喻 俊，李曉敏，張 權(quán)，侍 昊，褚 軍

(1.江西省林業(yè)調(diào)查規(guī)劃研究院，南昌 330046；2.江蘇省環(huán)境監(jiān)測中心， 南京 210036；3.揚州市職業(yè)大學，江蘇 揚州 225009)

基于高光譜遙感的植被冠層氮素反演方法研究進展

喻 俊1，李曉敏1，張 權(quán)1，侍 昊2*，褚 軍3

(1.江西省林業(yè)調(diào)查規(guī)劃研究院，南昌 330046；2.江蘇省環(huán)境監(jiān)測中心， 南京 210036；3.揚州市職業(yè)大學，江蘇 揚州 225009)

氮素是植被生長活動中的重要元素，對植被葉綠素、蛋白質(zhì)和酶等物質(zhì)的合成至關重要，在植被光合作用中起關鍵作用。高光譜遙感反演技術憑借其快速、準確和不破壞植被的優(yōu)勢，已經(jīng)成為植被氮素含量的定量分析的重要方法。本研究綜述了近年科學文獻中高光譜氮素反演的研究成果，主要介紹了植被冠層氮素高光譜研究的原理及處理方法，包括了高光譜數(shù)據(jù)處理、光譜變換、高光譜植被指數(shù)，多元逐步回歸、偏最小二乘回歸(PLSR)和人工神經(jīng)網(wǎng)絡(BP網(wǎng)絡和RBF網(wǎng)絡)回歸模型等，在此基礎上，對植被冠層氮素高光譜反演中存在的問題進行了探討。

高光譜；植被氮素；去噪變換；特征波段；模型構(gòu)建

氮素是植被生命活動的必須元素，對植被的光合作用以及生長具有指標性及決定性的作用，并且主要以葉綠素、核酸、酶、蛋白質(zhì)等形式存在植被體內(nèi)[1]。因此，快速高效監(jiān)測植被氮素含量及變化對于監(jiān)測植被生長具有重要作用，也對了解當?shù)厣鷳B(tài)系統(tǒng)循環(huán)具有重大意義。

與傳統(tǒng)遙感技術相比，高光譜遙感(HyperspectralRemoteSensing)是通過大量很窄且連續(xù)性的電磁波段獲取感興趣目標的有關數(shù)據(jù)，具有高光譜分辨率、數(shù)據(jù)信息豐富的特點。高光譜數(shù)據(jù)能夠完整揭示地物的光譜特征，使得在地表及高空直接識別目標、辨析目標的精細光譜差異成為可能。隨著高光譜遙感技術的日漸成熟，利用高光譜技術定量研究植被生長逐漸增多。通過高光譜遙感技術獲取植被的氮含量信息與生長狀況，不僅能較大程度減小人力成本，提升研究尺度與規(guī)模，而且能夠提高研究準確度，是未來精準農(nóng)林發(fā)展的重要技術手段[2]。為此，本文總結(jié)綜述了植被冠層氮素反演研究中的反演參數(shù)選取、變換和建模方法等，以期為今后的高光譜植被冠層氮素反演提供參考。

1 高光譜氮素反演技術研究原理及現(xiàn)狀

植被氮素濃度高光譜研究是通過對研究目標進行特定強度的光譜輻射，使目標葉片或結(jié)構(gòu)中的氮化學鍵產(chǎn)生一定的振動，造成波長發(fā)生變化，引起光譜波段的吸收與反射，產(chǎn)生不同的光譜反射率。因此，尋求光譜反射率中的植被氮素敏感波段成為目前研究重點。當前的相關研究中，通過對特定范圍的植被光譜反射率進行光譜變換，增強光譜特征，建立光譜研究模型，可實現(xiàn)植被氮素含量高光譜監(jiān)測。

作為植被生長活動中最重要的營養(yǎng)元素之一，植被氮素受到脅迫時，其生物量、蓋度、葉綠素含量、蛋白質(zhì)含量等都會受到影響[3]。植被的生境受到影響時，氮素的吸收波段也會發(fā)生轉(zhuǎn)移[4]。RajeevR[5]研究指出，植被的氮素吸收波段主要在430、460、640、910、1510、1940、2060、2180、2300及2350nm波段，其中包含紅邊光譜范圍和SWIR光譜范圍。如王樹文等[6]采集了苗期玉米的光譜數(shù)據(jù)，利用歸一化植被指數(shù)、歸一化光譜植被指數(shù)、比值光譜指數(shù)以及差值光譜指數(shù)等變量，建立了適用性很好的玉米冠層氮素含量高光譜模型。張玉萍等[7]利用植被指數(shù)和一階微分高光譜回歸分析了不同施氮條件下的小麥條銹病情，建立了抽穗期、灌溉期等不同生長期的五個模型，較好地反演了小麥條銹病病情。

2 高光譜氮素反演研究方法與數(shù)據(jù)處理

利用高光譜數(shù)據(jù)研究植被氮素含量，需要確定植被對氮素的相關敏感波段，建立光譜模型，估算植被氮素含量。目前比較成熟的研究方法有植被指數(shù)法、光譜微分法、對數(shù)變換法、倒數(shù)變換法、特征值分析法等。

2.1 高光譜去噪變換

采集植被光譜數(shù)據(jù)過程中，常有背景噪音、基線漂移等干擾信息進入光譜中，干擾光譜影像及曲線特征，影響研究結(jié)果的準確性與可靠性。因而，對采集的目標光譜進行去噪平滑處理成為研究的必然手段。目前應用比較廣泛的光譜去噪有SGolay濾波法、對數(shù)法、光譜微分法等[8]。

(1)SGolay濾波法

SGolay濾波器，又稱最小二乘濾波器，其核心思想是通過對滑動窗口內(nèi)的數(shù)據(jù)進行最小二乘擬合，以求找到合適的濾波系數(shù)，實現(xiàn)數(shù)據(jù)的去噪平滑處理[9]。計算公式如下：

(1)

(2)對數(shù)法

植被高光譜遙感中，采集到的原始反射率值通常較低，光譜數(shù)據(jù)在經(jīng)過對數(shù)變化后，可以顯著增強光譜信息差異，而且能有效降低光譜強度變化引起的乘性因素影響[10]。

(3)光譜微分法

在高光譜遙感數(shù)據(jù)處理中，光譜微分法是一種常用的光譜處理方法，它不僅能夠消除光譜背景噪音，降低大氣輻射與散射作用，還能夠增強光譜曲線上的坡度細微變化，而這些變化通常與植被的生化吸收特征有關[11]。許多研究已經(jīng)表明，光譜微分技術對于植被生化成分的提取與研究中有顯著作用。微分計算如公式3和公式4所示：

(2)

(3)

式中： λi為每個波段的波長，ρ′(λi)，ρ″(λi)分別為波長的一階微分和二階微分光譜值，Δλ為波長λi-1到λi的間隔。

賀婷等[12]采集了不同氮素含量下的玉米冠層高光譜反射率，對原始光譜做微分、倒數(shù)、對數(shù)處理，結(jié)合相關性分析法、線性與非線性分析法，估測玉米氮素含量，研究顯示玉米冠層光譜經(jīng)過上述處理與分析后，明顯提高了其與玉米冠層氮素含量的相關性。

高金龍等[13]收集了青海省瑪沁縣和貴南縣高寒草甸地區(qū)的高光譜數(shù)據(jù)，以光譜冠層反射率數(shù)據(jù)和光譜微分數(shù)據(jù)分析牧草中的氮磷鉀含量，結(jié)合統(tǒng)計回歸法與光譜位置、植被指數(shù)等評價估測模型，并進行精度評價。研究表明，光譜微分數(shù)據(jù)相比光譜反射率數(shù)據(jù)較好反映了牧草氮磷鉀含量，高原草甸牧草氮磷鉀對應敏感波段主要分布在紅光波段(680～760nm)。楊婷婷等[14]收集了庫爾勒地區(qū)香梨葉片光譜數(shù)據(jù)，并檢測葉片氮素含量，以光譜反射率數(shù)據(jù)與一階微分光譜數(shù)據(jù)為基礎，進行葉片氮素相關性分析，建立葉片氮素估測模型，得到了庫爾勒香梨坐果期的最佳葉氮反演光譜微分模型Y=50.535X\%703-40.586。

2.2 高光譜波段選取

為了研究植被高光譜反射率與植被氮素含量之間的關系，在單一變量的情況下，通過對比分析同一對象的不同氮素含量水平下的光譜反射率曲線，發(fā)現(xiàn)隨著氮含量的變化，研究目標的特定區(qū)域光譜曲線會發(fā)生遞增或遞減現(xiàn)象，該區(qū)域即可確定為目標對應的氮素敏感區(qū)域。王樹文等[6]采集不同氮素水平下的高光譜數(shù)據(jù)，通過相關矩陣法選擇出相關系數(shù)較高的525、566、700、715、895nm波段作為植被指數(shù)變量，依據(jù)葉片氮素含量與歸一化植被指數(shù)NDVI、歸一化光譜植被指數(shù)NDSI、比值光譜指數(shù)RSI、差值光譜指數(shù)DSI的相關性，建立了氮素含量預測模型，橢圓F檢驗法與標準誤差RMSE\%對比表明，預測模型完全可以用于玉米冠層氮素含量高光譜預測研究。

2.3 高光譜植被植被指數(shù)構(gòu)建

在高光譜遙感技術的應用中，根據(jù)植被指數(shù)建立數(shù)學模型被廣泛應用在植被氮素含量的反演研究中。植被指數(shù)通過以波段差分或者比值計算的方式，將兩個或者多個特征波段進行線性或者非線性組合，組成對某個生理生化指標敏感的光譜指數(shù)。利用光譜反射率數(shù)據(jù)或者光譜微分數(shù)據(jù)，選擇氮素特征波段并構(gòu)造適宜的光譜植被指數(shù)，可顯著增強植被對于氮素的敏感程度[15]。不同波段組成的植被指數(shù)對于氮素的預測效果并不相同[16]。

劉冰峰等[17]采用ASDFieldSpec3光譜儀收集了玉米5種不同施氮量、4種不同施磷量和2個品種在大喇叭口期、吐絲期、灌漿期和成熟期等四個生長期的冠層反射率，同時測定對應的地上干物質(zhì)積累量，選取DI(差值指數(shù))、GNDVI(綠色歸一化植被指數(shù))、SRPI(簡單色素比值指數(shù))等21個植被指數(shù)為變量，擬合函數(shù)模型，得出玉米不同生育時期最優(yōu)干物質(zhì)擬合指數(shù)大喇叭口期為GNDVI、吐絲期為PSSRc、灌漿期為NDVI4、成熟期為DI。李丹等[18]利用光譜儀采集了研究區(qū)內(nèi)不同氮素含量的小麥和玉米光高譜數(shù)據(jù)，通過優(yōu)化光譜指數(shù)，選擇紅邊及向近紅外過度區(qū)域為優(yōu)化波段，創(chuàng)建玉米和小麥的最優(yōu)光譜指數(shù)分別為Rλ766/Rλ738和Rλ796/Rλ760-1，研究結(jié)果可明顯提升小麥和玉米氮素含量預測能力。

3 高光譜回歸模型植被氮素反演

3.1 逐步回歸法

逐步回歸法是一種基于多元線性回歸的派生算法，通過在眾多的自變量中有效選擇重要變量，擬合回歸方程。多變量逐步回歸模型是植被高光譜氮素研究中應用最廣泛的研究方法之一，它通常以光譜反射率、微分光譜、植被指數(shù)等為自變量，建立以植被氮素為因變量的估算模型。由于光譜自變量之間的相互非獨立性，為了尋找與因變量Y具有最大相關性的自變量X，確定最佳光譜波段，應在眾多波段變量中尋找與因變量y方差貢獻最大的光譜變量數(shù)據(jù)，建立逐步回歸模型。

安靜等[19]利用地物光譜儀研究了蘋果葉片的氮素含量，通過光譜反射率與光譜一階微分變換，篩選出相關系數(shù)較大的28個樣本數(shù)據(jù)中的一階微分光譜數(shù)據(jù)為敏感波段，建立了與蘋果葉片氮素含量的多元逐步回歸模型Y=2.328+51.141X1+0.978X2-90.456X3-273.485X4，其中X1、X2、X3和X4分別對應中心波長為364、373、392、998nm波長的一階微分光譜值，所建模型較好的模擬了現(xiàn)實氮素含量。

3.2 偏最小二乘法回歸

偏最小二乘法(PLSR)是綜合利用主成分分析、典型相關分析和多元線性回歸，建立多變量對應多變量綜合模型的回歸分析方法。目前，PLSR法已廣泛應用在植被氮素研究中。李峰等[20]采用AISA-Eagle機載光譜成像儀收集了馬鈴薯冠層光譜數(shù)據(jù)，并以此變換出了5種光譜數(shù)據(jù)，建立了馬鈴薯葉氮PLSR高光譜模型，研究中PLSR模型準確反映了植被光譜特征，并較大程度較低了噪音對于模型擬合的影響，以一階微分建立的PLSR模型取得最優(yōu)的擬合效果，均方根和決定系數(shù)分別為0.38%、0.82。

3.3 人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡(ANN)以模仿人類神經(jīng)系統(tǒng)的思考方式，經(jīng)過在輸入層、單個或多個隱藏層和輸出層之間的信息傳播與學習，獲取所研究對象潛藏的數(shù)據(jù)關系。當前，常用神經(jīng)網(wǎng)絡模型為BP神經(jīng)網(wǎng)絡和RBF網(wǎng)絡模型。BP神經(jīng)網(wǎng)絡模型在目前研究中應用較多，而RBF網(wǎng)絡模型能夠處置繁雜結(jié)構(gòu)關系，具有非凡的學習能力和高效的非線性轉(zhuǎn)換本領。BP神經(jīng)網(wǎng)絡模型和RBF網(wǎng)絡模型結(jié)構(gòu)如下圖所示：

圖1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

圖2 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

劉紅玉等[21]選用遺傳算法優(yōu)選波段，通過SWR法、主成分分析和偏最小二乘法建立了番茄氮素與光譜和圖像的模型，并采用人工神經(jīng)網(wǎng)絡對光譜和圖像進行特征層面的信息融合，形成多信息融合診斷模型，研究結(jié)果表明，該方法所得氮素相關系數(shù)R為0.9651，均方根誤差RMSE為0.19，模型擬合精度較單一光譜模型上升6.25%。楊寶華等[22]在綜合前人研究的基礎上，創(chuàng)造性提出一種競爭性自適應重加權(quán)算法(CARS)，用相關分析法篩選出30個小麥氮素敏感波段，建立RBF和BP神經(jīng)網(wǎng)絡回歸模型，研究中CARS-CC不僅有效剔除了干擾光譜信息，而且優(yōu)化并提高了建模時間與質(zhì)量；用CARS-CC選取的敏感波段變量建立的RBF神經(jīng)網(wǎng)絡模型較BP神經(jīng)網(wǎng)絡模型明顯提升；研究也證實BP神經(jīng)網(wǎng)絡模型雖然對訓練數(shù)據(jù)得到很高的輕度，但是對于訓練數(shù)據(jù)之外的預測數(shù)據(jù)常會出現(xiàn)過度擬合現(xiàn)象，導致模型適應性與穩(wěn)定性有所欠缺。

4 展望

近年來，植被冠層氮素信息高光譜反演已經(jīng)取得較大研究進展。較傳統(tǒng)研究方法，高光譜植被氮素反演研究在時間與空間分辨率中有很大的提升，已解決了很多傳統(tǒng)植被氮素研究中的問題。然而，在具體研究方法中，仍然存在一些問題亟需解決：(1)不同生長時期，植被葉片與冠層面積均會發(fā)生變化，土壤光譜反射和植被枝干光譜反射均會對研究目標的真實光譜造成影響，今后研究中準確、有效的植被光譜去噪將是需要解決的問題。(2)高光譜植被指數(shù)氮素反演通過對氮素敏感特定波段的光譜反射率或者微分數(shù)據(jù)進行光譜變換，構(gòu)成高光譜氮素敏感指數(shù)，該方法雖然簡單實用，但對植被冠層葉綠素含量及土壤背景信息較為敏感。(3)廣泛采用的各類回歸模型法需要連續(xù)與全面的觀測數(shù)據(jù)，對于研究目標需要使用大尺度與高時間分辨率的數(shù)據(jù)為支撐。此外，植被葉片與冠層尺度間反演方法的互換與轉(zhuǎn)化問題有待進一步研究；在葉片氮素高光譜反演中，葉片內(nèi)復雜的生化混合物對于葉片光譜的影響也需要進一步分析。

[1] 王莉雯,衛(wèi)亞星.植被氮素濃度高光譜遙感反演研究進展[J].光譜學與光譜分析,2013,33(10): 2823-2827.

[2] 陳鵬飛,NicolasTremblay,王紀華，等.估測作物冠層生物量的新植被指數(shù)的研究[J].光譜學與光譜分析,2010,30(2):512-517.

[3]LONGJR,MAGH,WANYZ,etal.EffectsofNitrogenFertilizerLevelonChlorophyllFluorescenceCharacteristicsinFlagLeafofSuperHybridRiceatLateGrowthStage[J].RiceScience,2013,20(3):220-228.

[4] 葉曉青,鄒勇,余志虹,等.烤煙冠層光譜參數(shù)與氮素垂直分布相關性研究[J].農(nóng)業(yè)機械學報,2013,44(5):219-225.

[5]RajeevR,UshaKC,RabiNS,etal.InternationalJournalofRemoteSensing,2012,33(20):6342.

[6] 王樹文,趙珊,張長利，等.基于成像光譜技術的寒地玉米苗期冠層氮含量預測模型[J].農(nóng)業(yè)工程學報,2016,32(13):149-154.

[7] 張玉萍,馬占鴻.基于遙感技術的不同施氮水平下小麥條銹病病情反演研究[J].中國農(nóng)業(yè)大學學報,2016,21(4):42-51.

[8] 宋仁飛,林輝,臧卓，等.東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識別[J].中南林業(yè)科技大學學報,2014,34(11):135-139.

[9]MaddenHH.CommentsontheSavitzky-Golayconvolutionmethodforleast-squares-fitsmoothinganddifferentiationofdigitaldata[J].AnalticalBiochemistry,1978(3):1383-1386.

[10] 劉秀英,藏卓,孫華,等.基于高光譜數(shù)據(jù)的杉木和馬尾松識別研究[J].中南林業(yè)科技大學學報,2011,31(11):30-33.

[11] 伍南,劉君昂,周國英,等.基于高光譜微分指數(shù)的杉木炭疽病病情指數(shù)反演[J].林業(yè)科學,2012,48(8):94-98.

[12] 賀婷,李建東,劉桂鵬，等.基于高光譜遙感的玉米全氮含量估測模型[J].沈陽農(nóng)業(yè)大學學報,2016,47(3):257-265.

[13] 高金龍,侯堯宸,白彥福，等.基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究—以青海省貴南縣及瑪沁縣高寒草甸為例[J].草業(yè)學報,2016,25(3):9-21.

[14] 楊婷婷,王雪梅,柴仲平，等.庫爾勒香梨不同生育期葉片氮素光譜診斷研究[J].西南農(nóng)業(yè)學報,2016,29(3):668-673.

[15] 林海軍,張繪芳,高亞琪，等.基于馬氏距離法的荒漠樹種高光譜識別[J].光譜學與光譜分析,2014,34(12):3358-3362.

[16] 劉?？?孫傳范,曹衛(wèi)星，等.便攜式作物氮素監(jiān)測儀性能水稻田間測試[J].農(nóng)業(yè)機械學報,2010,41(9):80-84.

[17] 劉冰峰,李軍,賀佳，等.基于高光譜植被指數(shù)的夏玉米地上干物質(zhì)量估算模型研究[J].農(nóng)業(yè)機械學報,2016,47(3):254-262.

[18] 李丹,李斐,胡云才，等.基于光譜指數(shù)波段優(yōu)化算法的小麥玉米冠層含氮量估測[J].光譜學與光譜分析,2016,36(4):1150-1157.

[19] 安靜,姚國清,朱西存，等.蘋果葉片氮素含量高光譜檢測研究[J].國土資源遙感,2016,28(2):67-71.

[20] 李峰,AlchanatisVictor,趙紅，等.基于PLSR方法的馬鈴薯葉片氮素含量機載高光譜遙感反演[J].中國農(nóng)業(yè)氣象,2014,35(3):338-343.

[21] 劉紅玉,毛罕平,朱文靜，等.基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷[J].農(nóng)業(yè)工程學報,2015,31(1):212-220.

[22] 楊寶華,陳建林,陳林海，等.基于敏感波段的小麥冠層氮含量估測模型[J].農(nóng)業(yè)工程學報,2015,31(22):176-182.

Research on the Method of Vegetation Canopy Nitrogen Inversion based on Hyperspectral Remote Sensing

YUJun1,LIXiao-min1,ZHANGQuan1,SHIHao2,CHUJun3

(1.Jiangxi Institute of Forest Inventory and Planning, Nanchang, Jiangxi 330046;2. Jiangsu Environmental Monitoring Center, Nanjing, Jiangsu 210036;3.Yangzhou Polytechnic University, Yangzhou, Jiangsu 225009 )

Nitrogenisanimportantelementinvegetationgrowth,whichisessentialtothesynthesisofchlorophyll,proteinandenzyme,andplaysakeyroleintheprocessofphotosynthesis.Hyperspectralremotesensinginversiontechnologyknownwithitsadvantagesofbeingrapid,accurateandnondestructionofvegetationhasbecomeanimportantmethodforquantitativeanalysisofvegetationnitrogencontent.Thispaperreviewedtheresearchresultsofhyperspectralinversionofnitrogeninthescientificliterature,introducedtheprinciplesandprocessingmethodsofhyperspectralvegetationcanopy,includinghyperspectraldataprocessing,spectraltransform,hyperspectralvegetationindex,stepwiseregressionandpartialleastsquaresregression(PLSR)andartificialneuralnetwork(BPnetworkandRBFnetwork)regressionmodel.Onthisbasis,theexistingvegetationcanopyhyperspectralinversionproblemsarediscussed.

Hyperspectral;vegetationnitrogen;denoisingtransformation;characteristicwaveband;modelconstruction

2016-09-12 基金項目：江蘇省高校自然科學研究面上項目資助(15KJB420001；16KJD420002)；國家自然科學基金項目(41601449)。

喻 俊(1981-)，男，江西南昌人，主要從事林業(yè)遙感與地理信息系統(tǒng)研究。

Q

A