CN109115951A - 基于冠层结构与冠层光谱的水稻植株全氮估测方法 - Google Patents

Abstract

基于冠层结构与冠层光谱的水稻植株全氮估测方法，它涉及一种水稻植株全氮速测方法，属于水稻植株全氮测量技术领域。本发明的目的是为了解决现有实验室水稻植株全氮测试方法具有破坏性、时效性差的技术问题。本发明方法如下：水稻冠层光谱测定、水稻冠层结构参数采集及含氮量测定、数据处理、构建归一化植被指数NDVI、建立模型水稻植株全氮含量×水稻植株株高×水稻植株茎数＝0.6998e^4.0599NDVI，根据待测水稻的NDVI及对应的水稻植株株高高度和水稻植株茎数计算获得待测水稻植株全氮含量。本发明利用植被指数与植株全氮含量之间的关系，达到对植株全氮含量的速测。

Description

基于冠层结构与冠层光谱的水稻植株全氮估测方法

技术领域

本发明涉及一种水稻植株全氮速测方法，属于水稻植株全氮测量技术领域。

背景技术

氮素是水稻生长发育和产量、品质的重要影响因子。氮肥使用过少，作物不能健康生长，难以保证作物产量和品质。氮肥使用过多,容易造成农田污染，同时也使土壤质量退化。确定作物适宜的氮含量是评价作物长势以及对作物进行追肥调控的关键环节。这就需要在作物生产过程中准确、快速、实时地监测作物氮素状况，以实现按需施肥和精确管理。因此，对水稻氮素含量进行监测以便合理、准确地施用氮肥是非常有意义的。

传统的营养诊断采用实验室测试方法，虽准确性高，但时效性差，难以满足其在生产中的快速需求。植被遥感光谱技术能够实时、快速、无损地监测作物全氮含量。而现有水稻植株全氮高光谱预测模型，多以反射率及其数学变换形式作为输入量，缺少对冠层结构与反射光谱特征机理与的定量分析，造成测量效率低。

发明内容

本发明的目的是为了解决现有实验室水稻植株全氮测试方法具有破坏性、时效性差的技术问题，提供了一种基于冠层结构与冠层光谱的水稻植株全氮估测方法。

基于冠层结构与冠层光谱的水稻植株全氮估测方法按照以下步骤进行：

步骤一：在水稻的移栽后、分蘖期、拔节孕穗期，测定不同氮肥水平水稻冠层光谱，每个不同氮肥肥力水平采集6条光谱曲线，对6条光谱曲线进行算数平均，获得不同施氮水平下水稻的实际反射光谱数据；

步骤二：在水稻的移栽后、分蘖期、拔节孕穗期的对应时期采集水稻植株样本，量取水稻样本株高及确定每株样本茎数后，测量水稻植株全氮含量；

步骤三：采用9点加权移动平均法对水稻样本的实际反射光谱数据进行平滑去噪处理；再利用高斯模型对去噪后的实际反射光谱数据进行10nm光谱重采样，获得每个肥力水平下水稻样本的基准反射光谱数据；

步骤四：构建归一化植被指数NDVI，所述其中R_nir为近红外波段反射率，R_red为可见光红光波段反射率。

步骤五：利用NDVI建立水稻植株全氮含量、水稻植株株高与水稻植株茎数乘积的指数模型表达式为：

水稻植株全氮含量×水稻植株株高×水稻植株茎数＝0.6998e^4.0599NDVI

步骤六：根据待测水稻的NDVI及对应的水稻植株株高高度和水稻植株茎数计算获得待测水稻植株全氮含量，即完成基于冠层结构与冠层光谱的水稻植株全氮估测。

本发明利用植被指数与植株全氮含量之间的关系，达到对植株全氮含量的速测。本发明对冠层结构进行了分析，并且分析植被指数与株高、茎数、植株含氮量的乘积的关系，构建水稻植株全氮含量速测模型。经验证，其模型稳定，预测能力好。

附图说明

图1是本发明具体实施方式二中同种肥力不同时期的冠层光谱图，图中1表示拔节孕穗期水稻冠层光谱曲线，2表示分蘖期水稻冠层光谱曲线，3表示移栽后水稻冠层光谱曲线；

图2是本发明具体实施方式二中NDVI与水稻植株全氮含量、水稻植株株高与水稻植株茎数乘积散点图。

具体实施方式

本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。

具体实施方式一：本实施方式基于冠层结构与冠层光谱的水稻植株全氮估测方法按照以下步骤进行：

步骤一：在水稻的移栽后、分蘖期、拔节孕穗期，测定不同氮肥水平水稻冠层光谱，每个不同氮肥肥力水平采集6条光谱曲线，对6条光谱曲线进行算数平均，获得不同施氮水平下水稻的实际反射光谱数据；

步骤二：在水稻的移栽后、分蘖期、拔节孕穗期的对应时期采集水稻植株样本，量取水稻样本株高及确定每株样本茎数后，测量水稻植株全氮含量；

步骤三：采用9点加权移动平均法对水稻样本的实际反射光谱数据进行平滑去噪处理；再利用高斯模型对去噪后的实际反射光谱数据进行10nm光谱重采样，获得每个肥力水平下水稻样本的基准反射光谱数据；

步骤四：构建归一化植被指数NDVI，所述其中R_nir为近红外波段反射率，R_red为可见光红光波段反射率。

步骤五：利用NDVI建立水稻植株全氮含量、水稻植株株高与水稻植株茎数乘积的指数模型表达式为：

水稻植株全氮含量×水稻植株株高×水稻植株茎数＝0.6998e^4.0599NDVI

步骤六：根据待测水稻的NDVI及对应的水稻植株株高高度和水稻植株茎数计算获得待测水稻植株全氮含量，即完成基于冠层结构与冠层光谱的水稻植株全氮估测。

水稻植株全氮含量测定方法为：

采用田间破坏性取样，在105℃下杀青并在80℃下烘干后称重。采用凯氏定氮法测得氮含量(具体的操作过程请补充)。

对上述模型进行验证：计算模型的决定系数R²和均方根误差RMSE，R²越接近1，表示模型的相关性越好，拟合程度越高，方程越可靠；RMSE越小，表示方程的稳定性越高，结果越可靠。计算获得该模型的R²＝0.96，RMSE＝4.032。其计算公式为：

其中，y_i为水稻植株全氮含量预测值，y为水稻植株全氮含量实际值，为实际水稻植株全氮含量平均值，n为样本个数。

原理：植被反射光谱特征是土壤植被理化性质的综合反映，水稻植株含氮量影响可见光近红外反射光谱。植株氮含量是一个相对量，由植被指数难以估测相对含量，综合考虑冠层光谱与冠层结构可以对植株氮含量精确估算。

水稻有着自己特定的反射光谱特征，采用美国SVC公司生产的野外便携式高光谱仪SVC HR768i在野外测得水稻冠层光谱曲线，通过分析冠层结构、冠层光谱与水稻含氮量关系，建立以NDVI为自变量建立，NDVI与株高、茎数、植株含氮量乘积的关系式，实现水稻植株含氮量的估测。

具体实施方式二：本实施方式基于冠层结构与冠层光谱的水稻植株全氮估测方法按照以下步骤进行：

步骤一：水稻冠层光谱测定

在两品种水稻(水稻型号为松粳9号和稻花香)的移栽后、分蘖期、拔节孕穗期，测定不同氮肥水平水稻冠层光谱，每个不同氮肥肥力水平采集6条光谱曲线，对6条光谱曲线进行算数平均，对6条光谱曲线进行算数平均，获得不同施氮水平下水稻的实际反射光谱数据，共得到36组数据；

步骤二：水稻冠层结构参数采集及含氮量测定

在水稻的移栽后、分蘖期、拔节孕穗期的对应时期采集水稻植株样本，量取水稻样本株高及确定每株样本茎数后，测量水稻植株全氮含量；

水稻株高测量方法：用手抓住一穴向上捋，由地面量至第二高度叶尖为该穴平均株高，选有代表性的植株20穴，测量每穴的最高穗，从茎基部至穗顶部(不连芒)，取平均值。水稻茎数为茎蘖数是每个单株的主茎和分蘖的总和。量取完株高茎数后采集。在105℃下杀青并在80℃下烘干后称重。采用凯氏定氮法测得氮含量。

凯氏定氮法具体操作步骤为：第一步，将干燥好的水稻样品放置消煮管中；第二步，加入催化剂、过氧化氢和浓硫酸消煮；第三步，将水稻样品消煮至透明无色澄清；第四步，是用定氮仪测消煮好的样品；第五步，用硼酸甲基红指示剂滴定。

步骤三：数据处理采用9点加权移动平均法；

9点加权移动平均法是根据同一个移动范围内不同的时间段的数据对预测值的影响程度来给与不同的权数，之后再进行平均移动进行预测。它不同于普通的移动平均法，同等看待每个数据，而是对预测值影响较大的数据赋予较高的权数，影响较小的赋予小的权数，这样就可以弥补普通移动平均法的不足。9点加权移动平均法公式为：

R_i＝0.01R_i-4+0.08R_i-3+0.12R_i-2+0.16R_i-1+0.20R_i+0.16R_i+1+0.12R_i+2+0.08R_i+3+0.01R_i+4

对水稻样本的实际反射光谱数据进行平滑去噪处理；再利用高斯模型对去噪后的实际反射光谱数据进行10nm光谱重采样，获得每个肥力水平下水稻样本的基准反射光谱数据；

步骤四：构建归一化植被指数NDVI，所述其中R_nir为近红外波段反射率，R_red为可见光红光波段反射率，利用Excel对不同施肥处理下水稻光谱进行波段计算，得到水稻冠层NDVI。

步骤五：利用NDVI建立水稻植株全氮含量、水稻植株株高与水稻植株茎数乘积的指数模型表达式为：

水稻植株全氮含量×水稻植株株高×水稻植株茎数＝0.6998e^4.0599NDVI

步骤六：根据待测水稻的NDVI及对应的水稻植株株高高度和水稻植株茎数计算获得待测水稻植株全氮含量，即完成基于冠层结构与冠层光谱的水稻植株全氮估测。

模型精度由决定系数R²和均方根误差RMSE进行综合评价，模型的决定系数R²越大，模型越稳定；RMSE越小，模型预测能力越好。

图1中为同种肥力不同时期的冠层光谱，冠层反射率主要受叶片内色素、冠层结构及植株含水量三方面影响。在可见光波段(350～720nm)冠层反射率主要受叶片内色素影响，其中叶片反射率受叶绿素影响最大。随水稻植株生长，水稻叶片光合能力增强和对红光、蓝光吸收增强，导致红蓝波段反射率逐渐减小。在450nm和670nm附近水稻冠层反射率形成两个吸收谷。在红波段与蓝波段处的强吸收使绿波段反射率逐渐突出，水稻植株颜色逐渐变绿，在绿波段处形成反射峰。在近红外波段(720～1300nm)，水稻光谱曲线特征受冠层结构及叶片内部细胞结构的影响，由于水稻叶片的细胞壁和细胞空隙间折射率影响，导致近红外波段处水稻叶片光谱反射率较高。

归一化植被指数(NDVI，Normalized Difference Vegetation Index)被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值，是近红外波段和可见光红光波段两个波段表示的统计参数NDVI的应用非常广泛，它是植被生长状态及覆盖度的最佳指示因子，与植被分布情况密切相关。在有植被覆盖的情况下，NDVI为正值，并随植被覆盖度增大而增大。

图为2为NDVI与植株全氮、株高、茎数乘积散点图，分析散点图可以发现NDVI与植株全氮、株高、茎数乘积之间呈明显的指数关系。株高和茎数可以人为宏观监测，因此利用NDVI可以对植株全氮进行估算。通过NDVI进而对水稻进行追肥调控。

表1

将植株全氮、株高和茎数的乘积表达式使用与水稻植株全氮估测方法中，根据待测水稻的NDVI及对应的株高高度和茎数计算获得待测水稻植株全氮含量。并计算表达式决定系数R²和均方根误差RMSE。R²越接近1，表示相关性好，拟合程度高，方程可靠；RMSE越小，表示方程的稳定性越高，结果越可靠。该模型的R²＝0.9601，RMSE＝4.032。

由实验得出结论,以NDVI为自变量建立与株高、茎数、植株全氮乘积的指数模型，方程的精度和稳定性都很好，其表达式相关系数和均方根误差均符合要求。

Claims (1)

1.基于冠层结构与冠层光谱的水稻植株全氮估测方法，其特征在于基于冠层结构与冠层光谱的水稻植株全氮估测方法按照以下步骤进行：

步骤一：在水稻的移栽后、分蘖期、拔节孕穗期，测定不同氮肥水平水稻冠层光谱，每个不同氮肥肥力水平采集6条光谱曲线，对6条光谱曲线进行算数平均，获得不同施氮水平下水稻的实际反射光谱数据；

步骤二：在水稻的移栽后、分蘖期、拔节孕穗期的对应时期采集水稻植株样本，量取水稻样本株高及确定每株样本茎数后，测量水稻植株全氮含量；

步骤三：采用9点加权移动平均法对水稻样本的实际反射光谱数据进行平滑去噪处理；再利用高斯模型对去噪后的实际反射光谱数据进行10nm光谱重采样，获得每个肥力水平下水稻样本的基准反射光谱数据；

步骤四：构建归一化植被指数NDVI，所述其中R_nir为近红外波段反射率，R_red为可见光红光波段反射率。

步骤五：利用NDVI建立水稻植株全氮含量、水稻植株株高与水稻植株茎数乘积的指数模型表达式为：

水稻植株全氮含量×水稻植株株高×水稻植株茎数＝0.6998e^4.0599NDVI

步骤六：根据待测水稻的NDVI及对应的水稻植株株高高度和水稻植株茎数计算获得待测水稻植株全氮含量，即完成基于冠层结构与冠层光谱的水稻植株全氮估测。