楊福芹，馮海寬，肖天豪，李天馳，郭向前

（1. 河南工程學(xué)院土木工程學(xué)院，河南 鄭州 451191；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 河南省測繪工程院，河南 鄭州 450003；4. 河南省地質(zhì)礦產(chǎn)勘查開發(fā)局測繪地理信息院，河南 鄭州450006）

“有收無收在于水，收多收少在于肥”表明了礦質(zhì)營養(yǎng)在農(nóng)業(yè)生產(chǎn)中的重要性，而在作物生長中所需的七種主要礦質(zhì)元素（氮、鉀、鈣、鎂、磷、硫、硅）中，氮素所占比例超過40%，氮素是合成小麥子粒中氨基酸和蛋白質(zhì)的主要成分，也是葉綠素、植物激素及維生素的主要成分[1]。當(dāng)?shù)使?yīng)不足時，植株表現(xiàn)為矮小、瘦弱、直立，分蘗少或無，穗小粒少；當(dāng)?shù)使?yīng)過量時，植株表現(xiàn)為營養(yǎng)生長旺盛，植株高大細(xì)長，開花少，秕粒多，易倒伏，貪青晚熟等現(xiàn)象，導(dǎo)致小麥的質(zhì)量及產(chǎn)量顯著下降[2]。此外，過多使用氮肥還會造成農(nóng)業(yè)資源的巨大浪費(fèi)，直接或間接地危害人畜健康[3]。因此，及時掌握作物的氮素營養(yǎng)狀況，根據(jù)其需求進(jìn)行氮肥管理，對節(jié)約成本，減少環(huán)境污染具有重要意義[1-4]。

傳統(tǒng)小麥氮素測定的方法主要有田間調(diào)查、取樣與室內(nèi)樣品生化分析，但這些方法具有滯后性、破壞性和非動態(tài)性，且成本較高；而且由于受理化分析條件限制，只能選取植株的葉莖進(jìn)行分析，“以點(diǎn)帶面”與實(shí)際作物氮素營養(yǎng)狀況存在很大差異，難以精確的描述植株整體氮素水平。近年來，隨著無人機(jī)遙感技術(shù)的不斷發(fā)展，利用無人機(jī)搭載高光譜相機(jī)、多光譜相機(jī)、數(shù)碼相機(jī)等傳感器獲取遙感影像，利用光譜信息或影像紋理特征在作物生態(tài)參數(shù)反演、農(nóng)田生態(tài)環(huán)境信息檢測等方面得到廣泛應(yīng)用[5-9]，如基于雷達(dá)數(shù)據(jù)、圖像數(shù)據(jù)及實(shí)測數(shù)據(jù)估算草地生物量[10]、獲取多光譜影像數(shù)據(jù)用于反演大豆葉面積[11]。研究發(fā)現(xiàn)，影像紋理特征估算作物參數(shù)（生物量、葉綠素、氮含量）的能力高于單一的植被指數(shù)，但在作物氮營養(yǎng)指數(shù)方面缺乏探討。本研究將圖像指數(shù)和紋理特征進(jìn)行融合形成“圖-譜”融合指標(biāo)，探究“圖-譜”融合指標(biāo)估算氮素營養(yǎng)診斷的能力，以實(shí)現(xiàn)融合光譜信息和紋理特征的冬小麥氮素營養(yǎng)診斷，從而更好的監(jiān)測作物長勢，為精準(zhǔn)氮肥管理提供一種技術(shù)手段。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2014—2015年在北京市昌平區(qū)小湯山鎮(zhèn)東北部國家精準(zhǔn)農(nóng)業(yè)研究示范基地進(jìn)行，基地處于40°00′N～40°21′N，116°34′E～117°00′E，海拔高度36 m。前茬作物為玉米，試驗(yàn)土壤類型為潮土，土壤中0～30 cm土層中硝態(tài)氮含量為3.16～14.82 mg/kg，全氮含量1.0～1.2 g/kg，有機(jī)質(zhì)含量為15.8～20.0 g/kg，有效磷含量為3.14～21.18 mg/kg，速效鉀含量為86.83～

120.62 mg/kg。灌溉方式采用噴灌灌溉，傳統(tǒng)種植方式。采用品種、氮肥和水分的正交試驗(yàn)。試驗(yàn)設(shè)計(jì)為2個品種、4個氮素水平和3個水分水平。2個品種分別為京9843（J9843）和中麥175（ZM175）；4個氮素水平分別為未施尿素（0 kg/hm2，N1）、195 kg/hm2尿素（1/2正常，N2）、390 kg/hm2尿素（正常，N3）、585 kg/hm2尿素（3/2正常，N4）；3個水分水平分別為雨養(yǎng)（W1）、正常水（W2）、2倍正常水（W3）。試驗(yàn)田東西向長度為84 m，南北向長度為32 m，共48個小區(qū)，每個小區(qū)面積為48 m2，16個小區(qū)為一組，重復(fù)3次，重復(fù)1和重復(fù)2用于建模，重復(fù)3用于驗(yàn)證，如圖1所示。

1.2 數(shù)據(jù)獲取

1.2.1 地上部生物量及氮含量測定 試驗(yàn)于冬小麥開花期（2015年5月13日）進(jìn)行，主要獲取冬小麥植株氮含量及地上部生物量等數(shù)據(jù)。在室外調(diào)查固定樣方0.3 m×1 m的每個小區(qū)內(nèi)，破壞性選取具有代表性的20株小麥作為樣本，器官分離后分別置于紙袋中，置于烘箱105 ℃殺青30 min，然后設(shè)置溫度到75 ℃烘干至恒重（48 h以上），將烘干后的各器官進(jìn)行稱重。將測定過的地上部生物量樣品粉碎，采用凱式定氮法測定植株不同器官的氮含量。

1.2.2 氮營養(yǎng)指數(shù) 氮營養(yǎng)指數(shù)（nitrogen nutrition index，NNI）描述為作物實(shí)測植株氮濃度與臨界氮濃度的比值[12]，計(jì)算公式為：

式中：N為實(shí)測植株氮濃度，g/100 g，Nct為臨界氮濃度。根據(jù)Lemaire等[13]的定義：臨界氮濃度（Nct）為作物地上生物量達(dá)到最佳生長速度所需要的最低氮濃度，計(jì)算公式為：

圖1 試驗(yàn)設(shè)計(jì)Fig. 1 Experimental design

式中：a表示植株地上部生物量為1 t/hm2時的臨界氮濃度，取值為5.35，b為決定臨界氮濃度稀釋曲線斜率的參數(shù)，取值為-0.442，DM為地上部生物量，t/hm2。

1.2.3 無人機(jī)數(shù)碼影像獲取及處理 無人機(jī)影像采用八旋翼電動無人機(jī)，搭載DSC-QX100數(shù)碼相機(jī)獲得。DSC-QX100數(shù)碼相機(jī)包含紅光波段（700 nm）、綠光波段（550 nm）和藍(lán)光波段（470 nm）。無人機(jī)選擇天空晴朗無云，中午12:00-13:00對冬小麥試驗(yàn)田進(jìn)行航拍，飛行高度為50 m，地面分辨率為0.013 dpi。將獲取的數(shù)碼影像數(shù)據(jù)采用俄羅斯Agisoft LLC公 司 開 發(fā) 的Agisoft PhotoScan Professional軟件處理，主要步驟為：1）數(shù)碼影像和POS點(diǎn)數(shù)據(jù)輸入，2）點(diǎn)云生成，3）網(wǎng)格構(gòu)建，4）紋理生成，5）生成無人機(jī)高清數(shù)字高程模型（digital elevation model，DEM）和數(shù)字正射影像（digital orthophoto map，DOM）。最后獲取的無人機(jī)影像如圖2所示。

圖2 無人機(jī)數(shù)碼影像Fig. 2 Digital image of UAV

1.3 研究方法

1.3.1 圖像指數(shù)的選取 利用無人機(jī)數(shù)碼影像可見光波段構(gòu)建的圖像指數(shù)可以較好的反映作物的氮素營養(yǎng)狀況[14]。本研究通過獲得的DOM高清正射影像，利用ENVI軟件獲取每個試驗(yàn)小區(qū)圖像的平均紅光值R，平均綠光值G和平均藍(lán)光值B。根據(jù)圖像R、G、B灰度平均值計(jì)算了3個歸一化特征參數(shù)，分別為歸一化紅光r、歸一化綠光g和歸一化藍(lán)光b，其公式分別為r=R/R+G+B、g=G/R+G+B和b=B/R+G+B。根據(jù)3個歸一化特征參數(shù)r、g和b，在借鑒前人研究的基礎(chǔ)上，選取了能反映作物氮素營養(yǎng)狀況的16個可見光圖像指數(shù)：紅藍(lán)比值指數(shù)[15]、綠藍(lán)比值指數(shù)[15]、紅藍(lán)差值指數(shù)[15]、紅藍(lán)和指數(shù)[15]、綠藍(lán)差值指數(shù)[15]、紅藍(lán)植被指數(shù)[15]、三波段植被指數(shù)[15]、超綠指數(shù)EXG[16]、沃貝克指數(shù)WI[16]、紅綠植被指數(shù)GRVI[17]、修正紅綠植被指數(shù)MGRVI[17]、紅綠藍(lán)植被指數(shù)RGBVI[17]、超紅指數(shù)EXR[18]、歸一化差異植被指數(shù)NDI[19]、大氣阻抗植被指數(shù)VARI[20]和超綠超紅差分指數(shù)EXGR[20]。

1.3.2 影像紋理特征的提取 紋理特征是圖像灰度等級的變化，不僅可以表示圖像的均勻、細(xì)致、粗糙等現(xiàn)象，而且可以揭示圖像中地物與其周圍環(huán)境的關(guān)系，是遙感影像的重要特征[21]。研究表明，影像紋理特征在作物長勢監(jiān)測中取得了較好的試驗(yàn)結(jié)果[22]。本研究利用ENVI中的灰度共生矩陣（Gray Level Cooccurrence Matrix，GLCM）對可見光波段進(jìn)行0°、45°、90°、135°4個方向8個紋理特征的提取，對不同方向的紋理特征進(jìn)行平均，得到各波段的8個紋理特征。每個波段的8個紋理特征值分別為：均值（mean）、方差（variance，var）、同質(zhì)性（homogenetity，hom）、對比度（contrast，con）、差異性（dissimilarity，dis）、熵（entropy，ent）、二階距（second moment，sm）和相關(guān)性（correlation，cor）[22]。其中，mean_R、var_R、hom_R、con_R、dis_R、ent_R、sm_R、cor_R表示紅波段對應(yīng)的紋理特征；mean_G、var_G、hom_G、con_G、dis_G、ent_G、sm_G、cor_G表示綠波段對應(yīng)的紋理特征；mean_B、var_B、hom_B、con_B、dis_B、ent_B、sm_B、cor_B表示藍(lán)波段對應(yīng)的紋理特征。

1.3.3 灰色關(guān)聯(lián)分析 灰色關(guān)聯(lián)分析（grey relation analysis，GRA）作為一種灰色系統(tǒng)分析方法，適用于研究因變量受到其他多個因素影響的強(qiáng)弱關(guān)系[23]。分析方法包括以下步驟：首先將氮營養(yǎng)指數(shù)視為參考序列，圖像指數(shù)視為比較序列；隨后對參考序列和比較序列進(jìn)行無量綱化處理；最后計(jì)算灰色關(guān)聯(lián)度。

1.3.4 多重共線性分析 對于圖像指數(shù)之間存在的多重共線性，采用方差膨脹因子（variance inflation factor，VIF）進(jìn)行衡量。當(dāng)圖像指數(shù)之間的方差膨脹因子值較大時，會使回歸模型出現(xiàn)較大估算誤差[24]。其計(jì)算公式如下：

式中：Ri2表示第i個圖像指數(shù)與其他圖像指數(shù)之間的決定系數(shù)。通常情況下當(dāng)VIF＜10時可以視為圖像指數(shù)之間不存在多重共線性；當(dāng)10≤VIF≤20時，圖像指數(shù)之間存在一定的多重共線性；當(dāng)VIF＞20時，圖像指數(shù)之間存在嚴(yán)重的多重共線性。

1.3.5 偏最小二乘回歸 偏最小二乘回歸法（partial least squares regression，PLSR）與傳統(tǒng)多元線性回歸分析法相比，能在自變量之間存在較嚴(yán)重的多重共線性條件下進(jìn)行回歸計(jì)算，同時該方法還包含了典型相關(guān)分析與主成分分析法[25]。

1.3.6 模型精度評定 為了評價模型的效果，選取決定系數(shù)（coeffcient of determination,R2）和均方根誤差（root mean square error, RMSE）作為結(jié)果精度評價指標(biāo)。計(jì)算公式為：

式中：n表示為樣本總數(shù)，Xi、Yi分別表示第i個樣本氮營養(yǎng)指數(shù)的實(shí)測值與估算值表示樣本氮營養(yǎng)指數(shù)實(shí)測平均值與預(yù)測平均值。

2 結(jié)果與分析

2.1 圖像指數(shù)與氮營養(yǎng)指數(shù)的相關(guān)性

表1為圖像指數(shù)與冬小麥氮營養(yǎng)指數(shù)相關(guān)性的分析結(jié)果。從表中可以看出，除了g/b，g-b和WI圖像指數(shù)外，其他圖像指數(shù)與氮營養(yǎng)指數(shù)均達(dá)到0.01顯著水平（P＜0.01），與冬小麥氮營養(yǎng)指數(shù)相關(guān)性的絕對值在0.371～0.773之間。對于3個歸一化特征參數(shù)，圖像指數(shù)與冬小麥氮營養(yǎng)指數(shù)相關(guān)性絕對值最大的是歸一化藍(lán)光b，其相關(guān)性為0.773。對于其他圖像指數(shù)，與氮營養(yǎng)指數(shù)相關(guān)性絕對值最大的是歸一化差值植被指數(shù)(r-b)/(r+b)，值為0.794，與氮營養(yǎng)指數(shù)相關(guān)性最差的是沃貝克指數(shù)WI，其相關(guān)性僅為0.036。為了更好的與冬小麥影像紋理特征融合，選擇相關(guān)性較好的(r-b)/(r+b)、r/b、r-b、b、(r-g-b）/(r+g)、r+b、r、VARI、EXR、NDI、MGRVI圖像指數(shù)與影像紋理特征進(jìn)行融合。

2.2 紋理特征與氮營養(yǎng)指數(shù)的相關(guān)性

表2為紋理特征與冬小麥氮營養(yǎng)指數(shù)相關(guān)性的分析結(jié)果。從表中可以看出，除了contrast和mean紋理特征與氮營養(yǎng)指數(shù)相關(guān)性未達(dá)到0.01顯著水平（P＜0.01）外，其他紋理特征與氮營養(yǎng)指數(shù)的相關(guān)性都達(dá)到了0.05顯著水平（P＜0.05）。在紅波段和綠波段，8個紋理特征與氮營養(yǎng)指數(shù)相關(guān)性絕對值的大小順序都相同，依次為cor_R＞var_R＞dis_R＞hom_R＞sm_R＞ent_R＞mean_R和cor_G＞var_G＞dis_G＞hom_G＞sm_G＞ent_G＞mean_G；在 藍(lán)波段，8個紋理特征與氮營養(yǎng)指數(shù)相關(guān)性絕對值的大小順序依次為cor_B＞var_B＞dis_B＞hom_B＞ent_B＞sm_B ＞mean_B，僅紅波段和綠波段與藍(lán)波段紋理特征的熵和二階矩有很小的變動，其他相關(guān)性順序保持不變。根據(jù)紋理特征與氮營養(yǎng)指數(shù)相關(guān)性的優(yōu)劣，篩選出var_R、cor_R、var_G、dis_G、cor_G、var_B、cor_B與圖像指數(shù)進(jìn)行融合。

表1 圖像指數(shù)與氮營養(yǎng)指數(shù)的相關(guān)性Table 1 Correlation coeffcient between image index and nitrogen nutrition index

表2 紋理特征與氮營養(yǎng)指數(shù)的相關(guān)性Table 2 Correlation coeffcient between texture features and nitrogen nutrition index

2.3 “圖-譜”融合指標(biāo)與氮營養(yǎng)指數(shù)的相關(guān)性

將圖像指數(shù)與紋理特征進(jìn)行相乘或相除，構(gòu)建既有光譜信息又有紋理特征的“圖-譜”融合指標(biāo)，探究“圖-譜”融合指標(biāo)反演氮營養(yǎng)指數(shù)的能力。將“圖-譜”融合指標(biāo)與氮營養(yǎng)指數(shù)進(jìn)行相關(guān)性分析，根據(jù)相關(guān)性的優(yōu)劣篩選出14個“圖-譜”融合指標(biāo)（表3）。從表中可以看出，“圖-譜”融合指標(biāo)與氮營養(yǎng)指數(shù)的相關(guān)性均達(dá)到0.01顯著水平（P＜0.01），其相關(guān)性絕對值取值在0.5～0.9之間。其中相關(guān)性最好的“圖-譜”融合指標(biāo)是cor_R*((r-b)/(r+b))，其絕對值為0.819，相關(guān)性最差的“圖-譜”融合指標(biāo)是var_B/(1.4r-g)，其值為0.537。

表3 融合指標(biāo)與氮營養(yǎng)指數(shù)的相關(guān)性Table 3 Correlation coeffcient between fusion index and nitrogen nutrition index

2.4 氮營養(yǎng)指數(shù)估算模型變量選擇

為進(jìn)一步提高模型精度，對14種“圖-譜”融合指標(biāo)進(jìn)行灰色關(guān)聯(lián)分析，探究融合指標(biāo)與氮營養(yǎng)指數(shù)的貼近程度，結(jié)果如表4所示?？梢钥闯觯皥D-譜”融合指標(biāo)中灰色關(guān)聯(lián)度的大小順序?yàn)閏or_B/(r-b)＞ cor_R/(r-b)＞ dis_G/(1.4r-g)＞ cor_G/((r-g-b）/(r+g))＞ var_G/(1.4r-g)＞ var_R/1.4r-g＞ var_B/(1.4r-g)＞ dis_G×(r-b)＞ var_G×((g-r)/(g+r-b))＞ var_B×((g-r)/(g+r-b))＞ var_R×(g-r)/(g+r-b)＞ cor_R×((r-b)/(r+b))＞ cor_B×((r-b)/(r+b))＞ cor_G×((r-b)/(r+b))，關(guān)聯(lián)度最好的“圖-譜”融合指標(biāo)是cor_B/(r-b)，其值為0.865。為防止偏最小二乘回歸模型的入選參量之間的高相關(guān)，采用方差膨脹因子對選取的“圖-譜”融合指標(biāo)進(jìn)行多重共線性分析，結(jié)果如圖3所示。可以看出，當(dāng)0＜VIF＜10時，“圖-譜”融合指標(biāo)間不存在多重共線性，如var_R/1.4r-g與cor_R×((r-b)/(r+b))，cor_R/(r-b)與var_R/1.4r-g，cor_R/(r-b)與cor_R×((r-b)/(r+b))；當(dāng)10≤VIF≤20時，“圖-譜”融合指標(biāo)間存在一定的多重共線性，如dis_G/(1.4r-g)與var_G×((g-r)/(g+r-b))，cor_G/((r-g-b）/(r+g))與cor_B×((r-b)/(r+b))；當(dāng)VIF＞20時，“圖-譜”融合指標(biāo)間存在嚴(yán)重的多重共線性，如var_R/1.4r-g與var_R×(g-r)/(g+r-b)，var_G×((g-r)/(g+r-b))與var_R×(g-r)/(g+r-b)，var_G/(1.4r-g)與var_R×(g-r)/(g+r-b)。結(jié)合表4和圖3，選取cor_B/(r-b)、dis_G/(1.4r-g)、cor_G/((r-g-b)/(r+g))、var_G/(1.4r-g)和dis_G×(r-b)作為多元變量入選偏最小二乘回歸估算模型。

表4 融合指標(biāo)與氮營養(yǎng)指數(shù)的灰色關(guān)聯(lián)分析Table 4 Gray Correlation degree and rank of evaluation index for nitrogen nutrition index

圖3 融合指標(biāo)間的方差膨脹因子Fig. 3 Variance inflation factor among fusion index

2.5 氮營養(yǎng)指數(shù)反演建模與驗(yàn)證

2.5.1 基于圖像指數(shù)的氮營養(yǎng)指數(shù)反演 采用偏最小二乘回歸算法，基于5個圖像指數(shù)建立的氮營養(yǎng)指數(shù)回歸模型見式（6）。

式中：x1表示修正紅綠植被指數(shù)MGRVI，x2表示超紅指數(shù)EXR，x3表示歸一化差異植被指數(shù)NDI，x4表示大氣阻抗植被指數(shù)VARI，x5表示歸一化藍(lán)光b。冬小麥氮營養(yǎng)指數(shù)的反演結(jié)果如圖4所示。從圖中可以看出，冬小麥圖像指數(shù)反演氮營養(yǎng)指數(shù)的建模結(jié)果為決定系數(shù)0.593 8，均方根誤差為0.104 1（圖4-A）。實(shí)測值與預(yù)測值分布在1∶1線附近，建模效果較好。驗(yàn)證結(jié)果的均方根誤差為0.227 0（圖4-B）。實(shí)測值與預(yù)測值大多分布在1∶1線之下，一部分預(yù)測值被嚴(yán)重低估，實(shí)測值與預(yù)測值之間存在較大誤差。結(jié)果表明用圖像指數(shù)反演氮營養(yǎng)指數(shù)雖然建模效果較好，但驗(yàn)證效果不佳。

2.5.2 基于紋理特征的氮營養(yǎng)指數(shù)反演 采用偏最小

二乘回歸算法，基于5個紋理特征建立的氮營養(yǎng)指數(shù)回歸模型見式（7）。

式中：y1表示var_R，y2表示cor_R，y3表示var_G，y4表示dis_G，y5表示cor_B。

冬小麥氮營養(yǎng)指數(shù)的反演結(jié)果如圖5所示?？梢钥闯觯←溂y理特征反演氮營養(yǎng)指數(shù)的建模結(jié)果為決定系數(shù)0.584 8，均方根誤差為0.105 0（圖5-A），實(shí)測值與預(yù)測值分布在1∶1線附近，建模效果較好。驗(yàn)證結(jié)果的均方根誤差為0.115 3（圖5-B），實(shí)測值與預(yù)測值同樣分布在1∶1線附近，實(shí)測值與預(yù)測值之間的誤差較小，驗(yàn)證效果較用圖像指數(shù)反演氮營養(yǎng)指數(shù)效果好。

2.5.3 基于“圖-譜”融合指標(biāo)的氮營養(yǎng)指數(shù)反演采用偏最小二乘回歸算法，基于5個“圖-譜”融合指標(biāo)建立的氮營養(yǎng)指數(shù)回歸模型見式（8）。

式 中：V14表 示cor_B/(r-b)，V8表 示dis_G/(1.4rg)，V10表示cor_G/((r-g-b）/(r+g))，V6表示var_G/(1.4r-g)，V7表示dis_G×(r-b)。

冬小麥氮營養(yǎng)指數(shù)的反演結(jié)果如圖6所示?？梢钥闯?，“圖-譜”融合指標(biāo)反演氮營養(yǎng)指數(shù)的建模結(jié)果決定系數(shù)為0.644 3，均方根誤差為0.097 0（圖6-A），實(shí)測值與預(yù)測值分布在1∶1線附近，建模效果較好。驗(yàn)證結(jié)果的均方根誤差為0.114 0（圖6-B），實(shí)測值與預(yù)測值同樣分布在1∶1線附近，實(shí)測值與預(yù)測值之間的誤差較小。研究發(fā)現(xiàn)，基于融合指標(biāo)cor_B/(r-b)、dis_G/(1.4r-g)、cor_G/((r-g-b）/(r+g))、var_G/(1.4r-g)和dis_G×(r-b)所構(gòu)建的氮營養(yǎng)指數(shù)模型，相比單一圖像指數(shù)、單一紋理特征，兩者融合反演的氮營養(yǎng)指數(shù)模型精度明顯提高，這是因?yàn)榈獱I養(yǎng)指數(shù)反演模型中既含有豐富的紋理信息，又含有一定的光譜信息，該模型綜合考慮了紋理特征及光譜信息對氮營養(yǎng)指數(shù)的貢獻(xiàn)，相比圖像指數(shù)、紋理特征構(gòu)建的氮營養(yǎng)指數(shù)模型，融合圖像指數(shù)與紋理特征共同反演氮營養(yǎng)指數(shù)的效果最好。

圖4 基于圖像指數(shù)的氮營養(yǎng)指數(shù)建模與驗(yàn)證Fig. 4 Relationship between calibration and validation results of nitrogen nutrition index

圖5 基于紋理特征的氮營養(yǎng)指數(shù)建模與驗(yàn)證Fig. 5 Relationship between calibration and validation results of nitrogen nutrition index

圖6 基于融合指標(biāo)的氮營養(yǎng)指數(shù)建模與驗(yàn)證結(jié)果Fig. 6 Relationship between calibration and validation results of nitrogen nutrition index

3 討論

氮營養(yǎng)指數(shù)可以直觀地反映植株體內(nèi)氮素的營養(yǎng)狀況，若氮營養(yǎng)指數(shù)NNI＞1，表明作物植株體內(nèi)氮素含量過高；若NNI=1，表明作物體內(nèi)植株氮素含量達(dá)到最佳；若NNI＜1，表明植株體內(nèi)氮素含量供應(yīng)不足[26]。本研究利用圖像指數(shù)預(yù)測冬小麥氮營養(yǎng)指數(shù)NNI的變化范圍為0.06～1.03，在相同施氮水平下預(yù)測的氮營養(yǎng)指數(shù)最小值遠(yuǎn)遠(yuǎn)小于實(shí)測的氮營養(yǎng)指數(shù)最小值，預(yù)測的氮營養(yǎng)指數(shù)最大值較接近實(shí)測最大值，但依然偏??；利用影像紋理特征預(yù)測冬小麥氮營養(yǎng)指數(shù)NNI的變化范圍為0.23～1.00，在相同施氮水平下預(yù)測的氮營養(yǎng)指數(shù)最小值仍小于實(shí)測的氮營養(yǎng)指數(shù)最小值，但效果好一點(diǎn)，預(yù)測的氮營養(yǎng)指數(shù)的最大值依然小于實(shí)測的氮營養(yǎng)指數(shù)實(shí)測值；利用“圖-譜”融合指標(biāo)預(yù)測的冬小麥氮營養(yǎng)指數(shù)NNI的變化范圍為0.32～1.04，在相同施氮水平時比實(shí)測的氮營養(yǎng)指數(shù)的最大值和最小值都偏小，但都接近實(shí)測值。Liu等[27]基于無人機(jī)高光譜影像，預(yù)測的北京地區(qū)開花期冬小麥氮營養(yǎng)指數(shù)的范圍在0.51～1.30之間，預(yù)測值與實(shí)測值的RMSE為0.074。王仁紅等[28]利用地面非成像光譜儀獲取高光譜數(shù)據(jù)，利用已有光譜指數(shù)構(gòu)建北京地區(qū)冬小麥氮營養(yǎng)指數(shù)估算模型，其預(yù)測的氮營養(yǎng)指數(shù)范圍在0.3～1.3之間，預(yù)測值與實(shí)測值的RMSE在

0.138～2.859之間。相對于無人機(jī)高光譜傳感器和地面非成像高光譜傳感器，本研究使用的是數(shù)碼相機(jī)，只提供紅綠藍(lán)三個波段的光譜信息，用圖像指數(shù)或紋理特征反演氮營養(yǎng)指數(shù)的效果遠(yuǎn)遠(yuǎn)不如前面所述。將圖像指數(shù)與紋理特征融合后，氮營養(yǎng)指數(shù)反演模型的估測效果有了很大的提高，其效果與用高光譜數(shù)據(jù)估測的效果接近。此外，前人在“圖-譜”信息綜合反演作物參數(shù)時，多是利用多光譜影像或高光譜影像，而利用數(shù)碼影像的比較少見。

當(dāng)然，本研究也存在一些不足之處。本研究僅利用了冬小麥開花期的數(shù)碼影像及地面實(shí)測數(shù)據(jù)，所使用的樣本量較少，對構(gòu)建的模型的通用性有一定的影響，未來的研究應(yīng)增加不同生育期、不同年限、不同區(qū)域，拓展模型應(yīng)用范圍，提高模型的穩(wěn)定性和普適性。另外，該模型對于不同作物能否進(jìn)行氮素營養(yǎng)診斷并沒有做探討，這是將來研究方向。

4 結(jié)論

現(xiàn)有研究多是直接選取對氮營養(yǎng)指數(shù)敏感的光譜特征和紋理特征，基于多元回歸模型反演氮營養(yǎng)指數(shù)。本研究從數(shù)碼影像DN值、紋理特征以及兩者融合入手，利用數(shù)碼影像形成的圖像指數(shù)與紋理特征采用相乘或相除的方式融合形成“圖-譜”融合指標(biāo)，探討“圖-譜”融合指標(biāo)估算氮營養(yǎng)指數(shù)的能力。研究發(fā)現(xiàn)，基于融合指標(biāo)所構(gòu)建的氮營養(yǎng)指數(shù)模型，相比圖像指數(shù)和影像紋理特征，其反演的模型精度明顯提高，主要是因?yàn)槿诤现笜?biāo)同時考慮了數(shù)碼影像光譜信息與紋理特征對氮營養(yǎng)指數(shù)的貢獻(xiàn)，與前人[7,9,29]的相關(guān)研究結(jié)果一致。本文主要結(jié)論如下：

1）整合灰色關(guān)聯(lián)度-方差膨脹因子，篩選出與氮營養(yǎng)指數(shù)灰色關(guān)聯(lián)度較好，指標(biāo)與指標(biāo)間多重共線性較小的五個“圖-譜”融合指標(biāo)，分別為cor_B/(r-b)、dis_G/(1.4r-g)、cor_G/((r-g-b）/(r+g))、var_G/(1.4r-g)和dis_G×(r-b)。

2）相比單一圖像指數(shù)、紋理特征，融合圖像指數(shù)與紋理特征構(gòu)建的“圖-譜”融合指標(biāo)反演冬小麥氮營養(yǎng)指數(shù)模型估算精度較高（R2=0.644 3），高于分別基于圖像指數(shù)（R2=0.593 8）和紋理特征（R2=0.584 5）構(gòu)建的氮營養(yǎng)指數(shù)模型。研究表明采用紋理特征和圖像光譜信息相融合的方式進(jìn)行建模，可以顯著提高氮素營養(yǎng)狀況的估算精度。