基于冠層高光譜的油菜角果期紅邊參數及葉片SPAD值反演模型

張銳 廖桂平 王訪 劉凡

摘要：以湖南省為研究區，探索不同栽培因子條件下油菜的高光譜特征，建立基于高光譜特征的葉綠素預測模型，并將其應用于田間生產實踐，以期為油菜營養診斷、高產栽培和生產管理的信息化提供一定的理論依據和技術支撐。使用便攜式地物光譜儀和SPAD-502葉綠素儀分別對油菜冠層反射光譜和SPAD值進行實測，分析不同栽培因子條件下角果期的油菜冠層光譜特征，并得到其相應的紅邊參數（包括紅邊位置、紅邊振幅與紅邊面積），最后運用多種方法對紅邊參數與角果期的油菜SPAD值進行相關性分析，以期建立SPAD值的最佳反演模型。結果表明，在紅光波段（680～760 nm），油菜角果期的冠層反射光譜趨于穩定，冠層的三峰兩谷現象比較明顯，而且在整個角果期，紅邊位置都穩定在760 nm這個點，不隨栽培因子的改變而改變。但是栽培因子對紅邊振幅和紅邊面積有著明顯影響，因此可用紅邊參數來預測油菜的SPAD值。經過5種不同的建模比較分析可以得出，基于支持向量機（SVM）的預測模型最好，R2為0.912 6，均方誤差為0.326 6。

關鍵詞：油菜;紅邊特征;SPAD值;相關分析;回歸模型

中圖分類號： S565.4?文獻標志碼： A

文章編號：1002-1302（2019）20-0255-05

作物葉片的SPAD值反映了作物葉綠素含量的相對高低，它已經成為一種評價作物長勢狀況的重要參考指標[1]。因此，了解作物的葉綠素含量及其變化，對作物群體營養診斷、長勢監測及估產具有重要意義。近年來，隨著高光譜遙感技術的快速發展，遙感手段已經可以在光譜維度上展開，并且可直接對地物進行微弱光譜差異的定量分析，在作物遙感研究與應用中表現出強大優勢[1]。作物葉片的高光譜信息在可見光范圍內主要受葉綠素、類胡蘿卜素的影響，因此可以用作物的高光譜參數來估測葉片的葉綠素含量。油菜是世界上主要的油料作物，也是我國生產種植面積最大的油料作物[2]，因此，利用高光譜技術估測油菜葉片的葉綠素含量（SPAD值）的研究具有重要意義。

紅邊是由于作物在紅光波段的強吸收以及在近紅外波段的強反射，使光譜反射率在680～760 nm區域內陡然上升，形成了綠色作物光譜最明顯的特征，與作物的葉綠素含量、氮含量等生理參數之間具有很好的相關性[3]。據姚付啟等報道，在國外，Carter等將680～760 nm這一波段范圍內冠層光譜特征曲線的一階導數最大值定義為“紅邊”位置，接著進行了關于“紅邊”位置同葉綠素等色素之間關系的探討[4];Pinar等提出，植被的冠層光譜“紅邊”位置能夠非常好地反映單位面積農作物的葉綠素含量[4]。在國內，有研究指出，上層葉片的紅邊位置與葉綠素含量之間存在密切的聯系[4]。有研究者于2004年測量了水稻、玉米、棉花3種作物不同生長期的高光譜反射率及其相應葉片的葉綠素含量等，分析了它們的紅邊參數與葉片色素含量的相關性[4]。黃敬峰等在2003至2008年研究了紅邊參數與葉面積指數（LAI）的相關性，因而建立了反演估算模型[5-6]。宋開山等測量了大豆冠層的高光譜反射率，接著分析了其與葉綠素含量的相關性[7]。在利用紅邊參數來估測綠色植物的葉綠素含量方面，國內外已經有很多研究成果，但是在油菜方面的應用較少，有的研究也只是基于冬前，關于油菜角果期的研究卻很少，而角果是油菜最重要的器官，其光合能力和潛力直接決定了油菜的產量[8]。因此，研究油菜角果的高光譜特征以及不同栽培因子下紅邊特征與葉綠素的相關性，能夠很好地提高油菜的光合作用效率并解決其“源”“庫”之間的沖突，這對于增加油菜的產出、提升油菜籽的質量以及油菜的大規模、機械化生產具有巨大的價值。

本研究以長沙市耘園實驗基地作為研究區，以油菜為研究對象，選擇栽植密度、施肥量等作為試驗因子，研究栽植密度與施肥量對油菜光譜特征的影響，旨在建立基于冠層高光譜的葉綠素預測模型，并將其應用到田間生產實踐中，為油菜營養診斷、高產栽培和生產化管理提供一定的理論依據和技術支持。

1?材料與方法

1.1?試驗設計與數據獲取

1.1.1?試驗設計?試驗于2016年9月至2017年5月在湖南農業大學內耘園基地（地理位置為113°09′E，28°19′N）進行，試驗用地為水旱輪作地。試驗用油菜品種為油菜708（由隆平高科股份有限公司提供），栽植密度設為低密度（15萬株/hm2）、中密度（30萬株/hm2）和高密度（45萬株/hm2）3個水平，施肥量設為低（225 kg/hm2）、中（487.5 kg/hm2）、高（750 kg/hm2）3個水平。所用肥料為從俄羅斯進口的復合肥，其氮（N）、磷（P）、鉀（K）（即N+P2O5+K2O）含量為45%。施用硼肥、化學除草、抗旱等由試驗區統一實施。例如，播前進行一次封閉除草，苗期施用1次藥劑防蚜蟲和菜青蟲，油菜生長后期施用1次藥劑防菌核病。共設9個處理（表1），3次重復，共計27個小區，均為隨機小區，小區面積為16 m2（長 8 m，寬2 m）。

1.1.2?數據的獲取?在油菜的角果期采用美國ASD公司生產的FieldSpec3Hi-Hi-Res便攜式地物光譜儀測定不同處理小區冠層的高光譜反射率，光譜儀波段范圍為325～2 500 nm，其中，325～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm;1 001～2 500 nm采樣間隔為1.1 nm，光譜分辨率為8 nm。光譜測量選擇在晴朗無云、風力較弱的天氣進行，測量時間為10：30—14：00。試驗小區共計27個，每個處理小區隨機均勻地選取5個點進行測量，取其平均值作為該小區的高光譜反射率，并且在每個小區測量之前，進行1次白板校正[6]，然后在同一小區內再次測量角果期油菜葉片的SPAD值，測量所用儀器是日本美能達公司生產的SPAD-502葉綠素儀，每塊小區測定5張葉片的SPAD值，均勻地選取各小區長勢比較居中的樣本進行測量，測量時選擇油菜主莖從上往下數第3張葉片，每張葉片沿葉周選測5個均勻的葉片SPAD值，取平均值作為該采樣點的葉片SPAD值，并對5個測定值取平均作為該試驗小區的葉綠素含量相對值。

本研究共完成12次田間試驗與數據采集，由于本研究主要針對的是油菜角果時期的特征，因此選取2017年3月26日和4月13日的數據用于研究。

1.2?分析方法

1.2.1?高光譜數據的處理?使用地物光譜儀自帶的View Spec數據后處理軟件，對原始數據進行處理，先轉換為txt格式的文檔，然后導入Excel，進行原始光譜的一階微分變換并截取680～760 nm范圍內反射率的一階導數，從而計算各個紅邊參數。紅邊振幅Dλred是波長680～760 nm內光譜反射率的一階導數的最大值;紅邊位置λred是紅邊振幅對應的波長;紅邊面積Sλred是680～760 nm內一階導數光譜所包圍的面積。

1.2.2?估算模型的方法?（1）線性回歸模型。線性回歸是數理統計中基于回歸分析的一種統計分析方法。在回歸分析中，只包含1個獨立變量和1個因變量，兩者之間的關系可以近似看作1條直線。這種回歸分析被稱為一元線性回歸模型分析，其表達式如下：y=kx+b，其中，b為誤差服從均值為0的正態分布。二元線性回歸是有2個自變量的線性回歸，是依據2個自變量和1個因變量之間的關系進行預測的方法。二元線性回歸的公式如下：y=k1x1+k2x2+b。基于二元線性回歸的預測方法、原理和步驟與基于一元線性回歸的預測方法沒有根本性差異，基本上相同。

（2）多項式回歸。若對于可控變量x和隨機變量y進行m（m>n）次獨立的觀測（xi，yi）（i=1，2，3，…，m），則y（因變量，也被稱為響應變量）和x（自變量）之間的回歸模型為yi=p1xin+p2n-1+…+pnxi+pn+1，其中，p1，p2，…，pi為未知參數。

（3）BP神經網絡。BP神經網絡的算法有2個步驟：1個是正向和反向傳播，另1個是權值修正。在第1個步驟中，正向傳播時，要把1個需要輸入的學習樣本輸入到神經網絡中，經過每層的權值加權以及激活函數的映射，一直傳到最后1層，得到輸出神經元的1個結果;而反向傳播時，要把計算出來的這個輸出結果與理想的輸出相比較，計算它們的誤差，然后將這個誤差再反向傳播到每層神經元中。在第2步誤差反向傳播的權值修正中，采用的是梯度下降法的原則[9-10]。

（4）支持向量機（SVM）回歸。支持向量機是與相關學習算法有關的監督學習模型，可以分析數據、識別模型，用于回歸和分類。支持向量回歸的基本思想就是通過1個非線性映射到高維特征空間，并在這個特征空間進行線性回歸[11]。支持向量機最開始是做分類的，但是為了利用支持向量機解決回歸擬合問題，所以在支持向量機分類的基礎上引入了不敏感損失函數，從而得到了回歸型支持向量機。并且，在支持向量機應用于回歸擬合時，其基本思想不再是尋找1個最佳超平面來使2類樣本分開，而是尋找1個最佳超平面，使所有樣本點距該最佳超平面的誤差最小。

1.2.3?模型檢測?將檢測數據參數帶入研究得到的反演模型中。通過預測值和實際值的計算對比，可以得到均方誤差（MSE）和決定系數（R2）。MSE越小，R2約接近1，證明預測模型越好。具體有：（1）均方誤差越小，表明模型的性能越好;（2）決定系數的范圍在[0，1]內，愈接近1，表明模型的性能越好;反之，愈接近0，表明模型的性能越差。

2?結果與分析

2.1?冠層光譜的紅邊參數

通過一階微分計算出每種處理方式下的一階微分曲線，然后截取其中紅光波段（680～760 nm）的曲線。從圖1、表2可以看出，在整個油菜角果期，紅邊位置都穩定在 760 nm 這個點，說明油菜在角果期的紅邊位置不隨栽培因子的變化而發生改變;油菜角果冠層光譜紅邊特征在680～750 nm 出現的雙峰兩谷現象也很明顯，其中雙峰分別在 687～689、717～719 nm，兩谷則分別在690～691、720～721 nm，完全符合綠色植物的光譜特征，同時具備油菜特有的雙峰現象，因此能夠從這些特定的位置來識別油菜角果期的冠層光譜信息，這也與黃敬峰等關于水稻冠層一階光譜在紅光區域存在“雙峰”現象的研究結論[6]相同。

分析本研究測得的角果期油菜冠層光譜紅邊參數可以得出，油菜角果期的紅邊位置為760 nm，紅邊振幅在 0.030 990～0.036 491之間，紅邊面積在0.309 525～0.400 972 之間，其中處理T9的紅邊振幅最大，但紅邊面積最小，處理T3的紅邊振幅最小，但紅邊面積最大，推測其主要原因，可能由于隨著供氮量的增加，葉片葉綠素含量升高，植物新陳代謝能力加強。因而在不同栽培因子條件下，油菜角果的冠層光譜值存在一定差異，即不同栽培因子對油菜角果冠層光譜有影響。

2.2?油菜紅邊參數與SPAD值的相關性反演研究

對角果期的油菜數據進行統計分析，其中油菜的樣本容量為27株，通過MATLAB對油菜樣本的紅邊參數與葉片SPAD值之間進行相關性分析，進而建立角果期紅邊參數與葉片SPAD值的回歸模型。

2.2.1?一元線性回歸?利用MATLAB對紅邊參數的單一變量紅邊振幅和紅邊面積進行分析，建立單一變量紅邊振幅和紅邊面積與葉片SPAD值的線性方程，其中紅邊振幅和紅邊面積作為自變量，葉片SPAD值作為因變量，可以得出圖2、圖3的線性回歸方程。關于紅邊振幅和葉片SPAD值的一元線性回歸方程為y=55.831-409.57x，其決定系數為0.436 6，均方誤差為1.53;關于紅邊面積和SPAD值的一元線性回歸方程為y=26.287+44.65x，其決定系數為0.665 0，均方誤差為1.18。以紅邊面積作為自變量建立的回歸模型的決定系數比以紅邊振幅作為自變量建立的模型的決定系數要大，并且均方誤差要小，可見使用紅邊面積作為自變量建立的模型要更精確。

2.2.2?多元線性回歸?多元線性回歸分析就是要研究因變量與2個或2個以上自變量的回歸問題。紅邊參數中的紅邊振幅和紅邊面積都與葉片SPAD值具有較好的一元關系。為了探索精確度更高的估算回歸模型，建立上述2個顯著變量與油菜葉片SPAD值的多元線性回歸模型。經過MATLAB軟件的分析處理，建立的多元回歸模型為y=-113.44x1+37.693x2+32.582（其中：x1為紅邊振幅，x2為紅邊面積），該模型的R2為0.682，MSE為1.170，均優于單個變量的回歸模

型，估算精度得到了提高。

2.2.3?一元多項式回歸?使用MATLAB對紅邊參數的單一變量（紅邊振幅和紅邊面積）與葉片SPAD值分別進行二次、三次多項式回歸擬合。由圖4、圖5可以看出，紅邊振幅的二次多項式擬合方程為y=0.057 53x2-1.331x+41.82，r2為 0.437，MSE為1.564;紅邊振幅的三次多項式擬合方程為 y=-0.754 3x3+0.063 93x2-0.011 8x+41.91，r2為0.526，MSE為1.467。紅邊面積的二次多項式擬合方程為y=0.343x2+1.692x+41.55，r2為0.694，MSE為1.153;紅邊面積的三次多項式擬合方程為y=-0.097 91x3+0.341 1x2+1.887x+41.53，r2為0.695，MSE為1.175。

2.2.4?BP神經網絡?以油菜冠層角果期的葉片作為試驗樣本，建立以高光譜紅邊參數為自變量的傳統回歸模型，然后將從中優選的紅邊參數作為BP神經網絡的輸入，將油菜葉片的SPAD值作為輸出。利用MATLAB編程對BP神經網絡模型進行訓練，首先對數據進行隨機抽取，分作2組，1組作為訓練集（n=20），用以建立回歸模型，1組作為測試集（n=7），用以進行精度檢查，然后對輸入、輸出變量進行歸一化處理，數據被壓縮到[0，1]的范圍中，以使訓練階段容易收斂，最后建立BP神經網絡的葉片SPAD值估算模型及精度檢驗，模型的訓練值和目標值均方誤差MSE為0.240 6，決定系數為 0.724 0，模擬結果較精確。模型的檢驗結果如圖6、表3所示，可見預測值與實際值的MSE為0.114 7，決定系數為 0.802 4，模型的預測效果良好。

2.2.5?支持向量機?以油菜冠層角果期的葉片作為試驗樣本，建立起以高光譜紅邊參數為自變量的傳統回歸模型，利用MATLAB編程對SVM模型進行訓練。首先對數據進行隨機抽取，分作2組，1組作為訓練集（n=20），用以建立回歸模型，1組作為測試集（n=7），用以進行精度檢查，然后對輸入、輸出變量進行歸一化處理，數據被壓縮到[0，1]的范圍中，以使訓練階段容易收斂，最后建立基于SVM的油菜紅邊參數及葉片SPAD值估算模型并進行精度檢驗，由圖7可知，模型的訓練值和目標值均方誤差為0.038 5，決定系數為0.856 7，模擬結果很好。模型的檢驗結果如圖8所示，預測值與實際值的均方誤差為0.326 6，決定系數為0.912 6，模型的預測效果較為精確。

3?討論

本研究利用高光譜對角果期油菜的葉片SPAD值進行了估算研究，為油菜的葉片SPAD值高精度估算提供了重要的理論依據。通過對油菜冠層高光譜特征曲線的分析可知，油菜角果的光譜特征在680～760 nm這一范圍出現的雙峰兩谷現象很明顯，而整個油菜角果期的紅邊位置都穩定在760 nm這點，可作為油菜角果期識別與反演的重要標志，這與黃敬峰等的研究結果[6]相同。在角果期不同栽培因子條件下，油菜光譜反射率的整體變化趨勢相同，但是在不同栽培條件下，油菜的冠層光譜值存在著一定差異，即不同栽培因子對油菜冠層光譜有影響，結果表明，在3.3 kg/hm2+667株/hm2這一栽培條件下，油菜的長勢最好，可以推測是由于隨著單位植株供氮量的增加，葉片葉綠素含量增加，植物的新陳代謝能力加強。

本研究結論具有一定的代表性，但是還存在一些不足，研究初步得出的結論都是基于同一年份以及同一地點進行的，加上試驗樣本有限，而且試驗樣本為同一種油菜品種，此外采集光譜數據的人不同，操作儀器的方式也不可能完全一致，另外還受到天氣、環境以及設備的影響。因此，基于冠層光譜的油菜角果紅邊參數和SPAD值估算模型的預測準確性和穩定性以及所建立的模型是否適用于其他油菜品種類型和指導大面積生產仍需要進一步試驗與論證。

4?結論

本研究以油菜作為對象，利用微分技術獲取光譜參數，分析葉片SPAD值與高光譜特征參數的相關關系，建立起了估算油菜葉片SPAD值的線性回歸模型、多項式回歸模型、BP神經網絡模型以及支持向量機回歸模型，并對各模型的反演精度進行比較分析，得出基于紅邊參數構建的支持向量機回歸模型是估算油菜葉片SPAD值的最優模型，其決定系數R2為0.912 6，均方誤差為0.326 6。

參考文獻：

[1]朱西存，趙庚星，姜遠茂，等. 基于高光譜紅邊參數的不同物候期蘋果葉片的SPAD值估測[J]. 紅外，2011，32（12）：31-38.

[2]張秀英，皇甫海燕，陳菁菁，等. 高油酸油菜的研究進展及前景[J]. 作物研究，2007，60（增刊1）：654-656，661.

[3]楊榮超，田海清，李?斐，等. 基于甜菜冠層高光譜紅邊參數的SPAD值診斷[J]. 江蘇農業科學，2017，45（11）：153-156.

[4]姚付啟，張振華，楊潤亞，等. 基于紅邊參數的植被葉綠素含量高光譜估算模型[J]. 農業工程學報，2009，25（增刊2）：123-129.

[5]王福民，王?淵，黃敬峰. 不同氮素水平油菜冠層反射光譜特征研究[J]. 遙感技術與應用，2004，26（2）：80-84.

[6]黃敬峰，王?淵，王福民，等. 油菜紅邊特征及其葉面積指數的高光譜估算模型[J]. 農業工程學報，2006，22（8）：22-26.

[7]宋開山，張?柏，王宗明，等. 基于小波分析的大豆葉綠素a含量高光譜反演模型[J]. 植物生態學報，2008，32（1）：152-160.

[8]張耀文，趙小光，關周博，等. 油菜角果光合特性研究現狀及改良思路[J]. 中國油料作物學報，2017，39（5）：704-713.

[9]李媛媛，常慶瑞，劉秀英，等. 基于高光譜和BP神經網絡的玉米葉片SPAD值遙感估算[J]. 農業工程學報，2016，32（16）：135-142.

[10]楊可明，張婉婉，卓?偉，等. 紅邊光譜諧波分析的神經網絡法葉綠素含量反演研究[J]. 科學技術與工程，2016，16（24）：19-24.

[11]梁?棟，管青松，黃文江，等. 基于支持向量機回歸的冬小麥葉面積指數遙感反演[J]. 農業工程學報，2013，29（7）：117-123.