基于高光谱特征参数的冬小麦氮营养指数估算.pdf
《基于高光谱特征参数的冬小麦氮营养指数估算.pdf》由会员分享,可在线阅读,更多相关《基于高光谱特征参数的冬小麦氮营养指数估算.pdf(9页珍藏版)》请在咨信网上搜索。
1、麦类作物学报 2 0 2 3,4 3(1 1):1 4 7 5-1 4 8 3J o u r n a l o fT r i t i c e a eC r o p sd o i:1 0.7 6 0 6/j.i s s n.1 0 0 9-1 0 4 1.2 0 2 3.1 1.1 2网络出版时间:2 0 2 3-0 7-1 1网络出版地址:h t t p s:/k n s.c n k i.n e t/k c m s 2/d e t a i l/6 1.1 3 5 9.S.2 0 2 3 0 7 1 1.1 3 3 9.0 1 8.h t m l基于高光谱特征参数的冬小麦氮营养指数估算收稿日期:2
2、 0 2 2-1 0-2 3 修回日期:2 0 2 2-1 1-2 1基金项目:国家自然科学基金项目(4 1 7 0 1 3 9 8);中央高校基本科研业务项目(2 4 5 2 0 1 7 1 0 8)第一作者E-m a i l:2 0 1 8 0 5 0 8 2 2n w a f u.e d u.c n通讯作者:李粉玲(E-m a i l:f e n l i n g l i n w a f u.e d u.c n)王玉娜,李粉玲,李振发,吕书豪(西北农林科技大学资源环境学院,陕西杨凌7 1 2 1 0 0)摘 要:为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术,利用美国S V C H
3、R-1 0 2 4 I型野外光谱辐射仪对2 0 1 7-2 0 1 9年关中地区的冬小麦进行遥感监测,获取“三边”参数、任意两波段光谱指数和植被指数,通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数,结合偏最小二乘回归(P L S R)、随机森林算法(R F R)、支持向量机回归(S V R)和梯度增强回归(G B D T)建立冬小麦氮营养指数模型,并对模型估算精度进行验证。结果表明,从拔节期到灌浆期,各时期的氮营养指数与任意两波段光谱指数均呈极显著相关,其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数
4、的相关系数最大,为0.6 6。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r2)和均方根误差(RM S E)分别为0.9 6和0.0 5,模型验证的r2、RM S E和相对预测偏差(R P D)分别为0.9 5、0.1 2和2.1 2,模型预测精度最高。因此,拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测及后期田间管理。关键词:冬小麦;高光谱特征参数;氮营养指数;梯度增强回归;估算模型中图分类号:S 5 1 2.1;S 3 1 4 文献标识码:A 文章编号:1 0 0 9-1 0 4 1(2 0 2 3)1 1-1 4 7 5-0 9E s t i m
5、a t i o no fN i t r o g e nN u t r i e n t I n d e x i nW i n t e rW h e a tB a s e do nH y p e r s p e c t r a lF e a t u r e sWA N GY u n a,L IF e n l i n g,L IZ h e n f a,L S h u h a o(C o l l e g eo fN a t u r a lR e s o u r c e sa n dE n v i r o n m e n t,N o r t h w e s tA&FU n i v e r s i t y
6、,Y a n g l i n g,S h a a n x i 7 1 2 1 0 0,C h i n a)A b s t r a c t:I t i so fg r e a t s i g n i f i c a n c e t oq u i c k l yo b t a i nt h ew i n t e rw h e a tn i t r o g e nn u t r i t i o n i n d e xf o rm o-n i t o r i n g t h en i t r o g e nn u t r i t i o ns t a t u so fw i n t e rw h e
7、a t a n dg u i d i n g l a t e r f e r t i l i z a t i o n.I n t h i s s t u d y,t h eU.S.S V C HR-1 0 2 4 If i e l ds p e c t r a lr a d i o m e t e rw a su s e df o rr e m o t es e n s i n g m o n i t o r i n go fw i n t e rw h e a t f i e l d s i nG u a n z h o n ga r e af r o m2 0 1 7t o2 0 1 9t
8、 oo b t a i nt h ew i n t e rw h e a tc a n o p ys p e c t r u m,a n dt h e f i r s t d e r i v a t i v e,l o g a r i t h ma n dc o n t i n u o u s r e m o v a l s p e c t r u mw e r e e x t r a c t e d t oc o n s t r u c t“t r i l a t e r a lp a r a m e t e r s”,a n yt w o-b a n ds p e c t r a l i
9、n d i c e sa n dv e g e t a t i o ni n d i c e s.T h r o u g hc o r r e l a t i o na n a l y s i sa n ds t e p w i s er e g r e s s i o na n a l y s i so f t h e“t r i l a t e r a l”p a r a m e t e r s,a n yt w o-b a n ds p e c t r a l i n d i c e s,t h er e p o r-t e dv e g e t a t i o ni n d i c e
10、 sa n dt h e n i t r o g e n n u t r i e n ti n d e x,t h es e n s i t i v es p e c t r a lp a r a m e t e r s w e r es c r e e n e d.C o m b i n e d w i t h P a r t i a lL e a s tS q u a r e sR e g r e s s i o n(P L S R),R a n d o m F o r e s tR e g r e s s i o n(R F R),S u p p o r tV e c t o rM a
11、c h i n eR e g r e s s i o n(S V R),a n dG r a d i e n tB o o s t e dR e g r e s s i o n(G B D T),t h en i t r o g e nn u t r i t i o n i n d e xm o d e l o fw i n t e rw h e a tw a s t h e r e f o r ee s t a b l i s h e d.T h e r e s u l t s s h o w e d t h a t t h en i t r o g e nn u t r i t i o n
12、 i n d e xo f e a c hk e yg r o w t hs t a g ew a sh i g h l ys i g n i f i c a n t l yc o r r e l a t e dw i t ht h es p e c t r a li n d i c e so f a n y t w ob a n d s,a m o n gw h i c h t h e c o r r e l a t i o nb e t w e e n t h en i t r o g e nn u t r i t i o n i n d e xa t j o i n t i n gs t
13、 a g ea n da n yt w o-b a n ds p e c t r a l i n d i c e sw a sh i g h e r t h a nt h a t a to t h e rg r o w t hs t a g e s,a n dt h ec o r r e l a-t i o nc o e f f i c i e n t b e t w e e n t h e r a t i os p e c t r a l i n d e xb a s e do n t h e f i r s t d e r i v a t i v e s p e c t r u ma n
14、d t h en i t r o g e nn u t r i t i o n i n d e xw a s t h eh i g h e s t(0.6 6).T h ed e t e r m i n a t i o nc o e f f i c i e n t(r2)a n dr o o t-m e a n-s q u a r ee r r o r(R S ME)o f t h ew i n t e rw h e a tn i t r o g e nn u t r i e n t i n d e xp r e d i c t i o nm o d e l o nG B D Tw e r e
15、0.7 8a n d0.8 7,r e s p e c t i v e l y;t h ed e t e r m i n a t i o nc o e f f i c i e n tr2,RM S Ea n dr e l a t i v ep e r c e n td e v i a t i o n(R P D)o f t h ev a l i-d a t i o nm o d e lw e r e 0.9 5,0.1 2,a n d2.1 2,r e s p e c t i v e l y.W i t h t h eh i g h e s t a c c u r a c ya n de x
16、c e l l e n t s a m p l ep r e d i c t i o na b i l i t y,t h ew i n t e rw h e a tn i t r o g e nn u t r i e n t i n d e xm o d e l b a s e do nG B D Tc a np r o v i d e t e c h n i-c a l s u p p o r t f o r t h ed i a g n o s i s a n dm o n i t o r i n go fw i n t e rw h e a t n i t r o g e nn u t
17、 r i t i o na n d l a t e r f i e l dm a n a g e-m e n t.K e y w o r d s:W i n t e rw h e a t;H y p e r s p e c t r a l f e a t u r e s;N i t r o g e nn u t r i e n t i n d e x;G r a d i e n tb o o s t i n gr e g r e s-s i o n;E s t i m a t i o nm o d e l 氮素是作物生长必需的营养物质之一,与作物的生长状况、产量和蛋白质含量息息相关1-2。氮营
18、养指数(n i t r o g e nn u t r i t i o ni n d e x,NN I)是定量表达作物氮素营养丰缺程度的一个重要指标,能够从作物群体特征出发,较准确地反映作物的氮营养状况3。实时、快速、无损监测作物氮营养指数是掌握农田氮素养分分布、协调田间管理措施的重要依据4-5。随着高光谱遥感技术的发展,国内外学者在实时监测叶片叶绿素含量(L C C)、叶片氮素含量(L N C)、叶 片氮素积累(L NA)、植株氮素 浓 度(P N C)、植物氮素吸收(P NU)等作物氮素营养方面取得了一定的研究成果6,但利用高光谱技术对作物NN I实时监测的研究还比较少。研究表明,利用线性内
19、插法红边位置(R E PL I)估测冬小麦NN I的精度较高,决定系数可达0.8 5 97;春玉米NN I与黄边内一阶微分光谱中的最大值相关性较高8;在可见光至近红外光的冠层光谱反射率区域,对夏玉米NN I最敏感的光谱带位于7 1 0和5 1 2n m9。植被指数与作物NN I也密切相关。如,植被指数与甜椒NN I在果实生长早期和开花期存在较强的相关性,但相关性在营养阶段和收获阶段变弱1 0;Y u等1 1提出了一种基于双植被指数的NN I遥感指数(NN I R S),可用于监测作物氮素状况。然而,目前还没有具体的植被指数用于跨多个生长发育时期的NN I反演。在目前的高光谱遥感研究中,偏最小二
20、乘回归、支持向量机、随机森林回归等算法被广泛应用,而且均显示出了强大的模型构建能力,但不同算法在具体实践中应用效果各有千秋,如对玉米冠层原始高光谱信息预处理后,结合随机森林算法反演NN I的精度要优于偏最小二乘回归和B P神经网络回归9。总体来看,作物冠层高光谱技术结合机器学习算法是NN I估算的潜在途径,但目前基于冠层高光谱的NN I估算精度整体不高,而且对不同生育时期的估算结论有待验证。如,基于无人机高光谱成像影像构建了NN I的随机森林估算模型,虽然模型较为稳定,但其解释能力不到8 0%1 2;基于无人机高光谱成像影像和不同时期的植被指数预测冬小麦NN I时,扬花期的解释能力要高于拔节期
21、和孕穗期1 3;机器学习算法结合遥感数据、土壤、气候和田间管理参数会进一步提升作物NN I估算模型的精度1 4。有研究者认为,吸光度变换(A B S)1 5、连续统去除变换(C R)1 6等光谱变换能在一定程度上减弱作物冠层原始光谱背景噪声,提升作物理化参数的反演精度1 7-1 8。本研究对获取的冬小麦冠层高光谱数据进行光谱变换,构建“三边”参数、任意两波段光谱指数和植被指数三类光谱参数,筛选对NN I敏感的光谱特征参数,基于偏最小二乘回归、随机森林、支持向量机回归和梯度增强回归构建冬小麦NN I模型,并对模型精度进行比较,以期获得最佳NN I估算方法,为诊断调控冬小麦氮素营养、实时监测生长状
22、况和后期田间管理提供基础数据。1 材料与方法1.1 试验设计2 0 1 7-2 0 1 9年在陕西省咸阳市乾县梁山镇齐南村设置冬小麦小区种植试验(3 4 3 8 N,1 0 8 0 7 E)。该区土壤类型为壤土,04 0c m耕层有机质含量为1 3.3 6gk g-1,全氮含量为0.4 8gk g-1,速效氮含量为4 4.8 6 m gk g-1,有效磷含量为1 3.5 4 m gk g-1,速效钾含量为1 8 2.8 8 m g6741麦 类 作 物 学 报 第4 3卷k g-1。供试小麦为当地主栽品种小偃2 2。试验设置不同水平的氮磷钾单因素处理,每个处理重复两次,小区面积9 0m2(1
23、0m9m)。氮素处理设置0、3 0、6 0、9 0、1 2 0和1 5 0k gh m-26个施氮水平,各处理均施磷(P2O5)4 5k gh m-2和钾(K2O)6 0k gh m-2;磷素处理设置0、2 2.5、4 5、6 7.5、9 0和1 1 2.5k gh m-26个施磷(P2O5)水平,各处理均施氮9 0k gh m-2和钾肥(K2O)6 0k gh m-2;钾素处理设置0、1 5、3 0、4 5、6 0和7 5k gh m-26个施钾(K2O)水平,各处理均施氮9 0k gh m-2和施磷(P2O5)4 5k gh m-2。小区种植管理方式同当地大田。1.2 光谱数据及处理采用美
24、国S V C HR-1 0 2 4 I型野外光谱辐射仪,分别在2 0 1 7、2 0 1 8、2 0 1 9年冬小麦生长发育的四个关键时期(拔节期、抽穗期、开花期和灌浆期)进行冠层高光谱测定。调整光谱仪视场角2 5,镜头垂直向下距冬小麦冠层1m处,重复测定冠层光谱1 0次。每个样区选取两个样点,取平均值作为该样区的光谱反射率。每次冠层光谱测定前进行标准白板校正,以确保良好的光谱测定质量。为减弱或消除光谱的背景噪声,提高敏感波段的灵敏度,本研究对3 5 013 5 0n m范围内高光谱反射率数据分别进行平滑光谱变换(S M)、一阶导数光谱变换(F D)、吸光度变换(A B S)和连续统去除光谱变
25、换(C R)4种预处理1 9。1.3 农学参数获取采集冠层高光谱数据后,各小区以测定点为中心,采集0.5m0.5m范围内的植株地上部。从样品中随机选取2 0株称鲜重,放置1 0 5烘箱杀青3 0m i n,然后于8 0下烘干4 8h以上,根据范围比例计算记录各小区地上部干物质重。烘干的样品粉碎后称取0.2g,使用凯氏定氮法测定冬小麦植株氮浓度(%)。NN I定义为作物地上部植株氮浓度与临界氮浓度的比值2 0。NN I=N c/N c t;N c t=4.2 8W-0.4 9。式中N c为作物植株氮浓度(%),N c t为临界氮浓度(%)。临界氮浓度为作物达到最大干物质所需要的最低氮浓度,本研究
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 光谱 特征 参数 冬小麦 营养 指数 估算
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。