利用多種回歸模型對(duì)比估算琯溪蜜柚葉片鉀素含量

栗方亮　孔慶波　張青

摘? 要：鉀素是蜜柚營(yíng)養(yǎng)三要素之一，是準(zhǔn)確診斷和定量評(píng)價(jià)生長(zhǎng)狀況的重要指標(biāo)，建立合適的蜜柚葉片鉀素含量高光譜估算模型，為實(shí)現(xiàn)快速、無(wú)損、精確的鉀素含量估測(cè)提供依據(jù)?；诿坭秩~片高光譜數(shù)據(jù)和鉀素含量實(shí)測(cè)數(shù)據(jù)，首先分析蜜柚葉片鉀素含量與原始及一階微分光譜的相關(guān)性，然后分析與敏感波段植被參數(shù)的相關(guān)性，并找出相關(guān)性較好的光譜參數(shù)，建立蜜柚葉片鉀素含量偏最小二乘回歸模型（PLS）、BP神經(jīng)網(wǎng)絡(luò)回歸模型（BPNN）、隨機(jī)森林回歸模型（RF）和支持向量機(jī)回歸模型（SVM），并確定蜜柚葉片鉀素含量最佳估算模型。在513～598?nm和699～735?nm處，蜜柚葉片鉀素含量與原始光譜反射率呈顯著負(fù)相關(guān)，最大負(fù)相關(guān)系數(shù)分別為?0.47（554?nm）和?0.45（715?nm）。在507～552?nm和691～711?nm處，蜜柚葉片鉀素含量與一階微分光譜反射率呈顯著負(fù)相關(guān)，最大負(fù)相關(guān)系數(shù)分別為?0.54（528 nm）和?0.53（702 nm）;在557～655?nm處，二者呈顯著正相關(guān)，最大正相關(guān)系數(shù)為0.58（579 nm）。選擇554、715、528、579、702?nm構(gòu)建光譜參數(shù)，建立差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）和歸一化植被指數(shù)（NDVI）等，其中與蜜柚葉片鉀素含量相關(guān)性較好的光譜參量為NDVI′、RVI、RVI′、R′。建立PLS、BPNN、RF和SVM等4種回歸模型估算蜜柚葉片鉀素含量并進(jìn)行對(duì)比驗(yàn)證，4種估算模型的決定系數(shù)（）分別為0.72、0.74、0.84和0.81，均方根誤差（RMSE）分別為2.44、2.28、1.49和1.61;相對(duì)誤差（RE）分別為9.95%、9.01%、7.84%和8.01%。驗(yàn)證模型的R分別為0.79、0.84、0.85和0.82，RMSE分別為1.69、1.48、1.34和1.41，RE分別為8.47%、7.70%、6.12%和6.35%，RF估算模型精度稍高于PLS、BPNN和SVM估算模型。

關(guān)鍵詞：高光譜;蜜柚;鉀素;光譜指數(shù)中圖分類號(hào)：S666.3;S127 ?????文獻(xiàn)標(biāo)識(shí)碼：A

Comparative Estimation of Potassium Contents in Guanxi Honey Pomelo Leaves by Multiple Regression Models

LI Fangliang KONG QingboZHANG Qing

Institute of Soil and Fertilizer， Fujian Academy of Agricultural Sciences， Fuzhou， Fujian 350013， China

Potassium （K） is one of the three nutrient elements of honey pomelo， which is an important index for accurate diagnosis and quantitative evaluation of growth status. The hyperspectral estimation model of K contents in honey pomelo leaves was established to provide basis for rapid， non-destructive and accurate estimation of K contents. Based on the hyperspectral data of pomelo leaves and the measured data of K contents， this study first analyzed the correlation between the K contents of pomelo leaves and the original and first-order differential spectra， then analyzed the correlation between sensitive band vegetation index and the K contents of pomelo leaves， and found out the spectral parameters with good correlation with the K contents of pomelo leaves， then the partial least squares regression model （PLS）， BP neural network regression model （BPNN）， random forest regression model （RF） and support vector machine regression model （SVM） of pomelo leaves K contents were established， and the best estimation model of K contents in pomelo leaves was determined. In the measured band of 350?1050 nm， the spectral reflectance of pomelo leaves decreased with the increase of K contents. In 513?598 nm and 699?735 nm， it reached a significant negative correlation level， the maximum negative correlation coefficient was ?0.47 （554 nm） and ?0.45 （715 nm）， respectively. In 507?552 nm and 691?711 nm， potassium in pomelo leaves reached a significant negative correlation level with the first-order spectral reflectance， the maximum negative correlation coefficient was ?0.54 （528 nm） and ?0.53 （702 nm）. In 557?655 nm， it reached a significant positive correlation level， and the maximum positive correlation coefficient was 0.58 （579 nm）. 554， 715， 528， 579， 702 nm were selected to construct the spectral parameters and establish the difference vegetation index （DVI）， ratio vegetation index （RVI） and normalized difference vegetation index （NDVI））. NDVI￠， RVI， RVI￠， R￠were the spectral parameters that had good correlations with the K contents of pomelo leaves. Four regression models such as PLS， BPNN， RF and SVM were established to estimate K content in pomelo leaves and verified. ， RMSE and RE of the estimation model of pomelo leaves K contents established by RF method was 0.84， 1.49 and 7.84%， respectively. ， RMSE and RE of the estimation model by SVM method were 0.81， 1.61 and 8.01% respectively. While ， RMSE and RE of the estimation model by BPNN method were 0.74， 2.28 and 9.01% respectively; ， RMSE and RE of the estimation model by PLS method were 0.72， 2.44 and 9.95% respectively. of the validation model of PLS， BPNN， RF and SVM methods were 0.79， 0.84， 0.85 and 0.82 respectively. Compared with PLS， BPNN and SVM， RF had higher ， lower RMSE and lower RE， indicating that the accuracy of RF based K contents estimation model was higher than that of PLS， BPNN and SVM. Through the comparison of four hyperspectral estimation models for K contents in Guanxi honey pomelo leaves， the accuracy of random forest estimation model was higher than that of PLS， BPNN and SVM.

hyperspectral; honey pomelo; K element; spectral index

10.3969/j.issn.1000-2561.2022.06.012

琯溪蜜柚原產(chǎn)于福建省漳州市平和縣，距今已有500多年的栽培歷史，截至2016年，其栽培面積達(dá)4.33萬(wàn)hm，年產(chǎn)量120萬(wàn)t。鉀（K）作為蜜柚營(yíng)養(yǎng)三要素之一，又是品質(zhì)和抗逆元素，在作物體內(nèi)含量?jī)H次于氮，鉀與淀粉合成、蔗糖轉(zhuǎn)運(yùn)、呼吸蒸騰、脂類合成等密切相關(guān)，對(duì)產(chǎn)量及品質(zhì)有顯著影響。缺鉀限制植物生長(zhǎng)、代謝、抗逆性降低、破壞作物光合器官，使葉片凈光合速率降低，施鉀過(guò)多則會(huì)導(dǎo)致養(yǎng)分含量過(guò)高、增加成本、污染土壤和環(huán)境，適宜的鉀供應(yīng)對(duì)作物生長(zhǎng)至關(guān)重要。因此，蜜柚樹體葉片鉀含量實(shí)時(shí)監(jiān)測(cè)，及時(shí)準(zhǔn)確地科學(xué)制訂蜜柚變量施肥方案，對(duì)提高果園產(chǎn)出意義重大。高光譜技術(shù)可以直接快速準(zhǔn)確地定量分析地物微弱的光譜差異，這為定量分析植物鉀含量與光譜參數(shù)之間的相關(guān)聯(lián)系提供了新途徑。近年來(lái)，高光譜技術(shù)發(fā)展迅速，國(guó)內(nèi)外也對(duì)植物鉀素高光譜含量方面開展了研究。如LU等利用高光譜反射的非負(fù)矩陣分解方法研究了水稻植株鉀素積累。鄧海龍等發(fā)現(xiàn)蘋果葉片鉀含量與原始光譜反射率對(duì)數(shù)的一階導(dǎo)數(shù)的相關(guān)性最好。朱西存等利用模糊識(shí)別算法建立了蘋果花期冠層鉀素含量估測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)模型和多元逐步回歸方法可用于建立烤煙葉片鉀含量模型。偏最小二乘回歸和最小二乘支持向量機(jī)回歸可較好地預(yù)測(cè)橡膠樹和柑橘等葉片鉀素含量。岳學(xué)軍等研究表明通過(guò)分析光譜數(shù)據(jù)可精確反演柑橘葉片鉀素含量。

雖然對(duì)植物鉀素含量的高光譜診斷較多，但由于影響高光譜診斷的因素多，尤其是植物類型和研究方法的不同，必然對(duì)鉀素的影響有很大差異，現(xiàn)今并無(wú)形成所有植物都可用的高光譜鉀素估算模型，預(yù)測(cè)模型不具備普適性，應(yīng)用效果也有待驗(yàn)證。而蜜柚果園生長(zhǎng)過(guò)程的變異性很大，進(jìn)行均一的施肥管理無(wú)法滿足不同果樹個(gè)體的需求，往往導(dǎo)致施肥量過(guò)高或過(guò)低。采用光譜參數(shù)對(duì)蜜柚葉片營(yíng)養(yǎng)進(jìn)行的相關(guān)研究還比較缺乏，而偏最小二乘（PLS）、隨機(jī)森林（RF）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機(jī)（SVM）等方法是處理光譜數(shù)據(jù)的良好化學(xué)計(jì)量學(xué)方法，選擇最合適的回歸模型尤為重要。本研究利用高光譜技術(shù)對(duì)琯溪蜜柚葉片鉀素含量進(jìn)行估測(cè)，分析蜜柚葉片鉀素含量與光譜反射率原始光譜、一階微分光譜及光譜指數(shù)的相關(guān)性，挑選較為穩(wěn)定的光譜參數(shù)，分別采用PLS、RF、BPNN和SVM回歸算法建立蜜柚葉片鉀素含量估算模型并進(jìn)行驗(yàn)證和對(duì)比，旨在探索蜜柚葉片鉀素含量快速準(zhǔn)確估測(cè)的技術(shù)方法，為大面積的蜜柚營(yíng)養(yǎng)診斷和蜜柚生產(chǎn)管理提供依據(jù)。

? 材料與方法

? 材料

1.1.1? 試驗(yàn)區(qū)概況? 平和縣地處福建省漳州市西南部，地理坐標(biāo)在24°02￠N～24°35￠N，116°54￠E～ 117°31￠E之間，屬南亞熱帶季風(fēng)氣候，年平均氣溫21.3℃，降雨量約1700 mm，無(wú)霜期318 d。是我國(guó)最大的柚類商品基地縣，被譽(yù)為“中國(guó)琯溪蜜柚之鄉(xiāng)”，產(chǎn)量約占全國(guó)總量的25%。

1.1.2 ?樣品采集? 采集點(diǎn)位于平和縣霞寨鎮(zhèn)黃莊村、南勝鎮(zhèn)前山村和坂仔鎮(zhèn)心田村。選用琯溪蜜柚[ （L.） Osbeck cv. guanximiyou]紅心蜜柚品種，大小株高基本一致，10年樹齡。蜜柚葉片采集時(shí)間分別為2020年4月、7月和11月，對(duì)應(yīng)盛花期、果實(shí)膨大期和花芽分化期，采集每棵樹體東西南北和上下層共10片葉作為一個(gè)樣本，選取從頂梢起向下數(shù)的第3和第4片大小均勻的健康葉片。葉片采集后裝入保鮮袋，放入有冰塊的塑料箱中運(yùn)回，并進(jìn)行編號(hào)，測(cè)試前洗凈擦干。一共選取360組葉片樣本，隨機(jī)分為建模組（含270個(gè)樣本）和預(yù)測(cè)組（含90個(gè)樣本）。

1.1.3? 蜜柚葉片高光譜數(shù)據(jù)采集? 數(shù)據(jù)采集儀器為地物光譜儀Field Spec 3（美國(guó)Analytical Spectral Devices公司）。蜜柚葉片光譜采樣時(shí)，展平置于平臺(tái)，每葉片樣品同時(shí)采集10條光譜曲線，剔除異常值后取其平均值作為蜜柚葉片樣品的光譜反射率值。采用Savitzky-Golay卷積平滑法進(jìn)行光譜預(yù)處理。

1.1.4? 蜜柚葉片鉀素的測(cè)定? 光譜測(cè)量結(jié)束后，立即在105℃殺青30 min，再將溫度調(diào)回70℃烘至恒重，粉碎過(guò)篩（0.5?mm），采用HSO-HO法消煮，火焰光度計(jì)測(cè)定含鉀量。

? 方法

1.2.1? 偏最小二乘法 ?偏最小二乘回歸（partial least squares，PLS）是從應(yīng)用領(lǐng)域提出的新的多元數(shù)據(jù)分析技術(shù)，主要研究多因變量或單因變量對(duì)多自變量的回歸建模，它最簡(jiǎn)單的形式是因變量與自變量之間的線性回歸模型。

1.2.2? BP神經(jīng)網(wǎng)絡(luò) ?BP神經(jīng)網(wǎng)絡(luò)（back propa-gation neural network，BPNN）由輸入層，隱含層和輸出層組成。本研究以篩選出的相關(guān)性較高的光譜指數(shù)作為輸入層，以蜜柚葉片鉀素含量作為輸出層，根據(jù)輸入層節(jié)點(diǎn)數(shù)，經(jīng)過(guò)反復(fù)訓(xùn)練，試驗(yàn)不同隱含層節(jié)點(diǎn)數(shù)，選取最佳神經(jīng)網(wǎng)絡(luò)模型，建立模型并檢驗(yàn)?zāi)Ｐ托Ч?/p>

1.2.3 ?隨機(jī)森林? 隨機(jī)森林（random forest，RF）通過(guò)自助法（bootstrap）重抽樣技術(shù)，由隨機(jī)向量θ（即回歸樹）構(gòu)成組合模型。對(duì)每個(gè)bootstrap樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測(cè)，通過(guò)投票得出最終預(yù)測(cè)結(jié)果。隨機(jī)森林回歸模型具較高的預(yù)測(cè)準(zhǔn)確率，對(duì)復(fù)雜數(shù)據(jù)具有良好的適應(yīng)性，能夠有效分析非線性、共線性和具有交互作用的數(shù)據(jù)。

1.2.4 ?支持向量機(jī)? 支持向量機(jī)（support vector machine， SVM）是目前發(fā)展較快的機(jī)器學(xué)習(xí)方法，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。

? 數(shù)據(jù)處理

? 結(jié)果與分析

? 蜜柚葉片鉀素含量與其原始和一階微分光譜相關(guān)分析

結(jié)果表明，建模樣本蜜柚葉片K素總平均值為16.16?g/kg，最小值為7.88?g/kg，最大值為24.81?g/kg，K素含量離散程度較高。驗(yàn)證樣本蜜柚葉片K素總平均值為15.90?g/kg，最小值為8.21?g/kg，最大值為23.04?g/kg。

對(duì)蜜柚葉片鉀素含量與其原始（圖1）和一階微分光譜進(jìn)行相關(guān)分析（圖2）發(fā)現(xiàn)，蜜柚葉片的原始光譜反射率與葉片鉀素含量為負(fù)相關(guān)關(guān)系（圖1），350～1050?nm波段的蜜柚葉片光譜反射率隨著鉀素含量的升高而降低，鉀素含量越高，吸收越強(qiáng)。且在波段513～598?nm和699～ 735?nm達(dá)到了顯著負(fù)相關(guān)水平（<0.05），最大負(fù)相關(guān)系數(shù)分別為?0.47（554?nm）和?0.45（715?nm）。554?nm和715?nm這2個(gè)波長(zhǎng)可以作為原始光譜中估測(cè)蜜柚葉片鉀素含量的敏感波長(zhǎng)。

結(jié)果表明，在波段507～552?nm、691～711?nm，蜜柚葉片鉀素與一階光譜反射率達(dá)到了顯著負(fù)相關(guān)水平（<0.05）（圖2），其中在波段514～549?nm、696～707?nm達(dá)到了極顯著負(fù)相關(guān)水平（<0.01），其中最大負(fù)相關(guān)系數(shù)分別為?0.54（528?nm）和?0.53（702?nm）。在波段557～655?nm達(dá)到了顯著正相關(guān)水平（<0.05），其中在波段563～637?nm達(dá)到了極顯著正相關(guān)水平（<0.01），最大正相關(guān)系數(shù)為0.58（579 nm）。選擇528、702、579?nm這3個(gè)波長(zhǎng)作為一階光譜中估測(cè)蜜柚葉片鉀素含量的敏感波長(zhǎng)。而在800 nm之后其相關(guān)性變化無(wú)明顯正負(fù)規(guī)律。

?蜜柚葉片鉀素含量與各種光譜參數(shù)的相關(guān)分析

選取原始光譜2個(gè)敏感波長(zhǎng)（554?nm和715?nm）、一階微分光譜3個(gè)敏感波長(zhǎng)（528、579、702?nm），進(jìn)行光譜參數(shù)的構(gòu)建，建立差值植被指數(shù)（DVI=R-R）、比值植被指數(shù)（RVI=R/R）和歸一化植被指數(shù)（NDVI=（R-R）/（R+R）3種植被指數(shù)（表1）。對(duì)上述敏感波段反射率和3種植被指數(shù)與蜜柚葉片鉀素含量進(jìn)行相關(guān)分析（表1）。其中，相關(guān)系數(shù)r較大的（>0.57）為NDVI￠、RVI、RVI￠、R￠。

多種蜜柚葉片鉀素含量估測(cè)模型對(duì)比

為了克服單變量回歸模型只考慮一個(gè)變量對(duì)于鉀素含量值的影響，選擇光譜參量中相關(guān)性好的變量（NDVI′、RVI、RVI′、R′），分別采用偏最小二乘（PLS）、BP神經(jīng)網(wǎng)絡(luò)（BPNN）、隨機(jī)森林（RF）、支持向量機(jī)（SVM）等方法，對(duì)比建立蜜柚葉片鉀素含量高光譜估算模型并進(jìn)行驗(yàn)證，結(jié)果見(jiàn)表2。由表2可以看出，隨機(jī)森林法估算蜜柚葉片鉀素含量，其建模決定系數(shù)、RMSE和RE分別為0.84、1.49和7.84%，建模精度最高。表明采用隨機(jī)森林法的蜜柚鉀素含量估算模型具有較高可靠性。而SVM估算蜜柚葉片鉀素含量，其建模、RMSE和RE分別為0.81、1.61和8.01%，建模精度次之;而BPNN法估算蜜柚葉片鉀素含量，其建模、RMSE和RE分別為0.74、2.28和9.01%;PLS法估算蜜柚葉片鉀素含量，其建模、RMSE和RE分別為0.72、2.44和9.95%。各種模型驗(yàn)證結(jié)果如圖3所示，PLS、BPNN、RF和SVM方法驗(yàn)證決定系數(shù)分別為0.79、0.84、0.85和0.82，預(yù)測(cè)值和實(shí)測(cè)值擬合較好。其中RF驗(yàn)證模型，與PLS，BPNN和SVM相比，RF具有較高的，較低的RMSE以及較低RE，說(shuō)明基于RF的蜜柚葉片鉀素含量估算模型精度比PLS、BP NN和SVM模型精度稍高。

?討論

本研究分析了蜜柚葉片鉀素含量與光譜反射率原始光譜、一階微分光譜及光譜指數(shù)的相關(guān)性，挑選出較為穩(wěn)定的光譜參數(shù)，然后分別采用PLS、RF、BPNN和SVM回歸算法建立蜜柚葉片鉀素含量估算模型并進(jìn)行了驗(yàn)證。發(fā)現(xiàn)在350～ 1050?nm波段范圍內(nèi)，原始光譜反射強(qiáng)度與鉀含量基本都呈負(fù)相關(guān)關(guān)系，這可能是因?yàn)槊坭秩~片缺鉀時(shí)其葉片的內(nèi)部和表皮細(xì)胞的結(jié)構(gòu)產(chǎn)生變化，導(dǎo)致葉片RuBP羧化酶活性降低，葉綠素含量降低，反射的藍(lán)綠光增加，吸收的紅光減少;在近紅外波段范圍，鉀營(yíng)養(yǎng)水平越低，反射率越高，這可能是缺鉀葉片表皮細(xì)胞發(fā)生變化，葉面厚度增加，葉片海綿和柵欄組織細(xì)胞收縮和局部破裂。而LU等發(fā)現(xiàn)，當(dāng)波長(zhǎng)小于742 nm時(shí)，原始光譜反射率與水稻葉片鉀含量呈正相關(guān)。當(dāng)波長(zhǎng)大于1255 nm時(shí)，短波紅外區(qū)的光譜反射率與葉片鉀含量呈顯著負(fù)相關(guān)。蜜柚作為多年生常綠果樹，其葉片與水稻等作物的結(jié)構(gòu)差別大，其內(nèi)在生理生化機(jī)理還有待深入研究。

雖然目前的研究中，沒(méi)有一種光譜指數(shù)能夠成功地預(yù)測(cè)任何一種葉片養(yǎng)分。但光譜指數(shù)通過(guò)特征波段的組合可以在一定程度上消除周圍環(huán)境條件儀器等的影響。已有研究使用不同的光譜指數(shù)來(lái)預(yù)測(cè)不同作物的葉片營(yíng)養(yǎng)。如SHI等、WANG等和PATIL等利用歸一化光譜指數(shù)有效地估算了不同植物種類葉片的N、P或K含量。LU等發(fā)現(xiàn)歸一化光譜指數(shù)（NDSI）、比值光譜指數(shù)（RSI）和差值光譜指數(shù)（DSI）與水稻葉片鉀含量有很好的相關(guān)性（=0.68）。本研究選取了原始光譜和一階微分敏感波長(zhǎng)反射率、差值光譜指數(shù)、比值光譜指數(shù)和歸一化光譜指數(shù)作為高光譜參數(shù)，對(duì)蜜柚葉片鉀素含量與高光譜參數(shù)相關(guān)分析表明，光譜指數(shù)相關(guān)系數(shù)大多大于單波段，大多指數(shù)預(yù)測(cè)精度不高。使用幾個(gè)波長(zhǎng)的光譜指數(shù)來(lái)預(yù)測(cè)營(yíng)養(yǎng)物質(zhì)提供了一種簡(jiǎn)單的方法，已被廣泛應(yīng)用于作物鉀營(yíng)養(yǎng)的估算，但未考慮隱藏在光譜或波長(zhǎng)的其他部分中的信息，關(guān)于光譜或光譜指數(shù)表現(xiàn)不佳的結(jié)果與[24， 28-29]等文獻(xiàn)報(bào)道的結(jié)果一致。

目前遙感模型建立過(guò)程中，算法是其很重要的步驟，選擇一種適宜的算法，有助于提高遙感預(yù)測(cè)的精度。本研究發(fā)現(xiàn)，在建立的蜜柚葉片鉀素含量的4個(gè)模型中，都較高，RMSE也都較小，而且RE均小于10%，表明擬合效果較好，模型穩(wěn)定性也較高，預(yù)測(cè)能力較強(qiáng)，其估算模型的精確程度為RF>SVM>BPNN>PLS。RF估算和驗(yàn)證模型精度稍高于PLS、BPNN和SVM，其原因是RF能高效處理數(shù)據(jù)集，對(duì)數(shù)據(jù)的噪聲魯棒性較好。RF算法隨機(jī)引入的決策樹數(shù)目和創(chuàng)建分枝所需要的自變量數(shù)目2個(gè)因子，增強(qiáng)了隨機(jī)森林的抗噪性，也防止了過(guò)度擬合。PLS將最有用的信息提取，有效地排除了包括背景信號(hào)等次要信息，在高光譜分析中被廣泛采用，比多元線性回歸模型對(duì)異質(zhì)性更具敏感性，并且降低了背景影響，但由于營(yíng)養(yǎng)元素范圍較低，營(yíng)養(yǎng)元素和反射光譜之間的關(guān)系較弱，阻礙了該模型的發(fā)展。BPNN模型雖也具有較強(qiáng)的非線性解釋能力，能有效改善低估和高估現(xiàn)象，這與模型特性、測(cè)定時(shí)期和所用數(shù)據(jù)有關(guān)，但是在訓(xùn)練過(guò)程中有可能過(guò)多地學(xué)習(xí)了細(xì)節(jié)，學(xué)習(xí)的模型已不能反映樣本內(nèi)含的規(guī)律，如孫小香等發(fā)現(xiàn)利用5個(gè)指標(biāo)構(gòu)建的水稻葉片氮素BP神經(jīng)網(wǎng)絡(luò)模型與多元線性回歸相比沒(méi)有優(yōu)勢(shì)，而經(jīng)逐步回歸后篩選出的2個(gè)指標(biāo)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型精度有很大提高，說(shuō)明用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建植物葉片營(yíng)養(yǎng)含量模型時(shí)有優(yōu)勢(shì)，但需要選取合適的變量指標(biāo)。支持向量機(jī)具有出色的學(xué)習(xí)和預(yù)測(cè)性能，在分類和預(yù)測(cè)方面得到了廣泛應(yīng)用，也可以很好地應(yīng)用于函數(shù)回歸問(wèn)題，但是也受到核函數(shù)和懲罰因子的制約。馮海寬等基于特征光譜參數(shù)對(duì)蘋果葉片葉綠素含量進(jìn)行了估算，發(fā)現(xiàn)RF、PLS、BP神經(jīng)網(wǎng)絡(luò)和SVM估算模型的分別為0.94，0.61，0.66和0.60，RF算法模型用于估算蘋果葉片葉綠素含量效果較好。同樣，程立真等基于植被指數(shù)建立了蘋果葉片磷素含量隨機(jī)森林模型，其估測(cè)為0.9236，RMSE為0.0158、RE為6.915%。王麗愛(ài)等基于RF回歸算法對(duì)小麥葉片SPAD值進(jìn)行了估算，發(fā)現(xiàn)RF比SVM和BPNN法更精確，其拔節(jié)期估測(cè)為0.89，RMSE為1.54，與本研究結(jié)果類似。

蜜柚葉片鉀含量光譜估測(cè)尚存在很多影響因素，如葉片中的水分會(huì)影響鉀的吸收特征，盡管一些光譜變換技術(shù)（如植被指數(shù)、包絡(luò)線消除法、一階微分變換等）可用于減小葉片水分含量的影響，但并不能完全消除，需要繼續(xù)加強(qiáng)研究消除植被所含水分影響的方法。此外一些復(fù)雜的生化組分如木質(zhì)素、纖維素、淀粉等與葉片營(yíng)養(yǎng)元素密切相關(guān)，其光譜吸收特征波段與營(yíng)養(yǎng)元素的特征波段較接近或重疊，從而影響估測(cè)。今后的研究中，應(yīng)考慮葉片內(nèi)部生理生化組分等影響因素，進(jìn)一步提高蜜柚葉片營(yíng)養(yǎng)元素的估測(cè)精度。

本研究主要通過(guò)蜜柚同年不同時(shí)期的葉片樣本數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證。后續(xù)研究中還需進(jìn)行多年更為廣泛的驗(yàn)證完善，同時(shí)需要獲取田間蜜柚植株的光譜信息，提高田間無(wú)損實(shí)時(shí)蜜柚生理生化成分的預(yù)測(cè)精度，以便利用地面或機(jī)載高光譜遙感在冠層水平上大面積應(yīng)用，為蜜柚的精確營(yíng)養(yǎng)管理提供指導(dǎo)。

?結(jié)論

本研究結(jié)果表明，蜜柚葉片鉀素含量與其原始光譜和一階微分光譜在可見(jiàn)光范圍內(nèi)有多波段相關(guān)性顯著。原始光譜曲線敏感波長(zhǎng)為554 nm和715?nm，一階微分光譜的敏感波長(zhǎng)為528、579?nm和702 nm。與蜜柚葉片鉀素含量相關(guān)性較好的光譜參量是NDVI′、RVI、RVI′、R′。建立了PLS、BPNN、RF和SVM回歸估算蜜柚葉片鉀素含量并對(duì)比驗(yàn)證，以隨機(jī)森林估算模型精度稍高于其他估算模型。本研究為光譜遙感監(jiān)測(cè)蜜柚葉片鉀素含量提供了技術(shù)依據(jù)。

參考文獻(xiàn)

1. 柴仲平， 陳波浪， 蔣平安， 盛建東， 李珊珊， 劉? 茂， 孟亞賓. 庫(kù)爾勒香梨葉片全鉀含量高光譜估算模型研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2014， 22（1）： 80-86.CHAI Z P， CHEN B L， JIANG P A， SHENG J D， LI S S， LIU M， MENG Y B. Hyperspectral estimation models for total potassium content of Kuerle fragrant pear leaves[J]. Chinese Journal of Eco-Agriculture， 2014， 22（1）： 80-86. （in Chinese）
2. PANDEY P， GE Y， STOERGER V， SCHNABLE J C. High throughput analysis of plant leaf chemical properties using hyperspectral imaging[J]. Frontiers in Plant Science， 2017， 8： 1348.