0引言
正则化的具体做法氮素是各类作物生长发育的核心元素之一，是组成作物体内蛋白质、核酸的重要基础元素，与作物叶片光合作用能力密切相关，是作物生长发育和产量形成的关键因素[1]。现代作物的生产正朝着精细管理、高效种植的方向发展[2]，准确了解作物氮素信息有助于及时采取相关的田间干预措施，从而保证作物高效高质生产[3]。对作物氮素含量的监测由来已久，传统的监测方法主要分为人工目视解译和生理生化分析监测法[4-5]。人工目视解译通过对作物外部形态的目测来判断是否缺乏氮素，缺点在于时效性差且难以衡量氮素缺乏的量。相关研究人员根据水稻叶片含氮量不同会呈现出不同颜这一原理，研制了水稻标准叶卡，并成功地用它来分析田间水稻氮素缺乏情况[6]。生理生化分析法主要通过在实验室进行生理生化试验，对植株中全氮含量进行测量，该方法虽然结果较为准确，但是检测过程长，对植物破坏性较大，难以在实际生产中快速规模化应用[7]。
现代遥感技术的快速发展为作物氮素的估算提供了新的途径。遥感技术可以实现对物体反射光谱的高效、快速、大尺度测量[8]，并且整个过程不会对作物造成伤害[9]。因此，遥感技术逐渐成为作物氮素含量反演中的研究热点。遥感反演作物氮素的机理是基于氮素含量不同，其光谱响应也会存在差异，通过这些差异构建相应的光谱特征参数，进而构建作物氮素含量和光谱之间的函数关系，从而实现对作物氮素含量的反演[10]。利用光谱信息快速获取作物氮素营养状况已经在多种作物上实现[11-13]，相关研究也构建了大量用于监测作物氮素的光谱指数[14-16]，并且采用一元线性回归、支持向量机、偏最小二乘
回归、神经网络、随机森林、主成分分析等方法进行分析和建模。本文对作物氮素含量遥感估算的研究进展进行综述，论述了常见的几种建模方法，总结了基于叶片尺度和冠层尺度的作物氮素含量估算研究进展，分析了影响作物氮素含量估算的两大因素：作物氮素的垂直分布、光谱数据采集的角度差异，最后分析探讨了当前该研究领域存在的问题，并进行了展望。
1作物氮素遥感估算中的估算模型
相关研究人员采用众多建模方法对作物氮素进行遥感估算，主要为线性回归、支持向量回归、偏最小二乘回归、神经网络、随机森林、主成分分析等方法。对不同作物不同时期进行氮素估算时，其最优模型也往往不尽相同。本文详细介绍线性回归模型、支持向量回归和随机森林三种模型。
1.1线性回归模型
线性回归模型主要分为简单线性回归模型和多元线
——————————————————————
—基金项目：阿拉尔农业绿高质量发展创新战略联盟（2021BB
024）。
作者简介：高菊（1997-），女，云南红河州人，硕士生，研究方向为
作物高光谱遥感；王家强（通讯作者）（1977-），男，山东济宁人，博士，教授，研究方向为干旱区资源环境遥感。
作物氮素遥感估算的研究综述
Progress in Remote Sensing Estimation of Crop Nitrogen
高菊GAO Ju ；王家强WANG Jia-qiang
（塔里木大学农学院，阿拉尔843300）
（College of Agriculture ，Tarim University ，Alar 843300，China ）
摘要：氮素是组成作物的核心元素，并且与作物光合作用密切相关，监测作物氮素含量对于作物高产具有重要意义。目前作物氮素的估算已经从最初的人工目视解译、生理生化分析监测发展到以遥感技术为核心光谱估算。本文对作物氮素遥感估算的进展进行综述，回顾了作物氮素估算的发展历程，列举了常见的几种建模方法，总结了基于叶片尺度和冠层尺度的作物氮素含量估算研究进展，分析了影响作物氮素含量估算的两大因素：作物氮素的垂直分布、光谱数据采集的角度差异。最终从多角度立体观测、多源数据的协同应用、估算模型的普适性、估算模型的田间应用四个方面进行了总结与展望。
Abstract:Nitrogen is the core element of crop composition,and it is closely related to crop photosynthesis.Monitoring crop nitrogen
content is of great significance for the high yield of crops.At present,the estimation of crop nitrogen has developed from the initial artificial visual interpretation,physiological and biochemical analysis and monitoring to remote sensing technology as the core spectral estimation.
This paper reviews the research progress of estimation of crop nitrogen,reviews the development process of crop nitrogen estimation,lists several common modeling methods,summarizes the research progress of crop nitrogen content estimation based on leaf scale and canopy scale,and analyzes the two major factors affecting crop nitrogen content estimation:the vertical distribution of crop nitrogen,and the perspective difference of spectral data collection.Finally,this paper summarizes and prospects from four aspects:multi-angle stereoscopic
observation,collaborative application of multi-source data,universality of estimation model and field application of estimation model.
关键词：作物氮素含量；遥感技术；估算模型；研究进展
Key words:crop nitrogen content ；remote sensing technology ；estimation model ；research progress 中图分类号:S127
文献标识码:A
文章编号:1006-4311（2024）03-162-04
doi:10.3969/j.issn.1006-4311.2024.03.052
性回归模型。如公式（1），简单线性回归模型是根据自变量X 和因变量Y 之间的函数关系，建立两者之间的线性回归方程并进行预测的方法。在作物氮素遥感估算中，自变量为光谱信息，因变
量为作物氮素含量。
（1）
如公式（2），多元线性回归指的是建立多个自变量与一个因变量之间的关系，在作物氮素遥感估算中，多个自变量往往为多个波段的光谱数据或者多个光谱指数，因变
量为作物氮素含量。
（2）
1.2随机森林
随机森林是一种设计给决策树使用的集成学习套袋法，具有运算快、精度高等优点，并可以计算出多个自变量对因变量的重要性评分。随机森林算法已经运用到多个领域的建模中，在作物氮素遥感估算研究中的运用更是普遍。随机森林算法结合多个决策树的反演值输出最终预测结果，而每个决策树都是根据随机森林的随机向量值所建立的，进而输出高准确率的结果。
1.3支持向量回归
支持向量机是利用超平面分割数据的机器学习模型，其分割数据的方法为将数据分类，然后向量使数据的分割最大化。支持向量回归是支持向量机的推广形式，该模型在解决非线性关系建模中具有一定优势，在作物氮素估算中的使用也非常普遍，其通过采用核函数来代替线性回归方程中的线性项，常用的
核函数包括：
多项式核函数：
（3）
径向基核函数（酌为正
则化系数）：
（4）
2基于遥感不同尺度对作物氮含量估算的研究进展利用遥感技术对作物氮素含量进行估算的研究中，大多是获取叶片或者冠层两个层次的高光谱遥感数据，从而实现对叶片尺度或者冠层尺度的作物氮素含量监测。在叶片尺度，往往是使用手持高光谱测量仪，对叶片的光谱特征进行一一测量[17]；在冠层尺度，有利用手持高光谱测量仪进行获取光谱数据的，也有利用无人机遥感平台[18]、卫星遥感平台[19]来获取大面积作物冠层叶片的遥感影像，从而实现对其氮素的估算。在不同尺度上对氮素含量的遥感估算呈现出不同的特点。
2.1基于叶片尺度的作物氮素含量遥感估算
基于叶片尺度的作物氮素含量估算是通过手持光谱测量仪获取作物叶片的光谱信息，确定叶片中氮素的特征波段和光谱参数，从而构建估算模型对作物氮素实现估算。
已有研究表明在叶片尺度上，氮素敏感的波段分别是近红外、红边和绿光波段，特别是在450-750nm ；此外，短波红外（2100nm 和2132nm ）也是氮素敏感区域，这些波段均可作为作物叶片氮素含量估算的输入参数[20]。田永超等
研究表明通过构建水稻叶片光谱反射率指数可以准确地反演其氮素含量[21]；李粉玲等人利用光谱仪获取了小麦冠层光谱数据，通过波谱响应函数对冠层叶片氮素含量进行了估算[22]。赵明家等研究发现基于高光谱优化的NDVI 值能更加准确快速地估算到玉米叶片中的氮素含量[23]；冯伟等人研究显示作物的
红边面积对预测叶片氮素含量有较好的效果[24]；其他一些研究者也在叶片尺度上利用遥感技术对小麦和水稻的氮素含量进行了估算，精度均较高[25-27]。然而，叶片尺度对氮素估算的缺点在于只能获取点信息，难以实现对作物大范围的监测。
2.2基于冠层尺度的作物氮素含量遥感估算
直接基于叶片尺度建立作物氮素估算模型的做法仅适用于手持光谱测量仪，如果基于冠层尺度对作物氮素进行遥感估算则可以利用无人机遥感平台、飞机遥感平台和卫星遥感平台，从而可以实现大范围的迅速低成本作物氮素估算。
已有众多研究人员在作物冠层尺度对其氮素含量进行遥感估算。Chen 等人利用红边指数DCNI 估算了玉米和小麦的冠层氮含量，结果显示精度较高[28]；Yao 等人通过构建NDSI 、RSI 、NDS 和RSI 指数成功地对小麦冠层氮素含量进行了预测[29]；张晓东和李哲等人基于油菜和甜菜的冠层光谱特征，对其冠层氮素进行了成功估算[30-31]；冯伟等人利用小麦冠层高光谱遥感影像，提取了特征波段和多种光谱参数，得到了小麦氮素含量和冠层高光谱影像之间的关系，构建了小麦冠层氮素的反演模型[32]。然而，基于冠层尺度的作物氮素含量遥感估算大部分是基于无人机遥感平台、卫星遥感平台，通过这些平台获取的光谱数据的采集角度、大气环境、地表情况均会对光谱产生影响。
3作物氮素遥感估算的影响因素
在叶片尺度上，由于使用手持光谱仪进行直接测量，使得作物氮素光谱只受到手持光谱仪精度的影响，受外界影响较小[33]。而在冠层尺度中，由于遥感平台与作物冠层之间距离较远，会产生一系列影响光谱数据精度的因素。作物的光谱会受到冠层结构、水分状况、土壤背景和水分等因素的综合影响[34]。为了去除掉非光谱信息对光谱反射率的影响，相关研究人员进行了一系列工作，有人利用大气校正来减小大气气体分子和气溶胶散射以及气态物质吸收引起的污染[35]；有人使用影像平滑函数来去除数据中的噪声[36]；有人通过波段深度归一化来减少传感器信噪比、大气效应和背景土壤暴露的影响[37]。除了上述这些影响作物光谱的因素外，作物氮素的垂直分布和光谱数据采集的角度差异影响更大。
3.1作物氮素的垂直分布
作物在生长过程中遇到氮素缺乏时，冠层下层叶片将先由深绿变为黄；随着氮素的持续缺乏，冠层的中层、下层叶片将出现衰老症状，继而变黄。在这个过程中，上层叶片的变化最为缓慢，下层叶片对氮素缺乏的敏感性远高于上层叶片，而传统的遥感主要是自上而下对作物进行观测，从而导致遥感监测作物氮素含量的精准性和及时性。
加上作物种类繁多，冠层结构各不相同，即便是同一作物的不同生育时期其冠层结构也存在很大差异，结构的不同加上氮素供应差异的影响，使得作物的冠层氮含量存在明显的空间异质性特征，而传统遥感的垂直观测只能获取作物部分光谱信息，难以全面反映整体的光谱信息。
王纪华等人计算了差值植被指数，并据此估算了小麦上、中和下层氮积累量，建立了小麦不同垂直层叶片氮素含量预测模型[38]；廖钦洪测定了玉米关键生长发育时期不同叶层叶片的光谱数据，并建立了基于连续小波变换的叶绿素含量估算模型，其反演效果优于植被指数估算模型[39]。Li等人将小麦不同叶层的叶片分别摘除，来研究摘除不同叶层情况下对小麦叶绿素和氮素的估算精度，结果表明去除倒一叶和倒二叶会对预测精度产生显著影响，去除其他叶层则影响微弱[40]；也有研究表明摘除冬小麦下部叶片不会影响模型预测精度[41]。Luo等人的研究表明如果将芦苇的叶层分为5层的话，利用其上3层光谱预测叶片氮素含量较为有效[42]。综上所述，需要获取全面的作物冠层信息，并对获取的光谱信息进行整合，从而进一步提高作物养分状况的监测精度。
3.2光谱数据采集角度的差异
观测角度的改变将影响作物的冠层反射率，传统遥感往往是垂直观测，这种观测往往只能得到作物某一方向的光谱数据，并不能反映作物的立体结构，使得许多光谱指数在叶面积指数较大时会出现不敏感现象，难以对作物氮素实现高精度反演[43]。
而多角度遥感可以获得多个角度的作物光谱信息，且提供了一种表征冠层反射率各向异性的方法，有助于更好地提取理化信息[44]。此外，多角度遥感观测可以改善传统垂直向下方观测时未充分考虑冠层结构参数、环境等综合效应的不足，提高作物冠层氮素的估算精度[45]。Wang等人分别采用不同的观测角
度来监测冬小麦上中下层的叶片叶绿素含量[46]；有研究人员从不同角度和观测平面获取了小麦冠层叶片的高光谱遥感数据，建立了小麦氮素含量的多角度高光谱监测模型[47]。肖春华等人研究发现不同观测角度下小麦的光谱信息丰富度也不同，在最低点观测可以获得小麦上部的更多信息，而30°和60°观测则可以获取小麦更多的下部信息，通过调整观测角度，可以明显提高作物冠层光谱监测的精度[48]。于是一些研究人员通过对作物组合多角度的光谱观测来估算其理化组分，如冠层叶片氮素含量、叶绿素密度等，发现可以提高估算的精度[49-50]。需要注意的是，任何观测角度获得的光谱信息都不可避免地具有土壤背景、光阴影等信息，因此最小化这些不利因素的影响是提高氮素监测效果的关键。
4总结和展望
本文对基于遥感的作物氮素含量估算进行综述，可以看出作物氮素的定量监测已成为国内外遥感研究的热点，利用作物的光谱信息构建与氮素含量间的估算模型已经较为成熟。然而，已有的研究也反映出一些问题：
①多角度立体观测。观测角度的不同会导致获取光谱的不同，从而影响作物氮素估算。因此，多角度融合观测或者探究各种作物的最佳观测角度具有重大现实意义和应用前景。
②多源数据的协同应用。近地获取的高光谱数据精度高，但是难以大面积应用，机载或星载传感器获取的数据尺度大，但容易受到各种环境影响。如何将多尺度、多类型的遥感数据融合后对作物进行氮素估
算将是未来研究的重点和难点。
③估算模型的普适性。不同地区的温度、气候、地貌、地势等各不相同，目前基于不同方法构建的作物氮素含量光谱估算模型普适性差，难以大范围应用。如何构建具有高普适性的作物氮素含量遥感估算模型，需要进一步研究。
④估算模型的田间应用。作物光谱氮素含量的遥感估算目前还处于实验室阶段，所建立的最优模型虽然精度较高，但是在生产上大面积推广应用的案例还比较少。如何人基于遥感的作物估算更快速的走入田间地头，为作物高质高量生产，是下一步研究的重点。
参考文献院
[1]杨福芹.小麦、玉米叶片和植株氮营养高光谱诊断与应用研究[D].中国矿业大学（北京），2016.
[2]曹卫星，朱艳，田永超，等.作物精确栽培技术的构建与实现[J].中国农业科学，2011，44（19）：3955-3969.
[3]王赏贵，李新疆，费浩，等.基于高光谱的棉花叶片氮素检测[J].科技创新与应用，2020（03）：17-19.
[4]姜远茂.红富士苹果矿质营养特性及营养诊断与施肥研究
[D].北京：中国农业大学，2001.
[5]王艳，王孝纯，邓艳红，等.寒地水稻氮磷钾营养诊断技术的研究[J].中国农学通报，2009，25（21）：208-211.
[6]陶勤南，方萍，吴良欢，等.水稻氮素营养的叶诊断研究[J].土壤，1990（04）：190-193，197.
[7]鲍士旦.土壤农化分析（第三版）[M].北京：中国农业出版社，2000：263-271.
[8]田明璐.西北地区冬小麦生长状况高光谱遥感监测研究
[D].西北农林科技大学，2017.
[9]赵小敏，孙小香，王芳东，等.水稻高光谱遥感监测研究综述[J].江西农业大学学报，2019，41（01）：1-12.
[10]冯伟，姚霞，朱艳，等.基于高光谱遥感的小麦叶片含氮量监测模型研究[J].麦类作物学报，2008（05）：851-860. [11]Chen X,Lv X,Ma L,et al.Optimization and Validation of Hyperspectral Estimation Capability of Cotton Leaf Nitrogen Based on SPA and RF[J].Remote Sensing,2022,14(20):5201. [12]杨锦.近地面成像光谱技术在水稻氮诊断方面的应用[J].测绘与空间地理信息，2021，44（03）：160-163.
[13]李露.基于高光谱反射率数据的冬油菜氮养分诊断[D].华中农业大学，2017.
[14]Mahajan G R,Pandey R N,Sahoo R N,et al.Monitoring nitrogen,phosphorus and sulphur in hybrid rice(Oryza sativa L.) using hyperspectral remote sensing[J].Precision agriculture,2017, 18(5):736-761.
[15]Chen P,Haboudane D,Tremblay N,et a l.New spectral
indicator assessing the efficiency of crop nitrogen treatment in corn and wheat[J].Remote Sensing of Environment,2010,114(9):1987-1997.
[16]Tarpley L,Reddy K R,Sassenrath-Cole G F.Reflectance indices with precision and accuracy in predicting cotton leaf nitrogen concentration[J].Crop Science,2000,40(6):1814-1819.
[17]孙莉，陈曦，包安明，等.用高光谱数据诊断水分胁迫下棉花冠层叶片氮素状况的研究[J].棉花学报，2004（05）：291-295. [18]林娜，陈宏，赵健，等.轻小型无人机遥感在精准农业中的应用及展望[J].江苏农业科学，2020，48（20）：43-48. [19]谭昌伟，王纪华，赵春江，等.利用Landsat TM遥感数据监测冬小麦开花期主要长势参数[J].农业工程学报，2011，27（05）：224-230.
[20]喆
陈永，傅伯杰，冯晓明.遥感反演植被含氮量研究进展[J].生态学报，2017，37（18）：6240-6252.
[21]田永超，杨杰，姚霞，等.利用叶片高光谱指数预测水稻体叶层全氮含量[J].作物学报，2010，36（09）：1529-1537. [22]李粉玲，常庆瑞，申健，等.模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算[J].农业机械学报，2016，47（02）：302-308.
[23]赵明家，张忠庆，李志洪.基于高光谱优化NDVI值反演玉米叶片氮含量[J].中国农业大学学报，2014，19（06）：56-61. [24]冯伟，姚霞，朱艳，等.基于高光谱遥感的小麦叶片含氮量监测模型研究[J].麦类作物学报，2008（05）：851-860. [25]赵春江，黄文江，王纪华，等.不同品种、肥水条件下冬小麦光谱红边参数研究[J].中国农业科学，2002（08）：980-987. [26]孙雪梅，周启发，何秋霞.利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J].作物学报，2005（07）：844-850. [27]薛利红，曹卫星，罗卫红，等.小麦叶片氮素状况与光谱特性的相关性研究[J].植物生态学报，2004（02）：172-177. [28]Chen H,Huang W,Li W,et al.Estimation of LAI in winter wheat from multi-angular hyperspectral VNIR data:Effects of view angles and plant architecture[J].Remote Sensing,2018,10(10): 1630.
[29]Yao H,Zhang Y,Yi X,et al.Diaheliotropic leaf movement enhances leaf photosynthetic capacity and photosynthetic light and nitrogen use efficiency via optimising nitrogen partitioning among photosynthetic components in cotton(Gossypium hirsutum L.)[J]. Plant Biology,2018,20(2):213-222.
[30]张晓东，毛罕平，程秀花.基于PCA_SVR的油菜氮素光谱特征定量分析模型[J].农业机械学报，2009，40（04）：161-165. [31]李哲，田海清，王辉，等.基于高光谱的甜菜冠层氮素遥感估算研究[J].农机化研究，2016，38（06）：210-214. [32]冯伟.基于高光谱遥感的小麦氮素营养及生长指标监测研究[D].南京农业大学，2007.
[33]纪荣婷，闵炬，王远，等.基于主动冠层光谱仪的莴苣生物量及氮素营养状况估测[J].植物营养与肥料学报，2021，27（01）：161-171.
[34]Xiao Y,Zhao W,Zhou D,et al.Sensitivity analysis of vegetation reflectance to biochemical and biophysical variables at leaf,canopy,and regional scales[J].IEEE Transactions on Geoscience and Remote Sensing,2013,52(7):4014-4024.
[35]孔卓，杨海涛，郑逢杰，等.高光谱遥感图像大气校正研究进展[J].自然资源遥感，2022，34（04）：1-10.
[36]乔星星，冯美臣，杨武德，等.SG平滑处理对冬小麦地上干生物量光谱监测的影响[J].山西农业科学，2016，44（10）：1450-1454.
[37]Kokaly R F,Clark R N.Spectroscopic determination of leaf biochemistry using band-depth analysis
of absorption features and stepwise multiple linear regression[J].Remote sensing of environment,1999,67(3):267-287.
[38]王纪华，王之杰，黄文江，等.冬小麦冠层氮素的垂直分布及光谱响应[J].遥感学报，2004（04）：309-316.
[39]廖钦洪.作物长势参数的垂直分布反演及遥感监测研究
[D].浙江大学，2014.
[40]Li H,Zhao C,Yang G,et al.Variations in crop variables within wheat canopies and responses of canopy spectral characteristics and derived vegetation indices to different vertical leaf layers and spikes[J].Remote Sensing of Environment,2015, 169:358-374.
[41]肖春华，李少昆，王克如，等.叶片垂直分布对小麦冠层方向光谱响应研究[J].中国农业科学，2008（08）：2271-2278. [42]Luo J,Ma R,Feng H,et al.Estimating the Total Nitrogen Concentration of Reed Canopy with Hyperspectral Measurements Considering a Non-Uniform Vertical Nitrogen Distribution[J]. Remote Sensing,2016,8(10):1-13.
[43]Moran M S,Inoue Y,Barnes E M.Opportunities and limitations for image-based remote sensing in pr
ecision crop management[J].Remote Sensing of Environment,1997,61(3):319-346.
[44]Chen J M,Liu J,Leblanc S G,et al.Multi-angular optical remote sensing for assessing vegetation structure and carbon absorption[J].Remote Sensing of Environment,2003,84(4):516-525.
[45]Chen H,Huang W,Li W,et al.Estimation of LAI in winter wheat from multi-angular hyperspectral VNIR data:Effects of view angles and plant architecture[J].Remote Sensing,2018,10(10): 1630.
[46]Wang L,Liao Q,Xu X,et al.Estimating the vertical distribution of chlorophyll in winter wheat based on multi-angle hyperspectral data[J].Remote Sensing Letters,2020,11(11):1032-1041.
[47]Song L,Wang L,Yang Z,et al.Comparison of algorithms for monitoring wheat powdery mildew using multi-angular remote sensing data[J].The Crop Journal,2022,10(5):1312-1322. [48]肖春华，李少昆，王克如，等.基于多视角反射光谱的冬小麦冠层叶片氮素营养监测研究[J].作物学报，2007（07）：1141-1145.
[49]张东彦，梁栋，赵晋陵，等.多角度成像解析大豆冠层的二向反射特征[J].红外与激光工程，2013，42（03）：787-797. [50]Huang W,Yang Q,Pu R,et al.Estimation of Nitrogen Vertical Distribution by Bi-Directional Canopy Reflectance in Winter Wheat[J].Sensors,2014,14(11):20347-20359.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。