背景

氮是影響水稻生長(zhǎng)發(fā)育和最終產(chǎn)量的元素，氮含量的變化對(duì)光合作用、蛋白質(zhì)合成和碳氮代謝有明顯影響。因此，快速、準(zhǔn)確、大規(guī)模地診斷稻田氮素需求，并根據(jù)診斷結(jié)果進(jìn)行合理施肥，是實(shí)現(xiàn)水稻田間精確管理、保證水稻產(chǎn)量的重要手段。

臨界氮濃度曲線是傳統(tǒng)水稻氮素診斷的主要標(biāo)準(zhǔn)。氮營(yíng)養(yǎng)指數(shù)作為作物氮營(yíng)養(yǎng)診斷的重要指標(biāo)，可以定量描述作物的氮豐缺程度。基于氮營(yíng)養(yǎng)指數(shù)計(jì)算缺氮量需要實(shí)地采樣數(shù)據(jù)，成本高，測(cè)量周期長(zhǎng)，結(jié)果滯后，因此難以指導(dǎo)實(shí)際的農(nóng)業(yè)生產(chǎn)。近年來(lái)，隨著高光譜遙感技術(shù)的發(fā)展，利用無(wú)人機(jī)高光譜遙感技術(shù)獲取水稻理化信息已成為精確農(nóng)業(yè)領(lǐng)域的一個(gè)重要發(fā)展方向。因此，將無(wú)人機(jī)高光譜遙感技術(shù)與關(guān)鍵氮濃度曲線相結(jié)合，利用基于水稻光譜反演的氮營(yíng)養(yǎng)指數(shù)診斷水稻氮素狀況成為當(dāng)前的研究熱點(diǎn)。

氮素指數(shù)數(shù)據(jù)可以描述水稻氮素豐度和缺氮狀況，但準(zhǔn)確施肥需要更準(zhǔn)確的缺氮數(shù)據(jù)。水稻原始光譜與缺氮的相關(guān)性較差，難以簡(jiǎn)單地通過(guò)機(jī)器學(xué)習(xí)方法建立兩者之間的相關(guān)性。因此，本文以水稻無(wú)人機(jī)高光譜數(shù)據(jù)和缺氮數(shù)據(jù)為研究對(duì)象，通過(guò)對(duì)缺氮約為0的各時(shí)段的水稻冠層光譜進(jìn)行比值和差值變換，放大兩者之間的差異。然后利用SPA對(duì)原始光譜和變換光譜進(jìn)行處理，提取高光譜主成分，建立基于多元線性回歸（MLR）、長(zhǎng)短期記憶（LSTM）、極限學(xué)習(xí)機(jī)（ELM）和非支配排序遺傳算法III極限學(xué)習(xí)機(jī)（NSGA-III-ELM）的水稻缺氮反演模型。最后，通過(guò)比較各模型的反演效果，確定了基于高光譜數(shù)據(jù)的水稻缺氮最佳反演方法，為快速獲取水稻缺氮信息提供研究方向，并為基于田間水稻氮營(yíng)養(yǎng)狀況的精確施肥提供定量指導(dǎo)。

試驗(yàn)設(shè)計(jì)

沈陽(yáng)農(nóng)業(yè)大學(xué)陳春玲教授團(tuán)隊(duì)利用Gaiasky-Mini2-VN高光譜相機(jī)（江蘇雙利合譜公司）獲取了如圖1所示的兩組試驗(yàn)中不同氮處理下水稻冠層的高光譜影像，其波段范圍為400 ~ 1000 nm，波段數(shù)為253。

臨界氮濃度是作物達(dá)到最大生物量所需的最小氮濃度，因此可以根據(jù)臨界氮濃度構(gòu)建缺氮方程來(lái)確定水稻缺氮情況。對(duì)各時(shí)段的臨界氮濃度點(diǎn)進(jìn)行冪函數(shù)擬合，構(gòu)建作物臨界氮濃度曲線：Nc (%) = a*DM^-b，Nc為水稻臨界氮濃度，DM為地上干重，a、b為曲線參數(shù)。由臨界氮濃度曲線推導(dǎo)出缺氮方程：Nand (%) = Nc–Nnc，Nand為缺氮，Nnc為不同施氮量下植株的實(shí)際含氮量。

為了減少輸入數(shù)量，減少數(shù)據(jù)冗余，提高建模速度和精度，本研究采用連續(xù)投影算法SPA從光譜反射率數(shù)據(jù)中提取特征。本研究選擇MLR、LSTM、ELM和NSGA-III-ELM四種算法進(jìn)行建模。NSGA-III的主要過(guò)程如圖2所示。 

圖1 試驗(yàn)區(qū)的位置和布局

圖2 NSGA-III算法流程概述

結(jié)論

由于試驗(yàn)包含了整個(gè)生育期的采樣數(shù)據(jù)，兩組試驗(yàn)中植株氮濃度和地上部干重的分散程度較高，最大值和最小值差異較大。由于施氮量較高，試驗(yàn)1的全氮濃度和干重均高于試驗(yàn)2。在試驗(yàn)2中，由于分蘗期和拔節(jié)期取樣密度較高，平均氮濃度較高，地上部平均干重較低。

表1 植株氮濃度和干重統(tǒng)計(jì)

本研究根據(jù)臨界氮濃度曲線構(gòu)建方法，根據(jù)試驗(yàn)1的各臨界氮濃度及其對(duì)應(yīng)的干重，構(gòu)建水稻的臨界氮濃度曲線，然后以試驗(yàn)2的臨界氮濃度作為驗(yàn)證數(shù)據(jù)。計(jì)算曲線方程為：Nc = 2.03DM^–0.46（圖3）。

在光譜反射率方面，不同施氮水平下原始光譜反射率相關(guān)性變化趨勢(shì)相似，但不全相同（圖4）。原始光譜與缺氮量在整個(gè)波段的相關(guān)性較差，在紅色波段（680 nm附近）有一個(gè)顯著的吸收峰。差值和比值光譜分別與缺氮呈正相關(guān)和負(fù)相關(guān)。比值光譜的相關(guān)系數(shù)較高，兩種光譜的相關(guān)系數(shù)一致，且在可見(jiàn)光（400 ~ 700 nm）范圍內(nèi)兩種光譜的相關(guān)系數(shù)較高。利用SPA在原始光譜、差值光譜和比值光譜中分別提取了13個(gè)、12個(gè)和12個(gè)波段。

圖3 臨界氮濃度曲線擬合結(jié)果

圖4 400 ~ 1000 nm內(nèi)原始（A）、差值（B）和比值（C）光譜的反射率及其與缺氮的相關(guān)系數(shù)（D、E、F）

以SPA提取的原始光譜、差值光譜和比值光譜的主成分作為輸入變量，以水稻缺氮量為輸出變量，構(gòu)建了基于MLR、LSTM、ELM和NSGA-III-ELM的水稻缺氮量反演模型。這四種模型均以基于比值光譜構(gòu)建的預(yù)測(cè)模型精度最高，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（圖5），而LSTM的反演結(jié)果存在嚴(yán)重的過(guò)擬合問(wèn)題，因此難以作為實(shí)際追肥參考。

在試驗(yàn)1和試驗(yàn)2中，將反演效果好的比值光譜結(jié)合NSGA-III-ELM模型的N虧缺預(yù)測(cè)值與對(duì)應(yīng)梯度的N虧缺實(shí)測(cè)值進(jìn)行比較（圖6）。在兩個(gè)試驗(yàn)中，氮虧缺與氮營(yíng)養(yǎng)指標(biāo)值之間的關(guān)系基本一致，且在試驗(yàn)1中達(dá)到N2和N3之間的臨界氮濃度狀態(tài)，在試驗(yàn)2中達(dá)到N3和N4之間的臨界氮濃度狀態(tài)。各施氮量估算的缺氮值與實(shí)測(cè)值相近，且隨著施氮量的增加，估算的準(zhǔn)確性有降低的趨勢(shì)，因此在臨界氮濃度狀態(tài)附近估算能力較差。

本研究證實(shí)了在無(wú)人機(jī)平臺(tái)結(jié)合比值光譜和NSGA-III-ELM監(jiān)測(cè)水稻缺氮狀況的*性，為水稻田間缺氮癥狀的快速獲取提供新的思路。

圖5 基于NSGA-III-ELM的原始（A）、差值（B）、比值（C）光譜反演模型

圖6 試驗(yàn)1（A）和試驗(yàn)2（B）不同氮梯度下預(yù)測(cè)氮虧缺的比較

作者信息

陳春玲，博士，沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院教授，博士生導(dǎo)師。

主要研究方向：農(nóng)業(yè)電氣化與信息化、農(nóng)業(yè)信息化領(lǐng)域。

參考文獻(xiàn)：

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.