高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高光谱数据的互花米草营养成分反演

朱怡 吴永波 周子尧 张智雯 安玉亭

朱怡, 吴永波, 周子尧, 张智雯, 安玉亭. 基于高光谱数据的互花米草营养成分反演[J]. 北京林业大学学报, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
引用本文: 朱怡, 吴永波, 周子尧, 张智雯, 安玉亭. 基于高光谱数据的互花米草营养成分反演[J]. 北京林业大学学报, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
Zhu Yi, Wu Yongbo, Zhou Ziyao, Zhang Zhiwen, An Yuting. Inversion of nutrient components of Spartina alterniflora based on hyperspectral data[J]. Journal of Beijing Forestry University, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
Citation: Zhu Yi, Wu Yongbo, Zhou Ziyao, Zhang Zhiwen, An Yuting. Inversion of nutrient components of Spartina alterniflora based on hyperspectral data[J]. Journal of Beijing Forestry University, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008

基于高光谱数据的互花米草营养成分反演

doi: 10.12171/j.1000-1522.20200008
基金项目: 国家重点研发计划(2016YFC0502704),江苏省生物学优势学科建设项目,江苏省林业科技创新与推广项目(LYKJ[2019]24)
详细信息
    作者简介:

    朱怡。主要研究方向:修复生态学。Email:1965240167@qq.com 地址:210037江苏省南京市玄武区龙蟠路159号南京林业大学

    通讯作者:

    吴永波,博士,副教授。主要研究方向:修复生态学。Email:yongbowu0920@163.com 地址:同上

Inversion of nutrient components of Spartina alterniflora based on hyperspectral data

  • 摘要:   目的  粗蛋白、粗纤维和粗脂肪含量是决定草本质量的指标之一,研究以江苏大丰麋鹿国家级自然保护区(核心三区)内的互花米草为对象,结合高光谱数据和实测数据,找到光谱数据与互花米草营养成分的关系,建立相应的营养成分估测模型。  方法  在2018年3、5、7和10月,利用ASD Field Spec Pro FR2500高光谱仪采集互花米草叶片的光谱数据,同时采集互花米草叶片,测定其粗蛋白、粗纤维和粗脂肪含量,对原始反射率及其一阶导数和互花米草粗蛋白、粗纤维和粗脂肪含量实测值之间进行相关性分析,在350 ~ 1 364 nm和1 411 ~ 1 799 nm的范围内选取与互花米草各营养成分含量的相关系数绝对值大于0.7的波段,同时构建选定的8个植被指数,进行建模分析,筛选出最优模型。  结果  粗蛋白的估测模型以673 nm和1 740 nm处的光谱一阶反射率的多元线性估测最优(R2 = 0.917,RMSEP = 1.344);粗纤维的估测模型以1 738 nm处的光谱一阶反射率的线性估测最优(R2为0.741,RMSEP为1.708);粗脂肪含量的估测模型以1 734 nm和880 nm处的光谱一阶反射率的多元线性估测最优(R2 = 0.737,RMSEP = 0.343)。  结论  在构建的估测模型中,粗蛋白和粗纤维的估测模型对互花米草粗蛋白和粗纤维含量的估测结果极好,粗脂肪含量的估测模型可以对互花米草粗脂肪含量做出很好的预测。研究结果为评估互花米草营养质量提供参考和技术依据。
  • 图  1  研究区概况

    Figure  1.  Overview of the study area

    图  2  互花米草的光谱数据

    Figure  2.  Spectral data of Spartina alterniflora

    图  3  原始反射率、光谱一阶导数与互花米草粗蛋白(A)、粗纤维(B)和粗脂肪(C)含量的相关性曲线

    Figure  3.  Correlation curves between the original reflectances and the first derivatives of spectrum andthe contents of crude protein (A), crude fiber (B) and crude fat (C) of S. alterniflora

    图  4  互花米草营养成分含量

    Figure  4.  Nutrient contents of S. alterniflora

    图  5  粗蛋白(A)、粗纤维(B)、粗脂肪(C)模型验证的实测值与估测值的线性关系

    Figure  5.  Linear relationship between estimated values and measured values validated by crude protein (A), crude fiber (B) and crude fat (C) models

    表  1  建模选用的植被指数

    Table  1.   Vegetation indexes selected for modeling

    变量
    Variable
    缩写
    Abbreviation
    计算公式或定义
    Calculation formula or definition
    文献来源
    Reference source
    归一化植被指数
    Normalized difference vegetation index
    NDVI NDVI = (RNIR − RRED)/(RNIR + RRED) [17]
    比值植被指数
    Ratio vegetation index
    RVI RNIR/RRED [17]
    绿峰波长
    Green peak wavelength/nm
    λg 波长510 ~ 560 nm范围内最大反射率对应的波长
    Wavelength corresponding to the maximum reflectance in the 510−560 nm
    [19]
    红谷波长
    Red valley wavelength/nm
    λo 波长650 ~ 690 nm范围内最小反射率对应的波长
    Wavelength corresponding to the minimum reflectance in the 650−690 nm
    [19]
    绿峰反射率
    Green peak reflectance
    ρg 波长510 ~ 560 nm 范围内最大反射率
    Maximum spectral reflectance in the 510−560 nm
    [18]
    红谷反射率
    Red valley reflectance
    ρr 波长650 ~ 690 nm 范围内最小反射率
    Minimum spectral reflectance in the 650−690 nm
    [18]
    绿峰反射率/红谷反射率
    Green peak reflectance/red valley reflectance
    RVIgr ρg/ρr [17]
    绿峰反射率与红谷反射率的归一化值
    Normalized value of green peak reflectance and red valley reflectance
    NDVIgr (ρgρr)/(ρg + ρr) [17]
    下载: 导出CSV

    表  2  互花米草叶片光谱一阶导数的敏感波段

    Table  2.   Sensitive bands of the first derivative of spectrum of S. alterniflora leaves

    营养指标
    Nutrient index
    敏感波段
    Sensitive wave band/nm
    粗蛋白 Crude protein374,477,620,673,751,945,1 015,1 141,
    1 181,1 296,1 466,1 740,1 751
    粗纤维 Crude fiber374,482,589,675,922,1 089,
    1 326,1 738,1 751
    粗脂肪 Crude fat396,464,626,677,880,994,1 089,
    1 327,1 643,1 734,1 764
    下载: 导出CSV

    表  3  互花米草各营养指标含量与植被指数的相关关系

    Table  3.   Correlations between nutrient index contents and vegetation indexes of S. alterniflora

    指标 IndexNDVIRVIλgλoρgρrRVIgrNDVIgr
    粗蛋白 Crude protein−0.927**−0.769**0.705**−0.884**0.559**0.851**−0.830**−0.881**
    粗纤维 Crude fiber0.783**0.589**−0.562**0.737**−0.559**−0.763**0.637**0.697**
    粗脂肪 Crude fat−0.684**−0.445**0.601**−0.595**0.606**0.728**−0.515**−0.587**
    注:*、**分别表示在P<0.05、P<0.01水平上显著相关。下同。Notes: *, ** mean significant correlation at P < 0.05 and P < 0.01 levels, respectively. Same as below.
    下载: 导出CSV

    表  4  互花米草各营养指标含量估测模型

    Table  4.   Estimation models of nutrient contents of S. alterniflora

    指标 Index模型 Model植被指数 Vegetation index模型函数 Model functionR2
    粗蛋白 Crude protein 1 NDVI y = 20.754 − 18.245 NDVI 0.863**
    2 NDVI,RVI y = 21.630 − 25.046 NDVI + 0.537 RVI 0.889**
    3 NDVI,RVI,λg y = 279.957 − 28.517 NDVI + 0.537 RVI − 0.460λg 0.904**
    粗纤维 Crude fiber 1 NDVI y = 20.896 + 12.264 NDVI 0.596**
    2 NDVI,NDVIgr y = 11.709 + 36.357 NDVI − 40.086 NDVIgr 0.701**
    粗脂肪 Crude fat 1 ρr y = 0.269 + 17.912 ρr 0.444**
    下载: 导出CSV

    表  5  互花米草各营养指标含量估测模型

    Table  5.   Estimation models of nutrient contents of S. alterniflora

    指标 Index模型 Model波长 Wavelength/nm模型函数 Model functionR2
    粗蛋白 Crude protein 1 673 y = 7.992 + 40 954.095 ρ(673) 0.885**
    2 673,1 740 y = 11.352 + 25 530.937 ρ(673) + 15 196.550 ρ(1 740) 0.917**
    粗纤维 Crude fiber 1 1 738 y = 24.846 − 24 577.421 ρ(1 738) 0.741**
    粗脂肪 Crude fat 1 1 734 y = 1.724 + 5 601.472 ρ(1 734) 0.650**
    2 1 734,880 y = 0.856 + 4 002.686 ρ(1 734) + 5 061.465 ρ(880) 0.737**
    下载: 导出CSV

    表  6  各估算模型的精度检验

    Table  6.   Accuracy testing of estimation models

    项目
    Item
    指标
    Index
    自变量
    Independent variable
    模型函数
    Model function
    RMSEPRPD
    植被指数
    Vegetation index
    粗蛋白 Crude protein NDVI,RVI,λg y = 279.957 − 28.517 NDVI + 0.537 RVI − 0.460λg 1.464 2.690
    粗纤维 Crude fiber NDVI,NDVIgr y = 11.709 + 36.357 NDVI − 40.086 NDVIgr 2.322 1.857
    粗脂肪 Crude fat ρr y = 0.269 + 17.912 ρr 0.608 1.794
    光谱一阶导数
    First derivative of spectrum
    粗蛋白 Crude protein ρ(673)ρ(1 740) y = 11.352 + 25 530.937 ρ(673) + 15 196.550 ρ(1 740) 1.344 3.451
    粗纤维 Crude fiber ρ(1 738) y = 24.846 − 24 577.421 ρ(1 738) 1.708 2.520
    粗脂肪 Crude fat ρ(1 734)ρ(880) y = 0.856 + 4 002.686 ρ(1 734) + 5 061.465 ρ(880) 0.343 2.201
    下载: 导出CSV
  • [1] 王献溥, 于顺利, 王宗帅. 江苏大丰麋鹿保护区有效管理的成就和展望[J]. 北京农业, 2009(15):58−64. doi:  10.3969/j.issn.1000-6966.2009.15.021

    Wang X B, Yu S L, Wang Z S. The achievement and prospect of effective management for Dafeng Pere David Deer Reserve in Jiangsu Province[J]. Beijing Agriculture, 2009(15): 58−64. doi:  10.3969/j.issn.1000-6966.2009.15.021
    [2] 郑凯, 顾洪如, 沈益新, 等. 牧草品质评价体系及品质育种的研究进展[J]. 草业科学, 2006, 23(5):57−61.

    Zheng K, Gu H R, Shen Y X, et al. Evaluation system of forage quality and research advances in forage quality breeding[J]. Grass Science, 2006, 23(5): 57−61.
    [3] Marten G C, Brink G E, Buxton D R, et al. Near infrared reflectance spectroscopy analysis of forage quality in four legume species1[J]. Crop Science, 1984, 24(6): 1179−1182. doi:  10.2135/cropsci1984.0011183X002400060040x
    [4] 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(3): 267−287. doi:  10.1016/S0034-4257(98)00084-4
    [5] Kawamura K, Watanabe N, Sakanoue S, et al. Estimating forage biomass and quality in a mixed sown pasture based on PLS regression with waveband selection[J]. Grassland Science, 2008, 54(3): 131−145. doi:  10.1111/j.1744-697X.2008.00116.x
    [6] 祁琼. 基于高光谱数据的苔草营养成分反演方法研究[J]. 地理空间信息, 2017, 15(10):90−93. doi:  10.3969/j.issn.1672-4623.2017.10.030

    Qi Q. Study on nutrient components inversion method of sedge based on hyperspectral data[J]. Geospatial Information, 2017, 15(10): 90−93. doi:  10.3969/j.issn.1672-4623.2017.10.030
    [7] 牛铮, 陈永华, 隋洪智, 等. 叶片化学组分成像光谱遥感探测机理分析[J]. 遥感学报, 2000, 4(2):125−130. doi:  10.11834/jrs.20000208

    Niu Z, Chen Y H, Sui H Z, et al. Mechanism analysis of leaf biochemical concentration by high spectral remote sensing[J]. Journal of Remote Sensing, 2000, 4(2): 125−130. doi:  10.11834/jrs.20000208
    [8] 杨雪飞, 吉春容, 高淑敏, 等. 高光谱遥感在草地中的应用及研究进展[J]. 北方农业学报, 2017, 45(5):115−118. doi:  10.3969/j.issn.2096-1197.2017.05.21

    Yang X F, Ji C R, Gao S M, et al. Research advances of hyperspectral remote sensing application in grassland[J]. Journal of Northern Agriculture, 2017, 45(5): 115−118. doi:  10.3969/j.issn.2096-1197.2017.05.21
    [9] 邓自发, 安树青, 智颖飙, 等. 外来种互花米草入侵模式与爆发机制[J]. 生态学报, 2006, 26(8):2678−2686. doi:  10.3321/j.issn:1000-0933.2006.08.034

    Deng Z F, An S Q, Zhi Y B, et al. Preliminary studies on invasive model and outbreak mechanism of exotic species, Spartina alterniflora Loisel[J]. Acta Ecologica Sinica, 2006, 26(8): 2678−2686. doi:  10.3321/j.issn:1000-0933.2006.08.034
    [10] Wu B L, Ji Y F, Wang J L, et al. The annual habitat selection of released Père David’s Deer in Dafeng Milu National Nature Reserve[J]. Acta Ecologica Sinica, 2011, 31(4): 225−232. doi:  10.1016/j.chnaes.2011.04.007
    [11] 丁晶晶, 薛欢, 朱立峰, 等. 江苏大丰野生麋鹿种群及其栖息地保护[J]. 野生动物学报, 2015, 36(3):265−269. doi:  10.3969/j.issn.1000-0127.2015.03.003

    Ding J J, Xue H, Zhu L F, et al. Strategies for habitat protection and conservation of wild Père David’s Deer at Dafeng Pere David’s Deer National Nature Reserve, Jiangsu, China[J]. Chinese Journal of Wildlife, 2015, 36(3): 265−269. doi:  10.3969/j.issn.1000-0127.2015.03.003
    [12] 卢霞, 赵倩, 林雅丽, 等. 大丰麋鹿自然保护区土地利用/覆盖变化监测研究[J]. 淮海工学院学报(自然科学版), 2018, 27(3):74−81.

    Lu X, Zhao Q, Lin Y L, et al. Research on the land use/cover change monitoring in Dafeng Pere David’s Deer Nature Reserve[J]. Journal of Huaihai Institute of Technology (Natural Science Edition), 2018, 27(3): 74−81.
    [13] 国家技术监督局. 饲料中粗蛋白测定方法: GB/T 6432—1994[S]. 北京: 中国标准出版社, 1994.

    The State Bureau of Quality and Technical Supervision. Method for the determination of crude protein in feedstuffs: GB/T 6432−1994[S]. Beijing: Standards Press of China, 1994.
    [14] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 饲料中粗纤维的含量测定过滤法: GB/T 6434—2006[S]. 北京: 中国标准出版社, 2006.

    General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration. Feeding stuffs: determination of crude fiber content: method with intermediate filtration: GB/T 6434−2006[S]. Beijing: Standards Press of China, 2006.
    [15] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 饲料中粗脂肪的测定: GB/T 6433—2006[S]. 北京: 中国标准出版社, 2006.

    General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration. Determination of crude fat in feeds: GB/T 6433−2006[S]. Beijing: Standards Press of China, 2006.
    [16] 张海波, 李峰. ASD地物光谱仪测量技术及使用方法[J]. 山东气象, 2014, 34(1):46−48.

    Zhang H B, Li F. Measurement technology and application method of ASD terrain spectrometer[J]. Journal of Shandong Meteorology, 2014, 34(1): 46−48.
    [17] 马维维. 草地类型及其品质参数的遥感反演方法研究: 以青海湖环湖区域为例[D]. 上海: 中国科学院研究生院(上海技术物理研究所), 2015.

    Ma W W. Study on methods for grassland classification and quality estimation by remote sensing: a case study in the region around Qinghai Lake[D]. Shanghai: Graduate School of Chinese Academy of Sciences (Shanghai Institute of Technical Physics), 2015.
    [18] 黄敬峰, 王福明, 王秀珍. 水稻高光谱遥感实验研究[M]. 杭州: 浙江大学出版社, 2010.

    Huang J F, Wang F M, Wang X Z. Hyperspectral for paddy rice remote sensing[M]. Hangzhou: Zhejiang University Press, 2010.
    [19] 唐延林. 水稻高光谱特征及其生物理化参数模拟与估测模型研究[D]. 杭州: 浙江大学, 2004.

    Tang Y L. Study on the hyperspectral characteristics and simulating and estimating models about biophysical and biochemical parameters of rice[D]. Hangzhou: Zhejiang University, 2004.
    [20] 浦瑞良, 宫鹏. 高光谱遥感及其应用[M]. 北京: 高等教育出版社, 2000.

    Pu R L, Gong P. Hyperspectral remote sensing and its application[M]. Beijing: Higher Education Press, 2000.
    [21] 董哲, 杨武德, 张美俊, 等. 基于高光谱遥感的玉米叶片SPAD值估算模型研究[J]. 作物杂志, 2019(3):126−131.

    Dong Z, Yang W D, Zhang M J, et al. Estimation models of maize leaf SPAD value based on hyperspectral remote sensing[J]. Crops, 2019(3): 126−131.
    [22] Gianelle D, Guastella F. Nadir and off-nadir hyperspectral field data: strengths and limitations in estimating grassland biophysical characteristics[J]. International Journal of Remote Sensing, 2007, 28(7): 1547−1560. doi:  10.1080/01431160600658180
    [23] Kokaly R F. Investigating a physical basis for spectroscopic estimates of leaf nitrogen concentration[J]. Remote Sensing of Environment, 2001, 75(2): 153−161. doi:  10.1016/S0034-4257(00)00163-2
    [24] 石云鹭, 赵明, 李连禄, 等. 农牧交错区青贮玉米粗蛋白含量分析及高光谱反演[J]. 玉米科学, 2005, 13(1):64−68. doi:  10.3969/j.issn.1005-0906.2005.01.020

    Shi Y L, Zhao M, Li L L, et al. Analysis on crude protein content of silage corn in agriculture-animal husbandry ecotone and hyperspectral remote sensing estimation[J]. Journal of Maize Sciences, 2005, 13(1): 64−68. doi:  10.3969/j.issn.1005-0906.2005.01.020
    [25] 马维维, 巩彩兰, 胡勇, 等. 牧草品质的高光谱遥感监测模型研究[J]. 光谱学与光谱分析, 2015, 35(10):2851−2855.

    Ma W W, Gong C L, Hu Y, et al. Hyperspectral remote sensing estimation models for pasture quality[J]. Spectroscopy and Spectral Analysis, 2015, 35(10): 2851−2855.
    [26] Moges S M, Raun W R, Mullen R W, et al. Evaluation of green, red, and near infrared bands for predicting winter wheat biomass, nitrogen uptake, and final grain yield[J]. Journal of Plant Nutrition, 2005, 27(8): 1431−1441. doi:  10.1081/PLN-200025858
    [27] Yang C M. Assessment from infrared thermograms of nitrogen status in rice plants as affected by air temperature[J]. Journal of Agricultural Meteorology, 2016, 60(5): 1005−1008.
    [28] Kleinebecker T, Schmidt S R, Fritz C, et al. Prediction of delta (13) C and delta (15) N in plant tissues with near-infrared reflectance spectroscopy[J]. New Phytologist, 2009, 184(3): 732−739. doi:  10.1111/j.1469-8137.2009.02995.x
    [29] 易秋香, 黄敬峰, 王秀珍. 玉米粗纤维含量高光谱估算模型研究[J]. 红外与毫米波学报, 2007, 26(5):393−395. doi:  10.3321/j.issn:1001-9014.2007.05.018

    Yi Q X, Huang J F, Wang X Z. Hyperspectral estimation models for crude fiber concentration of corn[J]. Journal of Infrared and Millimeter Waves, 2007, 26(5): 393−395. doi:  10.3321/j.issn:1001-9014.2007.05.018
    [30] 叶勤, 姜雪芹, 李西灿, 等. 基于高光谱数据的土壤有机质含量反演模型比较[J]. 农业机械学报, 2017, 48(3):164−172. doi:  10.6041/j.issn.1000-1298.2017.03.021

    Ye Q, Jiang X Q, Li X C, et al. Comparison on inversion model of soil organic matter content based on hyperspectral data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 164−172. doi:  10.6041/j.issn.1000-1298.2017.03.021
  • [1] 燕云飞, 王君杰, 姜立春.  基于混合效应模型的人工红松枝下高模型研建 . 北京林业大学学报, 2020, 42(9): 28-36. doi: 10.12171/j.1000-1522.20190366
    [2] 吴艳双, 张晓丽.  结合多尺度纹理特征的高光谱影像面向对象树种分类 . 北京林业大学学报, 2020, 42(6): 91-101. doi: 10.12171/j.1000-1522.20190155
    [3] 张加龙, 胥辉.  基于遥感的高山松连清固定样地地上生物量估测模型构建 . 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
    [4] 丹宇卓, 石晶明, 李心怡, 罗帅, 李明泽.  基于改进的像元二分模型估测郁闭度 . 北京林业大学学报, 2019, 41(6): 35-43. doi: 10.13332/j.1000-1522.20180263
    [5] 惠文凯, 王益, 陈晓阳.  麻疯树种子含油量近红外光谱定标模型的建立 . 北京林业大学学报, 2018, 40(1): 1-7. doi: 10.13332/j.1000-1522.20170388
    [6] 罗恒春, 张超, 魏安超, 陆双飞.  云南松林分平均高生长模型及模型参数环境解释 . 北京林业大学学报, 2018, 40(4): 67-75. doi: 10.13332/j.1000-1522.20170347
    [7] 张莹, 张晓丽, 李宏志, 刘会玲.  基于频谱和光谱特征的高光谱地物分类比较 . 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
    [8] 马普, 陶梦, 吕世海, 苏德荣, 叶生星, 刁兆岩.  库布齐沙地柠条叶生物量及营养估测模型 . 北京林业大学学报, 2018, 40(8): 33-41. doi: 10.13332/j.1000-1522.20180044
    [9] 白静, 严锦钰, 何东进, 蔡金标, 王韧, 游巍斌, 肖石红, 侯栋梁, 李威威.  互花米草入侵对闽东滨海湿地红树林土壤理化性质和酶活性的影响 . 北京林业大学学报, 2017, 39(1): 70-77. doi: 10.13332/j.1000-1522.20160202
    [10] 张怡卓, 苏耀文, 李超, 门洪生.  蒙古栎木材MOR与MOE的近红外光谱预测模型分析 . 北京林业大学学报, 2016, 38(8): 99-105. doi: 10.13332/j.1000-1522.20150505
    [11] 伏静, 戴思兰.  基于高光谱成像技术的菊花花色表型和色素成分分析 . 北京林业大学学报, 2016, 38(8): 88-98. doi: 10.13332/j.1000-1522.20150483
    [12] 白雪琪, 张晓丽, 张, 凝, 张连生, 马云波.  基于高光谱遥感的油松毛虫危害程度监测模型 . 北京林业大学学报, 2016, 38(11): 16-22. doi: 10.13332/j.1000-1522.20160139
    [13] 吴迪, 范文义.  激光雷达协同多角度光学遥感数据反演树高 . 北京林业大学学报, 2014, 36(4): 8-15. doi: 10.13332/j.cnki.jbfu.2014.04.006
    [14] 范春楠, 庞圣江, 郑金萍, 李兵, 郭忠玲.  长白山林区14种幼树生物量估测模型 . 北京林业大学学报, 2013, 35(2): 1-9.
    [15] 张智勇, 王强, 付强, 韩建伟, 张志毅, 李颖岳, .  邛崃山系3种主食竹单宁及营养成分含量对大熊猫取食选择性的影响 . 北京林业大学学报, 2012, 34(6): 42-46.
    [16] 宋艳冬, 金爱武, 金晓春, 张启良, 陈焕伟.  毛竹叶片光合色素的光谱估算模型 . 北京林业大学学报, 2010, 32(1): 31-34.
    [17] 臧淑英, 那晓东, 冯仲科, .  基于植被指数的大庆地区草地退化因子遥感定量反演模型的研制 . 北京林业大学学报, 2008, 30(增刊1): 98-104.
    [18] 琚存勇, 蔡体久.  鄂尔多斯草地生物量估测的GRNN模型实现 . 北京林业大学学报, 2008, 30(增刊1): 296-299.
    [19] 徐文铎, 李吉跃, 段爱国, 张求慧, 吴斌, 温俊宝, 刘金福, 常德龙, 王云琦, 匡文慧, 谭炳香, 郑凌凌, 赵燕东, 程占红, 齐春辉, 
    ZHAOGuang-jie, 冯夏莲, 张灿, 邹大林, 李贤军, 李雪萍, 刘常富, 王玉涛, 鲁绍伟, 李雪峰, 张建国, 翟洪波, LUOWen-sheng, 张路平, 何正权, 宋湛谦, 温俊宝, 韩士杰, 白陈祥, 张树文, 何兴元, 李增元, 朱天辉, 王玉杰, 吴庆利, 何承忠, 韩烈保, 何友均, 李吉跃, 余新晓, 吴斌, 洪伟, 赵广杰, 黄文豪, 林秦文, 姜伟, 骆有庆, 陈发菊, 匡秋明, 童书振, 刘凤芹, 何静, 陈尔学, 梁小红, 郭忠玲, FurunoTakeshi, 张志毅, 张养贞, 骆有庆, ]魏晓霞, ]陈玮, 李俊清, 郑兴波, 庞勇, RENQian, 许志春, 胡伟华, 张璧光, 张军, 赵桂玲, 张振明, 曾会明, 许志春, 李颖, 梁宏伟, 安新民, 崔国发, 杨凯, 宋国正, 曹川健, 郑杰, 李凤兰, 侯伟, 刘君, PaulWolfgang, 李福海, 赵广亮, 雷渊才, 李考学, 姚永刚, 田桂芳, 董建生, 张有慧, 张全来, 李永波, 赫万成, 李长明, 张世玺.  Hyperion高光谱数据森林郁闭度定量估测研究 . 北京林业大学学报, 2006, 28(3): 95-101.
    [20] 张厚江, 刘晓丽, 贾黎明, 武三安, 胡建忠, 张丽丽, 杜晓, 刁一伟, 莫秋云, 韩烈保, 石娟, 赵博光, 郭惠红, 张建军, 李成茂, 陈玮, 梁波, 姜笑梅, 李文彬, 清水晃, 徐文铎, 宋菲, 李镇宇, 王昌俊, 骆有庆, 张峻萍, 申世杰, 马履一, 王安志, 邢长山, 金昌杰, 石碧, 崔英颖, 王小平, 苏德荣, 赵林果, 曾凡勇, 壁谷直记, 李景锐, 沉昕, 殷亚方, 李海林, 韩瑞东, 延廣竜彦, 蒋艳灵, 韦艳葵, 苗毅, 胡青, 徐梅, 陈卫平2, 关德新, 高述民, 赵永利, 徐君, 王瀛坤, 严晓素, 裴铁璠, 李凤兰, 蒋平, 蒋平, 周军, .  用拉格朗日反演模型模拟长白山森林蒸散 . 北京林业大学学报, 2005, 27(6): 29-35.
  • 加载中
图(5) / 表 (6)
计量
  • 文章访问数:  117
  • HTML全文浏览量:  42
  • PDF下载量:  11
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-01-07
  • 修回日期:  2020-03-23
  • 网络出版日期:  2020-08-26
  • 刊出日期:  2020-09-30

基于高光谱数据的互花米草营养成分反演

doi: 10.12171/j.1000-1522.20200008
    基金项目:  国家重点研发计划(2016YFC0502704),江苏省生物学优势学科建设项目,江苏省林业科技创新与推广项目(LYKJ[2019]24)
    作者简介:

    朱怡。主要研究方向:修复生态学。Email:1965240167@qq.com 地址:210037江苏省南京市玄武区龙蟠路159号南京林业大学

    通讯作者: 吴永波,博士,副教授。主要研究方向:修复生态学。Email:yongbowu0920@163.com 地址:同上

摘要:   目的  粗蛋白、粗纤维和粗脂肪含量是决定草本质量的指标之一,研究以江苏大丰麋鹿国家级自然保护区(核心三区)内的互花米草为对象,结合高光谱数据和实测数据,找到光谱数据与互花米草营养成分的关系,建立相应的营养成分估测模型。  方法  在2018年3、5、7和10月,利用ASD Field Spec Pro FR2500高光谱仪采集互花米草叶片的光谱数据,同时采集互花米草叶片,测定其粗蛋白、粗纤维和粗脂肪含量,对原始反射率及其一阶导数和互花米草粗蛋白、粗纤维和粗脂肪含量实测值之间进行相关性分析,在350 ~ 1 364 nm和1 411 ~ 1 799 nm的范围内选取与互花米草各营养成分含量的相关系数绝对值大于0.7的波段,同时构建选定的8个植被指数,进行建模分析,筛选出最优模型。  结果  粗蛋白的估测模型以673 nm和1 740 nm处的光谱一阶反射率的多元线性估测最优(R2 = 0.917,RMSEP = 1.344);粗纤维的估测模型以1 738 nm处的光谱一阶反射率的线性估测最优(R2为0.741,RMSEP为1.708);粗脂肪含量的估测模型以1 734 nm和880 nm处的光谱一阶反射率的多元线性估测最优(R2 = 0.737,RMSEP = 0.343)。  结论  在构建的估测模型中,粗蛋白和粗纤维的估测模型对互花米草粗蛋白和粗纤维含量的估测结果极好,粗脂肪含量的估测模型可以对互花米草粗脂肪含量做出很好的预测。研究结果为评估互花米草营养质量提供参考和技术依据。

English Abstract

朱怡, 吴永波, 周子尧, 张智雯, 安玉亭. 基于高光谱数据的互花米草营养成分反演[J]. 北京林业大学学报, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
引用本文: 朱怡, 吴永波, 周子尧, 张智雯, 安玉亭. 基于高光谱数据的互花米草营养成分反演[J]. 北京林业大学学报, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
Zhu Yi, Wu Yongbo, Zhou Ziyao, Zhang Zhiwen, An Yuting. Inversion of nutrient components of Spartina alterniflora based on hyperspectral data[J]. Journal of Beijing Forestry University, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
Citation: Zhu Yi, Wu Yongbo, Zhou Ziyao, Zhang Zhiwen, An Yuting. Inversion of nutrient components of Spartina alterniflora based on hyperspectral data[J]. Journal of Beijing Forestry University, 2020, 42(9): 92-99. doi: 10.12171/j.1000-1522.20200008
  • 自1986年从英国引进39头麋鹿(Elaphurus davidianus)至今,江苏大丰麋鹿国家级自然保护区麋鹿种群数量呈指数上升,食物匮乏日益严重,人工喂养成本逐年上升,增加野放规模是保护区应对措施之一[1]。因此,野放区草本植物的营养质量成为决定野放成功的重要因素之一。保护区核心三区因植被覆盖率最高被选为麋鹿的野放区域。粗蛋白、粗纤维和粗脂肪含量是评价草本质量的指标之一[2],传统方法费时费力。高光谱技术检测方法具有不损坏样品、检测范围大且速度快等优点,应用于植物体内营养分析的研究日益增加。美国农业部(USDA)于20世纪60、70年代对多种植物进行光谱测量并分析,为遥感手段来估测叶片乃至植株的生化组分提供可能。经过近50年的发展,高光谱技术的检测精度显著提高。Marten等[3]建立了多年生豆科牧草的各项纤维含量和木质素的NIRS模型,所建模型精度达到0.9以上。Kokaly等[4]利用去包络线的光谱吸收特征法对植物氮、木质素和纤维素含量进行估测,发现氮的估测模型获得了很好的验证效果。Kawamura等[5]通过偏最小二乘回归法,有效预测牧场中草本的粗蛋白含量。祁琼[6]通过原始光谱反射率获得粗蛋白的最佳反演模型(R2 = 0.814)。牛铮等[7]通过多元逐步回归法对叶片的化学组分和光谱数据之间进行统计分析,发现高光谱数据能够准确反映叶片中所含粗蛋白、N、K 的含量,R2达到 0.8 以上。高光谱技术目前主要用于草地产量估测、草地退化状况估测、草本植物粗蛋白含量估测等[8],但对草本植物粗纤维和粗脂肪含量的估测研究较少。

    互花米草(Spartina alterniflora)是典型的盐生植物。源产于北美大西洋沿岸,因具有保滩护岸、加快淤积的作用,被广泛引种[9]。于1979年引入中国,后成为沿海的主要入侵种。有研究发现麋鹿较为喜食互花米草[10]。互花米草已成为保护区草本植物的优势种,亦成为麋鹿野外放养冬季的主要采食物种[11]。本文采用ASD Field Spec Pro FR2500高光谱仪测得互花米草叶片光谱数据,结合实测数据,找出互花米草叶片光谱反射率与粗蛋白、粗纤维和粗脂肪含量之间的关系,构建定量遥感估测模型,反演互花米草各营养组分的含量,以提高草本植物营养物质含量检测效率。

    • 江苏大丰麋鹿国家级自然保护区(以下简称保护区)位于江苏省盐城市,32°59′ ~ 33°03′ N、120°47′ ~ 120°53′ E之间。保护区面积26 770 000 m2,分为核心区(核心一区4 790 000 m2,核心二区5 780 000 m2,核心三区16 200 000 m2)缓冲区和实验区。保护区内大部分地势平坦,土壤pH值在7.6 ~ 8.8之间。常年无霜期299 d,日照2 325.4 h,属于亚热带季风气候,平均气温13.7 ~ 14.5 ℃,平均降水量为980 ~ 1 100 mm[12]。夏秋季多台风,为全年的降水高峰期。图1为保护区内的核心三区,互花米草主要分布该区。

      图  1  研究区概况

      Figure 1.  Overview of the study area

    • 互花米草生长期开始于3月,在10月达到成熟期。调查互花米草植株的冠层高度和盖度发现,3月互花米草群落的高度为25 ~ 30 cm,盖度为20% ~ 25%,到10月高度达到了150 ~ 160 cm,盖度为85% ~ 90%,面积达到6 497 100 m2。实验于2018年3、5、7和10月在核心三区内进行,每次在互花米草群落内设置12个采样点,每个样点设置3个大小为0.5 m × 0.5 m的样方。采集样方内互花米草所有叶片,分别采用凯式法(GB/T 6432—1994[13]、硫酸−氢氧化钾法(GB/T 6434—2006)[14]和索氏抽取法(GB/T 6433—2006)[15]测定互花米草叶片的粗蛋白、粗纤维和粗脂肪含量(%)。

      在晴朗微风的白天,于上午11:00—13:00,采用ASD Field Spec Pro FR2500 型背挂式野外高光谱辐射仪测定互花米草叶片光谱,分辨率为 10 nm。采样时传感器探头采用手持探头枪,保持传感器探头垂直向下,光谱仪视场角 25°,距离地面垂直高度约为 130 cm,地面视场范围直径 60 cm。叶片光谱测量选用 5°视场角,测量距离为 5 cm 左右。每个观测点记录 10 条采样光谱线,以平均值作为该采样点的光谱值。测量过程中,定时进行标准白板校正[16]

    • 采用View Spec Pro 6.0 处理光谱曲线,对异常错误进行修复,删除明显偏差的曲线。在进行建模分析时删除一些噪声较强波段:1 365 ~ 1 410 nm,1 800 ~ 2 500 nm [17]。对同一测量点做平均处理,并导出原始反射率与光谱一阶导数的文本数据。图2为采集的互花米草叶片光谱曲线。

      图  2  互花米草的光谱数据

      Figure 2.  Spectral data of Spartina alterniflora

    • 在前人的研究中,已有十几种植被指数被用作估测草本植物的生化物质含量[17-19],本文选取8种植被指数(表1),建立估测模型。在进行建模分析时,在样本中随机选取2/3用于建模,以决定系数R2来评价;剩余的1/3用于验证,以预测均方根误差(root mean square error of prediction,RMSEP)和残留预测偏差(RPD)为依据对模型做出评价。

      表 1  建模选用的植被指数

      Table 1.  Vegetation indexes selected for modeling

      变量
      Variable
      缩写
      Abbreviation
      计算公式或定义
      Calculation formula or definition
      文献来源
      Reference source
      归一化植被指数
      Normalized difference vegetation index
      NDVI NDVI = (RNIR − RRED)/(RNIR + RRED) [17]
      比值植被指数
      Ratio vegetation index
      RVI RNIR/RRED [17]
      绿峰波长
      Green peak wavelength/nm
      λg 波长510 ~ 560 nm范围内最大反射率对应的波长
      Wavelength corresponding to the maximum reflectance in the 510−560 nm
      [19]
      红谷波长
      Red valley wavelength/nm
      λo 波长650 ~ 690 nm范围内最小反射率对应的波长
      Wavelength corresponding to the minimum reflectance in the 650−690 nm
      [19]
      绿峰反射率
      Green peak reflectance
      ρg 波长510 ~ 560 nm 范围内最大反射率
      Maximum spectral reflectance in the 510−560 nm
      [18]
      红谷反射率
      Red valley reflectance
      ρr 波长650 ~ 690 nm 范围内最小反射率
      Minimum spectral reflectance in the 650−690 nm
      [18]
      绿峰反射率/红谷反射率
      Green peak reflectance/red valley reflectance
      RVIgr ρg/ρr [17]
      绿峰反射率与红谷反射率的归一化值
      Normalized value of green peak reflectance and red valley reflectance
      NDVIgr (ρgρr)/(ρg + ρr) [17]
    • 在光谱测量中,土壤、凋落物等以低频噪音形式影响目标光谱[19],对光谱曲线做一阶导数的变换有助于减少自然环境因素对所获光谱的影响,直观确定光谱弯曲点的波长位置[20]

      数据用Microsoft Excel 2016处理,统计分析用SPSS 25.0做双变量相关性分析(P < 0.01),根据皮尔逊相关系数(Pearson correlation coefficient)评价互花米草粗蛋白、粗纤维和粗脂肪的实测值与光谱反射率的相关性。原始反射率、光谱一阶导数与测定的互花米草各营养成分含量均有一定的相关性。相较于原始反射率的相关曲线,光谱一阶导数的相关曲线波动较大。在图3A中,原始反射率与粗蛋白含量的相关系数的最大绝对值为0.899,光谱一阶导数的相关系数的最大绝对值为0.938,且在350 ~ 1 350 nm的范围内光谱一阶导数与粗蛋白含量之间的相关性大部分比原始反射率高。在图3B中,除1 365 ~ 1 390 nm、1 404 ~ 1 725 nm、1 757 ~ 1 826 nm和2 000 ~ 2 500 nm的波段外,光谱一阶导数与互花米草粗纤维含量的相关性均比原始反射率高。图3C中除483 ~ 486 nm、493 ~ 550 nm、597 ~ 621 nm、635 ~ 710 nm、1 450 ~ 1 800 nm和2 000 ~ 2 500 nm的波段外,其余波段的光谱一阶导数与互花米草粗脂肪含量间的相关性高于原始反射率。总体来看,原始反射率与互花米草各营养成分含量间的相关性比光谱一阶导数弱。

      图  3  原始反射率、光谱一阶导数与互花米草粗蛋白(A)、粗纤维(B)和粗脂肪(C)含量的相关性曲线

      Figure 3.  Correlation curves between the original reflectances and the first derivatives of spectrum andthe contents of crude protein (A), crude fiber (B) and crude fat (C) of S. alterniflora

      图3所示,由光谱一阶导数与互花米草粗蛋白、粗纤维和粗脂肪含量的相关系数可知,相关系数的绝对值达到0.7时已属较高,同时在波长间隔Δλ ≈ 100 nm中挑选一个波段,选出的敏感波段如表2所示。

      表 2  互花米草叶片光谱一阶导数的敏感波段

      Table 2.  Sensitive bands of the first derivative of spectrum of S. alterniflora leaves

      营养指标
      Nutrient index
      敏感波段
      Sensitive wave band/nm
      粗蛋白 Crude protein374,477,620,673,751,945,1 015,1 141,
      1 181,1 296,1 466,1 740,1 751
      粗纤维 Crude fiber374,482,589,675,922,1 089,
      1 326,1 738,1 751
      粗脂肪 Crude fat396,464,626,677,880,994,1 089,
      1 327,1 643,1 734,1 764
    • 图4所示,互花米草3月粗蛋白含量最高,为18.08%,10月含量最低,为6.22%。随着植株的生长,粗蛋白含量逐渐降低。3月正值春季,互花米草叶片幼嫩,粗纤维含量较低,为21.75%,5月、7月和10月的粗纤维含量变化不大。3月互花米草的粗脂肪含量最高,7月含量最低。

      图  4  互花米草营养成分含量

      Figure 4.  Nutrient contents of S. alterniflora

    • 对互花米草的粗蛋白、粗纤维和粗脂肪含量与所选取的8个植被指数之间进行相关性分析,如表3所示。3个指标的含量与各植被指数之间存在不同的相关性且均通过P < 0.01的显著性检验。以这8个植被指数为基础,对粗蛋白、粗纤维和粗脂肪含量进行建模估测。

      表 3  互花米草各营养指标含量与植被指数的相关关系

      Table 3.  Correlations between nutrient index contents and vegetation indexes of S. alterniflora

      指标 IndexNDVIRVIλgλoρgρrRVIgrNDVIgr
      粗蛋白 Crude protein−0.927**−0.769**0.705**−0.884**0.559**0.851**−0.830**−0.881**
      粗纤维 Crude fiber0.783**0.589**−0.562**0.737**−0.559**−0.763**0.637**0.697**
      粗脂肪 Crude fat−0.684**−0.445**0.601**−0.595**0.606**0.728**−0.515**−0.587**
      注:*、**分别表示在P<0.05、P<0.01水平上显著相关。下同。Notes: *, ** mean significant correlation at P < 0.05 and P < 0.01 levels, respectively. Same as below.
    • 根据表3中的结果,以8个植被指数为自变量,互花米草的粗蛋白、粗纤维和粗脂肪含量的实测值为因变量,进行多元逐步回归分析。经过SPSS 25.0的筛选,最终构建以下模型,结果如表4所示。

      表 4  互花米草各营养指标含量估测模型

      Table 4.  Estimation models of nutrient contents of S. alterniflora

      指标 Index模型 Model植被指数 Vegetation index模型函数 Model functionR2
      粗蛋白 Crude protein 1 NDVI y = 20.754 − 18.245 NDVI 0.863**
      2 NDVI,RVI y = 21.630 − 25.046 NDVI + 0.537 RVI 0.889**
      3 NDVI,RVI,λg y = 279.957 − 28.517 NDVI + 0.537 RVI − 0.460λg 0.904**
      粗纤维 Crude fiber 1 NDVI y = 20.896 + 12.264 NDVI 0.596**
      2 NDVI,NDVIgr y = 11.709 + 36.357 NDVI − 40.086 NDVIgr 0.701**
      粗脂肪 Crude fat 1 ρr y = 0.269 + 17.912 ρr 0.444**

      表4中可以看出,所有模型函数均通过0.01的显著性检验。粗蛋白的估测模型中以模型3的R2最高(R2 = 0.904),粗纤维的估测模型2和粗脂肪的估测模型的R2分别达到0.701和0.444。粗蛋白和粗纤维的各个估测模型中,均有NDVI的参与,说明NDVI在建模过程中有一定的作用。

    • 将筛选的各个敏感波段对应的一阶导数反射率作为建模时的自变量和与之相对应的营养成分含量做多元逐步回归分析,结果如表5所示。

      表 5  互花米草各营养指标含量估测模型

      Table 5.  Estimation models of nutrient contents of S. alterniflora

      指标 Index模型 Model波长 Wavelength/nm模型函数 Model functionR2
      粗蛋白 Crude protein 1 673 y = 7.992 + 40 954.095 ρ(673) 0.885**
      2 673,1 740 y = 11.352 + 25 530.937 ρ(673) + 15 196.550 ρ(1 740) 0.917**
      粗纤维 Crude fiber 1 1 738 y = 24.846 − 24 577.421 ρ(1 738) 0.741**
      粗脂肪 Crude fat 1 1 734 y = 1.724 + 5 601.472 ρ(1 734) 0.650**
      2 1 734,880 y = 0.856 + 4 002.686 ρ(1 734) + 5 061.465 ρ(880) 0.737**

      表5中列出的模型均通过了0.01的显著性检验,且R2都达到了0.6以上。在粗蛋白的2个估测模型中,以模型2的R2最高,为0.917。粗纤维含量的估测模型中仅有1 738 nm处的一阶反射率进入到模型构建。在粗脂肪含量的模型中,由于880 nm处一阶反射率的进入,使得原本仅有1 734 nm处一阶反射率进行估测的模型的R2得到提升,达到了0.737。

    • 从各组中选择决定系数较高的模型,对实测值和估测值进行分析,以预测均方根误差(RMSEP)和残留预测偏差(RPD)为判定依据。RPD < 1时表示该模型预测能力极差;1 < RPD < 1.4时表示该模型预测能力较差;1.4 < RPD < 1.8时表示该模型可用于预测;1.8 < RPD < 2时表示该模型的预测能力较好;2 < RPD < 2.5时表示该模型的预测能力很好;RPD > 2.5时表示该模型的预测能力极好[21]。RMSEP越小,表示模型的预测能力越精确。结果如表6所示。从表6可以看出,粗蛋白、粗纤维和粗脂肪含量的最佳估测模型均是基于筛选的敏感波段建立的。图5为根据粗蛋白、粗纤维和粗脂肪的最佳估测模型分别得到的估测值与相应实测值的线性关系图。

      图  5  粗蛋白(A)、粗纤维(B)、粗脂肪(C)模型验证的实测值与估测值的线性关系

      Figure 5.  Linear relationship between estimated values and measured values validated by crude protein (A), crude fiber (B) and crude fat (C) models

      表 6  各估算模型的精度检验

      Table 6.  Accuracy testing of estimation models

      项目
      Item
      指标
      Index
      自变量
      Independent variable
      模型函数
      Model function
      RMSEPRPD
      植被指数
      Vegetation index
      粗蛋白 Crude protein NDVI,RVI,λg y = 279.957 − 28.517 NDVI + 0.537 RVI − 0.460λg 1.464 2.690
      粗纤维 Crude fiber NDVI,NDVIgr y = 11.709 + 36.357 NDVI − 40.086 NDVIgr 2.322 1.857
      粗脂肪 Crude fat ρr y = 0.269 + 17.912 ρr 0.608 1.794
      光谱一阶导数
      First derivative of spectrum
      粗蛋白 Crude protein ρ(673)ρ(1 740) y = 11.352 + 25 530.937 ρ(673) + 15 196.550 ρ(1 740) 1.344 3.451
      粗纤维 Crude fiber ρ(1 738) y = 24.846 − 24 577.421 ρ(1 738) 1.708 2.520
      粗脂肪 Crude fat ρ(1 734)ρ(880) y = 0.856 + 4 002.686 ρ(1 734) + 5 061.465 ρ(880) 0.343 2.201
    • 目前基于高光谱数据的反演研究,以玉米(Zea mays)和水稻(Oryza sativa)等经济类作物居多,对牧草的研究相对较少。唐延林[19]以水稻为研究对象,得出稻穗和稻谷的粗蛋白、粗淀粉含量的最佳估测模型为一阶导数光谱值的逐步回归模型,精度在0.9以上。Gianelle等[22]将不同测量方法获得的数据与草地植被的理化参数进行相关分析,发现含氮量与植被的生理参数之间存在较好的相关性。Kokaly等[23]研究发现,利用2 054 nm和2 172 nm处的光谱值可以估算水稻叶片的氮素含量。在石云鹭等[24]的研究中,植株冠层光谱参数的一阶导数与叶片和全株的粗蛋白含量的拟合度达0.8以上。马维维等[25]以青海湖环湖地区19种天然牧草为研究对象,估测粗蛋白、粗纤维和粗脂肪的含量,模型检验达到极显著水平。

      前人研究已证实绿光波段和红光波段可应用于蛋白质含量的反演[26],植物中氮含量与粗蛋白含量之间关系密切,近红外光谱反射率对氮含量的变化敏感[27-28],本文对互花米草粗蛋白含量的估测精度亦验证了所选择光谱波段的合理性。对作物的粗纤维和粗脂肪含量进行估测时,是通过分析其与光谱反射率及其一阶导数光谱的相关性,来确定农作物活体粗纤维和粗脂肪含量的敏感波段[29]。本文对粗纤维和粗脂肪含量的估测可靠,证实所选波段和估测方法的正确性。大多数的研究对原始光谱数据进行了一阶导数的变换,证实了一阶导数变换能显著提高研究指标含量与光谱数据之间的相关性[30]。后续将模型应用到大面积遥感反演中,可考虑引入更多地学遥感因子开展进一步研究,以提高反演精度。

    • (1)原始反射率、光谱一阶导数与粗蛋白、粗纤维和粗脂肪的含量之间均存在相关性。对原始反射率做一阶变换后,相关性上升。

      (2)3种营养指标含量的最优估测模型均基于光谱一阶导数筛选的敏感波段。粗蛋白的估测模型以673 nm和1 740 nm处的光谱一阶反射率的多元线性估测最优(R2 = 0.917,RMSEP=1.344);粗纤维的估测模型以1 738 nm处的光谱一阶反射率的线性估测最优(R2为0.741,RMSEP为1.708);粗脂肪含量的估测模型以1 734 nm和880 nm处的一阶反射率的多元线性估测最优(R2 = 0.737,RMSEP = 0.343)。

      (3)粗蛋白和粗纤维的估测模型对互花米草粗蛋白和粗纤维含量的估测结果极好,粗脂肪含量的估测模型可以对互花米草粗脂肪含量做出很好的预测。研究结果为评估互花米草营养质量提供参考和技术依据。但由于本次研究区域范围较小,地势平坦,背景环境单一,对互花米草营养成分含量进行反演时未考虑引入过多的地学遥感因子,仅局限在植被指数和筛选出的敏感波段上。后续将模型应用到大面积遥感反演中,可考虑引入更多地学遥感因子开展进一步研究,以提高反演精度。对于建立模型的方法,如偏最小二乘法、BP神经网络法等也有待尝试。

参考文献 (30)

目录

    /

    返回文章
    返回