基于高光譜的水稻葉片氮素營養(yǎng)診斷研究

楊紅云，周 瓊，楊 珺，孫玉婷，路 艷，殷 華

(1.江西農業(yè)大學 軟件學院，江西 南昌 330045； 2.江西省高等學校農業(yè)信息技術重點實驗室，江西 南昌 330045； 3.江西農業(yè)大學 計算機與信息工程學院，江西 南昌 330045)

在水稻栽培管理中，氮肥對糧食作物產量的貢獻率約占50%[1]。精準施氮可以減少水稻生長過程中的無效分蘗，提高有效成穗率，優(yōu)化群體結構，改善田間植株生長狀況，減輕病蟲害的發(fā)生，進而促進水稻終產量的形成[2]。近年來，許多學者圍繞水稻氮素營養(yǎng)狀況診斷進行了大量研究。李金文[3]應用葉綠素計獲取水稻葉片生理生態(tài)學特征用于氮素診斷；孫棋[4]發(fā)現(xiàn)，水稻拔節(jié)期冠層圖像的顏色特征參量可反映水稻拔節(jié)期氮素營養(yǎng)狀況；李嵐?jié)萚5]發(fā)現(xiàn)，水稻冠層色彩參數(shù)與水稻氮素營養(yǎng)指標具有較好的相關性；王遠等[6]分割水稻冠層圖像提取的特征參數(shù)——紅光標準化值(NRI)與SPAD值、葉片含氮量具有良好的相關關系；劉江桓[7]應用水稻葉片顏色特征參數(shù)進行擬合分析發(fā)現(xiàn)，不同生育期水稻頂三葉的顏色特征參數(shù)可反映水稻氮素營養(yǎng)狀態(tài)；邵華等[8]發(fā)現(xiàn)，738 nm處的水稻冠層一階微分光譜反射率與冠層葉片氮素含量相關性較高；祝錦霞等[9-10]基于水稻拔節(jié)期頂三葉的顏色特征數(shù)據(jù)與水稻冠層數(shù)據(jù)建立水稻氮素水平識別回歸模型；陳利蘇[11]應用圖像處理和支持向量機(SVM)進行溫室水培水稻氮素營養(yǎng)診斷，取得了較好的結果，但在其他試驗場景下的應用較受限；王樹文等[12]發(fā)現(xiàn)，水稻冠層高光譜反射率與氮含量具有顯著相關性；Yuan等[13]借助數(shù)碼相機研究了水稻氮素狀況與葉片綠度的關系，發(fā)現(xiàn)葉片中部比葉尖和葉片基部更適于開展水稻氮素診斷，分蘗期和孕穗期是評估水稻氮素狀況的關鍵診斷階段。近年來，應用高光譜進行農作物氮素診斷的研究也相繼被報道。孫小香等[14]獲取晚稻4個生育期冠層的高光譜數(shù)據(jù)，發(fā)現(xiàn)基于冠層光譜指標和BP神經網絡進行水稻葉片氮素含量估算的效果較好；張晶等[15]應用SPA-RDI-SVM模型進行甜菜葉片含氮量預測；白麗敏等[16]應用SPA-PLS模型進行冬小麥冠層全氮含量預測；單貴蓮等[17]應用多花黑麥草敏感波段光譜反射率R760與植株含氮量建立線性回歸模型，效果較好；張國圣等[18]應用沈稻47分蘗期葉片高光譜的歸一化差值植被指數(shù)(NDVI)與同期氮素含量建立線性回歸模型，效果較好；李穎等[19]應用概率神經網絡基于室內盆栽水稻的冠層光譜進行氮素營養(yǎng)診斷識別分類，分蘗期、拔節(jié)期和抽穗期的總體識別準確率分別為74%、75%和71%。本研究擬通過高光譜技術獲取分蘗期水稻的頂三葉光譜數(shù)據(jù)，應用機器學習方法建立大田水稻氮素營養(yǎng)診斷模型并開展分類識別，旨在摸索一種可準確判別大田環(huán)境下水稻氮素營養(yǎng)狀況的普適性高、易于推廣的方法。

1 材料與方法

1.1 試驗設計

試驗于2018年在江西省南昌市江西農業(yè)大學試驗田進行。土壤基本理化性狀如下：pH值5.3，全氮1.02 g·kg-1，全磷0.48 g·kg-1，全鉀14.22 g·kg-1，有機質19.46 g·kg-1，堿解氮112.31 mg·kg-1，速效磷11.65 mg·kg-1，速效鉀123.84 mg·kg-1。

以中嘉早17水稻品種為試驗材料。依施氮水平差異設4個處理：N0，不施N；N1，基肥、分蘗肥、穗肥分別施N 114.0、45.6、68.4 kg·hm-2；N2，基肥、分蘗肥、穗肥分別施N 163.0、65.2、97.8 kg·hm-2；N3，基肥、分蘗肥、穗肥分別施N 212.0、84.8、127.2 kg·hm-2。各處理統(tǒng)一基施P 750 kg·hm-2。所有處理均于4月9日播種，4月28日移栽，栽插密度為13.3 cm×26.6 cm，人工移栽，其他田間管理按常規(guī)栽培要求進行。

1.2 光譜采集

試驗使用ASD野外光譜分析儀采集光譜數(shù)據(jù)，其波長范圍為350～2 500 nm。采樣時正值水稻分蘗期(5月17日)，每個處理取60片水稻頂三葉葉片，共計240片。以每片葉片為一個樣本。每個樣本分別采集葉尖、葉中、葉枕3條光譜，以其平均值作為該樣本的光譜反射率值，數(shù)值處理在Viewspec Program軟件中進行。光譜測量時，每間隔15 min進行一次標準白板校正。

1.3 光譜預處理

由于光譜數(shù)據(jù)會受到譜線平移、高頻隨機噪聲和光散射等因素的干擾，為保證所建模型的精度和穩(wěn)定性，需對光譜進行預處理，以最大限度地挖掘光譜數(shù)據(jù)中的有效信息，提升其信噪比。常見的光譜預處理方法包括多元散射校正(MSC)、變量標準化校正(SNV)、平滑算法(SG)、歸一化、基線校正等[20]。本研究分別采用MSC、SNV、SG方法進行對比試驗。

1.4 特征降維與特征選擇

主成分分析(PCA)是將篩選出的能夠反映水稻施氮水平類別的幾個特征指標重新組合，形成一組無關聯(lián)、信息不重疊的幾個綜合指標替代原有的影響指標，視實際需求從中提取若干能夠反映原有指標信息的綜合指標，以有效地對水稻施氮水平進行預測分類[21]。

連續(xù)投影算法(SPA)是一種前向變量選擇方法，能有效尋找含有最低限度冗余信息的變量組，使變量之間的共線性達到最小。SPA算法能夠從大量的光譜變量中提取少數(shù)幾個共線性小的光譜特征波長代表原始的光譜數(shù)據(jù)，從而將數(shù)據(jù)降維，減少模型的輸入變量，提高模型計算速度。以均方根誤差(RMSE)為評價指標，以RMSE最小值下的波長個數(shù)確定特征波長個數(shù)[22]。

1.5 SVM

SVM在解決非線性、小樣本數(shù)據(jù)集、高維空間模式識別等問題上獨具優(yōu)勢。核函數(shù)是SVM的理論基礎。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)、sigmoid核函數(shù)[23]。本研究選用徑向基核函數(shù)作為SVM模型的核函數(shù)。

2 結果與分析

2.1 光譜預處理

水稻葉片原始反射光譜及經不同方法預處理后的光譜曲線如圖1所示。從圖1-A的原始光譜可以看出，不同施氮水平下，水稻葉片光譜反射率曲線表現(xiàn)出相同的走向趨勢。在綠波段(約560 nm)處可見明顯的反射峰，即“綠峰”；在紅波段(約685 nm)處可見明顯的吸收谷，即“紅谷”；在近紅外波段(>760 nm)處出現(xiàn)一個較高的反射平臺。圖1-B～D分別是經過MSC、SNV、SG預處理后的光譜曲線圖，可以看出：MSC處理后的光譜反射率值區(qū)間與原始光譜相近，與SNV處理后的光譜走勢相近；SNV處理后的光譜反射率值區(qū)間與原始光譜差異較大；SG處理后的光譜反射率曲線中各樣本分布緊密。

a，原始光譜；b，MSC處理后的光譜；c，SNV處理后的光譜；d，SG處理后的光譜。a， Original spectrum; b， Spectrum after MSC; c， Spectrum after SNV; d， Spectrum after SG.

2.2 主成分分析

對經過不同方法預處理后各處理的樣本分別進行主成分分析。如圖2所示：MSC處理后主分成1(PC1)的貢獻率為82.11%，主成分2(PC2)的貢獻率為7.31%；SNV處理后PC1的貢獻率為81.60%，PC2的貢獻率為7.73%；SG處理后PC1的貢獻率為56.59%，PC2的貢獻率為26.30%。經過3種方法的預處理后，PC1與PC2的累積貢獻率均超過80%且低于90%，各處理的樣本點重疊嚴重，難以對不同處理的樣本進行區(qū)分；因此，考慮采用基本能夠反映原樣本信息的累積貢獻率超過99.98%的前24個主成分作為SVM的輸入變量，3種預處理方法的前24個主成分的累積貢獻率如表1所示。

2.3 連續(xù)投影算法

若采用全波段進行建模，時間較長，且包含過多冗余信息；因此，采用SPA對經不同方法預處理后的光譜數(shù)據(jù)提取特征波長(圖3)，以最小RMSE值下的波長個數(shù)作為特征波長數(shù)量。對于經過MSC處理后的光譜數(shù)據(jù)，最小RMSE值為0.431 13，對應的最佳波長個數(shù)為12，篩選的特征波長分別是350、374、728、750、1 004、1 187、1 801、1 937、2 465、2 475、2 495、2 500 nm；對于經過SNV處理后的光譜數(shù)據(jù)，最小RMSE值為0.480 39，對應的最佳波長個數(shù)為15，篩選的特征波長分別是350、396、504、700、715、746、1 326、1 438、1 674、1 929、1 981、2 170、2 461、2 495、2 500 nm；對于經過SG處理后的光譜數(shù)據(jù)，最小RMSE值為0.371 95，對應的最佳波長個數(shù)為19，篩選的特征波長分別是350、352、396、419、425、475、646、685、695、708、739、854、1 000、1 001、1 365、1 803、2 013、2 179、2 490 nm。

2.4 基于PCA和SPA的水稻氮素營養(yǎng)診斷

將所有供試樣本按照2∶1的比例隨機分成建模集和預測集2個集合，其中建模集有160個樣本(每個處理各40個)，預測集有80個樣本(每個處理各20個)。以PCA獲取的前24個主成分，和SPA算法獲取的特征波長作為模型輸入?yún)?shù)，將4個處理的氮素水平分別標記為1、2、3、4，作為模型的輸出參數(shù)，采用SVM建立水稻氮素營養(yǎng)診斷模型，并開展水稻氮素營養(yǎng)診斷識別，分類結果如表2所示。對于3種光譜預處理方法而言，PCA-SVM模型在預測集上的準確率均高于SPA-SVM模型。其中，對于MSC預處理方法，PCA-SVM模型在預測集上的準確率比SPA-SVM模型高出25.00個百分點；對于SNV預處理方法，法，PCA-SVM模型在預測集上的準確率比SPA-SVM模型高出21.25個百分點；對于SG預處理方法，PCA-SVM模型在預測集上的準確率比SPA-SVM模型高出10.00個百分點。對于PCA-SVM模型，經過MSC預處理的模型在預測集上的準確率最高，經過SNV預處理的模型次之，經過SG預處理的模型最低；對于SPA-SVM模型，經過SNV預處理的模型在預測集上的準確率最高。綜合各模型在建模集和預測集上的準確率，MSC-PCA-SVM模型的效果最佳，在建模集和預測集上的準確率分別達99.38%和97.50%，其在預測集上的實際分類與預測分類結果如圖4所示，圖中縱坐標為氮素水平(類別標簽)，橫坐標為測試樣本編號，對于N0、N1、N3處理的樣本(對應縱坐標為1、2、4)全部識別正確，對于N2處理的樣本(對應縱坐標為3)，有2個被誤判為N1處理(對應縱坐標為2)。

a，經MSC預處理；b，經SNV預處理；c，經SG預處理。a， After MSC; b， After SNV; c， After SG.

表1 不同預處理方法前24個主成分的累積貢獻率

Table1Cumulative contribution rate of the first 24 principal components after different pretreatments

預處理方法Pretreatment累計貢獻率Cumulativecontributionrate/%MSC99.9867SNV99.9859SG99.9949

a，b，MSC+SPA；c，d，SNV+SPA；e，f，SG+SPA。

3 結論與討論

本研究采用不同光譜預處理方法對分蘗期水稻的葉片高光譜數(shù)據(jù)進行預處理，分別采用PCA和SPA算法進行參數(shù)選取，基于SVM建立水稻氮素營養(yǎng)診斷分類模型。結果顯示，用MSC-PCA-SVM模型開展水稻葉片氮素營養(yǎng)診斷分類，其在預測集上的識別準確率高達97.50%，僅有少數(shù)樣本被誤判，可有效識別處于缺氮和氮過量水平的水稻葉片，從而對水稻氮素營養(yǎng)狀況做出初步判斷。

表2 各模型的分類預測結果

Table2Classification prediction results of different models

建模方法Model輸入?yún)?shù)數(shù)量No.ofinputvariables準確率Accuracy/%建模集Trainingset預測集PredictionsetMSC-PCA-SVM2499.3897.50MSC-SPA-SVM1284.3872.50SNV-PCA-SVM2498.7596.25SNV-SPA-SVM1586.8875.00SG-PCA-SVM2410082.50SG-SPA-SVM1992.5072.50

圖4 MSC-PCA-SVM模型在預測集上的識別分類結果

本研究采用高光譜技術獲取水稻氮素營養(yǎng)診斷分類模型的輸入特征數(shù)據(jù)，并采用機器學習方法建立水稻氮素營養(yǎng)診斷分類模型，研究結果可為作物生長過程反演虛擬研究提供支持，同時為作物氮素營養(yǎng)診斷識別分類提供了一種有效可行的方法，對于科學指導作物施肥也具有參考意義。

顧清等[24]應用圖像處理技術和SVM獲取葉片黃化比例、葉尖G值、葉片面積3個特征值進行氮素營養(yǎng)診斷，但難以識別氮過量樣品。本研究中建立的水稻氮素營養(yǎng)診斷分類模型，能夠很好地識別出缺氮(N0處理)和高氮(N3處理)樣品，但對于N2處理的樣品，有2個被誤判為N1處理，這可能是因為這2個處理的樣本間相似程度較大，不易于區(qū)分。今后應加強對類似樣品的識別研究。

本研究僅對2018年在中嘉早17品種水稻上獲取的破壞性高光譜數(shù)據(jù)進行了分析，屬于水稻氮素營養(yǎng)診斷的初步研究，尚存在許多值得改進之處。在今后的研究中，擬增加供試水稻品種，豐富不同年限不同時期不同葉位的水稻植株特征數(shù)據(jù)庫，對模型輸入?yún)?shù)的選取做進一步研究，同時對非破壞性水稻參數(shù)的測量獲取開展研究，以便建立更具通用性和實用性的水稻氮素營養(yǎng)診斷識別模型。此外，還擬聯(lián)合水稻植株的其他參數(shù)，開展更為細致的等級分類，或通過獲取水稻冠層圖像、光譜數(shù)據(jù)進行氮素反演，建立優(yōu)化的識別模型，為水稻精準施肥提供理論依據(jù)。