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。最佳模型檢驗結(jié)果顯示估算值和實測值之間的強相關(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)查抽樣和昂貴的實驗室分析獲得。這種勞動強度大，且費時費錢。而高光譜遙感可以具有預測苔草葉片中生物化學濃度的潛力，從而減少大量而單調(diào)的集中采樣和實驗室分析。本文在大量實驗數(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，計算不同方法下的模型精度，進行比較與評價，為機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氣候，冬季多北風，夏季多南風。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 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?shù)啬敛荨⒉裥胶途G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中配準其地理坐標。根據(jù)分析結(jié)果，設(shè)計了3條苔草的采樣線（如圖1），并根據(jù)研究需要選擇54個采樣點（如圖2）， 其中40份用作訓練樣本，14份作為檢驗數(shù)據(jù)集。為了保證樣本生化濃度的差異性，在采集時應盡量選擇處于不同生長階段（如新芽、初長、成熟、枯萎等時期）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(+)苔草營養(yǎng)成分反演模型的草樣采樣點

1.3 苔草樣本的實驗室分析

苔草樣本的實驗室分析包括苔草鮮葉的實驗室光譜測定和苔草生化濃度的實驗室分析，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。

采樣當天即在當?shù)厣鷳B(tài)保護站內(nèi)完成樣品的光譜測定。苔草光譜的實驗室測定選用美國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]。第二天送至實驗室，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）。苔草生化濃度實驗室分析在華中農(nóng)業(yè)大學環(huán)境與科學學院實驗室中按照國家標準[4]進行，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紅外側(cè)邊的兩點和近紅外側(cè)邊的兩點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 苔草生化濃度實驗室分析結(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行建模及檢驗。將所有54個樣本隨機分成兩組，一組用于構(gòu)建模型（40個用作訓練樣本集），而另一組用于測試模型（14個用作檢驗數(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，其精度可用總均方根差（RMSE）來評價：

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

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

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)計回歸模型。

預測：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

將40個訓練樣本通過多元線性回歸構(gòu)建出回歸方程（用 檢驗方程的擬合程度），然后用14個測試樣本的光譜值代入此模型，得出一組反演值，利用反演值與實測值之間的標準誤差s．e．或者均方根誤差RMSE來評價反演精度，并繪出反演值與實測值之間的散點圖。其中，

式中，y為實測值，y'為反演值。

式中，yi為實測值，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、總磷的最佳檢驗結(jié)果分別為：R2=0.801；R2=0.777；R2=0.756，最低預測誤差分 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，紀偉濤．江西鄱陽湖國家級自然保護區(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]．中國科學院研究生院,2003

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

[4] 徐永明．基于實驗室光譜的土壤營養(yǎng)元素反演研究[D]．中國科學院研究生院,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)及遙感應用研究工作。