陳志超，蔣貴印，張正，蘆俊俊，王新兵，婁衛(wèi)東，劉昌華，苗宇新,3，郝成元

(1.河南理工大學(xué) 測(cè)繪與國(guó)土信息工程學(xué)院，河南 焦作 454000；2.中國(guó)農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，北京 100194；3.明尼蘇達(dá)大學(xué) 精準(zhǔn)農(nóng)業(yè)中心，明尼蘇達(dá)大學(xué)土壤、水和氣候系，圣羅保 55108，美國(guó))

0 引 言

玉米產(chǎn)量受諸多因素影響，其中氮素作為植株中葉綠素、蛋白質(zhì)和酶的重要組成部分，對(duì)作物的生長(zhǎng)發(fā)育起著重要作用。玉米對(duì)氮素的需求量隨生長(zhǎng)期而變化，其含量充足與否，顯著影響作物的產(chǎn)量與品質(zhì)[1]。遙感技術(shù)因其無損、快速、大面積、低成本[2-3]的獨(dú)特優(yōu)勢(shì)，在快速無損準(zhǔn)確診斷氮營(yíng)養(yǎng)狀況方面得到了的廣泛應(yīng)用。

高光譜遙感因其分辨能力強(qiáng)[4]、重訪周期已系統(tǒng)應(yīng)用于田間冠層光譜遙感信息獲取、農(nóng)作物產(chǎn)量預(yù)測(cè)、生長(zhǎng)養(yǎng)分檢測(cè)和病蟲害監(jiān)測(cè)防治等領(lǐng)域。國(guó)內(nèi)外已有大量基于無人機(jī)低空高光譜成像遙感技術(shù)作物養(yǎng)分檢測(cè)的試驗(yàn)研究。通過對(duì)作物冠層高光譜信息進(jìn)行遙感技術(shù)處理，采用傳統(tǒng)經(jīng)驗(yàn)算法和機(jī)器學(xué)習(xí)算法等數(shù)學(xué)及計(jì)算機(jī)知識(shí)，建立作物氮營(yíng)養(yǎng)指數(shù)的定量反演估測(cè)模型。蘆俊俊[5]基于無人機(jī)搭載Mini-MCA多光譜相機(jī)，獲取了不同生育期和不同處理的田間水稻多光譜遙感影像，利于紅外波段建立并篩選出最優(yōu)植被指數(shù)，構(gòu)建水稻氮素含量的最優(yōu)反演估測(cè)模型(決定系數(shù)R2=0.87)；劉昌華等[6]研究了冬小麥在不同氮梯度下的冠層高光譜遙感信息，對(duì)比不同光譜預(yù)處理方法，并與機(jī)器算法結(jié)合，建立并對(duì)比分析獲得了基于冬小麥冠層高光譜遙感信息的氮營(yíng)養(yǎng)指數(shù)最佳反演模型。

本文以東北春玉米為研究對(duì)象，利用UHD185高光譜成像系統(tǒng)，采集春玉米冠層高光譜信息，基于傳統(tǒng)遙感技術(shù)數(shù)據(jù)處理方法，采用5種常見算法對(duì)原始春玉米冠層高光譜遙感數(shù)據(jù)進(jìn)行光譜預(yù)處理，結(jié)合3種回歸算法探索最佳春玉米氮素營(yíng)養(yǎng)診斷模型。從數(shù)據(jù)分析角度，東北春玉米冠層高光譜遙感數(shù)據(jù)與春玉米氮營(yíng)養(yǎng)指數(shù)構(gòu)建模型，對(duì)比不同模型春玉米氮素診斷精度，篩選出最佳高光譜預(yù)處理方法和回歸算法，基于構(gòu)建模型探討了春玉米氮營(yíng)養(yǎng)指數(shù)反演能力。

1 試驗(yàn)設(shè)計(jì)

1.1 研究區(qū)概況

研究區(qū)位于我國(guó)東北吉林省四平市梨樹縣，縣界極值大地坐標(biāo)為(123°45′～124°53′)E，(43°02′～ 43°46′)N，總面積為4 209 km2，地處吉東低山丘陵與遼河平原過渡帶，東依大黑山，西接遼河平原，地勢(shì)東南高，西北低。土壤肥力上等，土層深厚，土質(zhì)較好，大約70%的耕地用于種植玉米。研究區(qū)屬北溫帶半濕潤(rùn)大陸性季風(fēng)氣候，四季分明，日照、降水較充足。

1.2 試驗(yàn)方案

試驗(yàn)在不同密度、不同氮梯度和不同氮肥管理的田塊小區(qū)進(jìn)行。供試土壤類型為黑土，玉米為當(dāng)?shù)卮河衩灼贩N(良玉66)。試驗(yàn)田采用裂區(qū)設(shè)計(jì)，采用隨機(jī)區(qū)組排列，共3個(gè)重復(fù)(R)，(6×3×3)個(gè)小區(qū)，每個(gè)小區(qū)面積為9 m×12 m，各小區(qū)用于生育期內(nèi)取樣的面積占比為2/3，剩余面積用于成熟期取樣測(cè)產(chǎn)。其中，設(shè)置主處理為種植密度D株/hm2，分別設(shè)置為D1=55 000，D2=70 000，D3=85 000；設(shè)置副處理為施氮量N，kg/hm2，共設(shè)有6個(gè)梯度，分別為N0=0，N1=60，N2=120，N3=180，N4=240，N5=300。除肥料以外的栽培、灌溉與農(nóng)藥防治、雜草及病蟲害等管理方式均參照當(dāng)?shù)貥?biāo)準(zhǔn)進(jìn)行，且試驗(yàn)均在相同田塊進(jìn)行。試驗(yàn)田小區(qū)示意圖如圖1所示。

圖1 試驗(yàn)小區(qū)示意圖Fig.1 Sketch map of experiment plot

2 數(shù)據(jù)獲取與處理

地面取樣和無人機(jī)高光譜遙感數(shù)據(jù)獲取工作同時(shí)展開，在春玉米生育關(guān)鍵時(shí)期進(jìn)行高光譜測(cè)定后立即取樣。

2.1 農(nóng)學(xué)數(shù)據(jù)

地上部生物量(w)測(cè)定方法：將每個(gè)試驗(yàn)小區(qū)量測(cè)過的3株玉米洗凈泥土，莖葉分離后殺青處理(烘箱溫度為105 ℃，時(shí)長(zhǎng)為30分鐘)、烘干(烘箱溫度為70 ℃)，恒重后稱量，得到植株生物量，再根據(jù)玉米的實(shí)際種植密度換算得到群體地上部生物量。

植株氮質(zhì)量分?jǐn)?shù)測(cè)定方法：將烘干后的部分玉米植株部分樣品粉碎研磨成均勻粉末狀，放置于H2SO4-H2O2溶液中礦化消煮，用凱氏定氮儀測(cè)定，獲得的數(shù)據(jù)即為玉米植株氮質(zhì)量分?jǐn)?shù)[9]。

植株臨界氮質(zhì)量分?jǐn)?shù)(Nc)是玉米地上部生物量干重達(dá)到最大增長(zhǎng)率時(shí)所需的最低氮質(zhì)量分?jǐn)?shù)值，通常根據(jù)氮質(zhì)量分?jǐn)?shù)稀釋模型求得，其計(jì)算公式為

Nc=36.5×W-0.48，

(1)

氮營(yíng)養(yǎng)指數(shù)(nitrogen nutrient index，NNI)作為重要的氮素診斷指標(biāo)，直接反映作物氮營(yíng)養(yǎng)是否充足[10]，已廣泛應(yīng)用于作物氮營(yíng)養(yǎng)診斷研究。根據(jù)玉米NNI閾值，將玉米氮營(yíng)養(yǎng)狀態(tài)劃分為3種情況：氮不足(NNI<0.95)；氮適宜(0.95≤NNI≤1.05)；氮過量(NNI>1.05)。其計(jì)算公式[11]為

(2)

式中：PNU為植株吸氮量(Plant Nitrogen Uptake,kg/ha);PNUa為實(shí)測(cè)吸氮量；PNUc為臨界吸氮量。

通過測(cè)定，本研究中春玉米氮營(yíng)養(yǎng)狀況的農(nóng)學(xué)指標(biāo)描述性統(tǒng)計(jì)如表1所示。

表1 春玉米地上部生物量、株氮濃度及氮營(yíng)養(yǎng)指數(shù)的描述性統(tǒng)計(jì)Tab.1 Descriptive statistics of spring maize plant,N concentration and N nutrition index

2.2 遙感數(shù)據(jù)

采用UHD185高光譜成像系統(tǒng)，光譜波段共138個(gè)，相鄰光譜波段采樣間隔為4 nm。經(jīng)篩選，共選用UHD185高光譜成像儀中的125個(gè)波段進(jìn)行研究，光譜為454～950 nm，選用旋翼無人機(jī)系統(tǒng)作為遙感數(shù)據(jù)采集平臺(tái)(圖2)。無人機(jī)高光譜遙感數(shù)據(jù)獲取和地面取樣工作同時(shí)展開，在春玉米生育關(guān)鍵時(shí)期進(jìn)行高光譜測(cè)定后立即取樣，具體時(shí)間分別為2016年7月30日、2017年6月30日和2017年7月30日，且均在晴朗無云天氣下，于當(dāng)天10：00 AM—14：00 PM進(jìn)行。試驗(yàn)使用的飛行控制系統(tǒng)可記錄無人機(jī)在飛行過程中的位置姿態(tài)系統(tǒng)信息，以確保良好的影像質(zhì)量。由于田塊間地物特征點(diǎn)區(qū)別不明顯，為獲得更好的拼接效果，無人機(jī)航線設(shè)定為航向重疊率85%，旁向重疊率75%。為提高效率，本試驗(yàn)在實(shí)際操作中將無人機(jī)航線設(shè)置為4條，相對(duì)航高設(shè)置為100 m，拍照間隔設(shè)置為等距離，實(shí)現(xiàn)整個(gè)玉米試驗(yàn)田區(qū)域的全覆蓋。

圖2 無人機(jī)高光譜成像系統(tǒng)Fig.2 UAV hyperspectral system

2.3 高光譜數(shù)據(jù)預(yù)處理

基于傳統(tǒng)遙感技術(shù)數(shù)據(jù)處理方法，選用5種常用算法對(duì)獲取的春玉米冠層原始高光譜遙感數(shù)據(jù)進(jìn)行預(yù)處理。5種算法分別為：卷積平滑濾波法(savitzky-goIay smoothing，SG)、基線校正法(baseline correction，BC)、多元散射校正法(muItipIe scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變換法(standard normaI variate transformation，SNV)、去趨勢(shì)算法(de-trending，D)。為了與原始高光譜遙感數(shù)據(jù)對(duì)比，將原始高光譜遙感數(shù)據(jù)簡(jiǎn)記為Unt(untreated hyspectral data)。分別將預(yù)處理后獲得的玉米冠層高光譜反射率、原始高光譜反射率與春玉米生育關(guān)鍵時(shí)期通過地面取樣工作測(cè)定的氮營(yíng)養(yǎng)指數(shù)進(jìn)行相關(guān)性分析，分析結(jié)果見圖3。

圖3 春玉米氮營(yíng)養(yǎng)指數(shù)與不同預(yù)處理高光譜遙感數(shù)據(jù)的相關(guān)性曲線Fig.3 Correlation curves of Hyperspectral reflectance and nitrogen nutrition index of spring corn under different pretreatment

2.4 高光譜特征參數(shù)篩選

在不同年份、生育期的作物冠層波段反射率易受土壤背景、大氣參數(shù)及自身飽和性等影響，通過高光譜特征參數(shù)篩選和植被指數(shù)變量歸一化或參數(shù)優(yōu)化后可減少這一影響。本文基于3種變量類型(位置、面積、植被指數(shù))進(jìn)行高光譜特征參數(shù)[12]篩選，并將獲取的高光譜特征參數(shù)根據(jù)篩選原則分為3大類：

(1)基于位置的高光譜特征參數(shù)。分別從原始高光譜和一階微分處理的高光譜中選取綠光波段反射率最大值、紅光波段反射率最小值、紅邊波段反射率最大值、黃邊波段反射率最大值和藍(lán)邊波段反射率最大值及其對(duì)應(yīng)的光譜波長(zhǎng)位置，其中藍(lán)邊波段為490～530 nm；黃邊波段為550～582 nm；紅邊波段為680～780 nm。

(2)基于面積的高光譜特征參數(shù)。分別選取紅邊波段、黃邊波段和藍(lán)邊波段，并在其波長(zhǎng)范圍內(nèi)計(jì)算出對(duì)應(yīng)的一階微分波段值的總和。

(3)基于植被指數(shù)的高光譜特征參數(shù)。將(1)、(2)篩選獲得的參數(shù)進(jìn)行比值或歸一化運(yùn)算，構(gòu)建出植被指數(shù)型的高光譜特征參數(shù)。

在此篩選方法下，共獲取了19種高光譜特征參數(shù)進(jìn)行春玉米氮營(yíng)養(yǎng)指數(shù)模型構(gòu)建與研究。

2.5 模型構(gòu)建方法

以春玉米冠層高光譜遙感各波段反射率組合計(jì)算的19個(gè)高光譜特征參數(shù)為自變量(x)，春玉米關(guān)鍵生育時(shí)期獲取的氮營(yíng)養(yǎng)指數(shù)為因變量(y)，分別選用偏最小二乘回歸分析、BP神經(jīng)網(wǎng)絡(luò)回歸分析和隨機(jī)森林回歸分析對(duì)春玉米氮營(yíng)養(yǎng)指數(shù)數(shù)據(jù)與春玉米冠層高光譜特征參數(shù)進(jìn)行建模。為進(jìn)一步篩選最佳模型，依據(jù)3個(gè)判定指標(biāo)檢驗(yàn)構(gòu)建模型的精度與可靠性，即決定系數(shù)(determination coefficient,R2)、相對(duì)誤差(relative error,RE)和均方根誤差(root mean square error,RMSE)。

2.5.1 偏最小二乘回歸分析

偏最小二乘法是一種多元統(tǒng)計(jì)數(shù)據(jù)分析方法[13]，建模過程中，可以克服共線性問題，選取特征向量時(shí)，強(qiáng)調(diào)自變量對(duì)因變量的預(yù)測(cè)作用，去除對(duì)回歸無益噪聲的影響[14]，從而解決用普通多元回歸無法解決的問題[15]。本文利用UnscrambIer 9.7軟件構(gòu)建偏最小二乘回歸分析模型。

2.5.2 BP神經(jīng)網(wǎng)絡(luò)回歸分析

對(duì)于解決多參數(shù)、非線性擬合問題，人工神經(jīng)網(wǎng)絡(luò)因其深厚的理論支撐、有效的技術(shù)指導(dǎo)、學(xué)習(xí)性、容錯(cuò)性、實(shí)時(shí)性等優(yōu)勢(shì)，已廣泛應(yīng)用于諸多領(lǐng)域[16]。誤差反向傳播(back-propagation,BP)算法是目前人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中較為廣泛的學(xué)習(xí)算法之一，由輸入層、隱藏層和輸出層組成，因其高度自學(xué)習(xí)和自適應(yīng)等特點(diǎn)，能夠較好地解決非線性問題[17]。本研究中，輸入層神經(jīng)元為擇優(yōu)篩選的高光譜特征參數(shù)，輸出層為待估測(cè)的春玉米氮營(yíng)養(yǎng)指數(shù)。BP神經(jīng)網(wǎng)絡(luò)回歸分析模型在MATLAB R2014b軟件中構(gòu)建。神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)，輸入層到隱藏層激勵(lì)函數(shù)和隱含層到輸出層激勵(lì)函數(shù)分別為tansig和purelin函數(shù)。其中，BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為100；結(jié)點(diǎn)數(shù)為10；學(xué)習(xí)率調(diào)試為1%；學(xué)習(xí)目標(biāo)為0.01%。

2.5.3 隨機(jī)森林回歸分析

隨機(jī)森林算法是將多個(gè)決策樹構(gòu)成一個(gè)隨機(jī)森林，是基于決策樹算法的一種改進(jìn)[18]。在處理回歸問題時(shí)，隨機(jī)森林算法保證了構(gòu)成的所有決策樹的平均值作為因變量預(yù)測(cè)的結(jié)果；在處理分類問題時(shí)，隨機(jī)森林算法采用投票制方案，確定了最終分類類別。輸入向量在多個(gè)決策樹上運(yùn)行，運(yùn)行效率和準(zhǔn)確率較高，善于學(xué)習(xí)復(fù)雜且高度非線性的關(guān)系[19]?；陔S機(jī)森林回歸分析算法構(gòu)建模型，不僅訓(xùn)練和預(yù)測(cè)速度快，且對(duì)多元共線性問題不敏感，能較好地避免過擬合現(xiàn)象發(fā)生，降低異常值和噪聲在構(gòu)建模型中的干擾，因而備受國(guó)內(nèi)外學(xué)者關(guān)注。本文利用MATLAB R2014b軟件構(gòu)建隨機(jī)森林回歸分析模型，其分類樹設(shè)置為2 000，分割變量設(shè)置為2。

3 結(jié)果和分析

在春玉米關(guān)鍵生育時(shí)期對(duì)其氮營(yíng)養(yǎng)狀況進(jìn)行快速判定和診斷評(píng)價(jià)有重要作用，可為進(jìn)一步合理調(diào)控春玉米各時(shí)期氮肥施用量提供理論依據(jù)和技術(shù)支撐。

3.1 基于偏最小二乘回歸分析的春玉米氮營(yíng)養(yǎng)指數(shù)反演研究

采用偏最小二乘回歸分析方法，基于不同變量篩選出19個(gè)高光譜特征參數(shù)，結(jié)合不同傳統(tǒng)遙感技術(shù)數(shù)據(jù)預(yù)處理方法，構(gòu)建春玉米氮營(yíng)養(yǎng)指數(shù)反演模型，模型精度(建模數(shù)據(jù)集、預(yù)測(cè)數(shù)據(jù)集)如表2所示。由表2可知，不同數(shù)據(jù)預(yù)處理方法下，采用偏最小二乘回歸分析方法構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型精度相差較大。其中建模數(shù)據(jù)集均表現(xiàn)出較好的擬合效果，經(jīng)過預(yù)測(cè)數(shù)據(jù)集驗(yàn)證后，除使用去趨勢(shì)算法預(yù)處理外，其他方法擬合效果均表現(xiàn)穩(wěn)定，差異較小。建模數(shù)據(jù)集中基于基線校正預(yù)處理方法結(jié)合偏最小二乘回歸分析(baseline correction-partical least-squares regression,BC-PLSR)構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型，擬合效果最好，R2=0.85，且驗(yàn)證數(shù)據(jù)集驗(yàn)證后，評(píng)估效果達(dá)到最高，R2，RMSE，RE分別為0.79，0.10,11.84%(圖4)。

圖4 基于BC-PLSR回歸模型反演春玉米氮營(yíng)養(yǎng)精度Fig.4 Accuracy of BC-PLSR model between observed and predicted NNI of spring

表2 基于高光譜特征參數(shù)與氮營(yíng)養(yǎng)指數(shù)的偏最小二乘回歸分析的模型精度Tab.2 Model accuracy of partial least squares regression models between the hyperspectral characteristic parameters and NNI of spring maize

3.2 基于BP神經(jīng)網(wǎng)絡(luò)回歸分析的春玉米氮營(yíng) 養(yǎng)指數(shù)反演研究

采用BP神經(jīng)網(wǎng)絡(luò)回歸分析方法，基于不同變量篩選出19個(gè)高光譜特征參數(shù)，結(jié)合不同傳統(tǒng)遙感技術(shù)數(shù)據(jù)預(yù)處理方法，構(gòu)建春玉米氮營(yíng)養(yǎng)指數(shù)反演模型,模型精度(建模數(shù)據(jù)集、預(yù)測(cè)數(shù)據(jù)集)如表3所示。由表3可知，在不同數(shù)據(jù)預(yù)處理方法下，采用BP神經(jīng)網(wǎng)絡(luò)回歸分析方法構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型精度相差較大。其中建模數(shù)據(jù)集均表現(xiàn)出較好的擬合效果，經(jīng)過預(yù)測(cè)數(shù)據(jù)集驗(yàn)證后，除未經(jīng)預(yù)處理方法外，其他方法擬合效果均表現(xiàn)穩(wěn)定，差異較小。建模數(shù)據(jù)集中基于多元散射校正預(yù)處理方法結(jié)合BP神經(jīng)網(wǎng)絡(luò)回歸分析(multiple scatter correction-back-propagation,MSC-BPANN)構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型擬合效果最好，R2=0.91，且驗(yàn)證數(shù)據(jù)集驗(yàn)證后，驗(yàn)證評(píng)估效果達(dá)到最高，R2，RMSE,RE分別為0.80，0.10，12.21%(圖5)。

表3 基于高光譜特征參數(shù)與氮營(yíng)養(yǎng)指數(shù)的BP神經(jīng)網(wǎng)絡(luò)回歸模型精度Tab.3 Accuracy of BPANN regression model between the hyperspectraI characteristic parameters and NNI of spring maize

圖5 基于MSC-BPANN回歸模型反演春玉米氮營(yíng)養(yǎng)精度Fig.5 Accuracy of MSC-BPANN regression model between observed and predicted NNI of spring corn

3.3 基于隨機(jī)森林回歸分析的春玉米氮營(yíng)養(yǎng)指數(shù)反演研究

采用隨機(jī)森林回歸分析方法，基于不同變量篩選出19個(gè)高光譜特征參數(shù)，與不同傳統(tǒng)遙感技術(shù)數(shù)據(jù)預(yù)處理方法相結(jié)合，構(gòu)建春玉米氮營(yíng)養(yǎng)指數(shù)反演模型,模型精度(建模數(shù)據(jù)集、預(yù)測(cè)數(shù)據(jù)集)如表4所示。由表4可知，在不同數(shù)據(jù)預(yù)處理方法下，采用RF隨機(jī)森林回歸分析方法構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型精度均表現(xiàn)穩(wěn)定，差異較小。建模數(shù)據(jù)集與預(yù)測(cè)數(shù)據(jù)集均表現(xiàn)出較好的擬合效果，相差較小。其中建模數(shù)據(jù)集中基于多元散射校正預(yù)處理方法結(jié)合RF隨機(jī)森林回歸分析(multiple scatter correction-random forest,MSC-RF)構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型擬合效果最好，R2=0.97，且驗(yàn)證數(shù)據(jù)集后，評(píng)估效果達(dá)到最高，R2，RMSE，RE分別為0.84，0.09，10.51%(圖6)。

圖6 基于MSC-RF回歸模型反演春玉米氮營(yíng)養(yǎng)精度Fig.6 Accuracy of MSC-RF regression modeI between observed and predicted NNl of spring maize

表4 基于高光譜特征參數(shù)與氮營(yíng)養(yǎng)指數(shù)的RF隨機(jī)森林回歸模型精度分析Tab.4 Accuracy of random forest regression model between the Hyperspectral characteristic parameters and NNI of spring maize

綜合對(duì)比6種光譜預(yù)處理方法和3種建模方法，在春玉米拔節(jié)時(shí)期追肥前，運(yùn)用表現(xiàn)最好的反演模型，即MSC預(yù)處理結(jié)合RF隨機(jī)森林算法構(gòu)建的模型對(duì)試驗(yàn)田進(jìn)行無人機(jī)遙感反演(圖7)。隨著氮肥施用量不斷增加，春玉米的氮營(yíng)養(yǎng)狀態(tài)呈現(xiàn)出“不足→適宜→過量”的階梯變化趨勢(shì)。由于無人機(jī)高光譜影像空間分辨率較高，因此能清楚觀測(cè)小區(qū)田塊內(nèi)的春玉米氮素變異，隨著施氮量增加氮營(yíng)養(yǎng)變異減小，有利于小區(qū)田塊的精準(zhǔn)氮素調(diào)控。

圖7 MSC結(jié)合RF隨機(jī)森林反演氮營(yíng)養(yǎng)指數(shù)Fig.7 Result of validation NNI by using MSC-RF model

4 討 論

對(duì)比5種常用算法，對(duì)獲取的春玉米冠層原始高光譜遙感數(shù)據(jù)進(jìn)行預(yù)處理，其差異表現(xiàn)較為明顯?；诨€校正法、去趨勢(shì)算法、多元散射校正法、標(biāo)準(zhǔn)正態(tài)變換法的4種預(yù)處理結(jié)果相差較??；基于卷積平滑濾波法的預(yù)處理結(jié)果和未經(jīng)處理的高光譜原始數(shù)據(jù)相關(guān)性軌跡趨于一致，差異較小。其中基于多元散射校正法和標(biāo)準(zhǔn)正態(tài)變換法的預(yù)處理效果較好，在450～520 nm的可見光波段和760～950 nm的近紅外波段內(nèi)呈極顯著正相關(guān)關(guān)系。在550～750 nm波段內(nèi)，對(duì)比5種預(yù)處理方法，其變化趨勢(shì)較大。對(duì)比6種高光譜遙感數(shù)據(jù)預(yù)處理方法應(yīng)用結(jié)果，使用多元散射校正法進(jìn)行數(shù)據(jù)預(yù)處理效果最好。

對(duì)比3種建模方法的應(yīng)用結(jié)果，RF隨機(jī)森林算法最佳。綜合3種回歸分析方法與春玉米氮營(yíng)養(yǎng)指數(shù)構(gòu)建反演模型，使用隨機(jī)森林算法構(gòu)建的反演模型精度最大值比BP神經(jīng)網(wǎng)絡(luò)模型精度最大值提高了6.59%，比偏最小二乘回歸模型精度最大值提高了18.29%。其中，基于多元散射校正預(yù)處理方法結(jié)合RF隨機(jī)森林回歸分析所構(gòu)建的春玉米氮營(yíng)養(yǎng)指數(shù)反演模型擬合效果最好，R2=0.97，且驗(yàn)證數(shù)據(jù)集后，驗(yàn)證評(píng)估效果達(dá)到最高，R2，RMSE和RE分別為0.84，0.09和10.51%。隨機(jī)森林回歸分析相較于偏最小二乘回歸分析提升較明顯，相較于BP神經(jīng)網(wǎng)絡(luò)回歸分析略有提升，但隨機(jī)森林算法訓(xùn)練速度快、效率高，當(dāng)診斷大面積多樣本春玉米氮營(yíng)養(yǎng)狀況時(shí)，隨機(jī)森林算法優(yōu)勢(shì)更明顯，在實(shí)際應(yīng)用中具有實(shí)時(shí)、高效等優(yōu)勢(shì)，能夠在理論、技術(shù)等領(lǐng)域?yàn)槲磥砭珳?zhǔn)農(nóng)業(yè)的進(jìn)一步發(fā)展提供更優(yōu)質(zhì)的服務(wù)。

5 結(jié) 論

對(duì)比5種高光譜遙感數(shù)據(jù)預(yù)處理方法的應(yīng)用結(jié)果，使用多元散射校正法進(jìn)行數(shù)據(jù)預(yù)處理效果最好。綜合3種模型，平均值建模數(shù)據(jù)集精度：RF隨機(jī)森林回歸模型(R2=0.96)>BP神經(jīng)網(wǎng)絡(luò)回歸模型(R2=0.87)>偏最小二乘回歸模型(R2=0.79)；平均值預(yù)測(cè)數(shù)據(jù)集精度：RF隨機(jī)森林回歸模型(R2=0.82)>BP神經(jīng)網(wǎng)絡(luò)回歸模型(R2=0.70)>偏最小二乘回歸模型(R2=0.68)。其中基于多元散射校正法預(yù)處理數(shù)據(jù)構(gòu)建的隨機(jī)森林回歸模型的反演效果最好，精度最高，模型最穩(wěn)定，R2=0.97，建模數(shù)據(jù)集與預(yù)測(cè)數(shù)據(jù)集均表現(xiàn)出較好的擬合效果，相差較小，評(píng)估效果達(dá)到最高，R2，RMSE，RE分別為0.84，0.09，10.51%。

本文驗(yàn)證了氮營(yíng)養(yǎng)指數(shù)農(nóng)學(xué)指標(biāo)診斷春玉米氮素營(yíng)養(yǎng)狀況的適用性，對(duì)比了多種預(yù)處理與回歸模型反演春玉米氮營(yíng)養(yǎng)指數(shù)的優(yōu)勢(shì)。通過建立春玉米氮營(yíng)養(yǎng)指數(shù)高光譜估算模型，揭示春玉米生長(zhǎng)過程中氮營(yíng)養(yǎng)指數(shù)與高光譜特征參數(shù)之間的動(dòng)態(tài)關(guān)系及規(guī)律，有利于在春玉米關(guān)鍵生育時(shí)期對(duì)其氮營(yíng)養(yǎng)狀況進(jìn)行快速判定和診斷評(píng)價(jià)，為進(jìn)一步合理調(diào)控春玉米各時(shí)期的氮肥施用量提供理論依據(jù)和技術(shù)支撐。