基于高光譜的棉花葉片氮素檢測

王賞貴 李新疆 費浩 李艷慧 孟文博 陳仁谷

摘? 要：采用高光譜技術檢測棉花葉片氮素是本次研究的主要手段。選用新疆南疆最具代表性的棉花作物作為研究對象，采用連續(xù)投影算法（successive projections algorithm，簡稱SPA）和標準正態(tài)變量變換方法（standard normal variate transformation，簡稱SNV）等算法進行光譜預處理，并利用偏最小二乘回歸模型（PLS）預測棉花葉片氮素情況，探究棉花葉片氮素和高光譜之間的關系。結果顯示：SPA-PLS算法的逐漸回歸結果的R值最小能達到0.8032，預測精度能達到0.9647以上，RMSEP最大為0.2604，RMSECV最大為0.1414，預測參數都達到較好效果，說明利用高光譜成像技術能夠快速、準確的檢測棉花葉片氮素含量，為精準施肥和生態(tài)環(huán)境保護提供幫助。

關鍵詞：棉花葉片;高光譜;氮素;SPA-PLS

中圖分類號：S511? ? ? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）03-0017-03

Abstract： The use of hyperspectral technology to detect nitrogen in cotton leaves is the main means of this study. The most representative cotton crop in Southern Xinjiang was selected as the research object， and the spectral preprocessing was carried out by using successive projections algorithm （SPA） and standard normal variate transformation （SNV）. Partial least squares regression model （PLS） was used to predict cotton leaf nitrogen， and to explore the relationship between cotton leaf nitrogen and hyperspectrum. The results show that the minimum R value of the gradual regression result of SPA-PLS algorithm can reach 0.8032， the prediction accuracy can reach more than 0.9647， the maximum RMSEP is 0.2604 and the maximum RMSECV is 0.1414， and the prediction parameters are all good， indicating that hyperspectral imaging technology can be used to detect nitrogen content in cotton leaves quickly and accurately， which is helpful for accurate fertilization and ecological environment protection.

Keywords： cotton leaves; hyperspectral; nitrogen; SPA-PLS

作為作物當中主要的三大元素之一的氮元素，不管對棉花生長還是棉花土壤肥力的影響都是非常大的[1]，現(xiàn)代農業(yè)作物種植過程已經離不開氮肥的大量使用，現(xiàn)在國內針對作物氮素監(jiān)測的研究方法很多，但對棉花氮素的高光譜響應分析卻相對較少[11]。近年來，人們日益注意到檢測作物的氮素對作物生長影響巨大，甚至是破壞性檢測，而且成本較高，這些原因使得人們渴望出現(xiàn)一種新的技術能夠代替這種破壞性的檢測方法。高光譜成像技術能夠解決這些問題，高光譜成像技術以其無損、快速、準確的特點贏得人們的青睞，逐漸成為近年來檢測農作物含量的重要手段。張銀杰等[5]為不同生育時期的玉米建立了較為準確的玉米氮素監(jiān)測診斷模型，達到了合理施氮、高效利用氮肥的目的。

國內外研究者對作物氮素的研究也是熱點之一，并且也作了大量的報道，近幾年來在作物檢測方面的研究越發(fā)廣泛和深入。周慧等[4]研究發(fā)現(xiàn)荔枝冠層中、上層葉片氮質量分數與無人機正射數據計算的類胡蘿卜素反射指數（CRI）相關性最高（r=0.86，p<0.01）;冠層中、下層葉片鉀質量分數與無人機正射數據的光譜變量顯著相關，且與標準綠波段（NG）指數的相關程度最高（r=-0.83，p<0.01）。說明光譜數據可以反映荔枝冠層葉片氮、鉀質量分數，并且精度相對較高。翟麗婷等[2]研究了冬小麥在不同灌溉條件下葉片氮素的分布情況和冬小麥冠層光譜信息的變化規(guī)律，并在不同水分處理下，較為準確地篩選了的敏感波段。

本文采集了新疆南疆棉花葉片的高光譜數據，并且測量了棉花葉片的氮素含量，利用PLS，歸一化，SPA-PLS，數據中心化等不同算法相結合的方法對棉花葉片氮素數據和高光譜數據進行模擬，優(yōu)先選出SPA-PLS的逐漸回歸最好，能夠較為準確地反映棉花氮素的高光譜響應，為準確、快速、無損檢測棉花氮素提供了理論方法。

1 實驗部分

1.1 樣本采集

實驗于2019年在新疆阿拉爾市第一師灌溉試驗站進行，試驗田共設計18個小區(qū)，3個處理。試驗田施加尿素（N）、磷酸二氫鈣（P）、硫酸鉀（K）進行棉花定時定量施肥。分別在2019年7月10日（蕾期）、2019年7月26日（花期）、2019年8月2日（花鈴期）、2019年8月26日（鈴期）采集了四個時期的棉花葉片氮素和高光譜數據，每個時期采集180個數據，四個時期共計720個樣本數據。

1.2 葉片氮素含量測定

實驗儀器選用杭州大吉光電植物營養(yǎng)測量儀，先在植株上將棉花葉片標號，以保證所測得的棉花葉片氮素值和將要測的葉片光譜值一一對應，然后在每個葉片上測3次氮素值，將這3個氮素值求平均作為該葉片的氮素值。在每一期數據的測量中每個小區(qū)采集10個葉片，18個小區(qū)共采集180個葉片。

1.3 葉片高光譜數據采集

實驗中采用的是ASD中國總代理北京理加聯(lián)合科技有限公司生產的高光譜儀HandHeld 2，其波長范圍為325-1075nm，設置樣品光譜采集次數為每次采集5條光譜。將實驗中采集到的棉花葉片放入用黑色擋板遮擋的平臺上，然后調整鏡頭到平臺的距離為20cm，測量所需葉片的光譜值，最后用ASD光譜儀配套的光譜數據處理軟件ViewSpecPro將每片棉花葉片的5條光譜數據求平均后作為這片葉子的高光譜數據，從而可以利用Excel 2010和MATLAB 2016a進行后續(xù)計算。

1.4 建模方法

本研究利用偏最小二乘法（partial least squares，簡稱PLS）建立棉花葉片檢測的校正集和預測集模型，通過相關系數R、均方根誤差（root mean square erroe，簡稱RMSE）、預測精度（Precision）、預測均方根誤差（root mean square erroe of prediction，簡稱RMSEP）、交叉驗證預測均方差（root mean square erroe of cross validation，簡稱RMSECV）這些參數評價利用偏最小二乘法建立的模型好壞。四個時期的參數R、RMSE、Precision、RMSEP、RMSECV都很好的說明了利用偏最小二乘法建模在棉花葉片氮素的光譜檢測中起到了很好的效果。

2 結果與分析

2.1 光譜預處理結果分析

使用原始數據+SPA、原始數據+數據中心化、原始數據+歸一化、原始數據+SNV、SNV+SPA這幾種不同的預處理方法對光譜進行處理后，對結果優(yōu)劣進行了比較。結果顯示，經過SNV+SPA預處理過的光譜略好于原始數據+SPA等其他的幾種預處理方法。

2.2 不同時期棉花葉片高光譜特征

從圖1可以看出在不同的重要生育期棉花葉片的高光譜特征呈現(xiàn)大體一致的趨勢。在綠波段（約550nm）處呈現(xiàn)明顯的反射峰，在紅波段（約680nm）處呈現(xiàn)有吸收谷的現(xiàn)象，在近紅外波段（>760nm）光譜值達到最大，走勢逐漸趨于水平。從四個重要生育期的棉花葉片高光譜特征來看，在可見光區(qū)域，光譜特征呈現(xiàn)先增大后減小的趨勢，此現(xiàn)象在反射峰處達到最大值，在近紅外區(qū)域，光譜特征呈現(xiàn)趨于平穩(wěn)的趨勢，在波段（760-1075nm）較為明顯。

2.3 基于PLS的預測模型建立

本研究選用偏最小二乘法（partial least squares，簡稱PLS）方法對棉花葉片的高光譜數據進行建模，其預測的散點圖如圖2所示，在棉花葉片四個重要時期的建模參數中，鈴期的R值最大，為0.8626;花鈴期的R值最小，為0.8032;而在均方根誤差RMSEP和RMSECV方面，鈴期的RMSEP最小，為0.1570;花鈴期的RMSEP最大，為0.2604;鈴期的RMSECV最小，為0.0531;花鈴期的RMSECV最大，為0.1414。

表1 不同棉花重要生育期參數比較

在精度方面，鈴期的Precision最大，為0.9683;花鈴期的Precision值最小，為0.9579。通過分析可知，花鈴期高光譜數據建模效果與其他時期相比較差，但建模參數都能達到較好效果，由此可知，用SPA-PLS方法建立模型利用高光譜技術檢測棉花氮素含量具有較好的預測效果。四個棉花重要生育期的建模參數如表1所示。

3 結論

此次研究利用高光譜技術檢測棉花葉片氮素含量，通過對棉花葉片四個重要生育期的光譜預處理，建立了基于SPA-PLS方法的預測模型。結果顯示，棉花四個生育期建立模型的R值最小能達到0.8032，預測精度能達到0.9647以上，RMSEP最大為0.2604，RMSECV最大為0.1414，預測參數都達到較好效果，說明利用SPA-PLS方法建立模型來預測棉花葉片氮素含量是可行的，此次研究為利用高光譜技術檢測作物重要營養(yǎng)物質提供了參考。

參考文獻：

[1]王樹文，牛羽新，馬昕宇，等.基于高光譜的抽穗期寒地水稻葉片氮素預測模型[J].農機化研究，2019，41（03）：158-164.

[2]翟麗婷，魏峰遠，馮海寬，等.不同水分處理下冬小麥葉片光譜特征及氮素垂直分布情況分析[J].中國農業(yè)信息，2019，31（02）：39-54.

[3]張亞坤，羅斌，潘大宇，等.基于分數階微分算法的大豆冠層氮素含量估測研究[J].光譜學與光譜分析，2018，38（10）：3221-3230.

[4]周慧，蘇有勇，王重洋，等.利用無人機的多光譜參數預測荔枝葉片養(yǎng)分質量分數[J].熱帶地理，2019，39（04）：562-570.

[5]張銀杰，王磊，白由路，等.基于高光譜分析的玉米葉片氮含量分層診斷研究[J].光譜學與光譜分析，2019，39（09）：2829-2835.

[6]李百超.基于高光譜成像技術的蘋果葉片氮素含量估測研究[D].山東農業(yè)大學，2018.

[7]鄭人文，李子波，唐榮年.基于分數階微分的橡膠樹割膠期氮素含量定量檢測[J].南方農業(yè)學報，2019，50（04）：802-808.

[8]楊海波，高興，黃紹福，等.基于衛(wèi)星波段的馬鈴薯植株氮素含量估測[J].光譜學與光譜分析，2019，39（09）：2686-2692.

[9]張曉東，蘇辰，段夢杰.基于近紅外光譜嶺回歸的甜椒氮素檢測試驗[J].排灌機械工程學報，2019，37（01）：86-92.

[10]陳凱.基于光譜技術的橡膠樹氮素水平無損診斷策略研究[D].海南大學，2018.

[11]程博.基于反射光譜的甜菜不同生育時期氮素預測系統(tǒng)研究[D].內蒙古農業(yè)大學，2017.

[12]蔣燦辰，唐榮年.基于近紅外光譜技術的成年橡膠樹葉片氮素含量檢測[J].安徽農業(yè)大學學報，2017，44（03）：429-433.