1 农业部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097南京农业大学国家信息农业工程技术中心, 江苏 南京 210095
2 农业部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097
3 河南工程学院土木工程学院, 河南 郑州 451191
作物氮含量影响作物的生长状况, 合适的施氮量可以促进作物生长和提高作物产量, 因此准确、 快速地监测作物的氮含量十分必要。 旨在探索将无人机成像高光谱获取的植被指数和光谱特征参数相结合以提高冬小麦关键生育期氮含量估算精度的潜力。 首先, 以无人机为遥感平台, 搭载高光谱传感器获取了冬小麦拔节期、 挑旗期、 开花期和灌浆期4个主要生育期的高光谱遥感影像, 并实测了各生育期的氮含量数据。 其次, 基于预处理后的高光谱影像, 提取冬小麦各生育期的冠层反射率数据, 并构造能较好反映作物氮素营养状况的12种植被指数和12种光谱特征参数。 然后, 计算了各光谱参数与冬小麦氮含量的相关性, 并筛选出各生育期与氮含量相关性较强的植被指数和光谱特征参数； 最后, 利用逐步回归分析（SWR）构建基于植被指数、 植被指数结合光谱特征参数的氮含量估算模型。 结果显示: (1)选取的大部分植被指数和光谱特征参数与冬小麦氮含量都有较高的相关性。 其中, 植被指数的相关性高于光谱特征参数； (2)基于单个植被指数或光谱特征参数估算冬小麦虽然可行, 但精度还有待进一步提高； (3)与单一植被指数或光谱特征参数相比, 植被指数结合光谱特征变量利用SWR方法构建的氮含量估算模型的精度和稳定性更高(拔节期: 建模R2=0.64, RMSE=24.68%, NRMSE=7.96%, 验证R2=0.77, RMSE=23.13%, NRMSE=7.81%； 挑旗期: 建模R2=0.81, RMSE=15.79%, NRMSE=7.41%, 验证R2=0.84, RMSE=15.10%, NRMSE=7.08%； 开花期: 建模R2=0.78, RMSE=9.88%, NRMSE=5.66%, 验证R2=0.85, RMSE=9.12%, NRMSE=4.76%； 灌浆期: 建模R2=0.49, RMSE=13.68%, NRMSE=9.85%, 验证R2=0.40, RMSE=18.29%, NRMSE=14.73%)。 研究结果表明, 结合无人机成像高光谱获取的植被指数和光谱特征参数构建的冬小麦氮含量估算模型精度和稳定性较高, 研究结果可为冬小麦氮含量的空间分布和精准管理提供参考。
无人机 冬小麦 高光谱 氮含量 逐步回归 光谱特征参数 Unmanned aerial vehicle Winter wheat Hyperspectral Nitrogen content Stepwise regression Spectral feature parameters 光谱学与光谱分析
2023, 43(10): 3239
1 农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心， 北京 100097国家农业信息化工程技术研究中心， 北京 100097辽宁工程技术大学测绘与地理科学学院， 辽宁 阜新 123000
2 农业农村部农业遥感机理与定量遥感重点实验室,北京市农林科学院信息技术研究中心， 北京 100097 南京农业大学国家信息农业工程技术中心， 江苏 南京 210095 国家农业信息化工程技术研究中心， 北京 100097
3 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095 国家农业信息化工程技术研究中心， 北京 100097中国农业大学现代精细农业系统集成研究教育部重点实验室， 北京 100083
4 农业农村部农业遥感机理与定量遥感重点实验室江苏 南京 210095国家农业信息化工程技术研究中心， 北京 100097
5 辽宁工程技术大学测绘与地理科学学院， 辽宁 阜新 123000
植株氮含量(PNC)是评价作物长势和氮营养状况的重要指标， 因此， 准确高效地获取PNC信息， 对动态监测马铃薯长势及精准施控氮肥具有重要意义。 首先于马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期获取无人机高光谱影像， 并基于预处理的影像提取5个生育期冠层的原始光谱和一阶微分光谱; 其次将提取的冠层光谱与马铃薯PNC进行相关性分析， 筛选出PNC的敏感波长; 然后分别利用灰度共生矩阵和1~3阶颜色矩， 提取冠层原始光谱特征波长处高光谱图像的纹理和颜色2种图像特征， 并将提取的特征与马铃薯PNC进行相关性分析， 筛选出相关性较高的前5个图像特征; 最后分别基于光谱特征、 图像特征和图谱融合特征利用弹性网络回归(ENR)、 贝叶斯线性回归(BLR)和极限学习机(ELM) 3种方法建立马铃薯PNC估算模型。 结果表明: (1)马铃薯5个生育期的冠层光谱特征波长存在差异， 但多数位于可见光区域。 (2)冠层原始光谱特征波长图像的纹理和颜色特征与PNC的相关性较高， 且现蕾期到淀粉积累期的相关性明显高于成熟期。 (3)基于单一光谱特征和单一图像特征构建的马铃薯PNC估算模型在现蕾期到淀粉积累期效果较好， 成熟期效果较差。 (4)现蕾期到淀粉积累期， 基于图谱融合特征的马铃薯PNC估算效果明显优于单一光谱特征和单一图像特征。 (5)马铃薯各生育期， 基于同种变量利用ENR构建的PNC估算模型效果较好， BLR次之， ELM较差。 其中， 以图谱融合特征为模型变量， 利用ENR构建的PNC估算模型精度和稳定性最好， 5个生育期的建模R2分别为0.91、 0.75、 0.82、 0.77和0.69， RMSE分别为0.24%、 0.31%、 0.26%、 0.22%和0.29%， NRMSE分别为6.59%、 9.79%、 9.58%、 7.87%和11.03%。 该研究可为马铃薯的氮营养监测提供一种快捷高效的技术手段。
无人机 马铃薯 高光谱 图像特征 植株氮含量 UAV Potato Hyperspectral Image features Plant nitrogen content 光谱学与光谱分析
2023, 43(5): 1524
1 长春理工大学机电工程学院，吉林 长春 130022
2 内蒙古第一机械集团有限公司，内蒙古 包头 014032
高氮钢焊缝中氮含量是影响其力学性能的重要因素。为解决高氮钢焊接时氮含量下降导致焊缝力学性能恶化的问题，以12 mm厚高氮钢板为对象开展激光-电弧复合焊接试验，通过改变焊接填充材料研究了氮含量对焊缝组织和力学性能的影响。结果表明：使用含氮焊丝可以有效补充焊缝中的氮损失，含氮焊丝的焊缝氮含量较高，在焊缝激光区，采用两种焊丝获得的焊缝氮含量均随着激光功率增加而增大。两种焊丝获得的焊缝组织均为奥氏体+少量铁素体。采用不锈钢焊丝获得的焊缝抗拉强度随激光功率增加而增大，采用含氮焊丝获得的焊缝抗拉强度随着激光功率增加呈先增大后减小的趋势，最大抗拉强度达953 MPa，焊缝断口均呈典型的韧性断裂特征。采用两种焊丝获得的焊缝冲击性能差异较大，冲击断口均具有明显韧性断裂特征。
高氮钢 激光-电弧复合焊 氮含量 力学性能 high nitrogen steel laser arc hybrid welding nitrogen content mechanical property
安徽省农业科学院土壤肥料研究所, 安徽 合肥 230031
氮素是作物生长发育必需的营养元素之一, 作物的全氮含量是表征其氮素状况的主要指标。 田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥, 减少环境污染。 无人机高光谱遥感具有分辨率高、 时效性高、 成本低等优势, 可为作物长势信息反演提供重要数据源。 XGBoost(extreme gradient boosting)作为一种新兴集成学习算法, 运行效率高, 泛化能力强, 可以有效的应用于构建冬小麦全氮含量遥感反演模型, 预测田块尺度冬小麦全氮含量空间分布。 以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象, 开展以下工作: (1)以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像, 结合地面采样数据, 获取126个样点全氮含量数据; (2)分析拔节期冬小麦冠层光谱特征, 并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性; (3)构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。 结果表明: (1)176个波段(400~1 000 nm)的光谱反射率与冬小麦全氮含量之间具有较强的相关性, 除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5; (2)基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度(R2=0.76, RMSE=2.68); (3)基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图, 总体上呈现较为显著的空间差异。 该研究可为冬小麦精准定量追肥提供一定的科学依据, 也为发展无人机高光谱遥感的精准农业应用提供了参考。
冬小麦全氮含量 无人机高光谱 遥感反演 Winter wheat total nitrogen content (TNC) UAV hyperspectral data XGBoost Remote sensing estimation XGBoost 光谱学与光谱分析
2022, 42(10): 3269
1 农业农村部农业遥感机理与定量遥感重点实验室，北京市农林科学院信息技术研究中心，北京 100097
2 南京农业大学国家信息农业工程技术中心，江苏 南京 210095
3 国家农业信息化工程技术研究中心，北京 100097
4 中国农业大学现代精细农业系统集成研究教育部重点实验室，北京 100083
5 辽宁工程技术大学测绘与地理科学学院，辽宁 阜新 123000
快速准确地获取作物的植株氮含量(PNC)信息, 是农业精细化管理的关键和数字农业发展的研究热点。 近年来, 随着无人机和传感器技术的发展, 利用多种传感器信息监测作物理化参数逐渐引起国内外学者的关注。 以马铃薯为研究对象, 首先, 基于无人机获取了马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期和成熟期的高光谱影像和数码影像, 同时采集各生育期的地面数码影像, 并实测了株高(H)、 PNC和11个地面控制点(GCPs)的三维空间坐标。 其次, 利用无人机数码影像结合GCPs生成试验区域的数字表面模型(DSM), 分别从无人机数码影像和DSM中提取马铃薯的地面覆盖度(VCuav)和株高(Hdsm), 并利用地面数码影像计算的覆盖度(VC)和实测H验证提取的VCuav和Hdsm的精度。 然后, 根据高光谱反射率数据计算绿边参数(GEPs), 构造GEPs×Hdsm×VCuav, GEPs/(1+VCuav), (GEPs+VCuav)×Hdsm和GEPs/(1+Hdsm) 4种融合特征参数(FFPs), 对高光谱影像信息和数码影像信息进行融合。 最后, 将各生育期提取的GEPs和构造的FFPs分别与PNC作相关性分析, 筛选最优绿边参数(OGEP)和最优融合特征参数(OFFP)构建5个生育期的PNC线性估算模型, 并根据相关性较高的GEPs和FFPs利用偏最小二乘(PLSR)和人工神经网络(ANN) 2种回归方法构建PNC的多参数估算模型, 结果表明: (1)基于无人机数码影像提取的Hdsm和VCuav具有较高的精度, 可以代替实测H和VC估算作物理化参数。 (2)与GEPs相比, 前4个生育期, 构造的大部分FFPs与PNC的相关性更高, 能更好地反映马铃薯的氮营养状况。 (3)马铃薯5个生育期, OFFP估算PNC的效果优于OGEP。 (4)与单参数模型相比, 基于GEPs和FFPs利用PLSR和ANN 2种方法构建的模型精度和稳定性均明显提高, 其中, 以FFPs为模型因子利用ANN方法构建的模型效果最好。 该研究表明融合高光谱绿边参数和高清数码相机传感器提取的株高和覆盖度信息能显著提升PNC的估算精度, 可为马铃薯氮营养状况的动态无损监测和多源传感器信息的应用提供参考。
植株氮含量 无人机 多源传感器 绿边 株高 覆盖度 Plant nitrogen content UAV Multi-source sensor Green edge Plant height Coverage 光谱学与光谱分析
2022, 42(10): 3217
1 中国农业大学烟台研究院, 山东 烟台 264670
2 中国农业大学现代精细农业系统集成研究教育部重点实验室, 北京 100083
基于光谱的土壤氮含量预测模型泛化能力弱是制约其推广应用的瓶颈。 鉴于特征提取及非线性表达能力方面的优势, 深度学习模型具有较强的泛化能力。 提出一种融合自动编码器和卷积神经网络(Encoder-CNN)的土壤氮含量光谱预测模型, 探索模型结构和参数对模型性能的影响。 根据以往研究成果和相关性分析, 获得180个与氮含量强相关的波长, 将其作为Encoder-CNN模型输入, 而将土壤氮含量作为模型输出。 Encoder-CNN模型利用自动编码器的编码部分进行光谱数据降维, 然后输入到卷积神经网络进行土壤氮含量预测。 设计2种网络结构, 每种网络结构包含2种不同参数设置, 共4个模型, 用以探索Encoder-CNN土壤氮含量光谱预测模型结构和参数对模型性能的影响。 利用公开数据集LUCAS对模型进行训练。 按3σ原则对公开数据集LUCAS进行异常值检测与处理, 获得20 791个数据, 其中18 711个样本作为训练集, 2 080个样本作为测试集, 对Encoder-CNN模型进行训练。 结果表明: 对于自动编码器, 在相同隐含层数下, 最后的隐含层神经元个数为30时, 复现效果最优。 增加隐含层数, 会提升复现效果。 增加卷积核数量, 特别是尺寸为1×1卷积核, 能够提高模型的预测性能与可靠性。 增加池化层的网络结构, 模型预测精度提升至0.90以上。 增加全连接层神经元数量也会提升模型性能。 利用自采集的黑龙江黑土实时光谱数据集进行模型迁移, 观察模型泛化能力。 当模型迭代100次后, 在黑龙江数据集上的预测精度即可达到0.90以上; 当迭代次数为900时, 模型在训练集和测试集上的预测精度可以达到0.98。 结果表明, 所构建的Encoder-CNN土壤氮含量光谱预测模型具有较好的泛化能力。
土壤 氮含量 光谱预测 卷积神经网络 自动编码器 Soil Nitrogen content Spectral prediction Convolutional neural network Auto-encoder 光谱学与光谱分析
2022, 42(5): 1372
1 湖南农业大学农学院, 湖南 长沙 410128
3 益阳市赫山区农业农村局, 湖南 益阳 413000
叶绿素含量和叶片氮含量是作物生长状况的重要指标, 对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。 当前, 高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。 但是, 有关同一生命活动周期内, 作物跨期预测叶片生化参数的研究还存在空白。 以超级早稻为研究对象, 分别获取了蘖盛期、 孕穗期、 齐穗期、 灌浆期和成熟期5个时期120组叶片高光谱数据、 叶绿素以及叶片氮含量(LNC), 采用python 3.6编程, scikit-learn(0.22.1)用来构建模型和验证评估, 通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、 随机森林(RF)、 支持向量回归(SVR)3种不同算法的最佳模型参数, 结合数据的跨期处理, 分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。 此外, 评估跨期预测模型与传统非跨期预测模型, 独立数据对模型进行检验。 结果表明, (1) 基于高光谱的早稻叶绿素、 氮素的非跨期预测模型中, PLSR模型预测效果最佳, 分别为叶绿素(R2=0.84, RMSE=1.85)、 氮素(R2=0.85, RMSE=0.11)。 (2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳, 分别为跨分蘖期(R2=0.54)、 跨孕穗期(R2=0.36)、 跨齐穗期(R2=0.30)、 跨灌浆期(R2=0.55)、 跨成熟期(R2=0.74)。 该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考, 为水稻叶绿素含量的动态监测提供了模型依据。 (3)早稻叶片氮含量跨期预测模型的拟合度很差, 叶片氮含量预测具有不可跨期性。 与非跨期预测模型相比, 跨期预测模型虽然精度有所下降, 但能有效克服经验模型普适性差的缺陷, 有利于在同一生命活动周期内, 实现作物不同生育期的生理指标预测, 对实际生产管理具有重要意义。 研究发现, 作物生理指标存在可跨期预测性, 这一概念为作物表型、 作物内部品质以及产量的预测研究提供了新的思路。
高光谱 早稻 氮含量预测 叶绿素 可跨期性 Hyperspectral Early rice Leaf nitrogen content Chlorophyll Intertemporal prediction
1 河北省激光研究所, 石家庄 050081
2 河北普莱斯曼金刚石科技有限公司, 石家庄 050081
3 南京电子器件研究所, 微波毫米波单片和模块电路重点实验室, 南京 210016
4 南京大学电子科学与工程学院, 南京 210093
采用微波等离子体化学气相沉积(MPCVD)技术, 通过改变气源中的氮含量, 得到不同结晶质量的单晶金刚石, 通过激光切割以及抛光控制样品尺寸为5 mm×5 mm×0.5 mm, 然后对样品进行表面氢化处理并研制了金刚石射频器件, 系统研究了氮含量对金刚石材料晶体质量和金刚石射频器件性能的影响。随着氮含量的增加, 虽然单晶金刚石生长速率有所增加, 但是其拉曼半峰全宽(FWHM)、XRD摇摆曲线半峰全宽也逐渐增加, 光致发光光谱中对应的NV缺陷逐渐增多, 晶体结晶质量逐渐变差, 不仅导致沟道载流子的迁移率出现退化, 而且也使金刚石射频器件出现了严重的电流崩塌和性能退化问题。通过降低氮浓度, 提升材料的结晶质量, 沟道载流子迁移率得到显著提升, 金刚石射频器件的电流崩塌得到有效抑制, 电流增益截止频率fT和功率增益截止频率fmax分别从17 GHz和22 GHz大幅度提升至32 GHz和53 GHz。
氮含量 微波等离子体化学气相沉积 晶体质量 氢终端金刚石 沟道载流子迁移率 电流崩塌 金刚石射频器件 频率特性 nitrogen content MPCVD crystalline quality hydrogen-terminal diamond channel carrier mobility current collapse diandimond RF transistor frequency performance
1 北京大学地球与空间科学学院空间信息集成与3S工程应用北京市重点实验室, 北京 100871
2 北京农业信息技术研究中心, 北京 100097
高光谱遥感为冬小麦氮含量的实时估测提供了技术途径, 然而在实际探测过程中, 接收的信号不仅包含植株叶、 茎等器官内部发生多次散射后的光辐射, 也包含在叶片表面发生镜面反射而没有进入器官内部的光辐射, 原理上只有前者可反映植株的生化组分信息, 因此目前常用的反演算法存在较大不确定性。 拟采用增加偏振测量的方式, 区分与上述两种情形对应的非偏振光和部分偏振光, 通过构建相应的反射率表征因子, 以评估剔除部分偏振反射分量对植株氮含量估算的影响。 实验获取了冬小麦拔节、 挑旗、 开花、 灌浆四个典型生长期共计48组偏振高光谱与氮含量测量样本, 分析后表明, 剔除偏振反射后, 反射率光谱与氮含量的相关性在可见光波段有较明显的提升, 而常用的多个植被指数对氮含量的估算精度有小幅提升, 且不同生长期对应的最优植被指数不同。 上述结果证明了通过测量叶表偏振反射而提升冬小麦氮含量高光谱估算方法的有效性与稳定性, 为提升植被生化组分遥感反演的精度提供了参考。
氮含量 偏振遥感 高光谱遥感 冬小麦 叶面反射 植被指数 Nitrogen content Polarization remote sensing Hyperspectral remote sensing Winter wheat Leaf surface reflection Vegetation index 光谱学与光谱分析
2020, 40(6): 1956
1 沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110161
2 沈阳农业大学辽宁省农业信息化工程技术中心, 辽宁 沈阳 110161
为提供一种高效、 快速和无损的粳稻叶片氮素含量反演方法, 以粳稻小区试验为基础, 利用高光谱技术和室内化学实验, 获取粳稻分蘖期、 拔节期和抽穗期三个生育期共280组叶片高光谱数据以及相对应的水稻叶片氮素含量数据, 分析不同施氮水平的粳稻叶片光谱特征, 采用随机青蛙算法(random_frog)与迭代和保留信息变量算法(IRIV)相结合的方式筛选特征波段, 并将任意两个光谱波段随机组合构建差值植被指数DSI(Ri, Rj)、 比值植被指数RSI(Ri, Rj)和归一化植被指数NDSI(Ri, Rj), 分别将较优的特征波段组合和植被指数组合作为模型输入, 构建BP神经网络、 支持向量机（SVR）和非支配的精英策略遗传算法优化极限学习机（NSGA2-ELM）粳稻叶片氮素含量反演模型, 并对模型进行验证分析。 结果表明: 随着施氮水平的增加, 粳稻叶片近红外波段范围反射率逐渐升高, 在可见光波段范围反射率逐渐降低。 采用random_frog与IRIV相结合的方式筛选特征波段共得到8个特征波段, 其中可见光波段7个, 分别为414.2, 430.9, 439.6, 447.9, 682.7, 685.4和686.3 nm, 近红外波段仅有1个为999.1 nm, 该方法较好地剔除了干扰信息, 大大降低了波段间的共线性。 同时从三种植被指数（DSI(Ri, Rj), RSI(Ri, Rj), NDSI(Ri, Rj)）与粳稻叶片氮素含量的决定系数等势图中可知, DSI(R648.1, R738.1), RSI(R532.8, R677.3)和NDSI(R654.8, R532.9)与叶片氮素含量相关性最好, R2分别为0.811 4, 0.829 7和0.816 9。 在输入参量不同的建模效果对比分析中, 以特征波段组合作为模型输入所构建的模型反演效果略优于植被指数组合, R2均大于0.7, RMSE均小于0.57。 而在反演模型间的对比分析中, 提出的NSGA2-ELM反演模型的估测效果要优于BP神经网络模型和SVR模型, 训练集决定系数R2为0.817 2, 均方根误差RMSE为0.355 5, 验证集R2为0.849 7, RMSE为0.301 1。 鉴于此, random_frog-IRIV筛选特征波段方法结合NSGA2-ELM建模方法在快速检测粳稻叶片氮素含量中具有显著优势, 可为粳稻田间精准施肥提供了参考。
高光谱数据 叶片氮素含量 特征波段 植被指数 反演模型 Hyperspectral data Leaf nitrogen content Characteristic band Vegetation index Inversion model 光谱学与光谱分析
2020, 40(8): 2584
