基于地基多光譜的不同水氮處理?xiàng)l件下春玉米葉片信息采集

摘 要：【目的】研究不同水氮處理對(duì)多光譜采集春玉米葉片信息的影響。【方法】設(shè)置3個(gè)水平灌水定額（75%、100%、125% 作物需水量ETc）和4個(gè)水平的施氮量（0、200、400、600 kg/hm²）處理，采用地基多光譜拍攝的方法獲取春玉米葉片的光譜信息，選取5個(gè)植被指數(shù)分析不同水氮處理對(duì)多光譜信息采集的影響。結(jié)合實(shí)測(cè)數(shù)據(jù)處理，分析相關(guān)性、粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)變化，研究實(shí)測(cè)值與植被指數(shù)的變化趨勢(shì)。【結(jié)果】植被指數(shù)NDVI在植株發(fā)育中期對(duì)SPAD值的反演效果較好，灌水量和施氮量均會(huì)影響植被指數(shù)對(duì)于SPAD值的反演。在中灌水處理（W₂）條件下植被指數(shù)OSAVI與SAVI對(duì)表層土壤水分的反演較優(yōu)，且OSAVI與0～20 cm土壤水分?jǐn)?shù)據(jù)的PSO-BP神經(jīng)網(wǎng)絡(luò)建模優(yōu)于SAVI對(duì)于10～30 cm土壤水分的PSO-BP神經(jīng)網(wǎng)絡(luò)建模。【結(jié)論】在100%ETc灌水水平、施氮400 kg/hm²條件下，使用NDVI與OSAVI進(jìn)行SPAD值和地表0～20 cm的土壤水分的反演較為準(zhǔn)確。

關(guān)鍵詞：春玉米；多光譜；水氮；神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：S513 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-4330（2024）10-2374-14

收稿日期（Received）：2023-07-30

基金項(xiàng)目：新疆維吾爾自治區(qū)重大科技專(zhuān)項(xiàng)項(xiàng)目（2020A01003-4）

作者簡(jiǎn)介：李池（1995-），男，河北邢臺(tái)人，碩士研究生，研究方向?yàn)楣喔裙?jié)水，（E-mail）1457503410@qq.com

通訊作者：趙經(jīng)華（1979-），男，新疆奇臺(tái)人，教授，博士，碩士生/博士生導(dǎo)師，研究方向?yàn)楣?jié)水灌溉理論和作物高效用水，（E-mail）105512275@qq.com

陳剛（1971-），男，江蘇人，高級(jí)政工師，研究方向?yàn)檗r(nóng)田水利，（E-mail）1635352671@qq.com

0 引 言

【研究意義】玉米是產(chǎn)量最高的谷類(lèi)作物之一^［1］，2011年我國(guó)玉米產(chǎn)量超過(guò)水稻，成為第一大糧食作物^［2-3］。新疆是我國(guó)玉米的主要種植區(qū)之一。新疆獨(dú)特的氣候使得蒸發(fā)量較大，施用水肥不合理會(huì)增加土地退化的速度^［4］，因此，實(shí)時(shí)監(jiān)控土地與作物的狀態(tài)，使用科技手段快速獲得農(nóng)田信息是提產(chǎn)增效的關(guān)鍵。【前人研究進(jìn)展】我國(guó)遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用已有50余年^［5］，馬儀等^［6］將無(wú)人機(jī)遙感數(shù)據(jù)與衛(wèi)星遙感數(shù)據(jù)相結(jié)合，采用兩種升尺度法分別對(duì)土壤水分進(jìn)行了反演，發(fā)現(xiàn)TsHARP升尺度法對(duì)于土壤水分的反演效果較好。鄭超磊等^［7］基于高分一號(hào)衛(wèi)星遙感數(shù)據(jù)對(duì)16 m分辨率的蒸散發(fā)模型進(jìn)行估算及驗(yàn)證，發(fā)現(xiàn)基于高分一號(hào)衛(wèi)星遙感估算的16 m分辨率蒸散發(fā)在地表異質(zhì)性較強(qiáng)的區(qū)域更具優(yōu)勢(shì)。閆成川等^［8］利用Phantom4四旋翼無(wú)人機(jī)搭載多光譜相機(jī)MicaSense RedEdge-M進(jìn)行不同干旱脅迫下棉花的圖像信息采集，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行SPAD值與各波段反射率進(jìn)行建模預(yù)測(cè)，將棉田旱情進(jìn)行了劃分。李詩(shī)瑤等^［9］使用無(wú)人機(jī)多光譜相機(jī)采集了玉米冠層的圖像，用于監(jiān)測(cè)不同干旱脅迫下的玉米冠層SPAD值，用于指導(dǎo)灌溉和農(nóng)田旱災(zāi)預(yù)警。【本研究切入點(diǎn)】衛(wèi)星遙感的精度問(wèn)題導(dǎo)致其對(duì)于作物具體生長(zhǎng)狀態(tài)的分析較難實(shí)現(xiàn)，而無(wú)人機(jī)多光譜圖像的采集難以剔除除目標(biāo)物外其他雜質(zhì)的影響，且國(guó)內(nèi)對(duì)于水氮對(duì)植株葉片多光譜圖像的影響相關(guān)研究較少。需研究不同水氮處理對(duì)多光譜采集春玉米葉片信息的影響。【擬解決的關(guān)鍵問(wèn)題】試驗(yàn)采用地基多光譜相機(jī)，定點(diǎn)采集玉米植株的葉片信息，解譯計(jì)算得到植被指數(shù)，與實(shí)測(cè)數(shù)據(jù)對(duì)比分析，采用粒子群優(yōu)化的反向神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)，分析圖像采集的精度，為多光譜在農(nóng)業(yè)領(lǐng)域的應(yīng)用提供理論支撐。

新疆農(nóng)業(yè)科學(xué)第61卷 第10期李 池等：基于地基多光譜的不同水氮處理?xiàng)l件下春玉米葉片信息采集

1 材料與方法

1.1 材 料

試驗(yàn)于2022年4～10月在新疆克拉瑪依市東南部農(nóng)業(yè)區(qū)進(jìn)行（84°55′28″E，45°27′30″N），該農(nóng)業(yè)區(qū)耕地面積約為1×10⁴ hm²（15 萬(wàn)畝），其中林區(qū)面積0.67×10⁴ hm²（10 萬(wàn)畝），農(nóng)田面積約為0.33×10⁴ hm²（5萬(wàn)畝），年平均降水量101.1 mm；灌溉主要依賴(lài)克拉瑪依市西郊水庫(kù)的地表水，自壓管道式的輸水保證了灌溉保證率。

該區(qū)域晝夜溫差較大，全年平均氣溫8.1℃；年平均無(wú)霜期197～268 d；全年積溫較高，日均穩(wěn)定≥0℃的年積溫4 478℃；地下水位2～4 m，多年平均蒸發(fā)量較大，為3 545.2 mm（φ20蒸發(fā)皿）；多年平均風(fēng)速為3.7 m/s。該區(qū)土壤0～60 cm多為壤土，60～100 cm多為輕砂土，質(zhì)地較輕，透水性較好。對(duì)試驗(yàn)區(qū)地表土壤進(jìn)行檢測(cè)，土壤肥力中等。0～100 cm土壤平均干容重約為1.47，田間持水量約為36.07%。試驗(yàn)區(qū)周?chē)鶠殚_(kāi)闊農(nóng)田，灌溉水利設(shè)施較為齊全，土壤均勻性較好，選擇新農(nóng)008為供試品種。表1，圖1～2

1.2 方 法

1.2.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)區(qū)采用裂區(qū)形式布置，主要因子為施氮量，次要因子為灌水量，主要因子由壓差式施肥罐施肥控制，次要因子由水表控制。玉米種植模式為無(wú)膜1管2行，種植間距為（40+70+40）cm，小區(qū)長(zhǎng)15 m、寬1.1 m，設(shè)置3個(gè)重復(fù)。圖3

試驗(yàn)設(shè)置12個(gè)處理，3個(gè)水平的灌水定額（75%、100%、125% ETc）和4個(gè)水平的施氮量（0、200、400、600 kg/hm²），每個(gè)試驗(yàn)小區(qū)設(shè)置2行試驗(yàn)處理，左右各1行作為保護(hù)行，以免水分交叉，影響試驗(yàn)結(jié)果。灌水周期為7 d，灌水量由7 d內(nèi)的氣象數(shù)據(jù)計(jì)算得到ET₀，不同生育期選取不同的K_c值，得到ETc指導(dǎo)灌水，施肥分3次施入。表2

1.2.2 測(cè)定指標(biāo)

1.2.2.1 氣象數(shù)據(jù)及土壤水分

試驗(yàn)區(qū)氣象數(shù)據(jù)由小型HOBO氣象站自動(dòng)采集，灌水前通過(guò)氣象數(shù)據(jù)計(jì)算得到ETc指導(dǎo)灌水，各個(gè)試驗(yàn)小區(qū)均由水表控制。在土壤的采集方面，采用Diviner2000土壤水分廓線(xiàn)儀采集，通過(guò)提前埋入的預(yù)制土壤水分探管測(cè)定土壤水分，每10 cm為1層，測(cè)定地表0～300 cm的土壤水分?jǐn)?shù)據(jù)。表2

1.2.2.2 葉片SPAD值

在玉米主要生育期內(nèi)，對(duì)標(biāo)記株的多光譜圖像采集葉使用SPAD儀測(cè)定，在目標(biāo)葉片的興趣區(qū)內(nèi)采用五點(diǎn)取樣法進(jìn)行5次測(cè)量，測(cè)量得到的SPAD值取平均值作為葉片興趣區(qū)的實(shí)測(cè)值，每株取兩片葉子選定興趣區(qū)。

1.2.2.3 多光譜圖像采集

采用長(zhǎng)光禹辰有限公司生產(chǎn)的多光譜相機(jī)MS401采集多光譜圖像，采集高度以拍攝物為基準(zhǔn)面，相對(duì)高度取1.5 m。MS401多光譜相機(jī)搭載有4個(gè)波段的多光譜鏡頭，分別為綠波段（550 nm）、紅波段（660 nm）、紅邊波段（720 nm）、近紅外波段（840 nm）和一個(gè)可見(jiàn)光（RGB）鏡頭。在玉米的每個(gè)生育期內(nèi)選取10：00～13：00，16：00～18：00間拍攝，減少太陽(yáng)偏轉(zhuǎn)角對(duì)采集的影響。對(duì)每個(gè)處理組的固定植株的棒三葉采集1次。采集過(guò)程中避免陽(yáng)光直射和陰影遮擋，以減少曝光或陰影的影響。

1.3 數(shù)據(jù)處理

1.3.1 植被指數(shù)的選取

選取5種多光譜植被指數(shù)，通過(guò)對(duì)植株葉片不同波段的反射率采用Yusense Map和Arcgis10.6計(jì)算，得到采集興趣區(qū)的植被指數(shù)平均值，使用該值和玉米的生長(zhǎng)指標(biāo)進(jìn)行擬合。表3

1.3.2 粒子群優(yōu)化算法

對(duì)群體中每個(gè)粒子進(jìn)行位置、速度和適應(yīng)度3個(gè)指標(biāo)的賦值，以尋求問(wèn)題的最優(yōu)解。其中，在群體中每個(gè)粒子都代表了特定問(wèn)題的一個(gè)解，速度決定了粒子的移動(dòng)方向和距離，適應(yīng)度表示距離最優(yōu)解的程度，通過(guò)不斷地計(jì)算粒子的適應(yīng)度，使其不斷接近群體的最優(yōu)適應(yīng)度，每次更新位置都進(jìn)行判斷，從而調(diào)整每個(gè)粒子的方向，最終找到最優(yōu)解^［15］。

假設(shè)目標(biāo)空間為A，空間內(nèi)存在a個(gè)粒子，以Y_i=（y_i1，y_i2，…，y_in）來(lái)表示i粒子的位置，以V_i=（v_i1，v_i2，…，v_in）來(lái)表示i粒子的速度，通過(guò)Y_i和V_i可以計(jì)算i粒子的適應(yīng)度，用S_i=（s_i1，s_i2，…，s_in）表示i粒子經(jīng)過(guò)的所有最佳位置，用Tj=（t_j1，t_j2，…，t_jn）表示粒子群的最佳位置，粒子速度和位置通過(guò)方程（2-7）計(jì)算^［16］：

式中，n為空間維數(shù)，（1，2…n）；i為粒子個(gè)數(shù)（i=1，2…a）；x表示迭代次數(shù)；b為加速常數(shù)，即學(xué)習(xí)因子；c為取值在（0，1）間的均勻隨機(jī)數(shù)。

1.3.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)一般包括3層結(jié)構(gòu)，分別是輸入層、隱藏層和輸出層^［17］。輸入層選擇植被指數(shù)，輸出層選擇SPAD值和土壤水分。

1.3.4 模型評(píng)價(jià)指標(biāo)

所獲得的數(shù)據(jù)采用SPSS 27和Excel 2019進(jìn)行數(shù)據(jù)的統(tǒng)計(jì)分析；使用Origin 2021制圖。使用Matlab 2021a將采集圖像數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)進(jìn)行擬合，建立基于最小二乘的線(xiàn)性回歸、PSO-BP神經(jīng)網(wǎng)絡(luò)的擬合模型。

對(duì)于模型預(yù)測(cè)結(jié)果采用R²評(píng)價(jià)模型，決定系數(shù)R²的值越接近于1，模型擬合效果越好，相關(guān)性越高，并根據(jù)實(shí)測(cè)值與預(yù)測(cè)值間的均方根誤差（RMSE）及平均相對(duì)誤差（MRE）評(píng)價(jià)模型的準(zhǔn)確性和普適性^［18］。

式中，i代表第i個(gè)樣本，Xi代表第i個(gè)樣本的實(shí)測(cè)值，Yi代表第i個(gè)樣本的預(yù)測(cè)值，X-為樣本的實(shí)測(cè)均值，Y-為樣本的預(yù)測(cè)均值，n代表樣本總數(shù)。

2 結(jié)果與分析

2.1 植被指數(shù)與SPAD值的相關(guān)性

研究表明，相關(guān)性由高到低的排列順序?yàn)镹DVI＞CCCI＞GRVI＞SAVI＞OSAVI。NDVI的適用性較強(qiáng)，除W₃N₂、W₂N₃與W₃N₄處理組外，在其余所有的試驗(yàn)組處理中，均呈顯著相關(guān)，其中極顯著相關(guān)的試驗(yàn)組為W₂N₄，相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.816。植被指數(shù)CCCI與SPAD值有顯著相關(guān)關(guān)系的處理組有5組，分別為W₁N₂ 、W₁N₃、W₃N₁、W₃N₂和W₃N₃，其中，顯著性最強(qiáng)且相關(guān)系數(shù)最大的是W₁N₂，為0.898，在灌水水平為W₁與W₃的情況下，N₂和N₃的CCCI值與SPAD值間有較好的顯著相關(guān)關(guān)系。在GRVI和SPAD值的分析中僅有4個(gè)處理組存在顯著的相關(guān)關(guān)系，分別為W₃N₁、W₃N₂、W₃N₃和W₂N₄，在GRVI植被指數(shù)在灌水水平為W₃較為敏感，其中相關(guān)系數(shù)最大的試驗(yàn)組為W₃N₃，最大值為0.651。而OSAVI和SAVI與SPAD值進(jìn)行相關(guān)性，所有試驗(yàn)組均不存在顯著相關(guān)關(guān)系，OSAVI和SAVI不適SPAD值的反演，其對(duì)于葉片光合色素的相較于其他3個(gè)植被指數(shù)變化不敏感。

灌水量和施肥量對(duì)相關(guān)系數(shù)的影響不同，從高到低順序?yàn)閃₁＞W(wǎng)₂＞W(wǎng)₃，N₂＞N₁＞N₃＞N₄，NDVI在較低的灌水量和較低的施肥量下的敏感度更高，相關(guān)性更好。表4

2.2 植被指數(shù)與表層土壤水分的相關(guān)性

研究表明，不同的植被指數(shù)與0～20 cm及10～30 cm間的相關(guān)關(guān)系有較大的差異性，且在植被指數(shù)與0～20 cm、10～30 cm的土壤水分的相關(guān)關(guān)系中，OSAVI及SAVI植被指數(shù)的相關(guān)關(guān)系較好，均與土壤水分呈負(fù)相關(guān)關(guān)系，其中與0～20 cm土壤水分的相關(guān)關(guān)系由高到低的排序?yàn)镺SAVI＞SAVI＞GRVI＞NDVI＞CCCI，與10～30 cm土壤水分的相關(guān)關(guān)系由高到低為SAVI＞OSAVI＞GRVI＞CCCI＞NDVI。不同深度的土壤水分與植被指數(shù)的相關(guān)關(guān)系存在差異性，OSAVI與0～20 cm土壤水分的相關(guān)性較好，但與10～30 cm的土壤水分相關(guān)性最好的是SAVI，SAVI更適宜于深層土壤水分的反演。OSAVI、SAVI與表層土壤水分的相關(guān)性較為接近，但在N₁、N₂施氮水平下，OSAVI對(duì)于0～20 cm土壤水分的相關(guān)關(guān)系較強(qiáng)，在N₃、N₄施氮水平下，兩者的差距不大。在N₁、N₂施氮水平下的OSAVI與SAVI間的差距較小，而在N₃、N₄施氮水平下，SAVI優(yōu)于OSAVI。在植株發(fā)育中期，天氣晴朗，氣溫較高，植株根系的吸水性增強(qiáng)，0～20 cm的土壤水分的變化程度增強(qiáng)。較低的施氮水平（N₁、N₂）使得葉綠素的變化較小，同時(shí)，植株在溫度較高的環(huán)境下，對(duì)玉米葉片細(xì)胞內(nèi)的液泡的變化影響較大，使得在低施氮水平下（N₁、N₂），OSAVI與0～20 cm的土壤水分的相關(guān)性較強(qiáng)。SAVI放大了近紅外波段（NIR）與紅外波段（R）的反射率的差異，在較高的施氮水平條件下（N₃、N₄），葉綠素的變化增強(qiáng)了近紅外波段與紅外波段的差異，使得SAVI與10～30 cm土壤水分的相關(guān)關(guān)系增強(qiáng)。 表5，表6

2.3 NDVI與SPAD值的變化趨勢(shì)

研究表明，NDVI和SPAD值變化表現(xiàn)出高度的一致性。在采集多光譜圖像時(shí)，選取固定玉米植株的葉片進(jìn)行拍攝，且由于第一次獲取多光譜圖像時(shí)，玉米植株已經(jīng)成長(zhǎng)至拔節(jié)期，此時(shí)玉米植株正處于生長(zhǎng)發(fā)育的關(guān)鍵時(shí)期之一，所以SPAD值維持在較高的水平上，試驗(yàn)組處理的初始NDVI值也較高。N₁處理的試驗(yàn)組（即不施氮處理組），葉片的SPAD值均在第一次拍攝后迎來(lái)驟降，但NDVI值并沒(méi)有在此次驟降中表現(xiàn)出較強(qiáng)的敏感度。對(duì)于近紅外波段而言，施氮量不足會(huì)導(dǎo)致葉片中細(xì)胞變小，細(xì)胞間間隙減小，細(xì)胞壁的水化程度降低，光在葉片細(xì)胞內(nèi)反射次數(shù)減少，使得近紅外波段的值降低；在玉米的生育末期，由于需要玉米籽粒達(dá)到適宜收割的含水率，因此，在控水處理下，多數(shù)植株處于水分脅迫狀態(tài)，葉綠素含量也急劇下降，紅光的反射率增強(qiáng)；表現(xiàn)出植株生長(zhǎng)末期的NDVI和SPAD值間差異性增大。

在7月12日～8月23日間，SPAD值和NDVI表現(xiàn)出一致性，此時(shí)，玉米植株正處于抽雄散粉期，此時(shí)環(huán)境溫度較高，蒸發(fā)量也較大，隨著灌水和施氮的增加，玉米植株葉片的SPAD值在一定范圍內(nèi)呈周期性的變化，此時(shí)葉片生長(zhǎng)較為成熟，葉片細(xì)胞數(shù)量趨于穩(wěn)定，使得SPAD值在小范圍內(nèi)波動(dòng)時(shí)，NDVI也表現(xiàn)出隨SPAD值變化的一致性。圖4

2.4 OSAVI、SAVI與表層土壤水分的變化趨勢(shì)

研究表明，OSAVI與0～20 cm土壤水分表現(xiàn)相反的變化趨勢(shì)，呈負(fù)相關(guān)性。從各個(gè)處理的變化趨勢(shì)來(lái)看，在玉米植株發(fā)育中期，植被指數(shù)OSAVI與土壤水分的響應(yīng)較為密切；低灌水處理（W₁）下，植株生育前期，OSAVI與土壤水分的變化響應(yīng)較差；高灌水處理（W₃）的植株生育末期，OSAVI與實(shí)測(cè)土壤水分的值趨勢(shì)差異較大；在植株的生育前期，葉片中葉綠素含量較低，光合色素含量較少，導(dǎo)致紅外光（R）的反射率增強(qiáng)，兩個(gè)波段（NIR和R）均增大，使得OSAVI呈現(xiàn)出不規(guī)律的變化，使得OSAVI在低灌水處理（W₁）下生育前期的變化趨勢(shì)產(chǎn)生差異。在高灌水處理（W₃）下，生育末期，干枯、衰老的葉片的反射率會(huì)降低，同時(shí)，葉片的衰老也使得水分大量流失，導(dǎo)致近紅外波段（NIR）與紅外波段（R）的差距加大，使得在生育末期OSAVI的趨勢(shì)變化較大，產(chǎn)生較大的差異。圖5

研究表明，相對(duì)于地表0～20 cm土壤水分的趨勢(shì)變化，效果較差。在低灌水處理（W₁）和高灌水處理（W₃）的擬合情況均產(chǎn)生了一定的差異。SAVI與OSAVI相比擴(kuò)大了近紅外波段（NIR）與紅外波段（R）間的差值，在低灌水處理（W₁）下的土壤水分波動(dòng)在SAVI指數(shù)上的響應(yīng)不明顯，全生育期的趨勢(shì)均存在一定差異；高氮處理（N₄）相較于不施氮處理（N₁）趨勢(shì)較好，高氮處理（N₄）下，葉綠素的變化較大，使得紅波段（R）變化較大，加強(qiáng)了SAVI對(duì)于土壤水分的響應(yīng)；高灌水處理（W₃）的趨勢(shì)差異性更大，較高的灌水量使得細(xì)胞內(nèi)水分含量較高，降低了近紅外波段（NIR）的反射率。圖6

2.5 NDVI與SPAD值的PSO-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

研究表明，訓(xùn)練復(fù)相關(guān)系數(shù)R為0.795 8，驗(yàn)證復(fù)相關(guān)系數(shù)R為0.714 7，測(cè)試復(fù)相關(guān)系數(shù)R為0.888 5，全部復(fù)相關(guān)系數(shù)R為0.793 4，復(fù)相關(guān)系數(shù)較高，有較好的擬合效果。NDVI對(duì)于SPAD值的預(yù)測(cè)較為準(zhǔn)確。PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)后平均絕對(duì)誤差MAE為6.032 8；均方誤差MSE為55.446 7，均方根誤差RMSE為7.446 6；傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的平均絕對(duì)誤差MAE為6.343 9；均方誤差MSE為75.133 4；均方根誤差RMSE為8.668。PSO-BP神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有較好SPAD值預(yù)測(cè)效果。圖7，圖8

2.6 OSAVI、SAVI與表層土壤水分的PSO-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

研究表明，PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值的變化趨勢(shì)與實(shí)際值的發(fā)展趨勢(shì)更加接近，預(yù)測(cè)效果更好。訓(xùn)練集的復(fù)相關(guān)系數(shù)R為0.693 5，驗(yàn)證復(fù)相關(guān)系數(shù)R為0.883 7，測(cè)試復(fù)相關(guān)系數(shù)R為0.742 5，全部復(fù)相關(guān)系數(shù)R為0.739 3，復(fù)相關(guān)系數(shù)較高，有較好的擬合效果。OSAVI對(duì)于0～20 cm土壤水分的預(yù)測(cè)較為準(zhǔn)確。平均絕對(duì)誤差MAE為0.048 67；均方誤差MSE為0.003 621，均方根誤差RMSE為0.060 17；傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的平均絕對(duì)誤差MAE為0.049 80；均方誤差MSE為0.004 025；均方根誤差RMSE為0.063 44。PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)于0～20 cm的土壤水分有著較好的預(yù)測(cè)效果。圖9～10

局部的預(yù)測(cè)結(jié)果和實(shí)際值間的趨勢(shì)有紊亂的現(xiàn)象，預(yù)測(cè)誤差也較大。尤其使用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，展現(xiàn)出較差的趨勢(shì)性，SAVI對(duì)于較深土壤的預(yù)測(cè)效果較差。SAVI與10～30 cm的土壤水分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證、預(yù)測(cè)后，訓(xùn)練集的復(fù)相關(guān)系數(shù)R為0.550 9，驗(yàn)證復(fù)相關(guān)系數(shù)R為0.684 7，測(cè)試復(fù)相關(guān)系數(shù)R為0.447 8，全部復(fù)相關(guān)系數(shù)R為0.579 0，復(fù)相關(guān)系數(shù)較低，擬合效果較差。平均絕對(duì)誤差MAE為0.039 20；均方誤差MSE為0.002 184，均方根誤差RMSE為0.046 73；傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的平均絕對(duì)誤差MAE為0.044 70；均方誤差MSE為0.002 763；均方根誤差RMSE為0.052 56。PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)于10～30 cm的土壤水分的預(yù)測(cè)效果較差。圖11～12

3 討 論

3.1 植株葉片的葉綠素顯著下降，使得葉片對(duì)于藍(lán)、紅波段的吸收減少，反射增強(qiáng)，紅波段反射率增強(qiáng)尤為顯著^［19］；紅光波段與近紅外波段的變化趨勢(shì)和變化程度有了較大的差異，最終在NDVI的表現(xiàn)上體現(xiàn)出與SPAD值變化的差異較大^［20］。水分的脅迫使得葉子細(xì)胞壁和細(xì)胞空隙變大^［21］，增加了光在葉片間的反射次數(shù)，使得近紅外波段的反射率顯著增大^［22］；在低灌水處理的情況下，植株的葉片的水分含量較低，此時(shí)細(xì)胞中液泡處于相對(duì)較小的狀態(tài)，細(xì)胞出現(xiàn)輕度的質(zhì)壁分離，導(dǎo)致了紅外波段（NIR）的反射率增強(qiáng)^［23］；PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值相較于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值更加貼近實(shí)際^［24］，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值比PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值變化更大，波動(dòng)性也更強(qiáng)。通過(guò)PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證、預(yù)測(cè)后。賀露^［25］、祝榛^［26］等對(duì)番茄不同干旱脅迫下的光譜反射率進(jìn)行研究，發(fā)現(xiàn)在不同的水分脅迫下，各反射率的變化不一致，中度干旱和適宜水分條件下反射率較為接近，而重度干旱條件下，在570～700 nm波段反射率升高，700～900 nm波段反射率降低。與研究一致，在W₁處理的條件下，NIR波段（840 nm）的反射率降低，R波段（660 nm）的反射率上升，使得兩者之間的差值減小，植被指數(shù)的值相對(duì)減小，但植被指數(shù)與土壤水分成反比，植被指數(shù)與實(shí)測(cè)土壤水分間的差異性增加，導(dǎo)致反演結(jié)果較差。李慶祿^［27］等對(duì)漬水脅迫下小麥葉片的光譜特性進(jìn)行分析，發(fā)現(xiàn)漬水群體下的光譜變化與干旱脅迫相似，各波段的光譜反射率均呈現(xiàn)出降低的趨勢(shì)。在試驗(yàn)中表現(xiàn)為W₂處理的反演好于W₁與W₃處理。試驗(yàn)發(fā)現(xiàn)，在高施氮水平下，植被指數(shù)的變化趨勢(shì)與實(shí)測(cè)數(shù)據(jù)的變化趨勢(shì)好于低氮水平，主要得益于施氮水平對(duì)葉綠素相關(guān)色素的影響，加深了植被指數(shù)的響應(yīng)，這與前人的研究呈現(xiàn)出一致性^［28-30］。

3.2 通過(guò)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可以加快收斂速度，改善網(wǎng)絡(luò)性能，提高使用度和易于找出最優(yōu)解^［31］。研究中，以植被指數(shù)作為輸入層構(gòu)建模型，從結(jié)果上看，PSO-BP的神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建效果較好，與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)相比，降低了預(yù)測(cè)的極端值，使預(yù)測(cè)結(jié)果更加貼近真實(shí)值，預(yù)測(cè)誤差更小。在相對(duì)較差的SAVI與10～30 cm土壤水分的預(yù)測(cè)中，PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)于真實(shí)值的貼近度更改，BP神經(jīng)網(wǎng)絡(luò)對(duì)于真實(shí)值的預(yù)測(cè)呈現(xiàn)出隨真實(shí)值的波動(dòng)更小，擬合效果更差。

4 結(jié) 論

4.1 植被指數(shù)NDVI與SPAD值的相關(guān)關(guān)系最佳且適用性較強(qiáng)，與試驗(yàn)組均存在正相關(guān)關(guān)系。表層土壤水分與植被指數(shù)均呈負(fù)相關(guān)關(guān)系，其中與0～20 cm土壤水分的相關(guān)關(guān)系最好的為OSAVI，與10～30 cm土壤水分的相關(guān)關(guān)系較高的為SAVI。

4.2 在植株發(fā)育中期，NDVI對(duì)SPAD值的反演以及OSAVI對(duì)0-20cm土壤水分的反演效果均較好。對(duì)于表層土壤水分的反演表現(xiàn)出中灌水處理（W₂）優(yōu)于低灌水處理（W₁）與高灌水處理（W₃）。較高的施氮水平加強(qiáng)了植被指數(shù)對(duì)作物指標(biāo)的響應(yīng)。

4.3 NDVI與SPAD值、OSAVI與0～20 cm的土壤水分?jǐn)?shù)據(jù)的PSO-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建結(jié)果的復(fù)相關(guān)系數(shù)較高分別為0.771 0與0.739 3，NDVI對(duì)于SPAD值的預(yù)測(cè)及OSAVI對(duì)于0～20 cm的土壤水分?jǐn)?shù)據(jù)較為準(zhǔn)確。SAVI與10～30 cm土壤水分的模型復(fù)相關(guān)系數(shù)較低，為0.579 0，擬合效果較差。在100%ETc灌水水平、400 kg/hm²以上施氮水平條件下，使用NDVI與OSAVI來(lái)進(jìn)行SPAD值和地表0～20 cm的土壤水分的反演較為準(zhǔn)確。

參考文獻(xiàn)（References）

［1］ 張園夢(mèng). 施氮量對(duì)膜下滴灌高產(chǎn)（15 000 kg/hm²）春玉米生長(zhǎng)發(fā)育及產(chǎn)量效應(yīng)研究［D］. 石河子： 石河子大學(xué)， 2020.

ZHANG Yuanmeng. Effect of Nitrogen Application on Growth and Yield of Spring Maize with High Yield（15，000 Kg/hm²）under Drip Irrigation［D］. Shihezi： Shihezi University， 2020.

［2］ 仇煥廣， 李新海， 余嘉玲. 中國(guó)玉米產(chǎn)業(yè)：發(fā)展趨勢(shì)與政策建議［J］. 農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題， 2021， 42（7）： 4-16.

QIU Huanguang， LI Xinhai， YU Jialing. China maize industry： development trends and policy suggestions［J］. Issues in Agricultural Economy， 2021， 42（7）： 4-16.

［3］ 李少昆， 趙久然， 董樹(shù)亭， 等. 中國(guó)玉米栽培研究進(jìn)展與展望［J］. 中國(guó)農(nóng)業(yè)科學(xué)， 2017， 50（11）： 1941-1959.

LI Shaokun， ZHAO Jiuran， DONG Shuting， et al. Advances and prospects of maize cultivation in China［J］. Scientia Agricultura Sinica， 2017， 50（11）： 1941-1959.

［4］ 許海濤， 馮曉曦， 許波， 等. 氮水協(xié)同對(duì)玉米干物質(zhì)和氮素累積與氮素運(yùn)移及利用效率的影響［J］. 新疆農(nóng)業(yè)科學(xué)， 2022， 59（12）： 2957-2968.

XU Haitao， FENG Xiaoxi， XU Bo， et al. Effects of nitrogen and water collaborative supply on accumulation and distribution of dry matter and nitrogen， nitrogen transport and use efficiency of corn［J］. Xinjiang Agricultural Sciences， 2022， 59（12）： 2957-2968.

［5］ 孟慶巖，顧行發(fā)，余濤，等.我國(guó)民用衛(wèi)星遙感應(yīng)用現(xiàn)狀、問(wèn)題與趨勢(shì)［C］//中國(guó)地震學(xué)會(huì)空間對(duì)地觀(guān)測(cè)專(zhuān)業(yè)委員會(huì).中國(guó)地震學(xué)會(huì)空間對(duì)地觀(guān)測(cè)專(zhuān)業(yè)委員會(huì)成立大會(huì)暨學(xué)術(shù)研討會(huì)論文集.地震雜志社（Earthquake Magazine Press），2008：8.

MENG Qingyan， GU Xingfa， YU Tao， et al. Current Situation， Problems and Trends of Remote Sensing Applications of Civilian Satellites in China ［C］//The Committee on Space-to-Earth Observation of the Chinese Seismological Society. Proceedings of the Inaugural Meeting and Symposium of the Space-to-Earth Observation Committee of the Chinese Seismological Society. Earthquake Magazine Press， 2008：8.

［6］ 馬儀，黃組桂，賈江棟，等.基于無(wú)人機(jī)-衛(wèi)星遙感升尺度的土壤水分監(jiān)測(cè)模型研究［J/OL］.農(nóng)業(yè)機(jī)械學(xué)報(bào)：1-24［2023-04-22］.

MA Yi， HUANG Zugui， JIA Jiangdong， et al. Soil moisture monitoring model based on UAV-Satellite remote sensing scale-up ［J/OL］. Transactions of the Chinese Society for Agricultural Machinery：1-24［2023-04-22］.

［7］ 鄭超磊， 賈立， 胡光成. 高分一號(hào)衛(wèi)星遙感數(shù)據(jù)驅(qū)動(dòng)ETMonitor模型估算16 m分辨率蒸散發(fā)及驗(yàn)證［J］. 遙感學(xué)報(bào)， 2023， 27（3）： 758-768.

ZHENG Chaolei， JIA Li， HU Guangcheng. Evapotranspiration estimation and validation at 16 m resolution based on ETMonitor model driven by GF-1 satellite remote sensing datasets［J］. National Remote Sensing Bulletin， 2023， 27（3）： 758-768.

［8］ 閆成川， 曲延英， 陳全家， 等. 基于無(wú)人機(jī)多光譜影像的棉花SPAD值及葉片含水量估測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（2）： 61-67.

YAN Chengchuan， QU Yanying， CHEN Quanjia， et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 61-67.

［9］ 李詩(shī)瑤，叢士翔，王融融，等.基于無(wú)人機(jī)多光譜遙感的干旱脅迫下玉米冠層SPAD值監(jiān)測(cè)［J/OL］.干旱區(qū)地理：1-14［2023-04-22］.

LI Shiyao， CONG Shixiang， WANG Rongrong， et al. Monitoring of maize canopy SPAD value under drought stress based on UAV multi-spectral remote sensing. ［J/OL］. Arid Land Geography：1-14［2023-04-22］.

［10］Chen L， Gao J， Chang M， et al. Effects of Spatial Density of Farmland Shelterbelts on NDVI on the Northern Slope of Tianshan Mountains ［J］. Asian Agricultural Research， 2022， 14（10）：4.

［11］馮文斌.基于無(wú)人機(jī)多光譜遙感的夏玉米長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量估測(cè)［D］.泰安：山東農(nóng)業(yè)大學(xué)，2022.

FENG Wenbin. Summer corn growth monitoring and yield estimation by UAV-based Multispectral remote sensing ［D］. Tai'an： Shandong Agricultural University， 2022.

［12］ Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS［J］. Remote Sensing of Environment， 1996， 58（3）： 289-298.

［13］ 許民， 宜樹(shù)華， 葉柏生， 等. 植被蓋度及太陽(yáng)/觀(guān)測(cè)角度對(duì)疏勒河上游NDVI和SAVI值的影響［J］. 干旱區(qū)資源與環(huán)境， 2012， 26（5）： 101-107.

XU Min， YI Shuhua， YE Baisheng， et al. Influence of PVC and Sun/view geometry on NDVI and SAVI in the upstream regions of Shule River Basin［J］. Journal of Arid Land Resources and Environment， 2012， 26（5）： 101-107.

［14］ 楊禎婷. 基于無(wú)人機(jī)多光譜遙感的夏玉米長(zhǎng)勢(shì)監(jiān)測(cè)研究［D］. 楊凌： 西北農(nóng)林科技大學(xué)， 2022.

YANG Zhenting. Study on Monitoring of Summer Maize Growth Based on Multi-spectral Remote Sensing of UAV［D］.Yangling： Northwest A amp; F University， 2022.

［15］ 林位衡， 黃文騫， 李廣會(huì)， 等. 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的水深反演模型［J］. 海洋測(cè)繪， 2020， 40（5）： 26-29.

LIN Weiheng， HUANG Wenqian， LI Guanghui， et al. A model for water depth retrieval based on neural network optimized by particle swarm optimization［J］. Hydrographic Surveying and Charting， 2020， 40（5）： 26-29.

［16］ 崔乃丹. 基于粒子群優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)的高鐵客運(yùn)量預(yù)測(cè)算法［J］. 自動(dòng)化技術(shù)與應(yīng)用， 2022， 41（4）： 148-150.

CUI Naidan. High speed railway passenger volume prediction algorithm based on particle swarm optimization algorithm and BP neural network［J］. Techniques of Automation and Applications， 2022， 41（4）： 148-150.

［17］祝子涵，譚峰，田芳明，等.基于BP神經(jīng)網(wǎng)絡(luò)的粳稻種子拉曼光譜鑒別方法研究［J/OL］.中國(guó)糧油學(xué)報(bào)：1-12［2023-03-10］.

ZHU Zihan， TAN Feng， TIAN Fangming， et al. Research on the raman spectroscopic identification of japonica rice seeds based on BP Neural Network ［J/OL］. Journal of the Chinese Cereals and Oils Association：1-12［2023-03-10］.

［18］楊曉慧，王碧勝，孫筱璐，等.冬小麥對(duì)水分脅迫響應(yīng)的模型模擬與節(jié)水滴灌制度優(yōu)化［J/OL］.作物學(xué)報(bào)：1-15［2023-04-22］.

YANG Xiaohui， WANG Bisheng， SUN Xiaolu， et al. Modeling the response of winter wheat to deficit drip irrigation for optimizing irrigation schedule ［J/OL］. Acta Agronomica Sinica：1-15［2023-04-22］.

［19］ Zhang J， Liu F L， Wang Q H， et al. Effect of light wavelength on biomass， growth， photosynthesis and pigment content of Emiliania huxleyi （Isochrysidales， Cocco-lithophyceae）［J］. Journal of Marine Science and Engineering， 2023， 11（2）： 456.

［20］ 張智韜， 勞聰聰， 王海峰， 等. 基于FOD和SVMDA-RF的土壤有機(jī)質(zhì)含量高光譜預(yù)測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（1）： 156-167.

ZHANG Zhitao， LAO Congcong， WANG Haifeng， et al. Estimation of desert soil organic matter through hyperspectra based on fractional-order derivatives and SVMDA-RF［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（1）： 156-167.

［21］ Roig-Oliver M， Fullana-Pericàs M， Bota J， et al. Adjustments in photosynthesis and leaf water relations are related to changes in cell wall composition in Hordeum vulgare and Triticum aestivum subjected to water deficit stress［J］. Plant Science： an International Journal of Experimental Plant Biology， 2021， 311： 111015.

［22］Pang Y，Huang Y，Zhou Y，et al. Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands： A case study in China［J］. MIRES and PEAT， 2020，26.

［23］汪沛，陳海波，李就好.控制灌溉下甘蔗葉水勢(shì)、葉片光譜反射率和土壤含水量的關(guān)系［C］//中國(guó)農(nóng)業(yè)工程學(xué)會(huì)農(nóng)業(yè)水土工程專(zhuān)業(yè)委員會(huì)，云南農(nóng)業(yè)大學(xué)水利水電與建筑學(xué)院.現(xiàn)代節(jié)水高效農(nóng)業(yè)與生態(tài)灌區(qū)建設(shè)（上）.云南大學(xué)出版社（Yunnan University Press），2010：9.

WANG Pei， CHEN Haibo， LI Jiuhao. The relationship Among sugarcane leaf water potential， leaf spectral reflectance and soil moisture under controlled irrigation ［C］//China Agricultural Engineering Society， College of Water Conservancy， Hydropower and Construction， Yunnan Agricultural University. Modern water-saving and efficient agriculture and ecological irrigation district construction （above）. Yunnan University Press，2010：9.

［24］ Zhou G F， Moayedi H， Bahiraei M， et al. Employing artificial bee colony and particle swarm techniques for optimizing a neural network in prediction of heating and cooling loads of residential buildings［J］. Journal of Cleaner Production， 2020， 254： 120082.

［25］ 賀露， 萬(wàn)莉， 高會(huì)議. 基于高光譜成像技術(shù)識(shí)別番茄干旱脅迫［J］. 光譜學(xué)與光譜分析， 2023， 43（3）： 724-730.

HE Lu， WAN Li， GAO Huiyi. Recognition of drought stress in tomato based on hyperspectral imaging［J］. Spectroscopy and Spectral Analysis， 2023， 43（3）： 724-730.

［26］ 祝榛， 李天勝， 崔靜， 等. 基于高光譜成像估測(cè)冬小麥不同生育時(shí)期水分狀況［J］. 新疆農(nóng)業(yè)科學(xué)， 2022， 59（3）： 521-532.

ZHU Zhen， LI Tiansheng， CUI Jing， et al. Study on estimation of water status of winter wheat in different growth stages based on hyperspectral imaging［J］. Xinjiang Agricultural Sciences， 2022， 59（3）： 521-532.

［27］ 李慶祿. 漬水脅迫下小麥高光譜特征分析與主要生理參數(shù)估測(cè)研究［D］. 揚(yáng)州： 揚(yáng)州大學(xué)， 2021.

LI Qinglu. Hyperspectral characteristics analysis and estimation of main physiological parameters of wheat under waterlogging stress［D］.Yangzhou： Yangzhou University， 2021.

［28］ 韓康， 于靜， 石曉華， 等. 不同光譜指數(shù)反演馬鈴薯葉片氮累積量的研究［J］. 作物學(xué)報(bào)， 2020， 46（12）： 1979-1990.

HAN Kang， YU Jing， SHI Xiaohua， et al. Inversion of nitrogen accumulation in potato leaf with different spectral indices［J］. Acta Agronomica Sinica， 2020， 46（12）： 1979-1990.

［29］ 努熱曼古麗·托乎提， 聶臣巍， 余汛， 等. 基于高光譜指數(shù)的葉片尺度葉綠素?zé)晒鈪?shù)反演［J］. 玉米科學(xué)， 2021， 29（5）： 73-80.

Nuerman Tuohuti，NIE Chenwei，YU Xun，et al. Retrieval of leaf-scale chlorophyll fluorescence parameters based on hyperspectral index［J］. Journal of Maize Sciences， 2021， 29（5）： 73-80.

［30］ 王俞茜. 華北地區(qū)夏玉米水分和氮素光譜診斷模型研究［D］. 天津： 天津農(nóng)學(xué)院， 2021.

WANG Yuqian. Study on Spectral Diagnostic Model of Water and Nitrogen of Summer Maize in North China［D］. Tianjin： Tianjin Agricultural University， 2021.

［31］ 李雪， 顧沈明， 年浩. 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)［J］. 漳州師范學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2014， 27（1）： 56-61.

LI Xue， GU Shenming， NIAN Hao. Prediction for grain yield based on improved PSO optimized BP neural network［J］. Journal of Minnan Normal University （Natural Science）， 2014， 27（1）： 56-61.

Stu dy on leaf information collection of spring maize under different water nitrogen treatment conditions based on ground-based multispectrum

LI Chi¹，CHEN Gang²，YANG Jige²，YANG Tingrui¹，ZHAO Jinghua¹，MA Mingjie¹

（1. College of Water Conservancy and Civil Engineering， Xinjiang Agricultural University/Key Laboratory of Water Resources Engineering Safety and Water Disaster Prevention and Control， Urumqi 830052， China; 2. Karamay Lüchen Agricultural Development Co.， Ltd， Karamay Xinjiang 834000， China）

Abstract：【Objective】 To investigate the effects of different water and nitrogen treatments on multispectral collection of leaf information from spring maize.【Methods】 Three levels of irrigation quotas （75%， 100%， 125% ETc） and four levels of N application （0， 200， 400， 600 kg/hm²） were set， Ground-based multispectral photography was used to obtain spectral information of spring maize leaves， and five vegetation indices were selected to study the effects of different water and nitrogen treatments on multispectral information acquisition. Combined with the measured data， the BP neural network with correlation analysis and particle swarm optimization was used to analyze the trend of the measured values and vegetation index.【Results】 The results showed that the inversion of vegetation index NDVI was better for SPAD values at the middle of vegetation development， and both irrigation and nitrogen application affected the inversion of vegetation index for SPAD values. The inversions of vegetation indices OSAVI and SAVI for surface soil moisture under medium irrigation treatment （W₂） were superior， and the PSO-BP neural network modeling results of OSAVI with soil moisture data from 0 to 20 cm were better than those of SAVI for soil moisture from 10 to 30 cm.【Conclusion】 In summary， it is more accurate to use NDVI with OSAVI for inversion of SPAD values and soil moisture at the surface 0-20 cm at 100% ETc irrigation level and above 400 kg/hm² N application level.

Key words：spring maize; multispectral; water nitrogen; neural network

Fund project：Major Science and Technology Special Projects in Xinjiang Uygur Autonomous Region （2020A01003-4）

Correspondence author： ZHAO Jinghua （1979-）， male， from Qitai， Xinjiang， professor， doctoral supervisor， research direction： water conservation irrigation theory and efficient crop water use，（E-mail）105512275@qq.com

CHEN Gang （1971-）， male， from Jiangsu， senior political engineer， research direction： farmland water conservancy， （E-mail）1635352671@qq.com