利用无人机高光谱数据结合临界氮浓度和机器学习估算水稻缺氮

背景

氮是影响水稻生长发育和最终产量的最显著元素，氮含量的变化对光合作用、蛋白质合成和碳氮代谢有明显影响。因此，快速、准确、大规模地诊断稻田氮素需求，并根据诊断结果进行合理施肥，是实现水稻田间精确管理、保证水稻产量的重要手段。

临界氮浓度曲线是传统水稻氮素诊断的主要标准。氮营养指数作为作物氮营养诊断的重要指标，可以定量描述作物的氮丰缺程度。基于氮营养指数计算缺氮量需要实地采样数据，成本高，测量周期长，结果滞后，因此难以指导实际的农业生产。近年来，随着高光谱遥感技术的发展，利用无人机高光谱遥感技术获取水稻理化信息已成为精确农业领域的一个重要发展方向。因此，将无人机高光谱遥感技术与关键氮浓度曲线相结合，利用基于水稻光谱反演的氮营养指数诊断水稻氮素状况成为当前的研究热点。

氮素指数数据可以描述水稻氮素丰度和缺氮状况，但准确施肥需要更准确的缺氮数据。水稻原始光谱与缺氮的相关性较差，难以简单地通过机器学习方法建立两者之间的相关性。因此，本文以水稻无人机高光谱数据和缺氮数据为研究对象，通过对缺氮约为0的各时段的水稻冠层光谱进行比值和差值变换，放大两者之间的差异。然后利用SPA对原始光谱和变换光谱进行处理，提取*优高光谱主成分，建立基于多元线性回归（MLR）、长短期记忆（LSTM）、极限学习机（ELM）和非支配排序遗传算法III极限学习机（NSGA-III-ELM）的水稻缺氮反演模型。最后，通过比较各模型的反演效果，确定了基于高光谱数据的水稻缺氮*佳反演方法，为快速获取水稻缺氮信息提供研究方向，并为基于田间水稻氮营养状况的精确施肥提供定量指导。

试验设计

沈阳农业大学陈春玲教授团队利用Gaiasky-Mini-VN高光谱相机（江苏双利合谱公司）获取了如图1所示的两组试验中不同氮处理下水稻冠层的高光谱影像，其波段范围为400 ~ 1000 nm，波段数为253。

临界氮浓度是作物达到*大生物量所需的*小氮浓度，因此可以根据临界氮浓度构建缺氮方程来确定水稻缺氮情况。对各时段的临界氮浓度点进行幂函数拟合，构建作物临界氮浓度曲线：Nc (%) = a*DM-b，Nc为水稻临界氮浓度，DM为地上干重，a、b为曲线参数。由临界氮浓度曲线推导出缺氮方程：Nand (%) = Nc–Nnc，Nand为缺氮，Nnc为不同施氮量下植株的实际含氮量。

为了减少输入数量，减少数据冗余，提高建模速度和精度，本研究采用连续投影算法SPA从光谱反射率数据中提取特征。本研究选择MLR、LSTM、ELM和NSGA-III-ELM四种算法进行建模。NSGA-III的主要过程如图2所示。

图1 试验区的位置和布局

图2 NSGA-III算法流程概述

结论

由于试验包含了整个生育期的采样数据，两组试验中植株氮浓度和地上部干重的分散程度较高，*大值和*小值差异较大。由于施氮量较高，试验1的全氮浓度和干重均高于试验2。在试验2中，由于分蘖期和拔节期取样密度较高，平均氮浓度较高，地上部平均干重较低。

表1 植株氮浓度和干重统计

本研究根据临界氮浓度曲线构建方法，根据试验1的各临界氮浓度及其对应的干重，构建水稻的临界氮浓度曲线，然后以试验2的临界氮浓度作为验证数据。计算曲线方程为：Nc = 2.03DM–0.46（图3）。

在光谱反射率方面，不同施氮水平下原始光谱反射率相关性变化趋势相似，但不完全相同（图4）。原始光谱与缺氮量在整个波段的相关性较差，在红色波段（680 nm附近）有一个显著的吸收峰。差值和比值光谱分别与缺氮呈正相关和负相关。比值光谱的相关系数较高，两种光谱的相关系数一致，且在可见光（400 ~ 700 nm）范围内两种光谱的相关系数较高。利用SPA在原始光谱、差值光谱和比值光谱中分别提取了13个、12个和12个波段。

图3 临界氮浓度曲线拟合结果

图4 400 ~ 1000 nm内原始（A）、差值（B）和比值（C）光谱的反射率及其与缺氮的相关系数（D、E、F）

以SPA提取的原始光谱、差值光谱和比值光谱的主成分作为输入变量，以水稻缺氮量为输出变量，构建了基于MLR、LSTM、ELM和NSGA-III-ELM的水稻缺氮量反演模型。这四种模型均以基于比值光谱构建的预测模型精度*高，其中基于NSGA-III-ELM的反演模型比基于ELM或LSTM的反演模型精度更高（图5），而LSTM的反演结果存在严重的过拟合问题，因此难以作为实际追肥参考。

在试验1和试验2中，将反演效果*好的比值光谱结合NSGA-III-ELM模型的N亏缺预测值与对应梯度的N亏缺实测值进行比较（图6）。在两个试验中，氮亏缺与氮营养指标值之间的关系基本一致，且在试验1中达到N2和N3之间的临界氮浓度状态，在试验2中达到N3和N4之间的临界氮浓度状态。各施氮量估算的缺氮值与实测值相近，且随着施氮量的增加，估算的准确性有降低的趋势，因此在临界氮浓度状态附近估算能力较差。

本研究证实了在无人机平台结合比值光谱和NSGA-III-ELM监测水稻缺氮状况的优越性，为水稻田间缺氮症状的快速获取提供新的思路。

图5 基于NSGA-III-ELM的原始（A）、差值（B）、比值（C）光谱反演模型

图6 试验1（A）和试验2（B）不同氮梯度下预测氮亏缺的比较 

作者信息

陈春玲，博士，沈阳农业大学信息与电气工程学院教授，博士生导师。

主要研究方向：农业电气化与信息化、农业信息化领域。

参考文献：

Yu, F.h., Bai, J.c., Jin, Z.y., Guo, Z.h., Yang, J.x., & Chen, C.l. (2023). Combining the critical nitrogen concentration and machine learning algorithms to estimate nitrogen deficiency in rice from UAV hyperspectral data. Journal of Integrative Agriculture, 22, 1216-1229.

https://doi.org/10.1016/j.jia.2022.12.007