一、引言

土壤支持果樹生長，為果樹提供水分及礦質(zhì)營養(yǎng)。土壤中的主要速效養(yǎng)分包括堿解氮、有效磷和速效鉀，能夠在當季被作物吸收利用，其含量直接影響到作物的生長發(fā)育情況和果實質(zhì)量。氮磷鉀都是蘋果樹生長必需的重要營養(yǎng)元素，用于構成果樹體內(nèi)各種蛋白質(zhì)、核酸和磷脂的主要結(jié)構。

堿解氮含量與作物的氮素營養(yǎng)有較好的相關性，因此測定堿解氮含量可以反映出近期土壤供氮狀況的高低。施肥是綜合管理中的重要環(huán)節(jié)，由于各發(fā)育時期的果樹對不同元素的需求不同，過量施肥不僅會污染環(huán)境、增加生產(chǎn)成本，還會降低果實的產(chǎn)量。因此，及時準確地監(jiān)測果園土壤主要速效養(yǎng)分含量水平對果園科學施肥和園地質(zhì)量精準管理具有重要意義。

傳統(tǒng)的土壤養(yǎng)分化驗方法時間長、成本高，采樣時還會損害植物根系。高光譜技術憑借快速、無損、無污染的優(yōu)勢能夠在短時間內(nèi)大批量的測量土壤樣本，被應用于果園的科學管理中。

果園選址多為山地丘陵地區(qū)，受地理、氣候及土壤質(zhì)地等因素的影響，土壤光譜信號較弱。常規(guī)的光譜變換如微分變換、對數(shù)變換等均能夠在一定程度上提升光譜與土壤養(yǎng)分含量的相關性，但對其光譜敏感性的提升程度有限。為進一步提升光譜信噪比，發(fā)掘更深入的光譜信息，本研究以山東省濟南市長清區(qū)雙泉鎮(zhèn)一處丘陵蘋果園為例，將數(shù)學變換和連續(xù)小波分析耦合對光譜數(shù)據(jù)進行處理，建立優(yōu)選土壤堿解氮（AN）、有效磷（AP）、速效鉀（AK）三種主要速效養(yǎng)分含量的高光譜估測模型，探討不同光譜變換方式與不同建模方式對模型精度的影響；同時為將高光譜估測技術應用于實際生產(chǎn)管理，提出一套針對蘋果園土壤速效養(yǎng)分的簡便估測技術流程。

二、材料與方法

2.1試驗設計

以冬小麥為研究對象，基于不同年份、地點、品種類型、氮肥水平、種植密度和生育時期的做了6次田間試驗。

2.2冠層多角度光譜測定

本試驗主要是基于冠層尺度，自行設計一個輕巧簡單的多角度高光譜觀測裝置(圖2-2)，波段值為325-1075nm，高光譜的采樣間隔和光譜分辨率分別為1.5nm和3.5nm。在風力較小、晴朗無云的中午進行多角度冠層光譜測定，光譜儀視場角為25°，在太陽主平面內(nèi)進行觀測，垂直角度觀測時定義為0°，此時探頭離小麥冠層100cm，太陽照射方向與觀測方向異側(cè)定義為前向觀測方向(+)，照射方向與觀測方向同側(cè)定義為后向觀測方向(-)，z在每個觀測角度下測量10次，將其平均值作為該觀測角度下光譜反射率值，不同觀測角度測定前或后立即進行參考板的校正(標準白板反射率為1)。

2-2多角度觀測裝置

2.3葉片葉綠素密度測定

(1)葉綠素含量測定

取葉片中部0.200g剪成細絲，在50ml95%的乙醇中浸一周，使用分光光度計測定葉綠素a和b在665nm和649nm下的吸光度值(OD)，再依據(jù)其在特定波長下的消光系數(shù)，計算出該色素的濃度。具體計算公式如下：

Ca=13.95OD665-6.88OD649(1)

Cb=24.96OD649-7.32OD665(2)

式中Ca和Cb分別為葉綠素a和b的濃度。

葉綠素密度=C×V×A/1000(mg·m-2soil)(3)

公式中C為葉綠素濃度，V為樣液體積，A為單位土地面積上葉片鮮重，葉綠素鮮重含量單位為：mg。

(2)植株氮含量測定

與光譜測定同步，每小區(qū)取10株小麥，按不同器官分開處理，然后在105°C下殺青15分鐘，待溫度降至80℃，烘干后粉碎待測。以上樣品全氮含量均采用Kjeltec2300(FOSS)自動定氮儀按凱氏定氮法測定。

(3)葉面積指數(shù)測定

采用重量相關法計算葉面積，因為葉片干重與葉片面積之間存在一定的比例關系。具體步驟如下：將10株小麥植株的綠色葉片分離，將葉片中部按直線相連排列，測量長度為20cm，并將中部5cm長度切取，該部分即為小麥樣葉的葉面積，重復操作一次。分別稱量樣葉葉面積的和剩余葉片的重量，然后計算出樣葉葉面積與地上部綠色葉片總面積，最后換算出單位土地上綠色葉片總面積，即為葉面積指數(shù)(LAI)。

2.4數(shù)據(jù)分析與利用

本研究以不同觀測角度下分析小麥冠層光譜參數(shù)與群體葉片色素密度的關系，篩選出與葉片色素密度密切相關的敏感波段及光譜參數(shù)，利用擬合決定系數(shù)(R2)和估計標準誤差(SE)篩選回歸監(jiān)測模型，采用2011-2012年試驗數(shù)據(jù)對所建立的模型進行檢驗，繪制觀察值與預測值之間1:1關系圖，并使用預測相對誤差(RE)和預測精度(R2)進行綜合評定，優(yōu)選出6個表現(xiàn)最好的高光譜參數(shù)為Green-NDVI、VOG1、RI-1dB、mND705、NDRE和DD。

三、結(jié)果與分析

3.1小麥冠層多角度反射率與葉綠素密度的相關性

利用試驗3中豫麥49-198拔節(jié)期N16施氮水平下不同觀測角度光譜反射率與葉綠素密度進行相關分析(圖1)。結(jié)果表明，光譜反射率與葉綠素密度的相關性隨觀測角度增加而降低，尤其是后向近紅外區(qū)域的角度敏感性最明顯，垂直角度附近的觀測角度間無明顯差異。光譜反射率與葉綠素密度在400-720nm范圍內(nèi)呈負相關關系，在720-900nm范圍內(nèi)呈正相關關系。相關系數(shù)在紅光區(qū)域小于-0.7，在近紅外區(qū)域大于0.7，與葉綠素密度關系密切。紅邊區(qū)域內(nèi)相關系數(shù)在觀測角度間無顯著差異，但相關系數(shù)變化迅速，在720nm處所有觀測角度下的相關系數(shù)都接近于零。

圖1不同觀測角度下小麥冠層光譜反射率與葉綠素密度的關系

3.2不同觀測角度下冠層高光譜參數(shù)與小麥葉綠素密度的定量關系

表1不同觀測角度下小麥葉綠素密度與冠層高光譜參數(shù)的定量關系(n=174)

所選用的植被指數(shù)在垂直角度附近的觀測角度下均能較好地表達色素密度及動態(tài)變化。其中VOG-1、RI-1dB和NDRE所選用波段位于紅邊區(qū)域，與色素密度關系均非常密切，在后向-20°的R2均為0.71,RMSE則均低于0.31。SDr和SDb分別為紅邊面積和藍邊面積，SDr/SDb同樣在后向-20°取得較高的監(jiān)測精度，R2和RMSE分別為0.71和0.30。參數(shù)DD在后向0°的監(jiān)測精度最高，R2和RMSE分別為0.74和0.28。GNDVI的表現(xiàn)相對較差，參數(shù)趨向飽和，最優(yōu)化的R2和RMSE分別為0.68和0.35(圖2)。

圖2小麥葉綠素密度與高光譜參數(shù)的關系

3.3不同觀測角度下兩波段歸一化和比值光譜指數(shù)與小麥葉綠素密度的關系

系統(tǒng)研究了不同觀測角度下原始光譜的兩波段比值和歸一化光譜指數(shù)與葉綠素密度的關系(圖3,4)。其中，A、B、C、D、E、F、a、b、c、d、e、f和N分別代表不同的數(shù)據(jù)集:(A)-60°、(B)-50°、(C)-40°、(D)-30°、(E)-20°、(F)-10°、(N)垂直角度、(a)+60°、(b)+50°、(c)+40°、(d)+30°、(e)+20°、(f)+10°。

圖3不同觀測角度下400-900nm內(nèi)兩波段歸一化植被指數(shù)與葉綠素密度關系的等勢圖

圖4不同觀測角度下400-900nm內(nèi)兩波段比值植被指數(shù)與葉綠素密度關系的等勢圖。

結(jié)果表明，所有觀測角度下都存在兩塊敏感區(qū)域，分別為藍光-紅邊區(qū)域和紅邊組合區(qū)域。其中紅邊組合區(qū)域在后向觀測效果最佳，而藍光-紅光組合在前向觀測效果最優(yōu)。無論前向或后向觀測方向，R2隨觀測角度增加而降低，對葉綠素密度敏感的區(qū)域面積隨觀測角度增加而減小。在±20°的觀測角度范圍內(nèi)監(jiān)測精度均較高。在后向觀測方向，與葉綠素密度相關較好的兩種光譜指數(shù)形式組合波段范圍基本一致，主要是小麥紅邊范圍末端720-734nm與720-764nm等兩個區(qū)域波段的組合。在前向觀測方向，與葉綠素密度相關較好的2種光譜指數(shù)形式組合波段集中在464-494nm與618-644nm(表2)。

表2不同觀測角度下歸一化和比值植被指數(shù)的中心波段和擬合系數(shù)（R2）

以前向+20°的ND(468，634)和SR(468，634)以及后向-20°的ND(720，760)和SR(732，738)的光譜參數(shù)為代表作散點(圖5)。以展示優(yōu)化光譜參數(shù)對葉綠素密度的擬合效果，由圖5可知，ND(468,634)、SR(468,634)、ND(720,760)和SR(732,738)與不同色素密度的關系密切，其R2均為0.74，RMSE均低于0.29，顯示了以上4個光譜參數(shù)可以很好地指示葉綠素密度的動態(tài)變化。

圖5小麥葉綠素密度與ND和SR光譜參數(shù)的關系

3.4葉綠素密度監(jiān)測模型檢驗

為了考察葉綠素密度監(jiān)測模型的普適性與可靠性，將試驗1和2的獨立數(shù)據(jù)用來檢驗上述監(jiān)測模型。6個光譜參數(shù)對色素密度預測的效果不同(圖6)。

圖6小麥葉綠素密度實測值與預測值之間的比較

在色素密度建模過程中前向+20°觀測角度下的ND(468,634)和SR(468,634)表現(xiàn)較好，但在建模檢驗中對不同色素預測RE大于23%，預測值均大于實測值。光譜參數(shù)DD、SDr/SDb、ND(720,760)和SR(732,738)的監(jiān)測效果較好，對葉綠素密度的預測R2均大于0.80，相對誤差范圍為16%-19%。其中以DD的預測效果最好，R2和RE分別為0.89和16%。這些結(jié)果表明，基于垂直角度和后向觀測角度的高光譜參數(shù)，可以對小麥葉綠素密度進行比較可靠的監(jiān)測。

3.5基于不同觀測角度神經(jīng)網(wǎng)絡的小麥葉綠素密度估算

由SPSS軟件進行因子分析后，分別得出各個觀測角度下的公共因子值及因子累計貢獻率超過99%的因子數(shù)。不同觀測角度下的公共因子值與實測的葉綠素密度進行相關分析，結(jié)果如表3所示，所有觀測角度下與葉綠素密度相關性較好的因子均為第一因子。

表3不同觀測角度下公共因子與葉綠素密度的相關關系

圖5顯示了不同觀測角度下光譜敏感波段與葉綠素密度相關性較高的兩個因子載荷分布情況。第一因子在藍光和紅光波段載荷較大，第二因子在近紅外波段載荷較大。無論前向或后向觀測方向，綠光波段在第一因子的載荷隨觀測角度的增加而降低，在第二因子的載荷隨觀測角度的增加而增加。FA-BPNN模型在垂直角度附近的模擬精度較高，但其相對誤差大于20%。因此FA-BPNN在多角度遙感監(jiān)測葉綠素密度的應用還有待進一步研究。

四、結(jié)論與討論

本研究通過不同試驗因子的大田試驗觀測，基于多種光譜分析方法與葉片色素密度的相關分析，系統(tǒng)比較了不同觀測角度下多種光譜分析方法對葉片色素密度的模擬效果及模型預測能力，確定了監(jiān)測色素密度的光譜參數(shù)、監(jiān)測模型和敏感觀測角度。紅邊光譜參數(shù)VOG1、RI-1dB、NDRE和SDr/SDb能夠很好地監(jiān)測小麥葉片葉綠素密度。兩波段歸一化和比值植被指數(shù)在后向觀測角度的敏感波段主要集中在紅邊區(qū)域，在前向觀測角度的敏感波段主要集中在藍光和紅光區(qū)域。物理模型FA-BPNN在垂直角度附近的模擬效果較好。垂直角度附近的后向觀測角度更適宜用來監(jiān)測小麥葉片葉綠素密度的變化。

本研究結(jié)果對于小麥植株的光合能力預測、氮素營養(yǎng)狀況及診斷等具有重要參考價值，為多角度遙感技術在精準農(nóng)業(yè)中的應用提供了關鍵技術支持。大量研究表明紅邊波段對色素變化十分敏感，為此構建了大量紅邊比值和歸一化等指數(shù)。文中VOG1、RI-1dB和NDRE可作為小麥冠層色素密度的實用性監(jiān)測指標，兩波段歸一化和比值植被指數(shù)在后向觀測角度的敏感波段分布在紅邊區(qū)域，而物理模型FA-BPNN的第二因子也主要集中在紅邊區(qū)域。紅邊位置是植株結(jié)構和色素等因素相互作用的結(jié)果，其對植被長勢、葉綠素及生育時期表現(xiàn)十分敏感，也為利用紅邊波段監(jiān)測葉綠素含量提供了理論基礎。大量研究表明紅光和藍光波段能較好地監(jiān)測氮素狀況和植被長勢。

本文中，兩波段比值和歸一化植被指數(shù)在前向觀測方向的敏感波段集中在藍光和紅光區(qū)域，而物理模型FA-BPNN相關性最高的第一因子在藍光和紅光區(qū)域的載荷較高。通過微分技術可以弱化背景噪音的影響，改善光譜參數(shù)與色素密度的關系。利用SDb和SDr可以成功評價美洲巨杉營養(yǎng)狀況和水稻LAI的狀況。因此，本研究中SDr/SDb可以充分發(fā)揮色素敏感波段和微分光譜的優(yōu)勢，提高冠層色素的監(jiān)測精度。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇