CN103868880A - 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 - Google Patents

Abstract

本发明公开了一种基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法，旨在解决现有的小麦叶片氮含量监测模型普适性和准确度较低的技术问题。本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法包括下列步骤：信息采集；划定红边波段区域；构建红边双峰指数；确定最优临界切分波段；建立监测模型；检验模型。本发明构建了精度高、普适性好的小麦叶片氮含量监测模型；该监测模型的扩展性和稳定性得到增强，对小麦叶片氮含量监测具有较高的精度和准确性。本发明基于光谱双峰指数的小麦叶片氮含量监测方法，运用前述监测模型，估算待测田块中小麦叶片氮含量，准确性高、方法简单、易于操作。

Description

基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法

技术领域

本发明涉及农业植被生长信息无损监测领域技术领域，具体涉及一种基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法。 

背景技术

小麦是我国重要的粮食作物，小麦种植过程中氮肥的施用是提高其产量和品质的有效途径，随着施氮量增加，小麦单产虽有一定程度提高，但氮素利用率明显降低，环境污染效应加重，更有植株倒伏、贪青迟熟、病虫害加重和品质变劣等危险。据统计，施入土壤中的氮素化肥只有35％～50％被作物吸收利用，尤其小麦对氮肥的利用率仅32％，其余大部分淋失到下层土壤、水体和挥发到大气中。过量施用化肥，不但引起土壤、水体、大气等环境问题，还会对农产品造成污染，影响人体健康，同时增加了生产成本。因此，大力发展小麦作物生长实时监测技术，对小麦植株氮素状况进行实时、快速和准确地检测，精确管理与调控氮肥施用量，对确保作物产量和品质目标，提高氮肥利用效率，减少环境污染具有重要意义，这也是现代农业施肥管理所迫切需要解决的关键技术。 

传统的作物植株氮含量检测方法主要依赖于破坏性取样、室内分析测定，尽管结果较为可靠，但耗时费力成本高，且具有一定滞后性。近年来，随着高光谱技术的快速发展，应用光谱无损探测技术能够实时快速监测作物氮素营养状况，已成为当前及将来田间作物长势及营养诊断的重要方法，为作物氮肥精确管理提供可靠的技术支持。目前，众多学者提出很多的无损监测绿色植被含氮量的敏感波长和方法，如直接采用光谱反射率估算植株氮素含量，利用不同敏感波段构建比值植被指数监测氮含量，应用光谱特征变量(例如光谱曲线反射峰或吸收谷特征以及导数光谱特征量等)直接反演植株氮含量；有不少研究者进一步采用多元逐步线性回归技术建立植株氮含量光谱预测方程。以上方法大多基于多光谱数据进行，存在有光谱分辨率低，波段范围小的缺点，而基于高光谱的分析只使用少数几个特征波段，导致植被高光谱丰富信息的挖掘应用层次不够，使得构建的氮素光谱估算方法存在扩展性不强、稳定性缺乏的局限。此外，已有光谱监测方法研究中，单波段模型稳定性差，双波段植被指数模型存在过饱和的缺陷，尤其在小麦增产进程中，群体大、干物质生产量高，使得双波段植被指数对植株氮素营养的精确指示敏感性变差。同时，前人选取确立的光谱特征变量及多波段模型在结构和算法上还略显复杂，从而导致监测模型的时空稳定性、普适性及监测 精度较差，在一定程度上消弱了其生产应用性。因此，在粮食作物单产不断刷新的刚性需求下，积极探索新的核心敏感波段，构建算法简单而结果可靠的光谱指数将是无损监测技术在现代农业生产中应用的重点和难点。 

发明内容

针对上述现有技术的不足，本发明要解决的技术问题是提供一种普适性好、准确度高且机理性强的基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法。 

本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，包括下列步骤： 

(1)信息采集：先按常规方法分别采集不同区域内的不同生长时期的小麦冠层叶片的高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；与光谱信息采集同步，对应的采集小麦叶片样品并以常规分析方法测定出不同区域内的不同生长时期的小麦叶片实测氮含量； 

(2)划定红边波段区域：选择波长680nm作为红边起点、755nm作为红边终点，根据小麦冠层叶片的一阶微分光谱在该红边范围内存在明显的双峰特征的特点，确定该双峰间的临界切分波段为k； 

(3)构建红边双峰指数：由下式计算得出红边双峰指数raNVI： 

$\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_k)}{(R_{755}-R_{680})},$

其中，k为小麦冠层叶片一阶微分光谱在红边范围内的临界切分波段，R₇₅₅、R₆₈₀、R_k分别为小麦冠层叶片对应于755nm、680nm、k nm波段的光谱反射率； 

(4)确定最优临界切分波段：将红边双峰指数raNVI与步骤(1)所得的对应的小麦叶片实测氮含量进行相关性分析，采用高光谱数据减量精细采样法，取相关性最高时的k值，确定为最优的临界切分波段； 

(5)建立监测模型：根据不同生长时期的小麦叶片实测氮含量与红边双峰指数raNVI直接的定量关系，构建出如下对应的小麦叶片氮含量监测模型：Y＝a×raNVI+b，其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项，且a、b的值经由线性回归方式求得。 

在步骤(5)之后还包括：步骤(6)检验模型： 

使用独立年份小麦试验数据测试与检验步骤(5)所述小麦叶片氮含量监测模型的准确性和普适性，采用复相关系数R²、均方根差RMSE和相对误差RE对其进行综合评价，其中RMSE和RE的计算公式如下： 

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(P_i-O_i)}^2}$

$\mathrm{RE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{P_i-O_i}{O_i}\right)}^2}\×100\%$

其中O_i为试验中小麦叶片实测氮含量值，P_i为监测模型估测的小麦叶片氮含量值，n为模型测试检验样本数。 

所述步骤(1)中小麦冠层叶片的高光谱信息测量采用野外高光谱辐射仪，波段值为350～1100nm，光谱采样间隔为1.4nm，光谱分辨率为3nm。 

所述步骤(1)中测定小麦叶片实测氮含量的方法为：与光谱信息采集同步，每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后采用凯氏定氮法测定其全氮含量，通过不同叶位叶干重加权计算出小麦叶片实测氮含量。 

在所述步骤(4)中，当临界切分波段k在红边区间680nm～755nm内间隔1nm的步长变化下，计算其所对应的红边双峰指数raNVI的值，并与所述步骤(1)所得的对应的小麦叶片实测氮含量进行相关性分析，得出当k＝705nm时，红边双峰指数raNVI与小麦叶片实测氮含量的相关性最高，进而得到： 

$\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_{705})}{(R_{755}-R_{680})}.$

适用于黄淮区域的小麦从拔节期到灌浆后期的小麦叶片氮含量监测模型为：Y＝3.7032×raNVI+0.6922。 

本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法的有益效果在于： 

1.基于光谱双峰指数，构建了精度高、普适性好的小麦叶片氮含量监测模型，显著增强了采用监测模型估算小麦叶片氮含量的机理性； 

2.该方法充分利用特征波段内多个波长所提供的丰富光谱信息，简化了小麦冠层叶片多波段光谱信息的综合运算及结构优化，使得该方法构建的监测模型的扩展性和稳定性得到增强； 

3.克服了现有植被指数在小麦增产进程中趋向饱和及其对叶片氮含量灵敏度下降的缺陷，尤其对不同地点、不同品种、不同氮肥水平下小麦叶片氮含量监测具有较高的精度和准确性； 

4.实现了小麦氮素信息的实时获取，为便携式氮素无损速测仪的硬件产品开发提供了关键波段选择，促进了基于光谱分析技术的作物氮肥精确管理与高效调控技术的广泛应用，为遥感技术在精确农业中的直接应用奠定技术基础。 

本发明基于光谱双峰指数的小麦叶片氮含量监测方法包括下列步骤： 

(a)信息采集：先按常规方法采集待测田块中的小麦冠层叶片的高光谱信息，再以常规的五步平滑方法对光谱曲线进行平滑处理； 

(b)计算红边双峰指数raNVI：根据步骤(a)所得的高光谱信息，按照上述小麦叶片氮含量监测模型的构建方法中的所述步骤(3)、(4)计算出待测田块中的小麦冠层叶片的红边双峰指数raNVI； 

(c)计算小麦叶片氮含量：根据上述小麦叶片氮含量监测模型计算出待测田块中的小麦叶片氮含量Y：Y＝a×raNVI+b，其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项。 

所述步骤(a)中小麦冠层叶片的高光谱信息测量采用野外高光谱辐射仪，波段值为350～1100nm，光谱采样间隔为1.4nm，光谱分辨率为3nm。 

在所述步骤(b)中，k＝705nm， $\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_{705})}{(R_{755}-R_{680})}.$

适用于黄淮区域的小麦从拔节期到灌浆后期的小麦叶片氮含量监测方程为：Y＝3.7032×raNVI+0.6922。 

本发明基于光谱双峰指数的小麦叶片氮含量监测方法的有益效果在于： 

1.运用前述基于光谱双峰指数的小麦叶片氮含量监测模型，估算待测田块中小麦叶片氮含量，方法简单，易于操作； 

2.简化了小麦冠层叶片多波段光谱信息的综合运算及结构优化，克服了现有植被指数在小麦增产进程中趋向饱和及其对叶片氮含量灵敏度下降的缺陷，对不同地点、不同品种、不同氮肥水平下小麦叶片氮含量监测具有较高的精度和准确性； 

3.实现了小麦氮素信息的实时获取，为便携式氮素无损速测仪的硬件产品开发提供了关键波段选择，促进了基于光谱分析技术的作物氮肥精确管理与高效调控技术的广泛应用，为遥感技术在精确农业中的直接应用奠定技术基础。 

对于本发明的具体操作步骤及流程，将在下面结合附图作出进一步详细的说明。 

附图说明

图1是本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法的流程图。 

图2是本发明不同临界切分波段(k nm)下raNVI与小麦叶片氮含量的相关性示意图。 

图3是本发明raNVI与小麦叶片氮含量监测模型的模型效果图。 

图4是本发明raNVI与小麦叶片氮含量监测模型的检验效果图。 

具体实施方式

本发明基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法的流程图如图1所示，下面详细说明该方法的具体实施步骤。 

(1)信息采集：利用野外高光谱辐射仪采用垂直向下观测技术测定小麦冠层包含350-1100nm波段范围的高光谱信息数据，再采用常规的五步平滑方法对光谱曲线进行平滑处理；与光谱信息采集同步(同时、同地点)，对应的采集小麦植株样品，经过植株分样、烘干、粉碎和称重，采用凯氏定氮法测定小麦叶片实测氮含量(％)。 

(2)划定红边波段区域：选择波长680nm作为红边起点、755nm作为红边终点，根据小麦冠层叶片的一阶微分光谱在该红边范围内存在明显的双峰特征的特点，确定该双峰间的临界切分波段为k。 

红边(rededge)是由于植被在红光波段叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射而形成的反射率急剧上升，形成陡而近于直线的斜边。反射光谱曲线中的这种特殊形态为植物所特有，国内外学者对此一直给予高度的关注，并称其为“红边”，其波长位置一般处于660～770nm。红边是小麦叶片在680nm～760nm之间反射率增高最快的区域，属于红光区域和近红外区域的过渡地带，也是一阶微分光谱在该区间内的拐点，包含地物目标信息量非常丰富，红边的描述包括红边的位置和红边的斜率。红边与植被的各种理化参数是紧密相关的，是描述植物色素状态和健康状况的重要的指示波段，因此，红边是遥感调查植被状态的理想工具。 

在不同氮肥梯度长势下小麦冠层叶片红边区域内(680～760nm)一阶微分光谱具有明显的反应特征，680nm附近一阶微分数据稳定，可为红边起点，而760nm附近为氧和水强吸收谷，其一阶微分光谱不稳定，可将755nm作为红边终点。植株氮素营养越充足，叶面积指数越大，红边斜率也就越大，相应的植被生长状态越好，红边位置会出现“右移”，红边斜率变大；反之，则红边位置会相应“蓝移”，红边斜率变小。基于此，整个红边(680～755nm)作为一个整体求积分算得红边面积(SDr)，其随植株营养状况、长势特征和生育时期均呈规律性变化。尽管红边面积SDr受作物长势及氮素营养影响较大，但其对小麦叶片氮含量的变化敏感性不够高，难以直接利用该形式参数直接指示小麦植株氮素营养状况。不同长势小麦的冠层叶片一阶微分光谱在红边范围内存在明显的双峰特征，在双峰间确定一个分界位点或线作为临界切分波段k，这样两个单峰面积(A_680-k，A_k-755)的相对大小随小麦生长时期和氮素水平表现不同。 

(3)构建红边双峰指数：由下式计算得出红边双峰指数raNVI： 

$\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_k)}{(R_{755}-R_{680})},$

其中，k为小麦冠层叶片一阶微分光谱在红边范围内的临界切分波段，R₇₅₅、R₆₈₀、R_k分别为小麦冠层叶片对应于755nm、680nm、k nm波段的光谱反射率； 

标准化植被指数(Normalized difference vegetation index，简称NVI)也称绿色指数，它是植被生长状态及覆盖度的最佳指示因子，与植被氮素营养状况密切相关。它是由地球探测卫星测度的反射光，其红色和近红外波段的非线性转换，由总量除以红色和近红外通道的差距得到的。它在目前遥感信息提取中是一种使用最广泛、效果也较好的一种植被指数形式。当前基于红光和近红外反射率的NVI植被指数存在易饱和、校正有限、噪音较多等缺点，难以适应当前我国大田粮食作物资源高度密集型生产的实际情况，其对小麦长势及氮素营养状况的指示性不够准确。 

本发明采用红边双峰指数raNVI来构建小麦叶片氮含量监测模型，既可以充分发挥NVI指数架构的优势，又可以利用红边光谱信息丰富及敏感信息正向累加的优点，实现资源密集型高产麦田小麦长势的精确监测及氮素状况诊断。 

红边区域两个单峰面积是基于一阶微分数值进行运算的，由于涉及波段数目多，计算过程繁琐，采用积分算法以简化植被指数的计算过程，得到： 

$A_{680-k}={\∫}_{680}^k\frac{\mathrm{dR\λ}}{\mathrm{d\λ}}\mathrm{d\λ}=R_k-R_{680}$

$A_{k-755}={\∫}_k^{755}\frac{\mathrm{dR\λ}}{\mathrm{d\λ}}\mathrm{d\λ}=R_{755}-R_k$

$\mathrm{raNVI}=\frac{(A_{k-755}-A_{680-k})}{(A_{k-755}+A_{680-k})}=\frac{(R_{755}+R_{680}-2\×R_k)}{(R_{755}-R_{680})}.$

(4)确定最优临界切分波段：将红边双峰指数raNVI与步骤(1)所得的对应的小麦叶片实测氮含量进行相关性分析，采用高光谱数据减量精细采样法，取相关性最高时的k值，确定为最优的临界切分波段。 

(5)建立监测模型：根据不同生长时期的小麦叶片实测氮含量与红边双峰指数raNVI直接的定量关系，构建出如下对应的小麦叶片氮含量监测模型： 

Y＝a×raNVI+b； 

其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项，且a、b的值经由线性回归方式求得。 

(6)检验模型：使用独立年份小麦试验数据测试与检验步骤(5)所述小麦叶片氮 含量监测模型的准确性和普适性，采用复相关系数R²、均方根差RMSE和相对误差RE对其进行综合评价，其中RMSE和RE的计算公式如下： 

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(P_i-O_i)}^2}$

$\mathrm{RE}=\sqrt{\frac{1}{n}\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{P_i-O_i}{O_i}\right)}^2}\×100\%$

其中O_i为试验中小麦叶片实测氮含量值，P_i为监测模型估测的小麦叶片氮含量值，n为模型测试检验样本数。 

下面以实施例来详细说明本发明，但以下实施例并不以任何方式限制本发明的范围。 

实施例1：共进行3个田间试验，涉及到不同年份、不同品质类型和不同氮肥处理，具体试验设计描述如下。 

试验1：2009-2010年在河南农业大学科教示范园区(郑州)进行。供试品种为豫麦49-198和豫麦34。土壤质地为潮土，有机质1.06％，全氮0.091％，速效磷25.6mg·kg^-1，速效钾124.5mg·kg^-1。前茬为玉米。试验设5个施氮水平，分别为0、75、150、225和300kg·hm^-2纯氮。各处理配施150kg·hm^-2P₂O₅和120kg·hm^-2K₂O，磷钾肥全部用作基肥，各处理氮肥50％用作基肥，50％为拔节期追肥。试验随机排列，3次重复，小区面积7×2.9＝20.3m²，基本苗2.25×10⁶·hm^-2，行距20cm，10月14日播种。其他栽培管理措施同一般高产麦田。该试验资料用于监测模型的构建。 

试验2：2010-2011年在焦作市温县祥云镇进行。供试品种为豫麦49-198和郑麦366。土壤质地为褐土，有机质1.57％，全氮0.114％，速效磷28.3mg·kg^-1，速效钾121.6mg·kg^.1。前茬为玉米。试验设4个施氮水平，分别为0、90、180和270kg·hm^-2纯氮。各处理配施120kg·hm^-2P₂O₅和150kg·hm^-2K₂O，磷钾肥全部用作基肥，各处理氮肥50％用作基肥，50％为拔节期追肥。试验随机排列，4次重复，小区面积6×4.2＝25.2m²，基本苗1.8×10⁶·hm^-2，行距20cm，10月12日播种。其他栽培管理措施同一般高产麦田。该试验资料用于监测模型的构建。 

试验3：2011-2012年在开封市开封县进行。供试品种为矮抗58、豫麦49-198和郑麦366。土壤质地为潮土，有机质1.18％，全氮0.104％，速效磷45.9mg·kg^-1，速效钾90.3mg·kg^-1。前茬为玉米。试验设5个施氮水平，分别为0、75、150、225和300kg·hm^-2纯氮。各处理配施120kg·hm^-2P₂O₅和120kg·hm^-2K₂O，磷钾肥全部用作基肥，各处理氮肥 50％用作基肥，50％为拔节期追肥。试验随机排列，3次重复，小区面积7×2.9＝20.3m²，基本苗2.7×10⁶·hm^-2，行距20cm，10月15日播种。其他栽培管理措施同一般高产麦田。该试验资料用于监测模型的检验。 

具体建模方法如下，其中，所涉及的仪器设备如无特别说明，均为常规仪器设备；所涉及的工业原料如无特别说明，均为市售常规工业原料。 

(1)信息采集：小麦冠层叶片高光谱信息测量采用美国Analytical Spectral Device(ASD)公司生产的FieldSpec Pro FR2500型背挂式野外高光谱辐射仪。波段值为350～1100nm，光谱采样间隔为1.4nm，光谱分辨率为3nm。信息测量选择在天气晴朗、无风或风速很小时进行，时间范围为10:00-14:00。测量时传感器探头垂直向下，仪器视场角为25°，距冠层顶垂直高度约1.0m，地面视场范围直径为0.44m。以10个光谱为一采样光谱，每个观测点记录10个采样光谱，以其平均值作为该观测点的光谱反射值。与光谱信息采集同步，每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后采用凯氏定氮法测定其全氮含量，通过不同叶位叶干重加权计算出小麦叶片实测氮含量。 

(2)划定红边波段区域：选择波长680nm作为红边起点、755nm作为红边终点，根据小麦冠层叶片的一阶微分光谱在该红边范围内存在明显的双峰特征的特点，确定该双峰间的临界切分波段为k；不同临界切分波段(k nm)下raNVI与小麦叶片氮含量的相关性如图2所示； 

(3)构建红边双峰指数：由下式计算得出红边双峰指数raNVI： 

$\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_k)}{(R_{755}-R_{680})},$

其中，k为小麦冠层叶片一阶微分光谱在红边范围内的临界切分波段，R₇₅₅、R₆₈₀、R_k分别为小麦冠层叶片对应于755nm、680nm、k nm波段的光谱反射率。 

(4)确定最优临界切分波段：将红边双峰指数raNVI与步骤(1)所得的对应的小麦叶片实测氮含量进行相关性分析，采用高光谱数据减量精细采样法，取相关性最高时的k值，确定为最优的临界切分波段；当临界切分波段k在红边区间680nm～755nm内间隔1nm的步长变化下，计算其所对应的红边双峰指数raNVI的值，并与所述步骤(1)所得的对应的小麦叶片实测氮含量进行相关性分析，得出当k＝705nm时，红边双峰指数raNVI与小麦叶片实测氮含量的相关性最高，r＝0.914***，n＝190，进而得到： 

$\mathrm{raNVI}=\frac{(R_{755}+R_{680}-2\×R_{705})}{(R_{755}-R_{680})}.$

(5)建立监测模型：根据不同生长时期的小麦叶片实测氮含量与红边双峰指数raNVI直接的定量关系，构建出如下对应的小麦叶片氮含量监测模型： 

Y＝a×raNVI+b； 

其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项，且a、b的值经由线性回归方式求得。 

在红边波段(680nm～755nm)中任意选取k nm波段位置，随机组合建立raNVI与小麦叶片氮含量的线性回归模型，取较高的复相关系数(R²)所对应的k波段作为优化R_k，从而利用最优raNVI建立小麦叶片氮含量监测模型。基于上述新构建的raNVI，利用2009-2012年各大田试验区的试验数据，构建适用于黄淮小麦拔节期至灌浆后期的叶片氮含量监测模型。将试验统计的多个raNVI建立监测模型Y＝a×raNVI+b，并采用复相关系数(R²)和标准误差(SE)对监测模型的拟合优度进行评价。图3显示了本发明raNVI与小麦叶片氮含量监测模型的模拟效果，其中纵坐标表示小麦叶片氮含量，横坐标表示对应的红边双峰指数raNVI。结果表明，黄淮小麦从拔节期到灌浆后期的氮含量监测方程为：Y＝3.7032×raNVI+0.6922，复相关系数R²为0.847，标准误差SE为0.390，样本数n＝464。 

将上述试验资料的结果与现有的光谱植被指数在小麦叶片氮含量估测中的表现进行对比，这些常用光谱植被指数包括：VOG、CTR、GM2、SR705、ND705、mND705、RI-1dB、REP、CAI、NAOC、TVI和DCNI等，如下表1所示。 

表1各种常见植被指数的小麦叶片氮含量监测模型参数 

续表1 

对比结果表明，本发明所提供的基于红边双峰指数raNVI的小麦叶片氮含量监测模型的准确性较高，优于已有的植被指数。 

(6)检验模型：为了检验小麦叶片氮含量监测模型的可靠性和实用性，利用2011-2012年独立试验资料对上述模型进行测试和检验，同时利用预测值和观测值之间的复相关系数(R²)、均方根差(RMSE)和平均相对误差(RE)进行综合评定，并绘制观察值与预测值之间1∶1关系图，来直观展示模型的预测能力。 

将本发明确立的基于红边双峰指数raNVI的小麦叶片氮含量监测模型的检验结果与常规的优化植被指数(REPle和mND705)检验结果进行比较，REPle模型的R²、RMSE和RE分别为0.78、0.414和13.7％；mND705模型的R²、RMSE和RE分别为0.80、0.391和14.1％；而本发明raNVI模型的预测精度最高、估算误差最小：如图4所示，基于红边双峰指数的小麦叶片氮含量从拔节期到灌浆后期的检验模型：y＝0.9023x+0.5326，复相关系数R²为0.848，均方根差RMSE为0.338，平均相对误差RE为11.9％，样本数n＝190。 

综上所述，本发明基于红边双峰指数的小麦叶片氮含量监测模型的构建方法，构建 了精度高、普适性好的小麦叶片氮含量监测模型；该监测模型的扩展性和稳定性得到增强，对不同地点、不同品种、不同氮肥水平下小麦叶片氮含量监测具有较高的精度和准确性。本发明基于红边双峰指数的小麦叶片氮含量监测方法，运用前述监测模型，估算待测田块中小麦叶片氮含量，准确性高、方法简单、易于操作，促进了基于光谱分析技术的作物氮肥精确管理与高效调控技术的广泛应用，为遥感技术在精确农业中的直接应用奠定技术基础。 

上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。 

Claims (10)

1.一种基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，包括下列步骤：

（1）信息采集：先按常规方法分别采集不同区域内的不同生长时期的小麦冠层叶片的高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；与光谱信息采集同步，对应的采集小麦叶片样品并以常规分析方法测定出不同区域内的不同生长时期的小麦叶片实测氮含量；

（2）划定红边波段区域：选择波长680nm作为红边起点、755nm作为红边终点，根据小麦冠层叶片的一阶微分光谱在该红边范围内存在明显的双峰特征的特点，确定该双峰间的临界切分波段为k；

（3）构建红边双峰指数：由下式计算得出红边双峰指数raNVI：

 ，

其中，k为小麦冠层叶片一阶微分光谱在红边范围内的临界切分波段，R ₇₅₅、R ₆₈₀、R _k分别为小麦冠层叶片对应于755nm、680nm、k nm波段的光谱反射率；

（4）确定最优临界切分波段：将红边双峰指数raNVI与步骤（1）所得的对应的小麦叶片实测氮含量进行相关性分析，采用高光谱数据减量精细采样法，取相关性最高时的k值，确定为最优的临界切分波段；

（5）建立监测模型：根据不同生长时期的小麦叶片实测氮含量与红边双峰指数raNVI直接的定量关系，构建出如下对应的小麦叶片氮含量监测模型：

Y=a×raNVI+b；

其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项，且a、b的值经由线性回归方式求得。

2.根据权利要求1所述的基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，在步骤（5）之后还包括：

步骤（6）检验模型：使用独立年份小麦试验数据测试与检验步骤（5）所述小麦叶片氮含量监测模型的准确性和普适性，采用复相关系数R ² 、均方根差RMSE和相对误差RE对其进行综合评价，其中RMSE和RE的计算公式如下：

其中O _i 为试验中小麦叶片实测氮含量值，P _i 为监测模型估测的小麦叶片氮含量值，n为模型测试检验样本数。

3.根据权利要求1所述的基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，所述步骤（1）中小麦冠层叶片的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm 。

4.  根据权利要求1所述的基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，所述步骤（1）中测定小麦叶片实测氮含量的方法为：与光谱信息采集同步，每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后采用凯氏定氮法测定其全氮含量，通过不同叶位叶干重加权计算出小麦叶片实测氮含量。

5.根据权利要求1所述的基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，在所述步骤（4）中，当临界切分波段k在红边区间680nm～755nm内间隔1nm的步长变化下，计算其所对应的红边双峰指数raNVI的值，并与所述步骤（1）所得的对应的小麦叶片实测氮含量进行相关性分析，得出当k=705nm时，红边双峰指数raNVI与小麦叶片实测氮含量的相关性最高，进而得到：

 。

6.根据权利要求1所述的基于光谱双峰指数的小麦叶片氮含量监测模型的构建方法，其特征在于，适用于黄淮区域的小麦从拔节期到灌浆后期的小麦叶片氮含量监测模型为：Y= 3.7032×raNVI+0.6922。

7.一种基于光谱双峰指数的小麦叶片氮含量监测方法，其特征在于，包括下列步骤：

（a）信息采集：先按常规方法采集待测田块中的小麦冠层叶片的高光谱信息，再以常规的五步平滑方法对光谱曲线进行平滑处理；

（b）计算红边双峰指数raNVI：根据步骤（a）所得的高光谱信息，按照权利要求1中的所述步骤（3）、（4）计算出待测田块中的小麦冠层叶片的红边双峰指数raNVI；

（c）计算小麦叶片氮含量：根据权利要求1所建立的小麦叶片氮含量监测模型计算出待测田块中的小麦叶片氮含量Y：

Y=a×raNVI+b；

其中，Y为小麦叶片氮含量，raNVI为红边双峰指数，a为系数，b为常数项。

8.根据权利要求6所述的基于光谱双峰指数的小麦叶片氮含量监测方法，其特征在于，所述步骤（a）中小麦冠层叶片的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm 。

9.根据权利要求6所述的一种基于光谱双峰指数的小麦叶片氮含量监测方法，其特征在于，在所述步骤（b）中，k=705nm，

。

10.根据权利要求6所述的基于光谱双峰指数的小麦叶片氮含量监测方法，其特征在于，适用于黄淮区域的小麦从拔节期到灌浆后期的小麦叶片氮含量的监测方程为：

Y= 3.7032×raNVI+0.6922。

Images