论文部分内容阅读
氮素是水稻生长必不可少的营养元素,精确的氮肥管理和动态调控是保障水稻优质高产的关键措施。利用高光谱技术建模分析水稻光谱参数与氮素含量的关系,是实现动态、无损监测水稻氮素状况的有效方法。寒地水稻因其独特的土壤条件、气候条件和生长周期,需要找到合适的模型来估测其氮素含量。因此,本研究以稻花香2号为试验对象,采用高光谱技术开展寒地水稻冠层氮素含量估测研究。试验于2016年在黑龙江省五常市进行,试验田采用单因素(N)设计,共设计4个氮素水平,8次重复,共32个小区。首先,使用SOC710VP型便携式成像光谱仪采集分蘖期、拔节期和抽穗期水稻冠层高光谱图像,并剪取相应冠层叶片。其次,使用ENVI5.0软件提取冠层高光谱反射率,使用AA3流动分析仪测定冠层氮素含量。再次,采用SG平滑(SG)、多元散射校正(MSC)、标准正态变换(SNV)、一阶导数(FD)和二阶导数(SD)等5种预处理方法,组合成11种策略(SG、MSC、SNV、FD、SD、SG-FD、SG-SD、MSC-FD、MSC-SD、SNV-FD和SNV-SD),对分蘖期、拔节期和抽穗期原始光谱反射率进行降噪滤波,并将预处理后全部波段与氮素含量建立偏最小二乘回归(PLSR)模型,分析比较出最佳预处理方法。在此基础上,利用连续投影算法(SPA)、无信息变量消除(UVE)和竞争性自适应重加权抽样(CARS)等3种特征波段选择方法,组合成4种策略(SPA、UVE、UVE-SPA和CARS),选择出分蘖期、拔节期、抽穗期和全生育期水稻冠层光谱反射率特征波段。最后,采用偏最小二乘回归(PLSR)、径向基函数神经网络(RBFNN)和极限学习机(ELM)等3种建模方法,建立分蘖期、拔节期、抽穗期和全生育期估测模型,并根据各模型决定系数(R~2)和均方根误差(RMSE)挑选出最佳特征波段选择方法及建模方法。本研究提出了一种适合于估测寒地水稻冠层氮素含量的多算法组合模型SG-FD-CARS-ELM。其中,SG可以有效滤除原始光谱的高频噪声,FD能进一步消除其它噪声干扰,放大有效信息,增强光谱特征;CARS能有效剔除冗余信息,选择关键特征波段,在分蘖期、拔节期、抽穗期和全生育期分别选择11、10、10和12个特征波段;CARS-ELM估测模型在各生育期表现最佳,该模型的R_C~2和R_P~2在分蘖期为0.972和0.956,在拔节期为0.968和0.952,在抽穗期为0.946和0.935,在全生育期为0.908和0.898。本研究可为水稻氮素含量快速检测提供地域参考,为指导水稻精准施肥管理提供技术支持。