基于高光譜的不同生育期玉米花青素含量估測

摘要：花青素（Anthocyanin）是玉米體內(nèi)的重要色素，對花青素含量的便捷、無損估測對監(jiān)測玉米長勢具有重要意義。利用關(guān)中地區(qū)拔節(jié)期、大喇叭口期、抽雄期以及乳熟期玉米冠層葉片Anth值及高光譜數(shù)據(jù)建立多個單因素模型和多因素模型。結(jié)果表明，不同生育期玉米葉片原始光譜特征總體一致、局部不同。變換光譜的特征波段與Anth值相關(guān)性優(yōu)于原始光譜，其中一階導數(shù)光譜特征波段最優(yōu)。連續(xù)投影算法（SPA）降維能力較好，篩選出的建模參數(shù)在2～27個。最優(yōu)單因素模型與多元性線性回歸模型精度均為抽雄期最優(yōu)，拔節(jié)期和大喇叭口期次之，乳熟期最差。所有模型中，抽雄期基于一階導數(shù)光譜的麻雀搜索算法-極限學習機回歸（SSA-ELMR）模型精度最佳，該模型建模與驗證R2分別為0.847、0.895，相應nRMSE為6.44%和7.21%。本研究結(jié)果表明抽雄期是玉米葉片花青素含量反演的最佳時期，極限學習機能進一步提升傳統(tǒng)模型精度。

關(guān)鍵詞：玉米；花青素；光譜變換；支持向量回歸；極限學習機回歸

中圖分類號：S127文獻標識碼：A文章編號：1000-4440（2024）02-0303-09

Estimation of anthocyanin content in maize at different growth stages based on hyperspectral technology

GUO Song1，CHANG Qing-rui2，ZHAO Ze-ying1，LI Li-jie1，TONG Qian-qian1

（1.Guizhou Agricultural Science and Technology Information Institute， Guiyang 550006， China；2.College of Natural Resources and Environment， Northwest Aamp;F University， Yangling 712100， China）

Abstract：Anthocyanin is an important pigment in maize. Convenient and non-destructive estimation of anthocyanin content is of great significance for monitoring maize growth. Based on the Anth values and hyperspectral data of maize canopy leaves at jointing stage， flare opening stage， tasseling stage and milk-ripe stage in Guanzhong area， multiple single-factor models and multi-factor models were established. The results showed that the original spectral characteristics of maize leaves at different growth stages were generally consistent， but locally different. The correlations between the characteristic bands and Anth values of the transform spectrum were better than those of the primary spectrum， and the characteristic bands of the first derivative spectrum was the best. The successive projections algorithm （SPA） had a good dimension reduction effect， and the selected modeling parameters rangeed from two to 27. The accuracy of the optimal single factor model and multiple linear regression model was the best at tasseling stage， followed by jointing stage and flare opening stage， and the worst at milk-ripe stage. Among all the models， the sparrow search algorithm-extreme learning machine regression （SSA-ELMR） model based on the first derivative spectrum at the tasseling stage was the optimal model in this study. The R2 values for modeling and verification of this model were 0.847 and 0.895， respectively， and the corresponding nRMSE values were 6.44% and 7.21%. The results of this study indicate that the tasseling period was the optimal period for inverting the anthocyanin content in maize leaves， and the extreme learning machine could further improve the accuracy of traditional models.

Key words：maize；anthocyanin；spectral transformation；support vector regression；extreme learning machine regression

花青素（Anthocyanidin），又稱花色素，是植物體內(nèi)的重要色素之一，主要存在于植物的莖、葉和種子中。對于植物而言，花青素能有效調(diào)節(jié)葉片的光合作用環(huán)境，促進光合作用過程，進而提高植物初級生產(chǎn)力[1]；當植物受到干旱和低溫等環(huán)境脅迫時，花青素的抗氧化性以及滲透調(diào)節(jié)作用還能幫助植物快速修復受損組織，抵御惡劣環(huán)境[2-3]。目前花青素及其衍生產(chǎn)物被廣泛應用于抗腫瘤藥、腸道調(diào)節(jié)以及紡織物的染色[4-5]?？焖僮R別植物體內(nèi)花青素的絕對/相對含量可以監(jiān)測植物的長勢，傳統(tǒng)的花青素含量檢測方法如吸收光譜法[6]、高效液相色譜法以及pH示差法[7]等雖然能準確測定植物花青素含量，但效率低下，對待測樣品有著不可逆的損傷，且不同方法之間互通性較差。

近年來，高光譜遙感技術(shù)的迅速發(fā)展為植物花青素含量檢測提供了新思路，國內(nèi)外學者在花青素的高光譜定量反演方面已經(jīng)做了一定的研究。Steele等[8]基于葡萄葉片的反射率構(gòu)建了4個基本的植被指數(shù)以估測其花青素含量，最優(yōu)模型的驗證均方根誤差為2～3 nmol/cm2；Gitelson等[9]提出了一種基于綠光、紅光以及“紅邊”數(shù)據(jù)整合的植物花青素含量估測算法，建立的估測模型平均絕對誤差為4.5%～6.1%；Choi等[10]結(jié)合芥菜的高光譜影像和偏最小二乘算法，構(gòu)建花青素含量估測模型，模型的最高驗證決定系數(shù)達0.83；劉秀英等[11]根據(jù)偏最小二乘回歸的特性，使用不同的植被指數(shù)估測開花期牡丹葉片花青素含量，其估測模型的建模與驗證決定系數(shù)分別達0.87和0.81；田明璐等[12]通過兩兩波段組合的方式確立了蘋果葉片花青素含量估測模型的建模參數(shù)，模型的最高建模決定系數(shù)為0.82。綜上所述，當下有關(guān)高光譜估測植物花青素含量的研究已經(jīng)較為成熟，但是仍不足之處。目前的大部分研究是針對植物的單生育期，且模型的建立多是基于構(gòu)造的植被指數(shù)，從多生育期及其光譜反射率本身出發(fā)去建立花青素反演模型的研究還較少。

關(guān)中地區(qū)作為中國玉米的重要種植區(qū)，玉米的穩(wěn)產(chǎn)高產(chǎn)有利于促進中國經(jīng)濟的穩(wěn)定發(fā)展，故本研究以該地區(qū)玉米為研究對象，通過玉米葉片的原始及變換光譜提取建模參數(shù)，基于普通回歸和機器學習回歸算法構(gòu)建多種模型，以期確立一個魯棒性和泛化性兼?zhèn)涞挠衩兹~片花青素含量估測模型，為中國農(nóng)業(yè)的信息化提供新思路。

1材料與方法

1.1種植區(qū)概況與實驗設(shè)計

種植區(qū)位于關(guān)中平原咸陽市梁山鎮(zhèn)（108.117 8°E，34.608 9°N）（圖1），北接渭北旱塬，南鄰秦巴山區(qū)，平均海拔997 m，屬暖溫帶大陸性季風氣候，四季分明，氣候溫和，全年無霜期在200 d以上，年平均氣溫10.4 ℃，年平均降水570 mm，多集中于夏秋兩季，作物一年一熟或兩年三熟。土壤類型為紅油土，適于耕作。

此次田間試驗開始于2021年4月21日，劃分小區(qū)36個，每個小區(qū)長8 m，寬7 m，每個小區(qū)設(shè)兩個采樣點，為保證數(shù)據(jù)的代表性和模型的穩(wěn)健性，給每個小區(qū)施用不同的氮、磷、鉀3種肥料以保證小區(qū)間玉米長勢出現(xiàn)明顯差異（圖1）。其中，N0～N5氮肥（純氮）施用梯度為：0 kg/hm2、49.95 kg/hm2、100.05 kg/hm2、150.00 kg/hm2、199.95 kg/hm2、250.05 kg/hm2；P0～P5磷肥（五氧化二磷）施用梯度分別為： 0 kg/hm2、30 kg/hm2、60 kg/hm2、90 kg/hm2、120 kg/hm2、150 kg/hm2；鉀肥（氧化鉀）K0～K5施用梯度分別為：0 kg/hm2、25.05 kg/hm2、49.95kg/hm2、75.00 kg/hm2、100.05 kg/hm2、124.95 kg/hm2，種植前全部肥料施入土壤，其余與當?shù)靥镩g管理一致。

1.2項目測定與方法

不同生育期的玉米表現(xiàn)特征不同[13]，為探究不同生育期玉米葉片花青素含量反演模型建立的可能性，分別選擇玉米的拔節(jié)期（2021年6月10日）、大喇叭口期（2021年6月29日）、抽雄期（2021年7月31日）以及乳熟期（2021年8月30日）采集數(shù)據(jù)。

1.2.1葉片花青素含量測定玉米葉片的花青素含量通過DualexSCIENTIFIC+植物多酚-葉綠素測量計（法國Force-A公司產(chǎn)品）獲取，該儀器測定結(jié)果中的Anth值表示葉片花青素相對含量[14]。測定時，在每個樣點選擇3張正常生長的玉米葉片，避開葉脈，于葉片的上、中、下3個位置分別測量3次，取單個樣點所有測量值的平均值作為該樣點的Anth值。

1.2.2冠層葉片高光譜反射率測定通過SVC HR-1024i（北京東方佳氣科技有限公司產(chǎn)品）獲取葉片高光譜反射率，該儀器采集的光譜為380～2 500 nm，當波長小于1 000 nm時，光譜分辨率為3.5 nm，測定時，傳感器探頭正對待測葉片，光譜視場角設(shè)定為15°，當玉米植株較矮時探頭距離待測葉片50 cm，當植株較高時，探頭距離待測葉片15 cm，選擇晴朗無風天的11：00-15：00進行測定，該時段天氣穩(wěn)定，太陽輻射總量較大，且為保證數(shù)據(jù)的科學性與可靠性，每0.5 h進行1次白板校正，測定的葉片及位置與Anth值測定時一致，于每片葉子的上、中、下3個位置分別獲取兩條高光譜曲線，取單個樣點所有光譜曲線的平均值作為該樣點的最終冠層光譜曲線。

1.3數(shù)據(jù)處理

由于植被的研究光譜波長為400～900 nm[15]，因此對不同生育期各樣點光譜曲線進行重采樣，采樣間隔1 nm，采樣光譜波長為450～850 nm，同時為減弱光譜采樣過程中的隨機噪聲，使用Savitzky-Golay二階平滑濾波處理不同生育期各樣點原始光譜（Primary spectrum，PS），并對原始光譜進行數(shù)學變換以放大原始光譜的局部特征[16]，得到基于原始光譜的連續(xù)統(tǒng)去除光譜（Continuum removal spectrum，CRS）[17]和一階導數(shù)光譜（First derivative spectrum，F(xiàn)DS）。

將不同生育期各樣點Anth值按降序排序，以3∶1的比例進行分層抽樣，各生育期均得到54個建模樣本和18個驗證樣本（表1）。從生育期看，玉米葉片花青素含量先上升、后下降，于抽雄期達到峰值；從各統(tǒng)計特征看，各生育期劃分的建模集與驗證集差別不大，說明劃分方式較為科學，各建模集與驗證集變異系數(shù)均小于10%。

1.4模型建立

特征波段是與待反演對象相關(guān)性最高的波段[18]，本研究基于不同生育期各樣點原始光譜、一階導數(shù)光譜以及連續(xù)統(tǒng)去除光譜提取特征波段用以單因素模型構(gòu)建，通過連續(xù)投影算法（Successive projections algorithm，SPA）降維以建立多因素模型；其中單因素模型包括一元線性函數(shù)、冪函數(shù)、指數(shù)函數(shù)、對數(shù)函數(shù)以及二次多項式函數(shù)，多因素模型包括多元線性回歸（Multiple linear regression，MLR）模型、麻雀搜索算法（Sparrow search algorithm，SSA）優(yōu)化的支持向量回歸（Support vector regression，SVR）模型以及極限學習機回歸（Extreme learning machine regression，ELMR）模型。對比各類模型的精度，篩選反演玉米冠層葉片Anth值的最優(yōu)模型。

單一模型評價指標具有片面性，故本研究采用決定系數(shù)（R2）和歸一化均方根誤差（nRMSE）評價模型精度，其中決定系數(shù)范圍為[0，1]，當R2越接近1，表示模型自變量對因變量的解釋性越好，模型預測能力越佳；歸一化均方根誤差范圍為[0，+∞），nRMSE越小，表示預測值與實測值越接近，即模型的預測能力越好[19]。

R2=∑ni=1（yi︿-yi—）2∑ni=1（yi-yi—）2（1）

nRMSE=1n∑ni=1（yi︿-yi）2yi—×100%（2）

式中yi、yi︿、yi—分別表示樣點的實測值、預測值以及建模集或驗證集實測值的平均值。

2結(jié)果與分析

2.1玉米冠層葉片高光譜特征

將同一生育期內(nèi)的不同類型光譜曲線各點取平均值作該生育期的代表光譜曲線（圖2）。“紅邊”是指紅光區(qū)外葉綠素吸收減少部位到近紅外高反射率部位，健康植物的光譜響應陡然增加的這一窄條帶區(qū)。從光譜類型看，不同光譜類型的各生育期光譜曲線整體上特征一致，局部有差異；從原始光譜看，不同生育期玉米冠層葉片高光譜曲線總體上可見光反射率低，而近紅外反射率高，二者由“紅邊”過渡，葉片所含色素對光能的吸收所造成可見光處反射率低，葉片內(nèi)部細胞結(jié)構(gòu)對近紅外光多次反射導致近紅外反射率高，其中以抽雄期葉片光譜特征最為典型，說明該時期的玉米冠層葉片差異較為明顯；從連續(xù)統(tǒng)去除光譜看，不同生育期連續(xù)統(tǒng)去除光譜曲線均在500 nm和675 nm處形成較低的波谷，在550 nm處形成較高波峰，連續(xù)統(tǒng)去除變換后突出顯示了原始光譜曲線中的“吸收谷”與“反射峰”；從一階導數(shù)光譜看，不同生育期一階導數(shù)光譜曲線均在525 nm和725 nm處形成較高的波峰，在575 nm處形成較低的波谷，其中525 nm和575 nm分別對應原始光譜“綠反射峰”的左右兩端，725 nm則對應“紅邊”，可見一階導數(shù)變換光譜放大了原始光譜中反射率突變的位置。

2.2不同類型光譜及特征波段與Anth值的相關(guān)性

2.2.1不同類型光譜與Anth值的相關(guān)性通過查閱相關(guān)系數(shù)檢驗表可知，樣本數(shù)量為72時，兩個變量相關(guān)系數(shù)絕對值大于等于0.299 7即表示二者極顯著相關(guān)（P＜0.01）。圖3為不同類型光譜值與Anth值相關(guān)性圖，可見原始光譜中大喇叭口期、抽雄期以及乳熟期通過顯著性檢驗（P＜0.01）的波段主要集中在可見光區(qū)域，其中抽雄期相關(guān)性最高，乳熟期相關(guān)性最差，拔節(jié)期通過顯著性檢驗（P＜0.01）的波段在可見光與近紅外區(qū)域均有分布；一階導數(shù)光譜中各生育期通過顯著性檢驗（P＜0.01）的波段主要分布在可見光區(qū)域，局部分布在近紅外區(qū)域，可見，相較原始光譜而言，一階導數(shù)變換能在一定程度上提高近紅外區(qū)域光譜值與Anth值的相關(guān)性；連續(xù)統(tǒng)去除光譜中不同生育期通過顯著性檢驗（P＜0.01）的波段同樣集中于可見光區(qū)域，而在近紅外區(qū)域，僅大喇叭口期和抽雄期通過顯著性檢驗（P＜0.01）的波段數(shù)量較多。綜上所述，光譜變換在提高光譜與Anth值相關(guān)性方面主要作用于近紅外區(qū)域。

2.2.2特征波段與Anth值的相關(guān)性從特征波段與Anth值相關(guān)性表（表2）中可看出，所有特征波段與Anth值的相關(guān)性均達到極顯著水平（P＜0.01），波段位置主要位于紅光（550 nm）與近紅外（850 nm）之間，其中一階導數(shù)光譜與連續(xù)統(tǒng)去除光譜的特征波段與Anth值的相關(guān)性要優(yōu)于原始光譜特征波段，且一階導數(shù)變換光譜的特征波段與Anth值全部為負相關(guān)，相應的原始光譜和連續(xù)統(tǒng)去除光譜特征波段與Anth值均為正相關(guān)；各生育期均為一階導數(shù)光譜特征波段最優(yōu)，連續(xù)統(tǒng)去除光譜特征波段次之，原始光譜特征波段最差，所有特征波段中與Anth值相關(guān)性最高的為抽雄期的一階導數(shù)光譜特征波段（622 nm），其相關(guān)系數(shù)達-0.795。

2.3單因素模型構(gòu)建及精度評價

各生育期不同類型光譜下構(gòu)建的單因素模型見表3，構(gòu)建的單因素模型包括線性和非線性模型。從不同生育期看，除乳熟期外，拔節(jié)期、大喇叭口期以及抽雄期均為變換光譜下的單因素模型優(yōu)于原始光譜下的單因素模型，其中一階導數(shù)光譜優(yōu)于連續(xù)統(tǒng)去除變換光譜；從模型精度看，單因素模型建模和驗證決定系數(shù)（R2）為0.206～0.787，歸一化均方根誤差（nRMSE）為8.42%～23.50%，模型預測能力普遍較差。所有模型中精度最好的是抽雄期的基于一階導數(shù)光譜的單因素模型，其建模和驗證R2分別為0.590和0.787，相應的nRMSE為10.27%、8.42%，當考慮單因素模型反演玉米冠層葉片Anth值時，應首先使用此模型。

2.4多因素模型構(gòu)建及精度評價

2.4.1基于連續(xù)投影算法的多因素模型建模參數(shù)提取高光譜數(shù)據(jù)維數(shù)較多，未加處理便直接應用會導致計算成本大、建模精度差，且模型規(guī)律會被淹沒在無用數(shù)據(jù)中，因此，在建模之前對高光譜數(shù)據(jù)中的有用信息進行提取十分重要。目前，高光譜降維方法主要分為特征提取和特征選擇，其中特征提取通常會將原高光譜信息映射到其他空間，通過相應判定條件從新空間去提取目標參量，例如主成分分析以及奇異值分解等，該方法會改變原有數(shù)據(jù)的物理意義，使得模型參數(shù)可解釋性變差，而特征選擇是從原光譜數(shù)據(jù)中選擇符合特征的子集，既沒有改變原有數(shù)據(jù)，也保證了有用信息的純度，例如遞歸特征消除算法（Recursive feature elimination algorithm，RFEA）和連續(xù)投影算法（SPA）等。

連續(xù)投影算法（SPA）是一種無監(jiān)督式的前向變量選擇算法，其原理主要分為3步，首先從單個變量開始，確定選入變量和未選入變量，然后每次加入新的變量，計算選入和未選入變量的投影映射，最后確定最大投影即可。該方法既保證了選入變量與因變量的相關(guān)性，也確保了選入變量間的自相關(guān)性最低[20]。本研究將各生育期不同類型光譜中通過0.01相關(guān)性檢驗的光譜值作為SPA的輸入變量，Anth值為因變量，以均方根誤差最小為限制條件選擇多因素模型建模參數(shù)。結(jié)果表明，各生育期不同類型光譜多因素模型建模參數(shù)為2～27個，降維比在73.269%以上，通過SPA降維選擇，過濾了大部分次級信息（表4）。

2.4.2多元線性回歸模型構(gòu)建及精度比較以表4中的變量為自變量，相應Anth值作為響應變量，構(gòu)建基于SPA的多元線性回歸（MLR）模型，選擇各生育期下的最優(yōu)MLR模型作為代表模型。僅乳熟期的最優(yōu)MLR模型是基于原始光譜構(gòu)建，其余生育期均基于一階導數(shù)光譜和連續(xù)統(tǒng)去除光譜構(gòu)建。與單因素模型相比，MLR模型精度整體較高，其建模與驗證R2分別提升0.030～0.275、0.071～0.281，其中抽雄期基于連續(xù)統(tǒng)去除光譜的MLR模型是所有MLR模型中的最優(yōu)模型，相應的建模與驗證R2分別為0.842和0.870，nRMSE為9.37%、7.67%（表5）。

2.4.3機器學習回歸模型建立及精度比較機器學習算法本質(zhì)上是一個學習策略，該策略賦予計算機模仿人類學習和反饋的能力并據(jù)此解決實際問題[21]。已有研究結(jié)果表明，相較于經(jīng)典回歸，機器學習算法在處理非線性回歸方面具有不可替代的優(yōu)越性[22-25]。支持向量回歸（SVR）是一種在高維空間中將超平面作為擬合曲線的機器學習回歸算法，該算法不依靠所有數(shù)據(jù)來確立超平面，且保證了所有的數(shù)據(jù)點與該平面的距離最短；極限學習機回歸（ELMR）是近年興起的一種基于前回饋神經(jīng)網(wǎng)絡(luò)的機器學習算法，完整的神經(jīng)元由輸入層、輸出層和隱含層組成，其中輸入層到隱含層的權(quán)重是隨機產(chǎn)生，與普通的神經(jīng)網(wǎng)絡(luò)算法相比，極限學習機在學習速率和模型適用性方面表現(xiàn)更好[26]。本研究擬采用以上兩種機器學習算法提升MLR模型中的最優(yōu)模型精度。

為節(jié)約計算資源，采用麻雀搜索算法對ELMR的自適應度參數(shù)F和SVR的懲罰系數(shù)C進行迭代尋優(yōu)，F(xiàn)與C的迭代區(qū)間分別為[0，1]、[0，10][27]，SVR中選擇epsilon-SVR以及RBF分別作為向量機類型和核函數(shù)，ELMR中使用sigmoid函數(shù)作為激活函數(shù)。機器學習回歸模型參數(shù)及精度見表6。與MLR模型相比，ELMR的建模精度與驗證精度分別提高了0.005和0.025，SVR建模精度提升了0.021，驗證精度略有下降，可見相較于經(jīng)典的多元線性回歸，ELMR模型能全面提升模型質(zhì)量，而SVR模型卻在泛化性方面表現(xiàn)欠佳，存在過擬合現(xiàn)象，故此次研究中估測玉米冠層葉片Anth值的最優(yōu)模型為抽雄期連續(xù)統(tǒng)去除光譜的ELMR模型，該模型建模與驗證R2分別為0.847、0.895，相應的nRMSE為6.44%和7.21%，均處于較低水平。

3討論

不同生育期的玉米生長特性不同[28]，該特點在高光譜曲線上有所體現(xiàn)，不同生育期玉米冠層葉片光譜特征的差異性決定了分別對不同生育期構(gòu)建Anth值反演模型的必要性，在玉米生長發(fā)育的早期（拔節(jié)期），葉片對可見光波段的反射較多，對近紅外波段的反射較少，隨著生育期向抽雄期靠近，近紅外波段反射率逐漸提高，可見光波段反射率逐漸降低，于抽雄期近紅外波段反射率達到最大值，該時期玉米葉片對光能的利用效率趨近峰值，乳熟期葉片細胞老化，但色素含量較豐富，故葉片光譜特征在近紅外區(qū)域逐步向拔節(jié)期靠近，該結(jié)果與袁媛等[29]的研究結(jié)果一致。光譜數(shù)據(jù)采集時由于傳感器與葉片存在一定距離，所以該數(shù)據(jù)不僅包含了玉米冠層葉片的信息，還包含了小部分土壤背景和莖稈信息。故據(jù)此建立的各類模型是否適用于玉米純冠層葉片條件下高光譜數(shù)據(jù)還有待驗證，后期的研究應致力于對比純?nèi)~片和非純?nèi)~片條件下玉米葉片Anth值敏感波段，提取主要敏感波段的同時去除噪聲波段，簡化模型的輸入?yún)?shù)和提升其精度，為將來的空天一體化模型建立及推廣提供新思路。

不同生育期玉米葉片原始光譜與Anth值極顯著相關(guān)（P＜0.01）的波段主要集中在可見光波段，且均為正相關(guān)，該結(jié)果與落莉莉等[30]的研究結(jié)果不一致，原因在于花青素對玉米葉片的調(diào)節(jié)作用不同于葉綠素，有學者[31]發(fā)現(xiàn)，當玉米葉片患有紅葉病時，花青素含量會異常偏高，而葉綠素含量偏高卻表示玉米的生長狀況較好，故未來的研究應著力于花青素對玉米葉片光譜響應貢獻的研究；光譜變換是一種消除噪聲、突出特征的數(shù)據(jù)處理方式，本研究的一階導數(shù)變換和連續(xù)統(tǒng)去除變換均提升了特征波段與Anth值的相關(guān)性，但光譜變換種類較少，可將更多的變換方式應用到玉米葉片花青素含量反演研究，可進一步擴展到基于變換光譜的反演植被指數(shù)構(gòu)建研究。

本研究基于SPA選擇的多因素模型建模參數(shù)在2～27個，與前人的篩選個數(shù)不同[32-33]，一方面是因為反演的對象不同，另一方面則是由于數(shù)據(jù)采集的環(huán)境不同，基于SPA降維算法在模型可解釋性方面的優(yōu)越性，也有學者[34]提出改進型SPA算法，可以有效提升光譜定量模型的穩(wěn)定性。構(gòu)建的多個不同生育期玉米葉片Anth值反演模型中，多因素模型優(yōu)于單因素模型，機器學習回歸模型優(yōu)于傳統(tǒng)多元線性回歸模型，該結(jié)論與前人[22，35]的研究結(jié)果一致。多因素模型建模參數(shù)較多，提供的信息較為全面，故模型精度較高，機器學習算法是由多個弱模型組成的強模型，所以模型質(zhì)量要好于傳統(tǒng)多元線性回歸模型。但是機器學習回歸模型的建立往往需要較大的計算成本，因此，近年來灰狼算法、蟻群算法以及獅群算法等群體智能算法[36]被逐漸應用到機器學習算法的參數(shù)尋優(yōu)中，本研究結(jié)合麻雀搜索算法與機器學習算法，構(gòu)建了精度較高的玉米葉片Anth值估測模型。

本研究建立的最優(yōu)模型為抽雄期基于一階導數(shù)光譜SSA-ELMR模型，抽雄期作為玉米快速發(fā)育的時期，該時期玉米的生長情況直接關(guān)系到后期玉米籽粒的質(zhì)量好壞，通過該SSA-ELMR模型可快速監(jiān)測到抽雄期玉米葉片Anth值是否超過臨界值[31]。但是受儀器、地區(qū)以及樣本數(shù)的限制，本研究所建立的最優(yōu)模型是否可以應用到其他年份以及其他地區(qū)的玉米葉片花青素含量監(jiān)測還有待檢驗，此外，未來應進行多年份、多地區(qū)的試驗以進一步改進模型的魯棒性和泛化性，且模型的參數(shù)要盡量向高光譜遙感衛(wèi)星參數(shù)靠攏，不斷擴大模型適用性，保證在各個尺度上均能監(jiān)測玉米葉片花青素含量。

4結(jié)論

本研究以玉米為研究對象，基于不同生育期葉片的原始光譜及其變換光譜構(gòu)建玉米葉片Anth值反演模型，得到如下結(jié)論：（1）不同生育期的玉米葉片各類型光譜特征總體一致、局部不同；原始光譜中可見光反射率較低而近紅外反射率較高，二者通過“紅邊”過渡。（2）一階導數(shù)變換能放大原始光譜中突變的部位，連續(xù)統(tǒng)去除變換能突出原始光譜中反射峰的兩端；變換光譜特征波段與Anth值的相關(guān)性高于原始光譜。（3）多因素模型優(yōu)于單因素模型，且機器學習算法可進一步提升多因素模型的精度。所有模型中，抽雄期基于一階導數(shù)光譜的SSA-ELMR模型為最優(yōu)模型，其建模與驗證R2分別為0.847、0.895，相應的nRMSE為6.44%和7.21%。

參考文獻：

[1]CLOSE D C， BEADLE C L. The ecophysiology of foliar anthocyanin[J]. The Botanical Review，2003，69（2）：149-161.

[2]LINDA-CHALKER C. Environmental significance of anthocyanins in plant stress responses[J]. Photochemistry and Photobiology，1999，70（1）：1-9.

[3]GOULD K S， MCKELVIE J， MARKHAM K R. Do anthocyanins function as antioxidants in leaves？ Imaging of H2O2 in red and green leaves after mechanical injury[J]. Plant，2010，25（10）：1261-1269.

[4]陳敏. 食品化學[M]. 北京：中國林業(yè)出版社，2008.

[5]吳金瀅，胡迪，孫新. 原花青素抗衰老作用的研究進展[J]. 吉林醫(yī)藥學院學報，2022，43（6）：452-454.

[6]GITELSON A A， CHIVKUNOVA O B， MERZLYAK M N. Nondestructive estimation of anthocyanins and chlorophylls in anthocyanic leaves[J]. American Journal of Botany，2009，96（10）：1861-1868.

[7]劉芳芳，向成鋼，張宏，等. 高效液相色譜法與pH示差法測定紫莢豌豆花青素含量的比較[J]. 食品科技，2022，47（1）：298-303.

[8]STEELE M R， GITELSON A A， RUNDQUIST D C， et al. Nondestructive estimation of anthocyanin content in grapevine leaves[J]. American Journal of Enology and Viticulture，2009，60（1）：87-92.

[9]GITELSON A， SOLOVCHENKO A. Generic algorithms for estimating foliar pigment content[J]. Geophysical Research Letters，2017，44（18）：9293-9298.

[10]CHOI J H， PARK S H， JUNG D H， et al. Hyperspectral imaging-based multiple predicting models for functional component contents in Brassica juncea[J]. Agriculture-Basel，2022，12：1515.

[11]劉秀英，申健，常慶瑞，等. 基于可見/近紅外光譜的牡丹葉片花青素含量預測[J]. 農(nóng)業(yè)機械學報，2015，46（9）：319-324.

[12]田明璐，班松濤，常慶瑞，等. 高光譜影像的蘋果花葉病葉片花青素定量反演[J]. 光譜學與光譜分析，2017，37（10）：3187-3192.

[13]LEI W， WANG P X， LI L， et al. Developing an integrated indicator for monitoring maize growth condition using remotely sensed vegetation temperature condition index and leaf area index[J]. Computers and Electronics in Agriculture，2018，152：340-349.

[14]王偉東，常慶瑞，王玉娜. 冬小麥葉片花青素相對含量高光譜監(jiān)測[J]. 麥類作物學報，2020，40（6）：754-761.

[15]楊可明，郭達志，陳云浩. 高光譜植被遙感數(shù)據(jù)光譜特征分析[J]. 計算機工程與應用，2006，42（31）：213-215.

[16]張賢龍，張飛，張海威，等. 基于光譜變換的高光譜指數(shù)土壤鹽分反演模型優(yōu)選[J]. 農(nóng)業(yè)工程學報，2018，34（1）：110-117.

[17]李粉玲，常慶瑞. 基于連續(xù)統(tǒng)去除法的冬小麥葉片全氮含量估算[J]. 農(nóng)業(yè)機械學報，2017，48（7）：174-179.

[18]陳瀾，常慶瑞，高一帆，等. 獼猴桃葉片葉綠素含量高光譜估算模型研究[J]. 西北農(nóng)林科技大學學報（自然科學版），2020，48（6）：79-89，98.

[19]張佑銘. 基于多源遙感數(shù)據(jù)的獼猴桃園LAI反演研究[D]. 楊凌：西北農(nóng)林科技大學，2022.

[20]SOARES S F C， GOMES A A， FILHO A R G， et al. The successive projections algorithm[J]. Trac-Trends in Analytical Chemistry，2013，42：84-98.

[21]VERRELST J， MUNOZ J， ALONSO L， et al. Machine learning regression algorithms for biophysical parameter retrieval：Opportunities for sentinel-2 and-3[J]. Remote Sensing of Environment，2012，118：127-139.

[22]LI W， CHANG Q R， LI F L， et al. Effects of growth stage development on paddy rice leaf area index prediction models[J]. Remote Sensing，2019，11（3）：361.

[23]LEE H， WANG J F， LEBLON B. Using linear regression，random forests，and support vector machine with unmanned aerial vehicle multispectral images to predict canopy nitrogen weight in corn[J]. Remote Sensing，2020，12（13）：2071.

[24]由明明，常慶瑞，田明璐，等. 基于隨機森林回歸的油菜葉片SPAD值遙感估算[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（1）：74-81.

[25]余蛟洋，常慶瑞，由明明，等. 基于高光譜和BP神經(jīng)網(wǎng)絡(luò)模型蘋果葉片SPAD值遙感估算[J]. 西北林學院學報，2018，33（2）：156-165.

[26]HUANG G， HUANG G B， SONG S， et al. Trends in extreme learning machines：a review[J]. Neural Networks，2015，61：6132-6148.

[27]薛建凱. 一種新型的群智能優(yōu)化技術(shù)的研究與應用[D]. 上海：東華大學，2020.

[28]劉俊，孟慶巖，葛小三，等. 基于BP神經(jīng)網(wǎng)絡(luò)的夏玉米多生育期葉面積指數(shù)反演研究[J]. 遙感技術(shù)與應用，2020，35（1）：174-184.

[29]袁媛，瑚波，武興厚，等. 基于植被指數(shù)的夏玉米不同生育期葉綠素含量遙感估算[J]. 中國農(nóng)學通報，2015，31（15）：254-259.

[30]落莉莉，常慶瑞，武旭梅，等. 夏玉米葉片光合色素含量高光譜估算[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（4）：178-183.

[31]LUO L L， CHANG Q R， WANG Q， et al. Identification and severity monitoring of maize dwarf mosaic virus infection based on hyperspectral measurements[J]. Remote Sensing，2021，13（22）：4560.

[32]王玉娜，李粉玲，王偉東，等. 基于連續(xù)投影算法和光譜變換的冬小麥生物量高光譜遙感估算[J]. 麥類作物學報，2020，40（11）：1389-1398.

[33]白麗敏，李粉玲，常慶瑞，等. 結(jié)合SPA和PLS法提高冬小麥冠層全氮高光譜估算的精確度[J]. 植物營養(yǎng)與肥料學報，2018，24（5）：1178-1184.

[34]郝勇，孫旭東，王豪. 基于改進連續(xù)投影算法的光譜定量模型優(yōu)化[J]. 江蘇大學學報（自然科學版），2013，34（1）：49-53.

[35]張敏，郭濤，劉軻，等. 基于高光譜植被指數(shù)的水稻LAI遙感估算[J/OL]. 西南農(nóng)業(yè)學報，2022，35（11）：1-10.

[36]高岳林，楊欽文，王曉峰，等. 新型群體智能優(yōu)化算法綜述[J]. 鄭州大學學報（工學版），2022，43（3）：21-30.

（責任編輯：成紓寒）