基于氮素组分辐射传输模型的植株氮素估算方法和系统

技术领域

本发明涉及作物生化组分光谱无损检测技术领域，更具体地，涉及基于氮素组分辐射传输模型的植株氮素估算方法和系统。

背景技术

氮素是作物体内维持作物光合作用、提高产量和改善品质的关键元素，过量使用氮肥容易导致作物植株徒长、土壤板结和环境污染等一系列问题。因此，准确监测作物养分的空间分布状况并做到准确实时氮肥管理对于作物健康生长及土壤环境可持续发展具有重要的意义。遥感技术作为目前唯一能够在大范围内实现快速瞬时获取空间连续地表信息的手段，对于发展高产高效和环境友好型现代农业的重要性已被普遍认可。因此，构建作物氮素组分遥感辐射传输模型对于研究氮素的光谱响应机制，提高氮素遥感监测精度及精准施肥管理具有重要作用。

氮素是包括大麦在内的作物所需的主要营养元素，直接影响着作物生长发育与产量品质的形成。对作物冠层叶片的氮素含量水平进行实时、快速和准确地检测，有利于科学合理地指导氮肥施用，减少过量施氮造成的环境污染，提高作物的产量与品质，具有重要的实际意义与应用价值，本发明所述的全氮含量，具体是指作物冠层叶片单位干重中所含氮素的总量，乘以100后用百分比(％)表示，单位为gN100/gDW。

传统的作物氮素含量检测方法耗时费力成本高，并具有破坏性和滞后性。近年来，随着高光谱技术的快速发展，应用光谱无损探测技术对包括氮素在内的作物生化组分进行无损监测估算，已成为当前研究田间作物长势及营养诊断的重要方法。

目前，应用光谱技术检测作物氮素含量的主要方法有两种：一是使用敏感波长的反射率组合生成的各种光谱植被指数；二是应用光谱特征变量直接与作物氮素含量建立响应模型，实现氮素含量的光谱无损估测，光谱特征变量主要包括光谱曲线反射峰或吸收谷特征，以及导数光谱特征量。这两类方法由于通常只使用少数几个特征波长，往往忽略对高光谱数据多个波段丰富信息的挖掘应用，并且在实际应用中很少考虑晴天由于局部云斑阴影暂时或偶然性遮挡产生的光谱差异，使得构建的氮素光谱估算方法模型在时间与空间应用上常表现出扩展性不强、稳定性缺乏的局限。

目前，作物氮素遥感估算方法主要归结为两类：一类是通过选取敏感光谱特征或者构建植被指数的方法。发明名称为“一种基于三波段光谱指数估算植株氮含量的方法”(申请公布号：CN102435564A)的中国发明专利提供了一种波段组合的方法。此专利在近红外光波段、可见光红光波段的基础上，增加了蓝绿光波段及其修正系数，建立了三波段光谱指数及氮含量的监测模型。另一类是运用高级数据挖掘算法构建估算模型。发明名称为“一种油菜叶片氮素含量遥感估算模型方法”(申请公布号：CN101424637A)的中国发明专利提供了一种应用传统回归方法和人工智能技术的油菜叶片氮素含量遥感估算模型。此专利首先确定叶片氮素含量特征波段，然后应用传统回归方法和人工智能技术构建油菜叶片氮素含量估算模型，最后采用结果验证指标，确定最佳模型。当前的氮素遥感估算方法计算过程简单，但是模型仅仅根据单一作物甚至单一生育期构建，应用于其他作物估算时，模型的稳定性及普适性有待提高。

现有的氮素遥感估算方法，基于单一光谱波段与特征或者多波段组合的植被指数构建模型，模型简单，模型仅适用于单一作物或者仅仅单一生育期，缺乏普适性的氮素光谱响应模型描述；氮素光谱响应模型构建后，在利用人工智能优化算法进行氮素信息反演过程中，存在模型的病态反演问题，避免或降低模型的病态反演方法需要考虑。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于氮素组分辐射传输模型的植株氮素估算方法和系统，解决了现有技术中模型简单，仅适用于单一作物或者仅仅单一生育期，缺乏普适性的氮素光谱响应模型描述，且存在病态反演的问题。

根据本发明的一个方面，提供一种植株叶片及冠层氮素估算方法，包括：

S1、获取叶片叶绿素与氮素的定量关系，并与PROSAIL模型耦合，得到以氮素组分为输入的N-PROSAIL模型；

S2、采用复合型混合演化算法，结合不同生育时期的实测的植株叶片生理生化及群体结构信息，根据N-PROSAIL模型反演得到叶片与冠层尺度的氮素信息。

作为优选的，所述步骤S1具体包括：

S11、分析不同形式叶片氮素与叶绿素之间的定量关系，确定叶绿素和氮素的转化系数；

S12、根据叶绿素和氮素的转化关系，替换PROSAIL模型中叶绿素含量在不同波段的吸收系数，得到以氮素组分为输入的N-PROSAIL模型。

作为优选的，所述步骤S11具体包括：

采集不同植株品种不同生育时期的叶片氮素与叶绿素的含量数据，确定氮素与叶绿素的转化系数ε，并通过其他年份的不同植株品种的实验数据进行验证、调整。

作为优选的，所述步骤S12中，所述N-PROSAIL模型中的叶片各组分的总吸收系数由类胡萝卜素含量、叶片等效厚度、干物质含量、叶片氮素密度，以及这些组份在各个波段的吸收系数计算获得。

作为优选的，所述步骤S2具体包括：

S21、在每个时期给定初始数据范围以及其他参数默认值，并进行N-PROSAIL模型的参数初始化，运行N-PROSAIL模型获得模拟的冠层反射率结果；

S22、分别选择与LAI、LND及Cm相关的植被指数，根据实测冠层反射率与模拟冠层反射率得到实测和模拟植被指数，并构建代价函数；

S23、计算得到代价函数值，并通过SCE-UA算法，取全局最优值作为最后的LND和LAI最佳估算结果；

S24、利用得到的LND和LAI结果，结合每个生育时期的Cm先验值，计算得到叶片氮素含量LNC及冠层氮素密度CND：

作为优选的，所述步骤S21中，根据历史累计数据结果，给出N-PROSAIL模型中未调整参数在不同生育时期的先验值，并将LND和LAI作为N-PROSAIL模型中主要调试参数，通过初试赋值，运行N-PROSAIL模型获得模拟的冠层反射率。

作为优选的，所述步骤S22具体包括：分别选择改进比值植被指数、改善角度植被指数/转换叶绿素吸收植被指数和绿度指数，根据实际冠层反射率与模拟冠层反射率得到实测和模拟植被指数，并构建代价函数：

式中，J为代价函数计算值，VIm_i和VIs_i分别表示实测植被指数值和模拟植被指数值，分别是各植被指数的计算值；i表示植被指数的个数。

作为优选的，所述改进比值植被指数MSR、改善角度植被指数/转换叶绿素吸收植被指数MCARI/MTVI2和绿度指数GI分别为：

MSR＝(R₈₀₀/R₆₇₀-1)/sqrt(R₈₀₀/R₆₇₀+1)

MCARI＝(R₇₀₀-R₆₇₀-0.2(R₇₀₀-R₅₅₀))(R₇₀₀/R₆₇₀)；

MTVI2＝0.5(1.2(R₈₀₀-R₅₀₀)-2.5(R₆₇₀-R₅₅₀))/sqrt(2(R₈₀₀+1)2-

(6R₈₀₀-5sqrt(R₆₇₀))-0.5)

GI＝R₅₅₁/R₆₇₇

式中，R_λ表示λ波段的反射率。

作为优选的，所述步骤S23具体包括：获得每次迭代的局部最优值及全局最优值，进行分析判断，若迭代次数不大于设定的最大迭代次数，则返回步骤S1，在设定的范围内更新模型参数，继续优化，若迭代次数大于设定迭代次数，则SCE-UA算法优化结束，取全局最优值作为最后的LND和LAI最佳估算结果。

一种植株叶片及冠层氮素估算系统，包括植被参数获取模块、叶片及冠层氮素估算模块；

所述植被参数获取模块用于根据叶片叶绿素与氮素的定量关系，并与PROSAIL模型耦合，得到以氮素组分为输入的N-PROSAIL模型，进行植被参数反演；

所述叶片及冠层氮素估算模块用于采用复合型混合演化算法，结合不同生育时期的实测的植株叶片生理生化及群体结构信息，调整N-PROSAIL模型参数得到叶片与冠层尺度的氮素信息。

本申请提出一种基于氮素组分辐射传输模型的植株氮素估算方法和系统，综合考虑作物生理生化组分特征，建立叶片氮素与叶绿素的定量模型；通过替换光学辐射传输模型(PROSAIL模型)中叶绿素含量在不同波段的吸收系数得到以氮素组分为输入的辐射传输模型(N-PROSAIL模型)；采用复合型混合演化算法(SCE-UA)，同时结合多年实测数据确定作物叶片生理生化及群体结构信息在不同生育时期的先验知识，解决模型的病态反演问题，实现不同生育时期叶片和冠层氮素信息的准确估算。

附图说明

图1为根据本发明实施例的植株氮素估算方法流程框图；

图2为根据本发明实施例的植株氮素估算方法具体流程示意图；

图3为根据本发明实施例的叶片氮素密度与叶绿素密度定量转换关系示意图；

图4为根据本发明实施例的基于N-PROSAIL模型的LAI和LND估算结果示意图；

图5为根据本发明实施例的基于N-PROSAIL模型的LNC和CND估算结果示意图；

图6为根据本发明实施例的基于植被指数反演方法的最优LNC与CND模型示意图；

图7为根据本发明实施例的N-PROSAIL模型反演与传统植被指数方法反演LNC和CND的对比结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

PROSAIL辐射传输模型是通过耦合PROSPECT叶片模型和SAILH冠层结构模型得到的。PROSPECT叶片模型是一个基于ALLEN等平板模型基础上发展的叶片光学模型，假设叶片是由N层同性层叠加起来的，中间层被N-1层空气间隔分割开来，第一层的上层是叶片表皮，存在光线的非漫射特性，即非各向同性，而在叶子内部，光线被认为是各向同性的。PROSPECT模型用来模拟叶片400～2500nm的光学特性，包括4个结构和生化输入参数，即叶片结构参数(Ns)、叶绿素含量(Cab)、干物质含量(Cm)和叶片等效厚度(Cw)。PROSPECT模型模拟计算得到的叶片光谱信息作为SAILH冠层辐射模型的输入参数。SAILH模型是在SAIL模型的基础上，通过引入热点的概念发展而来的冠层尺度上的辐射传输模型，将植被当作混合介质，假设叶片方位角分布均匀，考虑任意的叶片倾角，模拟冠层的双向反射率，包括8个输入参数，分别为叶面积指数(Leaf Area Index，LAI)、平均叶倾角(ALA)、热点参数(hspot，(叶子的平均大小与冠高之比)、土壤亮度参数(psoil)、天空漫散射比例(skyl)、太阳天顶角(tts)、观测天顶角(tto)以及观测相对方位角(psi)。

如图1和图2中所示，图中示出了一种植株叶片及冠层氮素估算方法，包括：

S1、获取叶片叶绿素与氮素的定量关系，并与PROSAIL模型耦合，得到以氮素组分为输入的N-PROSAIL模型；

S2、采用复合型混合演化算法，结合不同生育时期的实测的植株叶片生理生化及群体结构信息，根据N-PROSAIL模型反演得到叶片与冠层尺度的氮素信息。

作为优选的，所述步骤S1具体包括：

S11、分析不同形式叶片氮素与叶绿素之间的定量关系，确定叶绿素和氮素的转化系数；

S12、根据叶绿素和氮素的转化关系，替换PROSAIL模型中叶绿素含量在不同波段的吸收系数，得到以氮素组分为输入的N-PROSAIL模型。

作为优选的，所述步骤S11具体包括：

采集不同植株品种不同生育时期的叶片氮素与叶绿素的含量数据，确定氮素与叶绿素的转化系数ε，最终确定叶绿素和氮素的转化关系，具体如下：

LPD＝ε*LND

在本实施例中，式中：ε为0.32；LPD为叶片叶绿素密度(μg·cm^-2)；LND为叶片氮素密度(μg·cm^-2)。不同品种不同生育时期的LPD与LND模型关系如图3所示，并采用其他年份(2013年)的不同小麦品种的试验数据验证、调整，表明模型具有较高的精度及稳定性。

作为优选的，所述步骤S12中，所述N-PROSAIL模型中的叶片各组分的总吸收系数由类胡萝卜素含量、叶片等效厚度、干物质含量、叶片氮素密度，以及这些组份在各个波段的吸收系数计算获得。

具体的，通过上述LPD和LND的定量转化模型，与PROSAIL模型耦合，替换光学辐射传输模型(PROSAIL模型)中叶绿素含量在不同波段的吸收系数，进而得到以氮素组分为输入的辐射传输模型(N-PROSAIL模型)，其中，N-PROSAIL模型中的叶片各组分的总吸收系数具体如下：

K(λ)＝[K_LND(λ)*LND+K_Car(λ)*Car+K_Cw(λ)*Cw+K_Cm(λ)*Cm]/N

K_LND(λ)＝εK_Cab(λ)

式中，K(λ)为叶片各组分在各个波段的总吸收系数；λ为波长，范围为400～2500nm；Car为类胡萝卜素含量；Cw为水厚度；Cm为干物质含量；LPD为叶片叶绿素密度；LND为叶片氮素密度；K_LND(λ)、K_Car(λ)、K_Cw(λ)和K_Cm(λ)分别为LND、Car、Cw和Cm在各个波段的吸收系数，K_Cab(λ)为最初PROSAIL模型中叶绿素含量在各个波段的吸收系数。因此，通过上式的转换系数，构建了以氮素组分为输入的辐射传输模型。

作物叶片生理生化及群体结构信息的先验知识：在进行作物氮素的光谱响应模拟及含量估算的过程中，首先需要确定模型中其他叶片生理生化及群体结构信息。常规的数值确定方法是根据模型默认或者前人参考文献，给出默认值。但是，由于这些参数随着生育时期的改变而改变，比如，PROSAIL模型的叶倾角(LID，°)中在不同时期的数值随叶片的伸展及群体的密闭度而发生改变。因此，本实施例首先根据历史累计数据结果，给出N-PROSAIL模型中未调整参数在不同生育时期的先验值，如下表1所示，为N-PROSAIL模型中不同参数在冬小麦关键生育时期的先验值。

最后，基于不同生育时期各个参数的先验数据，进行作物氮素信息的估算。

在本实施例中，具体的，所述步骤S2具体包括：

S21、在每个时期给定初始数据范围以及其他参数默认值，并进行N-PROSAIL模型的参数初始化，运行N-PROSAIL模型获得模拟的冠层反射率结果；

S22、分别选择与LAI、LND及Cm相关的植被指数，根据实测冠层反射率与模拟冠层反射率得到实测和模拟植被指数，并构建代价函数；

S23、计算得到代价函数值，并通过SCE-UA算法，取全局最优值作为最后的LND和LAI最佳估算结果；

S24、利用得到的LND和LAI结果，结合每个生育时期的Cm先验值，计算得到叶片氮素含量LNC及冠层氮素密度CND：

作为优选的，所述步骤S21中，根据历史累计数据结果，给出N-PROSAIL模型中未调整参数在不同生育时期的先验值，每个时期给定的初始数据范围以及其他参数默认值的数据见表1，并将LND和LAI作为N-PROSAIL模型中主要调试参数，通过初试赋值，运行N-PROSAIL模型获得模拟的冠层反射率。

叶面积指数(leaf area index，LAI)又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数，即：叶面积指数＝叶片总面积/土地面积，其作为进行植物群体和群落生长分析的一个重要植物学参数和评价指标，可为植物冠层表面最初能量交换描述提供结构化定量信息，对群落的光分布、光能利用和产量有显著影响，决定着陆地表面植被的生产力，影响着地表和大气之间的相互作用，因此，LAI是生态系统研究中最重要的结构参数之一。在植被定量遥感研究中,植被冠层的反射率与LAI之间的定量耦合关系的探讨是其中的核心问题之一。对于基于反射率遥感数据进行LAI的反演,进而估算植被第一生产率,评价生态系统质量等问题,具有至关重要的意义。

作为优选的，所述步骤S22具体包括：分别选择改进比值植被指数MSR、改善角度植被指数(Modified Chlorophyll absorption in reflectance index，MCARI)/转换叶绿素吸收植被指数(Modified triangular vegetation index 2，MTVI2)和绿度指数(Greenness index，GI)，根据实际冠层反射率与模拟冠层反射率得到实测和模拟植被指数，并构建代价函数：

式中，J为代价函数计算值，为代价函数计算值，J值越小，表明模型的模拟值越接近实测值，精度越高；VIm_i和VIs_i分别表示实测植被指数值和模拟植被指数值，分别是各植被指数的计算值；i表示植被指数的个数，在本实施例中i＝3。

在本实施例中，植被指数的定义、计算如表2所示：

在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数(vegetation indices—VI)的计算，植被指数(VI)是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。

在本实施例中选取的所述改进比值植被指数(MSR)、改善角度植被指数/转换叶绿素吸收植被指数(MCARI/MTVI2)和绿度指数(GI)分别为：

MSR＝(R₈₀₀/R₆₇₀-1)/sqrt(R₈₀₀/R₆₇₀+1)

MCARI＝(R₇₀₀-R₆₇₀-0.2(R₇₀₀-R₅₅₀))(R₇₀₀/R₆₇₀)；

MTVI2＝0.5(1.2(R₈₀₀-R₅₀₀)-2.5(R₆₇₀-R₅₅₀))/sqrt(2(R₈₀₀+1)2-

(6R₈₀₀-5sqrt(R₆₇₀))-0.5)

GI＝R₅₅₁/R₆₇₇

式中，R_λ表示λ波段的反射率。

复合型混合演化算法(Shuffled Complex Evolution Algorithm，SCE-UA)，SCE-UA算法是一种全局优化算法，使用种群竞争演变(Competitive Complex Evolution,简称CCE)算法，将取样样本分为若干个种群分区，每一分区取样相互无关并各自搜索最优点，但是种群之间可以相互传递搜索得到的信息来更新搜索的分区样本，使得所有的参数同时整体达到最优。大量的研究证实该方法可以同时优化模型中的若干个参数，成为参数优化的一种有效方法；在SCE-UA方法的具体使用中，根据待优化模型的复杂程度和参数的个数，需要设置控制概率和一些优化问题相关的参数。也可根据待优化参数的个数，其他参数采用默认设置。

作为优选的，所述步骤S23具体包括：根据计算得到的J值，运行SCE-UA算法，获得每次迭代的局部最优值及全局最优值，进行分析判断；若迭代次数不大于设定的最大迭代次数(maxn＝1000)，则返回步骤S1，在设定的范围内更新模型参数，继续优化，若迭代次数大于设定迭代次数，则SCE-UA算法优化结束，取全局最优值作为最后的LND和LAI最佳估算结果。在本实施例中，如图4所示，为LND和LAI优化值的模拟值和实测值的1:1图，检验表明，利用SCE-UA算法进行N-PROSAIL模型的LND和LAI优化，具有较高的精度。

叶片及冠层氮素估算：利用得到的LND和LAI结果，结合每个生育时期的Cm先验值，计算得到LNC和CND估算结果。图5为LNC和CND的估算结果，检验表明，LNC和CND在各个时期的模拟值与实测值具有较好的一致性，采用本专利所构建的N-PROSAIL模型能够较好实现叶片和冠层尺度氮素信息的估算。

图6为基于植被指数反演方法的最优LNC与CND模型，图7为N-PROSAIL模型反演与传统植被指数方法反演LNC和CND的对比结果，可以看出，与现有的植被指数估算法(图6)相比，该方法的检验结果精度高于传统的植被指数反演法(图7)，并且有效避免LNC在低浓度时高估以及CND在高密度时低估的问题。同时，通过先验知识确定，该方法可适用于其他作物(如玉米、水稻、油菜等)氮素信息的准确估算。通过作物氮素信息在各个生育时期的准确反演，可以实现作物生长前期的早期亏缺诊断，达到作物的调优栽培，为发展农业高产、优质、高效及生态农业提供数据支撑与技术支持。

本实施例中还提供了一种植株叶片及冠层氮素估算系统，采用上述方法，包括植被参数获取模块、叶片及冠层氮素估算模块；

所述植被参数获取模块用于根据叶片叶绿素与氮素的定量关系，并与PROSAIL模型耦合，得到以氮素组分为输入的N-PROSAIL模型，进行植被参数反演；

所述叶片及冠层氮素估算模块用于采用复合型混合演化算法，结合不同生育时期的实测的植株叶片生理生化及群体结构信息，调整N-PROSAIL模型参数得到叶片与冠层尺度的氮素信息。

本申请提出一种基于氮素组分辐射传输模型的植株氮素估算方法和系统，综合考虑作物生理生化组分特征，建立叶片氮素与叶绿素的定量模型；通过替换光学辐射传输模型(PROSAIL模型)中叶绿素含量在不同波段的吸收系数得到以氮素组分为输入的辐射传输模型(N-PROSAIL模型)；采用复合型混合演化算法(SCE-UA)，同时结合多年实测数据确定作物叶片生理生化及群体结构信息在不同生育时期的先验知识，解决模型的病态反演问题，实现不同生育时期叶片和冠层氮素信息的准确估算。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。