基于高光谱的棉花叶片氮素检测

来源:用户上传      作者:

　　摘  要：采用高光谱技术检测棉花叶片氮素是本次研究的主要手段。选用新疆南疆最具代表性的棉花作物作为研究对象，采用连续投影算法（successive projections algorithm，简称SPA）和标准正态变量变换方法（standard normal variate transformation，简称SNV）等算法进行光谱预处理，并利用偏最小二乘回归模型（PLS）预测棉花叶片氮素情况，探究棉花叶片氮素和高光谱之间的关系。结果显示：SPA-PLS算法的逐渐回归结果的R值最小能达到0.8032，预测精度能达到0.9647以上，RMSEP最大为0.2604，RMSECV最大为0.1414，预测参数都达到较好效果，说明利用高光谱成像技术能够快速、准确的检测棉花叶片氮素含量，为精准施肥和生态环境保护提供帮助。
　　关键词：棉花叶片;高光谱;氮素;SPA-PLS
　　中图分类号：S511          文献标志码：A         文章编号：2095-2945（2020）03-0017-03
　　Abstract： The use of hyperspectral technology to detect nitrogen in cotton leaves is the main means of this study. The most representative cotton crop in Southern Xinjiang was selected as the research object， and the spectral preprocessing was carried out by using successive projections algorithm （SPA） and standard normal variate transformation （SNV）. Partial least squares regression model （PLS） was used to predict cotton leaf nitrogen， and to explore the relationship between cotton leaf nitrogen and hyperspectrum. The results show that the minimum R value of the gradual regression result of SPA-PLS algorithm can reach 0.8032， the prediction accuracy can reach more than 0.9647， the maximum RMSEP is 0.2604 and the maximum RMSECV is 0.1414， and the prediction parameters are all good， indicating that hyperspectral imaging technology can be used to detect nitrogen content in cotton leaves quickly and accurately， which is helpful for accurate fertilization and ecological environment protection.
　　Keywords： cotton leaves; hyperspectral; nitrogen; SPA-PLS
　　作为作物当中主要的三大元素之一的氮元素，不管对棉花生长还是棉花土壤肥力的影响都是非常大的[1]，现代农业作物种植过程已经离不开氮肥的大量使用，现在国内针对作物氮素监测的研究方法很多，但对棉花氮素的高光谱响应分析却相对较少[11]。近年来，人们日益注意到检测作物的氮素对作物生长影响巨大，甚至是破坏性检测，而且成本较高，这些原因使得人们渴望出现一种新的技术能够代替这种破坏性的检测方法。高光谱成像技术能够解决这些问题，高光谱成像技术以其无损、快速、准确的特点赢得人们的青睐，逐渐成为近年来检测农作物含量的重要手段。张银杰等[5]为不同生育时期的玉米建立了较为准确的玉米氮素监测诊断模型，达到了合理施氮、高效利用氮肥的目的。
　　国内外研究者对作物氮素的研究也是热点之一，并且也作了大量的报道，近几年来在作物检测方面的研究越发广泛和深入。周慧等[4]研究发现荔枝冠层中、上层叶片氮质量分数与无人机正射数据计算的类胡萝卜素反射指数（CRI）相关性最高（r=0.86，p<0.01）;冠层中、下层叶片钾质量分数与无人机正射数据的光谱变量显著相关，且与标准绿波段（NG）指数的相关程度最高（r=-0.83，p<0.01）。说明光谱数据可以反映荔枝冠层叶片氮、钾质量分数，并且精度相对较高。翟丽婷等[2]研究了冬小麦在不同灌溉条件下叶片氮素的分布情况和冬小麦冠层光谱信息的变化规律，并在不同水分处理下，较为准确地筛选了的敏感波段。
　　本文采集了新疆南疆棉花叶片的高光谱数据，并且测量了棉花叶片的氮素含量，利用PLS，归一化，SPA-PLS，数据中心化等不同算法相结合的方法对棉花叶片氮素数据和高光谱数据进行模拟，优先选出SPA-PLS的逐渐回归最好，能够较为准确地反映棉花氮素的高光谱响应，为准确、快速、无损检测棉花氮素提供了理论方法。
　　1 實验部分
　　1.1 样本采集
　　实验于2019年在新疆阿拉尔市第一师灌溉试验站进行，试验田共设计18个小区，3个处理。试验田施加尿素（N）、磷酸二氢钙（P）、硫酸钾（K）进行棉花定时定量施肥。分别在2019年7月10日（蕾期）、2019年7月26日（花期）、2019年8月2日（花铃期）、2019年8月26日（铃期）采集了四个时期的棉花叶片氮素和高光谱数据，每个时期采集180个数据，四个时期共计720个样本数据。 　　1.2 叶片氮素含量测定
　　实验仪器选用杭州大吉光电植物营养测量仪，先在植株上将棉花叶片标号，以保证所测得的棉花叶片氮素值和将要测的叶片光谱值一一对应，然后在每个叶片上测3次氮素值，将这3个氮素值求平均作为该叶片的氮素值。在每一期数据的测量中每个小区采集10个叶片，18个小区共采集180个叶片。
　　1.3 叶片高光谱数据采集
　　实验中采用的是ASD中国总代理北京理加联合科技有限公司生产的高光谱仪HandHeld 2，其波长范围为325-1075nm，设置样品光谱采集次数为每次采集5条光谱。将实验中采集到的棉花叶片放入用黑色挡板遮挡的平台上，然后调整镜头到平台的距离为20cm，测量所需叶片的光谱值，最后用ASD光谱仪配套的光谱数据处理软件ViewSpecPro将每片棉花叶片的5条光谱数据求平均后作为这片叶子的高光谱数据，从而可以利用Excel 2010和MATLAB 2016a进行后续计算。
　　1.4 建模方法
　　本研究利用偏最小二乘法（partial least squares，简称PLS）建立棉花叶片检测的校正集和预测集模型，通过相关系数R、均方根误差（root mean square erroe，简称RMSE）、预测精度（Precision）、预测均方根误差（root mean square erroe of prediction，简称RMSEP）、交叉验证预测均方差（root mean square erroe of cross validation，简称RMSECV）这些参数评价利用偏最小二乘法建立的模型好坏。四个时期的参数R、RMSE、Precision、RMSEP、RMSECV都很好的说明了利用偏最小二乘法建模在棉花叶片氮素的光谱检测中起到了很好的效果。
　　2 结果与分析
　　2.1 光谱预处理结果分析
　　使用原始数据+SPA、原始数据+数据中心化、原始数据+归一化、原始数据+SNV、SNV+SPA这几种不同的预处理方法对光谱进行处理后，对结果优劣进行了比较。结果显示，经过SNV+SPA预处理过的光谱略好于原始数据+SPA等其他的几种预处理方法。
　　2.2 不同时期棉花叶片高光谱特征
　　从图1可以看出在不同的重要生育期棉花叶片的高光谱特征呈现大体一致的趋势。在绿波段（约550nm）处呈现明显的反射峰，在红波段（约680nm）处呈现有吸收谷的现象，在近红外波段（>760nm）光谱值达到最大，走势逐渐趋于水平。从四个重要生育期的棉花叶片高光谱特征来看，在可见光区域，光谱特征呈现先增大后减小的趋势，此现象在反射峰处达到最大值，在近红外区域，光谱特征呈现趋于平稳的趋势，在波段（760-1075nm）较为明显。
　　2.3 基于PLS的预测模型建立
　　本研究选用偏最小二乘法（partial least squares，简称PLS）方法对棉花叶片的高光谱数据进行建模，其预测的散点图如图2所示，在棉花叶片四个重要时期的建模参数中，铃期的R值最大，为0.8626;花铃期的R值最小，为0.8032;而在均方根误差RMSEP和RMSECV方面，铃期的RMSEP最小，为0.1570;花铃期的RMSEP最大，为0.2604;铃期的RMSECV最小，为0.0531;花铃期的RMSECV最大，为0.1414。
　　表1 不同棉花重要生育期参数比较
　　在精度方面，铃期的Precision最大，为0.9683;花铃期的Precision值最小，为0.9579。通过分析可知，花铃期高光谱数据建模效果与其他时期相比较差，但建模参数都能达到较好效果，由此可知，用SPA-PLS方法建立模型利用高光谱技术检测棉花氮素含量具有较好的预测效果。四个棉花重要生育期的建模参数如表1所示。
　　3 结论
　　此次研究利用高光谱技术检测棉花叶片氮素含量，通过对棉花叶片四个重要生育期的光谱预处理，建立了基于SPA-PLS方法的预测模型。结果显示，棉花四个生育期建立模型的R值最小能达到0.8032，预测精度能达到0.9647以上，RMSEP最大为0.2604，RMSECV最大为0.1414，预测参数都达到较好效果，说明利用SPA-PLS方法建立模型来预测棉花叶片氮素含量是可行的，此次研究为利用高光谱技术检测作物重要营养物质提供了参考。
　　参考文献：
　　[1]王树文，牛羽新，马昕宇，等.基于高光谱的抽穗期寒地水稻叶片氮素预测模型[J].农机化研究，2019，41（03）：158-164.
　　[2]翟丽婷，魏峰远，冯海宽，等.不同水分处理下冬小麦叶片光谱特征及氮素垂直分布情况分析[J].中国农业信息，2019，31（02）：39-54.
　　[3]张亚坤，罗斌，潘大宇，等.基于分数阶微分算法的大豆冠层氮素含量估测研究[J].光谱学与光谱分析，2018，38（10）：3221-3230.
　　[4]周慧，苏有勇，王重洋，等.利用无人机的多光谱参数预测荔枝叶片养分质量分数[J].热带地理，2019，39（04）：562-570.
　　[5]张银杰，王磊，白由路，等.基于高光谱分析的玉米叶片氮含量分层诊断研究[J].光谱学与光谱分析，2019，39（09）：2829-2835.
　　[6]李百超.基于高光谱成像技术的苹果叶片氮素含量估测研究[D].山东农业大学，2018.
　　[7]郑人文，李子波，唐荣年.基于分数阶微分的橡胶树割胶期氮素含量定量检测[J].南方农业学报，2019，50（04）：802-808.
　　[8]杨海波，高兴，黄绍福，等.基于卫星波段的马铃薯植株氮素含量估测[J].光谱学与光谱分析，2019，39（09）：2686-2692.
　　[9]张曉东，苏辰，段梦杰.基于近红外光谱岭回归的甜椒氮素检测试验[J].排灌机械工程学报，2019，37（01）：86-92.
　　[10]陈凯.基于光谱技术的橡胶树氮素水平无损诊断策略研究[D].海南大学，2018.
　　[11]程博.基于反射光谱的甜菜不同生育时期氮素预测系统研究[D].内蒙古农业大学，2017.
　　[12]蒋灿辰，唐荣年.基于近红外光谱技术的成年橡胶树叶片氮素含量检测[J].安徽农业大学学报，2017，44（03）：429-433.
转载注明来源:https://www.xzbu.com/1/view-15111285.htm