水稻氮磷钾的高光谱遥感诊断

1、毕业论文 题 目水稻氮磷钾的高光谱遥感诊断 学生姓名 孙伟 学 号 20081335006 院 系 遥感学院专 业 遥感科学与技术指导教师 林芬芳二一二 年 六 月 六 日目 录1绪论1 1.1研究目的与研究意义1 1.2国内外研究现状2 1.2.1水稻氮元素的高光谱诊断研究进展2 1.2.2水稻磷元素的高光谱诊断研究进展2 1.2.3水稻钾元素的高光谱诊断研究进展32材料与方法3 2.1试验设计4 2.1.1水稻氮试验设计4 2.1.2水稻磷试验设计4 2.1.3水稻钾试验设计4 2.2数据采集4 2.2.1水稻氮磷钾高光谱数据测定4 2.2.2水稻氮磷钾含量测定5 2.3光谱数据预处理5

2、2.4研究方法5 2.4.1红边参数5 2.4.2间隔偏最小二乘法5 2.4.3BP人工神经网络5 2.5精度验证63结果与讨论7 3.1水稻氮磷钾含量的基本统计7 3.2水稻叶片光谱反射率叶片氮磷钾含量的相关关系7 3.2.1水稻叶片光谱反射率叶片氮含量的相关关系7 3.2.2水稻叶片光谱反射率叶片磷含量的相关关系8 3.2.3水稻叶片光谱反射率叶片钾含量的相关关系8 3.3水稻氮含量的高光谱预测8 3.3.1利用红边比值参数反演水稻氮素含量9 3.3.2利用PLS对氮含量建立模型结果分析10 3.3.3 BP人工神经网络对氮含量的分析11 3.4水稻磷含量的高光谱诊断11 3.4.1利用红

3、边比值参数反演水稻磷素含量12 3.4.2利用PLS对磷含量建立模型结果分析12 3.4.3 BP人工神经网络对磷含量的分析13 3.5水稻钾含量的高光谱诊断14 3.5.1利用红边比值参数反演水稻钾素含量14 3.5.2利用PLS对钾含量建立模型结果分析15 3.5.3 BP人工神经网络对钾含量的分析164结论17参考文献17致谢18ABSTRACT19水稻氮磷钾的高光谱遥感诊断孙伟南京信息工程大学遥感科学与技术系，南京 210044摘要：水稻营养诊断的传统化学分析方法费时费力，且诊断结果无法及时被应用到生产中。基于植物光谱反射特性的地面高光谱技术具有准确、快捷、自动化程度高、非破坏性等优点

4、，使得水稻养分的快速诊断和长势监测成为可能。本研究以水稻拔节期叶片高光谱数据为数据源，采用红边参数、协同间隔偏最小二乘法和BP人工神经网络等常用高光谱数据处理方法分析比较地面高光谱技术对水稻氮磷钾含量的估测能力。在水稻氮素营养方面，确定敏感波段范围为470-1300nm，基于siPLS和BP人工神经网络的水稻氮含量估测模型精度均高于基于红边参数的估测模型，其相关系数接近或大于0.9，均方根误差RMSE都在0.1到0.2之间；与氮相比，基于三种算法的水稻叶片磷含量估测模型的均方根误差RMSE均很高，接近或超过0.1，相当于水稻磷含量平均值的1/3，因此，水稻磷素营养的高光谱诊断模型还有待进一步的

5、研究；水稻钾素营养的敏感波段范围为658-1112nm，基于siPLS和BP人工神经网络的水稻钾含量估测模型精度均高于基于红边参数的估测模型，其相关系数大于0.9，均方根误差RMSE接近0.08，相当于水稻钾含量平均值的1/14。最后，鉴于水稻数据生育期和品种的不完整性,本研究所得到的结论还有待下一步系统的分析和验证。关键词：水稻，氮，磷，钾，高光谱1绪论1.1 研究目的和研究意义遥感是20世纪60年代发展起来的对地观测综合性技术，随着人类社会进入信息时代，人们越来越多的借助于遥感技术来解决农业生产中的各种问题。近30多年来，遥感技术已日益深入到日常农业生产中，并逐步从单一波段向多光谱、高光谱

6、乃至超光谱方向发展。高光谱遥感技术以其较窄波段区间、波段多、光谱以及空间分辨率高等特点，在农作物长势的营养监测与估产、病虫灾害防治等方面做出了重要的贡献。通过遥感数据建立作物营养元素的高光谱诊断模型，对作物的合理施肥具有重要的指导意义。传统的水稻营养诊断方法主要是基于实验室对作物组织进行化学分析。其中主要有杜马氏法和凯氏定氮法, 该方法从采样到测试需耗费大量的时间、人力和物力,结果不具有时效性1。而高光谱遥感技术具有准确、快捷、方便等特点，且在诊断农作物的营养状况、长势监测以及作物产量评估等方面有着自己独特的优势。1.2 国内外研究现状1.2.1 水稻氮含量的高光谱诊断研究进展氮是水稻营养三要

7、素中的主要营养元素之一，在作物的生长发育中起着举足轻重的作用，是构成植物光合作用中叶绿素的必需组分。早在1972年Thomas等2通过测定甜椒叶片的反射率来估测氮素含量，研究发现甜椒叶的氮素营养水平的敏感波段在550nm和670nm，并利用这两个波段建立了估算氮素含量的模型，其精度约为95%。陈斌3利用反射光谱特性测定茶叶鲜叶的叶绿素含量时，取波长562nm和676nm处归一化值进行二元一次回归，相关系数达0.976，平均相对误差小于5%。Horle等4研究表明，“红边”与植被叶绿素浓度之间的关系显著，说明利用“红边”遥感参量来推算植被叶绿素浓度是可行的。唐延林等5研究表明，水稻叶面积指数（L

8、AI）与比值植被指数(RVI)及归一化植被指数(NDVI)呈显著相关，不同氮素水平的水稻叶片的叶绿素、纤维素含量与光谱变量的相关达到显著水平。这些研究表明，利用“红边”参数等光谱变量来监测作物叶绿素浓度和其他生化组分是切实可行，这些生化组分与氮素的营养状况密不可分，因此可以用此方法来间接评价作物氮素的营养状况。张金恒等6研究表明，诊断水稻氮素营养水平的敏感波段为绿光（525605nm）、黄光（605655nm）和短波近红外（7501100nm）。在李晓松等7的试验中使用PLS方法基于NDVI计算荒漠化地区植被覆盖度并取得了良好的效果，并且发现将一阶导数光谱作为输入的话可以得到更高的精度。不同氮

9、素水平处理的水稻光谱特征，无论是冠层、还是叶片光谱，均存在着明显的差异。通过光谱测定及其变量的运算，可以区分不同氮素水平的水稻。但是不同的测定环境、测定时间、测定部位及先后次序等均会对光谱产生影响8。因此，在利用光谱分析法诊断植物氮素营养水平时与常规方法一样，应就取样部位等作出严格操作规定。通过以上分析得出，氮的敏感波段主要集中在550650以及7501100nm左右，可以采用多元回归、红边参数、PLS等作为估测模型。对于高光谱遥感监测作物氮素研究来说，其研究相对较多，方法以及结论也相对较为一致。1.2.2 水稻磷元素的高光谱诊断研究进展 磷是形成细胞核蛋白等不可缺少的元素。磷元素能加速细胞的

10、分裂，使得植物的根系和地上部分加快生长，促进植物的花芽分化，提高果实品质，因此在作物的生长中起着重要的作用。与氮相比，作物中磷元素的光谱特性的研究较少，结果也不太一致，这是因为只有当作物在严重缺磷时，光谱分析才能用于磷营养诊断。因为植物缺磷时，植物叶片的细胞伸长影响程度超过叶绿素的影响程度，又因为缺磷的植物，体内代谢受阻，有糖分积累，易形成花青素9。基于这两个原因，当植物缺磷时，对叶片光谱分析较为复杂。王磊等10对春玉米磷素营养的研究表明，春玉米大喇叭口期是磷素营养的光谱响应敏感期，350730nm和14201800nm是磷素营养的光谱敏感波段。而可见光波段光谱变量与磷含量的回归关系优于近红外

11、波段的光谱变量与磷含量的回归关系，表明可见光波段叶片光谱反射率可能更适合春玉米磷素营养状况的评价。刘炜等11对冬小麦研究表明，冬小麦叶片原始光谱对叶片磷素含量的敏感波长范围为426435nm和669680nm，其一阶导数光谱的敏感波长范围为481493nm和685696nm。该研究为磷素的监测确定了初步的敏感波段。林芬芳等12利用互信息理论分析了水稻磷素含量的敏感波段，结果表明水稻拔节期叶片磷素估测的敏感波段分别为536，630，1040，551和656nm，且显示BP人工神经网络模型相关系数（R2）为0.9892，说明利用互信息-神经网络模型和高光谱遥感估测田间水稻磷含量是可能的。1.2.3

12、 水稻钾元素的高光谱诊断研究进展钾素对植物的光谱特性的影响介于氮素与磷素之间。和磷素一样，关于钾素的光谱特性的关系研究较少，结果也不太一致。钾素虽然也对作物叶绿素的形成有一定影响，但与氮素相比不起主导作用，因此利用可见光来监测钾素存在一定的困难。但是由于钾的丰缺会影响到作物叶片的结构和叶片的水分状况，因此也必然会影响其近红外、中红外的光谱信息。 杨雪红13对棉花钾素与光谱特征研究表明，原始反射率进行微分处理能提供模型的预测精度，在所有预测模型中，二阶微分模型的预测效果最好，由45个样本所得出的回归方程的相关系数达到-0.5594，达到极显著水平，预测精度达到91.6%，均方根误差为0.279。

13、朱西存等14用光谱分析对苹果花钾素含量的估测研究表明，苹果花光谱反射率的一阶微分与钾素含量相关性最显著，以筛选出的敏感波长669nm和1442nm的一阶微分建立的估测模型具有较好的线性趋势，拟合方程的相关系数为0.6995，均方根误差为2.7。王磊等15对春玉米生育期叶片钾营养水平研究表明，不同生育时期叶片钾含量与其光谱反射率的相关关系在光谱维方向存在明显差别，730930nm和9601100nm两波段为春玉米喇叭口期评价钾营养状况的敏感波段，光谱变量R767+R1057，（R767+R1057）/（logR767+logR1057）和（R767-R1057）/（ logR767-logR10

14、57 ）均能很好的预测喇叭口期叶片钾含量。Agustin Pimstein等16通过在印度和以色列试验田对小麦的冠层光谱和生化参数的研究表明，利用传统的和新开发的植被指数，与偏最小二乘回归模型，分别从小麦冠层光谱数据计算预测钾和磷含量，PLS模型的应用和特定的窄波段的植被指数达到了显著水平。通过以上分析得出，作物钾的营养状况与其光谱特性的研究仍比较少，目前的对于该方面的研究结果也是有比较大的不同。和磷素一样，不同钾营养水平下的光谱反射率内在的农学参数，光谱参数等关系，以及钾素监测的最佳波段与时期仍有待发展与研究15。本研究将通过高光谱数据，采用红边参数、偏最小二乘回归以及BP人工神经网络算法分

15、别对水稻氮磷钾含量进行估测，在对三种算法进行对比分析的基础上，判断高光谱技术对水稻氮磷钾含量预测和诊断的能力。2 材料与方法2.1 试验设计2.1.1 水稻氮试验设计 田间试验地点在浙江省富阳市高桥镇。供试水稻品种为直播稻秀水110，于2007年6月5日播种。试验采用单因素完全随机区组设计，5个氮肥施用水平: 0、60、90、120、150 kg/hm2，分别标记为N0、N1、N2、N3、N4，4个重复。氮肥采用尿素，其中基肥50%，分蘖肥35%，穗肥15%。另外，每个小区施用相同量磷肥(过磷酸钙)225 kg/hm2作基肥，钾肥(氯化钾)按300 kg/hm2标准分2次分别在孕穗期和抽穗期等

16、量均匀施入各试验小区。2.1.2 水稻磷试验设计 水培试验于2007年610月进行。试验采用带孔木盖塑料桶(28个，容积14.0 L)盛装培养液，培养液按国际水稻所1972年配方配置，并加入1 mol.L-1Na2SiO3溶液。设4个磷素水平: 0，2.5，5.0，10 mg·L-1，分别记为P1，P2，P3和P4，设7个重复，每盆5株。移栽后，将试验盆放在阳光充足、温度适宜的网室中，并按一般水稻水培试验要求管理。2.1.3 水稻钾试验设计 水培试验于2007年610月进行。 试验采用带孔木盖塑料桶(28个，容积14.0 L)盛装培养液，培养液按国际水稻所1972年配方配置，并加入1

17、 mol·L - 1Na2 SiO3 溶液。设4个钾素水平: 0，10，20，40 mg·L - 1，分别记为 K1 , K2 ,K3 和 K4 ， 设7个重复，每盆5株。 移栽后，将试验盆放在阳光充足、温度适宜的网室中，并按一般水稻水培试验要求管理。2.2 数据采集2.2.1 水稻氮磷钾高光谱数据测定 光谱数据和水稻样本采集于水稻拔节期。水稻冠层光谱数据采用美国ASD公司生产的FieldSpec光谱仪获得。选择晴朗无风无云天气，北京时间10:3013:00太阳高度角变化量小的时间段进行，探头视场角为25°，光谱范围为3502500 nm。测定时，光谱仪距冠层顶部

18、垂直距离1.0 m，每次采集目标光谱前后都立即进行标准白板校正，每次记录10个采样光谱，以其平均值作为该盆水稻冠层的光谱反射值。2.2.2 水稻氮磷钾含量测定 叶片总氮含量(LNC)：采集的水稻叶片样品,在70烘干、粉碎、称重后采用标准微量开氏定氮法测定。单位%17。叶片全磷含量:先用H2SO4-H2O2消煮，然后用钒钼黄法在紫外可见光光度计450 nm处比色测定。叶片磷含量以干基百分含量表示。单位%17。叶片全钾含量:先用H2SO4-H2O2消煮，然后用原子吸收分光光度计测定。单位%17。2.3 光谱数据预处理 在进行光谱数据分析前，由于光谱仪在不同波段对能量的差异，使得光谱曲线存在着很多噪

19、声，使得光谱曲线不平滑。本文利用平滑窗口为3的移动平均方法对光谱曲线进行平滑处理，从而去除包含在光谱数据中的噪声。 2.4 研究方法2.4.1 红边参数 红边是由于植被在红光波段由于叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射从而形成的强烈的反射所造成的。通过计算光谱反射率在680750nm之间的一阶微分来计算红边参数，利用这些参数建立线性模型。模型参数18包括：红边位置: 当一阶微分值达最大时所对应的波长(red) 。红吸收峰( 红谷) : 红波段的反射率最小点, 本文指 600720 nm 之间反射率最小处的波长值。红边振幅: 当波长 为红边时的一阶微 分值( dred) 。 最小振

20、幅: 波长在 680750 nm 之间的最小一阶微分值(dmin) 。比值: 红边振幅与最小振幅的比值( dred/ dmin) 。2.4.2 间隔偏最小二乘法siPLS 偏最小二乘回归是由 Wold 和 A-lbano 于 1983 年提出,其最大优势是能在自变量存在严重多重相关的条件下有效回归建模, 因此在高光谱领域也日益受到关注。PLS方法已经被证实是从植被冠层光谱数据中提取植物叶面等参数的最有效的经验方法，已经开始较多的应用在对农作物的遥感监测研究当中19。鉴于此，本文利用PLS方法对水稻氮磷钾3种营养元素进行组合模型来验证。PLS 的具体运算流程可以参考相关文献20。 普通PLS是基

21、于全波段的回归方程，每个波段的归一化回归系数表明波段的重要性。PLS算法多种多样，有间隔PLS、后向间隔PLS、移动窗PLS、协同间隔PLS等方法。本文采用协同间隔PLS来建立模型。所谓的siPLS，即将所有波段以相同的宽度分为N个间隔，对这N个间隔进行每两个间隔的光谱数据进行建立模型，算出训练模型的RMSE，并从中选取RMSE最小的模型为最优模型。2.4.3 BP人工神经网络 BP神经网络是一种具有三层或三层以上的神经网络，由输入层、隐含层和输出层构成。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，学习过程由信号的正向传播与误差的逆向传播两个过程组成，当一对学习模式提供给网络后，各

22、神经元获得网络的输入响应产生连接权值。然后按照减小期望输出与实际输出之间误差的方向，从输出层经过各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程21。所有的光谱数据在输入网络进行计算前都先经过归一化处理，模型计算结果也经过反归一化得到。传递函数分别为tansig和purelin，训练函数为trainlm。2.5 模型精度验证本研究将样本数据分为独立的两个部分，其中一部分作为分析与建模数据集;另一部分作为模型的独立检验数据集。模型精度根据均方根误差( Root Mean Square Error) 和相关系数( R)两个指标来分析与验

23、证。 (1) (2)式中, n为样本数, yi 为样本 i 的测定值, 为利用模型预测出的组分浓度，y 表示的为所有样本的平均值。RMSE值越小,说明该方程的精度越高。 高光谱数据的预处理在Excel中进行，红边参数、siPLS以及BP人工神经网络模型的建立采用Matlab7.1软件进行编程实现。3 结果与讨论3.1 水稻氮磷钾含量的基本统计表1 水稻氮磷钾含量的基本统计(单位为%) 营养元素 最小值 最大值 平均值 标准差 N 1.410 2.693 1.924 0.334 P 0.061 0.812 0.345 0.248 K 0.528 1.923 1.075 0.483 水稻叶片氮磷钾

24、含量的基本统计特征如表1所示。从表中可看出，水稻叶片氮磷钾含量的平均值分别为1.924%、0.345%、1.075%，标准差分别为0.334%、0.248%、0.483%。3.2 水稻叶片光谱反射率与叶片氮磷钾含量的相关分析3.2.1 水稻叶片光谱反射率与叶片氮含量的相关关系 将水稻氮素高光谱反射率数据与氮含量进行单相关分析，如图1所示。查生物统计表可知，相关系数95%置信度显著相关的临界值为0.316（水稻氮含量39个样本）、99%置信度显著相关的临界值为0.407（水稻氮含量39个样本）。从图中可以看出，在470-1300nm范围内，水稻氮含量与叶片光谱反射率的相关性很明显。在1110-1

25、140nm范围内，最大相关系数为0.63，表现出明显的正相关；在680-720nm范围内，表现出极明显的负相关，最大值为0.80。叶片总氮含量(LNC)与叶片光谱反射率的相关系数越高,那么入选为估测模型自变量的机会就越大,但还要综合分析氮素影响植物叶片光谱反射率的机理。图1 水稻叶片光谱反射率与叶片总氮含量的相关关系3.2.2 水稻叶片光谱反射率与叶片磷含量的相关关系将水稻磷素高光谱反射率数据与磷含量进行单相关分析，如图1所示，查生物统计表可知，95%置信度显著相关的临界值：0.312（水稻磷含量40个样本）；99%置信度显著相关的临界值：0.402（水稻磷含量40个样本）。从图中可以看出，在

26、350-730nm和1480-1580nm范围内，水稻磷含量与叶片光谱反射率的相关性很明显。在920-1020nm范围内，最大相关系数为0.36，表现出明显的正相关；在510-620nm范围内，表现出极明显的负相关，最大值为0.76。图2 水稻叶片光谱反射率与叶片总磷含量的相关关系3.2.3 水稻叶片光谱反射率与叶片钾含量的相关关系 将水稻钾素高光谱反射率数据与钾含量进行单相关分析，如图1所示，查生物统计表可知，95%置信度显著相关的临界值：0.316（水稻钾含量39个样本）；99%置信度显著相关的临界值：0.407（水稻钾含量39个样本）。从图中可以看出，在350-430nm，460-530

27、nm，600-1130nm和1350-1800nm范围内，水稻钾含量与叶片光谱反射率的相关性很明显。在730-820nm范围内，最大相关系数为0.94，表现出明显的正相关；在580-710nm范围内，表现出极明显的负相关，最大值为0.89。图3 水稻叶片光谱反射率与叶片总钾含量的相关关系3.3 水稻氮含量的高光谱估测3.3.1 利用红边比值参数估测水稻叶片总氮含量表2水稻不同氮素水平下红边参数的变化规律氮水平 红边位置(nm) 红谷(nm) 红边振幅 最小振幅 比值N1 720 667 0.0082 0.0014 5.87 N2 719 665 0.0086 0.0016 5.34 N3 72

28、6 662 0.0100 0.0010 10.06N4 726 664 0.0097 0.0010 9.55 表2表明氮素水平在完全缺氮和缺氮时红边位置基本相同，在正常氮水平和氮过量时，红边位置向长波方向移动。不同氮水平在红谷位置处基本相同。红边振幅与比值的数值在不同氮水平下逐渐增大，最小振幅在完全缺氮与缺氮情况下数值增大，在正常氮和氮完全过量水平时数值减小。这个规律与前人研究结果基本一致18。为了利用红边参数更精确的估算水稻叶片氮素含量，本研究依据相关性最好的比值作为自变量。模型建立前，将样本分成两个数据集，一个是训练样本集（Train），另一个是测试样本集（Test）。用训练样本集进行建模

29、，利用测试样本集对建立的模型进行模型精度检验。结果表明，所有红边参数中，比值的精度优于红边位置、红谷等其他模型。利用红边比值建立的线性模型如图4所示。 图4 水稻氮含量与红边比值间的关系 通过该模型可知，训练集的均方根误差RMSE为0.2075，训练集的相关系数R为0.8511。而检验集的均方根误差RMSE为0.3253，检验集的相关系数R为0.6355。虽然水稻叶片总氮含量与红边比值间的相关系数较高，但是通过线性拟合发现，样本点均集中在直线的两端，而且线性模型的估测误差较大。 3.3.2 利用siPLS对水稻氮含量的估测 利用水稻叶片光谱反射率建立siPLS模型。先将高光谱波段分成12个间隔

30、，通过比较不同波段间隔与氮含量的模型精度，从中选取训练集中均方根误差RMSE-train最小的模型。通过筛选最终从66个模型中选择间隔为1 4，相应的波长范围分别为350-502nm和812-964nm的siPLS模型作为最优模型，并利用测试数据对模型的精度进行验证，结果如图5所示。 通过该模型可知，训练集的均方根误差RMSE为0.1174，训练集的相关系数R为0.9557。而检验集的均方根误差RMSE为0.1528，检验集的相关系数R为0.8908。由此可见，基于siPLS的水稻叶片氮含量的预测精度高于基于红边参数的水稻氮含量预测精度。 图5 siPLS模型检验数据的测量值与模型估计值间的关

31、系3.3.3 利用BP人工神经网络对水稻叶片氮含量的估测根据水稻叶片氮含量与叶片光谱反射率的相关性特征，在具有显著相关性的波长范围内选择相关系数的峰值点所对应的波长作为BP模型的自变量，这些波段分别为556nm，702 nm，806 nm，923 nm和1123nm 。利用BP人工神经网络建立水稻叶片氮含量和光谱反射率之间的非线性模型。模型建立前，将样本分成两个数据集，一个是训练样本集（Train），另一个是测试样本集（Test）。用训练样本集进行建模，利用测试样本集对建立的模型进行反演与模型精度检验。由此模型计算出的水稻叶片氮含量的实测值与估计值相关关系如图6所示。此外，通过测试样本集的分析

32、，BP模型的均方根误差RMSE为0.1813，相关系数R为0.9528。 图6 人工神经网络模型氮素检验数据的测量值与模型估计值间的关系 表3是分别对基于红边参数、siPLS和BP人工神经网络方法的水稻叶片总氮含量估测能力的比较。从表中可知，除了红边参数外，无论是训练集还是检验集数据，基于siPLS和BP人工神经网络的估测模型的相关系数接近或大于0.9，均方根误差RMSE都在0.1到0.2之间。但是，基于siPLS的估测精度还是略优于BP人工神经网络模型。表3 基于三种算法的水稻叶片氮含量估测精度的比较 均方根误差 相关系数 N RMSE-train RMSE-test R-train R-t

33、est 红边参数 0.2075 0.3253 0.8510 0.6355 siPLS 0.1174 0.1528 0.9557 0.8908 BP人工神经网络 0.1620 0.1813 0.9734 0.9528 注：RMSE-train为训练样本的均方根误差；RMSE-test为测试样本的均方根误差；R-train为训练集中叶片营养元素含量实测值与预测值的相关系数；R-test为测试集中叶片营养元素含量实测值与预测值的相关系数。3.4 水稻磷含量的高光谱诊断3.4.1 利用红边比值参数反演水稻磷素含量 表4 水稻不同磷素水平红边参数的变化规律 磷水平 红边位置(nm) 红谷(nm) 红边振

34、幅 最小振幅 比值P1 722 671 0.0050 0.00045 11.18 P2 726 670 0.0075 0.00036 20.53P3 727 672 0.0084 0.00034 24.73P4 727 671 0.0073 0.00032 22.73 表4表明不同磷水平下红边位置在随着磷含量的增加随之向长波方向移动，在缺磷、正常磷与磷过量水平时，红边位置基本保持不变。红谷在不同磷水平也基本保持一致。红边振幅随磷含量增加也随之增加，缺磷与磷过量时基本相同，完全缺磷时数值最小。最小振幅随磷含量的增加而减小。比值在磷含量增加随之增大，在磷过量时减小。将这5种红边参数与水稻叶片磷含量

35、建立数学关系，所得到的模型精度都很低。3.4.2 利用siPLS对水稻磷含量的估测 利用水稻叶片光谱反射率建立siPLS模型。先将高光谱波段分成12个间隔，通过比较不同波段间隔与氮含量的模型精度，从中选取训练集中均方根误差RMSE-train最小的模型。通过筛选最终从66个模型中选择间隔为2 3，相应波长为504-656nm和658-808nm的siPLS模型作为最优模型，并利用测试数据对模型的精度进行验证，结果如图7所示。 无论是训练集还是检验集数据，水稻磷含量的siPLS模型的相关系数均在0.9以上，但是在检验集中均方根误差RMSE很高，为0.0962，相当于水稻磷含量平均值的1/3。另外

36、，水稻磷含量实测值与模型估计值分散在拟合直线的两边，不够均匀。 图7 siPLS模型检验数据的测量值与模型估计值间的关系3.4.3 BP人工神经网络对磷含量的分析 根据水稻叶片氮含量与叶片光谱反射率的相关性特征，在具有显著相关性的波长范围内选择相关系数，选择曲线图中在敏感范围内的峰值点所对应的波长作为BP模型的自变量，这些波段分别为 470nm，548nm，620nm，653nm和708nm 。利用BP人工神经网络建立水稻叶片磷含量和光谱反射率之间的非线性模型。模型建立前，将样本分成两个数据集，一个是训练样本集（Train），另一个是测试样本集（Test）。用训练样本集进行建模，利用测试样本集

37、对建立的模型进行反演与模型精度检验。由此模型计算出的水稻叶片磷含量的实测值与估计值相关关系如图从8所示，此外，通过测试样本集的分析，BP模型的均方误差RMSE为0.1054，检验集的相关系数R为0.9471。 图8 人工神经网络模型氮素检验数据的测量值与模型估计值间的关系 表5分别对基于siPLS和BP人工神经网络方法的水稻叶片总磷含量估测能力的比较。从表中可知，虽然基于siPLS和BP人工神经网络的估测模型的相关系数都大于0.9，但是均方根误差RMSE均很高，在0.09-0.11之间。表5 基于三种算法的水稻叶片磷含量估测精度的比较 均方根误差 相关系数 P RMSE-train RMSE-

38、test R-train R-test siPLS 0.0468 0.0962 0.9826 0.9330 BP人工神经网络 0.0640 0.1054 0.9857 0.9471 注：RMSE-train为训练样本的均方根误差；RMSE-test为测试样本的均方根误差；R-train为训练集中叶片营养元素含量实测值与预测值的相关系数；R-test为测试集中叶片营养元素含量实测值与预测值的相关系数。3.5 水稻钾含量的高光谱诊断3.5.1 利用红边比值参数反演水稻钾素含量表6 水稻不同钾素水平红边参数的变化规律 钾水平 红边位置(nm) 红谷(nm) 红边振幅 最小振幅 比值 K1 726 6

39、71 0.0069 0.00037 18.94 K2 727 671 0.0071 0.00032 21.94 K3 726 672 0.0071 0.00033 21.75 K4 726 670 0.0078 0.00041 18.93 表6表明不同钾水平下红边位置与红谷基本保持一致。红边振幅随着钾含量的增加随之增加。最小振幅在缺钾与正常钾与钾过量时随着钾含量增加而增加。比值先随着钾含量增加而增加，在钾过量时又随之减少。 为了利用红边参数更精确的估算水稻叶片氮素含量，选取其中相关性最好的红边振幅作为自变量。模型建立前，将样本分成两个数据集，一个是训练样本集（Train），另一个是测试样本集（

40、Test）。用训练样本集进行建模，利用测试样本集对建立的模型进行反演与模型精度检验。其利用红边振幅来建立线性模型如图9所示。 图9 钾含量与红边振幅间的关系 该模型训练集和检验集的相关系数R均很高，分别为0.9588和0.9847。但检验集的均方根误差RMSE较大，值为0.1293 。虽然水稻叶片总钾含量与红边振幅间的相关系数较高，但是样本点较集中在直线的一端，分布不均匀（如图9）。 3.5.2 利用siPLS对水稻钾含量的估测 利用水稻叶片光谱反射率建立siPLS模型。先将高光谱波段分成12个间隔，通过比较不同波段间隔与氮含量的模型精度，从中选取训练集中均方根误差RMSE-train最小的模

41、型。通过筛选最终从66个模型中保留了间隔为3 5，相应的波长范围为658-808m和962-1112nm作为最优模型，并利用测试数据对模型的精度进行验证，结果如图10所示。由图可知，基于siPLS模型的水稻钾含量预测精度较高，检验集的均方根误差RMSE和相关系数R分别为0.0836 和0.9934。由此可见，基于siPLS的水稻叶片钾含量的预测精度高于基于红边参数的水稻钾含量预测精度。 图10 siPLS模型检验数据的测量值与模型估计值间的关系3.5.3 BP人工神经网络对钾含量的分析根据水稻叶片氮含量与叶片光谱反射率的相关性特征，在具有显著相关性的波长范围内选择相关系数峰值点所对应的波长作为

42、BP模型的自变量，最终入选的水稻钾素敏感波段为669nm，746nm，846nm，903nm和998nm 。利用BP人工神经网络建立水稻叶片钾含量和光谱反射率之间的非线性模型。模型建立前，将样本分成两个数据集，一个是训练样本集（Train），另一个是测试样本集（Test）。用训练样本集进行建模，利用测试样本集对建立的模型进行反演与模型精度检验。由此模型计算出的水稻叶片钾含量的实测值与估计值相关关系如图11所示，此外，通过测试样本集的分析，BP模型的均方根误差RMSE为0.0801，检验集的相关系数R为0.9904。 图11 人工神经网络模型钾素检验数据的测量值与模型估计值间的关系表7是分别对基

43、于红边参数、siPLS和BP人工神经网络方法的水稻叶片总钾含量估测能力的比较。从表中可知，无论是训练集还是检验集数据，基于红边参数、siPLS和BP人工神经网络的估测模型的相关系数都大于0.95，但均方根误差RMSE存在较大的差别，基于红边参数的估测模型的均方根误差RMSE明显高于基于siPLS和BP人工神经网络的估测模型的均方根误差，而基于BP人工神经网络的估测误差和基于siPLS模型的估测误差比较接近，都较低，相当于水稻钾含量平均值的1/14。表7 基于三种算法的水稻叶片钾含估测精度的比较 均方根误差 相关系数K RMSE-train RMSE-test R-train R-test 红边

44、参数 0.1123 0.1293 0.9588 0.9847 siPLS 0.1024 0.0836 0.9660 0.9934 BP人工神经网络 0.1592 0.0801 0.9846 0.9904注：RMSE-train为训练样本的均方根误差；RMSE-test为测试样本的均方根误差；R-train为训练集中叶片营养元素含量实测值与预测值的相关系数；R-test为测试集中叶片营养元素含量实测值与预测值的相关系数。4 结论 水稻在不同的营养状况下，叶片会表现出不同的特征。水稻缺氮，先从老叶片的尖端开始发黄，后逐渐由茎叶延及心叶，最后发展至全株成黄绿色；水稻缺磷，初期植株个体矮小，茎叶狭细，

45、叶片直挺，叶顶部整齐，老叶呈灰紫色，新叶呈暗绿色。水稻缺钾，初期叶色深绿，叶尖出现赤褐色麻斑纹，并从叶尖向叶基、老叶向新叶逐渐扩展，形成不整齐的赤褐色斑块或条块，叶面发红，最后自叶尖向下逐渐枯死。因此，水稻在不同的营养状况下，缺氮、磷和钾这三种营养元素，表现出不同的生长状况，进而影响到其叶片高光谱反射率的值，因此。可通过高光谱技术诊断水稻氮磷钾营养状况。 本研究通过地面便携式光谱仪测定不同氮磷钾水平下的水稻叶片高光谱以及叶片氮磷钾含量的室内化学分析，采用红边参数，协同间隔偏最小二乘法（siPLS）和BP人工神经网络这三种方法分别分析水稻叶片氮磷钾含量和叶片高光谱之间的关系。实验研究结果表明，在

46、水稻氮素营养方面，确定敏感波段范围为470-1300nm，基于siPLS和BP人工神经网络的水稻氮含量估测模型精度，均高于基于红边参数的估测模型，且这两种模型的相关系数接近或大于0.9，且均方根误差RMSE都在0.1到0.2之间；与氮相比，基于三种算法的水稻叶片磷含量估测模型的均方根误差RMSE均很高，接近或超过0.1，相当于水稻磷含量平均值的1/3，因此，水稻磷素营养的高光谱诊断模型还有待进一步的研究；水稻钾素营养的敏感波段范围为658-1112nm，基于siPLS和BP人工神经网络的水稻钾含量估测模型精度均高于基于红边参数的估测模型，其相关系数大于0.9，均方根误差RMSE接近0.08，相

47、当于水稻钾含量平均值的1/14。最后，鉴于水稻数据生育期和品种的不完整性,本研究所得到的结论还有待下一步系统的分析和验证。参考文献：1 Duru M. Evaluation of chlorophyll meter to assess nitrogen status of cocksfoot sward. Journal of Plant Nutrition, 2002, 25( 2): 275-286.2 Thomas JR, Oerther GF. Estimating nitrogen content of sweet pepper leaves by reflectance measu

48、rements. Agronomy Journal. 1972, 64 : 11-13.3 陈斌. 利用光谱反射特性测定茶鲜叶的叶绿素含量. 江苏理工大学学报. 1996, 17(4): 10-15.4 Horler DNH, Barber LP, Ferns DC. Approaches to detection of geochemical stress in vegetation. Advances in Space Research. 1983, 3: 175-179.5 唐延林, 王人潮, 王秀珍等. 水稻叶面积指数和叶片生化的光谱法研究. 华南农业大学学报. 2003, 24(1)

49、: 3-7.6 张金恒, 王珂, 王人潮等. 水稻叶片反射光谱诊断氮素营养敏感波段的研究. 浙江大学学报.2004, 30(3): 340-346.7 李晓松，李增元，高志海等. 基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测. 中国沙漠. 2011, 31(1): 162-167.8 王人潮, 陈铭臻, 蒋亨显. 水稻遥感估产的农学机理研究. 浙江大学学报. 1993, 19: 7-14.9 陆景陵. 植物营养学. 中国农业大学出版社. 1994, 35-36.10 王磊, 自由路, 杨俐苹. 春玉米磷素营养的光谱响应及诊断. 2007, 13(5): 802-808.11

50、 刘炜, 常庆瑞, 郭曼等. 冬小麦导数光谱特征提取与缺磷胁迫神经网络诊断. 光谱学与光谱分析. 2011, 31(4): 1092-1096.12 林芬芳, 丁晓东, 付志鹏等. 基于互信息理论的水稻磷素营养高光谱诊断. 光谱学与光谱分析. 2009, 29(9): 2467-2470.13 杨雪红. 基于高光谱的棉花中钾含量的预测研究.科技信息. 2003, 23: 238-239.14 朱西存, 赵庚星, 隋学艳等. 基于光谱分析技术的苹果花钾素含量估测研究. 红外. 2010, 31(8): 19-23.15 王磊, 自由路. 不同钾素处理春玉米叶片营养元素含量变化及其光谱响应. 遥感

51、学报. 2007, 11(5): 641-647.16 Pimstein A, Karnieli A, Surinder K et al. Exploring remotely sensed technologies for monitoring wheat potassium and phosphorus using field spectroscopy. Field Crops Research. 2011, 121: 125-135.17 鲁如坤. 土壤和农业化学分析.中国农业科学技术出版社,2000,31(3):400-411.18 王秀珍, 王人潮, 李云梅等. 不同氮素营养水平的水稻冠层光谱红边参数及其应用研究. 浙江大学学报.2001, 27( 3): 301-306.19 王圆圆, 陈云浩, 李京等. 利用偏最小二乘回归反演冬小麦条锈病严重度. 国土资源遥感, 2007, 3(1): 57-60.20 王惠文. 偏最小二乘回归方法及其应用. 国防工业出版社, 1999, 200.21 魏海坤. 神经网络结构设计的理论与方法. 国防工业出版社, 2005, 94-96.致谢：感谢