本發(fā)明涉及水稻監(jiān)測(cè)領(lǐng)域，更具體而言，本發(fā)明涉及一種水稻葉片全氮含量高光譜估測(cè)及估測(cè)模型構(gòu)建方法。

背景技術(shù)：

氮素是與作物光合作用、產(chǎn)量及品質(zhì)關(guān)系最密切的營(yíng)養(yǎng)元素，也是作物需求量和施用量最大的礦質(zhì)元素。當(dāng)作物缺氮時(shí)，不僅會(huì)影響作物產(chǎn)量還會(huì)降低其品質(zhì)。相反，如果氮素營(yíng)養(yǎng)過(guò)剩，又會(huì)對(duì)水、大氣造成一定的面源污染^[1]。在農(nóng)田生產(chǎn)實(shí)踐中，應(yīng)高效利用氮肥，減少環(huán)境污染，以實(shí)現(xiàn)作物優(yōu)質(zhì)高產(chǎn)。因此，快速而準(zhǔn)確的獲取作物氮素狀況，實(shí)現(xiàn)農(nóng)田精準(zhǔn)高效施肥是現(xiàn)代化農(nóng)業(yè)生產(chǎn)的迫切需要。

水稻是世界上主要糧食作物之一，水稻氮素營(yíng)養(yǎng)評(píng)估有利于監(jiān)測(cè)水稻長(zhǎng)勢(shì)及田間精準(zhǔn)管理。傳統(tǒng)的水稻氮素診斷方法主要通過(guò)實(shí)驗(yàn)室對(duì)植物組織進(jìn)行化學(xué)分析，該方法費(fèi)時(shí)、費(fèi)力，且具有滯后性。盡管已有研究表明SPAD(Soil and Plant Analyzer Development)值可作為氮素狀況的良好指標(biāo)，但作物SPAD測(cè)定受到作物品種、其它營(yíng)養(yǎng)元素缺乏、環(huán)境及測(cè)定部位等影響，具有很多不確定因素^[2]。高光譜遙感技術(shù)可以實(shí)現(xiàn)快速、無(wú)損監(jiān)測(cè)作物氮素狀況，易擴(kuò)展到區(qū)域尺度，是作物遙感監(jiān)測(cè)研究領(lǐng)域的重點(diǎn)內(nèi)容^[3]。作物發(fā)育過(guò)程中，氮素營(yíng)養(yǎng)水平的變化會(huì)引起葉片顏色、葉綠素水平、水分含量等作物形態(tài)結(jié)構(gòu)變化，進(jìn)而引起冠層光譜的變化，這是高光譜遙感進(jìn)行氮素估測(cè)的理論基礎(chǔ)。目前，已有學(xué)者借助遙感手段對(duì)水稻氮素狀況進(jìn)行了估測(cè)^[4-6]。Xue等^[7]指出比值光譜指數(shù)R810/R560與水稻葉片氮積累量具有很好的線性關(guān)系，且不受施肥和生育期的影響。Stroppiana等^[8]研究表明利用R503和R483組成的歸一化光譜指數(shù)與水稻氮素含量具有很好的相關(guān)性。Tian等^[9]和Chu等^[10]評(píng)估了不同高光譜植被指數(shù)對(duì)水稻氮素狀況的預(yù)測(cè)能力。還有一些學(xué)者綜合運(yùn)用高光譜技術(shù)和偏最小二乘回歸方法(Partial Least Squares Regression,PLSR)對(duì)水稻氮素水平進(jìn)行了估測(cè)^[11,12]。

地處西北的寧夏引黃灌區(qū)自然條件優(yōu)越，是全國(guó)優(yōu)質(zhì)粳稻最佳生態(tài)區(qū)之一，也是西北重要的優(yōu)質(zhì)米基地。對(duì)其水稻氮素狀況進(jìn)行評(píng)估，從而實(shí)現(xiàn)稻米的優(yōu)質(zhì)高產(chǎn)意義重大。目前，國(guó)內(nèi)水稻氮素含量估測(cè)主要針對(duì)南方稻田，所建立的預(yù)測(cè)模型對(duì)西北地區(qū)水稻可能并不適用；以往研究可能并未針對(duì)高光譜數(shù)據(jù)豐富和連續(xù)性的特點(diǎn)進(jìn)行優(yōu)化，而通過(guò)低空無(wú)人機(jī)高光譜影像實(shí)現(xiàn)區(qū)域范圍水稻氮素含量反演也鮮有涉及。參考文獻(xiàn)

[1]徐國(guó)偉,王賀正,翟志華,等.不同水氮耦合對(duì)水稻根系形態(tài)生理、產(chǎn)量與氮素利用的影響[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(10):132－141.

Xu Guowei,Wang Hezheng,Zhai Zhihua,et al.Effect of water and nitrogen coupling on root morphology and physiology,yield and nutrition utilization for rice[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(10):132－141.(in Chinese with English abstract)

[2]Turner F T,Jund M F.Chlorophyll Meter to predict nitrogen topdress requirement for semidwarf rice[J].Agronomy Journal,1991,83(5):926－928.

[3]王仁紅,宋曉宇,李振海,等.基于高光譜的冬小麥氮素營(yíng)養(yǎng)指數(shù)估測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(19):191－198.

Wang Renhong,Song Xiaoyu,Li Zhenhai,et al.Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(19):191－198.(in Chinese with English abstract)

[4]田永超,楊杰,姚霞,等.利用葉片高光譜指數(shù)預(yù)測(cè)水稻群體葉層全氮含量[J].作物學(xué)報(bào),2010,36(9):1529－1537.

Tian Yongchao,Yang Jie,Yao Xia,et al.Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice[J].Acta Agronomica Sinica,2010,36(9):1529－1537.(in Chinese with English abstract)

[5]Yi Qiuxiang,Huang Jingfeng,Wang Fumin,et al.Monitoring rice nitrogen status using hyperspectral reflectance and Artificial Neural Network[J].Environmental Science&Technology,2007,41(19):6770－6775.

[6]Yu Kang,Li Fei,Gnyp Martin L,et al.Remotely detecting canopy nitrogen concentration and uptake of paddy rice in the Northeast China Plain[J].ISPRS Journal of Photogrammetry and Remote Sensing,2013,78(4):102－115.

[7]Xue Lihong,Cao Weixing,Luo Weihong,et al.Monitoring Leaf Nitrogen Status in Rice with Canopy Spectral Reflectance[J].Agronomy Journal,2004,96(1):135－142.

[8]Stroppiana D,Boschetti M,Brivio P A,et al.Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry[J].Field Crops Research,2009,111(1～2):119－129.

[9]Tian Yongchao,Gu Kaijian,Chu Xu,et al.Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J].Plant and Soil,2014,376(1～2):193－209.

[10]Chu Xu,Guo YongJiu,He JiaoYang,et al.Comparison of different hyperspectral vegetation indices for estimating canopy leaf nitrogen accumulation in rice[J].Agronomy Journal,2014,106(5):1911－1920.

[11]Nguyen H T.,Kim J H,Nguyen A T,et al.Using canopy reflectance and partial least squares regression to calculate within－field statistical variation in crop growth and nitrogen status of rice[J].Precision Agriculture,2006,7(4):249－264.

[12]Ryu C,Suguri M,Umeda M.Model for predicting the nitrogen content of rice at panicle initiation stage using data from airborne hyperspectral remote sensing[J].Biosystems Engineering,2009,104(4):465－475.

[13]王人潮,陳銘臻,蔣亨顯.水稻遙感估產(chǎn)的農(nóng)學(xué)機(jī)理研究——Ⅰ.不同氮素水平的水稻光譜特征及其敏感波段的選擇[J].浙江農(nóng)業(yè)大學(xué)學(xué)報(bào),1993,19(S1):7－14.

Wang Renchao,Chen Mingzhen,Jiang Hengxian.Studies on agronomic mechanism of the rice yield estimation by remote sensing:I.The ricereflectance characteristics of different nitrogen levels and the selection of their sensitive bands.[J].Journal of Zhejiang Agricultural University,1993,19(S1):7－14.(in Chinese with English abstract)

[14]Bonham-Carter G F.Numerical procedures and computer program for fitting an inverted gaussian model to vegetation reflectance data[J].Computers&Geosciences,1988,14(3):339－356.

[15]Gitelson A A,A,Ciganda V,et al.Remote estimation of canopy chlorophyll content in crops[J].Geophysical Research Letters,2005,32(8):1－4.

[16]Liu Liangyun,Wang Jihua,Huang Wenjiang,et al.Estimating winter wheat plant water content using red edge parameters[J].International Journal of Remote Sensing,2004,25(17):3331－3342.

[17]Inoue Y,Sakaiya E,Zhu Yan,et al.Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J].Remote Sensing of Environment,2012,126(11):210－221.

[18]Inoue Y,Miah G Sakayia E,et al.NDSI map and IPLS using hyperspectral data for assessment of plant and ecosystem variables:with a case study on remote sensing of grain protein content,chlorophyll content and biomass in rice[J].Journal of The Remote Sensing Society of Japan,2008,28(4):317－330.

[19]Grossman Y L,Ustin S L,Jacquemoud S,et al.Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data[J].Remote Sensing of Environment,1996,56(3):182－193.

[20]Spiegelman C H.,McShane M J.,Goetz M J.,et al.Theoretical Justification of Wavelength Selection in PLS Calibration:Development of a New Algorithm[J].Analytical Chemistry,1998,70(1):35－44.

[21]Yao Xinfeng,Yao Xia,Tian Yongchao,et al.A new method to determine central wavelength and optimal bandwidth for predicting plant nitrogen uptake in winter wheat[J].Journal of Integrative Agriculture,2013,12(5):788－802.

[22]陳志強(qiáng),王磊,白由路,等.玉米葉片的光譜響應(yīng)及其氮素含量預(yù)測(cè)研究[J].光譜學(xué)與光譜分析,2013,33(4):1066－1070.

Chen Zhiqiang,Bai Youlu,Yang Liping,et al.Spectral response of maize leaves and prediction of their nitrogen content[J].Spectroscopy and Spectral Analysis,2013,33(4):1066－1070.(in Chinese with English abstract)

[23]Sims D A,Gamon J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structures and developmental stages[J].Remote Sensing of Environment,2002,81(2～3):337－354.

[24]Dash J,Curran P J.The MERIS terrestrial chlorophyll index[J].International Journal of Remote Sensing,2004,25(23):5403-5413.

[25]Jongschaap R E E,Booij R.Spectral measurements at different spatial scales in potato:relating leaf,plant and canopy nitrogen status[J].International Journal of Applied Earth Observation and Geoinformation,2004,5(3):205－218.

[26]Lee Y J,Yang C M,Chang K W,et al.A simple spectral index using reflectance of 735nm to assess nitrogen status of rice canopy[J].2008,100(1):205－212.

[27]Wang Shaohua,Ji Zhijun,Liu Shenghuang,et al.Relationships between balance of nitrogen supply-demand and nitrogen translocation and senescence of different position leaves on rice[J].2003,2(7):747－751.

[28]Wang Wei,Yao Xia,Tian Yongchao,et al.Common spectral bands and optimum vegetation indices for monitoring leaf nitrogen accumulation in rice and wheat[J].Journal of Integrative Agriculture,2012,11(12):2001－2012.

[29]Quemada M,Luis G J,Zarco-Tejada P.Airborne hyperspectral images and ground-level optical sensors as assessment tools for maize nitrogen fertilization[J].Remote Sensing,2014,6(4):2940－2962.

[30]Tian Yongchao,Yao Xia,Yang Jie,et al.Extracting red edge position parameters from ground-and space-based hyperspectral data for estimation of canopy leaf nitrogen concentration in rice[J].Plant Production Science,2011,14(3):270－281.

[31]Diacono M,Rubino P,Montemurro F.Precision nitrogen management of wheat.A review[J].Agronomy for Sustainable Development,2013,33(1):219－241.

[32]Ryu C,Suguri M,Umeda M.Multivariate analysis of nitrogen content for rice at the heading stage using reflectance of airborne hyperspectral remote sensing[J].Field Crops Research,2011,122(3):214－224.

[33]王莉雯,衛(wèi)亞星.植被氮素濃度高光譜遙感反演研究進(jìn)展[J].光譜學(xué)與光譜分析,2013,33(10):2823－2827.

Wang Liwen,Wei Yaxing.Progress in inversion of vegetation nitrogen concentration by hyperspectral remote sensing[J].Spectroscopy and Spectral Analysis,2013,33(10):2823－2827.(in Chinese with English abstract)

技術(shù)實(shí)現(xiàn)要素：

鑒于此，本發(fā)明運(yùn)用高光譜技術(shù)對(duì)西北地區(qū)水稻葉片全氮含量(Leaf Nitrogen Content,LNC)進(jìn)行估測(cè)，綜合分析不同光譜指數(shù)和不同建模方法在水稻氮素含量估測(cè)中的應(yīng)用能力，并通過(guò)低空無(wú)人機(jī)獲取的高光譜影像分析水稻葉片全氮含量的空間分布，以期確定西北地區(qū)水稻葉片全氮素含量的最優(yōu)估測(cè)方法。

根據(jù)本發(fā)明的第一方面，提供了一種水稻葉片全氮含量高光譜估測(cè)模型構(gòu)建方法，包括下列步驟：選擇多個(gè)試驗(yàn)小區(qū)，在每個(gè)試驗(yàn)小區(qū)選擇多個(gè)樣點(diǎn)；選擇水稻關(guān)鍵生育期進(jìn)行冠層光譜測(cè)量；每個(gè)樣點(diǎn)記錄多個(gè)采樣光譜，取平均值作為該樣點(diǎn)的光譜測(cè)量值；通過(guò)機(jī)載成像光譜儀獲得試驗(yàn)小區(qū)的高光譜影像；在每個(gè)樣本點(diǎn)采集不同部位的多個(gè)功能葉片測(cè)得水稻葉片全氮含量；采用光譜指數(shù)或偏最小二乘回歸方法構(gòu)建水稻葉片全氮含量高光譜估測(cè)模型。

優(yōu)選地，所述高光譜影響的處理流程包括以下步驟：拼接灰度圖像；對(duì)拼接灰度圖像進(jìn)行幾何校正；將高光譜影響與灰度圖像進(jìn)行影響融合，得到融合影像；將校正的灰度圖像與融合影像進(jìn)行影像配準(zhǔn)，得到校正融合影像；對(duì)校正融合影像進(jìn)行影像鑲嵌；拼接融合影像；提取感興趣區(qū)域；對(duì)影像進(jìn)行平滑后得到最終影像。

優(yōu)選地，以全氮含量為因變量，分別以歸一化光譜指數(shù)NDSI和比值光譜指數(shù)RSI為自變量，建立全氮含量高光譜估測(cè)模型。

優(yōu)選地，使用非成像光譜數(shù)據(jù)的450～950nm波段，并對(duì)光譜數(shù)據(jù)進(jìn)行平滑及重采樣，采樣間隔設(shè)為4nm，NDSI和RSI分別定義如下：

NDSI(x，y)＝(y-x)/(x+y)

RSI(x，y)＝x/y

式中x和y分別代表450～950nm波段范圍內(nèi)i nm和j nm的光譜反射率(Ri,Rj)或光譜反射率一階導(dǎo)數(shù)(Di,Dj)，通過(guò)制作任意兩波段光譜反射率或反射率一階導(dǎo)數(shù)組合構(gòu)成的NDSI和RSI與水稻葉片全氮含量的決定系數(shù)R²等勢(shì)圖，尋找具有更高預(yù)測(cè)能力的光譜指數(shù)。

優(yōu)選地，偏最小二乘回歸表達(dá)如下：

$Y_i={\mathrm{\β}}_0+{\Σ}_{k=1}^r{\mathrm{\β}}_k{T}_{ik}+e_i,(j=1,\mathrm{...},n)$

$T_{ik}={\Σ}_{j=1}^m{\mathrm{\βC}}_{kj}{X}_{ij},(k=1,\mathrm{...},r)$

式中Y_i為目標(biāo)變量；X_ij為光譜反射率；m為光譜波段數(shù)；n為采樣數(shù)；e_i為誤差；β_k為回歸系數(shù)；T_ik為潛在變量；r為潛在變量個(gè)數(shù)；C_kj為潛在變量系數(shù)。

優(yōu)選地，為了檢驗(yàn)水稻葉片全氮含量估測(cè)模型的可靠性，使用決定系數(shù)R²、均方根誤差RMSE和平均相對(duì)誤差RE檢驗(yàn)?zāi)Ｐ途?，RMSE和RE越小，則模型精度越高。

優(yōu)選地，所述關(guān)鍵生育期包括：拔節(jié)期、抽穗期、乳熟期、蠟熟期。

根據(jù)本發(fā)明另一方面，提供了一種水稻葉片全氮含量高光譜估測(cè)方法，包括利用根據(jù)上述方法構(gòu)建的模型來(lái)估測(cè)水稻葉片全氮含量。

優(yōu)選地，以光譜一階導(dǎo)數(shù)D738和D522構(gòu)成的比值光譜指數(shù)RSI(D738,D522)構(gòu)建的模型來(lái)估測(cè)西北地區(qū)水稻葉片全氮含量。

根據(jù)在下文中所描述的附圖和實(shí)施例，本發(fā)明的這些和其它方面將是清楚明白的，并且將參考在下文中所描述的實(shí)施例而被闡明。

附圖說(shuō)明

將參考附圖中所說(shuō)明的優(yōu)選實(shí)施例而在下文中更詳細(xì)地解釋本發(fā)明。

圖1示出了根據(jù)本發(fā)明實(shí)施例的試驗(yàn)區(qū)位置圖。

圖2示出了根據(jù)本發(fā)明實(shí)施例的高光譜影像的處理流程。

圖3示出了根據(jù)本發(fā)明實(shí)施例的拔節(jié)期不同葉片全氮含量水稻冠層光譜特征。

圖4示出了根據(jù)本發(fā)明實(shí)施例的任意兩波段組合構(gòu)成的NDSI(Ri,Rj)、RSI(Ri,Rj)和RSI(Di,Dj)與LNC的相關(guān)性決定系數(shù)等勢(shì)圖。

圖5示出了根據(jù)本發(fā)明實(shí)施例的基于光譜指數(shù)的水稻葉片全氮含量估測(cè)模型。

圖6示出了根據(jù)本發(fā)明實(shí)施例的基于光譜指數(shù)的水稻葉片全氮含量模型預(yù)測(cè)效果檢驗(yàn)。

圖7示出了根據(jù)本發(fā)明實(shí)施例的水稻葉片全氮含量與光譜一階導(dǎo)數(shù)D738和D522的關(guān)系。

圖8示出了根據(jù)本發(fā)明實(shí)施例的主成分對(duì)自變量X和因變量Y的解釋程度直方圖。

圖9示出了根據(jù)本發(fā)明實(shí)施例的基于PLSR的水稻葉片全氮含量模型預(yù)測(cè)效果檢驗(yàn)。

圖10示出了根據(jù)本發(fā)明實(shí)施例的光譜指數(shù)及偏最小二乘法預(yù)測(cè)葉片全氮含量的結(jié)果比較。

圖11示出了根據(jù)本發(fā)明實(shí)施例的水稻乳熟期大田L(fēng)NC空間分布。

具體實(shí)施方式

以下結(jié)合附圖詳細(xì)描述本發(fā)明的優(yōu)選實(shí)施例。

0材料與方法

0.1實(shí)驗(yàn)設(shè)計(jì)

本次試驗(yàn)包括小區(qū)試驗(yàn)和大田試驗(yàn)，所用水稻品種為寧粳43號(hào)。小區(qū)試驗(yàn)在寧夏回族自治區(qū)青銅峽市葉盛鎮(zhèn)水稻示范基地進(jìn)行，大田試驗(yàn)位于銀川市賀蘭縣四十里店鄉(xiāng)桂文村，試驗(yàn)區(qū)分布如圖1所示。小區(qū)試驗(yàn)設(shè)3個(gè)施氮(純N)水平：0、240、300kg·hm^-2，分別記為N0、N1、N2。共劃分12個(gè)小區(qū)，各小區(qū)面積60m²，設(shè)4個(gè)重復(fù)(圖1c)。氮肥分3次施入，分別為基肥60％、分蘗肥20％、穗肥20％，人為造成無(wú)肥、氮肥適中和氮肥過(guò)量3種情況。各小區(qū)磷、鉀施用量相同，全部作基肥。試驗(yàn)使用的肥料為尿素、重過(guò)磷酸鈣和氯化鉀。水稻大田共包括6塊(圖1b)，施肥和田間管理都按當(dāng)?shù)卣Ｋ竭M(jìn)行。

采樣時(shí)間為2014年，選擇水稻關(guān)鍵生育期進(jìn)行采樣：拔節(jié)期(7月12日)，植被特征表現(xiàn)為群體較小，田內(nèi)有水，稍有裸露的土壤。抽穗期(8月12日)植被蓋度接近90％，基本無(wú)土壤裸露。乳熟期(8月31日)，葉片開(kāi)始轉(zhuǎn)黃，水稻種子顆粒飽滿，籽粒呈綠色，與正常谷粒大小相同，谷粒中含白色乳狀液體，稻田內(nèi)無(wú)水，植被蓋度接近90％，部分葉片開(kāi)始枯黃，脫落。蠟熟期(9月17日)，谷粒由綠變黃，分蘗和葉片衰老，田內(nèi)無(wú)水。

0.2高光譜數(shù)據(jù)獲取

0.2.1非成像光譜數(shù)據(jù)

水稻冠層光譜采用美國(guó)SVC公司生產(chǎn)的HR-1024i便攜式地物光譜儀測(cè)定。光譜儀波段范圍為350～2500nm，其中350～1000nm光譜采樣間隔為1.5nm，光譜分辨率為3.5nm；1000～1890nm光譜采樣間隔為3.8nm，光譜分辨率為9.5nm；1890～2500nm光譜采樣間隔為2.5nm，光譜分辨率為6.5nm。

冠層光譜測(cè)定選擇在天氣晴朗、無(wú)風(fēng)或風(fēng)速較小時(shí)進(jìn)行，時(shí)間為10:00～14:00(太陽(yáng)高度角大于45°)。測(cè)量時(shí)光譜儀視場(chǎng)角25°，傳感器探頭垂直向下，距水稻冠層垂直高度約0.80m。每次采集目標(biāo)光譜前后都進(jìn)行參考板校正，每個(gè)樣點(diǎn)記錄5個(gè)采樣光譜，取平均值作為該樣點(diǎn)的光譜測(cè)量值。

0.2.2無(wú)人機(jī)高光譜影像

高光譜影像通過(guò)德國(guó)Cubert公司生產(chǎn)的UHD185機(jī)載成像光譜儀獲得。UHD185是一款全畫(huà)幅、非掃描式、實(shí)時(shí)成像光譜儀，光譜范圍450～950nm，采樣間隔4nm，光譜分辨率8nm，包含125個(gè)通道。UHD185可以同時(shí)獲得一幅50×50像素的高光譜影像和一幅1000×1000像素的灰度影像。

無(wú)人機(jī)飛行試驗(yàn)于2015年8月20日(乳熟期)在大田上空進(jìn)行。UHD185高光譜成像系統(tǒng)的機(jī)載飛行平臺(tái)為八旋翼無(wú)人機(jī)。飛行高度設(shè)為100m，航向重疊度80％，旁向重疊度60％。光譜儀鏡頭選擇焦距25mm，對(duì)應(yīng)的視場(chǎng)角約為13°，在100m飛行高度獲得的高光譜影像的地面分辨率約32cm，灰度影像的地面分辨率約1.6cm，每幅影像的幅寬約16m。高光譜影像的處理流程見(jiàn)圖2。

0.3葉片全氮含量測(cè)定

每個(gè)樣本點(diǎn)采集不同部位的功能葉片30片左右，立即裝入自封袋，帶回實(shí)驗(yàn)室。首先將葉片在105℃條件下殺青半小時(shí)，然后在80℃條件下烘干至恒重，取出并研磨粉碎后采用凱氏定氮法測(cè)得水稻葉片的全氮含量。

0.4研究方法

0.4.1光譜指數(shù)方法

由于水稻氮素的敏感波段一般位于400～1000nm之間^[13]，為了使非成像光譜儀獲得的高光譜數(shù)據(jù)與低空無(wú)人機(jī)高光譜影像數(shù)據(jù)的波段相統(tǒng)一，本發(fā)明使用非成像光譜數(shù)據(jù)的450～950nm波段，并對(duì)光譜數(shù)據(jù)進(jìn)行平滑及重采樣，采樣間隔設(shè)為4nm。所使用的光譜指數(shù)包括歸一化光譜指數(shù)(Normalized Difference Spectral Index,NDSI)和比值光譜指數(shù)(Ratio Spectral Index,RSI)，分別定義如下：

NDSI(x，y)＝(y-x)/(x+y) (1)

RSI(x，y)＝x/y (2)

式中x和y分別代表450～950nm波段范圍內(nèi)i nm和j nm的光譜反射率(Ri,Rj)或光譜反射率一階導(dǎo)數(shù)(Di,Dj)。

通過(guò)制作任意兩波段光譜反射率或反射率一階導(dǎo)數(shù)組合構(gòu)成的NDSI和RSI與水稻LNC的決定系數(shù)R²等勢(shì)圖，尋找具有更高預(yù)測(cè)能力的光譜指數(shù)。并對(duì)比評(píng)價(jià)其它文獻(xiàn)提出的16個(gè)光譜指數(shù)的預(yù)測(cè)能力。

0.4.2偏最小二乘回歸方法

偏最小二乘回歸方法集主成分分析、典型相關(guān)分析和多元線性回歸分析于一身，可以很好的解決多重共線問(wèn)題，偏最小二乘回歸表達(dá)如下：

$Y_i={\mathrm{\β}}_0+{\Σ}_{k=1}^r{\mathrm{\β}}_k{T}_{ik}+e_i,(i=1,...,n)---\left(3\right)$

$T_{ik}={\Σ}_{j=1}^m{\mathrm{\βC}}_{kj}{X}_{ij},(k=1,\mathrm{...},r)---\left(4\right)$

式中Y_i為目標(biāo)變量(因變量)；X_ij為光譜反射率(自變量)；m為光譜波段數(shù)；n為采樣數(shù)；e_i為誤差；β_k為回歸系數(shù)；T_ik為潛在變量；r為潛在變量個(gè)數(shù)；C_kj為潛在變量系數(shù)。

0.4.3模型評(píng)價(jià)標(biāo)準(zhǔn)

為了檢驗(yàn)水稻葉片全氮含量估測(cè)模型的可靠性，按照國(guó)內(nèi)外常用的模型評(píng)價(jià)方法，本發(fā)明使用決定系數(shù)(Coefficient of Determination,R²)、均方根誤差(Root Mean Square Error,RMSE)和平均相對(duì)誤差(Relative Error,RE)3個(gè)指標(biāo)檢驗(yàn)?zāi)Ｐ途?，RMSE和RE越小模型精度越高。

1結(jié)果與分析

1.1水稻LNC與冠層光譜之間的關(guān)系

圖3是拔節(jié)期不同LNC對(duì)應(yīng)的水稻冠層光譜曲線。由圖可知，在可見(jiàn)光波段的450～740nm，水稻冠層光譜反射率隨葉片全氮含量的增加而減少，原因在于氮素水平與葉綠素正相關(guān)，氮素水平提高導(dǎo)致葉綠素含量升高，水稻光合作用增強(qiáng)，對(duì)紅、藍(lán)光的吸收增加，相應(yīng)的反射則減小。在近紅外波段，光譜反射率隨全氮含量增加而增加，原因在于氮素水平影響水稻冠層結(jié)構(gòu)和葉面積指數(shù)，氮素含量增加，水稻生物量、葉面積指數(shù)和冠層水分含量也隨之增加，導(dǎo)致冠層光譜在近紅外波段的反射率也相應(yīng)升高。Carter等^[14]研究表明近紅外波段反射率與氮素水平正相關(guān)，與本發(fā)明結(jié)果一致。

1.2基于光譜指數(shù)的水稻LNC預(yù)測(cè)模型

1.2.1估測(cè)水稻LNC的最優(yōu)光譜指數(shù)

圖4是任意兩波段組合構(gòu)成的NDSI(Ri,Rj)、RSI(Ri,Rj)和RSI(Di,Dj)與LNC的相關(guān)性決定系數(shù)R²等勢(shì)圖。光譜指數(shù)與LNC的相關(guān)性越高，對(duì)應(yīng)的等勢(shì)圖顏色越紅，相反則顏色越藍(lán)。從R²等勢(shì)圖中可以看出估測(cè)水稻LNC光譜指數(shù)的最優(yōu)波段組合及波段寬度。對(duì)于NDSI(Ri,Rj)而言(圖4a)，決定系數(shù)R²＞0.5的區(qū)域是800～860nm與528～560nm的波段組合及748～860nm與708～748nm波段的組合。相關(guān)性最好的波段組合是NDSI(R826,R730)，R²達(dá)到0.679。

圖4b是兩波段組合構(gòu)成的RSI(Ri,Rj)與LNC的R²等勢(shì)圖。R²＞0.5的區(qū)域包含724～748nm與748～852nm波段組合、752～852nm與712～744nm波段組合及760～852nm與528～568nm的波段組合。其中RSI(R830,R726)與LNC的相關(guān)性最好，R²為0.685。整體而言，RSI與LNC相關(guān)性較高的波段組合范圍較NDSI寬(R²＞0.5)。NDSI(R826,R730)和RSI(R830,R726)均包含一個(gè)位于紅邊區(qū)域(680～760nm)的波段，分別為R730、R726，這兩個(gè)波段與一些估測(cè)植物葉綠素含量的光譜指數(shù)波段相近，如紅邊葉綠素指數(shù)CI_{red edge}^[15]。原因在于，綠色植物的氮素水平與葉綠素具有很強(qiáng)的相關(guān)性，對(duì)于水稻葉片而言，在整個(gè)生育期內(nèi)，全氮含量的75％～85％都存在于葉片的葉綠體內(nèi)。盡管多數(shù)學(xué)者經(jīng)常將720nm作為紅邊位置，但紅邊位置會(huì)隨植物生物理化性質(zhì)(如葉綠素和水分含量)的改變而發(fā)生移動(dòng)^[16]。

由于一階導(dǎo)數(shù)光譜可去除部分土壤背景的影響，進(jìn)而增強(qiáng)光譜變量和目標(biāo)變量的相關(guān)性。通過(guò)計(jì)算NDSI(Di,Dj)和RSI(Di,Dj)與LNC的決定系數(shù)，發(fā)現(xiàn)NDSI(Di,Dj)與LNC的相關(guān)性與RSI(Di,Dj)相比較低，本發(fā)明只列出了RSI(Di,Dj)與LNC決定系數(shù)等勢(shì)圖(圖4c)。由圖可知，RSI(Di,Dj)與LNC相關(guān)性較好的區(qū)域(R²＞0.6)與NDSI(Ri,Rj)和RSI(Ri,Rj)相比較多，分別為D522、D650、D706與D738附近的波段組合，以及D738和D518附近的波段組合。其中RSI(D738,D522)與水稻葉片全氮含量的決定系數(shù)R²最大，達(dá)到0.763?？梢?jiàn)，處于紅邊區(qū)域的D738在估測(cè)水稻LNC中起著非常重要的作用，原因在于LNC與葉綠素含量密切相關(guān)，而葉綠素在670～680nm的最大吸收峰對(duì)紅邊反射率有很大的影響^[17]。

1.2.2基于光譜指數(shù)的水稻LNC模型構(gòu)建及檢驗(yàn)

以LNC為因變量，分別以NDSI(R826,R730)、RSI(R830,R726)和RSI(D738,D522)為自變量，建立LNC高光譜估測(cè)模型(圖5)。從3個(gè)模型可以看出，幾乎所有的樣本點(diǎn)都在95％置信區(qū)間內(nèi)，3個(gè)模型的預(yù)測(cè)R²均在0.65以上，其中RSI(D738,D522)的預(yù)測(cè)R²最高，為0.763，RSI(R830,R726)次之(R²＝0.685)，NDSI(R826,R730)最小，R²為0.679。3個(gè)模型中RSI(D738,D522)的RMSE最小為0.369，RSI(R830,R726)與NDSI(R826,R730)的RMSE相差不大，分別為0.383和0.387。綜上所述，RSI(D738,D522)對(duì)水稻LNC的預(yù)測(cè)精度最高。

采用同期觀測(cè)的大田獨(dú)立樣本數(shù)據(jù)對(duì)3種模型精度進(jìn)行檢驗(yàn)，結(jié)果見(jiàn)圖6。3個(gè)模型的驗(yàn)證精度R²均在0.6以上，說(shuō)明3個(gè)模型均能對(duì)LNC進(jìn)行較好的預(yù)測(cè)。對(duì)不同生育期而言，3個(gè)模型均對(duì)拔節(jié)期LNC預(yù)測(cè)效果最好，隨著生育期的推進(jìn)，LNC逐漸減少，模型的預(yù)測(cè)能力也逐漸下降?；贜DSI(R826,R730)和RSI(R830,R726)的模型會(huì)對(duì)蠟熟期LNC造成過(guò)高估計(jì)，多數(shù)檢驗(yàn)樣本值位于1:1線之上。原因可能是蠟熟期水稻LNC很低，且水稻冠層光譜中混合大量稻穗的信息，一定程度上降低了模型的預(yù)測(cè)精度。

為了進(jìn)一步分析水稻LNC對(duì)738nm和522nm兩個(gè)波段一階導(dǎo)數(shù)光譜的影響，分不同水稻LNC梯度制作D522和D738之間的散點(diǎn)圖，見(jiàn)圖7。隨著LNC梯度的變化，D738和D522表現(xiàn)出了不同的光譜響應(yīng)。對(duì)于同一梯度LNC而言，D738與D522近似呈正比例關(guān)系。從不同梯度來(lái)看，D738隨著LNC的增加而增加，D522則有減小的趨勢(shì)。一般而言，紅邊波段和近紅外波段對(duì)葉面積指數(shù)和生物量較敏感，而綠波段則對(duì)葉片顏色相對(duì)更敏感^[18]。D738可能通過(guò)其對(duì)不同葉面積指數(shù)高度敏感來(lái)響應(yīng)葉片全氮含量，而D522則對(duì)單位葉片面積上的氮含量較為敏感。由NDSI(R826,R730)和RSI(R830,R726)兩個(gè)光譜指數(shù)構(gòu)建的模型RMSE分別為0.353和0.351，RE分別為13.7％和13.4％，RMSE和RE都較大(圖6)，可歸結(jié)于水稻群體結(jié)構(gòu)(如葉面積指數(shù)和冠層結(jié)構(gòu))的差異，這些結(jié)構(gòu)差異來(lái)源于種植區(qū)域及管理措施的差異。而這種結(jié)構(gòu)差異造成的光譜對(duì)LNC的響應(yīng)可通過(guò)D740和D522之間的比值進(jìn)行標(biāo)準(zhǔn)化。3個(gè)模型中，RSI(D738,D522)模型的RMSE(0.329)和RE(12.7％)均最小(圖6)，因此，以RSI(D738,D522)光譜指數(shù)為變量建立的水稻LNC估測(cè)模型更穩(wěn)健。

1.3水稻LNC估測(cè)的多元線性模型

為了探討多元線性回歸模型對(duì)LNC的估測(cè)精度，本發(fā)明借助偏最小二乘回歸方法，采用與光譜指數(shù)方法相同的建模樣本，構(gòu)建LNC的偏最小二乘回歸模型，并采用相同的驗(yàn)證樣本對(duì)模型精度進(jìn)行檢驗(yàn)。

圖8是主成分對(duì)自變量X和因變量Y的解釋程度直方圖。由圖可知，估測(cè)水稻LNC的最佳主成分?jǐn)?shù)個(gè)數(shù)為2。第1主成分對(duì)自變量和因變量的解釋能力最強(qiáng)，分別包含了兩個(gè)變量94.1％和66.4％的信息。從主成分對(duì)變量的累計(jì)解釋程度而言，2個(gè)主成分累計(jì)解釋了99.8％的自變量信息和86.4％的因變量信息。表明偏最小二乘法抽取的主成分可以最大程度的表示原始光譜反射率和葉片全氮含量信息。

主成分個(gè)數(shù)確定后，即可建立LNC的PLSR模型，通過(guò)大田樣本對(duì)建立的PLSR模型進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)圖9。從圖中可以看出，PLSR模型的檢驗(yàn)R²為0.654，RMES為0.336，RE為12.9％。PLSR模型比NDSI(R826,R730)和RSI(R830,R726)兩個(gè)模型精度略高，而比RSI(D738,D522)模型的精度略低。可能的原因是，盡管PLSR用到了整個(gè)光譜波段，但某些波段由于信噪比低，包含目標(biāo)變量的信息較少，甚至?xí)蓴_其它波段與目標(biāo)變量之間的關(guān)系。研究者在實(shí)驗(yàn)室化學(xué)計(jì)量分析的研究結(jié)果也表明了PLSR的局限性^[19,20]。盡管PLSR可以運(yùn)用全部波段建模，并且可以獲得較好的預(yù)測(cè)精度，但它并非作物生理生態(tài)參數(shù)遙感監(jiān)測(cè)中最好的方法。因此，考慮到監(jiān)測(cè)環(huán)境中許多混雜因素的影響，波段選擇至關(guān)重要。

1.4各種光譜指數(shù)預(yù)測(cè)水稻LNC精度比較

近年來(lái)，研究者提出了多種估測(cè)作物生物理化參數(shù)的光譜指數(shù)，本發(fā)明選取16個(gè)光譜指數(shù)與本發(fā)明結(jié)果進(jìn)行綜合比較。這些光譜指數(shù)是基于各自的獨(dú)立試驗(yàn)數(shù)據(jù)，在理論和經(jīng)驗(yàn)的基礎(chǔ)上建立的，用于估測(cè)作物葉綠素含量和氮素含量等。盡管某些光譜指數(shù)并非針對(duì)氮素而提出，但由于氮素與葉綠素密切相關(guān)，因此可用估測(cè)葉綠素的指數(shù)來(lái)估測(cè)氮素含量。將選擇的16個(gè)光譜指數(shù)用來(lái)估測(cè)水稻LNC，預(yù)測(cè)精度R²和RMSE見(jiàn)圖10。盡管多個(gè)指數(shù)都使用了紅邊參數(shù)，只有CI_{red edge}和MTCI有較強(qiáng)的預(yù)測(cè)能力。而利用紅邊位移構(gòu)建的光譜指數(shù)λrep預(yù)測(cè)R²較小，RMSE也較大，這可能歸因于紅邊可使用的范圍較窄(680～760nm)，并且通常包含一些極值點(diǎn)，這在一定程度上限制了紅邊參數(shù)的使用范圍。D735波段與本發(fā)明提出的RSI(D738,D522)中的D738波段接近，但通過(guò)選擇一個(gè)最優(yōu)波段D522來(lái)構(gòu)成比值光譜指數(shù)可以大大提高預(yù)測(cè)精度。一些針對(duì)南方稻田提出的比值光譜指數(shù)^[7,9,10,28]，在西北地區(qū)水稻LNC估測(cè)中并未表現(xiàn)出較好的預(yù)測(cè)能力。綜上所述，對(duì)西北地區(qū)水稻LNC而言，光譜指數(shù)RSI(D738,D522)的預(yù)測(cè)效果最佳。

1.5水稻LNC空間分布

將高光譜影像每一像素點(diǎn)提取的光譜指數(shù)RSI(D738,D522)帶入建立的LNC高光譜估測(cè)模型：LNC＝0.201*(D738/D522)+1.185，得到研究區(qū)水稻LNC的空間分布，見(jiàn)圖11。由圖可知，高光譜影像預(yù)測(cè)的研究區(qū)LNC的分布范圍在1.28％～2.56％之間，整個(gè)研究區(qū)的平均值為1.86％，第1塊大田的LNC值較其它田塊高，這與地表實(shí)際狀況相符。以同步采集的地面實(shí)測(cè)數(shù)據(jù)進(jìn)行精度檢驗(yàn)：將地面實(shí)測(cè)值與LNC空間分布圖上同名點(diǎn)的估算值進(jìn)行回歸擬合。結(jié)果表明，基于高光譜影像的水稻LNC預(yù)測(cè)值和實(shí)測(cè)值的擬合方程R²為0.614，RMSE為0.386，RE為16.3％。可見(jiàn)，結(jié)合光譜指數(shù)和低空無(wú)人機(jī)高光譜影像進(jìn)行區(qū)域水稻LNC空間分布反演具有較高精度。水稻LNC的地理空間分布圖不僅有利于精準(zhǔn)田間施肥管理，而且對(duì)于水稻產(chǎn)量及品質(zhì)的預(yù)測(cè)也具有重要意義。

2討論

氮素含量是水稻光合利用率的良好指示器，在水稻關(guān)鍵生育期進(jìn)行氮素水平的遙感監(jiān)測(cè)有助于提高水稻產(chǎn)量及品質(zhì)。近紅外光譜區(qū)域通常涉及紅邊參數(shù)，由于葉綠素在可見(jiàn)光波段敏感，色素的吸收會(huì)對(duì)紅邊區(qū)域的光譜反射率造成不同程度的影響，進(jìn)而影響許多比值和歸一化指數(shù)。因此，研究者提出了許多基于紅邊位置和特定波段選擇的光譜指數(shù)來(lái)監(jiān)測(cè)作物葉綠素含量、氮素含量等^[9,10,30]。在本發(fā)明中由紅邊區(qū)域和綠波段光譜反射率一階導(dǎo)數(shù)構(gòu)建的比值光譜指數(shù)RSI(D738,D522)對(duì)葉片全氮的估測(cè)較單波段的估測(cè)效果有明顯改進(jìn)。借助單波段參數(shù)進(jìn)行生物理化參數(shù)的估測(cè)，常常會(huì)受到土壤等背景因素的影響，紅光波段在氮素和葉綠素濃度較高時(shí)經(jīng)常出現(xiàn)飽和現(xiàn)象^[31]。而綠波段被葉片強(qiáng)烈反射，是用于反演水稻生物理化參數(shù)的良好波段^[32]。本發(fā)明提出的估測(cè)水稻LNC的最佳兩波段指數(shù)為近紅外波段和綠波段的組合，也驗(yàn)證了這一理論。以往學(xué)者提出的最優(yōu)波段組合大多基于原始光譜反射率，而本發(fā)明借助光譜反射率一階導(dǎo)數(shù)篩選的最優(yōu)波段組合RSI(D738,D522)對(duì)水稻LNC的估測(cè)效果比RSI(R830,R726)要好，這是因?yàn)橐浑A導(dǎo)數(shù)光譜可以很好的減弱土壤背景和大氣的干擾。

盡管偏最小二乘回歸利用全部光譜信息進(jìn)行建模，但其在估測(cè)水稻LNC時(shí)精度較RSI(D738,D522)差。并且PLSR包含主成分分析，建模時(shí)對(duì)數(shù)據(jù)進(jìn)行降維，入選變量的物理意義較難理解，建立的模型相對(duì)復(fù)雜，不利于模型的推廣與應(yīng)用。相對(duì)而言，基于光譜指數(shù)建立的模型物理意義明確，且模型結(jié)構(gòu)簡(jiǎn)單，精度也較高。通過(guò)篩選特征波段組成光譜指數(shù)，可剔除不相關(guān)或非線性變量，進(jìn)而得到預(yù)測(cè)能力和穩(wěn)健性較好的估測(cè)模型，而這種模型正是作物生物理化參量高光譜反演所追求的目標(biāo)。可見(jiàn)借助光譜指數(shù)方法進(jìn)行回歸建模與其它方法相比具有一定的優(yōu)越性，具體表現(xiàn)在：第一，可以簡(jiǎn)單有效的去除傳感器及環(huán)境背景的影響。第二，盡管只使用了幾個(gè)光譜波段，但數(shù)據(jù)利用率較高。第三，對(duì)遙感數(shù)據(jù)的精度要求沒(méi)有輻射傳輸模型和PLSR方法那么嚴(yán)格。

高光譜成像技術(shù)和參數(shù)成圖技術(shù)可以實(shí)現(xiàn)區(qū)域范圍作物生物理化參數(shù)空間分布狀況反演，為精準(zhǔn)農(nóng)業(yè)的實(shí)施提供可靠的依據(jù)。目前，國(guó)內(nèi)借助無(wú)人機(jī)搭載成像光譜儀監(jiān)測(cè)作物生物理化參數(shù)尚處于起步階段，并且該方法尚存在一定的局限性。第一，參數(shù)成圖依賴于生物理化參數(shù)的預(yù)測(cè)模型，而這些預(yù)測(cè)模型往往通過(guò)半經(jīng)驗(yàn)關(guān)系建立，模型本身具有一定的地域性和時(shí)間性。因此尋找更加穩(wěn)定的模型，并積極探索高光譜影像上的結(jié)構(gòu)和光譜信息，并將二者有機(jī)結(jié)合以適應(yīng)精準(zhǔn)農(nóng)業(yè)的發(fā)展是今后需要深入研究的科學(xué)問(wèn)題。第二，通過(guò)無(wú)人機(jī)搭載成像光譜儀獲取高光譜影像，在較大區(qū)域不可避免會(huì)出現(xiàn)影像拼接問(wèn)題，接邊處的光譜反射率會(huì)發(fā)生變化，從而影響預(yù)測(cè)結(jié)果。第三，由于無(wú)人機(jī)搭載負(fù)荷的限制，需權(quán)衡傳感器的空間分辨率和光譜分辨率，盡管可以降低飛行高度以獲取更高空間分辨率的影像，但會(huì)導(dǎo)致地面覆蓋范圍縮小及飛行時(shí)間的增加。因此，在應(yīng)用無(wú)人機(jī)獲取高光譜影像時(shí)面臨光譜分辨率、空間分辨率和覆蓋范圍的多重挑戰(zhàn)，需要做出合理取舍。目前國(guó)際上正在積極研制具有較高光譜分辨率、空間分辨率和較快重訪周期的高光譜衛(wèi)星，如美國(guó)的HyspIRI、日本的HISUI、德國(guó)的EnMAP、意大利的PRISMA、法國(guó)的HYPRIXM等，這些衛(wèi)星的發(fā)射將給精準(zhǔn)農(nóng)業(yè)的發(fā)展帶來(lái)良好的契機(jī)，從而實(shí)現(xiàn)“地-空-星”一體化監(jiān)測(cè)研究。

3結(jié)論

實(shí)時(shí)評(píng)估水稻葉片全氮含量，對(duì)監(jiān)測(cè)水稻長(zhǎng)勢(shì)及田間精準(zhǔn)管理，以實(shí)現(xiàn)水稻高產(chǎn)穩(wěn)產(chǎn)并最大化的降低對(duì)環(huán)境的破壞至關(guān)重要。本發(fā)明通過(guò)綜合分析高光譜數(shù)據(jù)和葉片全氮含量數(shù)據(jù)，評(píng)估了NDSI和RSI兩個(gè)簡(jiǎn)單光譜指數(shù)以及PLSR多元線性回歸方法在水稻葉片全氮含量估算中的預(yù)測(cè)能力。結(jié)果表明水稻冠層光譜反射率在可見(jiàn)光波段與LNC呈負(fù)相關(guān)，在近紅外波段，與LNC呈正相關(guān)。綜合對(duì)比光譜指數(shù)模型和PLSR模型，以光譜一階導(dǎo)數(shù)D738和D522構(gòu)成的比值光譜指數(shù)RSI(D738,D522)在模型精確度、簡(jiǎn)單易用性等方面表現(xiàn)最好，更適合西北地區(qū)水稻葉片全氮含量的估測(cè)?；诘涂諢o(wú)人機(jī)高光譜影像制作的水稻LNC空間分布圖可為田塊尺度施肥管理提供一定的參考。

作物氮素遙感反演尚存在很多不確定性因素，一些復(fù)雜的生化組分如木質(zhì)素、淀粉等與葉片氮素密切相關(guān)，這些生化組分會(huì)在作物本身狀態(tài)改變時(shí)出現(xiàn)其光譜吸收特征波段，這些特征波段與氮素的特征波段較接近甚至重疊，從而影響氮素含量的估測(cè)^[33]。今后的研究中，應(yīng)考慮木質(zhì)素、淀粉等影響因素，進(jìn)一步提高氮素反演精度。

上面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做了詳細(xì)的說(shuō)明。但是，應(yīng)當(dāng)理解，本發(fā)明的實(shí)施例并不限于所公開(kāi)的特定實(shí)施例，并且對(duì)該實(shí)施例的修改和其它實(shí)施例也意圖被包含在所附權(quán)利要求書(shū)的范圍內(nèi)。盡管此處使用了特定術(shù)語(yǔ)，但是它們僅在通用和描述性意義上使用，而非為了限制的目的。