利用無人機高光譜數(shù)據(jù)結合臨界氮濃度和機器學習估算水稻缺氮

背景

氮是影響水稻生長發(fā)育和最終產(chǎn)量的最顯著元素，氮含量的變化對光合作用、蛋白質合成和碳氮代謝有明顯影響。因此，快速、準確、大規(guī)模地診斷稻田氮素需求，并根據(jù)診斷結果進行合理施肥，是實現(xiàn)水稻田間精確管理、保證水稻產(chǎn)量的重要手段。

臨界氮濃度曲線是傳統(tǒng)水稻氮素診斷的主要標準。氮營養(yǎng)指數(shù)作為作物氮營養(yǎng)診斷的重要指標，可以定量描述作物的氮豐缺程度?；诘獱I養(yǎng)指數(shù)計算缺氮量需要實地采樣數(shù)據(jù)，成本高，測量周期長，結果滯后，因此難以指導實際的農(nóng)業(yè)生產(chǎn)。近年來，隨著高光譜遙感技術的發(fā)展，利用無人機高光譜遙感技術獲取水稻理化信息已成為精確農(nóng)業(yè)領域的一個重要發(fā)展方向。因此，將無人機高光譜遙感技術與關鍵氮濃度曲線相結合，利用基于水稻光譜反演的氮營養(yǎng)指數(shù)診斷水稻氮素狀況成為當前的研究熱點。

氮素指數(shù)數(shù)據(jù)可以描述水稻氮素豐度和缺氮狀況，但準確施肥需要更準確的缺氮數(shù)據(jù)。水稻原始光譜與缺氮的相關性較差，難以簡單地通過機器學習方法建立兩者之間的相關性。因此，本文以水稻無人機高光譜數(shù)據(jù)和缺氮數(shù)據(jù)為研究對象，通過對缺氮約為0的各時段的水稻冠層光譜進行比值和差值變換，放大兩者之間的差異。然后利用SPA對原始光譜和變換光譜進行處理，提取*優(yōu)高光譜主成分，建立基于多元線性回歸（MLR）、長短期記憶（LSTM）、極限學習機（ELM）和非支配排序遺傳算法III極限學習機（NSGA-III-ELM）的水稻缺氮反演模型。最后，通過比較各模型的反演效果，確定了基于高光譜數(shù)據(jù)的水稻缺氮*佳反演方法，為快速獲取水稻缺氮信息提供研究方向，并為基于田間水稻氮營養(yǎng)狀況的精確施肥提供定量指導。

試驗設計

沈陽農(nóng)業(yè)大學陳春玲教授團隊利用Gaiasky-Mini-VN高光譜相機（江蘇雙利合譜公司）獲取了如圖1所示的兩組試驗中不同氮處理下水稻冠層的高光譜影像，其波段范圍為400 ~ 1000 nm，波段數(shù)為253。

臨界氮濃度是作物達到*大生物量所需的*小氮濃度，因此可以根據(jù)臨界氮濃度構建缺氮方程來確定水稻缺氮情況。對各時段的臨界氮濃度點進行冪函數(shù)擬合，構建作物臨界氮濃度曲線：Nc (%) = a*DM-b，Nc為水稻臨界氮濃度，DM為地上干重，a、b為曲線參數(shù)。由臨界氮濃度曲線推導出缺氮方程：Nand (%) = Nc–Nnc，Nand為缺氮，Nnc為不同施氮量下植株的實際含氮量。

為了減少輸入數(shù)量，減少數(shù)據(jù)冗余，提高建模速度和精度，本研究采用連續(xù)投影算法SPA從光譜反射率數(shù)據(jù)中提取特征。本研究選擇MLR、LSTM、ELM和NSGA-III-ELM四種算法進行建模。NSGA-III的主要過程如圖2所示。

圖1 試驗區(qū)的位置和布局

圖2 NSGA-III算法流程概述

結論

由于試驗包含了整個生育期的采樣數(shù)據(jù)，兩組試驗中植株氮濃度和地上部干重的分散程度較高，*大值和*小值差異較大。由于施氮量較高，試驗1的全氮濃度和干重均高于試驗2。在試驗2中，由于分蘗期和拔節(jié)期取樣密度較高，平均氮濃度較高，地上部平均干重較低。

表1 植株氮濃度和干重統(tǒng)計

本研究根據(jù)臨界氮濃度曲線構建方法，根據(jù)試驗1的各臨界氮濃度及其對應的干重，構建水稻的臨界氮濃度曲線，然后以試驗2的臨界氮濃度作為驗證數(shù)據(jù)。計算曲線方程為：Nc = 2.03DM–0.46（圖3）。

在光譜反射率方面，不同施氮水平下原始光譜反射率相關性變化趨勢相似，但不完全相同（圖4）。原始光譜與缺氮量在整個波段的相關性較差，在紅色波段（680 nm附近）有一個顯著的吸收峰。差值和比值光譜分別與缺氮呈正相關和負相關。比值光譜的相關系數(shù)較高，兩種光譜的相關系數(shù)一致，且在可見光（400 ~ 700 nm）范圍內(nèi)兩種光譜的相關系數(shù)較高。利用SPA在原始光譜、差值光譜和比值光譜中分別提取了13個、12個和12個波段。

圖3 臨界氮濃度曲線擬合結果

圖4 400 ~ 1000 nm內(nèi)原始（A）、差值（B）和比值（C）光譜的反射率及其與缺氮的相關系數(shù)（D、E、F）

以SPA提取的原始光譜、差值光譜和比值光譜的主成分作為輸入變量，以水稻缺氮量為輸出變量，構建了基于MLR、LSTM、ELM和NSGA-III-ELM的水稻缺氮量反演模型。這四種模型均以基于比值光譜構建的預測模型精度*高，其中基于NSGA-III-ELM的反演模型比基于ELM或LSTM的反演模型精度更高（圖5），而LSTM的反演結果存在嚴重的過擬合問題，因此難以作為實際追肥參考。

在試驗1和試驗2中，將反演效果*好的比值光譜結合NSGA-III-ELM模型的N虧缺預測值與對應梯度的N虧缺實測值進行比較（圖6）。在兩個試驗中，氮虧缺與氮營養(yǎng)指標值之間的關系基本一致，且在試驗1中達到N2和N3之間的臨界氮濃度狀態(tài)，在試驗2中達到N3和N4之間的臨界氮濃度狀態(tài)。各施氮量估算的缺氮值與實測值相近，且隨著施氮量的增加，估算的準確性有降低的趨勢，因此在臨界氮濃度狀態(tài)附近估算能力較差。

本研究證實了在無人機平臺結合比值光譜和NSGA-III-ELM監(jiān)測水稻缺氮狀況的優(yōu)越性，為水稻田間缺氮癥狀的快速獲取提供新的思路。

圖5 基于NSGA-III-ELM的原始（A）、差值（B）、比值（C）光譜反演模型

圖6 試驗1（A）和試驗2（B）不同氮梯度下預測氮虧缺的比較 

作者信息

陳春玲，博士，沈陽農(nóng)業(yè)大學信息與電氣工程學院教授，博士生導師。

主要研究方向：農(nóng)業(yè)電氣化與信息化、農(nóng)業(yè)信息化領域。

參考文獻：

Yu, F.h., Bai, J.c., Jin, Z.y., Guo, Z.h., Yang, J.x., & Chen, C.l. (2023). Combining the critical nitrogen concentration and machine learning algorithms to estimate nitrogen deficiency in rice from UAV hyperspectral data. Journal of Integrative Agriculture, 22, 1216-1229.

https://doi.org/10.1016/j.jia.2022.12.007