基于高光譜遙感的植被冠層氮素反演方法研究進(jìn)展

喻 俊，李曉敏，張 權(quán)，侍 昊，褚 軍

(1.江西省林業(yè)調(diào)查規(guī)劃研究院，南昌 330046；2.江蘇省環(huán)境監(jiān)測(cè)中心， 南京 210036；3.揚(yáng)州市職業(yè)大學(xué)，江蘇 揚(yáng)州 225009)

基于高光譜遙感的植被冠層氮素反演方法研究進(jìn)展

喻 俊1，李曉敏1，張 權(quán)1，侍 昊2*，褚 軍3

(1.江西省林業(yè)調(diào)查規(guī)劃研究院，南昌 330046；2.江蘇省環(huán)境監(jiān)測(cè)中心， 南京 210036；3.揚(yáng)州市職業(yè)大學(xué)，江蘇 揚(yáng)州 225009)

氮素是植被生長(zhǎng)活動(dòng)中的重要元素，對(duì)植被葉綠素、蛋白質(zhì)和酶等物質(zhì)的合成至關(guān)重要，在植被光合作用中起關(guān)鍵作用。高光譜遙感反演技術(shù)憑借其快速、準(zhǔn)確和不破壞植被的優(yōu)勢(shì)，已經(jīng)成為植被氮素含量的定量分析的重要方法。本研究綜述了近年科學(xué)文獻(xiàn)中高光譜氮素反演的研究成果，主要介紹了植被冠層氮素高光譜研究的原理及處理方法，包括了高光譜數(shù)據(jù)處理、光譜變換、高光譜植被指數(shù)，多元逐步回歸、偏最小二乘回歸(PLSR)和人工神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò))回歸模型等，在此基礎(chǔ)上，對(duì)植被冠層氮素高光譜反演中存在的問題進(jìn)行了探討。

高光譜；植被氮素；去噪變換；特征波段；模型構(gòu)建

氮素是植被生命活動(dòng)的必須元素，對(duì)植被的光合作用以及生長(zhǎng)具有指標(biāo)性及決定性的作用，并且主要以葉綠素、核酸、酶、蛋白質(zhì)等形式存在植被體內(nèi)[1]。因此，快速高效監(jiān)測(cè)植被氮素含量及變化對(duì)于監(jiān)測(cè)植被生長(zhǎng)具有重要作用，也對(duì)了解當(dāng)?shù)厣鷳B(tài)系統(tǒng)循環(huán)具有重大意義。

與傳統(tǒng)遙感技術(shù)相比，高光譜遙感(HyperspectralRemoteSensing)是通過大量很窄且連續(xù)性的電磁波段獲取感興趣目標(biāo)的有關(guān)數(shù)據(jù)，具有高光譜分辨率、數(shù)據(jù)信息豐富的特點(diǎn)。高光譜數(shù)據(jù)能夠完整揭示地物的光譜特征，使得在地表及高空直接識(shí)別目標(biāo)、辨析目標(biāo)的精細(xì)光譜差異成為可能。隨著高光譜遙感技術(shù)的日漸成熟，利用高光譜技術(shù)定量研究植被生長(zhǎng)逐漸增多。通過高光譜遙感技術(shù)獲取植被的氮含量信息與生長(zhǎng)狀況，不僅能較大程度減小人力成本，提升研究尺度與規(guī)模，而且能夠提高研究準(zhǔn)確度，是未來精準(zhǔn)農(nóng)林發(fā)展的重要技術(shù)手段[2]。為此，本文總結(jié)綜述了植被冠層氮素反演研究中的反演參數(shù)選取、變換和建模方法等，以期為今后的高光譜植被冠層氮素反演提供參考。

1 高光譜氮素反演技術(shù)研究原理及現(xiàn)狀

植被氮素濃度高光譜研究是通過對(duì)研究目標(biāo)進(jìn)行特定強(qiáng)度的光譜輻射，使目標(biāo)葉片或結(jié)構(gòu)中的氮化學(xué)鍵產(chǎn)生一定的振動(dòng)，造成波長(zhǎng)發(fā)生變化，引起光譜波段的吸收與反射，產(chǎn)生不同的光譜反射率。因此，尋求光譜反射率中的植被氮素敏感波段成為目前研究重點(diǎn)。當(dāng)前的相關(guān)研究中，通過對(duì)特定范圍的植被光譜反射率進(jìn)行光譜變換，增強(qiáng)光譜特征，建立光譜研究模型，可實(shí)現(xiàn)植被氮素含量高光譜監(jiān)測(cè)。

作為植被生長(zhǎng)活動(dòng)中最重要的營(yíng)養(yǎng)元素之一，植被氮素受到脅迫時(shí)，其生物量、蓋度、葉綠素含量、蛋白質(zhì)含量等都會(huì)受到影響[3]。植被的生境受到影響時(shí)，氮素的吸收波段也會(huì)發(fā)生轉(zhuǎn)移[4]。RajeevR[5]研究指出，植被的氮素吸收波段主要在430、460、640、910、1510、1940、2060、2180、2300及2350nm波段，其中包含紅邊光譜范圍和SWIR光譜范圍。如王樹文等[6]采集了苗期玉米的光譜數(shù)據(jù)，利用歸一化植被指數(shù)、歸一化光譜植被指數(shù)、比值光譜指數(shù)以及差值光譜指數(shù)等變量，建立了適用性很好的玉米冠層氮素含量高光譜模型。張玉萍等[7]利用植被指數(shù)和一階微分高光譜回歸分析了不同施氮條件下的小麥條銹病情，建立了抽穗期、灌溉期等不同生長(zhǎng)期的五個(gè)模型，較好地反演了小麥條銹病病情。

2 高光譜氮素反演研究方法與數(shù)據(jù)處理

利用高光譜數(shù)據(jù)研究植被氮素含量，需要確定植被對(duì)氮素的相關(guān)敏感波段，建立光譜模型，估算植被氮素含量。目前比較成熟的研究方法有植被指數(shù)法、光譜微分法、對(duì)數(shù)變換法、倒數(shù)變換法、特征值分析法等。

2.1 高光譜去噪變換

采集植被光譜數(shù)據(jù)過程中，常有背景噪音、基線漂移等干擾信息進(jìn)入光譜中，干擾光譜影像及曲線特征，影響研究結(jié)果的準(zhǔn)確性與可靠性。因而，對(duì)采集的目標(biāo)光譜進(jìn)行去噪平滑處理成為研究的必然手段。目前應(yīng)用比較廣泛的光譜去噪有SGolay濾波法、對(duì)數(shù)法、光譜微分法等[8]。

(1)SGolay濾波法

SGolay濾波器，又稱最小二乘濾波器，其核心思想是通過對(duì)滑動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行最小二乘擬合，以求找到合適的濾波系數(shù)，實(shí)現(xiàn)數(shù)據(jù)的去噪平滑處理[9]。計(jì)算公式如下：

(1)

(2)對(duì)數(shù)法

植被高光譜遙感中，采集到的原始反射率值通常較低，光譜數(shù)據(jù)在經(jīng)過對(duì)數(shù)變化后，可以顯著增強(qiáng)光譜信息差異，而且能有效降低光譜強(qiáng)度變化引起的乘性因素影響[10]。

(3)光譜微分法

在高光譜遙感數(shù)據(jù)處理中，光譜微分法是一種常用的光譜處理方法，它不僅能夠消除光譜背景噪音，降低大氣輻射與散射作用，還能夠增強(qiáng)光譜曲線上的坡度細(xì)微變化，而這些變化通常與植被的生化吸收特征有關(guān)[11]。許多研究已經(jīng)表明，光譜微分技術(shù)對(duì)于植被生化成分的提取與研究中有顯著作用。微分計(jì)算如公式3和公式4所示：

(2)

(3)

式中： λi為每個(gè)波段的波長(zhǎng)，ρ′(λi)，ρ″(λi)分別為波長(zhǎng)的一階微分和二階微分光譜值，Δλ為波長(zhǎng)λi-1到λi的間隔。

賀婷等[12]采集了不同氮素含量下的玉米冠層高光譜反射率，對(duì)原始光譜做微分、倒數(shù)、對(duì)數(shù)處理，結(jié)合相關(guān)性分析法、線性與非線性分析法，估測(cè)玉米氮素含量，研究顯示玉米冠層光譜經(jīng)過上述處理與分析后，明顯提高了其與玉米冠層氮素含量的相關(guān)性。

高金龍等[13]收集了青海省瑪沁縣和貴南縣高寒草甸地區(qū)的高光譜數(shù)據(jù)，以光譜冠層反射率數(shù)據(jù)和光譜微分?jǐn)?shù)據(jù)分析牧草中的氮磷鉀含量，結(jié)合統(tǒng)計(jì)回歸法與光譜位置、植被指數(shù)等評(píng)價(jià)估測(cè)模型，并進(jìn)行精度評(píng)價(jià)。研究表明，光譜微分?jǐn)?shù)據(jù)相比光譜反射率數(shù)據(jù)較好反映了牧草氮磷鉀含量，高原草甸牧草氮磷鉀對(duì)應(yīng)敏感波段主要分布在紅光波段(680～760nm)。楊婷婷等[14]收集了庫(kù)爾勒地區(qū)香梨葉片光譜數(shù)據(jù)，并檢測(cè)葉片氮素含量，以光譜反射率數(shù)據(jù)與一階微分光譜數(shù)據(jù)為基礎(chǔ)，進(jìn)行葉片氮素相關(guān)性分析，建立葉片氮素估測(cè)模型，得到了庫(kù)爾勒香梨坐果期的最佳葉氮反演光譜微分模型Y=50.535X\%703-40.586。

2.2 高光譜波段選取

為了研究植被高光譜反射率與植被氮素含量之間的關(guān)系，在單一變量的情況下，通過對(duì)比分析同一對(duì)象的不同氮素含量水平下的光譜反射率曲線，發(fā)現(xiàn)隨著氮含量的變化，研究目標(biāo)的特定區(qū)域光譜曲線會(huì)發(fā)生遞增或遞減現(xiàn)象，該區(qū)域即可確定為目標(biāo)對(duì)應(yīng)的氮素敏感區(qū)域。王樹文等[6]采集不同氮素水平下的高光譜數(shù)據(jù)，通過相關(guān)矩陣法選擇出相關(guān)系數(shù)較高的525、566、700、715、895nm波段作為植被指數(shù)變量，依據(jù)葉片氮素含量與歸一化植被指數(shù)NDVI、歸一化光譜植被指數(shù)NDSI、比值光譜指數(shù)RSI、差值光譜指數(shù)DSI的相關(guān)性，建立了氮素含量預(yù)測(cè)模型，橢圓F檢驗(yàn)法與標(biāo)準(zhǔn)誤差RMSE\%對(duì)比表明，預(yù)測(cè)模型完全可以用于玉米冠層氮素含量高光譜預(yù)測(cè)研究。

2.3 高光譜植被植被指數(shù)構(gòu)建

在高光譜遙感技術(shù)的應(yīng)用中，根據(jù)植被指數(shù)建立數(shù)學(xué)模型被廣泛應(yīng)用在植被氮素含量的反演研究中。植被指數(shù)通過以波段差分或者比值計(jì)算的方式，將兩個(gè)或者多個(gè)特征波段進(jìn)行線性或者非線性組合，組成對(duì)某個(gè)生理生化指標(biāo)敏感的光譜指數(shù)。利用光譜反射率數(shù)據(jù)或者光譜微分?jǐn)?shù)據(jù)，選擇氮素特征波段并構(gòu)造適宜的光譜植被指數(shù)，可顯著增強(qiáng)植被對(duì)于氮素的敏感程度[15]。不同波段組成的植被指數(shù)對(duì)于氮素的預(yù)測(cè)效果并不相同[16]。

劉冰峰等[17]采用ASDFieldSpec3光譜儀收集了玉米5種不同施氮量、4種不同施磷量和2個(gè)品種在大喇叭口期、吐絲期、灌漿期和成熟期等四個(gè)生長(zhǎng)期的冠層反射率，同時(shí)測(cè)定對(duì)應(yīng)的地上干物質(zhì)積累量，選取DI(差值指數(shù))、GNDVI(綠色歸一化植被指數(shù))、SRPI(簡(jiǎn)單色素比值指數(shù))等21個(gè)植被指數(shù)為變量，擬合函數(shù)模型，得出玉米不同生育時(shí)期最優(yōu)干物質(zhì)擬合指數(shù)大喇叭口期為GNDVI、吐絲期為PSSRc、灌漿期為NDVI4、成熟期為DI。李丹等[18]利用光譜儀采集了研究區(qū)內(nèi)不同氮素含量的小麥和玉米光高譜數(shù)據(jù)，通過優(yōu)化光譜指數(shù)，選擇紅邊及向近紅外過度區(qū)域?yàn)閮?yōu)化波段，創(chuàng)建玉米和小麥的最優(yōu)光譜指數(shù)分別為Rλ766/Rλ738和Rλ796/Rλ760-1，研究結(jié)果可明顯提升小麥和玉米氮素含量預(yù)測(cè)能力。

3 高光譜回歸模型植被氮素反演

3.1 逐步回歸法

逐步回歸法是一種基于多元線性回歸的派生算法，通過在眾多的自變量中有效選擇重要變量，擬合回歸方程。多變量逐步回歸模型是植被高光譜氮素研究中應(yīng)用最廣泛的研究方法之一，它通常以光譜反射率、微分光譜、植被指數(shù)等為自變量，建立以植被氮素為因變量的估算模型。由于光譜自變量之間的相互非獨(dú)立性，為了尋找與因變量Y具有最大相關(guān)性的自變量X，確定最佳光譜波段，應(yīng)在眾多波段變量中尋找與因變量y方差貢獻(xiàn)最大的光譜變量數(shù)據(jù)，建立逐步回歸模型。

安靜等[19]利用地物光譜儀研究了蘋果葉片的氮素含量，通過光譜反射率與光譜一階微分變換，篩選出相關(guān)系數(shù)較大的28個(gè)樣本數(shù)據(jù)中的一階微分光譜數(shù)據(jù)為敏感波段，建立了與蘋果葉片氮素含量的多元逐步回歸模型Y=2.328+51.141X1+0.978X2-90.456X3-273.485X4，其中X1、X2、X3和X4分別對(duì)應(yīng)中心波長(zhǎng)為364、373、392、998nm波長(zhǎng)的一階微分光譜值，所建模型較好的模擬了現(xiàn)實(shí)氮素含量。

3.2 偏最小二乘法回歸

偏最小二乘法(PLSR)是綜合利用主成分分析、典型相關(guān)分析和多元線性回歸，建立多變量對(duì)應(yīng)多變量綜合模型的回歸分析方法。目前，PLSR法已廣泛應(yīng)用在植被氮素研究中。李峰等[20]采用AISA-Eagle機(jī)載光譜成像儀收集了馬鈴薯冠層光譜數(shù)據(jù)，并以此變換出了5種光譜數(shù)據(jù)，建立了馬鈴薯葉氮PLSR高光譜模型，研究中PLSR模型準(zhǔn)確反映了植被光譜特征，并較大程度較低了噪音對(duì)于模型擬合的影響，以一階微分建立的PLSR模型取得最優(yōu)的擬合效果，均方根和決定系數(shù)分別為0.38%、0.82。

3.3 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)(ANN)以模仿人類神經(jīng)系統(tǒng)的思考方式，經(jīng)過在輸入層、單個(gè)或多個(gè)隱藏層和輸出層之間的信息傳播與學(xué)習(xí)，獲取所研究對(duì)象潛藏的數(shù)據(jù)關(guān)系。當(dāng)前，常用神經(jīng)網(wǎng)絡(luò)模型為BP神經(jīng)網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)模型在目前研究中應(yīng)用較多，而RBF網(wǎng)絡(luò)模型能夠處置繁雜結(jié)構(gòu)關(guān)系，具有非凡的學(xué)習(xí)能力和高效的非線性轉(zhuǎn)換本領(lǐng)。BP神經(jīng)網(wǎng)絡(luò)模型和RBF網(wǎng)絡(luò)模型結(jié)構(gòu)如下圖所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

劉紅玉等[21]選用遺傳算法優(yōu)選波段，通過SWR法、主成分分析和偏最小二乘法建立了番茄氮素與光譜和圖像的模型，并采用人工神經(jīng)網(wǎng)絡(luò)對(duì)光譜和圖像進(jìn)行特征層面的信息融合，形成多信息融合診斷模型，研究結(jié)果表明，該方法所得氮素相關(guān)系數(shù)R為0.9651，均方根誤差RMSE為0.19，模型擬合精度較單一光譜模型上升6.25%。楊寶華等[22]在綜合前人研究的基礎(chǔ)上，創(chuàng)造性提出一種競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)，用相關(guān)分析法篩選出30個(gè)小麥氮素敏感波段，建立RBF和BP神經(jīng)網(wǎng)絡(luò)回歸模型，研究中CARS-CC不僅有效剔除了干擾光譜信息，而且優(yōu)化并提高了建模時(shí)間與質(zhì)量；用CARS-CC選取的敏感波段變量建立的RBF神經(jīng)網(wǎng)絡(luò)模型較BP神經(jīng)網(wǎng)絡(luò)模型明顯提升；研究也證實(shí)BP神經(jīng)網(wǎng)絡(luò)模型雖然對(duì)訓(xùn)練數(shù)據(jù)得到很高的輕度，但是對(duì)于訓(xùn)練數(shù)據(jù)之外的預(yù)測(cè)數(shù)據(jù)常會(huì)出現(xiàn)過度擬合現(xiàn)象，導(dǎo)致模型適應(yīng)性與穩(wěn)定性有所欠缺。

4 展望

近年來，植被冠層氮素信息高光譜反演已經(jīng)取得較大研究進(jìn)展。較傳統(tǒng)研究方法，高光譜植被氮素反演研究在時(shí)間與空間分辨率中有很大的提升，已解決了很多傳統(tǒng)植被氮素研究中的問題。然而，在具體研究方法中，仍然存在一些問題亟需解決：(1)不同生長(zhǎng)時(shí)期，植被葉片與冠層面積均會(huì)發(fā)生變化，土壤光譜反射和植被枝干光譜反射均會(huì)對(duì)研究目標(biāo)的真實(shí)光譜造成影響，今后研究中準(zhǔn)確、有效的植被光譜去噪將是需要解決的問題。(2)高光譜植被指數(shù)氮素反演通過對(duì)氮素敏感特定波段的光譜反射率或者微分?jǐn)?shù)據(jù)進(jìn)行光譜變換，構(gòu)成高光譜氮素敏感指數(shù)，該方法雖然簡(jiǎn)單實(shí)用，但對(duì)植被冠層葉綠素含量及土壤背景信息較為敏感。(3)廣泛采用的各類回歸模型法需要連續(xù)與全面的觀測(cè)數(shù)據(jù)，對(duì)于研究目標(biāo)需要使用大尺度與高時(shí)間分辨率的數(shù)據(jù)為支撐。此外，植被葉片與冠層尺度間反演方法的互換與轉(zhuǎn)化問題有待進(jìn)一步研究；在葉片氮素高光譜反演中，葉片內(nèi)復(fù)雜的生化混合物對(duì)于葉片光譜的影響也需要進(jìn)一步分析。

[1] 王莉雯,衛(wèi)亞星.植被氮素濃度高光譜遙感反演研究進(jìn)展[J].光譜學(xué)與光譜分析,2013,33(10): 2823-2827.

[2] 陳鵬飛,NicolasTremblay,王紀(jì)華，等.估測(cè)作物冠層生物量的新植被指數(shù)的研究[J].光譜學(xué)與光譜分析,2010,30(2):512-517.

[3]LONGJR,MAGH,WANYZ,etal.EffectsofNitrogenFertilizerLevelonChlorophyllFluorescenceCharacteristicsinFlagLeafofSuperHybridRiceatLateGrowthStage[J].RiceScience,2013,20(3):220-228.

[4] 葉曉青,鄒勇,余志虹,等.烤煙冠層光譜參數(shù)與氮素垂直分布相關(guān)性研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(5):219-225.

[5]RajeevR,UshaKC,RabiNS,etal.InternationalJournalofRemoteSensing,2012,33(20):6342.

[6] 王樹文,趙珊,張長(zhǎng)利，等.基于成像光譜技術(shù)的寒地玉米苗期冠層氮含量預(yù)測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(13):149-154.

[7] 張玉萍,馬占鴻.基于遙感技術(shù)的不同施氮水平下小麥條銹病病情反演研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,21(4):42-51.

[8] 宋仁飛,林輝,臧卓，等.東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識(shí)別[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(11):135-139.

[9]MaddenHH.CommentsontheSavitzky-Golayconvolutionmethodforleast-squares-fitsmoothinganddifferentiationofdigitaldata[J].AnalticalBiochemistry,1978(3):1383-1386.

[10] 劉秀英,藏卓,孫華,等.基于高光譜數(shù)據(jù)的杉木和馬尾松識(shí)別研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11):30-33.

[11] 伍南,劉君昂,周國(guó)英,等.基于高光譜微分指數(shù)的杉木炭疽病病情指數(shù)反演[J].林業(yè)科學(xué),2012,48(8):94-98.

[12] 賀婷,李建東,劉桂鵬，等.基于高光譜遙感的玉米全氮含量估測(cè)模型[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,47(3):257-265.

[13] 高金龍,侯堯宸,白彥福，等.基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測(cè)方法研究—以青海省貴南縣及瑪沁縣高寒草甸為例[J].草業(yè)學(xué)報(bào),2016,25(3):9-21.

[14] 楊婷婷,王雪梅,柴仲平，等.庫(kù)爾勒香梨不同生育期葉片氮素光譜診斷研究[J].西南農(nóng)業(yè)學(xué)報(bào),2016,29(3):668-673.

[15] 林海軍,張繪芳,高亞琪，等.基于馬氏距離法的荒漠樹種高光譜識(shí)別[J].光譜學(xué)與光譜分析,2014,34(12):3358-3362.

[16] 劉?？?孫傳范,曹衛(wèi)星，等.便攜式作物氮素監(jiān)測(cè)儀性能水稻田間測(cè)試[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(9):80-84.

[17] 劉冰峰,李軍,賀佳，等.基于高光譜植被指數(shù)的夏玉米地上干物質(zhì)量估算模型研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3):254-262.

[18] 李丹,李斐,胡云才，等.基于光譜指數(shù)波段優(yōu)化算法的小麥玉米冠層含氮量估測(cè)[J].光譜學(xué)與光譜分析,2016,36(4):1150-1157.

[19] 安靜,姚國(guó)清,朱西存，等.蘋果葉片氮素含量高光譜檢測(cè)研究[J].國(guó)土資源遙感,2016,28(2):67-71.

[20] 李峰,AlchanatisVictor,趙紅，等.基于PLSR方法的馬鈴薯葉片氮素含量機(jī)載高光譜遙感反演[J].中國(guó)農(nóng)業(yè)氣象,2014,35(3):338-343.

[21] 劉紅玉,毛罕平,朱文靜，等.基于高光譜的番茄氮磷鉀營(yíng)養(yǎng)水平快速診斷[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(1):212-220.

[22] 楊寶華,陳建林,陳林海，等.基于敏感波段的小麥冠層氮含量估測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(22):176-182.

Research on the Method of Vegetation Canopy Nitrogen Inversion based on Hyperspectral Remote Sensing

YUJun1,LIXiao-min1,ZHANGQuan1,SHIHao2,CHUJun3

(1.Jiangxi Institute of Forest Inventory and Planning, Nanchang, Jiangxi 330046;2. Jiangsu Environmental Monitoring Center, Nanjing, Jiangsu 210036;3.Yangzhou Polytechnic University, Yangzhou, Jiangsu 225009 )

Nitrogenisanimportantelementinvegetationgrowth,whichisessentialtothesynthesisofchlorophyll,proteinandenzyme,andplaysakeyroleintheprocessofphotosynthesis.Hyperspectralremotesensinginversiontechnologyknownwithitsadvantagesofbeingrapid,accurateandnondestructionofvegetationhasbecomeanimportantmethodforquantitativeanalysisofvegetationnitrogencontent.Thispaperreviewedtheresearchresultsofhyperspectralinversionofnitrogeninthescientificliterature,introducedtheprinciplesandprocessingmethodsofhyperspectralvegetationcanopy,includinghyperspectraldataprocessing,spectraltransform,hyperspectralvegetationindex,stepwiseregressionandpartialleastsquaresregression(PLSR)andartificialneuralnetwork(BPnetworkandRBFnetwork)regressionmodel.Onthisbasis,theexistingvegetationcanopyhyperspectralinversionproblemsarediscussed.

Hyperspectral;vegetationnitrogen;denoisingtransformation;characteristicwaveband;modelconstruction

2016-09-12 基金項(xiàng)目：江蘇省高校自然科學(xué)研究面上項(xiàng)目資助(15KJB420001；16KJD420002)；國(guó)家自然科學(xué)基金項(xiàng)目(41601449)。

喻 俊(1981-)，男，江西南昌人，主要從事林業(yè)遙感與地理信息系統(tǒng)研究。

Q

A