基于多时相和多角度的烤烟烟碱密度遥感监测

杨艳东，贾方方，刘国顺，彭桂新，于建春

1 河南农业大学/烟草行业烟草栽培重点实验室/河南省生物炭工程技术研究中心，河南省郑州市农业路63号 450002；

2 商丘师范学院，生物与食品学院，河南省商丘市文化中路298号 476000；

3 河南中烟工业有限责任公司，河南省郑州市榆林南路16号 450016

烟碱不仅对卷烟制品的生理强度、刺激性、吃味等有重要影响[1]，在医药、食品、农业、化工等领域也发挥着重要作用，及时准确掌握烟碱状况对保证烟草品质和人们身体健康具有重要意义。近些年来，利用高光谱遥感对作物进行监测，已成为国内外研究热点。由于烟碱在烟株内呈非均匀垂直分布的形式，当前垂直向下单一角度[2,3]、单一时期的遥感观测方式不仅导致中下层叶片的烟碱信息常被忽略[4,5]，且只能得到植被单个时期的投影，易造成“同物异谱、同谱异物”的现象[6]，难以满足定量遥感的需求。相比之下，多角度、多时相遥感可提供植被的方向信息和时间信息，有助于对二向反射特性的理解，提高定量反演植被结构和生理参数的能力[7-10]。观测角度的改变会导致冠层光谱反射率的差异[11]，植被指数表现出与多角度冠层反射光谱相似的变化[12]。李伟娜等[13]分析了不同角度光谱反射率与高寒地区地上植被生物量相关性，表明多角度数据优于单一冠层光谱数据。张东彦等[14]对大豆冠层图谱数据的研究表明，天顶角的变化是影响冠层叶绿素的主要因素。杨绍源等[15]利用前后向不同观测天顶角组合形成的光谱指数建立了不同高度层的叶片氮含量探测模型。在玉米[16]、小麦[17]、森林[18]等方面已有多角度相关研究。以上研究多集中在对单一方位角光谱信息的分析。但对作物各生育时期及多个方位角反射光谱的角度敏感性分析尚鲜见报道。本文结合烟草整个生育时期，针对不同观测角度下烟草冠层反射光谱的变化开展试验，探讨多角度、多时相下大田烟草的烟碱含量同冠层反射光谱之间的定量关系，旨在为遥感观测角度的选择设计和植被指数的应用提供理论参考，进而达到更加快速、准确地获取烟田烟碱信息的目的。

1 材料与方法

1.1 试验设计

试验1：于2016-2017 年在河南农业大学现代烟草农业科教园区（东经113°48′，北纬34°08′）大田进行。供试品种为K326。前茬为芥末，土壤为砂壤土，播前0～30 cm 土壤有机质质量分数18.46 g/kg，碱解氮70.88 mg/kg，速效磷11.16 mg/kg，速效钾166.50 mg/kg。设置5个氮肥（纯氮）处理： CK（0 kg/hm2）、T1（15 kg/hm2）、T2（30 kg/hm2）、T3（45 kg/hm2）、T4（60 kg/hm2）。各处理其它施肥相同，60 kg/hm2P2O5和90 kg/hm2K2O。试验设置3 次重复，单个小区面积为88.9 m2，5月1 日移栽，各小区栽培管理均一致，其它与当地常规管理一致。

试验2：于2016-2017 年在河南农业大学现代烟草农业科教园区（东经113°48′，北纬34°08′）大田进行。供试品种为云烟87和豫烟10号。前茬为芥末，土壤为砂壤土，播前0～30 cm 土壤有机质质量分数17.64 g/kg，碱解氮69.32 mg/kg，速效磷10.56 mg/kg，速效钾158.74 mg/kg。试验设置3 次重复，小区面积为111.2 m2，5月1 日移栽，各小区栽培管理均一致，其它与当地常规管理一致。

试验3：于2016-2017 年在洛阳市嵩县大坪乡（东经112°02′，北纬34°12′）和三门峡卢氏县杜关镇（东经111°00′，北纬34°14′）大田进行。供试品种为K326。前茬为绿肥，土壤为壤土，播前0～30 cm 土壤有机质质量分数14.35 g/kg，碱解氮65.36 mg/kg，速效磷13.03 mg/kg，速效钾170.43 mg/kg。试验设计为3 次重复，小区面积为88.9 m2，4月30 日移栽，各小区栽培管理均一致，其它管理与当地常规管理一致。

1.2 多角度光谱数据的获取

图1 多角度观测次序示意图Figure 1 Multi-angle observation sequence diagram

分别于当地烤烟的伸根期（移栽后30天），旺长期（移栽后55天）和成熟期（移栽后75天）采集3次数据，每处理选择3株长势一致、具有典型代表性的烟株，采用多角度观测架和便捷式地物光谱仪进行观测，通过调节观测臂的旋转设置天顶角度数，对烟株进行全方位多角度观测。采用便携式地物光谱仪 Field Spec 3（美国ASD公司）测定多角度高光谱数据，波段范围350～2,500 nm，350～1,000 nm光谱分辨率3 nm，采样间隔1.4 nm；1,000～2,500 nm分辨率为10 nm，采样间隔2 nm，视场角为25°。多角度高光谱数据的获取包括天顶角和方位角，天顶角每隔10°获取一组数据，从10°开始至60°；方位角每隔30°获取一组数据，从0°开始至330°，天顶角为0°时（冠层光谱）仅测一次，每株烟共测73个角度，具体的角度变化如图1所示。每个角度测10组数据，10组数据的平均值为该角度反射率数据，总样本数为2,400，随机抽取一半数据用来建模，建模样本总数为1,200，验证样本总数为1,200，单个观测角度的样本数为240。

观测选择在晴朗无云或太阳周围90°立体角范围内云量小于2%，风力小于3级的天气条件下，当地时间10:00—15:00，保证一定的太阳高度角[19]；各试验地同一观测时期太阳高度角变化幅度均小于00°50′，3个观测时期内太阳高度角变化范围约为76°33′～79°16′；每个角度测定时间约为10 s，每株烟测定总用时控制在30分钟以内[20]，保障单株测量时间内太阳高度角在一定范围内。

1.3 烟碱密度

采用德国SEAL AA3流动分析仪测定烟碱百分含量[21]，叶片烟碱密度计算公式如下：

其中，N代表烟样中烟碱质量的百分比值；SLW为比叶重（g/m2），指单位叶面积的干叶重；LAI为叶面积指数，指单位土地面积上植物叶片总面积与土地面积的比值；结果表示单位土地面积上烟碱的密度，单位为g/m2。

1.4 植被指数

植被指数是由光谱数据经线性或非线性组合构成的对植被有一定指示意义的数值。本研究选用了比值植被指数 （Ratio Vegetation Index，RVI）和归一化植被指数（Normalized Difference Spectral Index，NDVI）[22,23]，RVI是绿色植物的灵敏指示参数，可用于检测和估算植物生物量；NDVI是反映农作物长势和营养信息的重要参数，对合理施用氮肥具有重要的指导作用。

式中，RVI为比值植被指数，NDVI为归一化植被指数指数，Rλ1指在波长λ1处叶片的光谱反射率，Rλ2指在波长λ2处叶片的光谱反射率。

1.5 数据处理

用Viewspec Program导出原始光谱数据，Origin和Excel软件进行绘图，Matlab 2014b软件进行建模验证。

2 结果与分析

2.1 不同观测角度对光谱反射率的影响

如图2所示，不同天顶角观测时，其反射率有较大差异，其中天顶角0°时反射率最大，天顶角60°时反射率最小，在350～2,500 nm波段范围内，随着角度的增大反射率均呈现不同程度的降低。可见光范围内差异并不大，近红外区域780～1,300 nm差异最为显著。虽然不同天顶角反射率大小有差异，但总体变化规律大致相同，不同方位角时也具有大致相同的变化规律。不同方位角观测时，随着角度的增大，反射率大致呈现先减小后增大的趋势，与太阳同侧观测角度的反射率会明显高于与太阳异侧观测角度的反射率。在观测器与太阳同侧时（0°方位角）反射率最大，与太阳异侧时（180°方位角）反射率最小。上述反射率为整体的变化趋势，具体烟株的反射率可能会因观测时间和叶片的着生部位不同产生一定差异。

2.2 各生育期不同处理对烟碱密度和LAI的影响

各处理烤烟叶片的烟碱密度均随生育期的变化呈现增加的趋势。如图3(a)，除T4外，烟碱密度随施氮量的增加呈现递增趋势，3个生育期的变化规律基本一致；不同品种处理的烟碱密度有较大差异，如图3(b)，在3个生育期中，豫烟10号的烟碱密度均明显大于K326的烟碱密度和云烟87的烟碱密度，同时期比较，豫烟10号的叶面积指数也明显大于另外两个品种的叶面积指数（见图3(e)）；如图3(c)所示，比较同一品种不同地区处理的烤烟叶片烟碱密度，许昌地区在伸根期和旺长期稍大于另外两地区，成熟期无较大差异，这可能是由于许昌地区前期土壤肥力较高。各处理烤烟的叶面积指数均随生育期的变化而增大，如图3(d)、3(e)和3(f)所示，各处理叶面积指数的变化规律与烟碱密度的变化规律基本一致。

图2 不同观测天顶角（a）和方位角（b）的光谱反射率Figure 2 Spectral reflectance for different zenith angles (a) and azimuth angles (b)

2.3 反应烟碱密度状况的最佳角度

基于不同处理下烤烟叶片中烟碱密度变化同光谱反射率的关系，采用减量精细采样法，系统分析了不同处理条件下350～2,500 nm光谱范围内任意两波段的光谱反射率组合构建的归一化植被指数（NDVI）、比值植被指数（RVI）同烤烟叶片中烟碱密度的定量关系，得出NDVI和RVI每个角度的决定系数R²，并绘制了R²的等势图。RVI和NDVI的R²最大的前6个观测角度及R²值如表1所示，其中，反映烟碱密度的最佳角度为30°天顶角和210°方位角的组合角度（30°-210°，下同），RVI和NDVI的R²分别为0.851和0.849，而RVI和NDVI冠层（0°天顶角）的R² 分别为0.603和0.598，表明该角度的效果要优于冠层观测的效果。

图3 不同处理对烟碱密度和LAI的影响Fig.3 Effect of different treatments on nicotine density and LAI

表1 RVI和NDVI与烟碱密度的决定系数Tab.1 R² between RVI and nicotine density and that between NDVI and nicotine density

2.4 反应烟碱密度的敏感光谱参数及波段组合

如图3所示，RVI的R² ＞0.8的波段组合范围（单位均为nm）为（1,596～1,610，1,757～1,761）、（1,609～11,672，1,733～1,760） 和（1,682～1,691，1,716～1,722）；R² ＞0.7的主要波段组合为（775～791，957～961）、（839～869，958～962）、（1,009～1,031，1,149～1,167）、等；R² ＞0.6的主要波段组合为（749～923，935～983）、（1,005～1,110，1,140～1,220）、（1,008～1,090，1,690～1,790）等。归 一 化 植 被 指 数NDVI的R² ＞0.8的波段组合为（1,598～1,605，1,758～1,761）、（1,610～1,668，1,734～1,755） 和（1,683～1,691，1,717～1,722）；R² ＞0.7的主要波段组合为（768～815，948～964）、（829～887，954～968）、（1,008～1,059，1,148～1,172）等；R² ＞0.6的主要波段组合为（738～819，1,709～1,792）、（749～930，935～983）、（826～895，1,715～1,792）等。两种植被指数的决定系数分别为R²为预测烤烟叶片中氮含量的最佳光谱指数为RVI（1,630，1,740）和NDVI（1,630，1,740），核心波段为1630 nm和1740 nm，核心波段主要集中在近红外范围内。

图4 最佳角度30°-210°处RVI（a）和NDVI（b）的R²等势图Fig.4 The contour maps of R² of RVI (a) and NDVI (b) within the angle range of 30° -210°

2.5 烟碱密度预测模型

随机选取单个观测角度的120个样本用来建立预测模型，剩余120个样本用来验证模型。选取最佳角度30°-210°决定系数最大的前20个RVI值和前20个NDVI值作为独立的自变量，建立预测叶片烟碱密度的BP神经网络预测模型和支持向量机预测模型。

2.5.1 BP神经网络预测模型

将筛选的植被指数作为BP神经网络的输入因子，输入层传递函数用S型正切传递函数（Tansig），训练函数采用L-M优化算法函数（Trainlm），输出层传递函数采用线性传递函数（Purelin）。采用试错法比对不同节点数时的结果数据，获得最佳隐藏节点数为23，设定目标精度为0.001，迭代次数为5,000次，当拟合精度达到目标精度时，神经网络自动停止训练。BP神经网络的预测结果如图4（a）所示，该预测模型的R²为0.944，RMSE为0.877，表明BP神经网络对烟碱密度的预测效果较好，实测值和预测值接近。

2.5.2 支持向量机预测模型

程序随机选择120个样本（筛选出的植被指数）作为输入因子，采用试错法确定隐藏节点数为32，目标精度为0.001，迭代次数为5,000次。图4（b）为烟碱密度真实值与支持向量机预测值一一对应的结果，其R²为0.996，RMSE为0.001，表明该预测模型不仅拟合度佳，且具有较好的精准度。

两个预测模型中，其决定系数均大于0.940，均方根误差均小于1，表明二者均对烟碱密度具有较好的模拟效果。两个模型中，支持向量机的决定系数最大，为0.996，RMSE最小，为0.007，因此，两者中支持向量机模型的模拟效果要好于BP神经网络。

图5 BP神经网络（a）和支持向量机（b）的训练结果Fig.5 Training results of BP neural network (a) and SVM (b)

2.6 烤烟烟碱密度预测模型的检验

选取剩余120个样本对所建模型进行验证。如图5所示，绘制了BP神经网络和支持向量机两个模型的烟碱密度预测值与实测值之间的1 : 1关系图。图中的点越是集中分布在1 : 1关系线周围，表明模型的预测精度越高、效果越好，BP神经网络和支持向量机两个模型的预测值与实测值的R²分别为0.959和0.955，P-RMSE分别为0.858和0.011，表明两个模型具有很好的预测精准度，对烟碱密度均具有良好的预测效果。

用相同方法对冠层（0°天顶角）光谱进行建模，所得BP神经网络和支持向量机的R²分别为0.637和0.903，RMSE分别为2.201和0.024；对模型进行验证，BP神经网络和支持向量机两个模型的烟碱密度预测值与实测值的R²分别为0.832和0.582，P-RMSE分别为1.440和0.155。对比30°-210°光谱数据和冠层（0°天顶角）光谱数据所建模型，在30°-210°角度处所建模型的效果优于冠层（0°天顶角）所建模型。

图6 BP神经网络(a)和支持向量机(b)的预测值和实测值的1∶1的关系图（n=120）Fig.6 The relationship between predicted value and measured value in BP neural network model (a) and SVM model (b)

3 讨论

我国是烤烟种植大国，及时、准确获取烤烟叶片烟碱信息，对指导田间施肥、提高化肥利用率、节约资源和保护环境具有重要意义。目前，应用光谱数据构造植被指数对烟碱等理化参数进行反演，是植被遥感领域研究一大热点。本研究为大田试验，建模和验证样本包含不同年份、不同的地区地形、不同生育时期、不同品种以及不同施氮水平的烤烟烟株，因此本文的烟碱密度预测模型对烤烟具有较强的适用性，所建模型可用于预测大田烤烟整体的烟碱密度信息。

研究发现，同天顶角不同方位角时，随着角度的增加，光谱反射率呈现先增大后减小的趋势；不同天顶角同方位角时，随角度的增加反射率减小，与前人研究一致[24]。此外，较好的观测角度多位于天顶角30°和40°，前人的研究也表明天顶角30°～40°是获取植被信息的最佳角度区间[25-27]，这可能是由于30°天顶角观测到的数据包含了烟株的上中下层信息，受土壤背景的影响较小，具备反演整体的条件；此外，本文发现与太阳异侧时（方位角210°）R²达到最高，而在水稻、小麦等作物上的研究显示热点区域位于天顶角35°附近[28]，其最佳角度多是太阳同侧的角度，随着方位角的变化，叶片光谱反射率虽然会发生较大变化，但阴影叶片光谱对决定系数影响不大[29]，这有待进一步研究。本研究基于多角度建立了烤烟烟株叶片烟碱密度的预测模型，而烟株不同部位叶片烟碱含量不同，此外，烟株缺素或发生病害时多从某一部位的叶片开始呈现，针对不同部位叶片烟碱含量的观测角度仍需进一步筛选，并建立不同层次的预测模型，以对烟株矿质营养和病害发生程度进行精准监测，为烤烟生长精准管理提供理论依据。高光谱数据信息量大，在如何筛选更为有效、合理的植被指数，建立估算模型方面，仍需要不断探索和研究。

4 结论

（1）筛选出烟碱密度最佳的观测角度为30°-210°的观测天顶角-观测方位角组合，天顶角30°和天顶角40°的观测效果优于其它天顶角的观测效果。

（2）比值植被指数RVI较好的波段组合范围（单位nm）为（1,596～1,610，1,757～1,761）、（1,609～1,1672，1,733～1,760）和（1,682～1,691，1,716 ～1,722）；归一化植被指数NDVI较好的波段组合为（1,598～1,605，1,758～1,761）、（1,610～1,668，1,734～1,755）和（1,683～1,691，1,717～1,722），与叶片烟碱密度氮含量相关性最好的两个光谱指数为RVI（1,630，1,740）和NDVI（1,630，1,740），与烟碱密度相关的敏感核心波段为1,630 nm和1,740 nm。

（3）建立了烟碱密度的BP神经网络模型和支持向量机模型，其R2分别为0.944和0.996，对模型进行检验，其均方根误差P-RMSE分别为0.858和0.001，表明二者均具有较好的预测效果，以支持向量机模型的预测效果最佳。