基于多源衛星數據的水稻葉片氮含量估算研究

關鍵詞作物氮素監測；遙感技術；高光譜數據；多源衛星數據

中圖分類號 S127 文獻標識碼A 文章編號 1007-7731（2025）16-0001-08

DOI號 10.16377/j.cnki.issn1007-7731.2025.16.001

AbstractTo investigate the accuracy of estimating rice leaf nitrogen concentration using multi-source satelite data，a rice LNC estimation experiment was conductedfrom 2O20 to 2O22 in Xiaogang Vilage，Fengyang County，Anhui Province.The HH2 spectroradiometer was used to obtain in situ hyperspectral dataof rice leaves at diferent growth stages （tillering，booting，heading，flowering，and filling stages），whilesynchronousmeasurementsofricenitrogen content werecollected.Thebandresponsefunctionsoftwosatelitesensors，QuickBirdand SPOT-6，wereselected，and the reflectancedata of these two sensors was simulated using ENVI/IDL resampling technology.Based on the simulated multispectralreflectancedataofrice leaves，12spectral indices wereconstructedbycombiningany twobands.Spectral indiceshighly corelated with nitrogen content ateach growth stage were screened through correlation fitting，and the established rice LNC estimation models were validated using the coeficient of determination （ R² ）and root mean square eror （RMSE）.Theresultsshowedthat，acrosstheentire growth period，riceLNC exhibitedagraduallydecreasing trend （except during the tilering stage）and was negatively corelated with spectral reflectance.For the QuickBird sensor， during the tileringand booting stages，the normalized diferencespectral index （NDSI-BG）andratio spectral index （RSI-BR） showed the highest correlations with LNC，with R² values of 0.351 8， 0.617 0 and 0.352 9， 0.628 1， respectively.During the heading，flowering，and filing stages，NDSI-RN and RSI-RN achieved the highest R² values， reaching0.7140，0.5532，0.6372and0.7075，0.5429，0.6395，respectively.Simlarly，for the SPOT-6sensor，NDSIBG and RSI-BR exhibited the highest R² values during the tillering and booting stages （0.351 8， 0.612 9 and 0.355 4， 0.622 2，respectively）， while NDSI-RNandRSI-RN performed best during the heading，flowering，and flling stages （0.7029，0.543 6，0.584 6and0.6978，0.5379，0.5848，respectively）.Modelvalidationresultsindicatedthatthe QuickBird-simulated data， R²=0.56 and RMSE = 0.42， whereas for the SPOT-6 model， R2=0.54 and RMSE = 0.28. This suggests thattheLNC estimation model basedon QuickBird-simulateddata achieved slightly higheraccuracy than thatof SPOT-6，though with a marginally larger RMSE.This method can be applied for relatively rough estimation of rice nitrogen content.

Keywordscrop nitrogen monitoring; remote sensing technology; hyperspectral data; multi-source satellite data

氮是水稻生長必需的營養元素之一，對其生長過程以及品質和產量具有重要的影響1。基于常規方法獲取作物氮素含量數據的人力和時間成本較高，不利于大田作物觀測。近年來，基于近地平臺的作物氮素遙感監測得到越來越多地關注，但受限于數據尺度和成本，該方法的推廣具有一定難度。為解決上述問題，相關研究人員基于近地面高光譜數據和衛星響應函數構建了作物氮濃度估測模型[2-4]，這種方法具有較高的精度和效率，可在大范圍作物監測研究中應用[5-7]。Huang等研究指出，衛星遙感技術在大規模的作物生長監測和精準管理中具有廣闊的應用前景。李粉玲等以大田冬小麥為研究對象，基于GF-1號衛星的光譜響應函數結合實地采樣與測量，構建了基于常見光譜指數的多個氮素模型，可用于冬小麥葉片的氮含量估測。 Wu 等8對比SPAD-502葉綠素儀測量數據與QuickBird衛星遙感影像在評估不同氮素處理下馬鈴薯冠層氮素狀況的表現，結果發現，QuickBird衛星數據能夠更為靈敏地反映土豆氮素變化。賈良良等采用IKONOS衛星獲取冬小麥拔節期圖像，田間試驗分析多個植被指數與氮素含量之間的相關性，并基于此構建氮素診斷模型，結果表明，該模型能準確反映冬小麥拔節期的氮素營養狀況。王備戰等[10和武婕等利用SPOT-5遙感影像數據，建立了冬小麥和玉米氮積累量的估測模型，并生成了研究區的遙感監測專題圖。Eitel等[12l對RapidEye衛星的寬帶數據中包含紅邊區域的多個植被指數進行了評估，結果表明，采用寬帶RapidEye衛星數據的MCARI/MTVI2指數在預測小麥氮素營養狀態上展現出一定的優勢。陳拉等[13]利用不同衛星傳感器的模擬數據，構建了多種光譜指數，并深入分析了這些植被指數在預測水稻葉面積指數時的估測精度和敏感性，結果表明，與紅波段植被指數相比，紅邊比光譜指數（RVI）和綠波光譜指數（GRVI）與估測模型展現出更強的相關性。楊海波等[14基于地面實測的馬鈴薯冠層高光譜數據，模擬了WorldView-2和 ΔVENμS 衛星的不同波段數據，并基于這些波段構建了估測模型，結果表明，紅邊波段的融合光譜指數能夠提高馬鈴薯氮素含量的監測效果。基于此，本研究以衛星響應函數與地面高光譜數據融合的方式，模擬反射率并建立氮含量估測模型，以實現大范圍作物監測，為大田范圍的水稻氮素含量監測提供參考。

1材料與方法

1.1 研究區基本情況

試驗于2020—2022年在安徽滁州鳳陽小崗村進行，該區屬于北亞熱帶向溫帶氣候的過渡地帶，氣候溫和宜人，四季變化明顯，陽光照射充分，無霜期較長。水稻地塊被劃分為36個小區，每個小區長 × 寬為 2m×8m ，氮、磷肥一次性底施，結合大田管理促早期生長，確保作物健康高產。重點關注水稻生長的分蘗期、孕穗期、抽穗期、開花期和灌漿期。各個生育期內，均進行了水稻葉片光譜測定和植株采樣。

1.2 數據來源

1.2.1光譜數據 在11：00—12：00，采用HH2光譜儀（ASD公司），對水稻葉片進行高光譜反射率的數據采集，其參數配置如表1所示。數據采集前需使用白板校正，每個小區按“Z\"字形測量3次。傳感器對準水稻冠層，高度保持 0.5m ，確保水稻覆蓋視場角，避免陰影。將獲取的光譜數據，通過ViewSpecPro處理后保存為表格數據。在分蘗期、孕穗期、抽穗期、開花期和灌漿期均進行上述采樣工作。

表1HH2光譜儀的相關參數

1.2.2氮含量數據 首先獲取不同時段內水稻的高光譜影像數據，在同一時間對每個小區3個均勻且有代表性的 0.5m 雙行區域進行采樣，剪穗后帶回實驗室，對其樣本進行預處理，包括清洗、烘干和研磨等步驟。使用凱氏定氮法進行全氮含量（以質量分數計）的測定。

1.3 數據處理及分析

1.3.1高光譜重采樣 QuickBird衛星的傳感器包括藍光 （B，450～520nm ）、綠光 ^′G，520～600nm， ）、紅光 （R，630～690nm） 和近紅外（NIR， 760～900nm 0波段，空間分辨率為 0.61m 。SPOT-6衛星的傳感器包括藍光（ 455～525nm 、綠光（ 530～590nm ）紅光 625～695nm 和近紅外 （760～890nm 波段，空間分辨率為 6m 。使用QuickBird和SPOT-6官網獲取的波段響應函數，利用ENVI5.3軟件制成SLI格式的光譜響應函數庫。使用ENVI5.3軟件，對地面實測的高光譜數據進行重采樣，模擬QuickBird和SPOT-6衛星的波段，計算如式（1）。

式（1）中， P_band 是模擬衛星波段的反射率; s_band 是衛星的光譜響應函數； band_max 和 band_min 分別代表波段的上限和下限波長； p（λ） 是實測的冠層高光譜數據。

1.3.2構建光譜指數 基于QuickBird和SPOT-6衛星模擬數據，以任意波段兩兩組合的方式構建了由不同波段組合的歸一化植被指數（NDSI）和比值植被指數（RSI），計算如式（2）～（3）。

NDSI（Rλ1;Rλ2）=（Rλ1-Rλ2）/（Rλ1+Rλ2）

式中， 分別代表波長 λI，λ2 處的光譜反射率。

1.3.3模型的構建與驗證 通過計算NDSI和RSI與氮素含量的擬合決定系數 R² ，提取氮素含量估測的中心敏感波段，并匹配QuickBird和SPOT-6衛星的敏感波段信息，以確定與氮素含量相關性最高的光譜指數，建立偏最小二乘回歸（PLSR）模型。基于前期構建的具體模型，本研究主要對其進行驗證。PLSR模型是通過決定系數 （R²） 和均方根誤差（RMSE）進行精度評估。隨機分割2/3為訓練集，1/3為測試集，重復此過程10次以評估模型性能與穩定性。模型評價指標的計算如式（4）～（5）。

式中， Y_iact 和 Y_ipre 分別表示第某個樣本的實測值和其預測值; 和 分別表示實測值的平均值與模型預測值的平均值； N 表示樣本的個數。

2結果與分析

2.1水稻氮素含量及高光譜特征的變化

2.1.1水稻氮素含量變化特征 由圖1可知，分蘗期氮含量在 1.34%～4.18% ，平均含量為 3.15% ；孕穗期氮含量在 2.12%～4.31% ，平均含量為 3.29% ；抽穗期氮含量在 1.72%～4.12% ，平均含量為 3.10% ；開花期氮含量在 1.35%～4.23% ，平均含量為 2.72% ；灌漿期氮含量在 1.36%～3.93% ，平均含量為 2.70% 。除分蘗期外，氮濃度平均值從孕穗期到灌漿期逐步降低，表明生育期對水稻氮素含量有一定的影響。

5.0 平均值最高值最小值氮2.0 LLL1.0分期 孕穗期 抽穗期 開花期 灌漿期

2.1.2高光譜變化 通過高光譜數據處理，得到了分蘗期、孕穗期、抽穗期、開花期、灌漿期的反射率。

由圖2可知，曲線在480和 670nm 處形成吸收谷，550nm 處有小峰值， 680～750nm 波段反射率急劇上升， 700～900nm 波段反射率較高且穩定。不同生育期的光譜反射率存在差異，分蘗期最低，孕穗期和抽穗期數值相近。整個生育期（除分蘗期外）水稻葉片氮素含量與光譜反射率呈負相關。生育期是影響反射率的重要因素，因此，在建模過程中充分考慮不同生育期的衛星模擬數據來估測氮含量。

圖2不同生育期的水稻冠層高光譜曲線

2.2 高光譜數據重采樣

基于水稻葉片高光譜曲線數據和響應函數，重采樣生成模擬數據。由圖3可知，QuickBird和SPOT-6傳感器都包含了藍光、綠光、紅光和近紅外4個波段。

（A）～（E）分別為分蘗期、孕穗期、抽穗期、開花期、灌漿期。

圖4QuickBird模擬數據的NDSI與氮素含量的擬合圖

2.3光譜指數與氮素含量的擬合分析

2.3.1 QuickBird模擬數據 基于QuickBird模擬數據，不同生育期NDSI與氮素含量的擬合結果見圖4和表2。分藥期中，NDSI-BG的 R² 最高，為0.3518；孕穗期的 R² 以NDSI-BG最高，為0.6170;在抽穗期、開花期、灌漿期，NDSI-RN的 R² 均最高，分別為0.714 0.0.553 2.0.637 2 。整個生育期中，NDSI-BG和NDSI-RN對水稻氮含量的線性擬合效果較好。

表2不同生育期NDSI與氮素含量的線性擬合 R²

不同生育期RSI與氮素含量的擬合結果見圖5和表3。在分藥期和孕穗期，RSI-BG的 R² 最高，分別為0.3529和0.6281；在抽穗期、開花期、灌漿期，RSI-NR組合的 R² 最高，分別為0.7075、0.5429、0.639 5。

圖5QuickBird模擬數據的RSI與氮素含量的擬合圖

表3不同生育期RSI與氮素線性擬合的決定系數 R²

基于QuickBird衛星數據的NDSI和RSI線性擬合 R² 在不同生育期的趨勢相似。在分蘗期和孕穗期表現較好的植被指數是由藍光（B）和綠光（G）波段組成的NDSI-BG和RSI-BG；在生育后期（抽穗期、開花期、灌漿期），表現較好的植被指數則是由紅光（R）和近紅外（NIR）波段組成的NDSI-NR和RSI-NR。說明QuickBird衛星數據在生育前期對B和G波段較為敏感，而在生育中后期則對R和NIR波段較為敏感。

2.3.2SPOT-6模擬數據 基于SPOT-6模擬數據，不同生育期NDSI與氮素含量的擬合結果見圖6和表4。在分藥期和孕穗期，NDSI-BR的R2最高，分別為0.3518和0.6129；而抽穗期、開花期、灌漿期的 R² 均以NDSI-GN最高，分別為0.7029、0.5436和 0.5846 。

表4不同生育期NDSI與氮素線性擬合 R²

RSI方面（圖7和表5），在分藥期和孕穗期，RSI-BR的 R² 最高，分別為0.3554和0.6222；在抽穗期、開花期、灌漿期， R² 最高的是RSI-GN，分別為0.6978、0.5379和 0.5848_?

基于SPOT-6模擬數據的NDSI和RSI線性擬合R² 在不同生育期的趨勢相似。在生育前期（分蘗期和孕穗期），表現較好的植被指數是由B和R波段組成的NDSI-BR和RSI-BR；在生育后期（抽穗期、開花期、灌漿期），表現較好的植被指數則是由G和NIR波段組成的NDSI-GN和RSI-GN。說明SPOT-6衛星數據在生育前期對B和R波段較為敏感，而在生育中后期則對G和NIR波段較為敏感。

表5不同生育期比植被指數與氮素線性擬合 R²

2.4 模型驗證

2.4.1QuickBird模擬數據 由圖8可知，分藥期訓練集（tr）和測試集（te）的 R² 分別為0.38和0.30，RMSE均為0.02;孕穗期 R²"分別為0.58和0.61，RMSE分別為0.32和0.30;抽穗期 R²"為0.72和0.63，RMSE分別為0.30和0.34；開花期 R²"為0.55和0.47，RMSE分別為0.56和0.64;灌漿期 R²"為0.68和0.53，RMSE分別為0.29和0.38。鑒于分蘗期水稻生理狀態的快速變化可能影響模型穩定性，建議評估時排除該期數據。在訓練集中， R²"在 0.55～0.72 ，RMSE在 0.29～0.56 ;在測試集中， R²"在 0.47～0.63 ，RMSE在 0.30～0.64 。說明抽穗期模型的氮素含量估測精度較高，而在開花期，模型的估測精度則相對較低。

圖8基于QuickBird衛星模擬數據各生育期氮素含量估測模型精度評估

2.4.2SPOT-6模擬數據 如圖9所示，分蘗期訓練集和測試集的 R² 分別為0.36和0.26，RMSE為0.40和0.36；孕穗期 R² 分別為0.61和0.58，RMSE分別為0.30和0.32；抽穗期 R² 為0.70和0.69，RMSE分別為0.36和0.38；開花期 R² 為0.55和0.44，RMSE均為0.03（出現異常）；灌漿期 R² 為0.61和0.44，RMSE分別為0.31和0.40。由于分藥期水稻生理的急劇變化可能影響模型的準確性，因此在評估模型時，排除該階段數據。在排除異常值后不同生育期的性能評估顯示，訓練集的 R² 在 0.55～0.70 ，RMSE在 0.30～ 0.40；在測試集中， R² 值在 0.44～0.69 ，RMSE在0.32～0.40 。結果表明，基于SPOT-6數據的氮素估測模型在抽穗期表現出最高的預測精度，在開花期的預測精度則相對較低。

圖9基于SPOT-6衛星模擬數據的各生育期氮素估測模型精度評估

2.4.3兩種估測模型精度比較 Quick Bird 和SPOT-6衛星數據被用于建立氮含量估測模型，在孕穗期、抽穗期、開花期和灌漿期評估中，在訓練集中，QuickBird模型的平均 R² 為0.63，平均RMSE為0.37，而SPOT-6模型的平均 R² 為0.61，平均RMSE為 0.26 。在測試集中，QuickBird的驗證 R² 平均值為0.56，RMSE平均值為0.42；SPOT-6的驗證 R² 為0.54，RMSE為0.28，與訓練集結果趨勢一致（表6）。綜合表明，QuickBird模型精度較高但誤差大，SPOT-6模型效果略差，只適用于粗略估測。

表6基于兩種衛星模擬數據的氮素估測模型精度

3結論

本研究使用QuickBird和SPOT-6衛星的波段響應函數對實測數據進行重采樣，以模擬兩種傳感器的波段反射率數據，構建了不同光譜指數，與氮素含量進行線性擬合。結果表明，水稻在5個生育期中，使用不同的光譜指數組合進行氮含量的相關性分析會產生差異。QuickBird衛星傳感器在分期、孕穗期NDSI-BG和RSI-BR與氮含量相關性最高，在抽穗期、開花期、灌漿期NDSI-RN和RSI-RN的 R² 最高，SPOT-6衛星傳感器與QuickBird的相關性表現一致。說明在生育前期（分蘗期和孕穗期）藍光波段對于氮素含量估測具有重要意義，在生育中后期（抽穗期、開花期、灌漿期）近紅外光是氮素含量估測不可缺少的波段。在考慮生育期影響的前提下（去除分藥期），對比分析了QuickBird和SPOT-6衛星傳感器對于水稻孕穗期、抽穗期、開花期、灌漿期的氮素含量估測精度。結果表明，QuickBird模型和SPOT-6模型在抽穗期的精度較高， R² 分別為0.72和0.70。整體而言，QuickBird的 R² 平均值為0.56，RMSE平均值為0.42;SPOT-6的 R² 為0.54，RMSE為0.28，說明QuickBird的氮含量估測模型比SPOT-6更精確，但RMSE值大，適合粗略估測。

參考文獻

[1]李粉玲，常慶瑞，申健，等.模擬多光譜衛星寬波段反射 率的冬小麥葉片氮含量估算[J].農業機械學報，2016， 47（2）：302-308.

[2]史舟，梁宗正，楊媛媛，等.農業遙感研究現狀與展望 [J].農業機械學報，2015，46（2）：247-260.

[3]WUJD，WANGD，BAUERME.Assessingbroadband vegetationindices andQuickBird data in estimatingleaf research，2007，102（1）：33-42.

[4] HUANG SY，MIAO Y X，ZHAO G M，et al.Satelite remotesensing-based in-seasondiagnosisofrice nitrogen status in Northeast China[J]. Remote sensing， 2015，7（8） ：10646-10667.

[5]FERNANDEZ S，VIDAL D，SIMONE，et al.Radiometric characteristics of Triticum aestivum cv，Astral under water and nitrogen stress[J]. International journal of remote sensing，1994，15（9） ：1867-1884.

[6]STONE ML，SOLIEJB，RAUN WR，et al.Useof spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J]. Transactions of the asae，1996，39（5）：1623-1631.

[7] ZHU Y，TIAN Y C，YAO X，et al. Analysis of common canopy reflectance spectra for indicating leaf nitrogen concentrations in wheat and rice[J].Plant production science，2007，10（4） ：400-411.

[8] WU JD，WANG D，ROSEN C J，et al. Comparison of petiole nitrate concentrations，SPAD chlorophyll readings， and QuickBird satelite imagery in detecting nitrogen status of potato canopies[J]. Field crops research，2007， 101（1）：96-103.

[9]賈良良，李斐，陳新平，等.應用IKONOS衛星影像監測冬 小麥氮營養狀況[J].中國土壤與肥料，2013（6）：68-71.

[10]王備戰，馮曉，溫暖，等.基于SPOT-5影像的冬小麥 拔節期生物量及氮積累量監測[J].中國農業科學， 2012，45（15）：3049-3057.

[11]武婕，李玉環，李增兵，等.基于SPOT-5遙感影像估 算玉米成熟期地上生物量及其碳氮累積量[J].植物營 養與肥料學報，2014，20（1）：64-74.

[12] EITEL J U H，LONG D S，GESSLER PE，et al. Using insitu measurements to evaluate the new RapidEye\" satellite seriesforprediction ofwheatnitrogenstatus[J]. International journal of remote sensing，20o7，28（18）： 4183-4190.

[13]陳拉，黃敬峰，王秀珍.不同傳感器的模擬植被指數對 水稻葉面積指數的估測精度和敏感性分析[J].遙感學 報，2008，12（1）：143-151.

[14]楊海波，高興，黃紹福，等.基于衛星波段的馬鈴薯植株 氮素含量估測[J].光譜學與光譜分析，2019，39（9）：2686.