1、引言

氮(N)素不僅是植物蛋白質和葉綠素的主要成分，而且是一些酶的組成部分參與植物的多重生化過程，直接或間接影響果樹的代謝活動和生長發育，是促進果樹健康生長、增加果實產量、提高果品質量所必須的重要養分。植物中的N素含量是評價植被長勢的重要指標之一，因此對植物葉片中N素含量的估測研究具有重要的實用意義。由于高光譜對植物中的N素、葉綠素等含量極為敏感，植物葉片中N素含量的變化必定會對其反射光譜信息產生影響，故可根據葉片的光譜信息估測植物葉片中的N素含量。

由于對葉片N素含量反演過程的影響因素很多，而目前大多數研究多采用單一方法來預測葉片中N素含量，故在真實反映N素含量上不夠理想。本文在前人已有方法基礎上，采用多元回歸分析和BP人工神經網絡建立地物光譜實測數據與N素含量的估測模型，以實現更高精度的蘋果葉片N素含量預測。

2、實驗過程與結果分析

2.1 實驗區概況

實驗區選在山東省蒙陰縣高都鎮、野店鎮和蒙陰鎮果園。蒙陰縣位于E117°45'～118°15'，N35°27'～36°02'之間，屬暖溫帶季風性氣候帶，四季分明，日照充足，雨量充沛，年平均氣溫12．8℃，年降雨量820mm，年均日照時數2280h，年無霜期191d。縣內平均海拔300m以上，土壤以棕壤為主，呈中性偏微酸。實驗區內主要種植紅富士、金帥和新紅星蘋果樹。

2.2 樣品采集

實驗用蘋果品種為處于盛果期的紅富士，對照用蘋果品種為金帥和新紅星。在2009年9月23日(秋末停止生長期)進行蘋果樹樣品采集，依據實驗區土地利用現狀圖和果園分布情況布設采樣點。選取實驗區3個鎮內6個果園中的86棵蘋果樹為采樣對象，隨機采樣，并盡量涵蓋不同長勢的葉片。每棵蘋果樹按E，W，S，N這4個方位，在冠層外圍各取1～2片充分展開、無損傷、無病蟲害的健康功能葉片。將采集的葉片迅速裝入保鮮袋內，封口后編號，放到盛有冰塊的保鮮箱中，盡快帶回實驗室測定光譜。

2.3 數據測定

2.3.1 光譜測定

光譜測定采用地物光譜儀，在一個能控制光照條件的暗室內進行光譜測定。測定前，將待測光譜的葉片用脫脂棉擦拭干凈；測定時，把單層葉片平整地置于反射率近似為零的黑色橡膠上，置光譜儀視場角為25°，探頭垂直向下正對待測葉片中部，距樣品表面距離0．10m;光源用光譜儀自帶的鹵化燈，光源距樣品表面距離0．50m，方位角60°。為消除外界干擾以保證測定精度，對每片葉片的觀測分別記錄10個采樣光譜數據，以其平均值作為該葉片的光譜反射值。測定過程中，要及時進行標準白板的校正。

2.3.2 N素含量測定

將測定光譜的蘋果葉片迅速放入80℃烘箱中，進行15～30min殺青處理;然后降溫至60℃，烘干至恒量。把烘干樣品用研缽研磨至粉狀，用H2SO4－H2O2消煮后，采用火焰光度法測定N素含量。

2.4 輸入變量確定

將測得的蘋果葉片反射光譜數據利用光譜處理軟件進行處理，并通過EXCEL和統計產品與服務解決方案軟件統計分析和繪圖，以便做進一步分析。為了減小光照強度差異、背景光譜以及儀器噪聲對目標光譜特征的影響，本文對測定的86組數據的光譜反射率Ｒ進行了變換，包括光譜的倒數(1/Ｒ)、光譜的對數(lnＲ)、光譜的一階導數Ｒ')、光譜對數的一階導數((lnＲ)')和光譜倒數的一階導數((1/Ｒ)')(圖1)。

圖1蘋果葉片反射率及其各種變換形式與N素含量的相關性

從相關系數較大的28個樣本中篩選出各種變換形式下相關性較高的敏感波段，然后利用軟件包中的多元逐步回歸分析軟件篩選出更為敏感的4個波段的一階導數，構建特征光譜參數，其多元回歸公式為

式中:x1，x2，x3和x4分別為中心波長364nm，373nm，392nm和998nm波段的一階導數的值;y為N素含量值，單位為(g·kg－1)。上述4個波段的一階導數與N素含量的相關系數與N素含量有較好的擬合性(圖2)，并以此作為BP神經網絡輸入層的參數，N素含量為輸出層參數，建立N素含量反演的BP人工神經網絡模型。

圖 24個波段一階導數與 N 素實測值的相關性

2.5 模型優選結果

在相關系數較大的28個樣本中，隨機抽取19個樣本作為訓練樣本。BP人工神經網絡模型的隱含層神經元個數為10(網絡拓撲結構為“4－10－1”，即4個輸入層節點、10個隱含層節點、1個輸出層節點)時，可得到較好的N素值估計結果。模型的訓練結果如圖3(a)所示，

圖 3 氮素實測值與 BP 人工神經網絡模型預測值擬合效果

其中訓練樣本Ｒ2=0．8878，ＲMSE=0．0142。利用9組數據對網絡訓練結果進行檢驗，即把測試樣本的4個波段一階導數作為輸入矢量P，進行N素值預測;并將N素含量的預測值與實測值進行擬合測試，測試結果如圖3(b)所示，其中測試樣本的Ｒ2=0．9001，ＲMSE=0．0150。為了對不同模型的預測效果進行比較，利用多元逐步回歸分析模型對上述28組數據進行N素含量預測。預測結果如圖4所示，其中Ｒ2=0．7163，ＲMSE=0．0222。

圖4氮素實測值與多項式預測值擬合圖

由此可以看出，BP人工神經網絡模型預測的N素含量與實測N素含量的相關性比多元逐步回歸分析模型更高，且均方根誤差更低。可見BP人工神經網絡模型對氮素含量監測具有更大的應用潛力。

4、結論

1)基于ACD實測數據建立的BP人工神經網絡模型預測的N素含量與實測N素含量的相關性比多元逐步回歸模型的更高，且均方根誤差更低。

2)最優網絡結構為“4－10－1”的BP人工神經網絡模型的訓練樣本的Ｒ2=0．8878，ＲMSE=0．0142，測試樣本的Ｒ2=0．9001，ＲMSE=0．0150。某研究者以紅富士蘋果為例進行的研究中，以一階微分光譜建立的估測模型的Ｒ2=0．8。說明本文方法較前人有所改進，相關系數Ｒ2的提高較為明顯。

3)結合BP人工神經網絡算法建立的N素含量反演模型能夠更精準地估測蘋果葉片的N素含量，可為蘋果樹的營養診斷、高產栽培和遙感估產提供理論依據和技術支持，對蘋果樹的栽培與管理信息化有積極意義。

4)本文實驗區山東省蒙陰縣屬于華北平原地區，是中國3大蘋果產區之一，所建立的蘋果葉片N素含量的高光譜估測模型對其他地區、其他類型蘋果葉片N素含量的遙感估測有一定參考價值，但應用效果有待進一步研究。

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。

審核編輯 黃宇