【正文】 1300nm， 基于 siPLS 和 BP 人工神經網絡的水稻氮含量估測模型精度均高于基于紅邊參數(shù)的估測模型，其相關系數(shù)接近或大于 ，均方根誤差 RMSE都在 到 之間；與氮相比，基于三種算 法的水稻葉片磷含量估測模型的均方根誤差 RMSE 均很高，接近或超過 ，相當于水稻磷含量平均值的 1/3，因此，水稻磷素營養(yǎng)的高光譜診斷模型還有待進一步的研究； 水稻鉀素營養(yǎng)的敏感波段范圍為 6581112nm，基于 siPLS 和 BP 人工神經網絡的水稻鉀含量估測模型精度均高于基于紅邊參數(shù)的估測模型，其相關系數(shù)大于 ，均方根誤差 RMSE 接近 ，相當于水稻鉀含量平均值的 1/14。高光譜遙感技術以其較窄波段區(qū)間、波段多、光譜以及空間分辨率高等特點，在農作物長勢的營養(yǎng)監(jiān)測與估產、病蟲災害防治等方面做出了重要的貢獻。而高光譜遙感技術具有準確、快捷、方便等特點，且在診斷農作物的營養(yǎng)狀況、長勢監(jiān)測以及作物產量評估等方面有著自己獨特的優(yōu)勢。 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。 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(xiàn)將一階導數(shù)光譜作為輸入 的話可以得到更高的精度。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。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。 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。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(shù)（ 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。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。 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(shù)的研究表明，利用傳統(tǒng)的和新開發(fā)的植被指數(shù)，與偏最小二乘回歸模型，分別從小麥冠層光譜數(shù)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(shù)達到了顯著水平。 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)。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)。L1，分別記為 P1， P2， P3和 P4，設 7 個重復，每盆 5株。L 1Na2 SiO3 溶液。 數(shù)據采集 水稻氮磷鉀高光譜數(shù)據測定 光譜數(shù)據和水稻樣本采集于水稻拔節(jié)期。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。葉片磷含量以干基百分含量表示。 光譜數(shù)據預處理 在進行光譜數(shù)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。模型參數(shù) [18]包括： 紅邊位置 : 當一階微分值達最大時所對應的波長 (λred) 。 比值 : 紅邊振幅與最小振幅的比值 ( dλred/ dλmin) 。 PLS 的具體運算流程可以參考相關文獻 [20]。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(shù)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。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程 [21]。另一部分作為模型的獨立檢驗數(shù)據集。 7 高光譜數(shù)據的預處理在 Excel中進行，紅邊參數(shù)、 siPLS以及 BP 人工神經網絡模型的建立采用 軟件進行編程實現(xiàn)。查生物統(tǒng)計表可知，相關系數(shù)95%置信度顯著相關的臨界值為 （水稻氮含量 39 個樣本）、 99%置信度顯著相關的臨界值為 （水稻氮 含量 39 個樣本）。 8 0 500 1000 1500 20xx 2500波段/nm相關系數(shù) 圖 1 水稻 葉片光譜反射率與葉片總氮含量的相關關系 水稻葉片光譜反射率與葉片磷含量的相關關系 將水稻 磷素高光譜反射率數(shù)據與磷含量進行單相關分析，如圖 1 所示，查生物統(tǒng)計表可知， 95%置信度顯著相關的臨界值： （水稻磷含量 40 個樣本）； 99%置信度顯著相關的臨界值： （水稻磷含量40 個樣本）。從圖中可以看出，在 350430nm， 460530nm， 6001130nm 和 13501800nm 范圍內，水稻鉀含量與葉片光譜反射率的相關性很明顯。紅邊振幅與比值的數(shù)值在不同氮水平下逐漸增大，最小振幅在完全缺氮與缺氮情況下數(shù)值增大，在正常氮和氮完全過量水平時數(shù)值減小。用訓練樣本集進行建模，利用測試樣本集對建立的模型進行模型精度檢驗。而檢驗集的均方根誤差 RMSE 為 ，檢驗集的相關系數(shù) R 為 。通過篩選最終從 66個模型中選擇間隔為 [1 4]，相應的波長范圍分別為 350502nm 和 812964nm的 siPLS模型作為最優(yōu)模型，并利用測試數(shù)據對模型的精度進行驗證，結果如圖 5 所示。 r= RMSEP= Bias=2 2 測量值/%預測值/% 圖 5 siPLS 模型檢驗數(shù)據的測量值與模型估計值間的關系 11 利用 BP人工神經網絡對水稻葉片氮含量的估測 根據水稻葉片氮含量與葉片光譜反射率的相關性特征，在具有顯著相關性的波長范圍內選擇相關系數(shù)的峰值點所對應的波長作為 BP 模型的自變量，這些波段分別為 556nm， 702 nm， 806 nm， 923 nm 和1123nm 。由此模型計算出的水稻葉片氮含量的實測值與估計值相關關系如圖 6 所示。但是，基于 siPLS的估測精度還是略優(yōu)于 BP 人工神經網絡模型。紅邊振幅隨磷含量增加也隨之增加，缺磷與磷過量時基本相同，完全缺磷時數(shù)值最小。 利用 siPLS對水稻磷含量的 估測 利用水稻葉片光譜反射率建立 siPLS模型。另外，水稻磷含量實測值與模型估計值分散在擬合直線的兩邊，不夠均勻。用訓練樣本集進行建模，利用測試樣本集對建立的模型進行反演與模型精度檢驗。 14 表 5 基于三種算法的水稻葉片磷含量估測精度的比較 均方根誤差 相關系數(shù) P RMSEtrain RMSEtest Rtrain Rtest siPLS BP 人工神經網絡 注： RMSEtrain 為訓練樣本的均方根誤差； RMSEtest 為測試樣本的均方根誤差； Rtrain 為訓練集中葉片營養(yǎng) 元素含量實測值與預測值的相關系數(shù)； Rtest為測試集中葉片營養(yǎng)元素含量實測值與預測值的相關系數(shù)。比值先隨著鉀含量增加而增加，在鉀過量時又隨之減少。其利用紅邊振幅來建立線性模型如圖 9 所示。 利用 siPLS對水稻鉀含量的估測 利用水稻葉片光譜反射率建立 siPLS模型。由此可見，基于 siPLS 的水稻葉片鉀含量的預測精度高于基于紅邊參數(shù)的水稻鉀含量預測精度。用訓練樣本集進行建模，利用測試樣本集對建立的模型進行反演與模型精度檢驗。 表 7 基于三種算法的水稻葉片鉀含估測精度的比較 均方根誤差 相關系數(shù) K RMSEtrain RMSEtest Rtrain Rtest 紅邊參數(shù) siPLS BP 人工神經網絡 注： RMSEtrain 為訓練樣本的均方根誤差； RMSEtest 為測試樣本的均方根誤差； Rtrain 為訓練集中葉片營養(yǎng)元素含 量實測值與預測值的相關系數(shù)； Rtest 為測試集中葉片營養(yǎng)元素含量實測值與預測值的相關系數(shù)。因此，水稻在不同的營養(yǎng)狀況下，缺氮、磷和鉀這三種營養(yǎng)元素，表現(xiàn)出不同的生長狀況，進而影響到其葉片高光譜反射率的值，因此。最后，鑒于水稻數(shù)據生育期和品種的不完整性 ,本研究所得到的結論還有待下一步系統(tǒng)的分析和驗證。 In the way of rice Potassium, the sensitive wavelength range were identified from 658 to 1112nm, Accuracy of estimation model based on siPLS and BP artificial neural work estimation model are higher than estimation model based on red edge parameters the correlation coefficient greater than , the root mean square error RMSE close to , equivalent to 1/14 of the average potassium content of rice. Finally, considering the inpleteness of the growth period and varieties of rice data, the conclusion of this study should to be taken for further analysis and verification. Key word: Rice, Nitrogen, Phosphorus,Potassium, Hyperspectral