基于最優光譜指數的大豆葉片葉綠素含量反演模型研究

劉 爽， 于海業， 張郡赫， 周海根， 孔麗娟， 張 蕾， 黨敬民， 隋媛媛

吉林大學生物與農業工程學院， 吉林 長春 130022

引 言

葉綠素含量與植被的光合能力、 生長發育以及營養狀況有很密切的關系， 可有效反映其脅迫、 生長和衰老等狀況[1]， 因此定量估測葉綠素含量等植被生化、 生理參數， 成為植被監測研究的重點。 大豆是人類和動物飲食中重要的蛋白質和脂肪酸來源， 是世界上最大的飼料蛋白來源， 也是第二大食用油來源， 在全球范圍內的種植面積超過1.215億公頃[2]， 保證大豆優質高效生產具有重要意義。 在各個發育階段中， 花芽分化期表示大豆開始進入生殖生長和營養生長并進的關鍵時期， 這一時期較高的葉綠素含量可以促進大豆葉片生長、 提高光合能力、 光合效率及產量。 因此， 大豆葉片中的葉綠素含量、 濃度等研究受到了眾多學者的高度關注。

針對植被葉綠素含量的反演方法， 由初期使用多元回歸反演方法逐漸轉為使用基于經驗/半經驗的光譜指數反演方法。 同時， 也有學者使用物理模型方法進行反演， 但由于物理模型反演算法復雜， 不確定性因素較多， 很多輸入參數難以獲得， 導致反演精度受到限制[3]。 相比之下， 基于兩個或多個光譜波段通過線性或非線性組合構建的光譜指數建立反演模型的方法， 不僅所體現的光譜信息比單波段具有更好的靈敏性， 同時可在一定程度上消除使用過多波段帶來的波段過擬合問題， 使統計分析結果更準確且更具有說服力， 因此， 此種方法被廣泛用于植被生理生化參量的反演研究[4]。

大量國內外研究表明， 使用反射光譜和一階微分光譜構建的光譜指數具有定量反演作物生化參數的能力， 可以有效克服人工觀測主觀性強、 效率低的弊端， 又可以解決遙感技術受分辨率、 空域條件、 氣象狀況、 時間周期等因素制約的問題[5]。 Yang等[6]為了更精確地用葉綠素熒光監測植物生理規律， 通過分析光合有效輻射(PAR)的吸收過程、 太陽誘導葉綠素熒光(SIF)的散射和再吸收過程， 創建了熒光校正植被指數(FCVI)用于分析該過程的組合影響， 結果表明： 當植被在自然生長階段和季節變化時， 這種方法增強了人們對植被生理過程的理解， 從而更有針對性地對植被進行精準高效的管理。 Xu等[7]通過使用光譜指數NDRI、 mSR等開發了一種將貝葉斯網絡(BN)和PROSAIL模型耦合的新方法， 用以估計水稻冠層葉綠素含量， 結果表明： 此方法提高了葉綠素含量的反演精度， 并且在提高作物生長參數的估計準確性方面具有重要作用。 José Raúl Román等[8]利用不同的光譜變換形式計算植被指數進行葉綠素a含量的無損定量分析， 結果表明： 反射率的一階導數對于葉綠素a的檢測最準確， 建立的非線性隨機森林(RF)模型提供了較好的擬合度， 決定系數R2>0.94。 劉潭等[9]用4種較優的光譜指數建立基于最小二乘支持向量機(LSSVM)和PROSAIL輻射傳輸機理的混合模型， 用以提高水稻葉綠素估測精度和模型的可解釋性， 結果表明： 此混合模型具有較低的預測偏差， 其建模集R2=0.740 6， RMSE=0.985 2， 驗證集R2=0.733 2， RMSE=1.084， 具有較高的估測精度和良好的魯棒性。 有研究通過計算12個光譜指數與冠層葉綠素含量相關性指標， 來評估光譜指數在不同葉傾角分布(LAD)下反演玉米葉綠素含量的敏感性差異， 同時基于實測數據建模， 結果表明指數MNDVI8對LAD變化最不敏感， 反演模型的精度最高， 決定系數R2=0.70， 均方根誤差RMSE=22.47。

光譜指數可定性或定量地反映和評估作物生長的各項指標， 建立光譜指數與葉綠素含量之間的定量模型， 也是田間和實驗室測量葉綠素含量進行驗證的有效估算方法[11]， 本文使用光譜指數進行大豆葉綠素含量的反演。 以往使用光譜指數進行作物葉片葉綠素含量的估算研究中， 眾多學者使用固定波長進行光譜指數的計算， 再與葉綠素含量進行相關性分析， 最后選取相關性較好的光譜指數建模。 而對于不同的研究對象， 因其生長環境等因素的不同， 會使作物本身的生理信息產生差異， 導致光譜特征不同， 這時再使用相同的波長可能會造成光譜數據無法充分利用， 計算出的光譜指數建立反演模型具有一定的局限性， 模型精度在一定程度上也會受到制約。 為解決上述問題， 本工作利用相關矩陣法進行光譜指數特征波長的篩選， 使特征波長與所用大豆葉綠素含量的相關性最高。

研究中采集大豆葉片高光譜和葉綠素含量數據， 并基于原始和一階微分高光譜分別進行7種(共14個)光譜指數的計算， 再采用相關矩陣法與葉綠素含量進行相關性分析， 提取出最優的波長組合， 最后將14個光譜指數與3種回歸方法組合建模， 探討基于不同光譜指數(輸入變量)和建模方法的組合對反演大豆葉片葉綠素含量準確性的影響， 為研究精準、 無損且快速的大豆葉綠素含量檢測技術提供理論依據。

1 實驗部分

1.1 樣品

本實驗于吉林大學生物與農業工程學院日光溫室內進行， 供試大豆品種為虎山60， 采用盆栽實驗。 于2019年7月20日播種， 每盆播種1粒種子， 共播種50盆， 最后選取27株長勢旺盛和葉片健康無病蟲害的大豆作為實驗樣本。

1.2 數據采集與處理

實驗于2019年8月20日(花芽分化期)的10:00—14:00進行數據采集， 采集地點位于溫室內， 數據測量時天氣晴朗， 每株測量4片大豆功能葉片， 樣本量為108個， 采集葉片的高光譜和葉綠素含量數據。 高光譜數據采用美國Analytical Spectral Devices分析光譜儀器公司生產HH2地物光譜儀測定， 測量范圍325～1 075 nm， 采樣間隔1.4 nm， 分辨率3 nm@700 nm， 每片葉獲取3條數據。 葉綠素含量采用日本KONICA MINOLTASPAD-502葉綠素儀測定， 每片葉片獲取3條數據。 因SPAD-502讀數與葉綠素含量密切相關[10]， 因此， 將其值代表葉綠素含量。 以上2種數據均取其平均值作為所用數據。 數據處理與分析軟件為ViewSpec Pro、 Matlab R2015b和Origin 19.0。

2 結果與討論

2.1 光譜指數的構建

表1 光譜指數名稱、 公式和參考文獻

2.2 最優光譜指數波長組合的提取

本文利用相關矩陣法分別進行上述14個光譜指數與SPAD值間的相關性分析， 并繪制相關矩陣圖， 以最大相關系數所在的i和j波長位置作為最優的波長組合， 如圖1所示， 藍色到黃色表示高負相關到高正相關。

圖1 光譜指數與SPAD值相關矩陣圖

由圖1(a—n)分別提取出的光譜指數與SPAD值相關系數最大值rmax及其所在的波長位置如表2所示。 可見， 14個指數與SPAD值的rmax均高于0.8， 表明相關性較好， 其中與SPAD值相關系數最高的是DI值， 為0.889 9， 波長組合位于735和732 nm。 一階微分反射率計算的光譜指數中， 與SPAD值相關系數最高的是FDDI值， 為0.877 9， 波長組合位于727和788 nm。 按rmax值由高到低進行排序的結果為： DI>FDDI>FDSAVI>TVI>SAVI>RI=NDVI>mSR=mNDI>FDNDVI>FDRI>FDTVI>FDmSR>FDmNDI。 由原始反射率計算的指數中， 其中5個指數(RI， NDVI， mSR， mNDI和SAVI)優選出的波長組合均為728和727 nm； 由一階微分反射率計算的指數中， 其中3個指數(FDNDVI， FDmSR和FDmNDI)優選出的波長組合均為726和705 nm， 上述4個波長均屬于紅邊， 紅邊是綠色植物在670～760 nm之間反射率增高最快的點。 有研究表明， 葉片中葉綠素的吸收光譜曲線存在紅邊， 而水、 類胡蘿卜素的吸收光譜曲線不存在紅邊， 葉片中其他成分對光的吸收作用小， 所以葉片光譜紅邊的出現是由葉綠素導致的， 葉綠素含量的變化及特征信息可最大程度地反映在紅邊上， 即紅邊對葉綠素含量具有較高的敏感性[14]， 所以本文提取出的最優波長位置與前人的研究結果相符。

表2 光譜指數與SPAD值相關系數最大值及波長位置

2.3 基于最優光譜指數建立葉綠素含量反演模型的比較分析

根據上述研究提取出的14組最優波長組合， 將其分別代入對應的光譜指數計算公式中進行計算， 得到對應最優光譜指數值， 也稱最優光譜指數， 再基于最優光譜指數建立大豆葉綠素含量反演模型。 本研究為了對比基于不同最優光譜指數組合的建模效果， 將14個最優光譜指數劃分為3組作為模型輸入變量， 第一組變量為由原始反射光譜計算的7個最優光譜指數， 分別為RI(728， 727)， DI(735， 732)， NDVI(728， 727)， mSR(728， 727)， mNDI(728， 727)， SAVI(728， 727)和TVI(1007， 708)， 稱為組合1； 第二組變量為由一階微分反射光譜計算的7個最優光譜指數， 分別為FDRI(727， 708)， FDDI(727， 788)， FDNDVI(726， 705)， FDmSR(726， 705)， FDmNDI(726， 705)， FDSAVI(727， 788)和FDTVI(760， 698)， 稱為組合2； 第三組變量為按表2中所有rmax值由高到低排序的前7位， 分別為DI(735， 732)， FDDI(727， 788)， FDSAVI(727， 788)， TVI(1007， 708)， SAVI(728， 727)， RI(728， 727)和NDVI(728， 727)， 稱為組合3。 采用間隔取樣法將108個樣本按2∶1的比例劃分校正集和驗證集， 即校正集有72個樣本， 驗證集有36個樣本。 采用偏最小二乘回歸(partial least squares， PLS)、 最小二乘支持向量機回歸(least squares support vector machines， LSSVM)和LASSO回歸3種回歸方法建模， 本文中PLS方法建模的主成分數均為3。 以決定系數R2和均方根誤差(root mean square error， RMSE)作為模型評價指標，R2越接近于1、 RMSE越小， 表明模型精度越高。

表3 不同輸入變量和建模方法組合的大豆葉綠素含量反演模型結果

圖2 不同輸入變量和建模方法組合的大豆葉綠素含量反演模型驗證集預測結果

3 結 論

以大豆花芽分化期葉片為研究對象， 測量了大豆葉片的高光譜和葉綠素含量數據， 并對原始高光譜進行一階微分處理， 再分別基于原始和一階微分高光譜反射率進行7種光譜指數(共14個)的計算， 采用相關矩陣法提取最優的波長組合， 進而計算最優光譜指數， 最后基于最優光譜指數與PLS， LSSVM和LASSO回歸建模方法進行組合建立大豆葉片葉綠素含量反演模型， 得出以下結論：

(1)提取出的14個基于最優波長組合計算的光譜指數與葉綠素含量間均具有較好的相關性， 相關系數最大值均大于0.8， 其中DI(735， 732)和FDDI(727， 788)表現出最高的相關性， 相關系數值分別為0.889 9和0.877 9。

基于光譜指數建立植被生理生化參數反演模型的研究中仍有一些問題有待解決， 如本研究及大多數學者的研究多以單一植被生長期為實驗時期， 將其研究結果應用于植被整個生長期的可靠性還需進一步考察， 如何將單個時期與整個生長期的生理生化反演模型通用并達到較高的模擬性能和精度仍需更深入的研究與實踐。