基于RGB顏色空間的早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)研究

葉 春 劉 瑩 李艷大 曹中盛 張麗娜 劉繼忠

(1.南昌大學(xué) 機(jī)電工程學(xué)院，南昌 330031；2.江西省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)工程研究所/江西省智能農(nóng)機(jī)裝備工程研究中心/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，南昌 330200；3．中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院 產(chǎn)業(yè)創(chuàng)新中心，北京 100083)

水稻是我國(guó)重要的糧食作物，其產(chǎn)量及質(zhì)量直接影響糧食安全。氮素是作物生長(zhǎng)發(fā)育所必需的重要營(yíng)養(yǎng)元素，科學(xué)合理施用氮肥是增加雙季稻單位面積產(chǎn)量和提高品質(zhì)的有效措施。目前雙季稻氮肥過(guò)量施用現(xiàn)象普遍，不僅增加生產(chǎn)成本，還會(huì)降低肥料利用率，嚴(yán)重污染環(huán)境[1]。因此，雙季稻氮素營(yíng)養(yǎng)的實(shí)時(shí)無(wú)損監(jiān)測(cè)診斷對(duì)于氮肥精確管理和減輕農(nóng)業(yè)面源污染具有重要意義。傳統(tǒng)的作物氮素營(yíng)養(yǎng)監(jiān)測(cè)診斷方法主要采用田間采樣實(shí)驗(yàn)室化學(xué)分析法，費(fèi)時(shí)費(fèi)力成本高，且時(shí)效性差，難以滿足實(shí)時(shí)監(jiān)測(cè)作物及田間追肥的需求[2]。隨著數(shù)字圖像技術(shù)的快速發(fā)展，其在稻麥氮素營(yíng)養(yǎng)診斷[3-5]、病蟲(chóng)害診斷[6]、產(chǎn)量預(yù)測(cè)[7]、含水率預(yù)測(cè)[8]等方面都得到了廣泛應(yīng)用。

國(guó)內(nèi)已有報(bào)道利用數(shù)字圖像技術(shù)進(jìn)行作物營(yíng)養(yǎng)診斷：祝錦霞等[9]通過(guò)掃描儀和無(wú)人機(jī)對(duì)水稻單葉和冠層圖像進(jìn)行分析，發(fā)現(xiàn)藍(lán)色波段(Blueness intensity)對(duì)水稻的氮素水平較為敏感；石媛媛等[4]通過(guò)掃描儀圖像和無(wú)人機(jī)搭載數(shù)碼相機(jī)圖像建立了水稻氮磷鉀診斷模型；李紅軍等[10]開(kāi)展了基于不同航拍高度的無(wú)人機(jī)圖像小麥和玉米氮素營(yíng)養(yǎng)診斷，表明航拍診斷模型在冬小麥和夏玉米上均有較好監(jiān)測(cè)精度，但存在航拍圖像精度、參數(shù)是否飽和等問(wèn)題，需要進(jìn)一步完善處理。由于實(shí)際生產(chǎn)中無(wú)人機(jī)使用需專人操作，掃描儀的使用耗時(shí)費(fèi)力，其應(yīng)用范圍及人群均相對(duì)受限。而數(shù)碼相機(jī)具有成本低、且能實(shí)時(shí)快速獲取數(shù)據(jù)的優(yōu)點(diǎn)，應(yīng)用數(shù)碼相機(jī)實(shí)施作物營(yíng)養(yǎng)監(jiān)測(cè)已經(jīng)成為開(kāi)展農(nóng)業(yè)研究的新手段。李嵐?jié)萚11]通過(guò)應(yīng)用普通數(shù)碼相機(jī)進(jìn)行了水稻氮營(yíng)養(yǎng)診斷，并得出敏感參數(shù)水稻紅光標(biāo)準(zhǔn)化值(NRI)構(gòu)建的模型與水稻氮素營(yíng)養(yǎng)指標(biāo)和產(chǎn)量之間均表現(xiàn)出較好的相關(guān)性；Lee 等[12]應(yīng)用數(shù)碼相機(jī)開(kāi)展水稻冠層覆蓋率的研究，并指出改良的過(guò)度綠色指數(shù)(MEGI)顯示了從淹水/裸土背景分割水稻植物的最大潛力；Li等[13]于2013年利用數(shù)碼相機(jī)圖像對(duì)水稻葉綠素含量進(jìn)行了估測(cè)，并構(gòu)建一種模型來(lái)展開(kāi)SPAD值的反演工作，效果良好；賈良良[14]構(gòu)建了水稻葉片氮營(yíng)養(yǎng)監(jiān)測(cè)模型，認(rèn)為數(shù)字圖像技術(shù)將成為估測(cè)作物營(yíng)養(yǎng)含量的重要技術(shù)手段。

已有研究利用數(shù)字圖像參數(shù)構(gòu)建了許多作物營(yíng)養(yǎng)監(jiān)測(cè)模型，驗(yàn)證了模型具有較高精確度，但針對(duì)具體生育期結(jié)論各不相同，對(duì)雙季稻品種是否影響模型構(gòu)建并未進(jìn)行具體分析，且以雙季稻為研究對(duì)象的更少。因此，本研究擬以4 個(gè)早稻品種大田試驗(yàn)為基礎(chǔ)，采用數(shù)碼相機(jī)獲取早稻全生育期冠層圖像，將圖像分割和去噪后提取顏色參數(shù)，并分析早稻冠層 RGB顏色空間參數(shù)和水稻氮素營(yíng)養(yǎng)指數(shù)的關(guān)系，基于RGB顏色空間參數(shù)，利用單變量回歸和多變量回歸分析方法，篩選出早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)的敏感顏色參數(shù)及最佳監(jiān)測(cè)模型，以期為雙季稻氮肥精確管理和數(shù)字圖像營(yíng)養(yǎng)監(jiān)測(cè)設(shè)備的研發(fā)提供理論依據(jù)與參考。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

以不同地點(diǎn)、不同施氮水平和不同品種類型的雙季早稻田間試驗(yàn)為基礎(chǔ)。

試驗(yàn)1：2019年在江西省農(nóng)業(yè)科學(xué)院高安試驗(yàn)基地進(jìn)行，28°25′27″ N，115°12′15″ E。試驗(yàn)田耕作層含有機(jī)質(zhì)38.80 g/kg，全氮2.53 g/kg，銨態(tài)氮42.4 mg/kg、硝態(tài)氮1.04 mg/kg，有效磷16.78 mg/kg，速效鉀120.1 mg/kg和pH 5.5。供試品種為中嘉早17(記為C1)和長(zhǎng)兩優(yōu)173(記為C2)；設(shè)4 個(gè)施氮水平：0、75、150和225 kg/hm2(分別記為N0、N1、N2和N3)，3 次重復(fù)。不同時(shí)期施肥質(zhì)量比：基肥∶分蘗肥∶穗肥=5∶3∶2，磷肥(60 kg/hm2)作為基肥一次性施入，鉀肥(120 kg/hm2)隨氮肥同比例施入，隨機(jī)區(qū)組排列。小區(qū)面積為30 m2，3 本移栽，南北行向，小區(qū)之間以埂相隔，埂上覆膜，獨(dú)立排灌。4月25日移栽，7月16日收獲。其他栽培措施與當(dāng)?shù)馗弋a(chǎn)栽培一致。

試驗(yàn)2： 2019年在江西省吉安市新干縣界埠鎮(zhèn)試驗(yàn)基地進(jìn)行，115°21′3.87″ E，27°45′17.65″ N。試驗(yàn)田耕作層含有機(jī)質(zhì)28.0 g/kg、堿解氮127.0 mg/kg、有效磷29.0 mg/kg、速效鉀121.0 mg/kg和pH 5.5。供試品種為早秈618(記為C3)和湘早秈45(記為C4)，4月26日移栽，7月19日收獲。早稻4 個(gè)施氮水平、行株距、行向、小區(qū)面積、重復(fù)數(shù)、氮磷鉀肥類型和用量均與試驗(yàn)1相同。其他栽培措施與當(dāng)?shù)馗弋a(chǎn)栽培一致。

1.2 數(shù)字圖像及圖像參數(shù)獲取

1.2.1數(shù)字圖像獲取

參照文獻(xiàn)[15]做法，選取晴朗無(wú)云的天氣分別于分蘗期(2019-05-09)、拔節(jié)期(2019-05-18)、孕穗期(2019-05-25)、抽穗期(2019-06-04)和齊穗期(2019-06-13)，在太陽(yáng)高度角相對(duì)穩(wěn)定的12: 00至14: 00，利用數(shù)碼相機(jī)(Canon EOS 100D，分辨率為72 DPI)獲取早稻冠層圖像。拍攝時(shí)，將相機(jī)鏡頭距離水稻冠層約1.0 m，與冠層呈60°夾角，同時(shí)將相機(jī)調(diào)至Auto模式下，以自動(dòng)曝光控制色彩平衡，圖片以JPEG格式存儲(chǔ)，分辨率5 184×3 456。

1.2.2圖像特征參數(shù)獲取

用于作物營(yíng)養(yǎng)診斷的圖像處理方法主要包括圖像分割法[16-17]和直方圖RGB參數(shù)組合法[14]。本研究應(yīng)用Adobe photoshop7. 0 軟件直方圖程序獲取分割去噪后圖像的紅光值R(Redness intensity)、綠光值G(Greenness intensity)和藍(lán)光值B(Blueness intensity)。通過(guò)這3個(gè)顏色參數(shù)的組合運(yùn)算，衍生出多種色彩參數(shù)。參考同類研究對(duì)色彩參數(shù)的選擇，本研究選取常用的8種色彩參數(shù)作為備選，其計(jì)算方法和相關(guān)文獻(xiàn)見(jiàn)表1。

表1 圖像色彩參數(shù)及計(jì)算方法Table 1 Image characteristic value and calculation methods

1.3 氮素營(yíng)養(yǎng)指標(biāo)的選擇

與數(shù)字圖像獲取同步，各小區(qū)選取長(zhǎng)勢(shì)相同的稻株4株，根據(jù)植株器官發(fā)育情況，將樣品植株分離為葉、莖鞘和穗，在105 ℃殺青30 min，80 ℃烘干48 h至恒重后稱量，采用凱氏定氮法測(cè)定水稻葉片氮濃度(LNC)，進(jìn)而計(jì)算水稻葉片氮積累量(LNA)。LNA/(g/m2)=葉片氮濃度/%×葉片干物質(zhì)量/(g/m2)。

1.4 數(shù)據(jù)處理與分析

采用Adobe photoshop 7. 0軟件將早稻與水體裸地分割，進(jìn)一步運(yùn)用直方圖軟件提取早稻葉片色彩參數(shù)。其他數(shù)據(jù)處理與分析采用Microsoft Execl 2007、 SPSS 17.0 和Matlab 7.0進(jìn)行。

1.5 模型的檢驗(yàn)

試驗(yàn)1獲取的試驗(yàn)數(shù)據(jù)用于模型構(gòu)建，試驗(yàn)2獲取的試驗(yàn)數(shù)據(jù)用于模型檢驗(yàn)。采用國(guó)際上常用的R2、均方根誤差RMSE和相對(duì)均方根誤差(RRMSE)來(lái)評(píng)估模型的穩(wěn)定性，RMSE和RRMSE值越小，說(shuō)明模擬值與觀測(cè)值的一致性越好，即模型的模擬結(jié)果越準(zhǔn)確、可靠。

(1)

(2)

2 結(jié)果與分析

2.1 不同施氮水平下各生育期早稻氮素營(yíng)養(yǎng)變化特征

不同施氮水平下不同生育期水稻氮營(yíng)養(yǎng)的時(shí)空變化特征各有差異(圖1)。由圖1可知全生育期內(nèi)同一處理不同品種水稻LNC的變化整體趨勢(shì)一致，而同一生育期內(nèi)不同處理的 LNC差異較為明顯。其中：N0和N1處理下水稻LNC隨著生育期推進(jìn)逐漸減小；N2和N3理下LNC從分蘗期至拔節(jié)期是先增加，而后隨著生育期推進(jìn)逐漸減小。進(jìn)一步，將水稻葉片氮積累量進(jìn)行比較分析(圖2)，由圖2可以看出，水稻LNA值隨著生育期推進(jìn)不斷增加，除N3處理外，其他處理的LNA值均至抽穗期達(dá)到頂峰。說(shuō)明水稻不同品種的葉片氮濃度和葉片氮積累量數(shù)值雖有差異，但基本變化趨勢(shì)一致。與對(duì)照(N0)相比，分蘗期、拔節(jié)期、孕穗期、抽穗期和齊穗期葉片氮濃度和氮積累量分別增加了7.41%、22.64%、32.55%、38.71%、99.17%和28.37%、77.17%、83.06%、120.95%、147.51%，差異顯著。不同施肥處理導(dǎo)致水稻LNC和LNA的差異，但是依據(jù)施肥情況無(wú)法準(zhǔn)確確定水稻的氮素營(yíng)養(yǎng)狀況。

C1:中嘉早17；C2：長(zhǎng)兩優(yōu)173；N0：不施氮肥；N1：氮肥施用量為75 kg/hm2；N2：氮肥施用量為150 kg/hm2；N3：氮肥施用量為225 kg/hm2。下同。C1, Zhongjiazao 17; C2， Changliangyou 173; N0, no nitrogen; N1,nitrogen application rate 75 kg/hm2； N2， nitrogen application rate 150 kg/hm2； N3,nitrogen application rate 225 kg/hm2. The same below.圖1 不同生育期早稻葉片氮濃度變化特征Fig.1 Characteristics of LNC in early rice leaves at different growth stage

2.2 不同施氮水平對(duì)數(shù)字圖像參數(shù)的影響

分析圖像參數(shù)對(duì)不同施氮水平的響應(yīng)特征是利用圖像參數(shù)構(gòu)造氮素營(yíng)養(yǎng)預(yù)測(cè)模型的前提，不同施氮量下圖像顏色參數(shù)與葉片氮濃度、葉片氮積累量的相關(guān)系數(shù)整理見(jiàn)表2。結(jié)果顯示：氮肥施用后，不同時(shí)期冠層數(shù)字圖像顏色參數(shù)差異顯著；R、G和B3 個(gè)基本參數(shù)不同生育期與葉片氮濃度、氮積累量相關(guān)性變化明顯。其中參數(shù)R在分蘗期與LNC相關(guān)系數(shù)最大，在拔節(jié)期與LNA相關(guān)系數(shù)最大；拔節(jié)期，參數(shù)G與LNC和LNA的相關(guān)系數(shù)分別為0.724和0.841，為全生育期內(nèi)相關(guān)系數(shù)最大值。而參數(shù)B與LNC及LNA的相關(guān)系數(shù)最大值出現(xiàn)在抽穗期和齊穗期?？紤]到抽穗期后一般水稻田不再追施肥，抽穗期和齊穗期作為氮營(yíng)養(yǎng)監(jiān)測(cè)的敏感生育期指導(dǎo)實(shí)際追施肥意義較小，因此暫時(shí)以分蘗期和拔節(jié)期為備選觀測(cè)期。

圖2 不同生育期早稻葉片氮積累量變化特征Fig.2 Characteristics of LNA in early rice leaves at different growth stage

表2 不同生育時(shí)期水稻冠層顏色參數(shù)值與植株氮營(yíng)養(yǎng)的相關(guān)系數(shù)rTable 2 Correlation coefficient between rice canopy color parameters and plant N-nutrition at different growth stage

進(jìn)一步分析分蘗期和拔節(jié)期水稻冠層數(shù)字圖像參數(shù)隨施氮量和生育期的變化(表3)，結(jié)果表明不同施氮處理下圖像參數(shù)差異顯著，不同品種間的RGB值也略有差異，但不同品種相同施氮處理下圖像參數(shù)基本呈現(xiàn)一致，特別是在拔節(jié)期內(nèi)，品種對(duì)于冠層色彩參數(shù)影響較小。結(jié)合表2的數(shù)據(jù)分析，拔節(jié)期冠層數(shù)字圖像顏色參數(shù)與水稻氮營(yíng)養(yǎng)指標(biāo)均達(dá)到極顯著水平，說(shuō)明以拔節(jié)期為主要觀測(cè)期的水稻冠層圖像顏色參數(shù)能夠表征水稻植株氮素營(yíng)養(yǎng)狀況。

2.3 氮素營(yíng)養(yǎng)監(jiān)測(cè)模型的構(gòu)建

2.3.1單變量回歸分析構(gòu)建模型

分別采用線性、非線性回歸方程(對(duì)數(shù)方程函數(shù)、多項(xiàng)式函數(shù)、冪方程函數(shù)和指數(shù)方程函數(shù))分析拔節(jié)期圖像與早稻氮素營(yíng)養(yǎng)參數(shù)間的關(guān)系，并對(duì)比分析不同模型的決定系數(shù)，選取方程決定系數(shù)R2最大時(shí)所對(duì)應(yīng)的顏色參數(shù)作為自變量，以氮含量作為因變量，構(gòu)建最佳氮素營(yíng)養(yǎng)監(jiān)測(cè)模型。

表3 不同施氮水平對(duì)數(shù)碼相機(jī)顏色參數(shù)的影響Table 3 Effects of different nitrogen application levels on color parameters of digital cameras

通過(guò)對(duì)比分析各方程決定系數(shù)發(fā)現(xiàn)，拔節(jié)期內(nèi)，數(shù)碼相機(jī)圖像各參數(shù)與早稻氮素營(yíng)養(yǎng)參數(shù)回歸分析中，除B參數(shù)外所有參數(shù)均以多項(xiàng)式函數(shù)擬合效果最佳。從R2值變化范圍看，構(gòu)建的各模型R2值變化波動(dòng)較大。將R2排序后可知，以參數(shù)INT為自變量，構(gòu)建的 LNC及LNA多項(xiàng)式函數(shù)模型R2最高，分別為0.895 7和0.924 7，對(duì)應(yīng)的方程分別為：YLNC=-0.001x2+0.338 8x-23.639，YLNA=0.019 8x2-5.939 7x+459.89。其次，以參數(shù)G為自變量，構(gòu)建的LNA及LNC多項(xiàng)式函數(shù)模型R2僅次于INT，分別為0.770 9 和0.910 0，對(duì)應(yīng)的方程分別為：YLNC=-0.000 9x2+0.410 2x-40.782，YLNA=0.027 6x2-11.361x+1 182.1。說(shuō)明以INT和G參數(shù)作為自變量參數(shù)構(gòu)建的模型可較好預(yù)測(cè)水稻氮素營(yíng)養(yǎng)狀況，其中INT可以作為最佳敏感色彩參數(shù)。

2.3.2多變量回歸分析構(gòu)建模型

在多變量回歸中，模型的構(gòu)建涉及到多輸入和多輸出參數(shù)，常用的模型構(gòu)建方法為多元回歸分析和神經(jīng)網(wǎng)絡(luò)分析。根據(jù)多元回歸分析和BP神經(jīng)網(wǎng)絡(luò)的特性，應(yīng)用圖像參數(shù)和氮營(yíng)養(yǎng)參數(shù)分別作為輸入輸出參數(shù)，用兩種多變量回歸分析方法構(gòu)建監(jiān)測(cè)模型。分別以LNC和LNA為變量，以顏色參數(shù)為自變量構(gòu)建回歸方程(表4)。多元回歸方程中R2和調(diào)整R2指標(biāo)用于揭示擬合程度。表4多元回歸分析的結(jié)果顯示：以水稻氮營(yíng)養(yǎng)2 個(gè)參數(shù)作為輸出參數(shù)構(gòu)建的回歸模型，R2分別為0.955和0.901，說(shuō)明自變量可很好解釋因變量變化，回歸方程擬合度很好；回歸方程調(diào)整后的R2分別為0.844和0.654，意味著所構(gòu)建的模型估計(jì)和預(yù)測(cè)結(jié)果可靠性高。BP神經(jīng)網(wǎng)絡(luò)分析法中，結(jié)合輸入輸出節(jié)點(diǎn)數(shù)量，根據(jù)隱藏層選擇原則，本研究隱藏層設(shè)置為5層，以9 個(gè)色彩參數(shù)為輸入?yún)?shù)，2 個(gè)氮營(yíng)養(yǎng)參數(shù)為輸出參數(shù)，以高安地區(qū)拔節(jié)期的數(shù)據(jù)作為訓(xùn)練集，以新干地區(qū)數(shù)據(jù)作為測(cè)試集，結(jié)果顯示，測(cè)試數(shù)據(jù)與實(shí)際數(shù)據(jù)呈現(xiàn)較好的一致性。

表4 圖像色彩參數(shù)與氮營(yíng)養(yǎng)指數(shù)的多元線性回歸分析Table 4 Multiple linear regression analysis between image color parameters and nitrogen nutrition indexs

2.4 模型驗(yàn)證

為了驗(yàn)證應(yīng)用數(shù)碼相機(jī)進(jìn)行雙季早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)的可靠性，利用新干縣試驗(yàn)點(diǎn)的試驗(yàn)數(shù)據(jù)分別對(duì)單變量回歸分析模型(圖3)、多元回歸分析模型(圖4)和BP神經(jīng)網(wǎng)絡(luò)分析模型(圖5)進(jìn)行檢驗(yàn)，采用國(guó)際上常用的決定系數(shù)(R2)、均方根誤差(RMSE)和相對(duì)誤差(RRMSE)來(lái)分析模擬值與實(shí)測(cè)值之間的符合度。結(jié)果表明，早稻拔節(jié)期回歸方程的預(yù)測(cè)效果均較好，RMSE介于0.210～1.925，RRMSE介于5.24%～14.55%。在所有模型中，用單變量INT回歸分析構(gòu)建的LNA模型檢驗(yàn)結(jié)果較為理想，模擬值與實(shí)測(cè)值之間具有較好的一致性。檢驗(yàn)參數(shù)分別為：RMSE為 0.864 5，RRMSE為5.24%，R2為0.974 4(圖3 (b))。用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的LNC模型檢驗(yàn)結(jié)果最佳，檢驗(yàn)參數(shù)分別為：RMSE為0.210 5，RRMSE為6.52%，R2為0.807(圖5(a))。多元回歸分析法構(gòu)建的LNA模型檢驗(yàn)結(jié)果較好，但LNC的差異較大，結(jié)果并不穩(wěn)定。因此通過(guò)篩選敏感顏色參數(shù)進(jìn)行單變量回歸分析和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建多變量早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)模型均具有較好的預(yù)測(cè)效果。

圖3 單變量模型下LNC(a)和LNA(b)的實(shí)測(cè)值與模擬值比較Fig.3 Comparison of measured and simulated values of LNC (a) and LNA (b) in univariate models

圖4 多元回歸模型下LNC(a)和LNA(b)的實(shí)測(cè)值與模擬值的比較Fig.4 Comparison of measured and simulated values of LNC (a) and LNA (b) under multiple regression model

圖5 BP神經(jīng)網(wǎng)絡(luò)模型下LNC(a)和LNA(b)的實(shí)測(cè)值與模擬值的比較Fig.5 Comparison of measured and simulated values of LNC (a) and LNA (b) under BP neural network model

3 討 論

應(yīng)用數(shù)碼相機(jī)對(duì)早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)具有快速、便捷、非破壞性等優(yōu)點(diǎn)[19-23]。本研究表明，拔節(jié)期為早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)的最佳生育期，研究結(jié)果與已有研究結(jié)果一致[11，16]。從圖像顏色參數(shù)變化規(guī)律來(lái)看，紅色和綠色波段參數(shù)顯示分蘗期和拔節(jié)期較適合監(jiān)測(cè)，而藍(lán)色波段參數(shù)顯示在孕穗期與氮營(yíng)養(yǎng)參數(shù)相關(guān)性高。相關(guān)性分析結(jié)果表明，分蘗期、拔節(jié)期和孕穗期均可作為主要觀測(cè)期。但通常水稻追肥是在孕穗期之前，而分蘗期因水稻并未封行，水體和裸土對(duì)圖像色彩參數(shù)提取影響較大。因此，選擇拔節(jié)期冠層圖像參數(shù)構(gòu)建模型對(duì)實(shí)際施肥更有指導(dǎo)意義。

作物氮素營(yíng)養(yǎng)無(wú)損監(jiān)測(cè)的核心是建立推薦追肥模型，并以此進(jìn)行施肥推薦[24]。探究不同色彩參數(shù)構(gòu)建的模型對(duì)氮素營(yíng)養(yǎng)的預(yù)測(cè)效果，可為后期診斷儀器的研發(fā)提供理論依據(jù)?；貧w方程中的R2是自變量可以解釋的變異量占因變量總變異量的比例，代表回歸方程對(duì)因變量的解釋程度，R2越大說(shuō)明自變量對(duì)因變量的解釋程度越高。本研究以RGB組合形成的參數(shù)為單變量分別構(gòu)建回歸模型，篩選后得出，以參數(shù)INT構(gòu)建的多項(xiàng)式模型R2最大，模型具有較好的預(yù)測(cè)性。由于冠層數(shù)字圖像反映的是植被群體的圖像信息，是葉片、穗、莖稈及土壤等背景的綜合體。僅以單一參數(shù)來(lái)評(píng)估植被氮營(yíng)養(yǎng)狀況變異性較大，因此進(jìn)一步通過(guò)多變量回歸分析構(gòu)造預(yù)測(cè)模型。模型構(gòu)建結(jié)果顯示，多元回歸分析和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的早稻氮素監(jiān)測(cè)模型均具有較好的預(yù)測(cè)性。

為進(jìn)一步驗(yàn)證數(shù)碼相機(jī)圖像對(duì)早稻氮營(yíng)養(yǎng)評(píng)估預(yù)測(cè)的可行性，需要開(kāi)展模型檢驗(yàn)。模型檢驗(yàn)結(jié)果顯示，以BP神經(jīng)網(wǎng)絡(luò)分析構(gòu)建的LNC模型和以INT為自變量構(gòu)建的LNA模型預(yù)測(cè)效果顯著，而多元回歸分析的模型檢驗(yàn)結(jié)果不太理想。分析原因可能是，多元回歸分析中的圖像色彩參數(shù)由RGB三個(gè)基本參數(shù)得到，且LNA值與地上部生物量值和LNC及之間也存在線性關(guān)系，因此采用多元回歸分析易存在過(guò)擬合現(xiàn)象，影響預(yù)測(cè)結(jié)果，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)設(shè)置的隱藏層不斷修改了各層神經(jīng)元的連接權(quán)值，訓(xùn)練出最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，優(yōu)于多元回歸模型。另外，大田試驗(yàn)所選活體水稻樣本隨機(jī)性較大，生長(zhǎng)環(huán)境，養(yǎng)分類型及用量等均有影響。為更好地驗(yàn)證模型的普適性，下一步應(yīng)結(jié)合多地區(qū)、多年分、多品種大區(qū)試驗(yàn)進(jìn)行驗(yàn)證優(yōu)化。

4 結(jié) 論

1)圖像色彩參數(shù)的變換結(jié)果顯示拔節(jié)期為最佳氮素營(yíng)養(yǎng)監(jiān)測(cè)生育期，且圖像色彩參數(shù)與水稻氮營(yíng)養(yǎng)指標(biāo)相關(guān)性高，可用于構(gòu)建氮素營(yíng)養(yǎng)監(jiān)測(cè)模型。

2)構(gòu)建了不同圖像色彩參數(shù)模型，結(jié)果顯示，INT與含氮量指標(biāo)構(gòu)建的模型決定系數(shù)最大，模型預(yù)測(cè)效果最佳。多元回歸分析和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型也均具有較好的預(yù)測(cè)性。

3)模型的檢驗(yàn)結(jié)果顯示，以BP神經(jīng)網(wǎng)絡(luò)分析構(gòu)建的LNC模型和以INT為敏感色彩參數(shù)構(gòu)建的LNA回歸模型，模擬值與實(shí)測(cè)值之間具有較好的一致性和相關(guān)性，證明基于圖像RGB空間參數(shù)構(gòu)建早稻氮素營(yíng)養(yǎng)監(jiān)測(cè)模型具有較好的預(yù)測(cè)效果，可為早稻氮肥精確管理和數(shù)字圖像營(yíng)養(yǎng)診斷設(shè)備研發(fā)提供理論依據(jù)。