基于無人機(jī)多光譜影像的水稻氮營養(yǎng)監(jiān)測

凌琪涵，孔發(fā)明,2，寧 強(qiáng),2，魏 勇,2，柳 展，代明珠，周 宇，張躍強(qiáng),2,4，石孝均,2,4，王 潔,2,4※

（1.西南大學(xué)資源環(huán)境學(xué)院 重慶 400716；2.長江經(jīng)濟(jì)帶農(nóng)業(yè)綠色發(fā)展研究中心 重慶 400716；3.勐海曼香云天農(nóng)業(yè)發(fā)展有限公司 勐海縣 666205；4.國家紫色土肥力與肥料效益監(jiān)測基地 重慶 400716）

0 引言

氮是水稻生長發(fā)育必需的營養(yǎng)元素，參與水稻體內(nèi)重要化合物的合成并與產(chǎn)量密切相關(guān)，氮肥施用不足或者過量均會影響水稻的生長發(fā)育進(jìn)而影響產(chǎn)量和品質(zhì)[1]。大量研究表明，利用不同尺度的遙感監(jiān)測手段能實現(xiàn)水稻氮營養(yǎng)診斷和指導(dǎo)變量精準(zhǔn)施氮，然而大多數(shù)的研究僅僅建立了單一品種的氮營養(yǎng)監(jiān)測模型，缺乏對不同試驗點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測的探究。同時，消費(fèi)級無人機(jī)載傳感設(shè)備的研究與應(yīng)用不足，以至于大部分研究結(jié)果難以推廣使用。因此，探究基于消費(fèi)級無人機(jī)載多光譜成像技術(shù)對不同試驗點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測與應(yīng)用具有重要意義。目前大多數(shù)水稻氮營養(yǎng)監(jiān)測主要基于葉片尺度的地面遙感、無人機(jī)近地遙感以及星載遙感[2]。李衛(wèi)國等[3]在水稻分蘗期利用HJ-1A 衛(wèi)星遙感影像通過歸一化植被指數(shù)（normalized difference vegetation index，NDVI）反演水稻葉面積指數(shù)（leaf area index，LAI），并進(jìn)行了水稻長勢分級。然而，衛(wèi)星遙感存在空間分辨率較低、重訪周期較長、受天氣影響大等不足[4]。地面遙感技術(shù)利用便攜式地物光譜儀能夠快速、準(zhǔn)確的獲取作物生長和營養(yǎng)等信息[5]。李旭青等[6]的研究結(jié)果表明，以氮素光譜敏感指數(shù)作為輸入變量結(jié)合隨機(jī)森林算法構(gòu)建水稻冠層氮含量反演模型精度較高（決定系數(shù)R2為0.82）。于豐華等[7]利用連續(xù)投影法提取敏感波段，并采用波段特征轉(zhuǎn)移思路，篩選出3 個敏感波段（550、729 和800 nm）構(gòu)成氮素特征轉(zhuǎn)移指數(shù)，利用線性回歸模型構(gòu)建了水稻葉片氮含量監(jiān)測模型，R2為0.77，均方根誤差RMSE為0.38 mg/g。但便攜式地物光譜儀監(jiān)測范圍小、工作量較大，很難實現(xiàn)田塊尺度的作物營養(yǎng)監(jiān)測和農(nóng)情反演[8]。近年來，無人機(jī)遙感憑借空間分辨率高（可獲取田塊尺度厘米級遙感影像）、時效性強(qiáng)、成本低等優(yōu)勢，在作物營養(yǎng)診斷領(lǐng)域迅速普及[9]。目前，無人機(jī)作物氮營養(yǎng)監(jiān)測主要通過植被指數(shù)的經(jīng)驗?zāi)Ｐ汀⒒瘜W(xué)計量法和機(jī)器學(xué)習(xí)等方式實現(xiàn)[10]。王玉娜等[11]通過分析小麥冠層光譜參數(shù)與植株氮含量、地上部生物量和氮素營養(yǎng)指數(shù)的相關(guān)性，篩選出3 個敏感光譜參數(shù)，通過隨機(jī)森林構(gòu)建冬小麥氮素營養(yǎng)指數(shù)模型，模型的決定系數(shù)為0.79，均方根誤差為0.13。馮帥等[12]篩選敏感波段兩兩隨機(jī)組合構(gòu)建植被指數(shù)，實現(xiàn)了各生育期東北粳稻冠層葉片氮含量估測，結(jié)果較為準(zhǔn)確（R2均大于0.70）。魏鵬飛等[13]通過以各生育期最優(yōu)光譜指數(shù)為自變量，夏玉米葉片氮含量為因變量，通過逐步回歸建立夏玉米各生育期葉片氮含量監(jiān)測模型（R2為0.56～0.64）。WANG等[14]系統(tǒng)總結(jié)了水稻氮營養(yǎng)監(jiān)測建模方法，發(fā)現(xiàn)植被指數(shù)模型較適用于單一生長階段，當(dāng)涉及多個生育期混合樣本時，利用偏最小二乘回歸和機(jī)器學(xué)習(xí)等方法對水稻葉片氮含量和地上部氮累積量建模精度（R2為0.72～0.95）優(yōu)于植被指數(shù)（R2為0.62～0.87）。綜上所述，前人利用地面便攜式光譜儀、無人機(jī)結(jié)合多/高光譜相機(jī)實現(xiàn)了水稻氮營養(yǎng)估測。然而，無論是便攜式地物光譜儀還是無人機(jī)載多/高光譜傳感設(shè)備均花費(fèi)巨大，在一定程度上限制了其在農(nóng)業(yè)上的應(yīng)用。消費(fèi)級無人機(jī)多光譜影像是近幾年無人機(jī)近地遙感監(jiān)測設(shè)備的重大技術(shù)突破，所搭載傳感器光譜波段較全面，性價比很高，配套簡便易操作的圖像處理與分析軟件，在規(guī)模化田塊尺度農(nóng)情監(jiān)測方面發(fā)展迅速。然而，利用無人機(jī)多光譜影像在單一試驗點(diǎn)、單品種以及不同試驗點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測的研究鮮有報道。本研究利用消費(fèi)級無人機(jī)多光譜遙感技術(shù)，獲取2 個試驗點(diǎn)不同品種水稻分蘗期、拔節(jié)期、抽穗期的冠層多光譜圖像，測定水稻冠層氮含量和地上部氮累積量，通過植被指數(shù)、偏最小二乘回歸、隨機(jī)森林以及反向傳播神經(jīng)網(wǎng)絡(luò)，探究單一試驗點(diǎn)、單一品種水稻和不同試驗點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測，以期為無人機(jī)載多光譜遙感技術(shù)在不同試驗點(diǎn)、不同品種水稻氮營養(yǎng)監(jiān)測和指導(dǎo)精確施氮提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 試驗設(shè)計

本研究分別在云南省西雙版納傣族自治州勐海縣勐遮鎮(zhèn)試驗農(nóng)場（簡稱勐遮鎮(zhèn)試驗農(nóng)場，100°13′E，21°57′N，海拔1 265.08 m）與重慶市北碚區(qū)國家紫色土肥力與肥料效益監(jiān)測基地（簡稱北碚紫色土基地，106°26′E，30°26′N，海拔317 m）設(shè)置水稻不同施氮水平田間試驗（圖1）。勐遮鎮(zhèn)試驗農(nóng)場屬于熱帶季風(fēng)氣候，年平均溫度為24.01 °C，年平均降雨量為1 526.2 mm，試驗前土壤pH 值 5.3，全氮1.20 g/kg，速效磷37.70 mg/kg，速效鉀52.20 mg/kg，有機(jī)質(zhì)23.70 g/kg；供試的水稻品種為云粳37。2021 年1 月15 日播種，采用人工插秧，N0～N4 處理的施氮量分別為0、64、128、160、192 kg/hm2（見表1，N2 為當(dāng)?shù)赝扑]施氮量，N3 為農(nóng)戶施氮量）。北碚紫色土基地屬于亞熱帶濕潤季風(fēng)氣候，年平均溫度為18.5 °C，年平均降雨量為1 105.1 mm，試驗前土壤pH 值 7.7，全氮1.25 g/kg，速效磷4.30 mg/kg，速效鉀88.45 mg/kg，有機(jī)質(zhì)22.61 g/kg；供試的水稻品種為極優(yōu)6 135。2022 年3 月15 日播種，采用人工插秧的方式，N0～N4 處理的施氮量分別為0、60、120、160、200 kg/hm2（見表1，N2 為當(dāng)?shù)赝扑]施氮量，N3 為農(nóng)戶施氮量）。每個小區(qū)50 m2，不同試驗點(diǎn)水稻均實行單季種植制度，株距13.3 cm、行距30 cm，25 萬穴/hm2，每穴定植2 株，移栽基本苗50 萬株/hm2。云粳37 分別在播種前、拔節(jié)期、抽穗期，極優(yōu)6 135 分別在播種前、分蘗期、拔節(jié)期施用尿素，均按照總氮量的40%、40%、20%施用，磷肥和鉀肥分別作為基肥施用，P2O5用量120 kg/hm2，K2O 用量105 kg/hm2（表1）。

圖1 試驗農(nóng)場及小區(qū)設(shè)計Fig.1 Experimental farm and plot design

1.2 水稻冠層多光譜圖像采集與氮營養(yǎng)測定

利用大疆無人機(jī)精靈4 多光譜版進(jìn)行水稻冠層多光譜圖像采集，采集時間分別為分蘗期、拔節(jié)期和抽穗期。選擇天氣晴朗無風(fēng)、太陽光照強(qiáng)烈的10:00-14:00 采集圖像，每次飛行前用漫反射灰布進(jìn)行輻射定標(biāo)。無人機(jī)垂直地面飛行，飛行高度100 m，航向重疊率80%，旁向重疊率70%。相機(jī)每個航點(diǎn)自動拍照，圖像以TIFF 格式保存。

在獲取水稻冠層多光譜圖像的同時，從每個小區(qū)采集具有代表性水稻植株6 穴帶回實驗室，按照莖、葉、穗單獨(dú)分裝標(biāo)記。將各時期的水稻樣品放入烘箱，105 °C殺青30 min 后，在70 °C 的溫度下烘干至恒質(zhì)量。稱量后記錄干質(zhì)量，然后用球磨儀將其粉碎，稱取烘干磨碎后的葉片、莖稈、穗樣品0.5 g，采用凱氏定氮法測得水稻葉片、莖稈、穗的含氮量。

1.3 圖像處理與數(shù)據(jù)計算

采集的多光譜圖像包含5 個光譜波段（450、560、650、730 和840 nm）。圖像在DJI TerraV3.6.0 中進(jìn)行二維多光譜重建并添加漫反射輻射校正參數(shù)，輸出5 個波段的多光譜正射圖像，對分蘗期圖像進(jìn)行掩膜處理，去除土壤背景值，再提取水稻冠層光譜值。

分蘗期和拔節(jié)期水稻全氮含量、氮累積量計算式為

1.4 數(shù)據(jù)分析與建模

數(shù)據(jù)集的劃分利用python 3.8 SKlearn 機(jī)器學(xué)習(xí)庫的train_test_split 算法（K-fold），將總樣本隨機(jī)劃分為建模集（70%）和驗證集（30%）。根據(jù)前人研究選取與水稻氮營養(yǎng)相關(guān)性較高的比值植被指數(shù)（ratio vegetation index，RVI[15]）、歸一化植被指數(shù)（normalized difference vegetation index，NDVI[16]）、歸一化近紅外植被指數(shù)（normalized nir vegetation index，NNVI[17]），采用偏最小二乘回歸（partial least squares regression，PLSR[18]）、隨機(jī)森林（random forest，RF[19]）和反向傳播神經(jīng)網(wǎng)絡(luò)（back-propagation neural network，BPNN[19]）分別對單一試驗點(diǎn)、單品種水稻和不同試驗點(diǎn)、多品種水稻的冠層氮含量和地上部氮累積量進(jìn)行建模。在遷移學(xué)習(xí)驗證中，以云粳37 的樣本作為驗證集測試極優(yōu)6 135 各生育期及全生育期氮營養(yǎng)監(jiān)測模型的遷移能力；以極優(yōu)6 135 的樣本作為驗證集測試云粳37 各生育期及全生育期氮營養(yǎng)監(jiān)測模型的遷移能力。采用決定系數(shù)R2和均方根誤差RMSE評價模型。

植被指數(shù)模型的構(gòu)建及模型的R2、RMSE計算采用Microsoft Excel 2019 進(jìn)行。PLSR 是利用主成分分析與典型關(guān)聯(lián)分析相結(jié)合，解決模型自變量和因變量的映射問題；RF 利用Bootstrap 重抽樣方法從原始樣本中抽取多個樣本，對每個Bootstrap 樣本構(gòu)建決策樹，然后將決策樹中最好的結(jié)果作為最終預(yù)測結(jié)果；BPNN 在建模前對變量進(jìn)行歸一化處理，經(jīng)過反復(fù)參數(shù)調(diào)試對數(shù)據(jù)進(jìn)行訓(xùn)練，最終確定隱含層節(jié)點(diǎn)數(shù)為3、輸出層節(jié)點(diǎn)數(shù)為1 時模型最佳 。PLSR 和RF 模型在python 3.8 的Anaconda3環(huán)境中采用Sklearn 機(jī)器學(xué)習(xí)庫建立，BPNN 模型采用TensorFlow 2.0 深度學(xué)習(xí)庫建立。

2 結(jié)果與分析

2.1 不同施氮處理對水稻冠層反射率的影響

在不同施氮處理下，不同試驗點(diǎn)的水稻冠層反射率如圖2 所示。

圖2 云粳37 和極優(yōu)6 135 不同生育期冠層反射率Fig.2 Canopy reflectance of Yunjing 37 and Jiyou6135 at different growth stages

各生育期不同品種水稻的光譜反射率有明顯差異。總體而言，云粳37 各波段光譜反射率均大于極優(yōu)6 135，尤其在840 nm 處存在明顯差異。其中，拔節(jié)期云粳37在840 nm 處的平均光譜反射率比極優(yōu)6 135 高0.21，其次是抽穗期（840 nm 處平均光譜反射率差值為0.12），差值最小的為分蘗期（840 nm處平均光譜反射率差值為0.08）。在不同施氮處理下，不同品種在同一生育期的光譜反射率存在相似性。在分蘗期，云粳37 和極優(yōu)6 135光譜反射率變幅在整個波段范圍內(nèi)均隨施氮量增加而增大（0.002～0.13；0.003～0.05），在可見光波段光譜反射率均隨施氮量的增加而減小，而在紅邊和近紅外波段隨施氮量的增加而增加。在拔節(jié)期和抽穗期，均隨施氮量增加而增加，可見光光譜反射率變幅差異減小（0.004～0.015；0.009～0.02），而紅邊和近紅外波段隨施氮量的增加而增大（0.021～0.15；0.02～0.14），光譜反射率增加。

2.2 單一試驗點(diǎn)、單品種水稻的冠層氮含量、地上部氮累積量反演模型驗證

單一試驗點(diǎn)、單品種水稻的各項生化指標(biāo)見表2。總體而言，隨著生育期的進(jìn)行，2 個品種冠層氮含量逐漸降低而地上部氮累積量逐漸升高。其中，云粳37 冠層氮含量隨生育期的降幅（0.87 個百分點(diǎn)）小于極優(yōu)6 135（1.80個百分點(diǎn)），且地上部累積量的增幅（35.34 kg/hm2）也小于極優(yōu)6 135（95.81 kg/hm2）。極優(yōu)6 135 的氮營養(yǎng)在同一生育期均大于云粳37（除抽穗期冠層氮含量），不同品種間冠層氮含量差異（0.76 個百分點(diǎn)）小于地上部氮累積量（62.43 kg/hm2）。在分蘗期，極優(yōu)6 135 的冠層氮含量和地上部氮累積量比云粳37 分別高0.76 個百分點(diǎn)和1.99 kg/hm2。在拔節(jié)期，極優(yōu)6 135 的冠層氮含量和地上部氮累積量比云粳37 分別高0.03 個百分點(diǎn)和8.79 kg/hm2。在抽穗期，極優(yōu)6 135 的冠層氮含量比云粳37 低0.17 個百分點(diǎn)，地上部氮累積量比云粳37 高62.43 kg/hm2。在全生育期，極優(yōu)6 135 的冠層氮含量和地上部氮累積量比云粳37 分別高0.18 個百分點(diǎn)和30.27 kg/hm2。

表2 云粳37 和極優(yōu)6 135 不同生育期冠層氮含量和地上部氮累積量Table 2 Canopy nitrogen content(CNC) and plant nitrogen accumulation(PNA) at different growth stages of yunjing37 and jiyou6135

在水稻的3 個生育期，利用植被指數(shù)NDVI（840 nm，650 nm），NNVI，RVI（840 nm，650 nm）建立單一試驗點(diǎn)、單品種氮營養(yǎng)監(jiān)測模型，對單一生育期的模型進(jìn)行遷移學(xué)習(xí)驗證，結(jié)果如表3 所示。

表3 不同生育期云粳37 和極優(yōu)6 135 冠層氮含量、地上部氮累積量測試集預(yù)測精度和遷移學(xué)習(xí)驗證Table 3 Validation of prediction accuracy and transfer learning of CNC and PNA test sets of Yunjing37 and Jiyou 6135 at different growth stages

總體而言，拔節(jié)期和抽穗期利用植被指數(shù)構(gòu)建的氮營監(jiān)測模型養(yǎng)測試集精度均優(yōu)于分蘗期，在遷移測試中，單一品種水稻、單生育期的測試遷移測試RMSE較大。在分蘗期，3 種植被指數(shù)冠層氮含量監(jiān)測模型的測試集R2為0.53～0.72，RMSE為0.18%～0.23%；地上部氮累積量監(jiān)測模型的測試集R2為0.64～0.79，RMSE為2.67～3.92 kg/hm2，其中NDVI 的建模精度優(yōu)于RVI 和NNVI；單一品種的分蘗期氮營養(yǎng)監(jiān)測模型遷移測試的CNC 和PNA 的RMSE范圍是1.00%～1.29%和8.07～12.51 kg/hm2，誤差較大。在拔節(jié)期，植被指數(shù)模型對冠層氮含量和地上部氮累積量的預(yù)測精度較好，其中NNVI 模型的冠層氮含量（R2為0.71～0.84，RMSE為0.13%～0.23%）和地上部氮累積量（R2為0.67～0.88，RMSE為6.90～12.16 kg/hm2）模型優(yōu)于RVI 和NDVI；單一品種拔節(jié)期氮營養(yǎng)監(jiān)測模型遷移測試的CNC 和PNA 的RMSE為0.25%～1.38%和20.00～101.96 kg/hm2。在抽穗期，云粳37 通過NDVI 建立的冠層氮含量和地上部氮累積量模型的測試集精度較好，CNC 的R2為0.68 和RMSE為0.12%，PNA 的R2為0.83 和RMSE為5.44 kg/hm2；極優(yōu)6135 通過NNVI 建立的冠層氮含量和地上部氮累積量模型精度較好，CNC 的R2為0.75 和RMSE為0.22%，PNA的R2為0.83 和RMSE為20.96 kg/hm2；單一品種抽穗期氮營養(yǎng)監(jiān)測模型遷移測試的CNC 和PNA 的RMSE范圍是0.33%～0.90%和35.37～125.24 kg/hm2。

由表3 可知，基于3 種植被指數(shù)無法建立云粳37和極優(yōu)6 135 的全生育期冠層氮含量模型，而3 種植被指數(shù)可以建立水稻地上部氮累積量的模型。其中，RVI地上部氮累積量監(jiān)測模型的驗證集和遷移測試結(jié)果較好，優(yōu)于NDVI 和NNVI，云粳37 的測試集R2和RMSE分別為0.77 和10.87 kg/hm2，遷移測試的RMSE為14.10 kg/hm2；極優(yōu)6 135 的測試集R2和RMSE分別為0.62 和29.64 kg/hm2，遷移測試的RMSE為24.18 kg/hm2。基于RF、PLSR 和BPNN 均可以建立單一品種全生育期氮營養(yǎng)監(jiān)測模型，其中RF 建立的冠層氮含量模型的測試集R2分別為0.70 和0.91，RMSE分別為0.26%和0.25%，地上部氮累積量監(jiān)測模型的R2分別為0.91 和0.94，RMSE分別為6.12 和12.34 kg/hm2，而全生育期冠層氮含量監(jiān)測模型無法實現(xiàn)遷移學(xué)習(xí)驗證，地上部氮累積量模型遷移學(xué)習(xí)的RMSE較大。

各處理的氮營養(yǎng)反演結(jié)果如圖3 所示。

圖3 云粳37 和極優(yōu)6 135 冠層氮含量和地上部氮累積量反演結(jié)果Fig.3 Results of CNC and PNA inversion of Yunjing 37 and Jiyou 6135

2.3 不同試驗點(diǎn)、多品種水稻的冠層氮含量、地上部氮累積量反演模型驗證

在3 個生育期，以植被指數(shù)、偏最小二乘回歸（PLSR）、隨機(jī)森林（RF）以及反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）對不同試驗點(diǎn)、多品種的冠層氮含量、地上部氮累積量建立監(jiān)測模型，測試集結(jié)果如表4 所示。

表4 多品種水稻（云粳37、極優(yōu)6 135）不同生育期CNC 和PNA 測試集精度（均值±標(biāo)準(zhǔn)差）Table 4 Precision (mean ± standard deviation) of CNC and PNA at test sets for multiple varieties of rice (Yunjing 37,Jiyou 6135) at different growth stages

在3 個生育期，利用PLSR、RF 和BPNN 建立的不同試驗點(diǎn)、多品種的冠層氮含量和地上部氮累積量監(jiān)測模型的R2為0.63～0.97，而植被指數(shù)無法建立水稻冠層氮含量監(jiān)測模型，可以建立地上部氮累積量監(jiān)測模型，但均存在較大誤差，RMSE為6.82～73.76 kg/hm2。在拔節(jié)期和抽穗期，利用PLSR、RF 和BPNN 建立模型的精度均優(yōu)于分蘗期。

在分蘗期，PLSR、RF 和BPNN 構(gòu)建的冠層氮含量監(jiān)測模型測試集的R2為0.43～0.57，RMSE為0.34%～0.39%；地上部氮累積量監(jiān)測模型的R2為0.63～0.66，RMSE為3.54～6.11 kg/hm2，其中BPNN 的建模精度相對較好。在拔節(jié)期和抽穗期，RF 所建立的冠層氮含量（拔節(jié)期R2為0.80，RMSE為0.16%；抽穗期R2為0.76，RMSE為0.13%）和地上部氮累積量（拔節(jié)期R2為0.87，RMSE為9.05 kg/hm2；抽穗期R2為0.87，RMSE為16.44 kg/hm2）模型測試集精度優(yōu)于PLSR 和BPNN。

在全生育期，基于RF 構(gòu)建的冠層氮含量監(jiān)測模型的測試集精度較高，R2為0.83，RMSE為0.28%，而PLSR 和BPNN 構(gòu)建的模型測試集精度較低（R2分別為0.21 和0.25）、誤差較大（RMSE分別為0.61%和0.60%）。3 種建模方法構(gòu)建的不同試驗點(diǎn)、多品種水稻地上部氮累積量監(jiān)測模型的測試集精度均較高（R2為0.90～0.94，RMSE為10.09～13.20 kg/hm2），其中RF構(gòu)建的模型測試集精度最好。不同試驗點(diǎn)、多品種水稻冠層氮含量和地上部氮累積量監(jiān)測模型測試結(jié)果如圖4 所示。

圖4 不同試驗點(diǎn)、多品種水稻冠層氮含量和地上部氮累積量模型預(yù)測效果檢驗Fig.4 Validation of the prediction effects of the CNC and PNA models for multi-variety rice at different test points

3 討論

3.1 基于無人機(jī)多光譜影像的水稻冠層光譜反射率與氮營養(yǎng)的關(guān)系

無人機(jī)多光譜影像采集的不同試驗點(diǎn)、不同品種水稻各生育期可見光波段反射率隨著施氮量的增加而下降，紅邊和近紅外反射率隨著施氮量的增加而增加。這是因為水稻葉片中的葉綠素可以吸收大部分可見光[20]，葉綠素含量隨施氮量增加而增加，因此可見光波段反射率下降[21]；葉綠素含量越高則細(xì)胞結(jié)構(gòu)越復(fù)雜，因而紅邊和近紅外波段反射率增加[22]。本文研究結(jié)果表明，云粳37的光譜反射率在各生育期均大于極優(yōu)6 135，尤其在近紅外區(qū)域，潘慶梅等[23]的研究結(jié)果表明葉片的水分變化導(dǎo)致葉片發(fā)生生理變化，從而引起可見光和近紅外波段光譜反射率發(fā)生變化；不同品種的水稻由于葉片結(jié)構(gòu)、基本組成物質(zhì)含量等有明顯差異而形成水分變化，造成不同品種冠層光譜反射率存在明顯差異。

3.2 基于植被指數(shù)的單一試驗點(diǎn)、單品種水稻氮營養(yǎng)監(jiān)測

本研究結(jié)果表明，基于掩膜覆蓋后NDVI 所構(gòu)建的水稻分蘗期氮營養(yǎng)監(jiān)測模型精度較好，R2超過0.70。這可能是因為分蘗期為水稻生長早期，覆蓋度較低，無人機(jī)多光譜相機(jī)采集到的冠層多光譜圖像包含大量混合像元，通過圖像掩膜處理能去除水和土壤背景對光譜的影響，進(jìn)一步提高氮營養(yǎng)反演模型精度[24]。于豐華等[25]的研究表明，混合像元的反射率與水稻的反射率在近紅外波段范圍內(nèi)有明顯差異，因此很大程度地影響了水稻分蘗期的模型精度。ZHENG 等[26]研究表明，將植被指數(shù)和紋理特征結(jié)合作為輸入?yún)?shù)建模，可以在一定程度上提升水稻分蘗期氮營養(yǎng)監(jiān)測模型的精度。基于植被指數(shù)建立的水稻拔節(jié)期氮營養(yǎng)監(jiān)測模型的精度均較高，其中基于NNVI 構(gòu)建的水稻氮營養(yǎng)監(jiān)測模型精度最好，R2為0.74～0.88。這可能是因為NDVI 在水稻拔節(jié)期植被覆蓋度較高的情況下易出現(xiàn)過飽和[27]，BADGLEY 等[16]研究結(jié)果表明，在高植被覆蓋度的情況下利用NNVI（NIRv）可以有效分離出由植被引起的反射率比例，從而降低過飽和現(xiàn)象并提高建模精度。在抽穗期，基于·NDVI 構(gòu)建的云粳37 氮營養(yǎng)監(jiān)測模型的R2最高，而基于NNVI 構(gòu)建的極優(yōu)6 135 氮營養(yǎng)監(jiān)測模型的R2最高。這是因為云粳37 冠層氮含量降幅較小，生物量增幅小，而極優(yōu)6 135 冠層氮含量降幅較大，生物量增幅大，氮營養(yǎng)往穗部的轉(zhuǎn)移量較大（表4），因此極優(yōu)6 135 的植被冠層較厚、生物量大，基于NNVI 構(gòu)建的抽穗期氮營養(yǎng)監(jiān)測模型精度高于NDVI。在3 個關(guān)鍵生育期中，單一品種水稻氮營養(yǎng)監(jiān)測模型遷移測試的RMSE均較大。沈掌泉等[28]的研究表明，不同水稻品種間光譜存在差異并且在不同生育期的差異程度不一樣，抽穗期品種間光譜差異最大，其次是孕穗期，而分蘗期各品種間差異不明顯。楊長明等[29]的研究結(jié)果表明，不同作物品種對太陽輻射的吸收具有選擇性，不同試驗點(diǎn)的輻照、栽培時間不一致，可能會進(jìn)一步加大多光譜反射率對氮營養(yǎng)響應(yīng)的差異，因而不同試驗點(diǎn)水稻氮營養(yǎng)監(jiān)測模型的遷移能力不同。本研究結(jié)果表明，基于植被指數(shù)無法建立單一水稻品種全生育期冠層氮含量監(jiān)測模型，但可以建立地上部氮累積量監(jiān)測模型。這可能是因為在水稻整個生育期，冠層氮含量隨生育期不斷降低，冠層光譜特征也隨之發(fā)生變化。在全生育期樣本建模時，氮含量較低的生育期樣本會偏離模擬曲線，氮含量監(jiān)測模型精度較低，氮累積量監(jiān)測模型精度較高，而本文采用的植被指數(shù)無法減小冠層光譜與氮含量之間的不協(xié)調(diào)性[30]。薛利紅等[31]和李艷大等[32]的研究表明，水稻的氮累積量對冠層的光譜響應(yīng)比冠層氮濃度更靈敏，能削弱葉面積指數(shù)、葉片內(nèi)部結(jié)構(gòu)以及內(nèi)含物等造成的影響，并且植株氮累積量不僅反映植株個體的氮營養(yǎng)而且反應(yīng)群體植株的氮營養(yǎng)，因此，對植株群體的氮營養(yǎng)狀態(tài)的監(jiān)測更有意義。本研究的結(jié)果表明，基于RVI 的地上部氮累積量監(jiān)測模型對2 個品種均有較好的精度和遷移能力，這可能是因為RVI 算法可以擴(kuò)展地物特別是同化不同植被間的光譜差異，從而在一定程度上提高不同地物反演模型精度和準(zhǔn)確性[33]。

3.3 不同建模方法對不同試驗點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測建模精度的影響

本研究結(jié)果表明，基于植被指數(shù)的單一試驗點(diǎn)、單一品種水稻氮營養(yǎng)監(jiān)測模型的建模方法可以通用，然而無法利用植被指數(shù)分別對不同試驗點(diǎn)、多品種水稻冠層氮含量進(jìn)行建模，雖然可以建立地上部氮累積監(jiān)測模型，但均存在較大誤差，這可能是由于品種間的差異較大，不同品種水稻冠層氮含量與植被指數(shù)之間的關(guān)系為非線性，而植被指數(shù)建立的為線性回歸模型[34-35]。前人開發(fā)并利用PLSR、RF、BPNN 構(gòu)建多生育期多品種作物氮營養(yǎng)監(jiān)測模型，這主要因為PLSR、RF、BPNN 能夠解析非線性數(shù)據(jù)之間的聯(lián)系。PLSR 是一種線性非參數(shù)回歸方法，更適于解決共線性的回歸分析（自變量多且共線性強(qiáng)）[36]，本研究自變量是多光譜數(shù)據(jù)，輸入自變量較少，模型精度小于RF 和BPNN。BPNN 是一種有監(jiān)督學(xué)習(xí)多層前饋神經(jīng)網(wǎng)絡(luò)，能根據(jù)預(yù)測誤差調(diào)整網(wǎng)格權(quán)值和閾值，從而準(zhǔn)確提取數(shù)據(jù)特征進(jìn)行回歸訓(xùn)練[37-38]。本文中利用RF 建立的不同試驗點(diǎn)、多品種水稻冠層氮含量和地上部氮累積量監(jiān)測模型均有較好的精度和較低的RMSE，R2分別為0.76～0.83 和0.87～0.94，RMSE分別為0.16%～0.28%和9.05～16.44 kg/hm2，基于RF 構(gòu)建的多品種水稻全生育期冠層氮含量監(jiān)測模型精度較高，R2為0.83，高于PLSR 和BPNN，這與郭燕等[39]對小麥冠層氮含量監(jiān)測模型的研究結(jié)果相似，這是因為集成學(xué)習(xí)算法是一種包含多個決策樹的分類器回歸方法，根據(jù)決策樹節(jié)點(diǎn)選取特定的輸入變量進(jìn)行分割，可確保選取特征為最優(yōu)特征變量，增加了模型的泛化能力和優(yōu)化學(xué)習(xí)能力。

3.4 利用無人機(jī)多光譜影像對作物氮營養(yǎng)監(jiān)測的優(yōu)勢

消費(fèi)級無人機(jī)多光譜影像設(shè)備應(yīng)用農(nóng)業(yè)，需要考慮應(yīng)用場景和成本。無人機(jī)成像設(shè)備主要是無人機(jī)搭載數(shù)碼相機(jī)（RGB），操作簡單、價格便宜，分辨率高，在小麥、玉米和水稻氮營養(yǎng)診斷上有一定推廣和應(yīng)用[40-42]。然而，無人機(jī)RGB 影像由于輻射定標(biāo)困難[43]，加上與作物氮營養(yǎng)相關(guān)的敏感波段極有可能不僅僅在RGB 范圍內(nèi)[44]，導(dǎo)致作物氮營養(yǎng)診斷效果不穩(wěn)定。本研究采用的大疆精靈4 多光譜無人機(jī)（自帶多光譜相機(jī)）整套系統(tǒng)價格約45 000 元，擁有5 個多光譜波段，并且自帶NDVI等實時光譜圖像，能夠滿足分蘗期、拔節(jié)期和抽穗期這3 個施肥關(guān)鍵期的氮營養(yǎng)監(jiān)測。此外，配套預(yù)處理軟件大疆智圖能快速進(jìn)行正射拼接以及輻射校正，使圖像處理更加簡單[45]。本研究利用大疆精靈4 多光譜無人機(jī)采集不同試驗點(diǎn)、多品種水稻冠層光譜圖像，利用植被指數(shù)、化學(xué)計量法和機(jī)器學(xué)習(xí)等方法構(gòu)建的水稻氮營養(yǎng)監(jiān)測模型，能在一定程度上解決不同生態(tài)點(diǎn)、多品種水稻氮營養(yǎng)監(jiān)測模型，對于大區(qū)域尺度、不同品種作物營養(yǎng)診斷與精確施肥有重要意義[46]。

4 結(jié)論

本研究利用消費(fèi)級無人機(jī)多光譜影像采集水稻冠層光譜反射率，通過不同建模方法，探究不同生態(tài)點(diǎn)、不同品種水稻氮營養(yǎng)監(jiān)測模型的精度和普適性，主要結(jié)論如下：

1）利用植被指數(shù)構(gòu)建分蘗期、拔節(jié)期、抽穗期單一試驗點(diǎn)、單品種水稻氮營養(yǎng)監(jiān)測模型，模型驗證集的決定系數(shù)R2為0.53～0.88，植被指數(shù)無法構(gòu)建水稻全生育期冠層氮含量監(jiān)測模型，利用PLSR（partial least squares regression）、BPNN（back-propagation neural network）和RF（random forest）建立的全生育期冠層氮含量監(jiān)測模型驗證集的R2為0.61～0.91；植被指數(shù)、PLSR、BPNN和RF 構(gòu)建單一試驗點(diǎn)、單品種全生育期地上部氮累積量監(jiān)測模型驗證集的R2為0.48～0.94，模型遷移能力均較差。

2）分別利用植被指數(shù)、PLSR、BPNN 和RF 構(gòu)建水稻多品種全生育期冠層氮含量和地上部氮累積量監(jiān)測模型，RF 模型精度最高，R2為0.57～0.94，優(yōu)于PLSR 和BPNN。