基于高光譜遙感的蘋果樹冠層葉片全氮量估測

關鍵詞：高光譜；遙感；全氮含量；植被指數；反演；蘋果樹

0 引言

氮肥的施用可以極大地促進果樹的健康生長，提高其產量和品質，而正確、精準、迅捷地測定果樹的氮含量則是實現有效施肥的關鍵[1-2]。目前，常見的測氮方法主要以實驗室測試為主，雖然精度高，但人力投入多、耗費時間長，難以達到精準農業的要求[3]。高光譜能夠捕捉葉片差異的細微特征，具有綜合反映葉片屬性特征的能力，可實現葉片氮含量的估測[4-5]。無人機搭載高光譜設備可以實現對大面積果園冠層葉片氮含量的快速監測，節省勞動力和時間，對現代農業監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（DSI（810，720））的線性方程可較好地預測水稻氮積累量。李丙智等[7]研究發現，715和723nm處的蘋果葉片全氮含量變化具有顯著的相關性，這一結論為進一步研究提供了重要的理論依據。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性，發現構建的估測模型中，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（GNDVI）和比值植被指數（RVI）來評估其對552、890nm的2個敏感波段的響應能力。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（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]利用無人機多光譜影像，獲取甘蔗冠層植被指數，通過機器學習算法預測甘蔗冠層葉綠素含量。譚昌偉等[11]研究發現，通過將植物指數的歸一化變量（SDr?SDb）和（SDr+SDb）組合在一起，可以更準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，發現它們之間存在一定的相關性，利用這些信息構建特征光譜指數，以此來估計蘋果花氮素的含量，結果顯示，這種方法是最優的。李金夢等[13]通過連續投影法獲得光譜波段，結合偏最小二乘、多元線性回歸和反向傳播人工神經網絡3種建模方法，各自建立了柑橘葉片含氮量預測模型，實現了對柑橘葉片含氮量的快速預測。

甘肅省靜寧縣蘋果樹種植面積超過6.67萬hm2，高居全國蘋果規模栽培第一縣的位置。通過無人機和高光譜遙感技術，可解決不同地形下大規模果園快速、高效的冠層葉片氮含量監測，對蘋果生長的精細化管理有重要意義。本研究選擇甘肅省靜寧縣威戎鎮的某現代蘋果示范園和某山地蘋果園作為研究區，其中，示范園有良好的滴灌設施，而山地果園的水分獲取為自然降雨。在兩個果園對冠層葉片進行現場采摘稱質量，并進行高光譜圖像采集。通過數學變換，研究了不同光譜條件下差值光譜指數（differencespectralindex，以下簡稱指數DSI）、土壤調節植被指數（soiladjustedvegetationindex，以下簡稱指數SAVI）、歸一化差值光譜指數（normalizeddifferentspectralindex，以下簡稱指數NDSI）與冠層葉片氮含量之間的關聯性，并確定了相關系數最高的光譜波段組，利用植被指數計算公式計算出相應的光譜指數，最終應用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，對兩個試驗區的冠層葉片氮含量進行動態監測，以期達到更好的管理效果。通過改進果園的科學管理方法，實現了對果園的精準管理。

1 材料與方法

1.1 研究區概況

蘋果樹試驗區位于甘肅省平涼市靜寧縣（105°72'E，35°52'N），如圖1所示。選取該縣不同灌溉方式下某現代蘋果園示范園與山地蘋果園做對比試驗。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，年均日照時數2238h，無霜期159d。夏季是降水的高峰期，多年平均降水量達到450.8mm，而年蒸發量則達到1469mm。兩試驗區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，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，依靠自然降雨，該果園的果樹基本人工修剪。

1.2 影像與數據獲取

本試驗分別在2021年5月8日、6月27日、7月28日和8月14日4個時間段的中午12：00—13：00進行。采用大疆M600PRO型六軸無人機和四川雙利合普科技有限公司開發的GaiaSky-mmini2型高清晰度攝像頭，實現對高分辨率圖像的采集。飛行當天，光照強度穩定，天氣均晴朗無風。為使無人機能在一條航線內完成飛行，人工灌溉區的飛行高度設置300m、自然降雨區250m，鏡頭垂直朝下。在每次飛行前，拍攝區內會放置一塊經標定的2m×2m灰布，用于后期校準大氣與反射率時，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飛行時間一致。取樣時，在每個采樣點的冠層東西南北4個方向及冠層外圍中部分別取半徑約為30cm范圍內的5片葉片，每株共25片葉片作為該采樣點的葉片樣本，并立即裝入自封袋，當場稱質量完帶回實驗室進行后續試驗。4次試驗兩試驗區各隨機采樣本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 氮含量化學法測定

首先對帶回實驗室的160份蘋果樹葉片置于105°C的YHG-300-S型遠紅外快速干燥機中殺青30min，然后將溫度調整至80°C烘干至恒質量。用粉碎機將每組的樣本進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%的濃硫酸進行消煮，消煮后的溶液裝入試管中，供定氮環節使用。定氮環節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 影像獲取與數據采集

經過高光譜數據采集，使用四川省雙利合普科技有限公司開發的SpecView軟件，對無人機拍攝的圖像進行精確的鏡頭調整、大氣反射率調整和黑白調整，以確保圖像的清晰度和穩定性[15]。為減小試驗過程中環境噪聲和設備本身對光譜數據的影響，在校準過程中采用卷積平滑法（savitrky-golay）對無人機采集的高光譜數據進行平滑處理，從而達到消除噪聲目的，共獲得176條有效光譜波段數據，如圖2所示[16]。校準后的數據導入上述公司研發的圖像處理軟件HISpectralStite進行影像拼接，得到兩區完整高光譜圖像。應用ENVI5.3軟件中的ROI感興趣區劃分，將高光譜圖像中果樹與土壤部分進行劃分，并只保留果樹部分。根據采集葉片LNC樣點位置，從樣本的東、南、西、北和冠層的5個位置抽取光譜數據，并計算出平均值，以此來確定該樣本的光譜反射率。

1.6 數據處理與分析

1.6.1 建模集與預測集劃分

為提高模型的預測精度，對人工灌溉區和自然降雨區分別建模。為了得到具有代表性和獨立性的樣本集，以實測氮含量為標準將葉片樣本從高到低排序，根據Kennard-Stone算法按照2∶1的比例選取建模集和預測集。人工灌溉區和自然降雨區各80組土樣作為總值，獲得54組數據作為建模集，剩余26組數據作為預測集。表1和表2為人工灌溉區和自然降雨區葉片含氮量統計特征。

1.6.2 光譜數學變換及指數構建

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

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

1.7 LNC預測建模方法

目前，預測建模技術發展迅速，包括線性回歸、偏最小二乘回歸、支持向量機和神經網絡等多種模型。其中，線性回歸模型以其簡潔的結構和較少的參數而備受青睞，在模型設計中占據重要地位。本研究將蘋果葉片氮含量作為預測值，敏感波段構建的植被指數為唯一可變量，建立植被指數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

如果兩個變量x和y之間存在某種程度的相互關聯性，而這種關系又無法確定，那么一元線性回歸模型的基本結構可以得出

1.7.2 精度評價

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

2 結果與分析

首先將建模集轉換成OD、RT、LF和FD。遍歷建模集樣本變換光譜的兩兩波段組合，計算相應的DSI值、SAVI值和NDSI值，以及與LNC的相關系數。根據相關系數最大的原則篩選出最佳波段組合，進而利用最佳波段組合的光譜指數建立LNC的單變量線性預測模型，克服噪聲影響，提高預測準確性。

2.1 人工灌溉區最佳波段篩選

在人工灌溉區，基于蘋果冠層OD、RT、LF和FD的反射率數據，根據上述3種指數DSI、SAVI和NDSI，構建隨機兩組波段組合得到的光譜指數與LNC含量的相關系數圖。獲取相關系數光譜波段組合和相關系數如圖3所示，根據圖中顏色深淺提取對葉片氮素營養狀況的敏感波段組合，顏色從藍色到黃色表示相關系數由小到大。最佳光譜波段組合結果如表3所示，FD變換能提高光譜指數與LNC含量的相關性，FD變換構建的3種光譜指數與LNC含量的相關性均高于RT變換構建的3種光譜指數與LNC含量的相關性，構建的12個優化光譜指數均通過0.01水平顯著性檢驗，并且所有相關系數R2為0.58～0.71。

2.2 自然降雨區最佳波段選擇

在自然降雨區，基于蘋果冠層4種反射率數據OD、RT、LF和FD，根據上述3種植被指數DSI、SAVI和NDSI，構建隨機兩組波段組合得到的光譜指數與LNC含量的相關系數圖，光譜波段組合和LNC相關系數如圖4所示，最佳波段組合與LNC關系如表4所示。結果顯示，LF變換能提高光譜指數與LNC含量的相關性；OD變換構建的3種光譜指數與LNC含量的相關性均高于RT變換構建的3種光譜指數與LNC含量的相關性。本研究構建的12個優化光譜指數均通過0.01水平顯著性檢驗，并且所有相關系數R2為0.50～0.71。

2.3 基于光譜指數的蘋果冠層LNC預測

本研究以單個優化光譜指數為自變量，蘋果樹冠層LNC為因變量，構建一元線性回歸模型，人工灌溉區與自然降雨區各估算模型的建模與驗證精度如表5和表6所示。基于OD光譜指數構建的3個回歸模型中，人工灌溉區建模集R2介于0.52～0.56，自然降雨區建模集R2介于0.55～0.67，自然降雨區建模精度相對較高。基于RT光譜指數構建的3個回歸模型中，人工灌溉區建模集R2介于0.52～0.58，自然降雨區建模集R2介于0.52～0.62，與OD相比較，兩區建模精度有所提高。基于LF光譜指數構建的3個回歸模型中，人工灌溉區建模集R2介于0.52～0.60，自然降雨區建模集R2介于0.52～0.62，其中自然降雨區LF-SAVI回歸模型驗證集精度達到最大值R2=0.6746，ERMSE=0.0665。基于FD光譜指數構建的3個回歸模型中，人工灌溉區建模集R2介于0.59～0.62，自然降雨區建模集R2介于0.49～0.51，發現FD變換更適合于人工灌溉區，其FDSAVI回歸模型驗證集R2=0.6601，ERMSE=0.0678。分析比較上述兩區各12個回歸模型可知，人工灌溉區FD-SAVI回歸模型精度最高，自然降雨區LF-SAVI回歸模型精度最高。

繪制出兩區模型實測值與預測值的空間分布散點圖如圖5所示，人工灌溉區FD-SAVI-ULRM模型擬合直線的斜率1.5136；自然降雨區LF-SAVI-ULRM模型，散點斜率0.8318，更接近1∶1線。兩區相比較，自然降雨區預測模型的決定系數高于人工灌溉區，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與自然降雨區高光譜圖像中每個像素點的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不同LNC含量。對兩區LNC含量進行估測制圖，可以直觀地掌握不同區域LNC值，圖6a為人工灌溉區，西北地塊的LNC值高于東南地塊LNC值，應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測問題，提高果園科學管理水平，本研究采用無人機高光譜遙感技術對選取的兩種灌溉條件的果園進行了遙感數據采集，利用原始光譜和3種數學變換后的光譜數據，分析和比較光譜指數DSI、SAVI、NDSI和葉片氮含量的相關系數，得到優化后的兩波段組合。為降低蘋果樹冠層葉片氮含量的預測模型光譜數據維度，將得到兩區的DSI、SAVI和NDSI3種光譜指數采用一元線性回歸法建立了高光譜估測模型，選取優化模型對兩區的LNC繪制了蘋果樹冠層葉片全氮含量估測反演圖，具體結論如下。

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

（2）計算DSI值、SAVI值、NDSI值和葉片氮含量的相關系數，得到兩區最優變換方法下的光譜波段組。3種光譜指數下，人工灌溉區在一階微分變換下得到的相關系數最高，自然降雨區在對數變換下得到的相關系數最高。

（3）將篩選出的光譜波段轉換成對應的指數DSI、SAVI和NDSI，并以蘋果樹冠層葉片LNC含量為因變量、3種光譜指數為自變量構建一元線性回歸估測模型。得到人工灌溉區和自然降雨區均以指數SAVI構建估測模型時，預測模型精度最為突出，兩者估測結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。