【正文】 向傳播兩個(gè)過(guò)程組成，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值。 nyyRM SEni ii????? 12)( (1) ????????? niiniiiyyyyR1212)()(1 (2) 式中 , n為樣本數(shù) , yi 為樣本 i 的測(cè)定值 , iy?為利用模型預(yù)測(cè)出的組分濃度， y 表示的為所有樣本的平均值。 在 11101140nm范圍內(nèi)，最大相關(guān)系數(shù)為 ，表現(xiàn)出明顯的正相關(guān)；在 680720nm 范圍內(nèi)，表現(xiàn)出極明顯的負(fù)相關(guān)，最大值為 。 0 500 1000 1500 20xx 2500波段/nm相關(guān)系數(shù) 圖 3 水稻葉片光譜反射率與葉片總鉀含量的相關(guān)關(guān)系 水稻氮含量的高光譜估測(cè) 利用紅邊比值參數(shù)估測(cè)水稻葉片總氮含量 表 2 水稻不同氮素水平下紅邊參數(shù)的變化規(guī)律 氮水平 紅邊位置 (nm) 紅谷 (nm) 紅邊振幅 最小振幅 比值 N1 720 667 N2 719 665 N3 726 662 N4 726 664 表 2表明氮素水平在完全缺氮和缺氮時(shí)紅邊位置基本相同，在正常氮水平和氮過(guò)量時(shí)，紅邊位置向長(zhǎng)波方向移 動(dòng)。 利用紅邊比值建立的線性模型如圖 4 所示。而檢驗(yàn)集的均方根誤差 RMSE 為 ，檢驗(yàn)集的 相關(guān)系數(shù) R 為 。 R2 = 測(cè)量值/%估計(jì)值/% 圖 6 人工神經(jīng)網(wǎng)絡(luò)模型氮素檢驗(yàn)數(shù)據(jù)的測(cè)量值與模型估計(jì)值間的關(guān)系 表 3是分別對(duì)基于紅邊參數(shù)、 siPLS 和 BP 人工神經(jīng)網(wǎng)絡(luò)方法的水稻葉片總氮含量估測(cè)能力的比較。比值在磷含量增加隨之增大，在磷過(guò)量時(shí)減小。利用 BP 人工神經(jīng)網(wǎng)絡(luò)建立水稻葉片磷含量和光譜反射率之間的非線性模型。紅邊振幅隨著鉀含量的增加隨之增加。但檢驗(yàn)集的均方根誤差 RMSE較大，值為 。利用 BP 人工神經(jīng)網(wǎng)絡(luò)建立水稻葉片鉀含量和光譜反射率之間的非線性模型。水稻缺氮，先從老葉片的尖端開(kāi)始發(fā)黃，后逐漸由莖葉延及心葉，最后發(fā)展至全株成黃綠色；水稻缺磷，初期植株個(gè)體矮小，莖葉狹細(xì)，葉片直挺，葉頂 部整齊，老葉呈灰紫色，新葉呈暗綠色。 19 Hyperspectral remote sense diagnosis of the content of nitrogen, phosphorus and potassium in rice Sun Wei Department of Remote Sensing, Nanjing University of Information Science and Technology, Nanjing 210044 ABSTRACT Rice nutritional diagnosis of the traditional chemical analysis methods are time consuming, and diagnosis in a timely manner can not be applied to the production. Based on plant spectral reflectance properties of the ground hyperspectral technology has the advantages of accurate, fast, high degree of automation, nondestructive, it is possible to diagnosis the growing of rice and its nutrition rapidly. In this study, the data sources e from the rice jointing stage leaf based on hyperspectral data. The red edge parameters, synergy interval partial least squares and BP neural work method which monly used in hyperspectral data processing are used to analyze the ground hyperspectral estimates of rice NPK contents. In the way of rice nitrogen ,the sensitive wavelength range were identified from 470 to 1300nm, Accuracy of estimation model based on artificial neural works in siPLS and BP Rice nitrogen content higher than the estimate based on the parameters of the red edge model, the correlation coefficient is close to or greater than , the root mean square error RMSE between to 。 本研究 通過(guò)地面便攜式光譜儀測(cè)定不同氮磷鉀水平下的水稻葉片高光譜以及葉片氮磷鉀含量的室內(nèi)化學(xué)分析，采用 紅邊參數(shù)，協(xié)同間隔偏最小二乘法（ siPLS）和 BP 人工神經(jīng)網(wǎng) 絡(luò)這三種方法分別分析 水稻葉片氮磷鉀含量和葉片高光譜之間的關(guān)系 。 R2 = 測(cè)量值/%估計(jì)值/% 圖 11 人工神經(jīng)網(wǎng)絡(luò)模型鉀素檢驗(yàn)數(shù)據(jù)的測(cè)量值與模型估計(jì)值間的關(guān)系 表 7 是分別對(duì)基于紅邊參數(shù)、 siPLS 和 BP 人工神經(jīng)網(wǎng)絡(luò)方法的水稻葉片總鉀含量估測(cè)能力的比較。通過(guò)篩選最終從 66個(gè)模型中保留了間隔為 [3 5]，相應(yīng)的波長(zhǎng)范圍為 658808m 和 9621112nm 作為最優(yōu)模型，并利用測(cè)試數(shù)據(jù)對(duì)模型的精度進(jìn)行驗(yàn)證，結(jié)果如圖 10 所示。模型建立前，將樣本分成兩個(gè)數(shù)據(jù)集，一個(gè)是訓(xùn)練樣本集（ Train），另一個(gè)是測(cè)試樣本集（ Test）。 R2 = 測(cè)量值/%估計(jì)值/% 圖 8 人工神經(jīng)網(wǎng)絡(luò)模型氮素檢驗(yàn)數(shù)據(jù)的測(cè)量值與模型估計(jì)值間的關(guān)系 表 5 分別對(duì)基于 siPLS 和 BP 人工神經(jīng)網(wǎng)絡(luò)方法的水稻葉片總磷含量估測(cè)能力的比較。通過(guò)篩選最終從 66個(gè)模型中選擇間隔為 [2 3]，相應(yīng)波長(zhǎng)為 504656nm 和 658808nm 的 siPLS 模型作為最優(yōu)模型，并利用測(cè)試數(shù)據(jù)對(duì)模型的精度進(jìn)行驗(yàn)證，結(jié)果如圖 7 所示。 水稻磷含量的高光譜診斷 12 利用紅邊比值參數(shù)反演水稻磷素含量 表 4 水稻不同磷素水平紅邊參數(shù)的變化規(guī)律 磷水平 紅邊位置 (nm) 紅谷 (nm) 紅邊振幅 最小振幅 比值 P1 722 671 P2 726 670 P3 727 672 P4 727 671 表 4表明不同磷水平下紅邊位置在隨著磷含量的增加隨之向長(zhǎng)波方向移動(dòng)，在缺磷、正常磷與磷過(guò)量水平時(shí)，紅邊位置基本保持不變。模型建立前，將樣本分成兩個(gè)數(shù)據(jù)集，一個(gè)是訓(xùn)練樣本集（ Train），另一個(gè)是測(cè)試樣本集（ Test）。 利用 siPLS對(duì)水稻氮含量的估測(cè) 利用水稻葉片光譜反射率建立 siPLS模型。 為了利用紅邊參數(shù)更精確的估算水稻葉片氮素含量，本研究依據(jù)相關(guān)性最好的比值作為自變量。 在 9201020nm 范圍內(nèi)，最大相關(guān)系數(shù)為 ，表現(xiàn)出明顯的正相關(guān)；在 510620nm范圍內(nèi)，表現(xiàn)出極明顯的負(fù)相關(guān)，最大值為 。從表中可看出，水稻葉片氮磷鉀含量的平均值分別為 %、 %、 %，標(biāo)準(zhǔn)差分別為 %、 %、 %。傳遞函數(shù)分別為 tansig和 purelin，訓(xùn)練函數(shù)為 trainlm。 PLS 算法多種多樣，有間隔 PLS、后向間隔 PLS、移動(dòng)窗 PLS、協(xié)同間隔 PLS 等方法。 紅邊振幅 : 當(dāng)波長(zhǎng) 為紅邊時(shí)的一階微 分值 ( dλred) 。 葉片全鉀含量 :先用 H2SO4H2O2消煮，然后用原子吸收分光光度計(jì)測(cè)定。選擇晴朗無(wú)風(fēng)無(wú)云天氣，北京時(shí)間 10:30～ 13:00 太陽(yáng)高度角變化量小的時(shí)間段進(jìn)行，探頭視場(chǎng)角為 25176。 水稻鉀試驗(yàn)設(shè)計(jì) 水培試驗(yàn)于 20xx 年 6~10 月進(jìn)行。試驗(yàn)采用單因素完全隨機(jī)區(qū)組設(shè)計(jì)， 5 個(gè)氮肥施用水平 : 0、 60、 90、 1 150 kg/hm2，分別標(biāo)記為 N0、 NN N N4， 4 個(gè)重復(fù)。朱西存等 [14]用光譜分析對(duì)蘋(píng)果花鉀素含量的估測(cè)研究表明，蘋(píng)果花光譜反射率的一階 微分與鉀素含量相關(guān)性最顯著，以篩選出的敏感波長(zhǎng) 669nm 和1442nm 的一階微分建立的估測(cè)模型具有較好的線性趨勢(shì)，擬合方程的相關(guān)系數(shù)為 ，均方根誤差為。劉煒等 [11]對(duì)冬小麥研究表明，冬小麥葉片原始光譜對(duì)葉片磷素含量的敏感波長(zhǎng)范圍為426~435nm 和 669~680nm，其一階導(dǎo)數(shù)光譜的敏感波長(zhǎng)范圍為 481~493nm 和 685~696nm。對(duì)于高光譜遙感監(jiān)測(cè)作物氮素研究來(lái)說(shuō)，其研究相對(duì)較多 ，方法以及結(jié)論也相對(duì)較為一致。這些研究表明，利用 “紅邊 ”參數(shù)等光譜變量來(lái)監(jiān)測(cè)作物葉綠素濃度和其他生化組分是切實(shí)可行，這些生化組分與氮素的營(yíng)養(yǎng)狀況密不可分，因此可以用此方法來(lái)間接評(píng)價(jià)作物氮素的營(yíng)養(yǎng)狀況。傳統(tǒng)的水稻營(yíng)養(yǎng)診斷方法主 要是基于實(shí)驗(yàn)室對(duì)作物組織進(jìn)行化學(xué)分析。 基于植物光譜反射 特性的地面高光譜技術(shù)具有準(zhǔn)確