专利名称：一种确定小麦植株吸氮量核心波段的方法
技术领域：
本发明属于小麦氮素无损监测领域，尤其涉及一种确定小麦植株吸氮量核心波段的方法。
背景技术：
除了水分和光能辐射外，氮素是冬小麦及其他作物生长和产量形成的主要限制因素。而由植株氮含量和生物量构成的植株吸氮量显著地影响小麦产量、品质形成，是监测植株氮素状况的优良指标。无损、实时、精确地监测追氮前植株吸氮量时间和空间上的差异性对实时与实地氮肥管理具有重大意义。利用光谱反射率数据构建指数估测作物氮素状况的基础是核心波段的选择，而核心波段选择的方法一直是遥感监测领域中的一大难题。在前人的研究中，通过氮素缺乏下的光谱反射率与正常条件下的光谱反射率相减来确定大豆叶片氮素状况的核心波段。Carter通过选择对胁迫敏感和不敏感的两个波段确定构建光谱指数的核心波段，利用这一方法构建的比值植被指数包括420/695、695/760、710/760和605/760 (按预测能力的高低排序)。另有研究通过逐步回归的方法确定预测植株氮素状况的核心波段并得到了较为理想的估测结果。Cho和Skidmore提出了线性外推的方法确定红边区域的核心波段(红边位置)来预测植株的氮含量。Hansen和Schjoerring构建了两波段任意组合的NDVI,并从中选择与叶片氮含量相关性最高的NDVI作为氮素估测指数。之后，Yao等又基于波段任意组合的思想，提出了减量精细采样法，该方法可以高效提取光谱特征信息，快速确定作物生长监测核心波段，目前，减量精细采样法已成功用于小麦叶片氮积累量核心波段、适宜带宽和特征光谱指数的确定。但已有的方法在选择核心波段时往往仅考虑建模的决定系数的表现，Tarpley等研究证明最好的核心波段是需要在各种情况下均表现良好，而不是仅在特定数据集中表现最好。为此，Tarpley等在他们的研究中提出了一种新的波段选择的方法，该方法实现了棉花叶片氮含量的准确预测。但他们的研究存在仅依靠视觉进行波段选择的不足。因而波段确定的方法需要进一步研究，提出更为科学、准确的选择方法，从而挖掘海量高光谱数据中反映作物关键参数的核心波段。
发明内容
本发明提供了一种确定小麦植株吸氮量核心波段的方法，旨在解决现有技术仅依靠视觉进行波段选择的不足，并且不能提供一种更为科学、准确的用于核心波段选择及确定的方法，不能够有效地挖掘海量高光谱数据中反映作物关键参数的核心波段的问题。本发明的目的在于提供一种确定小麦植株吸氮量核心波段的方法，所述方法包括以下步骤确定小麦植株样本；对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定；构建所有两波段组合的归一化植被指数(NDVI)；
构建植株吸氮量和植被指数(NDVI)的线性回归模型，并运用独立年份的数据检验模型表现；通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept)；对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段。 进一步，所述采集的小麦植株样本来自于8个大田实验，涉及不同年份、生态点、品种、氮肥、播期和密度处理。进一步，所述冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量，350 IOOOnm波段采样间隔为I. 4nm，光谱分辨率为3nm，1000 2500nm波段采样间隔为2nm，光谱分辨率为10nm。进一步，所述冠层光谱测定选择在无云、无风或风速很小时进行，时间范围为10:00 14:00，传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约I. 2m测量，所测数据通过白板校正获得反射率数据；以15条光谱为一采样光谱，以其平均值作为该小区的光谱反射率，每测定5条光谱数据进行白板校正，每个试验在关键生育时期都进行观测。进一步，所述植株吸氮量的测定主要是田间破坏性取样O. 25m2，在105°下杀青并在80°下烘干至恒重后称重，测定植株干重，进一步计算为单位土地面积植株干重，称重后将植株样本磨碎后进行氮含量分析；进一步，所述植株氮含量采用凯氏定氮法测定，通过植株干重与植株氮含量相乘计算出植株吸氮量，植株氮含量的测定方法包括以下步骤称样每个样品称取O. 14g左右。使用万分之一天平，每个样品做好编号，装入对应编号的试管中；消煮每个样品加5-10ml浓硫酸，浸泡一夜，放入消煮炉内消煮。280°C半个小时，升到330 V消煮I个小时，关闭消煮炉，冷却IOmin左右，边加入双氧水边小心摇晃至溶液无色透明，330°C继续加热半小时；定容消煮完成,样品冷却后,加入蒸懼水定容至100ml,摇勻；蒸馏加入IOml样品溶液，加入8-10ml氢氧化钠溶液。提前在三角瓶中加入5ml指示剂。大约40ml ；滴定稀硫酸滴定至颜色变为原来的红色，读数。进一步，所述构建植株吸氮量光谱指数的实现方法为植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式；计算350-2500nm范围内任意两波段组合的NDVI并从中选出核心波段，构建植株吸氮量光谱指数。进一步，所述对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为对建I旲和检验R2降序排序，其中最大R2的序号为I ;
建模和检验RMSE升序排序，其中最小RMSE的序号为I ;Slope-I的绝对值和Intercept的绝对值升序排序,其中Slope最接近I的序号为I, Intercept最接近O的序号为I。计算上述六种统计指标序号的和后再排序，作为模型的综合评价序号，最优的模型将具有最低的序号；所有波段组合的模型综合评价序号的矩阵数据绘制成二维的等高线图，以颜色的变化显示综合排序序号的变化；优选其中综合排序序号前O. 05%的区域作为“热点区域”，即在此范围内的波段为植株吸氮量监测的核心波段范围，而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。 本发明提供的确定小麦植株吸氮量核心波段的方法，方法基于任意两波段组合的归一化植被指数(NDVI)，同时考虑了建模和检验的模型表现，模型评价参数包括六种统计指标建模的决定系数(R2)和均方根误差(RMSE)，检验的决定系数(R2)，均方根误差(RMSE)，斜率(Slope)和截距(Interc印t)，并分别进行排序后将所得序号相加得到综合排名，该方法能够准确地确定了植株吸氮量的核心波段，同时，独立年份的数据资料的检验进一步说明了由该方法确定的核心波段所构建的植被指数在不同数据集资料内的稳定性，与已有的方法相比，本发明提供的方法确定的核心波段的普适性更强，通过确定的核心波段构建的植被指数的监测模型表现更加稳定，且不需要依赖于先验知识，可以扩展到其他作物不同生理参数核心波段的确定上。
图I是本发明实施例提供的确定小麦植株吸氮量核心波段的方法的实现流程图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。图I示出了本发明实施例提供的确定小麦植株吸氮量核心波段的方法的实现流程。该方法包括以下步骤在步骤SlOl中，确定小麦植株样本；；在步骤S102中，对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定；在步骤S103中，构建所有两波段组合的归一化植被指数(NDVI)；在步骤S104中，构建植株吸氮量和植被指数的线性回归模型，并运用独立年份的数据检验模型表现；在步骤S105中，通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept)；在步骤S106中，对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段来确定核心波段；
在本发明实施例中，采集的小麦植株样本为来自于8个大田实验，涉及不同年份、生态点、品种、氮肥、播期和密度处理。
在本发明实施例中，对确定的小麦植株样本进行冠层光谱反射率和植株吸氮量的测定的实现方法为冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量，350 IOOOnm波段采样间隔为I. 4nm，光谱分辨率为3nm，1000 2500nm波段采样间隔为2nm，光谱分辨率为IOnm ；冠层光谱测定选择在无云、无风或风速很小时进行，时间范围为10:00 14:00，传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约I. 2m测量，所测数据通过白板校正获得反射率数据；以15条光谱为一采样光谱，以其平均值作为该小区的光谱反射率，每测定5条光谱数据进行白板校正，每个试验在关键生育时期都进行观测；植株吸氮量的测定主要是田间破坏性取样O. 25m2，在105°下杀青并在80°下烘干至恒重后称重，测定植株干重，进一步计算为单位土地面积植株干重，称重后将植株样本磨碎后进行氮含量分析；植株氮含量采用凯氏定氮法测定，通过植株干重与植株氮含量相乘计算出植株吸氮量。在本发明实施例中，构建植株吸氮量光谱指数的实现方法为植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式；计算350_2500nm范围内任意两波段组合并从中选出核心波段，构建植株吸氮量植被指数。在本发明实施例中，对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为对建I旲和检验R2降序排序，其中最大R2的序号为I ;建模和检验RMSE升序排序，其中最小RMSE的序号为I ;Slope-I的绝对值和Intercept的绝对值升序排序,其中Slope最接近I的序号为
I,Intercept最接近O的序号为I ；计算上述六种统计指标序号的和后再排序，作为模型的综合评价序号，最优的模型将具有最低的序号；所有波段组合的模型综合序号的矩阵数据绘制成二维的等高线图，以颜色的变化显示综合排序序号的变化；优选其中综合排序序号前O. 05%的区域作为“热点区域”，即在此范围内的波段为植株吸氮量监测的核心波段范围，而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。下面结合附图及具体实施例对本发明的应用原理作进一步描述。如图I所示，一种确定小麦植株吸氮量核心波段的方法，该方法主要包括以下步骤第一步、确定小麦植株样本；。
第二步、对采集 的小麦样本进行冠层光谱反射率和植株吸氮量的测定。冠层光谱反射率的测定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量。350 IOOOnm波段采样间隔为I. 4nm，光谱分辨率为3nm ；1000 2500nm波段采样间隔为2nm，光谱分辨率为10nm。冠层光谱测定选择在无云、无风或风速很小时进行，时间范围为10:00 14:00，传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约I. 2m测量，所测数据通过白板(Labsphere，North Sutton，NH，USA)校正获得反射率数据。以15条光谱为一采样光谱，以其平均值作为该小区的光谱反射率。每测定5条光谱数据进行白板校正。每个试验在关键生育时期都进行观测。植株吸氮量的测定主要是田间破坏性取样O. 25m2，在105°下杀青并在80°下烘干至恒重后称重，测定植株干重，进一步计算为单位土地面积植株干重。称重后将植株样本磨碎后进行氮含量分析。植株氮含量采用凯氏定氮法测定，通过植株干重(PDW，g Dff πΓ2)与植株氮含量(PNC，g IOOg-1)相乘计算出植株吸氮量(PNU，g N πΓ2)。第三步、构建植株吸氮量植被指数。植株吸氮量监测核心波段的确定基于归一化植被指数(NDVI)的形式。计算350-2500nm范围内任意两波段组合并从中选出核心波段，构建植株吸氮量植被指数。第四步、构建植株吸氮量和归一化植被指数(NDVI)的线性回归模型，并运用独立年份的数据检验模型表现。第五步、通过回归分析计算以下统计参数模型建立的决定系数(R2)和均方根误差(RMSE);模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept)。第六步、根据第五步计算所得的六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段来确定核心波段其中，对建I旲和检验的R2降序排序(最大R2的序号为I)、建I旲和检验的RMSE升序排序(最小RMSE的序号为I)、Slope-I的绝对值和Intercept的绝对值升序排序(Slope最接近I的序号为UInter^pt最接近O的序号为I)。然后，计算上述六种统计指标序号的和后再排序，作为模型的综合评价序号，最优的模型将具有最低的序号。所有波段组合的模型综合序号的矩阵数据绘制成二维的等高线图，以颜色的变化显示综合排序序号的变化。同时，优选其中综合排序序号前0.05%的区域作为“热点区域”，即在此范围内的波段为植株吸氮量监测的核心波段范围，而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。本发明实施例提供的方法基于不同品种、密度、氮肥和播期的八个小麦大田试验数据，以期达到以下目的(I)建立一种新的确定归一化植被指数(NDVI)核心波段的方法，并基于确定的核心波段建立归一化植被指数(NDVI)与植株吸氮量的监测模型；(2)基于多年的田间试验资料比较本文提出的方法确定的核心波段构建的植株吸氮量模型与前人关于色素和氮的估算模型的预测效果。本发明提供的确定小麦植株吸氮量核心波段的方法，方法基于任意两波段组合的归一化植被指数(NDVI)，同时考虑了建模和检验的模型表现，模型评价参数包括六种统计指标建模的决定系数(R2)和均方根误差(RMSE)，检验的决定系数(R2)，均方根误差(RMSE)，斜率(Slope)和截距(Interc印t)，并分别进行排序后将所得序号相加得到综合排名，该方法能够准确地确定了植株吸氮量的核心波段，同时，独立年份的数据资料的检验进一步说明了由该方法确定的核心波段所构建的植被指数在不同数据集资料内的稳定性，与已有的方法相比，本发明提供的方法确定的核心波段的普适性更强，通过确定的核心波段构建的植被指数的监测模型表现更加稳定，且不需要依赖于先验知识，可以扩展到其他作物不同生理参数核心波段的确定上。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种确定小麦植株吸氮量核心波段的方法，其特征在于，所述方法包括以下步骤 确定小麦植株样本； 对小麦植株样本进行冠层光谱反射率和植株吸氮量的测定； 构建所有两波段组合的归ー化植被指数(NDVI)； 构建植株吸氮量和植被指数(NDVI)的线性回归模型，并运用独立年份的数据检验模型表现； 通过回归分析计算模型建立的决定系数(R2)、均方根误差(RMSE)、模型检验的决定系数(R2)、均方根误差(RMSE)、斜率(Slope)和截距(Intercept)； 对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段。
2.如权利要求I所述的方法，其特征在于，所述采集的小麦植株样本来自于8个大田实验，涉及不同年份、生态点、品种、氮肥、播期和密度处理。
3.如权利要求I所述的方法，其特征在于，所述冠层光谱反射率的測定主要是采用FieldSpec Pro FR2500型背挂式野外高光谱辐射仪田间测量，350 IOOOnm波段采样间隔为I. 4nm，光谱分辨率为3nm，1000 2500nm波段采样间隔为2nm，光谱分辨率为10nm。
4.如权利要求I或3所述的方法，其特征在于，所述冠层光谱测定选择在无云、无风或风速很小时进行，时间范围为10:00 14:00，传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约I. 2m測量，所测数据通过白板校正获得反射率数据； 以15条光谱为ー采样光谱，以其平均值作为该小区的光谱反射率，每测定5条光谱数据进行白板校正，每个试验在关键生育时期都进行观測。
5.如权利要求I所述的方法，其特征在于，所述植株吸氮量的測定主要是田间破坏性取样O. 25m2，在105°下杀青并在80°下烘干至恒重后称重，测定植株干重，进ー步计算为単位土地面积植株干重，称重后将植株样本磨碎后进行氮含量分析。
6.如权利要求I或5所述的方法，其特征在于，所述植株氮含量采用凯氏定氮法測定，通过植株干重与植株氮含量相乘计算出植株吸氮量，植株氮含量的測定方法包括以下步骤 称样每个样品称取O. 14g左右，使用万分之一天平，每个样品做好编号，装入对应编号的试管中； 消煮每个样品加5-10ml浓硫酸，浸泡一夜，放入消煮炉内消煮，280°C半个小时，升到330°C消煮I个小时，关闭消煮炉，冷却IOmin左右，边加入双氧水边小心摇晃至溶液无色透明，330°C继续加热半小时； 定容消煮完成，样品冷却后，加入蒸懼水定容至100ml,摇勻； 蒸馏加入IOml样品溶液，加入8-10ml氢氧化钠溶液，提前在三角瓶中加入5ml指示剂，大约40ml ； 滴定稀硫酸滴定至颜色变为原来的红色，读数。
7.如权利要求I所述的方法，其特征在于，所述构建植株吸氮量光谱指数的实现方法为 植株吸氮量监测核心波段的确定基于归ー化植被指数(NDVI)的形式；计算350-2500nm范围内任意两波段组合的NDVI并从中选出核心波段，构建植株吸氮量光谱指数。
8.如权利要求I所述的方法，其特征在于，所述对六个统计指标按照各指标最优值具有最小序号的原则分别进行排序，将六个指标的序号相加后再排序作为模型的综合评价序号，序号为I的波段组合为最优的组合来确定核心波段来确定核心波段的实现方法为对建模和检验R2降序排序，其中最大R2的序号为I ; 建模和检验RMSE升序排序，其中最小RMSE的序号为I ; Slope-I的绝对值和Intercept的绝对值升序排序,其中Slope最接近I的序号为1，Intercept最接近O的序号为I ; 计算上述六种统计指标序号的和后再排序，作为模型的综合评价序号，最优的模型将具有最低的序号；所有波段组合的模型综合评价序号的矩阵数据绘制成ニ维的等高线图，以颜色的变化显示综合排序序号的变化； 优选其中综合排序序号前O. 05%的区域作为“热点区域”，即在此范围内的波段为植株吸氮量监测的核心波段范围，而其中综合序号最小的波段组合为植株吸氮量监测的核心波段。
全文摘要
本发明属于小麦生长无损监测领域，提供了一种确定小麦植株吸氮量核心波段的方法，该方法基于任意两波段组合的归一化植被指数，综合考虑了建模和检验的模型表现，选取了六种统计指标，分别将上述6种统计指标进行排序后将所得序号相加得到综合排名从而确定监测植株吸氮量的NDVI的核心波段。该方法独立试验资料的检验表现进一步表明由该方法确定的监测植株吸氮量的核心波段的稳定性和准确性。此外，与已有的方法相比，本发明提供的方法普适性更强，准确性更高，基于确定的核心波段构建的小麦生长监测模型表现更加稳定，且不需要依赖于先验知识，可以扩展到其他作物中监测不同生理参数核心波段的确定上。
文档编号G01N21/25GK102636439SQ20121010959
公开日2012年8月15日 申请日期2012年4月16日 优先权日2012年4月16日
发明者倪军, 姚鑫锋, 姚霞, 曹卫星, 朱艳, 田永超 申请人:南京农业大学