具体实施方式

为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

本发明提供了一种水稻氮素含量反演高光谱植被指数构建方法，如图1所示，包括以下步骤：

S1、划分氮肥处理梯度，对不同梯度的水稻选用不同的氮肥、磷肥和钾肥施肥量，获得对照组和实验组。

本实施例的试验地点位于辽宁省海城市耿庄镇沈阳农业大学精准农业航空科研基地(北纬40°58'45.39"，东经122°43'47.0064")，试验品种为辽宁地区广泛种植的“粳优653”品种。试验在水稻生长的不同阶段进行：返青期、分蘖期、拔节期、抽穗期进行水稻叶片高光谱反射率测量与全氮含量测定。

试验小区设计为5个氮肥梯度处理，分别为N0、N1、N2、N3，N4；各小区之间采用田埂进行分隔。其中N0为对照组，即不施用基肥；N3为当地标准氮基肥施用水平，氮肥施用量为150kg/hm²，N1，N2为低氮施肥水平，施用量分别为50kg/kg/hm²，100kg/kg/hm²；N4为高氮施肥水平，施用量为200kg/hm²；磷肥和钾肥的施用按照当地标准施用量进行，其中磷肥标准施用量为144kg/hm²，钾肥标准施用量为192kg/hm²。每个氮肥梯度进行三次重复，每个小区面积40m²(5m×8m),区组随机排列。氮肥按基肥：分蘖肥：穗肥＝5:3:2追加施用。其他田间管理按当地正常水平进行。每周进行一次样品采集，每小区取四穴样本测量鲜物质重，干物质重及氮素含量。

S2、获取植被指数构建数据。

S2.1、获取水稻叶片高光谱反射率信息。

水稻叶片高光谱测量采用海洋光学的HR2000+光纤光谱仪，HR2000+整合了高分辨率光学平台，2MHz的A/D转换器，可编程电子器件，采集速度、光谱分辨率较高(半高峰宽为0.035nm)，有效波长范围在400nm～1000nm之间，适合用于水稻叶片高光谱反射率数据快速采集。为了保证光谱反射率的采集质量，本发明在测量环节接入积分球，保证光谱仪光源发出的光在叶片上分布均匀。水稻叶片高光谱采集过程中，每5分钟进行一次标准版反射率定标(反射率>99％)和光谱仪仪器背景暗噪声光谱数据的采集，用于获取水稻叶片精准的反射率信息。每个叶片采集三个位置，每个位置进行五次重复采集，通过计算平均高光谱反射率来表征水稻最终的高光谱反射率信息。

S2.2、测定水稻叶片氮素含量。

对每个小区中采样点水稻进行整穴破坏性取样，带回实验室后将该穴水稻所有新鲜叶片剪下置于烘箱中以120℃杀青60min，再以80℃烘干至恒重。称量后将其粉碎，把研磨好的粉末采用凯氏定氮法检测叶片的含氮量(mg/g)，具体步骤如下：

(1)称量与炭化，在分析天平中放入称量纸进行校零；将干燥过后的样品放入称量纸上，称取0.2±0.01g；将称量好的水稻干叶样品放入50mL锥形瓶内并编号，将100mL的浓硫酸溶液分别加入锥形瓶，摇匀，放至干燥器皿中静置4h，直至瓶中样品彻底炭化；

(2)煮沸与蒸馏，将2～3mL浓度为30％的过氧化氢溶液加入每个锥形瓶中，然后加热至出现酸雾后，继续加热10min后取下，并继续向其中滴入2～3mL浓度为30％的过氧化氢溶液，加热至瓶中溶液澄清透明；将溶液放入量程为50mL的容量瓶内，待溶液冷却后定容至50mL；称量10mL浓度为2％的硼酸溶液，并滴入1～2滴甲基红-溴甲酚绿指示剂，将配置好的硼酸溶液置于蒸馏器的出液口处；量取5mL配置好的过氧化氢溶液与5mL的10mol/L过氧化钠溶液混合，放入蒸馏器中加热蒸馏；同时，使用pH试纸对蒸馏器出口处的冷凝液进行pH测试，当pH等于7时，暂停加热；

(3)滴定，采用浓度为0.02mol/L的硫酸对硼酸溶液进行滴定，直至硼酸溶液逐渐变成酒红色为止，并记下所用硫酸体积；同时进行空白对照实验；

(4)水稻叶片氮素含量计算，计算公式如下：

V1、V0分别为样品所用的硫酸溶液体积和空白实验所用的硫酸溶液体积；N为硫酸溶液浓度；w为样品重量。

S3、对采集的400nm～1000nm范围内的水稻叶片高光谱反射率信息进行重采样。

由于高光谱仪具有较高的光谱分辨率，在400nm～1000nm之间，本发明所获取的水稻高光谱反射率具有较高的数据维度，而植被指数通常是由几个特征波段通过一定方式组合构建的一种数学表达形式，因此如何从连续的高光谱反射率中提取与水稻氮素含量具有相关性的特征波段是构建氮素含量反演植被指数的基础。

本发明采集的水稻叶片高光谱反射率信息，相邻波段之间的具有较强的共线性，本发明首先利用光谱插值方法，对所采集的400nm～1000nm范围内的水稻叶片高光谱信息进行重采样。在此基础上，利用连续投影法对所选范围内的高光谱反射率信息进行特征波段提取。

S4、提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段

连续投影算法(successive projections algorithm,SPA)是一种前向波段选取方法，从一个波段变量开始，每次循环都计算其在剩余波段内的投影，并将投影向量最大值对应的波段引入到波段组合中，同时保证选入波段与前一个波段的相关度最低，之后重复以上步骤，直至选出的波段数满足给定的要求为止。由于连续投影算法能够在有效减小变量间的共线性的同时建立冗余信息量最小的波段组合，大大降低了建模所用的波段数目，连续投影法算法流程如下：

将样本数据组合成光谱数据矩阵X_M×K，其中M为样品数，K为波段个数，从矩阵中选取。

{X_K(0)}为初始的迭代向量，假设根据实际需求需选取N个特征波段变量，则{X_K(0)＝0,…,N-1}为最后提取的变量。

首先，当初始情况即仅选择一个特征波长(N＝1)时，首先从光谱矩阵中随机选择一个列向量j(j＝K(0))赋值给X，X即为初始迭代向量X_k(0)，同时将去除这个列向量后的光谱数据矩阵定义为S，那么S可表示为：

根据公式来计算所选的初始迭代向量X_k(0)与剩余矩阵集合(S)中的投影向量：

其中，将挑选投影中的最大序号记为K_(n)＝arg(max||P_xj||)，其中j∈S。循环计算后，用所选变量初步建立多元线性回归模型并选择最小均方根误差对应的K_(p)为最终的特征波长选择结果。

S5、利用波段特征转移法对所述特征波段进行转换，构建氮素特征转移指数NCTI(Nitrogen Characteristic TransferIndex)。

现有水稻氮素含量植被指数的构建大多是在植被指数形式已确定的情况下，通过更换不同波段来形成新的植被指数，这种方法的特点是可利用成熟的植被指数构建行式，根据反演参量的不同来确定最优的波段，例如NDSI等，这样植被指数的构建形式大多以两波段植被指数居多。

本发明在植被指数构建过程中，首先通过特征波段选择方法，从高维的高光谱信息中提取特征波段子集。在此基础上，提出了一种波段特征转移的思路，将多个特征波段转换为3个波段构成氮素特征转移指数NCTI，波段特征转移法构建植被指数具体步骤如下：

S5.1、已知氮素含量高光谱特征波段x₁、x₂、x₃……x_n，选择波段x_t(t∈1、2……n)作为特征转移波段；

S5.2、利用其他特征波段x_f(f∈1、2……n，且f≠t)与x_t做比值，构建多组的特征光谱比值，既

S5.3、选择两组特征光谱比值B_f(f∈1、2……n),采用公式2构建氮素特征转移指数(NCTI)：

S6、以氮素特征转移指数NCTI为输入，采用线性回归方法构建水稻叶片氮素浓度反演模型。

本发明采用线性回归方法构建水稻叶片氮素浓度反演模型，采用均方根误差(RMSE)和模型决定系数(R²)作为氮素反演模型的评价标准。

下面对上述方法的结果进行分析，包括数据分析、氮素特征转移指数构建结果分析、水稻氮素含量反演结果分析、反演结果分析与评价。

第一、数据分析

(1)水稻叶片氮素样本量

将试验中测得的氮素含量数据，采用3倍标准差分别对各个关键生育期氮素含量进行异常值剔除。同时采用蒙特卡洛算法将各关键生育期异常光谱数据剔除，最终得到173个样本。同时采用Kennard-Stone算法(KS)将样本按照训练集与验证集4∶1的比例进行划分,其中训练集138个，验证集35个，其氮素含量统计表如表1所示，由表1可知，本发明的建模数据集和验证数据集2组数据除样本量不同之外，其他统计参量相差不大，变异系数均小于40％，满足氮素含量反演要求。

表1水稻叶片氮素质量分数统计表

Table1 Statistical table ofnitrogen content inrice leaves

(2)高光谱数据分析

高光谱仪获取的水稻叶片高光谱反射率是开展定量反演的重要前提，高光谱虽然具有较高的光谱分辨率，但连续波段的高光谱反射率信息中含有大量的冗余信息，本发明采用连续投影算法对400-1000nm波段的水稻高光谱进行特征波段筛选，并利用校正集对筛选波段进行内部交叉验证，根据验证结果的RMSECV值筛选了6个水稻叶片氮素含量高光谱特征波段(见图2)，对应波段分别为500nm，555nm，662nm，690nm，729nm，800nm，筛选的特征波段可作为植被指数构建的数据基础。

第二、氮素特征转移指数构建结果

本发明共提取了6个特征波段，按照所对应氮素含量进行排序，则建模样本量的6个特征波段的反射率分布如图3所示：

由图3可知，SPA所提取的6个特征波段，在氮素含量不同的情况下，存在一定的变化。在所采集的172个样本中可知，所提取的特征波段均有一定的变化，为了能够突出变化特征，本发明将800nm波长作为统一变化基础，另每一个特征波段均与800nm波段反射率做比值，处理后的水稻叶片样本特征变化如图4所示：

由图4可知，其余5个波段与800nm作比值后，其中550nm波长的反射率特征变化较为明显，500nm、662nm、690nm的反射率特征几乎没有变化。729nm与800nm特征较为相近，但729nm与800nm作比值后，仍然保持了很好的特征变化区间。因此本发明分别选择550nm/800nm、729nm/800nm，作为构建植被指数的基础。

由图5和图6可知，经过比值计算后与氮素含量之间的单调关系均有所增加，采用公式(2)构建植被指数如下：

图7为NCTI指数的散点图，通过散点图可知，本发明构建的新型植被指数具有较好的单调变化。

第三、水稻氮素含量反演结果

将本发明所构建的NCTI新型植被指数作为模型输入吗，采用线性回归方法构建水稻叶片氮素含量反演模型，模型决定系数R²为0.813，均方根误差RMSE为0.987(见图8)。

第四、反演结果分析与评价

已有较多学者发明利用植被指数开展水稻叶片氮素含量的反演，本发明从IndexData-Base数据库中选择氮素含量反演中常用的植被指数，用来与本发明所建立的NCTI型植被指数作对比，具体植被指数如表2所示：

表2植被指数表达式一览表

Table 1 Rice yieldperunit area ofdifferent fertilizationmethods

结合表2和图9所示5种指数采用线性回归方法构建的水稻叶片氮素含量反演模型结果，模型决定系数R²均小于0.813，其中归一化植被指数构建的幂函数拟合效果最好，决定系数为0.729。综合模型结果来看，本发明所构建的NCTI新型植被指数线性拟合的效果最好。

本发明以水稻叶片氮素含量高光谱为发明对象，通过特征波段提取筛选出对水稻叶片氮素含量变化敏感的特征波段，构建新型植被指数反演水稻叶片氮素含量。本发明植被指数构建主要思路是首先按照叶片氮素含量由低到高排列，再利用数学变换方法对特征波段进行组合成新型植被指数，通过判断单调性来初步评价植被指数构建的效果。本发明所构建的氮素特征转移指数(NCTI)虽然比传统的植被指数效果要好，但考虑到本发明所采集的试验品种、样本量、数据处理方式等因素，还需要进一步扩大指数的普适性的发明。同时本发明所构建的植被指数还需要进一步探讨农学意义，从而提升光谱技术用于水稻营养定量遥感的机理性。

本发明利用水稻叶片高光谱反射率信息，通过连续投影法提取高光谱特征波段，并运用氮素特征转移法构建了氮素特征转移指数，为水稻氮素含量的快速反演提供技术基础。运用氮素特征转移思路构建了由三个特征波段组合而成的氮素特征转移指数(NCTI)，具体公式为：

以NCTI为输入，运用线性回归的方式构建水稻氮素含量反演模型，其模型R²为0.813，RMSE为0.987，反演效果优于NDVI、EVI等传统植被指数所建立的氮素含量反演模型。

本发明通过选取400nm-1000nm范围内水稻叶片高光谱反射率的特征波段，采用基于特征转移的思想，构建水稻氮素含量氮素特征转移植被指数，以期为水稻叶片氮素含量快速监测构建一种高效、精准的植被指数，为水稻营养诊断、氮高效品种筛选等应用场景提供一种新的易于操作的检测方法。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。