APP下载

基于高光谱数据的高寒草甸氮磷钾含量估测方法研究—以青海省贵南县及玛沁县高寒草甸为例

2016-04-27高金龙侯尧宸白彦福孟宝平杨淑霞胡远宁冯琦胜崔霞梁天刚

草业学报 2016年3期

高金龙,侯尧宸,白彦福,孟宝平,杨淑霞,胡远宁,冯琦胜,崔霞,梁天刚*

(1.草地农业生态系统国家重点实验室,兰州大学草地农业科技学院,甘肃 兰州 730020;

2.兰州大学西部环境教育部重点实验室,甘肃 兰州 730000)



基于高光谱数据的高寒草甸氮磷钾含量估测方法研究—以青海省贵南县及玛沁县高寒草甸为例

高金龙1,侯尧宸1,白彦福1,孟宝平1,杨淑霞1,胡远宁1,冯琦胜1,崔霞2,梁天刚1*

(1.草地农业生态系统国家重点实验室,兰州大学草地农业科技学院,甘肃 兰州 730020;

2.兰州大学西部环境教育部重点实验室,甘肃 兰州 730000)

摘要:以青海省玛沁县和贵南县高寒草甸作为典型研究区,利用地物光谱仪采集了20块样地的高光谱数据,并测定了对应样地所有样方中牧草的养分含量,分析了牧草中氮磷钾素含量与冠层原始光谱反射率和一阶微分光谱反射率之间的相关关系;采用回归统计方法,基于光谱位置变量、光谱面积变量及植被指数变量构建了高寒草甸氮磷钾素的估测模型,并对模型进行了精度评价。结果表明,1)与原始光谱反射率曲线相比,一阶微分光谱反射率曲线能较好地反映牧草中N、P、K素所对应的敏感波段;2)高寒草甸牧草中N、P、K素含量与冠层高光谱相关性较强的波段大多分布在红光区域(680~760 nm);3)基于光谱位置变量构建的估测模型能更好地反演高寒草甸N、P、K素含量。其中,以光谱位置变量为自变量的对数模型对氮素含量估测效果较好,R2为0.67,估测精度达到83.56%;以光谱位置变量为自变量的对数模型对磷素含量估测效果较好,R2为0.55,估测精度达到92.15%;以光谱位置变量为自变量的对数模型对钾素含量估测效果较好,R2为0.86,估测精度达到82.44%。

关键词:高寒草甸;高光谱遥感;牧草营养监测;估测模型

我国具有多样化的草地类型,其中高寒草甸类的面积最大,占全国草地面积的16.22%[1]。高寒草甸牧草营养状况关乎草地的生产和持续利用能力,牧草中粗蛋白(CP)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)、氮(N)、磷(P)、钾(K)等含量和牧草产量直接影响着放牧家畜生产[2]。传统的测定牧草营养成分含量的方法,不仅费时费力,且采样点往往缺乏代表性[3],大量的采样亦会对草地植被造成损害。随着高光谱遥感技术的发展和完善,这一技术在快速、无损估测植被冠层理化成分和大面积监测植物营养状况等方面取得了显著进展[4],这使得对天然草地牧草营养动态监测和牧草品质快速评价的深入研究成为可能。

Cho等[5]使用机载高光谱影像对绿色草本植物生物量进行估测的结果表明,基于高光谱影像偏最小二乘法(partial least squares,PLS)回归方法较高光谱指数的单变量回归方法能更精确的估测绿色草本植物的生物量。Kokaly和Clark[6]基于去包络线的光谱吸收特征法估测了干叶中氮素等营养成分含量,结果表明该方法对氮素含量的建模效果较好,可应用于其他植被氮素等化学成分含量的估测。Mutanga[2]在牧草营养高光谱遥感估测方面作了一系列研究,发现在红边位置的窄波段植被指数相对于归一化差值植被指数(normalized difference vegetation index,NDVI)能更精确的估测热带草原生物量,基于包络线去除后的冠层光谱吸收特征,可以精确估测牧草中N、P、K、Ca、Mg、Na的含量;在冠层水平上,红边位置713和725 nm处的斜率和振幅与野牛草(Buchloedactyloides)的氮素浓度具有明显的相关性[7];红光范围内的光谱吸收特征与叶片氮素浓度具有很强的相关性[8];利用逐步回归分析方法,可以估测基于去包络线的反射光谱特征所确定波段的野牛草叶片营养成分浓度,使用归一化波段深度指数(normalized band depth index,NBDI)可以估测鲜草叶片化学物质浓度[9];包络线去除后的微分光谱反射率(continuum removed derivative reflectance,CRDR)可以较好的评估热带萨王纳草地N、P、K等元素含量[10]。Knox等[11]对克鲁格国家公园牧草氮、磷及纤维素含量进行了模拟分析,结果表明利用这些模型可以大面积、全季节反演萨王纳草地牧草营养成分含量。Ramoelo等[12]基于RapidEye卫星影像对南非东北部地区两个牧场的草产量和氮素含量进行了评估,并基于植被指数绘制了牧草冠层氮素含量、地上生物量的空间分布图,该研究发现高光谱遥感数据的红边波段具有评估牧草质量和品质的潜力,利用植被指数和相应辅助数据可以绘制牧草养分空间分布图。胥慧等[13]利用高光谱遥感技术对内蒙古锡林郭勒草原秋季干枯牧草生物量进行研究,发现红谷吸收深度、近红外反射率的一阶微分总和、蓝边反射率的一阶微分总和等高光谱特征参数和草地生物量具有较高的相关性。张凯等[14]应用高光谱分辨率遥感技术对甘肃甘南天然草地地上生物量进行了估算,结果表明特征参数D723的对数回归模型可以作为甘南草地地上绿色植被生物量的最佳高光谱估算模型。纳钦[15]利用非成像光谱仪测定了紫花苜蓿(Medicagosativa)和缘毛雀麦(Bromuscilitus)的冠层光谱反射率,分析了光谱反射率与牧草营养成分含量之间的相关性,发现单波段反射率与牧草营养成分含量的相关性较好,并基于此构建了牧草中叶绿素、N、P、K和NDF含量的估算模型,模型精度达90%以上。王迅等[16]对高寒草地牧草营养成分和高光谱数据进行分析的结果表明,通过两波段比值指数(Ri/Rj)构建的高光谱指数模型与草地生物量、磷、粗灰分、粗蛋白等指标间显著相关。

综上所述,国内外许多学者在牧草高光谱遥感研究方面大多集中在草地生物量的建模与估测、草地牧草冠层光谱吸收特征分析和牧草营养成分含量空间制图,虽然取得了一些研究成果,但主要针对高寒草甸混合牧草营养成分的高光谱遥感分析及草地营养成分含量空间分布特征的研究尚鲜有报道。

基于以上因素的考虑,本研究利用高寒草甸盛草期混合种类牧草的冠层高光谱遥感数据,重点探索研究混合种类牧草中矿质元素氮、磷、钾含量的估测模型,以期为我国高寒草甸牧草营养动态监测和品质评价提供理论依据。

1材料与方法

1.1研究区概况

本实验研究区为青海省贵南县、玛沁县典型高寒草甸区。玛沁县高寒草甸试验区位于东经100°12′-100°18′,北纬34°21′-34°29′,主要优势植物有矮生嵩草(Kobresiahumilis)、针茅(Stipacapillata)、苔草(Carextristachya)等,植被覆盖度在80%~100%。贵南县高寒草甸试验区位于东经100°43′-100°50′,北纬35°27′-35°31′,主要建群种有小嵩草(Kobresiapygmaea)、矮生嵩草、冷地早熟禾(Poacrymophila)、针茅、苔草等,植被覆盖度为80%~95%。

1.2草地观测数据

在样地选择和样点布局上,参考澳大利亚陆地生态系统网络中AusPlot项目采用的基准样地采样技术[17],结合高寒草地植被特征,在核心试验区采用9点法布设了20块样地,其中玛沁县9块,贵南县11块,样地大小为100 m×100 m,其空间分布如图1所示。对每个样地的9个0.5 m×0.5 m样方采用传统的采样方法测定了草地盖度、草层高度及地上生物量等指标,并将样方中草样剪下装袋,带回实验室经烘干、粉碎、均匀混合处理之后,用化学分析方法对草样中的营养元素进行定量分析。氮素含量测定使用H2SO4-H2O2消煮+蒸馏法,磷素含量测定使用H2SO4-H2O2消煮+钒钼黄比色法,钾素含量测定使用H2SO4-H2O2消煮+火焰光度法。最后,计算出各样地的养分含量均值。

1.3高光谱数据采集

高光谱数据的采样点位于玛沁县与贵南县高寒草甸核心试验区的样地内,采样时间为2015年7月中旬和9月初,光谱测量所用仪器为荷兰Avantes公司制造的适用于遥感测量、农作物监测等方面的AvaField-3便携式高光谱地物波谱仪,其光谱范围为300~2500 nm,其中300~1100 nm的光谱分辨率为1.4 nm,光谱采样间隔为0.6 nm;1100~2500 nm的光谱分辨率为15 nm,光谱采样间隔为6 nm。光谱采集要选择干燥、无风、晴朗无云或少云的天气进行,并根据天气条件及时进行标准白板校正,采集时间尽量在11:00-15:00之间,此时光照条件良好。为避免土壤背景的影响,混合种类草地光谱数据的采集要尽量选择植被覆盖度高的区域进行[18-19]。光谱采集参数设置时间为100 ms,测量后及时进行白板校正[18,20]。每块样地选择2~3个光谱采样点进行高光谱数据采集,每个样点每次重复测量10次,最后以该样点的光谱反射率均值制作光谱反射率曲线。

1.4高光谱数据预处理

1.4.1高光谱数据的平滑滤波光谱测量易受天气、空气水分、冠层水分等因素影响,光谱曲线难免会出现异常,因此在进行光谱数据分析之前,应该剔除有明显异常的数据。本研究中使用AvaField-3地物光谱仪自带的Viewer 7.0软件对每个样点的多次重复测量值进行平均处理,得到各样点的光谱反射率数据。光谱数据的平滑滤波处理可以有效地消除噪声,提高信噪比,并且不会改变信号的形状、宽度[21],常用的信号平滑滤波方法有移动平均法和Savitzky-Golay卷积平滑法(即S-G滤波)[22-23],本研究主要运用Origin 9.0数据分析软件中的S-G滤波方法对光谱进行平滑处理,基于一定先验知识,在滤波参数移动窗口宽度及多项式次数的优化选择上选择11和5[24-25]。

图1 贵南县(A)和玛沁县(B)核心试验区1 hm2样地空间分布Fig.1 The spatial distribution of core experimental area one hectare sample in Guinan (A) and Maqin (B) County

1.4.2高光谱数据插值由于光谱采样点在350~1500 nm和1500~2500 nm之间的光谱采样间隔不一致,因此需要对光谱数据进行插值处理,保证数据的整齐度,方便后期的数据分析。在本研究中,光谱数据的插值采用Origin 9.0数据分析软件中的Linear插值法[26-27],插值后的光谱曲线称为原始光谱。

1.4.3高光谱数据微分处理研究表明,光谱数据微分处理可以有效地降低或消除土壤等背景对冠层光谱的影响[28],提高光谱数据的多重共线性[29]。本研究中使用ENVI 5.0遥感图像处理软件的一阶微分(1st derivative)插件对光谱数据进行了处理,将处理后的光谱称之为一阶微分光谱。

1.5建模与验证数据集选取

本研究总共测量了20块样地的高光谱数据,由于在测量时天气突变,其中2块样地的高光谱数据出现明显异常,经删选后,总共剩余18块样地(玛沁7块,贵南11块)的高光谱数据与营养素含量数据符合建模及精度验证要求。从中随机选择12块样地作为建模数据集,用来建立混合牧草中N,P,K素的估测模型,剩余6块样地作为验证数据集来评估预测模型精度。

2结果与分析

2.1高寒草甸养分及高光谱特征分析

对研究区18块样地的牧草养分实验室测定数据进行了描述性统计分析(表1),从中可以看出,研究区草地养分含量最高的为氮素,平均含量为20.5667 g/kg,标准偏差为4.66716 g/kg,其次是钾素,平均含量为18.5667 g/kg,标准偏差为3.11184 g/kg,最后是磷素,平均含量为3.7111 g/kg, 标准偏差为0.61538g/kg。 本实验虽样地数量具有一定的局限性,但是在科学的实验设计、精确的化学养分测定条件下,所测定得到的研究区草地养分数据仍然具有一定的可信度。

表1 实验室所测牧草氮磷钾素含量的描述性统计

图2为玛沁7块样地与贵南11块样地的原始光谱曲线。与健康植物的波谱曲线[30]相对比,高寒草甸的原始光谱曲线具有明显的健康植被光谱反射特征。由于草地植被冠层中以叶绿素为主的色素强烈地吸收红光而反射绿光,形成了在可见光波段560和675 nm左右的“绿峰”和 “红光低谷”;受到草地冠层叶片细胞结构的影响,在700~800 nm间形成了一个反射率急剧增高的陡坡,并在800~1300 nm之间形成了一个高反射率的反射峰;受到草地植被冠层中水分影响,贵南与玛沁草地光谱曲线均在1450和1950 nm附近出现了吸收谷,并在1300~1400 nm和1800~1900 nm之间出现了比较明显的异常情况。本研究参考Fricke和Wachendorf[31]、张凯等[32]对这些异常波段的处理方法,对1300~1400 nm和1800~1900 nm波段范围内的光谱曲线进行了优化。

由于野外草地高光谱测量的不定性因素较多,玛沁与贵南草地光谱曲线均在近红外1050~1150 nm波段之间出现了较大噪声,在1350和1850 nm附近出现了反射率异常情况。通常,近红外波段的反射率主要取决于叶片结构及其细胞构造。高寒草甸不同植被类别间内部结构变化较大,这可能是造成研究区草地光谱在近红外波段差异较大[32],出现较大噪声的原因之一。此外,由于在1300~2500 nm波段之间,植被叶片水分含量是控制叶子反射率的主要因素,样点观测时间的差异以及不同植被类型叶片含水量存在一定差别,所以叶片含水量的不均匀性也有可能导致该波段反射数据出现噪声现象。

图2 玛沁(A)、贵南(B)原始光谱曲线Fig.2 The original spectrum of Maqin (A) and Guinan (B) County

2.2高寒草甸N、P、K含量与高光谱数据的相关性分析

2.2.1高寒草甸N含量与原始光谱及一阶微分光谱相关性分析如图3所示为建模样地牧草N素含量与草地原始光谱和一阶微分光谱反射率之间的相关系数曲线,可以看出:在718~754 nm波段内,牧草N素含量与草地原始光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在728 nm处的相关系数最大,达0.53;在690~726 nm波段内,牧草N素含量与草地一阶微分光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在708.88 nm处的相关系数最大,达0.68。

2.2.2高寒草甸P含量与原始光谱及一阶微分光谱相关性分析如图4所示为建模样地牧草P素含量与草地原始光谱和一阶微分光谱反射率之间的相关系数曲线,可以看出:在722~800 nm波段内,牧草P素含量与草地原始光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在736 nm处的相关系数最大,达0.52;在695~734 nm波段内,牧草P素含量与草地一阶微分光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在704.85 nm处的相关系数最大,达0.66。

图3 草地原始光谱(a)、一阶微分光谱(b)与牧草N素含量相关性分析Fig.3 The correlation relationship between the nitrogen content and the original spectrum (a) and the first-order differential spectrum (b)

图4 草地原始光谱(a)、一阶微分光谱(b)与牧草P素含量相关性分析Fig.4 The correlation relationship between the phosphorus content and the original spectrum (a) and the first-order differential spectrum (b)

2.2.3高寒草甸K含量与原始光谱及一阶微分光谱相关性分析如图5所示为建模样地牧草K素含量与草地原始光谱、一阶微分光谱反射率之间的相关系数曲线,可以看出:在703~1095 nm和1148~1280 nm波段内,牧草K素含量与草地原始光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在720,1011及1160 nm处的相关系数相对较大,分别为0.77,0.71,0.64;在680~726 nm波段内,牧草K素含量与草地一阶微分光谱反射率之间的相关系数均在0.5以上(P<0.05),呈显著正相关关系,在697.36 nm处的相关系数最大,达0.88。

图5 草地原始光谱(a)、一阶微分光谱(b)与牧草K素含量相关性分析Fig.5 The correlation relationship between the potassium content and the original spectrum (a) and the first-order differential spectrum (b)

2.3高寒草甸N、P、K含量的高光谱反演模型及精度评价

2.3.1特征波段选取与光谱参量构建本项研究在高光谱估测特征波段及光谱参量的选择上主要采取基于光谱位置变量、基于光谱面积变量及基于植被指数变量3种形式,特征波段主要选择牧草N、P、K素含量与草地原始光谱和一阶微分光谱相关系数曲线中R>0.5所对应的波长范围,光谱参量的选取及其描述如表2所示。

2.3.2高寒草甸N、P、K估测模型构建分别以牧草N、P、K素相关光谱参量为自变量,对应的牧草N、P、K素实验室实测值含量为因变量,通过SPSS 17.0软件进行回归分析,并以P<0.01的显著性水平进行F检验,构建草地营养素含量与光谱参量之间的拟合模型,然后依据该模型是否通过了F检验以及其拟合决定系数大小,从中选出了相对较好的模型,结果如表3所示。

2.3.3高寒草甸N、P、K估测模型精度分析由表3可知,有12个模型(其中3个N素含量模型,4个P素含量模型,5个K素含量模型)通过了F检验,达到了极显著性水平。逐步回归方法简单易用,但是经常出现“过渡拟合”现象[33]。当选取的建模样本较少而波段数较多时,这种现象极易发生,这时波段的反射率可能与牧草中的某些营养成分并不相关,但是其噪声模式却与某种营养成分相关,而且这种误差发生的可能性往往会随着波段数的增多而提高[34]。模型精度评价可以提高模型精度,降低随机误差,因此,使用验证数据集对所建立的草地N、P、K素含量估测模型进行精度评价是很有必要的。本文利用6块样地的高光谱数据作为验证数据集,对上述12个估测模型进行验证,结果如表4所示。

表2 高寒草甸N、P、K估测模型高光谱参量描述

表3 高寒草甸N、P、K素含量估测模型

注:**表示极显著水平(P<0.01),模型中X表示光谱参量,Y表示对应的营养素含量,下同。

Note: ** indicate significantly correlation at the level of 0.01,Xindicate spectrum parameter andYindicate the corresponding nutrient content, the same below.

在3个N素含量模型中,估测结果的回归系数R2变动范围为0.604~0.629,平均值为0.616,与拟合方程的R2平均值0.685相比,结果有一定偏差,说明所选N素模型的估算结果是比较理想的。在4个P素含量模型中,估测结果的回归系数R2变动范围为0.538~0.563,平均值为0.550,与拟合方程的R2平均值0.546相比,结果相差不大,说明P素模型的估算结果是相对理想的。在5个K素含量模型中,估测结果的回归系数R2变动范围为0.812~0.854,平均值为0.835,与拟合方程的R2平均值0.859相比,二者有一定差异,但变化不大,说明所选的K素模型的估算结果也是比较理想的。考虑到本研究中样地数量的局限性,利用6块样地的实测数据验证上述模型,结果可能存在一定的不确定性,尚需进一步完善。

表4 高寒草甸N、P、K含量估测模型精度评价结果

图6 牧草中N、P、K素含量最佳估测模型的估测结果

3讨论

3.1高寒草甸牧草N、P、K素高光谱特征波段与光谱参量分析

3.1.1特征波段的选择基于上述研究结果,高寒草甸牧草N、P、K素含量与冠层原始光谱反射率、一阶微分光谱反射率关系密切的波段主要集中在680~1300 nm之间,其中与N素含量相关性较强(R>0.5)的波段主要集中在718~754 nm(原始光谱)和690~726 nm(一阶微分光谱)之间,且基于708.88 nm处的一阶微分光谱反射率值与牧草氮素含量之间的模型具有较好精度;与P素含量相关性较强(R>0.5)的波段主要集中在722~760 nm(原始光谱)和695~734 nm(一阶微分光谱)之间,且基于704.85 nm处的一阶微分光谱反射率值与牧草磷素含量之间的估测模型具有较好精度;与K素含量相关性较强(R>0.5)的波段主要集中在703~1095 nm(原始光谱)、1148~1280 nm(原始光谱)和680~726 nm(一阶微分光谱)之间,且基于697.36 nm处的一阶微分光谱反射率值与牧草钾素含量之间的估测模型具有较好精度。

本研究分析所得高光谱N、P、K素含量特征波段主要集中在红光波段(690~754 nm),与已有研究有一定差别,但大致相似。付彦博[35]、Mutanga[2]等分别对紫花苜蓿和天然牧草营养品质高光谱的研究发现,牧草中N、P、K素含量与高光谱敏感的波段大多分布在红光区域(680~760 nm),在该区域所选择的很多波段与植被生化物质含量显著相关。Lichtenthaler等[36]对野生烟草(Nicotianatabacum)色素、氮素含量的光谱分析发现,红边区域的光谱反射率比值(R750/R700)与冠层叶片叶绿素、氮素浓度具有很高的相关性。Ramoelo等[12]对萨王纳草地品质的研究发现基于红边波段的高光谱遥感数据具有评估牧草质量和品质的潜力。Clevers和Büker[37]的研究也发现红边位置(700~750 nm)与牧草叶绿素和氮素含量的相关性较强。本研究结果与这些研究基本一致。但是,纳钦[15]研究发现生长期紫花苜蓿单波段(2438,2438,1362 nm)反射率与其营养成分N、P、K含量具有较高的相关性,结实后期的缘毛雀麦单波段(2495,2495,1403 nm)反射率与其营养成分N、P、K之间具有较高的相关性。Sembiring等[38]研究发现可以用435 nm处的光谱反射率和光谱指数(R695/R405)作为判断狗牙根(Cynodondactylon)磷素含量的指标。造成这些差异的原因一方面可能是草地植被群落物种组成、草层高度、植被冠层形态结构、理化组成、叶片颜色及组织构造的不同,草地植被的光谱反射率会存在一定的差别。另一方面可能是植物叶片中的矿质元素的光谱吸收特征容易被水分的吸收特征掩盖[6,39],这也可能是本研究在长波近红外波段未发现牧草N、P、K素含量特征波段的重要原因。

3.2高光谱数据微分处理与牧草养分含量的相关性分析

通过对冠层原始光谱反射率与一阶微分光谱反射率所建估测模型的分析对比发现,一阶微分光谱相对于原始光谱能较好地反映出牧草中N、P、K素所对应的敏感波段,所建估测模型的精度较高,误差较小。潘蓓[42]、熊鹰等[43]及张喜杰和李民赞[44]的研究结果也表明微分光谱可以消除部分系统误差以及土壤背景等因素的影响,提高模型精度。Mutanga等[9]的研究也表明叶片生化物质浓度与一阶微分光谱反射率之间具有很高的相关性。潘蓓[42]应用了二阶微分对光谱数据进行了处理,发现对光谱数据进行二阶微分处理也可以提高反演精度。本文中也尝试了对光谱数据进行二阶微分处理,但是噪声太大,无法提取有效信息,可能是因为研究的植被类型及其环境差异所致。

3.3高光谱遥感在高寒草甸牧草营养成分含量分析中的主要影响因素

高寒草甸牧草冠层的光谱反射特征容易受到冠层叶片水分含量、冠层形状结构、理化组成、土壤背景、大气等因素的影响,特征波段的选择与建模所使用的高光谱遥感数据关联密切,由于不同研究区的建群种的差异,高寒草甸牧草高光谱的特征波段往往差异也很大[45-46],模型的准确性依赖于大量的实测数据,而且会随着时间、地域、植被类型、生长季的变化而变化[47],这就在一定程度上限制了利用高光谱遥感对牧草养分含量进行估测的可靠性和普适性。

4结论

本研究基于高寒草甸冠层光谱曲线特征,建立了以光谱特征参数为自变量的高寒草甸牧草氮磷钾素的估测模型,主要得出以下结论:

1)对高寒草甸冠层光谱反射曲线的特征分析发现,红光区(680~760 nm)的反射率与牧草中氮磷钾素含量相关性均比较显著。其中,与牧草中氮素含量相关性较强的波段为690~754 nm,与牧草中磷素含量相关性较强的波段为695~760 nm,与牧草中钾素含量相关性较强的波段为680~1095 nm、1148~1280 nm。

3)对原始光谱进行一阶微分处理,可以有效限制低频背景(如土壤、凋落物等)光谱对牧草养分吸收特征的影响,因此利用一阶微分光谱的吸收特征可以提高牧草中N、P、K素含量估测模型的精度。

References:

[1]Xu P, Hu Z Z, Zhu J Z,etal. Grassland Resource Survey and Planning[M]. Beijing: China Agriculture Press, 2000.

[2]Mutanga O. Hyperspectral Remote Sensing of Tropical Grass Quality and Quantity[D]. Enschede: Wageningen University, 2004: 111.

[3]Lü Y H, Fu B J. Ecological scale and scaling. Acta Ecologica Sinica, 2001, 21(12): 2096-2105.

[4]He Y Z, Zhang Z Q, Guan C Y. Application and prospect of hyperspectral remote sensing technology in precision agriculture monitoring.Crop Research, 2015, (1): 96-100.

[5]Cho M A, Skidmore A, Corsi F,etal. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observation and Geoinformation, 2007, 9(4): 414-424.

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

[7]Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34-42.

[8]Mutanga O, Skidmore A K, van Wieren S. Discriminating tropical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263-272.

[9]Mutanga O, Skidmore A K, Kumar L,etal. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.

[10]Mutanga O, Skidmore A K. Continuum-Removed Absorption Features Estimate Tropical Savanna Grass Quality in Situ[C].Herrsching: 3rd EARSEL Workshop on Imaging Spectroscopy, 2003: 13-16.

[11]Knox N M, Skidmore A K, Prins H H T,etal. Remote sensing of forage nutrients: Combining ecological and spectral absorption feature data. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 72: 27-35.

[12]Ramoelo A, Cho M A, Mathieu R,etal. Estimating grass nutrients and biomass as an indicator of rangeland (forage) quality and quantity using remote sensing in Savanna ecosystems. 9th International Conference of the African Association of Remote Sensing and the Environment[C]. Eljadida, Morocco: AARSE, 2012.

[13]Xu H, Bao Y H, Bao G,etal. Typical grassland of Inner Mongolia hay biomass hyper-spectral remote sensing estimation research. Yinshan Academic Journal: Natural Science Edition, 2014, 28(4): 22-27.

[14]Zhang K, Guo N, Wang R Y,etal. Hyperspectral remote sensing estimation models for aboveground fresh biomass in Gannan grassland. Pratacultural Science, 2009, 26(11): 44-50.

[15]Na Q. Hyperspectral and Nutrition ofMedicagosativaL andBromuscilitusL. Correlation Research[D]. Hohhot: Inner Mongolia Agricultural University, 2010.

[16]Wang X, Liu S J, Jia H F,etal. Study on the nutrition of alpine meadow based on hyperspectral data. Spectroscopy and Spectral Analysis, 2012, 32(10): 2780-2784.

[17]Foulkes J N, White I A, Sparrow B D,etal. AusPlots-Rangelands Monitoring Site Stratification and Survey Methods within TERN (Terrestrial Ecosystem Research Network)[R]. Adelaide: Discussion Paper, Terrestrial Ecosystem Research Network, 2011.

[18]Qian Y R, Yu J, Jia Z H,etal. Extraction and analysis of hyper-spectral data from typical desert grassland in Xinjiang. Acta Prataculturae Sinica, 2013, 22(1): 157-166.

[19]Liu B, Shen W S, Li R,etal. Spectral characteristics of alpine grassland during degradation process in the source region of Yarlung Zangbo. Spectroscopy and Spectral Analysis, 2013, 33(6): 1598-1602.

[20]Li J L. Remote Sensing Monitoring Grassland Degradation[M]. Beijing: Science Press, 2012: 102-154.

[21]Chu X L, Yuan H F, Lu W Z. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique. Progress In Chemistry, 2004, 16(4): 528-542.

[22]Liang Y Z, Yu R Q. Analytical Chemistry Handbook (10)—Stoichiometry[M]. Beijing: Chemical Industry Press, 2001.

[23]Liu S S, Yi Z S. Basic Stoichiometry[M]. Beijing: Science Press, 1999.

[24]Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964, 36(8): 1627-1639.

[25]Erasmi S, Dobers E S. Potential and Limitations of Spectral Reflectance Measurements for the Estimation of the Site-specific Variability in Crops[C]. Barcelona: Proceedings of SPIE - The International Society for Optical Engineering, 2004: 42-51.

[26]Zhang J, Wang M Z, Chen L,etal. Interpolation algorithm in the application of hyperspectral data. Journal of Sichuan University of Science & Engineering (Natural Science Edition), 2012, 3(3): 43-46.

[27]Zhang J W. Origin 9.0 Super Learning Manual Drawing and Data Analysis Technology[M]. Beijing: Post & Telecom Press,2014.

[28]Demetriades-Shah T H, Steven M D, Clark J A. High resolution derivative spectra in remote sensing. Remote Sensing of Environment, 1990, 33(1): 55-64.

[29]Li M Z. Spectral Analysis Technology and Application[M]. Beijing: Science Press, 2006: 181.

[30]Mei A X. Introduction to Remote Sensing[M]. Beijing: Higher Education Press, 2001.

[31]Fricke T, Wachendorf M. Combining ultrasonic sward height and spectral signatures to assess the biomass of legume-grass swards. Computers and Electronics in Agriculture, 2013, 99(7): 236-247.

[32]Zhang K, Guo N, Wang R Y,etal. Research on spectral reflectance characteristics for desert meadow of Northwest China.Advances In Earth Science, 2006, 21(10): 1063-1069.

[33]Pu R L, Gong P. Hyperspectral Remote Sensing and Application[M]. Beijing: Higher Education Press, 2000.

[34]Wang X Z, Huang J F, Li Y M,etal. The study on multi-spectral remote sensing estimation models about LAI of rice. Remote Sensing Technology and Application, 2003, 18(2): 57-65.

[35]Fu Y B. Main Physiological Indicators of Hyperspectral Inversion in Alfalfa Seed Production[D]. Urumchi: Xinjiang Agricultural University, 2013.

[36]Lichtenthaler H K, Gitelson A, Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements. Journal of Plant Physiology, 1996, 148(3): 483-493.

[37]Clevers J, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency. Proceedings of the 5th International Colloquium-Physical Measurements and Signatures in Remote Sensing[C]. Courchevel, France: European Space Agency, 1991.

[38]Sembiring H, Raun W R, Johnson G V,etal. Detection of nitrogen and phosphorus nutrient status in bermuda grass using spectral radiance. Journal of Plant Nutrition, 1998, 21(6): 1189-1206.

[39]Clevers J. The use of imaging spectrometry for agricultural applications. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(5): 299-304.

[40]Tang Y L. Study on the Hyperspectral Characteristics and Simulating and Estimating Models about Biophysical and Biochemical Parameters of Rice[D]. Hangzhou: Zhejiang University, 2004.

[41]Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 2003, 86(4): 542-553.

[42]Pan B. Hyperspectral Estimation of Apple Tree Canopy Nitrogen, Chlorophyll and LAI Status[D]. Taian: Shandong Agriculture University, 2013.

[43]Xiong Y, Liu B, Yue Y M. Inversion of nitrogen content of plant leaves based on ASD and FISS. Ecology and Environmental Sciences, 2013, 22(4): 582-587.

[44]Zhang X J, Li M Z. Analysis and estimation of the phosphorus content in cucumber leaf in greenhouse by spectroscopy. Spectroscopy and Spectral Analysis, 2008, 28(10): 2404-2408.

[45]Grossman Y L, Ustin S L, Jacquemoud S,etal. Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data. Remote Sensing of Environment, 1996, 56(3): 182-193.

[46]Dawson T P, Curran P J, North P R J,etal. The propagation of foliar biochemical absorption features in forest canopy reflectance: A theoretical analysis. Remote Sensing of Environment, 1999, 67(2): 147-159.

[47]Ma L Y, Cui X, Feng Q S,etal. Dynamic changes of grassland vegetation coverage from 2001 to 2011 in Gannan Prefecture. Acta Prataculturae Sinica, 2014, 23(4): 1-9.

参考文献:

[1]许鹏, 胡自治, 朱进忠, 等. 草地资源调查规划学[M]. 北京: 中国农业出版社, 2000.

[3]吕一河, 傅伯杰. 生态学中的尺度及尺度转换方法. 生态学报, 2001, 21(12): 2096-2105.

[4]何友铸, 张振乾, 官春云. 高光谱遥感技术在精细农业监测上的应用及展望. 作物研究, 2015, (1): 96-100.

[13]胥慧, 包玉海, 包刚, 等. 内蒙古典型草原干草生物量高光谱遥感估算研究. 阴山学刊: 自然科学版, 2014, 28(4): 22-27.

[14]张凯, 郭铌, 王润元, 等. 甘南草地地上生物量的高光谱遥感估算研究. 草业科学, 2009, 26(11): 44-50.

[15]纳钦. 紫花苜蓿和缘毛雀麦高光谱与营养成分的相关性研究[D]. 呼和浩特: 内蒙古农业大学, 2010.

[16]王迅, 刘书杰, 贾海峰, 等. 基于高光谱数据的高寒草地营养状况的研究. 光谱学与光谱分析, 2012, 32(10): 2780-2784.

[18]钱育蓉, 于炯, 贾振红, 等. 新疆典型荒漠草地的高光谱特征提取和分析研究. 草业学报, 2013, 22(1): 157-166.

[19]刘波, 沈渭寿, 李儒, 等. 雅鲁藏布江源区高寒草地退化光谱响应变化研究. 光谱学与光谱分析, 2013, 33(6): 1598-1602.

[20]李建龙. 草地退化遥感监测[M]. 北京: 科学出版社, 2012: 102-154.

[21]褚小立, 袁洪福, 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用. 化学进展, 2004, 16(4): 528-542.

[22]梁逸曾, 俞汝勤. 分析化学手册(10)—化学计量学[M]. 北京: 化工出版社, 2001.

[23]刘树深, 易忠胜. 基础化学计量学[M]. 北京: 科学出版社, 1999.

[26]张军, 王茂芝, 陈聆, 等. 插值算法在高光谱数据中的应用. 四川理工学院学报(自然科学版), 2012, 3(3): 43-46.

[27]张建伟. Origin 9.0科技绘图与数据分析超级学习手册[M]. 北京: 人民邮电出版社, 2014.

[29]李民赞. 光谱分析技术及其应用[M]. 北京: 科学出版社, 2006: 181.

[30]梅安新. 遥感导论[M]. 北京: 高等教育出版社, 2001.

[32]张凯, 郭铌, 王润元, 等. 西北荒漠草甸植被光谱反射特征研究. 地球科学进展, 2006, 21(10): 1063-1069.

[33]浦瑞良, 宫鹏. 高光谱遥感及其应用[M]. 北京: 高等教育出版社, 2000.

[34]王秀珍, 黄敬峰, 李云梅, 等. 水稻叶面积指数的多光谱遥感估算模型研究. 遥感技术与应用, 2003, 18(2): 57-65.

[35]付彦博. 制种紫花苜蓿主要生理指标高光谱反演[D]. 乌鲁木齐: 新疆农业大学, 2013.

[40]唐延林. 水稻高光谱特征及其生物理化参数模拟与估测模型研究[D]. 杭州: 浙江大学, 2004.

[42]潘蓓. 苹果树冠层氮素, 叶绿素及叶面积指数的高光谱估测[D]. 泰安: 山东农业大学, 2013.

[43]熊鹰, 刘波, 岳跃民. 基于ASD和FISS的植被叶片氮素含量反演研究. 生态环境学报, 2013, 22(4): 582-587.

[44]张喜杰, 李民赞. 基于反射光谱的温室黄瓜叶片磷素含量分析与预测. 光谱学与光谱分析, 2008, 28(10): 2404-2408.

[47]马琳雅, 崔霞, 冯琦胜, 等. 2001-2011年甘南草地植被覆盖度动态变化分析. 草业学报, 2014, 23(4): 1-9.

Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai province

GAO Jin-Long1, HOU Yao-Chen1, BAI Yan-Fu1, MENG Bao-Ping1, YANG Shu-Xia1, HU Yuan-Ning1, FENG Qi-Sheng1, CUI Xia2, LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China;2.NationalLaboratoryofWesternChina’sEnvironmentalSystem,LanzhouUniversity,Lanzhou730000,China

Abstract:Using typical alpine meadows in Maqin and Guinan Counties in Qinghai province as the research area, hyperspectral data from 20 plots were collected by spectrometer, while the forage nutrient concentrations were measured in the laboratory for each plot. Using regression analysis, the correlations between the nitrogen, phosphorus and potassium contents of the alpine meadow forage and the original reflectance data and the first-order differential of reflectance were analyzed. Inversion models were established for estimating the nitrogen, phosphorus and potassium content of alpine meadow forage based on spectrum location, spectrum area and vegetation index, and the accuracy of the models was also evaluated. It was found that first-order differential reflectance curve better predicts nitrogen, phosphorus and potassium content in the forage, than does the original data. In the red band (680-760 nm), the nitrogen, phosphorus and potassium levels in forage show a strong relationship with canopy hyperspectral reflectance curve parameters. The model which included spectrum location worked well for estimating concentration of nitrogen, phosphorus, and potassium in alpine meadow forage. A logarithmic model for spectrum location ) can estimated forage nitrogen content with an R2 of 0.67, and an accuracy of 83.56%, while a logarithmic model for spectrum location ) can estimated forage phosphorus content, with an R2 of 0.55, and an accuracy of 92.15%, and a logarithmic model for spectrum location ) estimated potassium content, with an R2 of 0.86, and an accuracy of 82.44%.

Key words:alpine meadow; hyperspectral remote sensing; forage nutrition monitoring; estimation model

*通信作者

Corresponding author. E-mail: tgliang@lzu.edu.cn

作者简介:高金龙(1991-),男,甘肃永昌人,在读硕士。E-mail: rslabjinlong@163.com

基金项目:国家自然科学基金项目(31372367,41401472)和青海省科技支撑项目(2013-N-146-4)资助。

收稿日期:2015-05-28;改回日期:2015-07-14

DOI:10.11686/cyxb2015268

http://cyxb.lzu.edu.cn

高金龙,侯尧宸,白彦福,孟宝平,杨淑霞,胡远宁,冯琦胜,崔霞,梁天刚. 基于高光谱数据的高寒草甸氮磷钾含量估测方法研究—以青海省贵南县及玛沁县高寒草甸为例. 草业学报, 2016, 25(3): 9-21.

GAO Jin-Long, HOU Yao-Chen, BAI Yan-Fu, MENG Bao-Ping, YANG Shu-Xia, HU Yuan-Ning, FENG Qi-Sheng, CUI Xia, LIANG Tian-Gang. Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai province. Acta Prataculturae Sinica, 2016, 25(3): 9-21.