基于高光譜的甜菜冠層氮素遙感估算研究

李　哲，田海清，王　輝，徐　琳，李　斐，史樹(shù)德

(內(nèi)蒙古農(nóng)業(yè)大學(xué)　機(jī)電工程學(xué)院，　呼和浩特　010018)

?

基于高光譜的甜菜冠層氮素遙感估算研究

李哲，田海清，王輝，徐琳，李斐，史樹(shù)德

(內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特010018)

摘要：利用野外便攜式ASD Qualityspec光譜儀，實(shí)測(cè)了田間甜菜冠層光譜數(shù)據(jù)，采用植被指數(shù)對(duì)氮含量進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)估算精度較低，分析NDVI與VLOPT與氮含量的相關(guān)性，得出氮含量在很小的時(shí)候就達(dá)到飽和水平。根據(jù)4種預(yù)處理下的甜菜冠層光譜，分別采用偏最小二乘回歸(PLSR)和主成分回歸(PCR)建立甜菜氮含量估算模型，比較不同預(yù)處理和不同回歸方法對(duì)估算精度的影響。結(jié)果表明：對(duì)PLSR來(lái)說(shuō)，一階導(dǎo)數(shù)處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34g/kg，RE=19.6%)，平滑、MSC和SNV建立的估算模型次之；對(duì)PCR來(lái)說(shuō)，平滑處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34g/kg，RE=19.4%)。總的看來(lái)，不同預(yù)處理對(duì)估算模型精度有一定的差異，但PLSR和PCR兩種回歸方法對(duì)甜菜氮含量估算模型影響不大。

關(guān)鍵詞：甜菜冠層；氮素；估算；光譜預(yù)處理；植被指數(shù)；最小二乘法；主成分回歸

0引言

目前，在國(guó)內(nèi)外光譜分析和儀器設(shè)備新技術(shù)相結(jié)合的研究中，國(guó)內(nèi)外利用高光譜(hyperspectral remote sensing)進(jìn)行氮素營(yíng)養(yǎng)診斷的研究己很廣泛[1-2]。隨著高光譜遙感技術(shù)的發(fā)展，已經(jīng)發(fā)展了一系列的植被指數(shù)，如冠層比值指數(shù)RVI(Ratio Vegetation Index)、歸一化植被指數(shù)NDVI(Normal-ized Difference Vegetation Index)[3]、綠色歸一化植被指數(shù)GND-VI( Green Normalized Difference Vegetation Index)。

NDVI是應(yīng)用最廣泛的一個(gè)植被指數(shù)。在實(shí)驗(yàn)室條件下，近紅外光譜測(cè)定法(NIRS)可以估算小麥[4]、玉米[5-6]和水稻[7]的地面干葉蛋白質(zhì)、氨基酸、木質(zhì)素、纖維素，以及其他重要的生化組分。結(jié)果表明：NDVI與作物植株氮含量、冠層葉片的葉綠素質(zhì)量濃度和550nm波段的反射率均有較高的相關(guān)性[8]，而雙峰冠層光譜指數(shù)DCNI和NDVI的構(gòu)建則可以減少葉面積對(duì)光譜反演氮含量的干擾，建立模型反演葉面積指數(shù)[9]。孫雪梅的學(xué)位論文比較了9個(gè)光譜指數(shù)及8個(gè)微分參數(shù)與葉片氮含量的相關(guān)性，結(jié)果表明：由NDVI改進(jìn)而來(lái)的GNDVI與氮含量的相關(guān)性最好，相關(guān)系數(shù)達(dá)到了0.88。

以上研究表明：作物生化參數(shù)的遙感研究是可能的，但進(jìn)一步研究應(yīng)集中在研究技術(shù)和方法的驗(yàn)證和提煉上。本文研究比較了4種不同光譜預(yù)處理方法和不同回歸方法對(duì)甜菜氮素含量估算精度的影響。

1材料與方法

1.1試驗(yàn)設(shè)計(jì)

試驗(yàn)小區(qū)為內(nèi)蒙古赤峰市松山區(qū)太平地鎮(zhèn)甜菜規(guī)模種植區(qū)域，供試甜菜品種為KWS1676，甜菜幼苗在大棚內(nèi)培育，于2014年5月中下旬移栽至試驗(yàn)田內(nèi)，收獲時(shí)間在9月下旬至10月上旬。小區(qū)面積40m2，行距50cm，株距25cm，設(shè)4個(gè)重復(fù)，試驗(yàn)小區(qū)按完全隨機(jī)排列布置。試驗(yàn)采用單因素(N)設(shè)計(jì)，共設(shè)7個(gè)氮肥水平(N0，N1，N2，N3，N4，N5，N6)，施肥量依次為0、15、32.5、76、108.5、163、217.5kg·hm-2，田間管理按常規(guī)方式進(jìn)行。

1.2冠層光譜測(cè)定

采用美國(guó)ASD公司(Analytical Spectral Devices)產(chǎn)ASD Qualityspec光譜儀 (350～1830nm)，進(jìn)行甜菜冠層光譜測(cè)定。其中，350～1 000nm采樣間隔為1.4nm，光譜分辨率為3nm；1 000～1 830nm光譜采樣間隔為2nm，光譜分辨率為10nm；光譜采集選擇在北京時(shí)間10:00—14:00之間晴朗無(wú)云無(wú)風(fēng)時(shí)間進(jìn)行，采集時(shí)探頭垂直向下，距甜菜冠層1m，探頭視場(chǎng)角為25°；每個(gè)樣點(diǎn)測(cè)量4次光譜，平均后作為采樣點(diǎn)光譜，每小區(qū)光譜測(cè)定前進(jìn)行標(biāo)準(zhǔn)參考白板校正。樣點(diǎn)選擇參照采樣小區(qū)甜菜長(zhǎng)勢(shì)，選擇能代表整個(gè)種植區(qū)域生長(zhǎng)狀況的樣品。

1.3植株全氮測(cè)定

甜菜樣品植株全氮含量測(cè)定采用凱氏定氮法，根據(jù)蛋白質(zhì)中氮的含量恒定的原理，將試驗(yàn)樣品在催化劑作用下，用濃硫酸將有機(jī)氮轉(zhuǎn)變?yōu)闊o(wú)機(jī)銨鹽，在堿性條件下將銨鹽轉(zhuǎn)變?yōu)榘保S水蒸氣蒸餾出來(lái)并用過(guò)量的硼酸液吸收，再以標(biāo)準(zhǔn)鹽酸滴定，就可計(jì)算出樣品中的氮量[10-11]。具體計(jì)算公式為：X=[(V1-V2)×N×0.014]/[m×(10/100)]×F×100%。其中，X為樣品中蛋白質(zhì)的百分含量(g)；V1為樣品消耗硫酸或鹽酸標(biāo)準(zhǔn)液的體積(mL)；V2為鹽酸標(biāo)準(zhǔn)溶液的體積(mL)；N為硫酸或鹽酸標(biāo)準(zhǔn)溶液的當(dāng)量濃度；0.014為1N硫酸或鹽酸標(biāo)準(zhǔn)溶液1mL相當(dāng)于氮克數(shù)；m為樣品的質(zhì)量(體積)[g(mL)]；F為氮換算為蛋白質(zhì)的系數(shù)。

2數(shù)據(jù)分析

2.1甜菜氮素與光譜反射率相關(guān)性分析

圖1為甜菜冠層光譜與4種不同預(yù)處理(平滑、一階導(dǎo)數(shù)、多元散射校正、標(biāo)準(zhǔn)正態(tài)變換)[12-14]的相關(guān)系數(shù)圖。對(duì)于冠層原始光譜反射率，在530nm和710nm處附近相關(guān)系數(shù)較大，一階導(dǎo)數(shù)后的光譜反射率，在508nm、676nm、790nm和1 198nm處相關(guān)系數(shù)較大，而多元散射校正和標(biāo)準(zhǔn)正態(tài)變換后的光譜數(shù)據(jù)在541nm和694nm處相關(guān)系數(shù)較大。從圖中可以看出：4種處理下，一階導(dǎo)數(shù)處理后的光譜相關(guān)性最高，且相關(guān)性曲線(xiàn)有較多的波峰和波谷，說(shuō)明導(dǎo)數(shù)變換能更好的提取與氮素相關(guān)的光譜信息，多元散射校正和標(biāo)準(zhǔn)正態(tài)變換次之。總體上，可見(jiàn)光區(qū)域的相關(guān)系數(shù)較高，說(shuō)明氮素響應(yīng)化學(xué)鍵的光譜特征集中在可見(jiàn)光區(qū)域。

圖1　甜菜冠層光譜與氮含量相關(guān)性分析

2.2植被指數(shù)在甜菜氮素估算的應(yīng)用

依據(jù)甜菜冠層反射光譜數(shù)據(jù)，構(gòu)建不同植被指數(shù)來(lái)建立植株全氮估算模型。表1列出了應(yīng)用植被指數(shù)建立的甜菜植株全氮估算模型結(jié)果，并給出了模型擬合方程、均方根誤差和相對(duì)誤差。從表1中可以看出：應(yīng)用植被指數(shù)建立的甜菜植株全氮估算模型，總體精度較低。根據(jù)光譜數(shù)據(jù)和全氮含量，構(gòu)建NDVI和VLOPT與全氮含量關(guān)系的散點(diǎn)圖來(lái)分析問(wèn)題出現(xiàn)的原因，結(jié)果如圖2所示。從圖2可以看出：在植株全氮為5g/kg時(shí)，兩種植被指數(shù)已經(jīng)達(dá)到飽和；隨氮含量的增加僅在水平方向上下波動(dòng)，不能有效地反映甜菜全氮含量變化，存在著嚴(yán)重的飽和問(wèn)題，給估算模型的構(gòu)建帶來(lái)較大的困難，不能較好地估算甜菜全氮含量。

表1　基于植被指數(shù)的氮含量估算模型

圖2　植被指數(shù)與氮含量的相關(guān)分析

2.3基于PLS和PCR的甜菜氮素估算

根據(jù)4種預(yù)處理下的甜菜冠層光譜，分別采用偏最小二乘回歸(PLSR)和主成分回歸(PCR)建立甜菜氮含量估算模型[15-16]，比較不同預(yù)處理和不同回歸方法對(duì)估算精度的影響，驗(yàn)證結(jié)果如表2所示。由表2可以看出：對(duì)PLSR來(lái)說(shuō)，一階導(dǎo)數(shù)處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34g/kg，RE=19.6%)，平滑、MSC和SNV建立的估算模型次之；對(duì)PCR來(lái)說(shuō)，平滑處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34g/kg-1，RE=19.4%)。總的看來(lái)，不同預(yù)處理對(duì)估算模型精度有一定地差異，但PLSR和PCR兩種回歸方法對(duì)甜菜氮含量估算模型影響不大。圖3和圖4分別為PLSR和PCR下氮含量驗(yàn)證散點(diǎn)圖，通過(guò)散點(diǎn)圖可以看出，氮含量較大的點(diǎn)，距離1：1線(xiàn)越遠(yuǎn)。

表2　基于PLSR和PCR的甜菜氮含量校正與驗(yàn)證

圖3　4種預(yù)處理下的PLSR氮含量驗(yàn)證

圖4　4種預(yù)處理下的PCR氮含量驗(yàn)證

3結(jié)論

根據(jù)氮含量與預(yù)處理后光譜的相關(guān)性，得出一階導(dǎo)數(shù)與氮含量相關(guān)性較大，且相關(guān)性較高的波段也較多，其他3種預(yù)處理相對(duì)較差。采用植被指數(shù)對(duì)氮含量進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)估算精度較低，分析NDVI與VLOPT與氮含量的相關(guān)性，得出氮含量在很小的時(shí)候就達(dá)到飽和水平。嘗試用植被指數(shù)作為特征參量，對(duì)氮含量做多元逐步回歸，模型精度有了明顯提高。根據(jù)4種預(yù)處理下的甜菜冠層光譜，分別采用偏最小二乘回歸(PLSR)和主成分回歸(PCR)建立甜菜氮含量估算模型，比較不同預(yù)處理和不同回歸方法對(duì)估算精度的影響。通過(guò)驗(yàn)證結(jié)果可以看出：對(duì)PLSR來(lái)說(shuō)，一階導(dǎo)數(shù)處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34kg，RE=19.6%)，平滑、MSC和SNV建立的估算模型次之；對(duì)PCR來(lái)說(shuō)，平滑處理的光譜數(shù)據(jù)建立的模型精度最好(RMSE=2.34g kg-1，RE=19.4%)。總的看來(lái)，不同預(yù)處理對(duì)估算模型精度有一定地差異，但PLSR和PCR兩種回歸方法對(duì)甜菜氮含量估算模型影響不大。

參考文獻(xiàn)：

[1]李曉利,劉明博,樓佳,等. 水稻葉片氮素營(yíng)養(yǎng)光譜診斷模型研究[J]. Agricultural Science & Technology,2011(2):168-170.

[2]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(4):1066-1070.

[3]金梁,胡克林,田明明,等. 夏玉米葉片分層氮素營(yíng)養(yǎng)的高光譜診斷[J]. 光譜學(xué)與光譜分析,2013(4):1032-1037.

[4]張瑤,鄭立華,李民贊,等.基于光譜學(xué)原理與小波包分解技術(shù)預(yù)測(cè)蘋(píng)果樹(shù)葉片氮素含量[J].農(nóng)業(yè)工程學(xué)報(bào),2013，29(S1):101-108.

[5]白金順,曹衛(wèi)東,熊靜,等.應(yīng)用數(shù)碼相機(jī)進(jìn)行綠肥翻壓后春玉米氮素營(yíng)養(yǎng)診斷和產(chǎn)量預(yù)測(cè)[J]. 光譜學(xué)與光譜分析,2013(12):3334-3338.

[6]李萍,柴仲平,武紅旗,等.基于光譜的庫(kù)爾勒香梨葉片氮素含量估算模型[J].經(jīng)濟(jì)林研究,2013(3):48-53.

[7]王淵,黃敬峰,王福民,等.油菜葉片和冠層水平氮素含量的高光譜反射率估算模型[J]. 光譜學(xué)與光譜分析,2008(2):273-277.

[8]朱西存,趙庚星,王凌,等.基于高光譜的蘋(píng)果花氮素含量預(yù)測(cè)模型研究[J].光譜學(xué)與光譜分析,2010(2):416-420.

[9]孫俊,金夏明,毛罕平,等.基于Adaboost及高光譜的生菜葉片氮素水平鑒別研究[J].光譜學(xué)與光譜分析,2013(12):3372-3376.

[10]李峰,Alchanatis Victor,趙紅,等.基于PLSR方法的馬鈴薯葉片氮素含量機(jī)載高光譜遙感反演[J].中國(guó)農(nóng)業(yè)氣象,2014(3):338-343.

[11]孫俊,金夏明,毛罕平,等.基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2014，30(10):167-173.

[12]李新偉,呂新,張澤,等. 棉花氮素營(yíng)養(yǎng)診斷與追肥推薦模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(12):209-214.

[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(S1):9-16.

[14]王家強(qiáng),伍維模,李志軍,等.基于高光譜指數(shù)的塔里木河上游胡楊和灰葉胡楊葉片氮素含量估測(cè)[J]. 生態(tài)學(xué)雜志,2014(10):2858-2864.

[15]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.

[16]張金恒,王珂,王人潮,等.水稻葉片反射光譜診斷氮素營(yíng)養(yǎng)敏感波段的研究[J].浙江大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版,2004(3):106-112.

Models of Estimating Sugar Beet Nitrogen Using Hyperspectral

Li Zhe, Tian Haiqing, Wang Hui, Xu Lin, Li Fei, Shi Shude

(College of Mechanic and Engineering, Inner Mongolia Agricultural University，Hohhot 010018, China)

Abstract：This paper analyzes the beet canopy spectra under four pretreatment were used partial least squares regression (PLSR) and principal component regression (PCR) to establish beet nitrogen content estimation model, compare different methods of pretreatment and different regression estimation accuracy impact on PLSR, the first order derivative of the spectral data processing model established best accuracy (RMSE=2.34g/kg, RE=19.6%), smoothing, estimation model followed by MSC and SNV established; for PCR toHe said precision spectral data smoothing model established best (RMSE=2.34g/kg,RE=19.4%). Overall, there are some different pre-treatment model to estimate the accuracy of differences, but the two regression PLSR and PCR methods to estimate the nitrogen content of beet little effect model.

Key words：sugar beet; Nitrogen; estimate; principal component regression; spectral preprocessing; vegetation index; least square

文章編號(hào)：1003-188X(2016)06-0210-05

中圖分類(lèi)號(hào)：S123

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：李哲(1989-),男，山東萊蕪人，碩士研究生，(E-mail) liz2217@163.com。通訊作者：田海清(1973-)，男，呼和浩特人，教授，博士生導(dǎo)師，(E-mail)hqtian@126.com。

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(41261084)；國(guó)家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專(zhuān)項(xiàng)基金(CARS-210402)

收稿日期：2015-05-05