第8营臀 来描，点杰普新 监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数 姚霞，朱艳，冯伟，田永超，曹卫星 南京农业大学江苏省信息农业高技术研究重点实验室，江苏南京210095 摘要实时、快速、无损监测作物氮素状况对于精确氮肥管理具有重要意义。传统的氮素估测方法在时间 或空间上难以满足要求，新兴的高光谱遥感技术为作物氮素监测提供了有效手段和技术途径，本研究的目 的是基于三个田间试脸的系统观测资料，探素可用于小麦叶片氮素监测的新的高光谱敏感波段及比值指数。 利用减量精细果样法，系统构建了350~2500nm范围内所有两两波段形成的比值光谱指数RS1I((ratio spee tral index),综合分析了小麦叶片氮积累量LNA(eaf nitrogen accumulation)(gN·m)与RSI的定量关系 发现了监测叶片氮积累量的新高光谱特征波段(990,720)和光谱指数RSI(990,720),建立了相应的监测模 型y=5095x-6040,模型的决定系数()为Q814.利用独立试验资料检验模型，决定系数(R)为 Q847,相对根均方差(RRMS曰为2470%，表明模型预测值与观黎值之间的符合度较高。因此，利用高光 谱比值指数RS1(990,720)来估算小麦叶片氮积累量是精确可行的。该结果为便携式小麦氮素监测仪的研制 开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。 关键词小麦，叶片；氮积累量，最佳波段，比值植被指数，监测模型 中图分类号：TP79文献标识码：AD01:103964/iis5n1000-0593(2009)082191-05 立解释性和适用性兼备的作物氨素营养监测模型。本研究利 引言 用减量精细采样法，系统构建350~2500nm高光谱范围内 所有可能波段形成的RSL,综合分析小麦叶片氮积累量与冠 小麦是主要的粮食作物之一，小麦植株氮素营养指标的 层RSI的定量关系，以期确立估算叶片氨积累量的新高光诺 无损监测对于农业生产的精确管理和节氮栽培具有重要作 特征波段、RSI及监测模型，为遥感技术在小麦氯素营养监 用川，叶片氨积累量概反映植株个体叶片氨含量的信总，又 测与诊新中的应用提供理论依据和技术支持。 包含植被群体盖度特征。因此，实时、准确获取小麦冠层氮 积累量成为小麦群体长势诊断及氨素精确管理的关健技 1材料和方法 术到。人们常采用构造光谱参数、导数方法、三边参数或者 采用最小二乘法等的手段来消除背景噪音，以提高光谱信息 11试验设计 的利用能力.然而，有些光诺参数构造复杂，计算冗繁 本研究共进行了3个田间试验，涉及到不同年份、不同 难以方便地应用于农业通感实践，而比值植被指数RV1构造 品种类型和不同施氮水平，具体试验设计描述如下。 简单，计算方便，且能有效降低土壤背景和环境噪音，己厂 试验1(EXP1):2005~2006年在江苏省南京市农林后 泛应用于植被光谱分析研究1。但由于分析方法的限制 试验站（南京市江宁区，11859E,3引56'N)进行。供试品 迄今还难以系统解析高光谱数据350~2500nm范围内的所 种为宁麦9号（低蛋白含量，约10%，记作N9),豫麦34（高 有可能比值光谱指数，这就有可能导致某些反映植被 蛋白含量，约15%，记作34)。前茬水稻田，土壤有机质 生化组分的特征波段尚未被充分挖掘和利用。 1.43%,全氮011%，速效氨625mgkg,速效磷1036 因此，有必要采用更全面和精细的高光谱采样与分析方 mgkg',速效钾82.5mgkg'.试验设4个施氮水平 法，探索发现新的敏感波段及比值光谱指数(RS),从而建 分别为0(N0).90(N).180(N2)和270(N3)kg·hm2纯 作者简介：姚霞，女.1977年生.南京农业大学江苏省信息农业高技术研究重点实验室讲师 email yaox @njau edu cn “通讯联系人 email caow niau edu cn 1094-2010 hina Ac Joural Electronic Publishing House.All rights http://www.cnki.ne
第 2 9卷 ,第8期 光 谱 学 与 光 谱 分 析 Vol129 ,No1 8 ,pp219122195 2 0 0 9 年 8 月 Spectroscopy and Spectral Analysis August , 2009 监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数 姚 霞 , 朱 艳 , 冯 伟 , 田永超 , 曹卫星3 南京农业大学江苏省信息农业高技术研究重点实验室 , 江苏 南京 210095 摘 要 实时、快速、无损监测作物氮素状况对于精确氮肥管理具有重要意义。传统的氮素估测方法在时间 或空间上难以满足要求 , 新兴的高光谱遥感技术为作物氮素监测提供了有效手段和技术途径。本研究的目 的是基于三个田间试验的系统观测资料 , 探索可用于小麦叶片氮素监测的新的高光谱敏感波段及比值指数。 利用减量精细采样法 , 系统构建了 350～2 500 nm 范围内所有两两波段形成的比值光谱指数 RSI(ratio spec2 tral index) , 综合分析了小麦叶片氮积累量 LNA (leaf nitrogen accumulation) (g N ·m - 2 ) 与 RSI 的定量关系 , 发现了监测叶片氮积累量的新高光谱特征波段(990 , 720)和光谱指数 RSI(990 , 720) , 建立了相应的监测模 型 y = 51095 x - 61040 , 模型的决定系数 ( R 2 ) 为 01814。利用独立试验资料检验模型 , 决定系数 ( R 2 ) 为 01847 , 相对根均方差(RRMSE) 为 24170 % , 表明模型预测值与观察值之间的符合度较高。因此 , 利用高光 谱比值指数 RSI(990 , 720) 来估算小麦叶片氮积累量是精确可行的。该结果为便携式小麦氮素监测仪的研制 开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。 关键词 小麦 ; 叶片 ; 氮积累量 ; 最佳波段 ; 比值植被指数 ; 监测模型 中图分类号 : TP79 文献标识码 : A DOI: 1013964/ j1issn1100020593 (2009) 0822191205 收稿日期 : 2008205226 , 修订日期 : 2008208229 基金项目 : 教育部新世纪优秀人才支持计划项目 ( NCET20820797) , 国家自然科学 基金项目 ( 30671215 ) , 国家“863”计划项目 (2006AA10Z202) 和国家科技支撑计划项目(2008BADA4B02) 资助 作者简介 : 姚 霞 , 女 , 1977 年生 , 南京农业大学江苏省信息农业高技术研究重点实验室讲师 e2mail :yaox @njau1edu1cn 3 通讯联系人 e2mail : caow @njau1edu1cn 引 言 小麦是主要的粮食作物之一 , 小麦植株氮素营养指标的 无损监测对于农业生产的精确管理和节氮栽培具有重要作 用[1 ] 。叶片氮积累量既反映植株个体叶片氮含量的信息 , 又 包含植被群体盖度特征。因此 , 实时、准确获取小麦冠层氮 积累量成为小麦群体长势诊断及氮素精确管理的关键技 术[2 ] 。人们常采用构造光谱参数、导数方法、三边参数或者 采用最小二乘法等的手段来消除背景噪音 , 以提高光谱信息 的利用能力[228 ] 。然而 , 有些光谱参数构造复杂 , 计算冗繁 , 难以方便地应用于农业遥感实践 , 而比值植被指数 RVI 构造 简单 , 计算方便 , 且能有效降低土壤背景和环境噪音 , 已广 泛应用于植被光谱分析研究[9213 ] 。但由于分析方法的限制 , 迄今还难以系统解析高光谱数据 350～2 500 nm 范围内的所 有可能比值光谱指数[14 , 15 ] , 这就有可能导致某些反映植被 生化组分的特征波段尚未被充分挖掘和利用。 因此 , 有必要采用更全面和精细的高光谱采样与分析方 法 , 探索发现新的敏感波段及比值光谱指数 (RSI) , 从而建 立解释性和适用性兼备的作物氮素营养监测模型。本研究利 用减量精细采样法 , 系统构建 350～2 500 nm 高光谱范围内 所有可能波段形成的 RSI , 综合分析小麦叶片氮积累量与冠 层 RSI 的定量关系 , 以期确立估算叶片氮积累量的新高光谱 特征波段、RSI 及监测模型 , 为遥感技术在小麦氮素营养监 测与诊断中的应用提供理论依据和技术支持。 1 材料和方法 111 试验设计 本研究共进行了 3 个田间试验 , 涉及到不同年份、不同 品种类型和不同施氮水平 , 具体试验设计描述如下。 试验 1 ( EXP11) : 2005～2006 年在江苏省南京市农林局 试验站 (南京市江宁区 , 118°59′E , 31°56′N) 进行。供试品 种为宁麦 9 号(低蛋白含量 , 约 10 % , 记作 N9) , 豫麦 34 (高 蛋白含量 , 约 15 % , 记作 Y34) 。前茬水稻田 , 土壤有机质 1143 % , 全氮 0111 % , 速效氮 6215 mg ·kg - 1 , 速效磷 10136 mg ·kg - 1 , 速效钾 8215 mg ·kg - 1 。试验设 4 个施氮水平 , 分别为 0 (N0) , 90 (N1) , 180 (N2) 和 270 (N3) kg ·hm - 2 纯
2192 光谱学与光谱分析 第29卷 氮，其中50%用作基肥，50%为拔节期追肥。各处理配施 氮含量LNC(%)叶片干物重LDW(gDW·oilm).通 150kg·hm2Pz0s和210kghm2K0,磷钾肥全部用作 过不同叶位叶片重量知权求得所有绿色叶片中氮素含量，进 基肥。试验为随机区组排列，3次重复，小区面积555 而计算出单位土地面积叶片氮素积累量。 27.5m2,基本苗1.8×10的.hm2,行距25cm。其他栽培管 L.4比值植被指数(SD的构建 理措施同一般高产麦田。田间光谱测试和采样日期分别为： 由于在3502500nm的全光谱范围内以矩阵联立的 3/30(拔节期)、411（孕穗期）、4/20（抽穗期）、4/29（开花 形式，组建所有可能两两波段形成的比值光谱指数，其内 期)、5/6（花后8d,记作8DAA)、519、524、62.该试验 超出了传统比值植被指数的定义，为此本研究给出一个更具 资料用于建立监测模型」 普适性和描述性的比值光谱指数，简称为RSI((ratio spectral 试验2(EXP2):2004~2005年在江苏省农科院（南京 index) 市孝陵卫，11878'E,3204'N进行.供试品种为宁麦9号 比值光谱指数的一般公式形式为：RSI(1,.W=R( 扬麦12号（中蛋白含量，约125%，记作Y12),豫麦34.前 W/R,m;其中，RSI(1,m为由R,和R,W构建 水稻田十右机团2.09%全氨018% 的一个比值光谱指数：R.四和R 分别为任意两个波 15020mg k1速放砖140.03m 速效钾 长的反射率的范围350一2500 的范围350一2500 113A ,试验设4个施氨水 分别为0(N0)、75 (N)、150N2)和225N3)。 纯 其中50%用作 15减量精细采样法的设计与实现 基肥，50%为拔节期追肥。各处理配施80 kg 针对本研究中的海量高光请数 ,采取降采样法和精 次 为随机区组 采样法相融合 减量精红 样 、而实现资料 h 51 15 行距25cm.其他栽培管理指施同 般高产麦田 采用降采样方法 田间光谱测试和采样日期分别为：3/19（拔节期）、4/13（孕穗 ,即在350~2 500nm范围内每 期)、4/26（开花期 、5/6、5引12、5/20,5/246/1.该试验资 食技 10nm) ,采用矩阵的 料用于建立监测模型 ，将两两组合的所有可能 波段构建的植被指数与小麦氮衫 试验3(EXP.3)：于2003年2004年在江苏省农业料 累量拟合方程（包括直线方程、指数方程和幂函数方程）， 学院进行，供试小麦品种为宁麦9号、扬麦10（中蛋白含量 算相应的决定系数，绘制浓度决定系数()图（颜色从蓝色 约130%，记作Y10)、淮麦20（中蛋白质含量，约12%，记 到红色表示决定系数由小到大，同种颜色浓度越深表示决 作H20)和徐州26（高蛋白质含量，约15%，记作X26).前 系数越大)，确定决定系数最大的波段范围。然后，采用精细 茬水稻田，土填有机质0.96%.全氢010%.速效破4029 采样法，逐个波段（波段间隔=1m)读取光谱反射率数据 mg·kg”1,速效钾10278mg·kg1。设5个施氮水平，分 两两组合构建所有可能的比值光谱指数，与小麦氨积累量拟 别为075150225和300kahm·2绅氯其中60%作基 合方程，基于决定系数(R)和标准误差(S及光谐学原理 肥.拔节肥和穗肥各占20%。各处理配施P0s150ke 确立最佳特征波段和相应的比值植被指数。其中，植被指数 hm2和KO112.5kehm2全部用作基肥。小区面积为4 阵的构建、决定系数的计算与挂序、浓度图的绘制等工作 ×4162其本为1106 均在软件MA TLAB(The MathWorks.20O0)中通过自编程 为随机区组排列，3次重复。其他管理指施同高产大田裁培 字印 用间米试和买样日期分别为·发（及速期） 、419(开花 L.6模型的检验和测试 利用试验3济料对所箭洗建立的氢素监测模型讲行测试 和检验，采用通用的均方根差(RRMSE)1进行评定，并绘 制试验观察值与模型预测值之间的1：1关系图， 波段值为350 RRMSE 00 ,4nm,光谱分辨率 2500nm光谱采样间隔 2nm,光谐分率为10nm 。层 2结果与分析 光谱测定选择在天气晴朗、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 ,光语仪 21基于减量精细采样法的比值光谱指数（心）及监测模至 视场角为25，距冠层顶垂直高度约10m,地而视场范围直 基于上述方法，首先利用降采样法，获得全波段范围内 径为044m。以20个光语为一采样光语，每个小区观测点 所有RS1与叶片氮积累量直线方程、幂函数、指数函数的决 记录10个采样光谱，以其平均值作为该小区的光谱反射值， 定系数浓度图，分别确定敏感波段范围·结果发现，敏感波 1.3叶片氮积累量测定 段范围主要位于可见光区和近红外区·其敏感波段分别为 将所获取的植株上部4张绿色叶片样品分别烘干和粉碎 (560~730nm)和(9001020nm)(图1)、(375~730nm)和 后，用半微量凯氏定氮法测定叶片全氮浓度，以单位叶片干 (7101200nm)(图略)、(500-600nm)和(7501050nm) 重的百分数表示。叶片氨素积累量LNA(gN·m2)=叶片 (图略)，然后，采用精细采样方法，发现由990和720m为 2001a ronic Publishing Hous All nights
氮 , 其中 50 %用作基肥 , 50 %为拔节期追肥。各处理配施 150 kg ·hm - 2 P2O5 和 210 kg ·hm - 2 K2O , 磷钾肥全部用作 基肥。试验为随机区组排列 , 3 次重复 , 小区面积 5 ×515 = 2715 m 2 , 基本苗 118 ×10 6 1 hm - 2 , 行距 25 cm。其他栽培管 理措施同一般高产麦田。田间光谱测试和采样日期分别为 : 3/ 30 (拔节期) 、4/ 11 (孕穗期) 、4/ 20 (抽穗期) 、4/ 29 (开花 期) 、5/ 6 (花后 8 d , 记作 8DAA) 、5/ 19、5/ 24、6/ 2。该试验 资料用于建立监测模型。 试验 2 ( EXP12) : 2004～2005 年在江苏省农科院 (南京 市孝陵卫 , 118°78′E , 32°04′N) 进行。供试品种为宁麦 9 号 , 扬麦 12 号(中蛋白含量 , 约 1215 % , 记作 Y12) , 豫麦 34。前 茬水稻 田 , 土 壤 有 机质 2109 % , 全 氮 0118 % , 速 效 氮 150120 mg ·kg - 1 , 速 效 磷 140103 mg ·kg - 1 , 速 效 钾 113150 mg ·kg - 1 。试验设 4 个施氮水平 , 分别为 0 (N0) 、75 (N1) 、150 (N2) 和 225 (N3) kg ·hm - 2纯氮 , 其中 50 %用作 基肥 , 50 %为拔节期追肥。各处理配施 80 kg ·hm - 2 P2O5 和 150 kg ·hm - 2 K2O , 磷钾肥全部用作基肥。试验为随机区组 排列 , 3 次重复 , 小区面积 4 ×415 = 18 m 2 , 基本苗 115 ×10 6 ·hm - 2 , 行距 25 cm。其他栽培管理措施同一般高产麦田。 田间光谱测试和采样日期分别为 : 3/ 19 (拔节期) 、4/ 13 (孕穗 期) 、4/ 26 (开花期) 、5/ 6、5/ 12、5/ 20、5/ 24、6/ 1。该试验资 料用于建立监测模型。 试验 3 ( EXP13) : 于 2003 年～2004 年在江苏省农业科 学院进行。供试小麦品种为宁麦 9 号、扬麦 10 (中蛋白含量 , 约 1310 % , 记作 Y10) 、淮麦 20 (中蛋白质含量 , 约 12 % , 记 作 H20) 和徐州 26 (高蛋白质含量 , 约 15 % , 记作 X26) 。前 茬水稻田 , 土壤有机质 0196 % , 全氮 0110 % , 速效磷 40129 mg ·kg - 1 , 速效钾 102178 mg ·kg - 1 。设 5 个施氮水平 , 分 别为 0 , 75 , 150 , 225 和 300 kg ·hm - 2纯氮 , 其中 60 %作基 肥 , 拔节肥和孕穗肥各占 20 %。各处理配施 P2O5 150 kg · hm - 2和 K2O 11215 kg ·hm - 2 , 全部用作基肥。小区面积为 4 ×4 = 16 m 2 , 基本苗为 118 ×10 6 ·hm - 2 , 行距 25 cm。试验 为随机区组排列 , 3 次重复。其他管理措施同高产大田栽培。 田间光谱测试和采样日期分别为 : 4/ 8 (孕穗期) 、4/ 19 (开花 期) 、5/ 4。该试验资料用于测试监测模型。 112 高光谱信息获取 小麦冠层高光谱测量采用美国 analytical spectral device (ASD) 公司生产的 FieldSpec Pro FR2500 型背挂式野外高光 谱辐射仪(ASD) 。波段值为 350～2 500 nm , 其中 350～1 000 nm 光谱采样间隔为 114 nm , 光谱分辨率为 3 nm ; 1 000～ 2 500 nm 光谱采样间隔为 2 nm , 光谱分辨率为 10 nm。冠层 光谱测定选择在天气晴朗、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 , 光谱仪 视场角为 25°, 距冠层顶垂直高度约 110 m , 地面视场范围直 径为 0144 m。以 20 个光谱为一采样光谱 , 每个小区观测点 记录 10 个采样光谱 , 以其平均值作为该小区的光谱反射值。 113 叶片氮积累量测定 将所获取的植株上部 4 张绿色叶片样品分别烘干和粉碎 后 , 用半微量凯氏定氮法测定叶片全氮浓度 , 以单位叶片干 重的百分数表示。叶片氮素积累量 LNA (g N ·m - 2 ) = 叶片 氮含量 LNC( %) ×叶片干物重 LDW(g DW ·soil m - 2 ) 。通 过不同叶位叶片重量加权求得所有绿色叶片中氮素含量 , 进 而计算出单位土地面积叶片氮素积累量。 114 比值植被指数( RSI)的构建 由于在 350～2 500 nm 的全光谱范围内 , 以矩阵联立的 形式 , 组建所有可能两两波段形成的比值光谱指数 , 其内涵 超出了传统比值植被指数的定义 , 为此本研究给出一个更具 普适性和描述性的比值光谱指数 , 简称为 RSI(ratio spectral index) 。 比值光谱指数的一般公式形式为 : RSI( i , j , n) = R ( i , n) / R( j , n) ; 其中 , RSI(i , j , n) 为由 R( i , n) 和 R( j , n) 构建 的一个比值光谱指数; R( i , n) 和 R( j , n) 分别为任意两个波 长的反射率 , i 的范围 350～2 500 nm , j 的范围 350～2 500 nm。 115 减量精细采样法的设计与实现 针对本研究中的海量高光谱数据 , 采取降采样法和精细 采样法相融合 , 设计形成减量精细采样法 , 从而实现资料的 快速分析与特征提取。减量精细采样法的具体步骤可分成 2 个模块。首先 , 采用降采样方法构建估算小麦氮积累量的比 值光谱指数(RSI) , 即在 350～2 500 nm 范围内每隔 10 个波 段读取光谱反射率数据 (波段间隔 = 10 nm) , 采用矩阵的形 式 , 将两两组合的所有可能波段构建的植被指数与小麦氮积 累量拟合方程(包括直线方程、指数方程和幂函数方程) , 计 算相应的决定系数 , 绘制浓度决定系数 ( R 2 ) 图(颜色从蓝色 到红色表示决定系数由小到大 , 同种颜色浓度越深表示决定 系数越大) , 确定决定系数最大的波段范围。然后 , 采用精细 采样法 , 逐个波段(波段间隔 = 1 nm) 读取光谱反射率数据 , 两两组合构建所有可能的比值光谱指数 , 与小麦氮积累量拟 合方程 , 基于决定系数( R 2 ) 和标准误差 (SE) 及光谱学原理 , 确立最佳特征波段和相应的比值植被指数。其中 , 植被指数 矩阵的构建、决定系数的计算与排序、浓度图的绘制等工作 均在软件 MA TLAB ( The MathWorks , 2000) 中通过自编程 序实现。 116 模型的检验和测试 利用试验 3 资料对所筛选建立的氮素监测模型进行测试 和检验 , 采用通用的均方根差 (RRMSE) [16 ] 进行评定 , 并绘 制试验观察值与模型预测值之间的 1 ∶1 关系图。 RRMSE = 1 n × ∑ n i =1 ( Pi - Oi) 2 × 100 Oi 2 结果与分析 211 基于减量精细采样法的比值光谱指数( RSI) 及监测模型 基于上述方法 , 首先利用降采样法 , 获得全波段范围内 所有 RSI 与叶片氮积累量直线方程、幂函数、指数函数的决 定系数浓度图 , 分别确定敏感波段范围。结果发现 , 敏感波 段范围主要位于可见光区和近红外区。其敏感波段分别为 : (560～730 nm) 和(900～1 020 nm) (图 1) 、(375～730 nm) 和 (710～1 200 nm) (图略) 、(500～600 nm) 和(750～1 050 nm) (图略) 。然后 , 采用精细采样方法 , 发现由 990 和 720 nm 为 2192 光谱学与光谱分析 第 29 卷
第8期 光谱学与光谱分析 2193 2070 260 Wavelength/nn Concentra hip between RSIand LNA (b):I nm band s 模型类型 光参数 日归方程 建立模型 验证模型 直线方程 RS1(990.720) =5.095x.6040 0.814 13047 0.8470· 34305 幂函数方程 R81(930.580) =0223xl4 0.872 1.2593 0.7340· 4696% RSI710,890 y2.32e3 0.891 1.2706 08220· 21.50% ·表示模型的预测值和观测值在Q01水平极显著相关 特征波段构成RS1拟合直线方程，具有较高的决定系数 型的表现（表），并作预测值和观察值的1：1关系图展示所 (081)和较低的标准误差(1.30)（图2）：基于930和580nm 选模型的可靠性和一致性（图3）。 的RS1能有效估测叶片氨积累量，决定系数()较大(0.87) 结果表明，除基于RSI(930,580)构建的模型表现偏弱 而标准误差(SE)较低(1.26)：基于710和890nm所构建的 外，其他叶片氮积累量估算模型总体表现均不错。其中，以 指数预测方程也具有较大的R(Q89)和较低的SE(1.27). RSI(990,720)为变量建立的叶片氮积累量监测模型测试表 1201 现最为可靠和准确（图3），这些结果表明，基于诚量精细采 样法建立的小麦氮素监测模型不仅简化可靠，而且灵活适 用，可为便携式氮素监测仪的研制开发及空间遥感信息的快 速提取提供关键波段选择。 72 20 48 2n 2.4 8海 0014198223030 S0.720) Fig 2 Qntitative relationship between LNA △i Rst().720) and RSI(990,720)in wheat 090141252306360 22基于S1的叶片氮积累量监测模型测试 5990.720 利用独立观测资料对所构建的3个叶片氢积嚣量监测模 Fig 3 The 1:1 relationship between the predicted 型进行了初步的检验，以R和RRMSE指标来综合考察模 and observed LNA in whea 19942010h1ia http://www.enki.ne
Fig11 Concentration map of coefficents of determination for linear relationship between RSI and L NA (a) : 10 nm band sampling interval at t he full wavelengt h of 35022 500 nm (b) : 1 nm band sampling interval at t he full wavelengt h of 90021 200 nm(X) and 5602730 nm( Y) Table 1 Quantitative relationship between L NA and RSI in wheat 模型类型 光谱参数 回归方程 建立模型 验证模型 R 2 SE R 2 RRMSE 直线方程 RSI(990 , 720) y = 51095 x - 61040 01814 11294 7 018470 3 3 24170 % 幂函数方程 RSI(930 , 580) y = 01223 x 11487 01872 11259 3 01734 0 3 3 46196 % 指数方程 RSI(710 , 890) y = 21132e - 5116 x 01891 11270 6 01822 0 3 3 27150 % 3 3 表示模型的预测值和观测值在 0101 水平极显著相关 特征波段构成 RSI 拟合直线方程 , 具有较高的决定系数 (0181) 和较低的标准误差(1130) (图 2) ; 基于 930 和 580 nm 的 RSI 能有效估测叶片氮积累量 , 决定系数( R 2 ) 较大(0187) 而标准误差(SE) 较低(1126) ; 基于 710 和 890 nm 所构建的 指数预测方程也具有较大的 R 2 (0189) 和较低的 SE(1127) 。 Fig12 Quantitative relationship between L NA and RSI( 990 , 720) in wheat 212 基于 RSI的叶片氮积累量监测模型测试 利用独立观测资料对所构建的 3 个叶片氮积累量监测模 型进行了初步的检验 , 以 R 2 和 RRMSE 指标来综合考察模 型的表现(表 1) , 并作预测值和观察值的 1 ∶1 关系图展示所 选模型的可靠性和一致性(图 3) 。 结果表明 , 除基于 RSI(930 , 580) 构建的模型表现偏弱 外 , 其他叶片氮积累量估算模型总体表现均不错。其中 , 以 RSI(990 , 720)为变量建立的叶片氮积累量监测模型测试表 现最为可靠和准确(图 3) 。这些结果表明 , 基于减量精细采 样法建立的小麦氮素监测模型不仅简化可靠 , 而且灵活适 用 , 可为便携式氮素监测仪的研制开发及空间遥感信息的快 速提取提供关键波段选择。 Fig13 The 1 ∶1 relationship between the predicted and observed L NA in wheat 第 8 期 光谱学与光谱分析 2193
2194 光谱学与光谱分析 第29卷 采样法的有效融合，形成新的减量精细采样法，采用矩阵的 3结论和讨论 形式，在自编Matlab程序下分析发现新的敏感波段，从而实 现了对高光谱信息的快速分析与特征提取。本方法全面系 (1)本文采用减量精细采样法，系统组建了所有两两波 统、简单易行，为高光谱的精细分析及波段探索提供了一种 段形成的RSI指数矩阵，发现了估算小麦叶片氨积累量的最 快捷、方便、科学的研究手段。 佳新高光谱特征波段(990,720)，创建了可靠适用的定量监 (3)对于小麦叶片的氮素监测，不同的植被指数可能有 测模型y=5095‘RSI(990,720)-6040,从而为便携式小麦 不同的监测范围，本研究中RVI(990,720)适用的小麦叶片 氮素监测仪的研制开发及空间遥感信息的分析提取提供了适 氮积累量范围为015~982gN·m2.今后，有必要采用 用可行的核心波段选择。 不同生态点的试验资料对所构建的检测模型进行更为广泛的 (2)本研究针对海量高光谱数据，通过降采样法和精细 测试与评价 参 考文献 【1】Stone ML,Soile」B,Raun W R.Transactions of the ASAE,1996,39:1623 [2 Hansen PM.SchioerringJ K.Remote Sensing of Environment 2003,:542. 【3】Zhang]H,wK,Bailey JS.etal.Pe由osphere,20o6.16(1):108. [4]Tarpley L.Reddy K R.SassenrathrCole G F.Crop Science.000.(6):1814. [5]Gupta R K.Vijayan D.Prasad T S.Advance in Space Research.2003.32(11):2217. 16 学与光请分析)，2006,26(8) 145 光话分析)，2008 [9 Miller J R.Hare E W.WuJ.International Journal of Remote Sensing,1990,11(10):1755. [O1 Blackmer T M Schepers I Varvel G E et al Agronomy lournal 1996 88()-1 [11]Pefuelas Filella I.Biel C.et al.Internal Journal of Remote Sensing,1993,14(10):1887. [12] Zarco-tejada PJ,Miller J R.Noland,et al.IEEE Transactions on Geoscience and Remote Sensing,2001,39(7)1491 13 Xue L H.Cao WX.Luo W H et al.Agronomy Journal,004,9:135. 14 Feng W,Yao x hu Y,et al.European Journal of Agronomy,200 UHr,Zn,TNon,a天华民，朱地阳水起等.AaA0mana作物学报，207.8面 (16]Zhu Y.Li YX.Feng W.etal.Canadian Journal of Plant Science.:1037 Exploring Novel Hyperspectral Band and Key Index for Leaf Nitrogen Accumulation in Wheat YAO Xi,ZHU Yan,FENG Wei,TIAN Yongchao,CAO Werxing' Jiangsu Key Laboratory for Information Agriculture,Nanjing Agricultural University,Nanjing 210095,China Abstract The objectives of the present study were to explore new sensitive spectral bands and ratio spectral indices based on precise analysis of ground-based hyperspectral information,and then develop regression model for estimating leaf N accumulation per unit soil area (LNA)in winter wheat Triticum aestivum L.)Three field experiments were conducted with different rates and cultivar types in three consecutive growing seasons.and time-course measurements were taken on canopy hyperspectral reflectance and LNA under the various treatments.By adopting the method of reduced precise sampling,the detailed ratio spec tral indices (RSI)within the range of 350-2 500 nm were constructed,and the quantitative relationships between LNA (gN m)and RSI (.)were analyzed.It was found that several key spectral bands and spectral indices were suitable for estimating LNA in wheat,and the spectral parameter RSI(990,720)was the most reliable indicator for LNA in wheat.The regression model based on the best RSI was formulated asy=5.095x-6040,with of 814.From testing of the derived equations with independent experiment data.the model on RSI (990.720)had R of 0.847 and RRMSE of 24 7%Thus it is conclude that the present hyperspectral parameter of RSI(990,720)and derived regression model can be reliably used for estimating LNA in winter wheat.These results provide the feasible key bands and technical basis for developing the portable instrument of moni- 994-2010 China Academ Joumal Electronie Publishing House.All rights reserved bttp://www.cnki.ne
3 结论和讨论 (1)本文采用减量精细采样法 , 系统组建了所有两两波 段形成的 RSI 指数矩阵 , 发现了估算小麦叶片氮积累量的最 佳新高光谱特征波段 (990 , 720) , 创建了可靠适用的定量监 测模型 y = 51095 3 RSI(990 , 720)261040 , 从而为便携式小麦 氮素监测仪的研制开发及空间遥感信息的分析提取提供了适 用可行的核心波段选择。 (2)本研究针对海量高光谱数据 , 通过降采样法和精细 采样法的有效融合 , 形成新的减量精细采样法 , 采用矩阵的 形式 , 在自编 Matlab 程序下分析发现新的敏感波段 , 从而实 现了对高光谱信息的快速分析与特征提取。本方法全面系 统、简单易行 , 为高光谱的精细分析及波段探索提供了一种 快捷、方便、科学的研究手段。 (3) 对于小麦叶片的氮素监测 , 不同的植被指数可能有 不同的监测范围。本研究中 RVI(990 , 720) 适用的小麦叶片 氮积累量范围为 0115～9182 gN ·m - 2 。今后 , 有必要采用 不同生态点的试验资料对所构建的检测模型进行更为广泛的 测试与评价。 参 考 文 献 [ 1 ] Stone M L , Soile J B , Raun W R. Transactions of t he ASAE , 1996 , 39 : 1623. [ 2 ] Hansen P M , Schjoerring J K. Remote Sensing of Environment , 2003 , 86 : 542. [ 3 ] Zhang J H , W K , Bailey J S , et al. Pedosphere , 2006 , 16 (1) : 108. [ 4 ] Tarpley L , Reddy K R , Sassenrat h2Cole G F. Crop Science , 2000 , 40 (6) : 1814. [ 5 ] Gupta R K , Vijayan D , Prasad T S. Advance in Space Research , 2003 , 32 (11) : 2217. [ 6 ] Demetriades2shah T H , Steven M D , Clark J A , Remote Sensing of Environment , 1990 , 33 (1) : 55. [ 7 ] LIU Yan2de , YIN G Yi2bin (刘燕德 , 应义斌) . Spectroscopy and Spectral Analysis(光谱学与光谱分析) , 2006 , 26 (8) : 1454. [ 8 ] WAN G Yuan , HUAN GJing2feng , WAN G Fu2ming , et al (王 渊 , 黄敬峰 , 王福民 , 等) . Spectroscopy and Spectral Analysis(光谱学与 光谱分析) , 2008 , 28 (2) : 273. [ 9 ] Miller J R , Hare E W , Wu J. International Journal of Remote Sensing , 1990 , 11 (10) : 1755. [ 10 ] Blackmer T M , Schepers J S , Varvel G E , et al. Agronomy Journal , 1996 , 88 (1) : 1. [ 11 ] Peňuelas J , Filella I , Biel C , et al. Internal Journal of Remote Sensing , 1993 , 14 (10) : 1887. [ 12 ] Zarco2tejada P J , Miller J R , Noland , et al. IEEE Transactions on Geoscience and Remote Sensing , 2001 , 39 (7) : 1491. [ 13 ] Xue L H , Cao W X , Luo W H , et al. Agronomy Journal , 2004 , 96 : 135. [ 14 ] Feng W , Yao X , Zhu Y , et al. European Journal of Agronomy , 2008 , 28 : 394. [15 ] WU Hua2bing , ZHU Yan , TIAN Yong2chao , et al (吴华兵 , 朱 艳 , 田永超 , 等) . Acta Agronomica Sinica (作物学报) , 2007 , 33 (3) : 518. [ 16 ] Zhu Y , Li Y X , Feng W , et al. Canadian Journal of Plant Science , 2006 , 86 : 1037. Exploring Novel Hyperspectral Band and Key Index for Leaf Nitrogen Accumulation in Wheat YAO Xia , ZHU Yan , FEN G Wei , TIAN Yong2chao , CAO Wei2xing 3 Jiangsu Key Laboratory for Information Agriculture , Nanjing Agricultural University , Nanjing 210095 , China Abstract The objectives of the present study were to explore new sensitive spectral bands and ratio spectral indices based on precise analysis of ground2based hyperspectral information , and then develop regression model for estimating leaf N accumulation per unit soil area (LNA) in winter wheat ( T riticum aesti vum L. ) . Three field experiments were conducted with different N rates and cultivar types in three consecutive growing seasons , and time2course measurements were taken on canopy hyperspectral reflectance and LNA under the various treatments. By adopting the method of reduced precise sampling , the detailed ratio spec2 tral indices (RSI) within the range of 35022 500 nm were constructed , and the quantitative relationships between LNA (gN · m - 2 ) and RSI (i , j) were analyzed. It was found that several key spectral bands and spectral indices were suitable for estimating LNA in wheat , and the spectral parameter RSI (990 , 720) was the most reliable indicator for LNA in wheat. The regression model based on the best RSI was formulated as y = 51095 x - 61040 , with R 2 of 01814. From testing of the derived equations with independent experiment data , the model on RSI (990 , 720) had R 2 of 01847 and RRMSE of 2417 %. Thus , it is concluded that the present hyperspectral parameter of RSI (990 , 720) and derived regression model can be reliably used for estimating LNA in winter wheat. These results provide the feasible key bands and technical basis for developing the portable instrument of moni2 2194 光谱学与光谱分析 第 29 卷
第8期 光谱学与光谱分析 2195 toring wheat nitrogen status and for extracting useful spectral information from remote sensing images Keywords Wheat;Leaf;Nitrogen accumulation;Optimum bands;Ratio vegetation index;Monitoring model Corresponding author (Received May2,00;accepted Aug.) 2010 Winter Conference on Plasma Spectrochemistry Fort Myers,Florida,January 4-9,2010 Call for Papers The 16th biennil ineation Winter Conference will be held at the Sanibel Harbour ResorSpa (www.nbe com)in Fort Myers,Florida(www.fortmyerssanibel.com).More than 600 scientists are expected,and over 300 papers on modern plasma spectrochemistry will be presented.Six plenary lectures and 24 invited speakers will highlight critical topicsin 12 symposia.Oral paper and poster titles and short abstracts are requested by July 10,2009. Symposium Features .Applications of plasma pectrochemical techniques and methods .Elemental peciation,species sample preparation,and biological imaging .Excitation mechanisms and plasma phepomena Gow discharge atomic and mass spectrometry .Inductively coupled plasma atomic and mass spectrometry Laser ablation and induced breakdown spectrometry Microwave plasma atomic and mass spe .Plasma chromatographic detectors and ombined system Pasma instrum and software innovations Sample intr andmodkli Sample p ometrics,expert syst ems,an opic stand dards,referece materials,databasesand quality Stable isotope analyses and applications 飞 .Continuing Education Short Courses,Saturday-Monday.January 2-4 .Manufacturer's Seminars.Saturday-Sunday.January 2-3 Annual Golf Tournament,Sunday,January 3 .Spectroscopy Instrumentation Exhibition.TuesdayThursday,January57 Six Daily Heritage Lectures .Workshop on New Plasma Instrumentation,Tuesday-Thursday,January 5-7 Information For program.registration.hotel,and transportation details.visit the Conference website at http://icpinformation.org.or contact Ramon Barnes.ICP Information Newsletter.Ine.,P.O.Box 666.Hadley,MA01003-0666,telephone:239674-9430. fax 239-674-9431,mail:we2010 @chem.umass.edu. -010 China Academicom Electronic Publishing House.All rights reserved htp://www.enkine
toring wheat nitrogen status and for extracting useful spectral information from remote sensing images. Keywords Wheat ; Leaf ; Nitrogen accumulation ; Optimum bands; Ratio vegetation index ; Monitoring model 3 Corresponding author (Received May 26 , 2008 ; accepted Aug. 29 , 2008) 2010 Winter Conference on Plasma Spectrochemistry Fort Myers , Florida , J anuary 429 , 2010 Call for Papers The 16th biennial international Winter Conference will be held at the Sanibel Harbour Resort & Spa (www. sanibel2resort. com) in Fort Myers , Florida (www. fortmyers2sanibel. com) . More than 600 scientists are expected , and over 300 papers on modern plasma spectrochemistry will be presented. Six plenary lectures and 24 invited speakers will highlight critical topics in 12 symposia. Oral paper and poster titles and short abstracts are requested by J uly 10 , 2009. Symposium Features ·Applications of plasma spectrochemical techniques and methods ·Elemental speciation , species sample preparation , and biological imaging ·Excitation mechanisms and plasma phenomena ·Glow discharge atomic and mass spectrometry ·Inductively coupled plasma atomic and mass spectrometry ·Laser ablation and induced breakdown spectrometry ·Microwave plasma atomic and mass spectrometry ·Plasma chromatographic detectors and combined systems ·Plasma instrumentation , microplasmas , automation , and software innovations ·Sample introduction , transport phenomena , and modelling ·Sample preparation , treatment , and automation ; high2purity materials ·Spectrochemical chemometrics , expert systems , and novel software ·Spectroscopic standards , reference materials , databases , and quality control ·Stable isotope analyses and applications Also ·Continuing Education Short Courses , Saturday2Monday , J anuary 224 ·Manufacturer’s Seminars , Saturday2Sunday , J anuary 223 ·Annual Golf Tournament , Sunday , J anuary 3 ·Spectroscopy Instrumentation Exhibition , Tuesday2Thursday , J anuary 527 ·Six Daily Heritage Lectures ·Workshop on New Plasma Instrumentation , Tuesday2Thursday , J anuary 527 Information For program , registration , hotel , and transportation details , visit the Conference website at http :/ / icpinformation. org , or contact Ramon Barnes , ICP Information Newsletter , Inc. , P. O. Box 666 , Hadley , MA0100320666 , telephone : 239267429430 , fax 239267429431 , e2mail : wc2010 @chem. umass. edu. 第 8 期 光谱学与光谱分析 2195