一种基于三波段光谱指数估测植物氮含量的方法

摘要

本发明公开了一种基于三波段光谱指数估测植物氮含量的方法，属于植物遥感监测领域，本发明在近红外光波段、可见光红光波段的基础上，增加了蓝绿光波段及其修正系数，建立了三波段光谱指数及氮含量的监测模型，同时提供该模型的检验模型。本发明克服了现有二波段光谱指数法趋向饱和时灵敏度下降的缺陷，尤其对不同品种、不同水分处理、不同氮素水平下的水稻、小麦叶片氮含量监测具有较高的精度和准确性，实现了作物氮素信息的实时获取，促进了基于光谱技术的作物无损监测技术的广泛应用。

说明书

技术领域

本发明涉及农业植被遥感领域，具体地说涉及一种基于三波段光谱指数估测植物氮 含量的方法。

背景技术

氮肥的施用是提高作物产量和品质的有效途径，但不科学的氮肥投入会使作物无法 完全吸收利用，导致经济损失和生态污染。因此，近年来人们开始研究精确氮肥管理， 从而提高氮肥利用率的有效途径，而准确、实时地获取田间作物氮素状况是精确氮肥管 理的基础。

传统的获取植物氮素营养的方法主要依赖于破坏性取样、室内分析测定，虽然结果 较为可靠，但具有一定滞后性，并破坏了植被完整性。植被遥感光谱技术能够实时、快 速、无损地监测作物氮素营养状况，及时进行苗情诊断，为精确氮素管理提供可靠的技 术支持。

植被遥感可区别植物类型并进行划分，可以推演出植被的重要参数，还可以较准确 地估算出与植被光合作用有关的一些物理量。植被遥感的基本原理是植物的光谱特性。 不同植物由于叶片的组织结构和生化组分不同，具有不同的光谱特征，特别是近红外波 段有较大的差别。

归一化植被指数(NDVI，Normalized Difference Vegetation Index)被定义为近红外 波段与可见光红波段数值之差和这两个波段数值之和的比值，是近红外波段和可见光红 光波段两个波段表示的统计参数，即：

$\mathrm{NDVI}=\frac{R_{\mathrm{nir}}-R_{\mathrm{red}}}{R_{\mathrm{nir}}+R_{\mathrm{red}}}$

NDVI的应用非常广泛，它是植被生长状态及覆盖度的最佳指示因子，与植被分布 情况密切相关。在有植被覆盖的情况下，NDVI为正值(＞0)，并随植被覆盖度增大而 增大。但是，NDVI的一个主要的缺陷在于：当植被覆盖度大于80％后，NDVI值增加 缓慢，呈饱和状态，严重影响监测的灵敏度。

发明内容

发明目的：本发明的目的是提供一种基于三波段光谱指数估测植物氮含量的方法， 用于修正二波段归一化植被指数过饱和的缺陷，建立一个基于三波段指数的高效、精确 的植物氮含量监测模型。

技术方案：为实现上述目的，本发明的一种基于三波段光谱指数估测植物氮含量的 方法包括如下步骤：

(1)测定植物氮含量并进行光谱采样；

(2)构建三波段光谱指数(mNDVI)，所述$\mathrm{mNDVI}=\frac{(R_{\mathrm{nir}}-(R_{\mathrm{red}}-k\times R_{\mathrm{green}/\mathrm{blue}}))}{(R_{\mathrm{nir}}+(R_{\mathrm{red}}-k\times R_{\mathrm{green}/\mathrm{blue}}))},$

其中R_nir为近红外波段的反射率，R_red为可见光红光波段的反射率，R_green/blue为可见 光蓝绿光波段反射率，k为修正系数；

(3)取mNDVI与植物氮含量相关性最高时的k值；

(4)分别在近红外波段(760nm～1000nm)、可见光红光波段(620～760nm)、可见 光蓝绿光波段(400～600nm)中任意取R_nir、R_red、R_green/blue随机组合建立mNDVI与植物 氮含量的线性回归模型，取较高的决定系数(R²)所对应的波段作为最优R_nir、R_red、 R_green/blue；

(5)利用mNDVI建立该植物氮含量的监测模型；

(6)检验步骤(5)得到的监测模型。

所述步骤(1)中植物氮含量的测定采用破坏性取样，将被测植物样本烘干称重， 采用凯氏定氮法测定得到实测氮含量。同时进行光谱采样，采用光谱辐射仪在适宜天气 中观测采样，记录光谱反射率。

所述步骤(3)中模拟k在(-5，5)区间内，间隔0.5的步长变化下，通过模拟取mNDVI 与植物氮含量相关性最高的k值。模拟步长须结合实际情况进行调整，当间隔步长过大 时，会遗漏最佳k值，而当间隔步长过小时，会增加计算工作量，且没有显著提高模型 精度。

所述步骤(5)中建立监测模型通过将一定时间内试验统计的多个mNDVI建立监测 模型Y＝a×mNDVI+b，并对监测模型进行评估。所述监测模型的评估采用监测决定系 数(R_Y²)和标准误(SE)评估模型拟合度。

所述步骤(6)包括：利用独立年份该植物测定得的叶片氮含量(LNC)建立检验 模型y＝c×LNC+d。所述检验模型采用检验精度(R_A²)、相对均方根误差(RRMSE) 和斜率(slope)进行综合评价。

其中，$\mathrm{RRMSE}=\sqrt{\frac{1}{n}\times \underset{i=1}{\overset{n}{\Sigma }}{(P_i-O_i)}^2}\times \frac{100}{\overline{O_i}},$n为模型检验样本数，P_i为模型估测值， O_i为试验观察值。

本方案可以对某一独立对象进行氮含量监测，也可同时监测不同对象的氮含量。当 监测不同对象的氮含量时，步骤(4)所述确定最优R_nir、R_red、R_green/blue时，取各对象较 高的决定系数(R²)前10％的交集的最好结果。

有益效果：本发明的一种基于三波段光谱指数估测植物氮含量的方法克服了现有二 波段光谱指数法趋向饱和时灵敏度下降的缺陷，尤其对不同品种、不同水分处理、不同 氮素水平下的水稻、小麦叶片氮含量监测具有较高的精度和准确性，实现作物氮素信息 的实时获取，促进了基于光谱技术的作物无损监测技术的广泛应用。

附图说明

图1是本发明估测植物氮含量的方法流程图；

图2是本发明不同修正系数k下mNDVI与稻麦叶片氮含量的相关性示意图；

图3是本发明mNDVI与稻麦叶片氮含量监测模型的模型效果图，纵坐标表示叶片 氮含量(LNC(％))，横坐标为对应的三波段植被指数(mNDVI)。图中表明经多年监 测实验结果得出：水稻从拔节到灌浆期的监测模型Y＝4.4366x-1.0648，监测决定系数 R_Y²＝0.870，标准误SE＝0.052，样本数N＝183；小麦从拔节到灌浆期的监测模型 Y＝7.3912x-2.7266，监测决定系数R_Y²＝0.857，标准误SE＝0.148，样本数N＝228；

图4是本发明三波段植被指数mNDVI与稻麦叶片氮含量模型检验测试效果图，图 中样本为独立年份资料，纵坐标为预测氮含量，横坐标表示某年实测氮含量。该图表明 水稻从拔节到灌浆期的检验模型y₁＝0.7405x+0.7405，检验精度R_A²＝0.866，相对均方根 误差RRMSE＝0.131，样本数N＝180；小麦从拔节到灌浆期的检验模型y₂＝0.9795x+0.3672， 检验精度R_A²＝0.8583，相对均方根误差RRMSE＝0.169，样本数N＝250。

具体实施方式

下面结合附图对本发明作更进一步的说明。

S101测定植物氮含量、光谱采样

样本信息来自不同生态点的不同品种稻麦，经区别氮肥处理和水分处理的稻麦试验 田共8个。水稻品种包括武香粳9、华粳2、日本晴、武香粳14、27123和两优培九； 小麦品种包括宁麦9、扬麦12、豫麦34、淮麦25和徐麦856。氮肥处理(水稻：0～405 kg·hm^-2，小麦：0～270kg·hm^-2)。水分处理(-60、-40、-20、5cm水层灌溉，田间持水 量百分比40％～45％、60％～65％、75％～80％和100％)。生态点包括南京和淮安。样本信 息的采集从2004～2009年。

本实施监测的是稻麦叶片的氮含量，进行光谱采样时，采用美国Analytical Spectral  Device(ASD)公司生产的FieldSpec Pro FR2500型背挂式野外高光谱辐射仪对稻麦冠 层进行采样。采样时选择在天气晴朗、无风或风速很小时进行，采样时间为10:00～14:00 h，光谱辐射仪视场角为25°，距冠层顶垂直距离约1.0m，地面视场范围为0.44m²。 每小区测定3个观测点，每个观测点记录10个采样光谱，以其平均值代表该小区光谱 反射率。

植物氮含量的测定与光谱观测同步，采用田间破坏性取样，每小区取10株，将绿 色叶片按叶位分离，在105℃下杀青并在80℃下烘干后称重。采用凯氏定氮法测得氮含 量，通过不同叶位叶干重加权计算出冠层叶片的实测氮含量。

S102构建mNDVI

$\mathrm{mNDVI}=\frac{(R_{\mathrm{nir}}-(R_{\mathrm{red}}-k\times R_{\mathrm{green}/\mathrm{blue}}))}{(R_{\mathrm{nir}}+(R_{\mathrm{red}}-k\times R_{\mathrm{green}/\mathrm{blue}}))};$

其中R_nir为近红外波段的反射率，R_red为可见光红光波段的反射率，R_green/blue为可见 光蓝绿光波段反射率，k为修正系数。

模拟k在(-5，5)区间内，间隔0.5的步长变化下，mNDVI与植物氮含量的相关性， 当k＝2时，mNDVI与叶片氮含量的敏感性最高，进而得到：

$\mathrm{mNDVI}=\frac{(R_{\mathrm{nir}}-(R_{\mathrm{red}}-2\times R_{\mathrm{green}/\mathrm{blue}}))}{(R_{\mathrm{nir}}+(R_{\mathrm{red}}-2\times R_{\mathrm{green}/\mathrm{blue}}))}.$

S103确定对应该被测植物指数的最优R_nir、R_red、R_green/blue

分别在近红外波段(760nm～1000nm)、可见光红光波段(620～760nm)、可见光蓝 绿光波段(400～600nm)中任意取R_nir、R_red、R_green/blue随机组合建立mNDVI与植物氮含 量的线性回归模型，取较高的决定系数(R²)所对应的波段作为最优R_nir、R_red、R_green/blue， 得到λ_nir＝924nm，λ_red＝703nm，λ_green/blue＝423nm。从而得到：

$\mathrm{mNDVI}=\frac{(R_{924}-(R_{703}-2\times R_{423}))}{(R_{924}+(R_{703}-2\times R_{423}))}.$

S104利用mNDVI建立氮含量监测模型；

基于上述新构建的mNDVI，利用2004～2009年各大田试验区的试验数据，构建适 用于稻麦拔节期至灌浆期叶片氮含量的监测模型Y₁和Y₂。将试验统计的多个mNDVI建 立监测模型Y＝a×mNDVI+b，并采用监测决定系数(R_Y²)和标准误(SE)对监测模 型的拟合优度进行评估。如图3所示：

水稻：Y₁＝4.4366×mNDVI(R₉₂₄，R₇₀₃，R₄₂₃)-1.0648；监测决定系数R_Y²为0.870，标 准误SE为0.052；

小麦：Y₂＝7.3912×mNDVI(R₉₂₄，R₇₀₃，R₄₂₃)-2.7266；监测决定系数R_Y²为0.857，标 准误SE为0.148。

图3显示了本发明mNDVI与稻麦叶片氮含量监测模型的模型效果图，纵坐标表示 叶片氮含量，横坐标为对应的三波段植被指数。结果表明：水稻从拔节到灌浆期的监测 模型Y＝4.4366x-1.0648，监测决定系数R_Y²＝0.870，标准误SE＝0.052，样本数N＝183； 小麦从拔节到灌浆期的监测模型Y＝7.3912x-2.7266，监测决定系数R_Y²＝0.857，标准误 SE＝0.148，样本数N＝228。

S105检验氮含量监测模型。

利用独立年份试验资料稻麦叶片测得的氮含量(LNC)建立检验模型y＝c×LNC+d。 检验模型采用检验精度(R_A²)、相对均方根误差(RRMSE)和斜率(slope)对进行综 合评价。$\mathrm{RRMSE}=\sqrt{\frac{1}{n}\times \underset{i=1}{\overset{n}{\Sigma }}{(P_i-O_i)}^2}\times \frac{100}{\overline{O_i}},$n为模型检验样本数，P_i为模型估测值，O_i为试验观察值。

水稻从拔节到灌浆期的检验模型：y₁＝0.7405x+0.7405，检验精度R_A²＝0.866，斜率 slope为0.749，相对均方根误差RRMSE＝13.1％；

小麦从拔节到灌浆期的检验模型：y₂＝0.9795x+0.3672，检验精度R_A²＝0.8583，斜率 slope为0.797，相对均方根误差RRMSE＝16.9％。

将上述试验资料的结果与现有的光谱植被指数在稻麦叶片氮含量估测中的表现进 行对比，这些光谱植被指数包括：三波段指数修正的归一化指数(mND)、修正的比值 指数(mSR)、增强型植被指数(EVI)，转换型色素吸收光谱指数(TCARI)，中分辨率 地面叶绿素指数(MTCI)，两波段植被指数归一化差值红边指数(NDRE)、冠层色素含 量指数(CCCI)、RVI(R₈₇₀，R₆₆₀)等，如表1所示：

表1  各种植被指数的稻麦叶片氮含量监测模型表现

结果表明，本发明所提供的三波段光谱植被指数mNDVI建立的稻麦氮含量估测模 型准确性较高，预测能力较强，优于已有的三波段指数和两波段指数。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员 来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。