CN103293111A - 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 - Google Patents

Abstract

本发明公开了一种土壤背景干扰条件下小麦叶层氮含量光谱监测模型及建模方法，将野外高光谱辐射仪采集到的小麦冠层叶片及土壤共存条件下的混合反射光谱数据、通过数码相机获取的田间小麦植被覆盖度，与小麦冠层叶片氮含量数据相融合，建立适用于土壤背景干扰下全生育期的小麦冠层叶片氮含量光谱监测模型。本发明利用两年的小麦田间试验资料，通过植被覆盖度修订归一化植被指数，构建面向土壤干扰下小麦叶层氮含量的最佳光谱参数和监测模型。基于土壤背景干扰下的数据集构建的监测模型，能够有效的降低土壤背景产生的噪音，提高小麦叶片氮含量监测的精准性，为早期小麦作物生长氮素营养状况的快速、无损、实时监测提供新的理论基础和技术支持。

Description

一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法

技术领域

本发明涉及精准农业中作物生长信息无损监测领域，涉及一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法。

技术背景

高光谱遥感能够快速、无损地监测作物氮素营养状况，为适时、适量的氮肥调控提供重要的技术支持。科学的氮肥运筹不仅可以提高氮肥利用率，增加产量，而且可以减少环境污染。目前，基于高光谱的作物氮素营养监测已广泛应用于生产实践。

然而，在小麦作物追肥时，其群体通常处于一个植被与土壤背景共存的状态。已有光谱参数大多基于封行后的植被群体构建，未能有效消除或降低土壤背景对作物光谱监测的影响，而且前人构建光谱参数的核心波段迄今较少基于对高光谱范围内所有光谱波段系统分析，这可能导致某些反映植被氮素组分的特征波段未能被挖掘和利用。

发明内容

本发明的目的是针对上述现有技术的不足，提供一种有效降低土壤背景影响且兼具机理性的小麦叶层氮素营养监测模型。

本发明的另一个目的是提供一种高效、精确的小麦叶层氮含量建模方法。

本发明解决技术问题所采用的技术方案是：本发明的土壤背景干扰下小麦叶层氮含量光谱监测模型特点是将野外高光谱辐射仪采集到的小麦冠层叶片与土壤背景的混合反射光谱数据，以及通过数码照相获取的小麦田间植被覆盖度，与小麦冠层叶片氮含量数据相融合，采用植被覆盖度来修订归一化植被指数的方法构建光谱参数，筛选面向不同生育期的最佳特征波段和光谱参数，建立基于土壤背景干扰下的面向小麦全生育期的冠层叶片氮含量光谱监测模型。

所述土壤背景干扰是基于小麦植被与土壤背景共存状态，即存在大比例的土壤背景条件下。

所述光谱参数为覆盖度调节归一化光谱参数，

NDVI_FVcover[NDVI(R₁,R₂)/(1+FV_cover)]。

所述最佳特征波段为λ₁=513nm、λ₂=481nm。

所述土壤背景干扰下小麦冠层叶片氮含量光谱监测模型为：

Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613

本发明建模方法采用的技术方案是：

一种小麦叶层氮含量光谱监测模型的建模方法，包含如下步骤：

1）获取数据：使用野外高光谱辐射仪采集小麦田间冠层光谱数据，通过数码照相获取小麦植被覆盖度，和采用凯氏定氮法测定小麦冠层叶片氮含量；

2）构建光谱参数：将获取的田间小麦植被覆盖度FV_cover修订归一化植被指数NDVI，构建覆盖度调节归一化光谱参数NDVI_Fvcover：

NDVI_FVcover={(R_λ1-R_λ2)/(R_λ1+R_λ2)}/(1+FV_cover)

式中NDVI_FVcover光谱参数由350-2500nm任意两波段组合构建，R_λ1为波段λ1的反射率,R_λ2波段λ2的反射率，FV_cover为小麦的植被覆盖度；

3）确定特征波段：将NDVI_FVcover光谱参数与小麦叶层氮含量建立线性模型；对模型决定系数排序，寻找决定系数最大的最佳波段组合：λ₁=513nm、λ₂=481nm；

4）建立监测模型：利用构建的特征波段光谱参数，在全生育期建立小麦叶层氮含量光谱监测模型：

Y=-29.025NDVI_FVcover(R_λ1,R_λ2)+4.9613。

5）检验模型：使用独立年份小麦试验数据测试与检测监测模型的准确性和稳定性，采用复相关系数平方R²、相对均方根差RRMSE对模型进行综合评价:

$\mathrm{RRMSE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(P_i-Q_i)}^2}\×\frac{100}{\stackrel{\‾}{Q_i}}.$

步骤1）中样本来自不同种植密度和不同施氮水平的小麦试验；所述的不同种植密度优选为条播，行距为：45cm，40cm，35cm，30cm，25cm，20cm；所述的不同施氮水平优选为150kg·hm²，225kg·hm²，300kg·hm²。

步骤1）中田间小麦冠层光谱采集采用野外高光谱辐射仪，波段范围为350～2500nm；环境条件为天气晴朗、无风；时间为10：00-14：00。

步骤1）中的小麦冠层叶片氮含量测定取样与光谱数据的取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定氮含量。

步骤3）中决定系数最大的最佳波段组合为：λ₁=513nm、λ₂=481nm。

步骤4）中建立的小麦叶层氮含量监测模型为：Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613。模型Y的复相关系数平方R²为0.54,相对均方根差RRMSE为13%。

本发明的有益效果：

本发明利用小麦田间试验，通过数码相机获取小麦植被覆盖度修订归一化植被指数NDVI，从而构建覆盖度调节归一化光谱参数{NDVI_FVcover[NDVI(R₁,R₂)/(1+FV_cover)]}和定量模型（Y=-29.025NDVIFVcover(Rλ1,Rλ2)+4.9613），能够有效降低土壤背景产生的噪音，提高小麦叶片氮含量监测精准性，为早期小麦作物生长氮素营养状况的快速无损实时监测提供新的理论基础和技术支持。

附图说明，

图1为本发明中土壤背景干扰下小麦叶层氮含量建模流程图。

具体实施方式

实施例1

本实施例中野外高光谱辐射仪采集到的冠层叶片反射光谱信息、通过数码相机获取的田间小麦植被覆盖度信息与冠层叶片氮含量数据相融合，提取小麦叶层氮含量敏感波段λ1=513nm、λ2=481nm，构建小麦叶层氮含量最佳光谱参数NDVI_FVcover，以此建立土壤背景干扰条件下的小麦叶层氮含量监测模型：

Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613

参照图1，土壤背景干扰下小麦叶层氮含量光谱建模方法具体包括以下步骤：

S101：获取数据。样本来自不同种植密度（条播，行距为：45cm，40cm，35cm，30cm，25cm，20cm）和不同施氮水平（150kg·hm²，225kg·hm²，300kg·hm²）的小麦试验。

田间小麦冠层光谱采集采用野外高光谱辐射仪，波段范围为350～2500nm；环境条件为天气晴朗、无风；时间为10：00-14：00。

小麦冠层叶片氮含量测定取样与光谱采集同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定氮含量。

S102：构建光谱参数。将获取的田间小麦植被覆盖度FV_cover修订归一化植被指数NDVI，构建覆盖度调节归一化光谱参数NDVI_FVcover。

NDVI_FVcover={(R_λ1-R_λ2)/(R_λ1+R_λ2)}/(1+FV_cover)

式中R_λ1为波段λ1的反射率,R_λ2波段λ2的反射率，FV_cover为植被覆盖度。

S103：确定特征波段。将NDVI_FVcover光谱参数与全生育期小麦叶层氮含量建立线性模型，对模型决定系数排序，筛选最大决定系数和最小误差组合所对应的波段即为特征波段λ₁=513nm、λ₂=481nm。

S104：建立监测模型。利用构建的特征光谱参数，建立全生育期监测模型，采用复相关系数平方R²、标准误差SE综合评价模型。

Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613

S105：检验模型。使用独立年份小麦试验资料数据测试与检验监测模型的准确性和普适性，采用复相关系数平方R²和相对均方根差RRMSE对模型进行综合评价，具体评价指标的计算公式如下：

$\mathrm{RRMSE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(P_i-Q_i)}^2}\×\frac{100}{\stackrel{\‾}{Q_i}}.$

模型Y的复相关系数平方R²为0.54,相对均方根差RRMSE为13%。

Claims (8)

1.一种土壤背景干扰条件下的小麦叶层氮含量光谱监测模型，其特征为：将野外高光谱辐射仪采集到的小麦冠层叶片与土壤背景的混合反射光谱数据、以及通过数码相机获取的小麦田间植被覆盖度，与小麦冠层叶片氮含量数据相融合，构建土壤背景干扰下的最佳光谱参数NDVI_FVcover[NDVI(R₁,R₂)/(1+FV_cover)]，提取小麦叶层氮含量敏感波段λ₁=513nm、λ₂=481nm，建立小麦叶层氮含量监测模型：Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613。

2.一种土壤背景干扰条件下的小麦叶层氮含量光谱监测模型的建模方法，其特征在于包含如下步骤：

1）获取数据：使用野外高光谱辐射仪采集小麦田间冠层光谱数据，通过数码相机获取小麦植被覆盖度，采用凯氏定氮法测定小麦冠层叶片氮含量；

2）构建光谱参数：将获取的田间小麦植被覆盖度FV_cover修订归一化植被指数NDVI，构建覆盖度调节归一化光谱参数NDVI_Fvcover：

NDVI_FVcover={(R_λ1-R_λ2)/(R_λ1+R_λ2)}/(1+FV_cover)

式中NDVI_FVcover光谱参数由350-2500nm任意两波段组合构建，R_λ1为波段λ1的反射率,R_λ2波段λ2的反射率，FV_cover为小麦植被覆盖度；

3）确定特征波段：将NDVI_FVcover光谱参数与小麦叶层氮含量建立线性模型，对模型决定系数排序和误差排序，寻找决定系数最大和误差较小的最佳波段组合，确定为特征最佳波段；

4）建立监测模型：利用构建的特征波段和光谱参数，在全生育期建立小麦叶层氮含量光谱监测模型：

Y=-29.025NDVI_FVcover(R_λ1,R_λ2)+4.9613。

5）检验模型：使用独立年份小麦试验数据评估模型的准确性和稳定性，采用复相关系数平方R²、相对均方根差RRMSE对模型进行综合评价:

$\mathrm{RRMSE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(P_i-Q_i)}^2}\×\frac{100}{\stackrel{\‾}{Q_i}}.$

3.根据权利要求2所述的建模方法，其特征为：步骤1）中样本来自不同种植密度和不同施氮水平的小麦试验；所述的不同种植密度为条播，行距为：45cm，40cm，35cm，30cm，25cm，20cm；所述的不同施氮水平为150kg·hm²，225kg·hm²，300kg·hm²。

4.根据权利要求2所述的建模方法，其特征为：步骤1）中田间小麦冠层光谱采集采用野外高光谱辐射仪，波段范围为350～2500nm；环境条件为天气晴朗、无风；时间为10：00-14：00。

5.根据权利要求2所述的建模方法，其特征为：步骤1）中的小麦冠层叶片氮含量测定取样与光谱数据的取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70℃干燥至恒重，然后称重，采用凯氏定氮法测定叶片氮含量。

6.根据权利要求2所述的建模方法，其特征在于步骤3）中决定系数最大和误差较小的最佳波段组合为：λ₁=513nm、λ₂=481nm。

7.根据权利要求6所述的建模方法，其特征在于步骤4）中建立的小麦叶层氮含量监测模型为：Y=-29.025NDVI_FVcover(R₅₁₃,R₄₈₁)+4.9613。

8.根据权利要求7所述的建模方法，其特征为：模型Y的复相关系数平方R²为0.54,相对均方根差RRMSE为13%。

Images