基于高光谱图像的茶树LAI与氮含量反演

吴伟斌，李佳雨，张震邦，凌彩金，林贤柯，常星亮

0 引 言

叶面积指数（leaf area index，LAI）是重要的植被特征指标，可以反映植被的生长状况。氮是促进植物叶片生长发育的重要化学元素，对于茶树这种终年多叶植物，其叶片氮含量状况的有效检测有利于茶树精准施肥和培育管理，同时对于茶树质量和产量的提高具有重要意义[1-2]。目前国内外高光谱技术应用于农作物或果树等监控和检测较多[3-7]，然而对于茶树LAI的检测鲜有报道，而传统的化学方法对于叶片氮含量的检测虽然直观准确，但操作复杂繁琐、破坏样品材料，而且无法做到实时、快速、无损地对大面积种植的茶园进行测量。随着光谱技术的不断发展，近年来，国内外许多学者对高光谱技术的应用展开了广泛的研究[8-13]。植被指数是由高光谱数据不同波段组合而成的重要参量，其大小可推断植株的生长状况。高光谱数据植被指数的提取和建模方法已成为无损检测技术的研究热点[14-18]。例如 Yao等[19]使用高光谱数据与小麦的叶片氮素积累进行建模，得出归一化雪盖指数NDSI（normalized difference snow index）和比值光谱指数RSI（ratio spectral index） 2种光谱数据参量与叶氮素积累值建模效果最佳。Darvishzadeh等[20]采用不同的光谱数据参量，发现选用逐步多元回归和偏最小二乘法进行叶面积指数的预测效果最佳。Nguy-Robertson等[21]提出对通用的光谱数据值处理方法估算大豆、小麦、土豆和玉米 4种农作物的叶面积指数，结果表明叶绿素指数和宽幅动态植被指数对于估算4种作物的LAI精度最高。

英红九号是广东省农业科学院茶叶研究所选育、研发和创建的茶树品种，已成为全国红茶公共品牌名的业界典范。本文以英红九号茶树为试验对象，将高光谱数据的特征变量与茶树LAI以及叶片氮含量进行相关性分析，选用相关性较高的高光谱数据特征参数与LAI以及氮含量通过线性、对数、抛物线、指数等方式建立估算模型，同时评估模型性能，选用均方根误差RMSE（root mean square error）进行模型精度检验，为茶园快速无损检测茶树LAI及氮含量，定性定量监控茶树生长状况，为精准农业管理提供理论依据。

1 材料与方法

1.1 茶树样本及管理

样本采集于2017年3月28日在广东省农业科学院茶叶研究所英德茶叶世界英红九号茶园进行。该茶园中心24°18'17''N，113°22'55''E，属于亚热带季风气候，年降雨量1 906.2 mm，年蒸发量1 717.9 mm，年平均相对湿度为77%，年均温度21.1 ℃，气温范围为-3.6～38.9 ℃。全年太阳总辐射量为44.805 MJ/m2，年平均日照时数1 631.7 h。年大于10 ℃的有效积温7 576 d·℃，无霜日312 d，平均霜期43.3 d，平均霜日8 d，海拔40 m。茶园土壤呈酸性，pH值范围为4.5～6.5，土壤类型为黄红壤土、土层深厚且质地疏松。土壤含石灰0.2%以下，地下水位在0.8～1 m范围内[22]，较适合英红九号茶树生长。

试验茶树样本于2010年种植，种植期间采取以下肥料管理方式：2011-2014年期间：每年冬季挖沟施花生麸3 750 kg/hm2和牛粪22 500 kg/ hm2，追肥为尿素（45%）750 kg/hm2。2015—2016年期间：每年冬季挖沟施花生麸3 750 kg/hm2牛粪22 500 kg/hm2和羊粪15 000 kg/hm2。

1.2 光谱数据及采集

茶树叶片高光谱反射率数据的采集在英红九号春茶采摘季节进行。该时期的茶树生长旺盛，是一年中茶叶产量最高的季节。同时茶叶品质较好，体内营养物质丰富，氨基酸含量较高，适宜进行光谱数据测试。采集时随机选取40株同一海拔高度，长势、大小相同的茶树作为试验样本并编号，所用仪器为GaiaField便携式高光谱系统，是双利合谱公司基于芬兰Specim成像光谱仪自主研发研制的超便携式高光谱成像仪器系统。该光谱仪的光谱范围为400～1 000 nm，分辨率为4 nm。茶树冠层高光谱图像采集于当日10:00-16:00进行。采集时，将光谱仪放在三脚架上架高，镜头平面位于茶树冠层上方 1 m处，并保持水平稳定，传感器探头朝下对单株茶树的中央区域进行高光谱图像采集，图1a为采集装置示意图。由于每次采集的环境、时间不断变化，为了保证测量的精度，每次拍摄时均用标准白板进行校正，每株茶树样本采集一幅高光谱图像进行光谱数据分析，图1b为茶树冠层高光谱图像。

1.3 茶树冠层高光谱反射数据提取

以单株茶树冠层的中央区域高光谱图像为代表分析整株茶树的高光谱反射率数据。采用GaiaField便携式高光谱系统配套的分析软件Specview提取茶树冠层高光谱图像的反射率数据。随机选取茶树冠层高光谱图像中不同叶片上的10个点，可获得10条反射率曲线，以10条反射率曲线的平均值作为该茶树冠层高光谱图像的冠层反射率，图2为茶树冠层高光谱反射率曲线。

1.4 高光谱特征变量提取方法

高光谱原始数据属于多元数据，具有数据量大，复杂冗余等特点，波段数据之间具有一定的线性相关关系，因此使用原始数据建模难度较大，估算模型的精确度较低[23-24]。采用光谱特征变量建立叶面积指数和氮含量的估算模型可大大降低光谱数据的计算量，常见的高光谱特征变量包括高光谱位置变量、高光谱面积变量以及植被指数变量。本文选取其中有代表性的20种光谱特征变量分别与叶面积指数和氮含量进行相关性分析[25]，各高光谱特征变量含义及计算见表1。

图1 茶树冠层高光谱图像采集Fig.1 Tea tree canopy hyperspectral image acquisition

图2 40株茶树冠层高光谱反射率Fig.2 Hyperspectral reflectance of 40 tea canopies

1.5 茶树LAI的数据采集

利用卷尺测量每株茶树冠层的长宽并计算投影面积，对每株茶树的全部叶片进行摘取，装入封口袋并编号带回实验室，用扫描仪扫描每个叶片，将得到的数据导入Matlab计算轮廓面积，通过累加得到整株茶树叶片总面积，根据以下公式计算茶树LAI真实值[26]。

式中LAI单株茶树样本的叶面积指数，St和Sa分别为茶树所有的叶片总面积和茶树的占地面积。

1.6 氮含量测定

采用人工破坏性采摘的方法，每株茶树取东西南北方向，上、下层共 8片叶片放入封口袋，编号带回实验室。将采摘的叶片表面用蒸馏水清洗干净，沥干表面水后放入烘干机80 ℃烘干，置于研钵中研磨至粉末状。每株树的 8片叶子混合均匀后作为一个样品，每组样品用天平称取0.2 g，采用H2SO4-H2O2消煮-奈氏比色法[27]进行氮含量测定：将0.2 g的粉末状样品置于消煮炉中，加入5 mL的浓硫酸，并在320 ℃的条件下加热，待样品变成棕色溶液后，取出稍冷，逐滴加入H2O2并摇匀，待溶液呈无色清亮后，再加热10 min除尽过量的H2O2。取2 mL消煮液于比色管中，加入 2 mL酒石酸钠溶液，并加入2 mL 质量分数为100 g/L的KOH溶液调节pH，最后加入奈氏试剂进行显色反应。将显色液定容至50 mL刻度线后，取溶液在420 nm下进行分光光度计比色。

表1 高光谱特征变量及说明Table 1 Hyperspectral characteristic parameters and description

1.7 建模方法

使用Excel统计数据，并用SPSS（statistical product and service solutions）和Matlab软件分析计算光谱特征变量与LAI和氮含量之间的相关性，可采用相关系数评价变量之间的相关性，相关系数[28]如式（2）所示。

式中 Xi为第 i个自变量的值，为自变量的平均值，Yi为第i个因变量的值，为因变量的平均值。

为建立一个根据茶树冠层光谱特征变量推算茶树叶面积指数和氮含量的估算模型，选择相关系数较高的高光谱特征变量进行回归分析，回归分析包括线性回归和非线性回归，其中一元线性、指数、对数和抛物线模型是常见的回归分析模型[29]，该文分别选用这 4种模型进行回归分析，比较各回归分析模型的预测精度，为茶树叶面积指数和氮含量的高光谱无损检测技术提供参考。

2 结果与分析

2.1 茶树LAI和叶片氮含量与光谱特征变量相关性分析

各光谱特征变量与LAI和氮含量的相关系数计算值和显著性检验结果如表2所示。

表2 光谱特征变量与LAI值、氮含量相关系数Table 2 Correlation coefficients between LAI, nitrogen content and hyperspectral variables

通过相关系数计算结果表2数据可以看出，LAI值与黄边幅值、红边幅值、红边位置、绿峰反射率、红谷位置、红边面积以及植被指数 VI3、VI5具有显著相关性，其中黄边幅值、绿峰反射率以及红谷位置相关系数在0.8以上。

氮含量与蓝边幅值、蓝边位置、黄边幅值、红边位置、蓝边面积、黄边面积以及植被指数VI1、VI2、VI3、VI4、VI5、VI6具有显著相关性；其中蓝边位置、红边位置、植被指数变量VI1和VI4相关系数大于0.7。

2.2 估算模型的构建

将用于建立茶树LAI估算模型的40组样本数据随机划分为2组，其中24组用于建模，16组用于模型的精度验证。根据光谱特征变量与LAI值之间的相关系数计算结果，选取黄边幅值Dy、绿峰反射率Rg和红谷位置λo，这些相关系数大于0.8的变量作为估算模型建立的自变量。

茶树叶片氮含量与高光谱数据建模的样本数据分组情况与茶树LAI估算模型分组情况相同。与LAI相比，氮含量的相关系数较低，最大值为0.799。根据表2中的相关系数计算结果，选取相关系数大于0.75的变量植被指数VI4建立估算模型。

2.2.1 反演模型的构建

采用 4种常见的回归模型进行反演模型的构建，分别是一元线性模型、指数模型、对模型和抛物线模型。4种模型的表达式如下：

式中 x为反演模型的自变量，即挑选出的高光谱特征变量；y为反演模型的因变量，即叶面积指数或者氮含量；A、B和C为反演模型的系数。

2.2.2 反演模型精度评价

均方根误差可以表示反演模型的预测值与真实值的偏差。该文以均方根误差RMSE[30-31]评价反演模型的精度。

式中yi为LAI或者茶树叶片氮含量的实测值，y′i为反演模型计算的预测值，n为建模样本数24，i为茶树样本的编号，RMSE值为0～1的数，其数值越小则反演模型精度越高。

2.2.3 反演模型结果分析

表3为模型的精度和验证结果，可得: 1）LAI与高光谱特征变量拟合的模型中，Dy的抛物线模型决定系数R2最高，可达到0.907 4，预测精度也比较高，均方根误差RMSE为0.156 7；Dy和Rg的4种拟合模型的RMSE值均在0.2以下，模型精度较好。2）氮含量与高光谱特征变量的建模通过植被指数 VI4的拟合模型决定系数较大，均达到0.8以上。其中抛物线拟合模型可获得最大的决定系数R2，可达到0.830 8；模型的预测精度较高，除了抛物线模型的RMSE为0.234 8外（小于0.3），其余模型的RMSE均在0.2以下。

表3 LAI与氮含量的拟合模型结果Table 3 Results of LAI and nitrogen content modeling

3 结论与展望

针对茶树LAI和氮含量传统检测方法中存在的耗时长、破坏性等问题，本研究以春茶时期的英红九号茶树为研究对象，提取茶树冠层高光谱特征变量，并分别对LAI、氮含量和高光谱特征变量进行相关性分析，将相关性较高的光谱特征变量值作为自变量与LAI和氮含量进行建模，并通过均方根误差RMSE评价模型精度，得出以下结论：

1）通过对光谱特征变量与实测LAI值进行相关性检验，选择黄边幅值Dy、绿峰反射率Rg和红谷位置λo3种相关系数均大于0.8的特征变量进行建模。根据茶树LAI实测值和验证值的决定系数R2以及均方根误差RMSE对各高光谱特征变量值所建立的反演模型进行精度评估，结果显示，以Rg的对数拟合模型其RMSE值为所有模型最低，为0.087 6；在其他RMSE值小于0.2的模型中，以Dy的抛物线、Rg的对数和抛物线的拟合建模效果较好，其拟合样本的R2在0.9以上，其中以Rg为自变量的对数拟合模型最佳，其拟合样本的R2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。

2）茶树叶片氮含量与光谱特征变量蓝边位置λb、红边位置λr、植被指数变量VI1= Rg/Rr和VI4=SDr/SDy均有较好的相关性，相关系数超过0.7。其中，植被指数VI4的相关系数最大，为0.799。选用VI4进行线性，指数，对数和抛物线拟合模型，R2均能达到0.8以上，且RMSE均小于0.3。其中，指数模型的RMSE为0.1029，以植被指数VI4与氮含量建立的指数模型为最佳建模效果。

3）利用传统破坏性取样的化学实测法得到的LAI值、氮含量与高光谱采集数据进行拟合建模，并得到建模效果较好的估算模型，为今后茶园快速、无损检测茶树的LAI和氮含量提供了理论依据。

研究结果表明，应用高光谱图像技术进行茶树叶面积指数和氮含量的无损检测是可行的，反演模型的预测结果在合理范围内。

本文不足之处与展望如下：研究采集的茶树样本数较小，仅对春茶时期的样本进行了研究，尚未进行不同生长季节的样本处理和建模比较；对不同栽培措施及生态条件下茶树的营养状态状况、生化指标、养分管理等与叶面积指数关系可进行更深一步的建模；该反演模型的预测精度可继续深入研究，下一步的研究重点是采用人工智能算法建立高光谱特征变量反演模型。该方法也可以尝试应用到茶叶内含的其它物质。

[1] Han W Y, Ma L F, Shi Y Z, et al. Nitrogen release dynamics and transformation of slow release fertiliser products and their effects on tea yield and quality[J]. Journal of the Science of Food and Agriculture, 2010, 88(5): 839－846.

[2] Han Z Y, Zhu X C, Fang X Y, et al. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression[J]. Spectroscopy and Spectral Analysis, 2016,36(3): 800－805.

[3] Zhao Duli, Reddy K Raja, Kakani Vijaya Gopal, et al.Nitrogen deficiency effects on plant growth, leaf photosynthesis and hyperspectral reflectance properties of sorghum[J].European Journal of Agronomy，2005，22(4)：391－403.

[4] 梁栋，管青松，黄文江，等. 基于支持向量机回归的冬小麦叶面积指数遥感反演[J]. 农业工程学报， 2013, 29(7)：117－123.Liang Dong, Guan Qingsong, Huang Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7)：117－123. (in Chinese with English abstract)

[5] 黄双萍，岳学军，洪添胜，等. 不同物候期柑橘叶片钾素水平预测建模[J]. 江苏大学学报(自然科学版)，2013,34(5)：529－535.Huang Shuangping, Yue Xuejun, Hong Tiansheng, et al.Potassium content prediction model of citrus leaves in different phenological period[J]. Journal of JiangSu University, 2013, 34(5): 529－535. (in Chinese with English abstract)

[6] 吴伟斌，余耀烽，洪添胜，等. 柑橘树冠层叶密度高光谱信息反演试验分析[J]. 华中农业大学学报，2017，36(1)：47－54.Wu Weibin, Yu Yaofeng, Hong Tiansheng, et al. Citrus canopy LAI experiment inversion analysis with Hyperspectrum[J]. Journal of Huazhong Agricultural University,2017, 36(1): 47－54. (in Chinese with English abstract)

[7] 岳学军，全东平，洪添胜，等. 基于流形学习算法的柑橘叶片氮含量光谱估测模型[J]. 农业机械学报，2015，46(6)：244－250.Yue Xuejun, Quan Dongping, Hong Tiansheng, et al.Estimation model of nitrogen content for citrus leaves by spectral technology based on manifold learning algorithm[J].Transaction of the Chinese Society for Agricultural Machinery, 2015, 46(6): 244－250. (in Chinese with English abstract)

[8] Hasegawa K, Matsuyama H, Tsuzuki H, et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment,2010, 114(3): 514－519.

[9] 张潇元，张立福，张霞，等. 不同光谱植被指数反演冬小麦叶氮含量的敏感性研究[J]. 中国农业科学，2017，50(3):474－485.Zhang Xiaoyuan, Zhang Lifu, Zhang Xia, et al. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen[J]. Scientia Agricultura Sinica, 2017,50(3): 474－485. (in Chinese with English abstract)

[10] 赵娟，黄文江，张耀鸿，等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析，2013，33(9)：2546－2552.Zhao Juan, Huang Wenjiang, Zhang Yaohong, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and Spectral Analysis, 2013,33(9): 2546－2552. (in Chinese with English abstract)

[11] 夏天，吴文斌，周清波，等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报，2013，29(3)：139－147.Xia Tian，Wu Wenbin，Zhou Qingbo，et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE)，2013, 29(3): 139－147. (in Chinese with English abstract)

[12] 何亚娟，潘学标，裴志远，等. 基于SPOT遥感数据的甘蔗叶面积指数反演和产量估算[J]. 农业机械学报，2013,44(5)：226－231.He Yajuan, Pan Xuebiao, Pei Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J]. Transaction of the Chinese Society for Agricultural Machinery，2013, 44(5)：226－231. (in Chinese with English abstract)

[13] 张筱蕾，刘飞，聂鹏程，等. 高光谱成像技术的油菜叶片氮含量及分布快速检测[J]. 光谱学与光谱分析，2014，34(9)：2513－2518.Zhang Xiaolei, Liu Fei, Nie Pengcheng, et al. Rapid detection of nitrogen content and distribution in pilseed pape leaves based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis，2014, 34(9): 2513－2518. (in Chinese with English abstract)

[14] 李子扬，钱永刚，申庆丰，等. 基于高光谱数据的叶面积指数遥感反演[J]. 红外与激光工程，2014，43(3)：944－949.Li Ziyang，Qian Yonggang，Shen Qingfeng，et al. Leaf area index retrieval from remotely sensed hyperspectral data[J].Infrared and Laser Engineering，2014, 43(3): 944－949. (in Chinese with English abstract)

[15] 赵明家，张忠庆，李志洪. 基于高光谱优化NDVI值反演玉米叶片氮含量[J]. 中国农业大学学报，2014，19(6)：56－61.Zhao Mingjia, Zhang Zhongqing, Li Zhihong. NDVI value optimization and nitrogen content inversion of maize leaf based on the high spectrum[J]. Journal of China Agricultural University, 2014, 19(6): 56－61. (in Chinese with English abstract)

[16] 刘珺，庞鑫，李彦荣，等. 夏玉米叶面积指数遥感反演研究[J]. 农业机械学报，2016, 47(9)：309－317.Liu Jun, Pang Xin, Li Yanrong, et al. Inversion study on leaf area index of summer maize using remote sensing[J].Transaction of the Chinese Society for Agricultural Machinery, 2016, 47(9): 309－317. (in Chinese with English abstract)

[17] 方美红，刘湘南. 小波分析用于水稻叶片氮含量高光谱反演[J]. 应用科学学报，2010，28(4): 387－393.Fang Meihong, Liu Xiangnan. Estimation of nitrogen content in rice leaves with hyperspectral reflectance measurements using wavelet analysis[J]. Journal of Applied Sciences-Electronics and Information Engieering, 2010, 28(4): 387－393. (in Chinese with English abstract)

[18] 周丽丽，冯汉宇，阎忠敏，等. 玉米叶片氮含量的高光谱估算及其品种差异[J]. 农业工程学报，2010，26(8)：195－199.Zhou Lili, Feng Hanyu, Yan Zhongmin, et al. Hyperspectral diagnosis of leaf N concentration of maize and variety difference[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(8): 195－199. (in Chinese with English abstract)

[19] Yao X, Zhu Y, Tian Y C, et al. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat[J]. International Journal of Applied Earth Observation and Geo Information, 2010, 12(2): 89－100.

[20] Darvishzadeh R, Skidmore A, Schlerf M, et al. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(4): 409－426.

[21] Nguy-Robertson A L, Peng Yi, Gitelson Anatoly A, et al.Estimating green LAI in four crops: Potential of determining optimal spectral bands for a universal algorithm[J]. Agricultural and Forest Meteorology, 2014(192/193): 140－148.

[22] 英德年鉴编纂委员会. 英德年鉴[M]. 广州：广东人民出版社，2016.

[23] 张兵，高连如. 高光谱图像分类与目标探测[M]. 北京：科学出版社，2011.

[24] Bazi Y, Melgani F. Toward an optimal SVM classification system for hyperspectral remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(11): 3374－3385.

[25] 张永贺，陈文惠，郭乔影，等. 桉树叶片光合色素含量高光谱估算模型[J].生态学报，2013，33(3)：876－887.Zhang Yonghe, Chen Wenhui, Guo Qiaoying, et al.Hyperspectral estimation models for photosynthetic pigment contents in leaves of Eucalyptus[J]. Cta Ecological Sinica,2013, 33(3): 876－887. (in Chinese with English abstract)

[26] Wang X. Relationship between narrow band normalized deference vegetation index and rice agronomic variables[J].Communications in Soil Science and Plant Analysis, 2005,35(19/20): 2689－2708.

[27] Schaffer F L, Sprecher J C. Routine determination of nitrogen in microgram range with sealed tube sigestion and sirect nesslerization[J]. Analytical chemistry, 1957, 29(3): 437－438

[28] 唐年胜. 应用回归分析[M]. 北京：科学出版社，2014.

[29] Feng Wei，Zhang Haiyan，Zhang Yuanshuai，et al. Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data[J]. Field Crops Research, 2016, 198:238－246.

[30] Wolfowit J. Nonparametric statistical inference[J]. Marcel Dekker, 2003, 15(2): 1384－1385

[31] 张雪红，刘绍民，何蓓蓓. 不同氮素水平下油菜高光谱特征分析[J]. 北京师范大学学报(自然科学版)，2007，43(3)：245－249.Zhang Xuehong, Liu Shaomin, He Beibei. Analysis on hyperspectral characteristics of rape at different nitrogen levels[J]. Journal of Beijing Normal University (Natural Science), 2007, 43(3): 245－249. (in Chinese with English abstract)