高光譜成像系統：小麥葉綠素監測遙感植被與神經網絡研究

一、引言

土壤支持果樹生長，為果樹提供水分及礦質營養。土壤中的主要速效養分包括堿解氮、有效磷和速效鉀，能夠在當季被作物吸收利用，其含量直接影響到作物的生長發育情況和果實質量。氮磷鉀都是蘋果樹生長必需的重要營養元素，用于構成果樹體內各種蛋白質、核酸和磷脂的主要結構。

堿解氮含量與作物的氮素營養有較好的相關性，因此測定堿解氮含量可以反映出近期土壤供氮狀況的高低。施肥是綜合管理中的重要環節，由于各發育時期的果樹對不同元素的需求不同，過量施肥不僅會污染環境、增加生產成本，還會降低果實的產量。因此，及時準確地監測果園土壤主要速效養分含量水平對果園科學施肥和園地質量精準管理具有重要意義。

傳統的土壤養分化驗方法時間長、成本高，采樣時還會損害植物根系。高光譜技術憑借快速、無損、無污染的優勢能夠在短時間內大批量的測量土壤樣本，被應用于果園的科學管理中。

果園選址多為山地丘陵地區，受地理、氣候及土壤質地等因素的影響，土壤光譜信號較弱。常規的光譜變換如微分變換、對數變換等均能夠在一定程度上提升光譜與土壤養分含量的相關性，但對其光譜敏感性的提升程度有限。為進一步提升光譜信噪比，發掘更深入的光譜信息，本研究以山東省濟南市長清區雙泉鎮一處丘陵蘋果園為例，將數學變換和連續小波分析耦合對光譜數據進行處理，建立優選土壤堿解氮（AN）、有效磷（AP）、速效鉀（AK）三種主要速效養分含量的高光譜估測模型，探討不同光譜變換方式與不同建模方式對模型精度的影響；同時為將高光譜估測技術應用于實際生產管理，提出一套針對蘋果園土壤速效養分的簡便估測技術流程。

二、材料與方法

2.1試驗設計

以冬小麥為研究對象，基于不同年份、地點、品種類型、氮肥水平、種植密度和生育時期的做了6次田間試驗。

2.2冠層多角度光譜測定

本試驗主要是基于冠層尺度，自行設計一個輕巧簡單的多角度高光譜觀測裝置(圖2-2)，波段值為325-1075nm，高光譜的采樣間隔和光譜分辨率分別為1.5nm和3.5nm。在風力較小、晴朗無云的中午進行多角度冠層光譜測定，光譜儀視場角為25°，在太陽主平面內進行觀測，垂直角度觀測時定義為0°，此時探頭離小麥冠層100cm，太陽照射方向與觀測方向異側定義為前向觀測方向(+)，照射方向與觀測方向同側定義為后向觀測方向(-)，z在每個觀測角度下測量10次，將其平均值作為該觀測角度下光譜反射率值，不同觀測角度測定前或后立即進行參考板的校正(標準白板反射率為1)。

2-2多角度觀測裝置

2.3葉片葉綠素密度測定

(1)葉綠素含量測定

取葉片中部0.200g剪成細絲，在50ml95%的乙醇中浸一周，使用分光光度計測定葉綠素a和b在665nm和649nm下的吸光度值(OD)，再依據其在特定波長下的消光系數，計算出該色素的濃度。具體計算公式如下：

Ca=13.95OD665-6.88OD649(1)

Cb=24.96OD649-7.32OD665(2)

式中Ca和Cb分別為葉綠素a和b的濃度。

葉綠素密度=C×V×A/1000(mg·m-2soil)(3)

公式中C為葉綠素濃度，V為樣液體積，A為單位土地面積上葉片鮮重，葉綠素鮮重含量單位為：mg。

(2)植株氮含量測定

與光譜測定同步，每小區取10株小麥，按不同器官分開處理，然后在105°C下殺青15分鐘，待溫度降至80℃，烘干后粉碎待測。以上樣品全氮含量均采用Kjeltec2300(FOSS)自動定氮儀按凱氏定氮法測定。

(3)葉面積指數測定

采用重量相關法計算葉面積，因為葉片干重與葉片面積之間存在一定的比例關系。具體步驟如下：將10株小麥植株的綠色葉片分離，將葉片中部按直線相連排列，測量長度為20cm，并將中部5cm長度切取，該部分即為小麥樣葉的葉面積，重復操作一次。分別稱量樣葉葉面積的和剩余葉片的重量，然后計算出樣葉葉面積與地上部綠色葉片總面積，最后換算出單位土地上綠色葉片總面積，即為葉面積指數(LAI)。

2.4數據分析與利用

本研究以不同觀測角度下分析小麥冠層光譜參數與群體葉片色素密度的關系，篩選出與葉片色素密度密切相關的敏感波段及光譜參數，利用擬合決定系數(R2)和估計標準誤差(SE)篩選回歸監測模型，采用2011-2012年試驗數據對所建立的模型進行檢驗，繪制觀察值與預測值之間1:1關系圖，并使用預測相對誤差(RE)和預測精度(R2)進行綜合評定，優選出6個表現最好的高光譜參數為Green-NDVI、VOG1、RI-1dB、mND705、NDRE和DD。

三、結果與分析

3.1小麥冠層多角度反射率與葉綠素密度的相關性

利用試驗3中豫麥49-198拔節期N16施氮水平下不同觀測角度光譜反射率與葉綠素密度進行相關分析(圖1)。結果表明，光譜反射率與葉綠素密度的相關性隨觀測角度增加而降低，尤其是后向近紅外區域的角度敏感性最明顯，垂直角度附近的觀測角度間無明顯差異。光譜反射率與葉綠素密度在400-720nm范圍內呈負相關關系，在720-900nm范圍內呈正相關關系。相關系數在紅光區域小于-0.7，在近紅外區域大于0.7，與葉綠素密度關系密切。紅邊區域內相關系數在觀測角度間無顯著差異，但相關系數變化迅速，在720nm處所有觀測角度下的相關系數都接近于零。

圖1不同觀測角度下小麥冠層光譜反射率與葉綠素密度的關系

3.2不同觀測角度下冠層高光譜參數與小麥葉綠素密度的定量關系

表1不同觀測角度下小麥葉綠素密度與冠層高光譜參數的定量關系(n=174)

所選用的植被指數在垂直角度附近的觀測角度下均能較好地表達色素密度及動態變化。其中VOG-1、RI-1dB和NDRE所選用波段位于紅邊區域，與色素密度關系均非常密切，在后向-20°的R2均為0.71,RMSE則均低于0.31。SDr和SDb分別為紅邊面積和藍邊面積，SDr/SDb同樣在后向-20°取得較高的監測精度，R2和RMSE分別為0.71和0.30。參數DD在后向0°的監測精度最高，R2和RMSE分別為0.74和0.28。GNDVI的表現相對較差，參數趨向飽和，最優化的R2和RMSE分別為0.68和0.35(圖2)。

圖2小麥葉綠素密度與高光譜參數的關系

3.3不同觀測角度下兩波段歸一化和比值光譜指數與小麥葉綠素密度的關系

系統研究了不同觀測角度下原始光譜的兩波段比值和歸一化光譜指數與葉綠素密度的關系(圖3,4)。其中，A、B、C、D、E、F、a、b、c、d、e、f和N分別代表不同的數據集:(A)-60°、(B)-50°、(C)-40°、(D)-30°、(E)-20°、(F)-10°、(N)垂直角度、(a)+60°、(b)+50°、(c)+40°、(d)+30°、(e)+20°、(f)+10°。

圖3不同觀測角度下400-900nm內兩波段歸一化植被指數與葉綠素密度關系的等勢圖

圖4不同觀測角度下400-900nm內兩波段比值植被指數與葉綠素密度關系的等勢圖。

結果表明，所有觀測角度下都存在兩塊敏感區域，分別為藍光-紅邊區域和紅邊組合區域。其中紅邊組合區域在后向觀測效果最佳，而藍光-紅光組合在前向觀測效果最優。無論前向或后向觀測方向，R2隨觀測角度增加而降低，對葉綠素密度敏感的區域面積隨觀測角度增加而減小。在±20°的觀測角度范圍內監測精度均較高。在后向觀測方向，與葉綠素密度相關較好的兩種光譜指數形式組合波段范圍基本一致，主要是小麥紅邊范圍末端720-734nm與720-764nm等兩個區域波段的組合。在前向觀測方向，與葉綠素密度相關較好的2種光譜指數形式組合波段集中在464-494nm與618-644nm(表2)。

表2不同觀測角度下歸一化和比值植被指數的中心波段和擬合系數（R2）

以前向+20°的ND(468，634)和SR(468，634)以及后向-20°的ND(720，760)和SR(732，738)的光譜參數為代表作散點(圖5)。以展示優化光譜參數對葉綠素密度的擬合效果，由圖5可知，ND(468,634)、SR(468,634)、ND(720,760)和SR(732,738)與不同色素密度的關系密切，其R2均為0.74，RMSE均低于0.29，顯示了以上4個光譜參數可以很好地指示葉綠素密度的動態變化。

圖5小麥葉綠素密度與ND和SR光譜參數的關系

3.4葉綠素密度監測模型檢驗

為了考察葉綠素密度監測模型的普適性與可靠性，將試驗1和2的獨立數據用來檢驗上述監測模型。6個光譜參數對色素密度預測的效果不同(圖6)。

圖6小麥葉綠素密度實測值與預測值之間的比較

在色素密度建模過程中前向+20°觀測角度下的ND(468,634)和SR(468,634)表現較好，但在建模檢驗中對不同色素預測RE大于23%，預測值均大于實測值。光譜參數DD、SDr/SDb、ND(720,760)和SR(732,738)的監測效果較好，對葉綠素密度的預測R2均大于0.80，相對誤差范圍為16%-19%。其中以DD的預測效果最好，R2和RE分別為0.89和16%。這些結果表明，基于垂直角度和后向觀測角度的高光譜參數，可以對小麥葉綠素密度進行比較可靠的監測。

3.5基于不同觀測角度神經網絡的小麥葉綠素密度估算

由SPSS軟件進行因子分析后，分別得出各個觀測角度下的公共因子值及因子累計貢獻率超過99%的因子數。不同觀測角度下的公共因子值與實測的葉綠素密度進行相關分析，結果如表3所示，所有觀測角度下與葉綠素密度相關性較好的因子均為第一因子。

表3不同觀測角度下公共因子與葉綠素密度的相關關系

圖5顯示了不同觀測角度下光譜敏感波段與葉綠素密度相關性較高的兩個因子載荷分布情況。第一因子在藍光和紅光波段載荷較大，第二因子在近紅外波段載荷較大。無論前向或后向觀測方向，綠光波段在第一因子的載荷隨觀測角度的增加而降低，在第二因子的載荷隨觀測角度的增加而增加。FA-BPNN模型在垂直角度附近的模擬精度較高，但其相對誤差大于20%。因此FA-BPNN在多角度遙感監測葉綠素密度的應用還有待進一步研究。

四、結論與討論

本研究通過不同試驗因子的大田試驗觀測，基于多種光譜分析方法與葉片色素密度的相關分析，系統比較了不同觀測角度下多種光譜分析方法對葉片色素密度的模擬效果及模型預測能力，確定了監測色素密度的光譜參數、監測模型和敏感觀測角度。紅邊光譜參數VOG1、RI-1dB、NDRE和SDr/SDb能夠很好地監測小麥葉片葉綠素密度。兩波段歸一化和比值植被指數在后向觀測角度的敏感波段主要集中在紅邊區域，在前向觀測角度的敏感波段主要集中在藍光和紅光區域。物理模型FA-BPNN在垂直角度附近的模擬效果較好。垂直角度附近的后向觀測角度更適宜用來監測小麥葉片葉綠素密度的變化。

本研究結果對于小麥植株的光合能力預測、氮素營養狀況及診斷等具有重要參考價值，為多角度遙感技術在精準農業中的應用提供了關鍵技術支持。大量研究表明紅邊波段對色素變化十分敏感，為此構建了大量紅邊比值和歸一化等指數。文中VOG1、RI-1dB和NDRE可作為小麥冠層色素密度的實用性監測指標，兩波段歸一化和比值植被指數在后向觀測角度的敏感波段分布在紅邊區域，而物理模型FA-BPNN的第二因子也主要集中在紅邊區域。紅邊位置是植株結構和色素等因素相互作用的結果，其對植被長勢、葉綠素及生育時期表現十分敏感，也為利用紅邊波段監測葉綠素含量提供了理論基礎。大量研究表明紅光和藍光波段能較好地監測氮素狀況和植被長勢。

本文中，兩波段比值和歸一化植被指數在前向觀測方向的敏感波段集中在藍光和紅光區域，而物理模型FA-BPNN相關性最高的第一因子在藍光和紅光區域的載荷較高。通過微分技術可以弱化背景噪音的影響，改善光譜參數與色素密度的關系。利用SDb和SDr可以成功評價美洲巨杉營養狀況和水稻LAI的狀況。因此，本研究中SDr/SDb可以充分發揮色素敏感波段和微分光譜的優勢，提高冠層色素的監測精度。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇