利用航空高光谱遥感建立水稻在穗分化时期的氮含量预模型外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

利用航空高光谱遥感建立水稻在穗分化时期的氮含量预模型

摘要

利用三年航空高光谱遥感数据来预测水稻穗分化期的氮含量通用模型。可反映不同土壤氮含量的作物状况因天气状况的不同而有所差别。因此，由于植被亏缺获得的反射率值或许可以反映出作物生长变化的趋势。利用三年数据及偏最小二乘回归模型估计时，除2005年数据外，算得相关系数大于0.758，均方根误差(RMSE)小于0.876g/㎡。通过5个潜变量(PCs)决定2003-2004-2005模型的准确度为：r=0.938，RMSEP=0.774g/㎡。两种不同模型的回归系数分别与近红外光谱和红光区域有关。当2003-2004模型用2005的数据验证时，PLSR模型的预测误差是1.050g/㎡。当2003-2005模型用2004年的数据验证时误差变成2.378g/㎡，2004-2005模型用2003年数据验证时误差是5.061g/㎡。每个潜变量在2003-2004模型和2003-2004-2005模型之间既有相似性也有差异性。2003-2004-2005模型采用了三年的数据进行模拟，因此更适合作为一个通用模型。

关键词：航空高光谱遥感；反射率；偏最小二乘回归；穗分化期氮含量；氮含量预测模型

1. 前言

精准农业(PA)通过利用适当的信息技术使试验管理成为可能，它能够让农业管理者准确理解和控制发生在自己田地里的事情。并且能够更省钱更省时地确定不同作物种类以评估作物状况和推荐相应的施肥措施。因此要实施精准农业，首先必须确定不同品种的育种信息。此时土壤氮供应和作物氮需求，与花费一样，都是对农民决定施氮速率以及基于施氮速率和施氮期的土地评估的一项挑战。关于时效性，PA试验要求精确的和可信赖的作物模拟技术的发展来为关键农事系数在空间和时间上的变化提供信息。遥感在数个应用方面均有巨大潜能，因它能够大范围、无损的、实时的获取作物生理生态状况信息。通过卫星或飞机获得的遥感数据能提供一套详细的作物生长发育的空间分布数据。

遥感主要被应用于PA多光谱传感器。由于在特定的窄波段缺乏的关键信息可用高光谱传感器获得的有一定波段宽度的平均光谱信息来替代，所以很多研究用能传达更多光谱信息的高光谱遥感来进行。此类研究展示了高光谱遥感的潜在实用性，尤其是对于旱作物。高光谱遥感在PA方面有两种使用途径，一是窄波段的植被系数，二是回归模拟分析。窄波段的作物系数，如马铃薯的水分胁迫、玉米的水氮胁迫、葡萄园的叶绿素a和叶绿素b含量以及一些谷物的作物系数(如棉花、大豆、玉米、马铃薯、向日葵等)均用高光谱反射率评估过了。回归模型由高光谱反射率发展而来，可决定冠层生物量、小麦氮状态、绿地的产量和质量、棉花水分胁迫和大麦化肥胁迫等。

水稻在抽穗期的氮含量主要受根外追肥和土壤氮影响，因此有必要探究穗分化期和抽穗期的作物生长(包括产量和质量)，其中穗分化期的氮含量是决定根外追肥施氮量的一项重要考虑因素。然而，研究大多集中在用地面遥感获得的窄波段高光谱反射率的特殊反射或是作物系数。Tian评估了R₆₈₀反射率、R₈₁₀和R₆₈₀的使用比例、含水量、氮速率、叶净光合速率。为了评估水稻冠层的氮状态，Lee建议用R735作为一个简单的光谱系数。Wang用波长在350-2500nm之间的光谱辐射计的反射率来确定水稻的生理参数。作物生长的田间统计变量和氮状态通过偏最小二乘回归估计。

Ryu用航空高光谱遥感通过多元线性回归评估了穗分化期的氮含量预测模型。穗分化期和抽穗期的氮含量预测模型也通过偏最小二乘回归估计。谷物的质量，如成熟期的蛋白质和直链淀粉含量，用抽穗期的反射率通过偏最小二乘回归估计。但这些模型是用早期数据估计的，因此不会被考虑作为通用模型。为了确认航空高光谱遥感的可用性和实用性，有必要建立一个水稻在穗分化期的氮含量通用预测模型。

此研究中，用三年航空高光谱遥感数据分析水稻穗分化期的氮含量。研究目的：(1)考虑天气状况和土壤氮的情况下，探究水稻在穗分化期的生长；(2)通过多元线性回归和PLSR结合三年数据建立氮含量预测模型；(3)比较此类模型，建立穗分化期通用氮含量预测模型。

1. 材料和方法

2.1 实验田及其管理

本研究在日本大阪高摫市京都大学农业研究生院的实验农场进行。田间土壤由典型的冲击潮新成土和绿色低地土壤组成，地势平坦。试验作物是晚熟栽培稻HINO-HIKARI。在三年中，发芽的种子用播种盘统一播种。经过30-33天幼苗移植到田野中去，间隔为0.30mtimes;0.33m。

为了提供不同氮含量的水稻植株，50mtimes;100m试验田被划分为80个小区(在田野边缘不设小区)。施的氮、钾基肥控制在0-65kg/ha范围内。在2013年，半数小区统一施30Kg/ha氮、钾基肥。有少数小区并未施肥，当做对照。五氧化二磷用作磷肥给每个小区都施30kg/ha。天气状况(如温度，累计辐射和降水)由设在京都大学试验田的天气站来测量。

2.2 高光谱遥感

分别于2003年8月1号、2004年8月2号和2005年8月5号用航空高光谱传感器拍摄穗分化期图像。400-1000nm范围内有68个波段，半波宽度的改变量根据波长确定在8.15-9.19nm之间。图像在将近1400m高空拍摄。地面分辨率是2.25㎡。反射率仪表盘设置在试验田四周以抵消实验中太阳光差异的影响。

图像用ENVI version 4.2可视化图像软件分析,ITT Visual Information Solutions,Boulder,USA。每个小区的反射率计算不用全部面积，只用内部的一小部分以消除边缘效应。水稻的反射率通过用反射率仪表盘划分的每块小区反射率来计算。

2.3作物数据的测量

每年由图像获得的穗分化期的作物数据(由干物质、氮浓度及叶和茎的氮含量组成)被量化。2003年在27个小区取样，其中有两个零区；2004年一共有40个小区，其中5个零区；2005年共有40个小区，其中8个零区。在2003年取样数目少。

在每个小区里，有两个副取样点，每个包含四股水稻。航空高光谱图像获得后，在每个副采样点水稻被除根后取得。植株被充分混合后分成1/4和3/4两个部分。1/4样本分别按茎和叶来计算它们的比例。两个样本轮流在烘干机80D°的温度下烘超过48小时然后称量。3/4副本的叶或茎的干物质量按1/4副本的比例计算。1/4样本的茎和叶充分研磨，然后每部分的氮浓度用气相色谱NC-900测量三次。副本部分的氮含量可用来计算每平方米干物质量和平均氮浓度。最后，以两个副本的平均值作为每块小区的氮浓度。

2.4统计分析

描述性数据用三年作物生长和反射率数据计算。作物生长的Duncan多重比较用SPSS version 13分析。反射率的PLSR用Unscrambler version 9.6CAMO software AS, Oslo, Norway的完全交叉方法验证，它是用样本提升相关性的一种有效方法。模型的质量用决定系数和标准RMSE或预测RMSE来衡量，如方程(1)和方程(2)所示。RMSEP的偏差即系统误差分量，如方程(3)所示。

y^i和yi 是第一样本的预测值和测量值，Ic是标准设置中的样本量，Ip是预测设置中的样本量。

1. 结果和讨论

3.1田间管理

表一给出了三年试验田的作物管理和天气状况。作物管理在三年中大致相同，除了2005年基肥施用日期和氮肥用量。然而，正如预期一样，天气状况(如积温和辐射)每年都有变化。2003年在移植和采样期间的积温是其他年的3/4。而2003年累积辐射几乎是2004年的一半。因此，天气状况每年都会影响作物生长。

3.2作物数据

三年内穗分化期作物数据通过航空高光谱图像捕获后测得。表二是穗分化期水稻数据的描述性统计。2003年的干物质及氮含量与2004和2005年的不同，氮浓度却是相同的。2003年的干物质量是其他年的52-66%，氮含量少于前几年的65%。所以2003年在每个采样点的平均氮肥施用量比其他年多1.5倍，平均作物生长量比其他年少66%。大体上，植物的氮积累量增加了，这与温度和辐射强度以及氮肥施用量和土壤氮有关。在2003年，靠近试验田的京都的太阳辐射相比于往年尤其低。

从相同的试验田可得出土壤化学物质贡献正比于产量，这能解释65%的产量的空间结构和非随机变化。因此有必要测定未施肥条件下的小区氮含量以比较土壤氮差异。

表三列出了在三年中穗分化期在施基肥期不施氮肥条件下的作物数据的描述性统计。由图可看出2003年与其他年的干物质和氮含量在5%显著水平下存在明显差异。在表二中出现了相同的变化趋势，尤其是叶的干物质量、茎的总氮浓度、叶的氮含量和总氮含量。未施氮时每小区的作物生长仅取决于土壤氮，而土壤氮由于每年天气状况而有所变化。而在灌溉之前从有机土中吸收的可用的矿化氮的数量与温度和湿度呈线性相关。2003年作物生长或许是受土壤氮影响，即受温度和辐射影响；因此，土壤氮的CV要比2004年和2005年的低。尽管叶干物质的CV，总干物质和茎的氮含量在2003年少了2%，在2004年和2005年却超出了5%。这意味着当天气状况不适合作物生长时，土壤氮的吸收减少了作物生长的空间变异。

3.3高光谱反射率分析

图1是三年内每个小区的高光谱反射率和水稻穗分化期的反射率。2003年水稻的反射率与其他年不同，但很难解释其原因。2003年的干物质量与其他年不同，这与植被覆盖率(VCR)和叶面积指数(LAI)有关，与表2和表3反映的其他年的不同。2003年干物质最大值几乎与2004和2005年未施肥的小区的数据最小值相同或者更少。水稻反射率不仅包括水稻植株、还包括灌溉水和土壤反射率。

土壤背景值使冠层反射率倾向于增加可见光区反射率和减少近红外光区反射率。因下层水和土壤对冠层反射光谱贡献最大，所以可见光区的反射率值比近红外区略低。低温和辐射不足是VCR降低和背景反射率增加的原因，因此导致2003年反射率值可能在可见光波段增加，而在近红外波段减少。

图二用三年数据展示了高光谱反射率和作物生长之间的相关系数的模式。干物质和氮含量在红光波段有一个由负转正的显著转变，但其他波段均未表现出显著相关性。这意味着氮含量在穗分化时期主要受干物质而非氮浓度影响。并且只有在红光区域才有显著变化，因此，红光可作为预测水稻穗分化时期作物生长的一个重要区域。

3.4偏最小二乘回归

3.4.1模拟

表四是结合三年数据用完全交叉验证方法的PLSR分析结果。在穗分化期水稻氮含量能通过完全交叉验证方法的PLSR分析。2003、2004和2005年的模型确认系数分别是0.758、0.847和0.443。2005年模型的RMSEP大于1g/㎡。当模型用其他两年的数据估计时，相关系数大于0.792，RMSEP小于0.876g/㎡。尽管RMSEP和SEP的精确度被部分降低了，但完全交叉验证的相关系数增加超过了0.792。2003-2004-2005模型有107个样本，用5个潜变量估计时r=0.938，RMSEC=0.682。当准确度用完全交叉方法预测时，r=0.919，RMSEP=0.771g/㎡。

图三和图四用三年数据基于PLSR模型的变量给出了回归系数的两个变量模型。分别有两组不同的回归系数，尽管每组模式是相同的。模型一的回归系数在-0.274到0.593之间，用的是2003和2005年的数据。模型一只有一个潜变量，如图四所示。模型二的回归系数在-15.42到6.367之间，用在2004、2003-2004和2003-2004-2005模型中，如图三和图四所示。

模型一的特定区域主要在近红外，除了2003-2005模型有一部分在可见光。模型二的特定区域主要在红光部分，部分在近红外。模型二在红光区域反射率增加，在697到746nm之间回归系数由正变负。经确认是由于红光区域作物生长变化引起，如图二所示。有些研究用红光区域的波段来进行，如用720和735nm来研究小麦的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31864]，资料为PDF文档或Word文档，PDF文档可免费转换为Word