【正文】 年 Thomas 等 [2]通過測定甜椒葉片的反射率來估測氮素含量，研究發(fā)現甜椒葉的氮素營養(yǎng)水平的敏感波段在 550nm 和 670nm，并利用這兩個波段建立了估算氮素含量的模型，其精度約為 95%。陳斌 [3]利用反射光譜特性測定茶葉鮮葉的葉綠素含量時，取波長 562nm 和 676nm處歸一化值進行二元一次回歸，相關系數達 ，平均相對誤差小于 5%。 Horle 等 [4]研究表明， “紅邊 ”與植被葉綠素濃度之間的關系顯著，說明利用 “紅邊 ”遙感參量來推算植被葉綠素濃度是可行的。唐延林等[5]研究表明，水稻葉面積指數（ LAI）與比值植被指數 (RVI)及歸一化植被指數 (NDVI)呈顯著相關，不 同氮素水平的水稻葉片的葉綠素、纖維素含量與光譜變量的相關達到顯著水平。這些研究表明，利用 “紅邊 ”參數等光譜變量來監(jiān)測作物葉綠素濃度和其他生化組分是切實可行，這些生化組分與氮素的營養(yǎng)狀況密不可分，因此可以用此方法來間接評價作物氮素的營養(yǎng)狀況。張金恒等 [6]研究表明，診斷水稻氮素營養(yǎng)水平的敏感波段為綠光（ 525~605nm）、黃光（ 605~655nm）和短波近紅外（ 750~1100nm）。 在李曉松等 [7]的試驗中使用 PLS 方法基于 NDVI 計算荒漠化地區(qū)植被覆蓋度并取得了良好的效果，并且發(fā)現將一階導數光譜作為輸入 的話可以得到更高的精度。 不同氮素水平處理的水稻光譜特征，無論是冠層、還是葉片光譜，均存在著明顯的差異。通過光譜測定及其變量的運算，可以區(qū)分不同氮素水平的水稻。但是不同的測定環(huán)境、測定時間、測定部位及先后次序等均會對光譜產生影響 [8]。因此，在利用光譜分析法診斷植物氮素營養(yǎng)水平時與常規(guī)方法一樣，應就取樣部位等作出嚴格操作規(guī)定。 通過以上分析得出，氮的敏感波段主要集中在 550~650 以及 750~1100nm 左右，可以采用多元回歸、紅邊參數、 PLS等作為估測模型。對于高光譜遙感監(jiān)測作物氮素研究來說，其研究相對較多 ，方法以及結論也相對較為一致。 水稻磷元素的高光譜診斷研究進展 磷是形成細胞核蛋白等不可缺少的元素。磷元素能加速細胞的分裂，使得植物的根系和地上部分加快生長，促進植物的花芽分化，提高果實品質，因此在作物的生長中起著重要的作用。與氮相比，作物中磷元素的光譜特性的研究較少，結果也不太一致，這是因為只有當作物在嚴重缺磷時，光譜分析才能用于磷營養(yǎng)診斷。因為植物缺磷時，植物葉片的細胞伸長影響程度超過葉綠素的影響程度，又因為缺磷的植物，體內代謝受阻，有糖分積累，易形成花青素 [9]?；谶@兩個原因，當植物缺磷 時，對葉片光譜分析較為復雜。 3 王磊等 [10]對春玉米磷素營養(yǎng)的研究表明，春玉米大喇叭口期是磷素營養(yǎng)的光譜響應敏感期，350~730nm 和 1420~1800nm是磷素營養(yǎng)的光譜敏感波段。而可見光波段光譜變量與磷含量的回歸關系優(yōu)于近紅外波段的光譜變量與磷含量的回歸關系，表明可見光波段葉片光譜反射率可能更適合春玉米磷素營養(yǎng)狀況的評價。劉煒等 [11]對冬小麥研究表明，冬小麥葉片原始光譜對葉片磷素含量的敏感波長范圍為426~435nm 和 669~680nm，其一階導數光譜的敏感波長范圍為 481~493nm 和 685~696nm。該研究為磷素的監(jiān)測確定了初步的敏感波段。林芬芳等 [12]利用互信息理論分析了水稻磷素含量的敏感波段，結果表明水稻拔節(jié)期葉片磷素估測的敏感波段分別為 536， 630， 1040， 551 和 656nm，且顯示 BP 人工神經網絡模型相關系數（ R2）為 ，說明利用互信息 神經網絡模型和高光譜遙感估測田間水稻磷含量是可能的。 水稻鉀元素的高光譜診斷研究進展 鉀素對植物的光譜特性的影響介于氮素與磷素之間。和磷素一樣，關于鉀素的光譜特性的關系研究較少，結果也不太一致。鉀素雖然也對作物葉綠素的形成有一定影響， 但與氮素相比不起主導作用，因此利用可見光來監(jiān)測鉀素存在一定的困難。但是由于鉀的豐缺會影響到作物葉片的結構和葉片的水分狀況，因此也必然會影響其近紅外、中紅外的光譜信息。 楊雪紅 [13]對棉花鉀素與光譜特征研究表明，原始反射率進行微分處理能提供模型的預測精度，在所有預測模型中，二階微分模型的預測效果最好，由 45 個樣本所得出的回歸方程的相關系數達到 ，達到極顯著水平，預測精度達到 %，均方根誤差為 。朱西存等 [14]用光譜分析對蘋果花鉀素含量的估測研究表明，蘋果花光譜反射率的一階 微分與鉀素含量相關性最顯著，以篩選出的敏感波長 669nm 和1442nm 的一階微分建立的估測模型具有較好的線性趨勢，擬合方程的相關系數為 ，均方根誤差為。王磊等 [15]對春玉米生育期葉片鉀營養(yǎng)水平研究表明，不同生育時期葉片鉀含量與其光譜反射率的相關關系在光譜維方向存在明顯差別， 730~930nm 和 960~1100nm 兩波段為春玉米喇叭口期評價鉀營養(yǎng)狀況的敏感波段，光譜變量 R767+R1057， （ R767+R1057） /（ logR767+logR1057）和（ R767R1057） /（ logR767logR1057 ）均能很好的預測喇叭口期葉片鉀含量。 Agustin Pimstein 等 [16]通過在印度和以色列試驗田對小麥的冠層光譜和生化參數的研究表明，利用傳統的和新開發(fā)的植被指數，與偏最小二乘回歸模型，分別從小麥冠層光譜數據計算預測鉀和磷含量， PLS 模型的應用和特定的窄波段的植被指數達到了顯著水平。 通過以上分析得出，作物鉀的營養(yǎng)狀況與其光譜特性的研究仍比較少，目前的對于該方面的研究結果也是有比較大的不同。和磷素一樣，不同鉀營養(yǎng)水平下的光譜反射率內在的農學參數，光譜參數等關系，以及鉀素監(jiān)測的 最佳波段與時期仍有待發(fā)展與研究 [15]。 本研究將通過高光譜數據，采用紅邊參數、偏最小二乘回歸以及 BP 人工神經網絡算法分別對水稻氮磷鉀含量進行估測，在對三種算法進行對比分析的基礎上，判斷高光譜技術對水稻氮磷鉀含量預測和診斷的能力。 2 材料與方法 4 試驗設計 水稻氮試驗設計 田間試驗地點在浙江省富陽市高橋鎮(zhèn)。供試水稻品種為直播稻秀水 110，于 20xx 年 6 月 5 日播種。試驗采用單因素完全隨機區(qū)組設計， 5 個氮肥施用水平 : 0、 60、 90、 1 150 kg/hm2，分別標記為 N0、 NN N N4， 4 個重復。氮肥采用尿素，其中基肥 50%，分蘗肥 35%，穗肥 15%。另外，每個小區(qū)施用相同量磷肥 (過磷酸鈣 )225 kg/hm2 作基肥，鉀肥 (氯化鉀 )按 300 kg/hm2 標準分 2 次分別在孕穗期和抽穗期等量均勻施入各試驗小區(qū)。 水稻磷試驗設計 水培試驗于 20xx 年 6~10 月進行。試驗采用帶孔木蓋塑料桶 (28 個，容積 L)盛裝培養(yǎng)液，培養(yǎng)液按國際水稻所 1972年配方配置，并加入 1 。設 4個磷素水平 : 0， ， ， 10 mgL1，分別記為 P1， P2， P3和 P4，設 7 個重復，每盆 5株。移栽后，將試驗盆放在陽光充足、溫度適宜的網室中，并按一般水稻水培試驗要求管理。 水稻鉀試驗設計 水培試驗于 20xx 年 6~10 月進行。 試驗采用帶孔木蓋塑料桶 (28 個，容積 L)盛裝培養(yǎng)液，培養(yǎng)液按國際水稻所 1972年配方配置，并加入 1 molL 1Na2 SiO3 溶液。設 4個鉀素水平 : 0， 10， 20， 40 mgL 1，分別記為 K1 , K2 ,K3 和 K4 ， 設 7個重復，每盆 5 株。 移 栽后，將試驗盆放在陽光充足、溫度適宜的網室中，并按一般水稻水培試驗要求管理。 數據采集 水稻氮磷鉀高光譜數據測定 光譜數據和水稻樣本采集于水稻拔節(jié)期。水稻冠層光譜數據采用美國 ASD 公司生產的 FieldSpec 光譜 5 儀獲得。選擇晴朗無風無云天氣，北京時間 10:30～ 13:00 太陽高度角變化量小的時間段進行，探頭視場角為 25176。，光譜范圍為 350～ 2500 nm。測定時，光譜儀距冠層頂部垂直距離 m，每次采集目標光譜前后都立即進行標準白板校正，每次記錄 10 個采樣光譜，以其平均 值作為該盆水稻冠層的光譜反射值。 水稻氮磷鉀含量測定 葉片總氮含量 (LNC)：采集的水稻葉片樣品 ,在 70℃ 烘干、粉碎、稱重后采用標準微量開氏定氮法測定。單位 %[17]。 葉片全磷含量 :先用 H2SO4H2O2消煮，然后用釩鉬黃法在紫外可見光光度計 450 nm處比色測定。葉片磷含量以干基百分含量表示。單位 %[17]。 葉片全鉀含量 :先用 H2SO4H2O2消煮，然后用原子吸收分光光度計測定。單位 %[17]。 光譜數據預處理 在進行光譜數據分析前，由于光譜儀在不同波段對 能量的差異，使得光譜曲線存在著很多噪聲，使得光譜曲線不平滑。本文利用平滑窗口為 3的移動平均方法對光譜曲線進行平滑處理，從而去除包含在光譜數據中的噪聲。 研究方法 紅邊參數 紅邊是由于植被在紅光波段由于葉綠素強烈的吸收與近紅外波段光在葉片內部的多次散射從而形成的強烈的反射所造成的。 通過計算光譜反射率在 680~750nm之間的一階微分來計算紅邊參數，利用這些參數建立線性模型。模型參數 [18]包括： 紅邊位置 : 當一階微分值達最大時所對應的波長 (λred) 。 紅吸收峰 ( 紅谷 ) : 紅波段的反射率最小點 , 本文指 600～ 720 nm 之間反射率最小處的波長值。 紅邊振幅 : 當波長 為紅邊時的一階微 分值 ( dλred) 。 最小振幅 : 波長在 680～ 750 nm 之間的最小一階微分值 (dλmin) 。 比值 : 紅邊振幅與最小振幅的比值 ( dλred/ dλmin) 。 間隔偏最小二乘法 siPLS 6 偏最小二乘回歸是由 Wold 和 Albano 于 1983 年提出 ,其最大優(yōu)勢是能在自變量存在嚴重多重相關的條件下有效回歸建模 , 因此在 高光譜領域也日益受到關注。 PLS 方法已經被證實是從植被冠層光譜數據中提取植物葉面等參數的最有效的經驗方法，已經開始較多的應用在對農作物的遙感監(jiān)測研究當中 [19]。鑒于此，本文利用 PLS 方法對水稻氮磷鉀 3 種營養(yǎng)元素進行組合模型來驗證。 PLS 的具體運算流程可以參考相關文獻 [20]。 普通 PLS是基于全波段的回歸方程，每個波段的歸一化回歸系數表明波段的重要性。 PLS 算法多種多樣，有間隔 PLS、后向間隔 PLS、移動窗 PLS、協同間隔 PLS 等方法。 本文采用協同間隔 PLS來建立模型。所謂的 siPLS，即將所 有波段以相同的寬度分為 N 個間隔，對這N 個間隔進行每兩個間隔的光譜數據進行建立模型，算出訓練模型的 RMSE，并從中選取 RMSE最小的模型 為最 優(yōu)模型。 BP人工神經網絡 BP 神經網