【正文】 ....................................................4 數(shù)據(jù)采集 ........................................................................................4 水稻氮磷鉀高光譜數(shù)據(jù)測定 ..................................................4 水稻氮磷鉀含量測定 .............................................................5 光譜數(shù)據(jù)預(yù)處理 ............................................................................5 研究方法 ........................................................................................5 紅邊參數(shù) .................................................................................5 間隔偏最小二乘法 .................................................................5 人工神經(jīng)網(wǎng)絡(luò) ....................................................................5 精度驗證 ........................................................................................6 3 結(jié)果與討論 ...........................................................................................7 水稻氮磷鉀含量的基本統(tǒng)計 .........................................................7 水稻葉片光譜反射率葉片氮磷鉀含量的相關(guān)關(guān)系 ......................7 水稻葉片光譜反射率葉片氮含量的相關(guān)關(guān)系 .......................7 水稻葉片光譜反射率葉片磷含量的相關(guān)關(guān)系 .......................8 水稻葉片光譜反射率葉片鉀含量的相關(guān)關(guān)系 .......................8 水稻氮含量的高光譜預(yù)測 ............................................................8 利用紅邊比值參數(shù)反演水稻氮素含量 ..................................9 利用 PLS 對氮含量建立模型結(jié)果分析 ................................ 10 BP 人工神經(jīng)網(wǎng)絡(luò)對氮含量的分析 ....................................... 11 水稻磷含量的高光譜診斷 .......................................................... 11 利用紅邊比值參數(shù)反演水稻磷素含量 ................................ 12 利用 PLS 對磷含 量建立模型結(jié)果分析 ................................ 12 BP 人工神經(jīng)網(wǎng)絡(luò)對磷含量的分析 ....................................... 13 水稻鉀含量的高光譜診斷 .......................................................... 14 利用紅邊比值參數(shù)反演水稻鉀素含量 ................................ 14 利用 PLS 對鉀含量建立模型結(jié)果分析 ................................ 15 BP 人工神經(jīng)網(wǎng)絡(luò)對鉀含量的分析 ....................................... 16 4 結(jié)論 .................................................................................................... 17 參考文獻(xiàn) ............................................................................................... 17 致謝 ....................................................................................................... 18 ABSTRACT........................................................................................... 19 1 水稻氮磷鉀的高光譜遙感診斷 孫偉 南京信息工程大學(xué)遙感科學(xué)與技術(shù)系，南京 210044 摘要： 水稻營養(yǎng)診斷的傳統(tǒng)化學(xué)分析方法費時費力，且診斷結(jié)果無法及時被應(yīng)用到生產(chǎn)中。高光譜遙感技術(shù)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(nóng)作物長勢的營養(yǎng)監(jiān)測與估產(chǎn)、病蟲災(zāi)害防治等方面做出了重要的貢獻(xiàn)。 Horle 等 [4]研究表明， “紅邊 ”與植被葉綠素濃度之間的關(guān)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。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(yīng)就取樣部位等作出嚴(yán)格操作規(guī)定。 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(yīng)敏感期，350~730nm 和 1420~1800nm是磷素營養(yǎng)的光譜敏感波段。但是由于鉀的豐缺會影響到作物葉片的結(jié)構(gòu)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。 2 材料與方法 4 試驗設(shè)計 水稻氮試驗設(shè)計 田間試驗地點在浙江省富陽市高橋鎮(zhèn)。L1，分別記為 P1， P2， P3和 P4，設(shè) 7 個重復(fù)，每盆 5株。 數(shù)據(jù)采集 水稻氮磷鉀高光譜數(shù)據(jù)測定 光譜數(shù)據(jù)和水稻樣本采集于水稻拔節(jié)期。葉片磷含量以干基百分含量表示。模型參數(shù) [18]包括： 紅邊位置 : 當(dāng)一階微分值達(dá)最大時所對應(yīng)的波長 (λred) 。 PLS 的具體運算流程可以參考相關(guān)文獻(xiàn) [20]。此過程反復(fù)交替進行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過程 [21]。 7 高光譜數(shù)據(jù)的預(yù)處理在 Excel中進行，紅邊參數(shù)、 siPLS以及 BP 人工神經(jīng)網(wǎng)絡(luò)模型的建立采用 軟件進行編程實現(xiàn)。 8 0 500 1000 1500 20xx 2500波段/nm相關(guān)系數(shù) 圖 1 水稻 葉片光譜反射率與葉片總氮含量的相關(guān)關(guān)系 水稻葉片光譜反射率與葉片磷含量的相關(guān)關(guān)系 將水稻 磷素高光譜反射率數(shù)據(jù)與磷含量進行單相關(guān)分析，如圖 1 所示，查生物統(tǒng)計表可知， 95%置信度顯著相關(guān)的臨界值： （水稻磷含量 40 個樣本）； 99%置信度顯著相關(guān)的臨界值： （水稻磷含量40 個樣本）。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。而檢驗集的均方根誤差 RMSE 為 ，檢驗集的相關(guān)系數(shù) R 為 。 r= RMSEP= Bias=2 2 測量值/%預(yù)測值/% 圖 5 siPLS 模型檢驗數(shù)據(jù)的測量值與模型估計值間的關(guān)系 11 利用 BP人工神經(jīng)網(wǎng)絡(luò)對水稻葉片氮含量的估測 根據(jù)水稻葉片氮含量與葉片光譜反射率的相關(guān)性特征，在具有顯著相關(guān)性的波長范圍內(nèi)選擇相關(guān)系數(shù)的峰值點所對應(yīng)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 。但是，基于 siPLS的估測精度還是略優(yōu)于 BP 人工神經(jīng)網(wǎng)絡(luò)模型。 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。用訓(xùn)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。比值先隨著鉀含量增加而增加，在鉀過量時又隨之減少。 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。用訓(xùn)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。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。 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