光譜估算

引言

高等植物葉綠素有兩種: 葉綠素a和葉綠素b, 它們參與光能吸收、傳遞和轉(zhuǎn)化, 調(diào)控著葉片吸收太陽(yáng)輻射的量從而影響著光合作用的潛力及初級(jí)生產(chǎn)力。植物葉綠素含量與其營(yíng)養(yǎng)狀況密切相關(guān), 例如在植物受到脅迫以及在衰老進(jìn)程中其葉綠素含量會(huì)降低且其葉綠素 a與葉綠素b的比值也會(huì)因非生物因素的影響而發(fā)生變化, 利用葉綠素含量可以間接估計(jì)植物營(yíng)養(yǎng)狀態(tài)。葉綠素含量作為有關(guān)植物-環(huán)境相互作用的信息監(jiān)測(cè)因子, 其已成為植物健康的監(jiān)測(cè)指標(biāo)之一。葉片的光譜反射率是對(duì)光合色素含量的響應(yīng), 葉綠素在植物葉片內(nèi)的含量可利用測(cè)定特征光譜表現(xiàn)出來(lái)。因此, 葉片的光譜反射率成為監(jiān)測(cè)植物光合作用、病蟲害和環(huán)境脅迫的有力手段。如何利用高光譜技術(shù)快速準(zhǔn)確地監(jiān)測(cè)植物葉綠素含量, 進(jìn)而實(shí)現(xiàn)植物健康的大面積監(jiān)測(cè), 已成為亟需解決的生態(tài)問(wèn)題。

材料與方法

2.1 研究區(qū)概況

研究區(qū)位于塔里木河流域上游源流區(qū)和新疆阿瓦提縣胡楊林保護(hù)區(qū)。塔里木河流域上游源流區(qū) (40°17′N、 80°21′E) 三河交匯, 供水資源豐富, 地表徑流流量較大, 豐水期為7—9月, 汛期受洪水影響較大。阿瓦提縣胡楊林保護(hù)區(qū)(40°15′53.72″ ~ 40°18′23. 13″N、 80° 19′54. 71″ ~ 80° 24′13. 10″E) 位于葉爾羌河的下游, 葉爾羌河之水主要來(lái)源于高山冰雪融水, 其河流有明顯的枯水期, 且在干旱區(qū)因不斷蒸發(fā)、沿岸取水會(huì)導(dǎo)致地表徑流量減少, 下游逐漸轉(zhuǎn)變?yōu)榈叵聫搅? 水位持續(xù)降低。胡楊是荒漠河岸林唯一的建群?jiǎn)棠? 林下植被組成簡(jiǎn)單, 植物種類主要有鈴鐺刺、甘草、檉柳等。

2.2 實(shí)驗(yàn)設(shè)置

設(shè)置0~2、2~4、4~6、6~8、8~10m的5個(gè)地下水埋深梯度。在塔河源參照土壤剖面選取地下水埋深0~2與2~4m采樣區(qū)。在阿瓦提縣胡楊林保護(hù)區(qū)選擇垂直葉爾羌河不同距離的區(qū)域, 參照豎 井水深確定相應(yīng)采樣區(qū)作為地下水埋深4~6、6~8與8~10m采樣區(qū)。

2.3 光譜數(shù)據(jù)采集

在晴朗無(wú)風(fēng)、天空云量小于20%的條件下,從每個(gè)采樣區(qū)范圍內(nèi)挑選胸徑30 ~ 40cm,樹齡、長(zhǎng)勢(shì)相近且無(wú)病蟲危害的胡楊10株,共50株。每株摘取其完整且具有代表性的葉片10片。用高枝剪采集葉片樣本,用于測(cè)定樣本葉片光譜反射率。采用便攜式地物光譜儀對(duì)胡楊葉片進(jìn)行測(cè)定,分辨率為1nm,波長(zhǎng)范圍在325~1075nm,以其平均值作為該采樣區(qū)的光譜反射率。

2.4 葉綠素含量的測(cè)定

胡楊葉片剪碎后通過(guò)95%乙醇浸提,放入冰箱于4 ℃密封浸提48h,之后用分光光度計(jì)測(cè)定。按下列公式計(jì)算其濃度。葉綠素a (chla) = 0. 013 73A663-0. 000 897A537-0. 003 046A647葉綠素b (chlb) = 0. 024 05A647-0. 004 305A537-0. 005 507A663式中: A663或A647為在波長(zhǎng)663或647nm下用1cm的比色皿測(cè)量的吸光度值。

2.5 光譜數(shù)據(jù)預(yù)處理

采集的樣品光譜信號(hào)往往會(huì)受到背景噪聲、基線漂移等因素的干擾,從而影響最終的定性定量分析結(jié)果,因此需要對(duì)原始光譜進(jìn)行預(yù)處理。通過(guò)公式對(duì)胡楊葉片原始光譜數(shù)據(jù)進(jìn)行預(yù)處理與分析。一階導(dǎo)數(shù)處理的光譜數(shù)據(jù)能獲取不同的光譜參數(shù)，變換可增強(qiáng)光譜特征差異,減弱背景噪聲對(duì)光譜數(shù)據(jù)的干擾,放大光譜吸收特性。(如峰谷特征,紅邊波段等),從而反映植物的特征,。對(duì)原始的光譜數(shù)據(jù)進(jìn)行SG平滑處理后,光譜噪聲明顯減弱,對(duì)平滑后的原始光譜重采樣,間隔為5nm,再進(jìn)行一階導(dǎo)數(shù)變換。選取350~1050nm的數(shù)據(jù)進(jìn)行分析,并且連續(xù)測(cè)量10次并取其平均反射率數(shù)據(jù)。

2.6 光譜特征波段分析方法

本研究的光譜特征波段采集方法采用相關(guān)系數(shù)法和灰色關(guān)聯(lián)度分析。相關(guān)系數(shù)是反映相應(yīng)變量間相關(guān)關(guān)系密切度的指標(biāo), 不同地下水埋深條件下胡楊葉片反射光譜與葉綠素 a、b、a+b含量之間的線性相關(guān)關(guān)系可以通過(guò)相關(guān)系數(shù)來(lái)確立。樣本的相關(guān)系數(shù)值越大, 其相 似程度越高, 反之, 相似程度越低。由于灰色關(guān)聯(lián)度分析能對(duì)目標(biāo)性狀進(jìn)行分析, 評(píng)價(jià)不同性狀的影響程度。故選用此方法對(duì)胡楊葉片的光譜特征波段進(jìn)行篩選。不同地下水埋深條件下胡楊葉片反射光譜與葉綠素a、b、a+b含量之間的非線性相關(guān)關(guān)系可以通過(guò)關(guān)聯(lián)度來(lái)確立。在應(yīng)用胡楊葉片光譜數(shù)據(jù)的估算時(shí), 首先應(yīng)用灰色關(guān)聯(lián)分析法, 計(jì)算原始光譜 (R)、一階導(dǎo)數(shù) (FD) 變換后的光譜數(shù)據(jù)與葉綠素 a、b、a+b含量在關(guān)聯(lián)度大于重要因子(0. 7) 水平上的反射光譜波段。在全波段內(nèi)選取關(guān)聯(lián)度大于重要因子(0. 7) 的波段作為高光譜的敏感波段。

2.7 建模及評(píng)價(jià)方法

使用偏最小二乘法( PLS )、 支持向量機(jī) (SVM)、BP神經(jīng)網(wǎng)絡(luò) ( BPNN) 建立預(yù)測(cè)模型。采用交叉檢驗(yàn)的方法對(duì)模型進(jìn)行評(píng)估, 選取決定系數(shù) (R2)、均方根誤差( RMSE)、相對(duì)分析誤差(RPD)、 校正標(biāo)準(zhǔn)偏差(RMSEC)、 預(yù)測(cè)標(biāo)準(zhǔn)偏差 (RMSEP) 作為評(píng)價(jià)指標(biāo)。R2值越接近1, 且RMSE值越低RPD值越接近2、SEL /SEP值越接近1 時(shí), 模型越穩(wěn)定, 精度越高, 預(yù)測(cè)能力越強(qiáng); 0. 50

結(jié)果和分析

3.1 地下水埋深區(qū)胡楊葉片葉綠素含量的變化特征

葉綠素a含量最大值為1. 66mg/ g, 最小值為0. 32mg/ g, 葉綠素 b含量最大值為0. 64mg/ g, 最小值為0. 12mg/ g, 葉綠素a+b含量最大值為2. 30mg/ g, 最小值為0. 43mg/ g; 葉綠素a、b、 a+b含量變化趨勢(shì)基本一致, 呈現(xiàn)先上升后下降的趨勢(shì), 且地下水埋深4~6 m時(shí)葉綠素含量均為最高、0~2m和8~10m較低(圖1)。這說(shuō)明地下水埋深4~6m時(shí)最適合胡楊生長(zhǎng), 0~2m和8~10m時(shí)分別存在不同程度的生境脅迫, 不利于胡楊的葉綠素的合成。

圖 1 不同地下水埋深區(qū)葉綠素含量變化特征

3.2 不同地下水埋深區(qū)胡楊葉片反射光譜特征

胡楊葉片的結(jié)構(gòu)和生理特征會(huì)隨著不同地下水埋深呈現(xiàn)出規(guī)律性的變化, 繼而影響葉片葉綠素含量、 原始反射率的變化特征。在不同地下水埋深條件下, 胡楊葉片反射率的變化規(guī)律基本一致: 在地下水埋深4~6m, 其葉片光譜反射率在全波段內(nèi)明顯高于其他水埋深區(qū)域的葉片光譜反射率(圖 2)。在可見光區(qū)域 (400~700 nm) 內(nèi), 反射率曲線變化比較明顯, 且光譜反射率較小 (小于0. 22) (圖 1a); 胡楊葉片反射率光譜在可見光范圍內(nèi)出現(xiàn)綠色植物具有的典型“峰谷” 特征———在554nm附近出現(xiàn)明顯的一峰(綠峰)、在490和690 nm附近出現(xiàn)明顯的兩谷 (藍(lán)谷和紅谷) (圖 1b)。這主要是胡楊葉片中葉綠素和其他色素吸收紅光反射綠光的原因所致。在此波段內(nèi), 反射率隨地下水埋深的變化情況為: 地下水埋深4~6 m的反射率最大, 6~8m和4~6m的反射率次之, 且這三曲線的變化幅度較大; 0~2m 和2~4m反射率較低且趨于穩(wěn)定 (圖 1b)。

圖 2 胡楊葉片反射光譜特征

注: a 為原始光譜反射率, b 為原始光譜特征波段, c 為一階導(dǎo)數(shù)光譜, d 為一階導(dǎo)數(shù)光譜特征波段

在近紅外波段 (700~1050nm), 不同地下水埋深的光譜反射率曲線呈現(xiàn)先上升后穩(wěn)定變化的趨勢(shì)。在地下水埋深4~6 m光譜反射率最高, 且變化明顯, 其他4個(gè)水埋深則次之。光譜反射率隨不同水埋深而發(fā)生的這種變化可能是因?yàn)楹鷹钊~片細(xì)胞的排列方式與植被整體結(jié)構(gòu)影響所致。在700~750nm, 反射率上升急劇, 這一波段叫做 “紅邊”(圖 1 a)。紅邊之所以形成可能是因?yàn)楹鷹钊~片結(jié)構(gòu)影響所引起的多次反射和散射而形成了 一個(gè)高反射臺(tái)。不同地下水埋深條件下, 葉綠素含量變化導(dǎo)致 胡楊葉片導(dǎo)數(shù)光譜在不同波段上有明顯差異, 而且不同地下水埋深胡楊葉片導(dǎo)數(shù)光譜曲線變化趨勢(shì)基本一致 (圖 1c)。一階導(dǎo)數(shù)反映的是光譜曲線的斜率, 是光譜曲線的變化程度。在650~800nm波段, 地下水埋深6~8、2~4、8~10、0~ 2、4~6m的反射光譜在715、705、715、730、720nm附近一階導(dǎo)數(shù)值都達(dá)到了極值點(diǎn), 其中715nm處達(dá)到了最大極大值 (圖 1d)。說(shuō)明在此波段內(nèi)光譜曲線的斜率變化、反射率變化較大。胡楊葉片葉綠素反射和“紅邊”效應(yīng)、 葉片結(jié)構(gòu)和物質(zhì)濃度等影響所形成的高反射率平臺(tái)的原因所致。在可見光波段, 葉綠素含量與一階導(dǎo)數(shù)光譜在某些波段 (600~750nm) 的相關(guān)性超過(guò)原始光譜, 因而選取的光譜變量參數(shù)大多來(lái)自一階導(dǎo)數(shù)光譜。

3.3 胡楊葉片葉綠素含量光譜估測(cè)模型的建立及驗(yàn)證

3.3.1 建模數(shù)據(jù)集

光譜變換值、光譜參數(shù)分別與葉片綠素a、b、a+b含量呈極顯著相關(guān)且關(guān)聯(lián)度大于0. 7的波段為敏感波段。原始光譜反射率與葉綠素 a 含量的敏感波段134條, 主要分布在405~523、936 ~937、1009 ~1010、1018~1019nm附近; 導(dǎo)數(shù)光譜 (與葉綠素 a 含量的敏感波段184 條, 大多分布在560~674、731~902、921~1049nm 附近 (表 1)。原始光譜反射率與葉綠 b含量的敏感波段121條, 大多分布在405~516、936~937、1018~1048 nm附近; 一階導(dǎo)數(shù)光譜與葉綠素b含量的敏感波段178條, 大多分布在551~671、 711~793、831 ~ 932、971~1049nm 附近(表 1)。原始光譜反射率與葉綠素a+b含量的敏感波段129條, 大多分布在 405~521、936~937、1010~1048nm附近; 一階導(dǎo)數(shù)光譜與葉綠素a+b含量的敏感波段179條, 大多分布在560~674、 731~902、921~1049nm 附近(表 1)。在兩峰兩谷、紅邊等光譜變化差異明顯的波段, 一階導(dǎo)數(shù)變換能較好地反映光譜與葉綠素的相關(guān)性, 體現(xiàn)葉綠素吸收光譜變化的強(qiáng)弱程度。由此可見, 一階導(dǎo)數(shù)光譜更能體現(xiàn)葉綠素含量 變化的差異, 可較好參與模型建立?；诿舾胁ǘ? 利用軟件對(duì)自變量做最大歸一化處理, 并將胡楊葉片樣品數(shù)按照2︰1的比例分為校正集和預(yù)測(cè)集, 分別建立SVM、PLSR 和 BP 神經(jīng)網(wǎng)絡(luò)葉綠素光譜估測(cè)模型。建模數(shù)據(jù)集如表 2。樣本葉片的平均葉綠素 a、b、a+b含量在0. 97、0. 38、1. 35 mg/ g 左右。葉綠素含量變異系數(shù) (變異系數(shù)18. 2% ~ 23. 2%) 均較小, 屬于弱變異強(qiáng)度。所有數(shù)據(jù)集的變異系數(shù)在組內(nèi)沒(méi)有顯著差異; 對(duì)比數(shù)據(jù)統(tǒng)計(jì)結(jié)果, 數(shù)據(jù)集之間的差異小, 數(shù)據(jù)集的劃分達(dá)到建模標(biāo)準(zhǔn)。

表 1 篩選的敏感波段

表 2 總數(shù)據(jù)集、 建模集和驗(yàn)證集的描述性統(tǒng)計(jì)

3.3.2基于 SVM 的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、a+b 含量的 SVM光譜預(yù)測(cè)模型其精度有所差異 (表 3)。建模集與驗(yàn)證集R2<0. 50且RPD<1. 40, SEL/ SEP距1較遠(yuǎn)時(shí)模型精度差, 對(duì)樣本的估測(cè)能力不穩(wěn)定, 不具備估測(cè)能力。經(jīng)過(guò)多次交叉驗(yàn)證, 通過(guò)SVM方法所分別建立的基于敏感波段的胡楊葉片原始光譜 (R)、 一階導(dǎo)數(shù) (FD) 的葉綠素 a、b、a+b 含量與不同光譜變換和光譜參數(shù)的回歸預(yù)測(cè)模型其預(yù)測(cè)效果不穩(wěn)定, 無(wú)法對(duì)樣本進(jìn)行預(yù)測(cè)。

3.3.3基于 PLSR 的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、a+b含量的 PLSR光譜預(yù)測(cè)模型其精度有所差異 (表 4)。

表 3 葉綠素 SVM 估算模型

表 4 葉綠素 PLSR 估算模型

經(jīng)過(guò)多次交叉驗(yàn)證, 一階導(dǎo)數(shù)光譜敏感波段與葉綠素a含量構(gòu)建的回歸模型其精度最好, 實(shí)測(cè)葉綠素a含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0. 75、RMSE為0. 16、RPD為1. 88、SEL/SEP 值 (0. 97) 接近1, 預(yù)測(cè)能力最優(yōu); 一階導(dǎo)數(shù)光譜敏感波段與葉綠素a+b含量構(gòu)建的回歸模型其精度較高, 實(shí)測(cè)葉綠素 a+b含量與預(yù)測(cè)值之間擬合決 定系數(shù)R2達(dá)0. 74、RMSE為0. 24、RPD為1. 85、SEL/SEP值 (0. 97) 接近 1, 預(yù)測(cè)能力良好; 一階導(dǎo)數(shù)光譜敏感波段與葉綠素b含量構(gòu)建的回歸模型其精度次之, 實(shí)測(cè)葉綠素b含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0.70、RMSE為0. 07、RPD為1.85、SEL/ SEP值 (0. 98) 接近 1, 能進(jìn)行粗略估計(jì)。因而, 可以選用葉綠素a、a+b和b 含量與一階導(dǎo)數(shù)光譜敏感波段構(gòu)建的回歸模型對(duì)胡楊的葉綠素a、 a+b和b含量進(jìn)行準(zhǔn)確估計(jì)。其他PLSR模型精度較低, RMSE在 0. 32~0. 43內(nèi)、相對(duì)分析誤差RPD在1. 10 ~1. 34內(nèi), 預(yù)測(cè)效果不穩(wěn)定, 無(wú)法準(zhǔn)確估測(cè)樣本的葉綠素含量。

3.3.4基于 BP 神經(jīng)網(wǎng)絡(luò)的胡楊葉綠素的光譜估算模型

通過(guò)多次試驗(yàn)證明使用 70%的樣本建立網(wǎng)絡(luò)模型, 30%的樣品進(jìn)行訓(xùn)練, 利用剩余樣本進(jìn)行預(yù)測(cè)網(wǎng)絡(luò)目標(biāo)誤差為 0. 01, 隱藏層神經(jīng)元為10時(shí)可以得到較好的估算結(jié)果。不同光譜變換和光譜參數(shù)下胡楊葉片葉綠素a、b、a+b含量的BP神經(jīng)網(wǎng)絡(luò)光譜預(yù)測(cè)模型其預(yù)測(cè)精度有所差異(表 5)。經(jīng)過(guò)多次交叉驗(yàn)證, 可用預(yù)測(cè)模型精度由高到低依次是一階導(dǎo)數(shù)光譜敏感波段與葉綠素a+b、一階導(dǎo)數(shù)光譜敏感波段與葉綠 a、一階導(dǎo)數(shù)光譜敏感波段與葉綠素 b、原始光譜敏感波段與葉綠素a構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型。一階導(dǎo)數(shù)光譜敏感波段與葉綠素 a+b含量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型, 模型精度最優(yōu), 實(shí)測(cè)葉綠素a+ b 含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0. 81、RMSE為0. 20, RPD 為2. 14、SEL/SEP值 (0. 90) 接近 1, 預(yù)測(cè)能力最優(yōu); 一階導(dǎo)數(shù)光譜敏感波段與葉綠素a含量構(gòu)建的回歸模型其精度較好, 實(shí)測(cè)葉綠素 a含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0. 74、RMSE為0. 17、 RPD為1. 80、SEL/SEP 值 (0. 91) 接近 1, 預(yù)測(cè)能力良好; 一階導(dǎo)數(shù)光譜敏感波段與葉綠素b含量構(gòu)建的回歸模型其精度次之, 實(shí)測(cè)葉綠素b含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0. 62、RMSE為0. 08、 RPD為1. 50、SEL/SEP值 (0. 90) 接近 1, 預(yù)測(cè)能力次之; 原始光譜敏感波段與葉綠素a含量構(gòu)建的回歸模型其精度較低, 實(shí)測(cè)葉綠素 a含量與預(yù)測(cè)值之間擬合決定系數(shù)R2達(dá)0. 60、RMSE為0. 20、 RPD為1. 55、SEL/SEP值 (1. 08) 接近 1, 可進(jìn)行粗略估計(jì)。因 此, 可以選用葉綠素a+b、b含量與一階導(dǎo)數(shù)光譜敏感波段和葉綠素 a含量原始光譜敏感波段數(shù)據(jù)構(gòu)建的回歸模型對(duì)胡楊的葉綠素 a+b、b 含量進(jìn)行估計(jì)。

表 5 葉綠素 BP 神經(jīng)網(wǎng)絡(luò)估算模型

討論與結(jié)論

4.1 討論

植物葉片光譜的變化是因?yàn)槿~片中葉綠素、含水量、內(nèi)部細(xì)胞結(jié)構(gòu)和干物質(zhì)含量的變化引起的。葉綠素含量是能夠監(jiān)測(cè)植物生長(zhǎng)發(fā)育的重要指標(biāo), 葉綠素在植物葉片內(nèi)的含量可利用測(cè)定特征光譜表現(xiàn)出來(lái)。地下水埋深對(duì)胡楊葉片葉綠素的影響較為明顯, 發(fā)現(xiàn)5個(gè)地下水埋深下, 胡楊葉片光譜特征有明顯的區(qū)別, 因?yàn)楹鷹钊~片對(duì)吸收紅光 和藍(lán)光、反射綠光的葉綠素含量增加, 在光譜曲線峰谷處的反射率大小依次是4~6m>0~2m>6~8m >8~10m>2~ 4m, 說(shuō)明光譜曲線對(duì)地下水埋深梯度變化有響應(yīng), 但規(guī)律并不明顯。在其一階導(dǎo)數(shù)光 譜中, 紅邊波段是所有波段的最大值。說(shuō)明2~4、4~6 和6~8m這 3個(gè)水埋深的吸收率較大, 葉片長(zhǎng)勢(shì)較好, 所含葉綠素較多, 與許丹、林海軍等對(duì)塔里木河流域胡楊葉片反射率光譜曲線研究結(jié)果一致。不同地下水埋深區(qū)域胡楊葉片葉綠素含量的光譜估測(cè)研究線的形態(tài)基本相似,峰谷明顯,對(duì)地下水埋深變化有響應(yīng),但并不顯著,噪聲、基線漂移和細(xì)胞內(nèi)部結(jié)構(gòu)等其他因素的干擾,阻礙提取特征參數(shù)和分析隨地下水埋深變化的響應(yīng)。因此,要對(duì)胡楊的原始光譜曲線進(jìn)行數(shù)學(xué)變換。

高光譜特征參數(shù)本質(zhì)是對(duì)光譜反射率做一定的數(shù)學(xué)變換, 以增強(qiáng)植被的信息, 突出光譜曲線峰谷特征, 采用灰色關(guān)聯(lián)度法和相關(guān)性分析法篩選出胡楊對(duì)地下水埋深區(qū)域的敏感響應(yīng)波段, 導(dǎo)數(shù)光譜敏感波段遠(yuǎn)比原始光譜敏感波段多。本研究表明, 根據(jù)敏感波段建立估算的模型中, 一階導(dǎo)數(shù)光譜的建模精度明顯優(yōu)于原始光譜。一階導(dǎo)數(shù)光譜建 模集與預(yù)測(cè)集之間擬合決定系數(shù)R2在0. 61~0. 92之間, RMSE在 0. 07~0. 33之間; 原始光譜建模均存在不同程度的過(guò)擬合, 預(yù)測(cè)模型精度較低, 建模 集RMSE在0. 90~0. 86內(nèi), 而預(yù)測(cè)集RMSE在 0. 32~0. 43 內(nèi), 預(yù)測(cè)效果不穩(wěn)定, 無(wú)法準(zhǔn)確估測(cè)樣本的葉綠素含量。以一階導(dǎo)數(shù)光譜學(xué)建立的模型和原始光譜模型比較, 預(yù)測(cè)的準(zhǔn)確度、 精確度有較大提高, 但仍以BP神經(jīng)網(wǎng)絡(luò)模式的預(yù)測(cè)效率為最好。BP 神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確地反映出葉綠素含量與多種光譜參量之間的映射關(guān)系, 得到精度更高的模型。目前已有學(xué)者將多種模型應(yīng)用至各種植物葉綠素含量估算, 所得結(jié)果與本研究一致。BP神經(jīng)網(wǎng)絡(luò)模型估算胡楊葉綠素含量時(shí), 驗(yàn)證的預(yù)測(cè)值與實(shí)測(cè)值密集分布趨勢(shì)線附近, 一致性較好。一階導(dǎo)數(shù)敏感波段的葉綠素a+b含量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型驗(yàn)證R2達(dá)0. 81, RMSE為0. 20, RPD為2. 14; 葉綠素a含量偏最小二乘預(yù)測(cè)模型驗(yàn)證R2達(dá)0. 75, RMSE為0. 16, RPD為1. 88, 建模與預(yù)測(cè)模型都相對(duì)穩(wěn)定; 原始光譜反射率葉綠素a+b含量支持向量機(jī) 預(yù)測(cè)模型R2達(dá)0. 65, RMSE為0. 27, RPD為2. 13, 但建模模型的精度較低, 建模過(guò)程支持向量機(jī)模型相對(duì)并不穩(wěn)定, 可能會(huì)出現(xiàn)局部異常值。單一指標(biāo)過(guò)高可能會(huì)使模型過(guò)擬合, 誤差較大, 所以需進(jìn)行綜合評(píng)價(jià)。對(duì)模型進(jìn)行綜合評(píng)價(jià)得出: BP神經(jīng)網(wǎng)絡(luò)模型和偏最小二乘預(yù)測(cè)模型明顯優(yōu)于支持向量機(jī)模型, 估算較為準(zhǔn)確。由于估算植被色素含量受多種因素干擾, 且傳統(tǒng)的統(tǒng)計(jì)建模法比較簡(jiǎn)單, 對(duì)非線性關(guān)系處理技術(shù)能力的不足以至于所建立模型準(zhǔn)確度不高。本研究根據(jù)植物神經(jīng)網(wǎng)絡(luò)非線性映射能力和自適應(yīng)學(xué)習(xí)顯著增強(qiáng)的特性, 來(lái)建立相關(guān)的植物神經(jīng)網(wǎng)絡(luò)模型, 所建模型反演精度更高。后期宜針對(duì)同種植物不同屬性、不同季節(jié)來(lái)進(jìn)行采樣分析, 以便找出穩(wěn)定規(guī)律; 同時(shí), 宜把增加光譜反演模型普適性效果作為研究目標(biāo), 充分考慮研究中光譜波段范圍、光譜數(shù)據(jù)數(shù)學(xué)變換方式對(duì)其影響。

4.2 結(jié)論

從原始光譜中篩選的葉綠素敏感特征波段主要在405~521、1 010~1 045nm附近, 而從一階導(dǎo)數(shù)光譜中篩選的葉綠素敏感特征波段主要在560~674、731~902和921~1049nm附近。最大相關(guān)系 數(shù)(-0. 69) 出現(xiàn)在472nm, 構(gòu)建的3種回歸模型 都得到了預(yù)測(cè)結(jié)果, 其中一階導(dǎo)數(shù)光譜與葉綠素a +b含量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)估算模型具有較好的穩(wěn)定性及預(yù)測(cè)能力( R2、RMSE、RPD分別為0. 81、0. 20和2. 14), 表現(xiàn)出對(duì)葉綠素a+b很好的預(yù)測(cè)能力, 說(shuō)明通過(guò)葉綠素含量估算地下水埋深是可行的。研究結(jié)果可為監(jiān)測(cè)荒漠河岸生態(tài)系統(tǒng)的穩(wěn)定性提供參考, 也可為干旱區(qū)荒漠綠洲過(guò)渡帶的生態(tài)環(huán)境建設(shè)及植被恢復(fù)提供技術(shù)參考。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)特的內(nèi)置式或外部掃描和穩(wěn)定控制，有效地解決了在微型無(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí)，由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯黃宇