ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養

劉昌華，方 征，陳志超，周 蘭，岳學智，王 哲，王春陽，Yuxin Miao

?

ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養

劉昌華1，方 征1，陳志超1※，周 蘭2，岳學智1，王 哲1，王春陽1，Yuxin Miao3

（1. 河南理工大學測繪與國土信息工程學院，焦作 454000；2. 中國農業大學資源與環境學院，北京 100193; 3. Department of Soil, Water, and Climate, University of Minnesota , St. Paul, MN, 55108, USA）

氮素營養診斷關鍵在于氮營養指數（nitrogen nutrient index，NNI）預測。對于冬小麥氮營養指數預測模型而言，如何選取預處理方法和建模方法不一而足，不同預處理和模型選取對預測結果精度的影響程度目前還不清楚。該研究以ASD Field Spec3野外便攜式高光譜儀采集樂陵市冬小麥冠層高光譜數據，采用10種光譜預處理方法并結合3種模型（偏最小二乘回歸、BP神經網絡和隨機森林算法）建立多種冬小麥氮營養指數高光譜預測模型。對比模型預測精度表明最佳的高光譜建模方法為隨機森林算法結合SG卷積平滑預處理所建模型（預測集2=0.795，RMSE=0.125，RE=11.7%）精度高、可靠性強，是篩選出最佳的冬小麥氮營養指數高光譜預測模型。該研究結果對冬小麥氮營養指數高光譜預測建模具有科學價值，為篩選最優高光譜預處理方法和預測模型提供技術參考。

光譜分析；氮；診斷；冬小麥；模型；氮營養指數

0 引 言

對作物快速而準確的氮素營養診斷可以為精準農業管理提供技術支持，對實現作物高產與氮肥的高效利用有重要意義[1]。冬小麥傳統的氮素營養診斷的方法主要有外觀診斷、化學診斷和葉綠素計法等[2-4]，然而這些方法破壞小麥植株取樣工作量大，室內分析化驗操作復雜，時效性差[5]。因此遙感作為快速、準確、實時的無損氮營養診斷手段得到了學者們的廣泛應用與研究。

已有研究表明高光譜采集的光譜數據除樣品自身的光譜信息外還會包含樣品背景、雜散光和電磁噪音等因素的影響[6-7]，消除噪音等影響可以有效提高模型的預測能力[8]。目前已有學者基于高光譜成像儀對油菜[9-10]、生菜[11]、柑橘[12]和玉米[13]等不同作物進行研究，通過分析比較Savitzky-Golay（SG）卷積平滑濾波、基線校正、多元散射校正、標準正態變換、一階導數和正交信號校正等預處理方法使作物葉片氮素含量估測模型預測性能得到明顯提升，然而不同作物對于最佳的預處理也不盡相同。喬星星等[14]對冬小麥冠層高光譜數據進行SG平滑的預處理建立偏最小二乘模型（partial least squares regression，PLSR）模型估測冬小麥生物量，通過對6種不同平滑點數的比較得出9點平滑處理為估測生物量的最佳平滑點數，但是真正提高光譜監測模型的預測精度還需在此基礎上，再結合其他預處理方法和化學計量學模型的優化方法。Li等[15]通過標準正態變換（standard normal variate transformation，SNV）技術對不同地區的冬小麥高光譜數據進行光散射校正結合SG平滑建立預測氮含量的PLSR模型，建模精度2都達到0.8以上。姚霞等、湯守鵬等[16-17]通過多元散射校正(multiple scatter correction，MSC）、SG和導數等預處理基礎上建立PLSR模型和BP神經網絡模型估測冬小麥氮含量，比較不同預處理和不同模型的結果表明MSC+SG二階導的BP神經網絡建模精度與預測精度都達到最佳。

對于冬小麥氮營養指數預測模型而言，如何選取預處理方法和建模方法不一而足，不同預處理和模型選取對預測結果精度的影響程度目前還不清楚。以往對冬小麥氮含量預測模型的研究都使用一種或少數幾種的預處理比較分析。為了更為系統地比較不同預處理方法對冬小麥氮營養指數預測模型精度的影響程度，本研究選用10種預處理方法結合偏最小二乘、BP神經網絡和隨機森林算法3種建模方法建立冬小麥氮素營養指數的高光譜預測模型，對比篩選出預測氮營養指數的最佳的預處理方法和模型，為基于高光譜的氮營養指數快速預測提供技術參考。

1 材料與方法

1.1 試驗設計

試驗于2016—2017年在山東省樂陵市南夏家村農業局基地進行（37°41￠58.592N，117°08￠41.652E）。試驗小區設置2個品種供試作物分別為濟麥22、魯原502，試驗共有6個氮梯度處理，施氮量分別為不施氮肥（N1），120（N2），180（N3），240（N4），300（N5），280 kg/hm2（N6），其中N6為農民施肥模式。每個處理3次重復，共6′3′2個小區，小區面積7 m′10 m，采用區組隨機排列，取樣與采集光譜數據日期為2016年4月1日（返青期）、2016年4月17日（拔節期）、2016年4月28日（孕穗期）、2016年5月7日（揚花期）、2017年3月27日（返青期）、2017年4月15日（拔節期）、2017年4月22日（孕穗期）、2017年5月9日（揚花期）。

1.2 數據獲取

1.2.1 農學參數獲取

每個試驗小區選擇具有代表性的1 m 雙行冬小麥植株，清理泥土后置于烘箱中以105 ℃殺青30 min，再以75 ℃恒溫烘干至質量恒定，測定植株生物量（干質量）。將冬小麥植株烘干后的植株樣本研磨粉碎后，用凱氏定氮儀測定植株氮濃度。

臨界氮濃度（）是根據氮濃度稀釋模型計算出小麥獲得地上部最大生物量所需的最低氮濃度值，華北平原冬小麥的臨界氮濃度根據Yue等[18]提出的公式進行計算，計算公式如下：

N=4.15–0.38（1）

式中為地上部生物量，Mg/hm2，當地上部生物量在 1~10 Mg DM/ha時，可用式（1）計算，當地上部生物量小于1Mg DM/ha時，則臨界氮濃度為定值即=4.15% DM。

氮營養指數[19]（nitrogen nutrient index，NNI）可以定性定量診斷作物氮營養的充足、過剩以及不足的程度，表1為冬小麥建模樣本的氮營養指數（NNI）的基本情況。

式中NNI是氮營養指數，是植株實際氮濃度。

若NNI﹤1時，表示植株氮肥使用量不足，缺少氮素；NNI=1時，表示植株氮肥使用量適宜；NNI>1，表示植株氮肥使用量過剩，對氮過量吸收。

表1 冬小麥樣本集氮營養指數統計

1.2.2 光譜數據獲取

高光譜測定采用美國ASD（Analytical Spectral Devices）公司的ASD Field Spec3 野外便攜式高光譜儀，其波長范圍在350～2 500 nm，采樣間隔為1.4 nm (350～1 000 nm) 和2 nm (1 000～2 500 nm) ，重采樣間隔為1 nm，視場角為25°。冠層光譜測量時選擇在晴朗無風的天氣，每次測量時間為10:00—14:00。每次采集光譜前先以白板定標，儀器探頭垂直向下，儀器在冠層上方80 cm 處，對每個試驗小區選定具有代表性的植株冠層，采集10次光譜值，剔除異常值后平均光譜，作為該試驗小區的最終光譜，每個關鍵生育時期采集36小區的冠層光譜值，如圖1所示。

圖1 總樣本集的光譜反射率

1.3 光譜參數定義

根據上述小區測得高光譜原始光譜反射率，本文采用冬小麥冠層高光譜常見的19個高光譜特征參數[20]（表2），其特征參數是從原始光譜和一階微分中選取綠峰、紅谷和“三邊”（紅邊，黃邊，藍邊）的光譜位置和反射率作為高光譜位置變量；選取“三邊”一階微分波段值得總和作為高光譜面積變量；使用綠峰、紅谷、“三邊”反射率以及“三邊”面積變量的比值和歸一化運算作為高光譜植被指數變量，本文建模的自變量為19個高光譜特征參數。

1.4 光譜數據預處理

本文選用的高光譜特征參數為建模的自變量，高光譜特征參數只用到350～800 nm的波段，因此去掉800 nm以后的波段。為了更好的系統比較不同的預處理方法對反演模型預測精度的影響，本文對原始光譜數據采用Savitzky-Golay 卷積平滑濾波、基線校正、多元散射校正、標準正態變換等常用的算法進行預處理，預處理方法如表3所示。Savitzky-Golay平滑可以提高信噪比，過濾噪聲[21]；基線校正可以消減儀器背景或基線波動對光譜的影響[22]；多元散射校正對光譜散射的影響可以有效消減[23]；標準正態變換可以減弱表面散射以及光程變化對漫反射光譜的影響[24]，預處理后的光譜曲線如圖2所示。

表2 高光譜參數的定義

表3 光譜數據預處理方法

1.5 模型構建

本文選用偏最小二乘回歸模型、反向傳播神經網絡回歸模型以及隨機森林算法3種方法進行建模，其中構建模型的自變量為19個高光譜特征參數，因變量為氮營養指數，依據檢驗模型的決定系數2、相對誤差值（relative error，RE）以及均方根誤差值（root mean square error，RMSE）來檢驗模型的精度與可靠性，篩選最佳模型。

圖2 預處理后的光譜反射率

1.5.1 偏最小二乘模型

偏最小二乘模型（partial least squares regression，PLSR）是一種集主成分分析，多元線性回歸分析和最小二乘回歸方法于一體的建模方法，在建模過程中利用主成分分析來判斷加入建模的自變量能否顯著提高預測能力，因此該方法能夠對多個高光譜特征之間的多重自相關性進行解釋并利用所有的有效數據構建回歸模型[25]，故在作物高光譜應用領域受到較大關注。PLSR模型在Unscrambler 9.7（CAMO ASA，Trondheim，Norway）軟件中構建，采用內部交互驗證均方根誤差（RMSE）及決定系數（2）來優化建模參數。

1.5.2 BP神經網絡

反向傳播神經網絡（back-propagation artificial neural network，BPANN）是目前應用最為廣泛的學習算法，通過正向傳播與反向傳播的2個循環過程不斷把誤差分攤給各層單元進行權值修正，直到網絡輸出誤差減少到可接受的程度，從而實現變量的回歸。BP神經網絡網絡具有高度自學習和自適應的能力，適合于求解內部機制復雜的問題，是解決非線性問題的有效方法[26]。BP神經網絡在MATLAB R2014b軟件中構建，神經網絡采用常用的3層結構，輸入層到隱含層激勵函數為tansig型函數，隱含層到輸出層激勵函數為purelin函數，學習函數為梯度下降動量權重函數，訓練函數Levenberg-Marquardt算法，隱含層節點數10，迭代次數100次，最大確認失敗次數15，學習率0.01，學習目標為0.000 1。

1.5.3 隨機森林算法

隨機森林（Random forest，RF）算法是通過多個決策樹組成的一個隨機建立的森林，是采用bootstrap重抽樣法從訓練集中抽取個樣本構建個回歸樹，在回歸樹的每個節點從個（小于自變量個數）隨機抽取的自變量中選擇分割點對變量空間進行遞歸二叉分割，未抽到成為袋外樣本，使誤差的計算能夠處理袋外樣本數據，將這些樹的平均數作為因變量預測的結果。RF算法不僅訓練和預測速度快[27]，還對多元共線性不敏感，對異常值和噪聲具有較好的容忍度[28-29]。RF算法在MATLAB R2014b軟件中構建，隨機森林算法中的分類樹的個數為2000，分割變量為2。

2 結果與分析

2.1 偏最小二乘回歸

采用PLSR結合不同預處理建立氮素營養指數估測模型的建模精度與預測精度如表4所示，建模集模型決定系數2平均系數為0.683，最大決定系數為0.789，均方根誤差RMSE最小值為0.142，相對中誤差RE最小值為12.3%；預測集模型決定系數2平均系數為0.588，最大決定系數為0.717，均方根誤差RMSE最小值為0.15，相對中誤差RE最小值為12.8%。

比較得知，使用偏最小二乘法構建模型時使用SG, SNV, SG+SNV和SG+BC的預處理方法效果較好，其中效果最優的預處理為SG平滑。圖3為PLSR模型結合最佳預處理建立的氮素營養指數高光譜模型精度結果。

表4 偏最小二乘回歸氮營養指數（NNI）預測模型統計結果

圖3 SG-PLSR模型預測氮素營養指數與實際指數驗證結果

2.2 誤差反向傳播神經網絡

采用BP神經網絡方法結合不同預處理建立氮素營養指數估測模型的建模精度與預測精度如表5所示，建模集模型決定系數2平均系數為0.834，最大決定系數為0.861，均方根誤差RMSE最小值為0.115，相對中誤差RE最小值為9.8%；預測集模型決定系數2平均系數為0.714，最大決定系數為0.780，均方根誤差RMSE最小值為0.133，相對中誤差RE最小值為12.3%。

從表5的建模精度結果可以得知BP神經網絡構建的回歸模型相比PLSR模型的建模精度顯著提高，通過BP神經網絡結合10種預處理的建模模型決定系數都為0.8以上，平均決定系數更是從PLSR模型的0.683提升到0.834。其中結合SG、SG+MSC、SG+SNV和SNV+D的預處理建模模型精度都達到0.85以上，預測效果除BC、MSC和SNV外決定系數都達到0.7以上。結合SG預處理的建模效果最好。圖4為BP神經網絡模型結合最佳預處理建立的氮素營養指數高光譜模型精度結果。

表5 BP神經網絡氮營養指數（NNI）預測模型統計結果

圖4 SG-BP模型預測氮素營養指數與實際指數驗證結果

2.3 隨機森林回歸

使用RF算法結合不同預處理建立氮素營養指數估測模型的建模精度與預測精度如表6所示，建模集模型決定系數2平均系數為0.945，最大決定系數為0.959，均方根誤差RMSE最小值為0.061，相對中誤差RE最小值為5.3%；預測集模型決定系數2平均系數為0.742，最大決定系數為0.795，均方根誤差RMSE最小值為0.125，相對中誤差RE最小值為11.7%。

表6 隨機森林氮營養指數（NNI）預測模型統計結果

從表6的建模精度結果可以得知RF構建的回歸模型相比PLSR模型和BP神經網絡的建模精度皆有明顯提高，通過RF結合不同的預處理的建模模型決定系數都達到0.9以上，預測模型精度2都達到0.7以上，綜合各預處理精度，RF算法預測集平均2為0.742，RMSE為0.143，RE為13.1%，比偏最小二乘模型與BP神經網絡的平均決定系數2有所提高，均方根誤差RMSE降低，相對誤差RE依次降低了3.4與0.9個百分點。其中結合SG預處理的建模效果最好。圖5為RF算法模型結合最佳預處理建立的氮素營養指數高光譜模型精度結果。通過3種模型建模比較，SG卷積平滑比其他9種預處理的預測集模型平均2提高范圍為0.054~0.121，RMSE平均降低范圍為0.016~0.032，RE平均降低范圍為1.7~3.1個百分點。

圖5 SG-RF模型預測氮素營養指數與實際指數驗證結果

3 討 論

國內外學者對基于遙感的氮素營養診斷研究多采用氮濃度、吸氮量、葉面積指數以及生物量等指標為依據指導施肥，然而這些農學參數會由于冠層結構、種植密度、田間氣候等因素的影響會對氮素營養狀況的診斷產生偏差[30]，采用基于氮濃度曲線提出的氮營養指數（NNI）可以對冬小麥的氮素是否充足、過剩以及不足的狀態給以準確的診斷，因此快速估測NNI不僅可以實時的對冬小麥氮營養狀況進行診斷評價，還可以對冬小麥的氮肥施用量進行合理調控，這無疑是對精準農業的技術發展提供重要的技術支持。

冬小麥高光譜數據進行預處理是過濾噪聲、提高信噪比和提升建模精度的關鍵手段，然而不同預處理方法的建模精度有所差異。對比本文使用的10種預處理方法結合PLSR、BP神經網絡和RF算法3種建模方法得到的預測結果精度可知，SG卷積平滑預處理得到的預測結果精度皆優于其他9種預處理方法，這是由于SNV、MSC的預處理主要功能是消除表面微小顆粒的多元散射造成的影響，由于冬小麥冠層葉片表面較為平滑，采集過程中儀器信號不穩定和背景干擾造成的譜線漂移和噪聲對建模精度影響更為突出，而本次建模采用的是高光譜特征參數作為自變量，其中“三邊”參數的導數運算就有消除譜線漂移誤差功能，同時結合SG卷積濾波平滑消除光譜上的細小噪聲，提高光譜的整體信噪比還可以最大程度的保留光譜有效信息。對于單一預處理而言，結合SG卷積平滑后再進行其他預處理變換，也可提升其單一預處理時的模型預測精度，這與郭斗斗等得出的結論一致[31]。在本研究中SG卷積濾波平滑建立的反演冬小麥氮素營養指數模型的建模精度與預測精度都達到最佳效果。因此在采集冬小麥冠層高光譜的實際工作中，SG卷積平滑可以有效地解決采集過程中背景噪聲的影響。

3種建模方法中RF算法建立的冬小麥氮素營養指數模型效果達到最佳。采用機器學習建模方法明顯優于線性回歸建模方法的預測精度。這是由于PLSR的多元線性回歸模型雖然解決了數據變量多和變量之間的重相關性等問題，但也會損失部分有效信息，而且在建模過程和實際應用中存在許多非線性問題，而線性回歸模型解決非線性問題時表現能力較弱。機器學習算法的建模方法可以通過內核函數和自學習能力有效解決連續的非線性問題。通過不同預處理的2種機器學習算法比較，RF算法的模型精度都略優于BP神經網絡的模型精度，這是由于BP神經網絡在引入樣本訓練學習時容易學習過多的樣本細節，這導致訓練出來的模型不能最好地映射出數據本身的特定規律，而RF算法引入2大隨機變量的策略，可以對噪聲和異常值都有較強的容忍度，同時有研究表明，當應對大數據量時RF算法比BP神經網絡的訓練與預測速度快、效率高[27]，在診斷大面積多樣本的冬小麥氮營養狀況時有更為明顯的優勢，因此RF算法在實際應用中可以更好的為未來精準農業提供實時高效的技術服務。

4 結 論

本研究以華北平原樂陵市南夏家村為研究區域，使用高光譜技術建立冬小麥氮素營養指數的預測模型時，通過綜合對比10種光譜預處理方法和3種建模方法發現，選取不同預處理和建模方法對建模的精度有較大影響，得出如下結論：

1）本研究中最佳的高光譜建模方法為RF算法。通過RF算法獲得的預測集模型比偏最小二乘模型與BP神經網絡的平均決定系數和均方根誤差均低，，相對誤差RE依次降低了3.4與0.9個百分點。因此可以看出10種預處理方法結合RF模型都獲得的較高的預測精度，是一種反演氮營養指數較穩健的建模方法。

2）對光譜進行預處理可以很好地提升建模精度，本次試驗最佳的光譜預處理方法為SG卷積平滑。通過3種模型建模比較，SG卷積平滑比其他9種預處理的預測集模型平均2提高范圍為0.054~0.121，RMSE平均降低范圍為0.016~0.032，RE平均降低范圍為1.7~3.1個百分點。

3）對單一預處理而言，結合SG卷積平滑后再進行其他預處理變換，也可提升其單一預處理時的模型預測 精度。

[1] 趙春江，薛緒掌，王秀，等. 精準農業技術體系的研究進展與展望[J]. 農業工程學報，2003，19(4)：7－12.

Zhao Chunjiang, Xue Xuzhang, Wang Xiu, et al. Advance and prospects of precision agriculture technology system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(4): 7－12. (in Chinese with English abstract)

[2] Roth G W, Fox R H, Marshall H G. Plant tissue tests for predicting nitrogen fertilizer requirements of winter wheat[J]. Agron, 1989(81): 502－507.

[3] Follett R H, Follett R F, Halvorson A D. Use of a chlorophyll meter to evaluate the nitrogen status of dryland winter wheat[J]. Communications in Soil Science and Plant Analysis, 1992, 23(7/8): 687－697.

[4] 張樹蘭，同延安，趙護兵，等. 冬小麥-夏玉米輪作氮肥施量與氮營養診斷[J]. 西北農業學報，2000(2)：104－107.

[5] 孫欽平，李吉進，鄒國元，等. 應用數字圖像技術對有機肥施用后玉米氮營養診斷研究[J]. 光譜學與光譜分析，2010，30(9)：2447－2450.

Sun Qinping, Li Jijin, Zou Guoyuan, et al. Nitrogen status diagnosis by using digital photography analysis for organic fertilized maize[J]. Spectroscopy and Spectral Analysis, 2010，30(9)：2447－2450. (in Chinese with English abstract)

[6] 毛博慧，李民贊，孫紅，等. 冬小麥苗期葉綠素含量檢測光譜學參數尋優[J]. 農業工程學報，2017，33(增刊1)： 164－169.

Mao Bohui, Li Minzan, Sun Hong, et al. Optimization of spectroscopy parameters and prediction of chlorophyll content at seeding stage of winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 164－169. (in Chinese with English abstract)

[7] 程萌，張俊逸，李民贊，等. 用于微小型光譜儀的冬小麥抽穗期葉綠素含量診斷模型[J]. 農業工程學報，2017，33(增刊1)：157－163.

Cheng Meng, Zhang Junyi, Li Minzan, et al. Chlorophyll content diagnosis model of winter wheat at heading stage applied in miniature spectrometer[J]. Transactions of the Chinese Societ of Agricultural Engineering (Transactions of the CSAE), 2017, 33(Supp.1): 157－163. (in Chinese with English abstract)

[8] 褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展，2004，16(4)： 528－542.

[9] 張筱蕾，劉飛，聶鵬程，等. 高光譜成像技術的油菜葉片氮含量及分布快速檢測[J]. 光譜學與光譜分析，2014，34(9)：2513－2518.

Zhang Xiaolei, Liu Fei, Nei Pengcheng, et al. Rapid detection of nitrogen contect and distribution in oilseed rape leaves based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2014, 34(9): 2513－2518.(in Chinese with English abstract)

[10] 黃敏. 基于光譜及數據挖掘技術的油菜養分及品質信息的無損檢測研究[D]. 杭州：浙江大學，2009.

Huang Min. Non-destructive Detection of Rapeseed Growth and Quality Information Based on Spectral And Data Mining Technology[D].Hangzhou: Zhejiang University, 2009.(in Chinese with English abstract)

[11] 孫俊，金夏明，毛罕平，等. 基于高光譜圖像的生菜葉片氮素含量預測模型研究[J]. 分析化學，2014(5)：672－677.

Sun Jun, Jin Xiaming, Mao Hanping, et al. A model for predicting nitrogen of lettuce leaves based on hyperspectral imaging[J]. Chinese Journal of Analytical Chemistry, 2014(5): 672－677. (in Chinese with English abstract)

[12] 李金夢. 基于高光譜成像技術的柑橘葉片含氮量快速檢測方法研究[D]. 杭州：浙江大學，2014.

Li Jinmeng. Rapid Detection of Nitrogen Content in Citrus Leaves Based on Hyperspectral Imaging Technology[D]. Hangzhou: Zhejiang University, 2014. (in Chinese with English abstract)

[13] 王麗鳳，張長利，趙越，等. 高光譜成像技術的玉米葉片氮含量檢測模型[J]. 農機化研究，2017(11)：140－147.

[14] 喬星星，馮美臣，楊武德，等. SG平滑處理對冬小麥地上干生物量光譜監測的影響[J]. 山西農業科學，2016(10)：1450－1454.

[15] Li F, Mistele B, Hu Y, et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression[J]. European Journal of Agronomy, 2014, 52(Part B): 198－209.

[16] 姚霞，湯守鵬，曹衛星，等. 應用近紅外光譜估測小麥葉片氮含量[J]. 植物生態學報，2011(8)：844－852.

Yao Xia, Tang Shoupeng, Cao Weixing, et al. Estimating the nitrogen content in wheat leaves by near-infrared reflectance spectroscopy[J]. Chinese Journal of Plant Ecology, 2011(8): 844－852. (in Chinese with English abstract)

[17] 湯守鵬. 基于近紅外光譜技術的小麥葉片氮素營養及籽粒蛋白質含量監測研究[D]. 南京：南京農業大學，2009.

Tang Shoupeng. Monitoring Leaf Nitrogen Status and Grain Protein Content in Wheat using Near Infrared Spectroscopy[D]. Nanjing: Nanjing Agricultural University, 2009. (in Chinese with English abstract)

[18] Yue S, Meng Q, Zhao R, et al. Critical nitrogen dilution curve for optimizing nitrogen management of winter wheat production in the North China Plain[J]. Agronomy Journal, 2012, 104(2): 523－529.

[19] Lemaire G, Jeuffroy M, Gastal F. Diagnosis tool for plant and crop N status in vegetative stage[J]. European Journal of Agronomy, 2008, 28(4): 614－624.

[20] 王秀珍，黃敬峰，李云梅，等. 水稻生物化學參數與高光譜遙感特征參數的相關分析[J]. 農業工程學報，2003，19(2)：144－148.

Wang Xiuzhen, Huang Jingfeng, Li Yunhai, et al. Correlation between chemical contents of leaves and characteristic variables of hyperspectra on rice field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(2): 144－148. (in Chinese with English abstract)

[21] 王雪，吉海彥. 基于便攜式光譜儀和反射、透射光譜技術的小麥葉片葉綠素定量分析研究[J]. 中國農學通報，2011，27(21)：39－43.

Wang Xue, Ji Haiyan.Quantitative analysis of chlorophyll in wheat leaf based on reflection spectroscopy and transmission spectroscopy using portable spectrometer[J]. Chinese Agricultural Science Bulletin, 2011, 27(21): 39－43. (in Chinese with English abstract)

[22] 潘冉冉，駱一凡，王昌，等. 高光譜成像的油菜和雜草分類方法[J]. 光譜學與光譜分析，2017，37(11)：3567－3572.

Pan Ranran, Luo Yifan, Wang Chang, et al. Classifcations oilseed rape and weeds based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2017, 37(11): 3567－3572. (in Chinese with English abstract)

[23] Zhang J, Han W, Huang L, et al. Leaf Chlorophyll content estimation of winter wheat based on visible and near-infrared sensors[J]. Sensors, 2016, 16(4): 1－11.

[24] 于雷，洪永勝，勇周，等. 高光譜估算土壤有機質含量的波長變量篩選方法[J]. 農業工程學報，2016，32(13)：95－102.

Yu Lei, Hong Yongsheng, Zhou Yong, et al. Wavelength variable selection methods forestimation of soil organic matter content using hyperspectral technique [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 95－102. (in Chinese with English abstract)

[25] 王圓圓，李貴才，張立軍，等. 利用偏最小二乘回歸從冬小麥冠層光譜提取葉片含水量[J]. 光譜學與光譜分析，2010，30(4)：1070－1074.

Wang Yuanyuan, Li Guicai, Zhang Lijun, et al. Retrieval of leaf water content of winter wheat from canopy hyperspectral data using partial least square regression [J]. Spectroscopy and Spectral Analysis, 2010, 30(4): 1070－1074. (in Chinese with English abstract)

[26] 崔日鮮，劉亞東，付金東. 基于機器學習和可見光光譜的冬小麥葉片氮積累量估算[J]. 光譜學與光譜分析，2016，36(6)：1837－1842.

Cui Rixian, Liu Yadong, Fu Jindong. Estimation of winter wheat leaf nitrogen accumulation using machine learning algorithm and visible spectral[J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1837－1842. (in Chinese with English abstract)

[27] Grimm R, Behrens T, M?rker M, et al. Soil organic carbon concentrations and stocks on Barro Colorado Island-Digital soil mapping using random forests analysis[J]. Geoderma, 2008, 146(1): 102－113.

[28] 岳繼博，楊貴軍，馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比[J]. 農業工程學報，2016，32(18)：175－182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175－182. (in Chinese with English abstract)

[29] 王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46(1)：259－265.

Wang Liai, Ma Chang, Zhou Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic modeland remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259－265. (in Chinese with English abstract)

[30] 陳鵬飛，孫九林，王紀華，等. 基于遙感的作物氮素營養診斷技術_現狀與趨勢[J]. 中國科學：信息科學，2010，40(增刊)：21－37.

[31] 郭斗斗，黃紹敏，張水清，等. 多種潮土有機質高光譜預測模型的對比分析[J]. 農業工程學報，2014(21)：192－200.

Guo Doudou, Huang Shaomin, Zhang Shuiqing, et al. Comparative analysis of various hyperspectral prediction models of fluvo-aquic soil organic matter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 192－200. (in Chinese with English abstract)

Nitrogen nutrition diagnosis of winter wheat based on ASD Field Spec3

Liu Changhua1, Fang Zheng1, Chen Zhichao1※, Zhou Lan2, Yue Xuezhi1, Wang Zhe1, Wang Chunyang1, Yuxin Miao3

(1.454000; 2100193; 3.55108,)

For crop’s prediction model of nitrogen nutrition index (NNI), how to select the pretreatment and modeling method is unclear as well as different pretreatments and their influence degrees on prediction accuracy. So it is of great significance to take more systematic related research for building crop nitrogen nutrition diagnosis rapidly and accurately, which can provide important technical support for precision agriculture management, and realize high yield with high efficiency of nitrogen utilization. Taking Nanxia Village, Laoling City in North China Plain as the research area, based on ASD Field Spec3, the prediction model of winter-wheat nitrogen nutrition index was established with hyperspectral technology in this study. PLSR combined with different pretreatments was applied to establish an prediction model of winter-wheat nitrogen nutrition index, whose average value of model-set model decision coefficient2was 0.683, with the maximum one 0.789, the minimum root mean square error (RMSE) 0.142, and the minimum of relative medium error (RE) 12.3%. The prediction-set model’s mean value of decision coefficient2is 0.588, with the maximum one 0.717, the minimum value of root mean square error (RMSE) 0.150, and the minimum of relative medium error (RE) 12.8%. The comparison shows that the pretreatment methods with SG(Savitzky-Golay), SNV(standard normal variate transformation), SG+SNV and SG+BC(baseline correction) are effective when partial least square method is used to build the model, especially SG smoothing is the optimal one as mentioned above with the2of 0.789, the RMSE of 0.142, the RE of 12.3%, and the2of the prediction accuracy of 0.717. Meanwhile, BP neural network method combined with different pretreatments was used to establish an prediction model of nitrogen nutrition index, whose average value of model-set model decision coefficient2was 0.834, with the maximum one 0.861, the minimum RMSE 0.115, and the minimum of RE 9.8%. The prediction-set model’s mean value of decision coefficient2was 0.714, with the maximum one 0.780, the minimum value of RMSE 0.133, and the minimum of RE 12.3%. It can be known that the regression model constructed by BP neural network is significantly more accurate than the one constructed by PLSR model. The decision coefficient of all the models pretreated by BP neural network was above 0.8, while the average one was increased to 0.834 from 0.683 under PLSR model. All pretreatment modeling accuracy combined with SG, SG+MSC(multiple scatter correction), SG+SNV and SNV+D(De-trending) reached above 0.85, when the predictive effect reached above 0.7 except BC, MSC and SNV. SG pretreatment2with the best modeling effect reached 0.861, with mean square root error 0.115, relative error 9.8% and predicted effect20.780 as mentioned above. The NNI estimation model RF algorithm combined with different pretreatments was used to establish an prediction model of NNI, whose average value of model-set model decision coefficient2was 0.945, with the maximum one 0.959, the minimum RMSE 0.061, and the minimum of RE 5.3%. The prediction-set model’s mean value of decision coefficient2is 0.742, with the maximum 0.795, the minimum value of RMSE 0.125, and the minimum of RE 11.7%. It can be known that the regression model constructed by RF is significantly improved compared with PLSR model and BP neural network. The decision coefficient of all the models by RF are all above 0.9, and the prediction model accuracy2is above 0.7. After 10 spectral pretreatment methods and 3 modeling ones have been comprehensively compared in this study, it is found that different pretreatment and modeling methods have great impacts on modeling precision. The optimal hyperspectral modeling method is RF(random forest) algorithm. The average value of decision coefficient2forthe prediction-set model obtained through RF algorithm was higher than the biased least squares model and BP(back-propagation) neural network respectively, with lower RMSE and RE. Therefore, it can be seen that 10 pretreatment methods combined with RF model have higher prediction accuracy, which is a robust modeling method to invert nitrogen nutrition index. From above, to preprocess the spectrum for winter wheat can improve modeling accuracy. The best spectral pretreatment method in this experiment is SG convolution smoothing. Therefore, by comparing three models, the average2increase range of SG convolution smoothing compared with the other nine pre-processed prediction set models is 0.054~0.121, with average RMSE decrease range 0.016~0.032 and average RE decrease range 1.7~3.1 percentage points. In terms of single preprocessing, other preprocessing transformations can be carried out after combining with SG convolution smoothing, which can also improve the prediction accuracy of its single preprocessing model.

spectrum analysis; nitrogen; diagnosis; winter wheat; diagnose model; nitrogen nutrition index (NNI)

10.11975/j.issn.1002-6819.2018.19.021

S127

A

1002-6819(2018)-19-0162-08

2018-05-03

2018-08-23

國家自然科學基金資助項目（41371105）；河南省軟科學研究計劃項目（162400410058）：河南省高等學校重點科研項目（18A420001）；河南省智慧中原地理信息技術協同創新中心”開放課題（2016A002）

劉昌華，男，湖南衡東人，博士，教授，博士生導師，主要從事遙感應用與土地生態方面的研究與教學工作。Email：lchnj@ 163.com

陳志超，副教授，主要從事農業遙感與精準農業方面的研究。Email：logczc@163.com

劉昌華，方 征，陳志超，周 蘭，岳學智，王 哲，王春陽，Yuxin Miao.ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養[J]. 農業工程學報，2018，34(19)：162－169. doi：10.11975/j.issn.1002-6819.2018.19.021 http://www.tcsae.org

Liu Changhua, Fang Zheng, Chen Zhichao, Zhou Lan, Yue Xuezhi, Wang Zhe, Wang Chunyang, Yuxin Miao.Nitrogen nutrition diagnosis of winter wheat based on ASD Field Spec3[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(19): 162－169. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.19.021 http://www.tcsae.org