基于无人机数码影像的冬小麦氮含量反演

刘帅兵，杨贵军，景海涛，冯海宽，李贺丽，陈 鹏1,，杨文攀1,



基于无人机数码影像的冬小麦氮含量反演

刘帅兵1,2，杨贵军1,4※，景海涛3，冯海宽1,4，李贺丽1,4，陈 鹏1,3，杨文攀1,3

（1. 北京农业信息技术研究中心，农业部农业遥感机理与定量遥感重点实验室，北京 100097；2. 武汉大学电子信息学院，武汉 430072；3. 河南理工大学测绘与国土信息工程学院，焦作 454000；4. 国家农业信息化工程技术研究中心，北京 100097）

准确、快速地获取关键生育期冬小麦氮素含量，对农业管理者进行田间氮素施肥有重要的决策作用。利用无人机（unmanned aerial vehicle，UAV）搭载数码相机，可以短时间内获取冬小麦长势信息，实现对冬小麦氮素含量动态监测。该研究利用2015年北京市小汤山冬小麦无人机数码影像，采用3种阈值分割方法，将田间植株作物与土壤背景分离。对比影像分割方法的时效性与准确性，最终确定可见光波段差异植被指数VDVI（visible-band difference vegetation index）提取植被信息。按照试验方案要求，在不同的氮肥与水分胁迫管理下，将冬小麦3次重复试验分成48个试验小区，依据小区边界提取小区的红、绿和蓝通道的平均DN（digital number）值，选取25个植被指数，同时与各个试验小区冬小麦不同器官氮含量进行相关性分析，筛选数码影像变量。由于植被指数之间耦合度较高，因此采用主成分分析对原始数据进行成分提取，提取特征向量参与建模，最后利用多元线性回归分析建立氮素反演模型，通过决定系数（2）、均方根误差（RMSE）和归一化的均方根误差（nRMSE）3个指标筛选出最佳模型，探究各器官氮素含量与数码变量的相关性。结果表明，实验室实测氮素含量与UAV数码影像氮素反演结果及基本一致。在反演模型构建精度方面，3种数据处理结果整体>部分>植被指数，反演效果叶氮>植株氮>茎氮。以冬小麦挑旗期为例，叶片氮含量整体信息提取验证模型的2、RMSE和nRMSE分别为0.85、0.235和6.10%，比部分信息提取验证模型的2高0.14，RMSE和nRMSE分别降低0.068和1.77个百分点；比植被指数信息提取验证模型的2高0.43，RMSE和nRMSE分别降低0.141和3.67个百分点。研究表明，基于UAV数码影像利用多元线性回归构建冬小麦氮素含量反演模型，对试验小区整体提取作物信息的方式反演冬小麦叶氮含量效果最好，相比传统反演方法，模型稳定性更高，可为冬小麦田间水肥决策管理提供参考。

无人机；氮素；冬小麦；主成分分析；多元线性回归

0 引 言

小麦是中国重要的粮食作物，也是世界范围内种植面积最多的，分布面积最广的粮食作物。研究冬小麦表型信息和生理过程对指导农业生产和粮食增产意义重大[1]。氮素是作物健康生长发育所必须的营养元素，显著影响冬小麦品质与产量[2]。同时氮素营养状况是评价作物长势、提高产量和改善作物品质的重要指标[3-4]。当氮肥施加过多时，不仅浪费资源，同时会造成环境污染；而氮肥施加过少，则会影响作物正常生长，进而导致小麦减产。因此，分析植株的氮素营养状况，制定科学的养分管理方案，可以使作物氮素供求同步，在保持高产的同时提高养分利用率[5-7]。

目前已经很多仪器设备可以直接或间接的对作物体内的氮素含量进行评估，包括叶色表、Dualex氮素指数测量仪[8]、SPAD-502（Soil and plant analyzer development，SPAD）叶绿素测量仪[9]、CCM-200叶绿素测量仪[10]、Greenseeker光谱仪[11]、Crop circle active canopy sensor主动冠层光谱仪[12]、PAM-2500绿素荧光[13]等。使用田间测量仪器虽然可以直接对作物进行评估测量，但是这些方法可能会破坏原始农田，时间及人力成本高，缺乏效率[14]。近年来，随着无人机遥感技术的不断发展，其在作物生态参数反演估算、农田生态环境信息监测等方面得到广泛应用[15-17]。在田间进行无人机遥感监测，可以快速无损的对田间作物生长和营养状况表征信息进行获取，节省了大量的时间及人力，有利于大田条件下作物的精确管理[18-20]。

现有的研究表明，叶色、叶片纹理可以直接反映作物对不同光线的吸收、反射、折射及利用状况，也是氮素在作物体内一系列代谢结果的综合反应[21]。因此利用光谱信息可以估算氮素的丰缺状况[22]。作物生化参数与植被指数之间存在着明显的相关性，利用植被指数等遥感参量反演生物量是检测作物长势的重要方法[23-25]。裴浩杰等[26]利用无人机高光谱影像，利用植株氮含量与小麦其他长势指标按照均等权重构建一个综合长势指标（comprehensive growth index, CGI）对冬小麦长势进行检测，总体上优于各项单独指标与相应光谱植株的相关系数，能够判断冬小麦整体长势差异；Schirrmann等[27]利用低成本的无人机影像，获取飞行高度为50 m的11 hm²无人机数码影像，用于监测小麦的生理参数和氮营养状况；李冰等[28]利用低空无人机技术搭载多光谱载荷观测系统，以冬小麦为研究对象，利用植被指数阈值法提取研究区域内冬小麦覆盖度时序变化曲线；高林等[1]利用无人机获取的数码及多光谱影像，构建多种植被指数，采用经验模型法构建了LAI（leaf area index, LAI）反演模型，反演准确率可以达到85.4%；Roosjen等[29]利用无人机搭载分幅相机，在传统的单角度摄影情况下，采用多角度观测的手段增加了观测数据信息量，对叶面积指数和叶绿素含量估计的影像进行了研究，结果表明采用多角度的方式获取光谱数据对叶绿素含量的估计有促进作用。以上研究基于多源遥感数据融合处理，重点在于遥感影像数据获取和光谱信息提取2方面，构建数码单数据源与农学参数反演模型的研究还很少。同时传统的反演建模方法多采用单线性模型，具有很大的偶然性，且反演模型的稳定性较低。利用低成本的数码影像，可以短时间内获取田间信息并与农学参数结合建立反演模型，对田间作物农学参数的估测，对大田生产条件下，作物长势、冬小麦不同组分氮素营养状况的诊断和监测有重要的指导意义。

本文利用无人机数码影像，采用3种作物信息提取方法，选取25个数码影像变量，结合主成分分析筛选与冬小麦氮素含量相关性较高的建模变量。利用多元线性回归分析方法构建冬小麦氮素含量反演模型，并对比分析不同信息提取方法下，冬小麦不同器官之间氮素反演效果，以期利用低成本的无人机数码影像对冬小麦氮素进行监测，为综合评价农业田间水肥决管理方案提供一种快速、无损和高通量的遥感监测技术手段。

1 材料与方法

1.1 试验材料与试验设计

本研究于北京市昌平区小汤山国家精准农业研究示范基地开展冬小麦田间试验，地处北纬40°10′48″～40°10′54″，东经116°26′51″～116°26′53″，海拔约为50 m。冬小麦于2014年10月7日播种，2015年6月下旬收获。研究区域属于温带半湿润大陆性季风气候，前茬作物为玉米，土壤类型为潮土。冬小麦试验小区分布如图1所示。

图1 试验小区概况

试验田表层0～0.3 m土层中硝态氮质量分数为3.16～14.82 mg/kg，速效钾质量分数为86.83～120.62 mg/kg，有效磷质量分数为3.14～21.18 mg/kg，土壤有机质质量分数为15.8～20.0 g/kg。为增加各试验小区内作物氮素含量的差异性，采用中麦175、京麦9843两个品种的小麦进行种植，同时添加了不同的水分及氮素供给，每种处理方案重复3次，共设计48个试验小区，每个小区种植面积为48 m²。试验小区内种植密度为 489 株/m²，行距15 cm，播深5 cm，其他田间管理按当地正常水平进行。具体试验设计方案如图2所示。

1.2 数据获取

无人机数码影像数据采集于2015年冬小麦挑旗期（4月26日）、开花期（5月13日）及灌浆期（5月22日）3个关键生育期。采用RICOPTER八旋翼无人机，飞行高度设置为50 m。无人机悬臂展开尺寸为1 920 mm× 820 mm×470 mm，自重11 000 g，最大载重6 500 g，最大起飞重量25 000 g，飞行时间约为30 min，航速20～30 km/h。航测影像仪采用Sony Cyber-shot DSC-QX100镜头，尺寸62.5 mm×62.5 mm×55.5 mm，质量为179 g，2 090万像素CMOS传感器，拍摄影像最大分辨率为5 472×3 648像素，焦距为10 mm（定焦拍摄）光学变焦倍数为3.6倍，采集到的数据源为*.TIF格式影像数据。无人机传感器拍摄瞬时位置与姿态信息由无人机搭载的位置与姿态系统（position and orientation system，POS）进行实时获取，借助AgisoftPhotoScan软件对无人机高清数码影像进行拼接处理。

注：作物品种：P1：中麦175；P2：京9843；氮素处理：N1：0 kg·hm-2、N2：195 kg·hm-2、N3：390 kg·hm-2、N4：585 kg·hm-2，氮肥为尿素，分基肥和拔节肥按总施肥量各1/2施入土地；水分处理：S1：雨养；S2：675 m³·hm-2；S3：1012.5 m³·hm-2，生育期灌水3次，分别为冻水、拔节水和灌浆水。

Note: Crop varieties: P1: Zhong Mai 175; P2: Jing9843; Nitrogen treatment: N1: 0 kg·hm-2, N2: 195 kg·hm-2, N3: 390 kg·hm-2, N4: 585 kg·hm-2, nitrogen fertilizer was urea. Base and elongation fertilizers were applied to the soil at 1/2 of the total amount of fertilizer applied; Water treatment: S1: Rainfall; S2: 675 m³·hm-2; S3: 1 012.5 m³·hm-2, growth period irrigation three times, respectively, frozen water, pulling water saving and grouting water.

图2 试验方案

Fig.2 Experiment scheme

在获取同一冬小麦生育期数码影像时，不可避免会受到天气影响，因此本研究中无人机飞行时间选择在中午12点太阳光辐射强度稳定，天空晴朗、无云时。由于影像采集时间处于冬小麦试验的3个生育期，各影像天气及光照条件是不同的，因此需要对影像进行辐射校正。在田间地面上放置定标黑白布，统计其在影像上的DN（digital number, DN）值。对数据进行归一化，可以消除数据中的误差，减少天气状况和数码相机系统误差对数据的影响。从归一化处理过后数码影像中，提取冬小麦冠层RGB三通道小区平均DN值，进行后续处理。

测定植株氮素含量时，在每个试验小区进行随机抽样，选取20株具有代表性的冬小麦植株作为样本，放入塑料薄膜密封袋于实验室进行后续处理。对东小麦进行茎叶分离后，将叶片、茎和穗不同器官组分（下称组分）在105 ℃条件下杀青30 min，然后放置在75 ℃条件下烘干至样本变成恒质量状态，记录此时的干质量。采用凯氏定氮仪（Buchi B-339, Switzerland）对研磨粉碎后冬小麦各组分的全氮含量进行测定[30]。在冬小麦的开花和灌浆生育期时，需要考虑穗氮含量对植株氮含量的影响，植株氮含量（%）计算如式（1）所示。

利用采集到的冬小麦数据，计算冬小麦各个生育期氮素含量干物质量，结果如图3所示。

图3 冬小麦各生育期氮素含量

1.3 植被指数选取

以预处理后的无人机冬小麦数码影像，采用3种方法对正射影像进行精确划分，得到48个试验小区裁剪影像，利用ENVI（environment for visualizing images，ENVI）软件提取各个试验小区平均DN值，依据现有的数码影像变量研究成果及氮素与可见光波段植被指数之间的关系，选择22个可见光植被指数，共25个数码影像变量对冬小麦氮素进行估测，本文选取的数码影像变量如表1所示。

1.4 数据处理

1.4.1 冠层图像处理

无人机数码影像通过RGB色彩三通道反应冬小麦各组分对可见光的反射特性，但是由于太阳高度角，光线遮挡等影响，使得图像中存在裸露土地，作物阴影，田间枯叶等无关地物信息。传统光谱信息采集使用的方法是将试验小区中所有像元参与建模分析。当混入无关地物信息时，将会影响到氮素敏感参数的选择，因此需要一定的方法将试验小区非作物叶片像素信息进行剔除，提高敏感数码影像参数的筛选。本研究基于传统光谱采集方法，对比2种剔除干扰元素后的试验小区作物影像，采用植被指数提取试验小区边界的方法精度最高。影像上的阴影通过2种方式进行了剔除，一种是在划分小区时进行手动剔除，另一种是利用植被指数进行剔除。

表1 与氮素相关的数码影像变量

注：“”表示经验的可见光植被指数，、和分别表示、和的DN值归一化后的数码影像变量，下同。

Note: “” represents the experience of the visible vegetation parameters;,andrepresent digital image variables of the normalized DN of,and, respectively, the same below.

1.4.2 主成分分析

主成分分析是利用数学降维的思想，将多个彼此之间具有相关性的变量指标通过线性变换，重新组合成一组彼此不相关的综合变量来代替原来的指标的多元统计法，又称主分量分析[41]。通常数学上的处理就是将个指标进行线性组合，作为新的综合指标，在数据集中保留尽可能多的有用变量。将主成分分析的第一个主成分变量1进行方差分析，方差越大则表示1包含的信息越多。鉴于每个主成分方差值有所不同，且方差值呈递减趋势，因此含有的有效信息也呈递减趋势，因此根据各个主成分方差累计贡献率大于90%的原则，选取个主成分，这样可以有效地保留原始变量信息。

1.4.3 多元线性回归

多元线性回归模型在作物养分建模中有着广泛的应用，通常以作物养分为因变量，遥感光谱信息、植被指数和纹理特征等作为自变量，通过多元线性回归对作物养分进行估算[42-43]。将所有试验小区总数设为，实测冬小麦氮素含量设为Y×1，对应遥感变量为，用X×m表示影响冬小麦氮素的自变量因子，β×1为未知参数向量，为误差项。多元线性回归模型的矩阵表示为：。

1.4.4 建模评价指标

本研究选取决定系数（coefficient of determination,²）、均方根误差（root mean square error, RMSE）以及归一化的均方根误差（nRMSE）作为反演模型评价与验证模型的指标。2用来表示模型模拟值与实测值的拟合效果，其值越接近1表明模型拟合精度高。均方根误差反映模拟值与实测值的离散程度，因此其值越小，表明估算模型的拟合精度越好。反演模型及其验证时的²越大，同时RMSE和nRMSE越小，模型的估算能力越好。其计算公式如下：

2 结果与分析

2.1 非作物冠层像素剔除

大田生产条件下冬小麦自然生长状况的不可控性以及水肥胁迫，会导致冬小麦长势不均匀，尤其在缺水和氮肥的试验小区尤其明显，有大面积土壤裸露情况出现。因此，本文利用3种试验小区边界提取的方法，对冬小麦试验小区进行分割处理，其目的主要是讨论土壤背景去除对反演模型精度的影响。参照汪小钦等[44]的研究方法，采用过绿植株EXG（excess green）、可见光波段差异植被指数VDVI、归一化绿红差异指数NGRDI（normalized green-red difference index）、归一化绿蓝差异指数NGRBDI（normalized green-blue difference index）和红绿比值指数RGRI（red-green ratio index）对植被信息进行提取，综合适用性和可靠性，最终选取VDVI植被指数提取试验小区冬小麦长势信息。

2.2 冬小麦氮素反演模型

2.2.1 相关性分析

基于无人机数码影像可见光波段信息（RGB），参照现有的数码影像变量研究成果及氮素与可见光波段植被指数之间的关系，选取了22个数码变量加上原始RGB三通道，共25个数码变量。针对3种不同采样方法，分别分析数码影像变量与冬小麦氮含量之间的相关性。以冬小麦挑旗期为例，按整块分割处理后的影像处理结果显示，相关系数大于0.6的有17个数码影像变量。其中相关系数最高为归一化红光指数，其2=0.804。按部分分割处理后的影像处理结果显示，相关系数大于0.6的有16个。其中相关性最高的变量为−，其2=0.813。按VDVI植被指数分割处理后的结果显示，相关系数大于0.6的有15个。相关性最高的变量为−，其2=0.799。可以看出，相关系数较高的变量与绿度值没有直接关系，因此氮素可能与数码影像的色彩特征具有较强的相关关系。不同数码变量与冬小麦挑旗期氮素含量的相关系数如图4所示，颜色越深则代表两变量之间的相关性越强。

图4 不同数码影像变量与冬小麦挑旗期氮素含量的相关系数

参考相关性系数检验临界值表进行变量的显著性检，当自由度为26时，且相关系数绝对值大于0.479时，即可达到0.01显著性水平。从冬小麦氮素含量与数码影像变量相关系数图中可以看出，达到0.01显著性水平的数码变量，整块分割处理结果有18个，部分分割处理结果有19个，植被指数VDVI分割处理结果有16个。从结果上看，数码影像变量与冬小麦氮素具有较高的相关性，证明了冬小麦氮素反演模型构建的可行性。因此每个方法选择10个相关性较高的敏感波段参与后续的建模研究。

2.2.2 主成分分析

由于各数码影像变量之间也具有较强的相关性，需要将不同变量之间的相关性降低，同时利用较少的公共因子的线性组合，及特定的因子之和来表达原有的所有变量，以达到合理的解释原始变量间的相关性和简化变量维数的目的。图5为主成分分析的各成分累计贡献率，利用主成分分析的方法可以有效地将高维数据将至低维，将原有的25个数码变量信息降至3个主成分变量，主成分累计贡献率可达到99%。

PCA法通过主成分分析，确定冬小麦数码影像变量主成分特征值和特征向量，根据主成分累计贡献率，选择关键主成分。通过计算各主成分得分，得到各个试验小区关键主成分的得分系数作为反演模型参数。当累计贡献率达到90%以上时，即证明此时生成的主成分分量已经可以表示绝大部分的原始数据信息，因此将整体、部分和植被指数数码信息主成分处理结果进行统计，皆选取3个主成分因子作为最终结果。以冬小麦挑旗期为例，各主成分特征向量及累计贡献率如表2所示。

图5 主成分分析的各成分累计贡献率

2.2.3 氮含量反演

由于遥感技术通常采用垂直观测模式，地表植被冠层叶片对可见光波段波谱信息贡献率处于绝对优势，因此在对作物氮素含量进行遥感监测的过程中，通常仅获取作物上层叶片光谱信息，未能对作物中下层氮素含量进行遥感反演监测。因此本研究借助冬小麦无人机数码影像，讨论从中提取出的数码影像信息与冬小麦不同组分间氮含量分布差异的相关性，借助多元线性回归的方法对3种影像处理结果进行分析汇总。冬小麦氮素主要由叶氮、茎氮组成，而传统的氮素检测只考虑植株整体氮含量，因此以筛选出的数码影像变量与冬小麦叶氮、茎氮和植株氮含量分别构建反演模型，探究冬小麦各组分氮素与数码影像变量之间的关系。

表2 主成分特征向量及总方差解释

筛选相关性较高的数码影像变量及其主成分分析结果与冬小麦叶氮、茎氮和植株氮含量进行多元线性回归，构建冬小麦氮素含量估算模型，并评价其精度。研究发现，只用相关性较高的数码影像变量进行建模时，模型的2较低，当加入影像变量主成分分析结果时，模型拟合效果较好以冬小麦开花期为例，构建的冬小麦氮素计算模型的2、RMSE和RMSE结果如图6所示，其他生育期处理过程与开花期一致。

注：图中“▲”代表模型的建模数据，“×”代表验证模型数据。建模及验证数据均采用多元线性回归方法构建模型。1表示建模模型，2表示验证模型。

Note:In the graph, “▲” represents the modeling data of the model, and “×” represents the validation model data. Modeling and validation data are constructed by multiple linear regression method.1is the modeling model and2is the verification model.

图6 不同影像分割方法下各器官氮素含量多元线性回归模型

Fig.6 Multivariate linear regression model of nitrogen content in organs with different image segmentation methods

利用筛选的数码影像变量采用多元线性回归构建冬小麦氮素估算遥感影像（图7）。图7b显示，冬小麦挑旗期整体氮素含量相对较高，冬小麦试验长势较为旺盛，在不同的水肥胁迫下，各个试验小区氮素差异在空间分布上得到呈现。从图7d得到，冬小麦开花期氮素含量相较于挑旗期氮素含量整体呈现下降趋势，这与本文图3冬小麦各生育期氮素含量变化基本吻合，在不同水肥胁迫条件下，各个试验小区差异逐渐凸显，可以直观的显示氮素含量空间分布的不同。图7f中可以得到，冬小麦灌浆期长势已经呈现衰败迹象，整体氮素含量空间分布差异与冬小麦开花期基本相同，也与图3氮素变化一致。总体而言，遥感监测图可以直观反映冬小麦氮素含量空间分布状况，为冬小麦精准氮素管理提供依据。

图7 冬小麦氮含量空间分布估算结果

3 讨 论

3.1 建模参数筛选

按照田间试验小区边界对试验小区进行划分，利用整体采集信息方式（图8b），提取试验小区整体平均DN值，包含了试验小区内所有的影像信息。此方法方便快捷，可以在短时间内获取田间信息，但是没有剔除土壤背景像素信息。第二种方式（图8c）综合考虑时间及运算效率，采用目视解译的方式，对田间大面积裸露背景进行手动剔除。此方法同样可以在短时间内获取作物影像信息，相比整体处理可以排除大部分土壤信息对反演模型的影响。但是会丢失部分作物信息，同时会残留部分土壤信息。第三种方法（图8d）利用植被指数的方式，提取试验小区植被边界。借助ENVI软件提取冬小麦试验小区植被指数，采用双峰直方图阈值法确定植被与土壤信息分离的最佳阈值，建立矢量文件（.evf），再将矢量文件转换成栅格文件（.shp），在ENVI中按掩膜裁剪的方式，将原始试验中的土壤信息进行剔除。

本研究使用高清数码影像自带的RGB三个波段，即红光、绿光和蓝光波段为光谱上的3个信号通道，不同的数码相机型号虽然色域有所区别，但是所包含的波段信息基本一致。但是本研究未对不同相机型号的数码影像进行氮素反演研究，本研究方法是否对所有型号数码相机具有普适性，需要进一步验证。无人机飞行试验没有设置其他飞行高度，没有对不同分辨率的影像进行验证。但是在不同分辨率上，对数码影像的纹理特征影响较大，但是对于数码影像的色彩特征影响较小。本研究主要是基于数码影像色彩空间特征对氮素进行反演建模研究，因此在不同分辨率下的数码影像对建模的精度影响较小。

图8 不同方法的分割影像信息

3.2 反演模型精度

图6中显示，利用无人机数码影像反演冬小麦氮含量估算值与实测数据具有较高的拟合精度。构建验证模型时，在第3个重复试验田中，由于施水量不足以及人为因素如汽车碾压，机器碾压，人工践踏等，使得试验小区实际生长状况严重偏离预设试验方案，因此在验证模型中，将第3个重复试验田中的4个试验小区(雨养)进行剔除处理。利用3种信息提取方法分别构建的反演模型效果为整体处理>部分处理>植被指数处理。如对冬小麦叶氮含量反演模型，整体信息提取对冬小麦叶氮含量构建模型的2、RMSE和nRMSE分别为0.76、0.217和5.63%，验证模型的2、RMSE和nRMSE分别为0.85、0.235和6.1%，比部分信息提取反演验证模型精度高0.14、0.068和1.77个百分点，比VDVI分割提取反演验证模型精度高0.43、0.141和3.67个百分点。根据冬小麦不同组分氮含量反演模型精度验证结果，氮素估测反演模型效果叶氮>植株氮>茎氮。如利用整体分割提取处理冬小麦叶氮含量反演验证模型的决定系数，比植株氮含量反演模型决定系数高0.04、比茎氮含量反演模型高0.05。整体信息提取可以将田间所有作物信息进行提取分析，对比部分信息提取以及VDVI边界分割的方法，在数据量的保持以及数据丰度上都比较好，因此构建的反演模型精度较高。采用VDVI提取植被边界构建的反演模型，茎氮>植株氮>叶氮，分析其原因，可能是由于田间冬小麦冠层之下的叶片，没有被太阳光直射，而导致叶片有大面积黑色阴影，被错误当做土壤背景剔除，试验小区内部冬小麦叶片信息丢失严重，样本信息丰度不足，进而使得叶氮含量反演效果较差。植株氮计算公式中，存在叶氮成分，因此也影响了植株氮的反演精度。在建模方法选择上，本文尝试采用了多种方法，如支持向量机（SVM）、随机森林模型（RF）以及BP神经网络等机器去学习的方法，但由于样本总量太少，导致训练的样本集数据过少，其所构建的模型无法满足精度要求。同时鉴于简单反演模型而言，排除数据偶然性等因素，本文所构建的模型在稳定性上要优于单线性反演模型。

综上所述，利用无人机数码影像，可以较好的对冬小麦氮素含量进行估算，其中采用整体分割提取方法构建的冬小麦叶片氮含量反演模型效果最好。后续可以考虑利用其他的植被指数提取试验小区边界，或考虑计算机视觉原理对原始数据进行作物信息提取，继而构建冬小麦氮素估测模型，讨论其与传统方法的差异。

4 结 论

基于无人机数码影像的氮素检测方法，从可见光波段植被指数中筛选与冬小麦氮素含量相关性较高的指数作为数码影像变量，同时结合数码影像变量主成分分析结果，利用多元线性回归构建冬小麦氮素含量估测模型，可以准确快速的监测冬小麦氮素含量空间分布，结果表明：

1）利用整体信息提取方法构建的冬小麦氮素含量反演模型精度最高，效果最好。可以最大限度的保留影像光谱的原始信息，利用无人机搭载高清数码相机可以快速无损的监测冬小麦不同生育期氮素含量，能够对冬小麦氮素含量精确估测，为大田生产条件下，冬小麦水肥决策管理提供精准信息，具有一定的实用价值。

2）冬小麦不同器官氮素含量的反演效果不同。冬小麦叶氮的反演效果最好，以冬小麦开花期叶片氮含量为例，在整体处理下建模模型的决定系数、均方根误差和归一化均方根误差分别为0.76、0.217和5.63%，验证模型分别为0.85、0.235和6.1%；部分处理下建模模型为0.778、0.210和5.46%，验证模型为0.713、0.303和7.87%；VDVI分割处理下建模模型为0.816、0.192和4.97%，验证模型为0.427、0.376和9.77%

[1] 高林，杨贵军，李红军，等. 基于无人机数码影像的冬小麦叶面积指数探测研究[J]. 中国生态农业学报，2016，24(9)：1254－1264.

Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254－1265. (in Chinese with English abstract)

[2] Liu W, Chang Q R, Guo M, et al. Monitoring of leaf nitrogen content in summer corn with first derivative of spectrum based on modified red edge[J]. Journal of Northwest A&F University, 2010, 38(4):91－98.

[3] Bélanger G, Gastal F, Warembourg F R. The effects of nitrogen fertilization and the growing season on carbon partitioning in a sward of tall fescue (Festuca arundinacea Schreb)[J]. Annals of Botany, 1992, 70(3): 239－244.

[4] Zhao D, Reddy K R, Kakani V G, et al. Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum[J]. European Journal of Agronomy, 2005, 22(4):391－403.

[5] 赵士诚，何萍，仇少君，等. 相对SPAD值用于不同品种夏玉米氮肥管理的研究[J]. 植物营养与肥料学报，2011，17(5)：1091－1098.

Zhao Shicheng, He Ping, Qiu Shaojun, et al. Application of relative SPAD values for nitrogen fertilizer management of different cultivars of summer maize[J]. Plant Nutrition and Fertilizer Science, 2011, 17(5): 1091－1098. (in Chinese with English abstract)

[6] 张福锁，王激清，张卫峰，等. 中国主要粮食作物肥料利用率现状与提高途径[J]. 土壤学报，2008, 45(5)：915－924.

Zhang Fusuo, Wang Jiqing, Zhang Weifeng, et al. Nutrient use efficiencies of major cereal crops in China and measures for improvement[J]. Acta Pedologica Sinica, 2008, 45(5): 915－924. (in Chinese with English abstract)

[7] Cui Z, Zhang F, Chen X, et al. In-season nitrogen management strategy for winter wheat: Maximizing yields, minimizing environmental impact in an over-fertilization context[J]. Field Crops Research, 2010, 116(1/2): 140－146.

[8] 李振海，王纪华，贺鹏，等. 基于Dualex氮平衡指数测量仪的作物叶绿素含量估算模型[J]. 农业工程学报，2015，31(21)：191－197.

Li Zhenhai, Wang Jihua, He Peng, et al. Modelling of crop chlorophyll content based on Dualex[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 191－197. (in Chinese with English abstract)

[9] Yu Huan, Wu Huasong, Wang Z J. Evaluation of SPAD and dualex for in-season corn nitrogen status estimation[J]. Acta Agronomica Sinica, 2010, 36(5): 840－847.

[10] 周小生. 茶树氮素营养的快速诊断及其相关的生理生化指标的研究[D]. 合肥：安徽农业大学，2012.

Zhou Xiaosheng. Stydy on rapid diagnosis and physiology and biochemistry indexes of nitrogen nutrition in tea plants()[D]. Hefei: Anhui province, Anhui University of Science and Technology, 2012. (in Chinese with English abstract)

[11] Ali A M, Thind H S. A framework for refining nitrogen management in dry direct-seeded rice using GreenSeeker optical sensor[J]. Computers & Electronics in Agriculture, 2015, 110(C): 114－120.

[12] Cao Q, Miao Y, Wang H, et al. Non-destructive estimation of rice plant nitrogen status with crop circle multispectral active canopy sensor[J]. Field Crops Research, 2013, 154(3): 133－144.

[13] 李强，罗延宏，余东海，等. 低氮胁迫对耐低氮玉米品种苗期光合及叶绿素荧光特性的影响[J]. 植物营养与肥料学报，2015，21(5)：1132－1141.

Li Qiang, Luo Yanhong, Yu Donghai, et al. Effects of low nitrogen stress on photosynthetic characteristics and chlorophyll fluorescence parameters of maize cultivars tolerant to low nitrogen stress at the seeding stage[J]. Plant Nutrition and Fertilizer Science, 2015, 21(5): 1132－1141. (in Chinese with English abstract)

[14] Mao W, Wang Y, Wang Y. Real-time Detection of Between-row Weeds Using Machine Vision[C]//2003, Las Vegas, NV July 27-30, 2003. DOI: 10.13031/2013.15381

[15] 赵虎，杨正伟，李霖，等. 作物长势遥感监测指标的改进与比较分析[J]. 农业工程学报，2011，27(1)：243－249.

Zhao Hu, Yang Zhengwei, Li Lin, et al. Improvement and comparative analysis of indices of crop growth condition monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 243－249. (in Chinese with English abstract)

[16] 牛亚晓，张立元，韩文霆，等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法[J]. 农业机械学报，2018，49(4)：212－221.

Niu Yaxiao, Zhang Liyuan, Han Wenting, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212－221. (in Chinese with English abstract)

[17] 韩文霆，李广，苑梦婵，等. 基于无人机遥感技术的玉米种植信息提取方法研究[J]. 农业机械学报，2017，48(1)：139－147.

Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sensing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 139－147. (in Chinese with English abstract)

[18] Nguyen H T, Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy, 2006, 24(4): 349－356.

[19] Li Y, Chen D, Walker C N, et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research, 2010, 118(3): 221－227.

[20] Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[21] 刘勇. 基于无人机平台的小麦冠层叶片氮素营养监测研究[D].南京：南京农业大学，2016.

Liu Yong. Monitoring Canopy Leaf Nitrogen Status Based on Unmanned Aerial Vehicle Platform in Wheat[D]. Nanjing: Agricultural University of Nanjing, 2016. (in Chinese with English abstract)

[22] Tian Y C, Gu K J, Xu C, et al. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]. Plant and Soil, 2014, 376(1/2): 193－209.

[23] 李长春，牛庆林，杨贵军，等. 基于无人机数码影像的大豆育种材料叶面积指数估测[J]. 农业机械学报，2017，48(8)：147－158.

Li Changchun, Niu Qingling, Yang Guijun, et al. Estimation of leaf area index of soybean breeding materials based on UAV digital images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 147－158. (in Chinese with English abstract)

[24] 田明璐，班松涛，常庆瑞，等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 农业机械学报，2016，47(11)：285－293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285－293. (in Chinese with English abstract)

[25] 肖武，陈佳乐，笪宏志，等. 基于无人机影像的采煤沉陷区玉米生物量反演与分析[J]. 农业机械学报, 2018, 49(8)：176－187.

Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery, 49(8): 176－187. (in Chinese with English abstract)

[26] 裴浩杰，冯海宽，李长春，等. 基于综合指标的冬小麦长势无人机遥感监测[J]. 农业工程学报，2017，33(20)：74－82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20):74－82. (in Chinese with English abstract)

[27] Schirrmann M, Giebel A, Gleiniger F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016, 8(9): 706.

[28] 李冰，刘镕源，刘素红，等. 基于低空无人机遥感的冬小麦覆盖度变化检测[J]. 农业工程学报，2012，28(13)：160－165.

Li Bing, Liu Rongyuan, Liu Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(13):160－165. (in Chinese with English abstract)

[29] Roosjen P P J, Brede B, Suomalainen J M, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data–potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation & Geoinformation, 2018, 66: 14－26.

[30] 中国标准出版社第一室. 中国农业标准汇编. 土壤和肥料卷[S]. 北京：中国标准出版社，2010.

[31] Gamon J A, Surfus J S. Assessing leaf pigment content and activity with a reflectometer[J]. New Phytologist, 1999, 143(1): 105－117.

[32] Kawashima S, Nakatani M. An algorithm for estimating chlorophyll content in leaves using a video Camera[J]. Annals of Botany, 1998, 81(1): 49－54.

[33] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 39: 79－87.

[34] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[35] Mounir L, Borman M, Johnson D. Spatially Located Platform and Aerial Photography for Documentation of Grazing Impacts on Wheat[J]. Geocarto International, 2001, 16(1): 65－70.

[36] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282－293.

[37] Woebbecke D, Meyer G, Von Bargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259－269.

[38] Kataoka T, Kaneko T, Okamoto H, et al. Crop growth estimation system using machine vision[C]//Proceedings 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003). IEEE, 2003.

[39] Gitelson A A, Viña A,Arkebauer T J, et al. Remote estimation of leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters, 2003, 30(30): 335－343.

[40] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 7(39): 79－87.

[41] 苏键，陈军，何洁. 主成分分析法及其应用[J]. 轻工科技，2012(9)：12－13.

[42] 徐辉，潘萍，宁金魁，等. 多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用[J]. 东北林业大学学报，2018，46(1)：63－67.

Xu Hui, Pan Ping, Ning Jinkui, et al. Remote sensing estimation of forest aboveground biomass based on multiple linear regression and neutal network model[J]. Journal of Northeast Forestry University, 2018, 46(1): 63－67. (in Chinese with English abstract)

[43] Lu D, Chen Q, Wang G, et al. Aboveground forest biomass estimation with landsat and lidar data and uncertainty analysis of the estimates[J]. International Journal of Forestry Research, 2012(2): 1－16.

[44] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31(5)：152－159.

Wang Xiaoqian, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－159. (in Chinese with English abstract)

Retrieval of winter wheat nitrogen content based on UAV digital image

Liu Shuaibing1,2, Yang Guijun1,4※, Jing Haitao3,Feng Haikuan1,4, Li Heli1,4, Chen Peng1,3, Yang Wenpan1,3

(1.,,100097,; 2.,,430072; 3.,,454000,; 4.,100097,)

Accurate and rapid acquisition of nitrogen content of winter wheat in critical growth period plays an important role in decision-making of nitrogen fertilization in field. Using unmanned aerial vehicle (UAV) with digital camera, the growth information of winter wheat can be obtained in a short time, and the dynamic monitoring of nitrogen content of winter wheat can be realized. In this study, three thresholding segmentation methods were used to separate the field plant crops from the soil background based on the digital image of winter wheat UAV in Xiaotangshan, Beijing, in 2015. By comparing the timeliness and accuracy of image segmentation methods, the visible-band difference vegetation index (VDVI) was finally determined to extract vegetation information. According to the requirements of the experiment scheme, winter wheat was divided into 48 material plots by three repeated experiments under different nitrogen and water stress management. In order to increase the difference of crop nitrogen content in each experimental plot, two different varieties of wheat were planted, and different water and nitrogen supply were added at the same time. Each treatment scheme was repeated three times. A total of 48 experimental plots were designed. The planting area of each plot was 48 m². Draw lessons from construction method of hyperspectral vegetation Index, 25 vegetation indices were constructed according to the average DN (digital number) values of red, green and blue channels extracted from the plot boundary. The correlation analysis was used to screen the digital image variables between the constructed vegetation index and the nitrogen content of different components of winter wheat in each material plot. Because of the high coupling degree between vegetation indices, principal component analysis was used to reduce the dimension of original data and extract feature vectors to participate in modeling. Various factors affecting the selection of modeling parameters and modeling were discussed. The nitrogen retrieval model was established by multiple linear regression analysis, and the best model was selected by determining coefficient (2), root mean square error (RMSE) and normalized root mean square error (nRMSE) to explore the sensitivity of nitrogen content and digital variables. Using the model and UAV digital image, the retrieval image of winter wheat nitrogen was drawn, which visually display the spatial distribution of winter wheat nitrogen content. The results showed that the estimated value of winter wheat nitrogen content retrieved from UAV digital image had high fitting accuracy with the measured data. In terms of the accuracy of the inversion model, the three data processing results were integral segmentation > partial segmentation > segmentation by VDVI. The inversion effect of nitrogen content in different organs of winter wheat was different. Taking the flag-flying period of winter wheat as an example, the2and nRMSE of the verification model of integral segmentation was 0.85 which was 0.14 and 0.43 higher than that of the partial segmentation and VDVI segmentation, RMSE and nRMSE of the verification model of integral segmentation was 0.235 and 6.1% respectively, which was 0.068 and 1.77 percentage points lower than those of the partial segmentation, 0.141 and 3.67 percentage points lower than those of VDVI segmentation, respectively. The results can provide reference for decision-making and management of water and fertilizer in winter wheat field.

UAV; nitrogen; winter wheat; principal component analysis; multiple linear regression

2018-08-27

2019-05-06

国家重点研发计划（2016YFD0300602）；国家自然科学基金（41471351，41601346）；北京市自然科学基金（6182011）；北京市农林科学院科技创新能力建设项目（KJCX20170423）

刘帅兵，博士，助理研究员，主要从事农业定量遥感。Email：463543329@qq.com

杨贵军，博士，研究员，主要从事定量遥感机理及应用研究。Email：yanggj@nercita.org.cn

10.11975/j.issn.1002-6819.2019.11.009

TP75

A

1002-6819(2019)-11-0075-11

刘帅兵，杨贵军，景海涛，冯海宽，李贺丽，陈 鹏，杨文攀. 基于无人机数码影像的冬小麦氮含量反演[J]. 农业工程学报，2019，35(11)：75－85. doi：10.11975/j.issn.1002-6819.2019.11.009 http://www.tcsae.org

Liu Shuaibing, Yang Guijun, Jing Haitao, Feng Haikuan, Li Heli, Chen Peng, Yang Wenpan. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75－85. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.11.009 http://www.tcsae.org