全 文 ：文章编号 :100028551 (2009) 032364205
区域水稻穗期叶片氮素的遥感估测初探
张　浩1 ,2 　姚旭国1 　张小斌1 　郑可锋1
(1. 浙江省农业科学院数字农业研究中心 , 浙江 杭州　310021 ; 2. 农业部资源遥感与数字农业重点开放实验室 , 北京　100081)
摘 　要 :快速、无损、准确地监测水稻穗期氮素状况 ,对于诊断水稻生殖生长特征、提高氮肥运筹水平具有
重要意义。本研究在浙江省海宁市晚稻试验点进行田间取样试验 ,并获取同时期 CBERS21 遥感数据 ,
分析了试验点晚稻穗期叶片氮素与 CBERS21 影像冠层光谱信息之间的关系。结果表明 ,水稻穗期叶片
氮素含量与同期 CBERS21 影像的光谱信息 NDVI 之间有良好的相关性 ,可以建立水稻穗期叶片氮素含
量反演的相关统计模型。但由于遥感影像特征与水稻穗期叶片氮素含量之间存在较复杂的非线性关
系 ,因此统计模型反演精度不够理想。因而 ,又尝试运用 BP 人工神经网络方法来反演水稻穗期叶片氮
素含量 ,发现 BP 人工神经网络模型具有很强的非线性拟合能力 ,与统计模型相比 ,其水稻穗期叶片氮
素含量的反演精度有显著提高。由此表明 ,CBERS21 遥感影像技术与 BP 人工神经网络方法结合可以对
水稻穗期叶片氮素含量进行建模并反演 ,能够在较大的范围里估测水稻的氮素营养状况。
关键词 :水稻氮素 ;遥感 ;统计模型 ;神经网络 ;CBERS21 影像
A PRIMARY STUDY ON NITROGEN CONTENT OF RICE LEAF BASED
ON REMOTE SENSING AT SPIKING STAGE
ZHANG Hao1 ,2 　YAO Xu2guo1 　ZHANG Xiao2bin1 　ZHENG Ke2feng1
(1. Center for Digital Agricultural Research , Zhejiang Academy of Agricultural Sciences , Hangzhou , Zhejiang 　310021 ;
2. Key Laboratory of Resources Remote Sensing & Digital Agriculture , Ministry of Agriculture , Beijing 　100081)
Abstract :Non2destructive , rapid and accurate monitoring of rice nitrogen nutrition at spiking stage is significant in estimating
rice reproductive growth , enhancing nitrogen management and use efficiency. In this study , the field experiments were carried
out at studied fields of Haining City , Zhejiang Province in 2007 , according to the pass time of CBERS21 satellite. Correlation
analyses between rice leaf nitrogen and rice canopy spectrum information from the CBERS21 image were made to all study
fields. The leaf nitrogen content at spiking stage had good correlation with the spectrum parameters NDVI. However , due to
rather complicated non2linear relations existed between image features and leaf nitrogen content at spiking stage ,the results of
leaf nitrogen content retrieved from the statistic model was not so ideal . For this reason , an artificial neural network model (BP
model) was constructed and applied in the retrieval of leaf nitrogen content at spiking stage. Due to its superior ability for
solving the non2linear problem , the BP model provided a much better accuracy in retrieval of leaf nitrogen content compared
with the statistic model . It is feasible to use remote sensing technology combined with BP model to predict the nitrogen content
of rice leaf at large scale at spiking stage.
Key words :nitrogen content of rice ; remote sensing ; regression model ; neural network ; CBERS21 imagine
收稿日期 :2008208219 　接受日期 :2009203227
基金项目 :农业部资源遥感与数字农业重点开放实验室开放课题 (RDA0808) , 国家自然科学基金项目 (30800126) ,浙江省农业科学院重点实验室
资助项目 , 浙江省农业科学院博士启动项目
作者简介 :张　浩 (19782) ,男 ,河南南阳人 ,博士 ,助研 ,主要从事数字农业方面的研究。Tel :0571286404255 ; E2mail :zhanghaozju @126. com
通讯作者 :郑可锋 (19632) , 男 ,浙江浦江人 ,研究员 ,主要从事数字农业与农村信息化方面的研究。Tel :0571286404181
463　 核 农 学 报　2009 ,23 (3) :364～368Journal of Nuclear Agricultural Sciences
　　作物氮含量是评价作物长势、产量和品质的重要
指标 ,对作物氮素的精确管理具有重要意义[1 ] 。传统
的作物氮素诊断方法基于常规室内化学定量分析及
“看苗施肥”、叶色卡等定性和半定量的方法。这样的
方法虽然较直观可靠 ,但因其破坏性的大量采样 ,导致
费时费工、分析成本高而难以得到普遍应用[2 ] 。近年
来 ,基于地物光谱特性的多光谱及高光谱遥感技术获
得了迅猛发展 ,使得实时、快速、精确、大范围、无损获
取作物生长状况及植株生化组分成为可能 ,从而为作
物氮素营养的无损监测提供了新的技术手段和方
法[3～10 ] 。如作物氮素反射光谱监测 ,主要通过获取作
物粉末、活体叶片和作物冠层 3 个层次的反射光谱 ,然
后提取叶片的特征光谱参数和氮素含量 ,构建定量反
演模型 ,实现叶片氮素的无损监测[7～9 ] 。与此同时 ,随
着航天航空技术的发展 ,许多航空机载成像光谱仪 (如
AIS、CASI、AVIRIS、OMIS 等) 和星载成像光谱仪 (如
MODIS、HYPERION 等)的成功应用 ,使得大尺度作物氮
素含量的获取得以实现[11～14 ] 。目前 ,水稻氮素的遥感
监测研究多集中在构建地面反射光谱与氮含量的反演
模型 ,而利用航片进行水稻氮素监测的应用实例较少 ,
并且存在费用昂贵 ,监测区域小等缺点 ;而航天卫星图
像受光谱和空间分辨率限制 ,在作物氮素监测方面的
应用报道甚少[15 ] 。因此 ,水稻氮素的遥感监测应用 ,
一方面有赖于多通道高光谱分辨率卫星传感器的发射
利用和高光谱图像处理技术的突破发展 ;另一方面也
需要研究如何利用多光谱遥感影像来实现水稻氮素的
遥感监测应用。穗期是水稻营养生长和生殖生长最快
的时期 ,氮碳代谢十分旺盛 ,需要大量的养分供应。水
稻孕穗期施肥合理与否 ,直接关系到其产量的高低[1 ] 。
所以 ,快速、无损、准确地监测水稻穗期氮素状况 ,对于
诊断水稻生殖生长特征、提高氮肥运筹水平具有重要
意义。
基于以上分析 ,本文以浙江省海宁市为研究区 ,通
过水稻取样点的遥感影像植被指数 ,建立区域水稻穗
期叶片氮含量的反演模型 ,并针对传统统计模型的不
足 ,运用人工神经网络模型来解决水稻氮含量的遥感
反演问题 ,以对区域水稻穗期叶片氮素含量进行估测 ,
为水稻穗期的氮素管理提供决策依据。
1 　试验设计与方法
111 　试验设计与取样
2007 年 7 月在浙江省海宁市许村镇、长安镇、高
桥镇、袁花镇、盐官镇选择 23 处实验田 ,选择田块时既
要考虑水稻在海宁市的区域分布 ,又要兼顾播种、施
肥、灌溉等措施的统一 ,选取的田块大小一般在 3～
20hm2 ,田块水稻长势比较均匀。9 月 14 日 (水稻穗
期)在所选试验田取植株样品 ,每块田根据面积大小、
水稻品种、长势等取 2～5 个混合样品。每个混合样品
一般在试验地块中间位置 ,选取长势均匀的植株 ,取 3
行 ,每行 50cm ,长度用直尺进行测量[16 ] 。共取回整株
混合样品 65 个 ,送至实验室进行水稻叶片的叶绿素和
全氮分析。所有取样位置均用手持式 DGPS 进行定
位 ,具体参见图 1。
图 1 　取样点在研究区的分布示意图
Fig. 1 　Map of sample stations in studied area
112 　遥感图像获取与处理
CBERS21 海宁区域影像数据由中国资源卫星应用
中心提供 ,卫星轨道 367、像幅 65 ,是经过辐射校正、系
统几何校正的二级光盘产品 ,其主要技术指标见表 1。
数据包括 B12B5 的 5 个谱段 ,时相为 2007 年 9 月 15
日。以 1∶5 万地形图为基础进行影像纠正。此外 ,结
563　3 期 区域水稻穗期叶片氮素的遥感估测初探
合与卫星过境时间基本同步的地面监测数据 ,以保证
两种来源的信息有较好的可比性。
表 1 　CBERS卫星上的 CCD 相机技术参数
Table 1 　The main technical indexes
of CBERS21 CCD camera
波段序号
wave serial
number
波长
wave length
(μm)
波段名称
wave name
地面分辨率
land differentiate
(m)
1 0145～0152 蓝绿色 blue2green 1915
2 0152～0159 绿色 green
3 0163～0169 红色 red
4 0177～0189 近红外 near infra
5 0151～0173 全色 all color
113 　数据处理方法
11311 　常规处理方法　利用B12B5 5 个谱段构建归一
化植被指数 (NDVI) 、差值Π环境植被指数 (DVI) 、植被
指数 (VI) 、增强型植被指数 ( EVI) [17 ] (表 2) ,然后根据
地面监测点坐标采集影像灰度的平均值 ,作为与水稻
氮素数据对应的灰度值 ,再建立灰度值和氮素之间的
线性回归模型 ,并用均方误差 (MSE) 对回归模型进行
精度检验。所有数据分析在 Excel 2003 中进行。
表 2 　CBERS影像计算的植被指数
Table 2 　Broadband vegetation indices used for
CBERS imagery analysis
名称
name
波段选择
wave selected
计算方法
calculate method
说明
note
NDVI B4 ;B3 NDVI = (B4 - B3)Π(B4 +B3)
DVI B4 ;B3 DVI = B4 - B3
VI B3 ;B2 VI = (B2 - B3)Π(B2 + B3)
EVI B4 ;B3 ;B1 EVI = 215 (B4 - B3)Π(B4
+ C1B3 + C2B1 + L)
L = 1 ,为土壤调节
参数 ; 参数 C1 和
C2 分别为 610 和
715 , 通过蓝波段
(B1) 来修正大气
对红波段 (B3) 的
影响。
11312 　BP 神经网络方法 　BP (back2propagation) 神经
网络主要采用“误差反向传播”算法 ,先由教师对每一
种输入模式设定一个期望输出值 ,然后对网络输入实
际的学习记忆模式 ,并由输入层经隐层向输出层传播 ,
此过程为“模式顺传播”。实际输出与期望输出的差即
是误差。按照误差平方最小这一规则 ,由输出层往隐
层逐层修正连接权值和阈值 ,此过程即为“误差反向传
播”。随着“模式顺传播”和“误差逆传播”过程的交替
反复进行 ,不断调整网络的权值和阈值 ,使得误差信号
最小 ,最终使网络的实际输出逐渐向各自所对应的期
望输出值逼近[18 ] 。
本文利用 Matlab 615 软件进行网络结构设计 ,3 层
网络的拓扑结构由输入层、单隐层和输出层组成。将
65 个植株样本数据分成两组 :一组作为训练样本 ,共
50 个样本 ;另一组为测试样本 ,共 15 个样本。CBERS2
1 影像数据的 BAND1、BAND2 和 BAND4 反射率数据作
为网络的输入 ,水稻叶片氮素含量作为网络的输出。
在进行网络训练之前 ,对神经网络的输入和输出数据
进行归一化和标准化处理 ,以加快网络的训练速度。
神经网络模型中的输入层和隐层采用 Tan2sigmoid 传
输函数 ,输出层则采用 Purelin 线性传输函数。本研究
的隐含层节点数的确定采用逐步增长法 ,即先从一个
较简单的网络开始 ,隐层单元数设置为 2 个 ,如不符合
要求则逐步增加隐层单元数 ,直到合适为止。为了确
定最佳的隐含层节点数 ,分别计算了当其他网络参数
相同、且最大训练次数都为 10000 次、而隐含层节点数
不同情况下训练样本的决定系数 ( R2 ) 和均方误差
(MSE) 。
2 　结果与分析
用水稻穗期 CBERS21 影像对试验点进行光谱提
取 ,并与对应点叶片氮素含量进行相关分析 ,分析的结
果显示 :NDVI与水稻叶片氮素含量的决定系数 R2 为
01326 ;而 DVI、VI 和 EVI 与叶片氮素含量的决定系数
R2 分别为 01014、01118 和 01106 (表 3) 。显然 ,叶片氮
素与冠层光谱信息 NDVI 有极显著相关性 ,而与 EVI
和 VI相关性也达到显著水平。此外 ,根据统计模型对
部分样本的叶片氮素含量进行反演 ,可以看出 NDVI2
叶片氮素的均方误差最小。尽管 NDVI2叶片氮素模型
是 4 个统计模型中相对较好的模型 ,但从其较大的均
方误差可以看出 ,统计模型的反演精度不够理想。因
为 BP 人工神经网络具有较强的非线性映射能力 ,本
文又引入人工神经网络对水稻叶片氮素含量进行反
演。结果如表 4 所示 ,当隐藏层的节点数为 2～5 时 ,
决定系数与均方误差 MSE分别呈上升和下降趋势 ;随
后当隐藏层的节点数为 6～8 时 ,决定系数与均方误差
MSE分别呈下降和上升趋势 ;当隐藏层的节点数为 9
～17 时 ,决定系数与均方误差 MSE 基本趋于稳定 ,节
点数的增加对模拟的精度不会有太大的提高 ,而且节
点过多可能出现过度拟合。通过反复试验 ,并综合考
虑时间效率和模拟效果 ,确定隐藏层的节点数为 10
个 ,其决定系数与均方误差 MSE 分别为 01939 和
01185。由表 4 可以看出 ,神经网络的模拟精度远远高
于前面建立的回归模型。而且 ,神经网络模型预测值
与实测值的决定系数为 01885 (图 2) ,而统计模型预测
的最大决定系数为 01326。因此 ,与统计模型相比 ,神
经网络模型的水稻叶片氮素预测效果要好得多 ,可以
663 核　农　学　报 23 卷
用 BP 神经网络模型反演出整个研究区域的水稻叶片
氮素含量 (图 3) 。由图 3 可知 ,海宁市水稻叶片氮素
空间分布不均匀 ,在东部和中部氮素含量相对较高 ,而
西部和中南部氮素含量相对较低 ,符合研究区的实际
情况 ,这也说明模拟结果是基本可靠的。
表 3 　遥感图像植被指数灰度值与水稻叶片
氮素间的回归模型( n = 50)
Table 3 　Regression equations between gray values of
remote sensing imagine and nitrogen of rice leaf ( n = 50)
植被指数
vegetation
index
回归模型
regression
model
决定系数 R
decision
coefficient
均方误差 MSE
square
error ( %)
DVI N = 01003DVI + 2131 01014 2152
NDVI N = - 7193NDVI + 5130 0132633 1112
EVI N = - 3124EVI + 2197 01106 3 1188
VI N = 7122VI + 0101 01118 3 11743 和33分别代表显著水平 ( a < 0105)和极显著水平 ( a < 0101) 。3 and 33 denote significant difference at 0105 and 0101 probability levels
respectively.
表 4 　隐藏层含有不同节点时神经网络的模拟精度
Table 4 　ANN prediction accuracy as criteria with
different nodes in hidden layers
精度评价指标
precision
estimate index
隐藏层节点数
node number of hide layer
2 3 4 5 6 7 8 9
R2 01648 01754 01961 01928 01616 01888 01431 01927
MSE( %) 01668 01544 01461 01422 01573 01581 01609 01207
精度评价指标
precision
estimate index
隐藏层节点数
node number of hide layer
10 11 12 13 14 15 16 17
R2 01939 01913 01996 01998 01999 01996 01998 01996
MSE( %) 01185 01190 01199 01210 01204 01211 01207 01208 图 2 　神经网络模拟与实测水稻叶片氮含量的关系 ( n = 65)Fig. 2 　Relation between ANN2BP prediction andmeasured nitrogen content of rice leaf ( n = 65)3 　结语本文结果表明 ,水稻穗期叶片氮素含量与同期CBERS21 影像的光谱信息 NDVI之间有良好的相关性 ,可以建立水稻叶片氮素含量反演的相关统计模型。并且 ,运用 BP 人工神经网络方法可进一步提高反演精度。从实际数据看 ,BP 网络用于水稻叶片氮素的遥感预测研究是可行的 ,而且它对样本的分布没有特别的要求。但存在的不足是 ,为了防止过度拟合而导致网络泛化能力的下降 ,需要一定数量的样本数据作为验证数据集 ,这对于样本个数有限的试验来说是有影响的 ,尤其是在样本数较少的情况下 ,这个问题显得更加突出[18～21 ] ;今后的研究应尝试使用径向函数神经网络
图 3 　神经网络方法反演的研究区水稻叶片氮素含量分布图
Fig. 3 　Map of rice nitrogen content inversed by the ANN model in the study area
763　3 期 区域水稻穗期叶片氮素的遥感估测初探
方法、遗传算法及支持向量机等其他方法 ,以提高人工
神经网络的泛化能力[19～21 ] 。此外 ,应进一步深入研究
如何利用遥感监测的实时状态信息和管理知识模型
(或专家系统)的适宜生长曲线 (或专家曲线) ,可在水
稻管理过程中实现区域多点的苗情监测和诊断 ,再通
过动态管理模型实现肥料运筹的精确调控 ,从而更好
地实现全程水稻生产管理的信息化和精确化[15 ] 。
参考文献 :
[ 1 ] 　孙　羲. 水稻氮素营养及其诊断[J ] . 浙江农业大学学报 , 1981 ,
7 (2) :41～50
[ 2 ] 　邹长明 , 秦道珠 , 高菊生 , 陈福兴. 水稻氮肥施用技术Ⅱ———看
苗施用氮肥的叶片诊断指标 [J ] . 湖南农业大学学报 (自然科学
版) , 2001 , 27 (1) :29～31
[ 3 ] 　李映雪 , 朱　艳 , 田永超 , 姚 　霞 , 秦晓东 , 曹卫星. 小麦叶片
氮含量与冠层反射光谱指数的定量关系 [J ] . 作物学报 , 2006
(A) , 32 (3) :358～362
[ 4 ] 　李映雪 , 朱　艳 , 田永超 , 姚 　霞 , 秦晓东 , 曹卫星. 小麦叶片
氮积累量与冠层反射光谱指数的定量关系[J ] . 作物学报 , 2006
(B) , 32 (2) :203～209
[ 5 ] 　陆艳婷 , 张小明 , 叶胜海 , 祁永斌 , 严文潮 , 王建清 , 金庆生.
近红外漫反射光谱法分析粳稻七种必需氨基酸含量研究[J ] . 核
农学报 , 2007 , 14 (5) :478～482
[ 6 ] 　孙　莉 , 陈　曦 , 包安明 , 冯先伟 , 张 　清 , 马亚琴 , 王登伟.
在水分胁迫下棉花冠层叶片全氮含量的高光谱遥感估算模型研
究[J ] . 遥感技术与应用 , 2005 , 20 (3) :315～320
[ 7 ] 　王纪华 , 王之杰 , 黄文江 , 马智宏 , 刘良云 , 赵春江. 冬小麦冠
层氮素的垂直分布及其光谱响应[J ] . 遥感学报 , 2004 , 8 (4) :309
～316
[ 8 ] 　王秀珍 , 黄敬峰 , 李云梅 , 沈掌泉 , 王人潮. 高光谱数据与水稻
农学参数之间的相关分析[J ] . 浙江大学学报 (农业与生命科学
版) , 2002 , 28 (3) :283～288
[ 9 ] 　Fridgen J L , Vareo J J . Dependency of cotton leaf nitrogen , chlorophyll ,
and reflectance on nitrogen and potassium availability [ J ] . Agronomy
Journal , 2004 , 96 (1) :63～69
[10 ] 　Osborne S L , Sehepers J S , Francis D D , Schlemmer M R. Detection of
phosphorus and nitrogen deficiencies in corn using spectral radiance
measurements[J ] . Agronomy Journal , 2002 , 94 (6) :l2l5～1221
[11 ] 　Sripada R P , Tteiniger R W , White J G, Randy W. Aerial color infrared
photography for determining late season nitrogen requirements in corn
[J ] . Agronomy Journal , 2005 , 97 :1443～1451
[12 ] 　蒲瑞良 , 宫　鹏. 森林生物化学与 CASI 高光谱分辨率遥感数据
的相关分析[J ] . 遥感学报 , 1997 , 1 (2) :115～123
[13 ] 　赵春江 , 黄文江 , 刘团结 , 刘良云 , 杨敏华. 小麦冠层理化参量
的高光谱遥感反演试验研究[J ] . 测绘学报 , 2002 , 31 (4) :316～
321
[ 14 ] 　Boegh E , Soegaard H , Broge N , Hasagerc C B , Jensenc N O , Scheldeb
K, Thomsen A. Airborne multi2spectral data for quantifying leaf area
index , nitrogen concentration , and photosynthetic efficiency in
agriculture [J ] . Remote Sensing of Environment , 2002 , 81 :179～193
[15 ] 　田永超 , 朱　艳 , 姚　霞 , 刘小军 , 曹卫星. 基于光谱信息的作
物氮素营养无损监测技术[J ] . 生态学杂志 , 2007 , 26 (9) :1454～
146
[16 ] 　宋晓宇 , 黄文江 , 王纪华 , 刘良云 , 李存军. ASTER 卫星遥感影
像在冬小麦品质监测方面的初步应用[J ] . 农业工程学报 , 2006 ,
22 (9) :148～153
[17 ] 　罗　亚 , 徐建华 , 岳文泽. 基于遥感影像的植被指数研究方法述
评[J ] . 生态科学 , 2005 , 24 (1) :75～79
[18 ] 　高大启. 有教师的线性基本函数前向三层神经网络结构研究
[J ] . 计算机学报 , 1998 ,21 (1) :80～86
[19 ] 　廖宁放 , 高稚允. BP 神经网络用于函数逼近的最佳隐层结构
[J ] . 北京理工大学学报 , 1998 , 18 (4) :476～480
[20 ] 　闵惜琳 , 刘国华. 用 MATLAB 神经网络工具箱开发 BP 网络应用
[J ] . 计算机应用 , 2001 , 21 (8) :163～164
[21 ] 　李丽霞 , 王 　彤 , 范逢曦. 早停止策略在 BP 神经网络中的应用
[J ] . 数理医药学杂志 , 2004 , 17 (2) :165～167
863 Journal of Nuclear Agricultural Sciences
2009 ,23 (3) :364～368