基于無人機高光譜的水稻葉片氮含量估測方法

張黎黎　呂霞

摘要：氮素是水稻生長發育所需的重要營養元素之一，實時、精準地檢測氮含量可以提升水稻培育管理效率。對粳稻冠層葉片無人機高光譜數據進行降噪處理，構建10種植被指數組合作為BP神經網絡模型的輸入，反演粳稻葉片氮含量。結果表明：該估算模型對水稻葉片氮含量估測效果較好，訓練集的決定系數R2和均方根誤差RMSE分別為0.678 1和0.533 4，驗證集的R2和RMSE分別為0.669 0和0.530 1。研究結果可為東北水稻無損實時監測和施肥管理提供依據。

關鍵詞：水稻;氮含量;高光譜數據;植被指數;BP神經網絡;估算模型

中圖分類號：S511? ? 文獻標識碼：A? ? 文章編號：1674-1161（2021）06-0013-03

在耕地資源日益減少和人口對糧食需求不斷增長的大背景下，及時了解水稻的生長狀況和農田環境信息的空間差異，在此基礎上調節對作物的肥力投入，能夠實現水稻優質高效生產。在水稻生長發育過程中，氮素對產量的貢獻率約占50%。傳統的水稻氮素診斷方法是經驗診斷和實驗室檢測，費時、費力，且成本高、時效性差，難以滿足快速、準確診斷水稻營養狀態的需求。高光譜遙感數據信息量大、波段信息冗余度高，而植被指數可以從原始波段中提取有效信息，降低高光譜數據的復雜程度。近年來，無人機高光譜遙感技術廣泛應用于農作物營養診斷領域，實現農作物生產過程的動態監測與管理。利用BP神經網絡建模，得到水稻冠層葉片氮含量反演模型，可實時、精確地檢測氮含量，為精準施氮提供決策依據。

1 材料與方法

1.1 試驗設計

試驗于2019年6—9月在遼寧省撫順市新賓滿族自治縣進行。試驗品種為“粳稻653”。試驗田培養采用控制變量法，設置4個氮肥梯度處理：N2（45.0 kg/hm2）為當地標準施氮量;在N2的基礎上分別增加和減少50%的施氮量設為N1（22.5 kg/hm2）和N3（67.5 kg/hm2）;另設N0（不施基肥）為空白對照梯度。各小區之間水肥互不滲透，按照高產栽培管理。

1.2 試驗方法

1.2.1 無人機高光譜影像獲取及處理 利用大疆創新公司的M600PRO六旋翼無人機搭載雙利合譜公司的GaiaSky-mini高光譜成像系統獲取高光譜影像。2019年6月（分蘗期），選擇5個天氣晴朗、無云、無風的自然日，于10∶00—14∶00采集高光譜影像，無人機飛行高度100 m、航速6 m/s、分辨率3 nm。利用ENVI5.3工具軟件對獲取的高光譜影像進行小區高光譜數據提取。由于無人機獲取的光譜數據易受自然背景、光照變化及表面散射等因素影響，因此對高光譜數據進行SG平滑處理。

1.2.2 水稻葉片氮含量測定 在無人機高光譜影像采集的當天，對試驗小區水稻進行破壞性采樣。每個小區挖取5穴具有代表性的水稻植株（長勢均衡），將樣本水稻葉片置于烘箱中105 ℃下殺青30 min，然后在75 ℃恒溫下烘干至質量恒定，研磨后取1～2 g粉末，采用凱氏定氮法測定水稻葉片中的氮含量。

1.2.3 植被指數構建 植被指數是指通過加、減、乘、除等線性或非線性組建形式形成的在植被長勢、生物量等方面具有重要指示意義的數值。參考前人研究結果，選擇對葉片氮含量相應敏感的植被指數。

1.2.4 BP神經網絡模型及檢驗方法 BP神經網絡是一種基于誤差反向傳播的多層前饋神經網絡，包含輸入層、隱含層與輸出層3個數據層。其原理是：正向傳播時，輸入層數據經過隱含層逐級處理，此過程中上層神經元影響下層神經元的狀態，最終傳向輸出層。若結果未達到輸出層設定的期望值，轉入逆向傳播階段，誤差按照均誤差和梯度下降方式通過隱含層向輸入層逐層傳遞，修正權重，最終達到接近期望輸出值。以建模結果的決定系數和均方根誤差作為模型精度的判斷指標。

1.2.5 水稻冠層葉片氮含量估算 神經網絡模型不需要使用數值算法建立數學模型，而是通過樣本數據學習訓練確定一個模式未知的輸入數據集與目標集的關系。選擇BP人工網絡進行建模，以根據高光譜數據構建的10種植被指數作為輸入量，以水稻冠層葉片氮含量作為輸出量，隨機選取樣本數據的2/3作為訓練集，其余的1/3作為驗證集，構建BP神經網絡反演模型并進行精度檢驗。

2 結果與分析

2.1 植被指數構建

對研究結果進行歸納、篩選后，確定對葉片氮含量相應敏感的10種植被指數，計算公式見表1。

2.2 BP神經網絡模型及檢驗方法

BP神經網絡運算過程中，隱含層節點數的確定極為關鍵，直接影響訓練過程的信息獲取及訓練時間。隱含層節點數常用公式：

式中：k為隱含層節點數;n為輸入節點數;m為輸出節點數;α為屬于區間[0，10]的任意整數。

模型的精度以建模結果的決定系數（R2）和均方根誤差（RMSE）作為判斷指標。

式中：yi為真實值;i為預測值;n為樣本數。

2.3 水稻冠層葉片氮含量估算結果

將Tansig和Purelin法設置為隱含層與輸出層的傳遞函數，Trainlm法設置為訓練函數，訓練的最大迭代次數為1 000次，學習速率lr和訓練精度goal分別為0.10和0.01，結果如圖1所示。

由圖1可以看出：隱含層神經節點個數為10時，模型效果最佳。模型訓練集的決定系數R2和均方根誤差RMSE分別為0.678 1和0.533 4，驗證集的R2和RMSE分別為0.669 0和0.530 1，說明模型估測效果較好。

3 結論與討論

研究水稻冠層光譜反射率與葉片氮含量之間的關系，基于光譜反射率構建10種植被指數，建立BP神經網絡水稻冠層葉片氮含量估算模型并進行分析。模型訓練集的決定系數R2和均方根誤差RMSE分別為0.678 1和0.533 4，驗證集的R2和RMSE分別為0.669 0和0.530 1。可見，采用10種植被指數組合作為BP神經網絡的輸入反演粳稻葉片氮含量，模型估測效果較好，研究結果可為東北水稻無損實時監測和施肥管理提供依據。

研究中發現，無人機光譜數據樣本采集基于水稻冠層尺度，不同的空間結構尺度會影響模型反演精度，未來考慮在水稻不同空間結構尺度下進行氮含量反演模型的構建;此次試驗供測試的水稻品種單一，采集數據時期為水稻分蘗期，而不同品種、不同生育期水稻的生長狀態和理化參數存在差異，光譜反射率也有所不同，未來考慮研究不同品種、不同時期的水稻氮含量反演。

參考文獻

[1] 楊紅云，周瓊，楊珺，等.水稻氮素營養診斷方法研究進展[J].中國稻米，2020，26（2）：5-8，13.

[2] 裴信彪，吳和龍，馬萍，等.基于無人機遙感的不同施氮水稻光譜與植被指數分析[J].中國光學，2018，11（5）：832-840.

[3] 陳春玲，周長獻，于豐華，等.基于光譜特征參數的粳稻冠層氮素含量反演方法[J].沈陽農業大學學報，2020，51（2）：218-224.

[4] 于豐華，曹英麗，許童羽，等.基于高光譜遙感處方圖的寒地分蘗期水稻無人機精準施肥[J].農業工程學報，2020，36（15）：103-110.

[5] 王玉娜，李粉玲，王偉東，等.基于無人機高光譜的冬小麥氮素營養監測[J].農業工程學報，2020，36（22）：31-39.

[6] 陳圣波，陳彥冰，任楓荻，等.基于光譜指數的玉米葉綠素含量估算[J].信陽師范學院學報：自然科學版，2021，34（2）：225-229.

[7] 李園，王振錫，劉玉霞，李擎，等.不同時期香梨葉片鐵元素含量高光譜估算模型[J].西南農業學報，2019，32（1）：161-168.

[8] 劉玉霞. 蘋果葉片和冠層營養元素含量高光譜估算模型[D].烏魯木齊：新疆農業大學，2018.

[9] 羅建軍，楊紅云，路艷，等.基于高光譜和參數優化支持向量機的水稻施氮水平分類研究[J].中國土壤與肥料，2020（5）：250-257.

[10]邊琳，葉飛，王建雄.基于無人機低空多光譜遙感監測的烤煙株高研究[J].山東農業科學，2020，52（12）：126-132.

[11]陳曉凱，李粉玲，王玉娜，等.無人機高光譜遙感估算冬小麥葉面積指數[J].農業工程學報，2020，36（22）：40-49.

[12]周敏姑，邵國敏，張立元，等.無人機多光譜遙感反演冬小麥SPAD值[J].農業工程學報，2020，36（20）：125-133.

Estimating Method for Nitrogen Content in Rice Leaves Based

on UAV Hyper-spectrum

ZHANG Lili1， L? Xia2

（1. Shenyang Information Center （Shenyang Credit Center）， Shenyang 110044， China; 2. Liaoning Institute of Agricultural Mechanization， Shenyang 110161， China）

Abstract： Nitrogen is one of the important parameters in the process of rice growth and development， and real-time and accurate detection of nitrogen content can improve the efficiency of rice cultivation and management. In this study， The UAV hyperspectral data of japonica rice canopy leaves were de-noised， and 10 planting cover indices were constructed as the input of BP neural network model to invert nitrogen content in japonica rice leaves. The results showed that： The estimation model was effective in estimating nitrogen content in rice leaves. The? R2 and RMSE of the training set were 0.678 1 and 0.533 4， respectively， and the R2 and RMSE of the verification set were 0.669 0 and 0.530 1， respectively. The results can provide basis for nondestructive real-time monitoring and fertilization management of rice in northeast China.

Key words： rice; nitrogen content; hyperspectral data; vegetation index; BP neural network; estimation model

收稿日期：2021-07-09

作者簡介：張黎黎（1980—），女，高級農藝師，從事農業信息化方面的研究工作。