基于高光譜數(shù)據(jù)的苔草營養(yǎng)成分反演方法研究

祁 瓊

（1.湖北省國土資源研究院 湖北 武漢 430071）

基于高光譜數(shù)據(jù)的苔草營養(yǎng)成分反演方法研究

祁 瓊1

（1.湖北省國土資源研究院 湖北 武漢 430071）

研究基于高光譜數(shù)據(jù)的苔草營養(yǎng)成分（側(cè)重粗蛋白質(zhì)、總氮、總磷）反演方法。結(jié)果顯示,粗蛋白質(zhì)的最佳反演模型是通過原始光譜反射率（偏最小二乘回歸的方法）獲得，R2=0．814、RMSE=0．450；總氮的最佳反演模型是通過一階光譜反射率（偏最小二乘回歸的方法）獲得，R2=0．850、 RMSE=0．175；總磷的最佳反演模型是通過原始光譜反射率(偏最小二乘回歸)獲得，R2=0．882、RMSE=0．025。最佳模型檢驗(yàn)結(jié)果顯示估算值和實(shí)測值之間的強(qiáng)相關(guān)性：粗蛋白質(zhì)R2=0．801、RMSE=1．029，總氮 R2=0．777、RMSE=0．234，總磷 R2=0．756、RMSE=0．043。

營養(yǎng)成分；高光譜數(shù)據(jù)；偏最小二乘回歸

傳統(tǒng)植被質(zhì)量的估測方法是通過大量的野外調(diào)查抽樣和昂貴的實(shí)驗(yàn)室分析獲得。這種勞動強(qiáng)度大，且費(fèi)時(shí)費(fèi)錢。而高光譜遙感可以具有預(yù)測苔草葉片中生物化學(xué)濃度的潛力，從而減少大量而單調(diào)的集中采樣和實(shí)驗(yàn)室分析。本文在大量實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，通過研究苔草的光譜曲線特征，找出苔草反射率光譜與營養(yǎng)元素的關(guān)系，然后建立定量遙感估算模型，計(jì)算不同方法下的模型精度，進(jìn)行比較與評價(jià)，為機(jī)載或星載高光譜遙感在植被營養(yǎng)成分研究奠定一定基礎(chǔ)。

1 數(shù)據(jù)收集

1.1 研究區(qū)概況

江西省鄱陽湖屬亞熱帶濕潤季風(fēng)氣候，冬季多北風(fēng)，夏季多南風(fēng)。年平均氣溫16．5℃～17．8℃，最冷月平均氣溫 4．2℃ ～5．3℃，無霜期 246～275 d，年降水量 1 368．7～1 633．8 mm。鄱陽湖濕地生態(tài)斷面層16～14．2 m位于天然堤高漫灘中、下部，平均每年顯露271．5～169．5 d，為苔草群落帶，寬達(dá) 290～360 m，是最主要的天然濕地草場。該帶植物群落為苔草單優(yōu)勢種，生長茂密，單位面積生物量1 716g/m2，是當(dāng)?shù)啬敛?、柴薪和綠肥的主要來源[1]。

1.2 苔草樣本采集

利用覆蓋鄱陽湖的Landsat TM影像（獲取時(shí)間：2004-10-28），目視分析鄱陽湖植被的空間分布特征，在ArcGIS中配準(zhǔn)其地理坐標(biāo)。根據(jù)分析結(jié)果，設(shè)計(jì)了3條苔草的采樣線（如圖1），并根據(jù)研究需要選擇54個(gè)采樣點(diǎn)（如圖2）， 其中40份用作訓(xùn)練樣本，14份作為檢驗(yàn)數(shù)據(jù)集。為了保證樣本生化濃度的差異性，在采集時(shí)應(yīng)盡量選擇處于不同生長階段（如新芽、初長、成熟、枯萎等時(shí)期）的苔草葉片（葉片收集后迅速放入貼有序號的保鮮盒保存，10 h內(nèi)進(jìn)行室內(nèi)光譜測量）。

圖1 采樣區(qū)域位于鄱陽湖西部蚌湖東側(cè)

圖2 用于建立和評價(jià)(+)苔草營養(yǎng)成分反演模型的草樣采樣點(diǎn)

1.3 苔草樣本的實(shí)驗(yàn)室分析

苔草樣本的實(shí)驗(yàn)室分析包括苔草鮮葉的實(shí)驗(yàn)室光譜測定和苔草生化濃度的實(shí)驗(yàn)室分析，其目的是獲取苔草的光譜反射率和苔草的營養(yǎng)成分濃度。

采樣當(dāng)天即在當(dāng)?shù)厣鷳B(tài)保護(hù)站內(nèi)完成樣品的光譜測定。苔草光譜的實(shí)驗(yàn)室測定選用美國ASD FieldSpec 3地物光譜儀[2]。光譜測量完畢后將葉片放置通風(fēng)干燥的地方自然晾干，確保葉片24 h內(nèi)干燥，然后將樣品放入貼有序號的牛皮紙袋內(nèi)保存[3]。第二天送至實(shí)驗(yàn)室，以提取苔草葉片內(nèi)蛋白質(zhì)、總氮、總磷的營養(yǎng)成分濃度（干重百分比）。苔草生化濃度實(shí)驗(yàn)室分析在華中農(nóng)業(yè)大學(xué)環(huán)境與科學(xué)學(xué)院實(shí)驗(yàn)室中按照國家標(biāo)準(zhǔn)[4]進(jìn)行，分析結(jié)果如表1。其中: ①測全磷采用H2SO4-HCLO4消煮，鉬銻抗比色法[5]；②測全氮采用半微量開氏法[6]；③粗蛋白質(zhì)含量采用半微量開氏法[7]。

2 方法

2.1 遙感參數(shù)計(jì)算

2.1.1 歸一化差值植被指數(shù)NDVI

歸一化差值植被指數(shù)的公式如下：

式中，NIR和R分別為紅外波段和紅波段處的反射率值。

2.1.2 紅邊位置REP

1）四點(diǎn)內(nèi)插方法。通常將此方法稱為“線性描述法”，其公式可描述如為：

式中，R670、R700、R740和R780分別為波段670 nm、700 nm、740 nm和780 nm處的反射率，在700～740 nm區(qū)間內(nèi)插獲取常量700和40。

2）線性外推方法。線性外推法旨在跟蹤在近紅邊一階微分處葉綠素敏感的極值（D），大約在700和725 nm。REP的估算是位于一階微分光譜中遠(yuǎn)紅外側(cè)邊的兩點(diǎn)和近紅外側(cè)邊的兩點(diǎn)所連接的兩直線交叉的波段上[8]。在此次研究中，衍生的光譜是通過在672 nm和703 nm的遠(yuǎn)紅外以及732 nm和77 8nm的近紅外估算所得。

表1 苔草生化濃度實(shí)驗(yàn)室分析結(jié)果

其中，

利用原始光譜放射率和一階微分光譜放射率計(jì)算出C1、C2、m1、m2，然后獲得REP的參量。

2.2 反演方法

本次研究中主要采用線性回歸和偏最小二乘回歸進(jìn)行建模及檢驗(yàn)。將所有54個(gè)樣本隨機(jī)分成兩組，一組用于構(gòu)建模型（40個(gè)用作訓(xùn)練樣本集），而另一組用于測試模型（14個(gè)用作檢驗(yàn)數(shù)據(jù)集）。所建模型的擬合程度用相關(guān)系數(shù)的平方值（確定系數(shù)R2）來評價(jià)，其精度可用總均方根差（RMSE）來評價(jià)：

式中，y和y'分別為測定值和預(yù)定值，n為樣本數(shù)（包括測試樣本和預(yù)測樣本）。其反演原理如圖3。

圖3 提取生化參數(shù)的經(jīng)驗(yàn)或半經(jīng)驗(yàn)方法示意圖

建模：通過分析所研究的生化組分含量（y）與光譜變量（反射率或其變換形式、高光譜指數(shù)等）（x）間的相關(guān)關(guān)系建立統(tǒng)計(jì)回歸模型。

預(yù)測：如果已知x，代入該模型，即可獲得生化組分含量y。

2.3 模型檢驗(yàn)

將40個(gè)訓(xùn)練樣本通過多元線性回歸構(gòu)建出回歸方程（用 檢驗(yàn)方程的擬合程度），然后用14個(gè)測試樣本的光譜值代入此模型，得出一組反演值，利用反演值與實(shí)測值之間的標(biāo)準(zhǔn)誤差s．e．或者均方根誤差RMSE來評價(jià)反演精度，并繪出反演值與實(shí)測值之間的散點(diǎn)圖。其中，

式中，y為實(shí)測值，y'為反演值。

式中，yi為實(shí)測值，i為反演值。

3 結(jié)果及討論

對5種光譜數(shù)據(jù)（原始光譜反射率、一階微分光譜反射率、二階微分光譜反射率、倒數(shù)后的對數(shù)光譜反射率、一階倒數(shù)后的對數(shù)光譜反射率）及其變換形式——高光譜特征參量（NDVI&REP）分別與苔草營養(yǎng)成分（粗蛋白質(zhì)、總氮、總磷）進(jìn)行定量反演研究，其多元線性回歸的反演結(jié)果如表2、3、4。PLS的反演結(jié)果如表5、6、7。

表2 粗蛋白質(zhì)多元線性回歸的反演結(jié)果

表3 總氮多元線性回歸的反演結(jié)果

表4 總磷多元線性回歸的反演結(jié)果

表5 粗蛋白質(zhì)PLS的反演結(jié)果

表6 總氮PLS的反演結(jié)果

表7 總磷PLS的反演結(jié)果

4 結(jié) 論

結(jié)果顯示,粗蛋白質(zhì)、總氮、總磷的最佳反演模型精度是通過偏最小二乘回歸獲得，分別為R2=0.814；R2=0.850；R2=0.882；RMSE=0.450；RMSE=0.175，RMSE=0.025。粗蛋白質(zhì)、總氮、總磷的最佳檢驗(yàn)結(jié)果分別為：R2=0.801；R2=0.777；R2=0.756，最低預(yù)測誤差分 別 為：RMSE=1.029，RMSE=0.234，RMSE=0.043。通過上述結(jié)論可以發(fā)現(xiàn)，估計(jì)苔草的營養(yǎng)成分，偏最小二乘回歸比多元逐步回歸能夠獲得更好的結(jié)果。原始光譜反射率、一階光譜反射率和一階倒數(shù)的對數(shù)光譜反射率分別對粗蛋白質(zhì)、總氮、總磷的反演結(jié)果是最好的。其擬合程度都超過60%以上，甚至達(dá)到80%，而二階光譜反射率、倒數(shù)的對數(shù)光譜反射率、高光譜指數(shù)（歸一化差值植被指數(shù)NDVI和紅邊位置REP）等對粗蛋白質(zhì)、總氮、總磷的反演結(jié)果低于30%。對于模型檢測也可以發(fā)現(xiàn)同樣的規(guī)律，依然是原始光譜反射率、一階光譜反射率和一階倒數(shù)的對數(shù)光譜反射率分別對粗蛋白質(zhì)、總氮、總磷的檢測結(jié)果是最好的。由此可以斷定,高光譜數(shù)據(jù)在苔草營養(yǎng)成分反演中具有很大的潛力。

[1] 吳英豪，紀(jì)偉濤．江西鄱陽湖國家級自然保護(hù)區(qū)研究[M]．北京:中國林業(yè)出版社,2002

[2] 顏春燕．遙感提取植被生化組分信息方法與模型研究[D]．中國科學(xué)院研究生院,2003

[3] 萬余慶，譚克龍，周日平．高光譜遙感應(yīng)用研究[M]．北京:科學(xué)出版社，2006

[4] 徐永明．基于實(shí)驗(yàn)室光譜的土壤營養(yǎng)元素反演研究[D]．中國科學(xué)院研究生院,2005

[5] Beeri O, RPhillips R, Hendrickson J, et al． Estimating Forage Quantity and Quality Using Aerial Hyperspectral Imagery for Northern Mixed-grass Prairie[J]． Remote Sensing of Environment,2007(110):216–225

[6] Mutanga O, Skidmore A K, Prins H H T． Predicting in Situ Pasture Quality in the Kruger National Park, South Africa, Using Continuum-removed Absorption Features[J]． Remote Sensing of Environmen,2004(89):393–408

[7] Kokaly R F, Clark R N． Spectroscopic Determination of Leaf Biochemistry Using Band-Depth Analysis of Absorption Features and Stepwise Multiple Linear Regression[J]． Remote Sensing of Environment,1999(67):267–287

[8] Cho M A, Skidmore A, Corsi F,et al．Estimation of Green Grass/herb Biomass from Airborne Hyperspectral Imagery Using Spectral Indices and Partial least Squares Regression[J]．International Journal of Applied Earth Observation and Geoinformation ,2007,9(1):414–424

P237

B

1672-4623（2017）10-0090-04

10.3969/j.issn.1672-4623.2017.10.030

2017-04-20。

祁瓊， 碩士研究生，工程師，主要從事土地調(diào)查、地理信息系統(tǒng)及遙感應(yīng)用研究工作。