基于高光譜遙感的蘋果樹冠層葉片全氮量估測

關(guān)鍵詞：高光譜；遙感；全氮含量；植被指數(shù)；反演；蘋果樹

0 引言

氮肥的施用可以極大地促進(jìn)果樹的健康生長，提高其產(chǎn)量和品質(zhì)，而正確、精準(zhǔn)、迅捷地測定果樹的氮含量則是實(shí)現(xiàn)有效施肥的關(guān)鍵[1-2]。目前，常見的測氮方法主要以實(shí)驗(yàn)室測試為主，雖然精度高，但人力投入多、耗費(fèi)時(shí)間長，難以達(dá)到精準(zhǔn)農(nóng)業(yè)的要求[3]。高光譜能夠捕捉葉片差異的細(xì)微特征，具有綜合反映葉片屬性特征的能力，可實(shí)現(xiàn)葉片氮含量的估測[4-5]。無人機(jī)搭載高光譜設(shè)備可以實(shí)現(xiàn)對大面積果園冠層葉片氮含量的快速監(jiān)測，節(jié)省勞動(dòng)力和時(shí)間，對現(xiàn)代農(nóng)業(yè)監(jiān)測葉片氮含量具有重要的意義。

李艷大等[6]基于CGMD光譜儀的差值植被指數(shù)（DSI（810，720））的線性方程可較好地預(yù)測水稻氮積累量。李丙智等[7]研究發(fā)現(xiàn)，715和723nm處的蘋果葉片全氮含量變化具有顯著的相關(guān)性，這一結(jié)論為進(jìn)一步研究提供了重要的理論依據(jù)。宋紅燕等[8]研究了水稻冠層光譜特征與水稻氮素含量的相關(guān)性，發(fā)現(xiàn)構(gòu)建的估測模型中，覆膜旱地種植可以有效地提高水稻的氮素含量，并且可以通過綠色歸一化植被指數(shù)（GNDVI）和比值植被指數(shù)（RVI）來評估其對552、890nm的2個(gè)敏感波段的響應(yīng)能力。張瑤等[9]在蘋果樹不同生長周期下，采集葉片可見光和近紅外波段的反射光譜，通過偏最小二乘和支持向量機(jī)（supportvectormachine，以下簡稱SVM）方法建立葉片葉綠素和氮素含量的估測模型，得到SVM可以精確估測果樹葉片葉綠素含量。NARMILANA等[10]利用無人機(jī)多光譜影像，獲取甘蔗冠層植被指數(shù)，通過機(jī)器學(xué)習(xí)算法預(yù)測甘蔗冠層葉綠素含量。譚昌偉等[11]研究發(fā)現(xiàn)，通過將植物指數(shù)的歸一化變量（SDr?SDb）和（SDr+SDb）組合在一起，可以更準(zhǔn)確地評估水稻的氮素含量和光譜特征。朱西存等[12]通過比較640和676nm的原始光譜，發(fā)現(xiàn)它們之間存在一定的相關(guān)性，利用這些信息構(gòu)建特征光譜指數(shù)，以此來估計(jì)蘋果花氮素的含量，結(jié)果顯示，這種方法是最優(yōu)的。李金夢等[13]通過連續(xù)投影法獲得光譜波段，結(jié)合偏最小二乘、多元線性回歸和反向傳播人工神經(jīng)網(wǎng)絡(luò)3種建模方法，各自建立了柑橘葉片含氮量預(yù)測模型，實(shí)現(xiàn)了對柑橘葉片含氮量的快速預(yù)測。

甘肅省靜寧縣蘋果樹種植面積超過6.67萬hm2，高居全國蘋果規(guī)模栽培第一縣的位置。通過無人機(jī)和高光譜遙感技術(shù)，可解決不同地形下大規(guī)模果園快速、高效的冠層葉片氮含量監(jiān)測，對蘋果生長的精細(xì)化管理有重要意義。本研究選擇甘肅省靜寧縣威戎鎮(zhèn)的某現(xiàn)代蘋果示范園和某山地蘋果園作為研究區(qū)，其中，示范園有良好的滴灌設(shè)施，而山地果園的水分獲取為自然降雨。在兩個(gè)果園對冠層葉片進(jìn)行現(xiàn)場采摘稱質(zhì)量，并進(jìn)行高光譜圖像采集。通過數(shù)學(xué)變換，研究了不同光譜條件下差值光譜指數(shù)（differencespectralindex，以下簡稱指數(shù)DSI）、土壤調(diào)節(jié)植被指數(shù)（soiladjustedvegetationindex，以下簡稱指數(shù)SAVI）、歸一化差值光譜指數(shù)（normalizeddifferentspectralindex，以下簡稱指數(shù)NDSI）與冠層葉片氮含量之間的關(guān)聯(lián)性，并確定了相關(guān)系數(shù)最高的光譜波段組，利用植被指數(shù)計(jì)算公式計(jì)算出相應(yīng)的光譜指數(shù)，最終應(yīng)用ULRM建立了冠層葉片氮含量估算模型，以便在不同灌溉方式下，對兩個(gè)試驗(yàn)區(qū)的冠層葉片氮含量進(jìn)行動(dòng)態(tài)監(jiān)測，以期達(dá)到更好的管理效果。通過改進(jìn)果園的科學(xué)管理方法，實(shí)現(xiàn)了對果園的精準(zhǔn)管理。

1 材料與方法

1.1 研究區(qū)概況

蘋果樹試驗(yàn)區(qū)位于甘肅省平?jīng)鍪徐o寧縣（105°72'E，35°52'N），如圖1所示。選取該縣不同灌溉方式下某現(xiàn)代蘋果園示范園與山地蘋果園做對比試驗(yàn)。靜寧縣地處暖溫帶，屬于半濕潤半干旱氣候，四季分明、氣候溫和、光照充足，多年平均氣溫7.1°C，年均日照時(shí)數(shù)2238h，無霜期159d。夏季是降水的高峰期，多年平均降水量達(dá)到450.8mm，而年蒸發(fā)量則達(dá)到1469mm。兩試驗(yàn)區(qū)均種植靜寧縣紅富士蘋果，蘋果示范園位于海拔偏低的平原地區(qū)，以人工灌溉為主，具有人工剪枝行為使果樹枝干呈平面化生長；山地蘋果園處于海拔偏高的山區(qū)，依靠自然降雨，該果園的果樹基本人工修剪。

1.2 影像與數(shù)據(jù)獲取

本試驗(yàn)分別在2021年5月8日、6月27日、7月28日和8月14日4個(gè)時(shí)間段的中午12：00—13：00進(jìn)行。采用大疆M600PRO型六軸無人機(jī)和四川雙利合普科技有限公司開發(fā)的GaiaSky-mmini2型高清晰度攝像頭，實(shí)現(xiàn)對高分辨率圖像的采集。飛行當(dāng)天，光照強(qiáng)度穩(wěn)定，天氣均晴朗無風(fēng)。為使無人機(jī)能在一條航線內(nèi)完成飛行，人工灌溉區(qū)的飛行高度設(shè)置300m、自然降雨區(qū)250m，鏡頭垂直朝下。在每次飛行前，拍攝區(qū)內(nèi)會(huì)放置一塊經(jīng)標(biāo)定的2m×2m灰布，用于后期校準(zhǔn)大氣與反射率時(shí)，消除大氣、水汽對作物反射率的影響。

1.3 葉片樣本采集

地面蘋果樹葉片樣本的采集與無人機(jī)飛行時(shí)間一致。取樣時(shí)，在每個(gè)采樣點(diǎn)的冠層?xùn)|西南北4個(gè)方向及冠層外圍中部分別取半徑約為30cm范圍內(nèi)的5片葉片，每株共25片葉片作為該采樣點(diǎn)的葉片樣本，并立即裝入自封袋，當(dāng)場稱質(zhì)量完帶回實(shí)驗(yàn)室進(jìn)行后續(xù)試驗(yàn)。4次試驗(yàn)兩試驗(yàn)區(qū)各隨機(jī)采樣本80份，共160份。其中5月8日采集30份、6月27日采集50份、7月28日采集30份及8月14日采集50份。

1.4 氮含量化學(xué)法測定

首先對帶回實(shí)驗(yàn)室的160份蘋果樹葉片置于105°C的YHG-300-S型遠(yuǎn)紅外快速干燥機(jī)中殺青30min，然后將溫度調(diào)整至80°C烘干至恒質(zhì)量。用粉碎機(jī)將每組的樣本進(jìn)行研磨粉碎裝入原自封袋中保存，通過萬分之一的電子天平稱取0.2g干樣，用濃度95%的濃硫酸進(jìn)行消煮，消煮后的溶液裝入試管中，供定氮環(huán)節(jié)使用。定氮環(huán)節(jié)使用凱氏定氮儀完成對蘋果樹葉片樣本的全氮含量檢測（N，%）[14]。

1.5 影像獲取與數(shù)據(jù)采集

經(jīng)過高光譜數(shù)據(jù)采集，使用四川省雙利合普科技有限公司開發(fā)的SpecView軟件，對無人機(jī)拍攝的圖像進(jìn)行精確的鏡頭調(diào)整、大氣反射率調(diào)整和黑白調(diào)整，以確保圖像的清晰度和穩(wěn)定性[15]。為減小試驗(yàn)過程中環(huán)境噪聲和設(shè)備本身對光譜數(shù)據(jù)的影響，在校準(zhǔn)過程中采用卷積平滑法（savitrky-golay）對無人機(jī)采集的高光譜數(shù)據(jù)進(jìn)行平滑處理，從而達(dá)到消除噪聲目的，共獲得176條有效光譜波段數(shù)據(jù)，如圖2所示[16]。校準(zhǔn)后的數(shù)據(jù)導(dǎo)入上述公司研發(fā)的圖像處理軟件HISpectralStite進(jìn)行影像拼接，得到兩區(qū)完整高光譜圖像。應(yīng)用ENVI5.3軟件中的ROI感興趣區(qū)劃分，將高光譜圖像中果樹與土壤部分進(jìn)行劃分，并只保留果樹部分。根據(jù)采集葉片LNC樣點(diǎn)位置，從樣本的東、南、西、北和冠層的5個(gè)位置抽取光譜數(shù)據(jù)，并計(jì)算出平均值，以此來確定該樣本的光譜反射率。

1.6 數(shù)據(jù)處理與分析

1.6.1 建模集與預(yù)測集劃分

為提高模型的預(yù)測精度，對人工灌溉區(qū)和自然降雨區(qū)分別建模。為了得到具有代表性和獨(dú)立性的樣本集，以實(shí)測氮含量為標(biāo)準(zhǔn)將葉片樣本從高到低排序，根據(jù)Kennard-Stone算法按照2∶1的比例選取建模集和預(yù)測集。人工灌溉區(qū)和自然降雨區(qū)各80組土樣作為總值，獲得54組數(shù)據(jù)作為建模集，剩余26組數(shù)據(jù)作為預(yù)測集。表1和表2為人工灌溉區(qū)和自然降雨區(qū)葉片含氮量統(tǒng)計(jì)特征。

1.6.2 光譜數(shù)學(xué)變換及指數(shù)構(gòu)建

為了減少野外成像過程中高光譜儀各部分工作時(shí)產(chǎn)生隨機(jī)的干擾信號影響建模精度，除對原始光譜反射率（originaldata，OD）進(jìn)行分析，還計(jì)算了OD的3種變換光譜：倒數(shù)（reciprocaltransformation，RT）、對數(shù)（logarithmicfunction，LF）、一階微分（firstderivative，F(xiàn)D），以獲取對LNC敏感的光譜數(shù)據(jù)，為后續(xù)可能組合的任意兩波段高光譜指數(shù)（hyperspectralindices，HIS）搭建奠定基礎(chǔ)[17]。

HIS即為按植被指數(shù)的公式，將高光譜篩選出的波段進(jìn)行組合，以此增加植被信息。將蘋果樹葉片光譜反射率構(gòu)建指數(shù)DSI、指數(shù)SAVI和指數(shù)NDSI，計(jì)算公式如下[18-20]。

1.7 LNC預(yù)測建模方法

目前，預(yù)測建模技術(shù)發(fā)展迅速，包括線性回歸、偏最小二乘回歸、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等多種模型。其中，線性回歸模型以其簡潔的結(jié)構(gòu)和較少的參數(shù)而備受青睞，在模型設(shè)計(jì)中占據(jù)重要地位。本研究將蘋果葉片氮含量作為預(yù)測值，敏感波段構(gòu)建的植被指數(shù)為唯一可變量，建立植被指數(shù)與葉片氮含量的一元線性回歸方程[21]。

1.7.1 一元線性回歸模型方程

如果兩個(gè)變量x和y之間存在某種程度的相互關(guān)聯(lián)性，而這種關(guān)系又無法確定，那么一元線性回歸模型的基本結(jié)構(gòu)可以得出

1.7.2 精度評價(jià)

模型精度評價(jià)的主要參數(shù)：RC2和RP2是用來衡量模型穩(wěn)定性的重要參數(shù)，它們的值越接近1，表明模型的穩(wěn)定性越強(qiáng)，而RMSEc和RMSEp則是衡量模型準(zhǔn)確性的重要指標(biāo)，它們的值越低，說明模型的精度越高，反之亦然[22]。其中，R2、ERMSE的計(jì)算公式為

2 結(jié)果與分析

首先將建模集轉(zhuǎn)換成OD、RT、LF和FD。遍歷建模集樣本變換光譜的兩兩波段組合，計(jì)算相應(yīng)的DSI值、SAVI值和NDSI值，以及與LNC的相關(guān)系數(shù)。根據(jù)相關(guān)系數(shù)最大的原則篩選出最佳波段組合，進(jìn)而利用最佳波段組合的光譜指數(shù)建立LNC的單變量線性預(yù)測模型，克服噪聲影響，提高預(yù)測準(zhǔn)確性。

2.1 人工灌溉區(qū)最佳波段篩選

在人工灌溉區(qū)，基于蘋果冠層OD、RT、LF和FD的反射率數(shù)據(jù)，根據(jù)上述3種指數(shù)DSI、SAVI和NDSI，構(gòu)建隨機(jī)兩組波段組合得到的光譜指數(shù)與LNC含量的相關(guān)系數(shù)圖。獲取相關(guān)系數(shù)光譜波段組合和相關(guān)系數(shù)如圖3所示，根據(jù)圖中顏色深淺提取對葉片氮素營養(yǎng)狀況的敏感波段組合，顏色從藍(lán)色到黃色表示相關(guān)系數(shù)由小到大。最佳光譜波段組合結(jié)果如表3所示，F(xiàn)D變換能提高光譜指數(shù)與LNC含量的相關(guān)性，F(xiàn)D變換構(gòu)建的3種光譜指數(shù)與LNC含量的相關(guān)性均高于RT變換構(gòu)建的3種光譜指數(shù)與LNC含量的相關(guān)性，構(gòu)建的12個(gè)優(yōu)化光譜指數(shù)均通過0.01水平顯著性檢驗(yàn)，并且所有相關(guān)系數(shù)R2為0.58～0.71。

2.2 自然降雨區(qū)最佳波段選擇

在自然降雨區(qū)，基于蘋果冠層4種反射率數(shù)據(jù)OD、RT、LF和FD，根據(jù)上述3種植被指數(shù)DSI、SAVI和NDSI，構(gòu)建隨機(jī)兩組波段組合得到的光譜指數(shù)與LNC含量的相關(guān)系數(shù)圖，光譜波段組合和LNC相關(guān)系數(shù)如圖4所示，最佳波段組合與LNC關(guān)系如表4所示。結(jié)果顯示，LF變換能提高光譜指數(shù)與LNC含量的相關(guān)性；OD變換構(gòu)建的3種光譜指數(shù)與LNC含量的相關(guān)性均高于RT變換構(gòu)建的3種光譜指數(shù)與LNC含量的相關(guān)性。本研究構(gòu)建的12個(gè)優(yōu)化光譜指數(shù)均通過0.01水平顯著性檢驗(yàn)，并且所有相關(guān)系數(shù)R2為0.50～0.71。

2.3 基于光譜指數(shù)的蘋果冠層LNC預(yù)測

本研究以單個(gè)優(yōu)化光譜指數(shù)為自變量，蘋果樹冠層LNC為因變量，構(gòu)建一元線性回歸模型，人工灌溉區(qū)與自然降雨區(qū)各估算模型的建模與驗(yàn)證精度如表5和表6所示。基于OD光譜指數(shù)構(gòu)建的3個(gè)回歸模型中，人工灌溉區(qū)建模集R2介于0.52～0.56，自然降雨區(qū)建模集R2介于0.55～0.67，自然降雨區(qū)建模精度相對較高?；赗T光譜指數(shù)構(gòu)建的3個(gè)回歸模型中，人工灌溉區(qū)建模集R2介于0.52～0.58，自然降雨區(qū)建模集R2介于0.52～0.62，與OD相比較，兩區(qū)建模精度有所提高?；贚F光譜指數(shù)構(gòu)建的3個(gè)回歸模型中，人工灌溉區(qū)建模集R2介于0.52～0.60，自然降雨區(qū)建模集R2介于0.52～0.62，其中自然降雨區(qū)LF-SAVI回歸模型驗(yàn)證集精度達(dá)到最大值R2=0.6746，ERMSE=0.0665。基于FD光譜指數(shù)構(gòu)建的3個(gè)回歸模型中，人工灌溉區(qū)建模集R2介于0.59～0.62，自然降雨區(qū)建模集R2介于0.49～0.51，發(fā)現(xiàn)FD變換更適合于人工灌溉區(qū)，其FDSAVI回歸模型驗(yàn)證集R2=0.6601，ERMSE=0.0678。分析比較上述兩區(qū)各12個(gè)回歸模型可知，人工灌溉區(qū)FD-SAVI回歸模型精度最高，自然降雨區(qū)LF-SAVI回歸模型精度最高。

繪制出兩區(qū)模型實(shí)測值與預(yù)測值的空間分布散點(diǎn)圖如圖5所示，人工灌溉區(qū)FD-SAVI-ULRM模型擬合直線的斜率1.5136；自然降雨區(qū)LF-SAVI-ULRM模型，散點(diǎn)斜率0.8318，更接近1∶1線。兩區(qū)相比較，自然降雨區(qū)預(yù)測模型的決定系數(shù)高于人工灌溉區(qū)，其估算蘋果冠層LNC效果較好。

2.4 LNC估測反演制圖

利用最佳FD-SAVI-ULRM模型和LF-SAVI-ULRM模型分別估算人工灌溉區(qū)與自然降雨區(qū)高光譜圖像中每個(gè)像素點(diǎn)的LNC值，用偽彩色處理繪制出LNC含量估測圖，如圖6所示，其中不同顏色及顏色深淺程度代表兩區(qū)不同LNC含量。對兩區(qū)LNC含量進(jìn)行估測制圖，可以直觀地掌握不同區(qū)域LNC值，圖6a為人工灌溉區(qū)，西北地塊的LNC值高于東南地塊LNC值，應(yīng)多注意東南地塊的施肥情況；圖6b為自然降雨，反演估測出的LNC值較小，建議添加人工施肥。

3 結(jié)束語

為解決甘肅省靜寧縣大面積蘋果樹冠層葉片氮含量快速監(jiān)測問題，提高果園科學(xué)管理水平，本研究采用無人機(jī)高光譜遙感技術(shù)對選取的兩種灌溉條件的果園進(jìn)行了遙感數(shù)據(jù)采集，利用原始光譜和3種數(shù)學(xué)變換后的光譜數(shù)據(jù)，分析和比較光譜指數(shù)DSI、SAVI、NDSI和葉片氮含量的相關(guān)系數(shù)，得到優(yōu)化后的兩波段組合。為降低蘋果樹冠層葉片氮含量的預(yù)測模型光譜數(shù)據(jù)維度，將得到兩區(qū)的DSI、SAVI和NDSI3種光譜指數(shù)采用一元線性回歸法建立了高光譜估測模型，選取優(yōu)化模型對兩區(qū)的LNC繪制了蘋果樹冠層葉片全氮含量估測反演圖，具體結(jié)論如下。

（1）在人工灌溉區(qū)與自然降雨區(qū)的模型決定系數(shù)對比中，自然降雨區(qū)的模型決定系數(shù)更大，模型精度更高，說明該建模方法在自然降雨下果園LNC的監(jiān)測精度優(yōu)于人工灌溉的果園。

（2）計(jì)算DSI值、SAVI值、NDSI值和葉片氮含量的相關(guān)系數(shù)，得到兩區(qū)最優(yōu)變換方法下的光譜波段組。3種光譜指數(shù)下，人工灌溉區(qū)在一階微分變換下得到的相關(guān)系數(shù)最高，自然降雨區(qū)在對數(shù)變換下得到的相關(guān)系數(shù)最高。

（3）將篩選出的光譜波段轉(zhuǎn)換成對應(yīng)的指數(shù)DSI、SAVI和NDSI，并以蘋果樹冠層葉片LNC含量為因變量、3種光譜指數(shù)為自變量構(gòu)建一元線性回歸估測模型。得到人工灌溉區(qū)和自然降雨區(qū)均以指數(shù)SAVI構(gòu)建估測模型時(shí)，預(yù)測模型精度最為突出，兩者估測結(jié)果可以很好地估算兩塊不同灌溉方式下蘋果園的冠層葉片氮含量。