基于IRIV算法優(yōu)選大豆葉片高光譜特征波長(zhǎng)變量估測(cè)SPAD值

于 雷，章 濤，朱亞星，周 勇，夏 天，聶 艷

（1. 華中師范大學(xué)地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430079；2. 華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，武漢 430079；3. 華中師范大學(xué)可持續(xù)發(fā)展研究中心，武漢 430079）

0 引 言

葉綠素是植物營(yíng)養(yǎng)脅迫、光合能力和衰老進(jìn)程各階段的良好指示劑[1]。監(jiān)測(cè)大豆葉片的葉綠素狀況，對(duì)大豆生長(zhǎng)診斷與施肥調(diào)控等具有重要意義[2]。SPAD（soil and plant analyzer development）值是葉綠素的相對(duì)含量，與葉綠素含量具有良好的相關(guān)性，可準(zhǔn)確表征葉綠素含量[3]。目前，普遍采用便攜式葉綠素儀單點(diǎn)測(cè)定植物葉片SPAD值，不僅需要反復(fù)接觸葉片，而且不適于大范圍葉綠素信息獲取[4]。高光譜遙感技術(shù)具有高效率、非接觸、不破壞、無(wú)污染等特點(diǎn)，為獲取植物葉片 SPAD值提供了一種新方法。然而，葉片近紅外光譜的吸收峰嚴(yán)重重疊，導(dǎo)致光譜中存在冗余信息，影響了高光譜估測(cè)葉綠素含量模型的精度[5]。因此，分析葉綠素的光譜特征，揭示葉綠素的高光譜響應(yīng)規(guī)律，確定葉綠素的敏感波長(zhǎng)變量，對(duì)提升葉綠素高光譜估測(cè)模型的運(yùn)行效率、簡(jiǎn)化模型結(jié)構(gòu)和增強(qiáng)模型穩(wěn)定性具有重要意義。

變量篩選方法是從高光譜波段信息中挖掘隱藏信息，提取與估測(cè)目標(biāo)相關(guān)的特征波長(zhǎng)變量方法的總稱[6]，主要具有3個(gè)優(yōu)點(diǎn)：1）消除無(wú)信息和干擾信息變量提高模型預(yù)測(cè)能力；2）挑選信息變量增強(qiáng)模型可解釋性；3）降低數(shù)據(jù)維度提升模型運(yùn)行速度[7]。常見的變量篩選方法可分為 2類，一類是以變量數(shù)理統(tǒng)計(jì)特征為基礎(chǔ)，主要包括無(wú)信息變量消除法（uninformative variables elimination，UVE）、競(jìng)爭(zhēng)適應(yīng)重加權(quán)采樣法（competitive adaptive reweighted sampling，CARS）、連續(xù)投影算法（successive projections algorithm，SPA）等。UVE方法可以濾除高光譜中的無(wú)效信息變量，但保留變量數(shù)依然較多[8]；CARS和SPA方法分別可以剔除冗余信息變量及消除共線性信息變量，然而篩選結(jié)果中可能存在較低信噪比的變量[9-10]。另一類是基于優(yōu)化算法搜索最優(yōu)變量，主要有逐步選擇、前向選擇、反向消除、遺傳算法（genetic algorithm，GA）等，此類方法可全局搜索有效信息變量，但運(yùn)算過(guò)程耗時(shí)長(zhǎng)，模型參數(shù)復(fù)雜且難以徹底搜索所有可能的變量組合[11]。上述方法均較好地實(shí)現(xiàn)了高光譜特征波長(zhǎng)變量的篩選，然而未對(duì)篩選結(jié)果進(jìn)行細(xì)化分析和歸類，未考慮變量之間的聯(lián)合效應(yīng)，易忽視與葉綠素關(guān)系較弱的信息[12]。迭代保留信息變量算法（iteratively retains informative variables，IRIV）[12]，假設(shè)所有變量被采樣的幾率相同，不將變量當(dāng)作獨(dú)立的個(gè)體，充分考慮波長(zhǎng)變量間的聯(lián)合效應(yīng)，根據(jù)變量重要性將其劃分為強(qiáng)信息波長(zhǎng)變量（strongly informative variable）、弱信息波長(zhǎng)變量（weakly informative variable）、無(wú)信息波長(zhǎng)變量（uninformative variable）和干擾信息波長(zhǎng)變量（interfering variable）等4類[13]，經(jīng)過(guò)迭代分析運(yùn)算，排除無(wú)效及干擾信息變量，從強(qiáng)信息波長(zhǎng)變量和弱信息波長(zhǎng)變量中提取特征波長(zhǎng)變量。IRIV算法可嘗試用于研究葉片光譜弱信息變量在揭示葉綠素高光譜響應(yīng)規(guī)律及構(gòu)建葉綠素估測(cè)模型中的作用。

因此，本研究以江漢平原大豆葉片為研究對(duì)象，分析葉片光譜特征，采用IRIV算法篩選光譜特征波長(zhǎng)變量，建立大豆葉片 SPAD值估測(cè)模型。研究方法可為葉綠素動(dòng)態(tài)監(jiān)測(cè)提供技術(shù)支撐，研究結(jié)果可為研發(fā)葉綠素高光譜傳感器提供理論依據(jù)。

1 材料與方法

1.1 葉片樣品采集與分析

本研究選取湖北省潛江市竹根灘鎮(zhèn)（112°52￠～112°59￠E，30°25￠～30°34￠N）作為試驗(yàn)區(qū)，其位于江漢平原腹地，地勢(shì)平坦；屬于亞熱帶季風(fēng)性濕潤(rùn)氣候，四季分明，雨量充沛；耕地地力優(yōu)越，主要種植大豆、棉花和花生等旱生作物；該試驗(yàn)區(qū)為優(yōu)質(zhì)高蛋白大豆標(biāo)準(zhǔn)化生產(chǎn)示范基地，大豆種植類型主要為鄂豆系列，采用配方施肥，栽培技術(shù)相對(duì)統(tǒng)一。在試驗(yàn)區(qū)范圍內(nèi)，選取 80塊種植大豆的田塊作為樣點(diǎn)，相鄰樣點(diǎn)的東西間距不小于200 m，南北間距不小于1 000 m，每個(gè)樣點(diǎn)均為面積不低于1 hm2的連片耕地。由于試驗(yàn)區(qū)范圍大，樣點(diǎn)距離較長(zhǎng)，試驗(yàn)環(huán)境變化及光譜儀頻繁校正會(huì)影響光譜數(shù)據(jù)的穩(wěn)定性和精確性[14]，因此本研究在試驗(yàn)環(huán)境穩(wěn)定的室內(nèi)進(jìn)行光譜采集。試驗(yàn)時(shí)間處于大豆鼓粒期，每個(gè)樣點(diǎn)采集 6片具有代表性且生長(zhǎng)健康的葉片，立即裝入自封袋排除空氣放入冰盒暫存，在2 h內(nèi)轉(zhuǎn)移至4 ℃冰箱中冷藏保存，充分保證室內(nèi)測(cè)定光譜時(shí)葉片的新鮮度。

采用日本KONICA MINOLTA公司生產(chǎn)的SPAD 502葉綠素儀測(cè)定SPAD值，其原理是夾緊葉片測(cè)量葉片在2個(gè)波長(zhǎng)（650、940 nm）的吸收率反演葉綠素的相對(duì)含量，直接顯示SPAD值。每個(gè)樣點(diǎn)測(cè)定6片葉片，6片葉片SPAD值的平均值作為該樣點(diǎn)的SPAD值；最終獲得80個(gè)樣點(diǎn)的SPAD值。

1.2 葉片樣本集的劃分

采用濃度梯度法劃分樣本集[15]，將80個(gè)樣點(diǎn)作為總體樣本集（whole set）；根據(jù)各樣點(diǎn)的SPAD值由小到大排序，依次每隔 2個(gè)樣本取一個(gè)作為驗(yàn)證集（validation set），共計(jì)26個(gè)樣本；其余54個(gè)樣本作為建模集（calibration set）。每個(gè)數(shù)據(jù)集SPAD值的描述性統(tǒng)計(jì)見表1。

1.3 葉片光譜數(shù)據(jù)的測(cè)定及預(yù)處理

本研究采用美國(guó)Analytical Spectral Devices公司生產(chǎn)的ASD HandHeld 2型地物光譜儀測(cè)定葉片高光譜數(shù)據(jù)，波譜范圍為350～1 075 nm，采樣間隔為1.5 nm，重采樣輸出間隔為1 nm。光譜測(cè)量在暗室內(nèi)進(jìn)行，光源為能夠提供平行光線的 50 W 鹵素?zé)簦涞饺~片表面距離為30 cm，光源入射角度為30°；光釬探頭視場(chǎng)角為25°，探頭到葉片表面距離為10 cm；將每個(gè)樣點(diǎn)6片葉片平鋪在黑色吸光布上，葉片平鋪面積約為 80 cm2，使其完全覆蓋光譜視場(chǎng)范圍。每次采集光譜前，用白板（反射率近似 100%）對(duì)光譜儀進(jìn)行優(yōu)化和標(biāo)定。每個(gè)樣本保存 10條光譜曲線，對(duì)其進(jìn)行算術(shù)平均后得到該樣本的葉片原始光譜。每條光譜去除噪聲較大的邊緣波段（350～399 nm，1 001～1 075 nm），保留400～1 000 nm。采用Savitzky-Golay平滑對(duì)全部光譜數(shù)據(jù)進(jìn)行預(yù)處理，降低因試驗(yàn)環(huán)境和儀器本身而產(chǎn)生的噪音。

表1 各數(shù)據(jù)集SPAD值的描述性統(tǒng)計(jì)Table 1 Statistical characteristics of SPAD value

1.4 IRIV波長(zhǎng)變量篩選算法

IRIV算法利用變量的隨機(jī)組合并充分考慮變量間的相互作用，在二進(jìn)制矩陣重排過(guò)濾器的基礎(chǔ)上，將所有變量生成隨機(jī)組合的二進(jìn)制矩陣（行為變量的隨機(jī)組合，列為變量數(shù)），基于矩陣每一行（即變量的隨機(jī)組合）分別建立偏最小二乘模型，利用交叉驗(yàn)證均方根誤差（RMSECV）評(píng)估不同隨機(jī)變量組合模型效果。基于模型集群分析方法，逐個(gè)波長(zhǎng)變量計(jì)算包含和不包含該變量時(shí)的 RMSECV平均值，得到兩者之差 DMEAN（difference of mean values）和非參數(shù)檢驗(yàn)方法曼-惠特尼U檢驗(yàn)的P值，確定該變量的重要性（表2）[12]，每一次迭代后都會(huì)產(chǎn)生不同的DMEAN和P值，均保留強(qiáng)信息波長(zhǎng)變量和弱信息波長(zhǎng)變量，經(jīng)多次迭代循環(huán)直至消除無(wú)信息波長(zhǎng)變量和干擾信息波長(zhǎng)變量，最后進(jìn)行反向消除獲得最優(yōu)特征波長(zhǎng)變量[16]。本文定義分布于可見光波段的波長(zhǎng)變量為“可見光變量”，分布于近紅外波段的波長(zhǎng)變量為“近紅外變量”。

表2 變量分類規(guī)則[12]Table 2 Variable classification rules

1.5 模型構(gòu)建與檢驗(yàn)

本文分別采用線性和非線性建模方法，定量描述葉片SPAD值與特征波長(zhǎng)變量之間關(guān)系，建立SPAD估測(cè)模型。其中，線性建模方法為偏最小二乘法（partial least squares regression，PLSR），其借鑒了多元線性回歸分析、典型相關(guān)分析和主成分分析的思想，在提取主成分減少光譜維數(shù)的同時(shí)考慮了目標(biāo)變量的作用，可以較好地解決樣本數(shù)量小于波長(zhǎng)數(shù)量的問(wèn)題，以及自變量之間存在多重相關(guān)性的問(wèn)題[17]；非線性建模方法為支持向量機(jī)（support vector machine，SVM），其能較好地解決自變量與因變量之間的非線性復(fù)雜關(guān)系，將非線性不可分的問(wèn)題在高維空間（超平面）中轉(zhuǎn)化為線性可分，具體處理過(guò)程可概括為升維和線性化[18]。本文采用 RBF核函數(shù)[19]，利用網(wǎng)格參數(shù)尋優(yōu)確定SVM建模的最佳懲罰參數(shù)C和核參數(shù)g。

利用3個(gè)參數(shù)即決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)分析誤差（RPD）檢驗(yàn)SPAD估測(cè)模型性能。其中，R2值越接近于1，表明模型的穩(wěn)定性及擬合度越高；RMSE值越接近于 0，表明模型預(yù)測(cè)能力越強(qiáng)；RPD值是計(jì)算樣本標(biāo)準(zhǔn)差與均方根誤差比值得到，若 RPD<1.4，模型對(duì)樣本無(wú)法實(shí)施預(yù)測(cè)，1.4≤RPD＜1.8，模型可對(duì)樣本進(jìn)行粗略評(píng)估，1.8≤RPD＜2.0，模型可對(duì)樣本進(jìn)行較好的評(píng)估，RPD≥2，模型可對(duì)樣本進(jìn)行極好的預(yù)測(cè)[20]。

2 結(jié)果與分析

2.1 葉片光譜特征分析

將建模集樣本的 SPAD值由高至低排序，選取四分位樣本，分析其原始光譜反射率曲線（圖1）。結(jié)果表明，4個(gè)樣本的反射率曲線整體形態(tài)具有較高的相似性，可見光波段范圍內(nèi)，500～600 nm為高反射區(qū)，在550 nm附近出現(xiàn)一個(gè)波峰，400～500與600～700 nm為2個(gè)低反射區(qū)，從700到760 nm反射率呈陡增趨勢(shì)；近紅外波段范圍內(nèi)，760～1 000 nm為強(qiáng)反射區(qū)，曲線接近水平。另外，4個(gè)樣本的反射率曲線在局部存在反射率相差低于0.1的微弱差異，在高反射區(qū)（500～600 nm），隨SPAD值升高，反射率呈現(xiàn)逐漸降低單調(diào)變化的規(guī)律；在強(qiáng)反射區(qū)（760～1 000 nm），隨SPAD值升高，反射率未出現(xiàn)單調(diào)變化的規(guī)律。

圖1 大豆葉片原始光譜反射率Fig. 1 Spectral reflectance curve of soybean leaves

2.2 葉片SPAD值與光譜反射率相關(guān)性分析

逐個(gè)計(jì)算葉片 SPAD值與各波長(zhǎng)變量的相關(guān)系數(shù)，得到全波段的相關(guān)系數(shù)曲線（圖 2）。結(jié)果表明，可見光波段 SPAD與光譜變量為負(fù)相關(guān)，相關(guān)系數(shù)曲線在 550和710 nm附近出現(xiàn)2個(gè)明顯的低谷，谷底對(duì)應(yīng)的相關(guān)系數(shù)分別為-0.70和-0.53；近紅外波段SPAD與光譜變量為正相關(guān)，從760到1 000 nm相關(guān)系數(shù)平穩(wěn)上升，相關(guān)系數(shù)最大值約為0.2。通過(guò)P=0.01顯著性檢驗(yàn)，得到500～650 nm、690～730 nm波段為極顯著負(fù)相關(guān)。

圖2 SPAD值與波長(zhǎng)相關(guān)系數(shù)Fig.2 SPAD value and wavelength correlation coefficients

2.3 波長(zhǎng)變量之間相關(guān)性分析

全波段的波長(zhǎng)變量?jī)蓛芍g的相關(guān)性分析表明（圖3），可見光波段與近紅外波段相對(duì)獨(dú)立，2個(gè)波段之間的變量相關(guān)性較弱，2波段內(nèi)部的變量相關(guān)性較強(qiáng)；可見光波段內(nèi)部，在500 nm附近的波長(zhǎng)變量與其他波長(zhǎng)變量具有較高的相關(guān)性；近紅外波段內(nèi)部，800 nm之后的變量之間的相關(guān)系數(shù)絕對(duì)值（R）均高于 0.8，說(shuō)明波長(zhǎng)變量之間相關(guān)程度高，存在較嚴(yán)重的相互干擾，近紅外部分的光譜數(shù)據(jù)存在較大冗余。

圖3 波長(zhǎng)變量二維相關(guān)系數(shù)Fig. 3 Two-dimensional correlation coefficient of wavelength variable

2.4 采用IRIV算法篩選光譜特征波長(zhǎng)變量結(jié)果

本文確定IRIV算法的交叉驗(yàn)證次數(shù)為5，最大主成分?jǐn)?shù)為10[12]。隨著迭代次數(shù)的增加，保留變量數(shù)隨之降低，下降趨勢(shì)逐漸平緩（圖4a）。在本研究中迭代次數(shù)為5次，之后為反向消除。限于篇幅，僅展示第5次迭代所保留的16個(gè)波長(zhǎng)變量的DMEAN和P值（圖4b），結(jié)合表2的規(guī)則，可劃分變量類型。

IRIV算法經(jīng)過(guò)數(shù)輪迭代分析后，從全部601個(gè)光譜波長(zhǎng)變量中篩選出強(qiáng)信息波長(zhǎng)變量 6個(gè)和弱信息波長(zhǎng)變量10個(gè)。其中，強(qiáng)信息波長(zhǎng)變量全部為可見光變量，分別是540、541、544、545、568、569 nm；弱信息波長(zhǎng)變量包括7個(gè)可見光變量（542、549、550、556、557、558、559 nm），3個(gè)近紅外變量（813、814、815 nm）。通過(guò)反向消除從強(qiáng)信息波長(zhǎng)變量和弱信息波長(zhǎng)變量中篩選了 9個(gè)（包含5個(gè)強(qiáng)信息波長(zhǎng)變量和4個(gè)弱信息波長(zhǎng)變量）與 SPAD值相關(guān)的最優(yōu)特征波長(zhǎng)變量，其中，可見光變量 8 個(gè)：540、541、544、545、549、550、556、568 nm；近紅外變量1個(gè)：814 nm。

經(jīng)IRIV篩選出的波長(zhǎng)中（540,541 nm）、（544,545 nm）、（549,550 nm）兩兩之間鄰近，通過(guò)P=0.01顯著性檢驗(yàn)，存在極顯著相關(guān)性（相關(guān)系數(shù)均大于 0.9）。因此，嘗試去除相鄰的與SPAD相關(guān)系數(shù)低的波長(zhǎng)（541、544、549 nm），保留6個(gè)波長(zhǎng)（記為IRIV-C）：540、545、550、556、568、814 nm。

圖4 IRIV迭代過(guò)程及波長(zhǎng)類型判定參數(shù)值Fig.4 IRIV iterative process and wavelength type decision parameter values

2.5 模型建立與比較

對(duì)比SPAD線性和非線性估測(cè)模型結(jié)果（表3），基于非線性SVM模型的擬合效果整體上要優(yōu)于線性PLSR模型，IRIV-SVM 模型效果最好，其建模集和驗(yàn)證集R2分別達(dá)到0.80、0.73，RPD達(dá)到1.82，表明IRIV-SVM模型可以較好地估測(cè)SPAD值，SPAD值與反射率之間的關(guān)系更趨于非線性關(guān)系。

基于不同自變量的模型效果存在差異，全波段變量（full spectral variables，F(xiàn)ULL）模型估測(cè)效果整體要優(yōu)于強(qiáng)信息波長(zhǎng)變量（strongly informative variables，SV）模型，表明僅利用SV會(huì)損失模型精度，模型估測(cè)效果不佳。經(jīng)IRIV方法篩選后的特征波長(zhǎng)變量建立的模型估測(cè)效果優(yōu)于未篩選的FULL模型和SV模型，表明IRIV具有較強(qiáng)篩選能力，加入弱信息波長(zhǎng)變量對(duì)于提升模型精度有明顯效果；易被忽視的弱信息波長(zhǎng)變量中存在葉綠素相關(guān)信息，對(duì)于估測(cè)模型精度提升有重要的作用。IRIV-C模型估測(cè)效果整體優(yōu)于FULL與SV模型，與IRIV模型效果相當(dāng)，表明在IRIV基礎(chǔ)上去除自相關(guān)性較高的波段，在保持模型精度的同時(shí)有利于進(jìn)一步減少冗余。

表3 SPAD值估測(cè)模型的建模集和驗(yàn)證集結(jié)果Table 3 Calibration and validation results of estimation models for SPAD value

由全波段變量和特征波長(zhǎng)變量模型驗(yàn)證集1∶1線圖（圖5）可以看出，相比全波段模型，基于IRIV的特征波長(zhǎng)模型的實(shí)測(cè)值和估測(cè)值均勻分布在1∶1線附近，模型精度更高，可以更精確地估測(cè)SPAD值。由此表明，IRIV變量篩選方法可以準(zhǔn)確提取被掩蓋的葉綠素特征波段，有效降低建模的波長(zhǎng)變量數(shù)，簡(jiǎn)化模型結(jié)構(gòu)；與常規(guī)建模方法相比，估測(cè)能力有較大提升。

圖5 SPAD實(shí)測(cè)值與估測(cè)值比較Fig.5 Comparation of measured and predictive value SPAD

3 討 論

本研究表明葉片光譜在可見光處吸光強(qiáng)烈，反射率整體較低且波動(dòng)劇烈，與葉綠素呈顯著負(fù)相關(guān)關(guān)系；而在近紅外區(qū)域反射率較高且平穩(wěn)，與葉綠素相關(guān)性較弱，這與王曉星等[21]研究結(jié)果一致。在可見光波段，反射率主要受葉片色素影響，綠光波段是強(qiáng)反射區(qū)，而藍(lán)、紅光波段的光輻射被葉片中的葉綠素全部吸收而形成 2個(gè)低反射區(qū)域。受細(xì)胞結(jié)構(gòu)及葉片含水率的影響，在近紅外波段葉綠素與光譜反射率相關(guān)性程度較低[22]，其光譜反射率高則由于葉肉內(nèi)的海綿組織結(jié)構(gòu)內(nèi)有很大反射表面的空腔，且細(xì)胞內(nèi)的葉綠素呈水溶膠狀態(tài)，具有強(qiáng)烈的紅外反射[21]。基于上述葉片光譜機(jī)理，SPAD 502葉綠素儀利用650 nm（強(qiáng)吸收區(qū)）、940 nm（強(qiáng)反射區(qū)）2個(gè)波長(zhǎng)測(cè)定SPAD值，可準(zhǔn)確表征葉綠素含量[3]。為實(shí)現(xiàn)大范圍葉綠素監(jiān)測(cè)，挖掘葉綠素特征波長(zhǎng)信息，學(xué)者們利用高光譜技術(shù)估測(cè)植物葉片 SPAD值，劉京等[22]建立了蘋果葉片SPAD值高光譜估測(cè)模型，建模集和預(yù)測(cè)集R2分別為0.74、0.89；殷紫等[23]基于高光譜技術(shù)對(duì)不同生育期油菜葉片建立SPAD值反演模型，預(yù)測(cè)模型R2最高為0.70；楊榮超等[4]基于高光譜對(duì)甜菜SPAD值進(jìn)行估測(cè)，其模型R2為0.57。前人研究表明高光譜可以較好地估測(cè)SPAD，有利于將來(lái)大范圍監(jiān)測(cè)，但估測(cè)精度存在明顯差異，需要解決測(cè)試環(huán)境、儀器、波長(zhǎng)變量自相關(guān)等因素影響，以進(jìn)一步提高估測(cè)精度。

近紅外光譜波段間存在嚴(yán)重自相關(guān)性（圖 3），導(dǎo)致近紅外波長(zhǎng)變量與 SPAD值的相關(guān)性較弱，而傳統(tǒng)的基于光譜特征參數(shù)估測(cè)葉綠素未充分考慮這一特性，忽略了近紅外波段信息[24-26]。王福民等[27]基于水稻光譜研究發(fā)現(xiàn)，可見光波段與近紅外波段存在大量冗余信息，經(jīng)信息提取，特征波長(zhǎng)在可見光與近紅外波段均有分布。王強(qiáng)等[28]基于全波段組合指數(shù)構(gòu)建葉綠素密度估測(cè)模型，結(jié)果表明近紅外波長(zhǎng)1 055 nm與可見光波長(zhǎng)684 nm的比值歸一化指數(shù)效果最佳。由此說(shuō)明，在近紅外波段存在與葉綠素相關(guān)的有用波長(zhǎng)變量。采用變量篩選方法可以最大限度地提取因受外部因素影響而相關(guān)性較弱的葉綠素特征波段，有效地壓縮波長(zhǎng)變量數(shù)并簡(jiǎn)化模型結(jié)構(gòu)[29]，本研究表明，通過(guò)加入弱信息波長(zhǎng)變量可提升模型預(yù)測(cè)精度。然而，UVE、CARS等變量篩選方法易忽視弱信息波長(zhǎng)變量的作用，IRIV方法注重波長(zhǎng)變量間的聯(lián)合效應(yīng)，考慮弱信息波長(zhǎng)變量作用[13]，經(jīng)過(guò)數(shù)輪迭代分析，篩選出包含葉綠素信息的特征波長(zhǎng)變量。Yun等[12,16]先后比較了IRIV、CARS、UVE、GA等多種變量篩選方法，結(jié)果表明IRIV算法表現(xiàn)最優(yōu)，可有效濾除大部分冗余及共線性信息變量。

在本研究中，經(jīng)IRIV方法篩選出的特征波長(zhǎng)變量集中在540～560 nm，由圖2可知，該波段波長(zhǎng)與SPAD值具有極強(qiáng)的相關(guān)性。劉燕德等[11]基于高光譜的GA和SPA算法對(duì)贛南臍橙葉片SPAD值定量反演，GA和SPA挑選的敏感波長(zhǎng)分別集中在 550～720 nm、520～800 nm，2種算法挑選范圍基本吻合，都是葉綠素信息區(qū)域波段，含有葉綠素吸收峰。然而，所篩選的波長(zhǎng)兩兩鄰近存在較高的相關(guān)性，IRIV方法無(wú)法完全消除數(shù)據(jù)間的自相關(guān)性，嘗試基于波長(zhǎng)與 SPAD值相關(guān)系數(shù)，去除相鄰的較低相關(guān)系數(shù)波長(zhǎng)。結(jié)果表明該方法在保持模型精度的基礎(chǔ)上有利于進(jìn)一步減少冗余，簡(jiǎn)化模型結(jié)構(gòu)。

本研究通過(guò)篩選特征波長(zhǎng)變量結(jié)合線性和非線性模型估測(cè)大豆葉綠素含量，取得了較好的估測(cè)結(jié)果。但如何改進(jìn)篩選方法以降低特征波長(zhǎng)變量的自相關(guān)性，如何將本研究應(yīng)用于大豆全生育期及其他種類作物以進(jìn)一步提升模型魯棒性，今后需要著重探討研究。

4 結(jié) 論

本研究利用室內(nèi)大豆葉片光譜數(shù)據(jù)，基于IRIV算法篩選大豆葉片的光譜特征波長(zhǎng)變量，建立估測(cè)能力較高的 SPAD值估測(cè)模型，為利用高光譜估測(cè)植物生理參數(shù)提供了一種新的方法和途徑。主要結(jié)論如下：

1）大豆葉片SPAD值在可見光波段與光譜波長(zhǎng)變量相關(guān)性較強(qiáng)，尤其在500～650 nm、690～730 nm波段與光譜波長(zhǎng)變量為極顯著負(fù)相關(guān)，在近紅外波段與光譜波長(zhǎng)變量為不顯著正相關(guān)（P>0.01）；

2）大豆葉片可見光波長(zhǎng)變量與近紅外波長(zhǎng)變量之間相關(guān)性較弱，而 2波段內(nèi)部變量相關(guān)性較高，尤其近紅外波段變量共線問(wèn)題突出；

3）基于IRIV算法確定了9個(gè)大豆葉綠素的特征波長(zhǎng)變量，其中，在可見光波段篩選 5個(gè)強(qiáng)信息變量和 3個(gè)弱信息變量，在近紅外波段篩選弱信息變量1個(gè)；

4）SVM模型估測(cè)效果要優(yōu)于PLSR模型，PLSR模型驗(yàn)證集R2最高為0.52，SVM模型驗(yàn)證集R2均高于0.59，SPAD值與反射率之間趨于非線性關(guān)系；

5）IRIV算法可以有效地確定大豆葉片SPAD值的特征波長(zhǎng)變量，基于IRIV特征波長(zhǎng)變量模型估測(cè)能力優(yōu)于基于全波段模型和強(qiáng)信息波長(zhǎng)變量模型，其中IRIV-SVM表現(xiàn)最優(yōu)，驗(yàn)證集R2為0.73，RPD為1.82，說(shuō)明IRIV變量篩選方法的有效性及弱信息變量的重要性。

[1]Merzlyak M, Gitelson A, Chivkunova O, et al. Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum,1999, 106(1): 135－141.

[2]楊杰，田永超，姚霞，等. 水稻上部葉片葉綠素含量的高光譜估算模型[J]. 生態(tài)學(xué)報(bào)，2009，29(12)：6561－6571.Yang Jie, Tian Yongchao, Yao Xia, et al. Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice[J]. Acta Ecologica Sinica, 2009, 29(12): 6561－6571.(in Chinese with English abstract)

[3]程志慶，張勁松，孟平，等. 楊樹葉片葉綠素含量高光譜估算模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(8)：264－271.Cheng Zhiqing, Zhang Jingsong, Meng Ping, et al.Hyperspectral estimation model of chlorophyll content in poplar leaves[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8): 264－271. (in Chinese with English abstract)

[4]楊榮超，田海清，李斐，等. 基于冠層高光譜的甜菜不同生育時(shí)期SPAD值估測(cè)研究[J]. 干旱區(qū)資源與環(huán)境，2017，31(7)：50－54.Yang Rongchao, Tian Haiqing, Li Fei, et al. Research on the SPAD values at different growth stages of sugar beet based on canopy hyperspectrum[J]. Journal of Arid Land Resources and Environment, 2017, 31(7): 50－54. (in Chinese with English abstract)

[5]Vohland M, Ludwig M, Thiele-Bruhn S, et al. Determination of soil properties with visible to near- and mid-infrared spectroscopy: Effects of spectral variable selection[J].Geoderma, 2014, s 223–225(1): 88－96.

[6]Zou Xiaobo, Zhao Jiewen, Povey M. J, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2): 14.

[7]Guyon, Isabelle, Elisseeff, et al. An introduction to variable and feature selection[J]. Journal of Machine Learning Research, 2003, 3(6): 1157－1182.

[8]朱亞星，于雷，洪永勝，等. 土壤有機(jī)質(zhì)高光譜特征與波長(zhǎng)變量?jī)?yōu)選方法[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2017，50(22)：4325－4337.Zhu Yaxing, Yu Lei, Hong Yongsheng, et al. Hyperspectral features and wavelength variables selection methods of soil organic matter[J]. Scientia Agricultura Sinica, 2017, 50(22):4325－4337. (in Chinese with English abstract)

[9]Sun Ye, Wang Yihang, Xiao Hui, et al. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content [J]. Food Chemistry, 2017, 235: 194.

[10]Xu Shengxiang, Zhao Yongcun, Wang Meiyan, et al.Determination of rice root density from Vis–NIR spectroscopy by support vector machine regression and spectral variable selection techniques[J]. Catena, 2017, 157:12－23.

[11]劉燕德，張光偉，蔡麗君. 基于高光譜的GA和SPA算法對(duì)贛南臍橙葉綠素定量分析[J]. 光譜學(xué)與光譜分析，2012，32(12)：3377－3380.Liu Yande, Zhang Guangwei, Cai Lijun. Analysis of chlorophyll in gannan navel orange with algorithm of ga and spa based on hyperspectral[J]. Spectroscopy and Spectral Analysis, 2012, 32(12): 3377－3380. (in Chinese with English abstract)

[12]Yun Yonghuan, Wang Weiting, Tan Minli, et al. A strategy that iteratively retains informative variables for selecting optimal variable subset in multivariate calibration[J].Analytica Chimica Acta, 2014, 807(1): 36.

[13]Díaz-Uriarte R, Andrés S A D. Gene selection and classification of microarray data using random forest. [J].Bmc Bioinformatics, 2006, 7(1): 3.

[14]Terra F S, Demattê J A M, Rossel R A V. Spectral libraries for quantitative analyses of tropical Brazilian soils:Comparing vis–NIR and mid-IR reflectance data[J].Geoderma, 2015, s 255–256: 81－93.

[15]劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗(yàn)證集樣本分布優(yōu)選方法研究[J]. 光譜學(xué)與光譜分析，2014(4)：947－951.Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J]. 2014(4): 947－951.(in Chinese with English abstract)

[16]張航，劉國(guó)海，江輝，等. 基于近紅外光譜技術(shù)的乙醇固態(tài)發(fā)酵過(guò)程參數(shù)定量檢測(cè)[J]. 激光與光電子學(xué)進(jìn)展，2017(2)：314－320.Zhang Hang, Liu Guohai, Jiang Hui, et al. Quantitative detection of ethanol solid-state fermentation process parameters based on nearinfrared spectroscopy [J]. Laser &Optoelectronics Progress, 2017(2): 314－320. (in Chinese with English abstract)

[17]彭小婷，高文秀，王俊杰. 基于包絡(luò)線去除和偏最小二乘的土壤參數(shù)光譜反演[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2014，39(7)：862－866.Peng Xiaoting, Gao Wenxiu, Wang Junjie. Inversion of soil parameters from hyperspectra based on continuum removal and partial least squares regression[J]. Geomatics and Information Science of Wuhan University, 2014, 39(7):862－866. (in Chinese with English abstract)

[18]史舟. 土壤地面高光譜遙感原理與方法[M]. 北京：科學(xué)出版社，2014.

[19]奉國(guó)和. SVM分類核函數(shù)及參數(shù)選擇比較[J]. 計(jì)算機(jī)工程與應(yīng)用，2011，47(3)：123－124.Feng Guohe. Parameter optimizing for support vector machines classification[J]. Computer Engineering and Applications, 2011, 47(3): 123－124. (in Chinese with English abstract)

[20]Rossel R A V, Mcglynn R N, Mcbratney A B. Determining the composition of mineral-organic mixes using UV–vis–NIR diffuse reflectance spectroscopy[J]. Geoderma, 2006,137(1/2): 70－82.

[21]王曉星，常慶瑞，劉夢(mèng)云，等. 冬小麥冠層水平葉綠素含量的高光譜估測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，44(2)：48－54.Wang Xiaoxing, Chang Qingrui, Liu Mengyun, et al.Hyper-spectral estimation of chlorophyll content in canopy of winter wheat[J]. Journal of Northwest A & F University(Natural Science Edition), 2016, 44(2): 48－54. (in Chinese with English abstract)

[22]劉京，常慶瑞，劉淼，等. 基于SVR算法的蘋果葉片葉綠素含量高光譜反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016，47(8)：260－265.Liu Jing, Chang Qingrui, Liu Miao, et al. Chlorophyll content inversion with hyperspectral technology for apple leaves based on support vector regression algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(8): 260－265. (in Chinese with English abstract)

[23]殷紫，常慶瑞，劉淼，等. 基于光譜指數(shù)的不同生育期油菜葉片 SPAD估測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2017(5)：66－72.Yin Zi, Chang Qingrui, Liu Miao, et al. Estimation of rape leaf SPAD in different periods based on spectral indices[J].2017(5): 66－72. (in Chinese with English abstract)

[24]徐道青，劉小玲，王維，等. 淹水脅迫下棉花葉片高光譜特征及葉綠素含量估算模型[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28(10)：3289－3296.Xu Daoqing, Liu Xiaoling, Wang Wei, et al. Hyper-spectral characteristics and estimation model of leaf chlorophyll content in cotton under waterlogging stress[J]. Chinese Journal of Applied Ecology, 2017, 28(10): 3289－3296. (in Chinese with English abstract)

[25]劉文雅，潘潔. 基于神經(jīng)網(wǎng)絡(luò)的馬尾松葉綠素含量高光譜估算模型[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28(4)：1128－1136.Liu Wenya, Pan Jie. A hyperspectral assessment model for leaf chlorophyll content of Pinus massoniana based on neural network[J]. Chinese Journal of Applied Ecology, 2017, 28(4):1128－1136. (in Chinese with English abstract)

[26]馮偉，王曉宇，宋曉，等. 白粉病脅迫下小麥冠層葉綠素密度的高光譜估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(13)：114－123.Feng Wei, Wang Xiaoyu, Song Xiao, et al. Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildew[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 114－123. (in Chinese with English abstract)

[27]王福民，黃敬峰，徐俊鋒，等. 基于光譜波段自相關(guān)的水稻信息提取波段選擇[J]. 光譜學(xué)與光譜分析，2008，28(5)：1098－1101.Wang Fumin, Huang Jingfeng, Xu Junfeng, et al. Wavebands selection for rice information extraction based on spectral bands inter-correlation [J]. Spectroscopy and Spectral Analysis, 2008, 28(5): 1098－1101. (in Chinese with English abstract)

[28]王強(qiáng)，易秋香，包安明，等. 基于高光譜反射率的棉花冠層葉綠素密度估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2012，28(15)：125－132.Wang Qiang, Yi Qiuxiang, Bao Anming, et al. Estimating chlorophyll density of cotton canopy by hyperspectral reflectance [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(15): 125－132. (in Chinese with English abstract)

[29]于雷，洪永勝，周勇，等. 高光譜估算土壤有機(jī)質(zhì)含量的波長(zhǎng)變量篩選方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(13)：95－102.Yu Lei, Hong Yongsheng, Zhou Yong, et al. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016, 32(13): 95－102. (in Chinese with English abstract)