一种作物冠层叶片的全氮含量估算方法与流程

本发明属于作物生化组分光谱无损检测技术领域，特别涉及一种作物冠层叶片的全氮含量估算方法。

背景技术：

氮素是植物光合作用和诊断作物营养状况所必需的元素，它与作物生长发育、长势以及品质密切相关，也是农学专家关注的重点。正常施氮下，植株吸氮量、氮肥利用效率、作物产量和品质均随着施氮量的增加而增加。但若氮肥过盛，会造成土壤质量退化、水稻产量及品质下降等问题，严重时还会造成土地污染。同时，作物叶片氮素浓度的变化会影响植物叶片的光合作用，使得叶片光谱发生一定的变化。当作物叶片受到危害胁迫时，叶片氮素浓度变化会在光谱上产生响应。因此，可以通过叶片光谱的变化对植株氮素情况进行监测。

高光谱数据具有较高的光谱分辨率，能够探测到植物叶片生化组分的微小变化，检测具有无损、快捷等特点，利用高光谱手段对植物叶片生化组分进行快速、无损的监测已成为植物营养生长状况评价的重要内容。然而，具有成百甚至上千波段的高光谱数据，相较于多光谱虽然能提供更细致更丰富的光谱信息，但也存在着大量数据冗余、邻近波段间高度相关性等问题。

当前，基于高光谱信息提取的光谱变量通常可以分为三类：(1)反射波段特征：高光谱具有较为精确的波段，能够很好的反应植被的特征。白丽敏等人利用连续投影算法提取冬小麦叶片全氮含量冠层光谱的8个(1985nm、2474nm、1751nm、1916nm、2507nm、1955nm、2465nm、344nm)敏感波段，建立小麦拔节期叶片含量估算模型，估算精度高，稳定性好；张筱蕾等人基于连续投影算法提取出油菜苗-花-角果全生育期叶片的12个特征波长(467nm、557nm、665nm、686nm、706nm、752nm、874nm、879nm、886nm、900nm、978nm、995nm)，反演叶片的氮含量估测模型，实现氮素水平的可视化；(2)敏感位置特征：付元元等人对冬小麦冠层光谱550nm-750nm范围内进行波段深度分析，再与偏最小二乘回归结合以提高大田冬小麦生物量的估算精度；王平等人对高光谱可见光波段(400nm～800nm)提取反射与吸收位置等的参数，挑选出与玉米叶绿素含量相关性较高且与玉米污染胁迫叶绿素微小变化相关的参数，建立bp神经网络模型，逐步增强并提取农田污染胁迫状态下玉米叶绿素含量的微小变化信息；杜华强等人分析了马尾松光谱中的红边面积、红谷吸收深度等9个位置特征，建立了基于高斯核函数变换的偏最小二乘回归的马尾松针叶叶绿素含量预测模型，其均方误差为0.0088，平均绝对百分误差为0.7617％；(3)植被指数特征：植被指数是由可见光-近红外波段的线性与非线性的组合，能在一定情况下定量反映植被的生长状况。chen等人利用双峰冠层氮指数(dcni)与一些现有植被指数进行比较，确定研究中小麦和玉米的dcni为最佳光谱指数，以评估作物氮处理的效率；束美艳等人通过构建新型光谱指数来提高作物叶面积指数高光谱反演的精度；谭昌伟等人综合分析10个常用的光谱植被指数与夏玉米lai的相关性与预测性。

研究表明：当前已有研究使用高光谱变量特征，尽管能用于监测评估作物生长状况参数，但多数研究只是使用单一类型的光谱特征变量，而不同类型光谱变量都是从不同角度提供作物生长参数的有用信息，因此，如果能综合利用不同类型的光谱变量来监测作物目标参数是一个可能改善监测精度的途径，而如何综合利用多类型高光谱变量进一步挖掘高光谱中蕴含的丰富信息，以此来改进作物氮素营养光谱估测的精度，鲜有报道。另一方面，偏最小二乘回归pls方法是多元线性回归模型的扩展，因其可以减少数据变量间的共线性问题而被广泛应用。

技术实现要素：

本发明的目的在于，针对现有采用高光谱变量监测评估作物营养方面存在的光谱特征变量过于单一的问题，本申请提供一种作物冠层叶片的全氮含量估算方法。

为了实现上述目的，本申请采用的技术方案为：

一种作物冠层叶片的全氮含量估算方法，包括步骤：

s1、利用连续投影变换算法spa，从400nm～1350nm、1400nm～1790nm，1990nm～2350nm的冠层叶片光谱范围中选出与已知作物冠层叶片的全氮含量lnc1共线性最小的6个敏感波段，构成敏感光谱特征数据集；

6个所述敏感波段包括为4个冠层叶片反射率ref波段和2个一阶导数fd波段；

4个所述冠层叶片反射率ref波段分别为412nm、724nm、1084nm、1343nm；

2个所述一阶导数fd波段为658nm和937nm；

所述已知作物冠层叶片的全氮含量lnc1通过定氮仪检测得到；

s2、利用连续投影变换算法spa，从作物高光谱氮素研究时用到的位置波段中，选取共线性最小的两个位置波段sdb和dr，构成位置特征数据集；

所述sdb为490nm～530nm处波段的冠层叶片光谱反射率一阶导数fd之和；

所述dr为680nm～760nm处波段的冠层叶片光谱反射率一阶导数fd最大值；

s3、利用连续投影变换spa算法，从典型的植被指数vis中选取共线性最小的两个植被指数，即归一化植被指数ndvig-b^#和差值植被指数dviii^#，构成植被指数特征数据集；

所述ndvig-b^#＝(r573-r440)/(r573+r440)；

其中，r573为波长在573nm处的冠层叶片光谱反射率；

r440为波长在440nm处的冠层叶片光谱反射率；

所述dviii^#＝rnir-rr；

其中，rnir为841nm～876nm处波段的冠层叶片光谱反射率的均值；

rr为680nm～760nm处波段的冠层叶片光谱反射率；

s4、利用连续投影变换spa算法，从敏感光谱特征数据集、位置特征数据集和植被指数特征数据集中筛选出共线性小最小的敏感光谱变量集；

其中，所述敏感光谱变量集包括2个冠层叶片反射率ref波段、1个一阶导数fd波段和归一化植被指数ndvig-b^#；

2个所述冠层叶片反射率ref波段分别为724nm和1343nm；

1个所述阶导数fd波段为658nm；

再将敏感光谱变量集进行偏最小二乘回归pls建模，得到作物冠层叶片的全氮含量lnc的估算模型：y＝3.6344-5.7351x1-4.4275x2+1236.6x3+2.0886x4；

其中，x1：波段为1343nm处的冠层叶片反射率ref；

x2：归一化植被指数ndvig-b^#；

x3：波段为658nm处反射率的一阶导数值；

x4：波段为724nm处的冠层叶片反射率ref。

进一步的，所述400nm～1350nm、1400nm～1790nm，1990nm～2350nm的冠层叶片光谱范围是通过如下方法选取得到的：

测定作物冠层叶片在350nm～2500nm波长范围内的反射率，得到横坐标为波长，纵坐标为反射率的光谱图；去除水汽影响，光谱图中剩下的波段即为400nm～1350nm、1400nm～1790nm和1990nm～2350nm的冠层叶片光谱。

进一步的，所述已知作物冠层叶片的全氮含量lnc1是通过如下方法得到的：

将进行光谱反射率测量后的作物冠层叶片放入100℃～110℃的烘箱中烘25min～35min，然后75℃～85℃下烘至衡重，得到样本叶片；称量烘干的样本叶片，然后将样本叶片粉碎，再用定氮仪测定样本叶片氮含量，得到lnc1。

进一步的，所述一阶导数fd的公式如下：

其中，rλ(j)是波段j的反射率，rλ(j+1)是波段j+1的反射率，λ(j+1)-λ(j)是波段j和j+1之间的波长差；

一阶导数fd为波段j和j+1之间波长中点i的反射率的一阶导数。

进一步的，所述作物冠层叶片为玉米冠层叶片或小麦冠层叶片。

与现有技术相比，本发明的有益效果是：

本申请利用连续投影变换spa算法，从敏感光谱特征数据集、位置特征数据集和植被指数特征数据集中筛选出共线性小最小的敏感光谱变量集；再将敏感光谱变量集进行偏最小二乘回归pls建模，得到作物冠层叶片的全氮含量lnc的估算模型。因为建立作物冠层叶片的全氮含量lnc的估算模型的过程中兼顾了冠层叶片的高光谱敏感波段、光谱位置特征和典型植被指数这三类光谱变量，相较于现有的采用单一的光谱变量监测评估作物冠层叶片全氮含量，稳定性更好，更能精确的预测待测样品中的作物冠层叶片的全氮含量lnc。

附图说明

图1是本发明训练集反射光谱(ref)和一阶导数光谱(fd)与lnc1的相关性谱图；

图2是本发明玉米冠层叶片的实际全氮含量lnc'与玉米冠层叶片的预测全氮含量lnc的精度评价图。

具体实施方式

为了使本发明的技术手段、创作特征、达到目的与功效易于明白了解，下面将结合本发明的具体实施例和附图，对本发明的技术方案进行清楚、完整地描述。

一、实验准备

(一)研究区：

本发明的实施例中采用的作物以玉米叶为例，实验于2012年在国家精准农业研究示范基地开展，基地位于北京市昌平区小汤山镇东北部，北纬40°00′～40°21′，东经116°34′～117°00′，海拔高度36m。土壤类型为潮土。气候类型为温带大陆性季风气候，冬季寒冷，夏季炎热，终年干旱少雨。种植的玉米为农大108(中间型)和京华8号(紧凑型)。3个氮素水平处理，分别为不施氮(n0)、正常氮(n1)、2倍氮(n2)，3次重复。播种密度约为882m²。2012年6月21日播种，2012年10月15日收获。

(二)光谱测定

光谱测定采用asdfieldspecfr2500型地物光谱仪(美国analyticalspectraldevice公司)，光谱范围为350nm-2500nm，在350nm-1000nm范围内间隔1.4nm，1000nm-2500nm范围内间隔1nm。一般在北京时间10:00-14:00进行测量，测量时天气晴朗、无风无云，观测时探头垂直向下，离地面高度1.3m，视场角25°，每次测量前后用参考版进行校正。

(三)已知作物冠层叶片的全氮含量lnc1的测定

在进行光谱测量后及时将茎叶分离，并把叶片装入纸袋中。将叶片放入105°的烘箱中烘30min，然后80°恒温下烘48h或更多，直到衡重。称量烘干的样本叶片，然后将叶片粉碎，用凯氏定氮仪(buchib-339，foss，sweden)测定其氮含量。本研究中共72个实验小区，48个小区用于训练，24个小区用于验证。

二、原理和方法

(一)高光谱数据预处理

为消除光谱中的部分噪声，采用savitzky_golay(sg)卷积平滑法进行光谱去噪，通过预实验，移动窗口宽度为17，多项式次数为2时，去噪效果较好。本文中各类光谱变量如一阶导数、位置特征和植被指数等，都是基于sg去噪后的光谱反射率计算得到，其中一阶导数(fd)公式如下：

其中，rλ(j)是波段j的反射率，rλ(j+1)是波段j+1的反射率，λ(j+1)-λ(j)是波段j和j+1之间的波长差；

一阶导数fd为波段j和j+1之间波长中点i的反射率的一阶导数。

(二)作物高光谱氮素研究时用到的位置波段

表1作物高光谱氮素研究时用到的位置波段

(三)、典型的植被指数vis

文献中已经报道了许多不同的光学指数，并且已经证明它们与植被参数有很好的相关性。本研究选取了34个典型的植被指数(vis)来估测玉米冠层叶氮含量(见表2)。其中，包括6个对氮素敏感的高光谱植被指数，如最佳植被指数(viopt)、归一化差值植被指数(ndvig-b^#)、比值植被指数(rvii^#)、rviii^#、结合指数(mcari/mtvi2)、双峰冠层氮素指数(dcni^#)，还有ndvii^#、rviiii^#、dvii^#、savii^#、归一化差值红边(ndre)等；以及23个典型指数,如抗大气植被指数(arvi)，差值植被指数(dviii^#)，增强植被指数(evi)，绿色归一化植被指数(gndvi)，改良非线性植被指数(mnli)，改进型土壤调节植被指数2(msavi2)，修正简单比(msr)，ndviii^#，非线性植被指数(nli)，优化savi(osavi)，rdvi，比值植被指数(rviiv)，saviii^#，tvi和改良三角形植被指数(mtvi2)，与红边相关的指数ndvired-edge，cired-edge和mtci，以及与水分关联的指数(wi，ndwi)，归一化差异红外指数(ndii)，疾病水分胁迫指数(dswi)和标准化lai决定指数(slaidi^*)等，对上述涉及宽波段信息的vis，使用对应传感器的光谱响应函数通过高光谱计算得到。

表2典型的植被指数vis汇总

(四)筛选和建模方法

(1)连续投影变换算法spa

近年来，连续投影算法(successiveprojectionsalgorithm,spa)在筛选和提取敏感变量的应用中日益广泛，它是一种能够有效消除光谱信息中共线性问题的前向变量选择算法，通过减小变量间的冗余度，选出具有代表性的特征参数用于建模，可大大提高建模分析的效率。以均方根误差(rootmeansquareerror,rmse)为评价指标，当均方根误差最小时的个数为变量个数。

(2)偏最小二乘回归

偏最小二乘回归(partialleastsquaresregression，pls)是统计学中的一种方法，它集主成分分析、典型相关分析和多元线性回归方法于一身，是一种研究多因变量或单因变量和多自变量的建模方式。它能够在样本量不多的情况下筛选出共线性较小的成分。

考虑m个因变量y1,y2,…,ym，n个自变量x1,x2,…,xn。e0,e1,…,er,f0,…,fr为两组变量集的标准化观测数据阵，直接在e0,e1,…,er-1矩阵中提取成分t1,…,tr(r≤m),th(th是自变量集x＝(x1,…,xm)^t的线性组合)尽可能多的携带x中的信息，同时，th对因变量系统f0有最大的解释能力。若最终对自变量集提取r个成分t1,…,tr，偏最小二乘回归将通过建立y1,y2,…,ym与t1,…,tr的回归式，然后再表示为y1,y2,…,ym与原自变量的回归方程式，即偏最小二乘回归方程式。

(3)统计分析方法

对敏感波段、位置特征、植被指数和玉米冠层叶片氮素(lnc)用spss24.0进行相关性分析。采用未参与建模的1/3(24个)样本作为验证样本，决定系数r²、均方根误差rmse和归一化相对误差nrmse(normalizedrootmeanaquareerror)3个指标作为指标解释、定量化与冠层叶片全氮含量之间的关系。

其中xi表示第i个玉米冠层叶氮含量的实测值，即lnc1；yi表示第i个玉米冠层叶氮含量的预测值；表示为预测集或实测集的玉米冠层叶氮含量的实测值均值，其中n表示样本数量。

三、一种作物冠层叶片的全氮含量估算方法的建模过程

一种作物冠层叶片的全氮含量估算方法的建模过程，包括如下步骤：

s1、敏感光谱特征数据集的选取

(1)在48个训练区内任意选取玉米的冠层叶片，测定玉米冠层叶片在350nm～2500nm波长范围内的反射率，得到横坐标为波长，纵坐标为反射率的光谱图；去除水汽影响，光谱图中剩下的波段即为400nm～1350nm、1400nm～1790nm，1990nm～2350nm的冠层叶片光谱，结果如图1所示。

(2)将进行上述光谱反射率测量后的的作物冠层叶片放入105℃的烘箱中烘30min，然后80℃下烘至衡重，得到样本叶片；称量烘干的样本叶片，然后将样本叶片粉碎，再用定氮仪测定样本叶片氮含量，得到已知作物冠层叶片的全氮含量lnc1。

(3)利用连续投影变换算法spa，从400nm～1350nm、1400nm～1790nm，1990nm～2350nm的冠层叶片光谱范围中选出与lnc1共线性最小的6个敏感波段，构成敏感光谱特征数据集；

6个敏感波段包括为4个冠层叶片反射率ref波段和2个一阶导数fd波段；

4个冠层叶片反射率ref波段分别为412nm、724nm、1084nm、1343nm；2个一阶导数fd波段为658nm和937nm；

s2、位置特征数据集的选取

利用连续投影变换算法spa，从表1所示的作物高光谱氮素研究时用到的位置波段中，选取共线性最小的两个位置波段sdb和dr，构成位置特征数据集；

sdb为490nm～530nm处波段的冠层叶片光谱反射率一阶导数fd之和；

dr为680nm～760nm处波段的冠层叶片光谱反射率一阶导数fd最大值；

s3、植被指数特征数据集的选取

利用连续投影变换spa算法，从表2所示的典型的植被指数vis中选取共线性最小的两个植被指数，即归一化植被指数ndvig-b^#和差值植被指数dviii^#，构成植被指数特征数据集；

所述ndvig-b^#＝(r573-r440)/(r573+r440)；

其中，r573为波长在573nm处的冠层叶片光谱反射率；

r440为波长在440nm处的冠层叶片光谱反射率；

dviii^#＝rnir-rr；

其中，rnir为841nm～876nm处波段的冠层叶片光谱反射率的均值；

rr为680nm～760nm处波段的冠层叶片光谱反射率；

s4、敏感光谱变量集的选取

利用连续投影变换spa算法，从敏感光谱特征数据集、位置特征数据集和植被指数特征数据集中筛选出共线性小最小的敏感光谱变量集；

其中，敏感光谱变量集包括2个冠层叶片反射率ref波段、1个一阶导数fd波段和归一化植被指数ndvig-b^#；

2个冠层叶片反射率ref波段分别为724nm和1343nm；

1个一阶导数fd波段为658nm；

再将敏感光谱变量集进行偏最小二乘回归pls建模，得到作物冠层叶片的全氮含量lnc的估算模型：y＝3.6344-5.7351x1-4.4275x2+1236.6x3+2.0886x4；

其中，x1：波段为1343nm处的冠层叶片反射率ref；

x2：归一化植被指数ndvig-b^#；

x3：波段为658nm处反射率的一阶导数值；

x4：波段为724nm处的冠层叶片反射率ref。

为了进一步验证本申请的作物冠层叶片的全氮含量lnc的估算模型的稳定性和准确性，还做了如下试验：

(1)通过asdfieldspecfr2500型地物光谱仪在48个训练区(建模集)和24个验证区(测试集)的每一个区内任意取一株玉米植株，同时测量48个训练区(建模集)与24个验证区(测试集)的反射率，每一株玉米植株测量10次，求平均值，再去除水汽部分的影响，用spa算法筛选出每一株玉米冠层叶片在440nm、573nm、658nm、724nm和1341nm处的光谱反射率，分别记为r440、r573、r658、r724和r1341。

进而得到ndvig-b^#＝(r573-r440)/(r573+r440)的具体数值；此外，通过计算得到r658的一阶导数fd658。

将r1341、ndvig-b^#、fd658和r724分别带入到作物冠层叶片的全氮含量lnc的估算模型：y＝3.6344-5.7351x1-4.4275x2+1236.6x3+2.0886x4中得到建模集或测试集的玉米冠层叶片的预测全氮含量lncy1～y24。

(2)分别用凯氏定氮仪分别测定建模集或测试集的玉米冠层叶片的实际全氮含量lnc'y'1～y'24。

(3)将上述得到建模集的玉米冠层叶片的实际全氮含量lnc'y'1～y'24和建模集的玉米冠层叶片的预测全氮含量lncy1～y24代入中得到决定系数r²；代入中得到均方根误差rmse；代入中得到归一化相对误差nrmse；将上述得到测试集的玉米冠层叶片的实际全氮含量lnc'y'1～y'24和测试集的玉米冠层叶片的预测全氮含量lncy1～y24代入中得到决定系数r²；代入中得到均方根误差rmse；代入中得到归一化相对误差nrmse，具体结果如表3。

表3建模集或测试集的玉米冠层叶片的实际全氮含量lnc'与预测全氮含量lnc的统计学分析

从表3中能够看出，采用本申请的作物冠层叶片的全氮含量估算方法得到的冠层叶片全氮含量相较于玉米冠层叶片的实际全氮含量lnc'相差不大，说明本申请的作物冠层叶片的全氮含量估算方法能够精确的预估冠层叶片全氮含量。

(4)此外，以测试集玉米冠层叶片的实际全氮含量lnc'y'1～y'24为横坐标，以测试集玉米冠层叶片的预测全氮含量lncy1～y24为纵坐标，并通过偏最小二乘回归pls建模，得到结果如图2，图2中虚线为y＝x的直线，实线为测试集玉米冠层叶片的实际全氮含量lnc'与测试集玉米冠层叶片的预测全氮含量lnc的模拟曲线y＝0.8422x+0.2868，从图2中更进一步说明本申请的作物冠层叶片的全氮含量估算方法能够精确的估测作物冠层叶片全氮含量。

综上所述，利用连续投影变换spa算法，从敏感光谱特征数据集、位置特征数据集和植被指数特征数据集中筛选出共线性小最小的敏感光谱变量集；再将敏感光谱变量集进行偏最小二乘回归pls建模，得到作物冠层叶片的全氮含量lnc的估算模型，该模型能够精确的估测作物冠层叶片全氮含量，与实测值相差不大。

当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域技术人员通常理解的意义相同。除实施例中使用的具体方法、设备、材料外，根据本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。

以上公开的仅为本发明的较佳实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。