基于赤池信息准则的冬小麦植株氮含量高光谱估算.pdf

第 32 卷 第 23 期 农 业 工 程 学 报 Vol.32 No.23 2016 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2016 161 基于赤池信息准则的冬小麦植株氮含量高光谱估算 杨福芹 1,2,3，戴华阳2，冯海宽1，杨贵军1，李振海1，陈召霞1 (1. 北京农业信息技术研究中心，北京 100097；2. 中国矿业大学（北京）地球科学与测绘工程学院，北京 100083； 3. 河南工程学院土木工程学院，郑州 451191) 摘 要：为了快速、准确地测定冬小麦植株氮含量，利用 20142015 年的冬小麦冠层反射光谱数据构建了 16 种氮素或叶 绿素敏感光谱指数，基于变量投影重要性（variable importance projection，VIP）-偏最小二乘（partial least squares，PLS） -赤池信息准则 （Akaikes information criterion， AIC） 整合模型构建了不同生育期植株氮含量最佳回归模型， 并用 20122013 年挑旗期数据对模型进行了验证。结果表明：在 AIC 下，拔节期以 4 个植被指数为自变量的模型最优；挑旗期以 5 个植 被指数为自变量的模型最优；开花期以 4 个植被指数为自变量的模型最优；灌浆期以 6 个植被指数为自变量的模型最优。 4 个生育期建模的决定系数（R2）和均方根误差（RMSE）分别为 0.71、0.86、0.75、0.46 和 0.23%、0.13%、0.12%、0.15%， 以挑旗期决定系数为最大。 挑旗期验证集的 R2和 RMSE 分别为 0.81 和 0.41%， 预测模型和验证模型均具有较高的估算精 度和可靠性，研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。 关键词：模型；氮；光谱分析；冬小麦；植株氮含量；赤池信息量准则；变量投影重要性；偏最小二乘法 doi：10.11975/j.issn.1002-6819.2016.23.022 中图分类号：S25 文献标志码：A 文章编号：1002-6819(2016)-23-0161-07 杨福芹，戴华阳，冯海宽，杨贵军，李振海，陈召霞. 基于赤池信息准则的冬小麦植株氮含量高光谱估算J. 农业工程 学报，2016，32(23)：161167. doi：10.11975/j.issn.1002-6819.2016.23.022 Yang Fuqin, Dai Huayang, Feng Haikuan, Yang Guijun, Li Zhenhai, Chen Zhaoxia. Hyperspectral estimation of plant nitrogen content based on Akaikes information criterionJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 161167. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.23.022 0 引 言 氮是作物生长发育中的“生命元素” ，快速、准确测 定氮素有利于氮素的实时管理，为作物高产优质提供保 证1-2。利用光谱反射率及光谱指数进行作物氮素估测一 直是农业遥感研究的重要内容，国内外学者对此进行了 大量研究3-5。秦晓东等6研究了小麦不同品种、不同生 育期、不同叶位叶片氮含量的分布情况，表明植株氮含 量（plant nitrogen content，PNC）随施氮水平的增加而增 加，随生育期的推进而降低。尚艳等7分析了不同生育期 及整个生育期叶片氮含量与冠层反射光谱的关系，结果 表明植被指数 RVI(970,690)为监测小麦叶片氮含量的最佳光 谱参数。Martin Ecarnot 等8采用留一交叉验证标准误差 作为评判最佳植被指数个数的指标，利用偏最小二乘方 法建立了小麦干、鲜叶片氮含量的估算模型。Chen 等9 收稿日期：2016-06-04 修订日期：2016-10-17 基金项目：国家自然科学基金（41601346，41471285，41301475） ；北京市 自然科学基金项目（4141001） ；北京市农林科学院科技创新能力建设项目 （KJCX20140417） ； 地理空间信息工程国家测绘地理信息局重点实验室经费 资助项目（201417） 作者简介：杨福芹，女，河南安阳人，博士，讲师，主要从事农业定量遥感 研究。北京 北京农业信息技术研究中心，100097。 Email：yangfuqin0202 通信作者：冯海宽，男，河南周口人，助理研究员，主要从事农业遥感应 用研究。北京 北京农业信息技术研究中心，100097。 Email：fenghaikuan123 提出了双峰植株植被指数（double-peak canopy nitrogen index，DCNI）来反演作物的植株氮含量，结果表明与已 有的反演植被氮含量的指数相比， 基于 DCNI 的氮含量模 型的反演精度更高。梁亮等10提出了微分归一化氮指数 （first derivative normalized difference nitrogen index， FD-NDNI） 用于估测小麦植株氮含量， 结果表明 FD-NDNI 估测植株氮含量其校正集和预测集的 R2分别为 0.82 和 0.81。He 等11构建了一个新的角度不敏感植被指数 （angular insensitivity vegetation index，AIVI）以提高叶 片氮含量（leaf nitrogen content，LNC）的预测精度和角 度稳定性， 结果表明该植被指数可以更有效地检查 LNC， 监测模型更稳定以及不依赖于角度。杨宝华等12提出利 用竞争性自适应重加权算法与相关系数法相结合进行敏 感波段选择，采用径向基神经网络建立了冠层叶片氮含 量估算模型，金顺发等13结果表明将赤池信息准则 （Akaikes information criterion，AIC）用于选择最佳作物 产量是一种非常实用的方法。目前关于作物氮含量14-17 估算的研究较多，但是多数研究没有考虑植被指数与作 物氮含量之间所建立的模型是否最优。本文首先引入变 量投影重要性（variable importance for projection，VIP） 在不同生育期对所选取的植被指数进行重要性排序，然 后根据重要性大小选择不同的植被指数个数作为输入因 子，利用偏最小二乘（partial least squares，PLS）算法以 VIP 排列大小为基点通过依次增加自变量个数来建立不 同生育期不同的植株氮含量估算模型，拟用赤池信息准 农业工程学报（） 2016 年 162 则（AIC）对冬小麦植株氮含量估算模型进行不同生育期 优化筛选，筛选不同生育期植株氮含量最优估算模型， 并确定预测氮素状况的最佳生育期，以期为小麦植株氮 含量的高光谱遥感估算提供一种新的方法。 1 材料与方法 1.1 试验设计 试验于不同年份在国家精准农业研究示范基地进 行。基地位于北京市昌平区小汤山镇东北部，4000E 4021N，11634E11700E，海拔高度 36 m。播前前 茬作物为玉米，土壤类型为潮土。 试验一： 20122013 年试验设计为 4 个品种和 4 个氮 素水平，完全随机设计。4 个品种分别为农大 211、中麦 175、京 9843、中优 206，4 个氮素水平分别为未施尿素 （0，N1） 、225 kg/hm2尿素（1/2 正常，N2） 、450 kg/hm2 尿素（正常，N3） 、900 kg/hm2尿素（2 倍正常，N4） ， 分基肥和追肥各 1/2 施用。重复 2 个，种植 32 个小区， 每区 10 m9 m。光谱测定和采样日期为 2013 年 5 月 9 日（挑旗期） 。 试验二：20142015 年试验设计为 2 个品种、4 个氮 素水平和 3 个水分水平。2 个品种分别为京 9843 和中麦 175；4 个氮素水平分别为未施尿素（0，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 个水分水平分别为雨养 （W1） 、正常水（W2） 、2 倍正常水（W3） ；处理 16 个， 重复 3 个；小区数目 48 个，小区面积 6 m8 m。光谱测 定和采样日期分别为 2015 年 4 月 13 日（拔节期） 、4 月 26 日（挑旗期） 、5 月 14 日（开花期）和 5 月 25 日（灌 浆期） 。 1.2 数据获取 1.2.1 冠层光谱测定 采用 ASD FieldSpec FR2500 型地物光谱仪（美国 Analytical Spectral Device 公司）在北京时间 10:0014:00 晴朗无风时采集冬小麦光谱。地物光谱仪波段范围 350 2 500 nm， 间隔1 nm， 其中在3501 000 nm 范围内采样间 隔为1.4 nm，在1 0002 500 nm 范围内采样间隔为2 nm。 观测时探头垂直向下，高度始终离地面 1.3 m，探头视场 角 25，每个小区测定 20 条光谱曲线，最后取平均值作为 该样点的光谱反射值， 光谱测量前后立即进行参考板校正。 1.2.2 植株氮含量测定 在每个小区冠层光谱测定的同时，在光谱测定区域 破坏性选取具有代表性的 20 株小麦，器官分离后分别置 于纸袋中，放入烘箱 105 杀青 30 min，然后在 80 烘干 48 h 以上，直至恒质量，最后将烘干后的作物各器 官进行称量，然后各器官植株样品分别粉碎，采用凯式 定氮仪（Buchi B-339，瑞典 FOSS 公司）对作物各器官 进行氮质量分数（N，%）测定。叶氮累积量=叶氮含量 叶生物量；茎氮累积量=茎氮含量茎生物量；穗氮累积 量=穗氮含量穗生物量；植株氮累积量=叶氮累积量+茎 氮累积量+穗氮累积量；植株氮含量=植株氮累积量/（叶 生物量+茎生物量+穗生物量） 。 1.3 模型与方法 1.3.1 变量投影重要性 变量投影重要性 （VIP） 18是基于 PLS 的一种变量筛 选方法，是描述自变量对因变量的解释能力，并根据解 释能力对自变量进行排序。其公式为 22 j 21 1 VIP( ,) ( ,) m hhj m h h h k ry cw ry c （1） 式中 k 为植被指数个数； m 为从原植被指数变量中提取的 成分个数； h c为相关植被指数自变量提取的主成分； ( ,) h r y c为冬小麦 PNC 因变量和主成分的相关系数， 表示 主成分对 y（冬小麦 PNC）的解释能力； hj w为植被指数 自变量在主成分上的权重。VIPj值越大，表示植被指数 对 PNC 的解释能力越强，反之亦然。 1.3.2 偏最小二乘法 偏最小二乘法是一种多元统计数据分析方法，主要研 究多因变量或单因变量对多自变量的回归建模，它最简单 的形式是因变量Y与自变量X之间的线性模型， 表达式为： 01122nn Yaa Xa Xa X （2） 式中 a0为回归系数的截距；ai为回归系数；Xi为独立变 量 1n。 1.3.3 赤池信息准则 赤池信息准则19是衡量统计模型拟合优良性的一种 标准，可以衡量所估计模型的复杂度和此模型拟合数据 的优良性。AIC 可表示为 AIC2ln() 2() 模型的极大似然函数 独参模的立数个数型 对于线性回归模型，AIC 公式为 2 AICnln2(1) p SK （3） 式中 n 为样本数量； 2 p S为剩余均方； K 为模型中变量个数。 1.4 植被指数选取 根据前人研究结果及植株氮含量与植被指数之间的显 著关系， 选取了16 个与植株氮含量相关的植被指数 （表1） 。 1.5 精度验证 选取决定系数（R2） 、均方根误差（RMSE）作为评 价建模与验证精度高底的指标。R2表示模拟值与实测值 的拟合程度，R2越接近于 1，表明该拟合曲线精度越高； RMSE 反映了模拟值与实测值的偏离程度，其值越小， 模型精度越高。其计算公式分别为 2 2 22 22 ()() xy xy q R xy xy qq （4） 2 1 () RMSE ii q i yy q （5） 式中 x 为植被指数；y 为作物 PNC 实测值，%；y为作物 PNC 预测值，%；q 为样本个数。 第 23 期 杨福芹等：基于赤池信息准则的冬小麦植株氮含量高光谱估算 163 表 1 与植株氮含量相关的植被指数 Table 1 Vegetation index related to plant nitrogen content 光谱指数 Spectral indices 公式或定义 Formula or Definitions 参考文献 references 比值植被指数 Simple ratio (533,565) SR (533,565)533565 SR/RR 20 光化学植被指数 Photochemical reflectance index(PRI) 570531 570531 () PRI () RR RR 21 整合指数 MCARI/MTVI2 MCARI/MTVI2 22 红边位置指数 REP内插 670780700 740700 REP 70040 ) / 2RRR RR （ 23 红边位置指数 REPGAUSS 2 0 0 2 ( ) )exp 2 ss R RRR () （ 24 归一化色素叶绿素指数 Normalized pigment chlorophyll index(NPCI) 680430 680430 () NPCI () RR RR 25 归一化叶绿素比值指数 Normalized phaeophytinization index(NPQI) 415435 415435 () NPQI () RR RR 26 简单比色素指数 Simple ratio pigment index(SRPI) 430680 SRPI/RR 20 归一化色素差值指数 Pigment-specific normalized difference(PSNDc) 800470 800470 () PSNDc () RR RR 27 植被色素比率 Plant pigment ratio(PPR) 550450 550450 () PPR () RR RR 28 结构不敏感色素指数 Structure insensitive pigment index(SIPI) 800445 800680 () SIPI () RR RR 29 双峰冠层植被指数 Double-peak canopy nitrogen index(DCNI) 720700 700670720670 DCNI () () (0.03) RR RRRR 30 改善角度植被指数 Modified chlorophyll absorption in reflectance index(MCARI) 700670 700550700670 MCARI( 0.2() (/) RR RRRR 31 转换叶绿素 吸收植被指数 Transformed chlorophyll absorption in reflectance index(TCARI) 700670 700550700670 TCARI3() 0.2() (/) RR RRRR 32 红边宽度 Red_Width 吸收谷深度一半处的宽度 33 红边面积 Red_Area 680760 nm之间的光谱一阶微分 值包围的面积 33 注：Rx为波长 x nm处的反射率，Rs为近红外区域肩反射（最大）值；R0为 红光区域叶绿素强吸收最小反射率值；0为 R0处对应的波长； 为 R（） 处对应的波长； 为高斯函数标准差系数。 Note: Rx is band x nm reflectance, Rs is maximum value of near infrared reflectance, R0 is the minimum reflectance value of chlorophyll strong absorption in red region, 0 is wavelength of R0, is wavelength of R （）, is gauss function standard deviation coefficient. 2 结果与分析 2.1 植被指数与植株氮含量的 VIP 分析 利用 20142015 年在国家精准农业研究示范基地获 取的冬小麦各个生育期的高光谱反射率数据构建的表 1 中的 16 种植被指数，将构建的高光谱植被指数与实测的 冬小麦植株氮含量进行 VIP 分析，植被指数对各个生育 期小麦植株氮含量的 VIP 解释能力见表 2-5。拔节期，对 植株氮含量的 VIP 解释能力最大的光谱指数是 PPR， 其 VIP 值是 3.475 0， 最小是 SR(533,565)， 其 VIP 值是 0.707 8； 挑旗期，VIP 解释能力最大的光谱指数是 PPR，其 VIP 值是 1.907 4，最小是 TCARI，其 VIP 值是 0.726 4；开花 期，VIP 解释能力最大的光谱指数是 PPR，其 VIP 值是 2.045 7，最小是 SIPI，其 VIP 值是 0.786 7；灌浆期，VIP 解释能力最大的光谱指数是 TCARI， 其 VIP 值是 1.680 6， 最小是 NPCI，其 VIP 值是 0.839 0。 表 2 小麦拔节期光谱指数与 PNC 的 VIP 顺序 Table 2 VIP order between winter wheat spectral index and PNC in jointing state (n=48) 评估指数 Evaluation index VIP值 VIP value 排序 Ordering 评估指数 Evaluation index VIP值 VIP value 排序 Ordering PPR 3.475 01 TCARI 0.987 69 Red_Width 1.703 92 PSNDc 0.977 610 SRPI 1.376 23 MCARI 0.856 011 NPCI 1.298 44 DCNI 0.809 912 NPQI 1.264 05 REPGAUSS 0.781 213 SIPI 1.081 96 REP 0.774 514 Red_Area 1.037 97 PRI 0.723 215 MCARI/MTVI21.019 58 SR(533,565) 0.707 816 表 3 小麦挑旗期光谱指数与 PNC 的 VIP 顺序 Table 3 VIP order between winter wheat spectral index and PNC in booting state (n=48) 评估指数 Evaluation index VIP值 VIP value 排序 Ordering 评估指数 Evaluation index VIP值 VIP value 排序 Ordering PPR 1.907 41 REPGAUSS 0.998 49 SRPI 1.184 02 REP 0.994 310 NPCI 1.172 33 Red_Area 0.986 411 NPQI 1.164 34 PSNDc 0.984 412 MCARI/MTVI21.141 85 Red_Width 0.949 613 SR(533,565) 1.047 16 DCNI 0.854 414 PRI 1.014 77 MCARI 0.780 415 SIPI 1.005 08 TCARI 0.726 416 表 4 小麦开花期光谱指数与 PNC 的 VIP 顺序 Table 4 VIP order between winter wheat spectral index and PNC in anthesis state (n=48) 评估指数 Evaluation index VIP值 VIP value 排序 Ordering 评估指数 Evaluation index VIP值 VIP value 排序 Ordering PPR 2.045 71 SR(533,565) 0.895 19 NPQI 1.543 02 SRPI 0.882 710 MCARI 1.526 93 NPCI 0.880 411 MCARI/MTVI21.491 44 PSNDc 0.875 312 TCARI 1.337 95 Red_Width 0.871 913 DCNI 1.164 56 PRI 0.938 214 REPGAUSS 1.121 07 Red_Area 0.790 915 REP 1.066 78 SIPI 0.786 716 农业工程学报（） 2016 年 164 表 5 小麦灌浆期光谱指数与 PNC 的 VIP 顺序 Table 5 VIP order between winter wheat spectral index and PNC in filling state (n=48) 评估指数 Evaluation index VIP值 VIP value 排序 Ordering 评估指数 Evaluation index VIP值 VIP value 排序 Ordering TCARI 1.680 6 1 REPGAUSS 1.178 1 9 MCARI 1.413 7 2 REP 1.154 7 10 NPQI 1.375 8 3 PSNDc 1.014 0 11 DCNI 1.285 1 4 Red_Width 1.012 4 12 SIPI 1.231 3 5 SR(533,565) 0.994 5 13 MCARI/MTVI2 1.228 3 6 PRI 0.881 4 14 PPR 1.227 4 7 SRPI 0.848 2 15 Red_Area 1.205 1 8 NPCI 0.839 0 16 2.2 PNC 最佳估算模型选取 各个生育期分别根据 VIP 大小顺序，依次增加植被 指数个数作为输入因子对 PNC 进行 PLS 回归分析。 采用 不同植被指数个数为自变量参与 PLS 建模时，AIC 在回 归方程中的值不同，结果见表 6-9。拔节期以 4 个植被指 数为自变量参与 PLS 回归时，AIC 值为125.32，其值最 小，因此拔节期以 4 个植被指数为自变量的回归方程为 最佳模型。此时其 R2和 RMSE 分别为 0.71 和 0.23%。挑 旗期以 5 个植被指数为自变量参与 PLS 回归时，AIC 值 为178.55，其值最小，因此挑旗期以 5 个植被指数为自 变量的回归方程为最佳模型，此时其 R2和 RMSE 分别为 0.86 和 0.13%。 开花期以 4 个植被指数为自变量参与 PLS 回归时，AIC 值为188.93，其值最小，因此开花期选择 4 个植被指数为自变量的回归方程为最佳模型，此时其 R2和 RMSE 分别为 0.75 和 0.12%。灌浆期以 6 个植被指 数作为自变量参与 PLS 回归时，AIC 值为162.37，其值 最小，因此灌浆期以 6 个植被指数为自变量的回归方程 为最佳模型，此时其 R2和 RMSE 分别为 0.46 和 0.15%。 综合比较 4 个生育期（见表 10）的 PNC 模型都达到极显 著相关，但挑旗期估算模型相比其他生育期模型精度更 高，因此，选择挑旗期为利用光谱指数监测冬小麦植株 氮 素 营 养 状 况 的 最 佳 生 育 期 ， 其 最 佳 模 型 为 VPNC=2.865 3 3.396 6VPPR+6.371 3VSRPI+6.876 0VNPCI 12.247 9VNPQI 6.343 2VMCARI/MTVI2， 其 R2为 0.86， RMSE 为 0.13%，AIC 为178.55。 表 6 小麦拔节期 PNC 根据 VIP 排序增加自变量个数建立的 PLS 方程 AIC 比较 Table 6 Comparison of PLS regression equations built by wheat PNC different independent variables according to VIP in jointing stage 植被指数个数 Vegetation index number 回归方程Regression equation 决定 系数 R2 均方根 误差 RMSE/% 赤池信 息准则 AIC 4 VPNC=4.924 015.341 3VPPR+0.171 9VRed_Width+0.401 3VSRPI-5.090 4VNPCI 0.71 0.23 125.32 5 VPNC=2.355 016.566 6VPPR+0.193 2VRed_Width+1.927 3VSRPI2.616 2VNPCI6.705 0VNPQI 0.72 0.23 123.76 6 VPNC=5.080 915.722 4VPPR+0.139 7VRed_Width7.133 3VSRPI17.852 7VNPCI9.374 8VNPQI+6.941 4VSIPI 0.74 0.22 123.79 7 VPNC=8.139 017.554 8VPPR+0.219 7VRed_Width5.094 7VSRPI11.652 7VNPCI-8.444 9VNPQI+4.628 2VSIPI4.710 3VRed_Area 0.74 0.22 121.17 8 VPNC=11.228 421.553 8VPPR+0.168 8VRed_Width1.332 3VSRPI-1.994 7VNPCI11.863 4VNPQI+6.269 7VSIPI10.802 0VRed_Area 0.216 7VMCARI/MTVI2 0.75 0.21 119.80 9 VPNC=7.854 520.209 0VPPR+0.242 7VRed_Width+0.071 2VSRPI5.027 9VNPCI16.563 4VNPQI+2.632 2VSIPI6.517 5VRed_Area 0.017 3VMCARI/MTVI25.462 8VTCARI 0.76 0.21 118.91 10 VPNC=4.751 014.842 1VPPR+0.256 4VRed_Width0.591 5VSRPI-10.494 2VNPCI17.937 4VNPQI+2.182 9VSIPI3.183 7VRed_Area 0.413 7VMCARI/MTVI2-10.232 4VTCARI8.097 2VPSNDc 0.77 0.21 116.55 注：表中 VPNC为植株氮含量，VPPR为PPR指数，VRed_Width为Red_Width指数，VSRPI为SRPI指数，VNPCI为NPCI指数，VNPQI为NPQI指数，VSIPI为SIPI指 数，VRed_Area为Red_Area指数，VMCARI/MTVI2为MCARI/MTVI2指数，VTCARI为TVARI指数，VPSNDc为PSNDc指数，下同。 Note: VPNC is plant nitrogen content, VPPR is PPR index, VRed_Width is Red_Width index, VSRPI is SRPI index, VNPCI is NPCI index, VNPQI is NPQI index, VSIPI is SIPI index, VRed_Area is Red_Area index, VMCARI/MTVI2 is MCARI/MTVI2 index, VTCARI is TVARI index, VPSNDc is PSNDc index, the same below. 表 7 小麦挑旗期 PNC 根据 VIP 排序增加自变量个数建立的 PLS 方程 AIC 比较 Table 7 Comparison of PLS regression equations built by wheat PNC different independent variables according to VIP in booting stage 植被指数个数 Vegetation index number 回归方程Regression equation 决定 系数 R2 均方根 误差 RMSE/% 赤池信 息准则 AIC 4 VPNC=4.256 74.091VPPR0.468VSRPI3.677 4VNPCI3.331 2VNPQI 0.83 0.14 170.68 5 VPNC=2.865 33.396 6VPPR+6.371 3VSRPI+6.876 0VNPCI12.247 9VNPQI6.343 2VMCARI/MTVI2 0.86 0.13 178.55 6 VPNC=2.081 16.056 4VPPR+7.890 4VSRPI+6.876 0VNPCI11.205 5VNPQI8.167 9VMCARI/MTVI22.232 7VSR(533,565) 0.87 0.13 176.22 7 VPNC=1.727 61.434 8VPPR+7.291 1VSRPI+8.722 3VNPCI11.526VNPQI8.044VMCARI/MTVI21.863VSR(533,565)1.374 9VPRI 0.87 0.13 173.07 8 VPNC=9.830 63.603 6VPPR+9.536 2VSRPI+10.159 7VNPCI8.717 9VNPQI10.768 1VMCARI/MTVI21.975 6VSR(533,565)+2.268 9VPRI 14.573 2VSIPI 0.87 0.12 173.23 9 VPNC=9.845 93.850 7VPPR+9.607 2VSRPI+10.199 1VNPCI8.782 2VNPQI10.764 8VMCARI/MTVI22.213 5VSR(533,565)+2.576 2VPRI 14.453 3VSIPI+0.696 2VREPGAUSS 0.87 0.12 169.99 10 VPNC=30.181 63.276 0VPPR+4.166 9VSRPI1.160 1VNPCI8.093 2VNPQI7.926 9VMCARI/MTVI2+7.437 5VSR(533,565)+3.943 1VPRI +21.424 9VSIPI-8.869 4VREPGAUSS+61.933 1VREP 0.91 0.10 182.46 注：VSR(533,565)为SR(533,565)指数，VPRI为PRI指数，VREPGAUSS为REPGAUSS指数，VREP为REP指数。 Note：VSR(533,565) is SR(533,565) index, VPRI is PRI index, VREPGAUSS is REPGAUSS index, VREP is REP index. 第 23 期 杨福芹等：基于赤池信息准则的冬小麦植株氮含量高光谱估算 165 表 8 小麦开花期 PNC 根据 VIP 排序增加自变量个数建立的 PLS 方程 AIC 比较 Table 8 Comparison of PLS regression equations built by wheat PNC different independent variables according to VIP in anthesis stage 植被指数个数 Vegetation index number 回归方程Regression equation 决定 系数 R2 均方根 误差 RMSE/% 赤池信 息准则 AIC 4 VPNC=3.235 82.102 0VPPR+1.933 9VNPQI+5.649 8VMCARI7.338 6VMCARI/MTVI2 0.75 0.12 188.93 5 VPNC=4.101 94.822 5VPPR+0.387 9VNPQI+28.499 0VMCARI4.970 0VMCARI/MTVI219.611 0VTCARI 0.76 0.12 187.43 6 VPNC=3.812 75.395 4VPPR0.681 8VNPQI+18.975 7VMCARI4.287 2VMCARI/MTVI214.882 3VTCARI+0.932 8VDCNI 0.77 0.12 184.89 7 VPNC=2.781 64.494 9VPPR0.770 8VNPQI+20.088 VMCARI3.603 1VMCARI/MTVI226.856 6VTCARI0.365 5VDCNI+0.027 2VREPGAUSS 0.77 0.12 182.13 8 VPNC=3.048 63.744 6VPPR+0.581 8VNPQI+22.828 7VMCARI4.103 7VMCARI/MTVI211.793 5VTCARI+0.232 4VDCNI+ 0.023 5VREPGAUSS 7.442 1VREP 0.77 0.11 179.79 9 VPNC=29.168 33.174 8VPPR+1.424 4VNPQI+26.062 2VMCARI6.714 9VMCARI/MTVI210.596 6VTCARI0.184 7VDCNI+ 0.031 6VREPGAUSS 6.383 5VREP0.036 4VSR(533,565) 0.77 0.11 176.71 10 VPNC=34.168 33.795 1VPPR+0.364 3VNPQI+21.019 6VMCARI5.321 1VMCARI/MTVI28.618 8VTCARI0.716 4VDCNI+ 0.027 2VREPGAUSS +45.225 7VREP0.009VSR(533,565)25.344 8VSRPI 0.78 0.11 175.67 注：VDCNI为DCNI指数。 Note: VDCNI isDCNI index。 表 9 小麦灌浆期 PNC 根据 VIP 排序增加自变量个数建立的 PLS 方程 AIC 比较 Table 9 Comparison of PLS regression equations built by wheat PNC different independent variables according to VIP in filling stage 植被指数个数 Vegetation index number 回归方程Regression equation 决定 系数 R2 均方根 误差 RMSE/% 赤池信 息准则 AIC 4 VPNC=0.141 8+7.881 5VTCARI6.134 1VMCARI+2.908 4VNPQI+0.040 3VDCNI 0.32 0.16 157.77 5 VPNC=2.701 01.137 7VTCARI3.440 8VMCARI+5.7923VNPQI-0.019 4VDCNI1.035 2VSIPI 0.39 0.16 159.60 6 VPNC=0.891 5+10.422 1VTCARI5.701 9VMCARI+4.451 9VNPQI-0.014 9VDCNI+0.424 8VSIPI4.533 2VMCARI/MTVI2 0.46 0.15 162.37 7 VPNC=1.426 7+13.473 0VTCARI11.844 7VMCARI+6.996 5VNPQI0.014 7VDCNI+0.780 1VSIPI5.351 2VMCARI/MTVI2+ 3.746 3VPPR 0.48 0.15 160.27 8 VPNC=1.076 6+4.825 2VTCARI19.453 1VMCARI+6.464 7VNPQI0.071 7VDCNI0.416 3VSIPI1.554 9VMCARI/MTVI2+ 2.695 8VPPR+3.386 9VRed_Area 0.52 0.14 161.63 9 VPNC=3.901 225.438 6VTCARI0.420 5VMCARI+6.114 8VNPQI0.073 0VDCNI2.575 6VSIPI+2.311 3VMCARI/MTVI2+ 1.257 4VPPR+4.570 3VRed_Area+0.214 5VREPGAUSS 0.53 0.14 159.34 10 VPNC=146.285 726.179VTCARI8.072 0VMCARI+9.895 7VNPQI0.074 3VDCNI3.507 6VSIPI+15.904 3VMCARI/MTVI2 1.619 3VPPR+3.354 6VRed_Area+0.299 9VREPGAUSS+0.210 3VREP 0.59 0.13 162.29 表 10 不同生育期植株氮含量的最优估算 Table 10 Optimal estimation of plant nitrogen content in plants at different growth stages 生育期 Growth period 自变量个数 Number of independent variables 决定系数 R2 均方根误差 RMSE/% 拔节期 4 0.71 0.23 挑旗期 5 0.86 0.13 开花期 4 0.75 0.12 灌浆期 6 0.46 0.15 2.3 植株氮含量最佳估算模型验证 为了验证筛选的 VIP-PLS-AIC 最佳估算模型预测冬 小麦植株氮含量的精度，利用 20122013 年冬小麦挑旗 期数据对 VIP-PLS-AIC 的最佳估算模型进行验证。验证 结果见图 1。从图 1 可以看出，验证结果达到了极显著相 关，其 R2和 RMSE 分别为 0.81 和 0.41%，其验证精度较 高，拟合效果较好。植株氮含量预测值和实测值的散点 图具有较高的一致性，说明用 VIP -PLS-AIC 整合模型进 行冬小麦植株氮含量估算具有较高精度和较好的可靠性。 图 1 基于 VIP-PLS-AIC 的冬小麦 PNC 实测值与预测值验证 Fig.1 Validation of predicted and measured winter wheat PNC based on VIP -PLS-AIC 3 结 论 1）利用投影变量重要性（VIP）评价了不同生育期 植被指数与植株氮含量（PNC）之间的重要性：拔节期， VIP 值最大的植被指数是植被色素比率（PPR） ，最小的 是比值植被指数 SR(533,565)； 挑旗期， VIP 最大的植被指数 是 PPR，最小的是转换叶绿素吸收植被指数（TCARI） ； 开花期， VIP 最大的植被指数是 PPR， 最小的是结构不敏 农业工程学报（） 2016 年 166 感色素指数（SIPI） ；灌浆期，VIP 最大的植被指数是 TCARI，最小的是归一化色素叶绿素指数（NPCI） 。 2）依据 VIP 顺序，依次增加植被指数个数为输入因 子进行偏最小二乘法（PLS）回归，建立了不同生育期、 不同自变量的 PNC 回归模型，在 AIC 下，择优筛选了各 个生育期 PNC 最优估算模型，分别建立了拔节期 4 个、 挑旗期 5 个、开花期 4 个和灌浆期 6 个植被指数的 PNC 最优估算模型。 3） 拔节期、 挑旗期、 开花期和灌浆期 4 个生育期 PNC 最优估算模型的 R2和 RMSE 分别为 0.71、0.86、0.75、 0.46 和 0.23%、 0.13%、 0.12%、 0.15%， 以挑旗期 R2最大， 表明挑旗期是利用高光谱遥感监测冬小麦植株氮素营养 的最佳生育期；挑旗期验证集的 R2和 RMSE 分别为 0.81 和 0.41%，建模集和验证集表明 AIC 具有自动选择最优 模型的功能， 将 VIP-PLS-AIC 作为冬小麦 PNC 最优估测 模型，不仅建模精度高，而且适用于不同年份、不同生 育期的冬小麦 PNC 探测研究， 是估算冬小麦 PNC 的优选 模型。 参 考 文 献 1 王纪华，赵春江，黄文江，等. 农业定量遥感M. 北京： 科学出版社，2008. 2 Pinter Jr P J, Hatfield J L, Schepers J S, et al. Remote sensing for crop managementJ. Photogrammetric Engineering 2. College of Geoscience and Surveying Engineering, China University of Mining 3. College of Civil Engineering, Henan Institute of En