基于无人机成像高光谱估算马铃薯植株氮含量-莱森光学

引言

氮素是作物合成叶绿素和蛋白质的物质基础，对作物的生长发育和呼吸代谢具有重要作用。植株氮含量（ＰＮＣ）是评价作物氮营养状况的重要指标， 快速准确地获取ＰＮC信息有利于氮肥的精准施控和作物长 势的动态监测，对提高作物产量和品质具有重要的意义。传统的 ＰＮＣ测定方法是人工取样结合实验室测试，该方法耗时费力，且测定结果滞后，不利于高效、无损及大范围监测作物的氮营养状况。近年来，遥感技术凭借其高通量、大尺度和实时动态等特点在作物理化参数监测中得到广泛关注。与卫星和地面遥感技术相比，无人机遥感技术操作简单，机动性强，在农田精细尺度和连续动态监测方面具有更大的优势。

目前，无人机平台搭载的传感器主要有数码、多光谱和高光谱。数码和多光谱传感器虽价格低廉，但含有的波段数目少，无法提供作物冠层精细的光谱信息。而高光谱传感器具有光谱分辨率高和图谱合一等优点，已成为有效监测作物理化参数的可靠技术手段。目前，国内外学者利用无人机高光谱成像技术在监测作物的氮素营养状况方面取得了一定的研究进展。不同波长组合方式及光谱变换技术可以充分挖掘高光谱影像丰富的光谱信息，有利于提高监测作物氮营养状况的精度，但也存在一定不 足。作物冠层在不同氮营养状况下的差异不仅体现在光谱反射率方面，在图像特征如纹理和颜色上也有明显体现，仅挖掘影像的光谱特征忽略了高光谱图谱合一的优势，容易造成影像信息的丢失和浪费，且无法避免单一光谱特征估算作物理化参数时存在的饱和现象。

然而，结合无人机成像高光谱的图像和光谱特征监测作物氮营养状况的研究还鲜有报道。综上所述，本研究以无人机为遥感平台，获取了马铃薯5个生育期的高光谱影像，并提取各生育期的冠层光谱特征和冠层原始光谱特征波长图像的纹理和颜色２种图像特征，分别基于光谱特征、图像特征和图谱融合特征利用３种方法 构建各生育期的ＰＮＣ估算模型，探究图像特征对估算马铃薯ＰＮＣ的影响，以期为马铃薯氮肥的精准管理提供技术支持。

实验部分

2.1 试验设计

于2019年４月—7月在北京市昌平区小汤山镇国家精准农业研究示范基地开展马 铃薯试验，该地平均海拔36ｍ。选择２个早熟品种中薯５（Ｚ１）和中薯３（Ｚ２）作为试验品种。设置密度试验（Ｎ 区）、氮肥试验（Ｓ区）和钾肥试验（Ｋ区）3个试验区，每个试验区设置３次重复，共48个小区，每个小区面积为6.5ｍ×5ｍ。试验田位置与各试验小区处理详情如图１所示。

图１马铃薯试验田位置及试验设计

2.2 无人机高光谱影像的获取与预处理

分别于马铃薯现蕾期（2019年5月13日）、块茎形成期（2019年5月28日）、块茎增长期（2019年6月10日）、淀粉积累期（2019年6月20日）和成熟期（2019年7月3日）利用无人机搭载成像光谱仪获取高光谱影像，该传感器的波谱范围为４５０～９５0ｎｍ，采样间隔为４ｎｍ，光谱分辨率为8ｎｍ。选择晴朗、无风无云的天气开展飞行作业，飞行时间为１２：００—１４：００，飞行高度设置为２０ｍ，旁向重叠率为９３％。通过软件无人机高光谱影像的预处理，主要包括影像的几何校正、拼接和融合，最后生成试验区域的数字正射影像。

2.3 马铃薯PNC测定

马铃薯ＰＮＣ的测定方法如下：无人机飞行作业结束后，在每个试验小区选取３株能代表整体长势的马铃薯植株，将其茎叶分离，用清水洗净，105℃杀青０．５ｈ后置于８０℃环境下，烘干至质量恒重，然后分别测量茎和叶部分的样本干质量和全氮含量，最后根据所测数据计算茎和叶的氮含量，进而得到马铃薯植株氮含量。

2.4 高光谱数据分析

2.4.1 光谱特征提取

不同氮素营养状态会引起马铃薯冠层光谱反射率的差异，因此可以通过特征波长的反射率特征监测马铃薯植株氮含量。马铃薯５个生育期冠层光谱特征波长的提取方法如下：首先基于５个生育期的 ＤＯＭ，利用软件生成马铃薯４８个试验小区的矢量数据，其次 提取各小区的平均光谱，并将提取的平均光谱作为马铃薯的冠层原始光谱，然后通过软件计算５个生育期的一阶微分光谱，最后基于软件，利用相关性分析法筛选马铃薯５个生育期冠层原始光谱和一阶微分光谱的特征波长。

2.４.2 图像特征提取

基于冠层原始光谱特征波长对应的高光谱图像，提取纹理和颜色２种图像特征。其中，图像的纹理特征用灰度共生矩阵表示。已有 的研究表明，窗口的大小和方向对提取的灰度矩阵纹理影响不大，因此，选取窗口大小为３×３、４５°方向上的对比度、能量、熵、同质性和相关性５种纹理特征作为模型因子估算马铃薯植株氮含量；图像的颜色特征用１～３阶颜色矩表示，即均值、方差和斜度。

2.5 数据分析方法

采用弹性网络回归、 贝叶斯线性回归和极限学习机３种方法构建马铃薯５个生育期的植株氮含量估算模型。ＥＮＲ是一种改进的线性回归模型，它通过引入Ｌ１和 Ｌ２惩罚项对目标函数进行约束，对具有相关性的变量同时进行筛选或缩减，以达到提高模型精度和稳定性的目的。ＢＬＲ能够根据输入参数的先验信息形成先验分布，进而提高对数据的适应能力，防止出现过拟合现象。ＥＬＭ 是一种简单高效的单隐层前馈神经网络算法，该算法能避免常规神经网络算法中存在的收敛速度慢，易陷入局部极小值等问题。

2.6 精度评价

利用重复１和重复３的数据（３２个）训练模型，重复２的数据（１６个）验证模型，并采用决定系数Ｒ２）、均方根误差ＲＭＳＥ）和标准均方根误差，ＮＲＭＳＥ）评价模型性能。

结果与讨论

3.1 特征波长选择

将马铃薯５个生育期的冠层原始光谱和一阶微分光谱分别与对应的ＰＮＣ进行相关性分析，结果如图２所示。其中，自由度为４８时，０．０１相关水平阈值是０．３６，黑色和红色纵向虚线分别表示冠层原始光谱和一阶微分光谱特征波长。

图２冠层光谱与ＰＮＣ相关性ＯＲ表示冠层原始光谱与ＰＮＣ相关性曲线，ＦＤ表示一阶微分光谱与ＰＮＣ相关性曲线

由图２可知，现蕾期，冠层原始光谱在波段４５４～７３０ｎｍ 范围内与ＰＮＣ呈０．０１相 关 水 平，一阶微分光谱主要在波段４９２～５５０、６３０～６６６、６７４～６９４和７１０～７６６ｎｍ范围内与ＰＮＣ呈０．０１相关水平，因此，选取相关性较高的波长５５４和７１０ｎｍ 为冠层原始光谱特征波长，波长５４２、６６２、 ６７８和７６６ｎｍ为一阶微分光谱特征波长；块茎形成期，冠层原始光谱主要在波段５５０～６１８、６９４～７０６和７３４～９２２ｎｍ范围内与ＰＮＣ呈０．０１相关水平，一阶微分光谱主要在波段 ４８６～５５０、６２６～６６２、６７０～６８２、６９８～７６２和７７４～７９８ｎｍ范围内与ＰＮＣ呈０．０１相关水平，因此选取相关性较高的波长５６６、６９８和７７８ｎｍ为冠层原始光谱特征波长，波长５０２、 ６５８、６７８、７３０和７８２ｎｍ为一阶微分光谱特征波长；块茎增 长期，冠层原始光谱主要在波段４５４～６９８和７１４～９５０ｎｍ 范围内与ＰＮＣ呈０．０１相关水平，一阶微分光谱主要在波段５４６～５８２、６５０～７７８和８４６～９４６ｎｍ范围内与ＰＮＣ呈０．０１ 相关水平，因此，选取相关性较高的波长５１８、５７４和８５４ｎｍ为冠层原始光谱的特征波长，波长５５４、７２２和８６２ｎｍ 为一 阶微分光谱的特征波长；淀粉积累期，冠层原始光谱主要在波段４５４～７０６和７２２～９５０ｎｍ范围内与ＰＮＣ呈０．０１水平 相关，一阶微分光谱主要在波长４７０ｎｍ、波 段６９４～７７８和８６６～９４６ｎｍ范围内与ＰＮＣ呈０．０１相关水 平，因此，选取相关性较高的波长５４２、６９４和８３０ｎｍ为冠层原始光谱的特征波长，波长４７０、７３８和９０６ｎｍ为一阶微分光谱的特征波长；成熟期，冠层原始光谱主要在波段 ５１８～５８２和 ７１４～ ７２２ｎｍ范围内与ＰＮＣ呈０．０１相关水平，一阶微分光谱主要在波段５０２～５４２、６５０～６７４和７７０～７７８ｎｍ范围内与ＰＮＣ呈０．０１相关水平，因此，选取相关性较高的波长５４６和７１８ ｎｍ为冠层原始光谱的特征波长，波长５１０、６６２和７７４ｎｍ为一阶微分光谱的特征波长。

3.2 图像特征与PNC相关性分析

为探究高光谱图像特征对估算马铃薯ＰＮＣ的影响，利用ＧＬＣＭ和颜色矩分别提取了冠层原始光谱特征波长对应的图像的纹理和颜色特征，并分析与ＰＮＣ的相关性，结果如图３所示。由图３可知，马铃薯现蕾期，与 ＰＮＣ相关性较高的前５个图像特征分别是７１０Ｖａｒ（波长７０１ｎｍ 对应的 Ｖａｒ纹 理）、５５４Ｖａｒ、５５４Ｍｅａ、７１０Ｃｏｒ和 ５５４Ｅｎｔ，相关系数绝对值位于 ０．７８～０．８６之间；块茎形成期，相关性较高的前５个图像特 征分别是６９８Ｈｏｍ 、６９８Ｓｅｃ、６９８Ｅｎｔ、６９８Ｃｏｒ和５６６Ｍｅａ，相 关 系 数 绝对值位于０．７９～０．８５之间；块茎增长期，相关性较高的前 ５个图像特征 分 别 是５１８Ｓｋｅ、５１８Ｖａｒ、８５４Ｅｎｔ、８５４Ｓｅｃ和５７４Ｃｏｎ， 相关系数绝对值位于０．６５～０．７５之间；淀粉积累期，相关性 较高的前５个图像特征分别是５４２Ｍｅａ、５４２Ｓｋｅ、５４２Ｅｎｔ、５４２Ｓｅｃ 和５４２Ｃｏｒ，相关系数绝 对 值 位 于 ０．６０～０．６９之 间；成 熟 期， 相关性较高的前５个图像特征分别是５４６Ｍｅａ、５４６Ｅｎｔ、５４６Ｓｅｃ、 ５４６Ｃｏｒ和５４６Ｃｏｎ，相关系数绝对值位于０．５３～０．６３之间。５个生育期筛选的相关性较高的前５个图像特征均与 ＰＮＣ 达 到 ０．０１相关水平，且都含有纹理和颜色２种特征，这说明纹理和颜色特征与马铃薯ＰＮＣ的联系较为密切。

图３图像特征与ＰＮＣ相关性

3.3 马铃薯PNC估算

3.3.1 单一模型变量估算马铃薯 ＰＮＣ

分别基于马铃薯５个生育期冠层光谱特征波长和相关性较高的前５个图像特征，利用ＥＮＲ、ＢＬＲ 和 ＥＬＭ３种方法构建ＰＮＣ估算模型并验证，建模和验证结果如表１和 表２ 所示。由表１和 表 ２可 知，基 于 光 谱 特 征 （ｘ１）和 图 像 特 征 （ｘ２）利用３种方法构建的马铃薯各生育期ＰＮＣ估算模型均表现为现蕾期到淀粉积累期估算效果较好，成熟期估算效果较差。其中，现蕾期到块茎增长期，利用３种方法基于光谱特征构建的模型效果略优于图像特征，但相差不大；淀 粉积累期，基于图像特征的估算效果开始变差，这一时期，光 谱特征构建的模型效果明显优于图像特征；成熟期，基于２种 模型变量的估算效果均明显变差，基于光谱特征的建模效果优于图像特征，验证效果二者相差不大。综合５个生育期的建模和验证结果可知，基于同种模型变量，利用ＥＮＲ构建的ＰＮＣ估算模型效果较优，ＢＬＲ方法次之，ＥＬＭ方法较差。

表１ 各生育期基于单一模型变量估算马铃薯ＰＮＣ的建模结果

表２ 各生育期基于单一模型变量估算马铃薯ＰＮＣ的验证结果

3.3.2 结合光谱和图像特征估算马铃薯

ＰＮＣ为探究结合高光谱图像和光谱特征估算马铃薯ＰＮＣ的效果，基于冠层光谱特征波长及筛选的与ＰＮＣ相关性较高的纹理和颜色特征，分别利用３种方法构建马铃薯５个生育期的ＰＮＣ估算模型并验证，结果如表３和图４所示。由表３和图４可知，与单一模型变量相似，基于图谱融合特征（ｘ３） 构建的马铃薯ＰＮＣ估算模型在现蕾期到淀粉积累期效果较好，成熟期效果较差。综合表１、表２、表３和图４的结果可 知，现蕾期到淀粉积累期，以图谱融合特征为模型变量的ＰＮＣ估算模型的精度和稳定性均明显高于单一光谱特征和图像特征，而成熟期，图谱融合特征的估算效果与单一光谱特征相差不大。基于图谱融合特征利用３种方法估算马铃薯ＰＮＣ的效果为ＥＮＲ较优，ＢＬＲ次之，ＥＬＭ 较差。

表３各生育期基于融合特征估算马铃薯ＰＮＣ的建模结果

图４ 各生育期基于融合特征估算马铃薯ＰＮＣ的验证效果

为探究高光谱图像特征估算马铃薯ＰＮＣ的效果，分别基于光谱特征和图像特征利用３种方法构建马铃薯５个生育期的ＰＮＣ估算模型。由结果可知，现蕾期到块茎增长期，以图像特征为模型变量构建的ＰＮＣ估算模型的估算效果与光谱特征相差不大，这表明图像特征能较好地反映马铃薯的ＰＮＣ状况，其原因是，作物植株氮含量的变化不仅会引起冠层光谱特性发生改变，也会导致冠层凸凹部分的灰度值及亮度值出现差异，即图像的纹理和颜色差异，因此，图像特征也能较好地估算ＰＮＣ；淀粉积累期，光谱特征估算ＰＮＣ的效果明显优于图像特征，其原因是，淀粉积累期，部分马铃薯植株开始衰老，叶片逐渐枯黄，纹理减少，颜色特征减弱，导致图像特征与ＰＮＣ的相关性降低。成熟期，２种模型变量构建的ＰＮＣ估算模型均未取得较好的效果，其原因是，马铃薯生长后期，受降雨较 多影响，部分马铃薯植株枯死凋零， 叶片迅速脱落，这一时期提取的光谱和图像特征均不能反映马铃薯真实的生长状态，故模型估算效果较差。

为探究图谱融合特征估算马铃薯ＰＮＣ的效果，以光谱特征结合图像特征为模型变量，利用３种方法构建马铃薯５个生育期的ＰＮＣ估算模型。由结果可知，现蕾期到淀粉积累 期，相较于单一光谱特征和图像特征，图谱融合特征构建的模型Ｒ２均有所提高，ＲＭＳＥ和ＮＲＭＳＥ均有所下降，其原因是，图谱融合特征包含不同氮营养状况的作物冠层光谱和图像两方面的信息，为估算ＰＮＣ提供了更多的有效信息，能更准确地反映ＰＮＣ的变化情况。

成熟期，图谱融合特征估算ＰＮＣ的效果明显变差，其原因是，受降雨等因素的影响，这一时期提取的光谱和图像特征不能反映马铃薯真实的生长状态，二者结合也未能提高模型的精度。利用ＥＮＲ、ＢＬＲ和 ＥＬＭ３种方法构建马铃薯ＰＮＣ估 算模型，综合各生育期的建模和验证结果可知，基于同种模型变量，利用ＥＮＲ方法估算马铃薯ＰＮＣ效果最优，ＢＬＲ 次 之，ＥＬＭ最差。其原因是，ＥＮＲ在损失函数中同时引入Ｌ１和Ｌ２惩罚项，提高了对自变量的筛选和缩减能力，能更有效地利用多个光谱和图像特征对ＰＮＣ进行估算；ＢＬＲ虽能充分利用样本数据，但效果不如 ＥＮＲ，可 能 原 因 是 ＢＬＲ过于依赖先验信息，导致模型的精度有所降低；ＥＬＭ虽具有良好的泛化性能，但对较小的数据集优势不明显，导致模型精度不高。此外，本研究仅采用 了１年的马铃薯数据，后续将采用不同地点及年限的马铃薯数据验证所得结论，以期得到普适的马铃薯ＰＮＣ估算模型。

研究方法

（１）利用相关系数法筛选的马铃薯５个生育期的冠层光谱特征波长存在差异，但多数集中于可见光区域。

（２）基于冠层原始光谱特征波长图像筛选的５个图像特征与马铃薯ＰＮＣ均达到０．０１相关水平，且都包含纹理和颜色２种特征。

（３）基于光谱特征、图像特征和图谱融合特征构建的马铃薯 ＰＮＣ估算模型均表现为现蕾期到淀粉积累期估算效果较好，成熟期效果较差，且现蕾期到淀粉积累期图谱融合特征的估算效果明显优于单一光谱特征和单一图像特征。

（４）马铃薯各生育期基于同种模型变量利用ＥＮＲ方法构建的ＰＮＣ估算模型效果较优，ＢＬＲ方法次之，ＥＬＭ方法较差。其中，以图谱融合特征为模型变量，利用ＥＮＲ构建的ＰＮＣ估算模型效 果最好。该研究可为马铃薯氮肥的精准管理提供一种新的技术参考。

推荐：

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品，由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪。

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑黄宇