吉一濤 舒清態(tài) 黃 田 謝福明 劉 延 吳秋菊

(西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224)

氮元素是植被生長發(fā)育過程中合成氨基酸和蛋白質(zhì)的重要元素，也是葉綠素以及植物必須的多種酶、維生素、激素的重要成分，對植被的光合作用強(qiáng)度和營養(yǎng)健康狀況有重要影響，是評價(jià)植被長勢的重要指標(biāo)之一[1]。遙感技術(shù)可以獲取豐富的光譜信息，其中高光譜遙感即使是在光線微弱的條件下，也能直接對地物目標(biāo)進(jìn)行光譜差異的定量分析[2]，這得益于其波段多、光譜分辨率高且連續(xù)的特點(diǎn)[3]。高山松 (Pinusdensata) 是云南省香格里拉市常見的針葉樹種，具有天然更新能力強(qiáng)、抗風(fēng)能力強(qiáng)、適應(yīng)范圍廣、分布集中的特點(diǎn)，肩負(fù)著該區(qū)域水源涵養(yǎng)和水土保持等生態(tài)防護(hù)的重要作用[4]。實(shí)時(shí)、快捷及精確地估測高山松葉片氮素含量，監(jiān)測高山松林營養(yǎng)狀況及長勢，對今后香格里拉地區(qū)用材林木生產(chǎn)科學(xué)指導(dǎo)和森林可持續(xù)經(jīng)營具有重要意義。

利用遙感數(shù)據(jù)對常見植被的氮素含量進(jìn)行實(shí)時(shí)快速的大面積無損監(jiān)測已具備可行性且日趨成熟，多年來一直是學(xué)者們關(guān)注與研究的熱點(diǎn)。但研究多應(yīng)用于作物方面，在森林植被尤其是針葉林方面的研究相對較少，在估測模型選擇上也以參數(shù)模型為主，非參數(shù)模型還未得到廣泛應(yīng)用。胡永光等[5]基于可見-近紅外光譜技術(shù)估測茶樹鮮葉氮素含量，建立基于偏最小二乘法的遙感模型可以更好地估測其葉片氮素含量；李哲等[6]采用4種不同的方法對甜菜冠層光譜數(shù)據(jù)進(jìn)行預(yù)處理，建立了甜菜冠層光譜與其氮素含量之間的估測模型；Terence等[7]采用專門針對于針葉的特殊性而發(fā)展起來的葉片尺度的輻射傳輸模型——LIBERTY模型，對松樹葉的氮素、葉綠素等生化參數(shù)進(jìn)行估測，與松樹葉片實(shí)驗(yàn)室分析結(jié)果進(jìn)行對比，具有很高的一致性；楊曦光等[8]將BP神經(jīng)網(wǎng)絡(luò)與4-Scale模型相結(jié)合對森林植被葉片和冠層2種尺度的氮素含量估測模型進(jìn)行研究，結(jié)合森林結(jié)構(gòu)參數(shù)LAI在高光譜遙感影像上得到了森林植被冠層尺度水平的氮素含量。鑒于國內(nèi)目前還沒有利用參數(shù)和非參數(shù)模型對高山松葉片氮素含量進(jìn)行估測的研究，本研究以香格里拉市高山松為研究對象，采用參數(shù)和非參數(shù)模型，擬建立具有高精度和普適性的高山松葉片氮素含量估測模型，旨在為高海拔山地地區(qū)針葉樹種生化參數(shù)遙感估測研究提供參考。

1 研究區(qū)概況

研究區(qū)位于云南省迪慶藏族自治州中部，香格里拉市建塘鎮(zhèn)東 (99°50′09″ E，27°47′51″ N)。區(qū)域內(nèi)地形地貌復(fù)雜，河流縱橫，湖泊遍布，平均海拔3 459 m。屬于山地溫帶季風(fēng)氣候，降雨干濕季分明，受地形和海拔因素影響較大，年平均氣溫5.5 ℃，平均年降水量618.4 mm，光照充足，氣溫年較差相對較小，日較差相對較大。森林覆蓋率高達(dá)75%，植被垂直分布典型，植被南北分布差異顯著。主要優(yōu)勢樹種有高山櫟 (Quercussemicarpifolia)、云南松 (Pinusyunnanensis)、高山松等[9]。

2 材料與方法

2.1 采 樣

在研究區(qū)選擇自然生長狀態(tài)下的高山松天然純林，選取不同生長階段不同長勢的高山松為研究對象，基本能代表研究區(qū)內(nèi)所有高山松的生長特征。高山松葉片采樣當(dāng)日天氣晴朗無風(fēng)無云。利用高枝剪工具剪取高山松樹冠上、中、下3個(gè)位置的健康樹枝，共剪取50株高山松的樣本。

2.2 測定內(nèi)容及方法

2.2.1葉片光譜測定及其特征參量

使用美國ASD公司的ASD FieldSpec 3地物光譜儀測定葉片光譜反射率，儀器波段值范圍為350～2 500 nm。光譜測量時(shí)間為11點(diǎn)至15點(diǎn)，根據(jù)環(huán)境條件選擇漫反射式測量，使用視場角為10°的探頭。預(yù)先在地面上放置1塊不受雜光影響的黑色平板，將葉樣展平其上，探頭與樣本距離保持在5～10 cm，以確保視場內(nèi)充滿葉片。每個(gè)樣本記錄15條光譜，每測1個(gè)樣本前后均對光譜儀進(jìn)行白板定標(biāo)。將光譜測定后的葉片樣本依次用錫紙、保鮮膜和保鮮袋封裝，置于裝有冰塊的保鮮箱中，于次日運(yùn)回實(shí)驗(yàn)室進(jìn)行生化組分測定分析。

本研究用到的光譜特征參量有3類：光譜位置特征參量、光譜面積特征參量、光譜植被指數(shù)特征參量。參量的詳細(xì)定義和描述參見文獻(xiàn) [10]。

光譜位置特征參量：紅邊幅值 (Dr)、紅邊位置 (λr)、黃邊幅值 (Dy)、黃邊位置 (λy)、藍(lán)邊幅值 (Db)、藍(lán)邊位置 (λb)、綠峰反射率 (Rg)、綠峰位置 (λg)、紅谷反射率 (Ro)、紅谷位置 (λo)。

光譜面積特征參量：黃邊面積 (SDy)、藍(lán)邊面積 (SDb)、紅邊面積 (SDr)。

光譜植被指數(shù)特征參量：SDr/SDb、SDr/SDy、Rg/Ro、(SDr-SDb)/(SDr+SDb)、(Rg-Ro)/(Rg+Ro)、(SDr-SDy)/(SDr+SDy)。

2.2.2葉片氮素含量測定

高山松葉片樣品氮素含量測定采用凱氏定氮法[11]。高山松葉樣經(jīng)過化學(xué)處理由有機(jī)氮先后轉(zhuǎn)變?yōu)闊o機(jī)銨鹽、氨氣，用標(biāo)準(zhǔn)鹽酸對吸收完氨氣的過量硼酸液進(jìn)行滴定，由此計(jì)算出葉樣氮素含量。

2.3 建模方法

2.3.1曲線擬合法

基于表1的基本模型，采用回歸分析曲線擬合的方法構(gòu)建各光譜特征參量與葉片氮素含量的估測模型。

表1 曲線擬合的數(shù)學(xué)統(tǒng)計(jì)模型Table 1 Mathematical statistical model of curve estimation

注：y為因變量，x為自變量，b0、b1、b2為常數(shù)。

2.3.2K-鄰近距離法

作為1種典型的非參數(shù)方法，K-鄰近距離法 (K-Nearest Neighbor, KNN) 可以描述為如果1個(gè)樣本在特征空間的k個(gè)最相似的樣本中大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別[12]。KNN基于參考點(diǎn)和預(yù)測點(diǎn)之間的空間相似關(guān)系進(jìn)行單變量或多變量預(yù)測[13]。

2.3.3模型精度檢驗(yàn)方法

高山松葉片氮素含量參數(shù)模型的精度檢驗(yàn)以及KNN模型氮素含量估計(jì)的參數(shù)優(yōu)選均采用決定系數(shù) (R2)、均方根誤差 (RMSE) 及相對誤差 (RE) 進(jìn)行評價(jià)[14]，其中RMSE和RE具體計(jì)算方法見式 (1)～(2)。

(1)

(2)

式中：yi為實(shí)測值，y^i為估測值，n為樣本數(shù)。

3 結(jié)果與分析

3.1 葉片氮素含量與光譜特征參量的相關(guān)性分析

對建模數(shù)據(jù)應(yīng)用皮爾遜 (Pearson) 相關(guān)分析方法[15]計(jì)算葉片氮素含量與各光譜特征參量之間的相關(guān)系數(shù)，生成的相關(guān)系數(shù)見表2。

表2 葉片氮素含量與各光譜特征參量之間的相關(guān)性分析Table 2 Correlation analysis between leaf nitrogen content and spectral parameters

注：**表示相關(guān)性極顯著 (P< 0.01)，*表示相關(guān)性顯著 (P< 0.05)。

由表2可知，在3類光譜特征參量中，葉片氮素含量與λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)呈極顯著 (P< 0.01)正相關(guān)，相關(guān)系數(shù)分別為0.593、0.746、0.730；葉片氮素含量與Db、SDb呈極顯著 (P< 0.01)負(fù)相關(guān)，相關(guān)系數(shù)分別為-0.510、-0.513。因此，選擇與葉片氮素含量存在極顯著相關(guān)且相關(guān)系數(shù)較大的參量λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb進(jìn)行曲線擬合分析，以期建立最適合氮素含量估測模型。

3.2 模型構(gòu)建

3.2.1基于回歸曲線法的高山松葉片氮素含量參數(shù)估測模型

剔除光譜異?；虻睾恐诞惓５臉颖竞笫Ｏ碌?0個(gè)樣本隨機(jī)選擇75%的樣本用于建立模型，剩余25%的樣本用于模型精度的檢驗(yàn)。

利用從表2中篩選出來的相關(guān)系數(shù)較大的光譜特征參量，采用回歸曲線基本模型建立估測葉片氮素含量的模型。分別以λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb為自變量，葉片氮素含量為因變量，進(jìn)行曲線擬合建立兩者之間的函數(shù)關(guān)系。根據(jù)擬合R2越大越優(yōu)、Sig越小越優(yōu)的原則，將各自變量擬合最好的模型形式結(jié)果匯總于表3。由表3可知，以SDr/SDb為自變量建立的估測模型效果最佳，其二次函數(shù)模型的擬合R2值達(dá)到最大，Sig值達(dá)到最小。

表3 模型擬合結(jié)果Table 3 The results of estimation models

3.2.2基于KNN的高山松葉片氮素含量非參數(shù)估測模型

隨機(jī)選取75% (30個(gè)) 樣本用于模型訓(xùn)練學(xué)習(xí)，剩余25% (10個(gè)) 用于測試和精度評價(jià)。KNN估測算法是在MATLAB軟件中編程實(shí)現(xiàn)并進(jìn)行分析的。

將呈極顯著相關(guān)的5個(gè)光譜特征參量λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb作為自變量，葉片氮素含量實(shí)測值作為因變量進(jìn)行KNN模型訓(xùn)練，再用檢測集數(shù)據(jù)對估計(jì)結(jié)果進(jìn)行誤差評價(jià)，選取KNN氮素含量估測模型最優(yōu)參數(shù)組合。獲得較高精度的幾種參數(shù)組合如表4所示。

表4 不同參數(shù)組合所得模型精度結(jié)果Table 4 Model accuracy results from combining different parameters

由表4可知，當(dāng)最鄰近樣本數(shù)為6，距離分解因子值為1，采用歐式距離作為樣本參考點(diǎn)和預(yù)測點(diǎn)之間的光譜距離度量方式時(shí)，可得到模型最優(yōu)的估測精度，其預(yù)測R2、RMSE和RE分別為0.856、0.12 g/100 g和5.43%。

3.3 精度評價(jià)

參數(shù)模型用未參與建模的10個(gè)樣本數(shù)據(jù)進(jìn)行檢驗(yàn)，檢驗(yàn)分析結(jié)果對比于非參數(shù)模型精度的結(jié)果見表5。

由表5可知，參數(shù)模型中以光譜位置參量和光譜面積參量為自變量的模型擬合R2、預(yù)測R2表現(xiàn)相對較差；以光譜植被指數(shù)參量為自變量的模型則具有較高的擬合R2和預(yù)測R2，其中以SDr/SDb(紅邊面積與藍(lán)邊面積比值) 為自變量建立的二次函數(shù)模型對比其他參數(shù)模型則具有更高的擬合R2和預(yù)測R2。因此，以SDr/SDb為自變量建立的二次函數(shù)模型符合模型挑選最優(yōu)原則，即以式 (5) 作為基于光譜特征參量高山松葉片氮素含量的參數(shù)估測模型。

y=0.735+0.065(SDr/SDb)+0.000 057

(SDr/SDb)2

(5)

KNN法構(gòu)建的非參數(shù)估測模型則比以SDr/SDb為自變量構(gòu)建的參數(shù)估測模型具有更大的預(yù)測R2、更小的RMSE值和相對誤差值，說明KNN非參數(shù)模型在高山松葉片氮素含量估測中具有更好的效果。

表5 參數(shù)模型與非參數(shù)模型估測精度對比Table 5 The comparison of estimation precision between parametric and nonparametric models

4 結(jié)論與討論

本研究基于光譜特征參量分別采用回歸曲線法和KNN法建立高山松葉片氮素含量估測的參數(shù)和非參數(shù)模型，經(jīng)過對比分析兩者的估測結(jié)果，可以得出以下結(jié)論：

1) 在參數(shù)模型中，以光譜植被指數(shù)參量為自變量構(gòu)建的估測模型擬合R2和預(yù)測R2相對較高，并且經(jīng)過精度檢驗(yàn)，得出了以SDr/SDb為自變量建立的二次函數(shù)模型，即公式 (5)，為基于光譜特征參量的高山松葉片氮素含量最優(yōu)參數(shù)估測模型。

2) 與參數(shù)模型相比，KNN法構(gòu)建的非參數(shù)模型精度有了更高的提升，其預(yù)測R2、RMSE和RE分別為0.856、0.12 g/100 g和5.43%，具有更優(yōu)的估測效果。說明具有穩(wěn)定算法和最優(yōu)參數(shù)組合的KNN模型在高山松葉片氮素含量估測中更具優(yōu)勢。

由于樣本光譜測量誤差和儀器誤差、樣本數(shù)量的限制以及人為等因素的影響，再加上回歸分析參數(shù)之間具有復(fù)共線性，故研究中回歸曲線法構(gòu)建的參數(shù)模型的精度不是特別高，回歸曲線分析在氮素含量估測方面具有很多局限性。而KNN法構(gòu)建的非參數(shù)模型能夠克服回歸分析中的很多缺陷，維持好光譜特征參量與氮素含量之間的自然結(jié)構(gòu)和一致性，減少了估測模型的偏差，算法設(shè)計(jì)簡單易于操作，取得了精度更高的預(yù)測結(jié)果。

雖然非參數(shù)模型比參數(shù)模型在生化參數(shù)估測方面精度較高，在應(yīng)用范圍上卻沒有參數(shù)模型廣泛，所以并沒有得到大范圍的快速普及。例如葉片尺度的參數(shù)估測模型可以很容易地?cái)U(kuò)展到冠層尺度并反映在高光譜影像上，非參數(shù)模型則受到模型條件限制而不能得到快速擴(kuò)展，需經(jīng)過更多復(fù)雜處理方可實(shí)現(xiàn)。

目前，針對針葉樹種生化參數(shù)尤其是氮素含量的高光譜數(shù)據(jù)分析研究還處于起步階段，且KNN方法也多用于森林資源分類和森林參數(shù)如蓄積量、生物量估測方面[16]。本研究首次將KNN法應(yīng)用于針葉樹種植被氮素含量的估測并取得了期望的效果，驗(yàn)證了KNN法在高山松葉片氮素含量估測中的適用性，但設(shè)計(jì)和改進(jìn)更好的KNN估測模型則需要更深入的研究與探討。

隨著高光譜技術(shù)的發(fā)展，光譜特征參量分析技術(shù)在針葉葉片尺度上對其生化參數(shù)進(jìn)行快速精確估測具有很大的潛力。越來越多的森林植被生化參數(shù)估測方法將會(huì)被應(yīng)用到高山松氮素含量的估測應(yīng)用中，特別是物理模型方法的應(yīng)用研究是未來的主要趨勢。利用高光譜遙感技術(shù)研究精確的高山松葉片氮素含量估測方法對香格里拉地區(qū)進(jìn)行大面積高山松林營養(yǎng)健康狀況的監(jiān)測具有重要的意義。

[1] Broge N H, Mortensen J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing Environment, 2002, 81(1): 150-154.

[2] 靳涵丞. 貴州喀斯特山區(qū)煙葉生化指標(biāo)高光譜估測模型研究[D]. 昆明: 云南大學(xué), 2014.

[3] 王淵, 黃敬峰, 王福民, 等. 油菜葉片和冠層水平氮素含量的高光譜反射率估算模型[J]. 光譜學(xué)與光譜分析, 2008, 28(2): 273-277.

[4] 云南森林編寫委員會(huì). 云南森林[M]. 北京: 中國林業(yè)出版社, 1986: 118-124.

[5] 胡永光, 李萍萍, 母建華, 等. 基于可見-近紅外光譜技術(shù)預(yù)測茶鮮葉全氮含量[J]. 光譜分析與光譜學(xué), 2008, 28(12): 2821-2825.

[6] 李哲, 田海清, 王輝, 等. 基于高光譜的甜菜冠層氮素遙感估算研究[J]. 農(nóng)機(jī)化研究, 2016, 38(6): 210-214.

[7] Terence P, Dawson, Paul J, et al. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment, 1998, 65: 50-60.

[8] 楊曦光, 于穎, 黃海軍, 等. 森林冠層氮含量遙感估算[J]. 紅外與毫米波學(xué)報(bào), 2012, 31(6): 536-543.

[9] 王金亮, 程鵬飛, 徐申, 等. 基于遙感信息模型的香格里拉森林生物量估算[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào), 2013, 30(3): 325-329.

[10] 浦瑞良, 宮鵬. 高光譜遙感及應(yīng)用: 第1版[M]. 北京: 高等教育出版社, 2000: 186-192.

[11] 高俊風(fēng). 植物生理學(xué)實(shí)驗(yàn)指導(dǎo)[M]. 北京: 高等教育出本社, 2006.

[12] 茍建平. 模式分類的K-近鄰方法[D]. 成都: 電子科技大學(xué), 2012.

[13] 鄭剛, 彭世揆, 戎慧, 等. 基于KNN方法的森林蓄積量遙感估計(jì)和反演概述[J]. 遙感技術(shù)與應(yīng)用, 2010, 25(3): 430-437.

[14] 郝黎仁, 樊元, 郝哲歐, 等. SPSS實(shí)用統(tǒng)計(jì)分析[M]. 北京: 中國水利水電出版社, 2003: 206-228.

[15] 程麗娟, 孫林, 姚延娟, 等. 植被生化組分定量遙感反演研究進(jìn)展[J]. 大氣與環(huán)境光學(xué)學(xué)報(bào), 2011, 6(3): 163-178.

[16] 許東, 代力民, 邵國凡, 等. 基于RS、GIS及k-近鄰法的森林蓄積量估測[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào) (自然科學(xué)版), 2008, 27(2): 195-197.