蘋果葉片氮素含量高光譜檢測研究

安靜， 姚國清， 朱西存

(1.中國地質大學(北京)信息工程學院,北京　100083； 2.山東農業大學資源與環境學院,泰安　271018)

蘋果葉片氮素含量高光譜檢測研究

安靜1， 姚國清1， 朱西存2

(1.中國地質大學(北京)信息工程學院,北京100083； 2.山東農業大學資源與環境學院,泰安271018)

摘要：蘋果葉片氮(N)素含量是反映其生長質量高低的重要因素。利用高光譜遙感技術對蘋果葉片N素含量進行定量化反演，可為蘋果樹的信息化管理提供理論依據。首先使用ASD FieldSpec 3地物光譜儀對樣點的蘋果葉片的N素含量進行測定，得到蘋果葉片樣品的高光譜反射率及其N素含量； 然后在分析蘋果葉片原始光譜和一階導數以及各種變換后光譜特征的基礎上，與蘋果葉片的N素含量進行多元逐步回歸分析，篩選出對N素變化敏感的波段； 最后運用BP人工神經網絡算法構建敏感波段與N素含量的反演模型，并對模型進行優選和檢驗，為測定蘋果葉片N素含量提供了1個簡單可靠的方法。

關鍵詞：蘋果葉片； 高光譜； 氮(N)素含量； BP神經網絡

0引言

氮(N)素不僅是植物蛋白質和葉綠素的主要成分，而且是一些酶的組成部分參與植物的多重生化過程，直接或間接影響果樹的代謝活動和生長發育，是促進果樹健康生長、增加果實產量、提高果品質量所必須的重要養分[1]。植物中的N素含量是評價植被長勢的重要指標之一[2]，因此對植物葉片中N素含量的估測研究具有重要的實用意義。由于高光譜對植物中的N素、葉綠素等含量極為敏感[3]，植物葉片中N素含量的變化必定會對其反射光譜信息產生影響，故可根據葉片的光譜信息估測植物葉片中的N素含量。

早在1972 年，Thomas等[4]通過研究發現，甜椒葉片的N素含量與550～675nm譜段內葉片的光譜反射率強度相關，葉片N素實測值和預測值之間的誤差小于7%，表明光譜分析手段有可能快速、簡便和較為準確地檢測植物中的N素含量。朱艷等[5]研究表明，單波段光譜在610nm和680nm處的水稻冠層反射率與水稻葉片N素含量有較好的相關性，提出采用單獨的回歸系數即可提高水稻葉片N素含量估測的準確性。邢東興等[6]將利用光譜分析手段估測N素含量的方法應用于果樹葉片，以紅富士蘋果為例進行的研究表明，葉片N素含量與波長間隔為5nm的一階微分光譜的相關性最強，據此建立的N素含量估測模型具有較好的線性趨勢，相關系數R2在0.8 以上。由于對葉片N素含量反演過程的影響因素很多，而上述研究多采用單一方法來預測葉片中N素含量，故在真實反映N素含量上不夠理想。本文在前人已有方法基礎上，采用多元回歸分析和BP人工神經網絡建立ASD實測數據與N素含量的估測模型，以實現更高精度的蘋果葉片N素含量預測。

1研究方法

1.1技術流程

蘋果葉片N素含量高光譜檢測技術流程如圖1所示。

圖1　蘋果葉片N素含量檢測技術流程

1.2BP人工神經網絡算法

人工神經網絡(artificialneuralnetwork,ANN)采用物理上可實現的方法或采用計算機模擬生物體中神經網絡的某些結構和功能，并應用于工程領域。ANN具有自組織、自學習、容錯性和魯棒性較強等特點，而分布式存儲、并行處理等特點更接近于人類對信息的處理方式，因此ANN技術在遙感圖像識別中已得到廣泛應用[7-10]。反向傳播(backpropagation,BP)ANN模型拓撲結構包括輸入層(inputlayer)、隱含層(hiddenlayer)和輸出層(outputlayer)。網絡的好壞取決于網絡結構、傳遞函數、隱含層個數、神經元個數和訓練函數等[11]，在實驗中需要通過不斷嘗試才能確定最優的網絡結構。可將BP人工神經網絡視為從輸入自變量x到輸出因變量Y的非線性映射[12]，即

F∶Rn∶Rm, f(x)=Y ,

(1)

式中Rn和Rm分別為n維輸入向量和m維輸出向量。

因此，本文用BP人工神經網絡算法建立了蘋果葉片反演模型。該模型主要采用了相關系數(correlationcoefficient,R2)和均方根誤差(root-mean-squareerror,RMSE)2個參數，即

(2)

(3)

2實驗過程與結果分析

2.1實驗區概況

實驗區選在山東省蒙陰縣高都鎮、野店鎮和蒙陰鎮果園。蒙陰縣位于E117°45′～118°15′，N35°27′～36°02′之間，屬暖溫帶季風性氣候帶，四季分明，日照充足，雨量充沛，年平均氣溫12.8℃，年降雨量820mm，年均日照時數2 280h，年無霜期191d。縣內平均海拔300m以上，土壤以棕壤為主，呈中性偏微酸。實驗區內主要種植紅富士、金帥和新紅星蘋果樹。

2.2樣品采集

實驗用蘋果品種為處于盛果期的紅富士，對照用蘋果品種為金帥和新紅星。在2009年9月23日(秋末停止生長期)進行蘋果樹樣品采集，依據實驗區土地利用現狀圖和果園分布情況布設采樣點。選取實驗區3個鎮內6個果園中的86棵蘋果樹為采樣對象，隨機采樣，并盡量涵蓋不同長勢的葉片。每棵蘋果樹按E,W,S,N這4個方位，在冠層外圍各取1～2片充分展開、無損傷、無病蟲害的健康功能葉片。將采集的葉片迅速裝入保鮮袋內，封口后編號，放到盛有冰塊的保鮮箱中，盡快帶回實驗室測定光譜。

2.3數據測定

2.3.1光譜測定

光譜測定采用美國ASDFieldSpec3地物光譜儀，測定波譜范圍為350～2 500nm，其中350～1 000nm譜段采樣間隔為1.4nm，光譜分辨率為3nm； 1 000～2 500nm譜段采樣間隔為2nm，光譜分辨率為10nm。在一個能控制光照條件的暗室內進行光譜測定。測定前，將待測光譜的葉片用脫脂棉擦拭干凈； 測定時，把單層葉片平整地置于反射率近似為零的黑色橡膠上，置光譜儀視場角為25°，探頭垂直向下正對待測葉片中部，距樣品表面距離0.10m； 光源用光譜儀自帶的50W鹵化燈，光源距樣品表面距離0.50m，方位角60°。為消除外界干擾以保證測定精度，對每片葉片的觀測分別記錄10個采樣光譜數據，以其平均值作為該葉片的光譜反射值。測定過程中，要及時進行標準白板的校正。

2.3.2N素含量測定

將測定光譜的蘋果葉片迅速放入80℃烘箱中，進行15～30min殺青處理； 然后降溫至60℃，烘干至恒量。把烘干樣品用研缽研磨至粉狀，用H2SO4-H2O2消煮后，采用火焰光度法測定N素含量。

2.4輸入變量確定

將測得的蘋果葉片反射光譜數據利用光譜處理軟件ViewSpecPro5.0進行處理，并通過EXCEL和統計產品與服務解決方案(statisticalproductandsurvicesolution,SPSS)軟件統計分析和繪圖，以便做進一步分析。為了減小光照強度差異、背景光譜以及儀器噪聲對目標光譜特征的影響，本文對測定的86組數據的光譜反射率R進行了變換，包括光譜的倒數(1/R)、光譜的對數(lnR)、光譜的一階導數(R′)、光譜對數的一階導數((lnR)′)和光譜倒數的一階導數((1/R)′)(圖2)。

圖2　蘋果葉片反射率及其各種變換形式與N素含量的相關性

從相關系數較大的28個樣本中篩選出各種變換形式下相關性較高的敏感波段，然后利用SPSS軟件包中的多元逐步回歸分析軟件篩選出更為敏感的4個波段的一階導數，構建特征光譜參數，其多元回歸公式為

y=2.328+51.141x1+0.978x2-90.456x3-273.485x4，

(4)

式中： x1,x2,x3和x4分別為中心波長364nm,373nm,392nm和998nm波段的一階導數的值； y為N素含量值，單位為(g·kg-1)。上述4個波段的一階導數與N素含量的相關系數與N素含量有較好的擬合性(圖3)，并以此作為BP神經網絡輸入層的參數，N素含量為輸出層參數，建立N素含量反演的BP人工神經網絡模型。

(a) 364nm波段 (b) 373nm波段

(c) 393nm波段 (d) 998nm波段

圖34個波段一階導數與N素實測值的相關性

Fig.3Correlationbetweenderivativesoffourbandsandmeasurednitrogenvalues

2.5模型優選結果

在相關系數較大的28個樣本中，隨機抽取19個樣本作為訓練樣本。BP人工神經網絡模型的隱含層神經元個數為10(網絡拓撲結構為“4-10-1”, 即4個輸入層節點、10個隱含層節點、1個輸出層節點)時，可得到較好的N素值估計結果。模型的訓練結果如圖4(a)所示，其中訓練樣本R2= 0.887 8，RMSE=0.014 2。利用9組數據對網絡訓練結果進行檢驗，即把測試樣本的4個波段一階導數作為輸入矢量P，進行N素值預測； 并將N素含量的預測值與實測值進行擬合測試，測試結果如圖4(b)所示，其中測試樣本的R2=0.900 1,RMSE=0.015 0。

(a) 模型訓練結果 (b) 模型測試結果

圖4氮素實測值與BP人工神經網絡模型預測值擬合效果

Fig.4FittingchatofnitrogenvaluesmeasuredandpredictedbyBPANNmodel

為了對不同模型的預測效果進行比較，利用多元逐步回歸分析模型對上述28組數據進行N素含量預測。預測結果如圖5所示，其中R2=0.716 3，RMSE=0.022 2。

圖5　氮素實測值與多項式預測值擬合圖

由此可以看出，BP人工神經網絡模型預測的N素含量與實測N素含量的相關性比多元逐步回歸分析模型更高，且均方根誤差更低。可見BP人工神經網絡模型對氮素含量監測具有更大的應用潛力。

3結論

1)基于ACD實測數據建立的BP人工神經網絡模型預測的N素含量與實測N素含量的相關性比多元逐步回歸模型的更高，且均方根誤差更低。

2)最優網絡結構為“4-10-1”的BP人工神經網絡模型的訓練樣本的R2=0.887 8，RMSE=0.014 2，測試樣本的R2=0.900 1，RMSE=0.015 0。邢東興等[6]以紅富士蘋果為例進行的研究中，以一階微分光譜建立的估測模型的R2=0.8。說明本文方法較前人有所改進，相關系數R2的提高較為明顯。

3)結合BP人工神經網絡算法建立的N素含量反演模型能夠更精準地估測蘋果葉片的N素含量，可為蘋果樹的營養診斷、高產栽培和遙感估產提供理論依據和技術支持，對蘋果樹的栽培與管理信息化有積極意義。

4)本文實驗區山東省蒙陰縣屬于華北平原地區，是中國3大蘋果產區之一，所建立的蘋果葉片N素含量的高光譜估測模型對其他地區、其他類型蘋果葉片N素含量的遙感估測有一定參考價值，但應用效果有待進一步研究。

參考文獻(References)：

[1]裘正軍,宋海燕,何勇,等.應用SPAD和光譜技術研究油菜生長期間的氮素變化規律[J].農業工程學報,2007,23(7):150-154.

QiuZJ,SongHY,HeY,etal.VariationrulesofthenitrogencontentoftheoilseedrapeatgrowthstageusingSPADandvisible-NIR[J].TransactionsoftheCSAE,2007,23(7):150-154.

[2]BrogeNH,MortensenJV.Derivinggreencropareaindexandcanopychlorophylldensityofwinterwheatfromspectralreflectancedata[J].RemoteSensingEnvironment,2002,81(1):45-57.

[3]WangY,HuangJF,WangFM,etal.PredictingnitrogenconcentrationsfromhyperspectralreflectanceatleafandcanopyforRape[J].SpectroscopyandSpectralAnalysis,2008,28(2):273-277.

[4]ThomasJR,OertherGF.Estimatingnitrogencontentofsweetpepperleavesbyreflectancemeasurements[J].AgronomyJournal,1971,64(1):11-13.

[5]朱艷,李映雪,周冬琴,等.稻麥葉片氮含量與冠層反射光譜的定量關系[J].生態學報,2006,26(10):3463-3469.

ZhuY,LiYX,ZhouDQ,etal.Quantitativerelationshipbetweenleafnitrogenconcentrationandcanopyreflectancespectrainriceandwheat[J].ActaEcologicaSinica,2006,26(10):3463-3469.

[6]邢東興,常慶瑞.基于光譜分析的果樹葉片微量元素含量估測研究——以紅富士蘋果為例[J].西北農林科技大學學報:自然科學版,2008,36(11):143-150.

XingDX,ChangQR.ResearchonpredictingtheFe,Mn,Cu,Zncontentsinfruittrees’freshleavesbyspectralanalysis：RedFujiappletreeasanexample[J].JournalofNorthwestA&FUni-versity:NaturalScienceEdition,2008,36(11):143-150.

[7]宋開山,張柏,王宗明,等.大豆葉綠素含量高光譜反演模型研究[J].農業工程學報,2006,22(8):16-21.

SongKS,ZhangB,WangZM,etal.Inversemodelforestimatingsoybeanchlorophyllconcentrationusingin-situcollectedcanopyhyperspectraldata[J].TransactionsoftheCSAE,2006,22(8):16-21.

[8]湯旭光,劉殿偉,宋開山,等.東北主要綠化樹種葉面積指數(LAI)高光譜估算模型研究[J].遙感技術與應用,2010,25(3):334-341.

TangXG,LiuDW,SongKS,etal.AstudyforestimatingthemaintreespeciesleafareaindexinNortheastbasedonhyperspectraldata[J].RemoteSensingTechnologyandApplication,2010,25(3):334-341.

[9]姚付啟,張振華,楊潤亞,等.基于主成分分析和BP神經網絡的法國梧桐葉綠素含量高光譜反演研究[J].測繪科學,2010,35(1):109-112.

YaoFQ,ZhangZH,YangRY,etal.ResearchonPlatanusorientalisL.chlorophyllconcentrationestimationwithhyperspectraldatabasedonBP-artificialneuralnetworkandprincipalcomponentanalysis[J].ScienceofSurveyingandMapping,2010,35(1):109-112.

[10]LubacB,LoiselH.VariabilityandclassificationofremotesensingreflectancespectraintheeasternEnglishChannelandsouthernNorthSea[J].RemoteSensingofEnvironment,2007,110(1):45-58.

[11]申廣榮,王人潮.基于神經網絡的水稻雙向反射模型研究[J].遙感學報,2002,6(4):252-258.

ShenGR,WangRC.Studyonbi-directionalreflectancemodelofriceusingaartificialneuralnetwork[J].JournalofRemoteSensing,2002,6(4):252-258.

[12]王平,劉湘南,黃方.受污染脅迫玉米葉綠素含量微小變化的高光譜反演模型[J].光譜學與光譜分析,2010,30(1):197-201.

WangP,LiuXN,HuangF.Retrievalmodelforsubtlevariationofcontaminationstressedmaizechlorophyllusinghyperspectraldata[J].SpectroscopyandSpectralAnalysis,2010,30(1):197-201.

[13]朱西存,趙庚星,王瑞燕,等.蘋果葉片的高光譜特征及其色素含量監測[J].中國農業科學,2010,43(6):1189-1197.

ZhuXC,ZhaoGX,WangRY,etal.Hyperspectralcharacteristicsofappleleavesandtheirpigmentcontentsmonitoring[J].ScientiaAgriculturaSinica,2010,43(6):1189-1197.

[14]朱西存,趙庚星,王凌,等.基于高光譜的蘋果花氮素含量預測模型研究[J].光譜學與光譜分析,2010,30(2):416-420.

ZhuXC,ZhaoGX,WangL,etal.HyperspectrumbasedpredictionmodelforNitrogencontentofappleflowers[J].SpectroscopyandSpectralAnalysis,2010,30(2):416-420.

(責任編輯： 劉心季)

Studyofhyperspectraldetectionfornitrogencontentofappleleaves

ANJing1，YAOGuoqing1，ZHUXicun2

(1. School of Information Engineering, China University of Geosciences(Beijing)， Beijing 100083， China；2. College of Resources and Environment, Shandong Agricultural University, Tai’an 271018， China)

Abstract:Nitrogen(N)content of apple leaves is an important indicator for estimating growth status of apple tree. Quantitative inversion of the nitrogen content of apple leaves using high spectral technology can provide the theoretical basis for information management of apple tree. In this paper, the hyperspectral reflectance and nitrogen content of apple leaf samples were measured by using ASD FieldSpec 3 spectrometer. The authors constructed multiple regression analysis of the relationships between nitrogen content of apple tree leaves and the original spectrum, the first-order derivative and the transformation forms, selected four wavebands which are more sensitive to the nitrogen change, and constructed the retrieval model for nitrogen content of apple leaves using back propagation (BP) artificial neural network (ANN) algorithm. Finally, the model was optimized and tested. The results show that the model is an effective means to improve capability of predicting apple tree nitrogen content based on BP artificial neural network algorithm.

Keywords:apple leaf； hyperspectral； content of nitrogen(N)； back propagation(BP)neural network

doi:10.6046/gtzyyg.2016.02.11

收稿日期：2014-10-21；

修訂日期：2014-12-22

基金項目：山東省自然科學基金項目“蘋果葉片色素與水分含量的高光譜估測方法與模型研究”(編號： ZR2012DM007)資助。

中圖法分類號：TP 751.1

文獻標志碼：A

文章編號：1001-070X(2016)02-0067-05

第一作者簡介：安靜(1989-),女,碩士研究生,主要研究方向為遙感技術與應用。Email： 448116074@qq.com。

引用格式： 安靜,姚國清,朱西存.蘋果葉片氮素含量高光譜檢測研究[J].國土資源遙感,2016,28(2)：67-71.(AnJ,YaoGQ,ZhuXC.Studyofhyperspectraldetectionfornitrogencontentofappleleaves[J].RemoteSensingforLandandResources,2016,28(2)：67-71.)