全 文 ：基于减量精细采样法估算小麦叶片氮积累量
的最佳归一化光谱指数*
姚摇 霞摇 刘小军摇 王摇 薇摇 田永超摇 曹卫星摇 朱摇 艳**
(南京农业大学江苏省信息农业高技术研究重点实验室, 南京 210095)
摘摇 要摇 基于 6 个小麦品种、5 个施氮水平、4 年田间试验条件下不同生育时期的小麦叶片高
光谱反射率和相应的氮含量及生物量,采用减量精细采样法,系统构建了 350 ~ 2500 nm范围
内所有两两波段组成的归一化光谱指数[NDSI(i, j)],综合分析了小麦叶片氮积累量(LNA,
g N·m-2)与 NDSI(i, j)的定量关系,确定了估算叶片氮积累量的新高光谱特征波段和光谱
指数,进而建立了小麦叶片氮积累量监测模型.结果表明:估算小麦叶片氮积累量的敏感波段
主要存在于可见光区和近红外区,最佳特征波段组合为 720 nm 和 860 nm;基于 NDSI(860,
720)的叶片氮积累量监测模型为 LNA = 26. 34 伊 [NDSI (860,720)] 1. 887 ( R2 = 0郾 900, SE =
1郾 327) .利用独立试验资料的检验结果表明,基于 NDSI(860,720)建立的回归模型对小麦叶
片氮积累量的估测精度为 0郾 823,RMSE为 0郾 991 g N·m-2,模型预测值与观察值之间的符合
度较高.可利用新的归一化高光谱参数 NDSI(860,720)来估算小麦叶片氮积累量.
关键词摇 小麦摇 叶片氮积累量摇 高光谱摇 归一化光谱指数摇 监测
文章编号摇 1001-9332(2010)12-3175-08摇 中图分类号摇 S512. 1, S127摇 文献标识码摇 A
Estimation of optimum normalized difference spectral index for nitrogen accumulation in
wheat leaf based on reduced precise sampling method. YAO Xia, LIU Xiao鄄jun, WANG Wei,
TIAN Yong鄄chao, CAO Wei鄄xing, ZHU Yan (Jiangsu Province Key Laboratory for Information Ag鄄
riculture, Nanjing Agricultural University, Nanjing 210095, China) . 鄄Chin. J. Appl. Ecol. ,2010,21
(12): 3175-3182.
Abstract: Four independent field experiments with 6 wheat varieties and 5 nitrogen application lev鄄
els were conducted, and time鄄course measurements were taken on the canopy hyperspectral reflec鄄
tance and leaf N accumulation per unit soil area (LNA, g N·m-2). By adopting reduced precise
sampling method, all possible normalized difference spectral indices [NDSI( i, j)] within the spec鄄
tral range of 350-2500 nm were constructed, and the relationships of LNA to the NDSI( i, j) were
quantified, aimed to explore the new sensitive spectral bands and key index from precise analysis of
ground鄄based hyperspectral information, and to develop prediction models for wheat LNA. The re鄄
sults showed that the sensitive spectral bands for LNA were located in visible light and near infrared
regions, especially at 860 nm and 720 nm for wheat LNA. The monitoring model based on the NDSI
(860,720) was formulated as LNA = 26郾 34伊[NDSI(860,720)] 1郾 887, with R2 = 0郾 900 and SE =
1郾 327. The fitness test of the derived equations with independent datasets showed that for wheat
LNA, the model gave the estimation accuracy of 0郾 823 and the RMSE of 0郾 991 g N·m-2, indica鄄
ting a good fitness between the measured and estimated LNA. The present normalized hyperspectral
parameter of NDSI(860,720) and its derived regression model could be reliably used for the esti鄄
mation of winter wheat LNA.
Key words: wheat; leaf nitrogen accumulation; hyperspectral reflectance; normalized difference
spectral index; monitoring.
*教育部新世纪优秀人才支持计划项目 ( NCET鄄08鄄0797 )、国家自然科学基金项目 ( 30871448 )、国家高技术研究发展计划项目
(2010AA10A301)、江苏省创新学者攀登计划项目(BK2008037)、江苏省自然科学基金项目(BK2008330,BK2010453)和校青年创新基金项目
(KJ08004)资助.
**通讯作者. E鄄mail: yanzhu@ njau. edu. cn
2010鄄04鄄07 收稿,2010鄄09鄄27 接受.
应 用 生 态 学 报摇 2010 年 12 月摇 第 21 卷摇 第 12 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Dec. 2010,21(12): 3175-3182
摇 摇 作物体内的氮素是评价长势、提高产量和改善
品质的重要元素.叶片氮积累量被认为是作物长势
监测与诊断的关键指标. 因此,快速、无损获取作物
叶片氮积累量对于精确氮肥管理具有重大意义. 近
年来快速发展的作物反射光谱遥感技术为精确获取
作物生长特征和生理参数信息提供了有效的手段和
方法[1-4] .迄今为止,国内外学者利用光谱遥感技术
对作物氮积累量的监测研究相对较少[5-9] . 研究显
示,作物氮积累量的适宜特征波段和光谱参数随作
物类型、试验条件而有所变化,且有些光谱参数由于
较复杂而不实用. 因此,需要进一步研究形式简化、
稳定可靠的光谱参数和监测模型,着力提高作物氮
素营养监测诊断的精确性和适用性.
高光谱遥感技术由于具有分辨率高、波段范围
广且连续等特点,能够精细表达植株生化组分吸收
及细胞结构多次散射的信息,因而成为精确获取作
物氮素信息的新兴技术平台[3, 9] . 在高光谱信息提
取中,大量植被指数[10-14]被构造用以消除背景噪
音,但有些指数的计算较冗繁,难以方便地用于生产
实践[10-13];在低植被覆盖度时,有些指数的分辨率
显著下降,且对大气状况很敏感,大大降低了对植被
监测的敏感度[14];而归一化植被指数(NDVI)构造
简单、计算方便、能有效降低背景噪音、适合低等至
中等叶面积指数的植被监测,被认为是监测地区或
全球植被和生态环境变化的有效指标[15-17] .由于光
谱信息提取技术和统计软件的限制,迄今还难以精
细提取高光谱数据范围内的所有可能信息[9, 14],这
就有可能导致某些反映植被生化组分的特征波段尚
未被充分挖掘.因此,有必要采用更精细和系统的采
样与分析技术,探索发现新的核心波段和敏感指数,
从而建立准确性和便用性兼备的作物氮素监测模
型.本研究基于不同年份、不同小麦品种、不同施氮
水平的多年大田试验,系统构建 350 ~ 2500 nm高光
谱范围内所有两波段组成的归一化光谱指数,综合
分析了小麦叶片氮积累量(LNA)与冠层归一化光
谱指数[NDSI( i, j)]的定量关系,以期发现估算叶
片氮积累量的解释性较强的新高光谱特征波段、机
理性较好的归一化光谱参数及准确性更高的定量监
测模型,为实时获取小麦氮素营养状况提供理论依
据和技术支持.
1摇 材料与方法
1郾 1摇 试验设计
本研究共设 4 个田间试验,涉及到不同年份、不
同品种和不同施氮水平.
1)试验 1:于 2005—2006 年在江苏省南京市农
林局试验站(31毅56忆 N,118毅59忆 E)进行. 供试品种
为宁麦 9 号(低蛋白含量,约 10% ,记作 N9)和豫麦
34(高蛋白含量,约 15% ,记作 Y34). 前茬水稻田,
土壤有机质 14郾 3 g·kg-1、全氮 1郾 1 g·kg-1、速效氮
62郾 5 mg· kg-1、速效磷 10郾 36 mg·kg-1、速效钾
82郾 5 mg·kg-1 . 设 4 个施氮水平,分别为 0、90、180
和 270 kg·hm-2纯氮,基追比1 颐 1.各处理配施 150
kg P2O5 ·hm-2和 210 kg K2O·hm-2,全部用作基
肥.随机区组排列,3 次重复,小区面积 5 m伊5郾 5 m,
基本苗 1郾 8伊106 株·hm-2,行距 25 cm.其他栽培管
理措施同一般高产麦田. 田间光谱测试和采样日期
分别为:2006 年 3 月 30 日(拔节期)、4 月 11 日(孕
穗期)、4 月 20 日(抽穗期)、4 月 29 日(开花期)、5
月 6 日(花后 8 d,记作 8DAA)、5 月 19 日、5 月 24
日、6 月 2 日.该试验资料用于建立监测模型.
2)试验 2:于 2004—2005 年在江苏省农业科学
院(32毅4忆 N,118毅78忆 E)进行.供试品种为宁麦 9 号、
扬麦 12 号(中蛋白含量,约 12郾 5% ,记作 Y12)和豫
麦 34.前茬水稻田,土壤有机质 20郾 9 g·kg-1、全氮
1郾 8 g·kg-1、速效氮 150郾 20 mg·kg-1、速效磷 40郾 03
mg·kg-1、速效钾 113郾 50 mg·kg-1 . 设 4 个施氮水
平,分别为 0、75、150 和 225 kg·hm-2纯氮,基追比
为1 颐 1. 各处理配施 80 kg P2O5 ·hm-2和 150 kg
K2O·hm-2,全部用作基肥. 随机区组排列,3 次重
复,小区面积 4 m 伊 4郾 5 m,基本苗 1郾 5 伊 106 株·
hm-2,行距 25 cm.其他栽培管理措施同一般高产麦
田.田间光谱测试和采样日期分别为:2005 年 3 月
19 日(拔节期)、4 月 13 日(孕穗期)、4 月 26 日(开
花期)、5 月 6 日、5 月 12 日、5 月 20 日、5 月 24 日、6
月 1 日.该试验资料用于建立监测模型.
3)试验 3:于 2003—2004 年在江苏省农业科学
院进行.供试小麦品种为宁麦 9 号、扬麦 10 (中蛋白
含量,约 13郾 0% ,记作 Y10)、淮麦 20(中蛋白质含
量,约 12% ,记作 H20)和徐州 26(高蛋白质含量,约
15% ,记作 X26).前茬水稻田,土壤有机质 9郾 6 g·
kg-1、全氮 1郾 0 g·kg-1、速效磷 40郾 29 mg·kg-1、速
效钾 102郾 78 mg·kg-1 .设 5 个施氮水平,分别为 0、
75、150、225 和 300 kg·hm-2纯氮,其中 60%作基
肥,拔节肥和孕穗肥各施 20% . 各处理配施 150 kg
P2O5·hm-2和 112郾 5 kg K2O·hm-2,全部用作基肥.
小区面积 4 m伊4 m,基本苗 1郾 8伊106 株·hm-2,行距
25 cm.随机区组排列,3 次重复.其他管理措施同高
6713 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
产大田栽培. 田间光谱测试日期分别为:2004 年 3
月 14 日 (拔节期)、3 月 28 日、4 月 8 日(孕穗期)、4
月 15 日、4 月 19 日(开花期)、4 月 28 日、5 月 4 日、
5 月 11 日、5 月 17 日、5 月 24 日.该试验资料用于测
试监测模型.
4)试验 4(大区试验):于 2008—2009 年在江苏
省长江镇良种场(32毅3忆 N,120毅35忆 E)进行.供试品
种为扬麦 13(低蛋白含量,约 11郾 5% ,记作 Y13).设
2 个密度处理,60郾 75(D1)和 82郾 5(D2)kg·hm-2,播
种期为 11 月 13 日. 设 3 个施氮水平,225 ( N1 )、
292郾 5(N2 )和 360 (N3 ) kg·hm-2,其中,40% 作基
肥,40%作苗肥,20%作拔节肥.随机区组设计,小区
面积均大于 90 m伊90 m,重复 2 次,共 12 个小区.各
处理施用 120 kg P2O5·hm-2和 190 kg K2O·hm-2,
磷钾肥全部做基肥. 其他栽培管理措施同普通高产
田.田间光谱测试和采样日期分别为:2009 年 4 月 5
日(拔节期)、4 月 24 日(抽穗期)、5 月 5 日(灌浆中
期).该试验资料用于测试监测模型.
1郾 2摇 研究方法
1郾 2郾 1 高光谱信息的获取 摇 采用美国 Analytical
Spectral Device ( ASD) 公司生产的 FieldSpec Pro
FR2500 型背挂式野外高光谱辐射仪 ( analytical
spectral devices)测量 350 ~ 2500 nm 波段的小麦冠
层高光谱.其中,350 ~ 1050 nm光谱采样间隔为 1郾 4
nm,光谱分辨率为 3 nm;1050 ~ 2500 nm 光谱采样
间隔为 2 nm,光谱分辨率为 10 nm.冠层光谱测定选
择在天气晴朗、风小时进行,时间范围为 10:00—
14:00.测量时传感器探头垂直向下,光谱仪视场角
为 25毅,距冠层顶垂直高度约 1郾 0 m,地面视场范围
直径为 0郾 44 m.以 20 个光谱为一采样光谱,每个小
区观测点记录 10 个采样光谱,以其平均值作为该小
区的光谱反射值.测量过程中,及时对每组目标的观
测前后进行标准白板校正.
1郾 2郾 2 叶片氮积累量的计算 摇 与冠层光谱测定同
步,各小区破坏性获取小麦植株 20 株,按器官分离
后在 80 益下烘干,称量并粉碎后,采用凯氏定氮法
测定器官全氮含量(% ). 叶片氮积累量(LNA,g N
·m-2)=叶片氮含量(LNC,% )伊叶片干质量(LDM,
g DM·m-2 soil) . 通过不同叶位叶片质量加权求得
所有绿色叶片的氮素含量,进而计算出单位土地面
积上的叶片氮积累量.
1郾 2郾 3 归一化光谱指数 (NDSI)的构建摇 由于 350 ~
2500 nm光谱范围内所有两波段组成的归一化光谱
指数(NDSI)的内涵超出了传统归一化植被指数
(NDVI)的定义,本研究将其简称为归一化光谱指数
[NDSI( i,j)],其公式如下:
NDSI( i,j)= (R i-R j) / (R i+R j)
式中:R i 和 R j 分别为波长 i 和 j 的反射率,i 和 j 的
范围均为 350 ~ 2500 nm,且 i>j.
1郾 2郾 4 减量精细采样法与最佳波段的确定摇 针对研
究中的海量高光谱数据,结合降采样法和精细采样
法,设计形成了新的减量精细采样法,从而实现对观
察资料的快速分析与特征提取. 减量精细采样法的
具体步骤可分成 2 个模块:首先,基于降维的思想采
用降采样法构建归一化光谱指数(NDSI),即在 350
~ 2500 nm范围内每隔 10 个波段读取光谱反射率
数据(波段间隔为 10 nm),采用矩阵的形式,两两组
合所有可能波段构建光谱指数,并与小麦叶片氮积
累量进行方程拟合 (包括直线、指数和幂函数方
程),计算相应的决定系数(R2),绘制浓度决定系数
图,确定 R2 最大的波段范围;然后,在 R2 较大的波
段范围内,采用精细采样法,逐个波段读取光谱反射
率数据(波段间隔为 1 nm),两两组合构建所有可能
的归一化植被指数,与小麦氮积累量进行方程拟合,
并基于 R2 和标准误(SE)及光谱学理论,确立最佳
特征波段和相应的归一化光谱指数.其中,光谱指数
矩阵的构建、决定系数的计算与排序、浓度图的绘制
均在软件 MATLAB 7郾 0[18]中通过自编程序实现.
1郾 2郾 5 模型的检验与测试摇 利用试验 3 和 4 中获取
的观 测 资 料, 采 用 国 际 上 通 用 的 根 均 方 差
(RMSE) [19]和平均绝对误差(MAPE) [20]对所建立
的监测模型进行测试和检验,并绘制试验观察值与
模型预测值之间的 1 颐 1 关系图.
RMSE = 1n 伊 移
n
i = 1
(P i - Qi) 2 伊 100 /軍Oi
MAPE = 1n 伊 移
n
i = 1
| P i - Oi |
Oi
式中:Oi 为试验观察氮积累量值;P i 为模型估测氮
积累量值;n为模型测试检验样本数.
2摇 结果与分析
2郾 1摇 不同氮素水平下小麦氮积累量的变化
试验 1 中两小麦品种在各生育时期的叶片氮积
累量均随施氮水平的增加而提高,且不同施氮处理
间叶片氮积累量的差异随生育进程而有所变化,宁
麦 9 号和豫麦 34 叶片氮积累量的变幅分别在 0郾 20
~ 9郾 30 g N·m-2和 0郾 18 ~ 6郾 53 g N·m-2 .除 N0 处
理外,叶片氮积累量随生育时期的推进呈先升后降
771312 期摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数摇 摇 摇 摇
图 1摇 不同氮素水平下宁麦 9 号(a)和豫麦 34(b)叶片氮积
累量(LNA)随生育进程的变化(试验 1)
Fig. 1摇 LNA of Ningmai 9 (a) and Yumai 34 (b) under differ鄄
ent N rates at different growth stages in 2005-2006 (Exp. 1).
N0:不施氮 No nitrogen; N1:90 kg N·hm-2; N2:180 kg N·hm-2;
N3: 270 kg N·hm-2 . A:拔节期 Jointing stage; B:孕穗期 Booting
stage; C:抽穗期 Heading stage; D:开花期 Anthesis stage; E:灌浆前
期 Before鄄filling stage; F:灌浆中期 Mid鄄filling stage; G:灌浆后期
Late鄄filling stage. 下同 The same below.
的趋势,且在孕穗期或抽穗期达到高峰,孕穗期至开
花期,植株生长旺盛,此时植株对氮的需求急剧增
加,叶片氮积累量呈下降趋势,品种间表现一致(图
1).增加施氮量显著提高了小麦叶片的氮积累量,
其增幅随生育时期而表现不同.
2郾 2摇 不同氮素水平下小麦光谱反射率的变化
试验 1 中,不同施氮水平显著影响豫麦 34 冠层
光谱反射特征,不同波段区域的光谱响应有所差别
(图 2a).随施氮水平增加,小麦冠层光谱反射率在
可见光波段范围内(350 ~ 710 nm)降低,而在近红
外波段范围内(740 ~ 1100 nm)升高,处理间差异较
明显,表明该波段区域对小麦氮素反应较敏感.不同
生育期小麦对光谱反射率的影响与施氮水平类似,
具有明显规律性的波段区域主要存在于可见光和近
红外波段区域(图 2b).这可能是由于不同施氮水平
和不同生育阶段的小麦冠层结构和植株生化组分发
生剧烈变化,因而对光谱特征产生重要影响. 总之,
在高氮水平和旺盛生长期,小麦冠层可见光区反射
率比低氮处理和缓慢生长期低,而近红外区则呈相
反趋势.
图 2摇 不同氮素水平(a,孕穗期)及不同生育时期(b,N3)豫
麦 34 的冠层光谱反射率(试验 1)
Fig. 2摇 Canopy spectral reflectance of Yumai 34 under four N
rates at booting (a) and at different growth stages under N3 rate
(b) (Exp. 1).
2郾 3摇 基于减量精细采样法的归一化光谱指数及监
测模型
利用试验 1 和 2 的观测数据,采用降采样法
(每隔 10 个波段采样)分析 350 ~ 2500 m 波段范围
内归一化光谱指数(NDSI)与小麦叶片氮积累量的
直线回归关系(图 3a),结果表明,可见光区(710 ~
730 nm)和近红外区(930 ~ 1010 nm)的 NDSI 与叶
片氮积累量的关联度整体水平较高(R2 >0郾 80). 以
图中横坐标 710 ~ 730 nm、纵坐标 930 ~ 1010 nm 为
敏感波段范围,逐个波段进行精细采样,得出基于
NDSI与氮积累量直线回归方程的决定系数浓度图,
发现基于 720 nm和 968 nm的归一化光谱指数表现
最好,拟合方程的 R2 较大(0郾 810),SE 相对较低
(1郾 309) (表 1).
摇 摇 从 NDSI 与小麦氮积累量幂函数关系的全波段
决定系数浓度图 (图 3b)可以看出,可见光区(510
~ 730 nm)和近红外区(780 ~ 1020 nm)的 NDSI 与
小麦氮积累量的 R2 普遍大于 0郾 900. 以图 3b 中横
坐标 510 ~ 730 nm 和纵坐标 780 ~ 1020 nm 为敏感
波段范围,得出精细采样的决定系数浓度图,发现由
720 nm和 860 nm 构成 NDSI 并建立的氮积累量预
测方程具有较大的 R2(0郾 900)和较低的 SE (1郾 327)
(表 1).
8713 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
表 1摇 小麦叶片氮积累量(LNA)与 NDSI的定量关系
Tab. 1摇 Quantitative relationship of NDSI to LNA in wheat (n=402)
方程
Equation
最佳波段
Optimum band
光谱参数
Spectral parameter
回归方程
Regression equation
决定系数
R2
标准误
SE
直线函数 Linear function 968, 720 NDSI(968, 720) y=22郾 31x-2郾 799 0郾 810 1郾 309
幂函数 Power function 860, 720 NDSI(860, 720) y=26郾 34x1郾 887 0郾 900 1郾 327
指数函数 Exponential function 940, 570 NDSI(940, 570) y=0郾 066e5郾 851x 0郾 901 1郾 206
y: NDSI; x: LNA. 下同 The same below.
图 3摇 NDSI与氮积累量直线回归(a)、幂函数(b)和指数函
数(c)关系的决定系数
Fig. 3摇 Determination coefficients (R2) of the linear (a), pow鄄
er (b), exponential (c) function of NDSI to LNA.
A:波段间隔 10 nm With 10 nm wave band interval; B:波段间隔为
1 nm With 1 nm wave band interval.
摇 摇 由图 3可以看出,可见光区(500 ~ 580 nm)和近
红外区(830 ~ 1010 nm) 的 NDSI 与小麦氮积累量构
成的方程普遍具有较高的决定系数(R2 >0郾 900).然
后以图中横坐标 500 ~ 580 nm 和纵坐标 830 ~ 1010
nm为敏感波段区域,得出精细的决定系数浓度图,发
现 570 nm和 940 nm为最佳特征波段,其构建的预测
方程 R2 为 0郾 901,SE为 1郾 206 (表 1).
不论是直线方程还是曲线方程,基于可见光和
近红外区敏感波段构建的光谱参数均表现较好(表
1),具有较好的机理性和解释性. 可见光区是光合
作用的代表性波段,近红外波段则对植被差异及植
物长势反映敏感,因而由他们组合构成的光谱指数
是植株光合作用和长势特征的灵敏指示器,能可靠
地预测植株的氮素营养状况. 基于上述波段构建的
3 类模型 (直线函数、幂函数和指数函数)的 R2 >
0郾 810,SE<1郾 327(表 1),且曲线方程能更明显地提
高方程精度(图 4).
2郾 4摇 基于 NDSI 的小麦叶片氮积累量监测模型测
试
利用试验 3 的独立观测资料对所构建的小麦叶
片氮积累量监测模型进行初步检验,以预测值与观
察值之间的 R2、根均方差(RMSE)和平均绝对误差
(MAPE)3 个指标综合考察模型的表现.结果表明,3
类叶片氮积累量估算模型的 R2 均大于 0郾 778 (表
2);根据 RMSE 和 MAPE 确定以 NDSI(860,720)为
变量建立的小麦叶片氮积累量监测模型的测试结果
最好(图 5),RMSE和MAPE分别为 1郾 011 g N·m-2
和 0郾 219.因此,基于减量精细采样法建立的小麦氮
素监测模型不仅简单可靠,而且灵活适用、准确性
高、普适性强.
摇 摇 为了将本文所建模型与前人所建模型进行比
较,本文统一采用试验 3 和 4 的观测资料来评价这
些监测模型的表现.结果表明,本文构建监测模型的
算法形式简单,估测结果可靠,表现也较稳定(表
3).因此,基于减量精细采样法建立的小麦氮积累
量监测模型能实时获取作物氮素营养状况,可为便
携式氮素监测仪的开发及空间遥感信息的提取提供
关键波段选择.
图 4摇 基于 NDSI(860,720)的小麦 LNA监测模型
Fig. 4摇 Model of LNA in wheat based on NDSI (860,720).
971312 期摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数摇 摇 摇 摇
表 2摇 基于 NDSI的小麦叶片氮积累量监测方程的测试表现
Tab. 2摇 Testing performance of the equation based on NDSI to LNA for wheat
光谱参数
Spectral parameter
回归方程
Regression equation
决定系数
R2
根均方差
RMSE (g N·m-2)
平均绝对误差
MAPE
NDSI(968,720) y=22郾 31x-2郾 799 0郾 828 1郾 090 0郾 300
NDSI(860,720) y=26郾 34x1郾 887 0郾 823 0郾 991 0郾 226
NDSI(940,570) y=0郾 066e5郾 851x 0郾 778 1郾 162 0郾 232
表 3摇 本文所建小麦氮素监测模型与前人所建模型的比较
Tab. 3摇 Comparison of the present model with the previous models in wheat
光谱参数
Spectral parameter
回归方程
Regression equation
决定系数
R2
(n=402)
模型测试表现
Performance of monitoring model (n=134)
R2 RMSE 斜率 Slope
文献
Reference
RVI (R1100,R660) y=0郾 40x0郾 9925 0郾 566 0郾 735 0郾 3780 0郾 997 [8]
RVI (R870,R660) y=0郾 44x0郾 9362 0郾 569 0郾 745 0郾 3391 0郾 942 [8]
SDR / SDB y=0郾 10x1郾 5223 0郾 836 0郾 810 0郾 2458 0郾 974 [9]
RSI (R990,R720) y=5郾 095x-6郾 04 0郾 814 0郾 847 0郾 2470 0郾 939 [14]
RVI (R1220,R610) y=1郾 55e0郾 1153x 0郾 552 0郾 841 0郾 6864 0郾 005 [17]
NDVI (R759,R730) y=0郾 49e9郾 84x 0郾 477 0郾 807 0郾 3042 0郾 922 [21]
RVI y=0郾 39x+0郾 23 0郾 380 0郾 566 1郾 1029 0郾 014 [22]
NDSI(860,720) y=26郾 34x1郾 887 0郾 900 0郾 836 0郾 2509 0郾 920 本文 This study
SDR / SDB:红蓝边面积比 Ratio of red edge area to blue edge area; RVI:比值光谱指数 Ratio spectra index.
图 5摇 基于 NDSI(860,720)的小麦氮积累量预测值与观察
值的比较
Fig. 5摇 Comparison between observed and predicted LNA based
on NDSI(860,720) in wheat (n=188).
3摇 讨摇 摇 论
作物氮素状况监测一直是作物遥感监测研究的
重点领域.本文综合利用不同年份、不同品种类型、
不同施氮水平的小麦田间试验资料,采用减量精细
采样法,系统组建了所有两波段形成的归一化光谱
指数矩阵,发现了估算小麦叶片氮积累量的新高光
谱特征波段,并创建了可靠适用的小麦叶片氮积累
量监测模型,从而为基于农业遥感技术进行小麦氮
素营养和生长状况的无损监测与精确诊断奠定了理
论与技术依据.
关键波段的精细探测一直是植被遥感监测领域
的重要研究课题[23] . 对于多光谱信息,可以通过单
个波段逐个相关回归来寻找植株生化组分的归属波
段或敏感性波段[24];但对于高光谱信息,必须采用
有效方法从大量数据中准确提取目标物的特征信
息.为此,微分技术、“三边冶参数、最小二乘法和小
波分析等统计分析方法被广泛应用于构造特定的高
光谱参数.
然而,已有研究一般都是基于已报道的敏感波
段,来提取相对应的特征光谱信息,试图确立最优光
谱参数和监测模型[9,12,21] . 这种传统的研究方法不
能充分挖掘和利用作物高光谱的精细信息,且难以
发现新的作物生长敏感波段. 本研究针对海量高光
谱数据,通过降采样法和精细采样法的有效融合,形
成减量精细采样法,采用矩阵的形式,在自编 Matlab
程序下探索新的敏感波段,从而实现了对高光谱信
息的快速分析与特征提取. 另外,在精细光谱分析
中,需要增强样本来源的复杂性和代表性,同时采用
有效的光谱估算模型,从而提高分析结果的适用性
和准确性.本研究涉及不同施氮水平和小麦品种的
3 年大田试验,样本数量较多,信息内涵丰富,并构
建了不同函数形式的监测模型,从而为高光谱的精
细分析及波段选择提供了一种快捷、方便、科学的研
究手段.
已有报道表明,水稻叶片氮积累量与 R620和
R760的线性组合有较好的回归关系,且不受品种类
0813 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
型的影响[25] .另外,基于作物多光谱分析发现,RVI
(810, 560 ) [6]、 RVI ( 1100, 560 ) [7]、 NDVI ( 1220,
660) [8]可以监测水稻叶片氮积累量; RVI (810,
660) [8]可以监测小麦叶片氮积累量,且适用于不同
生育时期. 最近研究表明,基于高光谱指数 SDr /
SDb、FD742和 AVHRR鄄GVI 可以较精确地估测不同
条件下小麦叶片的氮素积累[9],但这些高光谱参数
较复杂且难以直接应用于地面监测仪器的研制开
发.本研究通过对高光谱信息的精细分析,发现了指
示小麦叶片氮素积累量的 2 个敏感波段(860 nm和
720 nm),这些特征波段是对已有波段的补充和拓
展,且所建立的监测模型{LNA = 26郾 34[NDSI(860,
720)] 1郾 887}简单适用,但模型检验测试的预测值与
观察值的截距较大,今后将进一步考虑采用导数技
术、多点平滑等光谱预处理方法,并基于 NDSI(860,
720)构建土壤调节植被指数(SAVI),以进一步降低
噪声,提高监测模型的估测精度和稳定性.本研究发
现的核心波段(860 nm和 720 nm)及植被指数 NDSI
(860,720)表现形式简单,有助于开发便携式的作
物氮素营养监测仪,且波段成本相对较低.
不同的植被指数可能有不同的特点和适用范
围.归一化植被指数(NDVI)被称为是植被状态及植
被覆盖度的最佳指示因子. NDVI 经过比值处理,可
部分消除与太阳高度角、地形、云 /阴影和大气条件
有关的辐照度条件变化等因子的影响,增强植被的
响应能力,适宜于外推到空间遥感,因而更适于全球
或大陆等大尺度的植被动态遥感. 由于 NDVI 对土
壤背景变化较敏感,当植被覆盖度大于 80%时,它
对植被监测的灵敏度会有所下降,因此,NDSI 更适
于植被发育中期或中等覆盖度(25% ~ 80% )的植
被[26-27] . RVI更适用于植被高密度覆盖,当覆盖度
小于 50%时,其分辨率趋于下降[14,26-27] .可见,本研
究结论与已报道的氮积累量植被指数 RVI(990,
720)在一定程度上具有互补性[27] .
本研究中归一化光谱指数 NDSI(860,720)的基
本适用范围大致为 0郾 22 ~ 9郾 15 g N·m-2,但在过高
氮素水平下也呈现出相对饱和的趋势,因而有可能
低估高氮供应下小麦叶片的氮素积累. 虽然在实际
农业生产中,很少存在这种过量的氮素施用水平,但
有必要进一步探索能适用于更宽氮素水平范围的小
麦高光谱指数.
参考文献
[1]摇 Blackmer TM, Schepers JS, Varvel GE, et al. Nitrogen
deficiency detection using reflected short wave radiation
from irrigated corn canopies. Agronomy Journal, 1996,
88: 1-5
[2]摇 Zhang JH, Wang K, Bailey JS, et al. Predicting nitro鄄
gen status of rice using multispectral data at canopy
scale. Pedosphere, 2006, 16: 108-117
[3]摇 Yoder BJ, Pettigrew鄄Crosby RE. Predicting nitrogen and
chlorophyll content and concentrations from reflectance
spectra (400-2500 nm) at leaf and canopy scales. Re鄄
mote Sensing of Environment, 1995, 53: 199-211
[4]摇 Tarpley L, Reddy KR, Sassenrath鄄Cole GF. Reflectance
indices with precision and accuracy in predicting cotton
leaf nitrogen concentration. Crop Science, 2000, 40:
1814-1819
[5]摇 Huang C鄄Y (黄春燕), Wang D鄄W (王登伟), Yan J
(闫摇 洁),et al. Study on estimating leaf nitrogen accu鄄
mulation in cotton canopy based on the red edge parame鄄
ter. Chinese Agricultural Science Bulletin (中国农学通
报),2006, 22(7): 563-566 (in Chinese)
[6]摇 Xue LH, Cao WX, Luo WH, et al. Monitoring leaf ni鄄
trogen status in rice with canopy spectral reflectance.
Agronomy Journal, 2004, 96: 135-142
[7]摇 Zhou D鄄Q (周冬琴), Zhu Y (朱摇 艳), Tian Y鄄C (田
永超), et al. Monitoring leaf nitrogen accumulation
with canopy spectral reflectance in rice. Acta Agronomi鄄
ca Sinica (作物学报), 2006, 32(9): 1316-1322 (in
Chinese)
[8]摇 Zhu Y (朱摇 艳), Yao X (姚摇 霞), Tian Y鄄C (田永
超), et al. Quantitative relationship between leaf nitro鄄
gen accumulation and canopy reflectance spectra quanti鄄
tative relationship between leaf nitrogen accumulation
and canopy reflectance spectra in rice and wheat. Chi鄄
nese Journal of Plant Ecology (植物生态学报), 2006,
30(6): 983-990 (in Chinese)
[9]摇 Feng W, Yao X, Zhu Y, et al. Monitoring leaf nitrogen
status with hyperspectral reflectance in wheat. European
Journal of Agronomy, 2008, 28: 394-404
[10]摇 Demetriades鄄Shah TH, Steven MD, Clark JA. High res鄄
olution derivative spectra in remote Sensing. Remote
Sensing of Environment, 1990, 33: 55-64
[11] 摇 Miller JR, Hare EW, Wu J. Quantitative characteriza鄄
tion of the vegetation red edge reflectance: An inverted鄄
Gaussian reflectance model. International Journal of Re鄄
mote Sensing, 1990, 11: 1755-1773
[12]摇 Dawson TP, Curran PJ. A new technique for interpola鄄
ting the reflectance red edge position. International
181312 期摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数摇 摇 摇 摇
Journal of Remote Sensing, 1998, 19: 2133-2139
[13]摇 Gupta RK, Vijayan D, Prasad TS. Comparative analysis
of red鄄edge hyperspectral indices. Advance in Space Re鄄
search, 2003, 32: 2217-2222
[14]摇 Yao X (姚摇 霞), Zhu Y (朱 摇 艳), Feng W (冯 摇
伟), et al. Exploring novel hyperspectral band and key
index for leaf nitrogen accumulation in wheat. Spectros鄄
copy and Spectral Analysis (光谱学与光谱分析),
2009, 29(8): 2191-2195 (in Chinese)
[15]摇 Fernandez S, Vidal D, Simon E. Radiometric character鄄
istics of Triticum aestivum cv. Astral under water and ni鄄
trogen stress. International Journal of Remote Sensing,
1994, 15: 1867-1884
[16]摇 Lyon JG, Yuan D, Lunetta RS, et al. A change detec鄄
tion experiment using vegetation indices. Photogrammet鄄
ric Engineering and Remote Sensing, 1998, 64: 143 -
150
[17]摇 Xue L鄄H (薛利红),Cao W鄄X (曹卫星),Luo W鄄H
(罗卫红),et al. Correlation between leaf nitrogen status
and canopy spectral characteristics in wheat. Acta Phy鄄
toecologica Sinica (植物生态学报), 2004, 28 (2):
172-177 (in Chinese)
[18]摇 The MathWorks. MATLAB 6. 0. Natick: The Math鄄
Works Inc. , 2000
[19]摇 Zhu Y, Li Y, Feng W, et al. Monitoring leaf nitrogen
in wheat using canopy reflectance spectra. Canadian
Journal of Plant Science, 2006, 86: 1037-1046
[20]摇 Gao L (高摇 琳), Gao F (高摇 峰), Guan X鄄H (管晓
宏), et al. Neural networks ensemble model based on
boosting algorithm for short鄄term load forecasting. Jour鄄
nal of Xi爷 an Jiaotong University (西安交通大学学
报), 2004, 38(10): 1026-1030 (in Chinese)
[21] 摇 Hansen PM, Schjoerring JK. Reflectance measurement
of canopy biomass and nitrogen status in wheat crops
using normalized difference vegetation indices and partial
least squares regression. Remote Sensing of Environ鄄
ment, 2003, 86: 542-553
[22]摇 Li Y鄄X (李映雪), Zhu Y (朱摇 艳), Tian Y鄄C (田永
超), et al. Quantitative relationship between leaf nitro鄄
gen accumulation and canopy reflectance spectra in
wheat. Acta Agronomica Sinica (作物学报), 2006, 32
(2): 203-209 (in Chinese)
[23]摇 Niu Z, Cheng YH, Sui HZ, et al. Mechanism analysis
of leaf biochemical concentration by high spectral remote
sensing. Journal of Remote Sensing, 2000, 4: 125-129
[24]摇 Zhu Y, Tian Y, Yao X, et al. Analysis of common can鄄
opy reflectance spectra for indicating leaf nitrogen con鄄
centrations in wheat and rice. Plant Production Science,
2007, 10: 400-411
[25]摇 Shibayama M, Akiyama T. A spectroradiometer for field
use. 喻. Radiometric estimation of nitrogen levels in
field rice canopies. Japanese Journal of Crop Science,
1986, 55: 439-445
[26]摇 Cao W鄄X (曹卫星), Zhou Z鄄G (周治国), Zhou Y
(周 摇 勇), et al. Agricultural Informatics. Beijing:
China Agriculture Press, 2005 (in Chinese)
[27]摇 Jia H鄄F (贾海峰), Liu X鄄H (刘雪华). Principle and
Application of Environmental Remote Sensing. Beijing:
Tsinghua University Press, 2006 (in Chinese)
作者简介摇 姚摇 霞,女,1977 年生,副教授.主要从事作物生
长监测研究. E鄄mail: yaoxia@ njau. edu. cn
责任编辑摇 杨摇 弘
2813 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷