基于高光譜遙感的作物光合參量反演方法研究進(jìn)展

摘要：光合作用對(duì)作物的生長發(fā)育、產(chǎn)量的形成及干物質(zhì)的積累起著至關(guān)重要的作用。高光譜遙感反演技術(shù)憑借其準(zhǔn)確快速和不破壞植被的優(yōu)勢，現(xiàn)已成為作物植被光合數(shù)據(jù)參量定量分析的重要方法。作物光合參數(shù)的定量遙感反演不僅能夠了解作物的生長發(fā)育狀況，還可為基于遙感的生態(tài)系統(tǒng)反演模型提供參考數(shù)據(jù)。研究綜述了近年來科學(xué)文獻(xiàn)中高光譜光合反演的研究成果，主要介紹了作物光合參數(shù)高光譜反演技術(shù)及研究現(xiàn)狀，包括高光譜數(shù)據(jù)預(yù)處理、光譜變換、特征波段篩選、光譜植被指數(shù)、線性回歸模型、偏最小二乘回歸（PLSR）、機(jī)器學(xué)習(xí)模型、BP神經(jīng)網(wǎng)絡(luò)建模和支持向量機(jī)（SVM）回歸模型等，并在此基礎(chǔ)上，對(duì)作物光合高光譜反演中存在的問題進(jìn)行了探討。

關(guān)鍵詞：高光譜；光合參量；特征波段；模型；應(yīng)用研究

中圖分類號(hào)：S127 " " "文獻(xiàn)標(biāo)識(shí)碼：A " "文章編號(hào)：1674-1161（2024）01-0003-03

光合作用是植物中最為重要的化學(xué)反應(yīng)，也是作物產(chǎn)物形成和能量代謝的重要基礎(chǔ)，其可作為檢測植物生長狀況的生理指標(biāo)[1]，主要包括光合速率（Pn）、葉片葉綠素含量（SPAD）、葉面積指數(shù)（LAI）、凈光合速率（Amax）、PSm有效光化學(xué)量子產(chǎn)量（Fv）、化學(xué)量子產(chǎn)量和光化學(xué)猝滅系數(shù)（qP）等，在農(nóng)業(yè)生產(chǎn)中具有重大影響。開展作物光合生理指標(biāo)精準(zhǔn)、無損且迅速的監(jiān)測研究可為作物的生長實(shí)行全面實(shí)時(shí)監(jiān)測、產(chǎn)量的形成及品質(zhì)的預(yù)測品控[2]提供相應(yīng)的理論依據(jù)。傳統(tǒng)作物光合性狀生理指標(biāo)的監(jiān)測方法一般是在田間選取相對(duì)應(yīng)的作物植株進(jìn)行對(duì)應(yīng)的生理指標(biāo)測試，費(fèi)力費(fèi)時(shí)，且不能實(shí)現(xiàn)對(duì)作物光合性狀生理指標(biāo)快速、實(shí)時(shí)、全面的監(jiān)測[3]。

與傳統(tǒng)的遙感技術(shù)相比，現(xiàn)代的地物分辨識(shí)別能力大大提高，而高光譜遙感是通過連續(xù)性的電磁波段來獲取作物感應(yīng)的相關(guān)數(shù)據(jù)，具有空間分辨高、成像通道大等特點(diǎn)。高光譜數(shù)據(jù)能夠揭示地物光譜的完整特征，能在高空及地表精準(zhǔn)識(shí)別目標(biāo)作物及其光譜差異。隨著高光譜遙感技術(shù)的日漸成熟，利用高光譜技術(shù)來定量分析作物生長狀況和生理指標(biāo)的研究日漸增多。通過高光譜遙感技術(shù)來獲取作物的光合參量數(shù)據(jù)與生長生理狀況等信息，不僅能較大程度降低人力成本、提升研究深度與規(guī)模，而且能夠提高研究準(zhǔn)確度，是未來精準(zhǔn)農(nóng)業(yè)發(fā)展的重要技術(shù)手段[4]。為此，總結(jié)作物光合參量反演研究中的反演參數(shù)選取、變換和建模方法等，以期為今后的高光譜作物光合參數(shù)反演提供參考依據(jù)。

1 光合參數(shù)高光譜反演技術(shù)的研究現(xiàn)狀

近年來，隨著遙感技術(shù)的發(fā)展，光合參數(shù)高光譜反演已成為研究熱點(diǎn)，其為作物生理生化指標(biāo)參數(shù)的定量監(jiān)測帶來了更多的可行性，光譜遙感手段搭配作物光合參數(shù)的定量監(jiān)測研究也越來越多地應(yīng)用于作物當(dāng)中。呂瑋等[5]在小麥旗葉高光譜反射率波段中，用一階導(dǎo)數(shù)光譜變換后與凈光合速率（Pn）進(jìn)行相關(guān)性分析來提取敏感波段，之后分別采用BP神經(jīng)網(wǎng)絡(luò)法（BPNN）、偏最小二乘法（PLSR）、二次多項(xiàng)式逐步回歸（QPSR）3種方法來搭建凈光合速率的反演模型，并對(duì)3種模型的預(yù)測建模精度進(jìn)行分析比較，結(jié)果表明這3種建模方法及敏感波段的提取對(duì)凈光合速率（Pn）的反演預(yù)測是可行的；劉聰?shù)萚6]在水稻葉片光譜和光合入射有效輻射（PARin）中，使用葉綠素相關(guān)的植被指數(shù)與PARin的乘積來反演葉片的凈光合速率，結(jié)果表明這可以顯著提高模型精度，R2均大于0.75，滿足反演要求；王月等[7]在估算冬小麥凈光合速率（Pn）的研究中，先使用小波變換來對(duì)高光譜數(shù)據(jù)進(jìn)行分解，再分析不同尺度下光譜指數(shù)與凈光合速率的相關(guān)性，之后提取最佳分解層次敏感波段來構(gòu)建光譜指數(shù)、構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，建模結(jié)果為：RMSE為1.99，R2為0.86；董德譽(yù)等[8]采用梯度增強(qiáng)回歸和嶺回歸方法來建立正常施氮處理下開花期和全生育期4個(gè)光合參數(shù)的估算模型，結(jié)果表明梯度增強(qiáng)回歸可較好地預(yù)測施氮下開花期的凈光合速率（Pn），決定系數(shù)（R2）為0.82；王娣等[9]在分析光合有效輻射PAR、植被光譜指數(shù)VI與凈光合速率Pn關(guān)系的基礎(chǔ)上，建立了凈光合速率反演模型，結(jié)果表明計(jì)算相關(guān)性最高的RVI700、NDVI705和CIrededge 3種植被指數(shù)與SPAD相關(guān)性較高，R2最高達(dá)到0.88，在融合光合有效輻射（PAR）和植被光譜指數(shù)的乘積后再與凈光合速率（Pn）進(jìn)行分析時(shí)，相關(guān)性顯著提高，且3種植被指數(shù)中CIrededge*PAR vs.Pn反演效果最優(yōu)。

2 光合參數(shù)高光譜反演的研究方法與數(shù)據(jù)處理技術(shù)

2.1 研究方法

葉片光譜反射率采用美國ASD公司FieldSpec HandHeld 2便攜式光譜儀進(jìn)行測定，該光譜波段范圍在320～1 100 nm之間，光譜采樣間隔1 nm，光譜分辨率3 nm。光合參量數(shù)據(jù)的獲取采用Li-6400XT和PAM-2100葉綠素?zé)晒鈨x同步測取。葉片夾帶設(shè)有內(nèi)部光源，可調(diào)整光照強(qiáng)度以保證不同作物植株葉片的光照條件相同。光合參量作為作物生長活動(dòng)中最重要的生理指標(biāo)之一，當(dāng)作物受到脅迫時(shí)，其光合參量也會(huì)受到影響。利用高光譜數(shù)據(jù)來研究作物的光合參量，需要確定作物對(duì)光合參量的相關(guān)敏感波段，建立光譜模型，之后再估算作物的光合參量。目前比較成熟的研究方法有光譜變換法（一階、二階、倒數(shù)、對(duì)數(shù)）、植被指數(shù)法等。

2.2 高光譜數(shù)據(jù)預(yù)處理

高光譜遙感影像數(shù)據(jù)具有維特高、信息冗余大等特征，其包含樣本信息數(shù)據(jù)、背景信息和噪聲干擾[10]。特征波段提取通過與光合參量的相關(guān)性分析，再運(yùn)用數(shù)學(xué)模式將影像數(shù)據(jù)從高維映射到低維，從而實(shí)現(xiàn)降維，且降維后的特征可在一定程度上保留原始數(shù)據(jù)的重要信息。目前應(yīng)用比較廣泛的包括光譜去噪Savitzky-Golay濾波法、光譜變換法、連續(xù)小波變換等。呂瑋等[5]將小麥旗葉的原始光譜反射率進(jìn)行一階導(dǎo)數(shù)光譜變換后與凈光合速率Pn進(jìn)行相關(guān)性分析而提取到的敏感光譜區(qū)間，主要集中在750～925 nm波段之間；苗夢珂等[11]在對(duì)冬小麥不同葉位的葉片光譜Amax進(jìn)行估算時(shí)，使用連續(xù)小波變換的方法來確定敏感波段，發(fā)現(xiàn)其主要集中在350～800 "nm波段；劉欣蓓等[12]基于耦合算法的花生葉片光合色素含量反演模型采用Savitzky-Golay平滑結(jié)合標(biāo)準(zhǔn)正態(tài)變換（SNV）的預(yù)處理方式來進(jìn)行光譜預(yù)處理。

2.3 高光譜特征波段選取

為研究作物高光譜反射率與作物光合參量之間的必要關(guān)系，在單變量前提下，通過對(duì)比分析同一對(duì)象的不同光合參量水平下的光譜反射率曲線，發(fā)現(xiàn)隨著光合參量的變化，研究目標(biāo)特定區(qū)域的光譜曲線會(huì)發(fā)生遞增或遞減現(xiàn)象，因此該區(qū)域可確定為目標(biāo)對(duì)應(yīng)的光合敏感區(qū)域。王月等[7]在小麥旗葉凈光合速率Pn 中使用小波分析相關(guān)性來提取敏感波段，并構(gòu)建差值指數(shù)（DVI）、比值指數(shù)（RVI）和歸一化差值指數(shù)（NDVI），同時(shí)對(duì)其進(jìn)行相關(guān)性分析來提取敏感光譜指數(shù)；張卓等[13]在進(jìn)行冬小麥葉片光合特征的高光譜建模估算時(shí)，采用光合特征參量與不同光譜特征的Fv特征參量、Amax和 qP 進(jìn)行相關(guān)性分析的結(jié)果顯示，原始光譜和3種變換（倒數(shù)、對(duì)數(shù)、一階）對(duì)Amax的敏感光譜區(qū)間分別集中在711～764 、678～701、470～552、399～737、400～727、399～737 nm波段，對(duì)Fv'/Fm'的敏感光譜區(qū)間分別為709～765、631～673、480～551、435～722、442～720、431～724 nm波段，對(duì)qP的敏感光譜區(qū)間分別為710～758、632～673、480～522、466～714、485～710、459～718 nm波段；劉欣蓓等[12]在基于耦合算法的花生葉片光合色素含量反演模型中將預(yù)處理后的光譜數(shù)據(jù)分別通過 CC、RF、UVE、SPA、CARS、IRIV 和 GA 等7種單一變量篩選算法來進(jìn)行特征波長提取，發(fā)現(xiàn)單一算法在篩選特征波長時(shí)仍存在一些局限性，若保留變量則冗余度高、共線性強(qiáng)，進(jìn)而導(dǎo)致模型運(yùn)行速度緩慢。對(duì)此，試驗(yàn)通過建立單一算法來篩選特征波長變量模型，并根據(jù)模型評(píng)價(jià)指標(biāo)優(yōu)選出3種最佳算法進(jìn)行兩兩耦合，之后利用耦合算法對(duì)高維光譜數(shù)據(jù)進(jìn)行降維，從而達(dá)到簡化模型結(jié)構(gòu)、提升模型精度的目的。

3 光合參數(shù)高光譜回歸模型的建立方法

3.1 偏最小二回歸

PLSR方法采用數(shù)據(jù)降維、信息綜合和篩選技術(shù)，是因變量對(duì)多變量的回歸建模方法，能間接反映自變量和因變量之間的定量關(guān)系。在估算葉綠素密度時(shí)，這種方法不僅能降低光譜維數(shù)，還能明確葉綠素密度變化的主控因子，從而使模型具備更好的魯棒性。張卓等[13]在冬小麥葉片光合特征高光譜遙感估算模型Amax中的模擬結(jié)果顯示，原始光譜模型的估算模型為偏最小二乘（PLS）最優(yōu)；倒數(shù)光譜和對(duì)數(shù)光譜估算模型的結(jié)果顯示，偏最小二乘（PLS）優(yōu)于支持向量機(jī)（SVM），但一階導(dǎo)數(shù)的光譜預(yù)測模型為偏最小二乘（PLS）最差；Fv差小二乘的模擬結(jié)果顯示，基于倒數(shù)光譜的估算模型為偏最小二乘（PLS）最優(yōu)。魯向暉[14]基于PLS估算的矮林芳樟 Pn、Ci、Gs、Tr 等4 種光合參數(shù)建模集的R2分別為 0.77、0.45、 0.70、0.85，符合建模要求，且建模精度高。

3.2 BP神經(jīng)網(wǎng)絡(luò)建模

前饋型BP（Back-propagation）網(wǎng)絡(luò)即誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)，是最常用的一種人工神經(jīng)網(wǎng)絡(luò)，其采用的訓(xùn)練結(jié)果評(píng)估參數(shù)分別是平均相對(duì)誤差（ARE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和相關(guān)系數(shù)（R2）。為能在有限數(shù)據(jù)情況下充分利用所采集到的數(shù)據(jù)、提高預(yù)測模型的穩(wěn)定性能，特意在建模過程中采用了交叉驗(yàn)證方法。交叉驗(yàn)證（Cross validation）也叫循環(huán)估計(jì)，是在統(tǒng)計(jì)學(xué)上將數(shù)據(jù)樣本劃分成較小子集的劃分方法，其具有Hold-Out Method驗(yàn)證、留一驗(yàn)證和K折交叉驗(yàn)證等多種驗(yàn)證形式[15]。張海輝等[16]在黃瓜初花期光合速率的影響因素中分析與構(gòu)建模型，并在GA-RBF神經(jīng)網(wǎng)絡(luò)中，將溫度、CO2濃度、光子通量密度、氣孔導(dǎo)度和葉綠素含量等5個(gè)顯著相關(guān)因素輸入到構(gòu)建的光合速率模型中，結(jié)果表明其模型預(yù)測值和實(shí)測值相關(guān)性分析的擬合直線斜率是0.9，截距是0.24，決定系數(shù)在0.9以上。

3.3 支持向量機(jī)

SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，它是由Vladimir Vapnik開發(fā)出來的用于分類或回歸的機(jī)器學(xué)習(xí)算法，包括非線性回歸和線性回歸。該模型的核心思想是利用訓(xùn)練樣本來建立一個(gè)樣本間隔最大的分離超平面，并將樣本盡可能地逼近超平面從而使得偏差至最小[17]。SVM 常用的核函數(shù)由線性、徑向基和多項(xiàng)式核函數(shù)組成，由于它能很好地處理高維度數(shù)據(jù)、具有較好的非線性映射關(guān)系和魯棒性，因而被廣泛地應(yīng)用在模式識(shí)別中。任順等[18]在葉綠素?zé)晒忸A(yù)測光能利用效率的研究中，分析了黃瓜葉片的光合有效輻射、凈光合速率和葉綠素?zé)晒夤庾V，之后用主成分分析（ACP）的方法對(duì)預(yù)處理過的葉綠素?zé)晒夤庾V進(jìn)行數(shù)據(jù)降維來提取光譜特征信息，再以光能利用效率作為回歸值來建立支持向量機(jī)光能利用效率的預(yù)測模型，通過10個(gè)測試樣本的預(yù)測結(jié)果表明，測試樣本的平均相對(duì)誤差為8.94%，符合建模要求，且該模型的預(yù)測效果較好。

4 展望

近年來，隨著高光譜遙感技術(shù)的出現(xiàn)和發(fā)展，使用高光譜反演各種作物的光合參數(shù)已成為研究熱點(diǎn)，這為作物生理生化參數(shù)的定量監(jiān)測帶來了更多的可行性。較傳統(tǒng)的研究方法，高光譜作物光合反演研究在時(shí)效、便捷等方面都有很大的優(yōu)勢，能夠達(dá)到快速、無損且不破壞植物的要求，現(xiàn)已解決了很多傳統(tǒng)作物光合研究中存在的問題。但在一些具體的研究方法中，仍然存在一些問題亟須解決：1）不同生育時(shí)期、不同脅迫下，作物的葉片面積大小均有不同變化，不同地質(zhì)和不同氣候特征均會(huì)對(duì)目標(biāo)作物的光譜測量造成影響，因此在今后的光譜測量中減少光譜噪點(diǎn)是需要解決的問題。2）對(duì)于高光譜特征波段篩選與植被指數(shù)通過對(duì)光合敏感特定波段的光譜反射率或者變換數(shù)據(jù)進(jìn)行相關(guān)性篩選來提取光合參數(shù)的敏感波段區(qū)間來說，不同特征波段的提取方法會(huì)導(dǎo)致結(jié)果有些許偏差，這也會(huì)影響模型的構(gòu)建。3）高光譜遙感圖像數(shù)據(jù)隨著波段數(shù)量的增加，會(huì)不利于計(jì)算機(jī)的儲(chǔ)存和快速計(jì)算，導(dǎo)致機(jī)器在學(xué)習(xí)模型建模的過程中耗費(fèi)大量時(shí)間。

參考文獻(xiàn)

[1] 許大全，陳根云.展望人工光合作用[J].植物生理學(xué)報(bào)，2018，54（7）：1145-1158.

[2] 丁大偉，鄧國強(qiáng)，季敏，等.基于衛(wèi)星遙感影像的小麥生長發(fā)育和品質(zhì)監(jiān)測技術(shù)[J].安徽農(nóng)學(xué)通報(bào)，2020，26（15）：135-136+178.

[3] 盧俊瑋，田容才，花宇輝，等.光譜技術(shù)在甘藍(lán)型油菜品質(zhì)檢測中的研究進(jìn)展[J].激光生物學(xué)報(bào)，2020，29（4）：289-294+301.

[4] 陳鵬飛，NICOLAS TREMBLAY ，王紀(jì)華，等.估測作物冠層生物量的新植被指數(shù)的研究[J].光譜學(xué)與光譜分析，2010，30（2）：512-517．

[5] 呂瑋，李玉環(huán)，毛偉兵，等.基于高光譜的小麥旗葉凈光合速率的遙感反演模型的比較研究[J].農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2017，34（6）：582-586.

[6] 劉聰，彭漪，方圣輝.基于高光譜數(shù)據(jù)的水稻葉片凈光合速率反演[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，25（1）：56-65.

[7] 王月，徐紹棠，姚海燕，等.基于小波分析小麥旗葉凈光合速率高光譜遙感反演[J].浙江農(nóng)業(yè)科學(xué)，2020，61（10）：1979-1984.

[8] 董德譽(yù)，程宇坤，王睿，等.基于無人機(jī)多光譜影像反演不同生育期小麥光合參數(shù)分析[J].新疆農(nóng)業(yè)科學(xué)，2023，60（6）：1308-1318.

[9] 王娣，佃袁勇，樂源，等.基于高光譜植被指數(shù)的葉片凈光合速率Pn反演[J].地理與地理信息科學(xué)，2016，32（4）：42-48.

[10] 萬升，楊健，宮辰.基于圖神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類研究進(jìn)展[J].電子學(xué)報(bào)，2023，51（6）：1687-1709.

[11] 苗夢珂，王寶山，李長春，等.基于連續(xù)小波變換的冬小麥葉片最大凈光合速率遙感估算[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（3）：544-552.

[12] 劉欣蓓，蘇濤，雷波，等.基于耦合算法的花生葉片光合色素含量反演模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（16）：198-207.

[13] 張卓，龍慧靈，王崇倡，等.冬小麥葉片光合特征高光譜遙感估算模型的比較研究[J].中國農(nóng)業(yè)科學(xué)，2019，52（4）：616-628.

[14] 魯向暉，龔榮新，張海娜，等.基于無人機(jī)多光譜遙感的矮林芳樟光合參數(shù)估測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（10）：179-187.

[15] 張漫，李婷，季宇寒，等.基于BP神經(jīng)網(wǎng)絡(luò)算法的溫室番茄CO2增施策略優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（8）：239-245.

[16] 張海輝，陶彥蓉，胡瑾.融合葉綠素含量的黃瓜幼苗光合速率預(yù)測模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（8）：259-263.

[17] WU S， AMARI S I. Conformal transformation of Kernel functions： A data-dependent way to improve support vector machine classifiers[J]. Neural Process Letters， 2002， 15（1）： 59-67.

[18] 任順，于海業(yè)，周麗娜.基于支持向量機(jī)的葉綠素?zé)晒忸A(yù)測光能利用效率研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（4）：273-276+251.

Research Progress of Vegetation Photosynthetic Parameter Inversion Method Based on Hyperspectral Remote Sensing

HOU Buping， WANG Jiaqiang*

（School of Agriculture， Tarim University， Alar Xinjiang 843300， China）

Abstract： "Photosynthesis plays a crucial role in crop growth and development， yield formation and dry matter accumulation. Hyperspectral remote sensing inversion technology has become an important method for quantitative analysis of photosynthetic data parameters of crop vegetation due to its advantages of accuracy， speed and non-destruction of vegetation. Quantitative remote sensing inversion of crop photosynthetic parameters can not only understand the growth and development of crops， but also provide reference data for ecosystem inversion models based on remote sensing. This study reviewed the research results of hyperspectral photosynthesis inversion in recent years in scientific literature， mainly introduced the hyperspectral inversion technology of crop photosynthetic parameters and the research status， including hyperspectral data preprocessing， spectral transformation， feature band screening， spectral vegetation index， linear regression model， partial least squares regression （PLSR）， machine learning model， BP neural network model and support vector machine （SVM） regression model， etc.， and on this basis， the problems existing in crop photosynthetic hyperspectral inversion are discussed.

Key words：hyperspectral; photosynthetic parameter; feature band; model， application research