基于高光谱的甜菜冠层氮素遥感估算研究

李　哲，田海清，王　辉，徐　琳，李　斐，史树德

(内蒙古农业大学　机电工程学院，　呼和浩特　010018)



基于高光谱的甜菜冠层氮素遥感估算研究

李哲，田海清，王辉，徐琳，李斐，史树德

(内蒙古农业大学机电工程学院，呼和浩特010018)

摘要：利用野外便携式ASD Qualityspec光谱仪，实测了田间甜菜冠层光谱数据，采用植被指数对氮含量进行预测，发现估算精度较低，分析NDVI与VLOPT与氮含量的相关性，得出氮含量在很小的时候就达到饱和水平。根据4种预处理下的甜菜冠层光谱，分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型，比较不同预处理和不同回归方法对估算精度的影响。结果表明：对PLSR来说，一阶导数处理的光谱数据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；对PCR来说，平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg，RE=19.4%)。总的看来，不同预处理对估算模型精度有一定的差异，但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。

关键词：甜菜冠层；氮素；估算；光谱预处理；植被指数；最小二乘法；主成分回归

0引言

目前，在国内外光谱分析和仪器设备新技术相结合的研究中，国内外利用高光谱(hyperspectral remote sensing)进行氮素营养诊断的研究己很广泛[1-2]。随着高光谱遥感技术的发展，已经发展了一系列的植被指数，如冠层比值指数RVI(Ratio Vegetation Index)、归一化植被指数NDVI(Normal-ized Difference Vegetation Index)[3]、绿色归一化植被指数GND-VI( Green Normalized Difference Vegetation Index)。

NDVI是应用最广泛的一个植被指数。在实验室条件下，近红外光谱测定法(NIRS)可以估算小麦[4]、玉米[5-6]和水稻[7]的地面干叶蛋白质、氨基酸、木质素、纤维素，以及其他重要的生化组分。结果表明：NDVI与作物植株氮含量、冠层叶片的叶绿素质量浓度和550nm波段的反射率均有较高的相关性[8]，而双峰冠层光谱指数DCNI和NDVI的构建则可以减少叶面积对光谱反演氮含量的干扰，建立模型反演叶面积指数[9]。孙雪梅的学位论文比较了9个光谱指数及8个微分参数与叶片氮含量的相关性，结果表明：由NDVI改进而来的GNDVI与氮含量的相关性最好，相关系数达到了0.88。

以上研究表明：作物生化参数的遥感研究是可能的，但进一步研究应集中在研究技术和方法的验证和提炼上。本文研究比较了4种不同光谱预处理方法和不同回归方法对甜菜氮素含量估算精度的影响。

1材料与方法

1.1试验设计

试验小区为内蒙古赤峰市松山区太平地镇甜菜规模种植区域，供试甜菜品种为KWS1676，甜菜幼苗在大棚内培育，于2014年5月中下旬移栽至试验田内，收获时间在9月下旬至10月上旬。小区面积40m2，行距50cm，株距25cm，设4个重复，试验小区按完全随机排列布置。试验采用单因素(N)设计，共设7个氮肥水平(N0，N1，N2，N3，N4，N5，N6)，施肥量依次为0、15、32.5、76、108.5、163、217.5kg·hm-2，田间管理按常规方式进行。

1.2冠层光谱测定

采用美国ASD公司(Analytical Spectral Devices)产ASD Qualityspec光谱仪 (350～1830nm)，进行甜菜冠层光谱测定。其中，350～1 000nm采样间隔为1.4nm，光谱分辨率为3nm；1 000～1 830nm光谱采样间隔为2nm，光谱分辨率为10nm；光谱采集选择在北京时间10:00—14:00之间晴朗无云无风时间进行，采集时探头垂直向下，距甜菜冠层1m，探头视场角为25°；每个样点测量4次光谱，平均后作为采样点光谱，每小区光谱测定前进行标准参考白板校正。样点选择参照采样小区甜菜长势，选择能代表整个种植区域生长状况的样品。

1.3植株全氮测定

甜菜样品植株全氮含量测定采用凯氏定氮法，根据蛋白质中氮的含量恒定的原理，将试验样品在催化剂作用下，用浓硫酸将有机氮转变为无机铵盐，在碱性条件下将铵盐转变为氨，随水蒸气蒸馏出来并用过量的硼酸液吸收，再以标准盐酸滴定，就可计算出样品中的氮量[10-11]。具体计算公式为：X=[(V1-V2)×N×0.014]/[m×(10/100)]×F×100%。其中，X为样品中蛋白质的百分含量(g)；V1为样品消耗硫酸或盐酸标准液的体积(mL)；V2为盐酸标准溶液的体积(mL)；N为硫酸或盐酸标准溶液的当量浓度；0.014为1N硫酸或盐酸标准溶液1mL相当于氮克数；m为样品的质量(体积)[g(mL)]；F为氮换算为蛋白质的系数。

2数据分析

2.1甜菜氮素与光谱反射率相关性分析

图1为甜菜冠层光谱与4种不同预处理(平滑、一阶导数、多元散射校正、标准正态变换)[12-14]的相关系数图。对于冠层原始光谱反射率，在530nm和710nm处附近相关系数较大，一阶导数后的光谱反射率，在508nm、676nm、790nm和1 198nm处相关系数较大，而多元散射校正和标准正态变换后的光谱数据在541nm和694nm处相关系数较大。从图中可以看出：4种处理下，一阶导数处理后的光谱相关性最高，且相关性曲线有较多的波峰和波谷，说明导数变换能更好的提取与氮素相关的光谱信息，多元散射校正和标准正态变换次之。总体上，可见光区域的相关系数较高，说明氮素响应化学键的光谱特征集中在可见光区域。

图1　甜菜冠层光谱与氮含量相关性分析

2.2植被指数在甜菜氮素估算的应用

依据甜菜冠层反射光谱数据，构建不同植被指数来建立植株全氮估算模型。表1列出了应用植被指数建立的甜菜植株全氮估算模型结果，并给出了模型拟合方程、均方根误差和相对误差。从表1中可以看出：应用植被指数建立的甜菜植株全氮估算模型，总体精度较低。根据光谱数据和全氮含量，构建NDVI和VLOPT与全氮含量关系的散点图来分析问题出现的原因，结果如图2所示。从图2可以看出：在植株全氮为5g/kg时，两种植被指数已经达到饱和；随氮含量的增加仅在水平方向上下波动，不能有效地反映甜菜全氮含量变化，存在着严重的饱和问题，给估算模型的构建带来较大的困难，不能较好地估算甜菜全氮含量。

表1　基于植被指数的氮含量估算模型

图2　植被指数与氮含量的相关分析

2.3基于PLS和PCR的甜菜氮素估算

根据4种预处理下的甜菜冠层光谱，分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型[15-16]，比较不同预处理和不同回归方法对估算精度的影响，验证结果如表2所示。由表2可以看出：对PLSR来说，一阶导数处理的光谱数据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；对PCR来说，平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg-1，RE=19.4%)。总的看来，不同预处理对估算模型精度有一定地差异，但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。图3和图4分别为PLSR和PCR下氮含量验证散点图，通过散点图可以看出，氮含量较大的点，距离1：1线越远。

表2　基于PLSR和PCR的甜菜氮含量校正与验证

图3　4种预处理下的PLSR氮含量验证

图4　4种预处理下的PCR氮含量验证

3结论

根据氮含量与预处理后光谱的相关性，得出一阶导数与氮含量相关性较大，且相关性较高的波段也较多，其他3种预处理相对较差。采用植被指数对氮含量进行预测，发现估算精度较低，分析NDVI与VLOPT与氮含量的相关性，得出氮含量在很小的时候就达到饱和水平。尝试用植被指数作为特征参量，对氮含量做多元逐步回归，模型精度有了明显提高。根据4种预处理下的甜菜冠层光谱，分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型，比较不同预处理和不同回归方法对估算精度的影响。通过验证结果可以看出：对PLSR来说，一阶导数处理的光谱数据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；对PCR来说，平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g kg-1，RE=19.4%)。总的看来，不同预处理对估算模型精度有一定地差异，但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。

参考文献：

[1]李晓利,刘明博,楼佳,等. 水稻叶片氮素营养光谱诊断模型研究[J]. Agricultural Science & Technology,2011(2):168-170.

[2]陈志强,王磊,白由路,等. 玉米叶片的光谱响应及其氮素含量预测研究[J]. 光谱学与光谱分析,2013(4):1066-1070.

[3]金梁,胡克林,田明明,等. 夏玉米叶片分层氮素营养的高光谱诊断[J]. 光谱学与光谱分析,2013(4):1032-1037.

[4]张瑶,郑立华,李民赞,等.基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量[J].农业工程学报,2013，29(S1):101-108.

[5]白金顺,曹卫东,熊静,等.应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测[J]. 光谱学与光谱分析,2013(12):3334-3338.

[6]李萍,柴仲平,武红旗,等.基于光谱的库尔勒香梨叶片氮素含量估算模型[J].经济林研究,2013(3):48-53.

[7]王渊,黄敬峰,王福民,等.油菜叶片和冠层水平氮素含量的高光谱反射率估算模型[J]. 光谱学与光谱分析,2008(2):273-277.

[8]朱西存,赵庚星,王凌,等.基于高光谱的苹果花氮素含量预测模型研究[J].光谱学与光谱分析,2010(2):416-420.

[9]孙俊,金夏明,毛罕平,等.基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究[J].光谱学与光谱分析,2013(12):3372-3376.

[10]李峰,Alchanatis Victor,赵红,等.基于PLSR方法的马铃薯叶片氮素含量机载高光谱遥感反演[J].中国农业气象,2014(3):338-343.

[11]孙俊,金夏明,毛罕平,等.基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J].农业工程学报,2014，30(10):167-173.

[12]李新伟,吕新,张泽,等. 棉花氮素营养诊断与追肥推荐模型[J]. 农业机械学报,2014,45(12):209-214.

[13]王人潮,陈铭臻,蒋亨显. 水稻遥感估产的农学机理研究—Ⅰ.不同氮素水平的水稻光谱特征及其敏感波段的选择[J].浙江农业大学学报,1993(S1):9-16.

[14]王家强,伍维模,李志军,等.基于高光谱指数的塔里木河上游胡杨和灰叶胡杨叶片氮素含量估测[J]. 生态学杂志,2014(10):2858-2864.

[15]王仁红,宋晓宇,李振海,等.基于高光谱的冬小麦氮素营养指数估测[J].农业工程学报,2014，30(19):191-198.

[16]张金恒,王珂,王人潮,等.水稻叶片反射光谱诊断氮素营养敏感波段的研究[J].浙江大学学报：农业与生命科学版,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

文章编号：1003-188X(2016)06-0210-05

中图分类号：S123

文献标识码：A

作者简介：李哲(1989-),男，山东莱芜人，硕士研究生，(E-mail) liz2217@163.com。通讯作者：田海清(1973-)，男，呼和浩特人，教授，博士生导师，(E-mail)hqtian@126.com。

基金项目：国家自然科学基金项目(41261084)；国家现代农业产业技术体系专项基金(CARS-210402)

收稿日期：2015-05-05