1 湖南农业大学农学院, 湖南 长沙 410128
3 益阳市赫山区农业农村局, 湖南 益阳 413000
叶绿素含量和叶片氮含量是作物生长状况的重要指标, 对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。 当前, 高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。 但是, 有关同一生命活动周期内, 作物跨期预测叶片生化参数的研究还存在空白。 以超级早稻为研究对象, 分别获取了蘖盛期、 孕穗期、 齐穗期、 灌浆期和成熟期5个时期120组叶片高光谱数据、 叶绿素以及叶片氮含量(LNC), 采用python 3.6编程, scikit-learn(0.22.1)用来构建模型和验证评估, 通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、 随机森林(RF)、 支持向量回归(SVR)3种不同算法的最佳模型参数, 结合数据的跨期处理, 分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。 此外, 评估跨期预测模型与传统非跨期预测模型, 独立数据对模型进行检验。 结果表明, (1) 基于高光谱的早稻叶绿素、 氮素的非跨期预测模型中, PLSR模型预测效果最佳, 分别为叶绿素(R2=0.84, RMSE=1.85)、 氮素(R2=0.85, RMSE=0.11)。 (2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳, 分别为跨分蘖期(R2=0.54)、 跨孕穗期(R2=0.36)、 跨齐穗期(R2=0.30)、 跨灌浆期(R2=0.55)、 跨成熟期(R2=0.74)。 该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考, 为水稻叶绿素含量的动态监测提供了模型依据。 (3)早稻叶片氮含量跨期预测模型的拟合度很差, 叶片氮含量预测具有不可跨期性。 与非跨期预测模型相比, 跨期预测模型虽然精度有所下降, 但能有效克服经验模型普适性差的缺陷, 有利于在同一生命活动周期内, 实现作物不同生育期的生理指标预测, 对实际生产管理具有重要意义。 研究发现, 作物生理指标存在可跨期预测性, 这一概念为作物表型、 作物内部品质以及产量的预测研究提供了新的思路。
高光谱 早稻 氮含量预测 叶绿素 可跨期性 Hyperspectral Early rice Leaf nitrogen content Chlorophyll Intertemporal prediction
1 沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
2 沈阳农业大学辽宁省农业信息化工程技术中心, 辽宁 沈阳 110161
为提供一种高效、 快速和无损的粳稻叶片氮素含量反演方法, 以粳稻小区试验为基础, 利用高光谱技术和室内化学实验, 获取粳稻分蘖期、 拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据, 分析不同施氮水平的粳稻叶片光谱特征, 采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段, 并将任意两个光谱波段随机组合构建差值植被指数DSI(Ri, Rj)、 比值植被指数RSI(Ri, Rj)和归一化植被指数NDSI(Ri, Rj), 分别将较优的特征波段组合和植被指数组合作为模型输入, 构建BP神经网络、 支持向量机（SVR）和非支配的精英策略遗传算法优化极限学习机（NSGA2-ELM）粳稻叶片氮素含量反演模型, 并对模型进行验证分析。 结果表明: 随着施氮水平的增加, 粳稻叶片近红外波段范围反射率逐渐升高, 在可见光波段范围反射率逐渐降低。 采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段, 其中可见光波段7个, 分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm, 近红外波段仅有1个为999.1 nm, 该方法较好地剔除了干扰信息, 大大降低了波段间的共线性。 同时从三种植被指数（DSI(Ri, Rj), RSI(Ri, Rj), NDSI(Ri, Rj)）与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R648.1, R738.1), RSI(R532.8, R677.3)和NDSI(R654.8, R532.9)与叶片氮素含量相关性最好, R2分别为0.811 4, 0.829 7和0.816 9。 在输入参量不同的建模效果对比分析中, 以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合, R2均大于0.7, RMSE均小于0.57。 而在反演模型间的对比分析中, 提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型, 训练集决定系数R2为0.817 2, 均方根误差RMSE为0.355 5, 验证集R2为0.849 7, RMSE为0.301 1。 鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势, 可为粳稻田间精准施肥提供了参考。
高光谱数据 叶片氮素含量 特征波段 植被指数 反演模型 Hyperspectral data Leaf nitrogen content Characteristic band Vegetation index Inversion model 光谱学与光谱分析
2020, 40(8): 2584
