基于粒子群算法優化光譜指數的甜菜葉片氮含量估測研究

田海清 張 晶 張 玨,2 吳利斌 王 迪 李 斐

(1.內蒙古農業大學機電工程學院， 呼和浩特 010018； 2.內蒙古師范大學物理與電子信息學院， 呼和浩特 010022；3.內蒙古農業大學草原與資源環境學院， 呼和浩特 010019)

0 引言

甜菜是除甘蔗以外的主要制糖原料，也是我國東北、西北地區重要的經濟作物。氮是甜菜生長過程中所需的重要營養元素之一，直接影響著甜菜的長勢、代謝過程以及品質[1]。因此，快速、準確地測定甜菜氮營養盈缺情況，對實時監測甜菜植株長勢具有重要意義。傳統田間管理，主要通過人工感官法對甜菜氮豐缺狀況進行判斷，判斷結果主要取決于檢測者的專業水平和實踐經驗，存在主觀性強、檢測精度低的弊端。理化檢測法雖具有較高的檢測精度，但該方法破壞植株的完整性，且時效性差[2]。近年來，機器視覺技術[3]和光譜分析技術[4]的快速發展為甜菜冠層葉片氮含量(Canopy leaves nitrogen content, CLNC)的快速、實時無損檢測提供了可能。但機器視覺技術只能反映作物外部結構特征信息，無法檢測其內部化學信息。光譜技術雖能夠實現作物內部化學組分信息的檢測，卻無法獲取作物整體綜合信息。而高光譜成像技術在捕捉作物圖像信息的同時，還對圖像的光譜信息進行了捕捉[5]，彌補了單一技術檢測信息不全面的缺陷。近年來該技術已在肉類[6-9]、果蔬[10-14]等農畜產品品質及作物營養無損檢測中表現出良好的應用前景。

目前利用高光譜成像技術對作物氮素營養進行檢測，主要是通過建立光譜指數與作物CLNC的數學統計模型實現的[15-16]。國內外學者已構建了一系列與作物CLNC相關的光譜指數，其中歸一化植被指數(Normal difference vegetation index, NDVI)應用較廣泛，但該指數在高密度植被覆蓋區易飽和，低密度植被覆蓋區受土壤背景等干擾信息的影響較大[17-18]。為此，HUETE提出了土壤調節植被指數(Soil adjusted vegetation index, SAVI)，該指數通過引入冠層調節參數L來降低土壤等背景因素對光譜信息的影響[19-20]。但上述光譜指數均基于紅光和近紅外譜區的特定波段信息構建，并未考慮其他波段信息，而作物的目標參量可能對其他波段信息組合下的光譜指數更為敏感。因此，在實際光譜檢測中，需進一步優化或構建新的光譜指數，以提高光譜指數的檢測精度和普適性。如INOUE等[21]通過優化NDVI的波段組合，在全波段范圍內構建歸一化光譜指數(Normal difference spectral index, NDSI)，并與CLNC進行建模分析，發現基于NDSI(R825，R725)的模型估測效果優于常規NDVI(R750，R550)。目前，該方法已被一些研究者應用于作物CLNC[22]和生物量[23]等生理參數的監測研究中，但這些研究多是基于NDVI開展的，而對SAVI的研究卻較少見。

L值是影響SAVI應用效果的主要因素之一，受植被覆蓋度的影響，L在0～1之間變化[24]。大多數應用SAVI的研究，均基于800 nm和670 nm這兩個波段，L一般取0.5，但其應用效果差異性顯著。在不同品種、試驗條件下，SAVI對目標參數的敏感度不同，表明上述波段組合下的SAVI普適性較差，同時在外界環境以及研究對象變化的情況下，0.5也非SAVI中L的最佳取值。另外，即使同一物種在相同試驗條件下，不同波段組合下SAVI的最佳L值也各不相同。鑒于此，本研究以不同氮脅迫下的甜菜為研究對象，對SAVI和NDVI的波段組合以及SAVI進行優化。基于精細采樣法在全波段范圍內構建所有可能波段組合的NDSI和SASI，并針對SASI中L的可調節性，提出基于粒子群算法的L值優化方法，以探尋各生育期估測甜菜CLNC的最佳SASI的波段組合、最優L值及其變化規律。

1 材料與方法

1.1 試驗設計

試驗分別于2014年內蒙古自治區赤峰市松山區太平地鎮(119°24′～119°42′E，42°29′～42°49′N)和2015年內蒙古農業大學教學農場(111°41′E，40°48′N)開展，為單因素(N)試驗，所用氮肥為普通尿素(碳酸二銨)。2014年共設7個氮肥梯度，各梯度重復4次，2015年設4個氮肥梯度，各梯度重復3次。設置株行距為25 cm×50 cm，小區面積為50 m2，各小區隨機排列，同時各小區磷肥(過磷酸鈣)和鉀肥(硫酸鉀)的施用量分別為3.8 kg和1.2 kg。所有肥料作為基肥一次性施入，田間管理按常規方式進行。表1為試驗區土壤理化信息、種植品種、種植方式、氮水平以及數據采集時間統計表。同時，為驗證模型的精度，2014年在試驗區附近的農田中種植相同品種的甜菜幼苗作為驗證集樣本，該種植區不設氮肥梯度，肥料施用量以及其他農田管理方式均按當地常規方式進行。

表1 試驗區基本信息Tab.1 Basic information of test area

1.2 高光譜數據采集

甜菜冠層葉片高光譜圖像的采集使用ImSpectorV10E高光譜成像系統，其中，成像光譜儀的分辨率為2.8 nm，波長范圍為383～1 003 nm。選擇在天氣晴朗，無風無云，光照強度最強且較穩定的10:00—14:00進行冠層光譜采集。采集時，成像光譜儀通過三角架固定在距冠層頂部垂直高度約1 m處，掃描角度為40°。采集過程中，圖像分辨率設置為1 628像素×428像素，曝光時間為5 ms，電控旋轉平臺每秒轉動0.36°。為去除背景信息和暗電流的影響，需通過采集全黑和全白圖像，對高光譜數據進行校正處理，該處理在成像系統配套的采集軟件中進行。利用ENVI 5.1軟件在每個冠層葉片樣本的高光譜圖像中，避開葉脈部分，分別于冠層葉片尖部、中部和基部共選取5個20像素×20像素的矩形感興趣區域(Region of interest, ROI)，并提取平均光譜值，將各ROI加權平均后的光譜值作為該樣本的原始光譜數據。除去首尾信噪比較低波段(383～389 nm和991～1 003 nm)，選取390～990 nm波段范圍內的光譜數據供下一步研究使用。圖1為高光譜成像數據采集作業現場及樣本ROI區域分布示意圖。

圖1 高光譜成像數據采集作業現場及ROI分布圖Fig.1 Hyperspectral imaging data acquisition operation site and ROI distribution diagram

1.3 葉片氮含量的測定

在獲取高光譜圖像數據后，將甜菜樣本整株裝入保鮮袋，帶回實驗室。使其莖葉分離，葉片置于105℃的干燥箱內殺青30 min后，在70℃下恒溫干燥并粉碎，利用凱氏定氮法測定甜菜CLNC[25]。3個生育期甜菜CLNC的統計結果見表2，其中N表示樣本總數。

1.4 光譜指數的構建

不同氮脅迫下甜菜冠層葉片的光譜響應曲線不同，但區分度較差，一些細節信息被掩蓋。大量研究表明將原始光譜數據以光譜指數的形式進行分析，可降低外界環境對光譜檢測精度的影響，放大細節信息，提高光譜信息對目標參數的敏感度[26]。其中常用的光譜指數為NDVI和SAVI，計算公式為

表2 樣本冠層葉片氮含量統計分析Tab.2 Statistical analysis of canopy leaves nitrogen content in samples g/kg

(1)

(2)

式中λi——近紅外波段內的任意一個波長，nm

λj——紅光波段內的任意一個波長，nm

Rλi、Rλj——λi、λj波長所對應的反射率

綜合考慮各生育期甜菜冠層葉片覆蓋度的變化規律，以及高光譜成像數據分辨率高的特點，本研究通過優化NDVI與SAVI的波段組合，構建了適合甜菜氮素估測的歸一化光譜指數(NDSI)和土壤調節光譜指數(SASI)。即以傳統NDVI和SAVI的公式結構為指導，將參數定義中的λi和λj由近紅外和紅光波段拓展至全波段范圍(390～990 nm)，并利用粒子群算法(Particle swarm optimization, PSO)對所有SASI的最優L值進行尋優處理。同時選取5個應用效果較好的光譜指數(表3)與優化的光譜指數分別構建估測模型并進行對比，以驗證SASI用于估測甜菜CLNC的有效性。表3為所選光譜指數的具體計算方法及文獻來源。

表3 光譜指數計算方法及文獻來源Tab.3 Calculation method and source of spectral parameters

注：R550、R670、R700、R710、R740、R750、R765、R787是波長550、670、700、710、740、750、765、787 nm處反射率。

1.5 冠層調節參數L的尋優過程

充分利用PSO算法[32]的優化性能，在0～1之間搜尋所有波段信息組合下SASI的最優冠層調節參數L，若某一粒子能夠使SASI與CLNC的相關系數最大，則該粒子所在位置即為搜尋的最優L值。因此，本文將SASI與CLNC的相關性作為PSO的適應度函數，適應度fness的計算公式為

fness=fcorrcoef(SASI,CLNC)

(3)

式中fcorrcoef(·)——相關性函數

算法的具體運行步驟如下：

(1)初始化粒子群參數：隨機設定粒子的初始位置xi和初始飛行速度vi，設定待優化參數L的取值范圍為[0,1]，設定學習因子c1=c2=0.01，初始種群數為10，慣性權重w為0.1，最大迭代次數t為30。xi和vi分別為

xi=(xi,1,xi,2,xi,3,…,xi,d)

(4)

vi=(vi,1,vi,2,vi,3,…,vi,d)

(5)

式中i——粒子序號

d——第i個粒子所在空間的維數

xi,d——第i個粒子在d維的位置

vi,d——第i個粒子在d維的速度

(2)計算各粒子的適應度fness，并將粒子當前所在位置作為個體最佳位置，記為Pi。通過對比各粒子適應度，確定種群最佳位置，并記為Pg。

(3)更新粒子的速度和位置，即

vi,d(t+1)=wvi，d+c1r1(Pi,d-xi,d(t))+

c2r2(Pg,d-xi,d(t))

(6)

xi,d(t+1)=xi,d(t)+vi,d(t+1)

(7)

式中t——迭代次數

Pi,d——第i個粒子經歷的歷史最佳位置

Pg,d——群體中所有粒子經歷的最佳位置

r1、r2——0～1之間服從均勻分布的隨機數

(4)根據粒子更新后的位置和速度返回步驟(2)繼續進行迭代尋優，若xi(t)≥Pi，則Pi=xi(t)；若xi(t)≥Pg，則Pg=xi(t)。不斷更新Pi和Pg，直到循環達到最大迭代次數，搜尋結束，輸出最優L值。

(5)將PSO尋找的最優L值代入相應的SASI中，并與CLNC進行相關性分析，確定最佳SASI參數的分布區域。算法流程如圖2所示。

圖2 粒子群尋優算法流程圖Fig.2 Flow chart of PSO

1.6 模型的建立與驗證

為了充分反映優化后的光譜指數對研究區甜菜CLNC的實際估測情況，將2014年采集的240個數據和2015年采集的72個數據按甜菜生育期排序。2014年，各生育期選取56個樣本構建模型，24個樣本驗證模型精度，2015年各生育期選取24個樣本用于驗證模型的普適性。在此基礎上，將通過顯著性檢驗的優化光譜指數和選取的5個常規光譜指數作為自變量，利用BP神經網絡建立甜菜CLNC的估測模型。選取決定系數(Coefficient of determination,R2)、均方根誤差(Root mean square error, RMSE)以及相對誤差(Relative error, RE)3個評價指標對模型的估測性能進行量化評價，優選最佳估測模型。基于篩選的估測模型，并結合圖像信息計算生成甜菜CLNC的預測分布圖。上述過程均在Matlab 2016軟件中實現。

BP神經網絡是一種利用誤差反向傳播學習算法訓練的前饋神經網絡，主要由輸入層、輸出層和隱含層組成。在誤差信號反向傳播過程中，誤差信號由輸出端開始逐層向前傳播，利用最速下降法不斷調整網絡的權值和閾值，進而使網絡的實際輸出值與期望值間的離差最小[33]。本研究采用單隱含層結構的BP 神經網絡，輸入層為光譜指數，輸出層為冠層葉片氮含量的預測值。其中，隱含層輸出值、網絡實際輸出值和均方誤差的計算公式分別為

(8)

(9)

(10)

式中n——輸入節點數

i——隱含層節點數

j——輸出層節點數

g(·)——隱含層激活函數

f(·)——輸出層激活函數

wni——第n個輸入層節點到第i個隱含層節點的權值

wij——第i個隱含層節點到第j個輸出層節點的權值

ai——輸入層到隱含層的閾值

aj——隱含層到輸出層的閾值

Hi——隱含層輸出值

Oj——網絡實際輸出值

Yj——期望輸出值

Ej——均方誤差

2 結果與分析

2.1 光譜指數與CLNC的相關性分析

分別對2014年各生育期甜菜全波段范圍內構建的823×822個NDSI以及優化后的SASI與CLNC進行相關性分析，并繪制相關系數分布圖，如圖3、4所示。在光譜指數構建過程中，受公式結構形式的影響，相同波段未進行組合，因此相關系數分布圖均以(390 nm，390 nm)和(990 nm，990 nm)兩點的連線為對角線呈軸對稱分布。

圖3 NDSI與CLNC的相關系數分布圖Fig.3 Correlation coefficient distribution diagrams between NDSI and CLNC

圖4 SASI與CLNC的相關系數分布圖Fig.4 Correlation coefficient distribution diagrams between SASI and CLNC

由圖3、4可知，3個生育期內NDSI、SASI與甜菜CLNC的相關系數，以及圖4中L的分布趨勢存在顯著性差異。在同一生育期內，對比NDSI、SASI與CLNC的相關系數分布圖，發現SASI對CLNC的敏感度相對較高。特別在橫軸波長780～990 nm、縱軸波長400～750 nm波段范圍內，SASI與CLNC的相關性明顯優于NDSI，體現了PSO對SASI優化的有效性。與NDSI相比，葉叢快速生長期SASI與甜菜CLNC的相關系數 (Correlation coefficient,r)提高了6%～66%，糖分增長期提高了25%～39%，糖分積累期提高了17%～31%。由圖4可知，各生育期L整體呈高-低-較高的變化趨勢，該趨勢在L為1時較為明顯。分析認為，葉叢快速生長中期冠層葉面積偏小，覆蓋度低，SASI受土壤反射光譜影響較大，導致整個葉叢快速生長期最終L尋優值為1的SASI較多，且主要集中在橫軸波長680～986 nm、縱軸波長400～720 nm波段范圍內。但隨著植株的生長，糖分增長期的甜菜葉面積達到最大，進而冠層覆蓋度也達到最大，土壤等背景因素的影響顯著下降，因此該時期為1的SASI所占區域較葉叢快速生長期明顯縮小，主要分布在橫軸波長760～950 nm、縱軸波長540～700 nm波段范圍內。且在該波段范圍內，隨橫軸波段向近紅外波段方向遷移，對應波段組合下SASI的最佳L也由0到1呈遞增趨勢變化。糖分積累期由于甜菜葉片停止生長或逐漸枯黃、萎蔫，冠層覆蓋度顯著下降，光譜數據中的干擾信息較多，導致與糖分增長期相比，糖分積累期L為1的SASI的分布范圍明顯增大，橫軸波段擴展為700～990 nm，縱軸波段擴展為420～760 nm。這與李晶等[34]的研究結論存在共性，即高植被覆蓋區L的取值較小，低植被覆蓋區L較大，表征了PSO算法尋優的有效性。總體而言，根據實際需求構建SASI，通過PSO對SASI中的L進行優化，確定最佳L，可增強土壤等背景信息與目標信息的可分性及SASI的敏感性，同時也可明顯提高估測模型的精度，上述結果表明該方法可有效改善NDSI在近紅外波段的飽和性。

依據圖4，本研究分別選取葉叢快速生長期r≥0.83、糖分增長期r≥0.70以及糖分積累期r≥0.80的區域進行特征光譜指數篩選，統計結果如表4所示。分析表4 SASI的波段分布規律，發現各生育期相關性較高區域SASI的特征波段整體呈現向長波方向遷移的趨勢。隨著生育期的推進，橫軸方向的特征波段由最初的紅光和近紅外短波區(760～913 nm)逐漸遷移到近紅外短波區(827～936 nm)，縱軸方向的特征波段由藍光區(408～446 nm)逐漸遷移到近紅外短波區(813～902 nm)。分析認為，在甜菜生長過程中，隨著冠層葉片中色素含量和植株生物量的增大，紅邊[35]會向長波方向遷移，即發生紅移現象，而這一現象可能是造成各生育期相關性較大SASI的波段組合向長波方向移動的主要原因。另外，與葉叢快速生長期相比，糖分積累期SASI的部分縱軸波段呈現向短波方向遷移的現象，由藍光區(408～446 nm)遷移到392～402 nm波段范圍內。分析認為，這是由于糖分積累期的甜菜葉片開始老化，同時受到一定程度病蟲害的影響，引起了藍邊遷移。對比各生育期特征SASI的波段分布范圍，發現對甜菜CLNC較敏感的SASI的波段信息主要分布在紅光、近紅外短波以及藍光光譜區，其中，近紅外短波區的波段信息是構建各生育期特征SASI的主要信息源。分析認為，這是由于作物在近紅外波段具有強烈的反射特性，且反射強度可反映作物葉片內部組織結構的變化，該波段是感知作物目標含量變化最為敏感的波段，這與周麗麗等[36]和余克強等[37]分別對玉米和尖椒葉片的研究結論存在共性。

分析表4中L的統計結果，發現SASI的L整體呈低-高-較低的單峰變化趨勢，與各生育期覆蓋度的變化相一致。在此基礎上，結合圖4發現，隨著敏感SASI中縱軸波長向長波方向的遷移，葉叢快速生長期和糖分積累期對應的L呈遞增趨勢變化，糖分增長期呈遞減趨勢變化。

表4 各生育期內SASI與CLNC相關性較高區域分布統計Tab.4 Regional distribution statistics of SASI and CLNC at different growth stages

2.2 特征光譜指數的篩選

為提升模型估測能力、簡化運算過程，利用逐步多元線性回歸算法對表4各區域的SASI進行降維處理。由于采集到的實際光譜分辨率小于1 nm，相鄰波段間的光譜信息高度相關，因此，在特征光譜指數篩選過程中，舍棄由相鄰波段構成的SASI。表5為各生育期SASI的篩選結果，由表5可知，葉叢快速生長期最有效的建模輸入量為SASI1(R430.20, R896.76)和SASI2(R433.03, R896.01),糖分增長期以SASI3(R952.09, R946.11)和SASI4(R760.37, R803.48)為最優建模輸入量，而糖分積累期的最優建模參數為SASI5(R883.30, R887.79)。

表5 主要生育期特征SASI篩選結果Tab.5 Screening results of characteristic SASI at main growth stages

2.3 基于BP神經網絡的 CLNC估測模型構建

為驗證SASI的穩定性和普適性，將篩選的特征SASI和表3所列的5種常規光譜指數分別作為模型的自變量，CLNC作為響應變量，建立甜菜葉叢快速生長期、糖分增長期和糖分積累期的BP神經網絡估測模型。建模結果見表6。圖5為最優估測模型基于2015年驗證集樣本CLNC實測值與估測值的1∶1擬合散點圖。BP神經網絡的創建采用Matlab自帶的newff函數來完成，其中網絡訓練誤差設定為0.001，訓練次數為1 000，隱含層和輸出層的激勵函數分別使用單極性Sigmoid函數和線性函數，輸入層使用traingd函數。

從模型輸入參數的角度對比分析表6的建模結果，發現各生育期基于特征SASI的模型估測效果均優于其他5種常規光譜指數所建模型，且不同年份得到的驗證結果基本一致。特征SASI模型的驗證集R2均不小于0.67，表明優化后的SASI對甜菜CLNC具有較高的解釋度，模型的擬合精度較高，估測值與實測值的偏差較小。其中，葉叢快速生長期模型的估測精度最高，建模集R2為0.85，驗證集R2為0.80和0.78，RMSE為2.46 g/kg和2.48 g/kg，RE為4.16%和4.18%；糖分積累期的估測效果次之，驗證集R2為0.75和0.72，RMSE分別為2.48 g/kg和2.54 g/kg，RE分別為4.41%和4.49%。與前兩個生育期相比，糖分增長期模型的估測精度略有下降，驗證集R2分別為0.69和0.67，RMSE分別為2.63 g/kg和2.71 g/kg，RE分別為4.65%和4.72%。分析上述結果，發現兩驗證集R2和RMSE的差異性較小，R2的差值范圍在0.02～0.03之間，RMSE的差值在0.02～0.08 g/kg之間，說明各生育期篩選的特征光譜指數具有一定的再現性，普適性較強，且模型的穩定性較好。從模型的驗證效果來看，各生育期的估測精度存在差異，葉叢快速生長期和糖分積累期的應用效果較理想，糖分增長期的效果相對較差。分析認為，模型輸入量是影響模型估測效果的主要因素之一，其他條件不變時，輸入量與輸出值之間的相關性越高，模型的估測效果越好。在甜菜冠層覆蓋度相對偏低的葉叢快速生長期和糖分積累期，通過對SASI波段和L的優化，有效提高了SASI與CLNC的相關性，在此基礎上構建的模型具有良好的估測性能。但對于冠層覆蓋度最大的糖分增長期，SASI中L調節能力有限可能是導致糖分增長期模型估測精度不夠理想的主要原因。另外，3個生育期模型驗證集R2最大值為0.80，與實際應用需求相比，估測精度仍存在一定的提升空間。分析認為，估測精度偏低的原因與BP神經網絡構建過程中使用的學習規則最速下降法有關，該方法可能導致網絡學習過程收斂速度緩慢，在達到最大訓練次數時，所得解并非真正最優解，進而影響了模型的估測性能。因此，適用于甜菜CLNC估測的最佳建模算法還有待于進一步探究。

綜上所述，利用優化后的SASI估測甜菜主要生育期CLNC具有一定的可行性，且在葉叢快速生長期和糖分積累期取得了較好的估測效果。不同生育期CLNC的估測結果不盡相同，這可能與取樣以及SASI的差異性有關。同一生育期建模精度與驗證精度之間存在差異，說明不同年份的特征光譜指數具有一定的波動性，而這一現象可能是由不同田間環境下作物物質結構發生變化所引起的，這些變化導致不同試驗區甜菜冠層葉片對同一波譜區輻射能的吸收度不同，從而影響了特征光譜指數的穩定性。因此，仍需開展大量不同生長環境和品種下的相關研究，以期挖掘出普適性以及穩定性更高的SASI參數。在后續研究中，基于構建的最優估測模型，可將甜菜CLNC的監測從單一的點位尺度擴展至面域尺度，為實現甜菜冠層氮素營養狀況的遙感監測提供理論參考。

表6 各生育期甜菜CLNC估測模型結果Tab.6 Results of CLNC prediction models for sugar beet at different growth stages

圖5 甜菜CLNC實測值和估測值的擬合散點圖Fig.5 Scatter plots of measured and predicted values of CLNC in sugar beet

2.4 甜菜CLNC的可視化

為了直觀顯示各生育期特征SASI對甜菜CLNC的估測效果，依據冠層高光譜圖像對CLNC進行可視化。通過各生育期基于SASI建立的估測模型，將甜菜冠層高光譜圖像上的所有像素點轉換為對應的氮含量，氮含量采用顏色梯度予以標識，最終生成各生育期甜菜CLNC的預測分布圖，如圖6所示。由圖6可知，以紅色為主的葉叢快速生長期的CLNC高于以黃色為主的糖分積累期，糖分增長期的CLNC最低，該時期對應的顏色主要為藍色和綠色。上述各生育期甜菜CLNC的變化規律與邵金旺[38]的研究結論一致。分析認為，這是由于葉叢快速生長期的氮代謝最為旺盛，甜菜CLNC也相對較高；隨著生育期的推進，氮代謝中心由葉片轉移到塊根，伴隨著塊根的生長以及糖分的積累，葉片中的氮代謝逐漸減弱，導致CLNC也逐漸降低。

同一生育期葉片尖部顏色深于葉片邊緣和葉片基部，表明整個甜菜葉片氮含量的分布由高到低依次為葉片尖部、葉片邊緣和葉片基部。該結論與王秋紅等[39]基于SPAD值分析得出的甜菜CLNC的分布情況相同，分析認為，相比于葉片邊緣和葉片基部，葉片尖部受到的光照時間較長，促進了該部位葉綠素的合成，進而CLNC也相應較高。可見，根據SASI所計算生成的甜菜CLNC分布圖，能夠直觀反映出甜菜CLNC在時間和空間尺度上的分布差異。

圖6 各生育期甜菜CLNC分布圖Fig.6 CLNC distribution maps of sugar beet at different growth stages

3 結論

(1)通過對優化后的823×822個NDSI和SASI與甜菜CLNC的相關性分析，發現本研究提出的利用PSO優化L的方法可有效提高SASI與甜菜CLNC的相關性，增強土壤等背景信息與目標信息的可分性，特別在橫軸波長780～990 nm和縱軸波長400～750 nm波段區域內改善效果顯著。與NDSI相比，該區域內SASI與CLNC的相關系數在葉叢快速生長期、糖分增長期以及糖分積累期，分別提高了6%～66%、25%～39%和17%～31%，相應L的變化范圍分別為0.17～0.28、0.62～1和0.01～0.12。

(2)利用逐步多元線性回歸算法對與甜菜CLNC相關性較大區域內的SASI進行篩選，篩選結果表明葉叢快速生長期的特征SASI為SASI1(R430.20, R896.76)和SASI2(R433.03, R896.01)，糖分增長期為SASI3(R952.09, R946.11)和SASI4(R760.37, R803.48)，糖分積累期為SASI5(R883.30, R887.79)。

(3)對比特征SASI、常規光譜指數(ZTM、G-M、RVI2、TVI和REPI)與CLNC的BP神經網絡估測模型，發現基于特征SASI的模型估測效果最優，特別在葉叢快速生長期和糖分積累期表現出較好的估測性能，2015年驗證集R2分別為0.78和0.72，RMSE分別為2.48 g/kg和2.54 g/kg，RE分別為4.18%和4.49%。相比以上兩個生育期，糖分增長期的估測效果偏差，2015年驗證集R2為0.67，RMSE為2.71 g/kg，RE為4.72%。

(4)利用上述最優估測模型計算并生成了甜菜CLNC的預測分布圖。從圖中可以直觀看出各生育期葉片整體顏色由紅到藍變化，表明各生育期甜菜CLNC由高到低依次為葉叢快速生長期、糖分積累期、糖分增長期；同一生育期葉片尖部顏色深于葉片邊緣和葉片基部，表明整個葉片氮含量的分布由高到低依次為葉片尖部、葉片邊緣、葉片基部。上述結論證明優化后的SASI可有效用于甜菜CLNC的快速估測。