黎 舟，楊思林,2*，劉云根,2，王 妍,2，張 超，肖羽芯，徐紅楓

1. 西南林業(yè)大學(xué)生態(tài)與環(huán)境學(xué)院，云南 昆明 6502242. 西南林業(yè)大學(xué)，云南省山地農(nóng)村生態(tài)環(huán)境演變與污染治理重點(diǎn)實(shí)驗(yàn)室，云南 昆明 6502243. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224

氮素作為植物生長必需元素，參與植物體內(nèi)重要化合物的合成代謝，直接影響植物的生長發(fā)育[1]. 相關(guān)研究[2-4]表明，利用水生植物監(jiān)測河流湖泊的富營養(yǎng)化程度，在水體富營養(yǎng)化條件下，其生長變化情況與組織中的氮素含量有關(guān). 云南省作為我國濕地資源眾多的省份，目前生態(tài)環(huán)境日益惡化，引起了一系列湖泊水環(huán)境問題. 因此，如何最大程度地實(shí)現(xiàn)對濕地植物養(yǎng)分含量的監(jiān)測評價，并根據(jù)其污染狀況進(jìn)行生態(tài)修復(fù)和防治是目前亟需解決的問題[5].

高光譜遙感是一種在可見光和紅外波段范圍內(nèi)獲取更高分辨率的窄波段連續(xù)光譜圖像的技術(shù)，目前被廣泛運(yùn)用于生態(tài)、地質(zhì)、海洋等各領(lǐng)域[6]. 高光譜遙感實(shí)時、高效和低成本的優(yōu)勢為監(jiān)測診斷植物生化參數(shù)提供了有效手段[7-9]. 高光譜遙感技術(shù)應(yīng)用于濕地植物生化參數(shù)的測定研究中，其中對蘆葦(Phragmites australis)、香蒲(Typha angustata)和水稻(Oryza sativaL.)的研究居多. 郭超凡等[10]基于濕地植物葉片原始光譜及一階導(dǎo)數(shù)光譜構(gòu)建模型定量估算了蘆葦和香蒲的葉片全氮含量，發(fā)現(xiàn)蘆葦反射光譜所建立的模型精度均高于香蒲. Liu等[11]利用蘆葦葉片的汞含量和反射光譜作為數(shù)據(jù)源，通過回歸分析法研究二者關(guān)系，結(jié)果表明，連續(xù)小波變換多元線性逐步回歸適合估算葉片低含汞量，差分光譜指數(shù)偏最小二乘回歸更適合估算葉片高含汞量. 孫小香等[12]以不同施肥處理下的晚稻為研究對象，基于水稻冠層反射光譜、三邊參數(shù)以及光譜指數(shù)，構(gòu)建了與水稻冠層全氮含量的多元線性與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型. 現(xiàn)階段植被含氮量高光譜遙感反演主要是對已有反演方法的運(yùn)用，反演方法主要包括波譜指數(shù)法、回歸分析法和輻射傳輸模型分析法，回歸分析法在反演應(yīng)用中最為廣泛[13-14].

該文以云南省大理西湖濕地公園優(yōu)勢植物蘆葦和茭草(Zizania caduciflora)為研究對象，結(jié)合實(shí)測全氮含量和反射光譜數(shù)據(jù)，通過不同的微分變換分析，構(gòu)建最佳波段與葉片全氮含量的估算模型，預(yù)期在模型構(gòu)建中明確光譜數(shù)據(jù)與生化參數(shù)間的因果關(guān)系，探究預(yù)測植物葉片全氮含量的最優(yōu)模型，為濕地植物生長的遙感監(jiān)測提供理論參考.

1 材料與方法

1.1 研究區(qū)概況

大理西湖濕地公園位于云南省大理白族自治州洱源縣右所鎮(zhèn)西部(26°00′N～26°02′N、100°01′E～100°04 ′E)，為原生湖泊濕地，主要包括張家登村、清水塘村、東登村、中登村、南登村和海塘村，屬北亞熱帶高原季風(fēng)氣候，具有干濕季分明、區(qū)域小氣候明顯的特點(diǎn). 西湖湖面面積3.3 km2，平均水深1.8 m，最大水深3.3 m. 濕地內(nèi)挺水植物分布面積最廣且最為典型，包括蘆葦和茭草，因此該文主要對蘆葦和茭草進(jìn)行植物高光譜全氮反演探討.

1.2 濕地植物光譜采集及全氮含量的測定

選取大理西湖濕地公園內(nèi)的蘆葦、茭草作為光譜采集對象，采集時間為2020年8月21—22日. 樣地大小為1 m×1 m，將整個樣地劃分為16個0.25 m×0.25 m的樣方，每個樣地依據(jù)實(shí)際情況選擇一個樣方實(shí)地測量光譜并采集植物樣品. 根據(jù)兩種濕地植物在清水塘村、海塘村等5個村落的分布情況，均勻設(shè)置25個蘆葦樣地、28個茭草樣地.

植物光譜反射率測量儀器采用 便攜式地物光譜儀(FieldSpec3，ASD，美國)，光譜范圍為350～2500 nm. 野外實(shí)地測量選在晴朗無風(fēng)的天氣，測量時間為10:00—16:00. 受太陽光強(qiáng)度、水汽等影響，光譜波段存在毛刺和噪聲的現(xiàn)象，刪除明顯的3個水分吸收帶(1350～1450、1750～1950、2350～2500 nm). 利用Origin 2019b軟件對光譜曲線進(jìn)行平滑，使其更趨近于真實(shí)值. 植物樣品采集完畢，取相應(yīng)樣品利用凱氏法測定植物葉片全氮含量.

1.3 微分光譜分析

微分光譜法即導(dǎo)數(shù)光譜法，是在原始光譜反射率的基礎(chǔ)上進(jìn)行基本數(shù)學(xué)變換、一階微分變換和二階微分變換. 建模結(jié)果表明，基本數(shù)學(xué)變換后的植物光譜反射率與全氮含量之間沒有任何波段達(dá)到極顯著相關(guān)性水平，微分變換更有利于凸顯光譜特征的細(xì)微差異. 故該研究主要針對原始反射率(R)及其對數(shù)倒數(shù)平方根立方根這5種基本數(shù)學(xué)變換進(jìn)行一階微分和二階微分運(yùn)算(分別用 ′ 和 ″表示)，共計(jì)10種光譜變換方法.

1.4 模型構(gòu)建

通過植物光譜反射率微分變換與全氮含量的相關(guān)性分析，提取與全氮含量相關(guān)性較高的光譜變量參與估算建模. 按照7∶3的比例，蘆葦?shù)挠?xùn)練集和驗(yàn)證集樣本數(shù)量分別為17、8，茭草分別為20、8，隨機(jī)選取植物樣本作為建模數(shù)據(jù)及驗(yàn)證數(shù)據(jù). 建模方法采用單變量回歸、偏最小二乘回歸和BP神經(jīng)網(wǎng)絡(luò).

在單變量模型構(gòu)建過程中，采用一次函數(shù)、二次函數(shù)、三次函數(shù)、指數(shù)函數(shù)、對數(shù)函數(shù)、復(fù)合函數(shù)、生長函數(shù)、逆函數(shù)、冪函數(shù)模型，通過比較分別選擇精度最高的單變量函數(shù)模型作為每一種光譜變換方法對應(yīng)的最后結(jié)果. 在多變量模型構(gòu)建過程中采用偏最小二乘(PLSR)模型和BP神經(jīng)網(wǎng)絡(luò)模型，多變量模型隨機(jī)抽取7份作為訓(xùn)練集的數(shù)據(jù)，通過相關(guān)性分析選取相關(guān)系數(shù)絕對值最大的4個極值點(diǎn)，并對入選波段按其相關(guān)系數(shù)絕對值大小進(jìn)行排序，由此篩選出原始光譜及其變換光譜與全氮含量相關(guān)性最強(qiáng)的4個波段反射率參與建模. PLSR模型用于查找兩個矩陣之間的基本關(guān)系，它是主成分分析、典型關(guān)聯(lián)分析和多元線性回歸這3種基本算法相結(jié)合的產(chǎn)物，因此被廣泛運(yùn)用于建模及預(yù)測[15].BP神經(jīng)網(wǎng)絡(luò)模型是一種多層前向神經(jīng)網(wǎng)絡(luò)模型，在現(xiàn)有建模方法中，主成分分析、隨機(jī)森林算法、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)建模效果最優(yōu)，BP神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)的一種[16-18].該文中BP神經(jīng)網(wǎng)絡(luò)模型首先利用多元線性回歸算法篩選相關(guān)性最強(qiáng)的自變量，再利用擬牛頓法進(jìn)行參數(shù)優(yōu)化，最終構(gòu)建最優(yōu)模型[19]. 模型構(gòu)建主要運(yùn)用Python編程語言完成.

1.5 模型驗(yàn)證

采用決定系數(shù)(r2)和均方根誤差(RMSE)評價模型精度.r2值愈趨近于1，表明模型預(yù)測能力越高.RMSE值用于衡量實(shí)測值及預(yù)測值的差異，值越小表示模型更具穩(wěn)定性.

2 結(jié)果與討論

2.1 植物葉片全氮含量與光譜反射率的相關(guān)性

所有采樣點(diǎn)植物葉片的原始光譜和微分變換光譜反射率與植物全氮含量的相關(guān)性分析(見圖1、2)表明，茭草全氮含量與原始光譜反射率(R)在873～951、1002～1144 nm達(dá)到了顯著相關(guān)性水平(P＜0.05).茭草原始光譜反射率與全氮含量的相關(guān)性在整個波段范圍內(nèi)正負(fù)相關(guān)不斷交替，蘆葦整體上則呈正相關(guān)趨勢，能反映茭草和蘆葦全氮含量特征的敏感光譜主要集中在可見光(350～760 nm)、近紅外波段(760～1350 nm). 在可見光、近紅外波段范圍內(nèi)，茭草全氮含量受到植物葉綠素、細(xì)胞壁厚度差異等的影響，相關(guān)性曲線形態(tài)出現(xiàn)出幾處波谷；在短波紅外(1450～2350 nm)范圍內(nèi)，茭草全氮含量和原始光譜反射率沒有達(dá)到顯著相關(guān)性水平. 蘆葦原始光譜反射率(R)與全氮含量在整個波段范圍內(nèi)沒有任何波段達(dá)到顯著相關(guān)性水平，微分變換更有利于去除噪聲對蘆葦光譜的影響.

圖1 微分光譜值與蘆葦全氮含量的相關(guān)性Fig.1 Coefficients correlation relating differential spectral values and total nitrogen content of Phragmites australis

通過10種微分變換光譜去噪處理,得到兩種植物葉片全氮含量與微分變換光譜反射率在整個波段范圍內(nèi)的相關(guān)性水平顯著提高，經(jīng)過二階導(dǎo)數(shù)變換的曲線變化較一階導(dǎo)數(shù)更為劇烈，波峰波谷的數(shù)量明顯增加. 蘆葦、茭草葉片反射光譜和全氮含量的一階導(dǎo)數(shù)變換相關(guān)性在可見光近紅外波段內(nèi)體現(xiàn)得不夠突出，均未達(dá)到顯著(P＜0.05)及極顯著水平(P＜0.01)；反觀二階導(dǎo)數(shù)變換相關(guān)性，在可見光近紅外波段內(nèi)，茭草反射率與全氮含量的相關(guān)性共有77個波段達(dá)到了極顯著水平(P＜0.01)，在1190 nm處相關(guān)性最強(qiáng)，相關(guān)系數(shù)高達(dá)—0.80. 蘆葦反射率與全氮含量的相關(guān)性共有3個波段達(dá)到了極顯著水平(P＜0.01)，在632 nm處相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.60.在短波紅外范圍內(nèi)，植物光譜受葉內(nèi)水分含量的控制，水分含量降低，光譜反射率升高. 茭草R′′反射率與全氮含量的相關(guān)性在短波紅外波段范圍內(nèi)共有69個波段達(dá)到了極顯著水平(P＜0.01)，在2105 nm處相關(guān)性最強(qiáng)，相關(guān)系數(shù)高達(dá)0.77；蘆葦R′′反射率與全氮含量的相關(guān)性在短波紅外波段范圍內(nèi)共有43個波段達(dá)到了極顯著水平(P＜0.01)，在1682 nm處相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.70. 這些相關(guān)性較強(qiáng)的敏感波段為大理西湖濕地公園植物蘆葦、茭草全氮含量的估算預(yù)測提供了最直接的科學(xué)依據(jù).

圖2 微分光譜值與茭草全氮含量的相關(guān)性Fig.2 Correlation relating between differential spectral values and total nitrogen content of Zizania caduciflora

2.2 植物全氮含量高光譜估算模型構(gòu)建與精度比較

2.2.1 不同微分變換下的植物全氮含量單變量模型構(gòu)建與精度比較

單變量回歸模型建模結(jié)果(見表1)表明，絕大多數(shù)函數(shù)模型符合精度要求. 由于蘆葦、茭草葉片R、R′、R′′的反射率建模效果不佳，故在模型構(gòu)建中予以剔除. 蘆葦反射率與全氮含量所建立的三次函數(shù) 模型的精度最優(yōu)，評價建模精度的r2和RMSE分別為0.67、1.50，評價驗(yàn)證精度的r2和RMSE分別為0.78、2.78；茭草反射率與全氮含量所建立的二次函數(shù)建模精度最高，其r2和RMSE分別為0.66、2.23，反射率與全氮含量所建立的二次函數(shù)驗(yàn)證精度最高，其r2和RMSE分別為0.62、3.04. 光譜信息經(jīng)過微分變換后，模型精度比原始反射率模型精度得到了不同程度的提升，其模型完全可以用于估算植物葉片全氮含量.

表1 植物光譜變量(x)與全氮含量(y)單變量的最優(yōu)估測模型Table 1 Univariate optimal estimation models of plant spectral vlues (y) and total nitrogen contents (x)

單變量模型僅考慮單一變量參與建模，目前研究對象主要針對土壤及農(nóng)作物，對于濕地植物的研究較少[20-21]. 有報(bào)道[22]指出，經(jīng)過簡單數(shù)學(xué)變換、導(dǎo)數(shù)變換、小波變換3種反射率變換方法，建立茭草生物量的估算模型，其多元線性回歸模型精度高于單變量模型精度. 但在所有光譜變換下的茭草生物量回歸模型中，最優(yōu)模型為單變量模型的居多；崔小濤等[16]通過比較不同生育期的油菜葉片光譜參數(shù)與葉綠素含量的單變量最優(yōu)估算模型，可見蕾薹期利用MCARI/OSAVI(植被指數(shù))建立二次函數(shù)模型可達(dá)到擬合效果，表明油菜在蕾薹期吸收氮磷鉀養(yǎng)分充足.單變量模型參與建模的變量單一，但模型表達(dá)式多樣化，易于篩選適合研究對象光譜參數(shù)及其理化參數(shù)的最優(yōu)擬合模型.

2.2.2 不同微分變換下的偏最小二乘回歸模型構(gòu)建與精度比較

光譜信息經(jīng)過微分變換后，利用偏最小二乘法篩選最優(yōu)模型. 結(jié)果(見表2、3)表明模型精度得到了整體的提升，而且在二階導(dǎo)數(shù)變換處理下體現(xiàn)得更為突出. 蘆葦葉片R′′反射率與全氮含量所建立函數(shù)的模型精度達(dá)到最優(yōu)，其評價建模精度的r2和RMSE分別為0.49、1.70，評價驗(yàn)證精度的r2和RMSE分別為0.45、2.25；茭草葉片反射率與全氮含量所建立的函數(shù)模型精度達(dá)到最優(yōu)，其評價建模精度的r2和RMSE分別為0.66、1.83，驗(yàn)證精度r2和RMSE分別為0.74、2.39. 由此可見，二階導(dǎo)數(shù)變換更有利于提取植物葉片光譜中的敏感特征.

表2 蘆葦光譜變量(x)與全氮含量(y)的偏最小二乘回歸模型Table 2 Partial least squares regression model of spectral values (x) and total nitrogen contents (y) of Phragmites australis

多變量模型融合了多個敏感波段特征，在很大程度上緩解了“多重共線性”的問題，提高了模型的適用性及穩(wěn)定性[23-24]. 多變量模型比單變量模型的研究范圍更為廣泛，不僅涉及土壤、農(nóng)作物及濕地植物，在中藥領(lǐng)域也應(yīng)用甚多[25-27]. 有報(bào)道[10]證實(shí)，運(yùn)用偏最小二乘法分別構(gòu)建蘆葦及香蒲原始光譜、一階導(dǎo)數(shù)光譜的葉片全氮含量回歸模型，蘆葦模型的精度均高于香蒲. 這表明蘆葦對氮的吸收能力強(qiáng)于香蒲，更能反映其所處的生境特征. 偏最小二乘法避免了傳統(tǒng)生化參數(shù)光譜反演中存在的一些問題，有效地提高了回歸精度.

表3 茭草光譜變量(x)與全氮含量(y)的偏最小二乘回歸模型Table 3 Partial least squares regression models of Zizania caduciflora spectral values (x) and total nitrogen contents (y)

2.2.3 不同微分變換下的BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與精度比較

BP神經(jīng)網(wǎng)絡(luò)模型可以很好地解釋非線性問題，通過反向傳播算法不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，以達(dá)到滿足最小誤差精度的條件[28]. 但在模型構(gòu)建中，隱含層神經(jīng)元數(shù)過多或過少，均易導(dǎo)致過擬合現(xiàn)象，應(yīng)根據(jù)神經(jīng)元數(shù)M≤2n+1(n為輸入變量個數(shù))來逐步調(diào)節(jié)，最終確定最優(yōu)神經(jīng)元數(shù)[20].

將植物光譜變量所有波段反射率作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，隱藏層為100個，隱藏層的激活函數(shù)為修正線性多元函數(shù)，神經(jīng)元為20個，全氮含量作為輸出層，構(gòu)成估測模型的整個網(wǎng)絡(luò)架構(gòu). 參數(shù)優(yōu)化算法采用擬牛頓法，并對光譜數(shù)據(jù)進(jìn)行量綱化處理[29]，以降低對預(yù)測精度的影響；最大迭代輪數(shù)設(shè)置為100，學(xué)習(xí)率為0.1，網(wǎng)絡(luò)性能目標(biāo)為0.0001；以7:3的比例對蘆葦和茭草全氮含量進(jìn)行網(wǎng)絡(luò)訓(xùn)練及樣本預(yù)測，預(yù)測結(jié)果見圖3.

圖3 微分變換后反射率與不同植物全氮含量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果Fig.3 BP neural network prediction of differential transformation reflectance and total nitrogen content of different plants

2.3 各模型效果與模型精度比較

根據(jù)單變量模型及多變量模型的預(yù)測精度，BP神經(jīng)網(wǎng)絡(luò)模型部分結(jié)果精度不達(dá)標(biāo)，故剔除. 以BP神經(jīng)網(wǎng)絡(luò)模型光譜變量為基準(zhǔn)，比較單變量模型及多變量模型預(yù)測精度，該研究僅針對于蘆葦、茭草葉片的( lgR)′、( 1/R)′和 ( 1/R)′′光譜變量開展討論.

如表4所示：①蘆葦全氮含量單變量模型的最優(yōu)精度高于茭草，最優(yōu)模型為1726 nm波長處 ( 1/R)′反射率所建立的一次函數(shù)，r2為0.64，RMSE為2.26.②BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測能力大于單變量模型和偏最小二乘模型預(yù)測能力，蘆葦和茭草BP神經(jīng)網(wǎng)絡(luò)模型的r2高達(dá)0.96，極大地提高了模型精度和預(yù)測性能.

表4 植物全氮含量估測模型的精度檢驗(yàn)結(jié)果比較Table 4 The comparison of test precision of different models for total nitrogen content

綜合考慮，蘆葦及茭草全氮含量(y)最優(yōu)的單變量模型分別為726 nm波長處的 (1/R)′， 反射率(x1)所建立的一次函數(shù)、1884 nm波長處的 (1/R)′反射率(x2)所建立的三次函數(shù)，其樣本精度高，整體擬合較好，分別如式(1)(2)所示：

總體而言，目前對于濕地植物的高光譜遙感研究較少，探討也不夠深入 . 該研究中植物采集時間為8月底，處于植物生長花期，受水生植物腐解過程中物質(zhì)釋放規(guī)律對水體水質(zhì)及污染治理的影響較小[30]. 有學(xué)者指出，隨著季節(jié)更替，濕地形成了明顯的豐水期和枯水期，枯水期水質(zhì)波動大且全氮含量高[31]. 水生植物凈增生物量與全氮含量富集率相關(guān)性較高，其全氮含量富集貢獻(xiàn)率為50.23%～80.71%，其他作用對全氮的去除率為19.29%～49.77%[32]. 相關(guān)研究[33-35]表明，未來的濕地植物高光譜生化參數(shù)建?？筛鶕?jù)植物不同的生育期和濕地降雨期的季節(jié)性結(jié)合植被指數(shù)、位置特征參數(shù)、面積特征參數(shù)等角度，以達(dá)到篩選高精度光譜參量的目的. 另外，實(shí)地光譜采集容易受現(xiàn)場環(huán)境的限制，在有條件的情況下可采用室內(nèi)光源測定反射光譜，不僅環(huán)境時間可控，測定數(shù)據(jù)波段也更加完整.

3 結(jié)論

a) 從相關(guān)性分析來看，蘆葦及茭草葉片的變換光譜反射率與全氮含量的相關(guān)性均達(dá)到了極顯著性水平(P＜0.01). 不同形式的光譜變換增強(qiáng)了植物全氮含量與光譜變量的細(xì)節(jié)特征，二者的短波紅外波段相關(guān)性強(qiáng)于可見光近紅外波段. 蘆葦變換光譜反射率與全氮含量相關(guān)性的最優(yōu)光譜參量為二階微分(R′′)反射率，在1682 nm處相關(guān)系數(shù)達(dá)到0.70；茭草最優(yōu)光譜參量則為平方根二階微分反射率，在1190 nm 處相關(guān)系數(shù)達(dá)到—0.80.

b) 不同植物類型相比，利用茭草變換光譜反射率與全氮含量所建立的單變量和偏最小二乘回歸模型建模精度均高于蘆葦.

c) 不同回歸模型相比，蘆葦和茭草全氮含量與變換光譜反射率所建立的BP神經(jīng)網(wǎng)絡(luò)模型的精度最高，r2均為0.96，RMSE分別為0.63、0.47，是建立濕地植物光譜與葉片全氮含量關(guān)系的最優(yōu)模型.