摘 要：【目的】研究不同水氮处理对多光谱采集春玉米叶片信息的影响。【方法】设置3个水平灌水定额（75%、100%、125% 作物需水量ETc）和4个水平的施氮量（0、200、400、600 kg/hm2）处理，采用地基多光谱拍摄的方法获取春玉米叶片的光谱信息，选取5个植被指数分析不同水氮处理对多光谱信息采集的影响。结合实测数据处理，分析相关性、粒子群优化的BP神经网络变化，研究实测值与植被指数的变化趋势。【结果】植被指数NDVI在植株发育中期对SPAD值的反演效果较好，灌水量和施氮量均会影响植被指数对于SPAD值的反演。在中灌水处理（W2）条件下植被指数OSAVI与SAVI对表层土壤水分的反演较优，且OSAVI与0～20 cm土壤水分数据的PSO-BP神经网络建模优于SAVI对于10～30 cm土壤水分的PSO-BP神经网络建模。【结论】在100%ETc灌水水平、施氮400 kg/hm2条件下，使用NDVI与OSAVI进行SPAD值和地表0～20 cm的土壤水分的反演较为准确。
关键词：春玉米；多光谱；水氮；神经网络
中图分类号：S513 文献标志码：A 文章编号：1001-4330（2024）10-2374-14
收稿日期（Received）：2023-07-30
基金项目：新疆维吾尔自治区重大科技专项项目（2020A01003-4）
作者简介：李池（1995-），男，河北邢台人，硕士研究生，研究方向为灌溉节水，（E-mail）1457503410@qq.com
通讯作者：赵经华（1979-），男，新疆奇台人，教授，博士，硕士生/博士生导师，研究方向为节水灌溉理论和作物高效用水，（E-mail）105512275@qq.com
陈刚（1971-），男，江苏人，高级政工师，研究方向为农田水利，（E-mail）1635352671@qq.com
0 引 言
【研究意义】玉米是产量最高的谷类作物之一［1］，2011年我国玉米产量超过水稻，成为第一大粮食作物［2-3］。新疆是我国玉米的主要种植区之一。新疆独特的气候使得蒸发量较大，施用水肥不合理会增加土地退化的速度［4］，因此，实时监控土地与作物的状态，使用科技手段快速获得农田信息是提产增效的关键。【前人研究进展】我国遥感技术在农业领域的应用已有50余年［5］，马仪等［6］将无人机遥感数据与卫星遥感数据相结合，采用两种升尺度法分别对土壤水分进行了反演，发现TsHARP升尺度法对于土壤水分的反演效果较好。郑超磊等［7］基于高分一号卫星遥感数据对16 m分辨率的蒸散发模型进行估算及验证，发现基于高分一号卫星遥感估算的16 m分辨率蒸散发在地表异质性较强的区域更具优势。闫成川等［8］利用Phantom4四旋翼无人机搭载多光谱相机MicaSense RedEdge-M进行不同干旱胁迫下棉花的图像信息采集，利用神经网络进行SPAD值与各波段反射率进行建模预测，将棉田旱情进行了划分。李诗瑶等［9］使用无人机多光谱相机采集了玉米冠层的图像，用于监测不同干旱胁迫下的玉米冠层SPAD值，用于指导灌溉和农田旱灾预警。【本研究切入点】卫星遥感的精度问题导致其对于作物具体生长状态的分析较难实现，而无人机多光谱图像的采集难以剔除除目标物外其他杂质的影响，且国内对于水氮对植株叶片多光谱图像的影响相关研究较少。需研究不同水氮处理对多光谱采集春玉米叶片信息的影响。【拟解决的关键问题】试验采用地基多光谱相机，定点采集玉米植株的叶片信息，解译计算得到植被指数，与实测数据对比分析，采用粒子群优化的反向神经网络进行训练及预测，分析图像采集的精度，为多光谱在农业领域的应用提供理论支撑。
新疆农业科学第61卷 第10期李 池等：基于地基多光谱的不同水氮处理条件下春玉米叶片信息采集
1 材料与方法
1.1 材 料
试验于2022年4～10月在新疆克拉玛依市东南部农业区进行（84°55′28″E，45°27′30″N），该农业区耕地面积约为1×104 hm2（15 万亩），其中林区面积0.67×104 hm2（10 万亩），农田面积约为0.33×104 hm2（5万亩），年平均降水量101.1 mm；灌溉主要依赖克拉玛依市西郊水库的地表水，自压管道式的输水保证了灌溉保证率。
该区域昼夜温差较大，全年平均气温8.1℃；年平均无霜期197～268 d；全年积温较高，日均稳定≥0℃的年积温4 478℃；地下水位2～4 m，多年平均蒸发量较大，为3 545.2 mm（φ20蒸发皿）；多年平均风速为3.7 m/s。该区土壤0～60 cm多为壤土，60～100 cm多为轻砂土，质地较轻，透水性较好。对试验区地表土壤进行检测，土壤肥力中等。0～100 cm土壤平均干容重约为1.47，田间持水量约为36.07%。试验区周围均为开阔农田，灌溉水利设施较为齐全，土壤均匀性较好，选择新农008为供试品种。表1，图1～2
1.2 方 法
1.2.1 试验设计
试验区采用裂区形式布置，主要因子为施氮量，次要因子为灌水量，主要因子由压差式施肥罐施肥控制，次要因子由水表控制。玉米种植模式为无膜1管2行，种植间距为（40+70+40）cm，小区长15 m、宽1.1 m，设置3个重复。图3
试验设置12个处理，3个水平的灌水定额（75%、100%、125% ETc）和4个水平的施氮量（0、200、400、600 kg/hm2），每个试验小区设置2行试验处理，左右各1行作为保护行，以免水分交叉，影响试验结果。灌水周期为7 d，灌水量由7 d内的气象数据计算得到ET0，不同生育期选取不同的Kc值，得到ETc指导灌水，施肥分3次施入。表2
1.2.2 测定指标
1.2.2.1 气象数据及土壤水分
试验区气象数据由小型HOBO气象站自动采集，灌水前通过气象数据计算得到ETc指导灌水，各个试验小区均由水表控制。在土壤的采集方面，采用Diviner2000土壤水分廓线仪采集，通过提前埋入的预制土壤水分探管测定土壤水分，每10 cm为1层，测定地表0～300 cm的土壤水分数据。表2
1.2.2.2 叶片SPAD值
在玉米主要生育期内，对标记株的多光谱图像采集叶使用SPAD仪测定，在目标叶片的兴趣区内采用五点取样法进行5次测量，测量得到的SPAD值取平均值作为叶片兴趣区的实测值，每株取两片叶子选定兴趣区。
1.2.2.3 多光谱图像采集
采用长光禹辰有限公司生产的多光谱相机MS401采集多光谱图像，采集高度以拍摄物为基准面，相对高度取1.5 m。MS401多光谱相机搭载有4个波段的多光谱镜头，分别为绿波段（550 nm）、红波段（660 nm）、红边波段（720 nm）、近红外波段（840 nm）和一个可见光（RGB）镜头。在玉米的每个生育期内选取10：00～13：00，16：00～18：00间拍摄，减少太阳偏转角对采集的影响。对每个处理组的固定植株的棒三叶采集1次。采集过程中避免阳光直射和阴影遮挡，以减少曝光或阴影的影响。
1.3 数据处理
1.3.1 植被指数的选取
选取5种多光谱植被指数，通过对植株叶片不同波段的反射率采用Yusense Map和Arcgis10.6计算，得到采集兴趣区的植被指数平均值，使用该值和玉米的生长指标进行拟合。表3
1.3.2 粒子群优化算法
对群体中每个粒子进行位置、速度和适应度3个指标的赋值，以寻求问题的最优解。其中，在群体中每个粒子都代表了特定问题的一个解，速度决定了粒子的移动方向和距离，适应度表示距离最优解的程度，通过不断地计算粒子的适应度，使其不断接近群体的最优适应度，每次更新位置都进行判断，从而调整每个粒子的方向，最终找到最优解［15］。
假设目标空间为A，空间内存在a个粒子，以Yi=（yi1，yi2，…，yin）来表示i粒子的位置，以Vi=（vi1，vi2，…，vin）来表示i粒子的速度，通过Yi和Vi可以计算i粒子的适应度，用Si=（si1，si2，…，sin）表示i粒子经过的所有最佳位置，用Tj=（tj1，tj2，…，tjn）表示粒子群的最佳位置，粒子速度和位置通过方程（2-7）计算［16］：
式中，n为空间维数，（1，2…n）；i为粒子个数（i=1，2…a）；x表示迭代次数；b为加速常数，即学习因子；c为取值在（0，1）间的均匀随机数。
1.3.3 BP神经网络
BP神经网络一般包括3层结构，分别是输入层、隐藏层和输出层［17］。输入层选择植被指数，输出层选择SPAD值和土壤水分。
1.3.4 模型评价指标
所获得的数据采用SPSS 27和Excel 2019进行数据的统计分析；使用Origin 2021制图。使用Matlab 2021a将采集图像数据与实测数据进行拟合，建立基于最小二乘的线性回归、PSO-BP神经网络的拟合模型。
对于模型预测结果采用R2评价模型，决定系数R2的值越接近于1，模型拟合效果越好，相关性越高，并根据实测值与预测值间的均方根误差（RMSE）及平均相对误差（MRE）评价模型的准确性和普适性［18］。
式中，i代表第i个样本，Xi代表第i个样本的实测值，Yi代表第i个样本的预测值，X-为样本的实测均值，Y-为样本的预测均值，n代表样本总数。
2 结果与分析
2.1 植被指数与SPAD值的相关性
研究表明，相关性由高到低的排列顺序为NDVI＞CCCI＞GRVI＞SAVI＞OSAVI。NDVI的适用性较强，除W3N2、W2N3与W3N4处理组外，在其余所有的试验组处理中，均呈显著相关，其中极显著相关的试验组为W2N4，相关性最强，相关系数为0.816。植被指数CCCI与SPAD值有显著相关关系的处理组有5组，分别为W1N2 、W1N3、W3N1、W3N2和W3N3，其中，显著性最强且相关系数最大的是W1N2，为0.898，在灌水水平为W1与W3的情况下，N2和N3的CCCI值与SPAD值间有较好的显著相关关系。在GRVI和SPAD值的分析中仅有4个处理组存在显著的相关关系，分别为W3N1、W3N2、W3N3和W2N4，在GRVI植被指数在灌水水平为W3较为敏感，其中相关系数最大的试验组为W3N3，最大值为0.651。而OSAVI和SAVI与SPAD值进行相关性，所有试验组均不存在显著相关关系，OSAVI和SAVI不适SPAD值的反演，其对于叶片光合色素的相较于其他3个植被指数变化不敏感。
灌水量和施肥量对相关系数的影响不同，从高到低顺序为W1＞W2＞W3，N2＞N1＞N3＞N4，NDVI在较低的灌水量和较低的施肥量下的敏感度更高，相关性更好。表4
2.2 植被指数与表层土壤水分的相关性
研究表明，不同的植被指数与0～20 cm及10～30 cm间的相关关系有较大的差异性，且在植被指数与0～20 cm、10～30 cm的土壤水分的相关关系中，OSAVI及SAVI植被指数的相关关系较好，均与土壤水分呈负相关关系，其中与0～20 cm土壤水分的相关关系由高到低的排序为OSAVI＞SAVI＞GRVI＞NDVI＞CCCI，与10～30 cm土壤水分的相关关系由高到低为SAVI＞OSAVI＞GRVI＞CCCI＞NDVI。不同深度的土壤水分与植被指数的相关关系存在差异性，OSAVI与0～20 cm土壤水分的相关性较好，但与10～30 cm的土壤水分相关性最好的是SAVI，SAVI更适宜于深层土壤水分的反演。OSAVI、SAVI与表层土壤水分的相关性较为接近，但在N1、N2施氮水平下，OSAVI对于0～20 cm土壤水分的相关关系较强，在N3、N4施氮水平下，两者的差距不大。在N1、N2施氮水平下的OSAVI与SAVI间的差距较小，而在N3、N4施氮水平下，SAVI优于OSAVI。在植株发育中期，天气晴朗，气温较高，植株根系的吸水性增强，0～20 cm的土壤水分的变化程度增强。较低的施氮水平（N1、N2）使得叶绿素的变化较小，同时，植株在温度较高的环境下，对玉米叶片细胞内的液泡的变化影响较大，使得在低施氮水平下（N1、N2），OSAVI与0～20 cm的土壤水分的相关性较强。SAVI放大了近红外波段（NIR）与红外波段（R）的反射率的差异，在较高的施氮水平条件下（N3、N4），叶绿素的变化增强了近红外波段与红外波段的差异，使得SAVI与10～30 cm土壤水分的相关关系增强。 表5，表6
2.3 NDVI与SPAD值的变化趋势
研究表明，NDVI和SPAD值变化表现出高度的一致性。在采集多光谱图像时，选取固定玉米植株的叶片进行拍摄，且由于第一次获取多光谱图像时，玉米植株已经成长至拔节期，此时玉米植株正处于生长发育的关键时期之一，所以SPAD值维持在较高的水平上，试验组处理的初始NDVI值也较高。N1处理的试验组（即不施氮处理组），叶片的SPAD值均在第一次拍摄后迎来骤降，但NDVI值并没有在此次骤降中表现出较强的敏感度。对于近红外波段而言，施氮量不足会导致叶片中细胞变小，细胞间间隙减小，细胞壁的水化程度降低，光在叶片细胞内反射次数减少，使得近红外波段的值降低；在玉米的生育末期，由于需要玉米籽粒达到适宜收割的含水率，因此，在控水处理下，多数植株处于水分胁迫状态，叶绿素含量也急剧下降，红光的反射率增强；表现出植株生长末期的NDVI和SPAD值间差异性增大。
在7月12日～8月23日间，SPAD值和NDVI表现出一致性，此时，玉米植株正处于抽雄散粉期，此时环境温度较高，蒸发量也较大，随着灌水和施氮的增加，玉米植株叶片的SPAD值在一定范围内呈周期性的变化，此时叶片生长较为成熟，叶片细胞数量趋于稳定，使得SPAD值在小范围内波动时，NDVI也表现出随SPAD值变化的一致性。图4
2.4 OSAVI、SAVI与表层土壤水分的变化趋势
研究表明，OSAVI与0～20 cm土壤水分表现相反的变化趋势，呈负相关性。从各个处理的变化趋势来看，在玉米植株发育中期，植被指数OSAVI与土壤水分的响应较为密切；低灌水处理（W1）下，植株生育前期，OSAVI与土壤水分的变化响应较差；高灌水处理（W3）的植株生育末期，OSAVI与实测土壤水分的值趋势差异较大；在植株的生育前期，叶片中叶绿素含量较低，光合色素含量较少，导致红外光（R）的反射率增强，两个波段（NIR和R）均增大，使得OSAVI呈现出不规律的变化，使得OSAVI在低灌水处理（W1）下生育前期的变化趋势产生差异。在高灌水处理（W3）下，生育末期，干枯、衰老的叶片的反射率会降低，同时，叶片的衰老也使得水分大量流失，导致近红外波段（NIR）与红外波段（R）的差距加大，使得在生育末期OSAVI的趋势变化较大，产生较大的差异。图5
研究表明，相对于地表0～20 cm土壤水分的趋势变化，效果较差。在低灌水处理（W1）和高灌水处理（W3）的拟合情况均产生了一定的差异。SAVI与OSAVI相比扩大了近红外波段（NIR）与红外波段（R）间的差值，在低灌水处理（W1）下的土壤水分波动在SAVI指数上的响应不明显，全生育期的趋势均存在一定差异；高氮处理（N4）相较于不施氮处理（N1）趋势较好，高氮处理（N4）下，叶绿素的变化较大，使得红波段（R）变化较大，加强了SAVI对于土壤水分的响应；高灌水处理（W3）的趋势差异性更大，较高的灌水量使得细胞内水分含量较高，降低了近红外波段（NIR）的反射率。图6
2.5 NDVI与SPAD值的PSO-BP神经网络模型构建
研究表明，训练复相关系数R为0.795 8，验证复相关系数R为0.714 7，测试复相关系数R为0.888 5，全部复相关系数R为0.793 4，复相关系数较高，有较好的拟合效果。NDVI对于SPAD值的预测较为准确。PSO-BP神经网络预测后平均绝对误差MAE为6.032 8；均方误差MSE为55.446 7，均方根误差RMSE为7.446 6；传统BP神经网络的平均绝对误差MAE为6.343 9；均方误差MSE为75.133 4；均方根误差RMSE为8.668。PSO-BP神经网络相比于传统BP神经网络有较好SPAD值预测效果。图7，图8
2.6 OSAVI、SAVI与表层土壤水分的PSO-BP神经网络模型构建
研究表明，PSO-BP神经网络的预测值的变化趋势与实际值的发展趋势更加接近，预测效果更好。训练集的复相关系数R为0.693 5，验证复相关系数R为0.883 7，测试复相关系数R为0.742 5，全部复相关系数R为0.739 3，复相关系数较高，有较好的拟合效果。OSAVI对于0～20 cm土壤水分的预测较为准确。平均绝对误差MAE为0.048 67；均方误差MSE为0.003 621，均方根误差RMSE为0.060 17；传统BP神经网络的平均绝对误差MAE为0.049 80；均方误差MSE为0.004 025；均方根误差RMSE为0.063 44。PSO-BP神经网络对于0～20 cm的土壤水分有着较好的预测效果。图9～10
局部的预测结果和实际值间的趋势有紊乱的现象，预测误差也较大。尤其使用BP神经网络的预测结果，展现出较差的趋势性，SAVI对于较深土壤的预测效果较差。SAVI与10～30 cm的土壤水分数据进行训练、验证、预测后，训练集的复相关系数R为0.550 9，验证复相关系数R为0.684 7，测试复相关系数R为0.447 8，全部复相关系数R为0.579 0，复相关系数较低，拟合效果较差。平均绝对误差MAE为0.039 20；均方误差MSE为0.002 184，均方根误差RMSE为0.046 73；传统BP神经网络的平均绝对误差MAE为0.044 70；均方误差MSE为0.002 763；均方根误差RMSE为0.052 56。PSO-BP神经网络对于10～30 cm的土壤水分的预测效果较差。图11～12
3 讨 论
3.1 植株叶片的叶绿素显著下降，使得叶片对于蓝、红波段的吸收减少，反射增强，红波段反射率增强尤为显著［19］；红光波段与近红外波段的变化趋势和变化程度有了较大的差异，最终在NDVI的表现上体现出与SPAD值变化的差异较大［20］。水分的胁迫使得叶子细胞壁和细胞空隙变大［21］，增加了光在叶片间的反射次数，使得近红外波段的反射率显著增大［22］；在低灌水处理的情况下，植株的叶片的水分含量较低，此时细胞中液泡处于相对较小的状态，细胞出现轻度的质壁分离，导致了红外波段（NIR）的反射率增强［23］；PSO-BP神经网络的预测值相较于BP神经网络的预测值更加贴近实际［24］，BP神经网络的预测值比PSO-BP神经网络的预测值变化更大，波动性也更强。通过PSO-BP神经网络对数据进行训练、验证、预测后。贺露［25］、祝榛［26］等对番茄不同干旱胁迫下的光谱反射率进行研究，发现在不同的水分胁迫下，各反射率的变化不一致，中度干旱和适宜水分条件下反射率较为接近，而重度干旱条件下，在570～700 nm波段反射率升高，700～900 nm波段反射率降低。与研究一致，在W1处理的条件下，NIR波段（840 nm）的反射率降低，R波段（660 nm）的反射率上升，使得两者之间的差值减小，植被指数的值相对减小，但植被指数与土壤水分成反比，植被指数与实测土壤水分间的差异性增加，导致反演结果较差。李庆禄［27］等对渍水胁迫下小麦叶片的光谱特性进行分析，发现渍水群体下的光谱变化与干旱胁迫相似，各波段的光谱反射率均呈现出降低的趋势。在试验中表现为W2处理的反演好于W1与W3处理。试验发现，在高施氮水平下，植被指数的变化趋势与实测数据的变化趋势好于低氮水平，主要得益于施氮水平对叶绿素相关色素的影响，加深了植被指数的响应，这与前人的研究呈现出一致性［28-30］。
3.2 通过粒子群优化BP神经网络可以加快收敛速度，改善网络性能，提高使用度和易于找出最优解［31］。研究中，以植被指数作为输入层构建模型，从结果上看，PSO-BP的神经网络的模型构建效果较好，与BP神经网络的预测相比，降低了预测的极端值，使预测结果更加贴近真实值，预测误差更小。在相对较差的SAVI与10～30 cm土壤水分的预测中，PSO-BP神经网络对于真实值的贴近度更改，BP神经网络对于真实值的预测呈现出随真实值的波动更小，拟合效果更差。
4 结 论
4.1 植被指数NDVI与SPAD值的相关关系最佳且适用性较强，与试验组均存在正相关关系。表层土壤水分与植被指数均呈负相关关系，其中与0～20 cm土壤水分的相关关系最好的为OSAVI，与10～30 cm土壤水分的相关关系较高的为SAVI。
4.2 在植株发育中期，NDVI对SPAD值的反演以及OSAVI对0-20cm土壤水分的反演效果均较好。对于表层土壤水分的反演表现出中灌水处理（W2）优于低灌水处理（W1）与高灌水处理（W3）。较高的施氮水平加强了植被指数对作物指标的响应。
4.3 NDVI与SPAD值、OSAVI与0～20 cm的土壤水分数据的PSO-BP神经网络模型构建结果的复相关系数较高分别为0.771 0与0.739 3，NDVI对于SPAD值的预测及OSAVI对于0～20 cm的土壤水分数据较为准确。SAVI与10～30 cm土壤水分的模型复相关系数较低，为0.579 0，拟合效果较差。在100%ETc灌水水平、400 kg/hm2以上施氮水平条件下，使用NDVI与OSAVI来进行SPAD值和地表0～20 cm的土壤水分的反演较为准确。
参考文献（References）
［1］ 张园梦. 施氮量对膜下滴灌高产（15 000 kg/hm2）春玉米生长发育及产量效应研究［D］. 石河子： 石河子大学， 2020.
ZHANG Yuanmeng. Effect of Nitrogen Application on Growth and Yield of Spring Maize with High Yield（15，000 Kg/hm2）under Drip Irrigation［D］. Shihezi： Shihezi University， 2020.
［2］ 仇焕广， 李新海， 余嘉玲. 中国玉米产业：发展趋势与政策建议［J］. 农业经济问题， 2021， 42（7）： 4-16.
QIU Huanguang， LI Xinhai， YU Jialing. China maize industry： development trends and policy suggestions［J］. Issues in Agricultural Economy， 2021， 42（7）： 4-16.
［3］ 李少昆， 赵久然， 董树亭， 等. 中国玉米栽培研究进展与展望［J］. 中国农业科学， 2017， 50（11）： 1941-1959.
LI Shaokun， ZHAO Jiuran， DONG Shuting， et al. Advances and prospects of maize cultivation in China［J］. Scientia Agricultura Sinica， 2017， 50（11）： 1941-1959.
［4］ 许海涛， 冯晓曦， 许波， 等. 氮水协同对玉米干物质和氮素累积与氮素运移及利用效率的影响［J］. 新疆农业科学， 2022， 59（12）： 2957-2968.
XU Haitao， FENG Xiaoxi， XU Bo， et al. Effects of nitrogen and water collaborative supply on accumulation and distribution of dry matter and nitrogen， nitrogen transport and use efficiency of corn［J］. Xinjiang Agricultural Sciences， 2022， 59（12）： 2957-2968.
［5］ 孟庆岩，顾行发，余涛，等.我国民用卫星遥感应用现状、问题与趋势［C］//中国地震学会空间对地观测专业委员会.中国地震学会空间对地观测专业委员会成立大会暨学术研讨会论文集.地震杂志社（Earthquake Magazine Press），2008：8.
MENG Qingyan， GU Xingfa， YU Tao， et al. Current Situation， Problems and Trends of Remote Sensing Applications of Civilian Satellites in China ［C］//The Committee on Space-to-Earth Observation of the Chinese Seismological Society. Proceedings of the Inaugural Meeting and Symposium of the Space-to-Earth Observation Committee of the Chinese Seismological Society. Earthquake Magazine Press， 2008：8.
［6］ 马仪，黄组桂，贾江栋，等.基于无人机-卫星遥感升尺度的土壤水分监测模型研究［J/OL］.农业机械学报：1-24［2023-04-22］.
MA Yi， HUANG Zugui， JIA Jiangdong， et al. Soil moisture monitoring model based on UAV-Satellite remote sensing scale-up ［J/OL］. Transactions of the Chinese Society for Agricultural Machinery：1-24［2023-04-22］.
［7］ 郑超磊， 贾立， 胡光成. 高分一号卫星遥感数据驱动ETMonitor模型估算16 m分辨率蒸散发及验证［J］. 遥感学报， 2023， 27（3）： 758-768.
ZHENG Chaolei， JIA Li， HU Guangcheng. Evapotranspiration estimation and validation at 16 m resolution based on ETMonitor model driven by GF-1 satellite remote sensing datasets［J］. National Remote Sensing Bulletin， 2023， 27（3）： 758-768.
［8］ 闫成川， 曲延英， 陈全家， 等. 基于无人机多光谱影像的棉花SPAD值及叶片含水量估测［J］. 农业工程学报， 2023， 39（2）： 61-67.
YAN Chengchuan， QU Yanying， CHEN Quanjia， et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 61-67.
［9］ 李诗瑶，丛士翔，王融融，等.基于无人机多光谱遥感的干旱胁迫下玉米冠层SPAD值监测［J/OL］.干旱区地理：1-14［2023-04-22］.
LI Shiyao， CONG Shixiang， WANG Rongrong， et al. Monitoring of maize canopy SPAD value under drought stress based on UAV multi-spectral remote sensing. ［J/OL］. Arid Land Geography：1-14［2023-04-22］.
［10］Chen L， Gao J， Chang M， et al. Effects of Spatial Density of Farmland Shelterbelts on NDVI on the Northern Slope of Tianshan Mountains ［J］. Asian Agricultural Research， 2022， 14（10）：4.
［11］冯文斌.基于无人机多光谱遥感的夏玉米长势监测及产量估测［D］.泰安：山东农业大学，2022.
FENG Wenbin. Summer corn growth monitoring and yield estimation by UAV-based Multispectral remote sensing ［D］. Taian： Shandong Agricultural University， 2022.
［12］ Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS［J］. Remote Sensing of Environment， 1996， 58（3）： 289-298.
［13］ 许民， 宜树华， 叶柏生， 等. 植被盖度及太阳/观测角度对疏勒河上游NDVI和SAVI值的影响［J］. 干旱区资源与环境， 2012， 26（5）： 101-107.
XU Min， YI Shuhua， YE Baisheng， et al. Influence of PVC and Sun/view geometry on NDVI and SAVI in the upstream regions of Shule River Basin［J］. Journal of Arid Land Resources and Environment， 2012， 26（5）： 101-107.
［14］ 杨祯婷. 基于无人机多光谱遥感的夏玉米长势监测研究［D］. 杨凌： 西北农林科技大学， 2022.
YANG Zhenting. Study on Monitoring of Summer Maize Growth Based on Multi-spectral Remote Sensing of UAV［D］.Yangling： Northwest A amp; F University， 2022.
［15］ 林位衡， 黄文骞， 李广会， 等. 基于粒子群优化神经网络的水深反演模型［J］. 海洋测绘， 2020， 40（5）： 26-29.
LIN Weiheng， HUANG Wenqian， LI Guanghui， et al. A model for water depth retrieval based on neural network optimized by particle swarm optimization［J］. Hydrographic Surveying and Charting， 2020， 40（5）： 26-29.
［16］ 崔乃丹. 基于粒子群优化算法与BP神经网络的高铁客运量预测算法［J］. 自动化技术与应用， 2022， 41（4）： 148-150.
CUI Naidan. High speed railway passenger volume prediction algorithm based on particle swarm optimization algorithm and BP neural network［J］. Techniques of Automation and Applications， 2022， 41（4）： 148-150.
［17］祝子涵，谭峰，田芳明，等.基于BP神经网络的粳稻种子拉曼光谱鉴别方法研究［J/OL］.中国粮油学报：1-12［2023-03-10］.
ZHU Zihan， TAN Feng， TIAN Fangming， et al. Research on the raman spectroscopic identification of japonica rice seeds based on BP Neural Network ［J/OL］. Journal of the Chinese Cereals and Oils Association：1-12［2023-03-10］.
［18］杨晓慧，王碧胜，孙筱璐，等.冬小麦对水分胁迫响应的模型模拟与节水滴灌制度优化［J/OL］.作物学报：1-15［2023-04-22］.
YANG Xiaohui， WANG Bisheng， SUN Xiaolu， et al. Modeling the response of winter wheat to deficit drip irrigation for optimizing irrigation schedule ［J/OL］. Acta Agronomica Sinica：1-15［2023-04-22］.
［19］ Zhang J， Liu F L， Wang Q H， et al. Effect of light wavelength on biomass， growth， photosynthesis and pigment content of Emiliania huxleyi （Isochrysidales， Cocco-lithophyceae）［J］. Journal of Marine Science and Engineering， 2023， 11（2）： 456.
［20］ 张智韬， 劳聪聪， 王海峰， 等. 基于FOD和SVMDA-RF的土壤有机质含量高光谱预测［J］. 农业机械学报， 2020， 51（1）： 156-167.
ZHANG Zhitao， LAO Congcong， WANG Haifeng， et al. Estimation of desert soil organic matter through hyperspectra based on fractional-order derivatives and SVMDA-RF［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（1）： 156-167.
［21］ Roig-Oliver M， Fullana-Pericàs M， Bota J， et al. Adjustments in photosynthesis and leaf water relations are related to changes in cell wall composition in Hordeum vulgare and Triticum aestivum subjected to water deficit stress［J］. Plant Science： an International Journal of Experimental Plant Biology， 2021， 311： 111015.
［22］Pang Y，Huang Y，Zhou Y，et al. Identifying spectral features of characteristics of Sphagnum to assess the remote sensing potential of peatlands： A case study in China［J］. MIRES and PEAT， 2020，26.
［23］汪沛，陈海波，李就好.控制灌溉下甘蔗叶水势、叶片光谱反射率和土壤含水量的关系［C］//中国农业工程学会农业水土工程专业委员会，云南农业大学水利水电与建筑学院.现代节水高效农业与生态灌区建设（上）.云南大学出版社（Yunnan University Press），2010：9.
WANG Pei， CHEN Haibo， LI Jiuhao. The relationship Among sugarcane leaf water potential， leaf spectral reflectance and soil moisture under controlled irrigation ［C］//China Agricultural Engineering Society， College of Water Conservancy， Hydropower and Construction， Yunnan Agricultural University. Modern water-saving and efficient agriculture and ecological irrigation district construction （above）. Yunnan University Press，2010：9.
［24］ Zhou G F， Moayedi H， Bahiraei M， et al. Employing artificial bee colony and particle swarm techniques for optimizing a neural network in prediction of heating and cooling loads of residential buildings［J］. Journal of Cleaner Production， 2020， 254： 120082.
［25］ 贺露， 万莉， 高会议. 基于高光谱成像技术识别番茄干旱胁迫［J］. 光谱学与光谱分析， 2023， 43（3）： 724-730.
HE Lu， WAN Li， GAO Huiyi. Recognition of drought stress in tomato based on hyperspectral imaging［J］. Spectroscopy and Spectral Analysis， 2023， 43（3）： 724-730.
［26］ 祝榛， 李天胜， 崔静， 等. 基于高光谱成像估测冬小麦不同生育时期水分状况［J］. 新疆农业科学， 2022， 59（3）： 521-532.
ZHU Zhen， LI Tiansheng， CUI Jing， et al. Study on estimation of water status of winter wheat in different growth stages based on hyperspectral imaging［J］. Xinjiang Agricultural Sciences， 2022， 59（3）： 521-532.
［27］ 李庆禄. 渍水胁迫下小麦高光谱特征分析与主要生理参数估测研究［D］. 扬州： 扬州大学， 2021.
LI Qinglu. Hyperspectral characteristics analysis and estimation of main physiological parameters of wheat under waterlogging stress［D］.Yangzhou： Yangzhou University， 2021.
［28］ 韩康， 于静， 石晓华， 等. 不同光谱指数反演马铃薯叶片氮累积量的研究［J］. 作物学报， 2020， 46（12）： 1979-1990.
HAN Kang， YU Jing， SHI Xiaohua， et al. Inversion of nitrogen accumulation in potato leaf with different spectral indices［J］. Acta Agronomica Sinica， 2020， 46（12）： 1979-1990.
［29］ 努热曼古丽·托乎提， 聂臣巍， 余汛， 等. 基于高光谱指数的叶片尺度叶绿素荧光参数反演［J］. 玉米科学， 2021， 29（5）： 73-80.
Nuerman Tuohuti，NIE Chenwei，YU Xun，et al. Retrieval of leaf-scale chlorophyll fluorescence parameters based on hyperspectral index［J］. Journal of Maize Sciences， 2021， 29（5）： 73-80.
［30］ 王俞茜. 华北地区夏玉米水分和氮素光谱诊断模型研究［D］. 天津： 天津农学院， 2021.
WANG Yuqian. Study on Spectral Diagnostic Model of Water and Nitrogen of Summer Maize in North China［D］. Tianjin： Tianjin Agricultural University， 2021.
［31］ 李雪， 顾沈明， 年浩. 改进粒子群算法优化BP神经网络的粮食产量预测［J］. 漳州师范学院学报（自然科学版）， 2014， 27（1）： 56-61.
LI Xue， GU Shenming， NIAN Hao. Prediction for grain yield based on improved PSO optimized BP neural network［J］. Journal of Minnan Normal University （Natural Science）， 2014， 27（1）： 56-61.
Stu dy on leaf information collection of spring maize under different water nitrogen treatment conditions based on ground-based multispectrum
LI Chi1，CHEN Gang2，YANG Jige2，YANG Tingrui1，ZHAO Jinghua1，MA Mingjie1
（1. College of Water Conservancy and Civil Engineering， Xinjiang Agricultural University/Key Laboratory of Water Resources Engineering Safety and Water Disaster Prevention and Control， Urumqi 830052， China; 2. Karamay Lüchen Agricultural Development Co.， Ltd， Karamay Xinjiang 834000， China）
Abstract：【Objective】 To investigate the effects of different water and nitrogen treatments on multispectral collection of leaf information from spring maize.【Methods】 Three levels of irrigation quotas （75%， 100%， 125% ETc） and four levels of N application （0， 200， 400， 600 kg/hm2） were set， Ground-based multispectral photography was used to obtain spectral information of spring maize leaves， and five vegetation indices were selected to study the effects of different water and nitrogen treatments on multispectral information acquisition. Combined with the measured data， the BP neural network with correlation analysis and particle swarm optimization was used to analyze the trend of the measured values and vegetation index.【Results】 The results showed that the inversion of vegetation index NDVI was better for SPAD values at the middle of vegetation development， and both irrigation and nitrogen application affected the inversion of vegetation index for SPAD values. The inversions of vegetation indices OSAVI and SAVI for surface soil moisture under medium irrigation treatment （W2） were superior， and the PSO-BP neural network modeling results of OSAVI with soil moisture data from 0 to 20 cm were better than those of SAVI for soil moisture from 10 to 30 cm.【Conclusion】 In summary， it is more accurate to use NDVI with OSAVI for inversion of SPAD values and soil moisture at the surface 0-20 cm at 100% ETc irrigation level and above 400 kg/hm2 N application level.
Key words：spring maize; multispectral; water nitrogen; neural network
Fund project：Major Science and Technology Special Projects in Xinjiang Uygur Autonomous Region （2020A01003-4）
Correspondence author： ZHAO Jinghua （1979-）， male， from Qitai， Xinjiang， professor， doctoral supervisor， research direction： water conservation irrigation theory and efficient crop water use，（E-mail）105512275@qq.com
CHEN Gang （1971-）， male， from Jiangsu， senior political engineer， research direction： farmland water conservancy， （E-mail）1635352671@qq.com