苹果叶片氮素含量高光谱检测研究

＿＿，ｙＪ　一～一一一　２０１６年０６月　ＲＥＭＯＴＥ　ＳＥＮＳＩＮＧ　ＦＯＲ　ＬＡＮＤ＆ＲＥＳＯＵＲＣＥＳ　

ｄｏｉ：１０．６０４６／Ｏｚｙｙｇ．２０１６．０２．１　１　引用格式：安静，姚国清，朱西存．苹果叶片氮素含量高光谱检测研究［Ｊ］．国土资源遥感，２０１６，２８（２）：６７—７１．（Ａｎ　Ｊ，Ｙａｏ　Ｇ　Ｑ，Ｚｈｕ　Ｘ　Ｃ．Ｓｔｕｄｙ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｄｅｔｅｃｔｉｏｎ　ｆｏｒ　ｎｉｔｒｏｇｅｎ　ｃｏｎｔｅｎｔ　ｏｆ　ａｐｐｌｅ　ｌｅａｖｅｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｆｏｒ　Ｌａｎｄ　ａｎｄ　Ｒｅｓｏｕｒｃｅｓ，２０１６，２８　（２）：６７—７１．）　

苹果叶片氮素含量高光谱检测研究　安静　，姚国清　，朱西存　（１．中国地质大学（北京）信息工程学院，北京　１０００８３；２．山东农业大学资源与环境学院，泰安　２７１０１８）　

摘要：苹果叶片氮（Ｎ）素含量是反映其生长质量高低的重要因素。利用高光谱遥感技术对苹果叶片Ｎ素含量进行　定量化反演，可为苹果树的信息化管理提供理论依据。首先使用ＡＳＤ　ＦｉｅｌｄＳｐｅｃ　３地物光谱仪对样点的苹果叶片的　Ｎ素含量进行测定，得到苹果叶片样品的高光谱反射率及其Ｎ素含量；然后在分析苹果叶片原始光谱和一阶导数　以及各种变换后光谱特征的基础上，与苹果叶片的Ｎ素含量进行多元逐步回归分析，筛选出对Ｎ素变化敏感的波　段；最后运用ＢＰ人工神经网络算法构建敏感波段与Ｎ素含量的反演模型，并对模型进行优选和检验，为测定苹果　叶片Ｎ素含量提供了１个简单可靠的方法。　关键词：苹果叶片；高光谱；氮（Ｎ）素含量；ＢＰ神经网络　中图法分类号：ＴＰ　７５１．１文献标志码：Ａ　文章编号：１００１—０７０Ｘ（２０１６）０２—００６７—０５　

０　引言　氮（Ｎ）素不仅是植物蛋白质和叶绿素的主要成　分，而且是一些酶的组成部分参与植物的多重生化　过程，直接或间接影响果树的代谢活动和生长发育，　是促进果树健康生长、增加果实产量、提高果品质量　所必须的重要养分　Ｊ。植物中的Ｎ素含量是评价　植被长势的重要指标之一＿２　Ｊ，因此对植物叶片中Ｎ　素含量的估测研究具有重要的实用意义。由于高光　谱对植物中的Ｎ素、叶绿素等含量极为敏感　］，植　物叶片中Ｎ素含量的变化必定会对其反射光谱信　息产生影响，故可根据叶片的光谱信息估测植物叶　片中的Ｎ素含量。　早在１９７２年，Ｔｈｏｍａｓ等　通过研究发现，甜椒　叶片的Ｎ素含量与５５０—６７５　ｎｍ谱段内叶片的光　谱反射率强度相关，叶片Ｎ素实测值和预测值之间　的误差小于７％，表明光谱分析手段有可能快速、简　便和较为准确地检测植物中的Ｎ素含量。朱艳　等　研究表明，单波段光谱在６１０　ｎｍ和６８０　ｎｍ处　的水稻冠层反射率与水稻叶片Ｎ素含量有较好的　相关性，提出采用单独的回归系数即可提高水稻叶　片Ｎ素含量估测的准确性。邢东兴等　将利用光　谱分析手段估测Ｎ素含量的方法应用于果树叶片，　以红富士苹果为例进行的研究表明，叶片Ｎ素含量　

与波长间隔为５　ｎｍ的一阶微分光谱的相关性最强，　据此建立的Ｎ素含量估测模型具有较好的线性趋　势，相关系数　在０．８以上。由于对叶片Ｎ素含　量反演过程的影响因素很多，而上述研究多采用单　

一方法来预测叶片中Ｎ素台量，故在真实反映Ｎ素　含量上不够理想。本文在前人已有方法基础上，采　用多元回归分析和ＢＰ人工神经网络建立ＡＳＤ实测　数据与Ｎ素含量的估测模型，以实现更高精度的苹　果叶片Ｎ素含量预测。　

１　研究方法　１．１技术流程　苹果叶片Ｎ素含量高光谱检测技术流程如图１　所示。　

叶片原始光谱反射率Ｒ　＋　筛选敏感波段　＋　ＳＰＳＳ聚类分析对样本分组　Ｉ　＋　＋　建立多元逐步回归分析模型ｌＩ建立ＢＰ神经网络模型　

＋　ｌ苹果叶片Ｎ素含量沏　定　

图１苹果叶片Ｎ素含量检测技术流程　Ｆｉｇ．１　Ｔｅｃｈｎｉｃａｌ　ｆｌｏｗｃｈａｒｔ　ｏｆ　ｄｅｔｅｃｔｉｏｎ　ｆｏｒ　Ｎｉｔｒｏｇｅｎ　ｃｏｎｔｅｎｔ　ｏｆ　ａｐｐｌｅ　ｌｅａｖｅｓ　

收稿日期：２０１４—１Ｏ一２１；修订日期：２０１４—１２—２２　基金项目：山东省自然科学基金项目“苹果叶片色素与水分含量的高光谱估测方法与模型研究”（编号：ＺＲ２０１２ＤＭ００７）资助。　国土资源遥感　１．２　ＢＰ人工神经网络算法　人工神经网络（ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ，ＡＮＮ）　采用物理上可实现的方法或采用计算机模拟生物体　中神经网络的某些结构和功能，并应用于工程领域。　ＡＮＮ具有自组织、自学习、容错性和鲁棒性较强等　特点，而分布式存储、并行处理等特点更接近于人类　对信息的处理方式，因此ＡＮＮ技术在遥感图像识别　中已得到广泛应用　卜ｍ　Ｊ。反向传播（ｂａｃｋ　ｐｒｏｐａｇａ．　ｔｉｏｎ，ＢＰ）ＡＮＮ模型拓扑结构包括输入层（ｉｎｐｕｔ　ｌａｙ．　ｅｒ）、隐含层（ｈｉｄｄｅｎ　ｌａｙｅｒ）和输出层（ｏｕｔｐｕｔ　ｌａｙｅｒ）。　网络的好坏取决于网络结构、传递函数、隐含层个　数、神经元个数和训练函数等¨　，在实验中需要通　过不断尝试才能确定最优的网络结构。可将ＢＰ人　工神经网络视为从输入自变量　到输出因变量ｌ，的　非线性映射　，即　Ｆ：Ｒ”：Ｒ　，厂（　）＝ｌ，，　（１）　式中　和　分别为ｎ维输入向量和ｍ维输出向　量。　因此，本文用ＢＰ人工神经网络算法建立了苹　果叶片反演模型。该模型主要采用了相关系数　（ｃｏｒｒｅｌａｔｉｏｎ　ｃｏｅｆｆｉｃｉｅｎｔ，Ｒ　）和均方根误差（ｒｏｏｔ—　ｍｅａｎ—ｓｑｕａｒｅ　ｅｒｒｏｒ，ＲＭＳＥ）２个参数，即　ｎ　１　［∑（　一ｙｏ）（　。一Ｙｍ）］　Ｒ　＝　ｌ＿———　———一，（２）　ｎ　ｎ　７　、　，　∑（ｙ　ｊ一　）　∑（　一Ｙｍ）　ｉ＝１　ｉ＝１　ＲＭｓＥ＝　（３）　式中：Ｙ　ｉ为实测值；Ｙ　为实测值均值；ｙ　为预测　值；Ｙ　为预测值均值；Ｎ为样本个数，Ｎ＝１，２，３，　…，ｎ；Ｒ　为预测值与实测值之间的相关系数（表示　模型预测效果的好坏），取值范围为０～１，其值越接　近于１，两者之间的相关性越明显，模型的预测效果　越好；ＲＭＳＥ为预测值与实测值之问的均方根误　差，其值越小，表明预测偏差越小，模型的预测效果　越好。　２　实验过程与结果分析　２．１实验区概况　实验区选在山东省蒙阴县高都镇、野店镇和蒙　阴镇果园。蒙阴县位于Ｅ１１７。４５　～１１８。１５　，Ｎ３５。　２７　～３６。０２　之间，属暖温带季风性气候带，四季分　明，日照充足，雨量充沛，年平均气温１２．８￣Ｃ，年降雨　量８２０　ｍｍ，年均日照时数２　２８０　ｈ，年无霜期１９１　ｄ。　县内平均海拔３００　ｍ以上，土壤以棕壤为主，呈中性　偏微酸。实验区内主要种植红富士、金帅和新红星　苹果树。　２．２样品采集　实验用苹果品种为处于盛果期的红富士，对照　用苹果品种为金帅和新红星。在２００９年９月２３日　（秋末停止生长期）进行苹果树样品采集，依据实验　区土地利用现状图和果园分布情况布设采样点。选　取实验区３个镇内６个果园中的８６棵苹果树为采　样对象，随机采样，并尽量涵盖不同长势的叶片。每　棵苹果树按Ｅ，ｗ，Ｓ，Ｎ这４个方位，在冠层外围各　取１～２片充分展开、无损伤、无病虫害的健康功能　叶片。将采集的叶片迅速装入保鲜袋内，封口后编　号，放到盛有冰块的保鲜箱中，尽快带回实验室测定　光谱。　２．３数据测定　２．３．１　光谱测定　光谱测定采用美国ＡＳＤ　ＦｉｅｌｄＳｐｅｃ　３地物光谱　仪，测定波谱范围为３５０—２　５００　ｎｍ，其中３５０～　１　０００　ｎｍ谱段采样间隔为１．４　ｎｍ，光谱分辨率为　３　ｎｍ；１　０００～２　５００　ｎｍ谱段采样间隔为２　ｎｍ，光谱　分辨率为１０　ｎｍ。在一个能控制光照条件的暗室内　进行光谱测定。测定前，将待测光谱的叶片用脱脂　棉擦拭干净；测定时，把单层叶片平整地置于反射　率近似为零的黑色橡胶上，置光谱仪视场角为２５。，　探头垂直向下正对待测叶片中部，距样品表面距离　０．１０　ｍ；光源用光谱仪自带的５０　ｗ卤化灯，光源距　样品表面距离０．５０　ｍ，方位角６０。。为消除外界干　扰以保证测定精度，对每片叶片的观测分别记录１０　个采样光谱数据，以其平均值作为该叶片的光谱反　射值。测定过程中，要及时进行标准白板的校正。　２．３．２　Ｎ素含量测定　将测定光谱的苹果叶片迅速放入８０ｃＩ＝烘箱中，　进行１５～３０　ｍｉｎ杀青处理；然后降温至６０￣Ｃ，烘干　至恒量。把烘干样品用研钵研磨至粉状，用Ｈ：Ｓ０　一　Ｈ：０　消煮后，采用火焰光度法测定Ｎ素含量。　２．４输入变量确定　将测得的苹果叶片反射光谱数据利用光谱处理　软件ＶｉｅｗＳｐｅｃ　Ｐｒｏ　５．０进行处理，并通过ＥＸＣＥＬ和　统计产品与服务解决方案（ｓｔａｔｉｓｔｉｃａｌ　ｐｒｏｄｕｃｔ　ａｎｄ　ｓｕｒｖｉｃｅ　ｓｏｌｕｔｉｏｎ，ＳＰＳＳ）软件统计分析和绘图，以便做　进一步分析。为了减小光照强度差异、背景光谱以　及仪器噪声对目标光谱特征的影响，本文对ｉ贝０定的　８６组数据的光谱反射率尺进行了变换，包括光谱的　倒数（１／Ｒ）、光谱的对数（１ｎ尺）、光谱的一阶导数　第２期　安静，等：　苹果叶片氮素含量高光谱检测研究　（尺　）、光谱对数的一阶导数（（Ｉｎ　Ｒ）　）和光谱倒数　的一阶导数（（１／Ｒ），）（图２）。　Ｏ　Ｏ　

．０　

Ｏ　ｌ　０　０　

－０．１　

．０　２　

０　０　．０　

岛　捌　如　躲　Ｚ　

１　０　６　０　０　

．０　６　

Ｉ（１ｎＲ）　囊　—　删　

０　５　０　０　

．Ｏ　５　６００　９００　１　２００　１　５００　１　８００　２１００　２　５００　波ｔ．－￣／ｎｍ　

图２苹果叶片反射率及其各种变换形式与Ｎ素含量的相关性　Ｆｉｇ．２　Ｃｏｒｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｒｅｆｌｅｃｔｉｖｉｔｙ　ｏｒ　ｉｔｓ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　ｎｉｔｒｏｇｅｎ　ｃｏｎｔｅｎｔ　ｏｆ　ａｐｐｌｅ　ｌｅａｖｅｓ　

从相关系数较大的２８个样本中筛选出各种变　换形式下相关性较高的敏感波段，然后利用ＳＰＳＳ软　件包中的多元逐步回归分析软件筛选出更为敏感的　

４个波段的一阶导数，构建特征光谱参数，其多元回　归公式为　

＝２．３２８＋５１．１４１　ｌ＋０．９７８　２—９０．４５６　３—２７３．４８５　４，　（４）　式中：　，　，　３和　分别为中心波长３６４　ｎｎｌ，３７３　３９２　ｎｍ和９９８　ｒｉｍ波段的一阶导数的值；ｙ为Ｎ素　含量值，单位为（ｇ·ｋｇ　）。上述４个波段的一阶导　数与Ｎ素含量的相关系数与Ｎ素含量有较好的拟　

一阶导数　（ａ）３６４　ｎｍ波段　

合性（图３），并以此作为ＢＰ神经网络输入层的参　数，Ｎ素含量为输出层参数，建立Ｎ素含量反演的　ＢＰ人工神经网络模型。