張愛(ài)武，鄢文艷，郭超凡

0 引 言

粗蛋白（crude protein，CP）是牧草主要的營(yíng)養(yǎng)參數(shù)之一，是衡量牧草營(yíng)養(yǎng)狀況和飼用價(jià)值的一個(gè)重要指標(biāo)[1-2]。因此，牧草CP含量的精確估算對(duì)草地營(yíng)養(yǎng)價(jià)值評(píng)價(jià)及草地畜牧業(yè)管理具有重要意義。

國(guó)內(nèi)外學(xué)者多采用光譜儀或高光譜傳感器獲取植被冠層光譜數(shù)據(jù)，從而實(shí)現(xiàn) CP含量的提取和估算[3-5]。傳統(tǒng)的植被監(jiān)測(cè)方式采用非成像光譜儀進(jìn)行定量分析，此種方式只局限于“點(diǎn)”尺度的研究[6-7]，而成像光譜儀可以獲取小范圍作物冠層圖譜合一的高光譜圖像，能夠?qū)崿F(xiàn)“面”尺度范圍的監(jiān)測(cè)。國(guó)內(nèi)外學(xué)者多借助以Hyperion為代表的遙感衛(wèi)星影像并在作物參數(shù)反演方面取得了一定的研究成果[8-10]，但傳統(tǒng)的遙感衛(wèi)星影像光譜分辨率低，反演精度不足以達(dá)到精準(zhǔn)畜牧業(yè)的要求。近年來(lái)以航空飛行器為平臺(tái)的高光譜遙感技術(shù)發(fā)展迅速，以其時(shí)空分辨率高、靈活性高及成本低等優(yōu)勢(shì)受到廣泛關(guān)注。航空飛行器高光譜圖像數(shù)據(jù)已被用來(lái)類(lèi)胡蘿卜素、葉綠素、氮、生物量以及葉面指數(shù)等多種作物生化參數(shù)的反演研究[11-14]，然而通過(guò)航空飛行器高光譜圖像數(shù)據(jù)進(jìn)行牧草CP含量估算方面的研究還鮮有報(bào)道。利用航空飛艇搭載的自主集成高光譜成像系統(tǒng)獲取的高光譜圖像在400～1 000 nm之間含 840個(gè)波段，空間分辨率可達(dá)9 cm[15]，為精細(xì)分析牧草CP含量提供了可靠的數(shù)據(jù)源。

針對(duì)高光譜數(shù)據(jù)選擇適宜的分析技術(shù)，對(duì)于植被生化參量反演研究是非常重要的部分?，F(xiàn)有的分析技術(shù)主要通過(guò)對(duì)高光譜數(shù)據(jù)進(jìn)行各種衍生變換來(lái)提取不同的生化參量[16]。常見(jiàn)的衍生變換大致有 3大類(lèi)：一是利用波段組合構(gòu)成的各種植被指數(shù)。研究表明植被指數(shù)可以用來(lái)反演作物生化參數(shù)[17-18]。二是基于微分光譜的特征變量及其衍生組合變量。微分光譜可以有效的減小植被背景信息對(duì)冠層光譜信息的影響，進(jìn)而能夠增強(qiáng)光譜變量與目標(biāo)變量之間的相關(guān)性。王秀珍等[19]通過(guò)水稻冠層光譜多種微分變化形式提取其農(nóng)學(xué)參數(shù)。王磊等[20]構(gòu)建多種微分光譜及其衍生變換組合形式完成對(duì)玉米氮素含量的估算研究。三是基于包絡(luò)線去除的光譜衍生變量。包絡(luò)線去除對(duì)抑制背景光譜影響有幫助，擴(kuò)大弱吸收特征信息，較多地應(yīng)用于植被信息診斷研究。Kokaly等[21]基于去包絡(luò)線的光譜吸收特征法估測(cè)了植物氮、木質(zhì)素和纖維素含量，獲得了很好的驗(yàn)證效果。Huang等[22]利用包絡(luò)線去除光譜對(duì)葉片氮素含量進(jìn)行估算，發(fā)現(xiàn)包絡(luò)線去除方法的效果較好。

綜上所述，光譜衍生變換在植被生化參量反演中得到較好地應(yīng)用，其研究方法主要是利用原始光譜或衍生變量進(jìn)行植被生化參量的估測(cè)。目前，對(duì)于作物生化參數(shù)反演研究多數(shù)只考慮單一光譜分析技術(shù)，鮮有將這些衍生變換方法進(jìn)行綜合比較，且不同衍生變換方法對(duì)不同生化參量反演結(jié)果是不同的。本研究以高寒草甸牧草CP含量為研究對(duì)象，對(duì)比分析多種常見(jiàn)的光譜衍生變換方法對(duì)牧草CP含量估測(cè)的影響，并通過(guò)高光譜圖像實(shí)現(xiàn)牧草CP含量反演制圖，以直觀反映其空間分布狀況。研究結(jié)果可為利用高光譜遙感技術(shù)大面積監(jiān)測(cè)牧草品質(zhì)參數(shù)和指導(dǎo)合理放牧提供參考和技術(shù)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)為位于青海省海北藏族自治州海晏縣境內(nèi)的金銀灘草原。海拔3000～3600 m，地理位置為36°53′～37°12′N(xiāo)，100°42′～101°02′E。該區(qū)屬大陸性高原氣候區(qū)，紫外線輻射強(qiáng)，年溫差較大，年均氣溫-0.3 ℃，年均降水量456.0 mm，年均蒸發(fā)量1 461.4 mm。金銀灘草原屬祁連山山地環(huán)湖盆地高寒草甸地區(qū)，是中國(guó)溫性草原與高寒草甸草原的過(guò)渡地帶。典型植被主要包括: 矮生嵩草、高山嵩草、針茅草、芨芨草、狼毒草等植物。

1.2 高光譜圖像數(shù)據(jù)獲取及預(yù)處理

本研究使用的高光譜圖像數(shù)據(jù)來(lái)自于課題組自主集成的航空飛艇搭載高光譜成像系統(tǒng)。高光譜圖像的采集于2016年6月15日11：00在草原上空進(jìn)行，光照強(qiáng)度穩(wěn)定，天氣晴朗無(wú)風(fēng)。飛艇飛行高度為300 m，其空間分辨率為9 cm，高光譜圖像共包含840個(gè)波段，光譜范圍為400～1 000 nm，光譜分辨率為0.727 nm。

由于在獲取圖像光譜數(shù)據(jù)過(guò)程中易受大氣、空氣水分、植被冠層水分等因素影響，在數(shù)據(jù)使用之前需對(duì)高光譜圖像進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等處理，得到高光譜圖像反射率數(shù)據(jù)，在ENVI 5.1軟件中進(jìn)行解譯，選取出屬于牧草的范圍。根據(jù)地面樣方的對(duì)應(yīng)位置構(gòu)建感興趣區(qū)域（region of interest，ROI），選取ROI范圍內(nèi)牧草冠層的光譜反射率的平均值作為該樣點(diǎn)的原始光譜反射率，從而獲得各采樣點(diǎn)的反射率數(shù)據(jù)。

1.3 牧草粗蛋白含量數(shù)據(jù)的采集與處理

為保證數(shù)據(jù)一致性，需根據(jù)研究區(qū)域狀況進(jìn)行同步采樣。在試驗(yàn)區(qū)內(nèi)布設(shè)20個(gè)采樣點(diǎn)，樣點(diǎn)分布圖如圖1所示。利用GPS儀測(cè)量每個(gè)采樣點(diǎn)的經(jīng)緯度，同時(shí)在樣區(qū)內(nèi)布設(shè)幾塊靶標(biāo)，以便在圖像上精確定位。樣方大小為 50 cm×50 cm，齊地面剪下牧草，將采集的樣本放入塑料袋中密封，委托青海省高原放牧家畜營(yíng)養(yǎng)與生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地測(cè)定CP含量。

1.4 研究方法

1.4.1 光譜指數(shù)方法

本研究選用2種光譜指數(shù)包括比值光譜指數(shù)（simple ratio spectral index，SR）和歸一化光譜指數(shù)（normalized difference spectral index，ND），通過(guò)繪制400～1 000 nm范圍內(nèi)任意2個(gè)波段反射率組合構(gòu)建的SR和ND與牧草CP含量的決定系數(shù)（coefficient of determination，R2）圖，以期找到預(yù)測(cè)牧草CP含量的最佳組合波段及光譜指數(shù)：

式中SR為比值光譜指數(shù)，ND為歸一化光譜指數(shù)，Ri和Rj分別代表第i和j波段的反射率，且i≠j。

圖1 試驗(yàn)區(qū)采樣點(diǎn)分布Fig.1 Distribution of sampling points in study area

1.4.2 光譜數(shù)據(jù)變換

光譜數(shù)據(jù)變換對(duì)消除背景因素的影響和突出目標(biāo)特征有重要的作用。將高光譜圖像光譜反射率數(shù)據(jù)進(jìn)行 6種變換，包括：

1）將原始光譜反射率(R)作一階微分變換(D(R)):

2）將原始光譜反射率(R)作對(duì)數(shù)變換(log(R)):

3）將原始光譜反射率(R)作歸一化變換(N(R)):

這里的分母為各波段的光譜平均值，避免變換后的值太小。

4）將log(R)作一階微分變換D(log(R)):

5）將N(R)作對(duì)數(shù)變換log(N(R))：

6）將N(R)作一階微分變換D(N(R)):D(N(R))=

式中 r1, r2, …, rn為對(duì)應(yīng)波段的反射率值，λ1, λ2, …, λn為對(duì)應(yīng)波段的波長(zhǎng)。

1.4.3 包絡(luò)線去除法

包絡(luò)線去除法在光譜分析中比較常用，經(jīng)過(guò)包絡(luò)線去除后的高光譜圖像可以有效地抑制噪聲并增強(qiáng)目標(biāo)參量對(duì)特征波段的敏感度[23]。根據(jù)本研究的高光譜圖像光譜數(shù)據(jù)，參考Curran等[24]在測(cè)試葉片多種生物參量時(shí)選取的波段中心，最終確定 400～750 nm為包絡(luò)線去除區(qū)域，波深中心為 680 nm。將原始光譜反射率曲線上各波長(zhǎng)的光譜反射率R與對(duì)應(yīng)波長(zhǎng)處包絡(luò)線上的值Rc進(jìn)行比值運(yùn)算，得到光譜反射率包絡(luò)線去除光譜值R′

在包絡(luò)線去除的基礎(chǔ)上，選取 2種衍生光譜 BD（band depth）和 CRDR（continuum-removed derivative reflectance），其具體計(jì)算公式如下：

1.4.4 波段選擇方法

在多變量建模過(guò)程中，如果將這些波段全部輸入到模型中，必然影響建模的效率，因此有必要對(duì)高光譜數(shù)據(jù)進(jìn)行特征波段選擇。利用逐步判別分析方法對(duì)不同形式光譜參量全波段信息輸入判別函數(shù)進(jìn)行篩選，選出對(duì)因變量貢獻(xiàn)大的變量，隨時(shí)剔除貢獻(xiàn)小的變量，入選的變量必須通過(guò)F檢驗(yàn)，如果變量的F值的顯著性水平小于0.05就選入，大于0.10就剔除，直到判別函數(shù)中的變量都具有顯著判別能力，逐步篩選結(jié)束。

1.4.5 模型構(gòu)建及精度驗(yàn)證

本研究針對(duì)不同的光譜變量選用不同的建模方法，探討不同建模方法對(duì)CP的估算精度。模型的構(gòu)建采用以下方法：（1）單變量模型：以CP為因變量，最佳光譜指數(shù)為自變量，構(gòu)建單變量的一元線性回歸模型。（2）多變量模型：將逐步判別分析選擇的各個(gè)光譜衍生變量的特征波段作為自變量，采用多元逐步線性回歸和多元非線性回歸構(gòu)建多元回歸模型。

采用交叉檢驗(yàn)（cross validation，CV）中的K-fold cross validation方法（簡(jiǎn)稱(chēng)K-CV）對(duì)估算模型進(jìn)行檢驗(yàn)。K-CV是將原始數(shù)據(jù)分成K組（通常是均分），將每個(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，其余K-1組子集數(shù)據(jù)作為訓(xùn)練集，得到K個(gè)模型，用其分類(lèi)準(zhǔn)確率的平均數(shù)作為最終檢驗(yàn)K-CV分類(lèi)器的性能指標(biāo)。本次研究中使用的交叉檢驗(yàn)方法選擇3K-CV，即將20個(gè)樣本數(shù)據(jù)隨機(jī)分成3組，每組樣點(diǎn)數(shù)量近似相等，選取其中2組作為訓(xùn)練樣本建立估算模型，剩余1組進(jìn)行驗(yàn)證，如此循環(huán)3次。估算模型的精度采用通用的決定系數(shù)（R2）和均方根差(root mean square error，RMSE)和2個(gè)指標(biāo)進(jìn)行評(píng)定。

2 結(jié)果與分析

2.1 基于光譜指數(shù)的單變量模型

圖 2任意 2波段組合構(gòu)成的 SR(Ri,Rj)和 ND(Ri,Rj)與CP的決定系數(shù)R2圖。結(jié)果發(fā)現(xiàn)，2種光譜形式的任意波段組合與牧草CP含量的相關(guān)性存在一定的相似性，相關(guān)系數(shù)高的比值組合其歸一化組合表現(xiàn)也較好。相關(guān)性高的波段組合寬度很窄，主要集中在 765～771 nm與795～803 nm 波段的組合，以及 740～783 nm 與 930～940 nm波段的組合。

圖2 牧草CP含量與任意兩波段構(gòu)建的光譜指數(shù)的決定系數(shù)Fig.2 Coefficient of determination between pasture crude protein (CP) content and spectral indices from all possible two-band combinations

所有2波段組合構(gòu)成的光譜指數(shù)中，與CP含量相關(guān)性最好的指數(shù)分別是SR(R795,R724)和ND(R795,R724)。利用最佳波段組合的 2種光譜指數(shù)與 CP含量建立單變量模型，決定系數(shù)R2均為0.626，均方根誤差RMSE均為0.110。2種光譜指數(shù)對(duì)CP含量的反演效果相同，也有學(xué)者應(yīng)用這2種光譜指數(shù)估測(cè)其它植被生化參量時(shí)得出類(lèi)似的結(jié)果[25-26]。

2.2 基于光譜數(shù)據(jù)變換的多變量模型

2.2.1 牧草CP含量與光譜變量相關(guān)性分析

首先，對(duì)牧草CP含量與各光譜變量之間進(jìn)行相關(guān)性分析，初步探究不同光譜變換形式對(duì) CP敏感波段的影響。圖3顯示的是R、D(R)、log(R)、N(R)、D(log(R))、log(N(R))、D(N(R))、BD、CRDR共9種光譜形式參量與牧草CP含量的相關(guān)性曲線。

圖3表明，原始光譜反射率與CP含量在400～750 nm波段呈弱相關(guān)，大多數(shù)顯著相關(guān)（P<0.05）波段集中在780～995 nm，相關(guān)性較好的波段在988 nm與929 nm左右，最大相關(guān)系數(shù)位于988 nm處，表明近紅外波段是CP含量光譜響應(yīng)的敏感波段區(qū)域；與原始光譜相比，衍生變換光譜反射率與 CP含量相關(guān)關(guān)系發(fā)生了不同程度的改變，其中D(R)、D(N(R))、D(log(R))三者和CP含量的相關(guān)性曲線具有相近的趨勢(shì)，相關(guān)關(guān)系隨波長(zhǎng)變化幅度較大，波段間相關(guān)性不連續(xù)且不穩(wěn)定，但微分處理顯著提高了兩者在某些波段的相關(guān)度，使得在776、783、870、888和894 nm左右的波段相關(guān)性變得顯著，利用微分變換光譜能夠?qū)⑸M分各自吸收特征的變化趨勢(shì)挖掘出來(lái)，有利于減少其它生化組分對(duì)研究對(duì)象的影響：D(R)與 D(log(R))和 CP含量相關(guān)性極值點(diǎn)都在 888 nm處，D(N(R))與CP含量在783 nm處相關(guān)性最高；log(R)與CP含量的相關(guān)關(guān)系相較原始光譜來(lái)說(shuō)幾乎無(wú)變化，極值點(diǎn)和最大相關(guān)系數(shù)都沒(méi)有發(fā)生改變，而N(R)和log(N(R))的相關(guān)關(guān)系曲線趨于一致，顯著相關(guān)波段都集中在 724～995 nm之間，整體上都與CP含量的相關(guān)性不高；包絡(luò)線去除的2種光譜衍生變量中，BD光譜變量與牧草CP含量之間達(dá)到顯著相關(guān)水平的波段集中在520～603 nm、697～717 nm，屬于可見(jiàn)光范圍的綠、黃、橙波段，最大相關(guān)系數(shù)位于711 nm處；CRDR光譜反射率與CP的整體相關(guān)性并不是很好，顯著相關(guān)波段較少，多位于黃光

區(qū)域和紅光區(qū)域內(nèi)。顯然通過(guò)衍生變換后的光譜變量與CP相關(guān)性發(fā)生了不同程度的變化，對(duì)潛在敏感波段起到很好的挖掘作用。

圖3 不同光譜數(shù)據(jù)變量與牧草CP含量的相關(guān)性曲線Fig.3 Correlation curves of different transformed spectrum data variables and pasture CP content

2.2.2 入選波段

各光譜變量的入選波段如表 1所示。同類(lèi)型的組合光譜變量的入選波段互有重疊，大部分入選波段主要集中在400～470 nm和815～1000 nm之間。已有研究利用藍(lán)光區(qū)域（415～460 nm）和紅邊區(qū)域（700～775 nm）的波段來(lái)估算CP含量[27]，本研究選出的449 nm、456 nm、711 nm和738 nm波段在此區(qū)域范圍之內(nèi)，是估算CP含量的重要波段。而775 nm波段與CP含量證明是呈顯著相關(guān)性，CRDR變量中入選波段 783 nm在該波段位置10 nm容差范圍之內(nèi)，可能是受到其它生化組分的影響，導(dǎo)致吸收特征波段位置有所偏移。還有一部分入選波段主要在近紅外區(qū)域，此范圍易受葉綠素和葉片細(xì)胞結(jié)構(gòu)的影響[28]，使得CP含量在該區(qū)域范圍波段的吸收發(fā)生變化。研究中出現(xiàn)了并不屬于CP含量的吸收特征波段，也沒(méi)有在相關(guān)研究中出現(xiàn)過(guò)的用來(lái)估測(cè) CP含量的敏感波段。一個(gè)可能原因是因?yàn)镃P含量的吸收特征與葉片中其他生化組分有關(guān)，而這些組分的吸收特征是重疊的，使得這些波段入選。另外就是由于逐步判別分析法在篩選波段時(shí)只考慮了波段與 CP含量相關(guān)性而較少考慮具體的物理意義。

2.2.3 光譜衍生變量的模型構(gòu)建與精度驗(yàn)證

以逐步判別分析選出的各光譜變量的入選波段為自變量，分別構(gòu)建各光譜變量與CP含量的多元線性和非線性回歸模型，并對(duì)模型進(jìn)行交叉驗(yàn)證，結(jié)果如表1所示。從各模型的交叉驗(yàn)證R2和交叉驗(yàn)證RMSE可以看出，基于多變量的線性回歸模型中，以D(log(R))建立的牧草CP含量回歸模型精度最高；多元非線性回歸模型中，D(log(R))模型精度最高，交叉驗(yàn)證R2為0.918，RMSE為0.054，是所有模型中擬合效果最佳的估算模型；對(duì)比同種光譜變量構(gòu)建的模型之間的精度，基于多變量的非線性回歸模型均高于線性回歸模型，說(shuō)明光譜衍生變換自身就會(huì)對(duì)CP含量估算效果產(chǎn)生影響。

將各光譜變量進(jìn)行歸類(lèi)分析發(fā)現(xiàn)，微分光譜變量的回歸模型表現(xiàn)出較高的精度，BD和CRDR通過(guò)多元非線性回歸方法構(gòu)建模型精度得到大幅度提高。而對(duì)于 N(R)和 log(N(R))，不論采用線性回歸方法還是非線性回歸方法，模型估算效果都不理想。研究對(duì)比分析了多種光譜衍生變量對(duì)牧草CP含量的估算能力，發(fā)現(xiàn)并不是所有衍生變換都具有提高反演模型精度的能力。為此，要提高植被生化參量的反演模型精度關(guān)鍵在于選擇合適的光譜衍生變換方法。

表1 模型的入選波段及交叉驗(yàn)證結(jié)果Table 1 Selected bands and cross validation results from different models

圖4是牧草CP含量Dlog(R)模型交叉驗(yàn)證的實(shí)測(cè)值和估測(cè)值 1∶1關(guān)系圖，以直觀反映模型的擬合程度及可靠性（CP含量單位為mg/像素，文中以mg表示）。

2.3 基于高光譜圖像的牧草CP含量反演及制圖

將最佳反演模型運(yùn)用到整幅高光譜圖像上，得到研究區(qū)牧草 CP含量的空間分布（圖 5），圖像中的道路、房屋、水域?yàn)榉侵脖坏匚铮谠囼?yàn)前予以去除（白色區(qū)域?yàn)樘蕹糠郑?。由于研究區(qū)域的牧草處于返青期，存在枯死植被以及裸露土壤的干擾影響，同時(shí)受牧草自身內(nèi)部結(jié)構(gòu)及葉綠素含量的變化影響，整體上CP含量不高，CP含量的值域基本位于 0.8～19.5 mg之間，與地面采集結(jié)果（3～10.6 mg）較相符，CP含量的大小分布與牧草長(zhǎng)勢(shì)分布呈一致?tīng)顟B(tài)，說(shuō)明研究結(jié)果能夠較理想地實(shí)現(xiàn)CP含量空間分布的可視化。

圖4 牧草CP含量Dlog(R)模型交叉驗(yàn)證的實(shí)測(cè)值與估測(cè)值之間的1∶1關(guān)系Fig.4 1∶1 CP content relationship between the estimated value and measured value in cross validation of Dlog(R) model

圖5 研究區(qū)牧草CP含量反演結(jié)果Fig.5 Results of inversion of CP content in study area

3 討 論

大量研究采用經(jīng)驗(yàn)?zāi)Ｐ徒⑥r(nóng)作物生化參數(shù)反演模型并取得了較高的精度，對(duì)于草地遙感監(jiān)測(cè)領(lǐng)域，針對(duì)草地營(yíng)養(yǎng)參數(shù)方面的研究鮮少涉及。本研究通過(guò)高海拔飛艇平臺(tái)搭載的高光譜相機(jī)獲取研區(qū)域高空間分辨率的草地高光譜圖像，對(duì)牧草CP含量進(jìn)行反演并取得了較好的結(jié)果，研究結(jié)果可為今后高光譜圖像在大面積區(qū)域草地營(yíng)養(yǎng)變化監(jiān)測(cè)及其他農(nóng)業(yè)領(lǐng)域的研究提供借鑒。

以往的反演研究中并未對(duì) CP含量遙感反演得出統(tǒng)一的標(biāo)準(zhǔn)模型，因此，本研究分析了不同光譜衍生變量和不同建模方法對(duì)CP含量的估算能力，以精確反演牧草CP含量并實(shí)現(xiàn)空間分布制圖。對(duì)比各個(gè)模型精度，使用最佳光譜指數(shù)建立的單變量模型并未達(dá)到理想的估算效果，這是因?yàn)閱巫兞磕Ｐ椭薪５墓庾V信息過(guò)少導(dǎo)致模型缺乏穩(wěn)定性，容易受到背景信息的干擾。大部分多變量回歸模型精度高于單變量模型，因?yàn)槎嘧兞磕Ｐ陀捎趨⑴c建模的波段較多，且通過(guò)光譜衍生變換在不同程度上減小了土壤等背景信息對(duì)目標(biāo)光譜信息的影響。但是多變量回歸模型中依然存在估算精度較差的模型，N(R)和log(N(R))光譜變量無(wú)論是以多元線性還是多元非線性的形式建立CP含量回歸模型，其模型精度都較低，說(shuō)明并不是所有衍生變換都能提高建模精度。對(duì)比同種光譜變量構(gòu)建的多元回歸模型之間的精度，多元非線性回歸模型均高于多元線性回歸模型。利用 D(log(R))變量構(gòu)建的非線性回歸模型是所有模型中精度最高的，研究結(jié)果體現(xiàn)了光譜變量和模型構(gòu)建方法的選擇對(duì) CP含量估算的重要性。

利用高光譜成像技術(shù)實(shí)現(xiàn)區(qū)域范圍牧草 CP含量空間分布狀況反演，為指導(dǎo)合理放牧提供理論依據(jù)。然而國(guó)內(nèi)借助航空飛行器搭載成像光譜儀進(jìn)行作物生化參數(shù)監(jiān)測(cè)研究尚處于探索階段，研究尚存在一些不足之處。由于本文采用的模型構(gòu)建方法是傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｐ?，模型本身具有一定的地域性和時(shí)間性，因此需要尋求更加穩(wěn)定的模型，如物理模型，同時(shí)兼顧高光譜圖像上的結(jié)構(gòu)與光譜信息，以達(dá)到精準(zhǔn)畜牧業(yè)的要求。另外，由于植物葉片的生化成分之間相互關(guān)聯(lián)，一些復(fù)雜的生化組分如氮、淀粉等與CP含量關(guān)系密切，這些生化組分在一定程度上會(huì)影響CP含量本身的光譜吸收特征波段，進(jìn)而影響牧草CP含量的反演。今后有待進(jìn)一步加深研究氮、淀粉等成分的影響以提高CP含量的估算精度。

4 結(jié) 論

本研究基于高分辨率高光譜圖像數(shù)據(jù)，嘗試評(píng)估光譜指數(shù)構(gòu)建的單變量模型和其它光譜衍生變量構(gòu)建的多元逐步線性回歸模型和多元非線性回歸模型估算牧草CP含量的表現(xiàn)能力，主要得出以下結(jié)論：

1）通過(guò)構(gòu)建任意兩波段組合構(gòu)成的兩種光譜指數(shù)發(fā)現(xiàn)，相關(guān)性最高的 2種光譜指數(shù) SR(R795,R724)和ND(R795,R724)，組合波段相同，建模精度也相同，R2均為0.626，RMSE均為0.110。由于參與建模的變量較少，使用光譜指數(shù)建立的模型精度精度提高不明顯。

2）對(duì)光譜數(shù)據(jù)進(jìn)行衍生變換能夠改變牧草CP含量的吸收特征波段，其中，微分變換光譜變量有效反應(yīng)了牧草CP含量在不同波段的響應(yīng)程度，建模結(jié)果表明經(jīng)過(guò)微分處理的光譜變量構(gòu)建的多變量回歸模型效果較理想，微分變換也是高光譜遙感估測(cè)植物生化參量最常用的分析方法。

3）分別使用多元逐步線性回歸方法和多元非線性回歸方法建立各光譜變量的牧草CP含量的反演模型。對(duì)比同種光譜變量模型之間的估算精度，基于多變量的非線性回歸模型均高于線性回歸模型。通過(guò)比較得出以D(log(R))變量構(gòu)建的多元非線性回歸模型是牧草CP含量的最佳估算模型，R2達(dá)到0.918，RMSE僅為0.054。

上述研究證明了利用高分辨率高光譜圖像大面積估算牧草CP含量的可行性，今后可將研究對(duì)象推廣到其它植被類(lèi)型和更多的生化參量。

[1] 馬維維，鞏彩蘭，胡 勇，等. 牧草品質(zhì)的高光譜遙感監(jiān)測(cè)模型研究[J]. 光譜學(xué)與光譜分析，2015(10)：2851－2855.Ma Weiwei, Gong Cailan, Hu Yong, et al. Hyperspectral remote sensing estimating models for pasture quality [J].Spectroscopy and Spectral Analysis, 2015 (10): 2851－2855.(in Chinese with English abstract)

[2] 杜雪燕，王 迅，柴沙駝，等. 天然牧草營(yíng)養(yǎng)成分的近紅外光譜定量分析[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2015, 31(17)：6－11.Du Xueyan, Wang Xun, Chai Shatuo, et al. Quantitative analysis of nutrition composition of native grasses by near infrared reflectance spectroscopy[J]. Chinese Agricultural Science Bulletin, 2015, 31(17): 6－11. (in Chinese with English abstract)

[3] Kawamura K, Watanabe N, Sakanoue S, et al. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection[J].Grassland Science, 2008, 54(3): 131－145.

[4] Dale L M, Pierna J A F, Vermeulen P, et al. Research on crude protein and digestibility of Arnica montana L. using conventional NIR spectrometry and hyperspectral imaging NIR[J]. Journal of Food Agriculture & Environment, 2012,10(1): 391－396.

[5] Liu Mingbo, Li Xiaoli, Liu Yun, et al. Detection of crude protein, crude starch, and amylose for rice by hyperspectral reflectance[J]. Spectroscopy Letters, 2014, 47(2): 101－106.

[6] 張東彥，宋曉宇，馬智宏，等. 掃描成像光譜儀和地物光譜儀在單葉尺度上的對(duì)比研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2010，43(11)：2239－2245.Zhang Dongyan, Song Xiaoyu, Ma Zhihong, et al.Assessment of the developed pushbroom imaging spectrometer in single leaf scale.[J]. Scientia Agricultura Sinica, 2010,43(11):2239－2245. (in Chinese with English abstract)

[7] 任 哲，陳懷亮，王連喜，等. 利用交叉驗(yàn)證的小麥 LAI反演模型研究[J]. 國(guó)土資源遙感，2015，27(4)：34－40.Ren Zhe, Chen Huailiang, Wang Lianxi, et al. Research on inversion model of wheat LAI using cross-validation[J].Remote Sensing for Land & Resources, 2015, 27(4): 34－40.(in Chinese with English abstract)

[8] 陳君穎，田慶久，亓雪勇，等. 基于Hyperion影像的水稻冠層生化參量反演[J]. 遙感學(xué)報(bào)，2009，13(6)：1106－1121.Chen Junying, Tian Qingjiu, Qi Xueyong, et al. Rice canopy biochemical concentration retrievals based on Hyperion data[J]. Journal of Remote Sensing, 2009, 13(6): 1106－1121.(in Chinese with English abstract)

[9] Numata I, Roberts D A, Chadwick O A, et al. Evaluation of hyperspectral data for pasture estimate in the Brazilian Amazon using field and imaging spectrometers[J]. Remote Sensing of Environment, 2008, 112(4): 1569－1583.

[10] 豐明博，牛 錚. 基于經(jīng)驗(yàn)?zāi)Ｐ偷?Hyperion數(shù)據(jù)植被葉綠素含量反演[J]. 國(guó)土資源遙感，2014，26(1)：71－77.Feng Mingbo, Niu Zheng. Chlorophyll content retrieve of vegetation using Hyperion data based on empirical models[J].Remote Sensing for Land & Resources, 2014, 26(1): 71－77.(in Chinese with English abstract)

[11] Zarcotejada P J, Guilléncliment M L, Hernándezclemente R,et al. Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV)[J]. Agricultural and Forest Meteorology, 2013, 171－172: 281－294.

[12] 高 林，楊貴軍，于海洋，等. 基于無(wú)人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(22)：113－120.Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32 (22): 113－120. (in Chinese with English abstract)

[13] 田明璐，班松濤，常慶瑞，等. 基于無(wú)人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(11)：285－293.Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimating of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285－293. (in Chinese with English abstract)

[14] 秦占飛，常慶瑞，謝寶妮，等. 基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(23)：77－85.Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77－85. (in Chinese with English abstract)

[15] 張愛(ài)武，杜 楠，康孝巖，等. 非線性變換和信息相鄰相關(guān)的高光譜自適應(yīng)波段選擇[J]. 紅外與激光工程，2017，46(5)：213－221.Zhang Aiwu, Du Nan, Kang Xiaoyan, et al. Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation [J]. Infrared and Laser Engineering, 2017, 46(5): 213－221. (in Chinese with English abstract)

[16] 浦瑞良，宮 鵬. 高光譜遙感及其應(yīng)用[M]. 北京：高等教育出版社，2000.

[17] Vi?a A, Gitelson A A, Nguy-Robertson A L, et al.Comparison of different vegetation indices for the remote assessment of green leaf area index of crops[J]. Remote Sensing of Environment, 2011, 115(12): 3468－3478.

[18] 姜海玲，楊 杭，陳小平，等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J]. 光譜學(xué)與光譜分析，2015，35(4)：975－981.Jiang Hailing, Yang Hang, Chen Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J]. Spectroscopy and Spectral Analysis, 2015, 35(4):975－981. (in Chinese with English abstract)

[19] 王秀珍，王人潮，黃敬峰. 微分光譜遙感及其在水稻農(nóng)學(xué)參數(shù)測(cè)定上的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2002，18(1)：9－13.Wang Xiuzhen, Wang Renchao, Huang Jingfeng. Derivative Spectrum Remote Sensing and Its Application in Measurement of Rice Agronomic Parameters of Rice [J].Transactions of the CSAE, 2002, 18(1): 9－13. (in Chinese with English abstract)

[20] 王 磊，白由路，盧艷麗，等. 光譜數(shù)據(jù)變換對(duì)玉米氮素含量反演精度的影響[J]. 遙感技術(shù)與應(yīng)用，2011，26(2)：220－225.Wang Lei, Bai Youlu, Lu Yanli, et al. Effect on retrieval precision for maize nitrogen content by spectrum data transformation[J]. Remote Sensing Technology and Application,2011, 26 (2): 220－225. (in Chinese with English abstract)

[21] Kokaly R F, Clark R N. Spectroscopic Determination of leaf biochemistry using bard-depth analysis of absorption,features and stepwise multiple linear regression[J]. Remote Sensing of Environment, 1999, 67(3): 267－287.

[22] Huang Z, Turner B J, Dury S J, et al. Estimating foliage nitrogen contentrution from HYMAP data using continuum removal analysis[J]. Remote Sensing of Environment, 2004,93(1－2): 18－29.

[23] 童慶禧，張 兵，鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京：高等教育出版社，2006.

[24] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies[J].Remote Sensing of Environment, 2001, 76(3): 349－359.

[25] 劉 克，趙文吉，郭逍宇，等. 基于濕地植物光譜的水體總氮估測(cè)[J]. 生態(tài)學(xué)報(bào)，2012，32(8)：2410－2419.Liu Ke, Zhao Wenji, Guo Xiaoyu, et al. Estimation total nitrogen content in water body based on reflectance from wetland vegetation[J]. Acta Ecologica Sinica, 2012, 32 (8):2410－2419. (in Chinese with English abstract)

[26] 楊 杰，田永超，姚 霞，等. 水稻上部葉片葉綠素含量的高光譜估算模型[J]. 生態(tài)學(xué)報(bào)，2009，29(12)：6561－6571.Yang Jie, Tian Yongchao, Yao Xia, et al. Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice[J]. Acta Ecologica Sinica, 2009, 29 (12): 6561－6571.(in Chinese with English abstract)

[27] Thulin S, Hill M J, Held A, et al. Predicting Levels of crude protein, digestibility, lignin and cellulose in temperate pastures using hyperspectral image data[J]. American Journal of Plant Sciences, 2014, 5(7): 997－1019.

[28] Starks P J, Zhao D, Phillips W A, et al. Development of canopy reflectance algorithms for real-time prediction of bermudagrass pasture biomass and nutritive values[J]. Crop Science, 2006, 46(2): 927－934.