基于地基多光譜的不同水氮處理條件下春玉米葉片信息采集

摘 要：【目的】研究不同水氮處理對多光譜采集春玉米葉片信息的影響。【方法】設置3個水平灌水定額（75%、100%、125% 作物需水量ETc）和4個水平的施氮量（0、200、400、600 kg/hm²）處理，采用地基多光譜拍攝的方法獲取春玉米葉片的光譜信息，選取5個植被指數分析不同水氮處理對多光譜信息采集的影響。結合實測數據處理，分析相關性、粒子群優化的BP神經網絡變化，研究實測值與植被指數的變化趨勢。【結果】植被指數NDVI在植株發育中期對SPAD值的反演效果較好，灌水量和施氮量均會影響植被指數對于SPAD值的反演。在中灌水處理（W₂）條件下植被指數OSAVI與SAVI對表層土壤水分的反演較優，且OSAVI與0～20 cm土壤水分數據的PSO-BP神經網絡建模優于SAVI對于10～30 cm土壤水分的PSO-BP神經網絡建模。【結論】在100%ETc灌水水平、施氮400 kg/hm²條件下，使用NDVI與OSAVI進行SPAD值和地表0～20 cm的土壤水分的反演較為準確。

關鍵詞：春玉米；多光譜；水氮；神經網絡

中圖分類號：S513 文獻標志碼：A 文章編號：1001-4330（2024）10-2374-14

收稿日期（Received）：2023-07-30

基金項目：新疆維吾爾自治區重大科技專項項目（2020A01003-4）

作者簡介：李池（1995-），男，河北邢臺人，碩士研究生，研究方向為灌溉節水，（E-mail）1457503410@qq.com

通訊作者：趙經華（1979-），男，新疆奇臺人，教授，博士，碩士生/博士生導師，研究方向為節水灌溉理論和作物高效用水，（E-mail）105512275@qq.com

陳剛（1971-），男，江蘇人，高級政工師，研究方向為農田水利，（E-mail）1635352671@qq.com

0 引 言

【研究意義】玉米是產量最高的谷類作物之一^［1］，2011年我國玉米產量超過水稻，成為第一大糧食作物^［2-3］。新疆是我國玉米的主要種植區之一。新疆獨特的氣候使得蒸發量較大，施用水肥不合理會增加土地退化的速度^［4］，因此，實時監控土地與作物的狀態，使用科技手段快速獲得農田信息是提產增效的關鍵。【前人研究進展】我國遙感技術在農業領域的應用已有50余年^［5］，馬儀等^［6］將無人機遙感數據與衛星遙感數據相結合，采用兩種升尺度法分別對土壤水分進行了反演，發現TsHARP升尺度法對于土壤水分的反演效果較好。鄭超磊等^［7］基于高分一號衛星遙感數據對16 m分辨率的蒸散發模型進行估算及驗證，發現基于高分一號衛星遙感估算的16 m分辨率蒸散發在地表異質性較強的區域更具優勢。閆成川等^［8］利用Phantom4四旋翼無人機搭載多光譜相機MicaSense RedEdge-M進行不同干旱脅迫下棉花的圖像信息采集，利用神經網絡進行SPAD值與各波段反射率進行建模預測，將棉田旱情進行了劃分。李詩瑤等^［9］使用無人機多光譜相機采集了玉米冠層的圖像，用于監測不同干旱脅迫下的玉米冠層SPAD值，用于指導灌溉和農田旱災預警。【本研究切入點】衛星遙感的精度問題導致其對于作物具體生長狀態的分析較難實現，而無人機多光譜圖像的采集難以剔除除目標物外其他雜質的影響，且國內對于水氮對植株葉片多光譜圖像的影響相關研究較少。需研究不同水氮處理對多光譜采集春玉米葉片信息的影響。【擬解決的關鍵問題】試驗采用地基多光譜相機，定點采集玉米植株的葉片信息，解譯計算得到植被指數，與實測數據對比分析，采用粒子群優化的反向神經網絡進行訓練及預測，分析圖像采集的精度，為多光譜在農業領域的應用提供理論支撐。

新疆農業科學第61卷 第10期李 池等：基于地基多光譜的不同水氮處理條件下春玉米葉片信息采集

1 材料與方法

1.1 材 料

試驗于2022年4～10月在新疆克拉瑪依市東南部農業區進行（84°55′28″E，45°27′30″N），該農業區耕地面積約為1×10⁴ hm²（15 萬畝），其中林區面積0.67×10⁴ hm²（10 萬畝），農田面積約為0.33×10⁴ hm²（5萬畝），年平均降水量101.1 mm；灌溉主要依賴克拉瑪依市西郊水庫的地表水，自壓管道式的輸水保證了灌溉保證率。

該區域晝夜溫差較大，全年平均氣溫8.1℃；年平均無霜期197～268 d；全年積溫較高，日均穩定≥0℃的年積溫4 478℃；地下水位2～4 m，多年平均蒸發量較大，為3 545.2 mm（φ20蒸發皿）；多年平均風速為3.7 m/s。該區土壤0～60 cm多為壤土，60～100 cm多為輕砂土，質地較輕，透水性較好。對試驗區地表土壤進行檢測，土壤肥力中等。0～100 cm土壤平均干容重約為1.47，田間持水量約為36.07%。試驗區周圍均為開闊農田，灌溉水利設施較為齊全，土壤均勻性較好，選擇新農008為供試品種。表1，圖1～2

1.2 方 法

1.2.1 試驗設計

試驗區采用裂區形式布置，主要因子為施氮量，次要因子為灌水量，主要因子由壓差式施肥罐施肥控制，次要因子由水表控制。玉米種植模式為無膜1管2行，種植間距為（40+70+40）cm，小區長15 m、寬1.1 m，設置3個重復。圖3

試驗設置12個處理，3個水平的灌水定額（75%、100%、125% ETc）和4個水平的施氮量（0、200、400、600 kg/hm²），每個試驗小區設置2行試驗處理，左右各1行作為保護行，以免水分交叉，影響試驗結果。灌水周期為7 d，灌水量由7 d內的氣象數據計算得到ET₀，不同生育期選取不同的K_c值，得到ETc指導灌水，施肥分3次施入。表2

1.2.2 測定指標

1.2.2.1 氣象數據及土壤水分

試驗區氣象數據由小型HOBO氣象站自動采集，灌水前通過氣象數據計算得到ETc指導灌水，各個試驗小區均由水表控制。在土壤的采集方面，采用Diviner2000土壤水分廓線儀采集，通過提前埋入的預制土壤水分探管測定土壤水分，每10 cm為1層，測定地表0～300 cm的土壤水分數據。表2

1.2.2.2 葉片SPAD值

在玉米主要生育期內，對標記株的多光譜圖像采集葉使用SPAD儀測定，在目標葉片的興趣區內采用五點取樣法進行5次測量，測量得到的SPAD值取平均值作為葉片興趣區的實測值，每株取兩片葉子選定興趣區。

1.2.2.3 多光譜圖像采集

采用長光禹辰有限公司生產的多光譜相機MS401采集多光譜圖像，采集高度以拍攝物為基準面，相對高度取1.5 m。MS401多光譜相機搭載有4個波段的多光譜鏡頭，分別為綠波段（550 nm）、紅波段（660 nm）、紅邊波段（720 nm）、近紅外波段（840 nm）和一個可見光（RGB）鏡頭。在玉米的每個生育期內選取10：00～13：00，16：00～18：00間拍攝，減少太陽偏轉角對采集的影響。對每個處理組的固定植株的棒三葉采集1次。采集過程中避免陽光直射和陰影遮擋，以減少曝光或陰影的影響。

1.3 數據處理

1.3.1 植被指數的選取

選取5種多光譜植被指數，通過對植株葉片不同波段的反射率采用Yusense Map和Arcgis10.6計算，得到采集興趣區的植被指數平均值，使用該值和玉米的生長指標進行擬合。表3

1.3.2 粒子群優化算法

對群體中每個粒子進行位置、速度和適應度3個指標的賦值，以尋求問題的最優解。其中，在群體中每個粒子都代表了特定問題的一個解，速度決定了粒子的移動方向和距離，適應度表示距離最優解的程度，通過不斷地計算粒子的適應度，使其不斷接近群體的最優適應度，每次更新位置都進行判斷，從而調整每個粒子的方向，最終找到最優解^［15］。

假設目標空間為A，空間內存在a個粒子，以Y_i=（y_i1，y_i2，…，y_in）來表示i粒子的位置，以V_i=（v_i1，v_i2，…，v_in）來表示i粒子的速度，通過Y_i和V_i可以計算i粒子的適應度，用S_i=（s_i1，s_i2，…，s_in）表示i粒子經過的所有最佳位置，用Tj=（t_j1，t_j2，…，t_jn）表示粒子群的最佳位置，粒子速度和位置通過方程（2-7）計算^［16］：

式中，n為空間維數，（1，2…n）；i為粒子個數（i=1，2…a）；x表示迭代次數；b為加速常數，即學習因子；c為取值在（0，1）間的均勻隨機數。

1.3.3 BP神經網絡

BP神經網絡一般包括3層結構，分別是輸入層、隱藏層和輸出層^［17］。輸入層選擇植被指數，輸出層選擇SPAD值和土壤水分。

1.3.4 模型評價指標

所獲得的數據采用SPSS 27和Excel 2019進行數據的統計分析；使用Origin 2021制圖。使用Matlab 2021a將采集圖像數據與實測數據進行擬合，建立基于最小二乘的線性回歸、PSO-BP神經網絡的擬合模型。

對于模型預測結果采用R²評價模型，決定系數R²的值越接近于1，模型擬合效果越好，相關性越高，并根據實測值與預測值間的均方根誤差（RMSE）及平均相對誤差（MRE）評價模型的準確性和普適性^［18］。

式中，i代表第i個樣本，Xi代表第i個樣本的實測值，Yi代表第i個樣本的預測值，X-為樣本的實測均值，Y-為樣本的預測均值，n代表樣本總數。

2 結果與分析

2.1 植被指數與SPAD值的相關性

研究表明，相關性由高到低的排列順序為NDVI＞CCCI＞GRVI＞SAVI＞OSAVI。NDVI的適用性較強，除W₃N₂、W₂N₃與W₃N₄處理組外，在其余所有的試驗組處理中，均呈顯著相關，其中極顯著相關的試驗組為W₂N₄，相關性最強，相關系數為0.816。植被指數CCCI與SPAD值有顯著相關關系的處理組有5組，分別為W₁N₂ 、W₁N₃、W₃N₁、W₃N₂和W₃N₃，其中，顯著性最強且相關系數最大的是W₁N₂，為0.898，在灌水水平為W₁與W₃的情況下，N₂和N₃的CCCI值與SPAD值間有較好的顯著相關關系。在GRVI和SPAD值的分析中僅有4個處理組存在顯著的相關關系，分別為W₃N₁、W₃N₂、W₃N₃和W₂N₄，在GRVI植被指數在灌水水平為W₃較為敏感，其中相關系數最大的試驗組為W₃N₃，最大值為0.651。而OSAVI和SAVI與SPAD值進行相關性，所有試驗組均不存在顯著相關關系，OSAVI和SAVI不適SPAD值的反演，其對于葉片光合色素的相較于其他3個植被指數變化不敏感。

灌水量和施肥量對相關系數的影響不同，從高到低順序為W₁＞W₂＞W₃，N₂＞N₁＞N₃＞N₄，NDVI在較低的灌水量和較低的施肥量下的敏感度更高，相關性更好。表4

2.2 植被指數與表層土壤水分的相關性

研究表明，不同的植被指數與0～20 cm及10～30 cm間的相關關系有較大的差異性，且在植被指數與0～20 cm、10～30 cm的土壤水分的相關關系中，OSAVI及SAVI植被指數的相關關系較好，均與土壤水分呈負相關關系，其中與0～20 cm土壤水分的相關關系由高到低的排序為OSAVI＞SAVI＞GRVI＞NDVI＞CCCI，與10～30 cm土壤水分的相關關系由高到低為SAVI＞OSAVI＞GRVI＞CCCI＞NDVI。不同深度的土壤水分與植被指數的相關關系存在差異性，OSAVI與0～20 cm土壤水分的相關性較好，但與10～30 cm的土壤水分相關性最好的是SAVI，SAVI更適宜于深層土壤水分的反演。OSAVI、SAVI與表層土壤水分的相關性較為接近，但在N₁、N₂施氮水平下，OSAVI對于0～20 cm土壤水分的相關關系較強，在N₃、N₄施氮水平下，兩者的差距不大。在N₁、N₂施氮水平下的OSAVI與SAVI間的差距較小，而在N₃、N₄施氮水平下，SAVI優于OSAVI。在植株發育中期，天氣晴朗，氣溫較高，植株根系的吸水性增強，0～20 cm的土壤水分的變化程度增強。較低的施氮水平（N₁、N₂）使得葉綠素的變化較小，同時，植株在溫度較高的環境下，對玉米葉片細胞內的液泡的變化影響較大，使得在低施氮水平下（N₁、N₂），OSAVI與0～20 cm的土壤水分的相關性較強。SAVI放大了近紅外波段（NIR）與紅外波段（R）的反射率的差異，在較高的施氮水平條件下（N₃、N₄），葉綠素的變化增強了近紅外波段與紅外波段的差異，使得SAVI與10～30 cm土壤水分的相關關系增強。 表5，表6

2.3 NDVI與SPAD值的變化趨勢

研究表明，NDVI和SPAD值變化表現出高度的一致性。在采集多光譜圖像時，選取固定玉米植株的葉片進行拍攝，且由于第一次獲取多光譜圖像時，玉米植株已經成長至拔節期，此時玉米植株正處于生長發育的關鍵時期之一，所以SPAD值維持在較高的水平上，試驗組處理的初始NDVI值也較高。N₁處理的試驗組（即不施氮處理組），葉片的SPAD值均在第一次拍攝后迎來驟降，但NDVI值并沒有在此次驟降中表現出較強的敏感度。對于近紅外波段而言，施氮量不足會導致葉片中細胞變小，細胞間間隙減小，細胞壁的水化程度降低，光在葉片細胞內反射次數減少，使得近紅外波段的值降低；在玉米的生育末期，由于需要玉米籽粒達到適宜收割的含水率，因此，在控水處理下，多數植株處于水分脅迫狀態，葉綠素含量也急劇下降，紅光的反射率增強；表現出植株生長末期的NDVI和SPAD值間差異性增大。

在7月12日～8月23日間，SPAD值和NDVI表現出一致性，此時，玉米植株正處于抽雄散粉期，此時環境溫度較高，蒸發量也較大，隨著灌水和施氮的增加，玉米植株葉片的SPAD值在一定范圍內呈周期性的變化，此時葉片生長較為成熟，葉片細胞數量趨于穩定，使得SPAD值在小范圍內波動時，NDVI也表現出隨SPAD值變化的一致性。圖4

2.4 OSAVI、SAVI與表層土壤水分的變化趨勢

研究表明，OSAVI與0～20 cm土壤水分表現相反的變化趨勢，呈負相關性。從各個處理的變化趨勢來看，在玉米植株發育中期，植被指數OSAVI與土壤水分的響應較為密切；低灌水處理（W₁）下，植株生育前期，OSAVI與土壤水分的變化響應較差；高灌水處理（W₃）的植株生育末期，OSAVI與實測土壤水分的值趨勢差異較大；在植株的生育前期，葉片中葉綠素含量較低，光合色素含量較少，導致紅外光（R）的反射率增強，兩個波段（NIR和R）均增大，使得OSAVI呈現出不規律的變化，使得OSAVI在低灌水處理（W₁）下生育前期的變化趨勢產生差異。在高灌水處理（W₃）下，生育末期，干枯、衰老的葉片的反射率會降低，同時，葉片的衰老也使得水分大量流失，導致近紅外波段（NIR）與紅外波段（R）的差距加大，使得在生育末期OSAVI的趨勢變化較大，產生較大的差異。圖5

研究表明，相對于地表0～20 cm土壤水分的趨勢變化，效果較差。在低灌水處理（W₁）和高灌水處理（W₃）的擬合情況均產生了一定的差異。SAVI與OSAVI相比擴大了近紅外波段（NIR）與紅外波段（R）間的差值，在低灌水處理（W₁）下的土壤水分波動在SAVI指數上的響應不明顯，全生育期的趨勢均存在一定差異；高氮處理（N₄）相較于不施氮處理（N₁）趨勢較好，高氮處理（N₄）下，葉綠素的變化較大，使得紅波段（R）變化較大，加強了SAVI對于土壤水分的響應；高灌水處理（W₃）的趨勢差異性更大，較高的灌水量使得細胞內水分含量較高，降低了近紅外波段（NIR）的反射率。圖6

2.5 NDVI與SPAD值的PSO-BP神經網絡模型構建

研究表明，訓練復相關系數R為0.795 8，驗證復相關系數R為0.714 7，測試復相關系數R為0.888 5，全部復相關系數R為0.793 4，復相關系數較高，有較好的擬合效果。NDVI對于SPAD值的預測較為準確。PSO-BP神經網絡預測后平均絕對誤差MAE為6.032 8；均方誤差MSE為55.446 7，均方根誤差RMSE為7.446 6；傳統BP神經網絡的平均絕對誤差MAE為6.343 9；均方誤差MSE為75.133 4；均方根誤差RMSE為8.668。PSO-BP神經網絡相比于傳統BP神經網絡有較好SPAD值預測效果。圖7，圖8

2.6 OSAVI、SAVI與表層土壤水分的PSO-BP神經網絡模型構建

研究表明，PSO-BP神經網絡的預測值的變化趨勢與實際值的發展趨勢更加接近，預測效果更好。訓練集的復相關系數R為0.693 5，驗證復相關系數R為0.883 7，測試復相關系數R為0.742 5，全部復相關系數R為0.739 3，復相關系數較高，有較好的擬合效果。OSAVI對于0～20 cm土壤水分的預測較為準確。平均絕對誤差MAE為0.048 67；均方誤差MSE為0.003 621，均方根誤差RMSE為0.060 17；傳統BP神經網絡的平均絕對誤差MAE為0.049 80；均方誤差MSE為0.004 025；均方根誤差RMSE為0.063 44。PSO-BP神經網絡對于0～20 cm的土壤水分有著較好的預測效果。圖9～10

局部的預測結果和實際值間的趨勢有紊亂的現象，預測誤差也較大。尤其使用BP神經網絡的預測結果，展現出較差的趨勢性，SAVI對于較深土壤的預測效果較差。SAVI與10～30 cm的土壤水分數據進行訓練、驗證、預測后，訓練集的復相關系數R為0.550 9，驗證復相關系數R為0.684 7，測試復相關系數R為0.447 8，全部復相關系數R為0.579 0，復相關系數較低，擬合效果較差。平均絕對誤差MAE為0.039 20；均方誤差MSE為0.002 184，均方根誤差RMSE為0.046 73；傳統BP神經網絡的平均絕對誤差MAE為0.044 70；均方誤差MSE為0.002 763；均方根誤差RMSE為0.052 56。PSO-BP神經網絡對于10～30 cm的土壤水分的預測效果較差。圖11～12

3 討 論

3.1 植株葉片的葉綠素顯著下降，使得葉片對于藍、紅波段的吸收減少，反射增強，紅波段反射率增強尤為顯著^［19］；紅光波段與近紅外波段的變化趨勢和變化程度有了較大的差異，最終在NDVI的表現上體現出與SPAD值變化的差異較大^［20］。水分的脅迫使得葉子細胞壁和細胞空隙變大^［21］，增加了光在葉片間的反射次數，使得近紅外波段的反射率顯著增大^［22］；在低灌水處理的情況下，植株的葉片的水分含量較低，此時細胞中液泡處于相對較小的狀態，細胞出現輕度的質壁分離，導致了紅外波段（NIR）的反射率增強^［23］；PSO-BP神經網絡的預測值相較于BP神經網絡的預測值更加貼近實際^［24］，BP神經網絡的預測值比PSO-BP神經網絡的預測值變化更大，波動性也更強。通過PSO-BP神經網絡對數據進行訓練、驗證、預測后。賀露^［25］、祝榛^［26］等對番茄不同干旱脅迫下的光譜反射率進行研究，發現在不同的水分脅迫下，各反射率的變化不一致，中度干旱和適宜水分條件下反射率較為接近，而重度干旱條件下，在570～700 nm波段反射率升高，700～900 nm波段反射率降低。與研究一致，在W₁處理的條件下，NIR波段（840 nm）的反射率降低，R波段（660 nm）的反射率上升，使得兩者之間的差值減小，植被指數的值相對減小，但植被指數與土壤水分成反比，植被指數與實測土壤水分間的差異性增加，導致反演結果較差。李慶祿^［27］等對漬水脅迫下小麥葉片的光譜特性進行分析，發現漬水群體下的光譜變化與干旱脅迫相似，各波段的光譜反射率均呈現出降低的趨勢。在試驗中表現為W₂處理的反演好于W₁與W₃處理。試驗發現，在高施氮水平下，植被指數的變化趨勢與實測數據的變化趨勢好于低氮水平，主要得益于施氮水平對葉綠素相關色素的影響，加深了植被指數的響應，這與前人的研究呈現出一致性^［28-30］。

3.2 通過粒子群優化BP神經網絡可以加快收斂速度，改善網絡性能，提高使用度和易于找出最優解^［31］。研究中，以植被指數作為輸入層構建模型，從結果上看，PSO-BP的神經網絡的模型構建效果較好，與BP神經網絡的預測相比，降低了預測的極端值，使預測結果更加貼近真實值，預測誤差更小。在相對較差的SAVI與10～30 cm土壤水分的預測中，PSO-BP神經網絡對于真實值的貼近度更改，BP神經網絡對于真實值的預測呈現出隨真實值的波動更小，擬合效果更差。

4 結 論

4.1 植被指數NDVI與SPAD值的相關關系最佳且適用性較強，與試驗組均存在正相關關系。表層土壤水分與植被指數均呈負相關關系，其中與0～20 cm土壤水分的相關關系最好的為OSAVI，與10～30 cm土壤水分的相關關系較高的為SAVI。

4.2 在植株發育中期，NDVI對SPAD值的反演以及OSAVI對0-20cm土壤水分的反演效果均較好。對于表層土壤水分的反演表現出中灌水處理（W₂）優于低灌水處理（W₁）與高灌水處理（W₃）。較高的施氮水平加強了植被指數對作物指標的響應。

4.3 NDVI與SPAD值、OSAVI與0～20 cm的土壤水分數據的PSO-BP神經網絡模型構建結果的復相關系數較高分別為0.771 0與0.739 3，NDVI對于SPAD值的預測及OSAVI對于0～20 cm的土壤水分數據較為準確。SAVI與10～30 cm土壤水分的模型復相關系數較低，為0.579 0，擬合效果較差。在100%ETc灌水水平、400 kg/hm²以上施氮水平條件下，使用NDVI與OSAVI來進行SPAD值和地表0～20 cm的土壤水分的反演較為準確。

參考文獻（References）

［1］ 張園夢. 施氮量對膜下滴灌高產（15 000 kg/hm²）春玉米生長發育及產量效應研究［D］. 石河子： 石河子大學， 2020.

ZHANG Yuanmeng. Effect of Nitrogen Application on Growth and Yield of Spring Maize with High Yield（15，000 Kg/hm²）under Drip Irrigation［D］. Shihezi： Shihezi University， 2020.

［2］ 仇煥廣， 李新海， 余嘉玲. 中國玉米產業：發展趨勢與政策建議［J］. 農業經濟問題， 2021， 42（7）： 4-16.

QIU Huanguang， LI Xinhai， YU Jialing. China maize industry： development trends and policy suggestions［J］. Issues in Agricultural Economy， 2021， 42（7）： 4-16.

［3］ 李少昆， 趙久然， 董樹亭， 等. 中國玉米栽培研究進展與展望［J］. 中國農業科學， 2017， 50（11）： 1941-1959.

LI Shaokun， ZHAO Jiuran， DONG Shuting， et al. Advances and prospects of maize cultivation in China［J］. Scientia Agricultura Sinica， 2017， 50（11）： 1941-1959.

［4］ 許海濤， 馮曉曦， 許波， 等. 氮水協同對玉米干物質和氮素累積與氮素運移及利用效率的影響［J］. 新疆農業科學， 2022， 59（12）： 2957-2968.

XU Haitao， FENG Xiaoxi， XU Bo， et al. Effects of nitrogen and water collaborative supply on accumulation and distribution of dry matter and nitrogen， nitrogen transport and use efficiency of corn［J］. Xinjiang Agricultural Sciences， 2022， 59（12）： 2957-2968.

［5］ 孟慶巖，顧行發，余濤，等.我國民用衛星遙感應用現狀、問題與趨勢［C］//中國地震學會空間對地觀測專業委員會.中國地震學會空間對地觀測專業委員會成立大會暨學術研討會論文集.地震雜志社（Earthquake Magazine Press），2008：8.

MENG Qingyan， GU Xingfa， YU Tao， et al. Current Situation， Problems and Trends of Remote Sensing Applications of Civilian Satellites in China ［C］//The Committee on Space-to-Earth Observation of the Chinese Seismological Society. Proceedings of the Inaugural Meeting and Symposium of the Space-to-Earth Observation Committee of the Chinese Seismological Society. Earthquake Magazine Press， 2008：8.

［6］ 馬儀，黃組桂，賈江棟，等.基于無人機-衛星遙感升尺度的土壤水分監測模型研究［J/OL］.農業機械學報：1-24［2023-04-22］.

MA Yi， HUANG Zugui， JIA Jiangdong， et al. Soil moisture monitoring model based on UAV-Satellite remote sensing scale-up ［J/OL］. Transactions of the Chinese Society for Agricultural Machinery：1-24［2023-04-22］.

［7］ 鄭超磊， 賈立， 胡光成. 高分一號衛星遙感數據驅動ETMonitor模型估算16 m分辨率蒸散發及驗證［J］. 遙感學報， 2023， 27（3）： 758-768.

ZHENG Chaolei， JIA Li， HU Guangcheng. Evapotranspiration estimation and validation at 16 m resolution based on ETMonitor model driven by GF-1 satellite remote sensing datasets［J］. National Remote Sensing Bulletin， 2023， 27（3）： 758-768.

［8］ 閆成川， 曲延英， 陳全家， 等. 基于無人機多光譜影像的棉花SPAD值及葉片含水量估測［J］. 農業工程學報， 2023， 39（2）： 61-67.

YAN Chengchuan， QU Yanying， CHEN Quanjia， et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 61-67.

［9］ 李詩瑤，叢士翔，王融融，等.基于無人機多光譜遙感的干旱脅迫下玉米冠層SPAD值監測［J/OL］.干旱區地理：1-14［2023-04-22］.

LI Shiyao， CONG Shixiang， WANG Rongrong， et al. Monitoring of maize canopy SPAD value under drought stress based on UAV multi-spectral remote sensing. ［J/OL］. Arid Land Geography：1-14［2023-04-22］.

［10］Chen L， Gao J， Chang M， et al. Effects of Spatial Density of Farmland Shelterbelts on NDVI on the Northern Slope of Tianshan Mountains ［J］. Asian Agricultural Research， 2022， 14（10）：4.

［11］馮文斌.基于無人機多光譜遙感的夏玉米長勢監測及產量估測［D］.泰安：山東農業大學，2022.

FENG Wenbin. Summer corn growth monitoring and yield estimation by UAV-based Multispectral remote sensing ［D］. Tai'an： Shandong Agricultural University， 2022.

［12］ Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS［J］. Remote Sensing of Environment， 1996， 58（3）： 289-298.

［13］ 許民， 宜樹華， 葉柏生， 等. 植被蓋度及太陽/觀測角度對疏勒河上游NDVI和SAVI值的影響［J］. 干旱區資源與環境， 2012， 26（5）： 101-107.

XU Min， YI Shuhua， YE Baisheng， et al. Influence of PVC and Sun/view geometry on NDVI and SAVI in the upstream regions of Shule River Basin［J］. Journal of Arid Land Resources and Environment， 2012， 26（5）： 101-107.

［14］ 楊禎婷. 基于無人機多光譜遙感的夏玉米長勢監測研究［D］. 楊凌： 西北農林科技大學， 2022.

YANG Zhenting. Study on Monitoring of Summer Maize Growth Based on Multi-spectral Remote Sensing of UAV［D］.Yangling： Northwest A amp; F University， 2022.

［15］ 林位衡， 黃文騫， 李廣會， 等. 基于粒子群優化神經網絡的水深反演模型［J］. 海洋測繪， 2020， 40（5）： 26-29.

LIN Weiheng， HUANG Wenqian， LI Guanghui， et al. A model for water depth retrieval based on neural network optimized by particle swarm optimization［J］. Hydrographic Surveying and Charting， 2020， 40（5）： 26-29.

［16］ 崔乃丹. 基于粒子群優化算法與BP神經網絡的高鐵客運量預測算法［J］. 自動化技術與應用， 2022， 41（4）： 148-150.

CUI Naidan. High speed railway passenger volume prediction algorithm based on particle swarm optimization algorithm and BP neural network［J］. Techniques of Automation and Applications， 2022， 41（4）： 148-150.

［17］祝子涵，譚峰，田芳明，等.基于BP神經網絡的粳稻種子拉曼光譜鑒別方法研究［J/OL］.中國糧油學報：1-12［2023-03-10］.

ZHU Zihan， TAN Feng， TIAN Fangming， et al. Research on the raman spectroscopic identification of japonica rice seeds based on BP Neural Network ［J/OL］. Journal of the Chinese Cereals and Oils Association：1-12［2023-03-10］.

［18］楊曉慧，王碧勝，孫筱璐，等.冬小麥對水分脅迫響應的模型模擬與節水滴灌制度優化［J/OL］.作物學報：1-15［2023-04-22］.

YANG Xiaohui， WANG Bisheng， SUN Xiaolu， et al. Modeling the response of winter wheat to deficit drip irrigation for optimizing irrigation schedule ［J/OL］. Acta Agronomica Sinica：1-15［2023-04-22］.

［19］ Zhang J， Liu F L， Wang Q H， et al. Effect of light wavelength on biomass， growth， photosynthesis and pigment content of Emiliania huxleyi （Isochrysidales， Cocco-lithophyceae）［J］. Journal of Marine Science and Engineering， 2023， 11（2）： 456.

［20］ 張智韜， 勞聰聰， 王海峰， 等. 基于FOD和SVMDA-RF的土壤有機質含量高光譜預測［J］. 農業機械學報， 2020， 51（1）： 156-167.

ZHANG Zhitao， LAO Congcong， WANG Haifeng， et al. Estimation of desert soil organic matter through hyperspectra based on fractional-order derivatives and SVMDA-RF［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（1）： 156-167.

［21］ Roig-Oliver M， Fullana-Pericàs M， Bota J， et al. Adjustments in photosynthesis and leaf water relations are related to changes in cell wall composition in Hordeum vulgare and Triticum aestivum subjected to water deficit stress［J］. Plant Science： an International Journal of Experimental Plant Biology， 2021， 311： 111015.

［22］Pang Y，Huang Y，Zhou Y，et al. Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands： A case study in China［J］. MIRES and PEAT， 2020，26.

［23］汪沛，陳海波，李就好.控制灌溉下甘蔗葉水勢、葉片光譜反射率和土壤含水量的關系［C］//中國農業工程學會農業水土工程專業委員會，云南農業大學水利水電與建筑學院.現代節水高效農業與生態灌區建設（上）.云南大學出版社（Yunnan University Press），2010：9.

WANG Pei， CHEN Haibo， LI Jiuhao. The relationship Among sugarcane leaf water potential， leaf spectral reflectance and soil moisture under controlled irrigation ［C］//China Agricultural Engineering Society， College of Water Conservancy， Hydropower and Construction， Yunnan Agricultural University. Modern water-saving and efficient agriculture and ecological irrigation district construction （above）. Yunnan University Press，2010：9.

［24］ Zhou G F， Moayedi H， Bahiraei M， et al. Employing artificial bee colony and particle swarm techniques for optimizing a neural network in prediction of heating and cooling loads of residential buildings［J］. Journal of Cleaner Production， 2020， 254： 120082.

［25］ 賀露， 萬莉， 高會議. 基于高光譜成像技術識別番茄干旱脅迫［J］. 光譜學與光譜分析， 2023， 43（3）： 724-730.

HE Lu， WAN Li， GAO Huiyi. Recognition of drought stress in tomato based on hyperspectral imaging［J］. Spectroscopy and Spectral Analysis， 2023， 43（3）： 724-730.

［26］ 祝榛， 李天勝， 崔靜， 等. 基于高光譜成像估測冬小麥不同生育時期水分狀況［J］. 新疆農業科學， 2022， 59（3）： 521-532.

ZHU Zhen， LI Tiansheng， CUI Jing， et al. Study on estimation of water status of winter wheat in different growth stages based on hyperspectral imaging［J］. Xinjiang Agricultural Sciences， 2022， 59（3）： 521-532.

［27］ 李慶祿. 漬水脅迫下小麥高光譜特征分析與主要生理參數估測研究［D］. 揚州： 揚州大學， 2021.

LI Qinglu. Hyperspectral characteristics analysis and estimation of main physiological parameters of wheat under waterlogging stress［D］.Yangzhou： Yangzhou University， 2021.

［28］ 韓康， 于靜， 石曉華， 等. 不同光譜指數反演馬鈴薯葉片氮累積量的研究［J］. 作物學報， 2020， 46（12）： 1979-1990.

HAN Kang， YU Jing， SHI Xiaohua， et al. Inversion of nitrogen accumulation in potato leaf with different spectral indices［J］. Acta Agronomica Sinica， 2020， 46（12）： 1979-1990.

［29］ 努熱曼古麗·托乎提， 聶臣巍， 余汛， 等. 基于高光譜指數的葉片尺度葉綠素熒光參數反演［J］. 玉米科學， 2021， 29（5）： 73-80.

Nuerman Tuohuti，NIE Chenwei，YU Xun，et al. Retrieval of leaf-scale chlorophyll fluorescence parameters based on hyperspectral index［J］. Journal of Maize Sciences， 2021， 29（5）： 73-80.

［30］ 王俞茜. 華北地區夏玉米水分和氮素光譜診斷模型研究［D］. 天津： 天津農學院， 2021.

WANG Yuqian. Study on Spectral Diagnostic Model of Water and Nitrogen of Summer Maize in North China［D］. Tianjin： Tianjin Agricultural University， 2021.

［31］ 李雪， 顧沈明， 年浩. 改進粒子群算法優化BP神經網絡的糧食產量預測［J］. 漳州師范學院學報（自然科學版）， 2014， 27（1）： 56-61.

LI Xue， GU Shenming， NIAN Hao. Prediction for grain yield based on improved PSO optimized BP neural network［J］. Journal of Minnan Normal University （Natural Science）， 2014， 27（1）： 56-61.

Stu dy on leaf information collection of spring maize under different water nitrogen treatment conditions based on ground-based multispectrum

LI Chi¹，CHEN Gang²，YANG Jige²，YANG Tingrui¹，ZHAO Jinghua¹，MA Mingjie¹

（1. College of Water Conservancy and Civil Engineering， Xinjiang Agricultural University/Key Laboratory of Water Resources Engineering Safety and Water Disaster Prevention and Control， Urumqi 830052， China; 2. Karamay Lüchen Agricultural Development Co.， Ltd， Karamay Xinjiang 834000， China）

Abstract：【Objective】 To investigate the effects of different water and nitrogen treatments on multispectral collection of leaf information from spring maize.【Methods】 Three levels of irrigation quotas （75%， 100%， 125% ETc） and four levels of N application （0， 200， 400， 600 kg/hm²） were set， Ground-based multispectral photography was used to obtain spectral information of spring maize leaves， and five vegetation indices were selected to study the effects of different water and nitrogen treatments on multispectral information acquisition. Combined with the measured data， the BP neural network with correlation analysis and particle swarm optimization was used to analyze the trend of the measured values and vegetation index.【Results】 The results showed that the inversion of vegetation index NDVI was better for SPAD values at the middle of vegetation development， and both irrigation and nitrogen application affected the inversion of vegetation index for SPAD values. The inversions of vegetation indices OSAVI and SAVI for surface soil moisture under medium irrigation treatment （W₂） were superior， and the PSO-BP neural network modeling results of OSAVI with soil moisture data from 0 to 20 cm were better than those of SAVI for soil moisture from 10 to 30 cm.【Conclusion】 In summary， it is more accurate to use NDVI with OSAVI for inversion of SPAD values and soil moisture at the surface 0-20 cm at 100% ETc irrigation level and above 400 kg/hm² N application level.

Key words：spring maize; multispectral; water nitrogen; neural network

Fund project：Major Science and Technology Special Projects in Xinjiang Uygur Autonomous Region （2020A01003-4）

Correspondence author： ZHAO Jinghua （1979-）， male， from Qitai， Xinjiang， professor， doctoral supervisor， research direction： water conservation irrigation theory and efficient crop water use，（E-mail）105512275@qq.com

CHEN Gang （1971-）， male， from Jiangsu， senior political engineer， research direction： farmland water conservancy， （E-mail）1635352671@qq.com