CN103940748A - 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 - Google Patents

Abstract

本发明公开了一种基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，通过试验数据的相关分析寻找最佳波段组合建立反演模型，可实现柑橘冠层叶片含氮量低成本、快速检测；相比以往依据经验选取特征波段更具科学性，本发明将柑橘冠层叶片含氮量分布进行可视化的直观表达，对于柑橘果园精细养分管理具有重要意义；可根据实际的需要，利用该方法选择其它的植被指数或其它的营养元素或其它的植物，建立相应的模型。

Description

基于高光谱技术的柑橘冠层含氮量预测与可视化的方法

技术领域

本发明属于农业技术领域，尤其涉及一种基于高光谱技术的柑橘冠层含氮量预测与可视化的方法。

背景技术

氮素是果树生长发育过程中的必须元素，它不仅直接参与蛋白质、叶绿素和酶等许多重要化合物的合成，而且可以通过影响光合作用间接地影响果树的新陈代谢。因此，及时准确地检测果树氮素水平可以为果树定量施肥方案的制定提供有效信息。这些精细农业管理措施不仅可以保证水果质量和果园的产出效率，而且可以缓和了由过量氮肥引起的水资源污染问题。

柑橘是世界上广泛种植的主要果树之一，然而目前大多数的柑橘果园都采用均一管理方式，没有考虑到果园生长的时空变异性。对果园进行均一的施肥管理无法满足不同果树个体的需求，导致果树施肥量过高或过低。因此，获取每棵果树的含氮水平信息并绘制相应的含氮量分布图像对成功实现每棵果树的定量施肥具有十分重要的意义。

传统用于氮含量检测的有凯氏定氮法和外观判断法，前者处理过程复杂、成本高，后者由于人眼识别的主观性容易产生误判，都难以满足目前大规模果园精细管理的需求。

发明内容

为克服现有技术中存在的不足，本发明提供了一种基于高光谱技术的柑橘冠层含氮量预测与可视化方法，通过试验数据的相关分析寻找最佳波段组合建立反演模型，相比以往依据经验选取特征波段更具科学性，可实现柑橘冠层叶片含氮量低成本、快速检测。

一种基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，包括以下步骤：

1）采摘覆盖不同叶龄在内的若干新鲜柑橘叶片样品，获取各样品的高光谱图像数据；

2）利用高光谱成像仪获取柑橘的冠层高光谱图像数据；

3）根据凯氏定氮法测得每个叶片样品中的含氮量；

4）从各样品的高光谱图像数据中，提取每个样品的平均反射光谱曲线；

5）在各样品的高光谱图像数据中，选取不同窄波段波长组(λn,λm)，利用每组波长在平均反射光谱曲线中对应的反射值(R_λn,R_λm)，计算双波段植被指数再计算TVBI值与含氮量的相关性，选取相关性最高时对应的TVBI值和(λn,λm)；

6）根据所有叶片样品相关性最高时对应的TVBI值和对应含氮量，建立含氮量预测模型；

7）根据所述的冠层高光谱图像数据，计算波长为λn和λm时的TVBI值；

8）根据步骤6）中的含氮量预测模型反演冠层含氮量，并对得到含氮量数据进行归一化处理，以归一化后的含氮量数据作为冠层每个像素元的灰度强度显示图像，实现柑橘冠层叶片含氮量的可视化。

在步骤3）中，将各样品烘干至恒重后再测量每个叶片样品中的含氮量。

在步骤5）中，相关性最高时对应的TVBI值所在的波长组为λn=856nm，λm=811nm。

在步骤6）中，所述的含氮量预测模型为

Y=-102.89X+2.0058

其中，X为相关性最高时对应的TVBI值，Y为含氮量。

在步骤1）中，叶片样品的采摘应处于植株旺盛的营养生长期。

在步骤1）和步骤2）中，叶片样品的高光谱图像数据和冠层高光谱图像数据中，光谱范围均为都是380nm到1030nm，光谱分辨率为2.8nm。

在步骤2）中，利用高光谱成像仪获取的是柑橘冠层的原始RGB图像，所述的冠层高光谱图像数据为去除背景信息后的原始RGB图像。

与现有技术相比，本发明的有益效果是：

（1）本发明通过试验数据的相关分析寻找最佳波段组合建立反演模型，相比以往依据经验选取特征波段更具科学性，可实现柑橘冠层叶片含氮量低成本、快速检测；

（2）本发明将柑橘冠层叶片含氮量分布进行可视化的直观表达，对于柑橘果园精细养分管理具有重要意义；

（3）可根据实际的需要，利用该方法选择其它的植被指数或其它的营养元素或其它的植物，建立相应的模型。

附图说明

图1为高光谱仪采集柑橘林的遥感图像示意图；

图2为180个柑橘叶片样本的平均光谱曲线；

图3为柑橘叶片在各个波段的平均光谱反射率和含氮量的相关性分析结果；

图4为TBVI和叶片含氮量的相关系数的二维分布图；

图5为基于856nm和811nm波长的窄波段TVBI的柑橘叶片氮含量校正模型；

图6为基于856nm和811nm的窄波段TVBI的柑橘叶片含氮量预测模型；

图7（a）为柑橘林原始RGB图（R:660nm,G:550nm,B:460nm）；

图7（b）为去除背景信息后的柑橘林RGB图像；

图7（c）为选取波长865nm和811nm的TVBI图；

图7（d）根据图（c）中TBVI图反演得到的柑橘林含氮量预测图。

具体实施方式

下面结合附图对本发明进一步说明，但本发明的实施方式不限于此。

一种基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，具体步骤如下：

（1）柑橘叶片采集，叶片和冠层高光谱图像获取

选择温州蜜橘(Citrus unshiu Marc.)作为对象，该对象是产于亚洲东南部的一个柑橘品种。在柑橘果园处于活力生长期时采摘包括嫩叶、中叶、老叶在内共180个新鲜叶片样本。叶片采摘后立即在实验室内用ImSpectorV10E(Spectral Imaging Ltd.,Oulu,Finland)扫描进行高光谱图像的获取。此外，用同样的设备在柑橘果园内获取冠层高光谱图像，采集示意图如附图1，高光谱成像仪3位于柑橘树木远方一侧，到植株的距离恰好能拍摄到整个树木冠层，校正白板2竖立在树旁，计算机4用于数据存储与分析。叶片和冠层图像的光谱范围都是380nm到1030nm，光谱分辨率为2.8nm，空间分辨率取决于传感器和被测物体之间的距离。

将光谱反射数据提取出来之后，为了除去由仪器引起的噪声，将低于380nm和高于900nm的波长截去。图2显示了180个柑橘叶片样本的平均光谱曲线。结果表明，虽然所有样本在总的波长范围内呈现出类似的趋势，但不同样本之间的光谱数据呈现出很大的差别。这说明光谱特征可以为评估柑橘叶片中的含氮量提供有效的信息。

（2）测定柑橘叶片的氮含量

在实验室对叶片进行光谱扫描后立刻把这些新鲜叶片储藏于温度高达105℃的烘箱中快速烘干，这之后再将叶片放置于80℃的烘箱中慢慢烘干直至恒重。随后，将180个叶片样本研磨成粉末，用快速定氮仪（Elementar Analytical,Germany）根据杜马斯燃烧法测定每个叶片样本中的氮含量。取每个样本中50mg的粉末进行测量，根据百分比计算每单位叶片干重中的氮含量。

（3）光谱数据提取，叶片含氮量建模和冠层含氮量可视化

用ENVI软件提取每个叶片样本取波长范围为500-900nm（划分为316个波段）的平均反射光谱曲线，分析所提取的光谱数据和每个叶片样本含氮量之间的相关性。通过简单的相关性分析获取双波段植被指数（TVBI），在此基础上建立基于光谱数据的含氮量预测模型。

图3显示了柑橘叶片在各个波段的平均光谱反射率和含氮量的相关性分析结果。由图可知，在低于755nm的光谱范围内，光谱反射率与氮含量成正相关，而在高于755nm光谱范围内成负相关。其中，在550nm和702nm处的叶片平均反射光谱与氮含量的相关系数最高，分别是0.6867和0.6861。

近年来，双波段植被指数TBVI被用来代替传统的归一化植被指数（NDVI）来评价各种农作物的特性。此次研究利用TVBI来确定能够准确预测柑橘叶片含氮量的两个最佳波长。TVBI可以按下列公式计算：

$\mathrm{TBVI}=\frac{R_{\mathrm{\λm}}-R_{\mathrm{\λn}}}{R_{\mathrm{\λm}}+R_{\mathrm{\λn}}}$

其中R_λm和R_λn分别表示公式中波长λn,λm处的反射值。由于此次研究中的高光谱图像数据中包含316个波长，因此可以根据不同窄波段波长两两组合来计算TVBI的值。

图4显示了TBVI和叶片含氮量的相关系数的二维分布图。TBVI值根据上述公式来计算，在叶片高光谱数据的316个窄波段中选取两个波段λn（500～900nm）和λm（500～900nm）并把它们的光谱反射值代入公式。结果表明，计算发现在R-NIR范围内（650～725nm）获取的TBVI值与含氮量均有较高的相关性。然而，由856nm和811nm计算得到的TBVI值与含氮量的相关性最高（r=0.81806071）（见图5）。根据上述的TBVI建立含氮量的预测模型精度如图6所示，该模型对整个数据库的预测达到了比较合理准确的精度。

冠层含氮量可视化详细步骤如下：

首先，选取波长范围为500-900nm（划分为316个波段）的柑橘叶片样本光谱反射数据，并用凯氏定氮法测得对应样本的含氮量，定义对实测含氮量数据与任意两波段R_λm,R_λn组合的TBVI进行相关分析，发现856nm和811nm波长计算得到的TVBI值与氮含量的相关性最高（R=0.818）；

其次，建立实测含氮量Y与用856nm和811nm波长计算得到的TVBI值X的回归模型Y=-102.89X+2.0058（R=0.818）；

最后，根据柑橘冠层高光谱图像计算基于865nm和811nm波长的TVBI图像，依据上步中建立的模型反演冠层含氮量，并用matlab对每个像素元的含氮量数据进行归一化处理，以归一化后的含氮量数据作为冠层每个像素元的灰度强度显示图像，实现柑橘冠层叶片含氮量的可视化。

如图7所示，图7a是柑橘冠层的原始RGB图像，图7b是去除背景信息后的柑橘冠层图像，图7c是TVBI（856nm和811nm）在冠层的可视化图像。结果显示，淡绿色嫩叶的TBVI值比中叶和老叶的TBVI值要低。图7d显示了整个树木冠层的含氮量分布情况，仔细观察图像可以发现，具有较低TBVI值的淡绿色嫩叶显示出较高的含氮量，相反地，图中的中叶和老叶显示的颜色较淡，说明含氮量较低。

Claims (7)

1.一种基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，包括以下步骤：

1）采摘覆盖不同叶龄在内的若干新鲜柑橘叶片样品，获取各样品的高光谱图像数据；

2）利用高光谱成像仪获取柑橘的冠层高光谱图像数据；

3）根据凯氏定氮法测得每个叶片样品中的含氮量；

4）从各样品的高光谱图像数据中，提取每个样品的平均反射光谱曲线；

5）在各样品的高光谱图像数据中，选取不同窄波段波长组(λn,λm)，利用每组波长在平均反射光谱曲线中对应的反射值(R_λn,R_λm)，计算双波段植被指数再计算TVBI值与含氮量的相关性，选取相关性最高时对应的TVBI值和(λn,λm)；

6）根据所有叶片样品相关性最高时对应的TVBI值和对应含氮量，建立含氮量预测模型；

7）根据所述的冠层高光谱图像数据，计算波长为λn和λm时的TVBI值；

8）根据步骤6）中的含氮量预测模型反演冠层含氮量，并对得到含氮量数据进行归一化处理，以归一化后的含氮量数据作为冠层每个像素元的灰度强度显示图像，实现柑橘冠层叶片含氮量的可视化。

2.如权利要求1所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，在步骤3）中，将各样品烘干至恒重后再测量每个叶片样品中的含氮量。

3.如权利要求1所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，在步骤5）中，相关性最高时对应的TVBI值所在的波长组为λn=856nm，λm=811nm。

4.如权利要求3所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，在步骤6）中，所述的含氮量预测模型为

Y=-102.89X+2.0058

其中，X为相关性最高时对应的TVBI值，Y为含氮量。

5.如权利要求1所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，叶片样品的采摘应处于植株旺盛的营养生长期。

6.如权利要求5所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，其特征在于，叶片样品的高光谱图像数据和冠层高光谱图像数据中，光谱范围均为380nm到1030nm，光谱分辨率为2.8nm。

7.如权利要求6所述的基于高光谱技术的柑橘冠层含氮量预测与可视化的方法，在步骤2）中，利用高光谱成像仪获取的是柑橘冠层的原始RGB图像，所述的冠层高光谱图像数据为去除背景信息后的原始RGB图像。