高光谱成像系统：小麦叶绿素监测遥感植被与神经网络研究

莱森光学 2024-04-11 269

电子说

1.3w人已加入

描述

一、引言

土壤支持果树生长，为果树提供水分及矿质营养。土壤中的主要速效养分包括碱解氮、有效磷和速效钾，能够在当季被作物吸收利用，其含量直接影响到作物的生长发育情况和果实质量。氮磷钾都是苹果树生长必需的重要营养元素，用于构成果树体内各种蛋白质、核酸和磷脂的主要结构。

碱解氮含量与作物的氮素营养有较好的相关性，因此测定碱解氮含量可以反映出近期土壤供氮状况的高低。施肥是综合管理中的重要环节，由于各发育时期的果树对不同元素的需求不同，过量施肥不仅会污染环境、增加生产成本，还会降低果实的产量。因此，及时准确地监测果园土壤主要速效养分含量水平对果园科学施肥和园地质量精准管理具有重要意义。

传统的土壤养分化验方法时间长、成本高，采样时还会损害植物根系。高光谱技术凭借快速、无损、无污染的优势能够在短时间内大批量的测量土壤样本，被应用于果园的科学管理中。

果园选址多为山地丘陵地区，受地理、气候及土壤质地等因素的影响，土壤光谱信号较弱。常规的光谱变换如微分变换、对数变换等均能够在一定程度上提升光谱与土壤养分含量的相关性，但对其光谱敏感性的提升程度有限。为进一步提升光谱信噪比，发掘更深入的光谱信息，本研究以山东省济南市长清区双泉镇一处丘陵苹果园为例，将数学变换和连续小波分析耦合对光谱数据进行处理，建立优选土壤碱解氮（AN）、有效磷（AP）、速效钾（AK）三种主要速效养分含量的高光谱估测模型，探讨不同光谱变换方式与不同建模方式对模型精度的影响；同时为将高光谱估测技术应用于实际生产管理，提出一套针对苹果园土壤速效养分的简便估测技术流程。

二、材料与方法

2.1试验设计

以冬小麦为研究对象，基于不同年份、地点、品种类型、氮肥水平、种植密度和生育时期的做了6次田间试验。

2.2冠层多角度光谱测定

本试验主要是基于冠层尺度，自行设计一个轻巧简单的多角度高光谱观测装置(图2-2)，波段值为325-1075nm，高光谱的采样间隔和光谱分辨率分别为1.5nm和3.5nm。在风力较小、晴朗无云的中午进行多角度冠层光谱测定，光谱仪视场角为25°，在太阳主平面内进行观测，垂直角度观测时定义为0°，此时探头离小麦冠层100cm，太阳照射方向与观测方向异侧定义为前向观测方向(+)，照射方向与观测方向同侧定义为后向观测方向(-)，z在每个观测角度下测量10次，将其平均值作为该观测角度下光谱反射率值，不同观测角度测定前或后立即进行参考板的校正(标准白板反射率为1)。

2-2多角度观测装置

2.3叶片叶绿素密度测定

(1)叶绿素含量测定

取叶片中部0.200g剪成细丝，在50ml95%的乙醇中浸一周，使用分光光度计测定叶绿素a和b在665nm和649nm下的吸光度值(OD)，再依据其在特定波长下的消光系数，计算出该色素的浓度。具体计算公式如下：

Ca=13.95OD665-6.88OD649(1)

Cb=24.96OD649-7.32OD665(2)

式中Ca和Cb分别为叶绿素a和b的浓度。

叶绿素密度=C×V×A/1000(mg·m-2soil)(3)

公式中C为叶绿素浓度，V为样液体积，A为单位土地面积上叶片鲜重，叶绿素鲜重含量单位为：mg。

(2)植株氮含量测定

与光谱测定同步，每小区取10株小麦，按不同器官分开处理，然后在105°C下杀青15分钟，待温度降至80℃，烘干后粉碎待测。以上样品全氮含量均采用Kjeltec2300(FOSS)自动定氮仪按凯氏定氮法测定。

(3)叶面积指数测定

采用重量相关法计算叶面积，因为叶片干重与叶片面积之间存在一定的比例关系。具体步骤如下：将10株小麦植株的绿色叶片分离，将叶片中部按直线相连排列，测量长度为20cm，并将中部5cm长度切取，该部分即为小麦样叶的叶面积，重复操作一次。分别称量样叶叶面积的和剩余叶片的重量，然后计算出样叶叶面积与地上部绿色叶片总面积，最后换算出单位土地上绿色叶片总面积，即为叶面积指数(LAI)。

2.4数据分析与利用

本研究以不同观测角度下分析小麦冠层光谱参数与群体叶片色素密度的关系，筛选出与叶片色素密度密切相关的敏感波段及光谱参数，利用拟合决定系数(R2)和估计标准误差(SE)筛选回归监测模型，采用2011-2012年试验数据对所建立的模型进行检验，绘制观察值与预测值之间1:1关系图，并使用预测相对误差(RE)和预测精度(R2)进行综合评定，优选出6个表现最好的高光谱参数为Green-NDVI、VOG1、RI-1dB、mND705、NDRE和DD。

三、结果与分析

3.1小麦冠层多角度反射率与叶绿素密度的相关性

利用试验3中豫麦49-198拔节期N16施氮水平下不同观测角度光谱反射率与叶绿素密度进行相关分析(图1)。结果表明，光谱反射率与叶绿素密度的相关性随观测角度增加而降低，尤其是后向近红外区域的角度敏感性最明显，垂直角度附近的观测角度间无明显差异。光谱反射率与叶绿素密度在400-720nm范围内呈负相关关系，在720-900nm范围内呈正相关关系。相关系数在红光区域小于-0.7，在近红外区域大于0.7，与叶绿素密度关系密切。红边区域内相关系数在观测角度间无显著差异，但相关系数变化迅速，在720nm处所有观测角度下的相关系数都接近于零。

图1不同观测角度下小麦冠层光谱反射率与叶绿素密度的关系

3.2不同观测角度下冠层高光谱参数与小麦叶绿素密度的定量关系

表1不同观测角度下小麦叶绿素密度与冠层高光谱参数的定量关系(n=174)

所选用的植被指数在垂直角度附近的观测角度下均能较好地表达色素密度及动态变化。其中VOG-1、RI-1dB和NDRE所选用波段位于红边区域，与色素密度关系均非常密切，在后向-20°的R2均为0.71,RMSE则均低于0.31。SDr和SDb分别为红边面积和蓝边面积，SDr/SDb同样在后向-20°取得较高的监测精度，R2和RMSE分别为0.71和0.30。参数DD在后向0°的监测精度最高，R2和RMSE分别为0.74和0.28。GNDVI的表现相对较差，参数趋向饱和，最优化的R2和RMSE分别为0.68和0.35(图2)。

图2小麦叶绿素密度与高光谱参数的关系

3.3不同观测角度下两波段归一化和比值光谱指数与小麦叶绿素密度的关系

系统研究了不同观测角度下原始光谱的两波段比值和归一化光谱指数与叶绿素密度的关系(图3,4)。其中，A、B、C、D、E、F、a、b、c、d、e、f和N分别代表不同的数据集:(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°。

图3不同观测角度下400-900nm内两波段归一化植被指数与叶绿素密度关系的等势图

图4不同观测角度下400-900nm内两波段比值植被指数与叶绿素密度关系的等势图。

结果表明，所有观测角度下都存在两块敏感区域，分别为蓝光-红边区域和红边组合区域。其中红边组合区域在后向观测效果最佳，而蓝光-红光组合在前向观测效果最优。无论前向或后向观测方向，R2随观测角度增加而降低，对叶绿素密度敏感的区域面积随观测角度增加而减小。在±20°的观测角度范围内监测精度均较高。在后向观测方向，与叶绿素密度相关较好的两种光谱指数形式组合波段范围基本一致，主要是小麦红边范围末端720-734nm与720-764nm等两个区域波段的组合。在前向观测方向，与叶绿素密度相关较好的2种光谱指数形式组合波段集中在464-494nm与618-644nm(表2)。

表2不同观测角度下归一化和比值植被指数的中心波段和拟合系数（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)的光谱参数为代表作散点(图5)。以展示优化光谱参数对叶绿素密度的拟合效果，由图5可知，ND(468,634)、SR(468,634)、ND(720,760)和SR(732,738)与不同色素密度的关系密切，其R2均为0.74，RMSE均低于0.29，显示了以上4个光谱参数可以很好地指示叶绿素密度的动态变化。

图5小麦叶绿素密度与ND和SR光谱参数的关系

3.4叶绿素密度监测模型检验

为了考察叶绿素密度监测模型的普适性与可靠性，将试验1和2的独立数据用来检验上述监测模型。6个光谱参数对色素密度预测的效果不同(图6)。

图6小麦叶绿素密度实测值与预测值之间的比较

在色素密度建模过程中前向+20°观测角度下的ND(468,634)和SR(468,634)表现较好，但在建模检验中对不同色素预测RE大于23%，预测值均大于实测值。光谱参数DD、SDr/SDb、ND(720,760)和SR(732,738)的监测效果较好，对叶绿素密度的预测R2均大于0.80，相对误差范围为16%-19%。其中以DD的预测效果最好，R2和RE分别为0.89和16%。这些结果表明，基于垂直角度和后向观测角度的高光谱参数，可以对小麦叶绿素密度进行比较可靠的监测。

3.5基于不同观测角度神经网络的小麦叶绿素密度估算

由SPSS软件进行因子分析后，分别得出各个观测角度下的公共因子值及因子累计贡献率超过99%的因子数。不同观测角度下的公共因子值与实测的叶绿素密度进行相关分析，结果如表3所示，所有观测角度下与叶绿素密度相关性较好的因子均为第一因子。

表3不同观测角度下公共因子与叶绿素密度的相关关系

图5显示了不同观测角度下光谱敏感波段与叶绿素密度相关性较高的两个因子载荷分布情况。第一因子在蓝光和红光波段载荷较大，第二因子在近红外波段载荷较大。无论前向或后向观测方向，绿光波段在第一因子的载荷随观测角度的增加而降低，在第二因子的载荷随观测角度的增加而增加。FA-BPNN模型在垂直角度附近的模拟精度较高，但其相对误差大于20%。因此FA-BPNN在多角度遥感监测叶绿素密度的应用还有待进一步研究。

四、结论与讨论

本研究通过不同试验因子的大田试验观测，基于多种光谱分析方法与叶片色素密度的相关分析，系统比较了不同观测角度下多种光谱分析方法对叶片色素密度的模拟效果及模型预测能力，确定了监测色素密度的光谱参数、监测模型和敏感观测角度。红边光谱参数VOG1、RI-1dB、NDRE和SDr/SDb能够很好地监测小麦叶片叶绿素密度。两波段归一化和比值植被指数在后向观测角度的敏感波段主要集中在红边区域，在前向观测角度的敏感波段主要集中在蓝光和红光区域。物理模型FA-BPNN在垂直角度附近的模拟效果较好。垂直角度附近的后向观测角度更适宜用来监测小麦叶片叶绿素密度的变化。

本研究结果对于小麦植株的光合能力预测、氮素营养状况及诊断等具有重要参考价值，为多角度遥感技术在精准农业中的应用提供了关键技术支持。大量研究表明红边波段对色素变化十分敏感，为此构建了大量红边比值和归一化等指数。文中VOG1、RI-1dB和NDRE可作为小麦冠层色素密度的实用性监测指标，两波段归一化和比值植被指数在后向观测角度的敏感波段分布在红边区域，而物理模型FA-BPNN的第二因子也主要集中在红边区域。红边位置是植株结构和色素等因素相互作用的结果，其对植被长势、叶绿素及生育时期表现十分敏感，也为利用红边波段监测叶绿素含量提供了理论基础。大量研究表明红光和蓝光波段能较好地监测氮素状况和植被长势。

本文中，两波段比值和归一化植被指数在前向观测方向的敏感波段集中在蓝光和红光区域，而物理模型FA-BPNN相关性最高的第一因子在蓝光和红光区域的载荷较高。通过微分技术可以弱化背景噪音的影响，改善光谱参数与色素密度的关系。利用SDb和SDr可以成功评价美洲巨杉营养状况和水稻LAI的状况。因此，本研究中SDr/SDb可以充分发挥色素敏感波段和微分光谱的优势，提高冠层色素的监测精度。