莱森光学：高光谱测定水稻含氮量方法研究

卫星遥感技术目前已被广泛应用于农业生产中，如土壤普查、农业资源调查、气象灾害监测以及农作物长势监测和作物估产。目前国内外众多研究者利用遥感技术估算/反演植被冠层的叶面积、叶绿素含量、氮素和蛋白质水平以及监测植物的长势等，但偏重于植被的冠层， 即测定对象非个体，所得结果具有不准确性。

传统的水稻含氮量的测定方法都需要将水稻植株进行“破损”后进行测定。采用光谱法进行测定，可以不破坏植株，无需取样，即时测定。笔者使用便携式地物光谱仪测定水稻的光谱特征，通过水稻的光谱指数与光谱模型推算出水稻的含氮量。

1. 材料与方法

1. 1 试验地概况

研究在江西省抚州市临川区唱凯镇粮食万亩科技示范基地进行。试验区位于116°18'E，28°6'N，地貌主要为平原，海拔45m左右，属亚热带，雨量充沛，气候湿润。

1.2 试验方法

所用光谱仪为波段覆盖 350～2500 nm的，其通道数为768。野外测定光谱前先设置好仪器的相应参数，并标定参考白板，参考白板光谱测定后测定植物的反射强度。野外测定时间为 2011年6月18日10：30-13：00。此时处于早稻孕穗期。天气为晴天有微风。所有的反射光谱数据均在野外自然光条件下测得。为减少不同太阳高度角对反射率的影响，该试验对每株水稻测定10次，取平均值作为最终光谱值。同时，采用开氏法测定水稻植株含氮量。由于光谱反射信号850 nm之后受干扰的影响较大，特别是水汽影响，在该次研究中只选择 350～850 nm 波段范围的光谱数据。光谱数据预处理是由便携式地物光谱仪携带的光谱处理软件Data Acquisition Software和Excel软件来完成的，并结合SPSS 17.0软件进行相关分析、线性回归和作图。笔者对氮含量与各波段光谱值、一阶微分光谱值和不同植被指数进行了Pearson相关分析，并进一步对与含氮量有显著相关的光谱因子进行逐步回归分析，然后把实测数据带入方程来检验回归模型的准确性。

2. 结果与分析

2.1 水稻的光谱响应

通过对实测的光谱数据曲线图的观察分析，删除那些受水背景等外界环境影响较大的光谱数据，最后选定20个样品中的14个数据作为试验的最后处理数据。从图1可以看出，测定的光谱反射曲线表现出典型的植被光谱特征。在350～500 nm和675 nm 附近有较强的吸收，在550 nm附近形成反射“绿峰”，在700～750 nm形成直观的近似垂直的陡坡，在750～850 nm形成典型的近红外高原区。

图 1 水稻的光谱响应曲线

2.2 光谱参数

选择绿峰、红光谷和近红外峰的反射率以及一阶导数最大值作为水稻氮含量的候选因子，同时对光谱 数据降维处理来模拟 Landsat TM 的红光和近红外光波段来计算归一化植被指数( NDVI) 、差值植被指数( DVI) 、比值植被指数( RVI) 和调整土壤亮度的植被指数( SAVI) 作为候选因子(表 1) 。这些因子能否被用于监测水稻含氮量，还必须通过以下方法进行分析。首先，直接进行相关分析，判断它们与氮含量的相关指数是否通过显著性检验; 最后，用回归分析的方法筛选因子，剔除部分因子。

经相关分析，发现高光谱各因子与含氮量的相关系数除了一阶导数最大值、归一化植被指数、比值植被指数外都达到 0．05 显著水平，即可用于分析水稻含氮量，其中绿峰峰值的相关系数值最大，达到 0．837。根据相关分析筛选获取的5 个因子中，采用回归分析(显著性为 0.01) 方法选择的因子只有X1，说明只需一个因子就可以分析高光谱对水稻含氮量的影响。

2.3 水稻含氮量的高光谱测量估算模型

采用单因子的高光谱变量，分析水稻含氮量。从图2可以看出，绿峰峰值与氮含量呈正相关，峰值越大，含氮量就越高。分别用线性、二次多项式、三次多项式模拟，可以看出三次多项式曲线最好，相关系数为0．782，方程为 y= 784.726x3 － 250.638x2 + 30.181x － 0．071，通过0．01的显著检验。然后，取一组原数据回代到模型方程中，得到的精度约 92．5%，效果能满足预测要求。因此，可把它作为检测水稻氮含量的合适模型。

图 2 氮含量与绿峰峰值的关系

3. 结论

氮素是对作物生长、产量和品质影响最为显著的营养元素。该研究通过相关和回归分析，最终确定绿峰峰值是水稻氮含量分析的最佳因子，模型相关系数为 0．782，预测精度较好，约 92．5% ，表明高光谱可以用于检测水稻长势。由于结论是基于一个生长季的田间数据得到的，季节气候条件的影响得加于考虑。同时，处理过程中有关背景尤其是水及其表面悬浮物的影响的处理方法还不够完善，仍有待进一步的改进。