吉一涛 舒清态 黄 田 谢福明 刘 延 吴秋菊

(西南林业大学林学院，云南 昆明 650224)

氮元素是植被生长发育过程中合成氨基酸和蛋白质的重要元素，也是叶绿素以及植物必须的多种酶、维生素、激素的重要成分，对植被的光合作用强度和营养健康状况有重要影响，是评价植被长势的重要指标之一[1]。遥感技术可以获取丰富的光谱信息，其中高光谱遥感即使是在光线微弱的条件下，也能直接对地物目标进行光谱差异的定量分析[2]，这得益于其波段多、光谱分辨率高且连续的特点[3]。高山松 (Pinusdensata) 是云南省香格里拉市常见的针叶树种，具有天然更新能力强、抗风能力强、适应范围广、分布集中的特点，肩负着该区域水源涵养和水土保持等生态防护的重要作用[4]。实时、快捷及精确地估测高山松叶片氮素含量，监测高山松林营养状况及长势，对今后香格里拉地区用材林木生产科学指导和森林可持续经营具有重要意义。

利用遥感数据对常见植被的氮素含量进行实时快速的大面积无损监测已具备可行性且日趋成熟，多年来一直是学者们关注与研究的热点。但研究多应用于作物方面，在森林植被尤其是针叶林方面的研究相对较少，在估测模型选择上也以参数模型为主，非参数模型还未得到广泛应用。胡永光等[5]基于可见-近红外光谱技术估测茶树鲜叶氮素含量，建立基于偏最小二乘法的遥感模型可以更好地估测其叶片氮素含量；李哲等[6]采用4种不同的方法对甜菜冠层光谱数据进行预处理，建立了甜菜冠层光谱与其氮素含量之间的估测模型；Terence等[7]采用专门针对于针叶的特殊性而发展起来的叶片尺度的辐射传输模型——LIBERTY模型，对松树叶的氮素、叶绿素等生化参数进行估测，与松树叶片实验室分析结果进行对比，具有很高的一致性；杨曦光等[8]将BP神经网络与4-Scale模型相结合对森林植被叶片和冠层2种尺度的氮素含量估测模型进行研究，结合森林结构参数LAI在高光谱遥感影像上得到了森林植被冠层尺度水平的氮素含量。鉴于国内目前还没有利用参数和非参数模型对高山松叶片氮素含量进行估测的研究，本研究以香格里拉市高山松为研究对象，采用参数和非参数模型，拟建立具有高精度和普适性的高山松叶片氮素含量估测模型，旨在为高海拔山地地区针叶树种生化参数遥感估测研究提供参考。

1 研究区概况

研究区位于云南省迪庆藏族自治州中部，香格里拉市建塘镇东 (99°50′09″ E，27°47′51″ N)。区域内地形地貌复杂，河流纵横，湖泊遍布，平均海拔3 459 m。属于山地温带季风气候，降雨干湿季分明，受地形和海拔因素影响较大，年平均气温5.5 ℃，平均年降水量618.4 mm，光照充足，气温年较差相对较小，日较差相对较大。森林覆盖率高达75%，植被垂直分布典型，植被南北分布差异显著。主要优势树种有高山栎 (Quercussemicarpifolia)、云南松 (Pinusyunnanensis)、高山松等[9]。

2 材料与方法

2.1 采 样

在研究区选择自然生长状态下的高山松天然纯林，选取不同生长阶段不同长势的高山松为研究对象，基本能代表研究区内所有高山松的生长特征。高山松叶片采样当日天气晴朗无风无云。利用高枝剪工具剪取高山松树冠上、中、下3个位置的健康树枝，共剪取50株高山松的样本。

2.2 测定内容及方法

2.2.1叶片光谱测定及其特征参量

使用美国ASD公司的ASD FieldSpec 3地物光谱仪测定叶片光谱反射率，仪器波段值范围为350～2 500 nm。光谱测量时间为11点至15点，根据环境条件选择漫反射式测量，使用视场角为10°的探头。预先在地面上放置1块不受杂光影响的黑色平板，将叶样展平其上，探头与样本距离保持在5～10 cm，以确保视场内充满叶片。每个样本记录15条光谱，每测1个样本前后均对光谱仪进行白板定标。将光谱测定后的叶片样本依次用锡纸、保鲜膜和保鲜袋封装，置于装有冰块的保鲜箱中，于次日运回实验室进行生化组分测定分析。

本研究用到的光谱特征参量有3类：光谱位置特征参量、光谱面积特征参量、光谱植被指数特征参量。参量的详细定义和描述参见文献 [10]。

光谱位置特征参量：红边幅值 (Dr)、红边位置 (λr)、黄边幅值 (Dy)、黄边位置 (λy)、蓝边幅值 (Db)、蓝边位置 (λb)、绿峰反射率 (Rg)、绿峰位置 (λg)、红谷反射率 (Ro)、红谷位置 (λo)。

光谱面积特征参量：黄边面积 (SDy)、蓝边面积 (SDb)、红边面积 (SDr)。

光谱植被指数特征参量：SDr/SDb、SDr/SDy、Rg/Ro、(SDr-SDb)/(SDr+SDb)、(Rg-Ro)/(Rg+Ro)、(SDr-SDy)/(SDr+SDy)。

2.2.2叶片氮素含量测定

高山松叶片样品氮素含量测定采用凯氏定氮法[11]。高山松叶样经过化学处理由有机氮先后转变为无机铵盐、氨气，用标准盐酸对吸收完氨气的过量硼酸液进行滴定，由此计算出叶样氮素含量。

2.3 建模方法

2.3.1曲线拟合法

基于表1的基本模型，采用回归分析曲线拟合的方法构建各光谱特征参量与叶片氮素含量的估测模型。

表1 曲线拟合的数学统计模型Table 1 Mathematical statistical model of curve estimation

注：y为因变量，x为自变量，b0、b1、b2为常数。

2.3.2K-邻近距离法

作为1种典型的非参数方法，K-邻近距离法 (K-Nearest Neighbor, KNN) 可以描述为如果1个样本在特征空间的k个最相似的样本中大多数属于某一个类别，则该样本也属于这个类别[12]。KNN基于参考点和预测点之间的空间相似关系进行单变量或多变量预测[13]。

2.3.3模型精度检验方法

高山松叶片氮素含量参数模型的精度检验以及KNN模型氮素含量估计的参数优选均采用决定系数 (R2)、均方根误差 (RMSE) 及相对误差 (RE) 进行评价[14]，其中RMSE和RE具体计算方法见式 (1)～(2)。

(1)

(2)

式中：yi为实测值，y^i为估测值，n为样本数。

3 结果与分析

3.1 叶片氮素含量与光谱特征参量的相关性分析

对建模数据应用皮尔逊 (Pearson) 相关分析方法[15]计算叶片氮素含量与各光谱特征参量之间的相关系数，生成的相关系数见表2。

表2 叶片氮素含量与各光谱特征参量之间的相关性分析Table 2 Correlation analysis between leaf nitrogen content and spectral parameters

注：**表示相关性极显著 (P< 0.01)，*表示相关性显著 (P< 0.05)。

由表2可知，在3类光谱特征参量中，叶片氮素含量与λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)呈极显著 (P< 0.01)正相关，相关系数分别为0.593、0.746、0.730；叶片氮素含量与Db、SDb呈极显著 (P< 0.01)负相关，相关系数分别为-0.510、-0.513。因此，选择与叶片氮素含量存在极显著相关且相关系数较大的参量λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb进行曲线拟合分析，以期建立最适合氮素含量估测模型。

3.2 模型构建

3.2.1基于回归曲线法的高山松叶片氮素含量参数估测模型

剔除光谱异常或氮素含量值异常的样本后剩下的40个样本随机选择75%的样本用于建立模型，剩余25%的样本用于模型精度的检验。

利用从表2中筛选出来的相关系数较大的光谱特征参量，采用回归曲线基本模型建立估测叶片氮素含量的模型。分别以λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb为自变量，叶片氮素含量为因变量，进行曲线拟合建立两者之间的函数关系。根据拟合R2越大越优、Sig越小越优的原则，将各自变量拟合最好的模型形式结果汇总于表3。由表3可知，以SDr/SDb为自变量建立的估测模型效果最佳，其二次函数模型的拟合R2值达到最大，Sig值达到最小。

表3 模型拟合结果Table 3 The results of estimation models

3.2.2基于KNN的高山松叶片氮素含量非参数估测模型

随机选取75% (30个) 样本用于模型训练学习，剩余25% (10个) 用于测试和精度评价。KNN估测算法是在MATLAB软件中编程实现并进行分析的。

将呈极显著相关的5个光谱特征参量λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)、Db、SDb作为自变量，叶片氮素含量实测值作为因变量进行KNN模型训练，再用检测集数据对估计结果进行误差评价，选取KNN氮素含量估测模型最优参数组合。获得较高精度的几种参数组合如表4所示。

表4 不同参数组合所得模型精度结果Table 4 Model accuracy results from combining different parameters

由表4可知，当最邻近样本数为6，距离分解因子值为1，采用欧式距离作为样本参考点和预测点之间的光谱距离度量方式时，可得到模型最优的估测精度，其预测R2、RMSE和RE分别为0.856、0.12 g/100 g和5.43%。

3.3 精度评价

参数模型用未参与建模的10个样本数据进行检验，检验分析结果对比于非参数模型精度的结果见表5。

由表5可知，参数模型中以光谱位置参量和光谱面积参量为自变量的模型拟合R2、预测R2表现相对较差；以光谱植被指数参量为自变量的模型则具有较高的拟合R2和预测R2，其中以SDr/SDb(红边面积与蓝边面积比值) 为自变量建立的二次函数模型对比其他参数模型则具有更高的拟合R2和预测R2。因此，以SDr/SDb为自变量建立的二次函数模型符合模型挑选最优原则，即以式 (5) 作为基于光谱特征参量高山松叶片氮素含量的参数估测模型。

y=0.735+0.065(SDr/SDb)+0.000 057

(SDr/SDb)2

(5)

KNN法构建的非参数估测模型则比以SDr/SDb为自变量构建的参数估测模型具有更大的预测R2、更小的RMSE值和相对误差值，说明KNN非参数模型在高山松叶片氮素含量估测中具有更好的效果。

表5 参数模型与非参数模型估测精度对比Table 5 The comparison of estimation precision between parametric and nonparametric models

4 结论与讨论

本研究基于光谱特征参量分别采用回归曲线法和KNN法建立高山松叶片氮素含量估测的参数和非参数模型，经过对比分析两者的估测结果，可以得出以下结论：

1) 在参数模型中，以光谱植被指数参量为自变量构建的估测模型拟合R2和预测R2相对较高，并且经过精度检验，得出了以SDr/SDb为自变量建立的二次函数模型，即公式 (5)，为基于光谱特征参量的高山松叶片氮素含量最优参数估测模型。

2) 与参数模型相比，KNN法构建的非参数模型精度有了更高的提升，其预测R2、RMSE和RE分别为0.856、0.12 g/100 g和5.43%，具有更优的估测效果。说明具有稳定算法和最优参数组合的KNN模型在高山松叶片氮素含量估测中更具优势。

由于样本光谱测量误差和仪器误差、样本数量的限制以及人为等因素的影响，再加上回归分析参数之间具有复共线性，故研究中回归曲线法构建的参数模型的精度不是特别高，回归曲线分析在氮素含量估测方面具有很多局限性。而KNN法构建的非参数模型能够克服回归分析中的很多缺陷，维持好光谱特征参量与氮素含量之间的自然结构和一致性，减少了估测模型的偏差，算法设计简单易于操作，取得了精度更高的预测结果。

虽然非参数模型比参数模型在生化参数估测方面精度较高，在应用范围上却没有参数模型广泛，所以并没有得到大范围的快速普及。例如叶片尺度的参数估测模型可以很容易地扩展到冠层尺度并反映在高光谱影像上，非参数模型则受到模型条件限制而不能得到快速扩展，需经过更多复杂处理方可实现。

目前，针对针叶树种生化参数尤其是氮素含量的高光谱数据分析研究还处于起步阶段，且KNN方法也多用于森林资源分类和森林参数如蓄积量、生物量估测方面[16]。本研究首次将KNN法应用于针叶树种植被氮素含量的估测并取得了期望的效果，验证了KNN法在高山松叶片氮素含量估测中的适用性，但设计和改进更好的KNN估测模型则需要更深入的研究与探讨。

随着高光谱技术的发展，光谱特征参量分析技术在针叶叶片尺度上对其生化参数进行快速精确估测具有很大的潜力。越来越多的森林植被生化参数估测方法将会被应用到高山松氮素含量的估测应用中，特别是物理模型方法的应用研究是未来的主要趋势。利用高光谱遥感技术研究精确的高山松叶片氮素含量估测方法对香格里拉地区进行大面积高山松林营养健康状况的监测具有重要的意义。

[1] Broge N H, Mortensen J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing Environment, 2002, 81(1): 150-154.

[2] 靳涵丞. 贵州喀斯特山区烟叶生化指标高光谱估测模型研究[D]. 昆明: 云南大学, 2014.

[3] 王渊, 黄敬峰, 王福民, 等. 油菜叶片和冠层水平氮素含量的高光谱反射率估算模型[J]. 光谱学与光谱分析, 2008, 28(2): 273-277.

[4] 云南森林编写委员会. 云南森林[M]. 北京: 中国林业出版社, 1986: 118-124.

[5] 胡永光, 李萍萍, 母建华, 等. 基于可见-近红外光谱技术预测茶鲜叶全氮含量[J]. 光谱分析与光谱学, 2008, 28(12): 2821-2825.

[6] 李哲, 田海清, 王辉, 等. 基于高光谱的甜菜冠层氮素遥感估算研究[J]. 农机化研究, 2016, 38(6): 210-214.

[7] Terence P, Dawson, Paul J, et al. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment, 1998, 65: 50-60.

[8] 杨曦光, 于颖, 黄海军, 等. 森林冠层氮含量遥感估算[J]. 红外与毫米波学报, 2012, 31(6): 536-543.

[9] 王金亮, 程鹏飞, 徐申, 等. 基于遥感信息模型的香格里拉森林生物量估算[J]. 浙江农林大学学报, 2013, 30(3): 325-329.

[10] 浦瑞良, 宫鹏. 高光谱遥感及应用: 第1版[M]. 北京: 高等教育出版社, 2000: 186-192.

[11] 高俊风. 植物生理学实验指导[M]. 北京: 高等教育出本社, 2006.

[12] 苟建平. 模式分类的K-近邻方法[D]. 成都: 电子科技大学, 2012.

[13] 郑刚, 彭世揆, 戎慧, 等. 基于KNN方法的森林蓄积量遥感估计和反演概述[J]. 遥感技术与应用, 2010, 25(3): 430-437.

[14] 郝黎仁, 樊元, 郝哲欧, 等. SPSS实用统计分析[M]. 北京: 中国水利水电出版社, 2003: 206-228.

[15] 程丽娟, 孙林, 姚延娟, 等. 植被生化组分定量遥感反演研究进展[J]. 大气与环境光学学报, 2011, 6(3): 163-178.

[16] 许东, 代力民, 邵国凡, 等. 基于RS、GIS及k-近邻法的森林蓄积量估测[J]. 辽宁工程技术大学学报 (自然科学版), 2008, 27(2): 195-197.