论文部分内容阅读
叶绿素是植物进行光合作用的重要物质,氮素(Nitrogen,N)是苹果生长发育的重要元素之一,对苹果树叶绿素及氮素含量的估测具有重要的意义。传统对苹果树营养元素估测,多为实验室化验分析法,虽然结果较为精确,但耗费时间、耗费精力。而近年来快速发展起来的高光谱遥感技术,因其具有光谱分辨率高、波段连续性强的特点,能够实现快速、准确和无损地估测植被的营养元素。因此,探索利用高光谱遥感技术估测苹果树叶片叶绿素与氮素含量,对于苹果树的生长发育和长势监测,提高苹果树的科学管理具有重要的理论与现实意义。以山东省烟台栖霞市苹果园和山东农业大学园艺科学与工程学院的泰安黄家庄试验站作为实验区,分别于苹果新梢旺长期、春梢停止生长期、秋梢停止生长期采集叶片样本,利用ASD FieldSpec 4地物光谱仪测定苹果叶片的反射光谱,实验室测定叶片叶绿素与氮元素含量。通过对原始反射光谱及其一阶微分光谱反射率和叶绿素与氮素含量进行相关分析,筛选了出敏感波长,构建了高光谱植被指数,建立了苹果叶片叶绿素含量的估测模型、不同微分尺度下的苹果叶片叶绿素含量估测模型和不同物候期的苹果叶片氮素含量估测模型,并对模型进行了检验。研究的主要结果有:(1)初步摸清了苹果叶片高光谱特征。不同物候期、不同叶绿素含量、不同氮素含量下的苹果叶片曲线变化趋势基本一致,但反射率高低有所变化。在400—500 nm叶片吸收蓝光波段的光辐射进行光合作用从而形成低反射区,500 nm之后叶片的吸收减少,反射率逐渐升高,在绿光波段(550 nm左右)具有明显的反射率峰,在600—700nm之间,叶片吸收红光波段的光辐射进行光合作用形成低反射区凹谷。690—780 nm叶片呈现绿色植物的红边特征,反射率急剧增大。780—1300 nm反射率趋于平缓,形成反射平台。1300—1450 nm叶片对水汽吸收增强,反射率减弱,在1450 nm附近形成水吸收峰。1450—1950 nm叶片对水汽吸收先减弱后增强,在1950 nm附近形成第二个水吸收峰。1950—2500 nm叶片对水汽吸收先减弱后增强,反射率先升高后降低。由新梢旺长期到春梢停止生长期再到秋梢停止生长期,叶片在可见光范围内的光谱反射率是逐渐减低的,在近红外短波区域先升高后降低,在近红外长波区域光谱反射率是逐渐减低的。随着叶绿素含量的增大,叶片光谱反射率总体趋势是逐渐减低的。随着氮素含量的增大,叶片在可见光范围内的光谱反射率是逐渐减低的,在近红外短波区域先降低后升高,在近红外长波区域光谱反射率是逐渐减低的。(2)建立了秋梢停止生长期苹果叶片叶绿素含量的估测模型。在对苹果叶片叶绿素含量估测研究中,以秋梢停止生长期苹果叶片为研究对象,测定叶片的光谱和叶绿素含量。对叶片原始光谱及其一阶微分反射率(firstderivative,fd)与叶绿素含量进行相关分析,选取敏感波长,并对敏感波长进行差值、比值、归一化处理,确定敏感光谱参量,采用单变量和偏最小二乘法(pls)构建叶绿素含量估测模型。fdr530、fdr734-fdr530、(fdr734-fdr530)/(fdr734+fdr530)、fdr697-fdr581为4个敏感光谱参量,以4个参变量构建的偏最小二乘模型y=2.936676-323.421911x1+43.289625x2+0.730393x3-104.999517x4,经检验其决定系数(r2)最大、均方根误差(rmse)和相对误差(re%)最小。偏最小二乘法模型更适合估测苹果叶片的叶绿素含量。(3)在1至30一阶微分尺度窗口内,筛选出了最佳的微分尺度窗口为13,并选出了13微分尺度窗口下的苹果叶片叶绿素最佳估测模型。对原始光谱数据进行尺度窗口分别为1至30的一阶微分变换处理,每个微分尺度窗口数据分别与苹果叶片叶绿素含量进行相关分析,每个微分尺度窗口下筛选出两个敏感波长。以5个连续微分尺度窗口为一组,选取小组内最佳的微分尺度窗口,共选出六个尺度窗口。对六个微分尺度窗口下筛选出的两个敏感波长进行变换后,再次分别与苹果叶片叶绿素含量进行相关分析,筛选出两个相关系数较大的参量用于建立苹果叶片叶绿素含量估测模型。各个微分尺度窗口下建立估测模型的决定系数r2呈现先增大后降低的趋势。将1至30范围内的微分尺度窗口,以连续5个做为一组,每小组内选出组内最佳微分尺度窗口,结果每小组的最佳微分尺度窗口为4、7、13、17、22、30。其中,当微分尺度窗口为13时,建立估测模型效果最好。对微分尺度窗口13时建立的偏最小二乘模型与逐步回归模型进行检验,发现逐步回归模型的拟合决定系数r2比偏最小二乘模型的拟合决定系数r2高,rmse和re%低,表明逐步回归模型比偏最小二乘模型更适合对叶片叶绿素含量进行估测。(4)建立了不同物候期苹果叶片氮素含量的高光谱最优估测模型。选取栖霞市区域内20个果园,连续两年测定了树龄15年左右的苹果树新梢旺长期、春梢停止生长期和秋梢停止生长期的叶片高光谱数据和氮素含量数据。对叶片原始光谱及其一阶微分光谱数据与氮素含量进行相关分析,分别筛选出了三个物候期的敏感波长,构建了估测氮素含量的高光谱参数;采用多元逐步回归、偏最小二乘法和bp神经网络,建立了三个物候期苹果叶片氮素含量高光谱参数估测模型。结果表明,三个物候期的敏感波长分别为551 nm、716 nm、530 nm、703 nm,543 nm、705 nm、699 nm、756 nm和545 nm、702 nm、695 nm、746 nm;构建的三个物候期的最佳高光谱参数分别为R551+R716、R551*R716、FDR530+FDR703、FDR530*FDR703,R543+R705、R543*R705、FDR699+FDR756、FDR699*FDR756和R545+R702、R545*R702、FDR695+FDR746、FDR695*FDR746。利用各物候期最佳高光谱参数建立的氮素含量估测模型中,以新梢旺长期的4-3-1BP神经网络估测模型的估测效果最好,春梢停止生长期次之,秋梢停止生长期最小,确定新梢旺长期为估测苹果叶片氮素含量的最佳物候期。在建立的三种模型中,以新梢旺长期的4-3-1BP神经网络模型为最优,其估测值与实测值拟合决定系数R2为0.6307,相对误差RE%为23.37,均方根误差RMSE为0.6274。