内蒙古大兴安岭火烧迹地白桦叶片氮素估算

doi:10.13466/j.cnki.lyzygl.2021.06.015

摘要/Abstract

摘要：

以内蒙古大兴安岭1987年和2003年火烧迹地为研究区,以白桦叶片为研究对象,筛选与白桦叶片氮含量相关性较强的光谱波段,利用多元逐步回归和非线性回归方法构建白桦叶片氮含量的较优预估模型。结果表明:1)1987年和2003年火烧迹地的白桦叶片氮含量分别为25.22和17.23g/kg,2个样区叶片光谱曲线走势较一致,其差异仅表现在“绿峰”与“红边”处;2)根据叶片氮含量与实测光谱及其一阶导数的相关系数,筛选出与氮含量高度相关的波段数分别为67个(1987年)和40个(2003年);3)利用相关性较高的波段作为自变量构建白桦叶片氮含量的多元逐步回归模型和非线性回归模型,多元逐步回归模型较非线性模型的预测效果更佳。氮含量变化会影响植物的光谱敏感度,氮含量越多,绿光波段和近红外波段处的光谱反射率越低;多元逐步回归模型可以作为大兴安岭火烧迹地白桦叶片氮含量的预测模型。

关键词: 白桦, 叶片氮素, 光谱特征, 预估模型

Abstract:

Taking the burned areas in Daxing'anling of Inner Mongolia in 1987 and 2003 as the study area and Betula Platyphylla leaves as the research object,the spectral bands with strong correlation with the nitrogen content were selected,and the optimal prediction model of nitrogen content was constructed by multiple stepwise regression and nonlinear regression methods. The results showed that: 1) the nitrogen content of Betula platyphylla leaves in burned areas of 1987 and 2003 were 25.22 and 17.23 g/kg,respectively. The trend of leaf spectral curves in two areas was consistent,and the difference was only reflected in the "green peak" and "red edge". 2) According to the correlation coefficients between leaf nitrogen content and measured spectrum and its first derivative,67 bands (1987) and 40 bands (2003) were selected. 3) The multiple stepwise regression model and nonlinear regression model of nitrogen content of Betula platyphylla leaves were established by using the high correlation bands as independent variables. The prediction effect of multiple stepwise regression model was better than that of nonlinear regression model. The change of nitrogen content will affect the spectral sensitivity of plants. The more nitrogen content,the lower the spectral reflectance at green band and near infrared band was;The multiple stepwise regression model can be used to predict the nitrogen content of Betula platyphylla leaves in the burned area of Daxing'anling.

Key words: Betula platyphylla, leaf nitrogen, spectral characteristics, prediction model

中图分类号:

S718.5

杨晓雨, 王冰, 张鹏杰. 内蒙古大兴安岭火烧迹地白桦叶片氮素估算[J]. 林业资源管理, 2021,(6): 90-96.

YANG Xiaoyu, WANG Bing, ZHANG Pengjie. Estimation of Leaf Nitrogen of Betula Platyphylla in Burned Area of Daxing'anling,Inner Mongolia[J]. FOREST RESOURCES WANAGEMENT, 2021,(6): 90-96.

图/表 7

表1

图1

图2

图3

表2

表3

图4

参考文献 27

[1]	陈永喆, 傅伯杰, 冯晓明. 遥感反演植被含氮量研究进展[J]. 生态学报, 2017, 37(18):6240-6252.
[2]	Zhu Yan, Li Yingxue, Feng Wei, et al. Monitoring leaf nitrogen in wheat using canopy reflectancespectra[J]. Canadian Journal of Plant Science, 2006, 86(4):1037-1046. doi: 10.4141/P05-157
[3]	孙羲, 林荣新, 马国瑞. 水稻氮素营养及其诊断[J]. 浙江农业大学学报, 1981, 7(2):41-50.
[4]	杨曦光, 于颖, 黄海军, 范文义. 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.
[5]	杨树春, 刘新田, 曹海波, 等. 大兴安岭林区火烧迹地植被变化研究[J]. 东北林业大学学报, 1998, 26(1):19-23.
[6]	孙家宝, 胡海清. 大兴安岭兴安落叶松林火烧迹地群落演替状况[J]. 东北林业大学学报, 2010, 38(5):30-33.
[7]	Peterson D L, Aber J D, Matson P A, et al. Remote sensing of forest canopy and leaf biochemical contents[J]. Remote Sensing Environ, 1988, 24(1):85-108. doi: 10.1016/0034-4257(88)90007-7
[8]	梁雪映, 樊风雷. 基于遥感光谱的作物氮含量估算研究进展[J]. 中国农业科技导报, 2019, 21(1):51-61.
[9]	易秋香, 黄敬峰, 王秀珍. 玉米全氮含量高光谱遥感估算模型研究[J]. 农业工程学报, 2006, 22(9):138-143.
[10]	张金恒, 王珂. 基于鲜叶光谱估测氮素营养的新植被指数[J]. 农业工程学报, 2008, 24(3):158-61.
[11]	蒋金豹, 陈云浩, 黄文江. 条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型[J]. 农业工程学报, 2008, 24(1):35-39.
[12]	王仁红, 宋晓宇, 李振海, 等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报, 2014, 30(19):191-198.
[13]	熊鹰, 刘波, 岳跃民. 基于ASD和FISS的植被叶片氮素含量反演研究[J]. 生态环境学报, 2013, 22(4):582-587.
[14]	岳继博, 杨贵军, 冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 农业工程学报, 2016, 32(18):175-182.
[15]	李粉玲, 常庆瑞. 基于连续统去除法的冬小麦叶片全氮含量估算[J]. 农业机械学报, 2017, 48(7):174-179.
[16]	张金恒. 基于连续统去除法的水稻氮素营养光谱诊断[J]. 植物生态学报, 2006, 30(1):78-82. doi: 10.17521/cjpe.2006.0011
[17]	孙红, 田昕, 闫敏, 李增元, 等. 内蒙古大兴安岭根河植被覆盖度动态变化及影响因素的分析[J]. 遥感技术与应用, 2018, 33(6):1159-1169.
[18]	王惠文, 孟洁. 多元线性回归的预测建模方法[J]. 北京航空航天大学学报, 2007, 33(4):500-504.
[19]	Yue Jibo, Feng Haikuan, Yang Guijun, et al. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy[J]. Remote Sensing, 2018, 10(1):66-89. doi: 10.3390/rs10010066
[20]	牛铮, 陈永华, 隋洪智, 等. 叶片化学组分成像光谱遥感探测机理分析[J]. 遥感学报, 2000, 4(2):125-130.
[21]	赵俊. 大兴安岭火烧迹地森林自然恢复过程的研究[D]. 哈尔滨:东北林业大学, 2009.
[22]	王伟军, 王文明, 杨立国. 长白山地区火烧迹地植被更新的研究[J]. 科技致富向导, 2013(23):173.
[23]	蔡文华, 杨健, 刘志华, 等. 黑龙江省大兴安岭林区火烧迹地森林更新及其影响因子[J]. 生态学报, 2012, 32(11):3303-3312.
[24]	唐延林, 王人潮, 张金恒, 等. 高光谱与叶绿素计快速测定大麦氮素营养状况研究[J]. 麦类作物学报, 2003, 23(1):63-66.
[25]	孙小香, 王芳东, 赵小敏, 等. 基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型[J]. 中国农业资源与区划, 2019, 41(3):35-44.
[26]	裴浩杰, 冯海宽, 李长春, 等. 基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较[J]. 江苏农业科学, 2018, 46(17):224-230.
[27]	张卓, 龙慧灵, 王崇倡, 等. 冬小麦叶片光合特征高光谱遥感估算模型的比较研究[J]. 中国农业科学, 2019, 52(4):616-628.

试验样区	样本数/个	氮素含量/(g/kg)
试验样区	样本数/个	最大值	最小值	平均值	标准差
1987年	30	40.81	19.33	25.55	4.70
2003年	33	27.85	9.62	17.08	5.10

光谱变量	模型	模型摘要		估算系数
光谱变量	模型	R²	显著性	bo	b₁	b₂	b₃
1987年 ρ(841)	线性	0.499	0.000	20.408	-38594.720
	二次	0.616	0.000	22.215	11933.933	179946062.5
	三次	0.656	0.001	22.088	-41261.028	-334258052.6	-1145435046331.06
	增长	0.469	0.001	3.040	-1366.721
	指数	0.469	0.001	20.915	-1366.721
2003年 ρ(887)	线性	0.343	0.004	16.174	-23789.737
	二次	0.345	0.018	16.156	-26914.719	-10871036.56
	三次	0.410	0.021	17.005	-32784.180	-199705949.10	-438733405597.932
	增长	0.313	0.007	2.749	-1337.364
	指数	0.313	0.007	15.628	-1337.364

试验样地	类型		光谱变量		模型			决定系数 R²		均方根误差 RMSE		相对误 RE /%
1987年	线性		R(451)		y=805.654×R(451)-1677.393×ρ(466)+12478.923×ρ(555)-17611.542×ρ(841)+14731.551×ρ(843)-13340.795×ρ(865)-7.604			0.769		1.17		4.10
			ρ(555)
			ρ(466)
			ρ(555)
			ρ(841)
			ρ(843)
			ρ(865)
	非线性		ρ(841)		y=22.088-41261.028x-334258052.61x²-1145435046331.06x³			0.263		1.78		6.40
试验样地		类型		光谱变量		模型	决定系数 R²		均方根误差 RMSE		相对误 RE/%
2003年	线性		ρ(467)			y=10.662-4773.193×ρ(467)+9875.981×ρ(470)-33857.69×ρ(787)+8800.064×ρ(865)-13567.513× ρ(887)-12052.082×ρ(894)	0.790		2.55		16.6
			ρ(470)
			ρ(787)
			ρ(865)
			ρ(887)
			ρ(894)
	非线性		ρ(887)		y=17.005-32784.18x-199705949.053x²-438733405597.932x³		0.075		6.05		44.80