基于光谱分析的植物氮素分析

《基于光谱分析的植物氮素分析》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于光谱分析的植物氮素分析传统植被耐旱生理生态研究主要基于野外植被采样与室内实验分析相结合的方法，费时费力山。叶色卡、便携式叶绿素计（SPAD）和地面遥感等无损营养诊断技术备受关注，特别是便携式叶绿素计诊断方法方便快捷，可以用來预测植被叶片单位重量含氮量和单位回积含氮量，但SPAD值•植株含氮量的关系因品种和生长周期不同而有差别叫近年來，利用遥感进行植被水分和氮素实时监测和快速诊断一冇•是遥感在农业、植被生态、全球变化等应用中的研究热点，然而，目前的植被氮素含量光谱诊断研究大多基于单一因子水平对光谱特性的影响，得出的结果缺乏广适性卩成像光谱技术因为可以提供近乎连续的光谱曲线，捕捉到更

2、为细微精确的信息而被广泛地用于植物牛态系统研究Z中，大量的研究在不同尺度上观测和分析植物在H照变化或者胁迫下的光谱变化，发展了大量的光谱指数指示和反映水分含量、色索含量、光能利川率、叶绿索荧光效应等，通过光谱信息来提取和表征相应的植物生理状况信息宀6

3、,可以反映植物对光能的利用情况，进而可以实现对植物胁迫、光合作用状况的快速无损监测⑺忙然而，当前这些研究主要围绕卫星或者航空遥感的大尺度信息获取，而航空航天数据的获取一般成木昂贵，同时也不够灵活，难以满足多元化的应川需求。地面成像光谱系统不仅可以作为航空航天成像光谱系统的巫要补充，突出的优势是更加灵活，能够在更为微观的尺度上实现对植物群

4、体、单个植株、器官的快速精细探测，获取精细的植被生理参量的空间信息，适合在农业等领域的基于位置信息的粘准管理，弥补人尺度远距离遥感难以发挥作川的领域。本文采用地而成像光谱系统（Fieldimagingspectrometersystem,FISS）和地而非成像光谱仪（AnalyticalSpectralDevice,ASD）,以大豆叶片氮素为研究对象，获取了大豆叶片ASD光谱及FISS成像光谱数据，分析特征光谱变量•叶片氮素含量的关系，建立植株叶片氮素含量的佔算模型，实现植被叶片氮素含量的快速实时无损监测及图像可视化表达。1引言1.1方法（1）采样及时间试验地位于生态试验站，人豆试验

5、样地设立了儿种不同的施肥梯度以及肥料搭配比例供旱地养分研究。于2009年8月20H在该样地内采摘植株中上部新鲜叶子，放入保鲜箱内，迅速运回实验室。（2）光谱测量从保鲜箱取出叶片，置于参考板上，尽量平放；在实验室内采川人工光源卤素灯，利JIJF1SS系统获取人豆叶片的成像光谱数据，ASD光谱仪同步获取非成像光谱数据。每次测完一个样，则迅速将叶片放回保险箱内，带到化学分析实验室处理。（3）氮素叶绿素测定将测完光谱的大豆叶片采用凯氏定氮法测定叶片全氮含量，于烘箱中先在105°C下杀青一小时，然后经过75°C烘48小时，再研磨，过lmm筛，称取0.lmg于凯氏瓶中，加入浓硫酸浸泡过夜，在恒温

6、电炉110°C卜预烧煮1小时，而后在100°C下烧煮至无色，转移至100ml容量瓶，冷却后定容，放置过夜，用流动注射仪测定吸光值。1.2数据处理对于获取的ASD光谱数据，采用灰板比值法计算大豆叶片的反射率光谱。对TFISS成像光谱数据，同样采用灰板比值法得到反射率图像，之后根据阈值设定将叶片分割出来，并将叶片上的阴影也一同分离出去，其示例如图1所示，提取的有效叶片图像数据用于氮索含量反演模型中的特征光谱变量计算。（a）原始数据b）分离叶片（c）阴常掩膜图1大豆叶片FISS成像光谱数据获取1.3氮素含量反演模型（1）特征光谱参量木研究分析的特征光谱参量主要包括原始反射率光谱导数光谱以及

7、光谱指数。FISS成像光谱数据可以同时提供光谱和图像特征信息，图2为FISS获取的大豆叶片数据，大豆叶片整片叶子颜色深浅不一，边缘部分发黄，不同颜色对应的部位其光谱曲线也相差很大：如果植株长势良好旺盛，营养充分，那么其叶片颜色（光谱）应该相对比较均匀，而如果缺乏某种营养元素或者病虫侵害，颜色（光谱）则表现出相应的变化，这也是作为虫害染病诊断的重要依据。图2基于F1SS的不同大豆叶片部位反射率光谱特征山于导数光谱口J以增强光谱曲线在坡度上的细微变化，对植被來说，这种变化与植被的生物化学吸收特性有关，同吋也可以消除一些干扰因素，更能反映植被的木质特征，因此本研究也计算了一阶导数光谱。植被

8、指数对植被的信息具有增强的作用，因此为了全而对比和评价基于ASD和FTSS定量反演叶片氮素含量的应用性能，本研究也采用了如下42个植被指数（表1）。表1光谱指数列表（2）佔算模型为了对比不同估算方法，木文采用了研究中频繁出现的多元逐步线性冋归法、偏最小二乘回归法，下面简单介绍这几种方法：①线性回归法（LR）最为简单的一种回归方法，即假设自变量与因变量满足简单的线性关系，根据最小二乘法来估计线性冋归方程的系数，适合单变量分析，虽然简单却是最为常用的估算模型。