萊森光學：高光譜測定水稻含氮量方法研究

衛星遙感技術目前已被廣泛應用于農業生產中，如土壤普查、農業資源調查、氣象災害監測以及農作物長勢監測和作物估產。目前國內外眾多研究者利用遙感技術估算/反演植被冠層的葉面積、葉綠素含量、氮素和蛋白質水平以及監測植物的長勢等，但偏重于植被的冠層， 即測定對象非個體，所得結果具有不準確性。

傳統的水稻含氮量的測定方法都需要將水稻植株進行“破損”后進行測定。采用光譜法進行測定，可以不破壞植株，無需取樣，即時測定。筆者使用便攜式地物光譜儀測定水稻的光譜特征，通過水稻的光譜指數與光譜模型推算出水稻的含氮量。

1. 材料與方法

1. 1 試驗地概況

研究在江西省撫州市臨川區唱凱鎮糧食萬畝科技示范基地進行。試驗區位于116°18'E，28°6'N，地貌主要為平原，海拔45m左右，屬亞熱帶，雨量充沛，氣候濕潤。

1.2 試驗方法

所用光譜儀為波段覆蓋 350～2500 nm的，其通道數為768。野外測定光譜前先設置好儀器的相應參數，并標定參考白板，參考白板光譜測定后測定植物的反射強度。野外測定時間為 2011年6月18日10：30-13：00。此時處于早稻孕穗期。天氣為晴天有微風。所有的反射光譜數據均在野外自然光條件下測得。為減少不同太陽高度角對反射率的影響，該試驗對每株水稻測定10次，取平均值作為最終光譜值。同時，采用開氏法測定水稻植株含氮量。由于光譜反射信號850 nm之后受干擾的影響較大，特別是水汽影響，在該次研究中只選擇 350～850 nm 波段范圍的光譜數據。光譜數據預處理是由便攜式地物光譜儀攜帶的光譜處理軟件Data Acquisition Software和Excel軟件來完成的，并結合SPSS 17.0軟件進行相關分析、線性回歸和作圖。筆者對氮含量與各波段光譜值、一階微分光譜值和不同植被指數進行了Pearson相關分析，并進一步對與含氮量有顯著相關的光譜因子進行逐步回歸分析，然后把實測數據帶入方程來檢驗回歸模型的準確性。

2. 結果與分析

2.1 水稻的光譜響應

通過對實測的光譜數據曲線圖的觀察分析，刪除那些受水背景等外界環境影響較大的光譜數據，最后選定20個樣品中的14個數據作為試驗的最后處理數據。從圖1可以看出，測定的光譜反射曲線表現出典型的植被光譜特征。在350～500 nm和675 nm 附近有較強的吸收，在550 nm附近形成反射“綠峰”，在700～750 nm形成直觀的近似垂直的陡坡，在750～850 nm形成典型的近紅外高原區。

圖 1 水稻的光譜響應曲線

2.2 光譜參數

選擇綠峰、紅光谷和近紅外峰的反射率以及一階導數最大值作為水稻氮含量的候選因子，同時對光譜 數據降維處理來模擬 Landsat TM 的紅光和近紅外光波段來計算歸一化植被指數( NDVI) 、差值植被指數( DVI) 、比值植被指數( RVI) 和調整土壤亮度的植被指數( SAVI) 作為候選因子(表 1) 。這些因子能否被用于監測水稻含氮量，還必須通過以下方法進行分析。首先，直接進行相關分析，判斷它們與氮含量的相關指數是否通過顯著性檢驗; 最后，用回歸分析的方法篩選因子，剔除部分因子。

經相關分析，發現高光譜各因子與含氮量的相關系數除了一階導數最大值、歸一化植被指數、比值植被指數外都達到 0．05 顯著水平，即可用于分析水稻含氮量，其中綠峰峰值的相關系數值最大，達到 0．837。根據相關分析篩選獲取的5 個因子中，采用回歸分析(顯著性為 0.01) 方法選擇的因子只有X1，說明只需一個因子就可以分析高光譜對水稻含氮量的影響。

2.3 水稻含氮量的高光譜測量估算模型

采用單因子的高光譜變量，分析水稻含氮量。從圖2可以看出，綠峰峰值與氮含量呈正相關，峰值越大，含氮量就越高。分別用線性、二次多項式、三次多項式模擬，可以看出三次多項式曲線最好，相關系數為0．782，方程為 y= 784.726x3 － 250.638x2 + 30.181x － 0．071，通過0．01的顯著檢驗。然后，取一組原數據回代到模型方程中，得到的精度約 92．5%，效果能滿足預測要求。因此，可把它作為檢測水稻氮含量的合適模型。

圖 2 氮含量與綠峰峰值的關系

3. 結論

氮素是對作物生長、產量和品質影響最為顯著的營養元素。該研究通過相關和回歸分析，最終確定綠峰峰值是水稻氮含量分析的最佳因子，模型相關系數為 0．782，預測精度較好，約 92．5% ，表明高光譜可以用于檢測水稻長勢。由于結論是基于一個生長季的田間數據得到的，季節氣候條件的影響得加于考慮。同時，處理過程中有關背景尤其是水及其表面懸浮物的影響的處理方法還不夠完善，仍有待進一步的改進。