基于無人機高光譜的冬小麥氮素營養(yǎng)監(jiān)測

王玉娜，李粉玲，王偉東，陳曉凱，常慶瑞

（西北農(nóng)林科技大學資源環(huán)境學院，楊凌 712100）

0 引 言

氮素是作物生長的必需營養(yǎng)物質(zhì)，與作物的長勢、產(chǎn)量和品質(zhì)息息相關。氮素營養(yǎng)指數(shù)（Nitrogen Nutrition Index，NNI）是作物氮素營養(yǎng)診斷的一個重要指標[1-2]，能夠定量地刻畫作物氮素營養(yǎng)的豐缺及其程度，通常通過田間破壞性取樣獲取作物植株氮素和生物量信息來計算氮素營養(yǎng)指數(shù)，雖然準確度較高，但具有破壞性，且難以實現(xiàn)大面積監(jiān)測，還存在測試結(jié)果對實際農(nóng)業(yè)生產(chǎn)指導的滯后性[3]。因此，基于遙感技術的氮素營養(yǎng)指數(shù)無損監(jiān)測成為當前精準農(nóng)業(yè)研究的重要內(nèi)容[4-7]。基于地面非成像高光譜技術，Zhao 等[8]對夏玉米可見光至近紅外光的冠層光譜反射率進行綜合分析，利用任意兩波段組成的歸一化光譜指數(shù)和比率光譜指數(shù)對氮素營養(yǎng)指數(shù)進行估算，采用減量精細采樣法確定最佳光譜指數(shù)，結(jié)果發(fā)現(xiàn)對NNI最敏感的光譜帶位于 710和512 nm，估測NNI的最佳光譜指數(shù)為兩者構成的歸一化光譜指數(shù)。梁惠平等[9]采用逐步回歸分析法，建立玉米氮素營養(yǎng)指數(shù)與高光譜參數(shù)的定量關系，發(fā)現(xiàn)紅邊/綠邊比值參數(shù)、紅邊/近紅外比值參數(shù)、紅邊敏感點參數(shù)可作為快速診斷玉米氮素營養(yǎng)狀態(tài)的敏感參數(shù)。劉昌華等[10]采用 ASD Field Spec3野外便攜式高光譜儀，基于10種光譜預處理，結(jié)合偏最小二乘回歸、反向傳播神經(jīng)網(wǎng)絡和隨機森林 3種模型對冬小麥氮素營養(yǎng)進行研究，結(jié)果表明隨機森林算法結(jié)合卷積平滑算法建立模型精度最佳。王仁紅等[11]采用線性內(nèi)插紅邊位置、修正紅邊單比指數(shù)等光譜指數(shù)與冬小麥各氮素指標進行建模，發(fā)現(xiàn)線性內(nèi)插紅邊位置估測冬小麥氮素營養(yǎng)指數(shù)的精度最高，決定系數(shù)為0.859。地面非成像高光譜遙感為氮素營養(yǎng)的定量估算提供了理論依據(jù)。近年來，隨著無人機遙感技術的發(fā)展，通過無人機平臺搭載高光譜相機能夠獲得小區(qū)域尺度上的作物冠層光譜圖像信息，以高時效性、高分辨率、成本低等優(yōu)勢為作物氮素營養(yǎng)診斷和監(jiān)測提供了新的視角。

對于無人機高光譜的作物氮素營養(yǎng)估算主要是直接基于單個植被指數(shù)或多個植被指數(shù)與回歸模型結(jié)合來實現(xiàn)的。魏鵬飛等[12]選取15個植被指數(shù)，運用逐步回歸分析法獲得不同生育期估算玉米氮素營養(yǎng)的最佳模型。秦占飛等[13]利用無人機高光譜影像738和522 nm波段反射率構建的比值植被指數(shù)能夠準確評估水稻葉片氮素含量。劉昌華等[14]利用無人機多光譜影像，基于冬小麥關鍵生育期的光譜指數(shù)，實現(xiàn)冬小麥氮素營養(yǎng)指數(shù)的有效估算。以上研究都是基于單個或多個植被指數(shù)對作物氮素營養(yǎng)進行估測，但無人機高光譜具有較多波段，可以更加充分地獲取作物冠層光譜信息。

綜上，本研究以關中地區(qū)抽穗期冬小麥為研究對象，利用無人機搭載Cubert UHD185成像光譜儀獲取光譜數(shù)據(jù)，利用相關性分析法篩選出與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)均敏感的三邊參數(shù)、任意兩波段光譜指數(shù)和植被指數(shù)，通過多元線性逐步回歸、偏最小二乘回歸和隨機森林回歸建立冬小麥氮素營養(yǎng)指數(shù)估算模型，并比較模型精度，確定抽穗期冬小麥氮素營養(yǎng)指數(shù)的最佳模型，以期為冬小麥氮素營養(yǎng)診斷、產(chǎn)量和品質(zhì)監(jiān)測及后期田間管理提供科學依據(jù)。

1 材料與方法

1.1 試驗設計

試驗地點分別位于陜西省楊凌農(nóng)業(yè)示范區(qū)西北農(nóng)林科技大學實驗農(nóng)場（34°14′N，108°10′E）和陜西省咸陽市乾縣梁山鎮(zhèn)齊南村（34°38′N，108°07′E）（圖1）。供試農(nóng)作物品種為“小偃 22”，氮肥源為尿素。2個試驗區(qū)的肥料均作為底肥一次性施入，不追肥，田間管理按大田管理方式進行。其中，西北農(nóng)林科技大學實驗農(nóng)場設20個小區(qū)，每個小區(qū)面積為5.5 m×6 m，土壤類型為粉砂黏壤土。氮肥施入量分別為 0、45、90、135和180 kg/hm2，每個梯度設置2個重復。乾縣梁山鎮(zhèn)齊南村設36個小區(qū)，每個小區(qū)面積為9 m×10 m，土壤類型為壤土。氮含量設置6個梯度，分別為0、30、60、90、120和150 mg/kg，每個梯度設置2個重復。

圖1 研究區(qū)地理位置Fig.1 Geographic location of study area

1.2 數(shù)據(jù)獲取

1.2.1 光譜數(shù)據(jù)獲取

試驗采用八旋翼無人機遙感平臺搭載 Cubert UHD185成像光譜儀獲取冬小麥冠層高光譜圖像。該光譜儀光譜范圍為 450～950 nm，采樣間隔為 4 nm，可在0.001 s內(nèi)獲得125個光譜通道的高光譜影像。數(shù)據(jù)采集前首先規(guī)劃無人機飛行航線，設置飛行高度為100 m，鏡頭垂直朝下，視場角為30°，地面分辨率為0.3 m，航向重疊度80%，旁向重疊度60%。數(shù)據(jù)采集后，使用圖像處理軟件Agisoft PhotoScan進行影像拼接，在地理信息系統(tǒng)軟件ArcGIS中，以谷歌地圖中下載的影像和地面采集的 20個控制點為參考對拼接圖像進行幾何校正和配準，以保證鑲嵌圖像的幾何精度，校正后的圖像在圖像處理軟件ENVI 5.3軟件中進行輻射定標，將影像的數(shù)字量化值（Digital Number，DN）值轉(zhuǎn)換為地表反射率，并解譯識別小麥地塊。根據(jù)地面采樣點位置構建興趣區(qū)，以興趣區(qū)內(nèi)冬小麥平均光譜反射率作為該樣點的光譜反射率。

1.2.2 農(nóng)學參數(shù)獲取

以光譜測定點為中心，采集測量冠層光譜區(qū)域0.5 m×0.5 m范圍內(nèi)的地上部小麥植株，迅速密封裝袋帶回實驗室測定地上部生物量鮮質(zhì)量。并從中隨機選取 20株樣品稱取其鮮質(zhì)量后，置入牛皮紙袋中，在105 ℃殺青30 min，于80 ℃烘箱烘干，稱取其干質(zhì)量，通過干質(zhì)量與鮮質(zhì)量的比值乘以鮮質(zhì)量計算地上部生物量。然后粉碎干樣，稱取 0.2 g左右，用濃 H2SO4在有催化劑的條件下消煮，采用凱氏定氮法測定植株氮濃度。

氮素營養(yǎng)指數(shù)（Nitrogen Nutrition Index，NNI）是Lemaire等[15]根據(jù)臨界氮稀釋曲線模型提出的，用作評定作物氮素營養(yǎng)狀況，其定義是作物地上部植株氮濃度與臨界氮濃度的比值，計算如式（1）所示：

式中N為植株氮濃度，%；Nct為臨界氮濃度，%。

當NNI＞1時，表明所施氮肥過量；當NNI=1時，表明所施氮肥處于最佳狀態(tài)；當NNI＜1時，表明所施氮肥不足。其中，臨界氮濃度采用李正鵬等[16]的關中平原小麥地上部臨界氮濃度稀釋曲線模型，如式（2）所示：

式中W為地上部生物量，t/hm2。

1.3 光譜參數(shù)定義

光譜指數(shù)通過某些特定波段的組合來指示綠色植被內(nèi)部的色素含量、水分變換和營養(yǎng)狀態(tài)等[17-18]。本研究嘗試構建3類光譜指數(shù)進行NNI的遙感估算：1）在一階導數(shù)變換的基礎上，選取藍、黃和紅邊面積、一階導數(shù)的最大值及綠峰和紅谷反射率等 8類“三邊”參數(shù)進行NNI估算。2）構建450～950 nm波段范圍內(nèi)任意兩波段組合的歸一化光譜指數(shù)（Normalized Spectral Index，NDSI）、比值光譜指數(shù)（Ratio Spectral Index，RSI）和差值光譜指數(shù)（Difference Spectral Index，DSI），分析3類光譜指數(shù)與氮素營養(yǎng)指數(shù)的相關性，依據(jù)相關系數(shù)繪制各任意兩波段光譜指數(shù)的相關性等勢圖，篩選相關性最大的波段組合進行NNI的估算研究。3）根據(jù)已報導的與冬小麥氮素營養(yǎng)指數(shù)相關性較好的線性內(nèi)插紅邊位置（Red-Edge Position by Linear Interpolation，REPLI）[19]、紅邊歸一化指數(shù)（Red-edge Normalized Difference Vegetation Index，RNDVI）[20]、Vogelmann 紅邊指數(shù)（Vogelmann red-edge index，VOG）[21]、雙峰冠層氮指數(shù)（Double-peak Canopy Nitrogen Index，DCNI）[22]和光化學反射指數(shù)（Photochemical Reflectance Index，PRI）[23]等五類植被指數(shù)進行NNI估算研究。各光譜指數(shù)及其定義如表1所示。

表1 譜指數(shù)及其定義Table 1 Spectral indices and definitions

1.4 模型構建方法

首先，分析光譜參數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性，然后基于對植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)均敏感的光譜指數(shù)，利用多元線性逐步回歸（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回歸（Partial Least Squares Regression，PLSR）和隨機森林回歸（Random Forest Regression，RFR）對NNI進行建模估算。

多元線性逐步回歸是一種從許多自變量中依次選取對因變量影響最大并通過檢驗移除影響最小變量的統(tǒng)計方法。偏最小二乘回歸是多元線性回歸分析、典型相關分析和主成分分析的結(jié)合[24-25]，其能夠通過主成分分析來確定參與建模的自變量，消除變量之間的多重相關性，利用有效的數(shù)據(jù)構建回歸模型，提高建模精度的能力。隨機森林回歸是基于統(tǒng)計學理論對樣本進行訓練并預測的一種機器學習算法[26]，能有效解決非線性問題，具有很強的抗干擾能力[27]。本研究在統(tǒng)計軟件SPSS中進行多元線性逐步回歸和偏最小二乘回歸，在統(tǒng)計分析軟件 R中實現(xiàn)隨機森林回歸。

1.5 模型精度檢驗

在抽穗期共采集56個樣本數(shù)據(jù)。對氮素營養(yǎng)指數(shù)數(shù)據(jù)進行排序，采用分層抽樣的方法，選擇42個樣本構建氮素營養(yǎng)指數(shù)估測模型，14個樣本進行模型驗證。采用決定系數(shù)（coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）和相對預測偏差（Relative Prediction Deviation，RPD）對模型進行檢驗。R2越接近1，RMSE越小，說明模型擬合能力越好，預測精度越高。RPD＜1.5模型不具備預測能力；1.5＜RPD＜2.0模型具有粗略的估測能力；RPD＞2.0表明模型具有極好的預測能力[28]。RPD的計算如式（3）所示：

式中n為建模集或者驗證集的樣本數(shù)目，SD為驗證集標準偏差。

2 結(jié)果與分析

2.1 植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的統(tǒng)計分析

抽穗期冬小麥植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的基本信息如表2所示?？傮w上，不同氮素水平的冬小麥地上部生物量差異較大，植株氮濃度和氮素營養(yǎng)指數(shù)的標準偏差和變異系數(shù)表明兩個指標的離散程度較小，反映了研究區(qū)施肥量整體上不足。

表2 冬小麥生物量、氮濃度和氮素營養(yǎng)指數(shù)統(tǒng)計Table 2 Statistics of above-ground biomass, plant nitrogen concentration and Nitrogen Nutrition Index (NNI) of winter wheat

2.2 光譜參數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性分析

2.2.1 “三邊”參數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性分析

分析“三邊”參數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性（表3），結(jié)果表明，藍邊面積（Sblue）、紅邊面積（Sred）、紅邊內(nèi)最大一階導數(shù)值（Dr）、綠峰反射率最大值（Rg）、紅谷反射率最小值（Rr）與植株氮濃度達到極顯著性相關（P＜0.01），其相關系數(shù)分別為-0.59、0.64、-0.57和-0.51。Dr與地上部生物量呈顯著相關（P＜0.05），相關系數(shù)為 0.33；Sred、Rg、Rr與地上部生物量呈極顯著相關。Sblue、Sred、Dr、Rg和Rr與氮素營養(yǎng)指數(shù)呈極顯著相關，其相關系數(shù)分別為-0.59、0.61、0.63、-0.61、和-0.56；Db與氮素營養(yǎng)指數(shù)呈顯著負相關，相關系數(shù)為-0.30。總體上，紅邊面積、綠峰反射率最大值和紅谷反射率最小值與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)都有較好的相關性，這 3個光譜參數(shù)可用于氮素營養(yǎng)指數(shù)的估算模型構建。

2.2.2 任意兩波段光譜指數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性分析

波段范圍在450～950 nm內(nèi)任意兩波段組合的DSI、NDSI、RSI 三類光譜指數(shù)與冬小麥氮素營養(yǎng)指數(shù)的相關性等勢圖如圖2所示。其中，相關系數(shù)＞0.34的區(qū)域表示任意兩波段光譜指數(shù)與冬小麥氮素營養(yǎng)指數(shù)達到極顯著相關，將與氮素營養(yǎng)指數(shù)相關系數(shù)最高的波段組合定義為最優(yōu)任意兩波段光譜指數(shù)。最優(yōu)任意兩波段光譜指數(shù)的入選波段及其與氮素營養(yǎng)指數(shù)的相關系數(shù)如表4所示。結(jié)果表明，所篩選出的最優(yōu)任意兩波段光譜指數(shù)與氮素營養(yǎng)指數(shù)的相關性均通過了顯著性檢驗（P＜0.01），而且與植株氮濃度和地上部生物量也呈現(xiàn)極顯著相關關系。其中比值光譜指數(shù)與氮素營養(yǎng)指數(shù)的相關性最佳，相關系數(shù)為-0.73，敏感光譜位置為718和738 nm，這與王仁紅等[11]在冬小麥氮素營養(yǎng)指數(shù)高光譜估測研究中所構建的比值指數(shù)的感波段位置相似（波段位于720和735 nm）。本研究任意兩波段光譜指數(shù)與氮素營養(yǎng)指數(shù)的相關性較“三邊”參數(shù)有明顯提高（表3）。

表3 “三邊”參數(shù)與植株氮濃度、生物量和氮素營養(yǎng)指數(shù)的相關性Table 3 Correlation of trilateral parameters with plant nitrogen concentration, above-ground biomass, and Nitrogen Nutrition Index (NNI)

圖2 抽穗期任意兩波段光譜指數(shù)與冬小麥氮素營養(yǎng)指數(shù)相關性等勢圖Fig.2 Correlation isopotential map of any two bands spectral index with Nitrogen Nutrition Index (NNI) of winter wheat at the heading stage

表4 光譜指數(shù)入選波段及其與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)的相關性Table 4 Selected band of spectral index and its correlation with plant nitrogen concentration, above-ground biomass, and Nitrogen Nutrition Index (NNI)

2.2.3 植被指數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性分析

五類典型植被指數(shù)與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)的相關性分析結(jié)果如表5所示。所選植被指數(shù)與冬小麥植株氮濃度和氮素營養(yǎng)指數(shù)的相關性優(yōu)于地上部生物量，這與 Wang 等[29]在估算草種子氮素營養(yǎng)指數(shù)中的研究結(jié)果一致。REPLI、RNDVI、VOG、DCNI、PRI與植株氮濃度、氮素營養(yǎng)指數(shù)均達到極顯著相關；除DCNI指數(shù)外，REPLI、RNDVI、VOG、PRI與地上部生物量也達到極顯著相關（P＜ 0.01），相關系數(shù)分別為0.48、0.42、0.36和-0.35?；诩t邊位置的植被指數(shù)與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)的相關性顯著優(yōu)于其他指數(shù)。有研究表明紅邊與作物單位面積的葉綠素含量密切相關，與作物自身的營養(yǎng)狀況聯(lián)系密切，且紅邊參數(shù)與農(nóng)學組分具有相對穩(wěn)定的數(shù)學關系[30]，因此，對氮素營養(yǎng)指數(shù)的估算具有一定的潛力。

表5 植被指數(shù)與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)的相關性Table 5 Correlation between reported vegetation index and plant nitrogen concentration, above-ground biomass and Nitrogen Nutrition Index (NNI)

2.3 氮素營養(yǎng)指數(shù)模型構建

由于氮素營養(yǎng)指數(shù)與植株氮濃度和地上部生物量有關，根據(jù)光譜參數(shù)與植株氮濃度、地上部生物量及氮素營養(yǎng)指數(shù)的相關性分析，Sred、Rg、Rr、DSI、NDSI、RSI、REPLI、RNDVI、VOG和PRI與三者均達到顯著檢驗（P＜0.01），基于這10種光譜參數(shù)對冬小麥氮素營養(yǎng)指數(shù)進行建模估算研究。

2.3.1 基于單個光譜參數(shù)的氮素營養(yǎng)指數(shù)（NNI）估算

構建各光譜參數(shù)與冬小麥氮素營養(yǎng)指數(shù)的一元回歸模型，各估測模型的建模集精度和驗證集精度如表6所示。除基于線性內(nèi)插法紅邊位置外，其他光譜參數(shù)與氮素營養(yǎng)指數(shù)的關系均表現(xiàn)為非線性。建模集中，NNI-DSI回歸模型的R2為0.56最大，RMSE為0.17最小，模型精度最高，但NNI-DSI回歸模型的驗證集精度略有下降。NNI-RNDVI模型的建模集和驗證集精度基本接近，驗證集R2最高為0.55，RMSE最小為0.18。將NNI-DSI模型和 NNI-RNDVI模型實測值和預測值的空間分布繪制成散點圖（圖3），散點分布越接近于1∶1線，說明模型的估算效果越佳。NNI-RNDVI模型的散點分布更接近于1∶1線，離散程度較小，對氮素營養(yǎng)指數(shù)的估算能力更強，實測值與預測值的散點趨勢線斜率為0.62。

2.3.2 基于多個光譜參數(shù)的氮素營養(yǎng)指數(shù)估算

以與植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)相關性均滿足置信水平為P≥0.01的光譜參數(shù)作為輸入變量，以冬小麥氮素營養(yǎng)指數(shù)作為響應變量，分別構建基于多元線性逐步回歸、偏最小二乘回歸和隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)預測模型，模型的建模精度和驗證精度如表7所示。在建模集中，基于多個光譜參數(shù)建立的NNI模型精度R2為0.63～0.88，RMSE為0.10～0.15，整體精度高于基于單個光譜參數(shù)建立的NNI預測模型。NNI-RFR模型的精度相對最佳，R2為0.88，RMSE為0.10；其次是NNI-PLSR模型，R2和RMSE分別為0.65和0.15；NNI-MLSR模型精度略低于偏最小二乘回歸模型精度，R2為0.63，RMSE為0.15。在驗證集中，基于隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)模型獲得最佳的驗證精度，R2為 0.79，RMSE為0.13，其實測值與預測值空間分布圖如圖4所示，相比NNI-RNDVI模型散點空間分布更接近1∶1線，散點趨勢斜率為0.70。

表6 基于單個光譜參數(shù)的冬小麥氮素營養(yǎng)指數(shù)預測模型Table 6 Estimation model of Nitrogen Nutrition Index (NNI) of winter wheat based on single spectral parameter

2.4 模型精度對比

相對預測偏差通過實測值和預測值之間標準差和均方根誤差之比來證明模型的預測能力，本研究中基于單個光譜參數(shù)建立的冬小麥氮素營養(yǎng)指數(shù)模型中，NNI-RNDVI模型的相對預測偏差RPD最高為1.56；其次是NNI-DSI模型的 RPD為1.53，具有粗略估測樣本的能力，其他單個光譜參數(shù)所建模型不具備預測樣本能力。基于多個光譜參數(shù)所建的氮素營養(yǎng)指數(shù)估測模型中，NNI-RFR模型的RPD最大，為 2.25，具有極好的模型預測能力；其次為NNI-PLSR模型的 RPD為 1.54，可以粗略估測樣本；NNI-MLSR模型RPD為1.47，不具備模型預測能力。整體上，基于隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)模型精度高于基于偏最小二乘回歸、多元線性逐步回歸和基于單個光譜參數(shù)建立的模型，具有極好的樣本預測能力，這與劉昌華等[10]在利用野外便攜式高光譜儀進行冬小麥氮素營養(yǎng)診斷的結(jié)果一致，且精度遠高于梁惠平等[9]建立的玉米氮素營養(yǎng)指數(shù)逐步回歸分析模型。分析認為雖然偏最小二乘回歸方法可以進一步對敏感光譜指數(shù)進行主成分提取，提高光譜指數(shù)與氮素營養(yǎng)指數(shù)之間的相關性，但是也存在解決非線性問題能力弱和丟失部分信息等問題。隨機森林回歸對噪聲有較好的容忍度，且不容易過度擬合，可以通過內(nèi)核函數(shù)有效解決非線性問題[26-27,31]，在診斷大面積冬小麥氮素營養(yǎng)狀況時具有明顯優(yōu)勢。

圖3 基于差值光譜指數(shù)和紅邊歸一化指數(shù)的氮素營養(yǎng)指數(shù)預測值與實測值相關性Fig.3 Correlation of measured values and predicted values of Nitrogen Nutrition Index (NNI) based on Difference Spectral Index (DSI), and Red-edge Normalized Difference Vegetation Index (RNDVI)

2.5 冬小麥氮素營養(yǎng)指數(shù)遙感填圖

以乾縣試驗田為例（圖5a），利用NNI-RFR估測模型對提取的小麥覆蓋區(qū)進行無人機影像的遙感填圖，得到冬小麥NNI的空間分布專題區(qū)，結(jié)果如圖5b所示，從空間分布來看，冬小麥NNI呈現(xiàn)東部低值區(qū)，西部相對較高，整體上施肥量不足。為檢驗NNI-RFR應用于無人機遙感填圖的精度，將同步采樣所獲取NNI實測值與冬小麥NNI的空間分布專題圖的反演值進行擬合分析，其回歸方程斜率與R2分別為0.79和0.78，可以較好的反映研究區(qū)內(nèi)冬小麥NNI值的分布情況（圖6）。目前，對于冬小麥氮素營養(yǎng)監(jiān)測的研究多基于非成像高光譜，難以快速實現(xiàn)小區(qū)域范圍內(nèi)的氮素營養(yǎng)監(jiān)測，而衛(wèi)星遙感技術受空間分辨率的影響對氮素營養(yǎng)的遙感填圖精度較低[3-5]。本研究表明，無人機搭載高光譜成像儀能以較高的空間和光譜分辨率為小區(qū)域冬小麥氮素營養(yǎng)的空間分布提供理論和技術支持。

表7 基于多元線性逐步回歸、偏最小二乘回歸和隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)預測模型驗證Table 7 Prediction models’ verification of Nitrogen Nutrition Index (NNI) of winter wheat based on Multiple Linear Stepwise Regression (MLSR), Partial Least Squares Regression (PLSR) and Random Forest Regression (RFR)

圖4 基于隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)預測值與實測值相關性Fig.4 Correlation of measured values and predicted values of Nitrogen Nutrition Index (NNI) of winter wheat based on Random Forest Regression (RFR)

圖5 乾縣基于隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)遙感填圖Fig.5 Remote sensing mapping of Nitrogen Nutrition Index (NNI)of winter wheat based on Random Forest Regression (RFR) in Qianxian

圖6 基于隨機森林回歸的冬小麥氮素營養(yǎng)指數(shù)實測值與估算值空間分布Fig.6 Space distribution between the measured values and estimated values of Nitrogen Nutrition Index (NNI) of winter based on Random Forest Regression (RFR)

3 結(jié) 論

本研究基于小區(qū)試驗和無人機高光譜數(shù)據(jù)對抽穗期冬小麥的氮素營養(yǎng)進行了遙感監(jiān)測，得出以下主要結(jié)論：

1）任意兩波段篩選的光譜指數(shù)與氮素營養(yǎng)指數(shù)的相關性優(yōu)于“三邊”參數(shù)和典型植被指數(shù)，其中由718和738 nm波段反射率構建的比值光譜指數(shù)對氮素營養(yǎng)指數(shù)最為敏感；

2）基于對植株氮濃度、地上部生物量和氮素營養(yǎng)指數(shù)均為敏感的10種光譜參數(shù)構建的隨機森林回歸模型能夠很好地預測氮素營養(yǎng)指數(shù)，模型決定系數(shù)為 0.79，均方根誤差為 0.13，相對預測偏差為 2.25，可以實現(xiàn)小區(qū)域范圍的氮素營養(yǎng)指數(shù)遙感填圖，為冬小麥氮素營養(yǎng)的空間分布格局，變量施肥和產(chǎn)量估算研究提供理論依據(jù)。