traditional rice nitrogen diagnosis is time-consuming and laborious and has great damage to crops. To determine the best parameters for the diagnosis of rice nitrogen nutrition by UAV remote sensing visible light parameters. The rapid diagnosis of nitrogen in rice has good practical value. In this study， a field experiment area was set up in the experimental base of Huaiyuan county， Anhui Province， and 5 nitrogen levels were set up. UAV sampling was conducted twice， and 10 visible light parameters were calculated， and the relationship between visible light parameters and nitrogen content of rice was analyzed. Combining the correlation coefficient and the coefficient of variation to screen out the best visible light parameters for diagnosing rice nitrogen. The results show that the parameters B， G/（R+G+B）， G/B， RGBV1 have a strong correlation with crop nitrogen content， and the parameter G/（R+G+B） can be used as UAV visible light remote sensing The best visible light parameters for rice nitrogen diagnosis. Through regression analysis， the regression equation between y （nitrogen content） and x （standard value of green light） is y = 0.0017x2-0.0074x + 0.7201， R2=0.9825.

Key words： UAV remote sensing; Visible light parameters; Rice; Nitrogen nutrition

中國水稻種植面積約占全國耕地面積的27.1%，在我國糧食生產中占有舉足輕重的地方。水稻產量受諸多因素的影響，如品種特性、土壤環境、施肥技術等[1]，而良好精準的施肥策略則是提高水稻產量和品質最有效的措施。氮肥的合理施用直接影響著水稻的生長，氮素營養缺乏或者過剩都不利于水稻生長[2]。如何快速準確地獲取水稻氮素狀況，及時調整施肥技術，實現氮肥的合理施用是水稻生產中需要解決的重要課題。

傳統的水稻氮素診斷耗時費力，對水稻的損傷較大，具有一定的滯后性，并不能快速地獲取水稻的氮素營養狀況[4]。隨著水稻的生長、土壤氮素供應水平的變化，葉片中葉綠素的變化從而引起水稻冠層光譜特征的變化[5]。無人機遙感技術在軍事、氣象、資源勘測、海事、農業等方面都有著廣泛的應用。在“精準農業”發展的今天，無人機遙感因其時效快、操作簡便靈活的優點，在作物信息的提取上越來越受到重視[3]。采用無人機光譜分析植株氮素的虧欠相較于傳統的方法，對作物不會造成不可逆轉的損傷。利用無人機遙感技術測出水稻冠層的R（紅光值）、G（綠光值）、B（藍光值）3個可見光參數值，并對各個參數值之間的關系進行數據組合，從而進行水稻氮素的診斷和預估。無人機搭載數碼相機拍照速度快且精準，圖像的處理較為簡便。經研究發現，紅光標準化值[R/（R+G+B）]能夠有效地進行水稻、油菜的氮素營養診斷，綠光標準化值[G/（R+G+B）]是冬小麥進行氮素診斷的重要參數，而藍光標準化值[B/（R+G+B）]是較好的表征夏玉米氮素營養的指標[6，7]。

本研究分析了水稻含氮量和水稻冠層可見光參數之間的相關關系，利用水稻抽穗期和水稻結實期2個時期兩者的相關分析和變異系數分析，得出最佳診斷水稻氮素的最佳可見光參數，進而擬合出水稻含氮量與該參數之間相關關系的方程，以提高水稻含氮量診斷的準確性。

1 材料與方法

1.1 供試材料 供試水稻品種為Y兩優1998，氮肥為尿素。

1.2 試驗方法 試驗于懷遠縣試驗基地進行，對水稻長穗期（9月中旬）和結實期（10月中旬）時期進行采樣，在水稻的整個生長季節內無明顯的干旱脅迫和病蟲草害。氮肥試驗進行5個處理，5個氮素水平，分別為：（1）不施氮肥（CK）;（2）氮基肥，不追肥[NO，（基肥N-P2O5-K2O=135-90-105）];（3）氮基肥，追肥[N1/2，（基肥N-P2O5-K2O=135-90-105，分蘗肥N33.8，穗肥N33.8）];（4）氮基肥，追肥[N1，（基肥N-P2O5-K2O=135-90-105，分蘗肥N67.5，穗肥N67.5）];（5）氮基肥，追肥[N2，（基肥135-90-105，分蘗肥N135，穗肥N135）]。3次重復，隨機區組排列。

1.3 樣品全氮含量測定

1.3.1 植物樣品前處理 在抽穗期和結實期采集地上部生物樣品，取樣時在每個小區中部5點法采集水稻樣品，立即裝入自封袋，帶回試驗室。首先在烘箱105℃殺青30min再在80℃條件下烘干至恒重，進行粉碎磨樣后用凱氏定氮法測定水稻的全氮含量。

1.3.2 凱氏定氮法定氮 用濃硫酸消化樣品，將消煮完全的樣品中的有機氮轉化為銨態氮，然后在10mol/L NaOH的堿性條件下將銨鹽轉化為氨。氨會隨著水蒸氣蒸餾出來，利用20g/L的硼酸溶液吸收，并用標準酸進行滴定，從而計算出樣品的全氮含量。

1.4 遙感數字圖像的獲取與處理

1.4.1 圖像獲取 本試驗無人機飛行時天氣晴、無風。時間為上午10時，此時太陽高度角大于45°，由無人機搭載數碼相機，此數碼相機最大像素為1600萬，在離地面高度約為120m的高度上飛行。相機調至TV模式，分別在抽穗期（2018.9.8）和結實期（2018.10.8）進行遙感圖像的采集，最終得到RGB真彩色圖像，電腦內存儲為JEPG格式，并進行無損壓縮。

1.4.2 圖像處理 利用Matlab軟件進行每個小區R（紅光值），G（綠光值），B（藍光值）的讀取。為更好地探究可見光參數與植株氮素營養的關系，對參數的絕對值以及數據組合進行處理，獲取多種可見光參數。將2個時期獲取的光譜參數與其所測到的全氮量進行相關分析，并分別分析2個時期水稻參數的變異系數，選取相關性高且變異系數小的參數作為最佳診斷參數。數據采用SPSS軟件進行斯皮爾曼相關分析，并計算變異系數。

2 結果與分析

2.1 水稻冠層與全氮含量的相關關系 從表1可以看出，無論是抽穗期期還是結實期，不施氮肥處理的水稻全氮含量都最低，低于其他處理，且N1/2和N1處理間無顯著差異。

2.2 水稻冠層可見光參數變異系數 遙感圖像每個像源點對應一個參數值，采用求平均值的方法得到每個小區的R，G，B值，各處理3組平行間存在一定誤差，采用舍棄一組平行的方法分析可見光參數與水稻含氮量之間的關系，進行后續試驗分析。由圖2和圖3可知，本試驗水稻在抽穗期，綠光值G在各個處理下均高于紅光值R和藍光值B;在抽穗期，處理N1下，水稻冠層的3個可見光參數值均較小;而在結實期，隨著不同處理氮肥施加增多，各可見光參數值也隨之增大。

從表3相關系數大小分析，參數R、G、G/R和R/B在結實期與水稻含氮量呈現出較強的相關性，在抽穗期卻沒有呈現出相關性;參數B、G/（R+G+B）、G/B、RGBV1與水稻含氮量間，無論在抽穗期還是結實期都具有較強的相關性，其他參數的相關性不穩定。

結合表3變異系數大小分析，水稻在抽穗期和結實期，圖像可見光參數的變異系數具有較大差異，范圍在2.0%～67.8%。上述遙感參數與水稻含氮量的相關分析中得出，參數B、G/（R+G+B）、G/B、RGBV1可作為水稻氮素營養診斷的指標。其中，參數G/（R+G+B）與水稻含氮量的變異系數較為穩定，所以參數G/（R+G+B）可作為水稻中稻期和晚稻期氮素營養診斷的最佳可見光參數。

2.3 含氮量與最佳參數之間相關模型 綜上，水稻在長穗期和結實期的含氮量與綠光化標準值之間存在著很強的相關關系，通過Excel對水稻長穗期和結實期2個時期的含氮量以及可見光參數G/（R+G+B）進行回歸分析，得到y（含氮量）與x（綠光化標準值）之間的回歸方程為y=0.0017x2-0.0074x+0.7201，R2=0.9825。

3 討論

在本研究中，同一個處理平行間可見光參數存在差異。無人機數碼相機可見光分辨率、空間分辨率可能是造成試驗誤差最大的原因，加上圖像由人工進行處理，加大了試驗誤差[8-9];遙感圖像1個像源點均對應1個參數值，本研究直接取平均值的方法忽略了同一個小區之間不同像源點可見光參數的差異[10]。

研究發現，各種作物葉片數量有差異，且作物顏色不同，所以導致不同作物對各個可見光參數的敏感度不同[12-13];本研究發現，水稻的含氮量與綠光標準化值[G/（R+G+B）]也能呈現出較好的相關性。因此，同一個作物在不同的研究中氮素診斷的最佳的參數也不一定相同，這可能是不同地理環境，氣候因素對水稻的生長影響不同導致的[14]。因此，可見光參數與作物的含氮量的相關性并不是絕對的。

由于分蘗期水稻生長不成熟，水稻冠層對可見光的敏感度較弱[15]，本試驗只對水稻抽穗期和結實期進行了采樣，并且由于個別處理不同平行間可見光參數值差異較大。本研究采用舍棄一組偏差較大的參數值來求平均值的方法，每個處理最終得到兩組可見光參數值，進行與水稻含氮量與可見光參數的相關分析。水稻抽穗期和結實期的2組可見光參數數據進行組合，最終擬合出最佳可見光參數值與水稻含氮量之間的回歸方程。由于水稻生長受到很多不可控因素的影響，例如氣候和地理位置，無人機可見光分辨率的誤差，該回歸方程只能適用于本研究下的水稻含氮量的氮素診斷。