基于无人机高光谱遥感的水稻氮营养诊断方法-莱森光学-电子发烧友网

引言

氮素是对作物生长、发育，以及最终产量影响最明显的元素，其含量变化会对光合作用、蛋白质合成以及碳氮代谢产生影响。氮素的缺乏会抑制作物地上部分和根系的生长，限制繁殖器官的形成和发育，并显著影响作物最终产量以及品质。因此，快速、精准、大面积地对水稻田间氮素需求情况进行诊断，并依据诊断结果实现精准施肥，是实现水稻田间精准管理和保证水稻产量的重要手段。传统的水稻氮营养诊断标准主要基于临界氮浓度曲线。氮营养指数作为作物氮营养诊断的重要指标，能够定量描述作物的氮营养丰缺状况，为作物氮亏缺量的确定提供了理论依据。

近年来，随着高光谱遥感技术的发展，利用无人机高光谱遥感技术获取水稻氮营养状况信息成为精准农业领域的重要发展方向。高光谱遥感技术能够通过分析作物光谱数据来获得其生长信息，具有快速、无损、准确等优点。对此，国内外已在相关领域取得一定的研究进展。这些研究大多数集中在利用高光谱对水稻氮含量进行反演，而单纯的氮含量信息难以反映水稻的氮营养丰缺状况，因此，结合无人机高光谱遥感技术与临界氮浓度曲线理论，通过光谱反演氮营养指数的形式对水稻进行氮营养诊断成为当前的研究热点。前人研究大都以对水稻进行氮营养诊断为主，而单纯的氮营养诊断只能判断水稻的生长状况，需要进一步获取水稻氮亏缺量数据才能以此对精准施肥做出定量指导。

因此，本文拟以水稻无人机高光谱数据与氮亏缺量为研究对象，以水稻各个时期氮亏缺量约等于０的冠层光谱为标准，对水稻高光谱数据进行比值、差值与归一化差值变换，然后利用竞争性自适应重加权采样法处理原始光谱与变换光谱，筛选出效果最佳的光谱特征波段，并建立基于多元线性回归、极限学习机与蝙蝠算法优化极限学习机的水稻氮亏缺量反演模型，最后比较模型反演效果，确定基于高光谱数据的水稻氮亏缺量最佳反演方法，以期为快速获取水稻氮亏缺量提供研究方向，也为基于田间水稻氮营养状况的精准施肥提供定量指导。

数据获取与反演模型建立

2.1 实验设计

实验于２０２１年６—９月在辽宁省鞍山市海城市耿庄镇沈阳农业大学精准农业航空科研基地（北纬４０°５８′４５. ３９″，东经１２２°４３′４７. ０１″）进行，为避免阴雨多云天气对遥感数据采集造成误差，数据采集过程选择天气晴好的日期，如遇云量超过２０％或不利于遥感数据采集天气则顺延采集。水稻品种为北粳１７０５。

图1实验小区分布图

实验区域如图１所示，实验田分为２个大区，其中实验区１设立５个氮肥梯度，施氮量分别为Ｎ０（０ｋｇ／ｈｍ２）、Ｎ1（７５ｋｇ／ｈｍ２）、Ｎ２（１５０ｋｇ／ｈｍ２）、Ｎ３（２２５ｋｇ／ｈｍ２）、Ｎ４（３００ｋｇ／ｈｍ2），实验区２也设计５个氮肥梯度，施氮量分别为：Ｎ０（０ｋｇ／ｈｍ２）、Ｎ１（５０ｋｇ／ｈｍ２）、Ｎ２（１００ｋｇ／ｈｍ２）、Ｎ３（１５０ｋｇ／ｈｍ２）、Ｎ４（２００ｋｇ／ｈｍ２），氮肥基追比为５∶ ３∶ ２。实验区１对每个梯度设立３个重复小区，共设立３ × ５＝１５个小区。每个小区面积为５ｍ × ８ｍ＝４０ｍ２，实验区２每个小区面积为６６０ｍ２，除氮肥梯度外两组实验区田间管理一致，磷钾肥施用量采用当地标准施用量进行，其中磷肥标准施用量为１４４ｋｇ／ｈｍ２，钾肥标准施用量为１９２ｋｇ／ｈｍ２，基追比为１∶ １，其余田间管理同常规高产管理。田间采样由分蘖期至抽穗期，采样间隔９ｄ，每次采样在各实验小区选取具有代表性的３穴水稻进行冠层光谱、水稻氮浓度与地上干物质量的获取，最后结果取平均值作为该小区水稻氮浓度与地上干物质量。实验区１共采集小区数据１２０组，实验区２共采集小区数据８８组，共计２０８组样本。

2.2 数据获取

2.2.1 水稻光谱参量获取

采用无人机高光谱成像系统，高光谱波段范围为４００～１０００ｎｍ，分辨率为３ｎｍ，有效波段数为２５３个。

2.2.2 水稻农学参量获取

测定样本氮浓度与地上干物质量时，首先对每个小区的水稻进行破坏性采样，将样本带至实验室，然后将样本放入干燥箱中１０５℃ 杀青３０ｍｉｎ后，８０℃干燥至恒质量；之后测量干燥后样本的干物质量，并根据种植密度换算成地上部干物质量；最后将干燥后的样本磨碎，对研磨后的样本通过凯氏定氮法测量植株氮浓度。

2.3 基于临界氮浓度曲线的氮亏缺量计算方法

临界氮浓度是作物达到最大生物量所需的最小氮浓度，因此以临界氮浓度为基准可以推导出临界氮积累量方程，进而建立氮亏缺量方程，并确定水稻氮亏缺量。根据临界氮浓度曲线构建方法，以所测水稻氮浓度与地上干物质量为基础构建东北水稻的临界氮浓度曲线，具体方法如下：对比不同氮肥梯度下测定的氮浓度与干物质量，通过方差分析将样本分为受氮营养限制组与不受氮营养限制组；对受氮营养限制组的数据，将地上干物质量与氮浓度进行线性拟合；对不受氮营养限制组，对同一时期样本地上干物质量取平均值代表该时期最大地上干物质量；取各时期拟合曲线于最大地上干物质中位置的截点为该时期的理论临界氮浓度点；将各时期临界氮浓度点进行幂函数拟合，构建作物临界氮浓度曲线

Ｎｃ＝ａＭ－ｂ（１）

式中Ｎｃ———水稻临界氮质量比，ｇ／ｇ

Ｍ———地上干物质量，ｔ／ｈｍ２

ａ、ｂ———曲线参数

根据临界氮浓度曲线推导出临界氮积累量方程与氮亏缺量方程，推导过程为

Ｎｃｎａ＝１０ａＭ１－ｂ（２）

Ｎａｎｄ＝Ｎｃｎａ－Ｎｎａ（３）

式中Ｎｃｎａ———临界氮浓度条件下植株氮积累量，ｋｇ／ｈｍ２。

Ｎａｎｄ———氮亏缺量，ｋｇ／ｈｍ２

Ｎｎａ———不同施氮量下植株实际氮积累量，ｋｇ／ｈｍ2。

2.4 光谱数据处理

2．４．１高光谱数据转换

由于临界氮浓度状态下作物地上部氮营养状况与冠层叶片结构达到最佳状态，而这些都是影响水稻冠层光谱反射率的直接因素，因此，相比非临界氮浓度状态下的作物，临界氮浓度下水稻同其余水稻无论在光谱层面还是氮营养状况层面都存在一定的差异。为了在光谱层面突出临界氮浓度下水稻与其余水稻的差距，本研究选取各个时期Ｎａｎｄ≈ ０ｋｇ／ｈｍ２样本对应的光谱反射率，将其与同时期其余样本光谱反射率分别做比值、差值和归一化差值变换，计算方法为

式中ＲＳＶ———比值光谱反射率，％

ＲＤ———差值光谱反射率，％

ＲＮＤ———归一化差值光谱反射率，％

ＲＮＣ———临界氮浓度状态下样本光谱反射率，Ｒｉ———同时期其余光谱反射率，％

2．４．2 高光谱特征波长提取

由于全波段光谱相邻波段数据相似度较高，且光在大量与所求变量无关的冗余信息，基于全波段谱的建模往往存在运行速度较慢，模型误差较高，反演精度较低等缺点。为了减少输入变量个数，降低数据冗余性，提高建模速度与精度，本文采用竞争性自适应重加权采样法对光谱反射率数据进行特征提取。ＣＡＲＳ算法基于达尔文进化论简单有效的生存原则“适者生存”，对不适应的波长变量进行逐步淘汰。首先，利用蒙特卡罗采样法采样Ｎ次，再以偏最小二乘回归系数绝对值作为衡量标准，保留回归系数绝对值大的波长变量，去除回归系数绝对值小的波长变量，从而获得一系列的波长变量子集；然后对比每次产生的ＰＬＳＲ模型的交互验证均方差值（RMSECV），RMSEVC最小的那个模型所对应的变量子集被选为最优变量子集。

2.5 反演建模方法

选用多元线性回归（ＭＬＲ）、极限学习机（ＥＬＭ）2 种算法进行建模，并通过 2 种模型对训练集与测试集预测结果的决定系数Ｒ２与均方根误差（ＲＭＳＥ）来判断模型的反演精度与鲁棒性。多元线性回归是一种解释单因变量与多自变量间线性关系的传统回归建模方法，模型结果唯一，并能够更好地体现各个自变量与因变量间的相关程度。极限学习机是一种基于单层前馈神经网络理论的改进算法，具有学习速率快、泛化能力强、训练精度较高等优点。但由于极限学习机每次运行中输入层与隐含层之间的连接权值和隐含层神经元的阈值都是随机生成的，其在训练稳定性上存在不足，且容易陷入局部最优解。因此，本研究采用蝙蝠算法对极限学习机隐含层初始权重进行优化。蝙蝠算法是一种新的元启发式优化算法。该算法模拟自然界中蝙蝠利用回声定位来探测猎物和规避障碍物的原理，控制蝙蝠发出不同频率的搜索脉冲来寻找最优解。相较于经典的粒子群算法，蝙蝠算法引入了局部搜索机制，在每轮迭代中最优蝙蝠个体会采用随机搜索的方式进行局部寻优，有助于算法跳出局部最优解，增强算法的全局搜索性。

结果与讨论

3.1 植株氮亏缺量确定

3.1.1植株氮浓度与地上部干物质量统计分析

东北水稻全生育期植株氮浓度与地上部干物质量的基本信息如表１所示，由于实验包含全生育期采样数据，实验区１与实验区２中的植株氮浓度与地上部干物质量离散程度较高，最大值与最小值差别较大。其中实验区１由于施氮梯度较高，其整体氮浓度与地上部干物质量高于实验区２。实验区２由于在分蘖期与拔节期采样密度较高，其平均氮浓度较高，平均地上部干物质量较低。

表１植株氮浓度与地上部生物量统计

3.1.2临界氮浓度曲线与氮亏缺量计算

根据 1.3 节提出的临界氮浓度曲线的构建方法,本文将每个采样日获得的氮浓度与干物质量进行回归拟合.计算出每个采样日的东北水稻临界氮浓度,之后根据各个临界氮浓度与对应的干物质量构建东北水稻临界氮浓度曲线(图 2)。曲线方程为

决定系数Ｒ２为０. ８７４７，ＲＭＳＥ为０. ３８２５ｇ/ｇ。

图２临界氮质量比拟合曲线

曲线参数ａ、ｂ分别为２. ０２６、－０. ４６０３，与ＳＯＮＧ等计算出的东北水稻临界氮浓度曲线参数ａ＝１. ９９、ｂ＝－０. ４４非常接近，可进一步用于东北水稻的氮亏缺量计算。根据１. ３节中的计算方法，本文结合样本数据与临界氮浓度曲线，计算各样本的氮亏缺量。各个氮肥梯度的平均氮亏缺量如图３所示，随着氮肥梯度的增高，氮亏缺量整体呈下降趋势，综合实验区１与实验区２氮亏缺量的下降趋势可知，水稻最佳施肥量在１５０～２００ｋｇ／ｈｍ２之间。

图３各氮肥梯度平均氮亏缺量

3.2 光谱数据处理

3.2.1光谱数据变换结果

根据１. ４. １节提出的方法，本研究选取各个时期Ｎａｎｄ≈０ｋｇ／ｈｍ2的样本对应光谱反射率，将其与其余样本光谱反射率分别作比值、差值、归一化差值变换，变换结果与相关性分析结果如图４、５所示，

图４原始与变换光谱反射率

图５原始与变换光谱相关性

对比可得，不同施氮水平下原始光谱全波段反射率变换趋势基本一致，在可见光波段（波长４００～７００ｎｍ）光谱反射率均呈“先升后降” 的变化规律。同时，在绿波段（波长５５０ｎｍ附近）出现明显的反射峰，在红波段（波长６８０ｎｍ附近）出现明显的吸收谷。在波长６８０～７７０ｎｍ内不同施氮水平的光谱反射率曲线变化基本一致，反射率急剧升高，在近红外波段（７７０～１０００ｎｍ）形成较高的反射平台；不同施氮水平下比值、差值与归一化差值光谱反射率有一定差别，但在绿波段与红波段差别较为明显；在与氮亏缺量的相关性方面，４种光谱反射率与氮亏缺量的相关性图像趋势基本一致，在红波段与绿波段形成２个波峰，其中归一化差值光谱在２个波峰处相关性最佳，其次分别是比值光谱、差值光谱与原始光谱。

3.2.2 特征波长选择

利用ＣＡＲＳ算法对水稻原始光谱与归一化差值光谱反射率进行特征波长的筛选，根据交叉验证集ＲＭＳＥＣＶ确定光谱特征波长后，删去相邻的特征波长，并通过相关性分析选取与Ｎａｎｄ相关性最好的波长作为最佳特征波长。

图６原始光谱ＣＡＲＳ降维结果

以原始光谱选择过程为例：由图６ａ可以看出，随着运行次数的增加，原始光谱被选出的波段数逐渐减少，图６ｂ中ＲＭＳＥＣＶ整体呈下降趋势，说明筛选过程中剔除的变量与ＳＯＭ去除量无关，而７２次迭代以后，ＲＭＳＥＣＶ呈回升趋势，表明反射率光谱中与ＳＯＭ无关的大量信息或噪声被添加，从而导致ＲＭＳＥＣＶ上升。图６ｃ为所有变量在每次采样过程中的回归系数路径图，表示随着运行次数的增加各波段变量回归系数的变化趋势。结合图６ｂ分析发现当运行次数为第７２次时，ＲＭＳＥＣＶ最小即所选择的光谱变量子集最优。原始光谱与３种变换光谱的特征选择结果如表２所示。

表２ＣＡＲＳ提取后原始光谱与变换后光谱特征波长与运行结果

3.3 氮亏缺量反演模型构建

为比较不同光谱变换方法与反演建模方法的性能，分别以经ＣＡＲＳ算法筛选出的原始光谱、比值光谱、差值光谱、归一化差值光谱特征波长为输入变量,水稻氮亏缺量为输出变量,分别构建基于MLR、ELM 的水稻氮亏缺量反演模型。

3.3.1 基于MLR的氮亏量反演

将４种光谱特征波长作为输入变量，分别构建基于ＭＬＲ的反演模型，反演结果如图７所示：

图７基于ＭＬＲ的不同反演模型结果

其中基于归一化差值光谱的模型精度最高，训练集与测试集的Ｒ２分别为０. ６５４０、０. ７１５８，ＲＭＳＥ分别为０. ９５５７、１. ２０４８ｋｇ／ｈｍ２；其次是基于差值光谱反演模型，其Ｒ２分别为０. ６００５、０. ５２４２，ＲＭＳＥ分别为１. １０３１、１. １８４２ｋｇ／ｈｍ２；然后是基于原始光谱的反演模型，Ｒ２分别为０. ５９５６、０. ５８２６，ＲＭＳＥ分别为１. １８９４、１. ０８３９ｋｇ／ｈｍ２。基于比值光谱的模型精度精度Ｒ２分别为０. ５９７３、０. ５１７５，ＲＭＳＥ分别为１. ０３４０、１. ０６４６ｋｇ／ｈｍ２；基于归一化差值光谱的反演模型反演效果最好。

3.3.2 基于ELM的氮亏量反演

将４种光谱特征波长作为输入变量，分别构建基于ＥＬＭ的反演模型，映射函数为Ｓｉｇｍｏｉｄ，隐含层个数分别为１３、１４、１２、１３，训练结果如图８所示。

图８基于ＥＬＭ的反演模型结果

其中基于归一化差值光谱的模型精度最高，训练集与测试集的Ｒ２分别为０. ７２１１、０. ６８３２，ＲＭＳＥ分别为０. ８５７８、１. １５１２ｋｇ／ｈｍ２；其次是基于比值光谱的反演模型，Ｒ２分别为０. ６８５０、０. ６３４４，ＲＭＳＥ分别为０. ９１４５、０. ９５８４ｋｇ／ｈｍ２；然后是基于差值光谱反演模型，其Ｒ２分别为０. ６３２２、０５９９４，ＲＭＳＥ分别为１. ０５７０、１. ０６９９ｋｇ／ｈｍ２；最后是原始光谱的模型精度最低，Ｒ２分别为０. ６１９２、０. ５４７７，ＲＭＳＥ分别为１. １５４６、１. １７５３ｋｇ／ｈｍ2。基于归一化差值光谱的反演模型Ｒ２与ＲＭＳＥ均优于其余模型。

3.4 针对不同施肥量的模型预测能力

在实验区１与实验区２中，以反演效果最优模型的氮亏缺量估测值与对应梯度的氮亏缺量实测值对比，结果如图9所示：

图9 不同梯度氮亏缺量估测效果

实验区１与实验区２中，整体上估测值与实测值较为相近，对水稻氮亏缺量的估测能力较强；随着施氮量梯度的提升，对氮亏缺量的估测精度呈下降趋势，在临界氮浓度状态附近估测能力较差，这可能是因为临界氮浓度状态下与非临界氮浓度状态下水稻光谱变化规律不一致，模型同时估测２种状态的水稻光谱预测难度较高所致。

讨论

以往学者研究焦点往往集中在如何提高获取水稻田间氮浓度或氮营养指数信息的准确性，然而这些信息只能描述水稻的氮营养状况，难以对水稻氮亏缺状况进行精确的定量描述，进而指导精准施肥。本文首先通过田间采样获取水稻氮浓度、地上生物量与冠层光谱数据，根据前人提出的方法构建东北水稻临界氮浓度曲线，并基于临界氮浓度曲线计算水稻氮亏缺量。

由于临界氮浓度表示作物达到最大干物质量所需的最小氮浓度，以临界氮浓度作为判断水稻氮亏缺量的标准更能反映田间水稻的氮营养状况与实际氮需求情况。同时本研究还采用了无人机高光谱遥感技术与数据驱动的反演建模方法，通过水稻冠层光谱数据对氮亏缺量进行反演。无人机高光谱遥感技术能够快速、大面积获取水稻冠层光谱信息，进而对田间水稻氮营养状况进行快速诊断，数据驱动的反演建模方法虽然可解释性与泛化能力较差，但其能够对光谱与氮亏缺量之间的复杂非线性关系进行准确描述，将二者结合能够同时满足追肥决策所需的精确性与时效性，为定量追肥决策的实现提供了解决思路。由于临界氮浓度状态下作物地上部氮营养状况与冠层叶片结构达到最佳状态，而这些都是影响水稻冠层光谱反射率的直接因素，因此，相比非临界氮浓度状态下的作物，临界氮浓度下作物无论在光谱层面还是氮营养状况层面都存在一定差异。为了在光谱层面上放大临界氮浓度下水稻与其余水稻的差距，去除与氮亏缺量无关的冗余信息，本研究以各时期接近临界氮浓度状态下光谱为标准光谱，分别对原始光谱进行比值、差值、归一化差值变换，之后运用ＣＡＲＳ算法提取变换光谱的特征波长。

由结果可知 2 种光谱变换均提升了其与氮亏缺量之间的相关性，其中归一化差值变换相关性与反演精度最高，这可能是由于归一化差值计算既通过差值计算放大了临界氮浓度光谱与其余冠层光谱的差异，又统一了差值光谱数据的量纲，还对光谱数据的统计分布性进行了归纳。在建模过程中，本文选择蝙蝠算法优化ＥＬＭ算法的初始权重，并将其与原始ＥＬＭ进行对比建模。

虽然本研究利用无人机高光谱数据对水稻氮亏缺量反演取得了较好的效果，但对于实现基于无人机高光谱遥感的水稻精准追肥仍存在以下几点问题：①本文采用的归一化差值处理方法是基于各个采样期临界氮浓度状态的水稻光谱计算的，而这些光谱如果用于其他水稻光谱的计算时，可能会因为采样时间、水稻品种与发育状况等因素造成误差，进而影响氮亏缺量反演效果。②蝙蝠算法优化后的ＥＬＭ算法也存在收敛精度不高，容易陷入局部最小值等问题。后续的研究重点应集中在如何在无人机高光谱数据中实时提取临界氮浓度状态下的水稻光谱与对反演算法的精度与鲁棒性进行优化这两方面上。

结论

（１）构建了东北水稻临界氮浓度曲线，可表示为Ｎｃ＝２. ０２６Ｍ－０. ４６０３。

（２）通过ＣＡＲＳ算法提取的原始光谱、比值光谱、差值光谱与归一化差值光谱特征波长分别为４００、４１１、４２２、４４７、５７０、６７７ｎｍ，５３３、６９５、７１５、７３８、７７４ｎｍ，４１３、４２４、４４４、４９７、５３３、６００、６７６、６９１ｎｍ，４８４、５６０、６４４、６７２、６９５、７２４ｎｍ。

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７１８ｎｍ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。