基于高光谱遥感的植被冠层氮素反演方法研究进展

喻 俊，李晓敏，张 权，侍 昊，褚 军

(1.江西省林业调查规划研究院，南昌 330046；2.江苏省环境监测中心， 南京 210036；3.扬州市职业大学，江苏 扬州 225009)

基于高光谱遥感的植被冠层氮素反演方法研究进展

喻 俊1，李晓敏1，张 权1，侍 昊2*，褚 军3

(1.江西省林业调查规划研究院，南昌 330046；2.江苏省环境监测中心， 南京 210036；3.扬州市职业大学，江苏 扬州 225009)

氮素是植被生长活动中的重要元素，对植被叶绿素、蛋白质和酶等物质的合成至关重要，在植被光合作用中起关键作用。高光谱遥感反演技术凭借其快速、准确和不破坏植被的优势，已经成为植被氮素含量的定量分析的重要方法。本研究综述了近年科学文献中高光谱氮素反演的研究成果，主要介绍了植被冠层氮素高光谱研究的原理及处理方法，包括了高光谱数据处理、光谱变换、高光谱植被指数，多元逐步回归、偏最小二乘回归(PLSR)和人工神经网络(BP网络和RBF网络)回归模型等，在此基础上，对植被冠层氮素高光谱反演中存在的问题进行了探讨。

高光谱；植被氮素；去噪变换；特征波段；模型构建

氮素是植被生命活动的必须元素，对植被的光合作用以及生长具有指标性及决定性的作用，并且主要以叶绿素、核酸、酶、蛋白质等形式存在植被体内[1]。因此，快速高效监测植被氮素含量及变化对于监测植被生长具有重要作用，也对了解当地生态系统循环具有重大意义。

与传统遥感技术相比，高光谱遥感(HyperspectralRemoteSensing)是通过大量很窄且连续性的电磁波段获取感兴趣目标的有关数据，具有高光谱分辨率、数据信息丰富的特点。高光谱数据能够完整揭示地物的光谱特征，使得在地表及高空直接识别目标、辨析目标的精细光谱差异成为可能。随着高光谱遥感技术的日渐成熟，利用高光谱技术定量研究植被生长逐渐增多。通过高光谱遥感技术获取植被的氮含量信息与生长状况，不仅能较大程度减小人力成本，提升研究尺度与规模，而且能够提高研究准确度，是未来精准农林发展的重要技术手段[2]。为此，本文总结综述了植被冠层氮素反演研究中的反演参数选取、变换和建模方法等，以期为今后的高光谱植被冠层氮素反演提供参考。

1 高光谱氮素反演技术研究原理及现状

植被氮素浓度高光谱研究是通过对研究目标进行特定强度的光谱辐射，使目标叶片或结构中的氮化学键产生一定的振动，造成波长发生变化，引起光谱波段的吸收与反射，产生不同的光谱反射率。因此，寻求光谱反射率中的植被氮素敏感波段成为目前研究重点。当前的相关研究中，通过对特定范围的植被光谱反射率进行光谱变换，增强光谱特征，建立光谱研究模型，可实现植被氮素含量高光谱监测。

作为植被生长活动中最重要的营养元素之一，植被氮素受到胁迫时，其生物量、盖度、叶绿素含量、蛋白质含量等都会受到影响[3]。植被的生境受到影响时，氮素的吸收波段也会发生转移[4]。RajeevR[5]研究指出，植被的氮素吸收波段主要在430、460、640、910、1510、1940、2060、2180、2300及2350nm波段，其中包含红边光谱范围和SWIR光谱范围。如王树文等[6]采集了苗期玉米的光谱数据，利用归一化植被指数、归一化光谱植被指数、比值光谱指数以及差值光谱指数等变量，建立了适用性很好的玉米冠层氮素含量高光谱模型。张玉萍等[7]利用植被指数和一阶微分高光谱回归分析了不同施氮条件下的小麦条锈病情，建立了抽穗期、灌溉期等不同生长期的五个模型，较好地反演了小麦条锈病病情。

2 高光谱氮素反演研究方法与数据处理

利用高光谱数据研究植被氮素含量，需要确定植被对氮素的相关敏感波段，建立光谱模型，估算植被氮素含量。目前比较成熟的研究方法有植被指数法、光谱微分法、对数变换法、倒数变换法、特征值分析法等。

2.1 高光谱去噪变换

采集植被光谱数据过程中，常有背景噪音、基线漂移等干扰信息进入光谱中，干扰光谱影像及曲线特征，影响研究结果的准确性与可靠性。因而，对采集的目标光谱进行去噪平滑处理成为研究的必然手段。目前应用比较广泛的光谱去噪有SGolay滤波法、对数法、光谱微分法等[8]。

(1)SGolay滤波法

SGolay滤波器，又称最小二乘滤波器，其核心思想是通过对滑动窗口内的数据进行最小二乘拟合，以求找到合适的滤波系数，实现数据的去噪平滑处理[9]。计算公式如下：

(1)

(2)对数法

植被高光谱遥感中，采集到的原始反射率值通常较低，光谱数据在经过对数变化后，可以显著增强光谱信息差异，而且能有效降低光谱强度变化引起的乘性因素影响[10]。

(3)光谱微分法

在高光谱遥感数据处理中，光谱微分法是一种常用的光谱处理方法，它不仅能够消除光谱背景噪音，降低大气辐射与散射作用，还能够增强光谱曲线上的坡度细微变化，而这些变化通常与植被的生化吸收特征有关[11]。许多研究已经表明，光谱微分技术对于植被生化成分的提取与研究中有显著作用。微分计算如公式3和公式4所示：

(2)

(3)

式中： λi为每个波段的波长，ρ′(λi)，ρ″(λi)分别为波长的一阶微分和二阶微分光谱值，Δλ为波长λi-1到λi的间隔。

贺婷等[12]采集了不同氮素含量下的玉米冠层高光谱反射率，对原始光谱做微分、倒数、对数处理，结合相关性分析法、线性与非线性分析法，估测玉米氮素含量，研究显示玉米冠层光谱经过上述处理与分析后，明显提高了其与玉米冠层氮素含量的相关性。

高金龙等[13]收集了青海省玛沁县和贵南县高寒草甸地区的高光谱数据，以光谱冠层反射率数据和光谱微分数据分析牧草中的氮磷钾含量，结合统计回归法与光谱位置、植被指数等评价估测模型，并进行精度评价。研究表明，光谱微分数据相比光谱反射率数据较好反映了牧草氮磷钾含量，高原草甸牧草氮磷钾对应敏感波段主要分布在红光波段(680～760nm)。杨婷婷等[14]收集了库尔勒地区香梨叶片光谱数据，并检测叶片氮素含量，以光谱反射率数据与一阶微分光谱数据为基础，进行叶片氮素相关性分析，建立叶片氮素估测模型，得到了库尔勒香梨坐果期的最佳叶氮反演光谱微分模型Y=50.535X\%703-40.586。

2.2 高光谱波段选取

为了研究植被高光谱反射率与植被氮素含量之间的关系，在单一变量的情况下，通过对比分析同一对象的不同氮素含量水平下的光谱反射率曲线，发现随着氮含量的变化，研究目标的特定区域光谱曲线会发生递增或递减现象，该区域即可确定为目标对应的氮素敏感区域。王树文等[6]采集不同氮素水平下的高光谱数据，通过相关矩阵法选择出相关系数较高的525、566、700、715、895nm波段作为植被指数变量，依据叶片氮素含量与归一化植被指数NDVI、归一化光谱植被指数NDSI、比值光谱指数RSI、差值光谱指数DSI的相关性，建立了氮素含量预测模型，椭圆F检验法与标准误差RMSE\%对比表明，预测模型完全可以用于玉米冠层氮素含量高光谱预测研究。

2.3 高光谱植被植被指数构建

在高光谱遥感技术的应用中，根据植被指数建立数学模型被广泛应用在植被氮素含量的反演研究中。植被指数通过以波段差分或者比值计算的方式，将两个或者多个特征波段进行线性或者非线性组合，组成对某个生理生化指标敏感的光谱指数。利用光谱反射率数据或者光谱微分数据，选择氮素特征波段并构造适宜的光谱植被指数，可显著增强植被对于氮素的敏感程度[15]。不同波段组成的植被指数对于氮素的预测效果并不相同[16]。

刘冰峰等[17]采用ASDFieldSpec3光谱仪收集了玉米5种不同施氮量、4种不同施磷量和2个品种在大喇叭口期、吐丝期、灌浆期和成熟期等四个生长期的冠层反射率，同时测定对应的地上干物质积累量，选取DI(差值指数)、GNDVI(绿色归一化植被指数)、SRPI(简单色素比值指数)等21个植被指数为变量，拟合函数模型，得出玉米不同生育时期最优干物质拟合指数大喇叭口期为GNDVI、吐丝期为PSSRc、灌浆期为NDVI4、成熟期为DI。李丹等[18]利用光谱仪采集了研究区内不同氮素含量的小麦和玉米光高谱数据，通过优化光谱指数，选择红边及向近红外过度区域为优化波段，创建玉米和小麦的最优光谱指数分别为Rλ766/Rλ738和Rλ796/Rλ760-1，研究结果可明显提升小麦和玉米氮素含量预测能力。

3 高光谱回归模型植被氮素反演

3.1 逐步回归法

逐步回归法是一种基于多元线性回归的派生算法，通过在众多的自变量中有效选择重要变量，拟合回归方程。多变量逐步回归模型是植被高光谱氮素研究中应用最广泛的研究方法之一，它通常以光谱反射率、微分光谱、植被指数等为自变量，建立以植被氮素为因变量的估算模型。由于光谱自变量之间的相互非独立性，为了寻找与因变量Y具有最大相关性的自变量X，确定最佳光谱波段，应在众多波段变量中寻找与因变量y方差贡献最大的光谱变量数据，建立逐步回归模型。

安静等[19]利用地物光谱仪研究了苹果叶片的氮素含量，通过光谱反射率与光谱一阶微分变换，筛选出相关系数较大的28个样本数据中的一阶微分光谱数据为敏感波段，建立了与苹果叶片氮素含量的多元逐步回归模型Y=2.328+51.141X1+0.978X2-90.456X3-273.485X4，其中X1、X2、X3和X4分别对应中心波长为364、373、392、998nm波长的一阶微分光谱值，所建模型较好的模拟了现实氮素含量。

3.2 偏最小二乘法回归

偏最小二乘法(PLSR)是综合利用主成分分析、典型相关分析和多元线性回归，建立多变量对应多变量综合模型的回归分析方法。目前，PLSR法已广泛应用在植被氮素研究中。李峰等[20]采用AISA-Eagle机载光谱成像仪收集了马铃薯冠层光谱数据，并以此变换出了5种光谱数据，建立了马铃薯叶氮PLSR高光谱模型，研究中PLSR模型准确反映了植被光谱特征，并较大程度较低了噪音对于模型拟合的影响，以一阶微分建立的PLSR模型取得最优的拟合效果，均方根和决定系数分别为0.38%、0.82。

3.3 人工神经网络模型

人工神经网络(ANN)以模仿人类神经系统的思考方式，经过在输入层、单个或多个隐藏层和输出层之间的信息传播与学习，获取所研究对象潜藏的数据关系。当前，常用神经网络模型为BP神经网络和RBF网络模型。BP神经网络模型在目前研究中应用较多，而RBF网络模型能够处置繁杂结构关系，具有非凡的学习能力和高效的非线性转换本领。BP神经网络模型和RBF网络模型结构如下图所示：

图1 BP神经网络结构图

图2 RBF神经网络结构图

刘红玉等[21]选用遗传算法优选波段，通过SWR法、主成分分析和偏最小二乘法建立了番茄氮素与光谱和图像的模型，并采用人工神经网络对光谱和图像进行特征层面的信息融合，形成多信息融合诊断模型，研究结果表明，该方法所得氮素相关系数R为0.9651，均方根误差RMSE为0.19，模型拟合精度较单一光谱模型上升6.25%。杨宝华等[22]在综合前人研究的基础上，创造性提出一种竞争性自适应重加权算法(CARS)，用相关分析法筛选出30个小麦氮素敏感波段，建立RBF和BP神经网络回归模型，研究中CARS-CC不仅有效剔除了干扰光谱信息，而且优化并提高了建模时间与质量；用CARS-CC选取的敏感波段变量建立的RBF神经网络模型较BP神经网络模型明显提升；研究也证实BP神经网络模型虽然对训练数据得到很高的轻度，但是对于训练数据之外的预测数据常会出现过度拟合现象，导致模型适应性与稳定性有所欠缺。

4 展望

近年来，植被冠层氮素信息高光谱反演已经取得较大研究进展。较传统研究方法，高光谱植被氮素反演研究在时间与空间分辨率中有很大的提升，已解决了很多传统植被氮素研究中的问题。然而，在具体研究方法中，仍然存在一些问题亟需解决：(1)不同生长时期，植被叶片与冠层面积均会发生变化，土壤光谱反射和植被枝干光谱反射均会对研究目标的真实光谱造成影响，今后研究中准确、有效的植被光谱去噪将是需要解决的问题。(2)高光谱植被指数氮素反演通过对氮素敏感特定波段的光谱反射率或者微分数据进行光谱变换，构成高光谱氮素敏感指数，该方法虽然简单实用，但对植被冠层叶绿素含量及土壤背景信息较为敏感。(3)广泛采用的各类回归模型法需要连续与全面的观测数据，对于研究目标需要使用大尺度与高时间分辨率的数据为支撑。此外，植被叶片与冠层尺度间反演方法的互换与转化问题有待进一步研究；在叶片氮素高光谱反演中，叶片内复杂的生化混合物对于叶片光谱的影响也需要进一步分析。

[1] 王莉雯,卫亚星.植被氮素浓度高光谱遥感反演研究进展[J].光谱学与光谱分析,2013,33(10): 2823-2827.

[2] 陈鹏飞,NicolasTremblay,王纪华，等.估测作物冠层生物量的新植被指数的研究[J].光谱学与光谱分析,2010,30(2):512-517.

[3]LONGJR,MAGH,WANYZ,etal.EffectsofNitrogenFertilizerLevelonChlorophyllFluorescenceCharacteristicsinFlagLeafofSuperHybridRiceatLateGrowthStage[J].RiceScience,2013,20(3):220-228.

[4] 叶晓青,邹勇,余志虹,等.烤烟冠层光谱参数与氮素垂直分布相关性研究[J].农业机械学报,2013,44(5):219-225.

[5]RajeevR,UshaKC,RabiNS,etal.InternationalJournalofRemoteSensing,2012,33(20):6342.

[6] 王树文,赵珊,张长利，等.基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型[J].农业工程学报,2016,32(13):149-154.

[7] 张玉萍,马占鸿.基于遥感技术的不同施氮水平下小麦条锈病病情反演研究[J].中国农业大学学报,2016,21(4):42-51.

[8] 宋仁飞,林辉,臧卓，等.东洞庭湖湿地植被高光谱数据变换及识别[J].中南林业科技大学学报,2014,34(11):135-139.

[9]MaddenHH.CommentsontheSavitzky-Golayconvolutionmethodforleast-squares-fitsmoothinganddifferentiationofdigitaldata[J].AnalticalBiochemistry,1978(3):1383-1386.

[10] 刘秀英,藏卓,孙华,等.基于高光谱数据的杉木和马尾松识别研究[J].中南林业科技大学学报,2011,31(11):30-33.

[11] 伍南,刘君昂,周国英,等.基于高光谱微分指数的杉木炭疽病病情指数反演[J].林业科学,2012,48(8):94-98.

[12] 贺婷,李建东,刘桂鹏，等.基于高光谱遥感的玉米全氮含量估测模型[J].沈阳农业大学学报,2016,47(3):257-265.

[13] 高金龙,侯尧宸,白彦福，等.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[J].草业学报,2016,25(3):9-21.

[14] 杨婷婷,王雪梅,柴仲平，等.库尔勒香梨不同生育期叶片氮素光谱诊断研究[J].西南农业学报,2016,29(3):668-673.

[15] 林海军,张绘芳,高亚琪，等.基于马氏距离法的荒漠树种高光谱识别[J].光谱学与光谱分析,2014,34(12):3358-3362.

[16] 刘海俊,孙传范,曹卫星，等.便携式作物氮素监测仪性能水稻田间测试[J].农业机械学报,2010,41(9):80-84.

[17] 刘冰峰,李军,贺佳，等.基于高光谱植被指数的夏玉米地上干物质量估算模型研究[J].农业机械学报,2016,47(3):254-262.

[18] 李丹,李斐,胡云才，等.基于光谱指数波段优化算法的小麦玉米冠层含氮量估测[J].光谱学与光谱分析,2016,36(4):1150-1157.

[19] 安静,姚国清,朱西存，等.苹果叶片氮素含量高光谱检测研究[J].国土资源遥感,2016,28(2):67-71.

[20] 李峰,AlchanatisVictor,赵红，等.基于PLSR方法的马铃薯叶片氮素含量机载高光谱遥感反演[J].中国农业气象,2014,35(3):338-343.

[21] 刘红玉,毛罕平,朱文静，等.基于高光谱的番茄氮磷钾营养水平快速诊断[J].农业工程学报,2015,31(1):212-220.

[22] 杨宝华,陈建林,陈林海，等.基于敏感波段的小麦冠层氮含量估测模型[J].农业工程学报,2015,31(22):176-182.

Research on the Method of Vegetation Canopy Nitrogen Inversion based on Hyperspectral Remote Sensing

YUJun1,LIXiao-min1,ZHANGQuan1,SHIHao2,CHUJun3

(1.Jiangxi Institute of Forest Inventory and Planning, Nanchang, Jiangxi 330046;2. Jiangsu Environmental Monitoring Center, Nanjing, Jiangsu 210036;3.Yangzhou Polytechnic University, Yangzhou, Jiangsu 225009 )

Nitrogenisanimportantelementinvegetationgrowth,whichisessentialtothesynthesisofchlorophyll,proteinandenzyme,andplaysakeyroleintheprocessofphotosynthesis.Hyperspectralremotesensinginversiontechnologyknownwithitsadvantagesofbeingrapid,accurateandnondestructionofvegetationhasbecomeanimportantmethodforquantitativeanalysisofvegetationnitrogencontent.Thispaperreviewedtheresearchresultsofhyperspectralinversionofnitrogeninthescientificliterature,introducedtheprinciplesandprocessingmethodsofhyperspectralvegetationcanopy,includinghyperspectraldataprocessing,spectraltransform,hyperspectralvegetationindex,stepwiseregressionandpartialleastsquaresregression(PLSR)andartificialneuralnetwork(BPnetworkandRBFnetwork)regressionmodel.Onthisbasis,theexistingvegetationcanopyhyperspectralinversionproblemsarediscussed.

Hyperspectral;vegetationnitrogen;denoisingtransformation;characteristicwaveband;modelconstruction

2016-09-12 基金项目：江苏省高校自然科学研究面上项目资助(15KJB420001；16KJD420002)；国家自然科学基金项目(41601449)。

喻 俊(1981-)，男，江西南昌人，主要从事林业遥感与地理信息系统研究。

Q

A