引言

氮素是作物合成葉綠素和蛋白質的物質基礎，對作物的生長發育和呼吸代謝具有重要作用。植株氮含量（ＰＮＣ）是評價作物氮營養狀況的重要指標， 快速準確地獲取ＰＮC信息有利于氮肥的精準施控和作物長 勢的動態監測，對提高作物產量和品質具有重要的意義。傳統的 ＰＮＣ測定方法是人工取樣結合實驗室測試，該方法耗時費力，且測定結果滯后，不利于高效、無損及大范圍監測作物的氮營養狀況。近年來，遙感技術憑借其高通量、大尺度和實時動態等特點在作物理化參數監測中得到廣泛關注。與衛星和地面遙感技術相比，無人機遙感技術操作簡單，機動性強，在農田精細尺度和連續動態監測方面具有更大的優勢。

目前，無人機平臺搭載的傳感器主要有數碼、多光譜和高光譜。數碼和多光譜傳感器雖價格低廉，但含有的波段數目少，無法提供作物冠層精細的光譜信息。而高光譜傳感器具有光譜分辨率高和圖譜合一等優點，已成為有效監測作物理化參數的可靠技術手段。目前，國內外學者利用無人機高光譜成像技術在監測作物的氮素營養狀況方面取得了一定的研究進展。不同波長組合方式及光譜變換技術可以充分挖掘高光譜影像豐富的光譜信息，有利于提高監測作物氮營養狀況的精度，但也存在一定不 足。作物冠層在不同氮營養狀況下的差異不僅體現在光譜反射率方面，在圖像特征如紋理和顏色上也有明顯體現，僅挖掘影像的光譜特征忽略了高光譜圖譜合一的優勢，容易造成影像信息的丟失和浪費，且無法避免單一光譜特征估算作物理化參數時存在的飽和現象。

然而，結合無人機成像高光譜的圖像和光譜特征監測作物氮營養狀況的研究還鮮有報道。綜上所述，本研究以無人機為遙感平臺，獲取了馬鈴薯5個生育期的高光譜影像，并提取各生育期的冠層光譜特征和冠層原始光譜特征波長圖像的紋理和顏色２種圖像特征，分別基于光譜特征、圖像特征和圖譜融合特征利用３種方法 構建各生育期的ＰＮＣ估算模型，探究圖像特征對估算馬鈴薯ＰＮＣ的影響，以期為馬鈴薯氮肥的精準管理提供技術支持。

實驗部分

2.1 試驗設計

于2019年４月—7月在北京市昌平區小湯山鎮國家精準農業研究示范基地開展馬 鈴薯試驗，該地平均海拔36ｍ。選擇２個早熟品種中薯５（Ｚ１）和中薯３（Ｚ２）作為試驗品種。設置密度試驗（Ｎ 區）、氮肥試驗（Ｓ區）和鉀肥試驗（Ｋ區）3個試驗區，每個試驗區設置３次重復，共48個小區，每個小區面積為6.5ｍ×5ｍ。試驗田位置與各試驗小區處理詳情如圖１所示。

圖１馬鈴薯試驗田位置及試驗設計

2.2 無人機高光譜影像的獲取與預處理

分別于馬鈴薯現蕾期（2019年5月13日）、塊莖形成期（2019年5月28日）、塊莖增長期（2019年6月10日）、淀粉積累期（2019年6月20日）和成熟期（2019年7月3日）利用無人機搭載成像光譜儀獲取高光譜影像，該傳感器的波譜范圍為４５０～９５0ｎｍ，采樣間隔為４ｎｍ，光譜分辨率為8ｎｍ。選擇晴朗、無風無云的天氣開展飛行作業，飛行時間為１２：００—１４：００，飛行高度設置為２０ｍ，旁向重疊率為９３％。通過軟件無人機高光譜影像的預處理，主要包括影像的幾何校正、拼接和融合，最后生成試驗區域的數字正射影像。

2.3 馬鈴薯PNC測定

馬鈴薯ＰＮＣ的測定方法如下：無人機飛行作業結束后，在每個試驗小區選取３株能代表整體長勢的馬鈴薯植株，將其莖葉分離，用清水洗凈，105℃殺青０．５ｈ后置于８０℃環境下，烘干至質量恒重，然后分別測量莖和葉部分的樣本干質量和全氮含量，最后根據所測數據計算莖和葉的氮含量，進而得到馬鈴薯植株氮含量。

2.4 高光譜數據分析

2.4.1 光譜特征提取

不同氮素營養狀態會引起馬鈴薯冠層光譜反射率的差異，因此可以通過特征波長的反射率特征監測馬鈴薯植株氮含量。馬鈴薯５個生育期冠層光譜特征波長的提取方法如下：首先基于５個生育期的 ＤＯＭ，利用軟件生成馬鈴薯４８個試驗小區的矢量數據，其次 提取各小區的平均光譜，并將提取的平均光譜作為馬鈴薯的冠層原始光譜，然后通過軟件計算５個生育期的一階微分光譜，最后基于軟件，利用相關性分析法篩選馬鈴薯５個生育期冠層原始光譜和一階微分光譜的特征波長。

2.４.2 圖像特征提取

基于冠層原始光譜特征波長對應的高光譜圖像，提取紋理和顏色２種圖像特征。其中，圖像的紋理特征用灰度共生矩陣表示。已有 的研究表明，窗口的大小和方向對提取的灰度矩陣紋理影響不大，因此，選取窗口大小為３×３、４５°方向上的對比度、能量、熵、同質性和相關性５種紋理特征作為模型因子估算馬鈴薯植株氮含量；圖像的顏色特征用１～３階顏色矩表示，即均值、方差和斜度。

2.5 數據分析方法

采用彈性網絡回歸、 貝葉斯線性回歸和極限學習機３種方法構建馬鈴薯５個生育期的植株氮含量估算模型。ＥＮＲ是一種改進的線性回歸模型，它通過引入Ｌ１和 Ｌ２懲罰項對目標函數進行約束，對具有相關性的變量同時進行篩選或縮減，以達到提高模型精度和穩定性的目的。ＢＬＲ能夠根據輸入參數的先驗信息形成先驗分布，進而提高對數據的適應能力，防止出現過擬合現象。ＥＬＭ 是一種簡單高效的單隱層前饋神經網絡算法，該算法能避免常規神經網絡算法中存在的收斂速度慢，易陷入局部極小值等問題。

2.6 精度評價

利用重復１和重復３的數據（３２個）訓練模型，重復２的數據（１６個）驗證模型，并采用決定系數Ｒ２）、均方根誤差ＲＭＳＥ）和標準均方根誤差，ＮＲＭＳＥ）評價模型性能。

結果與討論

3.1 特征波長選擇

將馬鈴薯５個生育期的冠層原始光譜和一階微分光譜分別與對應的ＰＮＣ進行相關性分析，結果如圖２所示。其中，自由度為４８時，０．０１相關水平閾值是０．３６，黑色和紅色縱向虛線分別表示冠層原始光譜和一階微分光譜特征波長。

圖２冠層光譜與ＰＮＣ相關性ＯＲ表示冠層原始光譜與ＰＮＣ相關性曲線，ＦＤ表示一階微分光譜與ＰＮＣ相關性曲線

由圖２可知，現蕾期，冠層原始光譜在波段４５４～７３０ｎｍ 范圍內與ＰＮＣ呈０．０１相 關 水 平，一階微分光譜主要在波段４９２～５５０、６３０～６６６、６７４～６９４和７１０～７６６ｎｍ范圍內與ＰＮＣ呈０．０１相關水平，因此，選取相關性較高的波長５５４和７１０ｎｍ 為冠層原始光譜特征波長，波長５４２、６６２、 ６７８和７６６ｎｍ為一階微分光譜特征波長；塊莖形成期，冠層原始光譜主要在波段５５０～６１８、６９４～７０６和７３４～９２２ｎｍ范圍內與ＰＮＣ呈０．０１相關水平，一階微分光譜主要在波段 ４８６～５５０、６２６～６６２、６７０～６８２、６９８～７６２和７７４～７９８ｎｍ范圍內與ＰＮＣ呈０．０１相關水平，因此選取相關性較高的波長５６６、６９８和７７８ｎｍ為冠層原始光譜特征波長，波長５０２、 ６５８、６７８、７３０和７８２ｎｍ為一階微分光譜特征波長；塊莖增 長期，冠層原始光譜主要在波段４５４～６９８和７１４～９５０ｎｍ 范圍內與ＰＮＣ呈０．０１相關水平，一階微分光譜主要在波段５４６～５８２、６５０～７７８和８４６～９４６ｎｍ范圍內與ＰＮＣ呈０．０１ 相關水平，因此，選取相關性較高的波長５１８、５７４和８５４ｎｍ為冠層原始光譜的特征波長，波長５５４、７２２和８６２ｎｍ 為一 階微分光譜的特征波長；淀粉積累期，冠層原始光譜主要在波段４５４～７０６和７２２～９５０ｎｍ范圍內與ＰＮＣ呈０．０１水平 相關，一階微分光譜主要在波長４７０ｎｍ、波 段６９４～７７８和８６６～９４６ｎｍ范圍內與ＰＮＣ呈０．０１相關水 平，因此，選取相關性較高的波長５４２、６９４和８３０ｎｍ為冠層原始光譜的特征波長，波長４７０、７３８和９０６ｎｍ為一階微分光譜的特征波長；成熟期，冠層原始光譜主要在波段 ５１８～５８２和 ７１４～ ７２２ｎｍ范圍內與ＰＮＣ呈０．０１相關水平，一階微分光譜主要在波段５０２～５４２、６５０～６７４和７７０～７７８ｎｍ范圍內與ＰＮＣ呈０．０１相關水平，因此，選取相關性較高的波長５４６和７１８ ｎｍ為冠層原始光譜的特征波長，波長５１０、６６２和７７４ｎｍ為一階微分光譜的特征波長。

3.2 圖像特征與PNC相關性分析

為探究高光譜圖像特征對估算馬鈴薯ＰＮＣ的影響，利用ＧＬＣＭ和顏色矩分別提取了冠層原始光譜特征波長對應的圖像的紋理和顏色特征，并分析與ＰＮＣ的相關性，結果如圖３所示。由圖３可知，馬鈴薯現蕾期，與 ＰＮＣ相關性較高的前５個圖像特征分別是７１０Ｖａｒ（波長７０１ｎｍ 對應的 Ｖａｒ紋 理）、５５４Ｖａｒ、５５４Ｍｅａ、７１０Ｃｏｒ和 ５５４Ｅｎｔ，相關系數絕對值位于 ０．７８～０．８６之間；塊莖形成期，相關性較高的前５個圖像特 征分別是６９８Ｈｏｍ 、６９８Ｓｅｃ、６９８Ｅｎｔ、６９８Ｃｏｒ和５６６Ｍｅａ，相 關 系 數 絕對值位于０．７９～０．８５之間；塊莖增長期，相關性較高的前 ５個圖像特征 分 別 是５１８Ｓｋｅ、５１８Ｖａｒ、８５４Ｅｎｔ、８５４Ｓｅｃ和５７４Ｃｏｎ， 相關系數絕對值位于０．６５～０．７５之間；淀粉積累期，相關性 較高的前５個圖像特征分別是５４２Ｍｅａ、５４２Ｓｋｅ、５４２Ｅｎｔ、５４２Ｓｅｃ 和５４２Ｃｏｒ，相關系數絕 對 值 位 于 ０．６０～０．６９之 間；成 熟 期， 相關性較高的前５個圖像特征分別是５４６Ｍｅａ、５４６Ｅｎｔ、５４６Ｓｅｃ、 ５４６Ｃｏｒ和５４６Ｃｏｎ，相關系數絕對值位于０．５３～０．６３之間。５個生育期篩選的相關性較高的前５個圖像特征均與 ＰＮＣ 達 到 ０．０１相關水平，且都含有紋理和顏色２種特征，這說明紋理和顏色特征與馬鈴薯ＰＮＣ的聯系較為密切。

圖３圖像特征與ＰＮＣ相關性

3.3 馬鈴薯PNC估算

3.3.1 單一模型變量估算馬鈴薯 ＰＮＣ

分別基于馬鈴薯５個生育期冠層光譜特征波長和相關性較高的前５個圖像特征，利用ＥＮＲ、ＢＬＲ 和 ＥＬＭ３種方法構建ＰＮＣ估算模型并驗證，建模和驗證結果如表１和 表２ 所示。由表１和 表 ２可 知，基 于 光 譜 特 征 （ｘ１）和 圖 像 特 征 （ｘ２）利用３種方法構建的馬鈴薯各生育期ＰＮＣ估算模型均表現為現蕾期到淀粉積累期估算效果較好，成熟期估算效果較差。其中，現蕾期到塊莖增長期，利用３種方法基于光譜特征構建的模型效果略優于圖像特征，但相差不大；淀 粉積累期，基于圖像特征的估算效果開始變差，這一時期，光 譜特征構建的模型效果明顯優于圖像特征；成熟期，基于２種 模型變量的估算效果均明顯變差，基于光譜特征的建模效果優于圖像特征，驗證效果二者相差不大。綜合５個生育期的建模和驗證結果可知，基于同種模型變量，利用ＥＮＲ構建的ＰＮＣ估算模型效果較優，ＢＬＲ方法次之，ＥＬＭ方法較差。

表１ 各生育期基于單一模型變量估算馬鈴薯ＰＮＣ的建模結果

表２ 各生育期基于單一模型變量估算馬鈴薯ＰＮＣ的驗證結果

3.3.2 結合光譜和圖像特征估算馬鈴薯

ＰＮＣ為探究結合高光譜圖像和光譜特征估算馬鈴薯ＰＮＣ的效果，基于冠層光譜特征波長及篩選的與ＰＮＣ相關性較高的紋理和顏色特征，分別利用３種方法構建馬鈴薯５個生育期的ＰＮＣ估算模型并驗證，結果如表３和圖４所示。由表３和圖４可知，與單一模型變量相似，基于圖譜融合特征（ｘ３） 構建的馬鈴薯ＰＮＣ估算模型在現蕾期到淀粉積累期效果較好，成熟期效果較差。綜合表１、表２、表３和圖４的結果可 知，現蕾期到淀粉積累期，以圖譜融合特征為模型變量的ＰＮＣ估算模型的精度和穩定性均明顯高于單一光譜特征和圖像特征，而成熟期，圖譜融合特征的估算效果與單一光譜特征相差不大。基于圖譜融合特征利用３種方法估算馬鈴薯ＰＮＣ的效果為ＥＮＲ較優，ＢＬＲ次之，ＥＬＭ 較差。

表３各生育期基于融合特征估算馬鈴薯ＰＮＣ的建模結果

圖４ 各生育期基于融合特征估算馬鈴薯ＰＮＣ的驗證效果

為探究高光譜圖像特征估算馬鈴薯ＰＮＣ的效果，分別基于光譜特征和圖像特征利用３種方法構建馬鈴薯５個生育期的ＰＮＣ估算模型。由結果可知，現蕾期到塊莖增長期，以圖像特征為模型變量構建的ＰＮＣ估算模型的估算效果與光譜特征相差不大，這表明圖像特征能較好地反映馬鈴薯的ＰＮＣ狀況，其原因是，作物植株氮含量的變化不僅會引起冠層光譜特性發生改變，也會導致冠層凸凹部分的灰度值及亮度值出現差異，即圖像的紋理和顏色差異，因此，圖像特征也能較好地估算ＰＮＣ；淀粉積累期，光譜特征估算ＰＮＣ的效果明顯優于圖像特征，其原因是，淀粉積累期，部分馬鈴薯植株開始衰老，葉片逐漸枯黃，紋理減少，顏色特征減弱，導致圖像特征與ＰＮＣ的相關性降低。成熟期，２種模型變量構建的ＰＮＣ估算模型均未取得較好的效果，其原因是，馬鈴薯生長后期，受降雨較 多影響，部分馬鈴薯植株枯死凋零， 葉片迅速脫落，這一時期提取的光譜和圖像特征均不能反映馬鈴薯真實的生長狀態，故模型估算效果較差。

為探究圖譜融合特征估算馬鈴薯ＰＮＣ的效果，以光譜特征結合圖像特征為模型變量，利用３種方法構建馬鈴薯５個生育期的ＰＮＣ估算模型。由結果可知，現蕾期到淀粉積累 期，相較于單一光譜特征和圖像特征，圖譜融合特征構建的模型Ｒ２均有所提高，ＲＭＳＥ和ＮＲＭＳＥ均有所下降，其原因是，圖譜融合特征包含不同氮營養狀況的作物冠層光譜和圖像兩方面的信息，為估算ＰＮＣ提供了更多的有效信息，能更準確地反映ＰＮＣ的變化情況。

成熟期，圖譜融合特征估算ＰＮＣ的效果明顯變差，其原因是，受降雨等因素的影響，這一時期提取的光譜和圖像特征不能反映馬鈴薯真實的生長狀態，二者結合也未能提高模型的精度。利用ＥＮＲ、ＢＬＲ和 ＥＬＭ３種方法構建馬鈴薯ＰＮＣ估 算模型，綜合各生育期的建模和驗證結果可知，基于同種模型變量，利用ＥＮＲ方法估算馬鈴薯ＰＮＣ效果最優，ＢＬＲ 次 之，ＥＬＭ最差。其原因是，ＥＮＲ在損失函數中同時引入Ｌ１和Ｌ２懲罰項，提高了對自變量的篩選和縮減能力，能更有效地利用多個光譜和圖像特征對ＰＮＣ進行估算；ＢＬＲ雖能充分利用樣本數據，但效果不如 ＥＮＲ，可 能 原 因 是 ＢＬＲ過于依賴先驗信息，導致模型的精度有所降低；ＥＬＭ雖具有良好的泛化性能，但對較小的數據集優勢不明顯，導致模型精度不高。此外，本研究僅采用 了１年的馬鈴薯數據，后續將采用不同地點及年限的馬鈴薯數據驗證所得結論，以期得到普適的馬鈴薯ＰＮＣ估算模型。

研究方法

（１）利用相關系數法篩選的馬鈴薯５個生育期的冠層光譜特征波長存在差異，但多數集中于可見光區域。

（２）基于冠層原始光譜特征波長圖像篩選的５個圖像特征與馬鈴薯ＰＮＣ均達到０．０１相關水平，且都包含紋理和顏色２種特征。

（３）基于光譜特征、圖像特征和圖譜融合特征構建的馬鈴薯 ＰＮＣ估算模型均表現為現蕾期到淀粉積累期估算效果較好，成熟期效果較差，且現蕾期到淀粉積累期圖譜融合特征的估算效果明顯優于單一光譜特征和單一圖像特征。

（４）馬鈴薯各生育期基于同種模型變量利用ＥＮＲ方法構建的ＰＮＣ估算模型效果較優，ＢＬＲ方法次之，ＥＬＭ方法較差。其中，以圖譜融合特征為模型變量，利用ＥＮＲ構建的ＰＮＣ估算模型效 果最好。該研究可為馬鈴薯氮肥的精準管理提供一種新的技術參考。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯黃宇