基于高光谱数据的苔草营养成分反演方法研究

祁 琼

（1.湖北省国土资源研究院 湖北 武汉 430071）

基于高光谱数据的苔草营养成分反演方法研究

祁 琼1

（1.湖北省国土资源研究院 湖北 武汉 430071）

研究基于高光谱数据的苔草营养成分（侧重粗蛋白质、总氮、总磷）反演方法。结果显示,粗蛋白质的最佳反演模型是通过原始光谱反射率（偏最小二乘回归的方法）获得，R2=0．814、RMSE=0．450；总氮的最佳反演模型是通过一阶光谱反射率（偏最小二乘回归的方法）获得，R2=0．850、 RMSE=0．175；总磷的最佳反演模型是通过原始光谱反射率(偏最小二乘回归)获得，R2=0．882、RMSE=0．025。最佳模型检验结果显示估算值和实测值之间的强相关性：粗蛋白质R2=0．801、RMSE=1．029，总氮 R2=0．777、RMSE=0．234，总磷 R2=0．756、RMSE=0．043。

营养成分；高光谱数据；偏最小二乘回归

传统植被质量的估测方法是通过大量的野外调查抽样和昂贵的实验室分析获得。这种劳动强度大，且费时费钱。而高光谱遥感可以具有预测苔草叶片中生物化学浓度的潜力，从而减少大量而单调的集中采样和实验室分析。本文在大量实验数据的基础上，通过研究苔草的光谱曲线特征，找出苔草反射率光谱与营养元素的关系，然后建立定量遥感估算模型，计算不同方法下的模型精度，进行比较与评价，为机载或星载高光谱遥感在植被营养成分研究奠定一定基础。

1 数据收集

1.1 研究区概况

江西省鄱阳湖属亚热带湿润季风气候，冬季多北风，夏季多南风。年平均气温16．5℃～17．8℃，最冷月平均气温 4．2℃ ～5．3℃，无霜期 246～275 d，年降水量 1 368．7～1 633．8 mm。鄱阳湖湿地生态断面层16～14．2 m位于天然堤高漫滩中、下部，平均每年显露271．5～169．5 d，为苔草群落带，宽达 290～360 m，是最主要的天然湿地草场。该带植物群落为苔草单优势种，生长茂密，单位面积生物量1 716g/m2，是当地牧草、柴薪和绿肥的主要来源[1]。

1.2 苔草样本采集

利用覆盖鄱阳湖的Landsat TM影像（获取时间：2004-10-28），目视分析鄱阳湖植被的空间分布特征，在ArcGIS中配准其地理坐标。根据分析结果，设计了3条苔草的采样线（如图1），并根据研究需要选择54个采样点（如图2）， 其中40份用作训练样本，14份作为检验数据集。为了保证样本生化浓度的差异性，在采集时应尽量选择处于不同生长阶段（如新芽、初长、成熟、枯萎等时期）的苔草叶片（叶片收集后迅速放入贴有序号的保鲜盒保存，10 h内进行室内光谱测量）。

图1 采样区域位于鄱阳湖西部蚌湖东侧

图2 用于建立和评价(+)苔草营养成分反演模型的草样采样点

1.3 苔草样本的实验室分析

苔草样本的实验室分析包括苔草鲜叶的实验室光谱测定和苔草生化浓度的实验室分析，其目的是获取苔草的光谱反射率和苔草的营养成分浓度。

采样当天即在当地生态保护站内完成样品的光谱测定。苔草光谱的实验室测定选用美国ASD FieldSpec 3地物光谱仪[2]。光谱测量完毕后将叶片放置通风干燥的地方自然晾干，确保叶片24 h内干燥，然后将样品放入贴有序号的牛皮纸袋内保存[3]。第二天送至实验室，以提取苔草叶片内蛋白质、总氮、总磷的营养成分浓度（干重百分比）。苔草生化浓度实验室分析在华中农业大学环境与科学学院实验室中按照国家标准[4]进行，分析结果如表1。其中: ①测全磷采用H2SO4-HCLO4消煮，钼锑抗比色法[5]；②测全氮采用半微量开氏法[6]；③粗蛋白质含量采用半微量开氏法[7]。

2 方法

2.1 遥感参数计算

2.1.1 归一化差值植被指数NDVI

归一化差值植被指数的公式如下：

式中，NIR和R分别为红外波段和红波段处的反射率值。

2.1.2 红边位置REP

1）四点内插方法。通常将此方法称为“线性描述法”，其公式可描述如为：

式中，R670、R700、R740和R780分别为波段670 nm、700 nm、740 nm和780 nm处的反射率，在700～740 nm区间内插获取常量700和40。

2）线性外推方法。线性外推法旨在跟踪在近红边一阶微分处叶绿素敏感的极值（D），大约在700和725 nm。REP的估算是位于一阶微分光谱中远红外侧边的两点和近红外侧边的两点所连接的两直线交叉的波段上[8]。在此次研究中，衍生的光谱是通过在672 nm和703 nm的远红外以及732 nm和77 8nm的近红外估算所得。

表1 苔草生化浓度实验室分析结果

其中，

利用原始光谱放射率和一阶微分光谱放射率计算出C1、C2、m1、m2，然后获得REP的参量。

2.2 反演方法

本次研究中主要采用线性回归和偏最小二乘回归进行建模及检验。将所有54个样本随机分成两组，一组用于构建模型（40个用作训练样本集），而另一组用于测试模型（14个用作检验数据集）。所建模型的拟合程度用相关系数的平方值（确定系数R2）来评价，其精度可用总均方根差（RMSE）来评价：

式中，y和y'分别为测定值和预定值，n为样本数（包括测试样本和预测样本）。其反演原理如图3。

图3 提取生化参数的经验或半经验方法示意图

建模：通过分析所研究的生化组分含量（y）与光谱变量（反射率或其变换形式、高光谱指数等）（x）间的相关关系建立统计回归模型。

预测：如果已知x，代入该模型，即可获得生化组分含量y。

2.3 模型检验

将40个训练样本通过多元线性回归构建出回归方程（用 检验方程的拟合程度），然后用14个测试样本的光谱值代入此模型，得出一组反演值，利用反演值与实测值之间的标准误差s．e．或者均方根误差RMSE来评价反演精度，并绘出反演值与实测值之间的散点图。其中，

式中，y为实测值，y'为反演值。

式中，yi为实测值，i为反演值。

3 结果及讨论

对5种光谱数据（原始光谱反射率、一阶微分光谱反射率、二阶微分光谱反射率、倒数后的对数光谱反射率、一阶倒数后的对数光谱反射率）及其变换形式——高光谱特征参量（NDVI&REP）分别与苔草营养成分（粗蛋白质、总氮、总磷）进行定量反演研究，其多元线性回归的反演结果如表2、3、4。PLS的反演结果如表5、6、7。

表2 粗蛋白质多元线性回归的反演结果

表3 总氮多元线性回归的反演结果

表4 总磷多元线性回归的反演结果

表5 粗蛋白质PLS的反演结果

表6 总氮PLS的反演结果

表7 总磷PLS的反演结果

4 结 论

结果显示,粗蛋白质、总氮、总磷的最佳反演模型精度是通过偏最小二乘回归获得，分别为R2=0.814；R2=0.850；R2=0.882；RMSE=0.450；RMSE=0.175，RMSE=0.025。粗蛋白质、总氮、总磷的最佳检验结果分别为：R2=0.801；R2=0.777；R2=0.756，最低预测误差分 别 为：RMSE=1.029，RMSE=0.234，RMSE=0.043。通过上述结论可以发现，估计苔草的营养成分，偏最小二乘回归比多元逐步回归能够获得更好的结果。原始光谱反射率、一阶光谱反射率和一阶倒数的对数光谱反射率分别对粗蛋白质、总氮、总磷的反演结果是最好的。其拟合程度都超过60%以上，甚至达到80%，而二阶光谱反射率、倒数的对数光谱反射率、高光谱指数（归一化差值植被指数NDVI和红边位置REP）等对粗蛋白质、总氮、总磷的反演结果低于30%。对于模型检测也可以发现同样的规律，依然是原始光谱反射率、一阶光谱反射率和一阶倒数的对数光谱反射率分别对粗蛋白质、总氮、总磷的检测结果是最好的。由此可以断定,高光谱数据在苔草营养成分反演中具有很大的潜力。

[1] 吴英豪，纪伟涛．江西鄱阳湖国家级自然保护区研究[M]．北京:中国林业出版社,2002

[2] 颜春燕．遥感提取植被生化组分信息方法与模型研究[D]．中国科学院研究生院,2003

[3] 万余庆，谭克龙，周日平．高光谱遥感应用研究[M]．北京:科学出版社，2006

[4] 徐永明．基于实验室光谱的土壤营养元素反演研究[D]．中国科学院研究生院,2005

[5] Beeri O, RPhillips R, Hendrickson J, et al． Estimating Forage Quantity and Quality Using Aerial Hyperspectral Imagery for Northern Mixed-grass Prairie[J]． Remote Sensing of Environment,2007(110):216–225

[6] Mutanga O, Skidmore A K, Prins H H T． Predicting in Situ Pasture Quality in the Kruger National Park, South Africa, Using Continuum-removed Absorption Features[J]． Remote Sensing of Environmen,2004(89):393–408

[7] Kokaly R F, Clark R N． Spectroscopic Determination of Leaf Biochemistry Using Band-Depth Analysis of Absorption Features and Stepwise Multiple Linear Regression[J]． Remote Sensing of Environment,1999(67):267–287

[8] Cho M A, Skidmore A, Corsi F,et al．Estimation of Green Grass/herb Biomass from Airborne Hyperspectral Imagery Using Spectral Indices and Partial least Squares Regression[J]．International Journal of Applied Earth Observation and Geoinformation ,2007,9(1):414–424

P237

B

1672-4623（2017）10-0090-04

10.3969/j.issn.1672-4623.2017.10.030

2017-04-20。

祁琼， 硕士研究生，工程师，主要从事土地调查、地理信息系统及遥感应用研究工作。