基于地面高光谱遥感与数字图像信息融合的甜菜氮素诊断方法研究

Traditional lab-based chemical testing is difficult to real-time estimate N status of sugar beet under high yield and high sugar conditions. Ground-based spectral remote sensing is characterized with real-time, non-destructive diagnosis of plant nitrogen status. However, the spectra are disturbed by soil background before foliage formation stage, and spectral indices easily lose sensitivity after tuberous roots and sugar growth stage of sugar beet. These factors also exist in other crop nitrogen nutrient diagnosis. Due to the lower canopy and leaves hypertrophy for sugar beet, the problem is particularly prominent. Taking into account the high spectral resolution, the advantages of a large amount of information and digital images to facilitate the segmentation of the background color characteristics, we perform multi-information fusion based N nutrient diagnosis in present study. In-depth study of nitrogen-sensitive spectral features variable extraction, image background segmentation and feature parameter extraction, we attempt to decrease the disturbance of soil background and solve the problem of saturation for the traditional spectral index. The final aim is to establish a rapid diagnostic system of nitrogen for sugar beet production, and to provide a new method for real-time diagnosis of beet nitrogen.

常规的化学测试很难满足丰产高糖条件下甜菜氮素营养实时诊断的要求。地面光谱遥感具有实时、无损诊断植株氮素的优势，但甜菜叶丛形成期前植被盖度低，光谱易受土壤等背景信息干扰，而块根及糖分增长期后易出现光谱植被指数"饱和"问题，影响诊断精度。在其它作物氮素诊断中这些影响因素同样存在，目前尚无理想的解决方法。甜菜冠层较低，叶片肥大，上述问题尤为突出。考虑到高光谱分辨率高、信息量大的优点，而数字图像便于背景分割、颜色特征与作物氮素水平明显相关的特点，本项目借助多信息融合比单一传感器更优越的性能，结合植株氮素测试，开展基于高光谱遥感与数字图像信息融合的甜菜氮素诊断方法研究。在深入研究氮素敏感光谱特征参数提取、图像背景分割及氮素敏感颜色特征参数提取方法的基础上，融合高光谱与图像信息，校正土壤等背景干扰信息影响，解决传统光谱指数易"饱和"的问题，建立甜菜氮素实时诊断体系，为甜菜氮素的实时诊断提供新方法。

本项目开展了基于地面高光谱遥感与数字图像信息融合的甜菜氮素诊断方法研究。综合考虑甜菜生长的各生育时期、生态区域、氮素水平等因素，连续3年开展了田间试验。分析了甜菜冠层光谱响应特征，研究了不同氮素水平和不同生育时期甜菜冠层光谱响应规律。采用平滑、一阶导数、多元散射校正（MSC）及标准正态变换（SNV）等方法对甜菜冠层反射光谱进行预处理，结果表明经MSC和SNV处理后的反射光谱与甜菜SPAD值有较高的相关性，经一阶导数后的反射光谱与甜菜氮素、地上生物量的相关性最好。项目在提取甜菜冠层波段深度信息和植被指数信息的基础上，分析了多元统计建模方法（PLS、PCR和SMLR）对甜菜氮素的预测效果，并通过均方根误差（RMSE）和相对误差（RE）对模型预测精度加以评价。结果表明：波段深度信息建立的SMLR模型在预测氮含量、SPAD值和生物量方面都取得较好的预测效果，RMSE和RE分别为128.34g•m-2和21.6%、2.3g•kg-1和18.8%、2.54和4.5%，这一方法有效解决了单一植被指数在以上氮素指标诊断中存在的饱和问题。.本项目还开展了基于数字图像信息的甜菜氮素诊断方法研究。对获取的冠层图像进行土壤、阴影和白板标识分割，提取敏感颜色特征信息，在此基础上采用逐步多元线性回归（SMLR）、支持向量机（SVM）)和BP神经网络等算法建立诊断模型，预测相关系数R和均方根误差RMSE分别为0.84和1.63g•kg-1、0.79和1.85g•kg-1、0.85和1.26g•kg-1。研究结果表明，BP神经网络诊断模型的预测效果较好，相关系数R比上述其他模型分别提高了6%和1%，RMSE分别降低23%和32%。融合植被指数与颜色特征值信息建立SVM、BP神经网络诊断模型，相关系数R分别为0.82、0.88，均方根误差RMSE分别为1.64g•kg-1、1.03g•kg-1。.项目研究表明，融合高光谱与图像信息进行甜菜氮素诊断，不仅可改善光谱易受土壤等背景干扰信息的影响，而且能够解决传统光谱指数易“饱和”的问题；基于两类信息融合的BP神经网络模型诊断精度较高。在大田自然光照条件下，融合两类信息实现甜菜氮素营养丰缺水平的实时、准确诊断具有较高的可行性。