沉香幼樹生長中的全氮質量分數(shù)估測1)

王甜 王雪峰 袁瑩 劉嘉政

( 中國林業(yè)科學研究院資源信息研究所，北京，100091) ( 國家林業(yè)和草原局森林經營與生長模擬重點實驗室)

沉香(Aquilariasinensis)是我國珍貴的藥材植物資源，多生長于南方山地雨林[1]。沉香苗期經營離不開氮肥的施用，然而目前氮肥施用方式粗放、利用率低[2]，這不僅污染環(huán)境[3]，同時降低林業(yè)經濟效益，因此在沉香經營過程中及時診斷、按需施肥對于沉香生長及提高經濟效益具有重要意義。葉片顏色變化是反映植物營養(yǎng)元素變化的重要指標[4]，傳統(tǒng)營養(yǎng)診斷費時費力且精度較低；高光譜成像數(shù)據豐富，但不適用于小尺度監(jiān)測；手持光譜儀技術獲得的數(shù)據之間冗余度大[5]；相比之下，多光譜相機獲取圖像信息豐富，適用于地面和航空攝影，因而利用多光譜相機進行圖像氮素無損檢測技術被廣泛用于林木氮素營養(yǎng)狀況評價研究中。

近年來，數(shù)字圖像技術日益成熟，為植物營養(yǎng)診斷提供了有力的技術支持，國內外研究者先后對不同生育期小麥(TriticumaestivumL.)[6-7]、玉米(ZeamaysL.)[8-10]、大豆(Glycinemax)[11]、水稻(OryzasativaL.)[12]等植物進行含氮量預測。人工智能的迅速發(fā)展，使神經網絡模型預測含氮量的算法更為成熟[13-17]。人工智能的發(fā)展為小樣本、非線性、高維空間的樣本數(shù)據提供了更有效的擬合方法，但各方法所得的預測精度也受到權值、閾值以及輸入特征的影響。支持向量機(SVM)具有自主學習、自主適應和強大的非線性處理能力的優(yōu)點，但是支持向量機也存在著自主學習能力不穩(wěn)定、收斂速度較慢、出現(xiàn)局部收斂和模型過擬合的現(xiàn)象[18]；隨機森林(RF)是集成學習思想一種算法[19]，但存在當數(shù)據噪音較大時，出現(xiàn)過擬合的問題；最小二乘支持向量機(LSSVM)是在支持向量機的基礎上采用最小二乘函數(shù)，進一步提高支持向量機的計算效率，將輸入的樣本信息映射到高維特征空間，采用結構風險最小原則，得出分類結果[20]，但對于數(shù)據量較大時，計算效率較低，模型需要花費大量時間進行計算；粒子群優(yōu)化算法(PSO)具有收斂速度快、參數(shù)簡化、計算效率高、結果精度高的特點，對非線性問題具有良好的處理能力[21]。而粒子群和隨機森林融合算法可以解決模型收斂慢、計算效率低的問題，對數(shù)據的適應能力和預測結果的精度都有較大提升。

為此，本研究在海南省文昌市的生態(tài)站選擇生長良好的2年生幼齡沉香進行盆栽試驗，采用根部埋施法，設計不施氮(為對照)、低氮、中氮、高氮4個脅迫梯度；使用紅外和普通相機進行圖像、養(yǎng)分數(shù)據獲??；以幼齡沉香可見光-近紅外5個波段的圖像為例，提出一種分割高效且模型精度較高的無損營養(yǎng)診斷的圖像方法，分析不同施氮量對盆栽沉香生長的影響，旨在為實現(xiàn)沉香生長過程中對氮素需求的機器智能判定提供參考。

1 材料與方法

1.1 試驗設計

試驗為單因素試驗設計，試驗區(qū)在海南省文昌市的生態(tài)站(19°36′～20°3′N、109°12′～111°2′E)。選擇生長良好的2年生幼齡沉香進行盆栽試驗，每盆(高×直徑=25 cm×20 cm)裝入5 kg風干濱海沙壤土。氮源為尿素(氮質量分數(shù)為46.4%)，采用根部埋施法，試驗設不施氮(對照)、低氮(施氮5 g·m-2·a-1)、中氮(施氮10 g·m-2·a-1)、高氮(施氮20 g·m-2·a-1)4個脅迫梯度，每個施氮量種植15棵沉香。之后每2個月進行1次補肥，施肥量與初始施入量一致，其他營養(yǎng)元素不再施加。數(shù)據采集時間為2019年7—11月份，每隔2個月進行圖像、養(yǎng)分數(shù)據獲取，數(shù)據總量為120個。

1.2 沉香植株圖像采集

使用紅外和普通相機2種。普通相機通過USB線與筆記本連接，使用軟件gphoto-2或者佳能自帶的EOS Utility進行攝影控制。紅外相機通過無線鏈接，利用IP控制攝影，由美國生產的MicaSense RedEdge 3多光譜相機(分辨率為1 280×960像素)獲取圖像，該相機有5個波段，其中心波段分別為475、560、668、717、840 nm；帶寬分別為20、20、10、40、10 nm。獲取圖像時，分別從東、西、南、北4個方向進行拍攝，對于所有的拍攝對象，保持三腳架的中心位置在幼樹4個方向的軸線上，相機與植株距離固定為2.1 m，三腳架高度設置為80 cm，鏡頭的方向與地面保持平行，拍攝時間為每天的09:00—16:00。

1.3 沉香植株中氮素各指標測定

圖像獲取完成后，將幼齡沉香在莖基部切斷，保留完整的根系，分別稱取根莖葉的鮮質量，分別在烘箱中83 ℃烘干24 h至恒質量，冷卻至室溫后進行稱量干質量。將葉片碾成粉末后，采用H2SO4-H2O2消煮-鉬銻抗吸光光度法測定氮質量分數(shù)。氮效率及相關指標參照Moll et al.[22]方法計算。具體計算公式：氮累積量=植株生物量×植株氮質量分數(shù)；氮素吸收率=氮累積量/供氮量；氮效率=地上部生物量/供氮量。

1.4 沉香植株圖像分割

本研究圖像涉及可見光-近紅外5個波段，圖像噪聲較大，普通的圖像分割算法難以準確分割，不能滿足研究需要[23]。針對此問題，本研究使用了改進的模糊局部信息C均值聚類(FLICM)算法，該算法主要針對模糊聚類(FCM)算法需要人工確定不同像素間權重比例的問題，提出利用隸屬度矩陣和像素空間距離自動確定權重的方法，對噪聲圖像有較好的分割效果。

首先對圖像進行歸一化處理，之后取圖像(250，500)坐標點處的矩形區(qū)域，采用histeq函數(shù)進行直方圖均衡化處理，增強植物對比度，由于圖像中間部分噪聲較多，采用模糊C均值聚類算法分割，然后采用bwareaopen函數(shù)去除面積小于200的噪聲區(qū)域獲得植物，最后對植物圖像進行水平投影，找到花盆位置，即投影最大的地方，然后取花盆以上部分分割，再將原始灰度圖像相乘，獲得只有植物的圖像(見圖1)。

圖1 圖像分割過程及不同波段分割結果

1.5 分割后的沉香植株圖像相關參數(shù)設計

沉香幼苗圖像分割及所有的圖像數(shù)據處理均在Matlab R2018a中進行。分割后的圖像相關參數(shù)，包括：藍光波段反射率(RB)、綠光波段反射率(RG)、紅光波段反射率(RR)、紅邊波段反射率(RRE)、近紅外波段反射率(RNIR)、各波段比值植被指數(shù)(IV,R)[24]、差值植被指數(shù)(IV,D)[25]、寬動態(tài)范圍植被指數(shù)(IV,WD)[26]、調整三角指數(shù)(IV,MT)[27]、改進紅邊比值植被指數(shù)(IV,MRR)[28]。

各波段比值植被指數(shù)(IV,R)=RNIR/Ri；

差值植被指數(shù)(IV,D)=RNIR-Ri；

寬動態(tài)范圍植被指數(shù)(IV,WD)=(0.12RNIR-Ri)/(0.12RNIR+Ri)；

調整三角指數(shù)(IV,MT)=1.2[1.2(RNIR-RG)-2.5(RNIR+RG)]；

改進紅邊比值植被指數(shù)(IV,MRR)=(RRE-RB)/(RRE+RB)。

式中：Ri為藍光、綠光、紅光、紅邊、近紅外波段反射率。

1.6 評價模型的構建

隨機森林(RF)是依據分類回歸樹的機器學習方法。設原始數(shù)據中有N個含水率數(shù)據，M個圖像因子，先從原始訓練集中有放回的抽取n個樣本，生成n個子訓練集并構成n個決策樹，選取其中最具有分類能力的評價指標進行分枝，最后對n個決策樹得到的n個分類結果進行投票表決，得到最終結果。經過反復調試，將隨機森林中生長樹的數(shù)目設置為5 000，在每一個分裂節(jié)點處樣本預測器的個數(shù)設置為20。

為提升模型的收斂速度和精度，消除各位數(shù)據間數(shù)量級差別，本研究采用最小最大法，將原始建模數(shù)據進行歸一化處理，以防止由于輸入輸出數(shù)量級差別大而造成網絡估測誤差，模擬結果通過反歸一化處理將其還原。以紅邊波段反射率(RRE)、近紅外波段反射率(RNIR)、調整三角指數(shù)(IV,MT)、改進紅邊比值植被指數(shù)(IV,MRR)特征值作為影響因素，以氮素質量分數(shù)作為評價指標，將建模數(shù)據歸一化處理后，輸入進粒子群-隨機森林融合模型(PSO-RF)中，在隨機森林(RF)神經網絡模型中加入一個種群數(shù)量為20、迭代終止次數(shù)為50的粒子群優(yōu)化算法(PSO)，并且添加慣性權重因子提高模型的收斂能力，初始慣性權重因子設置為0.8，終止慣性權重因子設置為0.1。

2 結果與分析

2.1 不同施氮量對幼齡沉香植株生物量的影響

計算4個月試驗期內，沉香植株生物量、氮素累積的變化(見表1)。由表1可見：低施氮量時，植株氮質量分數(shù)、地上部生物量、氮累積量的均值，顯著小于中施氮量的、高施氮量的、對照的，其中以中施氮量時最高；而低施氮量、中施氮量、高施氮量時，植株氮素吸收率、氮效率的均值顯著大于對照的。根系生物量均值則大小相近，4種施氮量時，根系生物量由大到小依次為中施氮量的、對照的、高施氮量的、低施氮量的。在高施氮量時，根系生物量變異系數(shù)最大，氮累積量、氮素吸收率的變異系數(shù)次之，植株氮質量分數(shù)的變異系數(shù)最??；在低施氮量、對照時，地上部生物量、氮累積量、根系生物量、氮素吸收率、氮效率的變異系數(shù)，均小于中施氮量的，而植株氮質量分數(shù)的變異系數(shù)大于中施氮量的?？傮w看，不同脅迫時，各生物量性狀的變異系數(shù)，由大到小依次為低施氮量的、高施氮量的、對照的、中施氮量的。氮素脅迫對沉香地上部的影響更大，因此可以根據地上部的生物量變化評價沉香氮素營養(yǎng)狀況。

表1 不同施氮量時沉香氮素指標的變化

2.2 沉香葉片圖像特征值與氮素指標的相關性

當模型中的各影響因素之間具有較高的相似度時，擬合效果會出現(xiàn)不同程度的降低。在多元統(tǒng)計模型中，最理想的狀態(tài)是各影響因素之間相互獨立，在現(xiàn)實中很難實現(xiàn)，為了降低模型的復雜度，必須在建模之前進行模型篩選或降維，以提高模型的實用性。

將多波段沉香葉片反射率與圖像特征值分別與氮營養(yǎng)指標進行皮爾遜(Pearson)相關性分析(見表2)。結果表明：紅邊波段、近紅外波段反射率，與植株氮質量分數(shù)、地上部生物量、氮累積量呈顯著負相關，與氮素吸收率、氮效率呈極顯著正相關；各波段比值植被指數(shù)特征值，與植株氮質量分數(shù)呈負相關，與氮素吸收率、氮效率呈正相關，與根系生物量呈顯著正相關；藍光波段、紅光波段反射率，與地上部生物量、氮累積量呈顯著負相關，與氮素吸收率、氮效率呈顯著正相關，與根系生物量呈正相關；調整三角指數(shù)值和氮素指標之間的相關性，與改進紅邊比值植被指數(shù)相似，但改進紅邊比值植被指數(shù)與根系生物量呈顯著負相關；綠光波段反射率，與植株氮質量分數(shù)、氮累積量呈顯著正相關，與氮素吸收率、氮效率呈顯著負相關；差值植被指數(shù)，與植株氮質量分數(shù)、氮累積量呈負相關，與氮素吸收率、氮效率呈正相關；寬動態(tài)范圍植被指數(shù)特征值，與氮素指標間的相關性均較低。說明紅邊波段、近紅外波段反射率，比藍光波段、綠光波段、紅光波段反射率更能預測作物氮素營養(yǎng)狀況，調整三角指數(shù)、改進紅邊比值植被指數(shù)與氮素營養(yǎng)指標相關性較好，而各波段比值植被指數(shù)特征值、差值植被指數(shù)、寬動態(tài)范圍植被指數(shù)特征值與氮素營養(yǎng)指標之間的相關性較差。

表2 沉香葉片圖像特征值與氮素指標的相關系數(shù)

由表3可見：不同施氮量對紅邊波段反射率、近紅外波段反射率、調整三角指數(shù)、改進紅邊比值植被指數(shù)特征值影響不同，其中紅邊波段反射率、近紅外波段反射率、調整三角指數(shù)隨氮素質量分數(shù)的增加呈現(xiàn)先增加后減少的趨勢，在中施氮量時達到最大值；而改進紅邊比值植被指數(shù)特征值趨勢相反，隨施氮量的增加而降低，且在中施氮量時達到最低點。

表3 不同施氮量時沉香葉片圖像特征值

2.3 不同施氮量對幼齡沉香植株光譜反射率的影響

沉香葉片圖像特征與氮素指標相關性表明，植株氮質量分數(shù)與圖像特征的相關性總體較高，因此，對不同梯度的施氮量和光譜數(shù)據進行平均處理，建立不同施氮量與光譜反射率的相關關系(見表4)。由表4可見：沉香的光譜反射率趨勢與典型植物光譜趨勢大體一致，且可見光區(qū)域反射率較低，而近紅外區(qū)域反射率相對較高，這是葉片內部結構多次散射的結果。在560、668 nm波段，施氮量越高，光譜反射率越低；717、840 nm波段，反射率隨施氮量增加先高后低，表明不同施氮量對沉香植株葉片光譜反射率存在不同影響。

表4 不同施氮量時沉香植株葉片不同波段光譜反射率

2.4 沉香植株全氮質量分數(shù)估測結果

由粒子群-隨機森林融合模型的訓練集和測試集結果(見圖2)可見：訓練集預測結果決定系數(shù)(R2)達到0.98以上，測試集預測結果決定系數(shù)(R2)達到0.94以上，預測結果良好，且均方根誤差分別為5.127、5.784，能夠達到準確估測的目的，也進一步證實了粒子群算法優(yōu)化隨機森林模型可準確估測沉香葉片氮質量分數(shù)。

圖2 對沉香植株全氮質量分數(shù)估測結果

2.5 3種模型估測結果比較

為證明粒子群-隨機森林融合模型的估測效果，采用單獨粒子群模型、隨機森林模型作為對照，對試驗數(shù)據進行同步建模估測(見表5)。由表5可見：粒子群-隨機森林融合模型在訓練集和測試集都表現(xiàn)出良好的估測結果，決定系數(shù)分別達到了0.984、0.945，均方根誤差分別為5.127、5.784，并且訓練集決定系數(shù)分別高于單獨的隨機森林和粒子群模型35%、33%；測試集決定系數(shù)分別高25%、35%；進一步證明粒子群算法對于提升隨機森林神經網絡在實值回歸方面的性能是可行的。

表5 3種模型的預測結果

3 結論

(1)本研究圖像包含可見光-近紅外5個波段，圖像信息量豐富但圖像模糊，噪聲較大，常規(guī)分割算法難以準確分割，模糊局部信息C均值聚類可直接利用隸屬度矩陣和像素空間距離自動確定權重，算法運行速度快，對模糊圖像分割效果良好。

(2)在不同施氮量時，根系生物量值的變異系數(shù)較大，而植株氮質量分數(shù)的變異系數(shù)最小，說明氮素對這些指標的影響較小，低施氮量時的地上部生物量、氮累積量、植株氮質量分數(shù)，均顯著小于中施氮量的，表明低氮脅迫條件會抑制植株地上部的生長，適量提高施氮量對地上部的促進作用明顯，且容易累積較大比例的氮素。低施氮量、中施氮量、高施氮量時的氮素吸收率、氮效率，均顯著大于對照(不施氮)的，表明氮肥供應量的增加，對氮素的吸收和利用效率均增高。氮素質量分數(shù)，對沉香地上部分生長影響較大，對根系生物量生長影響較小，說明低氮脅迫時沉香依然具有較高的氮素吸收能力。

(3)植物體內氮含量充足時，對可見光吸收增大，葉片反射率降低；而當全氮含量不足時，植物出現(xiàn)缺氮現(xiàn)象，葉片黃化，對可見光的吸收減小，反射率增大。本研究表明，紅邊波段反射率、近紅外波段反射率，與調整三角指數(shù)、改進紅邊比值植被指數(shù)、氮素營養(yǎng)指標間有良好的相關關系；而各波段比值植被指數(shù)、差值植被指數(shù)、寬動態(tài)范圍植被指數(shù)特征值，與氮素營養(yǎng)指標之間的相關性相對較差；不同施氮量對紅邊波段反射率、近紅外波段反射率、調整三角指數(shù)、改進紅邊比值植被指數(shù)特征值影響不同，紅邊波段反射率、近紅外波段反射率、調整三角指數(shù)隨施氮量的增加呈現(xiàn)先增加后減少的趨勢，在中施氮量時達到最大值，而改進紅邊比值植被指數(shù)趨勢相反，則隨著施氮量的增加而降低，且在中施氮量時達到最低點。

(4)本研究充分利用機器學習算法處理非線性問題的良好能力，采用依據粒子群算法優(yōu)化的隨機森林模型，對沉香葉片全氮質量分數(shù)進行建模估測，解決模型收斂慢、計算效率低的問題，對數(shù)據的適應能力和預測結果的精度都有較大提升，對沉香葉片全氮質量分數(shù)進行準確估測，模型決定系數(shù)分別達到了0.984、0.945，均方根誤差也分別為5.127、5.784。并且訓練集決定系數(shù)，分別高于單獨隨機森林模型、粒子群模型35%、33%；測試集決定系數(shù)，分別高于單獨隨機森林模型、粒子群模型25%、35%；為今后稀有樹種的元素含量估測提供了新的思路。