基于最優(yōu)光譜指數(shù)的大豆葉片葉綠素含量反演模型研究

劉 爽， 于海業(yè)， 張郡赫， 周海根， 孔麗娟， 張 蕾， 黨敬民， 隋媛媛

吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院， 吉林 長(zhǎng)春 130022

引 言

葉綠素含量與植被的光合能力、 生長(zhǎng)發(fā)育以及營(yíng)養(yǎng)狀況有很密切的關(guān)系， 可有效反映其脅迫、 生長(zhǎng)和衰老等狀況[1]， 因此定量估測(cè)葉綠素含量等植被生化、 生理參數(shù)， 成為植被監(jiān)測(cè)研究的重點(diǎn)。 大豆是人類(lèi)和動(dòng)物飲食中重要的蛋白質(zhì)和脂肪酸來(lái)源， 是世界上最大的飼料蛋白來(lái)源， 也是第二大食用油來(lái)源， 在全球范圍內(nèi)的種植面積超過(guò)1.215億公頃[2]， 保證大豆優(yōu)質(zhì)高效生產(chǎn)具有重要意義。 在各個(gè)發(fā)育階段中， 花芽分化期表示大豆開(kāi)始進(jìn)入生殖生長(zhǎng)和營(yíng)養(yǎng)生長(zhǎng)并進(jìn)的關(guān)鍵時(shí)期， 這一時(shí)期較高的葉綠素含量可以促進(jìn)大豆葉片生長(zhǎng)、 提高光合能力、 光合效率及產(chǎn)量。 因此， 大豆葉片中的葉綠素含量、 濃度等研究受到了眾多學(xué)者的高度關(guān)注。

針對(duì)植被葉綠素含量的反演方法， 由初期使用多元回歸反演方法逐漸轉(zhuǎn)為使用基于經(jīng)驗(yàn)/半經(jīng)驗(yàn)的光譜指數(shù)反演方法。 同時(shí)， 也有學(xué)者使用物理模型方法進(jìn)行反演， 但由于物理模型反演算法復(fù)雜， 不確定性因素較多， 很多輸入?yún)?shù)難以獲得， 導(dǎo)致反演精度受到限制[3]。 相比之下， 基于兩個(gè)或多個(gè)光譜波段通過(guò)線(xiàn)性或非線(xiàn)性組合構(gòu)建的光譜指數(shù)建立反演模型的方法， 不僅所體現(xiàn)的光譜信息比單波段具有更好的靈敏性， 同時(shí)可在一定程度上消除使用過(guò)多波段帶來(lái)的波段過(guò)擬合問(wèn)題， 使統(tǒng)計(jì)分析結(jié)果更準(zhǔn)確且更具有說(shuō)服力， 因此， 此種方法被廣泛用于植被生理生化參量的反演研究[4]。

大量國(guó)內(nèi)外研究表明， 使用反射光譜和一階微分光譜構(gòu)建的光譜指數(shù)具有定量反演作物生化參數(shù)的能力， 可以有效克服人工觀(guān)測(cè)主觀(guān)性強(qiáng)、 效率低的弊端， 又可以解決遙感技術(shù)受分辨率、 空域條件、 氣象狀況、 時(shí)間周期等因素制約的問(wèn)題[5]。 Yang等[6]為了更精確地用葉綠素?zé)晒獗O(jiān)測(cè)植物生理規(guī)律， 通過(guò)分析光合有效輻射(PAR)的吸收過(guò)程、 太陽(yáng)誘導(dǎo)葉綠素?zé)晒?SIF)的散射和再吸收過(guò)程， 創(chuàng)建了熒光校正植被指數(shù)(FCVI)用于分析該過(guò)程的組合影響， 結(jié)果表明： 當(dāng)植被在自然生長(zhǎng)階段和季節(jié)變化時(shí)， 這種方法增強(qiáng)了人們對(duì)植被生理過(guò)程的理解， 從而更有針對(duì)性地對(duì)植被進(jìn)行精準(zhǔn)高效的管理。 Xu等[7]通過(guò)使用光譜指數(shù)NDRI、 mSR等開(kāi)發(fā)了一種將貝葉斯網(wǎng)絡(luò)(BN)和PROSAIL模型耦合的新方法， 用以估計(jì)水稻冠層葉綠素含量， 結(jié)果表明： 此方法提高了葉綠素含量的反演精度， 并且在提高作物生長(zhǎng)參數(shù)的估計(jì)準(zhǔn)確性方面具有重要作用。 José Raúl Román等[8]利用不同的光譜變換形式計(jì)算植被指數(shù)進(jìn)行葉綠素a含量的無(wú)損定量分析， 結(jié)果表明： 反射率的一階導(dǎo)數(shù)對(duì)于葉綠素a的檢測(cè)最準(zhǔn)確， 建立的非線(xiàn)性隨機(jī)森林(RF)模型提供了較好的擬合度， 決定系數(shù)R2>0.94。 劉潭等[9]用4種較優(yōu)的光譜指數(shù)建立基于最小二乘支持向量機(jī)(LSSVM)和PROSAIL輻射傳輸機(jī)理的混合模型， 用以提高水稻葉綠素估測(cè)精度和模型的可解釋性， 結(jié)果表明： 此混合模型具有較低的預(yù)測(cè)偏差， 其建模集R2=0.740 6， RMSE=0.985 2， 驗(yàn)證集R2=0.733 2， RMSE=1.084， 具有較高的估測(cè)精度和良好的魯棒性。 有研究通過(guò)計(jì)算12個(gè)光譜指數(shù)與冠層葉綠素含量相關(guān)性指標(biāo)， 來(lái)評(píng)估光譜指數(shù)在不同葉傾角分布(LAD)下反演玉米葉綠素含量的敏感性差異， 同時(shí)基于實(shí)測(cè)數(shù)據(jù)建模， 結(jié)果表明指數(shù)MNDVI8對(duì)LAD變化最不敏感， 反演模型的精度最高， 決定系數(shù)R2=0.70， 均方根誤差RMSE=22.47。

光譜指數(shù)可定性或定量地反映和評(píng)估作物生長(zhǎng)的各項(xiàng)指標(biāo)， 建立光譜指數(shù)與葉綠素含量之間的定量模型， 也是田間和實(shí)驗(yàn)室測(cè)量葉綠素含量進(jìn)行驗(yàn)證的有效估算方法[11]， 本文使用光譜指數(shù)進(jìn)行大豆葉綠素含量的反演。 以往使用光譜指數(shù)進(jìn)行作物葉片葉綠素含量的估算研究中， 眾多學(xué)者使用固定波長(zhǎng)進(jìn)行光譜指數(shù)的計(jì)算， 再與葉綠素含量進(jìn)行相關(guān)性分析， 最后選取相關(guān)性較好的光譜指數(shù)建模。 而對(duì)于不同的研究對(duì)象， 因其生長(zhǎng)環(huán)境等因素的不同， 會(huì)使作物本身的生理信息產(chǎn)生差異， 導(dǎo)致光譜特征不同， 這時(shí)再使用相同的波長(zhǎng)可能會(huì)造成光譜數(shù)據(jù)無(wú)法充分利用， 計(jì)算出的光譜指數(shù)建立反演模型具有一定的局限性， 模型精度在一定程度上也會(huì)受到制約。 為解決上述問(wèn)題， 本工作利用相關(guān)矩陣法進(jìn)行光譜指數(shù)特征波長(zhǎng)的篩選， 使特征波長(zhǎng)與所用大豆葉綠素含量的相關(guān)性最高。

研究中采集大豆葉片高光譜和葉綠素含量數(shù)據(jù)， 并基于原始和一階微分高光譜分別進(jìn)行7種(共14個(gè))光譜指數(shù)的計(jì)算， 再采用相關(guān)矩陣法與葉綠素含量進(jìn)行相關(guān)性分析， 提取出最優(yōu)的波長(zhǎng)組合， 最后將14個(gè)光譜指數(shù)與3種回歸方法組合建模， 探討基于不同光譜指數(shù)(輸入變量)和建模方法的組合對(duì)反演大豆葉片葉綠素含量準(zhǔn)確性的影響， 為研究精準(zhǔn)、 無(wú)損且快速的大豆葉綠素含量檢測(cè)技術(shù)提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣品

本實(shí)驗(yàn)于吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院日光溫室內(nèi)進(jìn)行， 供試大豆品種為虎山60， 采用盆栽實(shí)驗(yàn)。 于2019年7月20日播種， 每盆播種1粒種子， 共播種50盆， 最后選取27株長(zhǎng)勢(shì)旺盛和葉片健康無(wú)病蟲(chóng)害的大豆作為實(shí)驗(yàn)樣本。

1.2 數(shù)據(jù)采集與處理

實(shí)驗(yàn)于2019年8月20日(花芽分化期)的10:00—14:00進(jìn)行數(shù)據(jù)采集， 采集地點(diǎn)位于溫室內(nèi)， 數(shù)據(jù)測(cè)量時(shí)天氣晴朗， 每株測(cè)量4片大豆功能葉片， 樣本量為108個(gè)， 采集葉片的高光譜和葉綠素含量數(shù)據(jù)。 高光譜數(shù)據(jù)采用美國(guó)Analytical Spectral Devices分析光譜儀器公司生產(chǎn)HH2地物光譜儀測(cè)定， 測(cè)量范圍325～1 075 nm， 采樣間隔1.4 nm， 分辨率3 nm@700 nm， 每片葉獲取3條數(shù)據(jù)。 葉綠素含量采用日本KONICA MINOLTASPAD-502葉綠素儀測(cè)定， 每片葉片獲取3條數(shù)據(jù)。 因SPAD-502讀數(shù)與葉綠素含量密切相關(guān)[10]， 因此， 將其值代表葉綠素含量。 以上2種數(shù)據(jù)均取其平均值作為所用數(shù)據(jù)。 數(shù)據(jù)處理與分析軟件為ViewSpec Pro、 Matlab R2015b和Origin 19.0。

2 結(jié)果與討論

2.1 光譜指數(shù)的構(gòu)建

表1 光譜指數(shù)名稱(chēng)、 公式和參考文獻(xiàn)

2.2 最優(yōu)光譜指數(shù)波長(zhǎng)組合的提取

本文利用相關(guān)矩陣法分別進(jìn)行上述14個(gè)光譜指數(shù)與SPAD值間的相關(guān)性分析， 并繪制相關(guān)矩陣圖， 以最大相關(guān)系數(shù)所在的i和j波長(zhǎng)位置作為最優(yōu)的波長(zhǎng)組合， 如圖1所示， 藍(lán)色到黃色表示高負(fù)相關(guān)到高正相關(guān)。

圖1 光譜指數(shù)與SPAD值相關(guān)矩陣圖

由圖1(a—n)分別提取出的光譜指數(shù)與SPAD值相關(guān)系數(shù)最大值rmax及其所在的波長(zhǎng)位置如表2所示。 可見(jiàn)， 14個(gè)指數(shù)與SPAD值的rmax均高于0.8， 表明相關(guān)性較好， 其中與SPAD值相關(guān)系數(shù)最高的是DI值， 為0.889 9， 波長(zhǎng)組合位于735和732 nm。 一階微分反射率計(jì)算的光譜指數(shù)中， 與SPAD值相關(guān)系數(shù)最高的是FDDI值， 為0.877 9， 波長(zhǎng)組合位于727和788 nm。 按rmax值由高到低進(jìn)行排序的結(jié)果為： DI>FDDI>FDSAVI>TVI>SAVI>RI=NDVI>mSR=mNDI>FDNDVI>FDRI>FDTVI>FDmSR>FDmNDI。 由原始反射率計(jì)算的指數(shù)中， 其中5個(gè)指數(shù)(RI， NDVI， mSR， mNDI和SAVI)優(yōu)選出的波長(zhǎng)組合均為728和727 nm； 由一階微分反射率計(jì)算的指數(shù)中， 其中3個(gè)指數(shù)(FDNDVI， FDmSR和FDmNDI)優(yōu)選出的波長(zhǎng)組合均為726和705 nm， 上述4個(gè)波長(zhǎng)均屬于紅邊， 紅邊是綠色植物在670～760 nm之間反射率增高最快的點(diǎn)。 有研究表明， 葉片中葉綠素的吸收光譜曲線(xiàn)存在紅邊， 而水、 類(lèi)胡蘿卜素的吸收光譜曲線(xiàn)不存在紅邊， 葉片中其他成分對(duì)光的吸收作用小， 所以葉片光譜紅邊的出現(xiàn)是由葉綠素導(dǎo)致的， 葉綠素含量的變化及特征信息可最大程度地反映在紅邊上， 即紅邊對(duì)葉綠素含量具有較高的敏感性[14]， 所以本文提取出的最優(yōu)波長(zhǎng)位置與前人的研究結(jié)果相符。

表2 光譜指數(shù)與SPAD值相關(guān)系數(shù)最大值及波長(zhǎng)位置

2.3 基于最優(yōu)光譜指數(shù)建立葉綠素含量反演模型的比較分析

根據(jù)上述研究提取出的14組最優(yōu)波長(zhǎng)組合， 將其分別代入對(duì)應(yīng)的光譜指數(shù)計(jì)算公式中進(jìn)行計(jì)算， 得到對(duì)應(yīng)最優(yōu)光譜指數(shù)值， 也稱(chēng)最優(yōu)光譜指數(shù)， 再基于最優(yōu)光譜指數(shù)建立大豆葉綠素含量反演模型。 本研究為了對(duì)比基于不同最優(yōu)光譜指數(shù)組合的建模效果， 將14個(gè)最優(yōu)光譜指數(shù)劃分為3組作為模型輸入變量， 第一組變量為由原始反射光譜計(jì)算的7個(gè)最優(yōu)光譜指數(shù)， 分別為RI(728， 727)， DI(735， 732)， NDVI(728， 727)， mSR(728， 727)， mNDI(728， 727)， SAVI(728， 727)和TVI(1007， 708)， 稱(chēng)為組合1； 第二組變量為由一階微分反射光譜計(jì)算的7個(gè)最優(yōu)光譜指數(shù)， 分別為FDRI(727， 708)， FDDI(727， 788)， FDNDVI(726， 705)， FDmSR(726， 705)， FDmNDI(726， 705)， FDSAVI(727， 788)和FDTVI(760， 698)， 稱(chēng)為組合2； 第三組變量為按表2中所有rmax值由高到低排序的前7位， 分別為DI(735， 732)， FDDI(727， 788)， FDSAVI(727， 788)， TVI(1007， 708)， SAVI(728， 727)， RI(728， 727)和NDVI(728， 727)， 稱(chēng)為組合3。 采用間隔取樣法將108個(gè)樣本按2∶1的比例劃分校正集和驗(yàn)證集， 即校正集有72個(gè)樣本， 驗(yàn)證集有36個(gè)樣本。 采用偏最小二乘回歸(partial least squares， PLS)、 最小二乘支持向量機(jī)回歸(least squares support vector machines， LSSVM)和LASSO回歸3種回歸方法建模， 本文中PLS方法建模的主成分?jǐn)?shù)均為3。 以決定系數(shù)R2和均方根誤差(root mean square error， RMSE)作為模型評(píng)價(jià)指標(biāo)，R2越接近于1、 RMSE越小， 表明模型精度越高。

表3 不同輸入變量和建模方法組合的大豆葉綠素含量反演模型結(jié)果

圖2 不同輸入變量和建模方法組合的大豆葉綠素含量反演模型驗(yàn)證集預(yù)測(cè)結(jié)果

3 結(jié) 論

以大豆花芽分化期葉片為研究對(duì)象， 測(cè)量了大豆葉片的高光譜和葉綠素含量數(shù)據(jù)， 并對(duì)原始高光譜進(jìn)行一階微分處理， 再分別基于原始和一階微分高光譜反射率進(jìn)行7種光譜指數(shù)(共14個(gè))的計(jì)算， 采用相關(guān)矩陣法提取最優(yōu)的波長(zhǎng)組合， 進(jìn)而計(jì)算最優(yōu)光譜指數(shù)， 最后基于最優(yōu)光譜指數(shù)與PLS， LSSVM和LASSO回歸建模方法進(jìn)行組合建立大豆葉片葉綠素含量反演模型， 得出以下結(jié)論：

(1)提取出的14個(gè)基于最優(yōu)波長(zhǎng)組合計(jì)算的光譜指數(shù)與葉綠素含量間均具有較好的相關(guān)性， 相關(guān)系數(shù)最大值均大于0.8， 其中DI(735， 732)和FDDI(727， 788)表現(xiàn)出最高的相關(guān)性， 相關(guān)系數(shù)值分別為0.889 9和0.877 9。

基于光譜指數(shù)建立植被生理生化參數(shù)反演模型的研究中仍有一些問(wèn)題有待解決， 如本研究及大多數(shù)學(xué)者的研究多以單一植被生長(zhǎng)期為實(shí)驗(yàn)時(shí)期， 將其研究結(jié)果應(yīng)用于植被整個(gè)生長(zhǎng)期的可靠性還需進(jìn)一步考察， 如何將單個(gè)時(shí)期與整個(gè)生長(zhǎng)期的生理生化反演模型通用并達(dá)到較高的模擬性能和精度仍需更深入的研究與實(shí)踐。