专利名称：一种稻麦叶片氮含量光谱监测模型建模方法
技术领域：
本发明一种稻麦叶片氮含量光谱监测模型建模方法，涉及稻麦生长信息光谱监测模型，属于精准农业中作物生长信息无损监测领域。
背景技术：
稻麦是我国最重要的粮食作物，实时监测稻麦氮素营养状况不仅能保证稻麦的产量和品质，而且能提高氮肥利用效率，减少地下水污染，从而产生巨大的经济和生态效益。 长期以来，稻麦的氮素含量监测都是通过田间破坏性取样，室内分析测定而得，其缺陷是 费时费力，时效性差，不能实时指导稻麦精确管理。稻麦体内大多数生理生化变化会引起某些特定波段反射光谱的变化。基于这一原理，可以利用稻麦生长信息的光谱特征波长和植被指数来反演稻麦的氮素营养状态。传统的方法是针对不同生育期作物生长状况，利用特征波段构建单一的光谱参数，定量分析光谱参数与生理参数之间的关系，以此建立光谱监测模型；但是稻麦不同生育期的光谱反射率差异较大，单一的光谱参数很难反映稻麦生理参数的变化规律，建立的光谱监测模型准确性低、敏感性差。目前，基于不同特征光谱参数的作物氮含量监测模型都是针对单一作物，特征波段的普适性较差，模型的机理性不强。虽然目前也有关于稻麦叶片氮含量共性特征光谱的研究，但都是基于多光谱数据，其特征波段的可靠性和监测模型的准确性都依赖于对高光谱数据的深层挖掘来提高，且未解决特征波段的适宜带宽问题。
发明内容
技术问题
本发明针对上述现有技术的不足，提供一种普适性好、准确性高且机理性强的稻麦叶片氮含量监测模型建模方法。技术方案
本发明为解决上述技术问题所采用的技术方案是
本发明一种稻麦叶片氮含量光谱监测模型建模方法在于采用如下步骤
(1)取样；分别对稻麦叶片氮含量测定和光谱进行取样，样本采自不同生态点、不同品种、不同施氮水平和不同水分处理，涉及不同的年份；
(2)构建植被指数；利用400-1000nm任意两波段按步长Inm递增，两两组合构建植被指数，拔节至孕穗期稻麦未完全封行，采用土壤调节植被指数SAVI，抽穗至灌浆期稻麦基本封行，采用常用差值植被指数DVI、比值植被指数RVI和归一化植被指数NDVI。(3)确定特征波段；将SAVI植被指数与拔节至孕穗期稻麦叶片氮含量建立线性模型；将RSI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；对模型决定系数R2排序，寻找某一组合的波段在水稻、小麦不同生育阶段模型中都具有较大的决定系数R2，以1% R2起始，按照0.01步长变换，不断扩展特征波段组合范围，直到各模型波段组合范围出现共性交集，即为稻麦叶片氮含量的共性特征波段；
(4)优化带宽范围；基于已构建的两波段组合植被指数与稻麦叶片氮含量决定系数的变化，分别在不同模型决定系数水平上求取稻麦叶片氮含量估测的核心波段范围，在此范围内确定最大内接矩形，内接矩形的长和宽分别为相应特征波段的适宜带宽；
(5)建立监测模型；利用构建的窄波段和宽波段特征光谱参数，分别在不同生育期构建监测模型，采用复相关系数平方R2、标准误差SE评价模型；
(6)检验模型；使用独立年份稻麦试验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、相对均方根差RRMSE对模型进行综合评价。所述步骤(1)中的稻麦叶片氮含量测定取样与光谱取样同步，每个田块随机抽取 10株，叶茎分离，并于烘箱70°C干燥至恒重，然后称重，采用凯氏定氮法测定氮含量；
所述稻麦冠层氮含量监测模型为
水稻拔节至孕穗期 4=-4. 314 SAVI (R722，R812)+1. 435
抽穗至灌浆期Υ2=-7. 588DVI (R722，R812) +0. 779
或者 Y3=-4. 409RVI (R722，R812) +4. 119
或者 Y4= -4. 656NDVI (R722，R812) +0. 303
小麦拔节至孕穗期:Y5=-6. 022 SAVI (R722，R812)+1. 186
抽穗至灌浆期Υ6=-12. 758DVI (R722，R812) +0. 654
或者 γ7=-5· 707RVI (R722，R812) +5. 694
或者 Υ8=-7· 226NDVI (R722，R812) +0. 364
所述步骤(2)中SAVI植被指数中调节参数按步长0. 001在[_2，2]递增。所述步骤(3)中所述稻麦叶片氮含量共性特征波段为λ 1=722nm, λ 2=812nm ； 其中特征波段722nm的带宽Δ λ 1为2 nm — 7nm，特征波段812nm的带宽Δ λ 2为
3. 5 nm——50 nm。有益效果
利用多年、多点的稻麦田间试验数据，构建稻麦不同生育期的最佳植被指数；挖掘稻麦冠层叶片氮含量共性敏感波段，建立稻麦冠层叶片氮含量光谱监测模型，不仅增强了模型的机理性，而且提高了模型的敏感度。该监测模型涵盖了不同品种、不同氮素水平，普适性好；利用独立年份的数据验证模型，模型的准确性高。
图1为本发明稻麦叶片氮含量建模流程图。
具体实施例方式本实施例中野外高光谱辐射仪采集到不同农田、不同年份、不同品种、不同施氮水平、不同水分处理和不同生育期的稻麦冠层叶片反射光谱数据与冠层叶片氮含量数据相融合，构建拔节至孕穗期的最佳稻麦植被指数SAVI、抽穗至灌浆期的最佳植被指数DVI，RVI 和NDVI，挖掘稻麦冠层叶片氮含量共性敏感波段λ 1=722nm, λ 2=812nm,以此建立稻麦冠层氮含量监测模型
水稻拔节至孕穗期=Y1=^. 314 SAVI (R722，R812)+1. 43权利要求
1.一种稻麦叶片氮含量光谱监测模型建模方法，其特征在于采用如下步骤(1)取样；分别对稻麦叶片氮含量测定和光谱进行取样，样本采自不同生态点、不同品种、不同施氮水平和不同水分处理，涉及不同的年份；(2)构建植被指数；利用400-1000nm任意两波段按步长Inm递增，两两组合构建植被指数，拔节至孕穗期稻麦未完全封行，采用土壤调节植被指数SAVI，抽穗至灌浆期稻麦基本封行，采用常用差值植被指数DVI、比值植被指数RVI和归一化植被指数NDVI ；(3)确定特征波段；将SAVI植被指数与拔节至孕穗期稻麦叶片氮含量建立线性模型； 将RSI植被指数与抽穗至灌浆期稻麦叶片氮含量建立线性模型；对模型决定系数R2排序， 寻找某一组合的波段在水稻、小麦不同生育阶段模型中都具有较大的决定系数R2，以1% R2 起始，按照0. 01步长变换，不断扩展特征波段组合范围，直到各模型波段组合范围出现共性交集，即为稻麦叶片氮含量的共性特征波段；(4)优化带宽范围；基于已构建的两波段组合植被指数与稻麦叶片氮含量决定系数的变化，分别在不同模型决定系数水平上求取稻麦叶片氮含量估测的核心波段范围，在此范围内确定最大内接矩形，内接矩形的长和宽分别为相应特征波段的适宜带宽；(5)建立监测模型；利用构建的窄波段和宽波段特征光谱参数，分别在不同生育期构建监测模型，采用复相关系数平方R2、标准误差SE评价模型；(6)检验模型；使用独立年份稻麦试验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、相对均方根差RRMSE对模型进行综合评价。
2.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征为步骤(1) 中的稻麦叶片氮含量测定取样与光谱取样同步，每个田块随机抽取10株，叶茎分离，并于烘箱70°C干燥至恒重，然后称重，采用凯氏定氮法测定氮含量；所述稻麦冠层氮含量监测模型为水稻拔节至孕穗期 4=-4. 314 SAVI (R722，R812)+1. 435抽穗至灌浆期Υ2=-7. 588DVI (R722，R812) +0. 779或者 Y3=-4. 409RVI (R722，R812) +4. 119或者 Y4= -4. 656NDVI (R722，R812) +0. 303 ；小麦拔节至孕穗期:Y5=-6. 022 SAVI (R722，R812)+1. 186抽穗至灌浆期Υ6=-12. 758DVI (R722，R812) +0. 654或者 γ7=-5· 707RVI (R722，R812) +5. 694或者 Y8=-7. 226NDVI (R722，R812) +0. 364 。
3.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征为步骤(2) 中SAVI植被指数中调节参数按步长0.001在[-2，2]递增。
4.如权利要求1所述一种稻麦叶片氮含量光谱监测模型建模方法，其特征为步骤(3) 中所述稻麦叶片氮含量共性特征波段为λ 022 、A2=812nm；其中特征波段722nm的带宽Δ λ 1为2 nm — 7nm，特征波段812nm的带宽Δ λ 2为 3. 5 nm——50 nm。
全文摘要
本发明公开了一种稻麦叶片氮含量光谱监测模型建模方法，属于精准农业中作物生长信息无损监测领域。将野外高光谱辐射仪采集到的稻麦冠层叶片反射光谱数据与稻麦冠层叶片氮含量数据相融合，建立基于窄波段与宽波段相结合面向稻麦不同生育期的冠层叶片氮含量光谱监测模型。本发明利用多年、多点的稻麦田间试验数据，构建面向稻麦拔节至孕穗期、抽穗至灌浆期的最佳植被指数；挖掘稻麦冠层叶片氮含量共性特征波段及带宽。模型涵盖了稻麦不同品种、不同氮素水平，普适性好，利用独立年份的数据验证模型，模型的准确性高。
文档编号G01N21/17GK102175618SQ20111003311
公开日2011年9月7日 申请日期2011年1月31日 优先权日2011年1月31日
发明者倪军, 刘小军, 姚霞, 曹卫星, 朱艳, 王薇, 田永超 申请人:南京农业大学