王樹文，宋玉柱，張長利，馬昕宇，郭思琪

（東北農業(yè)大學電氣與信息學院，哈爾濱150030）

東北寒地水稻冠層氮素含量高光譜預測模型

王樹文，宋玉柱，張長利，馬昕宇，郭思琪

（東北農業(yè)大學電氣與信息學院，哈爾濱150030）

為實現(xiàn)動態(tài)、無損監(jiān)測寒地水稻氮素狀況，利用高光譜成像技術，分析不同生育期水稻冠層光譜特征，借助波段自相關分析（Bands inter-correlation analysis，BICA）與主成分分析（Principal components analysis, PCA），選擇特征波段構建多種植被指數。根據植被指數與氮素含量相關性，建立單變量預測模型。利用最大R2增量法（MAXR）分析全部植被指數與氮素含量定量關系，建立多變量預測模型。結果表明，從分蘗期到抽穗期，寒地水稻冠層光譜反射率在可見光波段內降低，在近紅外波段內增加?；贐ICA-PCA-MAXR預測模型預測精度和穩(wěn)定性較基于BICA-PCA結合一元回歸預測模型顯著提升。研究結果可為水稻氮素含量快速檢測提供地域參考，水稻精準施肥管理提供技術支持。

水稻氮素；預測模型；波段自相關分析；主成分分析；最大R2增量法

王樹文,宋玉柱,張長利,等.東北寒地水稻冠層氮素含量高光譜預測模型[J].東北農業(yè)大學學報,2017,48(4):79-88.

Wang Shuwen,Song Yuzhu,Zhang Changli,et al.Hype rspectralestima tion m odel for predicting canopy nitrogen content of rice in cold region o f Northeast China[J].Jou rnal of Northeast Ag ricu ltural University,2017,48(4):79-88.(in Chinese w ith Eng lish abstract)

氮肥施用是提高水稻產量，改進品質的重要措施，氮素監(jiān)測是評價水稻長勢，合理施用氮肥的重要依據[1]。因此，動態(tài)、無損監(jiān)測水稻氮素狀況具有重要意義。傳統(tǒng)作物氮素診斷方法有外觀、化學和葉綠素計診斷。外觀診斷雖直觀，但易出現(xiàn)混淆與誤判，對觀察者經驗要求較高[2]；化學診斷雖準確，但工作量大、費用高，一般需對作物破壞性取樣[3]；葉綠素計診斷僅定量估測單葉營養(yǎng)成分，難以反映大面積農田營養(yǎng)狀況[4]。故傳統(tǒng)診斷方法在時間和空間上無法滿足大面積水稻生產需求。

高光譜技術利用水稻光譜反射率在不同波段間差異，通過構建植被指數與實測值建立回歸模型反演氮素含量[5]。覃夏等建立基于NDVI(780,671)江西鷹潭地區(qū)早稻氮素含量診斷模型[6]。Tian等在多地試驗基礎上研究發(fā)現(xiàn)利用RSI(573,553)估測水稻葉片氮素含量效果較好[7]。Chu等采用RSI(770,752)預測水稻葉片氮素累積量[8]。邵華等建立738 nm一階微分反射率（FD738）模型估測南方丘陵地區(qū)晚稻冠層氮素值[9]。李穎等基于盆栽氮磷互作試驗發(fā)現(xiàn)RSI(FD740,FD719)、NDSI(FD552,FD419)、DSI(FD713,FD707)可有效估測拔節(jié)、抽穗和灌漿期水稻冠層氮素含量[10]。李永梅等指出RSI(800,550)與寧夏引黃地區(qū)水稻冠層氮素累積量相關性最高[11]。秦占飛等研究發(fā)現(xiàn)，RSI(FD738,FD522)可有效估測引黃地區(qū)水稻葉片全氮含量[12]。上述研究中，特征光譜參數選擇多基于經驗模型或用窮舉法篩選，采用植被指數多為DSI、RSI和NDSI等傳統(tǒng)植被指數，建模分析方法均基于不同函數形式一元回歸分析。同時，現(xiàn)有研究多集中在南方丘陵及寧夏引黃等區(qū)域，而對生長環(huán)境和耕作方式差異較大的東北寒冷地水稻氮素含量高光譜監(jiān)測研究較少，特別是在冠層水平下監(jiān)測時期、指標及模型等方面尚缺乏系統(tǒng)研究。黑龍江省作為寒地水稻種植及商品糧供應基地，利用高光譜技術開展水稻冠層氮素含量監(jiān)測研究，對保障水稻產量及品質具有重要意義[13-16]。

本文以黑龍江省寒地水稻為研究對象，分析氮脅迫下分蘗、拔節(jié)和抽穗期等3個水稻重要生育期冠層光譜反射率與冠層氮素含量定量關系。探討各生育期特征波段構建植被指數反演冠層氮素含量能力，全部植被指數與冠層氮素含量定量關系。以期為水稻氮素含量快速、無損檢測提供地域參考，為指導水稻生產實踐、合理施用氮肥提供技術支持。

1 材料與方法

1.1 試驗設計

試驗于2016年在黑龍江省五常市開展，選用水稻品種為稻花香。供試土壤為草甸土型水稻土，土壤有機質含量35.5 g·kg-1、全氮含量1.44 g·kg-1、有效磷51.8 g·kg-1、速效鉀111 g·kg-1、pH 6.30。試驗田采用單因素（N）設計，共設計4個氮素水平（N0，N1，N2，N3），目標施氮量依次為（0，60，90，120 kg·hm-1），每個施氮水平重復4次，共設計16個小區(qū)。每個小區(qū)面積為4m×4m，小區(qū)間筑埂隔離，田間管理符合高產要求。

1.2 冠層圖像采集

試驗采用美國SOC公司710VP型便攜式成像光譜儀，波段范圍為372～1 038 nm，分辨率為4.68 nm。選擇晴朗、無風、無云天氣，分別于6月25日（分蘗期）、7月15日（拔節(jié)期）、8月20日（抽穗期）當天10:00～14:00，采集各小區(qū)冠層高光譜圖像。采集圖像時，光譜儀探頭垂直距冠層頂部100 cm，每個小區(qū)隨機選取2處作圖像采集，每張圖像中包含2穴完整水稻植株。測量前校正亮、暗電流。通過自帶HyperScanner軟件完成高光譜冠層圖像采集與傳輸。

1.3 冠層葉片氮素值獲取

選取冠層圖像中每穴水稻植株最上層10片葉子，以小區(qū)為單位裝入編號密封袋中。將葉片洗滌、烘干、殺青、粉碎、消煮處理后，利用德國AA3連續(xù)流動分析儀測定水稻葉片全氮含量。采用狄克松（Dixon）檢驗法去掉每穴植株10片葉子氮素含量誤差值，將剩余氮素含量平均值作為該穴水稻植株對應氮素值。

1.4 冠層反射率提取

利用ENVI軟件對3個生育期共96張冠層圖像提取光譜反射率。在冠層圖像中每穴水稻植株上選取5處感興趣區(qū)域（Region of interest，ROI），取其反射率平均值作為該穴植株冠層光譜反射率。高光譜反射率提取如圖1所示。本試驗共得到分蘗期64組數據，剔除2組異常數據后，隨機選擇42組數據作為校正集（Calibration set），余下20組數據作為預測集（Prediction set）。采用同樣方法，選擇拔節(jié)期41組數據作為校正集，20組數據作為預測集；抽穗期42組數據作為校正集，20組數據作為預測集。

圖1 高光譜反射率提取示意圖Fig.1 Schematic diagram of extracting hyperspectral reflectance

1.5 數據分析

利用波段自相關分析（Bands inter-correlation analysis,BICA）與主成分分析（Principal components analysis,PCA）提取特征波段，構建植被指數。原始冠層光譜反射率數據量較大，因此在不同波段間存在大量冗余。利用BICA可將原始光譜反射率按照波段間自相關性強弱切割，對自相關性較強部分作PCA，根據不同波段對主成分貢獻率挑選特征波段，最大限度保留原始數據特征。

本文采用植被指數包括：差值指數（Difference spectral index，DSI）、比值指數（Ratio spectral index，RSI）、歸一化指數（Normalized difference spectral index，NDSI）、增強植被指數（Enhanced vegetation index，EVI）、改良簡單比值指數（Modi?fied simple ratio index，MSR）、改良土壤調節(jié)植被指數（Modified soil-adjusted vegetation index，MSA?VI）。其中，DSI、RSI、NDSI是研究使用次數較多的植被指數；EVI用于消除高光譜圖像背景變化影響；MSR用于克服RSI、NDSI易飽和問題；MSA?VI用于減少土壤反射率噪聲影響。上述各植被指數計算公式如下：

其中，Rλ1、Rλ2為λ1、λ2波段反射率值，Rλblue、Rλred和Rλnir為藍光、紅光和近紅外波段反射率值。

比較其與氮素含量相關性，確定較優(yōu)植被指數。利用一元回歸分析（Simple regression analysis，SRA）建立植被指數與氮素含量單變量預測模型。本文采用函數有線性函數（y=ax+b）、二次多項式函數（y=ax2+bx+c）、指數函數（y=aebx）、對數函數（y=a ln x+b）和冪函數（y=axb）。

利用最大R2增量法（MAXR）分析全部植被指數與氮素含量，建立多變量預測模型。利用R2和RMSE比較模型擬合程度及預測性能。試驗數據處理和分析采用ENVI5.0、MATLAB2014、SPSS22及SAS9.4等軟件完成。

2 結果與分析

2.1 水稻冠層高光譜反射率特征

由圖2可知，在不同生育期，水稻冠層光譜反射率曲線呈相同規(guī)律性：在紫光波段（372～455 nm）和藍光波段（455～492 nm）反射率緩慢上升，進入綠光波段（492～577 nm）后，反射率快速升高，554 nm處出現(xiàn)明顯反射峰，進入黃光波段（577～597 nm）和橙光波段（597～622 nm）反射率迅速下降，至紅光波段（622～770 nm）內呈現(xiàn)明顯吸收谷，反射率迅速增加，在近紅外波段（＞770 nm）行成一個較高反射平臺。同時，從分蘗期到抽穗期，之后反射率在綠光、黃光、橙光等可見光波段內依次降低，在近紅外波段內依次升高。

2.2 結果驗證

利用3個生育期試驗數據，構建以往研究中所建植被指數，分別與氮素含量作相關性分析，判斷該植被指數是否適用于寒地水稻氮素含量預測。由表1可知，除文獻[9]中FD738與寒地水稻氮素含量具有較高相關性外，其余植被指數與氮素含量相關性普遍較低。因此，現(xiàn)有研究建立的植被指數無法滿足準確預測寒地水稻冠層氮素含量實際需求。

圖2 不同生育期水稻冠層高光譜反射率Fig.2 Canopy hyperspectral reflectance of rice under differen tstages

表1 植被指數與氮素含量相關系數Tab le1 Correlation coefficientsbetween nitrogen contentand vegetation indices in p reviousstudies

2.3 特征波段提取與選擇

分別對分蘗、拔節(jié)和抽穗期原始冠層光譜反射率作BICA剔除噪聲干擾部分，獲得自相關矩陣，如圖3所示。圖中紅色部分代表波段間相關系數較大，相關性較強；藍色部分代表波段間相關系數較小，相關性較弱。由圖3可知，在分蘗、拔節(jié)和抽穗期，相關矩陣可大致分為6個區(qū)間，其中，小于400 nm區(qū)間不屬于可見光波段范圍，因此舍棄。對所有區(qū)間作PCA，根據各波段對主成分貢獻率選擇特征波段，結果如表2所示。

2.4 各植被指數與氮素含量相關性

將所選特征波段代入6種植被指數中，將所構建植被指數分為分蘗、拔節(jié)和抽穗期3組，分別與氮素含量作相關性分析。由表3可知，在分蘗期，DSI(821,457)、DSI(821,574)、DSI(821,678)、EVI(821,678,457)、MSAVI(821,678)與水稻氮素含量相關性較強；DSI(983,457)、DSI(983,585)、DSI(983,683)、NDSI(983,826)和MSAVI(983,683)與拔節(jié)期水稻氮素含量具有較強相關性；在抽穗期，DSI(837,457)、DSI(989,457)、DSI(837,611)、DSI(989,611)和DSI(837,704)與氮素含量相關性較強。

圖3 光譜波段自相關矩陣Fig.3 Spectralbands inter-correlationmatrix

表2 BICA-PCA結果Table2 Resu ltsof BICA-PCA (nm)

2.5 基于BICA-PCA-SRA水稻冠層氮素含量預測模型

將與氮素含量相關性較高的植被指數作為自變量x，氮素值作為因變量y，利用SRA建立單變量預測模型，驗證模型預測集。

由表4可知，在分蘗期，以EVI(821,678,457)為變量的二次多項式模型預測效果最好，RC2為0.740，RM?SEC為0.125，RP2為0.763，RMSEP為0.110；在拔節(jié)期，以DSI(983,585)為變量的二次多項式模型擬合效果最佳，RC2為0.722，RMSEC為0.082，RP2為0.741，RMSEP為0.079；在抽穗期，以DSI(837,611)為變量的對數模型預測效果最優(yōu)，RC2為0.734,RMSEC為0.071,RP2為0.778，RMSEP為0.053。各生育期預測模型預測效果見圖4。

2.6 基于BICA-PCA-M AXR水稻冠層氮素含量預測模型

將各生育期全部植被指數作為自變量，氮素含量作為因變量，利用MAXR建立多變量預測模型，驗證所建模型預測集?？紤]到模型復雜程度及飽和問題，表5僅列出2～4個變量預測模型。由表5可知，在分蘗期，以DSI(821,574)和NDSI(821,678)構建的預測模型穩(wěn)定性最好，RP2為0.781,RMSEP為0.122；在拔節(jié)期，以NDSI(683,585)、NDSI(983,826)和MSAVI(826,683)構建的模型預測精度和穩(wěn)定性最優(yōu)，RC2為0.805，RMSEC為0.060，RP2為0.795，RMSEP為0.095；在抽穗期，以DSI(837,457)、RSI(989,704)和MSR(989,704)構建的模型預測效果最佳，RC2為0.797，RMSEC為0.065，RP2為0.783，RMSEP為0.057。各生育期預測模型預測效果見圖5。

表3 各植被指數與氮素含量相關系數Tab le 3 Correlation coefficientsbetween vegetation indicesand nitrogen con tent

表4 基于BICA-PCA-SRA水稻冠層氮素含量預測模型Table 4 Predictionm odelsof canopy nitrogen con tent of rice based on BICA-PCA-SRA

圖4 基于BICA-PCA-SRA氮素含量預測模型預測效果Fig.4 Predictiveeffectof predictionmodelsof nitrogen contentbased on BICA-PCA-SRA

表5 基于BICA-PCA-MAXR水稻冠層氮素含量預測模型Table 5 Predictionm odelsof canopy nitrogen con tent of rice based on BICA-PCA-M AXR

圖5 基于BICA-PCA-MAXR氮素含量預測模型預測效果Fig.5 Predictiveeffectof predictionmodelsof nitrogen contentbased on BICA-PCA-MAXR

3 討論

由表1可知，目前研究建立的植被指數與寒地水稻氮素含量相關性普遍較低。這是因為，作物光譜反射率是生物及非生物因素共同作用結果，受不同生長環(huán)境（溫度、濕度），不同土壤背景（顏色、黏性），不同觀測尺度（冠層尺度、葉片尺度）及植物本身變化等內外因素影響，不同研究中水稻氮素敏感波段及預測模型差異較大，無法直接用于寒地水稻氮素含量預測[20-22]。在分析冠層反射率時，不同生育期可見光波段及近紅外波段反射率差異明顯[23-24]。這是因為，隨著水稻持續(xù)生長，水稻葉片葉綠素含量隨之增多，光合作用增強，對可見光吸收增強，導致反射率降低；葉綠素含量越高的葉片，葉面積越大，對近紅外波段反射越強。在數據分析時，利用BICA和PCA提取特征波段作為植被指數變量。除傳統(tǒng)DSI、RSI和NDSI，本文選擇的EVI、MSR、MSAVI 3種植被指數均適用于冠層尺度建模。

由表3可知，在分蘗期，DSI、EVI、MSAVI與氮素含量相關性較高，受分蘗期水稻植被覆蓋度較低影響，RSI、NDSI、MSR與氮素含量相關性較低。到拔節(jié)期，隨著植被覆蓋度提升，此現(xiàn)象明顯好轉，RSI、NDSI與氮素含量均具有較高相關性。到抽穗期，水稻植株生長茂盛，土壤背景噪聲減小，此時DSI對氮素含量敏感度提高，相關系數最高。從分蘗期到拔節(jié)期，NDSI與氮素含量相關性逐漸提升，到抽穗期則明顯降低。因為在水稻植株處于中、低覆蓋度時，NDSI對氮素含量敏感度隨植被覆蓋度增加而提高，達到一定覆蓋度后則出現(xiàn)飽和。另外3種植被指數中，EVI較好地消除了圖像背景變化影響，3個生育期內均表現(xiàn)出較高相關性；MSR相比RSI與NDSI未表現(xiàn)抗飽和能力較強優(yōu)勢，可能因其易受試驗環(huán)境影響，導致與氮素含量相關性較低；MSAVI可較好消除土壤背景噪聲影響，但更適合植被覆蓋度較低時氮素含量預測。

在利用植被指數建立預測模型時，本文采用兩種方法。一是通過傳統(tǒng)SRA建模對比，選擇擬合度高回歸模型。由表4可知，不同函數形式預測模型相比較，最合適擬合模型為二次多項式模型、對數模型和冪函數模型等非線性預測模型。分析其原因，主要是在水稻生長過程中，葉片之間相互重疊，覆蓋度逐漸增大，葉片內氮素含量累積與冠層覆蓋度增加之間呈非線性關系，而冠層覆蓋度與可見光波段及近紅外波段反射率變化線性相關。因此，氮素含量與各植被指數之間呈非線性關系，與秦占飛等研究相一致[5]。二是采用MAXR建立多變量預測模型。Shi等利用不同植被指數間線性組合，方法是將與預測目標相關性較高植被指數與實測值作多元回歸分析（Multiple regression analysis，MRA），得到精度更高植被指數組合預測模型[25]。但此方法存在人為刪除與氮素含量相關性較低植被指數，排除多種組合可能性，得到組合模型預測精度較單變量模型提升不明顯等缺點。因此，本文采用MAXR分析全部植被指數與氮素含量定量關系。結果證明，所建模型中變量更豐富，預測效果更好。在分蘗、拔節(jié)和抽穗期，所選模型RC2較單變量模型分別提升7.84%、11.50%和8.58%，效果顯著。

由于條件和環(huán)境限制，本試驗所選范圍較小，采集圖像存在一定噪聲及抖動。今后將在多地試驗，豐富試驗數據，完善試驗設計、儀器操作、圖像處理等，為寒地水稻氮素含量監(jiān)測提供更準確預測模型，結合無人機控制系統(tǒng)，為農用微小型無人機作物營養(yǎng)監(jiān)測技術在寒地水稻生產中的應用提供支持[26-28]。

4 結論

a.從分蘗期到抽穗期，寒地水稻冠層光譜反射率在可見光波段內降低，在近紅外波段內增加。

b.在拔節(jié)期與抽穗期，DSI與氮素含量相關性最高，其中，DSI(983,585)與拔節(jié)期水稻氮素含量相關系數為0.837，DSI(837,611)與抽穗期水稻氮素含量相關系數為0.855。在分蘗期，EVI(821,678,457)與氮素含量相關性最高，相關系數為0.859。

c.在分蘗、拔節(jié)和抽穗期，基于BICA-PCASRA單變量預測模型RC2分別為0.740、0.722、0.734，RMSEC分別為0.125、0.082、0.071?；贐ICA-PCA-MAXR多變量預測模型RC2分別為0.798、0.805、0.797，RMSEC分別為0.112、0.060、0.065，此模型預測效果較單變量模型顯著提升。所建模型均可有效估測寒地水稻冠層氮素含量。

[1]王克如,潘文超,李少昆,等.不同施氮量棉花冠層高光譜特征研究[J].光譜學與光譜分析,2011,31(7):1868-1872.

[2]唐菁,楊承棟,康紅梅,等.植物營養(yǎng)診斷方法研究進展[J].世界林業(yè)研究,2005,18(6):45-48.

[3]裘正軍,宋海燕,何勇,等.應用SPAD和光譜技術研究油菜生長期間氮素變化規(guī)律[J].農業(yè)工程學報,2007,23(7):150-154.

[4]張筱蕾,劉飛,聶鵬程,等.高光譜成像技術油菜葉片氮含量及分布快速檢測[J].光譜學與光譜分析,2014,34(9):2513-2518.

[5]秦占飛,常慶瑞,申健,等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預測模型[J].武漢大學學報:信息科學版,2016,41(9): 1168-1175.

[6]覃夏,王紹華,薛利紅.江西鷹潭地區(qū)早稻氮素營養(yǎng)光譜診斷模型構建與應用[J].中國農業(yè)科學,2011,44(4):691-698.

[7]Tian Y C,Gu K J,Chu X,et al.Comparison of different hyper?spectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J].Plantand Soils,2014,376(1-2):193-209.

[8]Chu X,Guo Y J,He JY,etal.Comparison ofdifferenthyperspec?tralvegetation indices forestimating canopy leafnitrogen accumu?lation in rice[J].Agronomy Journal,2014,106(5):1911-1920.

[9]邵華,石慶華,郭熙,等.基于冠層高光譜南方丘陵地區(qū)晚稻氮素營養(yǎng)診斷[J].江西農業(yè)大學學報,2015,37(6):975-981.

[10]李穎,薛利紅,馬資厚,等.氮磷互作水稻冠層氮素敏感光譜篩選研究[J].土壤,2015,47(1):33-41.

[11]李永梅,張立根,侯靜,等.寧夏引黃灌區(qū)水稻冠層高光譜特征研究[J].湖北農業(yè)科學,2016,55(7):1642-1645.

[12]秦占飛,常慶瑞,謝寶妮,等.基于無人機高光譜影像引黃灌區(qū)水稻葉片全氮含量估測[J].農業(yè)工程學報,2016,32(23):77-85.

[13]王艷華,任傳友,韓亞東,等.東北地區(qū)活動積溫和極端持續(xù)低溫時空分布特征及其對糧食產量影響[J].農業(yè)環(huán)境科學學報, 2011,30(9):1742-1748.

[14]袁建清,蘇中濱,賈銀江,等.基于高光譜成像寒地水稻葉瘟病與缺氮識別[J].農業(yè)工程學報,2016,32(13):155-160.

[15]王樹文,鄭博元,張長利.氮素脅迫下水稻高光譜特征研究[J].農機化研究,2015,(8):162-165.

[16]高紅秀,鄭冠龍,朱方旭,等.不同蘗穗肥施氮量對水稻根系、抗倒性及產量性狀影響[J].東北農業(yè)大學學報,2016,47(12): 1-7.

[17]Huete A,Justice C,Liu H.Development of vegetation and soil indices for MODIS-EOS[J].Remote Sensing of Environment,1994,49(3):224-234.

[18]Haboudane D,Miller JR,Pattey E,et al.Hyperspectral vegeta?tion indices and novelalgorithms for predicting green LAIof crop canopies:Modeling and validation in the contextof precision agri?culture[J].Remote Sensing of Environment,2004,90(3):337-352.

[19]Qi J,ChehbouniA,Huete A R,etal.Amodified soiladjusted veg?etation index[J].Remote Sensing of Environment,1994,48(2): 119-126.

[20]王樹文,趙珊,張長利,等.基于成像光譜技術寒地玉米苗期冠層氮含量預測模型[J].農業(yè)工程學報,2016,32(13):149-154.

[21]Nguy-Robertson A L,Peng Y,Gitelson A A,et al.Estimating Green LAIin four crops:Potential of determining optimal spectral bands for a universal algorithm[J].Agricultural and ForestMeteo?rology,2014,192-193:140-148.

[22]Gnyp M L,Miao Y X,Yuan F,etal.Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field CropsResearch,2014,155:42-55.

[23]王樹文,趙越,王麗鳳,等.基于高光譜寒地水稻葉片氮素含量預測[J].農業(yè)工程學報,2016,32(20):187-194.

[24]王樹文,趙珊,張長利,等.氮素脅迫下寒地玉米高光譜特征研究[J].東北農業(yè)大學學報,2015,46(2):89-93.

[25]Shi T Z,Liu H Z,Chen Y Y,etal.Estimation of arsenic in agri?cultural soils using hyperspectral vegetation indices of rice[J]. JournalofHazardousMaterials,2016,308:243-252.

[26]彭顯龍,劉元英,羅盛國,等.寒地稻田施氮狀況與氮素調控對水稻投入和產出影響[J].東北農業(yè)大學學報,2007,38(4):467-472.

[27]汪沛,羅錫文,周志艷,等.基于微小型無人機的遙感信息獲取關鍵技術綜述[J].農業(yè)工程學報,2014,30(18):1-12.

[28]Du L,GongW,Shi S,etal.Estimation of rice leaf nitrogen con?tents based on hyperspectral LIDAR[J].International Journal of Applied Earth Observation and Geoinformation,2016,44:136-143.

Hyperspectralestimation model for predicting canopy nitrogen content of rice in cold region of Northeast China/

WANG Shuwen,SONG Yuzhu,ZHANG
Changli,MA Xinyu,GUO Siqi
(School of Electric and Inform ation,No rtheast Agricultural University, Harbin 150030,China)

In order to realize the dynam ic and non-destructive monitoring of rice nitrogen status in cold region,the hyperspectral imaging technique was used to analyze the characteristics of rice canopy spectrum at different grow th stages.On the basis of the verification o f the previous research resu lts,bands intercorrelation ana lysis(BICA)and principa l com ponents analysis(PCA)were used to se lect characteristic bands to construct vegetation indices.The univariate p rediction mode ls were estab lished according to the correlation between vegetation indices and nitrogen content.Quantitative relationship between total vegetation indices and nitrogen contentwas analyzed by MAXR,and themultivariate predictionmodels were established.The obtained models were validated,analyzed and evaluated.The results showed that,from the tillering stage to heading date,the canopy spectral reflectance of rice in cold region decreased in visibleregion and increased in near infrared region.The prediction accuracy and stability of the prediction models based on BICA-PCA-MAXR were significantly improved compared w ith the prediction m odels based on BICA-PCA combined w ith sim ple regression analysis.The results provided regional reference for the rapid detection of rice nitrogen contentand technicalsupport for guiding the precise fertilizationmanagement.

rice nitrogen;estimation m odel;bands inter-correlation analysis;principal components analysis;MAXR

S127；S511；O655

A

1005-9369（2017）04-0079-10

時間2017-4-24 6:20:19[URL]http://kns.cnki.net/kcms/detail/23.1391.S.20170424.0620.020.html

2017-03-22

國家“863”項目（AA2013102303）；黑龍江省博士后科研啟動基金項目（LBH-Q13022）；黑龍江省自然科學基金面上項目（C2015006）；哈爾濱市科技創(chuàng)新人才項目（2015RQQXJ020）

王樹文（1975-），男，副教授，博士，研究方向為高光譜遙感技術農業(yè)應用。E-mail:wswtr@163.com