引言

氮（N）、磷（P）、鉀（K）是作物生長發育必需的大量元素，任何一種元素的缺乏不僅會影響作物生長速度和產量，還會引起植株體內相關生化成分的變化。了解作物的營養水平，及時進行追肥決策，可為珍稀瀕危植物實行精準栽培管理和保護提供理論依據。實時、快速、無損和準確的植被營養水平快速檢測方法在管理中很有必要。光譜技術具有分析速度快、效率高、成本低、重現性好和測試方便等特點，是探測和獲取作物營養狀態和長勢信息的有效手段。植物營養狀況與其葉片光譜特征密切相關，故探究植被N、P、K元素含量與光譜數據的關系，建立光譜估算模型，可為各種植被營養元素含量實時快速檢測提供技術手段，對珍稀植被的科學管理具有重要的現實意義。國內外學者對水稻、油菜、小麥、番茄、果樹、蔬菜等作物的N、P、K含量光譜估算模型進行了大量研究。如Li等通過發現油菜葉片的光譜數據可用于估算磷、鐵含量的變化。Wright等利用遙感數據建立光譜與小麥N含量的二次多項式模型，模型決定系數（R2）為0.52~0.80；Fitzgerald等利用光譜預測了小麥氮素水平，所建立的小麥氮素模型預測的相對系數達到0.97，均方差為0.65。黃雙萍等對反射光譜進行各種預處理后，對柑橘葉片磷含量進行了建模，最佳模型決定系數分別為0.905、0.881；邢東興等對紅富士蘋果樹氮、磷、鉀含量與光譜反射率及其多種變換形式進行相關性分析，并建立了偏最小二乘回歸模型。張瑤等利用光譜分析技術建立蘋果葉片氮素預測模型，最終得到采用支持向量機建立的氮素回歸模型，其測定和驗證絕對系數均達到0.74以上，上述研究多基于農田施肥試驗下的農作物和果樹開展，較少涉及自然生長下林木。另外，可見光近紅外光譜進行葉片養分監測時，模型精度與葉片結構、測量環境等密切相關，但當前植被養分監測中，關于不同處理方法對模型精度影響的研究相對較少。

對數據進行可靠的預處理可以提高模型的精度，有研究表明，基線校正（BC）能夠有效抑制由于光譜測量的背景因素及葉片表面雜質造成的基線漂移；標準正態變換（NV）通過對每個單獨的光譜（即一個面向采樣的標準化）的中心和縮放來消除散射效應；多元散射校正（MSC）能有效校正由光程變化對光譜造成的影響，改善信噪比，消除漫反射光譜的基線以及光譜的不重復性；Savitzky-Gola（SG）平滑濾波可以提高光譜的平滑性并降低噪音的干擾，其中一階微分可以去除同波長無關的漂移，二階微分可以去除同波長線性相關的漂移。

同時高光譜具有波段多、光譜范圍窄、數據量大等缺點，需要對其進行降維，以提高模型的運算速率，防止模型過擬合。其中，線性降維方法主成分分析（PCA）是目前應用最為廣泛的降維方法之一，PCA降維依據方差最大化原理，將數據從高維空間向低維空間映射。非線性降維方法核主成分分析（KPCA）和多維尺度分析（MDS）保留了全局特征，其中，KPCA基于核函數原理，可以有效提取非線性特征，通過非線性映射將輸入空間投影到高緯度空間，在高緯度特征空間對映射數據作主成分分析，MDS則是利用成對樣本間的相似性構建合適的低維空間。上述高維數據降維方法已在多個領域被廣泛應用，但關于葉片高光譜數據降維對林木葉片養分預測性能的研究相對較少，結果也不一致。

因此，本研究基于深圳市大鵬半島自然保護區和壩光古銀葉樹濕地園的19種樹種葉片反射光譜，擬分析原始光譜、基線矯正、多元散射校正、正交信號校正、標準正態變換、SG一階導數、SG二階導數等預處理方式對養分建模精度的影響，并對比3種數據降維方式對模型精度的影響，探討葉片養分快速診斷的最佳數據預處理方式、數據降維方式以及反演算法對模型精度的影響，以期為林木葉片養分快速檢測和基于遙感的林業管理提供依據。

材料與方法

2.1 研究區概況

深圳市大鵬半島自然保護區于2010年獲批準成立，總面積144.05km2，包括筆架山、排牙山、鵝公村周邊山地森林、壩光紅樹林、西沖香蒲桃林和東涌紅樹林等區域。保護區有1000多種野生植物、200多種陸生脊椎動物和幾十種珍稀瀕危物種，是全國首個建立在城市內的以森林生態類型為主的自然保護區。壩光銀葉樹濕地園位于大鵬半島最北端，海拔0~20m，處于亞熱帶季風氣候區。壩光銀葉樹群落是全世界發現的樹齡最長的天然古銀葉樹群落。銀葉樹屬于梧桐科銀葉樹屬，為熱帶、亞熱帶海岸紅樹林植物，多分布于高潮線附近的海灘內緣，以及潮水淹及灘地，屬于典型的水陸兩棲的紅樹植物。該銀葉樹群落主要分布在濱海沼澤濕地生境，遠離海岸的陸地生境以及鄰海陸地生境內海灣灘地的海生環境。群落內除了銀葉樹外，其他建群種還包括陰香、假蘋婆、多毛茜草樹、海杧果、銀柴、鴨腳木、細葉榕等闊葉樹種。

2.2 樣本采集

共采集19種典型樹種共122棵數據，具體采集樹種和棵數見表1所示。每棵樹沿樹冠一周，用采樣剪均勻選擇冠層3個方向的枝條，每棵枝條上選擇9片健康葉片用清水洗凈，用干凈棉布擦干，入保鮮袋裝好并編號。

表1 本研究使用的樹種類別

2.3 研究方法

2.3.1植物葉片光譜的采集

葉片野外光譜數據采用便攜式地物光譜儀進行采集，并加裝10°視場鏡頭。波長范圍在350~2500nm，輸出間隔為1nm。每次測定光譜前進行暗電流去除和白板校正，分別在葉尖、葉中、葉根采集3次，取其平均值作為該葉片的光譜反射值，同一棵樹的葉片光譜反射值均值作為一個樣本的光譜，利用軟件求算數平均得到122個樣本的反射光譜數據。

2.3.2養分值測定

同步采集葉片并送檢，將同一棵樹的葉片搗碎混合測定全氮、全磷、全鉀的均值，其中薇甘菊和五爪金龍采取單枝條測定養分值含量。植物全氮磷鉀的測定按農業標準（NY/T2017-2011）測定，植物樣品用硫酸－過氧化氫消煮，采用全自動定氮儀測定植物全氮（N），以鉬銻抗吸光光度法測定全磷（P），以火焰光度法測定全鉀（TK）。

2.4 高光譜數據預處理和降維方法

使用Unscrambler10.4軟件對植物的光譜數據進行11種預處理（包含4種組合方法）：基線較正（Baseline）、多元散射較正（MSC）、標準正態變換處理（SNV）、一階導數處理、二階導數處理、基線較正結合一階導數處理（baseline+1st）、基線較正結合二階導數處理（baseline+2nd）、標準正態變換結合一階導數處理（SNV+1st）、標準正態變換結合二階導數處理（SNV+2nd）、多元散射較正結合一階導數處理（MSC+1st）、多元散射較正結合二階導數處理（MSC+2nd）。對原始光譜進行去噪，將噪聲較大的波段350~379、1351~1429、1801~1949和2401~2500nm的光譜數據予以剔除。基于Matlab2017b數據降維工具箱，采用PCA、KPCA和MDS對葉片光譜數據進行降維處理。

2.5 建模集和預測集的劃分

將122個樣本按物種首字母大小順序排序，每隔4個樣本取出1個做預測集，保證每種植物都有一組或者一組以上的數據作為預測集，共取得預測集31個，其余91個作為建模集樣本，最終建模集和預測集樣本比例約為3∶1，建模樣本和預測樣本的各養分元素樣本范圍基本一致且分布均勻（表2）。由表2可知，各樣本間具有一定的差異性，建模集和預測集平均值相近，標準差均較小。

表2 各養分含量描述性統計分析

2.6 模型構建

采用偏最小二乘回歸（PLSR）和支持向量機回歸（SVR）建立高光譜數據和營養含量的回歸模型。選取建模集決定系數（R2C）、均方根誤差（RMSEc），交叉驗證集決定系數（R2cv）、均方根誤差（RMSEcv）、和相對分析誤差（RPD）綜合評價模型的效果。其中，R2越大、RMSE越小，表明模型預測效果越好，R2C和R2cv的差值越小說明模型穩定，其中相對分析誤差的計算公式為：

RPD＝SD/RMSEp（1）

式中：SD為驗證集樣本標準差；RMSEp驗證集均方根誤差。當RPD≥2.0，說明模型具有極好的定量預測能力；當1.4<2.0時，說明模型預測能力較好，可對樣品進行估測；當rpd≤1.4時，則認為模型不可靠。<>

結果與分析

3.1 不同光譜預處理方法下模型精度對比

計算不同光譜數據預處理方式下TN、TP和TK監測模型的平均精度，結果表明，采用不同的數據預處理可以提高模型的建模和預測精度，其中SNV與一階導數結合的預處理方式，3種養分指標建模的平均精度最高（圖1）。

圖1不同光譜預處理方式下TN（a、b、c）、TP（d、e、f）和TK（g、h、i）模型精度對比

TN的模型中（圖1-a、b、c），不同預處理下，預測模型確定系數從0.53提高到0.84，預測均方根誤差從4.86%下降到3.00%。一階導數和二階導數處理后，模型性能比Baseline或MSC處理下的模型性能高。Baseline、SNV、MSC與導數處理結合可以進一步提高模型性能，其中SNV+1st處理后模型精度最高，建模模型確定系數為0.81，均方根誤差為3.24%；預測集確定系數為0.84，均方根誤差為3.00%，RPD為2.35。從圖1-d、e、f可以看出，經過光譜數據預處理后，TP預測模型確定系數從0.50提升到0.84，預測均方根誤差從1.52%下降到0.66%，RPD為2.39。與TN有相似之處，兩種預處理方式結合相比單一預處理，模型精度有所提升。其中SNV+1st的預處理方式，模型精度最高，建模模型確定系數為0.81，均方根誤差為0.96%；預測模型確定系數為0.84，均方根誤差為0.66%，模型RPD值為2.39。由圖1-g、h、i可以看出，經預處理，TK預測模型確定系數從0.59提升至0.84，均方根誤差從6.41%下降到4.06%。其中，SNV+1st預處理下，模型的平均精度最高，建模模型確定系數為0.73，均方根誤差為5.78；預測模型確定系數為0.84，均方根誤差為4.06%，RPD值為2.45。

3.2 不同降維處理和建模方法下模型精度的比較

圖2顯示了不同數據降維方法下模型精度的差異，3種數據降維處理中，PCA降維處理后的模型精度最高，KernelPCA算法次之，MDS算法最低，但降維處理后模型精度低于未降維處理的模型精度。PCA降維處理后TN模型的平均R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.78、0.73、3.48%、3.89%、0.77、3.50%和2.04。TP模型的R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.69、0.61、1.00%、1.12%、0.70、1.01%和1.83。TK模型的R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.71、0.64、6.09%、6.78%、0.72、5.34%和1.91。

圖2不同降維方法下TN、TP和TK模型精度

討論

綜上所述，MSC、Baseline、SNV、一階導數和二階導數處理具有提升模型預測精度能力，一階導數、二階導數與MSC、Baseline、SNV結合能進一步提高模型對參數的預測性能，這與已有研究關于不同光譜預處理方式對土壤等地物的光譜分類和預測模型精度影響的結論一致。本研究涉及19種不同的樹種，不同樹種的葉片結構差異較大。SNV+1st處理可以有效消除基線和其他背景的干擾，消除表面散射和光程對光譜的影響，最大程度提高模型預測參數的性能。采用PCA算法、非線性的基于核的PCA降維和MDS進行降維處理，所建立的模型精度存在差異，其中，PCA降維算法所得的模型精度最高。從模型確定系數和RPD值發現，PLSR和SVR都可以用于葉片養分建模，不同建模方法模型精度存在差異，交叉驗證和獨立驗證結果均表明SVR模型比PLSR模型在TN、TP、TK快速檢測中精度更高，因此認為SVR模型更適合可見光近紅外光譜葉片養分建模，這與Xu等的研究結論基本一致。SVR模型性能較PLSR模型性能好，可能與葉片TN、TP、TK與光譜數據間的非線性程度相關。可見光近紅外光譜數據和葉片養分之間由于測量環境或者化學分析等外部因素可能增強這種非線性關系。

表3 不同建模方法下TN、TP和TK模型的精度

結論

以深圳市壩光銀葉園和大鵬半島自然保護區主要半紅樹樹種葉片的可見光近紅外光譜與TN、TP、TK含量關系為基礎，探討了不同光譜數據預處理方法、不同數據降維方法、不同建模方法對模型精度的影響。結果表明，適當的預處理可以提高養分指標建模的精度，其中，SNV結合一階導數的處理方式，在3種養分指標建模中，性能均最好。3種數據降維方式的對比結果顯示，PCA降維處理的模型精度最高，PLSR和SVR模型交叉驗證和外部驗證的結果均表明，SVR模型的性能最好。SNV一階導數處理后數據進行PCA降維建立的SVR模型在各個模型中性能最好。

本研究發現模型監測葉片生化組分的能力與光譜數據預處理方法、建模方法等具有密切的關系，但未進行養分建模的光譜特征分析。后續研究將進一步探討葉片養分建模的機理，并結合機器學習等方法，探索光譜特征選擇和機器學習算法對葉片生化組分建模和預測精度的影響。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。