基于高光谱的凤眼莲植株氮含量无损监测

王晶晶， 孙 玲， 刘华周， 胡宇容， 肖 敏

(1.江苏省农业科学院农业经济与信息研究所，江苏 南京 210014;2.江苏省农业科学院农业资源与环境研究所，江苏 南京210014)

凤眼莲，俗名水葫芦，属单子叶植物纲百合目雨久花科，多年生漂浮性宿根大型水生草本植物。氮素是植物必需的营养元素之一，植物氮含量是评价植被长势的重要指标，是研究全球变化及营养元素迁移的重要因子［1-4］。凤眼莲根系发达，生长繁殖快，是公认的富集水体氮、磷能力最强的水生植物之一，国内外已有许多应用凤眼莲去除水体富营养化的研究报道［5-7］。凤眼莲植株富含氮、磷、钾，是良好的有机肥料，利用凤眼莲实现养分在水体与农田间的循环可产生较好的生态经济效益［8-9］。凤眼莲植株氮含量的动态监测对于诊断植物的营养状况、正确评价其生长的水体环境具有重要意义，也为其资源化利用提供基础数据。

国内外在植物氮素营养诊断发展过程中，经历了植株养分测试、叶色比对、硝酸盐快速诊断和无损测试技术的发展过程［10］。凤眼莲生长密集区域，致密的草垫易堵塞水道，使得实地观测比较困难;凤眼莲生长速度快，常规监测难以掌握动态变化数据;当凤眼莲覆盖面积较大时，实地取样的方法耗时耗力且难以得到全局性数据。因此，实地取样与近距离接触式的检测方法，在实现凤眼莲大面积的快速连续监测应用方面受到限制。与传统监测方法相比，植物植株氮含量的无损监测研究更能满足区域尺度的规模化信息获取和生产调控应用的需求。遥感技术是不直接接触目标物体，通过接收目标物体的反射或辐射的电磁波，获取目标地物的光谱数据与图像，从而实现对地物进行定量或定性描述的一种无损测试技术，具有独特的宏观、低成本、快速、动态的优势。植物个体及群体的生理生化差异及内、外部形态结构的差异所导致的光谱特征差异构成了植物光谱诊断的生理生态基础。植物组织中各种蛋白氮、氨基酸、叶绿体及其他氮素形态组分分子结构中的化学键在一定辐射水平光能的照射下发生振动响应，从而引起对某些波长的光产生吸收和反射差异，形成了不同的反射、吸收和透射光谱。植物氮含量光谱估算的实现是基于氮素组分敏感的反射光谱或吸收光谱与氮含量的定量关系。

20世纪70年代以来，开始有学者研究植物氮素的敏感波段及其反射率在不同氮素水平下的表现。Thomas等利用550 nm和670 nm反射率定量估算了甜椒冠层叶片的氮含量［11］。Fernandez等也发现用660 nm和545 nm光谱线性组合可以估算小麦的氮含量［12］。薛利红等利用近红外与绿光波段的比值预测水稻叶片氮积累量［13］。研究结果表明利用绿光、红光和近红外波段之间组合生成的植被指数可以用来监测植物氮素状况［14］。冠层反射光谱能够反映作物群体面源信息［15］，但是植被冠层反射光谱受背景、传感器姿态和信噪比、大气吸收、冠层结构等因素的影响，导致植株氮素状况监测的敏感波段与特征光谱参数的提取和预测模型的建立更为复杂［16］。高光谱遥感以其高分辨率、窄波段及连续性特点，可以提供更多的精细光谱信息，识别微小的反射和吸收特征，使得植被的许多生理、生化指标的定量估测成为可能［17］，为植物氮素监测提供了有效手段和技术途径。越来越多的研究利用高光谱遥感数据构建新型植被指数、微分光谱、植被红边参数来估测植物氮素状况［10］。微分光谱技术已用于减弱大气散射和吸收对于目标光谱特征的影响［18］，并部分减弱了背景因素的影响，在植被研究中得到了良好的应用［19］。

Lee等研究证明红边位置与短波近红外波段组合的预测精度较高［20］。牛铮等建立了微分光谱与叶片全氮含量的回归方程［21］;马亚琴等研究发现红边积分面积变量与冠层全氮含量有显著相关性［22］。

目前，遥感技术主要应用于水稻、小麦、棉花等作物的氮素实时监测和营养诊断，在水生植被氮含量监测中的应用鲜有报道。本文通过高光谱遥感方法来研究凤眼莲植株氮素含量，分析凤眼莲植株氮含量与冠层高光谱参数的关系，从而确定凤眼莲植株氮含量光谱估算的敏感波段和光谱参数，并建立定量估算模型，为凤眼莲植株氮含量的高光谱遥感监测提供理论依据和技术途径。

1 材料与方法

1.1 试验区

试验区位于江苏省常州市太湖竺山湖湖区，在该区用围栏进行凤眼莲人工控制性放养。利用不锈钢钢管、围网制成围区，围区尺寸为90 m×150 m。图1为试验区位置及围区布局图。试验于2010年7月至10月，分别在凤眼莲生长初期至衰老期间，采集了3个不同时间段凤眼莲植株的氮含量数据及同步的光谱反射率值。

1.2 凤眼莲冠层光谱数据的测定

使用美国ASD公司的FieldSpec HandHeld光谱议测量凤眼莲冠层光谱反射率。波长范围325.0～1 075.0 nm，光谱分辨率为3.5 nm，光谱采样间隔1.6 nm，共512个波段。探头视场角25°。反射光谱测量选择晴朗天气、风速很低时进行，每次测量时间为上午10∶30～13∶30。测量时，探头垂直向下，距离冠层高度约1 m。每样区测量5次，取平均值作为样点的光谱反射率值，各样点光谱测量前均利用标准白板进行反射校正。

图1 试验区位置及围区布局图Fig.1 The location and layout of study area

1.3 植株氮含量的测定

与光谱测量同步进行凤眼莲植株取样，样区数为5个，每样区取3～5株凤眼莲，取样后用水洗去残留物，放置阴凉处晾干表面残留水分，105℃杀青0.5 m in，70℃烘干至恒质量，称质量，粉碎，利用丹麦FOSS公司的流动注射分析仪FIAstar5000测定凤眼莲植株氮含量。

1.4 高光谱参数的选取

本研究一方面采用微分光谱技术提取了针对植被光谱的基于高光谱位置参数、基于高光谱面积参数;另外一方面基于可见光区域的光谱反射率计算出高光谱植被指数，共计15个特征参数(表1)与凤眼莲植株氮含量进行分析［23］。

表1 高光谱特征参数的定义Table 1 The definition of hyperspectral parameters

1.5 模型的检验

为了定量比较各模型的拟合效果，采用以下3个统计参数来进行模型精度检验，分别为决定系数R2、均方根误差(RMSE)和平均相对误差绝对值，R2越大模型效果越好;RMSE=，RMSE越小模型效果越好，MAPE=，MAPE越小模型效果越好;式中yi为实测氮含量，y'i为模型预测氮含量，y为实测氮含量的平均值，n为样本点数量。

2 结果

2.1 凤眼莲植株冠层反射光谱特征

实测凤眼莲植株冠层反射率见图2。结果(图2)显示，凤眼莲具有绿色植物普遍的光谱反射特征:在400～700 nm可见光波段，植被的反射率较低。在550 nm附近形成一个反射峰，称为“绿峰”;吸收波段主要集中于蓝、红光波段，形成了“蓝边”、“黄边”及“红谷”等，区别于土壤、岩石、水体的独特的光谱特征。在700～780 nm波段，是植被在红光波段的强吸收到近红外波段多次散射形成的高反射平台的过渡段，称为“红边”。

图2 凤眼莲植株冠层光谱反射率曲线Fig.2 Spectral reflectance of water hyacinth canopy

2.2 凤眼莲植株氮含量与光谱反射率的相关性

通过凤眼莲植株氮含量与原始光谱反射率之间的相关性计算探求其敏感波段，400～1 000 nm波段的光谱反射率与凤眼莲植株氮含量的相关系数见图3。结果显示，530～560 nm波段反射率与凤眼莲植株的氮含量具有最佳的相关性，相关系数的平均值为0.82。此结果与前人针对其他植被叶片及植株氮含量的敏感波段研究结果较为一致［24-25］。

图3 凤眼莲植株氮含量与光谱反射率的相关系数曲线Fig.3 The change of correlation coefficient between water hyacinth nitrogen concentrations and spectral reflectance

2.3 凤眼莲植株氮含量与高光谱参数的相关性

凤眼莲植株氮含量与高光谱位置参数的相关性见表2，结果显示，两者相关性达到0.01极显著水平相关的高光谱参数有绿峰反射率(Rg)、蓝边振幅(Db)、黄边振幅(Dy)和红边振幅(Dr)，另外，凤眼莲氮含量变化引起的“蓝边”及“黄边”的波长的偏移比较显著，而“绿峰”、“红谷”及“红边”波长的偏移并不显著。黄边振幅与凤眼莲植株氮含量的相关性最好，呈显著的负相关，相关系数为-0.85。

凤眼莲植株氮含量与高光谱面积参数的相关性见表3，结果显示，蓝边面积(SDb)、黄边面积(SDy)和蓝边面积(SDr)与氮含量的相关性均达到0.01极显著水平，其中黄边面积与凤眼莲植株氮含量的相关性最好，呈显著的正相关，相关系数为0.83。

凤眼莲植株氮含量与高光谱植被指数的相关性见表4，结果显示，绿峰反射率与红谷反射率建立的比值植被指数(Rg/Ro)及绿峰反射率与红谷反射率建立的归一化植被指数［(Rg-Ro)/(Rg+Ro)］与氮含量的相关性都未达极显著水平。

表2 凤眼莲植株氮含量与高光谱位置参数的相关系数Table 2 Correlation coefficients between nitrogen concentrations of water hyacinth and hyperspectral location parameters

表3 凤眼莲植株氮含量与高光谱面积参数的相关系数Table 3 Correlation coefficients between nitrogen concentrations ofwater hyacinth and the hyperspectral area parameters

表4 凤眼莲植株氮含量与高光谱植被指数的相关系数Table4 Correlation coefficients between nitrogen concentrations of water hyacinth and hyperspectral vegetation indices

2.4 凤眼莲植株氮含量高光谱估算模型

通过对凤眼莲冠层多个高光谱参数与植株氮含量进行相关分析，选择与氮含量显著相关的敏感波段及光谱参数，优选出7个显著相关的高光谱参数分别是Rg、Db、Dy、Dr、SDb、SDy及SDr。通过线性回归分析建立凤眼莲植株氮含量高光谱估算模型，检验结果见表5。结果显示，以黄边振幅(Dy)与黄边面积(SDy)建立的线性回归方程精度较好，其中以黄边振幅(Dy)建立的凤眼莲植株氮含量估算精度最高，线性回归方程的决定系数为0.74，估算的均方根误差为0.21%，平均相对误差绝对值为3.29%。

表5 凤眼莲植株氮含量高光谱估算模型Table 5 Estimation models of nitrogen concentrations of water hyacinth on hyperspectral parameters

3 讨论

本研究利用高光谱遥感数据，基于不同生长期的凤眼莲植株氮含量的野外大水域试验，通过对原始反射光谱与15个高光谱参数与凤眼莲植株氮含量进行相关分析，探求其敏感波段及高光谱特征参数，并建立了凤眼莲植株氮含量的估算模型。提出了Rg、Db、Dy、Dr、SDb、SDy及SDr与凤眼莲植株氮含量有较显著的相关性。利用黄边振幅(Dy)建立线性回归方程能够有效估算凤眼莲植株的氮含量，估算的均方根误差为0.21%，平均相对误差绝对值是3.29%。

本研究结果显示，530～600 nm是凤眼莲植株氮含量的敏感波段，530～560 nm波段光谱反射率与凤眼莲植株的氮含量的相关性的平均值可达0.82，通过550～600 nm波段的光谱反射率的一阶微分建立的黄边特征参数黄边振幅(Dy)和黄边面积(SDy)与凤眼莲植株的氮含量显著相关，其中Dy与氮含量的相关系数为-0.85。

本研究中凤眼莲植株氮含量的高光谱参数和估算模型是在某一个较大水域试验资料上研究和构建的，仍需要在多个生态系统水域进行广泛检验和完善，从而发挥更大的应用价值。同时，可以尝试将本研究中提出的高光谱估算参数和模型与空间遥感信息相结合，在更大的空间尺度上进行凤眼莲植株氮含量的提取和诊断。

致谢: 感谢南京师范大学地理科学学院张鹰教授为本研究光谱数据采集提供支持!

［1］ ROTH GW，FOX R H.Plant tissue test for predicting nitrogen fertilizer requirement of winter wheat［J］.Agronomy Journal，1989(81):502-507.

［2］ 蒋守华，刘葛山.不同密度、施氮量对油菜淮油18号产量的影响［J］.江苏农业科学，2013，41(12):83-85.

［3］ 王志春，王永慧，陈建平，等.氮磷钾肥配施对盐碱地甜高粱产量及干物质积累的影响［J］.江苏农业科学，2013，41(11):80-81.

［4］ 方淑梅，梁喜龙，纪伟波，等.外源NO对盐碱胁迫下水稻幼苗生长抑制的缓解作用［J］.江苏农业科学，2013，41(8):67-69.

［5］ AMANDAM N，WILLIAM J M.Tropical treatment wetlands dominated by free-floating macrophytes for water quality improvement in Costa Rica［J］.Ecological Engineering，2006，28:246-257.

［6］ 郑建初，常志州，陈留根，等.水葫芦治理太湖流域水体氮磷污染的可行性研究［J］.江苏农业科学，2008(3):247-250.

［7］ 张志勇，刘海琴，严少华，等.水葫芦去除不同富营养化水体中氮、磷能力的比较［J］.江苏农业学报，2009，25(5):1039-1046.

［8］ 盛 婧，郑建初，陈留根，等.水葫芦富集水体养分及其农田施用研究［J］.农业环境科学学报，2009，28(10):2119-2123.

［9］ 周文兵，谭良峰，刘大会，等.凤眼莲及其资源化利用研究进展［J］.华中农业大学学报，2005，24(4):423-428.

［10］ 郭建华，赵春江，王 秀，等.作物氮素营养诊断方法的研究现状及进展［J］.中国土壤与肥料，2008(4):10-14.

［11］ THOMAS JR，OERTHER G F.Estimating nitrogen content of sweet pepper leaves by reflectance measurements［J］.Agronomy Journal，1972，64:11-13.

［12］ FERNANDEZ S，VIDAL D，SIMON E，et al.Radiometric characteristics of triticum aestivum cv，astral under water and nitrogen stress［J］.International Journal of Remote Sensing，1994，15(9):1867-1884.

［13］ 薛利红，罗卫红，曹卫星，等.作物水分和氮素光谱诊断研究进展［J］.遥感学报，2003，7(1):73-79.

［14］ RACY M B，JAMESSS，GARY E V，et al.Nitrogen deficiency detection using reflected short-wave radiation from irrigated corn canopies［J］.Agronomy Journal，1996，88:1-5.

［15］ 冯 伟，朱 艳，姚 霞，等.小麦氮素积累动态的高光谱监测［J］.中国农业科学，2008，41(7):1937-1946.

［16］ 田永超，朱 艳，姚 霞，等.基于光谱信息的作物氮素营养无损监测技术［J］.生态学杂志，2007，26(9):1454-1463.

［17］ BOEGH E，SOEGAARD H，BROGE N，et al.Airborne multispectral data for quantifying leaf area index，nitrogen concentration，and photosynthesis efficiency in agriculture［J］.Remote Sensing of Environment，2002，81:179-193.

［18］ PHILPOT W D.The derivative ratio algorithm:avoiding atmospheric effects in remote sensing［J］.IEEE Transaction on Geosciences and Remote Sensing，1991，19(3):350-357.

［19］ LIY，DEMETRIADES-SHAH TH，KANEMASU E T，et al.Use of second derivatives of canopy reflectance for monitoring prairie vegetation over different soil backgrounds［J］.Remote Sensing of Environment，1993，44:81-87.

［20］ LEE T，RAIA K R，GRETCHEN F S.Reflectance indices with precision and accuracy in predicting cotton leaf nitrogen concentration［J］.Crop Science，2000，40:1814-1819.

［21］ 牛 铮，陈永华，隋洪智，等.叶片化学组分成像光谱遥感探测机理分析［J］.遥感学报，2000，4(2):125-129.

［22］ 马亚琴，包安明，王登伟，等.水分胁迫下棉花冠层叶片氮素状况的高光谱估测研究［J］.干旱区地理，2003，26(4):408-412.

［23］ 万玲凤，林 辉，刘秀英.樟树幼林生物化学参数与高光谱遥感特征参数相关分析［J］.中南林业科技大学学报，2007，27(4):44-48.

［24］ CHUBACHIN R，ASANOLO T.The Diagnosis ofnitrogen of rice plants using chlorophyllmeter［J］ .Japanese Journal of Soil Science and Plant Nutrition，1986，57:109-193.

［25］ TRACY M B，JAMESSS，GARY E ，et al.Nitrogen deficiency detection using reflected short-wave radiation from irrigated corn canopies［J］ .Agronomy Journal，1996，88:1-5.