井宇航，郭 燕，張會芳，戎亞思，，張少華，馮 偉，王來剛，賀 佳，劉海礁，鄭國清

（1. 河南農(nóng)業(yè)大學 農(nóng)學院/省部共建小麥玉米作物學國家重點實驗室，河南 鄭州 450046；2. 河南省農(nóng)業(yè)科學院 農(nóng)業(yè)經(jīng)濟與信息研究所，河南 鄭州 450002；3. 農(nóng)作物種植監(jiān)測與預警河南省工程實驗室，河南 鄭州 450002）

氮素是作物生長發(fā)育必不可少的營養(yǎng)元素，在作物的光合作用、蛋白質合成、同化過程中起著關鍵作用[1?2]。在目前耕地資源緊缺、環(huán)境問題不斷突出、智慧農(nóng)業(yè)方興未艾的背景下，及時監(jiān)測作物氮素狀況有利于氮肥精準管理[3]。傳統(tǒng)的氮素監(jiān)測需要人工采樣和實驗室理化分析，耗時費力[4]。遙感技術的快速發(fā)展為氮素快速監(jiān)測提供了新的技術手段，從最初20 世紀80 年代的近地傳感到如今的衛(wèi)星遙感、無人機遙感，全方位、多角度對作物氮素的監(jiān)測也越來越多。但是衛(wèi)星遙感的波段信息少且易受陰雨天氣影響，時間和分辨率難以靈活控制[5?6]。近地遙感波段信息多可以滿足分辨率的要求，但是目前仍然以人工操控為主，應用的范圍偏小[7?9]。無人機則具有靈活機動、時間和分辨率可控的優(yōu)勢，可以根據(jù)研究需要搭載不同的傳感器。國內(nèi)外研究者通過利用各種無人機平臺搭載高光譜相機、多光譜相機、數(shù)碼相機等傳感器[10?12]獲取遙感影像已開展了作物長勢監(jiān)測、氮素估算等方面的研究，取得了一些重要結果[13?16]。目前，在玉米[17]、大豆[18]、棉花[13]植株氮含量的監(jiān)測中采用的飛行高度集中在30～100 m，預測模型和驗證模型R2均在0.5以上，較好地估算了作物氮含量。但是這些模型的建立均是在一定的高度，模型的適用性以及效率需要進一步驗證。

小麥作為我國主要的糧食作物之一，關系國家糧食安全[19]。隨著農(nóng)業(yè)現(xiàn)代化進程推進，農(nóng)業(yè)進入4.0 時代，高標準農(nóng)田建設和小型農(nóng)場的發(fā)展已成為未來農(nóng)業(yè)的必然趨勢。通過無人機技術實現(xiàn)精準化管理的同時，也需構建精度高、適用性強、監(jiān)測效率高的氮素監(jiān)測模型。在冬小麥無人機氮素監(jiān)測中，主要是以獲取的冬小麥生育期遙感影像提取植被指數(shù)與氮素營養(yǎng)指數(shù)進行模型構建與檢驗[20?22]，如劉昌華等[23]、王玉娜等[24]基于無人機搭載多光譜和高光譜成像儀獲取分辨率為5、30 cm 的遙感影像建立氮素營養(yǎng)指數(shù)預測模型，對冬小麥植株氮含量進行了較好地估算，驗證模型R2最高可達0.96。這些研究很好地推動了無人機遙感技術在作物氮素營養(yǎng)監(jiān)測中的應用，但也存在一定的缺陷，植被指數(shù)在植被覆蓋度高時，會表現(xiàn)出對冠層變化不敏感現(xiàn)象，影響反演精度和效果[25]。因此，有學者將植被指數(shù)結合紋理特征對冬小麥氮素營養(yǎng)進行監(jiān)測，如賈丹等[26]研究表明，無人機影像分辨率介于1.00～5.69 cm 時，光譜信息對小麥植株氮濃度反演影響不大，紋理特征在一定的分辨率下可以提高模型的反演精度。但不同高度影像的光譜特征和紋理特征對氮含量預測模型的影響研究缺乏。為了探究無人機飛行高度對冬小麥植株氮積累量預測模型穩(wěn)定性的影響，分析不同高度光譜特征、紋理特征對冬小麥植株氮積累量預測模型的影響，在冬小麥拔節(jié)期、開花期、灌漿期通過設置30、60、90 m 3個飛行高度，獲得分辨率為1.05～3.26 cm 的無人機影像，使用偏最小二乘回歸（PLSR）與BP 神經(jīng)網(wǎng)絡（BPNN）方法建立冬小麥植株氮積累量估算模型，并在不同高度進行交叉驗證，探究不同分辨率下構建的冬小麥植株氮積累量估算模型穩(wěn)定性，以期為氮素的高效快速監(jiān)測提供技術支撐。

1 材料和方法

1.1 試驗設計

試驗區(qū)位于河南省周口市商水縣國營農(nóng)場第十四分廠（33°32′2.9′′N，114°29′1.0′′E，海拔高度約66 m）。土壤類型為砂姜黑土。試驗地塊常年進行氮素定位試驗，具有很好的氮素水平表現(xiàn)性狀。供試3 個冬小麥品種為鑫華麥818、鄭麥103、豐德存5號（2020 年10 月23 日播種），共設置5 個施氮水平：N0（0 kg/hm2）、N6（60 kg/hm2）、N12（120 kg/hm2）、N18（180 kg/hm2）、N24（240 kg/hm2），其中50%作為底肥施入，剩余50%在拔節(jié)期追施。所有處理磷肥和鉀肥用量均為150 kg/hm2和90 kg/hm2，全部作為底肥施入。水分設置2個水平，W0：僅雨水（自然狀態(tài)）；W1：正常灌溉。小區(qū)空間分布如圖1所示。

圖1 研究區(qū)位置及小區(qū)布設分布Fig.1 Location of the study area and distribution of the field experiment

1.2 數(shù)據(jù)采集

1.2.1 無人機遙感影像數(shù)據(jù)獲取及預處理 在冬小麥拔節(jié)期、開花期、灌漿期，分別選取天氣晴朗、無風無云天氣，通過無人機搭載K6 多光譜成像儀進行影像獲取，時間為11:30—12:30。該傳感器波段主要包括藍光波段（中心波長450 nm，Blue）、綠光波段（中心波長550 nm，Green）、紅光波段（中心波長685 nm，Red）、紅邊波段（中心波長725 nm，Red edge）、近紅外波段（中心波長780 nm，Nir）。飛行前地面鋪設標準反射率為5%、20%、40%、70%的4 塊輻射定標板，同時使用天寶實時動態(tài)定位（Real?time kinematic，RTK）接收機測量試驗區(qū)4 個頂點及中間點的地面控制點（GCP），用于確定當前飛行位置和海拔高度。飛行時設定航向重疊率與旁向重疊率分別為70%和75%。獲取的影像數(shù)據(jù)通過格式轉換、影像拼接、地理信息矯正和輻射定標，獲得研究區(qū)植被冠層反射率信息。對獲取的影像數(shù)據(jù)和處理效率進行統(tǒng)計，結果見表1。隨著飛行高度的增加，相同的數(shù)據(jù)獲取區(qū)域，雖然損失了分辨率，但飛行時間大幅縮短，照片的數(shù)量迅速減少，后期影像處理耗時也顯著降低，可以顯著提高工作效率。

表1 不同高度影像分辨率和數(shù)據(jù)統(tǒng)計Tab.1 Image resolution and data statistics at different height

1.2.2 冬小麥植株樣品采集及氮積累量測定 地面數(shù)據(jù)的采集與影像采集同步進行，在小區(qū)內(nèi)選取長勢均勻的區(qū)域，通過固定2 行（0.2 m）×1 m 的總莖數(shù)，取其中20個單莖樣本裝入密封袋。在實驗室內(nèi)將植株器官分離為葉片、莖和穗后分別置于紙袋中，105 ℃下殺青，80 ℃條件下烘干至恒定質量。器官粉碎后，采用K1100 全自動凱氏定氮法測定植株不同器官氮含量，通過公式（1）計算植株氮積累量。3 個生育時期共獲得270 個冬小麥植株氮積累量測定值，其中每個生育時期選取60 個數(shù)據(jù)為建模集，30個數(shù)據(jù)為驗證集。

1.3 研究方法與參數(shù)選取

1.3.1 研究方法 PLSR 是一種新型的多元回歸分析方法[27]，它在回歸建模過程中采用數(shù)據(jù)降維、信息綜合與篩選技術，提取對系統(tǒng)最佳解釋能力的新綜合成分，尤其是對于只有1 個因變量多個自變量的建模具有較好的預測效果。BPNN 是一種采用誤差逆向傳播進行算法訓練的多層前饋網(wǎng)絡[28]，是目前最廣泛應用的神經(jīng)網(wǎng)絡模型之一。正向傳播是通過將隱藏層逐步處理給定輸入樣本數(shù)據(jù)到輸出層。當輸出層的輸出不等于預期輸出或誤差大，則將其傳送到反向誤差。本研究使用的BP 網(wǎng)絡訓練模型的隱藏神經(jīng)元個數(shù)為3，最大訓練次數(shù)為1 000，網(wǎng)絡學習速率為0.5，訓練目標誤差為0.001。將某一高度下的建模集植被指數(shù)、紋理特征和植株氮積累量作為訓練集，對其他高度驗證集植被指數(shù)與紋理特征和植株氮積累量進行模型驗證，通過機器訓練得到氮積累量預測結果。

模型的穩(wěn)定性分析采用決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）、相對分析誤差（Residual predictive deviation，RPD）作為評價指標。R2與PRD越大，RMSE越小，表明估算模型的穩(wěn)定性越好。另外，當RPD≥2 時說明模型具有極好的預測能力，當1.4≤RPD<2 時表明模型能夠對樣品進行粗略估測，而RPD<1.4則表明模型無法對樣品進行預測[29]。

式中，xi表示第i個樣本點實測氮積累量，xˉ表示實測氮積累量的平均值，yi表示第i個樣本點預測氮積累量，yˉ表示預測氮積累量的平均值，n表示樣本數(shù)量。

1.3.2 植被指數(shù)選取 植被指數(shù)具有一定的機理性，而且結構簡單，將不同波段反射率進行組合，在一定程度上能夠減少土壤等因素對植被光譜的影響。冬小麥缺氮時會表現(xiàn)出覆蓋度降低[30]、葉面積減小[28]、葉片變黃[31]等明顯的表觀特征，這些特征為利用植被指數(shù)進行植株氮含量的預測提供了依據(jù)。通過查閱相關文獻，選取9 種常用的氮含量預測植被指數(shù)，具體公式如表2所示。

表2 植被指數(shù)及計算公式Tab.2 Vegetation index and calculating formula

1.3.3 紋理特征提取 紋理特征反映圖像灰度性質及其空間關系，擴大原始影像亮度的空間識別度，能夠在一定程度上解決植被指數(shù)反演存在的飽和問題，提高反演精度[26]，而且紋理特征受到傳感器和大氣影響較小，尤其是無人機飛行高度較低時豐富的紋理信息對作物氮素監(jiān)測非常重要。本研究利用灰度共生矩陣進行不同高度遙感影像紋理特征提取[39?40]。提取得到的紋理特征包括8個，分別為對比度（Contrast，con）、二階距（Second moment，sm）、方差（Variance，var）、均值（mean）、相關性（Correlation，cor）、差異性（Dissimilarity，dis）、同質性（Homogenetity，hom）、熵（Entropy，ent）。

2 結果與分析

2.1 不同高度植被指數(shù)與冬小麥植株氮積累量相關性分析

不同高度植被指數(shù)與冬小麥植株氮積累量皮爾遜相關分析結果見表3。9 個植被指數(shù)與植株氮積累量的相關系數(shù)均達到了0.05 水平的顯著性。其中RERDVI 和RVI 在3 個高度中與植株氮積累量的相關系數(shù)均在0.8 以上，達到了0.01 水平的極顯著性。CARI 與植株氮積累量的相關系數(shù)最小，而且隨著飛行高度的增加下降明顯。NGBDI 在30 m與植株氮積累量的相關系數(shù)表現(xiàn)為0.01 水平極顯著正相關，在60、90 m 高度下與植株氮積累量的相關系數(shù)則為極顯著負相關。不同的植被指數(shù)對植株氮積累量的敏感性指示方向也不同，EXG 與植株氮積累量在3個高度下表現(xiàn)為0.01水平極顯著負相關，因此，為了保證在3個高度下植被指數(shù)與植株氮積累量的相關一致性，將除NGBDI 外的其他8 個植被指數(shù)作為建模因子。

表3 不同高度植被指數(shù)與植株氮積累量相關性Tab.3 Correlations between the plant nitrogen accumulation and vegetation indices at different height

2.2 不同高度紋理特征與植株氮積累量相關性分析

不同高度紋理特征與冬小麥植株氮積累量皮爾遜相關分析結果見表4。紋理特征隨高度變化較植被指數(shù)明顯，8 個紋理特征中cor與植株氮積累量的相關系數(shù)有60%未達到顯著性，其相關性與其他紋理特征相比稍差。mean 除了在紅邊波段下與植株氮積累量相關性較小外，在其他波段與植株氮積累量的相關性優(yōu)于其他紋理特征。從不同高度藍光波段紋理特征與植株氮積累量的相關性來看，紋理特征在30 m 高度下與植株氮積累量在0.01 水平存在顯著相關性，隨著高度的增加，除sm、mean 在90 m 時依然與植株氮積累量在0.01 水平存在顯著相關性外，其他紋理特征與植株氮積累量相關性均有明顯下降。從紅邊波段紋理特征與植株氮積累量相關性來看，紋理特征在30 m 高度除cor 和mean與植株氮積累量在0.05 水平存在顯著相關性外，其他紋理特征與植株氮積累量不存在顯著相關性。從近紅外波段紋理特征與植株氮積累量相關性來看，紋理特征在60 m 高度下除mean 與植株氮積累量存在0.01水平極顯著相關性、cor在0.05水平存在顯著相關性外，其他紋理特征與植株氮積累量不存在顯著相關性。綜合對比分析，綠光波段與紅光波段的紋理特征隨著高度的增加與植株氮積累量的相關性好于其他波段，因此，將綠光與紅光波段除cor外的紋理特征作為建模因子。

表4 不同高度紋理特征與植株氮積累量相關性Tab.4 Correlations between the plant nitrogen accumulation and texture features at different height

2.3 建模因子的共線性檢驗

在進行線性建模時，如果兩變量之間存在共線性會造成信息疊加。方差膨脹因子（Variance inflation factor，VIF）作為檢驗建模因子之間是否存在共線性問題的主要方法，在進行多變量選擇模型構建中得到了廣泛應用。當020 時，建模因子之間存在嚴重的共線性[25]。為篩選出冬小麥植株氮積累量預測模型中更為合理的植被指數(shù)和紋理特征，對3 個高度選取的植被指數(shù)與紋理特征建模因子進行共線性分析，結果見圖2。植被指數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 與紋理特征Green-mean、Green-sm、Red-mean、Red-var在3 個高度下VIF 介于0～10，變量之間不存在共線性，將這6 個植被指數(shù)與4 個紋理特征作為冬小麥植株氮積累量模型的建模因子。

圖2 植被指數(shù)和紋理特征的VIF分析Fig.2 VIF analysis for vegetation index and texture feature

2.4 不同高度植被指數(shù)對冬小麥植株氮積累量模型穩(wěn)定性的影響

基 于 選 取 的6 個 植 被 指 數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 采用PLSR 與BPNN建立30、60、90 m 冬小麥植株氮積累量預測模型，模型預測結果的R2、RMSE、RPD見表5。對于PLSR，利用30 m 植被指數(shù)建立的植株氮積累量預測模型使用90 m 驗證集植被指數(shù)信息進行預測時R2仍能達到0.69，RPD為1.96，穩(wěn)定性好。利用高度為90 m植被指數(shù)建立的植株氮積累量預測模型在30 m 驗證集植被指數(shù)預測時R2與RPD分別為0.54、1.11，相比30 m 植被指數(shù)建立的模型使用30 m 驗證集植被指數(shù)預測結果的R2與RPD下降了0.25、1.85，但是模型仍具有較好的預測能力和穩(wěn)定性。BPNN 構建的不同高度植株氮積累量預測模型穩(wěn)定性整體優(yōu)于PLSR。30 m 植被指數(shù)建立的植株氮積累量模型在使用90 m 驗證集植被指數(shù)進行氮積累量預測時R2、RPD分別達到0.82、2.88，與對應的PLSR 預測結果相比，R2、RPD分別提高了0.13、0.92。90 m 植被指數(shù)構建的模型使用30 m 驗證集植被指數(shù)預測的R2、RPD達到了0.74、2.01，與對應的PLSR 相比，R2、RPD分別提高了0.20、0.90。

表5 不同高度植被指數(shù)的冬小麥植株氮積累量預測模型的R2、RMSE和RPD對比Tab.5 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation predicting models with different height of vegetation indices

2.5 不同高度紋理特征對冬小麥植株氮積累量模型穩(wěn)定性的影響

基于選取的4 個紋理特征Green-mean、Greensm、Red-mean、Red-var 采用PLSR 與BPNN 建立了30、60、90 m 冬小麥植株氮積累量預測模型，模型預測結果R2、RMSE、RPD見表6。對于PLSR，利用30 m 紋理特征建立的植株氮積累量預測模型使用90 m 驗證集紋理特征信息進行植株氮積累量預測時R2仍能達到0.57，RPD為1.67，與表5中30 m植被指數(shù)建立的植株氮積累量預測模型使用90 m 植被指數(shù)預測結果相比R2、RPD分別下降了0.12、0.29。利用高度為90 m 紋理特征建立的預測模型在30 m驗證集紋理特征預測時R2與RPD分別為0.24、0.44，與30 m 紋理特征建立的預測模型使用30 m 驗證集紋理特征預測結果相比R2與RPD分別下降了0.50、2.21。BPNN 構建的不同高度冬小麥植株氮積累量預測模型穩(wěn)定性整體好于PLSR。30 m 紋理特征建立的模型在使用90 m 驗證集紋理特征進行預測時R2、RPD分別達到0.72、2.64，與對應的PLSR 預測結果相比，R2、RPD分別提高了0.15、0.97。90 m 紋理特征構建的模型使用30 m 驗證集紋理特征預測結果的R2、RPD達到了0.63、1.60，與對應的PLSR 預測結果相比，R2、RPD分別提高了0.39、1.16。與不同高度下植被指數(shù)構建的模型相比，紋理特征構建的模型穩(wěn)定性下降，這主要是隨著高度的增加，紋理信息受高度的影響比植被指數(shù)大。

表6 不同高度紋理特征的冬小麥植株氮積累量預測模型的R2、RMSE和RPD對比Tab.6 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of texture features

2.6 不同高度植被指數(shù)+紋理特征對冬小麥植株氮積累量模型穩(wěn)定性的影響

將選取的6 個植被指數(shù)NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG 和4 個 紋 理 特 征Greenmean、Green-sm、Red-mean、Red-var，采用PLSR 與BPNN方法建立了30、60、90 m冬小麥植株氮積累量預測模型，模型預測結果的R2、RMSE、RPD見表7。對于PLSR，利用30 m 植被指數(shù)+紋理特征建立的預測模型使用90 m驗證集植被指數(shù)+紋理特征進行預測時，R2與RPD分別為0.76、2.46，結果優(yōu)于對應的單一植被指數(shù)與紋理特征預測結果。利用高度為90 m 植被指數(shù)+紋理特征建立的預測模型在30 m驗證集植被指數(shù)+紋理特征預測時R2與RPD分別為0.62、1.69，與對應的單一植被指數(shù)或者紋理特征預測結果相比穩(wěn)定性有所提高。2 種方法相比，BPNN構建的冬小麥植株氮積累量預測模型穩(wěn)定性整體上優(yōu)于PLSR。30 m 植被指數(shù)+紋理特征建立的模型在使用90 m驗證集植被指數(shù)+紋理特征信息進行預測時R2、RPD分別達到了0.81、3.03，90 m 植被指數(shù)+紋理特征建立的模型使用30 m驗證集植被指數(shù)和紋理特征預測的R2、RPD達到了0.71、2.35?？傮w來看，結合植被指數(shù)與紋理特征構建的模型預測能力與穩(wěn)定性都有所提高。

表7 不同高度植被指數(shù)+紋理特征的冬小麥植株氮積累量預測模型的R2、RMSE和RPD對比Tab.7 Comparison of R2，RMSE and RPD of winter wheat plant nitrogen accumulation prediction models with different height of vegetation indices and texture features

2.7 融合多高度植被指數(shù)、紋理特征信息預測冬小麥植株氮積累量結果

使用PLSR 與BPNN 進行冬小麥植株氮積累量預測時發(fā)現(xiàn)，2種方法之間的結果存在差異，通過預測值與實測值R2、RMSE和RPD可以看出，BPNN 能夠進一步提高模型的穩(wěn)定性。這主要是因為PLSR屬于線性回歸的一種，因變量與自變量之間存在依賴性。從圖3建模時不同高度植被指數(shù)與紋理特征變量重要性（Variable importance plot，VIP）值可以看出，在建立預測模型過程中，不同高度的植被指數(shù)與紋理特征變量對模型的貢獻存在差異。這是導致某一高度的模型在其他高度表現(xiàn)出穩(wěn)定性下降的原因。

圖3 不同高度下植被指數(shù)與紋理特征建模時的VIP值Fig.3 VIP values of vegetation index and texture feature at different height

BPNN 在各建模情況下表現(xiàn)出較好的預測效果，其中植被指數(shù)+紋理特征預測效果要優(yōu)于單一植被指數(shù)或紋理特征，通過分析發(fā)現(xiàn)，是由于BPNN的訓練集中進行植株氮積累量預測的信息增多，豐富了訓練集以進行模型構建，3 個高度下植被指數(shù)與紋理特征存在差異，并且與植株氮積累量都存在一定的相關性，因此，分別將3個高度下選取的植被指數(shù)、紋理特征、植被指數(shù)+紋理特征作為BPNN 訓練集，并用90 m 高度的驗證集信息進行冬小麥植株氮積累量的預測，預測值與實測值結果見圖4。利用植被指數(shù)建立的植株氮積累量預測模型R2、RMSE、RPD分別為0.93、1.89 g/m2、3.73，利用紋理特征得到的 預測模型R2、RMSE、RPD分別為0.89、2.03 g/m2、3.54，利用植被指數(shù)+紋理特征預測模型的R2、RMSE、RPD分別為0.93、1.80 g/m2、4.03，3 個模型的預測效果和穩(wěn)定性都很好，尤其是采用植被指數(shù)+紋理特征建立的預測模型較單獨采用植被指數(shù)或紋理特征建立的模型精度和穩(wěn)定性均有較大的提升，這也說明在一定的高度下，無人機遙感影像的植被指數(shù)和紋理特征對模型的構建均有重要作用。

圖4 融合多高度植被指數(shù)、紋理特征信息的冬小麥植株氮積累量預測模型Fig.4 Prediction models of plant nitrogen accumulation combined with vegetation indices and texture features in winter wheat

3 結論與討論

3.1 無人機飛行高度對冬小麥植株氮積累量預測模型穩(wěn)定性的影響

無人機飛行高度（分辨率）與監(jiān)測效率、監(jiān)測精度密切相關，建立預測模型時不能忽視分辨率對模型穩(wěn)定性的影響。本研究中，在監(jiān)測范圍不變的情況下，90 m 獲取數(shù)據(jù)所用時間約為30 m 的1/7，照片數(shù)量由235張減少到32張，拼接時間由6.2 h降低到1.2 h，說明高度的增加可以大幅度提高冬小麥植株氮積累量監(jiān)測效率。不同高度的光譜特征與紋理特征對構建的冬小麥植株模型穩(wěn)定性影響不同，主要是因為無人機影像數(shù)據(jù)獲取的是冬小麥冠層信息，影像數(shù)據(jù)易受到葉片之間遮擋、葉片大小以及葉片卷曲程度的影響。隨著高度的增加分辨率降低，像元出現(xiàn)混合[41]，土壤與植被、冠層陰影與植被之間界限模糊，這些因素都會對獲取影像的光譜、紋理特征產(chǎn)生影響。有研究表明，當冬小麥葉片長度在10 cm以下時，分辨率優(yōu)于10 cm的影像才能辨識出這種紋理特征，但是冬小麥在生長的過程中，葉片呈現(xiàn)一定的傾角，葉寬對冠層光譜的影響占主要地位，這也是無人機從上方俯視獲取不同氮處理的冠層顏色會出現(xiàn)紋理特征不同的原因。賈丹等[26]選取15～80 m 飛行高度進行冬小麥氮濃度的反演，表明當分辨率在3.49 cm 時光譜特征變化沒有紋理特征變化明顯，但是對于不同高度下模型的穩(wěn)定性并未進行深入分析。本研究將最大高度設置為90 m（分辨率為3.26 cm），并同時設置30、60 m 2 個高度，對應分辨率分別為1.05、2.09 cm，分別研究了3 個高度下利用植被指數(shù)、紋理特征、植被指數(shù)+紋理特征建立模型的穩(wěn)定性。結果表明，3 個高度構建的模型中，30 m 構建的模型穩(wěn)定性最好，90 m 構建的模型穩(wěn)定性相對較差，在不同高度植被指數(shù)、紋理特征、植被指數(shù)+紋理特征構建的模型中，紋理特征構建的模型相較于其他2 種模型穩(wěn)定性較差，說明高分辨率影像能表現(xiàn)出豐富的植株群體信息，提高模型的穩(wěn)定性。但獲取高分辨率的影像，需要采用低的飛行高度，效率就會變低。因此，在實際應用中還需要綜合考慮無人機影像獲取效率，根據(jù)具體需求尋找精度和效率的平衡點。

3.2 建模方式對冬小麥植株氮積累量預測模型穩(wěn)定性的影響

PLSR 是根據(jù)自變量對因變量的貢獻程度來建立線性預測模型，從不同高度建模因子的VIP 值可以看出，不同高度下的建模因子對植株氮積累量的貢獻程度存在差異，這也導致了PLSR 構建的線性模型適用性單一，模型穩(wěn)定性容易發(fā)生變化。同時PLSR 模型在處理復雜多維度的關系與辨識系統(tǒng)中的信息與噪聲時仍然存在短板[42]。使用不同高度數(shù)據(jù)進行交叉驗證時，PLSR 模型對植株氮積累量預測能力及穩(wěn)定性下降明顯。BPNN 屬于機器學習的一種，通過誤差信號不斷地修正網(wǎng)絡權值和閾值從而得出與期望值相符的結果[43]。在本研究中，基于某一高度植被指數(shù)、紋理特征數(shù)據(jù)構建的預測模型對其他高度冬小麥植株氮積累量進行預測，90 m 高度紋理特征構建的模型用30 m 高度數(shù)據(jù)驗證時，R2與RPD與對應的PLSR 模型相比分別提高了0.39、1.16，模型依然具備較好的預測能力及穩(wěn)定性。通過比較基于植被指數(shù)、紋理特征、植被指數(shù)+紋理特征，采用BPNN與PLSR構建的植株氮積累量預測模型發(fā)現(xiàn)，BPNN 進行模型構建時，訓練集信息越豐富，泛化效應越好，模型的預測效果越好。基于植被指數(shù)+紋理特征，采用BPNN 構建的模型預測R2、RMSE、RPD分 別 為0.71～0.89、1.27～3.53 g/m2、2.23～3.65，優(yōu)于單一植被指數(shù)或紋理特征。因此，在保證實際可用的前提下，適當提高無人機飛行高度采用泛化能力更強的模型可以達到高效地進行植株氮積累量預測的目的。

基于低空無人機搭載多光譜傳感器，通過設置不同的無人機飛行高度，利用PLSR和BPNN建立冬小麥植株氮積累量預測模型，并對模型在其他高度下的穩(wěn)定性進行研究。結果表明，模型的穩(wěn)定性表現(xiàn)為植被指數(shù)+紋理特征>植被指數(shù)>紋理特征；30、60、90 m 植被指數(shù)、紋理特征、植被指數(shù)+紋理特征建立的模型中，30 m 建立模型的穩(wěn)定性最好；BPNN能夠進一步提高模型的穩(wěn)定性，模型適用性更好；融合多高度植被指數(shù)、紋理特征信息構建的BPNN模型能夠提高對冬小麥植株氮積累量的預測精度?？傮w來說，在進行冬小麥植株氮積累量監(jiān)測時，需要同時考慮精度要求和效率，對植株氮積累量進行大致預測時，可以選擇低飛行高度結合植被指數(shù)進行模型的構建；如果對預測結果要求較高，并且對影像獲取效率有要求時，就需要結合紋理特征以及機器學習對植株氮積累量進行預測，滿足精度與效率的需求。