一种小麦植株氮含量的高光谱测定方法与流程

本发明属于农业技术领域，尤其涉及一种小麦植株氮含量的高光谱测定方法。

背景技术：

小麦是世界上栽培最古老、种植面积最大、总产量最多和贸易量最大的作物，在我国的种植面积居第三位，是重要的商品粮和主要粮食储备品种；而氮素是小麦生长发育所必需的第一大矿质营养元素，其营养效率的高低直接影响着作物的产量和品质，具有“生命的元素”之称。近年来，我国氮肥施用量持续增加，在促进作物增产的同时，也因过度施用导致肥效急剧下降，并造成严重的资源浪费和环境污染问题。基于经济效益和生态环境保护双重要求，提高氮肥利用率已成为农业科技创新的前沿问题和保障我国粮食安全的重要需求。因此，大力发展小麦植株生长实时监测技术，对小麦植株氮素状况进行实时、快速和准确地检测，精确管理与调控氮肥施用量，对确保作物产量和品质目标，提高氮肥利用效率，减少环境污染具有重要意义，这也是现代农业施肥管理所迫切需要解决的关键技术。

长期以来，传统的小麦植株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，需要投入大量精力与时间，分析成本高，周期较长，时效性差。近年来，随着科学技术的发展，无损诊断氮素状况的方法已经被许多研究者提出，包括叶色诊断、叶绿素仪、叶绿素荧光技术等，相比之下，作物光谱诊断技术的目标样本不是单个的样本而是大范围的群体，能够快速准确的诊断作物的生长状态和大区域作物的空间变化。随着高光谱技术的快速发展，应用光谱无损探测技术能够实时快速监测作物氮含量状况，已成为当前及将来田间作物长势及营养诊断的重要方法，为作物氮含量精确管理提供可靠的技术支持。小麦植株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，可以利用小麦植株生长信息的光谱特征波长和植被指数来反演小麦植株的氮含量状态。然而目前关于氮含量的监测方法多以水稻、玉米为研究对象，对不同基因型小麦品种研究甚少，而利用不同试验条件下品种间高光谱特征构建生理生化指标监测模型，进而评价氮含量相关指标的研究更是少之甚少。

技术实现要素：

本发明的目的在于：针对上述传统的测定植物氮含量的方法多具有破坏性、分析成本高和费时费力，周期较长，时效性差且目前关于氮含量的监测方法多以水稻、玉米为研究对象，对不同试验条件下不同小麦基因型品种的研究甚少的问题，本发明提供一种小麦植株氮含量的高光谱测定方法。

本发明采用的技术方案如下：

一种小麦植株氮含量的高光谱测定方法，包括以下步骤：

(1)试验样本：来自不同年份、不同地点、不同品种、不同施肥处理、不同种植密度和不同生育时期等条件下的960份小麦植株样本；

(2)数据采集：采用asdfieldspcfr2500光谱仪获取小麦植株垂直角度光谱反射率，并加测土壤背景光谱；

(3)数据处理与模型筛选：对试验采集的光谱数据，用挑选的15个常用光谱指数和1个新构建的光谱指数，采用spss17.0以及matlabsoftware软件进行数据处理；

(4)构建最合适的小麦植株氮含量监测模型；

(5)优化小麦叶氮含量监测模型；

(6)测试与检验小麦叶氮含量监测模型。

进一步的，所述步骤(1)中的不同年份分别是：2013年、2014年、2015年、2016年、2017年；不同地点分别是：全国潮土肥力和肥料效益长期监测试验站-郑州、开封、商水；不同品种分别是：松散型小麦(郑麦9694、周麦18、开麦18)、直立型小麦(豫麦50、豫麦49-198、豫麦34)；不同施肥处理分别是：不施肥、施氮磷钾肥、施有机肥和配施氮磷钾肥、秸秆还田和配施有机肥及氮磷钾肥；不同密度分别是：90万株/公顷、180万株/公顷、360万株/公顷；不同生育时期分别是：起身期、拔节期、开花期、成熟期。

进一步的，所述步骤(2)中的asdfieldspcfr2500光谱仪波段范围是350～2500nm，视场角为25°，其中，350～1000nm波段范围，光谱分辨率为3nm，采样间隔为1.4nm；1000～2500nm波段范围光谱分辨率为10nm，采样间隔为2nm。

进一步的，所述步骤(3)中15个常用光谱指数分别是：gndvi、savi、ndci、npci、pric、carter2、mnd705、ri-1db、ddni、ndre、naoc、mtvi1、r705/(r717+r491)、(r780-r710)/(r780-r680)和(r924-r703+2*r423)/(r924+r703-2*r423)，1个新构建的光谱指数是：植被指数ndre和水分指数fwbi构建的比值光谱指数，即抗水分氮指数wrni：ndre/fwbi。

进一步的，所述步骤(4)中的小麦植株氮含量监测模型是根据wrni建立的线性模型。

进一步的，所述步骤(5)中优化小麦植株氮含量监测模型过程中筛选的波段是725nm和735nm，优化后的指数为wrni＝[(r735-r720)*r900]/[rmin(930-980)*(r735+r720)]。

进一步的，所述步骤(6)中为了检验小麦植株氮含量监测模型的可靠性，通过均方根误差(rmse)、平均相对误差(re)、预测值与实际值线性回归的决定系数r²来评价模型的精度和准确度，rmse和re越小，则模型精度越高。

以国家潮土土壤肥力与肥料效益长期监测站30年的长期定位试验为平台，以不同年份、不同地点、不同品种、不同施肥处理、不同生育时期和不同种植密度为试验条件，筛选出960份氮素利用效率有显著差异小麦植株样本，当作物氮素状态发生变化时，叶片颜色等形态结构随之发生变化，从而影响光谱的吸收、反射和透射，而这些光谱特征的变化为作物氮含量营养状况的诊断和监测提供了理论依据。

光谱测定选择在无云无风的晴朗天气，测定时间为10:00～14:00。测量时传感器的探头距离小麦冠层顶部的垂直距离为1.0m，视场范围内重复10次，取平均值，地面视场为0.44m的直径范围，以其平均值作为该小区的光谱反射值，测量过程中及时进行标准白板校正。基于高光谱监测数据，分析不同生育期小麦冠层反射光谱与氮含量的相关关系，挑选出对氮含量敏感的光谱波段。基于敏感波段及文献分析，归纳出15个常用的光谱植被指数及1个新构建的光谱指数，利用试验的高光谱数据，通过matlabsoftware(mathworks,inc,natick,ma)数据处理及相关分析，计算不同高光谱参数与小麦冠层氮含量的相关系数，并选择相关系数较高的光谱指数进行回归分析建立回归方程。通过决定系数r²以及自主开发基于matlab软件的计算机程序对回归方程进行优化。在此基础上，利用验证试验样本对模型进行检验，通过均方根误差(rmse)、平均相对误差(re)、预测值与实际值线性回归的决定系数r²来评价模型的精度和准确度，基于这些标准，确定最合适的模型。其中，rmse、re的计算公式如下：

式中：pi和oi分别是预测值和实测值，n是样本个数；如果re<10％，模型的精度和准确度较高；其次为10％<re<20％；如果re>30％，模型的精度和准确度都较差。

不同试验条件下，15个常见光谱指数中，10个光谱指数是基于两波段光谱信息构建的，例如，gndvi具有较高的预测能力，其决定系数r²为0.781，均方根误差rmse为0.458；5个光谱指数是由三波段的光谱信息构建的，其与叶片氮含量之间的相关性高于由两个波段构建的光谱指数，r²大于0.80，例如，r705/(r717+r491)和mnd705与叶片氮含量的相关性最高，其决定系数r²分别为0.832和0.818，均方根误差rmse分别为0.401和0.417。新构建的光谱指数wrni在预测精度和监测叶片氮含量变化方面优于其他15个光谱指数，其决定系数r²为0.848，均方根误差rmse为0.392(见图1)。从16个光谱指数中挑选出3个性能较好的光谱指数(mnd705、r705/(r717+r491)和wrni)构建模型(见图2)。结果表明，根据mnd705和r705/(r717+r491)建立的回归方程拟合精度较高，r²>0.818,rmse<0.417，根据wrni建立的模型的相关性r²提高了3.6％，rmse降低了1.9％。比较而言，这表明wrni是一个性能较好有潜力的估测小麦植株氮含量的模型。

进一步的，挑选出性能表现较好的光谱指数gndvi，mnd705，(r780-r710)/(r780-r680)，r705/(r717+r491)和新构建的植被指数wrni，并研究它们在不同大田试验条件下与小麦冠层叶片氮含量关系的稳定性。结果表明，传统植被指数中r705/(r717+r491)和mnd705与叶片氮含量的相关性较好，决定系数r²为0.832和0.818，均方根误差rmse为0.401和0.417。新构建的植被指数wrni与叶片氮含量的相关性最好，决定系数r²为0.843，均方根误差rmse为0.382。进一步表明了wrni在不同试验条件下表征小麦植株氮含量的优越性。

为了检验模型的稳定性和精确性，用独立试验的数据进行模型验证，图3是根据观察值和模型预测值按照1:1的关系建立的。由图3可以发现，gndvi和(r780-r710)/(r780-r680)的观测值和预测值间模拟相关性较差，预测相对误差re>20％。mnd705和r705/(r717+r419)模型均取得理想的检验结果。其预测精度r²为0.847和0.857，re为17.6％和17.4％。新构建光谱指数wrni模型表现较好，其预测精度r²为0.861,均方根误差rmse为0.384,相对误差re为15.6％。以上结果表明，新构建的光谱指数发挥了红边波段对氮的指示优点，并最大限度地减少了水分的影响。因此，wrni在不同试验条件下是一个很好的监测小麦植株氮含量的光谱指标。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明高光谱遥感克服了传统测定方法的繁琐费事耗力、分析成本高、周期较长、时效性差的缺点，可以快速有效、非破坏性地实时、低成本获得连续性的大量光谱信息，为实时监测作物长势、营养状况，估测作物氮含量、产量和品质等提供了可能；

2.本发明不同于传统的以水稻、玉米为研究对象来研究氮含量的监测方法，而是以不同品种、不同年份、不同地点、不同施肥条件、不同生育时期和不同种植密度等条件下的小麦植株为研究对象，提供了一种小麦氮含量的监测方法；

3.本发明新构建的植被指数wrni与小麦植株氮含量的相关性最好，可以在不同试验条件下表征小麦植株的氮含量；

4.本发明新构建的植被指数wrni可以减少水分效应对氮含量监测的影响；

5.本发明利用高光谱遥感技术构建优选出能够精准估测氮含量的模型，为我国主要农作物氮高效品种筛选提供理论依据和技术支撑，而这对于提高农作物氮肥利用效率、降低环境污染以及保障国家粮食安全具有重要的意义。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是光谱指数估测冠层叶片氮含量的精度比较；

图2是叶片氮含量与mnd705(a)，r705/(r717+r491)(b)和wrni(c)之间关系的定量分析；

图3是基于光谱指数wrni(a)、gndvi(b)、mnd705(c)、(r780-r710)/(r780-r680)(e)和r705/(r717+r491)(f)的小麦叶片氮含量预测值与实测值比较。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1、图2、图3对本发明作详细说明。

实施例1

一种小麦植株氮含量的高光谱测定方法，包括以下步骤：

(1)试验样本：采样时间为2013～2014年，地点为全国潮土肥力和肥料效益长期监测试验站-郑州、开封、商水，小麦品种为松散型(郑麦9694、周麦18、开麦18)和直立型(豫麦50、豫麦49-198、豫麦34)，施肥处理为不施肥、施氮磷钾肥、施有机肥和氮磷钾肥、秸秆还田和配施氮磷钾肥，种植密度分别是90万株/公顷、180万株/公顷、360万株/公顷，选择小麦关键生育期进行采样：起身期、拔节期、开花期、成熟期，共计960份小麦植株；

(2)数据采集：采用asdfieldspcfr2500光谱仪获取小麦植株垂直角度光谱反射率，并加测土壤背景光谱，光谱仪波段范围是350～2500nm，视场角为25°，其中，350～1000nm波段范围，光谱分辨率为3nm，采样间隔为1.4nm；1000～2500nm波段范围光谱分辨率为10nm，采样间隔为2nm；

(3)数据处理与模型筛选：对试验采集的光谱数据，用挑选的15个常用光谱指数和1个新构建的光谱指数，采用spss17.0以及matlabsoftware软件进行数据处理，15个常用光谱指数分别是：gndvi、savi、ndci、npci、pric、carter2、mnd705、ri-1db、ddni、ndre、naoc、mtvi1、r705/(r717+r491)、(r780-r710)/(r780-r680)和(r924-r703+2*r423)/(r924+r703-2*r423)，1个新构建的光谱指数是：植被指数ndre和水分指数fwbi构建的比值光谱指数，即抗水分氮指数wrni：ndre/fwbi；

(4)根据wrni构建小麦植株氮含量监测模型；

(5)优化小麦植株氮含量监测模型，其最佳波段是725nm和735nm，优化后的指数为wrni＝[(r735-r720)*r900]/[rmin(930-980)*(r735+r720)]；

(6)测试与检验小麦植株氮含量监测模型，通过均方根误差(rmse)、平均相对误差(re)、预测值与实际值线性回归的决定系数r²来评价模型的精度和准确度，rmse和re越小，则模型精度越高。

以国家潮土土壤肥力与肥料效益长期监测站30年的长期定位试验为平台，以不同年份、不同地点、不同品种、不同施肥处理、不同生育时期和不同种植密度为试验条件，筛选出960份氮素利用效率有显著差异小麦植株样本，当作物氮素状态发生变化时，叶片颜色等形态结构随之发生变化，从而影响光谱的吸收、反射和透射，而这些光谱特征的变化为作物氮含量营养状况的诊断和监测提供了理论依据。

光谱测定选择在无云无风的晴朗天气，测定时间为10:00～14:00。测量时传感器的探头距离小麦冠层顶部的垂直距离为1.0m，视场范围内重复10次，取平均值，地面视场为0.44m的直径范围，以其平均值作为该小区的光谱反射值，测量过程中及时进行标准白板校正。基于高光谱监测数据，分析不同生育期小麦冠层反射光谱与氮含量的相关关系，挑选出对氮含量敏感的光谱波段。基于敏感波段及文献分析，归纳出15个常用的光谱植被指数及1个新构建的光谱指数，利用试验的高光谱数据，通过matlabsoftware(mathworks,inc,natick,ma)数据处理及相关分析，计算不同高光谱参数与小麦冠层氮含量的相关系数，并选择相关系数较高的光谱指数进行回归分析建立回归方程。通过决定系数r²以及自主开发基于matlab软件的计算机程序对回归方程进行优化。在此基础上，利用验证样本对模型进行检验，通过均方根误差(rmse)、平均相对误差(re)、预测值与实际值线性回归的决定系数r²来评价模型的精度和准确度，基于这些标准，确定最合适的模型。其中，rmse、re的计算公式如下：

式中：pi和oi分别是预测值和实测值，n是样本个数；如果re<10％，模型的精度和准确度较高；其次为10％<re<20％；如果re>30％，模型的精度和准确度都较差。

不同试验条件下，15个常见光谱指数中，10个光谱指数是基于两波段光谱信息构建的，例如，gndvi具有较高的预测能力，其决定系数r²为0.781，均方根误差rmse为0.458；5个光谱指数是由三波段的光谱信息构建的，其与叶片氮含量之间的相关性高于由两个波段构建的光谱指数，r²大于0.80，例如，r705/(r717+r491)和mnd705与叶片氮含量的相关性最高，其决定系数r²分别为0.832和0.818，均方根误差rmse分别为0.401和0.417。新构建的光谱指数wrni在预测精度和监测叶片氮含量变化方面优于其他15个光谱指数，其决定系数r²为0.848，均方根误差rmse为0.392(见图1)。从16个光谱指数中挑选出3个性能较好的光谱指数(mnd705、r705/(r717+r491)和wrni)构建模型(见图2)。结果表明，根据mnd705和r705/(r717+r491)建立的回归方程拟合精度较高，r²>0.818,rmse<0.417，根据wrni建立的模型的相关性r²提高了3.6％，rmse降低了1.9％。比较而言，这表明wrni是一个性能较好有潜力的估测小麦叶片氮含量的模型。

进一步的，挑选出挑选出性能表现较好的光谱指数gndvi，mnd705，(r780-r710)/(r780-r680)，r705/(r717+r491)和新构建的植被指数wrni，并研究它们在不同大田试验条件下与小麦冠层叶片氮含量关系的稳定性(如表1)。

实施例2

除了在步骤(1)中采样时间为2014～2015年，其他的条件相同。

实施例3

除了在步骤(1)中采样时间为2015～2016年，其他的条件相同。

实施例4

除了在步骤(1)中采样时间为2016～2017年，其他的条件相同。

表1叶片氮含量与光谱参数gndvi、mnd705、(r780-r710)/(r780-r680)、r705/(r717+r491)和wrni间相关性分析：

结果表明，根据表1传统植被指数中r705/(r717+r491)和mnd705与叶片氮含量的相关性较好，决定系数r²为0.832和0.818，均方根误差rmse为0.401和0.417。新构建的植被指数wrni与叶片氮含量的相关性最好，决定系数r²为0.843，均方根误差rmse为0.382。进一步表明了wrni在不同试验条件下表征叶片氮含量的优越性。

为了检验模型的稳定性和精确性，用独立试验的数据进行模型验证，图3是根据观察值和模型预测值按照1:1的关系建立的。由图3可以发现，gndvi和(r780-r710)/(r780-r680)的观测值和预测值间模拟相关性较差，预测相对误差re>20％。mnd705和r705/(r717+r419)模型均取得理想的检验结果。其预测精度r²为0.847和0.857，re为17.6％和17.4％。新构建光谱指数wrni模型表现较好，其预测精度r²为0.861,均方根误差rmse为0.384,相对误差re为15.6％。以上结果表明，新构建的光谱指数发挥了红边波段对氮的指示优点，并最大限度地减少了水分的影响。因此，wrni在不同试验条件下是一个很好的监测小麦植株氮含量的光谱指标。