苹果叶片氮素含量高光谱检测研究

安静， 姚国清， 朱西存

(1.中国地质大学(北京)信息工程学院,北京　100083； 2.山东农业大学资源与环境学院,泰安　271018)

苹果叶片氮素含量高光谱检测研究

安静1， 姚国清1， 朱西存2

(1.中国地质大学(北京)信息工程学院,北京100083； 2.山东农业大学资源与环境学院,泰安271018)

摘要：苹果叶片氮(N)素含量是反映其生长质量高低的重要因素。利用高光谱遥感技术对苹果叶片N素含量进行定量化反演，可为苹果树的信息化管理提供理论依据。首先使用ASD FieldSpec 3地物光谱仪对样点的苹果叶片的N素含量进行测定，得到苹果叶片样品的高光谱反射率及其N素含量； 然后在分析苹果叶片原始光谱和一阶导数以及各种变换后光谱特征的基础上，与苹果叶片的N素含量进行多元逐步回归分析，筛选出对N素变化敏感的波段； 最后运用BP人工神经网络算法构建敏感波段与N素含量的反演模型，并对模型进行优选和检验，为测定苹果叶片N素含量提供了1个简单可靠的方法。

关键词：苹果叶片； 高光谱； 氮(N)素含量； BP神经网络

0引言

氮(N)素不仅是植物蛋白质和叶绿素的主要成分，而且是一些酶的组成部分参与植物的多重生化过程，直接或间接影响果树的代谢活动和生长发育，是促进果树健康生长、增加果实产量、提高果品质量所必须的重要养分[1]。植物中的N素含量是评价植被长势的重要指标之一[2]，因此对植物叶片中N素含量的估测研究具有重要的实用意义。由于高光谱对植物中的N素、叶绿素等含量极为敏感[3]，植物叶片中N素含量的变化必定会对其反射光谱信息产生影响，故可根据叶片的光谱信息估测植物叶片中的N素含量。

早在1972 年，Thomas等[4]通过研究发现，甜椒叶片的N素含量与550～675nm谱段内叶片的光谱反射率强度相关，叶片N素实测值和预测值之间的误差小于7%，表明光谱分析手段有可能快速、简便和较为准确地检测植物中的N素含量。朱艳等[5]研究表明，单波段光谱在610nm和680nm处的水稻冠层反射率与水稻叶片N素含量有较好的相关性，提出采用单独的回归系数即可提高水稻叶片N素含量估测的准确性。邢东兴等[6]将利用光谱分析手段估测N素含量的方法应用于果树叶片，以红富士苹果为例进行的研究表明，叶片N素含量与波长间隔为5nm的一阶微分光谱的相关性最强，据此建立的N素含量估测模型具有较好的线性趋势，相关系数R2在0.8 以上。由于对叶片N素含量反演过程的影响因素很多，而上述研究多采用单一方法来预测叶片中N素含量，故在真实反映N素含量上不够理想。本文在前人已有方法基础上，采用多元回归分析和BP人工神经网络建立ASD实测数据与N素含量的估测模型，以实现更高精度的苹果叶片N素含量预测。

1研究方法

1.1技术流程

苹果叶片N素含量高光谱检测技术流程如图1所示。

图1　苹果叶片N素含量检测技术流程

1.2BP人工神经网络算法

人工神经网络(artificialneuralnetwork,ANN)采用物理上可实现的方法或采用计算机模拟生物体中神经网络的某些结构和功能，并应用于工程领域。ANN具有自组织、自学习、容错性和鲁棒性较强等特点，而分布式存储、并行处理等特点更接近于人类对信息的处理方式，因此ANN技术在遥感图像识别中已得到广泛应用[7-10]。反向传播(backpropagation,BP)ANN模型拓扑结构包括输入层(inputlayer)、隐含层(hiddenlayer)和输出层(outputlayer)。网络的好坏取决于网络结构、传递函数、隐含层个数、神经元个数和训练函数等[11]，在实验中需要通过不断尝试才能确定最优的网络结构。可将BP人工神经网络视为从输入自变量x到输出因变量Y的非线性映射[12]，即

F∶Rn∶Rm, f(x)=Y ,

(1)

式中Rn和Rm分别为n维输入向量和m维输出向量。

因此，本文用BP人工神经网络算法建立了苹果叶片反演模型。该模型主要采用了相关系数(correlationcoefficient,R2)和均方根误差(root-mean-squareerror,RMSE)2个参数，即

(2)

(3)

2实验过程与结果分析

2.1实验区概况

实验区选在山东省蒙阴县高都镇、野店镇和蒙阴镇果园。蒙阴县位于E117°45′～118°15′，N35°27′～36°02′之间，属暖温带季风性气候带，四季分明，日照充足，雨量充沛，年平均气温12.8℃，年降雨量820mm，年均日照时数2 280h，年无霜期191d。县内平均海拔300m以上，土壤以棕壤为主，呈中性偏微酸。实验区内主要种植红富士、金帅和新红星苹果树。

2.2样品采集

实验用苹果品种为处于盛果期的红富士，对照用苹果品种为金帅和新红星。在2009年9月23日(秋末停止生长期)进行苹果树样品采集，依据实验区土地利用现状图和果园分布情况布设采样点。选取实验区3个镇内6个果园中的86棵苹果树为采样对象，随机采样，并尽量涵盖不同长势的叶片。每棵苹果树按E,W,S,N这4个方位，在冠层外围各取1～2片充分展开、无损伤、无病虫害的健康功能叶片。将采集的叶片迅速装入保鲜袋内，封口后编号，放到盛有冰块的保鲜箱中，尽快带回实验室测定光谱。

2.3数据测定

2.3.1光谱测定

光谱测定采用美国ASDFieldSpec3地物光谱仪，测定波谱范围为350～2 500nm，其中350～1 000nm谱段采样间隔为1.4nm，光谱分辨率为3nm； 1 000～2 500nm谱段采样间隔为2nm，光谱分辨率为10nm。在一个能控制光照条件的暗室内进行光谱测定。测定前，将待测光谱的叶片用脱脂棉擦拭干净； 测定时，把单层叶片平整地置于反射率近似为零的黑色橡胶上，置光谱仪视场角为25°，探头垂直向下正对待测叶片中部，距样品表面距离0.10m； 光源用光谱仪自带的50W卤化灯，光源距样品表面距离0.50m，方位角60°。为消除外界干扰以保证测定精度，对每片叶片的观测分别记录10个采样光谱数据，以其平均值作为该叶片的光谱反射值。测定过程中，要及时进行标准白板的校正。

2.3.2N素含量测定

将测定光谱的苹果叶片迅速放入80℃烘箱中，进行15～30min杀青处理； 然后降温至60℃，烘干至恒量。把烘干样品用研钵研磨至粉状，用H2SO4-H2O2消煮后，采用火焰光度法测定N素含量。

2.4输入变量确定

将测得的苹果叶片反射光谱数据利用光谱处理软件ViewSpecPro5.0进行处理，并通过EXCEL和统计产品与服务解决方案(statisticalproductandsurvicesolution,SPSS)软件统计分析和绘图，以便做进一步分析。为了减小光照强度差异、背景光谱以及仪器噪声对目标光谱特征的影响，本文对测定的86组数据的光谱反射率R进行了变换，包括光谱的倒数(1/R)、光谱的对数(lnR)、光谱的一阶导数(R′)、光谱对数的一阶导数((lnR)′)和光谱倒数的一阶导数((1/R)′)(图2)。

图2　苹果叶片反射率及其各种变换形式与N素含量的相关性

从相关系数较大的28个样本中筛选出各种变换形式下相关性较高的敏感波段，然后利用SPSS软件包中的多元逐步回归分析软件筛选出更为敏感的4个波段的一阶导数，构建特征光谱参数，其多元回归公式为

y=2.328+51.141x1+0.978x2-90.456x3-273.485x4，

(4)

式中： x1,x2,x3和x4分别为中心波长364nm,373nm,392nm和998nm波段的一阶导数的值； y为N素含量值，单位为(g·kg-1)。上述4个波段的一阶导数与N素含量的相关系数与N素含量有较好的拟合性(图3)，并以此作为BP神经网络输入层的参数，N素含量为输出层参数，建立N素含量反演的BP人工神经网络模型。

(a) 364nm波段 (b) 373nm波段

(c) 393nm波段 (d) 998nm波段

图34个波段一阶导数与N素实测值的相关性

Fig.3Correlationbetweenderivativesoffourbandsandmeasurednitrogenvalues

2.5模型优选结果

在相关系数较大的28个样本中，随机抽取19个样本作为训练样本。BP人工神经网络模型的隐含层神经元个数为10(网络拓扑结构为“4-10-1”, 即4个输入层节点、10个隐含层节点、1个输出层节点)时，可得到较好的N素值估计结果。模型的训练结果如图4(a)所示，其中训练样本R2= 0.887 8，RMSE=0.014 2。利用9组数据对网络训练结果进行检验，即把测试样本的4个波段一阶导数作为输入矢量P，进行N素值预测； 并将N素含量的预测值与实测值进行拟合测试，测试结果如图4(b)所示，其中测试样本的R2=0.900 1,RMSE=0.015 0。

(a) 模型训练结果 (b) 模型测试结果

图4氮素实测值与BP人工神经网络模型预测值拟合效果

Fig.4FittingchatofnitrogenvaluesmeasuredandpredictedbyBPANNmodel

为了对不同模型的预测效果进行比较，利用多元逐步回归分析模型对上述28组数据进行N素含量预测。预测结果如图5所示，其中R2=0.716 3，RMSE=0.022 2。

图5　氮素实测值与多项式预测值拟合图

由此可以看出，BP人工神经网络模型预测的N素含量与实测N素含量的相关性比多元逐步回归分析模型更高，且均方根误差更低。可见BP人工神经网络模型对氮素含量监测具有更大的应用潜力。

3结论

1)基于ACD实测数据建立的BP人工神经网络模型预测的N素含量与实测N素含量的相关性比多元逐步回归模型的更高，且均方根误差更低。

2)最优网络结构为“4-10-1”的BP人工神经网络模型的训练样本的R2=0.887 8，RMSE=0.014 2，测试样本的R2=0.900 1，RMSE=0.015 0。邢东兴等[6]以红富士苹果为例进行的研究中，以一阶微分光谱建立的估测模型的R2=0.8。说明本文方法较前人有所改进，相关系数R2的提高较为明显。

3)结合BP人工神经网络算法建立的N素含量反演模型能够更精准地估测苹果叶片的N素含量，可为苹果树的营养诊断、高产栽培和遥感估产提供理论依据和技术支持，对苹果树的栽培与管理信息化有积极意义。

4)本文实验区山东省蒙阴县属于华北平原地区，是中国3大苹果产区之一，所建立的苹果叶片N素含量的高光谱估测模型对其他地区、其他类型苹果叶片N素含量的遥感估测有一定参考价值，但应用效果有待进一步研究。

参考文献(References)：

[1]裘正军,宋海燕,何勇,等.应用SPAD和光谱技术研究油菜生长期间的氮素变化规律[J].农业工程学报,2007,23(7):150-154.

QiuZJ,SongHY,HeY,etal.VariationrulesofthenitrogencontentoftheoilseedrapeatgrowthstageusingSPADandvisible-NIR[J].TransactionsoftheCSAE,2007,23(7):150-154.

[2]BrogeNH,MortensenJV.Derivinggreencropareaindexandcanopychlorophylldensityofwinterwheatfromspectralreflectancedata[J].RemoteSensingEnvironment,2002,81(1):45-57.

[3]WangY,HuangJF,WangFM,etal.PredictingnitrogenconcentrationsfromhyperspectralreflectanceatleafandcanopyforRape[J].SpectroscopyandSpectralAnalysis,2008,28(2):273-277.

[4]ThomasJR,OertherGF.Estimatingnitrogencontentofsweetpepperleavesbyreflectancemeasurements[J].AgronomyJournal,1971,64(1):11-13.

[5]朱艳,李映雪,周冬琴,等.稻麦叶片氮含量与冠层反射光谱的定量关系[J].生态学报,2006,26(10):3463-3469.

ZhuY,LiYX,ZhouDQ,etal.Quantitativerelationshipbetweenleafnitrogenconcentrationandcanopyreflectancespectrainriceandwheat[J].ActaEcologicaSinica,2006,26(10):3463-3469.

[6]邢东兴,常庆瑞.基于光谱分析的果树叶片微量元素含量估测研究——以红富士苹果为例[J].西北农林科技大学学报:自然科学版,2008,36(11):143-150.

XingDX,ChangQR.ResearchonpredictingtheFe,Mn,Cu,Zncontentsinfruittrees’freshleavesbyspectralanalysis：RedFujiappletreeasanexample[J].JournalofNorthwestA&FUni-versity:NaturalScienceEdition,2008,36(11):143-150.

[7]宋开山,张柏,王宗明,等.大豆叶绿素含量高光谱反演模型研究[J].农业工程学报,2006,22(8):16-21.

SongKS,ZhangB,WangZM,etal.Inversemodelforestimatingsoybeanchlorophyllconcentrationusingin-situcollectedcanopyhyperspectraldata[J].TransactionsoftheCSAE,2006,22(8):16-21.

[8]汤旭光,刘殿伟,宋开山,等.东北主要绿化树种叶面积指数(LAI)高光谱估算模型研究[J].遥感技术与应用,2010,25(3):334-341.

TangXG,LiuDW,SongKS,etal.AstudyforestimatingthemaintreespeciesleafareaindexinNortheastbasedonhyperspectraldata[J].RemoteSensingTechnologyandApplication,2010,25(3):334-341.

[9]姚付启,张振华,杨润亚,等.基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究[J].测绘科学,2010,35(1):109-112.

YaoFQ,ZhangZH,YangRY,etal.ResearchonPlatanusorientalisL.chlorophyllconcentrationestimationwithhyperspectraldatabasedonBP-artificialneuralnetworkandprincipalcomponentanalysis[J].ScienceofSurveyingandMapping,2010,35(1):109-112.

[10]LubacB,LoiselH.VariabilityandclassificationofremotesensingreflectancespectraintheeasternEnglishChannelandsouthernNorthSea[J].RemoteSensingofEnvironment,2007,110(1):45-58.

[11]申广荣,王人潮.基于神经网络的水稻双向反射模型研究[J].遥感学报,2002,6(4):252-258.

ShenGR,WangRC.Studyonbi-directionalreflectancemodelofriceusingaartificialneuralnetwork[J].JournalofRemoteSensing,2002,6(4):252-258.

[12]王平,刘湘南,黄方.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型[J].光谱学与光谱分析,2010,30(1):197-201.

WangP,LiuXN,HuangF.Retrievalmodelforsubtlevariationofcontaminationstressedmaizechlorophyllusinghyperspectraldata[J].SpectroscopyandSpectralAnalysis,2010,30(1):197-201.

[13]朱西存,赵庚星,王瑞燕,等.苹果叶片的高光谱特征及其色素含量监测[J].中国农业科学,2010,43(6):1189-1197.

ZhuXC,ZhaoGX,WangRY,etal.Hyperspectralcharacteristicsofappleleavesandtheirpigmentcontentsmonitoring[J].ScientiaAgriculturaSinica,2010,43(6):1189-1197.

[14]朱西存,赵庚星,王凌,等.基于高光谱的苹果花氮素含量预测模型研究[J].光谱学与光谱分析,2010,30(2):416-420.

ZhuXC,ZhaoGX,WangL,etal.HyperspectrumbasedpredictionmodelforNitrogencontentofappleflowers[J].SpectroscopyandSpectralAnalysis,2010,30(2):416-420.

(责任编辑： 刘心季)

Studyofhyperspectraldetectionfornitrogencontentofappleleaves

ANJing1，YAOGuoqing1，ZHUXicun2

(1. School of Information Engineering, China University of Geosciences(Beijing)， Beijing 100083， China；2. College of Resources and Environment, Shandong Agricultural University, Tai’an 271018， China)

Abstract:Nitrogen(N)content of apple leaves is an important indicator for estimating growth status of apple tree. Quantitative inversion of the nitrogen content of apple leaves using high spectral technology can provide the theoretical basis for information management of apple tree. In this paper, the hyperspectral reflectance and nitrogen content of apple leaf samples were measured by using ASD FieldSpec 3 spectrometer. The authors constructed multiple regression analysis of the relationships between nitrogen content of apple tree leaves and the original spectrum, the first-order derivative and the transformation forms, selected four wavebands which are more sensitive to the nitrogen change, and constructed the retrieval model for nitrogen content of apple leaves using back propagation (BP) artificial neural network (ANN) algorithm. Finally, the model was optimized and tested. The results show that the model is an effective means to improve capability of predicting apple tree nitrogen content based on BP artificial neural network algorithm.

Keywords:apple leaf； hyperspectral； content of nitrogen(N)； back propagation(BP)neural network

doi:10.6046/gtzyyg.2016.02.11

收稿日期：2014-10-21；

修订日期：2014-12-22

基金项目：山东省自然科学基金项目“苹果叶片色素与水分含量的高光谱估测方法与模型研究”(编号： ZR2012DM007)资助。

中图法分类号：TP 751.1

文献标志码：A

文章编号：1001-070X(2016)02-0067-05

第一作者简介：安静(1989-),女,硕士研究生,主要研究方向为遥感技术与应用。Email： 448116074@qq.com。

引用格式： 安静,姚国清,朱西存.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.(AnJ,YaoGQ,ZhuXC.Studyofhyperspectraldetectionfornitrogencontentofappleleaves[J].RemoteSensingforLandandResources,2016,28(2)：67-71.)