基于多源遙感數據的夏玉米冠層氮素遙感監測研究

王嬌娜

（三和數碼測繪地理信息技術有限公司，甘肅 天水 741000）

對夏玉米具體生長情況進行診斷時，常對冠層氮素進行診斷分析，而在氮素診斷過程中可應用兩種方法，一種是傳統的實驗室測量方法，即通過人工手段采集監測范圍內的作物樣本，經過實驗室化學測量方法對氮素情況進行分析。該方法雖然具有較高的精準性，但是對人力和物力等資源的消耗較大，且監測周期相對較長。另一種是基于多源遙感技術的新型監測方法，即利用無人機和光譜相機等設備實現空間數據檢測，能夠有效縮減監測使用的資源，且保證了數據監測的時效性和精準性，已經成為現階段重點關注和研究的技術。

1 多源遙感技術在農業種植中的應用

使用多源遙感技術對夏玉米種植過程進行氮素監測時，主要以系統分析原理作為生長模型，對玉米種植品種、生長發育環境以及種植栽培技術等進行整合，以此對夏玉米的光合效應、產量變化、生長發育周期以及水碳循環等變化情況和夏玉米生長環境之間的反饋關系進行數量分析和理論研究，構建出數學關系模型，將夏玉米生長過程進行動態化定量模擬。該模型在實際應用中能夠提高玉米生長檢測的精準性、機理性以及真實性。

氮素對玉米生長品質和最終產量等具有十分重要的影響，如果氮素含量過高，會導致玉米營養過剩，且會造成資源浪費和環境污染問題；如果氮素含量過低，會導致玉米營養不良，最終影響到玉米質量和產量。因此，將玉米氮素控制在合理范圍內是科學種植的前提與保障[1]。傳統的田間測量方法能夠對玉米氮素情況進行有效監測，但是會對農作物造成一定程度的破壞，且浪費時間和成本。而多源遙感技術的應用能夠實現對玉米長勢和發育情況的快速監測，有助于現代化農業的快速發展。

2 多源遙感監測實驗概述

2.1 實驗區域概況

實驗一區位于北京市昌平區，氣候條件為溫帶季風氣候。實驗區域內的土壤成分主要為粉質黏壤土，pH值在8左右。土壤成分大致如下：速效鉀含量為145 mg/kg、速效磷含量為17 mg/kg、堿解氮含量為49.9 mg/kg、有機質含量為1.14%。對實驗區域進行三次不同氮素含量的施肥，分別是過量765 kg/hm2、一般337 kg/hm2、無氮0。將實驗區域劃分成18個小型實驗田，每塊面積大小為7 m*7 m，分別標記為1#～18#，其中1#～9#種植“農大108”玉米，10#～18#種植“京華8”玉米。對玉米生長發育的四個階段進行樣品數據采集，分別是拔節期、大口期、開花期以及灌漿期。全部實驗區均進行標準統一化管理。

實驗二區和實驗一區位置相同，氣候條件相同。將實驗區域劃分成48個小型實驗區，其中北側24個實驗區進行品種區分處理，選用8個不同品種；南側24個實驗區進行氮素區分處理，分別進行不施氮處理N0：0，1/2倍常規氮處理N1：210 kg/hm2，常規氮處理N2：420 kg/hm2，3/2倍常規氮處理N3：630 kg/hm2。土壤條件為重壤土和濕潤土，有效鉀含量為86 mg/kg～120 mg/kg、有效磷含量為3 mg/kg～22 mg/kg、硝酸氮含量為3 mg/kg～15 mg/kg、氮濃度為1 g/kg～1.2 g/kg、有機質含量為15 g/kg～20 g/kg。在種植前和大口期施兩次氮肥，磷肥在種植前施用。

2.2 數據信息獲取和處理

利用無人機搭載高清相機和多光譜相機以便攜式地物光譜儀等裝置進行作物信息收集。監測夏玉米冠層氮素時，在每個小實驗區內隨機選擇兩株作物作為數據采集樣本，將莖和葉分離，隨后將葉片放入烘箱中烘烤半小時，將烘烤溫度控制在105 ℃，再將溫度控制在80 ℃繼續烘烤2 d以上，直至重量恒定。將葉片取出稱重，隨后進行研磨粉碎，利用凱氏分析儀對氮的質量分數進行測定。氮濃度計算公式如下：

3 近地高光譜夏玉米冠層氮素遙感監測研究

3.1 遙感監測過程分析

對高光譜特征變量進行有效選取。首先，對光譜數據信息進行預處理，利用卷積平滑法消除光譜中的噪聲，預實驗結果表明，移動窗口寬度達到17、多項式次數為2時，具有較為良好的去噪效果。本文中涉及的植被指數、位置特征以及一階導數等光譜變量都是在去噪后經過光譜反射率計算得出的結果。選取3個不同氮素水平的實驗區，對其光譜變量進行分析，能夠呈現出3個吸收點位和6個反射點位的參數情況，本次研究只對面積、深度以及歸一化深度3個參數進行分析。其次，對植被指數進行合理選取，設定34個植被指數對夏玉米冠層氮素含量（LNC）進行估算，其中6項為氮敏感高光譜，包括歸一化差值紅邊、綜合指數、比值植被指數等，并選擇典型指數23個。上述涉及寬波段的VIs，可利用高光譜計算對應傳感器的光譜響應函數[2]。隨后，利用連續投影算法（SPA）對敏感變量進行有效提取與篩選，該方法能夠消除光譜信息共線性問題，能夠消減變量間的冗余度，以此對特征參數進行典型選取，能夠大幅度提高數據建模分析效率。為解決共線性問題，可在連續投影算法中選擇最小冗余波段子集。從某一個波段開始，讓投影算子在向量空間中每次迭代時再次選擇新的波長，直至達到預期波長。將評價指標設置為均方根誤差。連續投影算法選擇的變量數目由較低的均方根誤差值決定。使用SPSS軟件對敏感波段、植被指數、位置特征以及LNC指數進行相關性分析，將未參與建模樣本的1/3作為對照樣本，利用MATLAB進行偏最小二乘（PLSR）以及隨機森林算法（RF）的計算，以均方根誤差、決定系數以及歸一化相對誤差3個指標作為定量化、指標解釋和玉米冠層葉片氮素間的具體關系。

3.2 遙感監測結果分析

對高光譜敏感特征數據集和LNC敏感性之間的關系進行分析，包括敏感光譜特征數據集、位置特征數據集、植被指數特征數據集以及綜合光譜特征數據集等。為降低水汽或其他因素對高光譜信息的干擾，本次研究選用400 nm～1 353 nm、1 437 nm～1 799 nm和1 992 nm～2 354 nm的光譜進行研究分析，同時選擇412 nm、724 nm、1 084 nm與1 343 nm的反射光譜以及658 nm與937 nm的一階導數光譜。基于連續統去除法能夠得到反射位置和吸收位置的光譜特征。利用相同方法選擇兩個最佳的位置特征與VIs。

位置、植被指數和敏感波段中會發生比較嚴重的多重共線性現象。利用SPA能夠選擇高光譜信息中的最佳參數，且與LNC之間具有良好的關聯性，但是與其位置特征的關聯性相對低下。最佳參數引用波段大多集中在近紅外和可見光波段，這一現象與預期研究結果保持一致。傳統的研究方法大多依據光譜中的某個單一變量特征對玉米冠層氮素含量進行研究，有關數據信息綜合處理和相似變量模型比較等方面的研究較少[3]。本次研究對比分析了兩個數據模型，即RF模型和PLS模型。基于PLS模型構建的LNC模型具有明顯的優勢，不會受到樣本數量的影響，具有較高的精準度，能夠保障LNC預測數據和真實情況的契合性。基于RF模型能夠實現高精度、操作簡單和較強的過擬合能力，與預期研究結果保持一致。

4 低空無人機多源影像融合的夏玉米氮素遙感監測研究

4.1 遙感監測方法分析

首先，需要對夏玉米冠層氮素情況進行影響信息的獲取，在晴朗天氣下開展無人機飛行，同時配置多光譜相機和高清數碼相機。將飛行高度控制在60 m，空間分辨率控制在5.61 m和1.57 m。獲取影像信息后對其進行處理操作，使用HSV對影像中的顏色信息進行有效提取，并將其轉換成不同顏色，以此區分土壤和植被，使用ENVI軟件進行處理操作，將處理后的信息歸檔并分割。無人機遙感技術獲取的影像信息與衛星影像信息相比具有更高的分辨率，植被特征更加明顯，但是陰影和土壤噪聲也更加明顯，因此需要對土壤背景噪聲進行去除。植被在地面產生的垂直投影面積占總面積的百分比就是植被覆蓋度（FVcover），在土壤背景影像分析中十分重要[4]。大多數研究中都會利用數字圖像分析技術對植被覆蓋度進行提取，本文基于色彩空間變換，將影像的RGB信息轉換成HSV，隨后利用閾值對土壤和植被進行分割，再使用ArcGIS對植被和研究實驗區的像元數目進行統計，然后對植被覆蓋度進行計算。

其次，使用ENVI軟件對48個研究區域對應的多光譜圖像信息進行植被指數和波段信息提取。利用隨機蛙跳算法對多光譜植被指數和波段信息進行大小順序排列，將指數最大的前5個變量作為建模時應用的特征參數。依據上述參數建立模型，進行統計分析。研究區域內的48個樣本均作為實驗樣本，以均方根誤差、決定系數以及歸一化相對誤差3個指標作為定量化、指標解釋和玉米冠層葉片氮素間的具體關系。

4.2 遙感監測結果分析

植被指數能夠準確反映出地面植被生長情況以及覆蓋情況，因此對無人機遙感技術獲取的植被指數和波段信息與LNC之間的關聯關系進行分析。對未消除土壤背景噪聲和去除土壤背景噪聲兩個狀態下的指數進行選擇，以此建立反演數據模型。隨后對玉米冠層CSAIs和LNC之間的關聯關系建立反演模型，分析不同情境下作物氮濃度的反演結果。結果表明，土壤剔除前，北面相同品種不同氮素處理下的玉米長勢情況存在一定差異性，不施氮肥的實驗區實際玉米長勢情況和預期情況相比較差[5-7]。土壤剔除后，北面實驗區LNC明顯提高，且南側不同土壤條件和不同氮水平的實驗區LNC情況也明顯改良。

低空無人機遙感技術與多光譜遙感影像技術相比具有更高的分辨率，植被紋理特征更加明顯，但是更容易受到土壤背景噪聲影響，因此需要考慮土壤背景噪聲消除問題[8-10]。本文主要使用HSV色彩變換方法對土壤背景噪聲進行消除，從而獲取到更精準的玉米植被數據，能夠實現更真實的遙感監測。

5 結束語

傳統植被監測技術主要依靠人工操作，在實際應用中不僅耗費大量的時間和精力，且成本投入較大。隨著時代的發展進步，現代化技術促使農業監測更新升級，為農業監測提供更加高效、精準的監測方法。本次研究以高光譜和無人機遙感監測為案例進行研究，利用隨機蛙跳算法、隨機森林算法、偏最小二乘法等方法建立模型并分析。實驗結果表明，上述遙感技術在實際應用中獲取的數據信息具有更高的精確性和真實性，影像信息具有更高的分辨率。