基于偏最小二乘回归的谷子冠层氮素含量高光谱估测研究

doi:10.13304/j.nykjdb.2022.0912

摘要/Abstract

摘要：

为构建多品种谷子冠层氮素含量的高光谱监测模型，通过设置不同氮素水平和多品种谷子田间试验，分别获取谷子全生育期冠层高光谱反射率和叶片氮素含量，采用卷积平滑、一阶导数变换对光谱曲线进行预处理，利用光谱数据与氮素含量相关性分析、连续投影算法（successive projections algorithm， SPA）筛选出谷子各生育期和全生育期的氮素敏感波段、植被指数、高光谱特征参数，利用三者组合建立谷子冠层氮素含量的偏最小二乘回归（partial least square regression，PLSR）估测模型，并筛选各生育期最优模型。结果表明，不同生育期最优估测模型有所差异，拔节期基于敏感波段、植被指数、高光谱特征参数的模型精度最高；抽穗期基于敏感波段、植被指数的模型精度最高；灌浆期基于植被指数、高光谱特征参数的模型精度最高；成熟期基于敏感波段、植被指数的模型精度最高；全生育期基于敏感波段与植被指数的模型精度最高（R²=0.903，RPD=3.01）。多输入级综合模型可以充分利用光谱信息，有效提高模型预测精度和稳定性，其中基于敏感波段和植被指数的综合模型表现效果最好，预测集R²均在0.82以上、均方根误差均小于0.119、相对分析误差均大于2.1。以上研究结果为高光谱遥感诊断谷子全生育期氮素盈缺状况与施肥决策提供了理论依据和技术支撑。

关键词: 谷子, 冠层氮素含量, 高光谱遥感, 偏最小二乘回归

Abstract:

In order to construct a hyperspectral monitoring model of nitrogen content in the canopy of multiple varieties of millet， the hyperspectral reflectance and leaf nitrogen content of millet in the whole growth stage of millet were obtained by setting up different nitrogen levels and field experiments of multiple varieties of millet. The data of hyperspectral reflectance were preprocessed by convolution smoothing and first derivative transformation. The correlation between hyperspectral data and leaf nitrogen content of millet was analyzed. Nitrogen sensitive bands， vegetation index and hyperspectral characteristic parameters of millet at different and whole growth stages were screened by successive projections algorithm （SPA） and correlation analysis between spectral data and nitrogen content. The partial least square regression （PLSR） estimation model of nitrogen content in millet canopy was established by combining the 3 combinations. The results showed that the optimal estimation models of different growth periods were different. At jointing stage，the model based on sensitive band，vegetation index and hyperspectral characteristic parameters had the highest accuracy. At heading stage， the model based on sensitive band， vegetation index model had the highest accuracy. At pustulation stage， the model based on vegetation index and hyperspectral characteristic parameter model had the highest accuracy. At mature stage， the model based on sensitive band， and vegetation index model had the highest accuracy. In the whole growth period， the model based on sensitive bands and vegetation index had the highest accuracy. The multi-input level synthesis model could make full use of the spectral information to effectively improve the prediction accuracy and stability of the model， and the model based on sensitive band and vegetation index performs had best effect， which the R² of prediction set was more than 0.82， root-mean-square error （RMSE） was less than 0.119， and relative predicted deviation （RPD） was greater than 2.1. Above results provided theoretical basis and technical support for hyperspectral remote sensing to diagnose nitrogen surplus and deficiency and fertilization decision of millet in the whole growth period.

Key words: millet, nitrogen content in canopy, hyperspectral remote sensing, partial least squares regression

中图分类号:

S127

蒋沛含, 杨晓楠, 杨晨旭, 张爱军. 基于偏最小二乘回归的谷子冠层氮素含量高光谱估测研究[J]. 中国农业科技导报, 2024, 26(6): 91-101.

Peihan JIANG, Xiaonan YANG, Chenxu YANG, Aijun ZHANG. Estimation of Nitrogen Content in Millet Canopy Based on Multi Parameter Partial Least Squares Model[J]. Journal of Agricultural Science and Technology, 2024, 26(6): 91-101.

图/表 10

参考文献 21

1	WANG L, CHEN S, LI D, et al.. Estimation of paddy rice nitrogen content and accumulation both at leaf and plant levels from UAV hyperspectral imagery [J/OL]. Remote Sens., 2021, 13:2956 [2022-09-10]. .
2	JAY S, MAUPAS F, BENDOULA R, et al.. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: comparison of vegetation indices and PROSAIL inversion for field phenotyping [J]. Field Crops Res., 2017, 210:33-46.
3	FENG H Y, FENG S, YAO W, et al.. BAS-ELM based UAV hyperspectral remote sensing inversion modeling of rice canopy nitrogen content [J]. Int. J. Precision Agric. Aviation, 2018, 3(3):59-64.
4	喻俊,李晓敏,张权,等.基于高光谱遥感的植被冠层氮素反演方法研究进展[J].陕西林业科技,2016(6):93-97.
	YU J, LI X M, ZHANG Q, et al.. Research progress of vegetation canopy nitrogen retrieval methods based on hyperspectral remote sensing [J]. Shaanxi For. Sci. Technol., 2016(6):93-97.
5	刘帅兵,杨贵军,景海涛,等.基于无人机数码影像的冬小麦氮含量反演[J].农业工程学报,2019,35(11):75-85.
	LIU S B, YANG G J, JING H T, et al.. Inversion of winter wheat nitrogen content based on UAV digital image [J]. Trans. Chin. Soc. Agric. Eng., 2019, 35(11):75-85.
6	BERGER K, VERRELST J, FÉRET J B, et al.. Crop nitrogen monitoring: recent progress and principal developments in the context of imaging spectroscopy missions [J/OL]. Remote Sens. Environ., 2020, 242:111758 [2022-09-10]. .
7	李岚涛,汪善勤,任涛,等.基于高光谱的冬油菜叶片磷含量诊断模型[J].农业工程学报,2016,32(14):209-218.
	LI L T, WANG S Q, REN T, et al.. Diagnosis model of phosphorus content in winter rape leaves based on hyperspectral analysis [J]. Trans. Chin. Soc. Agric. Eng., 2016, 32(14):209-218.
8	张艾英,郭二虎,王军,等.施氮量对春谷农艺性状、光合特性和产量的影响[J].中国农业科学,2015,48(15):2939-2951.
	ZHANG A Y, GUO E H, WANG J, et al.. Effects of nitrogen application rate on agronomic characters, photosynthetic characteristics and yield of spring millet [J]. Sci. Agric. Sin., 2015, 48(15):2939-2951.
9	冯帅,曹英丽,许童羽,等.高光谱和NSGA2-ELM算法的粳稻叶片氮素含量反演[J].光谱学与光谱分析,2020,40(8):2584-2591.
	FENG S, CAO Y L, XU T Y, et al.. Retrieval of nitrogen content in japonica rice leaves by hyperspectral and NSGA2-ELM algorithm [J]. Spectrosc. Spect. Anal., 2020, 40(8):2584-2591.
10	白丽敏,李粉玲,常庆瑞,等.结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度[J].植物营养与肥料学报,2018,24(5):1178-1184.
	BAI L M, LI F L, CHANG Q R, et al.. Combining SPA and PLS methods to improve the accuracy of winter wheat canopy total nitrogen hyperspectral estimation [J]. J. Plant Nutr. Fert., 2018, 24(5):1178-1184.
11	HE L, SONG X, FENG W, et al.. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data [J]. Remote Sens. Environ., 2016, 174:122-133.
12	王玉娜,李粉玲,王伟东,等.基于连续投影算法和光谱变换的冬小麦生物量高光谱遥感估算[J].麦类作物学报,2020,40(11):1389-1398.
	WANG Y N, LI F L, WANG W D, et al.. Hyperspectral remote sensing estimation of winter wheat biomass based on continuous projection algorithm and spectral transformation [J]. J. Triticeae Crops, 2020, 40(11):1389-1398.
13	辛景树,郑磊,黄耀蓉,等. 植株全氮含量测定自动定氮仪法: [S]. 北京:中国标准出版社, 2013.
14	王娇娇,宋晓宇,梅新,等.基于高斯回归分析的水稻氮素敏感波段筛选及含量估算[J].光谱学与光谱分析,2021,41(6):1722-1729.
	WANG J J, SONG X Y, MEI X, et al.. Screening and content estimation of rice nitrogen sensitive bands based on gaussian regression analysis [J]. Spectrosc. Spect. Anal., 2021, 41(6):1722-1729.
15	冯帅, 许童羽, 于丰华,等.基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究[J].光谱学与光谱分析, 2019, 39(10):3281-3287.
	FENG S, XU T Y, YU F H, et al.. Retrieval method of nitrogen content in northeast japonica rice canopy based on hyperspectral remote sensing of unmanned aerial vehicle [J]. Spectrosc. Spect. Anal., 2019, 39(10):3281-3287.
16	李丹,李斐,胡云才,等.基于光谱指数波段优化算法的小麦玉米冠层含氮量估测[J].光谱学与光谱分析,2016,36(4):1150-1157.
	LI D, LI F, HU Y C, et al.. Estimation of nitrogen content in wheat and maize canopy based on spectral index band optimization algorithm [J]. Spectrosc. Spect. Anal., 2016, 36(4):1150-1157.
17	赵小敏,孙小香,王芳东,等.水稻高光谱遥感监测研究综述[J].江西农业大学学报,2019,41(1):1-12.
	ZHAO X M, SUN X X, WANG F D, et al.. A summary of the researches on hyperspectral remote sensing monitoring of rice [J]. Acta Agric. Univ. Jiangxiensis, 2019, 41(1):1-12.
18	张子晗,晏磊,刘思远,等.基于偏振反射模型和随机森林回归的叶片氮含量反演[J].光谱学与光谱分析,2021,41(9):2911-2917.
	ZHANG Z H, YAN L, LIU S Y, et al.. Inversion of leaf nitrogen content based on polarization reflection model and stochastic forest regression [J]. Spectrosc. Spect. Anal., 2021, 41(9):2911-2917.
19	冯海宽,杨福芹,杨贵军,等.基于特征光谱参数的苹果叶片叶绿素含量估算[J].农业工程学报,2018,34(6):182-188.
	FENG H K, YANG F Q, YANG G J, et al.. Estimation of chlorophyll content in apple leaves based on characteristic spectral parameters [J]. Trans. Chin. Soc. Agric. Eng., 2018, 34(6):182-188.
20	张银杰,王磊,白由路,等.基于高光谱分析的玉米叶片氮含量分层诊断研究[J].光谱学与光谱分析,2019,39(9):2829-2835.
	ZHANG Y J, WANG L, BAI Y L, et al.. Hierarchical diagnosis of nitrogen content in maize leaves based on hyperspectral analysis [J]. Spectrosc. Spect. Anal., 2019, 39(9):2829-2835.
21	WU B, HUANG W, YE H, et al.. Using multi-angular hyperspectral data to estimate the vertical distribution of leaf chlorophyll content in wheat [J]. J. Remote. Sens., 2021, 13:1501-1511.

波段 Band	拔节期 Jointing stage	抽穗期 Heading stage	灌浆期 Pustulation stage	成熟期 Mature stage	全生育期 Whole growth stage
350~499	370， 450	351， 355	377， 397， 447	350， 415， 450	395， 410， 430
500~599	550	—	550， 560	505	525， 540
600~679	760	—	700	—	—
680~759	660， 730	700， 730	755	740， 795	725
760~1 200	780， 900， 1 100	920， 970， 1 100	870， 945， 1 018	820， 1 000	876，915， 985， 1 050

波段 Band	拔节期 Jointing stage	抽穗期 Heading stage	灌浆期 Pustulation stage	成熟期 Mature stage	全生育期 Whole growth stage
350~499	370， 450	351， 355	377， 397， 447	350， 415， 450	395， 410， 430
500~599	550	—	550， 560	505	525， 540
600~679	760	—	700	—	—
680~759	660， 730	700， 730	755	740， 795	725
760~1 200	780， 900， 1 100	920， 970， 1 100	870， 945， 1 018	820， 1 000	876，915， 985， 1 050

参数 Parameter	拔节期 Jointing stage		抽穗期 Heading stage		灌浆期 Pustulation stage		成熟期 Mature stage		全生长期 Whole growth stage
参数 Parameter	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient
植被指数 Vegetation index	差值指数 DSI	0.863^**	差值指数 DSI	0.743^**	差值指数 DSI	0.916^**	差值指数 DSI	0.858^**	差值指数 DSI	0.926^**
	双峰冠层氮素指数 DCNI	0.783^**	双峰冠层氮素指数 DCNI	0.421^**	归一化植被指数 NDVI	-0.609^**	双峰冠层氮素指数 DCNI	0.841^**	双峰冠层氮素指数 DCNI	0.828^**
	叶绿素吸收反射率指数 TCARI	0.402^**	叶绿素吸收反射率指数 TCARI	0.230^**	比值植被指数 RSI	-0.591^**	叶绿素吸收反射率指数 TCARI	0.565^**	修改叶绿素吸收反射率指数 MCARI	0.747^**
	修改叶绿素吸收反射率指数 MCARI	0.368^**	修改叶绿素吸收反射率指数 MCARI	0.200^**	双峰冠层氮素指数 DCNI	0.577^**	修改叶绿素吸收反射率指数 MCARI	0.546^**	陆地叶绿素指数 MTCI	0.575^**
	归一化植被指数 NDVI	-0.230^**			叶绿素吸收反射率指数 TCARI	0.554^**			叶绿素吸收反射率指数 TCARI	0.555^**
高光谱特征参数 Hyperspectralcharacteristic parameters	红边位置 SDr	0.837^**	红边位置SDr	0.808^**	红边位置 SDr	0.935^**	红边位置 SDr	0.860^**	红边振幅 Dr	0.712^**
	红边振幅 Dr	0.806^**	黄边位置SDy	-0.399^**	红边振幅 Dr	0.758^**	红边振幅 Dr	0.810^**	红边位置/蓝边位置 V13	-0.651^**
	蓝边振幅 Db	0.382^**	黄边振幅Dy	-0.348^**	黄边位置 SDy	-0.645^**	蓝边振幅 Db	0.515^**	黄边振幅 Dy	0.649^**
	蓝边位置 SDb	0.377^**	蓝边振幅Db	0.325^**	蓝边振幅 Db	0.587^**	蓝边位置 SDb	0.507^**	黄边位置SDy	0.624^**
	黄边位置SDy	-0.365^**	蓝边位置SDb	0.315^**	蓝边位置SDb	0.553^**	黄边位置SDy	-0.343 ^**	红边位置 SDr	0.621^**

参数 Parameter	拔节期 Jointing stage		抽穗期 Heading stage		灌浆期 Pustulation stage		成熟期 Mature stage		全生长期 Whole growth stage
参数 Parameter	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient	指数 Index	相关系数 Correlation coefficient
植被指数 Vegetation index	差值指数 DSI	0.863^**	差值指数 DSI	0.743^**	差值指数 DSI	0.916^**	差值指数 DSI	0.858^**	差值指数 DSI	0.926^**
	双峰冠层氮素指数 DCNI	0.783^**	双峰冠层氮素指数 DCNI	0.421^**	归一化植被指数 NDVI	-0.609^**	双峰冠层氮素指数 DCNI	0.841^**	双峰冠层氮素指数 DCNI	0.828^**
	叶绿素吸收反射率指数 TCARI	0.402^**	叶绿素吸收反射率指数 TCARI	0.230^**	比值植被指数 RSI	-0.591^**	叶绿素吸收反射率指数 TCARI	0.565^**	修改叶绿素吸收反射率指数 MCARI	0.747^**
	修改叶绿素吸收反射率指数 MCARI	0.368^**	修改叶绿素吸收反射率指数 MCARI	0.200^**	双峰冠层氮素指数 DCNI	0.577^**	修改叶绿素吸收反射率指数 MCARI	0.546^**	陆地叶绿素指数 MTCI	0.575^**
	归一化植被指数 NDVI	-0.230^**			叶绿素吸收反射率指数 TCARI	0.554^**			叶绿素吸收反射率指数 TCARI	0.555^**
高光谱特征参数 Hyperspectralcharacteristic parameters	红边位置 SDr	0.837^**	红边位置SDr	0.808^**	红边位置 SDr	0.935^**	红边位置 SDr	0.860^**	红边振幅 Dr	0.712^**
	红边振幅 Dr	0.806^**	黄边位置SDy	-0.399^**	红边振幅 Dr	0.758^**	红边振幅 Dr	0.810^**	红边位置/蓝边位置 V13	-0.651^**
	蓝边振幅 Db	0.382^**	黄边振幅Dy	-0.348^**	黄边位置 SDy	-0.645^**	蓝边振幅 Db	0.515^**	黄边振幅 Dy	0.649^**
	蓝边位置 SDb	0.377^**	蓝边振幅Db	0.325^**	蓝边振幅 Db	0.587^**	蓝边位置 SDb	0.507^**	黄边位置SDy	0.624^**
	黄边位置SDy	-0.365^**	蓝边位置SDb	0.315^**	蓝边位置SDb	0.553^**	黄边位置SDy	-0.343 ^**	红边位置 SDr	0.621^**

参数 Parameter	生育期 Growth stage	建模集Modeling set			验证集 Validation set
参数 Parameter	生育期 Growth stage	决定系数R²	均方根误差 RMSE	相对分析误差RPD	决定系数R²	均方根误差 RMSE	相对分析误差RPD
敏感波段 Sensitive band	拔节期Jointing stage	0.943	0.095	2.338	0.668	0.153	1.733
	抽穗期Heading stage	0.638	0.125	1.518	0.772	0.147	1.730
	灌浆期Pustulation stage	0.697	0.085	1.680	0.853	0.102	1.380
	成熟期Mature stage	0.884	0.107	1.780	0.686	0.180	1.484
	全生育期Whole growth stage	0.851	0.134	2.176	0.932	0.117	1.969
植被指数 Vegetation index	拔节期Jointing stage	0.810	0.120	2.197	0.876	0.094	1.820
	抽穗期Heading stage	0.783	0.125	2.042	0.441	0.458	1.249
	灌浆期Pustulation stage	0.898	0.102	1.562	0.799	0.063	1.694
	成熟期Mature stage	0.800	0.122	2.133	0.924	0.094	2.395
	全生育期Whole growth stage	0.872	0.144	2.701	0.843	0.124	2.522
高光谱特征参数 Hyperspectral characteristic	拔节期Jointing stage	0.749	0.113	1.884	0.848	0.100	2.314
	抽穗期Heading stage	0.745	0.122	1.856	0.618	0.160	1.469
	灌浆期Pustulation stage	0.720	0.082	1.768	0.749	0.078	1.838
	成熟期Mature stage	0.737	0.135	2.039	0.649	0.112	1.771
	全生育期Whole growth stage	0.693	0.210	1.667	0.645	0.236	1.474
敏感波段、植被指数组合模型 Sensitive band， vegetation index	拔节期Jointing stage	0.795	0.102	2.098	0.895	0.080	2.136
	抽穗期Heading stage	0.829	0.102	2.328	0.822	0.105	2.342
	灌浆期Pustulation stage	0.715	0.083	1.743	0.848	0.061	2.497
	成熟期Mature stage	0.892	0.087	2.966	0.878	0.067	2.952
	全生育期Whole growth stage	0.878	0.134	2.778	0.903	0.119	3.010
敏感波段、高光谱特征参数组合模型 Sensitive band， hyperspectral characteristic	拔节期Jointing stage	0.878	0.081	2.787	0.867	0.085	2.660
	抽穗期Heading stage	0.807	0.102	2.181	0.809	0.119	2.078
	灌浆期Pustulation stage	0.769	0.072	1.981	0.802	0.059	2.108
	成熟期Mature stage	0.773	0.122	1.995	0.815	0.090	2.440
	全生育期Whole growth stage	0.858	0.144	2.559	0.896	0.124	3.004
植被指数、高光谱特征参数组合模型 Vegetation index，hyperspectral characteristic	拔节期Jointing stage	0.765	0.160	1.945	0.684	0.191	1.646
	抽穗期Heading stage	0.748	0.172	0.873	0.706	0.187	1.718
	灌浆期Pustulation stage	0.699	0.185	1.685	0.666	0.187	1.575
	成熟期Mature stage	0.792	0.185	2.087	0.721	0.206	1.807
	全生育期Whole growth stage	0.894	0.125	2.970	0.856	0.131	2.829
敏感波段、植被指数、高光谱特征参数组合模型 Sensitive band， vegetation index， hyperspectral characteristic	拔节期Jointing stage	0.924	0.064	2.720	0.928	0.063	2.762
	抽穗期Heading stage	0.814	0.100	2.229	0.819	0.116	2.099
	灌浆期Pustulation stage	0.763	0.080	1.935	0.793	0.063	2.019
	成熟期Mature stage	0.755	0.127	1.906	0.853	0.080	2.765
	全生育期Whole growth stage	0.875	0.135	2.742	0.906	0.118	2.949