基于多源遥感数据的夏玉米冠层氮素遥感监测研究

王娇娜

（三和数码测绘地理信息技术有限公司，甘肃 天水 741000）

对夏玉米具体生长情况进行诊断时，常对冠层氮素进行诊断分析，而在氮素诊断过程中可应用两种方法，一种是传统的实验室测量方法，即通过人工手段采集监测范围内的作物样本，经过实验室化学测量方法对氮素情况进行分析。该方法虽然具有较高的精准性，但是对人力和物力等资源的消耗较大，且监测周期相对较长。另一种是基于多源遥感技术的新型监测方法，即利用无人机和光谱相机等设备实现空间数据检测，能够有效缩减监测使用的资源，且保证了数据监测的时效性和精准性，已经成为现阶段重点关注和研究的技术。

1 多源遥感技术在农业种植中的应用

使用多源遥感技术对夏玉米种植过程进行氮素监测时，主要以系统分析原理作为生长模型，对玉米种植品种、生长发育环境以及种植栽培技术等进行整合，以此对夏玉米的光合效应、产量变化、生长发育周期以及水碳循环等变化情况和夏玉米生长环境之间的反馈关系进行数量分析和理论研究，构建出数学关系模型，将夏玉米生长过程进行动态化定量模拟。该模型在实际应用中能够提高玉米生长检测的精准性、机理性以及真实性。

氮素对玉米生长品质和最终产量等具有十分重要的影响，如果氮素含量过高，会导致玉米营养过剩，且会造成资源浪费和环境污染问题；如果氮素含量过低，会导致玉米营养不良，最终影响到玉米质量和产量。因此，将玉米氮素控制在合理范围内是科学种植的前提与保障[1]。传统的田间测量方法能够对玉米氮素情况进行有效监测，但是会对农作物造成一定程度的破坏，且浪费时间和成本。而多源遥感技术的应用能够实现对玉米长势和发育情况的快速监测，有助于现代化农业的快速发展。

2 多源遥感监测实验概述

2.1 实验区域概况

实验一区位于北京市昌平区，气候条件为温带季风气候。实验区域内的土壤成分主要为粉质黏壤土，pH值在8左右。土壤成分大致如下：速效钾含量为145 mg/kg、速效磷含量为17 mg/kg、碱解氮含量为49.9 mg/kg、有机质含量为1.14%。对实验区域进行三次不同氮素含量的施肥，分别是过量765 kg/hm2、一般337 kg/hm2、无氮0。将实验区域划分成18个小型实验田，每块面积大小为7 m*7 m，分别标记为1#～18#，其中1#～9#种植“农大108”玉米，10#～18#种植“京华8”玉米。对玉米生长发育的四个阶段进行样品数据采集，分别是拔节期、大口期、开花期以及灌浆期。全部实验区均进行标准统一化管理。

实验二区和实验一区位置相同，气候条件相同。将实验区域划分成48个小型实验区，其中北侧24个实验区进行品种区分处理，选用8个不同品种；南侧24个实验区进行氮素区分处理，分别进行不施氮处理N0：0，1/2倍常规氮处理N1：210 kg/hm2，常规氮处理N2：420 kg/hm2，3/2倍常规氮处理N3：630 kg/hm2。土壤条件为重壤土和湿润土，有效钾含量为86 mg/kg～120 mg/kg、有效磷含量为3 mg/kg～22 mg/kg、硝酸氮含量为3 mg/kg～15 mg/kg、氮浓度为1 g/kg～1.2 g/kg、有机质含量为15 g/kg～20 g/kg。在种植前和大口期施两次氮肥，磷肥在种植前施用。

2.2 数据信息获取和处理

利用无人机搭载高清相机和多光谱相机以便携式地物光谱仪等装置进行作物信息收集。监测夏玉米冠层氮素时，在每个小实验区内随机选择两株作物作为数据采集样本，将茎和叶分离，随后将叶片放入烘箱中烘烤半小时，将烘烤温度控制在105 ℃，再将温度控制在80 ℃继续烘烤2 d以上，直至重量恒定。将叶片取出称重，随后进行研磨粉碎，利用凯氏分析仪对氮的质量分数进行测定。氮浓度计算公式如下：

3 近地高光谱夏玉米冠层氮素遥感监测研究

3.1 遥感监测过程分析

对高光谱特征变量进行有效选取。首先，对光谱数据信息进行预处理，利用卷积平滑法消除光谱中的噪声，预实验结果表明，移动窗口宽度达到17、多项式次数为2时，具有较为良好的去噪效果。本文中涉及的植被指数、位置特征以及一阶导数等光谱变量都是在去噪后经过光谱反射率计算得出的结果。选取3个不同氮素水平的实验区，对其光谱变量进行分析，能够呈现出3个吸收点位和6个反射点位的参数情况，本次研究只对面积、深度以及归一化深度3个参数进行分析。其次，对植被指数进行合理选取，设定34个植被指数对夏玉米冠层氮素含量（LNC）进行估算，其中6项为氮敏感高光谱，包括归一化差值红边、综合指数、比值植被指数等，并选择典型指数23个。上述涉及宽波段的VIs，可利用高光谱计算对应传感器的光谱响应函数[2]。随后，利用连续投影算法（SPA）对敏感变量进行有效提取与筛选，该方法能够消除光谱信息共线性问题，能够消减变量间的冗余度，以此对特征参数进行典型选取，能够大幅度提高数据建模分析效率。为解决共线性问题，可在连续投影算法中选择最小冗余波段子集。从某一个波段开始，让投影算子在向量空间中每次迭代时再次选择新的波长，直至达到预期波长。将评价指标设置为均方根误差。连续投影算法选择的变量数目由较低的均方根误差值决定。使用SPSS软件对敏感波段、植被指数、位置特征以及LNC指数进行相关性分析，将未参与建模样本的1/3作为对照样本，利用MATLAB进行偏最小二乘（PLSR）以及随机森林算法（RF）的计算，以均方根误差、决定系数以及归一化相对误差3个指标作为定量化、指标解释和玉米冠层叶片氮素间的具体关系。

3.2 遥感监测结果分析

对高光谱敏感特征数据集和LNC敏感性之间的关系进行分析，包括敏感光谱特征数据集、位置特征数据集、植被指数特征数据集以及综合光谱特征数据集等。为降低水汽或其他因素对高光谱信息的干扰，本次研究选用400 nm～1 353 nm、1 437 nm～1 799 nm和1 992 nm～2 354 nm的光谱进行研究分析，同时选择412 nm、724 nm、1 084 nm与1 343 nm的反射光谱以及658 nm与937 nm的一阶导数光谱。基于连续统去除法能够得到反射位置和吸收位置的光谱特征。利用相同方法选择两个最佳的位置特征与VIs。

位置、植被指数和敏感波段中会发生比较严重的多重共线性现象。利用SPA能够选择高光谱信息中的最佳参数，且与LNC之间具有良好的关联性，但是与其位置特征的关联性相对低下。最佳参数引用波段大多集中在近红外和可见光波段，这一现象与预期研究结果保持一致。传统的研究方法大多依据光谱中的某个单一变量特征对玉米冠层氮素含量进行研究，有关数据信息综合处理和相似变量模型比较等方面的研究较少[3]。本次研究对比分析了两个数据模型，即RF模型和PLS模型。基于PLS模型构建的LNC模型具有明显的优势，不会受到样本数量的影响，具有较高的精准度，能够保障LNC预测数据和真实情况的契合性。基于RF模型能够实现高精度、操作简单和较强的过拟合能力，与预期研究结果保持一致。

4 低空无人机多源影像融合的夏玉米氮素遥感监测研究

4.1 遥感监测方法分析

首先，需要对夏玉米冠层氮素情况进行影响信息的获取，在晴朗天气下开展无人机飞行，同时配置多光谱相机和高清数码相机。将飞行高度控制在60 m，空间分辨率控制在5.61 m和1.57 m。获取影像信息后对其进行处理操作，使用HSV对影像中的颜色信息进行有效提取，并将其转换成不同颜色，以此区分土壤和植被，使用ENVI软件进行处理操作，将处理后的信息归档并分割。无人机遥感技术获取的影像信息与卫星影像信息相比具有更高的分辨率，植被特征更加明显，但是阴影和土壤噪声也更加明显，因此需要对土壤背景噪声进行去除。植被在地面产生的垂直投影面积占总面积的百分比就是植被覆盖度（FVcover），在土壤背景影像分析中十分重要[4]。大多数研究中都会利用数字图像分析技术对植被覆盖度进行提取，本文基于色彩空间变换，将影像的RGB信息转换成HSV，随后利用阈值对土壤和植被进行分割，再使用ArcGIS对植被和研究实验区的像元数目进行统计，然后对植被覆盖度进行计算。

其次，使用ENVI软件对48个研究区域对应的多光谱图像信息进行植被指数和波段信息提取。利用随机蛙跳算法对多光谱植被指数和波段信息进行大小顺序排列，将指数最大的前5个变量作为建模时应用的特征参数。依据上述参数建立模型，进行统计分析。研究区域内的48个样本均作为实验样本，以均方根误差、决定系数以及归一化相对误差3个指标作为定量化、指标解释和玉米冠层叶片氮素间的具体关系。

4.2 遥感监测结果分析

植被指数能够准确反映出地面植被生长情况以及覆盖情况，因此对无人机遥感技术获取的植被指数和波段信息与LNC之间的关联关系进行分析。对未消除土壤背景噪声和去除土壤背景噪声两个状态下的指数进行选择，以此建立反演数据模型。随后对玉米冠层CSAIs和LNC之间的关联关系建立反演模型，分析不同情境下作物氮浓度的反演结果。结果表明，土壤剔除前，北面相同品种不同氮素处理下的玉米长势情况存在一定差异性，不施氮肥的实验区实际玉米长势情况和预期情况相比较差[5-7]。土壤剔除后，北面实验区LNC明显提高，且南侧不同土壤条件和不同氮水平的实验区LNC情况也明显改良。

低空无人机遥感技术与多光谱遥感影像技术相比具有更高的分辨率，植被纹理特征更加明显，但是更容易受到土壤背景噪声影响，因此需要考虑土壤背景噪声消除问题[8-10]。本文主要使用HSV色彩变换方法对土壤背景噪声进行消除，从而获取到更精准的玉米植被数据，能够实现更真实的遥感监测。

5 结束语

传统植被监测技术主要依靠人工操作，在实际应用中不仅耗费大量的时间和精力，且成本投入较大。随着时代的发展进步，现代化技术促使农业监测更新升级，为农业监测提供更加高效、精准的监测方法。本次研究以高光谱和无人机遥感监测为案例进行研究，利用随机蛙跳算法、随机森林算法、偏最小二乘法等方法建立模型并分析。实验结果表明，上述遥感技术在实际应用中获取的数据信息具有更高的精确性和真实性，影像信息具有更高的分辨率。