不同地下水埋深區(qū)域胡楊葉片葉綠素含量的光譜估測研究*

溫云夢，張冬冬，王家強，多晶，蔡海輝，柳維揚

(塔里木大學 農學院，新疆 阿拉爾 843300)

高等植物葉綠素有兩種：葉綠素a和葉綠素b，它們參與光能吸收、傳遞和轉化[1-2]，調控著葉片吸收太陽輻射的量從而影響著光合作用的潛力及初級生產力。植物葉綠素含量與其營養(yǎng)狀況密切相關，例如在植物受到脅迫以及在衰老進程中其葉綠素含量會降低且其葉綠素a與葉綠素b的比值也會因非生物因素的影響而發(fā)生變化，利用葉綠素含量可以間接估計植物營養(yǎng)狀態(tài)。葉綠素含量作為有關植物-環(huán)境相互作用的信息監(jiān)測因子[3-4]，其已成為植物健康的監(jiān)測指標之一。葉片的光譜反射率是對光合色素含量的響應，葉綠素在植物葉片內的含量可利用測定特征光譜表現(xiàn)出來。因此，葉片的光譜反射率成為監(jiān)測植物光合作用、病蟲害和環(huán)境脅迫的有力手段。如何利用高光譜技術快速準確地監(jiān)測植物葉綠素含量，進而實現(xiàn)植物健康的大面積監(jiān)測，已成為亟需解決的生態(tài)問題。

胡楊(PopuluseuphraticaOlivier)分布在新疆塔里木河、葉爾羌河等流域，是干旱地區(qū)的珍稀瀕危、防風固沙的主要植物[5]。胡楊種群是整個塔里木河流域植被中重要的組成部分，在遏制荒漠化、保護地區(qū)生態(tài)平衡、保護綠洲農牧業(yè)生產與自然環(huán)境的可持續(xù)發(fā)展等方面都有著重要作用。利用遙感技術快速、準確、宏觀地監(jiān)測胡楊的葉綠素含量，從而進行胡楊長勢及健康評價，能為提高荒漠綠洲過渡帶的生態(tài)穩(wěn)定性提供技術支撐。

現(xiàn)階段，高光譜遙感在植物生態(tài)學中的研究一直熱度不減[6-7]，進行葉綠素含量的估測可以利用植物的光譜反射率與葉綠素含量間的相關性來建立估測模型[8-9]，與常規(guī)的生物化學分析方式比較，這種在一定空間尺寸上無損、可重復、不間斷的葉綠素監(jiān)測技術具有快速、動態(tài)、實時的優(yōu)點，已經廣泛地在植物葉綠素的動態(tài)監(jiān)測方面得到應用[10-11]。通過高光譜遙感方法來定量葉綠素濃度的常見方法是提取葉片反射光譜的葉綠素吸收特征[12]，并將其與色素濃度進行回歸分析，從而建立回歸預測模型以及BP神經網絡模型[13]。大量的研究表明用于反演葉綠素的遙感數(shù)據(jù)主要有反射率數(shù)據(jù)、反射率數(shù)據(jù)的變形，如數(shù)光譜[14-15]、歸一化吸收深度[16]、波形特征參數(shù)[17]，紅邊位置[16,18]和各種高光譜指數(shù)等[19]。通過使用偏最小二乘法(PLSR)[20-21]、支持向量機(SVM)[21]與BP神經網絡(BPNN)[2]模型等方法可以預測葉綠素含量。

近50年來，塔里木河流域大規(guī)模地抽取地下水灌耕導致地下水位逐漸降低，迫使胡楊種群退化，其林木大面積衰敗、死亡，沙質荒漠化持續(xù)擴張[22-23]。對荒漠河岸生態(tài)系統(tǒng)而言，植物的生長發(fā)育高度依賴于地下水。塔里木河流域近幾十年地下水水位下降是胡楊種群退化的主要原因[24]。隨著地下水水位的降低，胡楊水勢呈下降趨勢；隨著地下水埋深逐漸加深，胡楊逐漸提高了其水分利用效率。但是，干旱脅迫顯著抑制了胡楊光合進程和光強耐受范圍，降低光合效率，嚴重干旱脅迫嚴重影響胡楊苗木的正常生長和光合作用[25]。不同林齡胡楊水分利用效率不同，隨林齡的變老其水分利用效率具有降低的趨勢[26]。胡楊生境水分狀況的差異會引起部分生理學指標的差異，如胡楊葉片中處于較高水平的可溶性糖是為了提高對逆境的適應能力[27]，這種差異又會直接或間接地影響胡楊的葉片光譜特征。以往研究主要針對胡楊葉片的含水量、色素進行光譜建模研究，而利用機器學習算法對胡楊葉片葉綠素a、b、a+b的光譜估算建模的研究尚不多見；因此，本研究以塔里木河岸胡楊為試材，利用SVM、PLSR和BPNN算法建立胡楊光譜與葉綠素a、b、a+b的估算模型，以期為荒漠河岸生態(tài)系統(tǒng)穩(wěn)定性監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于塔里木河流域上游源流區(qū)和新疆阿瓦提縣胡楊林保護區(qū)。塔里木河流域上游源流區(qū)(40°17′N、80°21′E)三河交匯，供水資源豐富，地表徑流流量較大，豐水期為7—9月，汛期受洪水影響較大。阿瓦提縣胡楊林保護區(qū)(40°15′53.72″～40°18′23.13″N、80°19′54.71″ ～ 80°24′13.10″E)位于葉爾羌河的下游，葉爾羌河之水主要來源于高山冰雪融水，其河流有明顯的枯水期，且在干旱區(qū)因不斷蒸發(fā)、沿岸取水會導致地表徑流量減少，下游逐漸轉變?yōu)榈叵聫搅?，水位持續(xù)降低。胡楊是荒漠河岸林唯一的建群喬木，林下植被組成簡單，植物種類主要有鈴鐺刺(Halimodendronhalodendron)、甘草(Glycyrrhizauralensis)、檉柳(Tamarixchinensis)等。

1.2 試驗設置

設置0～2、2～4、4～6、6～8、8～10 m的5個地下水埋深梯度。在塔河源參照土壤剖面選取地下水埋深0～2與2～4 m采樣區(qū)。在阿瓦提縣胡楊林保護區(qū)選擇垂直葉爾羌河不同距離的區(qū)域，參照豎井水深確定相應采樣區(qū)作為地下水埋深4～6、6～8與8～10 m采樣區(qū)。

1.3 光譜數(shù)據(jù)采集

在晴朗無風、天空云量小于20%的條件下，從每個采樣區(qū)范圍內挑選胸徑30～40 cm，樹齡、長勢相近且無病蟲危害的胡楊10株，共50株。每株摘取其完整且具有代表性的葉片10片。用高枝剪采集葉片樣本，用于測定樣本葉片光譜反射率。采用ASD FieldSpec HandHeld2便攜式地物光譜儀對胡楊葉片進行測定，分辨率為1 nm，波長范圍在325～1 075 nm，以其平均值作為該采樣區(qū)的光譜反射率。

1.4 葉綠素含量的測定

胡楊葉片剪碎后通過95%乙醇浸提，放入冰箱于4 ℃密封浸提48 h，之后用分光光度計測定。按下列公式計算其濃度。

葉綠素a(chla)= 0.013 73A663-0.000 897A537-0.003 046A647

葉綠素b(chlb)= 0.024 05A647-0.004 305A537-0.005 507A663

式中:A663或A647為在波長 663或647 nm下用1 cm 的比色皿測量的吸光度值。

1.5 光譜數(shù)據(jù)預處理

采集的樣品光譜信號往往會受到背景噪聲、基線漂移等因素的干擾，從而影響最終的定性定量分析結果，因此需要對原始光譜進行預處理。通過Savitzky-Golay卷積平滑[28-29]對胡楊葉片原始光譜數(shù)據(jù)進行預處理與分析。光譜在波長i處經Savitzky-Golay平滑值計算公式參見文獻[30]。

一階導數(shù)處理的光譜數(shù)據(jù)能獲取不同的光譜參，數(shù)學變換可增強光譜特征差異，減弱背景噪聲對光譜數(shù)據(jù)的干擾，放大光譜吸收特性。(如峰谷特征，紅邊波段等)，從而反映植物的特征[31]，對胡楊葉片原始光譜數(shù)據(jù)進行光譜變換，具體計算公式見文獻[30]。

對原始的光譜數(shù)據(jù)進行SG平滑處理后，光譜噪聲明顯減弱，對平滑后的原始光譜重采樣，間隔為5 nm，再進行一階導數(shù)變換。選取350～1 050 nm的數(shù)據(jù)進行分析，并且連續(xù)測量10次并取其平均反射率數(shù)據(jù)。

1.6 光譜特征波段分析方法

本研究的光譜特征波段采集方法采用相關系數(shù)法[32]和灰色關聯(lián)度[33-34]分析。

相關系數(shù)是反映相應變量間相關關系密切度的指標，不同地下水埋深條件下胡楊葉片反射光譜與葉綠素a、b、a+b含量之間的線性相關關系可以通過相關系數(shù)來確立。樣本的相關系數(shù)值越大，其相似程度越高，反之，相似程度越低。相關系數(shù)計算式見文獻[30]。

由于灰色關聯(lián)度分析能對目標性狀進行分析，評價不同性狀的影響程度。故選用此方法對胡楊葉片的光譜特征波段進行篩選。不同地下水埋深條件下胡楊葉片反射光譜與葉綠素a、b、a+b含量之間的非線性相關關系可以通過關聯(lián)度來確立。關聯(lián)度計算公式見文獻[30]。

在應用胡楊葉片光譜數(shù)據(jù)的估算時，首先應用灰色關聯(lián)分析法，計算原始光譜(R)、一階導數(shù)(FD)變換后的光譜數(shù)據(jù)與葉綠素a、b、a+b含量在關聯(lián)度大于重要因子(0.7)水平上的反射光譜波段。在全波段內選取關聯(lián)度大于重要因子(0.7)的波段作為高光譜的敏感波段。

1.7 建模及評價方法

使用偏最小二乘法(PLS)、支持向量機(SVM)、BP神經網絡(BPNN)建立預測模型。采用交叉檢驗的方法對模型進行評估，選取決定系數(shù)(R2)、均方根誤差(RMSE)、相對分析誤差(RPD)、校正標準偏差(RMSEC)、預測標準偏差(RMSEP)作為評價指標。R2值越接近1，且 RMSE值越低RPD值越接近2、SEL/SEP值越接近1時，模型越穩(wěn)定，精度越高，預測能力越強；0.50

2 結果與分析

2.1 地下水埋深區(qū)胡楊葉片葉綠素含量的變化特征

葉綠素a含量最大值為1.66 mg/g，最小值為0.32 mg/g，葉綠素b含量最大值為0.64 mg/g，最小值為0.12 mg/g，葉綠素a+b含量最大值為2.30 mg/g，最小值為0.43 mg/g；葉綠素a、b、a+b含量變化趨勢基本一致，呈現(xiàn)先上升后下降的趨勢，且地下水埋深4～6 m時葉綠素含量均為最高、0～2 m和8～10 m較低(圖1)。這說明地下水埋深4～6 m時最適合胡楊生長，0～2 m和8～10 m時分別存在不同程度的生境脅迫，不利于胡楊的葉綠素的合成。

圖1 不同地下水埋深區(qū)葉綠素含量變化特征

2.2 不同地下水埋深區(qū)胡楊葉片反射光譜特征

胡楊葉片的結構和生理特征會隨著不同地下水埋深呈現(xiàn)出規(guī)律性的變化，繼而影響葉片葉綠素含量、原始反射率的變化特征。在不同地下水埋深條件下，胡楊葉片反射率的變化規(guī)律基本一致：在地下水埋深4～6 m，其葉片光譜反射率在全波段內明顯高于其他水埋深區(qū)域的葉片光譜反射率(圖2)。在可見光區(qū)域(400～700 nm)內，反射率曲線變化比較明顯，且光譜反射率較小(小于0.22)(圖1a)；胡楊葉片反射率光譜在可見光范圍內出現(xiàn)綠色植物具有的典型“峰谷”特征——在554 nm附近出現(xiàn)明顯的一峰(綠峰)、在490和690 nm附近出現(xiàn)明顯的兩谷(藍谷和紅谷)(圖1b)。這主要是胡楊葉片中葉綠素和其他色素吸收紅光反射綠光的原因所致[35]。在此波段內，反射率隨地下水埋深的變化情況為：地下水埋深4～6 m的反射率最大，6～8 m和4～6 m的反射率次之，且這三曲線的變化幅度較大；0～2 m和2～4 m反射率較低且趨于穩(wěn)定(圖1b)。

圖2 胡楊葉片反射光譜特征

在近紅外波段(700～1 050 nm)，不同地下水埋深的光譜反射率曲線呈現(xiàn)先上升后穩(wěn)定變化的趨勢。在地下水埋深4～6 m光譜反射率最高，且變化明顯，其他4個水埋深則次之。光譜反射率隨不同水埋深而發(fā)生的這種變化可能是因為胡楊葉片細胞的排列方式與植被整體結構影響所致[36]。在700～750 nm，反射率上升急劇，這一波段叫做“紅邊”(圖1 a)。 紅邊之所以形成可能是因為胡楊葉片結構影響所引起的多次反射和散射而形成了一個高反射臺。

不同地下水埋深條件下，葉綠素含量變化導致胡楊葉片導數(shù)光譜在不同波段上有明顯差異，而且不同地下水埋深胡楊葉片導數(shù)光譜曲線變化趨勢基本一致(圖1c)。一階導數(shù)反映的是光譜曲線的斜率，是光譜曲線的變化程度。在650～800 nm波段，地下水埋深6～8、2～4、8～10、0～2、4～6 m的反射光譜在715、705、715、730、720 nm附近一階導數(shù)值都達到了極值點，其中715 nm處達到了最大極大值(圖1d)。說明在此波段內光譜曲線的斜率變化、反射率變化較大。胡楊葉片葉綠素反射和“紅邊”效應、葉片結構和物質濃度等影響[37]所形成的高反射率平臺的原因所致。在可見光波段，葉綠素含量與一階導數(shù)光譜在某些波段(600～750 nm)的相關性超過原始光譜，因而，所選取的光譜變量參數(shù)大多來自一階導數(shù)光譜[35]。

2.3 胡楊葉片葉綠素含量光譜估測模型的建立及驗證

2.3.1 建模數(shù)據(jù)集

光譜變換值、光譜參數(shù)分別與葉片綠素a、b、a+b含量呈極顯著相關且關聯(lián)度大于0.7的波段為敏感波段。原始光譜反射率與葉綠素a含量的敏感波段134條，主要分布在405～523、936～937、1 009～1 010、1 018～1 019 nm附近；導數(shù)光譜(與葉綠素a含量的敏感波段184條，大多分布在560～674、731～902、921～1 049 nm附近(表1)。原始光譜反射率與葉綠素b含量的敏感波段121條，大多分布在405～516、936～937、1 018～1 048 nm附近；一階導數(shù)光譜與葉綠素b含量的敏感波段178條，大多分布在551～671、711～793、831～932、971～1 049 nm附近(表1)。原始光譜反射率與葉綠素a+b含量的敏感波段129條，大多分布在405～521、936～937、1 010～1 048 nm附近；一階導數(shù)光譜與葉綠素a+b含量的敏感波段179條，大多分布在560～674、731～902、921～1 049 nm附近(表1)。在兩峰兩谷、紅邊等光譜變化差異明顯的波段，一階導數(shù)變換能較好地反映光譜與葉綠素的相關性，體現(xiàn)葉綠素吸收光譜變化的強弱程度。由此可見，一階導數(shù)光譜更能體現(xiàn)葉綠素含量變化的差異，可較好參與模型建立。

表1 篩選的敏感波段

基于敏感波段，利用The Unscramber軟件對自變量做最大歸一化處理，并將胡楊葉片樣品數(shù)按照2︰1的比例分為校正集和預測集，分別建立SVM、PLSR和BP神經網絡葉綠素光譜估測模型。建模數(shù)據(jù)集如表2。樣本葉片的平均葉綠素a、b、a+b含量在0.97、0.38、1.35 mg/g左右。葉綠素含量變異系數(shù)(變異系數(shù)18.2%～23.2%)均較小，屬于弱變異強度。所有數(shù)據(jù)集的變異系數(shù)在組內沒有顯著差異；對比數(shù)據(jù)統(tǒng)計結果，數(shù)據(jù)集之間的差異小，數(shù)據(jù)集的劃分達到建模標準。

表2 總數(shù)據(jù)集、建模集和驗證集的描述性統(tǒng)計

2.3.2 基于SVM的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、a+b含量的SVM光譜預測模型其精度有所差異(表3)。建模集與驗證集R2<0.50且RPD<1.40，SEL/SEP距1較遠時模型精度差，對樣本的估測能力不穩(wěn)定，不具備估測能力。經過多次交叉驗證，通過SVM方法所分別建立的基于敏感波段的胡楊葉片原始光譜(R)、一階導數(shù)(FD)的葉綠素a、b、a+b含量與不同光譜變換和光譜參數(shù)的回歸預測模型其預測效果不穩(wěn)定，無法對樣本進行預測。

表3 葉綠素SVM估算模型

2.3.3 基于PLSR的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、a+b含量的PLSR光譜預測模型其精度有所差異(表4)。

表4 葉綠素PLSR估算模型

經過多次交叉驗證，一階導數(shù)光譜敏感波段與葉綠素a含量構建的回歸模型其精度最好，實測葉綠素a含量與預測值之間擬合決定系數(shù)R2達0.75、RMSE為0.16、RPD為1.88、SEL/SEP值(0.97)接近1，預測能力最優(yōu)；一階導數(shù)光譜敏感波段與葉綠素a+b含量構建的回歸模型其精度較高，實測葉綠素a+b含量與預測值之間擬合決定系數(shù)R2達0.74、RMSE為0.24、RPD為1.85、SEL/SEP值(0.97)接近1，預測能力良好；一階導數(shù)光譜敏感波段與葉綠素b含量構建的回歸模型其精度次之，實測葉綠素b含量與預測值之間擬合決定系數(shù)R2達0.70、RMSE為0.07、RPD為1.85、SEL/SEP值(0.98)接近1，能進行粗略估計。因而，可以選用葉綠素a、a+b和b含量與一階導數(shù)光譜敏感波段構建的回歸模型對胡楊的葉綠素a、a+b和b含量進行準確估計。其他PLSR模型精度較低，RMSE在0.32～0.43內、相對分析誤差RPD在1.10 ～1.34內，預測效果不穩(wěn)定，無法準確估測樣本的葉綠素含量。

2.3.4 基于BP神經網絡的胡楊葉綠素的光譜估算模型

通過多次試驗證明使用70%的樣本建立網絡模型，30%的樣品進行訓練，利用剩余樣本進行預測網絡目標誤差為0.01，隱藏層神經元為10時可以得到較好的估算結果。

不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、 a+b含量的BP神經網絡光譜預測模型其預測精度有所差異(表5)。經過多次交叉驗證，可用預測模型精度由高到低依次是一階導數(shù)光譜敏感波段與葉綠素a+b、一階導數(shù)光譜敏感波段與葉綠素a、一階導數(shù)光譜敏感波段與葉綠素b、原始光譜敏感波段與葉綠素a構建的BP神經網絡模型。一階導數(shù)光譜敏感波段與葉綠素a+b含量構建的BP神經網絡模型，模型精度最優(yōu),實測葉綠素a+b含量與預測值之間擬合決定系數(shù)R2達0.81、RMSE為0.20，RPD為2.14、SEL/SEP值(0.90)接近1，預測能力最優(yōu)；一階導數(shù)光譜敏感波段與葉綠素a含量構建的回歸模型其精度較好，實測葉綠素a含量與預測值之間擬合決定系數(shù)R2達0.74、RMSE為0.17、RPD為1.80、SEL/SEP值(0.91)接近1，預測能力良好；一階導數(shù)光譜敏感波段與葉綠素b含量構建的回歸模型其精度次之，實測葉綠素b含量與預測值之間擬合決定系數(shù)R2達0.62、RMSE為0.08、RPD為1.50、SEL/SEP值(0.90)接近1，預測能力次之；原始光譜敏感波段與葉綠素a含量構建的回歸模型其精度較低，實測葉綠素a含量與預測值之間擬合決定系數(shù)R2達0.60、RMSE為0.20、RPD為1.55、SEL/SEP值(1.08)接近1，可進行粗略估計。因此，可以選用葉綠素a+b、b含量與一階導數(shù)光譜敏感波段和葉綠素a含量原始光譜敏感波段數(shù)據(jù)構建的回歸模型對胡楊的葉綠素a+b、 b含量進行估計。

表5 葉綠素BP神經網絡估算模型

3 討論與結論

3.1 討論

植物葉片光譜的變化是因為葉片中葉綠素、含水量、內部細胞結構和干物質含量的變化引起的[35]。葉綠素含量是能夠監(jiān)測植物生長發(fā)育的重要指標，葉綠素在植物葉片內的含量可利用測定特征光譜表現(xiàn)出來。地下水埋深對胡楊葉片葉綠素的影響較為明顯，發(fā)現(xiàn)5個地下水埋深下，胡楊葉片光譜特征有明顯的區(qū)別，因為胡楊葉片對吸收紅光和藍光、反射綠光的葉綠素含量增加，在光譜曲線峰谷處的反射率大小依次是4～6 m>0～2 m>6～8 m>8～10 m>2～4 m，說明光譜曲線對地下水埋深梯度變化有響應，但規(guī)律并不明顯。在其一階導數(shù)光譜中，紅邊波段是所有波段的最大值。說明2～4、4～6和6～8 m這3個水埋深的吸收率較大，葉片長勢較好，所含葉綠素較多，與許丹等[38]、林海軍等[39]對塔里木河流域胡楊葉片反射率光譜曲線的研究結果一致。不同地下水埋深區(qū)域胡楊光譜曲線的形態(tài)基本相似，峰谷明顯，對地下水埋深變化有響應，但并不顯著，噪聲、基線漂移和細胞內部結構等其他因素的干擾，阻礙提取特征參數(shù)和分析隨地下水埋深變化的響應。因此，要對胡楊的原始光譜曲線進行數(shù)學變換。

高光譜特征參數(shù)本質是對光譜反射率做一定的數(shù)學變換，以增強植被的信息[40]，突出光譜曲線峰谷特征，采用灰色關聯(lián)度法和相關性分析法篩選出胡楊對地下水埋深區(qū)域的敏感響應波段，導數(shù)光譜敏感波段遠比原始光譜敏感波段多。本研究表明，根據(jù)敏感波段建立估算的模型中，一階導數(shù)光譜的建模精度明顯優(yōu)于原始光譜。一階導數(shù)光譜建模集與預測集之間擬合決定系數(shù)R2在 0.61～0.92之間，RMSE在0.07～0.33之間；原始光譜建模均存在不同程度的過擬合，預測模型精度較低，建模集RMSE在0.90～0.86內，而預測集RMSE在0.32～0.43內，預測效果不穩(wěn)定，無法準確估測樣本的葉綠素含量。

以一階導數(shù)光譜學建立的模型和原始光譜模型比較，預測的準確度、精確度有較大提高，但仍以BP神經網絡模式的預測效率為最好。BP神經網絡能夠更準確地反映出葉綠素含量與多種光譜參量之間的映射關系，得到精度更高的模型[41-42]。目前已有學者將多種模型應用至各種植物葉綠素含量估算[35,43-44]，所得結果與本研究一致。BP神經網絡模型估算胡楊葉綠素含量時，驗證的預測值與實測值密集分布趨勢線附近，一致性較好。一階導數(shù)敏感波段的葉綠素a+b含量神經網絡預測模型驗證R2達0.81，RMSE為0.20，RPD為2.14；葉綠素a含量偏最小二乘預測模型驗證R2達0.75，RMSE為0.16，RPD為1.88，建模與預測模型都相對穩(wěn)定；原始光譜反射率葉綠素a+b含量支持向量機預測模型R2達0.65，RMSE為0.27，RPD為2.13，但建模模型的精度較低，建模過程支持向量機模型相對并不穩(wěn)定，可能會出現(xiàn)局部異常值。單一指標過高可能會使模型過擬合，誤差較大，所以需進行綜合評價。對模型進行綜合評價得出：BP神經網絡模型和偏最小二乘預測模型明顯優(yōu)于支持向量機模型，估算較為準確。

由于估算植被色素含量受多種因素干擾，且傳統(tǒng)的統(tǒng)計建模法比較簡單，對非線性關系處理技術能力的不足以至于所建立模型準確度不高。本研究根據(jù)植物神經網絡非線性映射能力和自適應學習顯著增強的特性，來建立相關的植物神經網絡模型，所建模型反演精度更高。后期宜針對同種植物不同屬性、不同季節(jié)來進行采樣分析，以便找出穩(wěn)定規(guī)律；同時，宜把增加光譜反演模型普適性效果作為研究目標，充分考慮研究中光譜波段范圍、光譜數(shù)據(jù)數(shù)學變換方式對其影響。

3.2 結論

從原始光譜中篩選的葉綠素敏感特征波段主要在405～521、1 010～1 045 nm附近，而從一階導數(shù)光譜中篩選的葉綠素敏感特征波段主要在560～674、731～902和921～1 049 nm附近。最大相關系數(shù)(-0.69)出現(xiàn)在472 nm，構建的3種回歸模型都得到了預測結果，其中一階導數(shù)光譜與葉綠素a+b含量構建的BP神經網絡估算模型具有較好的穩(wěn)定性及預測能力(R2、RMSE、RPD分別為0.81、0.20和2.14)，表現(xiàn)出對葉綠素a+b很好的預測能力，說明通過葉綠素含量估算地下水埋深是可行的。研究結果可為監(jiān)測荒漠河岸生態(tài)系統(tǒng)的穩(wěn)定性提供參考，也可為干旱區(qū)荒漠綠洲過渡帶的生態(tài)環(huán)境建設及植被恢復提供技術參考。