背景
氮是影響水稻生長發育和最終產量的元素，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、大規模地診斷稻田氮素需求，并根據診斷結果進行合理施肥，是實現水稻田間精確管理、保證水稻產量的重要手段。
臨界氮濃度曲線是傳統水稻氮素診斷的主要標準。氮營養指數作為作物氮營養診斷的重要指標，可以定量描述作物的氮豐缺程度。基于氮營養指數計算缺氮量需要實地采樣數據，成本高，測量周期長，結果滯后，因此難以指導實際的農業生產。近年來，隨著高光譜遙感技術的發展，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業領域的一個重要發展方向。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指數診斷水稻氮素狀況成為當前的研究熱點。
氮素指數數據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據。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據和缺氮數據為研究對象，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據的水稻缺氮最佳反演方法，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狀況的精確施肥提供定量指導。
試驗設計
沈陽農業大學陳春玲教授團隊利用Gaiasky-Mini2-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，波段數為253。
臨界氮濃度是作物達到最大生物量所需的最小氮濃度，因此可以根據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。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。
為了減少輸入數量，減少數據冗余，提高建模速度和精度，本研究采用連續投影算法SPA從光譜反射率數據中提取特征。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據，兩組試驗中植株氮濃度和地上部干重的分散程度較高，最大值和最小值差異較大。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計
本研究根據臨界氮濃度曲線構建方法，根據試驗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據。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較高，兩種光譜的相關系數一致，且在可見光（400 ~ 700 nm）范圍內兩種光譜的相關系數較高。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（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最高，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，在試驗2中達到N3和N4之間的臨界氮濃度狀態。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監測水稻缺氮狀況的*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，沈陽農業大學信息與電氣工程學院教授，博士生導師。
主要研究方向：農業電氣化與信息化、農業信息化領域。
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.
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服