基于無(wú)人機(jī)遙感的濕地松花青素含量預(yù)測(cè)

陶學(xué)雨，李彥杰，欒啟福*，姜景民

（1.中國(guó)林業(yè)科學(xué)研究院 亞熱帶林業(yè)研究所，浙江 杭州 311400；2.南京林業(yè)大學(xué) 林學(xué)院，江蘇 南京 210037）

【研究意義】植物色素，尤其是葉綠素、類胡蘿卜素和花青素在生物圈中具有極其重要的作用[1]。其中，葉綠素和類胡蘿卜素是脂溶性色素，而花青素（Anthocyanidin）屬于植物次生代謝產(chǎn)生的黃酮類化合物，是植物體內(nèi)的一種水溶性色素[2-3]。廣泛存在于植物的果實(shí)、花、莖和葉中的液泡內(nèi)，據(jù)初步統(tǒng)計(jì)，27 個(gè)科，73 個(gè)屬植物中含花青素[1-4]。由于其結(jié)構(gòu)中R1 和R2 碳位上的取代基不同，形成了各種各樣的花青素，植物中常見(jiàn)的花青素有6 種，即天竺葵色素（Pg）、矢車菊色素（Cy）、飛燕草色素（DD）、芍藥花色素（Pn）、牽?；ㄉ兀≒t）和錦葵色素（Mv）[2-3]?；ㄇ嗨氐念伾茉S多因子的影響，如低溫、缺氧和缺磷等不良環(huán)境也會(huì)促進(jìn)花青素的形成和積累?；ㄇ嗨毓δ芏鄻?，抗氧化性較強(qiáng)，不僅有助于葉片損傷修復(fù)[5]，而且可以通過(guò)吸收光能而減少葉綠素對(duì)光的吸收，調(diào)節(jié)光合作用，從而起到光保護(hù)的作用[6]。因此，了解花青素含量的動(dòng)態(tài)信息，可以間接了解植物的營(yíng)養(yǎng)健康狀況，為植物培育管理提供一種可靠的參考指標(biāo)?！厩叭搜芯窟M(jìn)展】近年來(lái)，無(wú)人機(jī)遙感反演方法估計(jì)植被生理狀態(tài)已經(jīng)取得了很大的進(jìn)步，利用多光譜無(wú)人機(jī)的遙感反演方法具有快速、準(zhǔn)確、環(huán)境友好和無(wú)損測(cè)量等優(yōu)點(diǎn)，并具有放大到整個(gè)冠層及地理區(qū)域尺度的潛力，因此在林業(yè)植物生理狀態(tài)檢測(cè)、經(jīng)營(yíng)管理措施制定中有著巨大的應(yīng)用潛力。現(xiàn)階段大部分的研究集中在對(duì)葉綠素含量的反演估計(jì)[7-8]，而對(duì)花青素含量的反演研究相對(duì)較少[9-10]。已有的研究發(fā)現(xiàn)濕地松針葉中有較高含量的花青素，通過(guò)選擇對(duì)花青素含量敏感的綠光波段及其對(duì)葉綠素含量敏感的紅光波段和降低葉片及冠層結(jié)構(gòu)影響的近紅外波段組合構(gòu)建不同的光譜指數(shù)，例如調(diào)整花青素含量指數(shù)[11]、花青素反射指數(shù)[12]、調(diào)整花青素反射指數(shù)[13]等，進(jìn)行植物葉片花青素含量的反演?！颈狙芯壳腥朦c(diǎn)】濕地松（Pinus elliottii）原產(chǎn)美國(guó)，在我國(guó)已近百年的引種歷史，在我國(guó)南方15 個(gè)省區(qū)廣泛栽植，是我國(guó)重要的造林樹(shù)種。當(dāng)濕地松處于環(huán)境脅迫時(shí)，比如缺氮、低溫、病菌感染等，濕地松松針可能會(huì)在生長(zhǎng)過(guò)程中由綠色變?yōu)榧t色，甚至枯萎、死亡。當(dāng)松針由綠色向紅色轉(zhuǎn)變過(guò)程中，葉綠素含量下降，而花青素含量增加[14]。因此，適時(shí)測(cè)定濕地松針葉中花青素含量對(duì)于了解濕地松生長(zhǎng)生理狀態(tài)具有重要的意義。目前，許多傳統(tǒng)的實(shí)驗(yàn)室方法被用來(lái)測(cè)量植物組織中的花青素含量，例如有機(jī)溶劑萃取法、水溶液提取法[15]、超臨界流體萃取法[16]、微波提取法[17]和超聲波提取法[18]等。這些實(shí)驗(yàn)室方法結(jié)果準(zhǔn)確，但是耗費(fèi)大量時(shí)間，對(duì)環(huán)境造成影響的同時(shí)對(duì)葉片或組織也具有破壞性?！緮M解決的關(guān)鍵問(wèn)題】本研究以浙江地區(qū)濕地松苗為試驗(yàn)對(duì)象，利用便攜式紫外-可見(jiàn)光熒光儀獲取花青素相對(duì)含量數(shù)據(jù)，基于多光譜數(shù)據(jù)分析濕地松針葉光譜特征，利用PLS、SVR、BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，最終確定濕地松針葉花青素相對(duì)含量的最優(yōu)預(yù)測(cè)模型。最終期望利用無(wú)人機(jī)遙感技術(shù)實(shí)時(shí)預(yù)測(cè)濕地松針葉花青素含量，及時(shí)了解植株?duì)I養(yǎng)生理或逆境生理狀況，從而進(jìn)行科學(xué)培育管理，也可為高花青素含量濕地松資源高通量選擇提供技術(shù)基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)地和試驗(yàn)材料

研究區(qū)位于浙江省杭州市富陽(yáng)區(qū)（119°57′E，30°03′N）。該區(qū)域位于長(zhǎng)江中下游平原，屬亞熱帶季風(fēng)氣候，冬冷夏熱，四季分明；降水充沛，日照充足，氣候溫和濕潤(rùn)，垂直變化明顯。年平均氣溫約為16.3 ℃，年平均降水量約為1 479.3 mm，年平均日照時(shí)數(shù)約為1 759.2 h，無(wú)霜期約為238 d。無(wú)人機(jī)作業(yè)區(qū)域位于中國(guó)林業(yè)科學(xué)研究院亞熱帶林業(yè)研究所露天試驗(yàn)苗圃（圖1）。

圖1 試驗(yàn)地所在位置Fig.1 Location of test site

試驗(yàn)材料來(lái)源于2018年利用國(guó)產(chǎn)濕地松種子園混系種子培育裸根苗，2019年移栽到直徑20 cm、高30 cm的育苗容器中，2020年開(kāi)始測(cè)定，測(cè)定時(shí)平均苗高50 cm，平均地徑2 cm。

1.2 數(shù)據(jù)獲取

1.2.1 花青素相對(duì)含量測(cè)定 MULTIPLEX RESEARCH 便攜式紫外-可見(jiàn)光熒光儀可以同時(shí)測(cè)量葉綠素指數(shù)、花青素指數(shù)、類黃酮指數(shù)和氮平衡指數(shù)?；ㄇ嗨刂笖?shù)可以反映花青素含量的變化，因而本研究采用MULTIPLEX RESEARCH 便攜式紫外-可見(jiàn)光熒光儀進(jìn)行空氣校準(zhǔn)及藍(lán)箔校準(zhǔn)后，非破壞性地測(cè)量濕地松苗針葉的花青素含量，在生長(zhǎng)旺盛的8月，每棵濕地松針葉冠層不同地方隨機(jī)測(cè)量3次，求平均值后作為該株濕地松苗的花青素含量，共計(jì)177個(gè)樣本數(shù)據(jù)，表1是所有樣本的統(tǒng)計(jì)值。

表1 濕地松樣本的花青素含量統(tǒng)計(jì)數(shù)據(jù)Tab.1 Statistical data of anthocyanin content in Pinus elliottii samples

1.2.2 無(wú)人機(jī)影像數(shù)據(jù)獲取 無(wú)人機(jī)影像數(shù)據(jù)獲取時(shí)間為2020年8月31日，選擇上午09：00—10：00采集圖像，天氣晴朗無(wú)風(fēng)，視野良好。本研究采用大疆精靈4 多光譜版（P4 Multispectral）無(wú)人機(jī)，機(jī)身搭載6 個(gè)1/2.9 英寸CMOS（圖2），集成了1個(gè)可見(jiàn)光相機(jī)及5個(gè)多光譜相機(jī)（藍(lán)光，綠光，紅光，紅邊和近紅外），設(shè)定航速3 km/h。飛行前進(jìn)行指南針校正，垂直地面飛行，設(shè)置飛行高度為5 m，獲取正射影像圖。無(wú)人機(jī)和相機(jī)參數(shù)如表2和表3所示。飛行結(jié)束后，將覆蓋試驗(yàn)區(qū)的影像導(dǎo)入DJI Terra 軟件后進(jìn)行拼接，然后進(jìn)行幾何校正、輻射定標(biāo)、裁剪等預(yù)處理。再將校正處理后的影像轉(zhuǎn)換格式導(dǎo)入ENVI 5.3軟件中進(jìn)行解譯。根據(jù)地面測(cè)量對(duì)應(yīng)的樣點(diǎn)位置構(gòu)建興趣區(qū)（region of interest，ROI），以ROI范圍內(nèi)地物的平均反射率光譜值作為該樣點(diǎn)濕地松冠層反射率光譜，得到177個(gè)樣點(diǎn)對(duì)應(yīng)的多光譜數(shù)據(jù)。

圖2 大疆精靈4多光譜版Fig.2 DJI P4 Multispectral

表2 無(wú)人機(jī)部分主要參數(shù)Tab.2 Main parameters of UAV

1.3 植被指數(shù)選取

遙感圖像的植被信息，一般是由綠色植物葉片和植被冠層的光譜特性及其差異性來(lái)反映的[19]。植被指數(shù)（vegetation index，VI）能反映綠色植被相對(duì)豐度和活性的輻射量值，可通過(guò)對(duì)多光譜單波段數(shù)據(jù)的線性或非線性組合構(gòu)造[20-21]。此外，植被指數(shù)也反映植被在可見(jiàn)光、近紅外波段的光譜反射率與土壤背景間的差異，因此，在一定條件下，植被指數(shù)可通過(guò)加強(qiáng)植物與土壤、大氣、光照、視場(chǎng)角等干擾信息的反差，減弱干擾信息的表達(dá)，從而定量表達(dá)植被生態(tài)生理參數(shù)[21]。

本文選取5 個(gè)光譜值（RED、GREEN、BLUE、NIR、REG）以及與濕地松花青素含量較密切的9 種植被指數(shù)GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI 和MARI（表4），用于構(gòu)建濕地松針葉花青素含量的預(yù)測(cè)模型。

表4 植被指數(shù)Tab.4 Vegetation index

1.4 建模方法

基于R Studio 軟件平臺(tái)，選用BP、SVR 和PLS 3 種算法分別構(gòu)建濕地松針葉冠層花青素含量監(jiān)測(cè)模型，并對(duì)結(jié)果進(jìn)行比較分析。

1.4.1 BP 神經(jīng)網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BP）又稱做反向傳播網(wǎng)絡(luò)，該算法都是多層感知機(jī)（通常都會(huì)有一個(gè)輸入層、一個(gè)隱藏層及一個(gè)輸出層），誤差從輸出結(jié)點(diǎn)反向傳播到輸入結(jié)點(diǎn)。訓(xùn)練網(wǎng)絡(luò)權(quán)值時(shí)，沿著減少誤差的方向，從輸出層經(jīng)過(guò)中間各層逐層向前修正網(wǎng)絡(luò)的鏈接權(quán)值，通?？梢钥焖偈諗康搅钊藵M意的極小值[22]。

1.4.2 支持向量機(jī) 支持向量機(jī)（support vector machine，SVR）是一組用于分類、回歸和異常值檢測(cè)的有監(jiān)督學(xué)習(xí)方法[23-24]。SVR 算法能在保證數(shù)據(jù)逼近精度的同時(shí)降低逼近函數(shù)的復(fù)雜度，對(duì)解決大樣本、高維空間問(wèn)題等方面具有很多優(yōu)勢(shì)[25]，已經(jīng)成功應(yīng)用于光譜分析研究[26-27]。

1.4.3 偏最小二乘法 偏最小二乘法（partial least squares，PLS）是一種與主成分分析有關(guān)的統(tǒng)計(jì)方法，它不是尋找響應(yīng)與自變量之間方差最大的超平面，而是通過(guò)將預(yù)測(cè)變量和可觀測(cè)變量投影到一個(gè)新的空間，找到一個(gè)線性回歸模型。由于X和Y數(shù)據(jù)都被投影到新的空間，PLS方法被稱為雙線性因子模型，可以有效地解決多元回歸分析中的變量多重相關(guān)性及噪聲問(wèn)題[28]。

1.5 數(shù)據(jù)處理

1.5.1 數(shù)據(jù)預(yù)處理 本研究借助R Studio軟件，對(duì)采集的177個(gè)樣本數(shù)據(jù)進(jìn)行隨機(jī)抽樣分為訓(xùn)練集和驗(yàn)證集，80%為訓(xùn)練集，20%為驗(yàn)證集，固定訓(xùn)練集和驗(yàn)證集樣本數(shù)據(jù)，進(jìn)行分析建模。利用R Studio 軟件對(duì)所有已有的177 個(gè)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，共5 種，第1 種Original（OG）不做處理，還有4 種分別做Standard Normal Variate（SNV）、blockScale（BS）、blockNorm（BN）、Detrend（DET）處理。

1.5.2 重要變量選擇 利用R Studio軟件對(duì)5種經(jīng)過(guò)數(shù)據(jù)處理后的數(shù)據(jù)進(jìn)行重要變量選擇，分為一組不處理組，和分別用遺傳算法與PLS回歸相結(jié)合[29]（ga_pls）、逆向變量消除[30]（bve_pls）、正則化消除[31]（rep_pls）、和顯著多元相關(guān)算法[32]（smc）4種變量選擇方式處理，5種方法分別記作raw、ga、rep、bve、smc。

1.5.3 模型精度檢驗(yàn) 每種模型建好后運(yùn)用R Studio軟件編寫(xiě)程序，讓每種模型分別運(yùn)行100遍后再進(jìn)行模型精度驗(yàn)證。采用決定系數(shù)（coefficient of determination，R2）和均方根誤差（root mean square error，RMSE）2個(gè)指標(biāo)來(lái)評(píng)價(jià)各模型的擬合和預(yù)測(cè)能力。R2越接近1，RMSE 越小，表示模型擬合能力和預(yù)測(cè)能力越好，模型精度越高。指標(biāo)計(jì)算公式如下：

式（1）（2）中：yi為濕地松花青素含量模型預(yù)測(cè)值；為濕地松花青素含量實(shí)測(cè)值；為濕地松花青素含量模型預(yù)測(cè)值的平均值；n為模型檢驗(yàn)樣本個(gè)數(shù)。

2 結(jié)果與分析

2.1 濕地松花青素含量與多光譜植被指數(shù)相關(guān)性分析

通過(guò)多光譜原始反射率與構(gòu)建的植被指數(shù)，與花青素含量進(jìn)行相關(guān)性分析。如圖3 所示，NDVI、GNDVI、MACI、MARI 與花青素含量相關(guān)系數(shù)在0.4～0.6（P<0.01），較良好。其他指標(biāo)與花青素含量線性相關(guān)性較小，因此，如果單一采用線性模型來(lái)預(yù)測(cè)花青素含量準(zhǔn)確度較低。

圖3 濕地松光譜參數(shù)與花青素含量相關(guān)系數(shù)Fig.3 Correlation coefficient between spectral parameters and anthocyanin content of Pinus elliottii

2.2 濕地松花青素含量建模結(jié)果

每個(gè)建模方法下由5 種數(shù)據(jù)預(yù)處理方法和5 種重要變量選擇方法共組成25 種結(jié)果。每種建模方法經(jīng)過(guò)運(yùn)行100次后，不同數(shù)據(jù)處理方法的建模及驗(yàn)證結(jié)果如表5至表7所示。PLS、SVR、BP這3種模型在訓(xùn)練集中的R2和RMSE 的平均值分別為0.41（范圍：0.32～0.51）和1.38%（范圍：1.26%～1.49%），0.6（范圍：0.42～0.7）和1.15%（范圍：0.98%～1.71%）、0.1（范圍：0.005～0.27）和1.6%（范圍：1.31%～1.98%），在驗(yàn)證集分別為0.53（范圍：0.32～0.64）和1.52%（范圍：1.26%～1.86%），0.5（范圍：0.34～0.61）和1.61%（范圍：1.42%～1.82%）、0.13（范圍：0.001～0.37）和1.79%（范圍：1.5%～2.08%）。

表5 PLS建模方法下基于不同數(shù)據(jù)處理方法花青素含量的預(yù)測(cè)與驗(yàn)證結(jié)果Tab.5 Prediction and validation results of anthocyanins content based on different data processing methods under PLS modeling method

表6 SVR建模方法下基于不同數(shù)據(jù)處理方法花青素含量的預(yù)測(cè)與驗(yàn)證結(jié)果Tab.6 Prediction and validation results of anthocyanins content based on different data processing methods under SVR modeling method

表7 BP建模方法下基于不同數(shù)據(jù)處理方法花青素含量的預(yù)測(cè)與驗(yàn)證結(jié)果Tab.7 Prediction and validation results of anthocyanins content based on different data processing methods under BP modeling method

PLS建模方法下的最佳數(shù)據(jù)處理方法是SNV-ga組合，驗(yàn)證集的R2為0.64，RMSE為1.34%，相比較原始數(shù)據(jù)OG-raw 組合的R2為0.62 有所提高，RMSE 為1.39%有所降低，SNV-ga 組合精度提高。SVR 建模方法下的最佳數(shù)據(jù)處理方法是DET-bve組合，驗(yàn)證集的R2為0.61，RMSE為1.42%，相比較原始數(shù)據(jù)OG-raw組合的R2為0.53 有所提高，RMSE 為1.56%有所降低，DET-bve 組合精度提高。BP 建模方法下的最佳數(shù)據(jù)處理方法是SNV-raw組合，驗(yàn)證集的R2為0.37，RMSE為1.5%，驗(yàn)證集的R2為0.61，RMSE為1.42%，相比較原始數(shù)據(jù)OG-raw組合的R2為0.09有所提高，RMSE為1.79%有所降低，SNV-raw組合精度提高。

2.3 濕地松花青素含量預(yù)測(cè)模型

選擇PLS、SVR、BP 3 種建模方法的最佳組合進(jìn)行進(jìn)一步比較。圖4 繪制了PLS、SVR、BP 3 種建模方法的最佳組合：PLS-SNV-ga 組合，SVR-DET-bve 組合和BP-SNV-raw 組合的實(shí)測(cè)值和預(yù)測(cè)值的相關(guān)性圖，誤差條表示每個(gè)樣本100 次的預(yù)測(cè)誤差。比較3 種最佳組合，雖然PLS-SNV-ga 組合驗(yàn)證集的R2為0.64，略高于SVR-DET-bve 組合的0.61，RMSE 為1.34%也略低于SVR-DET-bve 組合的1.42%，但是PLS-SNV-ga 組合訓(xùn)練集的R2僅為0.51，與驗(yàn)證集0.61 的R2略有差距，可能存在過(guò)擬合現(xiàn)象，而SVR-DET-bve 訓(xùn)練集R2為0.66，與驗(yàn)證集相差不大且高于PLS-SNV-ga 組合訓(xùn)練集0.51 的R2，所以基于SVR 建模方法的DET-bve 組合是濕地松花青素相對(duì)含量的最優(yōu)建模組合，訓(xùn)練集R2為0.66，RMSE 為1.05%，驗(yàn)證集R2為0.61，RMSE 為1.42%。變量去趨勢(shì)化（DET）處理有利剔除無(wú)關(guān)信息變量干擾，可以增強(qiáng)模型的預(yù)測(cè)能力和穩(wěn)健性。逆向變量消除具有全變量快速搜索的優(yōu)點(diǎn)，可建立穩(wěn)定、簡(jiǎn)便和預(yù)測(cè)能力較強(qiáng)的模型。與未經(jīng)過(guò)數(shù)據(jù)處理的模型相比，采用逆向變量消除的變量選擇方法處理過(guò)的模型所需變量數(shù)為全變量建模的1/3，這表明DET 算法能較大程度地去除干擾信息，提高模型的性能。

圖4 濕地松花青素含量3種建模方法最佳組合實(shí)測(cè)值與模型擬合預(yù)測(cè)值比較Fig.4 Comparison between the measured values and the predicted values of the best combination of three modeling methods for the content of anthocyanins in Pinus elliottii

圖5 繪制了PLS、SVR、BP 3 種建模方法的最佳組合：PLS-SNV-ga 組合，SVR-DET-bve 組合和BPSNV-raw 組合的殘差值的比較。如圖所示，當(dāng)測(cè)量值較小時(shí)，這3 種模型都有低估的趨勢(shì)。隨著測(cè)量值的升高，預(yù)測(cè)值有預(yù)測(cè)過(guò)高的趨勢(shì)。PLS-SNV-ga，SVR-DET-bve 和BP-SNV-raw 模型的殘差值幾乎都在-0.025～0.025。

圖5 濕地松花青素含量三種建模方法最佳組合殘差值比較Fig.5 Comparison of residual values of the best combination of three modeling methods for the content of anthocyanins in Pinus elliottii

3 討論與結(jié)論

本文利用多光譜無(wú)人機(jī)低空拍攝幼齡濕地松苗，對(duì)其松針花青素含量進(jìn)行建模分析，同時(shí)比較了PLS 模型、SVR 模型和BP 模型3 種建模方法，以及運(yùn)用5 種不同的數(shù)據(jù)預(yù)處理方法和5 種不同的變量選擇方法組合處理，從中選擇出適合預(yù)測(cè)濕地松針葉花青素含量最優(yōu)的建模方法組合。

光譜指數(shù)由于組合了不同波段的信息，從而能夠增強(qiáng)反射光譜數(shù)據(jù)包含的信息，并且最小化各種散射模式的影響及噪聲來(lái)源[33]，在進(jìn)行植被色素含量及其他生化成分預(yù)測(cè)時(shí)優(yōu)勢(shì)突出。過(guò)去幾十年，多光譜遙感反演方法估計(jì)植被生理狀態(tài)已經(jīng)有了很多研究，但是許多的研究集中于對(duì)葉綠素含量的反演，例如田軍倉(cāng)等[34]基于無(wú)人機(jī)多光譜影像的番茄冠層SPAD 預(yù)測(cè)，確定了SVR 模型為最優(yōu)模型，與本文最終結(jié)果相似；毛智慧等[7]基于無(wú)人機(jī)多光譜遙感影像的玉米冠層葉綠素預(yù)測(cè)，研究不同的線性模型對(duì)結(jié)果的影響。

而關(guān)于花青素含量的反演研究相對(duì)較少。前人關(guān)于玉米葉片花青素葉片的研究[14]發(fā)現(xiàn)基于已有光譜指數(shù)ARI 和MARI 建立的一元二次模型反演玉米葉片花青素含量時(shí)效果相對(duì)較好，R2最大可達(dá)到0.78。本研究最佳模型的驗(yàn)證集R2為0.61，相較之下模型精度比較低，進(jìn)一步分析原因，可能是前人研究的玉米葉片為闊葉，測(cè)定花青素含量的玉米葉片應(yīng)與采集光譜的葉片相同，并且測(cè)量位置也應(yīng)保持一致，精確度高，而濕地松葉片為針葉，單葉面積極小，無(wú)法精準(zhǔn)定位，所以采用濕地松整個(gè)冠層為單個(gè)樣本，在整個(gè)冠層取多個(gè)點(diǎn)測(cè)量花青素相對(duì)含量取平均值，從而精確度降低。此外，濕地松針葉中花青素含量相對(duì)較低，屬于中、低水平，而葉片葉綠素含量相對(duì)較高。此前有研究發(fā)現(xiàn)[35]，在綠光范圍，葉綠素和花青素對(duì)綠光吸收的重疊是發(fā)展花青素含量無(wú)損估計(jì)算法的主要問(wèn)題。

濕地松葉片花青素含量遙感反演尚沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)模型，本研究從3 種建模方法及25 種數(shù)據(jù)處理組合中，最終確定了變量經(jīng)去趨勢(shì)化數(shù)據(jù)預(yù)處理和逆向變量消除的基于SVR 方法建模方法所得到的模型為最優(yōu)模型（SVR-DET-bve），但是同種植物的最佳反演模型會(huì)因樹(shù)齡、長(zhǎng)勢(shì)、季節(jié)、使用的傳感器、種植地點(diǎn)的不同而不同。由于受到時(shí)間、設(shè)備、技術(shù)等多方面影響和限制，暫時(shí)未能取得更多時(shí)期的多光譜影像數(shù)據(jù)，本文所得的反演估測(cè)模型也限于本次所得結(jié)果。目前對(duì)低空無(wú)人機(jī)多光譜成像遙感在濕地松生理狀態(tài)監(jiān)測(cè)中的應(yīng)用研究還處于探索階段，多光譜影像中光譜信息的提取和利用、高精度實(shí)時(shí)地理坐標(biāo)獲取與記錄等方面都需要更深入的研究。

本研究以苗齡3年的濕地松苗為實(shí)驗(yàn)對(duì)象建立模型來(lái)預(yù)測(cè)濕地松花青素含量，并對(duì)不同的建模方法進(jìn)行對(duì)比，從而確定了一個(gè)最優(yōu)模型。所得的反演估測(cè)模型因受限于苗齡、長(zhǎng)勢(shì)、季節(jié)、使用的傳感器等條件，暫時(shí)不能在濕地松林地推廣使用。因此，接下來(lái)還需要進(jìn)行大量試驗(yàn)，將模型反演結(jié)果與實(shí)驗(yàn)室測(cè)定結(jié)果進(jìn)行分析比較和驗(yàn)證，進(jìn)一步提高模型的反演精度及普適性，目的是日后推廣至大田試驗(yàn)，為利用多光譜無(wú)人機(jī)高通量估測(cè)濕地松林的花青素含量奠定基礎(chǔ)。