CN110376167A

CN110376167A - 基于无人机高光谱的水稻叶片氮含量监测方法

Info

Publication number: CN110376167A
Application number: CN201910689197.7A
Authority: CN
Inventors: 刘龙; 陈晓岩; 李晓鹏; 高晨; 郝荣欣
Original assignee: Beijing Mafei Technology Co Ltd
Current assignee: Beijing Mafei Technology Co Ltd
Priority date: 2019-07-29
Filing date: 2019-07-29
Publication date: 2019-10-25

Abstract

本发明公开了一种基于无人机高光谱的水稻叶片氮含量监测方法，属于农业遥感监测技术领域，包括：获取水稻冠层叶片氮含量以及无人机高光谱反射率数据，无人机高光谱数据的验证、叶片氮含量敏感波段的筛选和构建可用于田间尺度的全生育期作物叶片氮含量的监测模型。本发明通过无人机搭载麦氏探针(MVD)高光谱传感器，节约光谱数据获取时间和人力成本，提升了作物叶片氮含量的快速识别能力，进而可服务于较大尺度的作物氮肥管理，对于现代农业的发展更具有实用价值。

Description

基于无人机高光谱的水稻叶片氮含量监测方法

技术领域

本发明属于农业遥感监测技术领域，具体是指一种基于无人机高光谱的水稻叶片氮含量监测方法。

背景技术

水稻是重要的粮食作物，而氮肥是其生长和发育过程中的关键元素，直接影响光合作用进而影响产量及籽粒质量。当前为实现粮食增产导致大量的氮肥被使用，但其效率低下，不仅是对资源的浪费，同时也将带来水体富营养化、土壤酸化等环境问题。因此，对作物氮素状况进行精确的管理是十分重要的，对田间作物氮素状况进行实时、准确的监测是提高氮素利用效率、提高作物产量和品质的有效途径。

作物氮素状况的传统测量依赖于从田间进行植物采样并在实验室进行分析，此类方法结果相对可信，但不能满足实时、快速、非破坏性的监测和作物氮素状况诊断的要求。高光谱遥感具有高分辨率和大量的光谱信息，近年来被广泛应用于作物生理指标如地上生物量、叶片氮含量、叶片含水量、叶面积指数等的提取。过去的研究发现，基于叶片尺度的作物氮素状况遥感监测具有较高的精度。然而，冠层光谱反射反映了作物群体的综合信息，包括叶片结构特性、冠层结构、土壤背景、大气噪声，因此，作物冠层氮素监测面临更多的挑战。

高光谱遥感数据可从多尺度获取，其中卫星遥感数据，受天气干扰大：作物生长期多阴雨天气，由于云量太多，很难及时获得可用的遥感数据。而地面遥感数据，主要由地物光谱仪(如美国ASD公司的FieldSpace系列)获取，仪器多为进口，造价昂贵，且此类光谱仪多为台式，体积较大，需使用者背负前行操作。在水稻等淹水淤泥田里，此类仪器使用难度和人力成本都较大。低空无人机遥感，可以很好的弥补前述不足。无人机携带方便、操作简单，可实现田间尺度作物长势、病虫害监测、土壤养分等信息的实时监测，为精准田间管理提供保障。

目前大多数氮素监测模型都是基于卫星或地面高光谱数据建立的，因此探究并得出基于无人机高光谱信息的水稻叶片氮含量的监测模型具有十分重要的科研价值和实用意义。

发明内容

针对现有技术的不足，本发明的目的提供了基于无人机高光谱的水稻叶片氮含量监测方法，该方法所构建的监测模型可用于监测全生育期水稻叶片氮含量。

为了实现上述目的，本发明提供的基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：包含以下步骤：

(1)测量不同施氮肥水平下，不同生育期的水稻冠层原始高光谱反射率和叶片氮含量；

(2)对原始光谱反射率进行S-G平滑并进行重采样，获得平滑的间隔为1nm的光谱反射率；

(3)通过对比由无人机搭载的MVD高光谱传感器获取的高光谱数据与基于经典植被指数的ASD高光谱数据，验证MVD数据的可靠性；

(4)基于归一化即NDSI＝(R_λ1-R_λ2)/(R_λ1+R_λ2)以及比值即RVI＝R_λ1/R_λ2两种植被指数形式进行两波段植被指数构建，得到最优两波段组合，确定监测水稻叶片氮含量的最优两波段光谱指数；

(5)通过竞争自适应重加权采样(CARS)方法对水稻叶片氮含量敏感波段进行筛选，基于所选出的敏感波段，采用偏最小二乘回归(PLSR)方法对叶片氮含量进行回归建模并进行模型验证：

基于植被指数法，得出MVD高光谱反射率对叶片氮含量敏感性最高的两波段组合为587nm以及698nm；

通过竞争自适应重加权采样-偏最小二乘回归，筛选出与叶片氮素相关的12个优势波段。

作为优选方案，所述步骤(1)中测量水稻无人机高光谱冠层反射率的方法具体为：

利用无人机搭载MVD悬停飞行，获取冠层高光谱数据，传感器探头垂直向下，光谱仪视场角为34°，飞行高度距水稻冠层顶3m；每个田块悬停测量8个数据点，每个数据点重复测量6条；测量波段范围为337.854nm-823.295nm，测量间隔为0.4nm，共1024个波段；

利用地物光谱仪Fieldspec 4获取地面冠层高光谱数据；传感器探头垂直向下，光谱仪视场角为25°，探头距水稻冠层顶垂直高度1m；每个田块随机测量8个数据点且与MVD悬停位置对应，每个数据点重复测量10条；测量波段范围为350-2500nm，测量间隔为1nm，共2151个波段；

冠层高光谱数据测量时间为北京时间10:00-14:00，无风无云；利用地物光谱仪数据对无人机搭载MVD所获光谱数据进行验证。

进一步地，所述步骤(1)中测量水稻叶片氮含量的方法具体为：

测定光谱之后在田间进行水稻样本的破坏性采样，在待测小区中随机选取4穴水稻，将叶片分离出来，烘箱105℃条件下杀青30分钟，然后调至70℃烘干至恒重后，水稻叶片样品通过凯氏定氮法测定全氮含量。

更进一步地，所述步骤(4)中最优两波段组合为587nm和698nm，其植被指数NDSI的验证集R²＝0.865，RMSE＝0.419，RVI的验证集R²＝0.864，RMSE＝0.419。

更进一步地，所述步骤(5)中筛选的特征波段分别是403nm、450nm、477nm、507nm、560nm、593nm、623nm、649nm、674nm、716nm、773nm和800nm，模型验证集R²＝0.969，RMSE＝0.166。

本发明的优点及有益效果如下：本发明的方法通过结合无人机与MVD高光谱传感器，节约光谱数据获取时间和人力成本，提升了作物叶片氮含量的快速识别能力，进而可服务于较大尺度的作物氮肥管理；提升作物叶片氮含量的无损检测能力，可直接用于田间尺度叶片氮含量的快速识别，对于现代农业的发展更具有实用价值。

附图说明

图1为无人机高光谱信息的水稻叶片氮含量监测方法技术流程图；

图2为实施例试验小区分布图；

图3为不同施氮水平下的原始MVD高光谱反射率；

图4为不同施氮水平下的S-G平滑重采样之后的MVD高光谱反射率；

图5为MVD与ASD高光谱数据对比，利用S-G平滑以及重采样后的MVD和ASD高光谱数据计算经典植被指数，对比不同数据源的植被指数与水稻叶片氮含量的决定系数；

图6为MVD与ASD高光谱数据对比，利用S-G平滑以及重采样后的MVD和ASD高光谱数据计算经典植被指数，计算不同数据源的植被指数之间的决定系数；

图7水稻全生育期NDSI指数与叶片氮含量的决定系数R²等值线图，颜色越深证明决定系数越大；

图8水稻全生育期RVI指数与叶片氮含量的决定系数R²等值线图，颜色越深证明决定系数越大；

图9水稻全生育期基于CARS方法筛选的水稻叶片氮含量敏感波段；

图10水稻全生育期基于CARS-PLSR方法的水稻叶片氮含量预测效果图。

具体实施方式

在本发明的一个实施例中，提供了以湖北省监利县水稻试验区为例的叶片氮含量监测模型的构建方法。需要说明的是，该方法除了适用于水稻之外，还适用于其他农作物，本发明实施例对此不作具体限定。参见图1，具体过程如下：

一、试验设计

本发明的实验地选择在湖北省监利县红城乡朝阳村水稻试验区，该试验始于2018年7月(插秧)，结束于2018年10月(收割)，水稻品种为泰优398。试验田共12行，每行8米(第一行4米)，长度大约45米，2行做一沟，2行中间做田埂。沟宽0.5米，田埂宽0.4米，沟与田埂高度都为0.3米，围沟0.6米。试验小区具体分布如图2所示。氮肥施用梯度4个：0％、33％、66％和100％。其中100％施底肥40斤/亩，人工撒施。所使用复合肥为53％测土配方肥掺混肥(26-11-16)，规格为80斤/袋。具体试验小区面积及施肥情况如表1。

表1各试验小区基本情况

二、数据获取

此试验在水稻全生育期共有10次观测，分别为2018年7月14日、7月22日、7月28日、8月5日、8月15日、8月25日、9月5日、9月15日、9月25日以及10月12日，涵盖水稻的三叶期至黄熟期。具体观测项目如下：

(1)MVD高光谱数据

利用无人机搭载MVD(麦飞科技公司)悬停飞行，获取冠层高光谱数据，传感器探头垂直向下，光谱仪视场角为34°，飞行高度距水稻冠层顶3m。每个田块悬停测量8个数据点，每个数据点重复测量6条。测量波段范围为337.854nm-823.295nm，测量间隔为0.4nm，共1024个波段。

(2)ASD高光谱数据

利用地物光谱仪Fieldspec 4(ASD.INC US)获取地面冠层高光谱数据。传感器探头垂直向下，光谱仪视场角为25°，探头距水稻冠层顶垂直高度约1m。每个田块随机测量8个数据点(与MVD悬停位置对应)，每个数据点重复测量10条。测量波段范围为350-2500nm，测量间隔为1nm，共2151个波段。

冠层高光谱数据测量时间均为北京时间10:00-14:00，无风无云。

(3)叶片氮含量

测定光谱之后在田间进行水稻样本的破坏性采样，在待测小区中随机选取4穴水稻，将叶片分离出来，烘箱105℃条件下杀青30分钟，然后调至70℃烘干至恒重后，水稻叶片样品通过凯氏定氮法测定全氮含量，具体方法参见《土壤农化分析》。

三、数据处理

采用Savitzky-Golay滤波器(S-G)对原始光谱反射率进行二项式拟合平滑，同时利用Matlab自带插值函数对光谱反射率进行重采样，采样间隔为1nm。平滑采样后的MVD高光谱反射率示意图见图3。

四、MVD高光谱数据可靠性验证

分别利用MVD以及ASD光谱数据计算与氮素相关的经典植被指数，将植被指数进行对比，同时与叶片氮含量进行相关性分析。比较用不同高光谱数据计算的经典植被指数(见图4)，发现植被指数的相关性很高(R²>0.7)，可证明两种数据在一些敏感波段的一致性较好。且通过对比两种数据计算的植被指数与叶片氮含量的相关性可知，基于MVD的高光谱植被指数与叶片氮的相关性基本优于基于ASD的。由此可表明MVD高光谱数据具有可靠性，且MVD高光谱数据具有估算叶片氮含量的能力。

五、模型构建与验证

此试验数据采集共10次，获取总样本120个，在水稻叶片氮含量监测模型构建时，抽取70％(n＝86)作为建模集，剩余30％(n＝34)作为验证集。本发明共采用2种方法构建水稻叶片氮含量监测模型，其具体过程如下：

(1)基于VIs(植被指数)相关性分析

为寻找监测水稻叶片氮含量的最佳两波段光谱指数，利用十次MVD冠层光谱数据分析400-823nm波段范围内的任意两波段(λ1、λ2)组合构建NDSI(归一化植被指数)和RVI(比值植被指数)，根据决定系数R²校验NDSI、RVI与叶片氮含量(LNC)构建的线性模型的表现，决定系数图具体见图5，其中：

由于NDSI指数中任意λ1、λ2组合是对称的，因此选取λ1<λ2，决定系数图等高线图只画一半。不同类型两波段光谱指数中表现最好的敏感波段组合、线性回归方程以及决定系数R²汇总情况见表2所示。

表2基于探针光谱数据的两波段指数与叶片氮含量的相关性

(2)基于CARS-PLSR(竞争自适应重加权采样-偏最小二乘回归)相关性分析

本发明采用Li等在2009年根据达尔文进化理论中的“适者生存”原则提出了竞争自适应重加权采样(CARS)特征波段提取方法，将CARS筛选后的波段用于偏最小二乘回归(PLSR)以提高模型预测能力和稳健性。

如图6所示，用CARS方法筛选出12个峰值波段，分别为403nm、450nm、477nm、507nm、560nm、593nm、623nm、649nm、674nm、716nm、773nm、800nm。将筛选后的波段带入PLSR中，建模及和验证集随机抽样10000次，所得预测结果如图6所示：R²＝0.969，RMSE＝0.166。

六、结论

从上述实施例中可以得出以下结论：

(1)基于植被指数法，得出MVD高光谱反射率对叶片氮含量敏感性最高的波段为587nm以及698nm，决定系数R²在0.88左右。具体模型如下：

LNC(％)＝-21.65NDSI(587，698)+5.56

LNC(％)＝-8.49RVI(698，587)+13.97

(2)通过竞争自适应重加权采样-偏最小二乘回归，筛选出与叶片氮素相关的12个优势波段，分别是403nm、450nm、477nm、507nm、560nm、593nm、623nm、649nm、674nm、716nm、773nm、800nm。其中主要的两个波段为560nm和716nm。验证集R²＝0.969，RMSE＝0.166。

本发明所提出无人机高光谱遥测方法，在保证达到现有公认精度较高的地物光谱仪(ASD)所获取的精度基础上，大大提高了作物光谱信息野外采集的工作效率，同时也大大降低了人力成本。

Claims

1.一种基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：包含以下步骤：

(5)通过竞争自适应重加权采样方法对水稻叶片氮含量敏感波段进行筛选，基于所选出的敏感波段，采用偏最小二乘回归方法对叶片氮含量进行回归建模并进行模型验证：

2.根据权利要求1所述的基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：所述步骤(1)中测量水稻无人机高光谱冠层反射率的方法具体为：

利用地物光谱仪Fieldspec4获取地面冠层高光谱数据；传感器探头垂直向下，光谱仪视场角为25°，探头距水稻冠层顶垂直高度1m；每个田块随机测量8个数据点且与MVD悬停位置对应，每个数据点重复测量10条；测量波段范围为350-2500nm，测量间隔为1nm，共2151个波段；

3.根据权利要求1或2所述的基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：所述步骤(1)中测量水稻叶片氮含量的方法具体为：

4.根据权利要求1或2所述的基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：所述步骤(4)中最优两波段组合为587nm和698nm，其植被指数NDSI的验证集R²＝0.865，RMSE＝0.419，RVI的验证集R²＝0.864，RMSE＝0.419。

5.根据权利要求3所述的基于无人机高光谱的水稻叶片氮含量监测方法，其特征在于：所述步骤(5)中筛选的特征波段分别是403nm、450nm、477nm、507nm、560nm、593nm、623nm、649nm、674nm、716nm、773nm和800nm，模型验证集R²＝0.969，RMSE＝0.166。