叶面施硒下荞麦冠层叶片氮含量遥感估测研究.pdf

引用本文格式马 纬，武 志 明，余 科 松，等 叶 面 施 硒 下 荞 麦 冠 层 叶 片 氮 含 量 遥 感 估 测 研 究 J 农 业 工 程，2023，13（5）：34-38 DOI：10.19998/ki.2095-1795.2023.05.007 MA Wei，WU Zhiming，YU Kesong，et alRemote sensing estimation of buckwheat leaf nitrogen content under foliarselenium applicationJAgricultural Engineering，2023，13（5）：34-38叶面施硒下荞麦冠层叶片氮含量遥感估测研究马纬，武志明，余科松，马晓光（山西农业大学农业工程学院，山西 晋中 030801）摘要：氮是植物生长发育过程中必需的营养元素之一，快速准确地获取其含量对大田农作物监测和管理有重要意义。采用无人机（UAV）搭载多光谱传感器对田间荞麦冠层叶片氮含量（Leaf Nitrogen Content，LNC）进行定量化估测，为荞麦叶片的信息化管理提供理论依据。试验选用不同荞麦品种为研究对象，通过无人机于荞麦开花期和灌浆期获取多光谱影像并同步采集荞麦冠层叶片的 LNC，分别提取了 5 个波段下的反射率，选用与叶片 LNC 相关的 12 个植被指数进行皮尔逊（Pearson）相关性分析，选取 17 个光谱变量中相关性较高的特征变量与实测 LNC 进行 PLSR、SVM 和 BPNN 回归建模。结果表明，适量施用叶面硒肥可促进叶片吸收氮素从而增加 LNC，过量硒肥不能持续提高 LNC。G、R、NIR、NDVI、RDVI、RVI、SAVI、NLI、OSAVI、GRVI 和 LNC 相关性较高，最高为 GRVI，达到了 0.824。采用 BP 神经网络建立的回归模型表现最优，盛花灌浆期预测集决定系数（R2）为 0.828，均方根误差（RMSE）为 2.172，验证集 R2为 0.939，RMSE 为1.100，RPD 为 4.587。因此，无人机多光谱遥感技术可实现大田尺度的荞麦冠层叶片 LNC 估测。关键词：荞麦；氮；遥感；无人机；多光谱传感器；土壤像元中图分类号：S127文献标识码：A文章编号：2095-1795（2023）05-0034-05DOI：10.19998/ki.2095-1795.2023.05.007Remote Sensing Estimation of Buckwheat Leaf Nitrogen Content underFoliar Selenium ApplicationMA Wei，WU Zhiming，YU Kesong，MA Xiaoguang（College of Agricultural Engineering，Shanxi Agricultural University，Jinzhong Shanxi 030801，China）Abstract：Nitrogen is one of a large number of elements in process of plant growth and developmentThe rapid and accurate acquisi-tion of nitrogen content is of great significance for crop monitoring and management in the fieldLeaf Nitrogen Content（LNC）of buck-wheat canopy was quantified by UAV equipped with multispectral sensorsIt could provide a theoretical basis for information manage-ment of buckwheat leavesTaking different buckwheat varieties as research object，by using UAV to obtain multispectral images ofbuckwheat canopy leaves during flowering and filling stages，and synchronously collect LNC of buckwheat canopy leaves，reflectivitywas extracted at 5 bands12 vegetation indices related to LNC were selected for Pearson correlation analysisCharacteristic variableswith higher correlation among 17 spectral variables were selected for PLSR，SVM，and BPNN regression modeling with measuredLNCG，R，NIR，NDVI，RDVI，RVI，SAVI，NLI，OSAVI，GRVI have a high correlation with LNC，with the highest being GRVI，reaching 0.824Regression model established by BP neural network showed the best performanceCoefficient of determination（R2）and root mean square error（RMSE）of prediction set were 0.828 and 2.172，respectivelyThe R2，RMSE and RPD of validation setwere 0.939，1.100 and 4.587 respectivelyTherefore，the UAV multi-spectral remote sensing technology could realize field-scale LNCestimation of buckwheat canopy leavesKeywords：buckwheat，N，remote sensing，unmanned aerial vehicle，multispectral sensor，soil pixel 收稿日期：2022-11-02修回日期：2023-01-26基金项目：省部共建有机旱作农业国家重点实验室（筹）自主研发课题（202105D121008-3-4）作者简介：马纬，硕士生，主要从事农业无人机遥感与信息研究E-mail：武志明，通信作者，副教授，硕士生导师，主要从事农业航空工程和智能农机研究E-mail：zhim_第 13 卷 第 5 期农业工程Vol.13No.52023 年 5 月AGRICULTURAL ENGINEERINGMay 20230引言荞麦是我国北方地区重要的粮食作物之一，又名净肠草、乌麦、三角麦，是一种成熟期有 75 d 的一年生草本植物，一般有甜荞和苦荞两个品种1。中国是荞麦第 2 大生产国和出口国，也是世界上荞麦种植面积最大的国家，其中甜荞的种植面积约是苦荞的 2 倍2。氮是植物生长发育过程中所必需的营养元素之一，氮元素是蛋白质的重要合成元素，也是叶绿素的重要组成部分。在传统的农业生产过程中，氮肥施入量是农作物保持良好营养状态的关键之一，施入量太少会影响农作物产量，施入量太多则会造成资源浪费、面源污染。因此，快速获取氮含量在田间的分布状况并及时进行精准变量施肥对绿色农业的实现显得尤为重要。传统分析方法有物理法和化学法，该类方法费时费力，无法应用于大田农作物氮分布信息的快速获取。无人机低空多光谱遥感技术的发展为实现田间作物参数信息的快速无损监测提供了许多先进手段，已有大量学者对作物各类营养水平参数、生理生态参数等含量的光谱特征展开研究并提出多种估测模型，因此，采用光谱特征变量进行作物氮估测是农业遥感与信息研究的重要内容3-4。唐渲运等5以葡萄植株为研究对象，通过无人机多光谱相机获取葡萄植株叶片 5个波段下的反射率进而生成植被指数，对氮元素进行反演，结果表明，果实着色期葡萄氮含量反演最高。本研究以不同品种荞麦为研究对象，利用无人机多光谱遥感技术获得植被指数，通过相关性分析筛选出敏感光谱变量进行模型构建和精度评价，为大田尺度荞麦叶片氮含量的遥感估测模型研究提供参考。1材料与方法 1.1试验材料与设计试验于 2020 年 810 月在山西省晋中市太谷区申奉村试验田进行。试验田位于太谷区东北部，地处37233725N，1123511237E。研究区域平均海拔约为 775 m，夏季炎热多雨，春季温度高于秋季，冬季寒冷漫长，属于暖温带大陆性气候。研究对象为苦荞和甜荞两个品种，根据叶面施硒量的不同设置 5个 水 平：Se1（0 mg/L）、Se2（5 mg/L）、Se3（10 mg/L）、Se4（15 mg/L）和 Se5（20 mg/L），每个处理重复 3 次，采用 T40 型植保无人机于 8 月 25日进行叶面硒肥喷施，叶面肥为生物富硒复合增效剂，飞行速度 4 m/s，飞行高度相对荞麦冠层高度为 2 m，喷幅 4.5 m。1.2遥感影像获取在荞麦盛花期（9 月 10 日）与灌浆期（10 月 3 日）2 个关键生育期，选择晴朗无云、无风天气，用大疆精灵 4 多光谱版（Phantom4-M，P4M）作为本次试验的飞行器，在 11：0013：00 获取荞麦冠层遥感影像，该设备集成 6 个 CMOS 镜头，可获取 5 个波段（蓝、绿、红、红边和近红外）和可见光（RGB）下的农作物遥感影像，5 个波段的中心波段及波宽分别是450（16）、560（16）、650（16）、730（16）和 840（26）nm，单次拍摄可获取 6 张 200 万像素以上的影像数据。飞行器顶部集成多光谱光强传感器，可捕捉太阳辐照度以此来排除环境光对数据采集的影像。试验前，在地面遥控平台 DJI GO 上进行参数设置和航线规划，高度 60 m，航向和旁向重叠率均为 80%。使用 DJI Terra 进行影像拼接，将 5 个波段的多光谱正射影像导入 ENVI 进行波段合成并将像素灰度值转换为反射率。1.3叶片氮磷钾测定于遥感影像获取的同时，分别在每块处理区选取具有代表性的荞麦冠层叶片作为样本剪取并带回实验室，试验一共 60 个样本，将样本先后进行杀青、干燥处理后，采用凯式定氮法测定叶片氮含量，当天完成理化值的测定6。1.4植被指数构建植被指数（Vegetation Index，VI）是根据作物的吸收特性，将不同波段下的反射率进行线性、非线性组合形成的光谱变量参数，可增强光谱反射率对作物参数反演的敏感性，是一种降低土壤背景和大气噪声的有效途径7。根据前人的研究成果，选取与 LNC 密切相关的 12 个植被指数来构建模型，具体公式如表 1 所示。1.5统计分析试验数据采用 SPSS 24.0 进行单因素方差分析和相关性分析，在进行方差分析之前先进行正态性检验，采用 LSD 法检验差异显著性并绘制柱形图。相关性分析之后，筛选相关性较大的光谱变量进行后续建模分析。使用 SPXY 算法将数据按 41 划分为建模集与验证集，分别采用回归算法进行模型建立，有偏最小二乘回归法（Partial Least Squares Regression，PLSR）、支持向量机（Support Vector Machine Regression，SVR）和反向传播神经网络（Back Propagation Neural Network，BPNN），采用决定系数（coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）和建模集的相对分析误差（Relative Percent Deviation，RPD）作为模型的评价指标，RPD 的计算方法参考文献 20 中计算方法，公式如下。RPD=SDRMSEv 马纬等：叶面施硒下荞麦冠层叶片氮含量遥感估测研究 35 RMSE=vt1nni=1(YiY)2SD=vt1n1ni=1(XiX)2式中n样本个数Xi、X理化值和理化均值Yi、Y预测值与预测均值SD标准偏差 2结果与分析 2.1叶面喷硒对荞麦冠层LNC的影响由图 1 可知，就单个生育期而言，随着硒肥浓度的增加，LNC 呈现先增加后减少的趋势，在 Se1、Se2处理下，适量的硒促进了叶片对氮元素的吸收，并且有显著性差异。LNC 随着施硒量增加而增加，而在 Se3、Se4 处理，LNC 降低，这是由于过量的硒抑制了叶片的氮吸收，直观表现为样本叶片泛黄营养失衡。就生育期之间而言，盛花期的 LNC 明显高于灌浆期。2.2光谱变量与LNC的相关性分析由 5 个波段反射率和 12 个植被指数组成光谱变量集，利用不同硒浓度处理下的荞麦盛花期、灌浆期和盛花灌浆期的光谱变量与实测 LNC 数据进行相关性分析，结果如表 2 所示。表 2光谱变量与LNC相关性分析Tab.2 Correlation analysis of spectral variables and LNC光谱特征变量盛花期灌浆期盛花灌浆期B0.0060.0880.290*G0.362*0.495*0.340*R0.697*0.578*0.640*RE0.461*0.1820.175NIR0.3570.566*0.155NDVI0.679*0.568*0.715*GNDVI0.3410.474*0.389*DVI0.363*0.0920.746*RDVI0.589*0.542*0.755*RVI0.677*0.557*0.724*SAVI0.588*0.544*0.753*OSAVI0.647*0.563*0.735*NLI0.620*0.540*0.761*MSR0.431*0.0760.107GRVI0.459*0.2610.824*MNLI0.2670.423*0.387*CCCI0.429*0.0700.111注：*表示在 0.01 水平相关性显著；*表示在 0.05 水平相关性显著。由表 2 可知，在盛花期，R、NDVI、RDVI、RVI、SAVI 和 OSAVI 在 0.01 水 平 有 较 高 的 相 关 性，在0.580.70 范围内，最高为 NDVI，相关性为 0.679，红色波段为显著负相关。在灌浆期，G、R、NIR、NDVI、GNDVI、RDVI、RVI、SAVI、OSAVI 和 NLI 在 0.01 水平显著相关，在 0.490.60 范围内，最高为 R，达0.578。在盛花灌浆期，NDVI、RDVI、DVI、RVI、SAVI、OSAVI、NLI 和 GRVI 在 0.01 水平有较高的相关 表 1植被指数计算公式Tab.1 Calculation formula of vegetation index植被指数公式文献归一化植被指数（NDVI）(NIRR)/(NIR+R)8绿色归一化差值植被指数（GNDVI）(NIR+G)/(NIR+G)9差值植被指数（DVI）NIRR10重归一化植被指数（RDVI）NIR+R(NIRR)/11比值植被指数（RVI）NIR/R12土壤调节植被指数（SAVI）(NIRR)/1.5(NIRR)/(NIR+R+0.5)13优化土壤调节植被指数（OSAVI）1.16(NIRG)/(NIR+G+0.16)14非线性植被指数（NLI）(NIR2R)/(NIR2+R)15改进简单比值植被指数（MSR）NIR/R(NIR/R1)/(+1)16绿红植被指数（GRVI）(GR)/(G+R)17改进非线性植被指数（MNLI）(1.5NIR21.5G)/(NIR2R+0.5)18冠层叶绿素含量指数（CCCI）(NIR-RE)/(NIR+RE)19注：B、G、R、RE、NIR 分别为 450、560、650、730 和 840 nm 处的波段反射率，下同。图 1叶面施硒肥对荞麦LNC的影响Fig.1 Effect of selenium application on LNC of buckwheat 36 农业工程信息与电气化 性，在 0.700.80 范围内，最高为 GRVI，达 0.824。2.3模型构建与精度评价根据光谱变量与 LNC 的相关性大小关系筛选出 3个时期的敏感光谱变量，将筛选后的光谱与相对应的LNC 值组成新的数据集，采用 SPXY 算法按 41 将数据集划分为建模集（训练集）验证集，以敏感光谱变量为输入，实测 LNC 为输出，分别建立偏最小二乘法、支持向量机和反向传播神经网络 3 种回归模型，并进行精度检验得到最优估测模型。由表 3 可知，盛花期表现最佳的模型为支持向量机模型，建模集 R2为 0.611，RMSE 为 1.852，验证集R2为 0.840，RMSE 为 1.669，RPD 为 1.887，这说明该模型在盛花期精度较高且可靠。灌浆期参与建模的光谱变量有 11 个，利用 BP 神经网络建立的回归模型精度远高于其他模型，建模集和验证集 R2分别为 0.683和 0.883，建模集和验证集 RMSE 分别为 1.365 和 0.813，RPD 为 2.900。在全生育期，参与建模的光谱变量有13 个，3 个模型精度均较高，最高为 BP 神经网络，预测集和验证集 R2分别为 0.828 和 0.939，RMSE 分别为2.172 和 1.100，RPD 为 4.587，模型精度较高且稳定可靠。基于 BP 神经网络的 LNC 估算模型预测值与实际值的关系如图 2 所示。3结束语（1）通过给荞麦喷施不同浓度硒含量可以得出：随着施硒量的增加，LNC 并不持续增加，适量增加硒肥可促进荞麦叶片氮合成，过量则会抑制氮合成，适宜的叶面喷硒水平在 1015 mg/L。（2）选取的 12 个植被指数中，NDVI、RDVI、RVI、SAVI、NLI、OSAVI 均与 LNC 相关性较高，其中NDVI、RVI、OSAVI 表现出较强且稳定的相关性。（3）PLSR 在盛花灌浆期表现较好，在盛花期或灌浆期预测效果较差，SVR 在灌浆期效果较差，在盛花期和盛花灌浆期效果较好，BP 神经网络模型精度较高且稳定可靠，在盛花期、灌浆期、盛花灌浆期验证集准确率分别达 0.823、0.883 和 0.939。参考文献 吴立根，屈凌波，王岸娜，等荞麦营养功能特性及相关食品开1 表 33 种模型估测结果Tab.3 Estimation results of three models模型生育期建模集验证集R2RMSER2RMSERPDPLSR盛花期0.4621.8300.6603.1501.721灌浆期0.4071.7920.4560.9252.551盛花灌浆期0.6872.8140.7032.6481.907SVR盛花期0.6111.8520.8401.6691.887灌浆期0.4711.7080.8001.2271.920盛花灌浆期0.7542.5010.8172.3552.140BPNN盛花期0.6091.8140.8231.4442.181灌浆期0.6831.3650.8830.8132.900盛花灌浆期0.8282.1720.9391.1004.587 图 2基于 BP 神经网络的LNC估算模型预测值与实际值的关系Fig.2 Relationship between predicted value and actual value of LNC estimation model based on BP neural network 马纬等：叶面施硒下荞麦冠层叶片氮含量遥感估测研究 37 发研究进展J粮油食品科技，2018，26（3）：41-44WU Ligen，QU Lingbo，WANG Anna，et alResearch progress offunctional characteristics of buckwheat and development of its productsJScience and Technology of Cereals，Oils and Foods，2018，26（3）：41-44 宋萌萌，刘媛，王健，等不同熟化方式下荞麦蛋白质含量及氨基酸组成的比较分析J现代食品科技，2022，38（10）：117-123SONG Mengmeng，LIU Yuan，WANG Jian，et alComparative ana-lysis of protein content and amino acid composition of buckwheat underdifferent curing methodsJ Modern Food Science and Technology，2022，38（10）：117-1232 王纪华，李存军，刘良云，等作物品质遥感监测预报研究进展J中国农业科学，2008（9）：2 633-2 640WANG Jihua，LI Cunjun，LIU Liangyun，et alProgress of remotesensing monitoring and forecasting crop qualityJScientia AgriculicaSinica，2008（9）：2 633-2 6403 马红梅，白春雨，韩广明，等亚硒酸钠对甜荞生长的影响J灌溉排水学报，2020，39（6）：26-32，42MA Hongmei，BAI Chunyu，HAN Guangming，et al Growth ofsweet buckwheat in response to sodium seleniteJ Journal of irriga-tion and drainage，2020，33（6）：26-32，424 唐渲运，高何璇，高晓阳，等基于无人机多光谱的葡萄氮含量监测研究J林业机械与木工设备，2022，50（6）：63-68，75TANG Xuanyun，GAO Hexuan，GAO Xiaoyang，et alMonitoringof grape nitrogen content based on UAV multispectrumJ ForestryMachinery&Woodworking Equipment，2022，50（6）：63-68，755 李文韬，周燕，胡佳，等凯氏定氮法测定某未知含氮化合物氮含量J中国卫生标准管理，2016，7（24）：110-112LI Wentao，ZHOU Yan，HU Jia，et alDetermination of the total ni-trogen content in some unknown compound by the kjeldahl methodJChina Health Standard Management，2016，7（24）：110-1126 刘涛，张寰，王志业，等利用无人机多光谱估算小麦叶面积指数和叶绿素含量J农业工程学报，2021，37（19）：65-72LIU Tao，ZHANG Huan，WANG Zhiye，et alEstimation of the leafarea index and chlorophyll content of wheat using UAV multi-spectrumimagesJTransactions of the Chinese Society of Agricultural Engin-eering，2021，37（19）：65-727 FIEUZAI R，MARAIS S，BAUP F Estimation of corn yield usingmulti-temporal optical and radar satellite data and artificial neural net-worksJ International Journal of Applied Earth Observation andGeoinformation，2017，57（5）：14-238 NAVARRO G，CABALLERO M，SILVA G，et al Evaluation offorest fire on Madeira Island using Sentinel-2A MSI imageryJInter-national Journal of Applied Earth Observation and Geoinformation，2017，58（2）：97-1069 DAUGHTRY C S T，WALTHALL C LKIM M S，et alEstimat-ing corn foliar chlorophyll content from leaf and canopy reflectance10JRemote Sensing of Environment，2000，74（2）：229-239 ROUJEAN J L，BREON F MEstimating PAR absorbed by vegetationfrom bidirectional reflectance measurementsJRemote Sensing of En-vironment，1995，51（3）：375-38411 谭昌伟，杜颖，童璐，等基于开花期卫星遥感数据的大田小麦估产方法比较J中国农业科学，2017，50（16）：3 101-3 109TAN Changwei，DU Ying，TONG Lu，et al Comparison of themethods for predicting wheat yield based on satellite remote sensing dataat anthesisJ Scientia Agricultura Sinica，2017，50（16）：3 101-3 10912 HUETE A RA soil adjusted vegetation index SAVIJRemote Sens-ing of Environment，1988，25（3）：295-30913 RONDEAUX G，STEVEN M，BARET FOptimization of soil-adjus-ted vegetation indicesJRemote Sensing of Environment，1996，55（2）：95-10714 李鑫川，徐新刚，鲍艳松，等基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演J中国农业科学，2012，45（17）：3 486-3 496LI Xinchuan，XU Xingang，BAO Yansong，et alRetrieving LAI ofwinter wheat based on sensitive vegetation index by the segmentationmethodJ Scientia Agricultura Sinica，2012，45（17）：3 486-3 49615 CHEN J MEvaluation of vegetation indices and modified simple ratiofor boreal applicationsJCanadian Journal of Remote Sensing，1996，22（3）：229-24216 严海军，卓越，李茂娜，等基于机器学习和无人机多光谱遥感的苜蓿产量预测J农业工程学报，2022，38（11）：64-71YAN Haijun，ZHUO Yue，LI Maona，et alAlfalfa yield predictionusing machine learning and UAV multispectral remote sensingJTransactions of the Chinese Society of Agricultural Engineering，2022，38（11）：64-7117 GONG P，PU R，BIGING G，et alEstimation of forest leaf area in-dex using vegetation indices derived from Hyperion hyperspectraldataJIEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1 355-1 36218 井宇航基于无人机多光谱和高分二号遥感影像的冬小麦植株氮积累量监测D郑州：河南农业大学，2022JING Yuhang Monitoring of nitrogen accumulation in winter wheatplants based on UAV multispectral and GF-2 remote sensing imagesDZhengzhou：Henan Agricultural University，202219 胡国田，尚会威，谭瑞虹，等不同土壤类型的有机质含量的可见近红外光谱检测模型传递方法研究J光谱学与光谱分析，2022，42（10）：3 148-3 154HU Guotian，SHANG Huiwei，TAN Ruihong，et al Research onmodel transfer method of organic matter content estimation of differentsoils using VNIR spectroscopyJSpectroscopy and Spectral Analysis，2022，42（10）：3 148-3 15420 38 农业工程信息与电气化