苹果叶片氮素含量高光谱检测研究-电子发烧友网

1、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。植物中的N素含量是评价植被长势的重要指标之一，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。

由于对叶片N素含量反演过程的影响因素很多，而目前大多数研究多采用单一方法来预测叶片中N素含量，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人工神经网络建立地物光谱实测数据与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。

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℃，年降雨量820mm，年均日照时数2280h，年无霜期191d。县内平均海拔300m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

光谱测定采用地物光谱仪，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0．10m;光源用光谱仪自带的卤化灯，光源距样品表面距离0．50m，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80℃烘箱中，进行15～30min杀青处理;然后降温至60℃，烘干至恒量。把烘干样品用研钵研磨至粉状，用H2SO4－H2O2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进行处理，并通过EXCEL和统计产品与服务解决方案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，本文对测定的86组数据的光谱反射率Ｒ进行了变换，包括光谱的倒数(1/Ｒ)、光谱的对数(lnＲ)、光谱的一阶导数Ｒ')、光谱对数的一阶导数((lnＲ)')和光谱倒数的一阶导数((1/Ｒ)')(图1)。

图1苹果叶片反射率及其各种变换形式与N素含量的相关性

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

式中:x1，x2，x3和x4分别为中心波长364nm，373nm，392nm和998nm波段的一阶导数的值;y为N素含量值，单位为(g·kg－1)。上述4个波段的一阶导数与N素含量的相关系数与N素含量有较好的拟合性(图2)，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。

图 24个波段一阶导数与 N 素实测值的相关性

2.5 模型优选结果

在相关系数较大的28个样本中，随机抽取19个样本作为训练样本。BP人工神经网络模型的隐含层神经元个数为10(网络拓扑结构为“4－10－1”，即4个输入层节点、10个隐含层节点、1个输出层节点)时，可得到较好的N素值估计结果。模型的训练结果如图3(a)所示，

图 3 氮素实测值与 BP 人工神经网络模型预测值拟合效果

其中训练样本Ｒ2=0．8878，ＲMSE=0．0142。利用9组数据对网络训练结果进行检验，即把测试样本的4个波段一阶导数作为输入矢量P，进行N素值预测;并将N素含量的预测值与实测值进行拟合测试，测试结果如图3(b)所示，其中测试样本的Ｒ2=0．9001，ＲMSE=0．0150。为了对不同模型的预测效果进行比较，利用多元逐步回归分析模型对上述28组数据进行N素含量预测。预测结果如图4所示，其中Ｒ2=0．7163，ＲMSE=0．0222。

图4氮素实测值与多项式预测值拟合图

由此可以看出，BP人工神经网络模型预测的N素含量与实测N素含量的相关性比多元逐步回归分析模型更高，且均方根误差更低。可见BP人工神经网络模型对氮素含量监测具有更大的应用潜力。

4、结论

1)基于ACD实测数据建立的BP人工神经网络模型预测的N素含量与实测N素含量的相关性比多元逐步回归模型的更高，且均方根误差更低。

2)最优网络结构为“4－10－1”的BP人工神经网络模型的训练样本的Ｒ2=0．8878，ＲMSE=0．0142，测试样本的Ｒ2=0．9001，ＲMSE=0．0150。某研究者以红富士苹果为例进行的研究中，以一阶微分光谱建立的估测模型的Ｒ2=0．8。说明本文方法较前人有所改进，相关系数Ｒ2的提高较为明显。

3)结合BP人工神经网络算法建立的N素含量反演模型能够更精准地估测苹果叶片的N素含量，可为苹果树的营养诊断、高产栽培和遥感估产提供理论依据和技术支持，对苹果树的栽培与管理信息化有积极意义。

4)本文实验区山东省蒙阴县属于华北平原地区，是中国3大苹果产区之一，所建立的苹果叶片N素含量的高光谱估测模型对其他地区、其他类型苹果叶片N素含量的遥感估测有一定参考价值，但应用效果有待进一步研究。