基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究—以青海省貴南縣及瑪沁縣高寒草甸為例

高金龍，侯堯宸，白彥福，孟寶平，楊淑霞，胡遠寧，馮琦勝，崔霞，梁天剛*

(1.草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，蘭州大學草地農(nóng)業(yè)科技學院，甘肅 蘭州 730020；

2.蘭州大學西部環(huán)境教育部重點實驗室，甘肅 蘭州 730000)

?

基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究—以青海省貴南縣及瑪沁縣高寒草甸為例

高金龍1，侯堯宸1，白彥福1，孟寶平1，楊淑霞1，胡遠寧1，馮琦勝1，崔霞2，梁天剛1*

(1.草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室，蘭州大學草地農(nóng)業(yè)科技學院，甘肅 蘭州 730020；

2.蘭州大學西部環(huán)境教育部重點實驗室，甘肅 蘭州 730000)

摘要：以青海省瑪沁縣和貴南縣高寒草甸作為典型研究區(qū)，利用地物光譜儀采集了20塊樣地的高光譜數(shù)據(jù)，并測定了對應樣地所有樣方中牧草的養(yǎng)分含量，分析了牧草中氮磷鉀素含量與冠層原始光譜反射率和一階微分光譜反射率之間的相關關系；采用回歸統(tǒng)計方法，基于光譜位置變量、光譜面積變量及植被指數(shù)變量構建了高寒草甸氮磷鉀素的估測模型，并對模型進行了精度評價。結果表明，1)與原始光譜反射率曲線相比，一階微分光譜反射率曲線能較好地反映牧草中N、P、K素所對應的敏感波段；2)高寒草甸牧草中N、P、K素含量與冠層高光譜相關性較強的波段大多分布在紅光區(qū)域(680～760 nm)；3)基于光譜位置變量構建的估測模型能更好地反演高寒草甸N、P、K素含量。其中，以光譜位置變量為自變量的對數(shù)模型對氮素含量估測效果較好，R2為0.67，估測精度達到83.56%；以光譜位置變量為自變量的對數(shù)模型對磷素含量估測效果較好，R2為0.55，估測精度達到92.15%；以光譜位置變量為自變量的對數(shù)模型對鉀素含量估測效果較好，R2為0.86，估測精度達到82.44%。

關鍵詞：高寒草甸；高光譜遙感；牧草營養(yǎng)監(jiān)測；估測模型

我國具有多樣化的草地類型，其中高寒草甸類的面積最大，占全國草地面積的16.22%[1]。高寒草甸牧草營養(yǎng)狀況關乎草地的生產(chǎn)和持續(xù)利用能力，牧草中粗蛋白(CP)、酸性洗滌纖維(ADF)、中性洗滌纖維(NDF)、氮(N)、磷(P)、鉀(K)等含量和牧草產(chǎn)量直接影響著放牧家畜生產(chǎn)[2]。傳統(tǒng)的測定牧草營養(yǎng)成分含量的方法，不僅費時費力，且采樣點往往缺乏代表性[3]，大量的采樣亦會對草地植被造成損害。隨著高光譜遙感技術的發(fā)展和完善，這一技術在快速、無損估測植被冠層理化成分和大面積監(jiān)測植物營養(yǎng)狀況等方面取得了顯著進展[4]，這使得對天然草地牧草營養(yǎng)動態(tài)監(jiān)測和牧草品質(zhì)快速評價的深入研究成為可能。

Cho等[5]使用機載高光譜影像對綠色草本植物生物量進行估測的結果表明，基于高光譜影像偏最小二乘法(partial least squares，PLS)回歸方法較高光譜指數(shù)的單變量回歸方法能更精確的估測綠色草本植物的生物量。Kokaly和Clark[6]基于去包絡線的光譜吸收特征法估測了干葉中氮素等營養(yǎng)成分含量，結果表明該方法對氮素含量的建模效果較好，可應用于其他植被氮素等化學成分含量的估測。Mutanga[2]在牧草營養(yǎng)高光譜遙感估測方面作了一系列研究，發(fā)現(xiàn)在紅邊位置的窄波段植被指數(shù)相對于歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)能更精確的估測熱帶草原生物量，基于包絡線去除后的冠層光譜吸收特征，可以精確估測牧草中N、P、K、Ca、Mg、Na的含量；在冠層水平上，紅邊位置713和725 nm處的斜率和振幅與野牛草(Buchloedactyloides)的氮素濃度具有明顯的相關性[7]；紅光范圍內(nèi)的光譜吸收特征與葉片氮素濃度具有很強的相關性[8]；利用逐步回歸分析方法，可以估測基于去包絡線的反射光譜特征所確定波段的野牛草葉片營養(yǎng)成分濃度，使用歸一化波段深度指數(shù)(normalized band depth index，NBDI)可以估測鮮草葉片化學物質(zhì)濃度[9]；包絡線去除后的微分光譜反射率(continuum removed derivative reflectance，CRDR)可以較好的評估熱帶薩王納草地N、P、K等元素含量[10]。Knox等[11]對克魯格國家公園牧草氮、磷及纖維素含量進行了模擬分析，結果表明利用這些模型可以大面積、全季節(jié)反演薩王納草地牧草營養(yǎng)成分含量。Ramoelo等[12]基于RapidEye衛(wèi)星影像對南非東北部地區(qū)兩個牧場的草產(chǎn)量和氮素含量進行了評估，并基于植被指數(shù)繪制了牧草冠層氮素含量、地上生物量的空間分布圖，該研究發(fā)現(xiàn)高光譜遙感數(shù)據(jù)的紅邊波段具有評估牧草質(zhì)量和品質(zhì)的潛力，利用植被指數(shù)和相應輔助數(shù)據(jù)可以繪制牧草養(yǎng)分空間分布圖。胥慧等[13]利用高光譜遙感技術對內(nèi)蒙古錫林郭勒草原秋季干枯牧草生物量進行研究，發(fā)現(xiàn)紅谷吸收深度、近紅外反射率的一階微分總和、藍邊反射率的一階微分總和等高光譜特征參數(shù)和草地生物量具有較高的相關性。張凱等[14]應用高光譜分辨率遙感技術對甘肅甘南天然草地地上生物量進行了估算，結果表明特征參數(shù)D723的對數(shù)回歸模型可以作為甘南草地地上綠色植被生物量的最佳高光譜估算模型。納欽[15]利用非成像光譜儀測定了紫花苜蓿(Medicagosativa)和緣毛雀麥(Bromuscilitus)的冠層光譜反射率，分析了光譜反射率與牧草營養(yǎng)成分含量之間的相關性，發(fā)現(xiàn)單波段反射率與牧草營養(yǎng)成分含量的相關性較好，并基于此構建了牧草中葉綠素、N、P、K和NDF含量的估算模型，模型精度達90%以上。王迅等[16]對高寒草地牧草營養(yǎng)成分和高光譜數(shù)據(jù)進行分析的結果表明，通過兩波段比值指數(shù)(Ri/Rj)構建的高光譜指數(shù)模型與草地生物量、磷、粗灰分、粗蛋白等指標間顯著相關。

綜上所述，國內(nèi)外許多學者在牧草高光譜遙感研究方面大多集中在草地生物量的建模與估測、草地牧草冠層光譜吸收特征分析和牧草營養(yǎng)成分含量空間制圖，雖然取得了一些研究成果，但主要針對高寒草甸混合牧草營養(yǎng)成分的高光譜遙感分析及草地營養(yǎng)成分含量空間分布特征的研究尚鮮有報道。

基于以上因素的考慮，本研究利用高寒草甸盛草期混合種類牧草的冠層高光譜遙感數(shù)據(jù)，重點探索研究混合種類牧草中礦質(zhì)元素氮、磷、鉀含量的估測模型，以期為我國高寒草甸牧草營養(yǎng)動態(tài)監(jiān)測和品質(zhì)評價提供理論依據(jù)。

1材料與方法

1.1研究區(qū)概況

本實驗研究區(qū)為青海省貴南縣、瑪沁縣典型高寒草甸區(qū)。瑪沁縣高寒草甸試驗區(qū)位于東經(jīng)100°12′-100°18′，北緯34°21′-34°29′，主要優(yōu)勢植物有矮生嵩草(Kobresiahumilis)、針茅(Stipacapillata)、苔草(Carextristachya)等，植被覆蓋度在80%～100%。貴南縣高寒草甸試驗區(qū)位于東經(jīng)100°43′-100°50′，北緯35°27′-35°31′，主要建群種有小嵩草(Kobresiapygmaea)、矮生嵩草、冷地早熟禾(Poacrymophila)、針茅、苔草等，植被覆蓋度為80%～95%。

1.2草地觀測數(shù)據(jù)

在樣地選擇和樣點布局上，參考澳大利亞陸地生態(tài)系統(tǒng)網(wǎng)絡中AusPlot項目采用的基準樣地采樣技術[17]，結合高寒草地植被特征，在核心試驗區(qū)采用9點法布設了20塊樣地，其中瑪沁縣9塊，貴南縣11塊，樣地大小為100 m×100 m，其空間分布如圖1所示。對每個樣地的9個0.5 m×0.5 m樣方采用傳統(tǒng)的采樣方法測定了草地蓋度、草層高度及地上生物量等指標，并將樣方中草樣剪下裝袋，帶回實驗室經(jīng)烘干、粉碎、均勻混合處理之后，用化學分析方法對草樣中的營養(yǎng)元素進行定量分析。氮素含量測定使用H2SO4-H2O2消煮+蒸餾法，磷素含量測定使用H2SO4-H2O2消煮+釩鉬黃比色法，鉀素含量測定使用H2SO4-H2O2消煮+火焰光度法。最后，計算出各樣地的養(yǎng)分含量均值。

1.3高光譜數(shù)據(jù)采集

高光譜數(shù)據(jù)的采樣點位于瑪沁縣與貴南縣高寒草甸核心試驗區(qū)的樣地內(nèi)，采樣時間為2015年7月中旬和9月初，光譜測量所用儀器為荷蘭Avantes公司制造的適用于遙感測量、農(nóng)作物監(jiān)測等方面的AvaField-3便攜式高光譜地物波譜儀，其光譜范圍為300～2500 nm，其中300～1100 nm的光譜分辨率為1.4 nm，光譜采樣間隔為0.6 nm；1100～2500 nm的光譜分辨率為15 nm，光譜采樣間隔為6 nm。光譜采集要選擇干燥、無風、晴朗無云或少云的天氣進行，并根據(jù)天氣條件及時進行標準白板校正，采集時間盡量在11:00-15:00之間，此時光照條件良好。為避免土壤背景的影響，混合種類草地光譜數(shù)據(jù)的采集要盡量選擇植被覆蓋度高的區(qū)域進行[18-19]。光譜采集參數(shù)設置時間為100 ms，測量后及時進行白板校正[18,20]。每塊樣地選擇2～3個光譜采樣點進行高光譜數(shù)據(jù)采集，每個樣點每次重復測量10次，最后以該樣點的光譜反射率均值制作光譜反射率曲線。

1.4高光譜數(shù)據(jù)預處理

1.4.1高光譜數(shù)據(jù)的平滑濾波光譜測量易受天氣、空氣水分、冠層水分等因素影響，光譜曲線難免會出現(xiàn)異常，因此在進行光譜數(shù)據(jù)分析之前，應該剔除有明顯異常的數(shù)據(jù)。本研究中使用AvaField-3地物光譜儀自帶的Viewer 7.0軟件對每個樣點的多次重復測量值進行平均處理，得到各樣點的光譜反射率數(shù)據(jù)。光譜數(shù)據(jù)的平滑濾波處理可以有效地消除噪聲，提高信噪比，并且不會改變信號的形狀、寬度[21]，常用的信號平滑濾波方法有移動平均法和Savitzky-Golay卷積平滑法(即S-G濾波)[22-23]，本研究主要運用Origin 9.0數(shù)據(jù)分析軟件中的S-G濾波方法對光譜進行平滑處理，基于一定先驗知識，在濾波參數(shù)移動窗口寬度及多項式次數(shù)的優(yōu)化選擇上選擇11和5[24-25]。

圖1　貴南縣(A)和瑪沁縣(B)核心試驗區(qū)1 hm2樣地空間分布Fig.1　The spatial distribution of core experimental area one hectare sample in Guinan (A) and Maqin (B) County

1.4.2高光譜數(shù)據(jù)插值由于光譜采樣點在350～1500 nm和1500～2500 nm之間的光譜采樣間隔不一致，因此需要對光譜數(shù)據(jù)進行插值處理，保證數(shù)據(jù)的整齊度，方便后期的數(shù)據(jù)分析。在本研究中，光譜數(shù)據(jù)的插值采用Origin 9.0數(shù)據(jù)分析軟件中的Linear插值法[26-27]，插值后的光譜曲線稱為原始光譜。

1.4.3高光譜數(shù)據(jù)微分處理研究表明，光譜數(shù)據(jù)微分處理可以有效地降低或消除土壤等背景對冠層光譜的影響[28]，提高光譜數(shù)據(jù)的多重共線性[29]。本研究中使用ENVI 5.0遙感圖像處理軟件的一階微分(1st derivative)插件對光譜數(shù)據(jù)進行了處理，將處理后的光譜稱之為一階微分光譜。

1.5建模與驗證數(shù)據(jù)集選取

本研究總共測量了20塊樣地的高光譜數(shù)據(jù)，由于在測量時天氣突變，其中2塊樣地的高光譜數(shù)據(jù)出現(xiàn)明顯異常，經(jīng)刪選后，總共剩余18塊樣地(瑪沁7塊，貴南11塊)的高光譜數(shù)據(jù)與營養(yǎng)素含量數(shù)據(jù)符合建模及精度驗證要求。從中隨機選擇12塊樣地作為建模數(shù)據(jù)集，用來建立混合牧草中N，P，K素的估測模型，剩余6塊樣地作為驗證數(shù)據(jù)集來評估預測模型精度。

2結果與分析

2.1高寒草甸養(yǎng)分及高光譜特征分析

對研究區(qū)18塊樣地的牧草養(yǎng)分實驗室測定數(shù)據(jù)進行了描述性統(tǒng)計分析(表1)，從中可以看出，研究區(qū)草地養(yǎng)分含量最高的為氮素，平均含量為20.5667 g/kg，標準偏差為4.66716 g/kg，其次是鉀素，平均含量為18.5667 g/kg，標準偏差為3.11184 g/kg，最后是磷素，平均含量為3.7111 g/kg， 標準偏差為0.61538g/kg。 本實驗雖樣地數(shù)量具有一定的局限性，但是在科學的實驗設計、精確的化學養(yǎng)分測定條件下，所測定得到的研究區(qū)草地養(yǎng)分數(shù)據(jù)仍然具有一定的可信度。

表1　實驗室所測牧草氮磷鉀素含量的描述性統(tǒng)計

圖2為瑪沁7塊樣地與貴南11塊樣地的原始光譜曲線。與健康植物的波譜曲線[30]相對比，高寒草甸的原始光譜曲線具有明顯的健康植被光譜反射特征。由于草地植被冠層中以葉綠素為主的色素強烈地吸收紅光而反射綠光，形成了在可見光波段560和675 nm左右的“綠峰”和 “紅光低谷”；受到草地冠層葉片細胞結構的影響，在700～800 nm間形成了一個反射率急劇增高的陡坡，并在800～1300 nm之間形成了一個高反射率的反射峰；受到草地植被冠層中水分影響，貴南與瑪沁草地光譜曲線均在1450和1950 nm附近出現(xiàn)了吸收谷，并在1300～1400 nm和1800～1900 nm之間出現(xiàn)了比較明顯的異常情況。本研究參考Fricke和Wachendorf[31]、張凱等[32]對這些異常波段的處理方法，對1300～1400 nm和1800～1900 nm波段范圍內(nèi)的光譜曲線進行了優(yōu)化。

由于野外草地高光譜測量的不定性因素較多，瑪沁與貴南草地光譜曲線均在近紅外1050～1150 nm波段之間出現(xiàn)了較大噪聲，在1350和1850 nm附近出現(xiàn)了反射率異常情況。通常，近紅外波段的反射率主要取決于葉片結構及其細胞構造。高寒草甸不同植被類別間內(nèi)部結構變化較大，這可能是造成研究區(qū)草地光譜在近紅外波段差異較大[32]，出現(xiàn)較大噪聲的原因之一。此外，由于在1300～2500 nm波段之間，植被葉片水分含量是控制葉子反射率的主要因素，樣點觀測時間的差異以及不同植被類型葉片含水量存在一定差別，所以葉片含水量的不均勻性也有可能導致該波段反射數(shù)據(jù)出現(xiàn)噪聲現(xiàn)象。

圖2　瑪沁(A)、貴南(B)原始光譜曲線Fig.2　The original spectrum of Maqin (A) and Guinan (B) County

2.2高寒草甸N、P、K含量與高光譜數(shù)據(jù)的相關性分析

2.2.1高寒草甸N含量與原始光譜及一階微分光譜相關性分析如圖3所示為建模樣地牧草N素含量與草地原始光譜和一階微分光譜反射率之間的相關系數(shù)曲線，可以看出：在718～754 nm波段內(nèi)，牧草N素含量與草地原始光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在728 nm處的相關系數(shù)最大，達0.53；在690～726 nm波段內(nèi)，牧草N素含量與草地一階微分光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在708.88 nm處的相關系數(shù)最大，達0.68。

2.2.2高寒草甸P含量與原始光譜及一階微分光譜相關性分析如圖4所示為建模樣地牧草P素含量與草地原始光譜和一階微分光譜反射率之間的相關系數(shù)曲線，可以看出：在722～800 nm波段內(nèi)，牧草P素含量與草地原始光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在736 nm處的相關系數(shù)最大，達0.52；在695～734 nm波段內(nèi)，牧草P素含量與草地一階微分光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在704.85 nm處的相關系數(shù)最大，達0.66。

圖3　草地原始光譜(a)、一階微分光譜(b)與牧草N素含量相關性分析Fig.3　The correlation relationship between the nitrogen content and the original spectrum (a) and the first-order differential spectrum (b)

圖4　草地原始光譜(a)、一階微分光譜(b)與牧草P素含量相關性分析Fig.4　The correlation relationship between the phosphorus content and the original spectrum (a) and the first-order differential spectrum (b)

2.2.3高寒草甸K含量與原始光譜及一階微分光譜相關性分析如圖5所示為建模樣地牧草K素含量與草地原始光譜、一階微分光譜反射率之間的相關系數(shù)曲線，可以看出：在703～1095 nm和1148～1280 nm波段內(nèi)，牧草K素含量與草地原始光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在720，1011及1160 nm處的相關系數(shù)相對較大，分別為0.77，0.71，0.64；在680～726 nm波段內(nèi)，牧草K素含量與草地一階微分光譜反射率之間的相關系數(shù)均在0.5以上(P<0.05)，呈顯著正相關關系，在697.36 nm處的相關系數(shù)最大，達0.88。

圖5　草地原始光譜(a)、一階微分光譜(b)與牧草K素含量相關性分析Fig.5　The correlation relationship between the potassium content and the original spectrum (a) and the first-order differential spectrum (b)

2.3高寒草甸N、P、K含量的高光譜反演模型及精度評價

2.3.1特征波段選取與光譜參量構建本項研究在高光譜估測特征波段及光譜參量的選擇上主要采取基于光譜位置變量、基于光譜面積變量及基于植被指數(shù)變量3種形式，特征波段主要選擇牧草N、P、K素含量與草地原始光譜和一階微分光譜相關系數(shù)曲線中R>0.5所對應的波長范圍，光譜參量的選取及其描述如表2所示。

2.3.2高寒草甸N、P、K估測模型構建分別以牧草N、P、K素相關光譜參量為自變量，對應的牧草N、P、K素實驗室實測值含量為因變量，通過SPSS 17.0軟件進行回歸分析，并以P<0.01的顯著性水平進行F檢驗，構建草地營養(yǎng)素含量與光譜參量之間的擬合模型，然后依據(jù)該模型是否通過了F檢驗以及其擬合決定系數(shù)大小，從中選出了相對較好的模型，結果如表3所示。

2.3.3高寒草甸N、P、K估測模型精度分析由表3可知，有12個模型(其中3個N素含量模型，4個P素含量模型，5個K素含量模型)通過了F檢驗，達到了極顯著性水平。逐步回歸方法簡單易用，但是經(jīng)常出現(xiàn)“過渡擬合”現(xiàn)象[33]。當選取的建模樣本較少而波段數(shù)較多時，這種現(xiàn)象極易發(fā)生，這時波段的反射率可能與牧草中的某些營養(yǎng)成分并不相關，但是其噪聲模式卻與某種營養(yǎng)成分相關，而且這種誤差發(fā)生的可能性往往會隨著波段數(shù)的增多而提高[34]。模型精度評價可以提高模型精度，降低隨機誤差，因此，使用驗證數(shù)據(jù)集對所建立的草地N、P、K素含量估測模型進行精度評價是很有必要的。本文利用6塊樣地的高光譜數(shù)據(jù)作為驗證數(shù)據(jù)集，對上述12個估測模型進行驗證，結果如表4所示。

表2　高寒草甸N、P、K估測模型高光譜參量描述

表3　高寒草甸N、P、K素含量估測模型

注：**表示極顯著水平(P<0.01)，模型中X表示光譜參量，Y表示對應的營養(yǎng)素含量，下同。

Note: ** indicate significantly correlation at the level of 0.01,Xindicate spectrum parameter andYindicate the corresponding nutrient content, the same below.

在3個N素含量模型中，估測結果的回歸系數(shù)R2變動范圍為0.604～0.629，平均值為0.616，與擬合方程的R2平均值0.685相比，結果有一定偏差，說明所選N素模型的估算結果是比較理想的。在4個P素含量模型中，估測結果的回歸系數(shù)R2變動范圍為0.538～0.563，平均值為0.550，與擬合方程的R2平均值0.546相比，結果相差不大，說明P素模型的估算結果是相對理想的。在5個K素含量模型中，估測結果的回歸系數(shù)R2變動范圍為0.812～0.854，平均值為0.835，與擬合方程的R2平均值0.859相比，二者有一定差異，但變化不大，說明所選的K素模型的估算結果也是比較理想的。考慮到本研究中樣地數(shù)量的局限性，利用6塊樣地的實測數(shù)據(jù)驗證上述模型，結果可能存在一定的不確定性，尚需進一步完善。

表4　高寒草甸N、P、K含量估測模型精度評價結果

圖6　牧草中N、P、K素含量最佳估測模型的估測結果

3討論

3.1高寒草甸牧草N、P、K素高光譜特征波段與光譜參量分析

3.1.1特征波段的選擇基于上述研究結果，高寒草甸牧草N、P、K素含量與冠層原始光譜反射率、一階微分光譜反射率關系密切的波段主要集中在680～1300 nm之間，其中與N素含量相關性較強(R>0.5)的波段主要集中在718～754 nm(原始光譜)和690～726 nm(一階微分光譜)之間，且基于708.88 nm處的一階微分光譜反射率值與牧草氮素含量之間的模型具有較好精度；與P素含量相關性較強(R>0.5)的波段主要集中在722～760 nm(原始光譜)和695～734 nm(一階微分光譜)之間，且基于704.85 nm處的一階微分光譜反射率值與牧草磷素含量之間的估測模型具有較好精度；與K素含量相關性較強(R>0.5)的波段主要集中在703～1095 nm(原始光譜)、1148～1280 nm(原始光譜)和680～726 nm(一階微分光譜)之間，且基于697.36 nm處的一階微分光譜反射率值與牧草鉀素含量之間的估測模型具有較好精度。

本研究分析所得高光譜N、P、K素含量特征波段主要集中在紅光波段(690～754 nm)，與已有研究有一定差別，但大致相似。付彥博[35]、Mutanga[2]等分別對紫花苜蓿和天然牧草營養(yǎng)品質(zhì)高光譜的研究發(fā)現(xiàn)，牧草中N、P、K素含量與高光譜敏感的波段大多分布在紅光區(qū)域(680～760 nm)，在該區(qū)域所選擇的很多波段與植被生化物質(zhì)含量顯著相關。Lichtenthaler等[36]對野生煙草(Nicotianatabacum)色素、氮素含量的光譜分析發(fā)現(xiàn)，紅邊區(qū)域的光譜反射率比值(R750/R700)與冠層葉片葉綠素、氮素濃度具有很高的相關性。Ramoelo等[12]對薩王納草地品質(zhì)的研究發(fā)現(xiàn)基于紅邊波段的高光譜遙感數(shù)據(jù)具有評估牧草質(zhì)量和品質(zhì)的潛力。Clevers和Büker[37]的研究也發(fā)現(xiàn)紅邊位置(700～750 nm)與牧草葉綠素和氮素含量的相關性較強。本研究結果與這些研究基本一致。但是，納欽[15]研究發(fā)現(xiàn)生長期紫花苜蓿單波段(2438，2438，1362 nm)反射率與其營養(yǎng)成分N、P、K含量具有較高的相關性，結實后期的緣毛雀麥單波段(2495，2495，1403 nm)反射率與其營養(yǎng)成分N、P、K之間具有較高的相關性。Sembiring等[38]研究發(fā)現(xiàn)可以用435 nm處的光譜反射率和光譜指數(shù)(R695/R405)作為判斷狗牙根(Cynodondactylon)磷素含量的指標。造成這些差異的原因一方面可能是草地植被群落物種組成、草層高度、植被冠層形態(tài)結構、理化組成、葉片顏色及組織構造的不同，草地植被的光譜反射率會存在一定的差別。另一方面可能是植物葉片中的礦質(zhì)元素的光譜吸收特征容易被水分的吸收特征掩蓋[6,39]，這也可能是本研究在長波近紅外波段未發(fā)現(xiàn)牧草N、P、K素含量特征波段的重要原因。

3.2高光譜數(shù)據(jù)微分處理與牧草養(yǎng)分含量的相關性分析

通過對冠層原始光譜反射率與一階微分光譜反射率所建估測模型的分析對比發(fā)現(xiàn)，一階微分光譜相對于原始光譜能較好地反映出牧草中N、P、K素所對應的敏感波段，所建估測模型的精度較高，誤差較小。潘蓓[42]、熊鷹等[43]及張喜杰和李民贊[44]的研究結果也表明微分光譜可以消除部分系統(tǒng)誤差以及土壤背景等因素的影響，提高模型精度。Mutanga等[9]的研究也表明葉片生化物質(zhì)濃度與一階微分光譜反射率之間具有很高的相關性。潘蓓[42]應用了二階微分對光譜數(shù)據(jù)進行了處理，發(fā)現(xiàn)對光譜數(shù)據(jù)進行二階微分處理也可以提高反演精度。本文中也嘗試了對光譜數(shù)據(jù)進行二階微分處理，但是噪聲太大，無法提取有效信息，可能是因為研究的植被類型及其環(huán)境差異所致。

3.3高光譜遙感在高寒草甸牧草營養(yǎng)成分含量分析中的主要影響因素

高寒草甸牧草冠層的光譜反射特征容易受到冠層葉片水分含量、冠層形狀結構、理化組成、土壤背景、大氣等因素的影響，特征波段的選擇與建模所使用的高光譜遙感數(shù)據(jù)關聯(lián)密切，由于不同研究區(qū)的建群種的差異，高寒草甸牧草高光譜的特征波段往往差異也很大[45-46]，模型的準確性依賴于大量的實測數(shù)據(jù)，而且會隨著時間、地域、植被類型、生長季的變化而變化[47]，這就在一定程度上限制了利用高光譜遙感對牧草養(yǎng)分含量進行估測的可靠性和普適性。

4結論

本研究基于高寒草甸冠層光譜曲線特征，建立了以光譜特征參數(shù)為自變量的高寒草甸牧草氮磷鉀素的估測模型，主要得出以下結論：

1)對高寒草甸冠層光譜反射曲線的特征分析發(fā)現(xiàn)，紅光區(qū)(680～760 nm)的反射率與牧草中氮磷鉀素含量相關性均比較顯著。其中，與牧草中氮素含量相關性較強的波段為690～754 nm，與牧草中磷素含量相關性較強的波段為695～760 nm，與牧草中鉀素含量相關性較強的波段為680～1095 nm、1148～1280 nm。

3)對原始光譜進行一階微分處理，可以有效限制低頻背景(如土壤、凋落物等)光譜對牧草養(yǎng)分吸收特征的影響，因此利用一階微分光譜的吸收特征可以提高牧草中N、P、K素含量估測模型的精度。

References：

[1]Xu P, Hu Z Z, Zhu J Z,etal. Grassland Resource Survey and Planning[M]. Beijing: China Agriculture Press, 2000.

[2]Mutanga O. Hyperspectral Remote Sensing of Tropical Grass Quality and Quantity[D]. Enschede: Wageningen University, 2004： 111.

[3]Lü Y H, Fu B J. Ecological scale and scaling. Acta Ecologica Sinica, 2001, 21(12): 2096-2105.

[4]He Y Z, Zhang Z Q, Guan C Y. Application and prospect of hyperspectral remote sensing technology in precision agriculture monitoring.Crop Research, 2015, (1): 96-100.

[5]Cho M A, Skidmore A, Corsi F,etal. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observation and Geoinformation, 2007, 9(4): 414-424.

[6]Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 1999, 67(3): 267-287.

[7]Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34-42.

[8]Mutanga O, Skidmore A K, van Wieren S. Discriminating tropical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263-272.

[9]Mutanga O, Skidmore A K, Kumar L,etal. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.

[10]Mutanga O, Skidmore A K. Continuum-Removed Absorption Features Estimate Tropical Savanna Grass Quality in Situ[C].Herrsching: 3rd EARSEL Workshop on Imaging Spectroscopy, 2003: 13-16.

[11]Knox N M, Skidmore A K, Prins H H T,etal. Remote sensing of forage nutrients: Combining ecological and spectral absorption feature data. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 72: 27-35.

[12]Ramoelo A, Cho M A, Mathieu R,etal. Estimating grass nutrients and biomass as an indicator of rangeland (forage) quality and quantity using remote sensing in Savanna ecosystems. 9th International Conference of the African Association of Remote Sensing and the Environment[C]. Eljadida, Morocco: AARSE, 2012.

[13]Xu H, Bao Y H, Bao G,etal. Typical grassland of Inner Mongolia hay biomass hyper-spectral remote sensing estimation research. Yinshan Academic Journal: Natural Science Edition, 2014, 28(4): 22-27.

[14]Zhang K, Guo N, Wang R Y,etal. Hyperspectral remote sensing estimation models for aboveground fresh biomass in Gannan grassland. Pratacultural Science, 2009, 26(11): 44-50.

[15]Na Q. Hyperspectral and Nutrition ofMedicagosativaL andBromuscilitusL. Correlation Research[D]. Hohhot: Inner Mongolia Agricultural University, 2010.

[16]Wang X, Liu S J, Jia H F,etal. Study on the nutrition of alpine meadow based on hyperspectral data. Spectroscopy and Spectral Analysis, 2012, 32(10): 2780-2784.

[17]Foulkes J N, White I A, Sparrow B D,etal. AusPlots-Rangelands Monitoring Site Stratification and Survey Methods within TERN (Terrestrial Ecosystem Research Network)[R]. Adelaide: Discussion Paper, Terrestrial Ecosystem Research Network, 2011.

[18]Qian Y R, Yu J, Jia Z H,etal. Extraction and analysis of hyper-spectral data from typical desert grassland in Xinjiang. Acta Prataculturae Sinica, 2013, 22(1): 157-166.

[19]Liu B, Shen W S, Li R,etal. Spectral characteristics of alpine grassland during degradation process in the source region of Yarlung Zangbo. Spectroscopy and Spectral Analysis, 2013, 33(6): 1598-1602.

[20]Li J L. Remote Sensing Monitoring Grassland Degradation[M]. Beijing: Science Press, 2012: 102-154.

[21]Chu X L, Yuan H F, Lu W Z. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique. Progress In Chemistry, 2004, 16(4): 528-542.

[22]Liang Y Z, Yu R Q. Analytical Chemistry Handbook (10)—Stoichiometry[M]. Beijing: Chemical Industry Press, 2001.

[23]Liu S S, Yi Z S. Basic Stoichiometry[M]. Beijing: Science Press, 1999.

[24]Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964, 36(8): 1627-1639.

[25]Erasmi S, Dobers E S. Potential and Limitations of Spectral Reflectance Measurements for the Estimation of the Site-specific Variability in Crops[C]. Barcelona: Proceedings of SPIE - The International Society for Optical Engineering, 2004: 42-51.

[26]Zhang J, Wang M Z, Chen L,etal. Interpolation algorithm in the application of hyperspectral data. Journal of Sichuan University of Science & Engineering (Natural Science Edition), 2012, 3(3): 43-46.

[27]Zhang J W. Origin 9.0 Super Learning Manual Drawing and Data Analysis Technology[M]. Beijing: Post & Telecom Press,2014.

[28]Demetriades-Shah T H, Steven M D, Clark J A. High resolution derivative spectra in remote sensing. Remote Sensing of Environment, 1990, 33(1): 55-64.

[29]Li M Z. Spectral Analysis Technology and Application[M]. Beijing: Science Press, 2006: 181.

[30]Mei A X. Introduction to Remote Sensing[M]. Beijing: Higher Education Press, 2001.

[31]Fricke T, Wachendorf M. Combining ultrasonic sward height and spectral signatures to assess the biomass of legume-grass swards. Computers and Electronics in Agriculture, 2013, 99(7): 236-247.

[32]Zhang K, Guo N, Wang R Y,etal. Research on spectral reflectance characteristics for desert meadow of Northwest China.Advances In Earth Science, 2006, 21(10): 1063-1069.

[33]Pu R L, Gong P. Hyperspectral Remote Sensing and Application[M]. Beijing: Higher Education Press, 2000.

[34]Wang X Z, Huang J F, Li Y M,etal. The study on multi-spectral remote sensing estimation models about LAI of rice. Remote Sensing Technology and Application, 2003, 18(2): 57-65.

[35]Fu Y B. Main Physiological Indicators of Hyperspectral Inversion in Alfalfa Seed Production[D]. Urumchi: Xinjiang Agricultural University, 2013.

[36]Lichtenthaler H K, Gitelson A, Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements. Journal of Plant Physiology, 1996, 148(3): 483-493.

[37]Clevers J, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency. Proceedings of the 5th International Colloquium-Physical Measurements and Signatures in Remote Sensing[C]. Courchevel, France: European Space Agency, 1991.

[38]Sembiring H, Raun W R, Johnson G V,etal. Detection of nitrogen and phosphorus nutrient status in bermuda grass using spectral radiance. Journal of Plant Nutrition, 1998, 21(6): 1189-1206.

[39]Clevers J. The use of imaging spectrometry for agricultural applications. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(5): 299-304.

[40]Tang Y L. Study on the Hyperspectral Characteristics and Simulating and Estimating Models about Biophysical and Biochemical Parameters of Rice[D]. Hangzhou: Zhejiang University, 2004.

[41]Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 2003, 86(4): 542-553.

[42]Pan B. Hyperspectral Estimation of Apple Tree Canopy Nitrogen, Chlorophyll and LAI Status[D]. Taian: Shandong Agriculture University, 2013.

[43]Xiong Y, Liu B, Yue Y M. Inversion of nitrogen content of plant leaves based on ASD and FISS. Ecology and Environmental Sciences, 2013, 22(4): 582-587.

[44]Zhang X J, Li M Z. Analysis and estimation of the phosphorus content in cucumber leaf in greenhouse by spectroscopy. Spectroscopy and Spectral Analysis, 2008, 28(10): 2404-2408.

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

[46]Dawson T P, Curran P J, North P R J,etal. The propagation of foliar biochemical absorption features in forest canopy reflectance: A theoretical analysis. Remote Sensing of Environment, 1999, 67(2): 147-159.

[47]Ma L Y, Cui X, Feng Q S,etal. Dynamic changes of grassland vegetation coverage from 2001 to 2011 in Gannan Prefecture. Acta Prataculturae Sinica, 2014, 23(4): 1-9.

參考文獻：

[1]許鵬, 胡自治, 朱進忠, 等. 草地資源調(diào)查規(guī)劃學[M]. 北京: 中國農(nóng)業(yè)出版社, 2000.

[3]呂一河, 傅伯杰. 生態(tài)學中的尺度及尺度轉(zhuǎn)換方法. 生態(tài)學報, 2001, 21(12): 2096-2105.

[4]何友鑄, 張振乾, 官春云. 高光譜遙感技術在精細農(nóng)業(yè)監(jiān)測上的應用及展望. 作物研究, 2015, (1): 96-100.

[13]胥慧, 包玉海, 包剛, 等. 內(nèi)蒙古典型草原干草生物量高光譜遙感估算研究. 陰山學刊: 自然科學版, 2014, 28(4): 22-27.

[14]張凱, 郭鈮, 王潤元, 等. 甘南草地地上生物量的高光譜遙感估算研究. 草業(yè)科學, 2009, 26(11): 44-50.

[15]納欽. 紫花苜蓿和緣毛雀麥高光譜與營養(yǎng)成分的相關性研究[D]. 呼和浩特: 內(nèi)蒙古農(nóng)業(yè)大學, 2010.

[16]王迅, 劉書杰, 賈海峰, 等. 基于高光譜數(shù)據(jù)的高寒草地營養(yǎng)狀況的研究. 光譜學與光譜分析, 2012, 32(10): 2780-2784.

[18]錢育蓉, 于炯, 賈振紅, 等. 新疆典型荒漠草地的高光譜特征提取和分析研究. 草業(yè)學報, 2013, 22(1): 157-166.

[19]劉波, 沈渭壽, 李儒, 等. 雅魯藏布江源區(qū)高寒草地退化光譜響應變化研究. 光譜學與光譜分析, 2013, 33(6): 1598-1602.

[20]李建龍. 草地退化遙感監(jiān)測[M]. 北京: 科學出版社, 2012: 102-154.

[21]褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用. 化學進展, 2004, 16(4): 528-542.

[22]梁逸曾, 俞汝勤. 分析化學手冊(10)—化學計量學[M]. 北京: 化工出版社, 2001.

[23]劉樹深, 易忠勝. 基礎化學計量學[M]. 北京: 科學出版社, 1999.

[26]張軍, 王茂芝, 陳聆, 等. 插值算法在高光譜數(shù)據(jù)中的應用. 四川理工學院學報(自然科學版), 2012, 3(3): 43-46.

[27]張建偉. Origin 9.0科技繪圖與數(shù)據(jù)分析超級學習手冊[M]. 北京: 人民郵電出版社, 2014.

[29]李民贊. 光譜分析技術及其應用[M]. 北京: 科學出版社, 2006: 181.

[30]梅安新. 遙感導論[M]. 北京: 高等教育出版社, 2001.

[32]張凱, 郭鈮, 王潤元, 等. 西北荒漠草甸植被光譜反射特征研究. 地球科學進展, 2006, 21(10): 1063-1069.

[33]浦瑞良, 宮鵬. 高光譜遙感及其應用[M]. 北京: 高等教育出版社, 2000.

[34]王秀珍, 黃敬峰, 李云梅, 等. 水稻葉面積指數(shù)的多光譜遙感估算模型研究. 遙感技術與應用, 2003, 18(2): 57-65.

[35]付彥博. 制種紫花苜蓿主要生理指標高光譜反演[D]. 烏魯木齊: 新疆農(nóng)業(yè)大學, 2013.

[40]唐延林. 水稻高光譜特征及其生物理化參數(shù)模擬與估測模型研究[D]. 杭州: 浙江大學, 2004.

[42]潘蓓. 蘋果樹冠層氮素, 葉綠素及葉面積指數(shù)的高光譜估測[D]. 泰安: 山東農(nóng)業(yè)大學, 2013.

[43]熊鷹, 劉波, 岳躍民. 基于ASD和FISS的植被葉片氮素含量反演研究. 生態(tài)環(huán)境學報, 2013, 22(4): 582-587.

[44]張喜杰, 李民贊. 基于反射光譜的溫室黃瓜葉片磷素含量分析與預測. 光譜學與光譜分析, 2008, 28(10): 2404-2408.

[47]馬琳雅, 崔霞, 馮琦勝, 等. 2001-2011年甘南草地植被覆蓋度動態(tài)變化分析. 草業(yè)學報, 2014, 23(4): 1-9.

Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai province

GAO Jin-Long1, HOU Yao-Chen1, BAI Yan-Fu1, MENG Bao-Ping1, YANG Shu-Xia1, HU Yuan-Ning1, FENG Qi-Sheng1, CUI Xia2, LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China；2.NationalLaboratoryofWesternChina’sEnvironmentalSystem,LanzhouUniversity,Lanzhou730000,China

Abstract:Using typical alpine meadows in Maqin and Guinan Counties in Qinghai province as the research area, hyperspectral data from 20 plots were collected by spectrometer, while the forage nutrient concentrations were measured in the laboratory for each plot. Using regression analysis, the correlations between the nitrogen, phosphorus and potassium contents of the alpine meadow forage and the original reflectance data and the first-order differential of reflectance were analyzed. Inversion models were established for estimating the nitrogen, phosphorus and potassium content of alpine meadow forage based on spectrum location, spectrum area and vegetation index, and the accuracy of the models was also evaluated. It was found that first-order differential reflectance curve better predicts nitrogen, phosphorus and potassium content in the forage, than does the original data. In the red band (680-760 nm), the nitrogen, phosphorus and potassium levels in forage show a strong relationship with canopy hyperspectral reflectance curve parameters. The model which included spectrum location worked well for estimating concentration of nitrogen, phosphorus, and potassium in alpine meadow forage. A logarithmic model for spectrum location ) can estimated forage nitrogen content with an R2 of 0.67, and an accuracy of 83.56%, while a logarithmic model for spectrum location ) can estimated forage phosphorus content, with an R2 of 0.55, and an accuracy of 92.15%, and a logarithmic model for spectrum location ) estimated potassium content, with an R2 of 0.86, and an accuracy of 82.44%.

Key words:alpine meadow; hyperspectral remote sensing; forage nutrition monitoring; estimation model

*通信作者

Corresponding author. E-mail: tgliang@lzu.edu.cn

作者簡介：高金龍(1991-)，男，甘肅永昌人，在讀碩士。E-mail: rslabjinlong@163.com

基金項目：國家自然科學基金項目(31372367，41401472)和青海省科技支撐項目(2013-N-146-4)資助。

收稿日期：2015-05-28；改回日期：2015-07-14

DOI：10.11686/cyxb2015268

http://cyxb.lzu.edu.cn

高金龍，侯堯宸，白彥福，孟寶平，楊淑霞，胡遠寧，馮琦勝，崔霞，梁天剛. 基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究—以青海省貴南縣及瑪沁縣高寒草甸為例. 草業(yè)學報, 2016, 25(3): 9-21.

GAO Jin-Long, HOU Yao-Chen, BAI Yan-Fu, MENG Bao-Ping, YANG Shu-Xia, HU Yuan-Ning, FENG Qi-Sheng, CUI Xia, LIANG Tian-Gang. Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai province. Acta Prataculturae Sinica, 2016, 25(3): 9-21.