冬小麦叶片光合特征高光谱遥感估算模型的比较研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-26

张卓¹^,²^,³^,⁴, 龙慧灵^,¹^,²^,³, 王崇倡⁴, 杨贵军¹^,²^,³

¹北京农业信息技术研究中心/农业部农业遥感机理与定量遥感重点实验室,北京 100097

²国家农业信息化工程技术研究中心,北京 100097

³北京市农业物联网工程技术研究中心,北京 100097

⁴辽宁工程技术大学测绘与地理科学学院,辽宁阜新 123000

Comparison of Hyperspectral Remote Sensing Estimation Models Based on Photosynthetic Characteristics of Winter Wheat Leaves

ZHANG Zhuo¹^,²^,³^,⁴, LONG HuiLing^,¹^,²^,³, WANG ChongChang⁴, YANG GuiJun¹^,²^,³

¹Beijing Research Center for Information Technology in Agriculture/Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture, Beijing 100097

²National Engineering Research Center for Information Technology in Agriculture, Beijing 100097

³Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097

⁴School of Mapping and Geographical Science, Liaoning Technical University, Fuxin 123000, Liaoning

通讯作者: 龙慧灵,E-mail： longhl@nercita.org.cn

收稿日期:2018-09-25接受日期:2018-12-20网络出版日期:2019-02-16

基金资助:

国家重点研发计划.2018YFF0213602
国家自然科学基金 .41571323

北京市农林科学院博士后基金

Received:2018-09-25Accepted:2018-12-20Online:2019-02-16
作者简介 About authors
张卓,E-mail： cehuizhangzhuo@163.com。

摘要
【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）、光化学猝灭系数（qP）和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显著性水平优于0.01的波段作为输入变量,采用偏最小二乘（PLS）、支持向量机（SVM）、多元线性回归（MLR）和人工神经网络（ANN）等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数（R²）和均方根误差（RMSE）为依据,对不同模型的模拟精度进行比较分析。【结果】（1）3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数（Amax、Fv′/Fm′和qP）的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。（2）Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R²分别为0.75、0.65和0.65,验证R²分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。（3）不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。（4）不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。
关键词： 光合参量;偏最小二乘;支持向量机;多元线性回归;神经网络;高光谱

Abstract

【Objective】Photosynthesis is the basis of crop yield and quality formation. Accurate quantitative remote sensing inversion of crop photosynthetic parameters can not only understand the growth and development of crops and the accumulation of organic matter, but also can provide reference for the ecosystem process model based on remote sensing. In order to estimate the photosynthetic characteristic parameters quickly and accurately, the hyperspectral inversion model of three photosynthetic parameters of winter wheat was constructed by combining the original spectrum, three traditional spectral transformation techniques and four simulation methods. The feasibility of hyperspectral inversion of photosynthetic parameters of winter wheat was discussed, and the applicability of different spectra and simulation methods were compared. 【Method】The maximum net photosynthetic rate (Amax), PSⅡ effective photochemical quantum yield (Fv'/Fm') of different leaf ages was obtained under the support of gas exchange and hyperspectral field experiments of winter wheat under different nitrogen application conditions. The photochemical quenching coefficient (qP) and hyperspectral reflectivity were obtained, and the reciprocal, logarithmic and first-order differential transformations of the original hyperspectrum were carried out. According to the results of correlation analysis of three photosynthetic parameters and four spectra, the band whose significant level was better than 0.01 was selected as input variable, and then the partial least square (PLS), support vector machine (SVM), multivariate linear regression (MLR) and artificial neural network (ANN) were used to establish the inversion model of photosynthetic parameters of winter wheat leaves. Based on the determination coefficient (R²) and root mean square error (RMSE) of modeling and validation process, the simulation accuracy of different models was compared and analyzed.【Result】(1) The correlation analysis of the three photosynthetic parameters and four spectra showed that the sensitive spectral regions of the primitive, reciprocal and logarithmic spectra to the three photosynthetic parameters (Amax, Fv′/Fm′ and qP) were concentrated in the 400-750 nm spectrum range. The sensitive spectral regions of the first derivative spectrum to the three photosynthetic parameters were 470-560, 630-700 and 700-770 nm, respectively. (2) The optimal inversion model of Amax, Fv'/Fm' and qP was composed of MLR model based on reciprocal spectrum, MLR model based on first derivative spectrum and MLR model based on original spectrum, respectively. The R² of the modeling was 0.75, 0.65 and 0.65, respectively, and the R² of the validation was 0.73, 0.59 and 0.44, respectively. The results showed that the simulation of Amax and Fv'/Fm' based on hyperspectral method was feasible, the effectiveness of simulated qP needed further be verified. (3) The spectral performance of different transformations was different. Taking PLS simulation Amax as an example, the order of spectral performance was original spectrum > reciprocal spectrum > logarithmic spectrum > first derivative spectrum. (4) The estimation ability of different models was also different. Taking Amax simulation based on original spectrum as an example, the order of estimation ability of different models was MLR > PLS > ANN > SVM.【Conclusion】By comparing four spectra and four simulation methods, the hyperspectral inversion results of three photosynthetic parameters of winter wheat showed that Amax and Fv'/Fm' could be well simulated by hyperspectral method, but hyperspectral interpretation ability to qP was low and further study was needed. The hyperspectral information was sensitive to the photosynthetic parameters of winter wheat and affected by spectral types and simulation methods. It could be used to monitor the dynamic changes of photosynthetic capacity of winter wheat and to provide a basis for understanding the growth of crops.

Keywords：photosynthetic parameters;partial least squares;support vector machine;multivariate linear regression;neural network;hyperspectral

PDF (504KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
张卓, 龙慧灵, 王崇倡, 杨贵军. 冬小麦叶片光合特征高光谱遥感估算模型的比较研究[J]. 中国农业科学, 2019, 52(4): 616-628 doi:10.3864/j.issn.0578-1752.2019.04.004
ZHANG Zhuo, LONG HuiLing, WANG ChongChang, YANG GuiJun. Comparison of Hyperspectral Remote Sensing Estimation Models Based on Photosynthetic Characteristics of Winter Wheat Leaves[J]. Scientia Agricultura Sinica, 2019, 52(4): 616-628 doi:10.3864/j.issn.0578-1752.2019.04.004

0 引言

【研究意义】光合作用是地球上最重要的化学反应,更是作物能量代谢和产物形成的基础,占有十分重要的地位^[1]。作物光合能力有效监测对于深入理解农田生态系统碳交换和产量形成过程具有重要的作用^[2]。传统作物光合作用监测技术以气体交换,或是以群体尺度干物质累积量的观测为基础,大都耗时费力,空间代表性差^[3]。近年来,随着遥感技术的发展,为作物生理生化参数定量监测带来了更多的可能性,以遥感手段辅助农作物光合参数的定量监测也得到了越来越深入的研究与应用。【前人研究进展】近年来基于高光谱反演光合参数已成为研究热点。DECHANT等^[4]基于叶片反射光谱,利用偏最小二乘模型估算光合特征参量最大羧化率（V_cmax,25）、最大电子传导速率（J_max,25）、叶面积（LMA）和单位面积含氮量（Na）,并得到了较好的精度。吕玮等^[5]基于冬小麦高光谱反射率的一阶倒数,利用二次多项式逐步回归、偏最小二乘和BP神经网络3种方法构建旗叶净光合速率反演模型,发现3种模型对模拟净光合速率都是可行的。王娣等^[6]采用9种常用植被指数,构建线性模型、对数模型和指数模型,反演武汉市常见4种叶片的净光合速率,结果证明利用高光谱植被指数反演叶片净光合速率是可行的。张峰等^[7]基于玉米冠层反射率对光合能力参数和光合效率参数进行了多光谱遥感反演能力研究,结果表明基于两波段组合的植被指数NDVI、WDRVI、EVI2和CI中EVI2对冠层光合速率与光合能力参数的反演结果最佳。SERBIN等^[8]利用冠层成像光谱和叶片尺度的光合观测数据,对冠层尺度上光合能力进行了估算。【本研究切入点】已有研究大都针对单一光合参数和单一模拟方法开展工作,鲜有考虑光谱变换方法和模拟方法对不同光合参数的适用性,本文拟通过综合对比分析不同光谱变换方法和不同模拟方法在不同光合参数高光谱模拟上的适用性。【拟解决的关键问题】本研究以实测的冬小麦叶片气体交换和光谱数据为基础,选取3种常用的光合作用参数——最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）和光化学猝灭系数（qP）,综合原始光谱、3种传统光谱变换技术（倒数、对数和一阶微分）和4种模拟方法（PLS、SVM、MLR和ANN）构建冬小麦光合参数的高光谱反演模型,深入分析不同光合参量的光谱模拟可行性及不同模型的适用性。

1 材料与方法

1.1 研究区概况

本试验于冬小麦拔节期、挑旗期和灌浆期（2018年4—6月）在北京市昌平区小汤山国家精准农业研究示范基地（北纬40°00′—40°21′,东经116°34′—117°00′,海拔高度36 m）进行,该地区以亚湿润大陆季风气候为主,年平均降雨量508 mm,年平均气温13°C。前茬作物为玉米,土壤类型为潮土,0—0.3 m土层中铵态氮含量10.02—12.32 mg·kg^-1;有机质含量15.84—20.62 g·kg^-1;硝态氮含量3.16—14.82 mg·kg^-1;速效钾含量86.83—120.62 mg·kg^-1;有效磷磷含量3.14—21.18 mg·kg^-1。冬小麦播种时间为10月,收获时间为6月,种植的冬小麦品种为京东18,试验设置4个施氮水平,分别为无氮处理N0（无尿素）、缺氮处理N1（195 kg·hm^-2尿素）、正常氮处理N2（390 kg·hm^-2尿素）、过量氮处理N3（585 kg·hm^-2尿素）,每个处理3次重复,基肥：拔节追肥=1﹕1。每个小区面积为135 m²（15 m×9 m）,分别在拔节期、挑旗期和灌浆期进行冬小麦叶片光合作用和反射率光谱测定。

1.2 光合数据获取

在设置的12个小区内,选取不同叶龄和光照条件的叶片,采用LI-6800便携式光合仪测量冬小麦叶片的气体交换和叶绿素荧光。该仪器配备荧光叶室,可同时完成气体交换与叶绿素荧光参数的测量。本研究选取3种能反映光适应条件下光合作用强度的参数作为主要研究对象,包括叶片最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）和光化学猝灭系数（qP）。Amax是指植物光合作用积累的有机物,是总光合速率与呼吸速率的差值,本文中所用的Amax是利用FARQUHAR等人1980年提出的光合光响应模型——非矩形双曲线模型（NRHM）对实测光合-光响应数据进行拟合得到的^[9];Fv′/Fm′是由DEMMING等人1996年提出的,利用其来估计光合机构吸收的光能被用于光化学反应和天线的热耗散的相对分额^[10];qP是PSⅡ反映中心中开放的反应中心所占比例的指标,也是捕获的光子能量用于光化学反应能力的指标^[1]。

1.3 叶片光谱数据获取

叶片光合测量结束后,将所测冬小麦整株带回试验室测量叶片光谱,叶片光谱测量采用美国ASD（analytical spectral devices）公司Fieldspec FR2500型野外光谱辐射谱仪和叶片夹（ASD leaf clip）进行测定。光谱仪波段范围350—2 500 nm,其中光谱分辨率在350—1 000 nm内间隔为3 nm,在1 000—2 500 nm内间隔为10 nm,在350—1 000 nm范围内采样间隔为1.4 nm,在1 000—2 500 nm 范围内采样间隔为2 nm。叶片夹带有内部光源,可以保证不同叶片的光照条件一致和试验结果不受光照影响。测量之前先用叶片夹自带的标准白板进行校正并记录白板的辐亮度值,每片叶片用黑板夹住中间位置测定其辐亮度值（RAD）,每个叶片测量10次然后求其平均值,计算光谱反射率。

反射率计算公式表达为：

(1)R=RAD₁/RAD₂×R₁

式中,R为冠层反射率,R1为参考板反射率,RAD₁为测得的冬小麦的辐照度值,RAD₂为参考板的辐照度值。

1.4 光合参量高光谱模拟方法

首先对冬小麦叶片光谱进行基本变换,分别计算光谱的倒数、光谱的对数和光谱的一阶微分。然后分析原始光谱、倒数光谱、对数光谱和一阶导数光谱和各个光合参量（Amax、Fv′/Fm′和qP）的相关性。由于波长1 350—2 500 nm是叶片水分主导,本文重点分析350—1 350 nm波段,相关性分析结果用相关系数r来评定,每个光合参量相关系数满足0.01显著性水平的波段范围作为敏感波段。最后将选择的敏感波长所对应的原始光谱、倒数光谱、对数光谱和一阶导数光谱分别作为自变量,采用MLR、ANN、PLS和SVM 4种方法对3种光合特征参量进行模拟。其中,PLS是新型的多元统计数据分析方法,能够同时实现回归建模和数据结构简化,是多元线性回归分析、典型相关分析和主成分分析的结合^[11]。SVM是一种基于统计学习理论的模式识别方法,由Vladimir Vapnik开发出来的用于分类或回归的机器学习算法,包括线性回归和非线性回归,本研究使用支持向量机线性回归功能^[12]。MLR是基于多个自变量对因变量进行解释的回归方法,利用线性回归方程的最小平方函数对多个自变量和因变量之间的关系进行建模,这种最小平方函数是多个称为回归系数的模型参数的线性组合^[13]。ANN回归是基于梯度学习的方法,它是一个非参数非线性模型,利用神经网络在层间传播,模拟人脑接收器和信息处理^[14]。其中建模样本48个,验证样本24个。

1.5 精度评价

分别用决定系数R²、均方根误差（RMSE）来评价各个模型的精度。较大的R²值对应较小的RMSE可视为模拟结果具有更高的精度。R²表示相关的密切程度,RMSE是用来衡量估值与真值之间的偏差程度,RMSE越小表示偏差越小。

R²、RMSE计算公式表达为^[15]：

(2)${{R}^{2}}=\left( 1-\frac{\sum\limits_{i=1}^{n}{{{({{y}_{i}}-{{x}_{i}})}^{2}}}}{\sum\limits_{i=1}^{n}{{{({{y}_{i}}-\overline{y})}^{2}}}} \right) $

(3)$RMSE=\sqrt{\frac{\sum\limits_{i=1}^{n}{{{({{x}_{i}}-{{y}_{i}})}^{2}}}}{n}} $

式中,x_i和y_i分别为模拟和实测的光合特征参量值,$\bar{y}$是实测光合特征参量的平均值,n是样本数。

2 结果

2.1 不同光谱特征与光合特征参量的相关性分析

原始光谱、倒数光谱、对数光谱和一阶导数光谱与Amax、Fv′/Fm′和qP相关性结果分别如图1—3所示,挑选出光谱与光合参量相关系数满足P>0.01等级置信区间的敏感波谱区间,不同光谱类型与光合参量的相关性大小不同,最终结果如表1所示。原始光谱、倒数光谱、对数光谱和一阶微分对Amax的敏感谱区分别集中在399—737、400—727、399—737 nm和470—552、678—701、711—764 nm;对Fv′/Fm′的敏感谱区分别为431—724、442—720、435—722 nm和480—551、631—673、709—765 nm;对qP的敏感谱区分别为459—718、485—710、466—714 nm和480—522、632—673、710—758 nm。

图1

新窗口打开|下载原图ZIP|生成PPT
图1原始光谱、倒数光谱、对数光谱和一阶导数光谱与最大光合速率Amax相关性

a：原始光谱,b：倒数光谱,c：对数光谱,d：一阶导数光谱;图中直线表示0.01等级显著性水平。下同
Fig. 1Correlation between original spectrum, reciprocal of spectral, logarithm of spectral and first-order differential of spectrum and maximum photosynthetic rate (Amax)

a: Original spectrum, b: Reciprocal of spectral, c: Logarithm of spectral, d: First-order differential of spectrum; Straight line in the figure indicates a level of significance of 0.01. The same as below

图2

新窗口打开|下载原图ZIP|生成PPT
图2原始光谱、倒数光谱、对数光谱和一阶导数光谱与PSⅡ有效光化学量子产量Fv′/Fm′相关性

Fig. 2Correlation between original spectrum, reciprocal of spectral, logarithm of spectral and first-order differential of spectrum and PSⅡ effective photochemical quantum yield (Fv′/Fm′)

图3

新窗口打开|下载原图ZIP|生成PPT
图3原始光谱、倒数光谱、对数光谱和一阶导数光谱与光化学猝灭系数qP相关性

Fig. 3Correlation between original spectrum, reciprocal of spectral, logarithm of spectral and first-order differential of spectrum and photochemical quenching coefficient (qP)

Table 1
表1
表1不同类型光谱与各个光合参量的敏感区间及相关性
Table 1Sensitivity range and correlation between different types of spectra and various photosynthetic parameters

光合参量 Photosynthetic parameters	光谱类型 Types of spectrum	P>0.01置信区 Confidence interval of P > 0.01 (nm)	r值范围 Range of r values	相关类型 Correlation type
Amax	原始光谱 Original spectrum	399-737	0.39-0.7	负相关 Negative correlation
	倒数光谱 Reciprocal of spectral	400-727	0.37-0.73	正相关 Positive correlation
	对数光谱 Logarithm of spectral	399-731	0.38-0.72	负相关 Negative correlation
	一阶导数光谱 First-order differential of spectrum	470-552、678-701、711-764	r值最大为0.65 r maximum:0.65	—
Fv′/Fm′	原始光谱 Original spectrum	431-724	0.36-0.58	负相关 Negative correlation
	倒数光谱 Reciprocal of spectral	442-720	0.36-0.59	正相关 Positive correlation
	对数光谱 Logarithm of spectral	435-722	0.36-0.6	负相关 Negative correlation
	一阶导数光谱 First-order differential of spectrum	480-551、631-673、709-765	r值最大为0.71 r maximum:0.71	—
qP	原始光谱 original spectrum	459-718	0.36-0.46	负相关 Negative correlation
	倒数光谱 Reciprocal of spectral	485-710	0.36-0.59	正相关 Positive correlation
	对数光谱 Logarithm of spectral	466-714	0.36-0.47	负相关 Negative correlation
	一阶导数光谱 First-order differential of spectrum	480-522、632-673、710-758	r值最大为0.52 r maximum:0.52	—

新窗口打开|下载CSV

2.2 光合特征参量估算结果分析

2.2.1 光合特征参量估算模型自变量的选取根据图1—3和表1中的敏感波谱信息,在P>0.01的显著性水平波谱区间内,选取MLR模型的输入变量,综合考虑相关性的大小和所用光谱的光谱分辨率,选择12个波段为MLR模型输入的自变量。ANN、SVM和PLS模型在满足P>0.01显著性水平的波谱区间内的所有波段作为输入变量。PLS方法模拟3种光合参量主成分选择的个数不同,不同主成分个数模拟精度不同,本文综合考虑模拟精度和总方差解释百分比确定主成分个数。

2.2.2 光合特征参量模拟结果分析分别采用MLR、ANN、PLS和SVM 4种方法对3种光合特征参量进行模拟,模拟结果如表2所示。根据表2中3种光合参量基于4种光谱类型的模拟结果,从每个参量的每种模拟方法中选取建模和验证综合精度最高的模拟组合,绘制成散点图（图4—6）。综合表2和图4—6分析利用不同方法基于不同输入变量类型模拟光合参量的精度。

图4

新窗口打开|下载原图ZIP|生成PPT
图4利用4种模型模拟Amax的模拟值与实测值线性拟合散点图

图中黑线：Y=X;MLR—倒数光谱：基于倒数光谱利用MLR方法对Amax的模拟结果,其他同理
Fig. 4Linear fitting of scattered point diagram between simulated and measured values of Amax using four models

Black line in picture: Y=X; MLR- Reciprocal of spectral: Based on reciprocal of spectra, using MLR method to simulate Amax results, other similarities

图5

新窗口打开|下载原图ZIP|生成PPT
图5利用四种模型模拟Fv′/Fm′的模拟值与实测值线性拟合散点图

图中黑线：Y=X;MLR—一阶导数光谱：基于一阶导数光谱利用MLR方法对Fv′/Fm′的模拟结果,其他同理
Fig. 5Linear fitting of scattered point diagram between simulated and measured values of Fv′/Fm′ using four models

Black line in picture: Y=X; MLR-First derivative of spectrum: Based on first derivative of spectrum, using MLR method to simulate Fv′/Fm′ results, other similarities

图6

新窗口打开|下载原图ZIP|生成PPT
图6利用四种模型模拟qP的模拟值与实测值线性拟合散点图

图中黑线：Y=X;MLR—原始光谱：基于原始光谱利用MLR方法对qP的模拟结果,其他同理
Fig. 6Linear fitting of scattered point diagram between simulated and measured values of qP by using four models

Black line in picture: Y=X; MLR- Original spectrum: Based on original spectrum, using MLR method to simulate qP results, other similarities

考虑建模和验证的精度与误差,Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型,模型的建模R²分别为0.75、0.65和0.65,验证R²分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。仅考虑建模精度时,Fv′/Fm′的模拟结果存在明显差异,基于一阶微分的ANN模型（R²=0.75）和基于原始光谱的SVM模型（R²=0.94）均优于MLR模型的结果。MLR模型的模拟结果受所选取自变量个数的影响,以基于原始光谱模拟Amax为例,改变MLR的输入变量个数,发现建模和验证R²随着输入变量个数的减少而降低,当输入变量从12个逐渐减少到2个时,建模R²从0.75降低到0.47,RMSE由5.1上升到7.4。

不同变换的光谱表现能力不同。综合建模和验证精度R²与RMSE,Amax模拟结果显示,用MLR模型模拟时,光谱的表现能力顺序为倒数光谱>对数光谱>原始光谱>一阶导数光谱;ANN模型模拟时,光谱的表现能力顺序为对数光谱>倒数光谱>原始光谱>一阶导数光谱;SVM模型模拟时,光谱的表现能力为一阶导数光谱>原始光谱>倒数光谱>对数光谱;PLS模型模拟时,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱,一阶导数光谱结果最差,验证R²为0.47,不适合在该方法下模拟Amax。Fv′/Fm′模拟结果显示,MLR模型模拟时,基于一阶导数光谱的表现能力最优,其次是对数光谱,原始光谱次之,倒数光谱最差,其验证R²小于0.5,说明倒数光谱在该方法下不适合用来模拟Fv′/Fm′;ANN模型模拟时,基于原始光谱的精度最高,其次是一阶导数光谱,对数光谱次之,倒数光谱结果最差,但是建模和验证R²都大于0.5;SVM模型模拟时,基于一阶微分光谱的结果最优,原始光谱、倒数光谱和对数光谱的验证R²均小于0.5,在该方法下,3种光谱不适合用来模拟Fv′/Fm′;PLS模型模拟时,基于对数光谱的结果最优,其次是一阶导数光谱,倒数光谱最差,而原始光谱的验证R²为0.44,不适合用来模拟Fv′/Fm′。

不同模型的估算能力也存在明显差异。Amax模拟结果中,基于原始光谱的不同模型的估算能力顺序为PLS>ANN>MLR>SVM,基于倒数光谱和对数光谱模型估算能力顺序相同,均为MLR>ANN>PLS>SVM,基于一阶导数光谱模型估算能力顺序为SVM>MLR>ANN>PLS。Fv′/Fm′模拟结果中,基于原始光谱ANN的估算能力最优,MLR次之,SVM和PLS模型不适合用原始光谱模拟Fv′/Fm′,基于倒数光谱PLS估算能力最优,其次是ANN,MLR和SVM不适合用倒数光谱模拟Fv′/Fm′,基于对数光谱不同模型估算能力顺序为MLR>PLS>ANN,SVM模型不适合用对数光谱模拟Fv′/Fm′,基于一阶导数光谱的不同模型模拟顺序为MLR>ANN>PLS>SVM。

2.2.3 不同生育期和不同叶位冬小麦叶片Amax模拟结果分析本文在构建模型的过程中,为了构建对所有叶龄叶片均适用的模型,未对叶位和生育期进行详细的分类。为了研究叶位和生育期对模拟结果是否存在影响,利用原始光谱350—1 350 nm波谱区间反射率和PLS模型分别模拟不同生育期和不同叶位的冬小麦叶片Amax,研究不同叶位和不同生育期对模拟结果影响,结果如表3—4所示。表3建模精度结果可看出模拟精度最高的是第二层叶片,其中R²为0.89,RMSE为3.54,其次是第三层叶片,最差的是第一层叶片。表4结果显示,精度最高的是挑旗期,其R²为0.91,RMSE为1.73,其次是拔节期,精度最差的是灌浆期,R²为0.56。

Table 3
表3
表3基于原始光谱的PLS模型对Amax的模拟结果（不同叶位）
Table 3Simulation results of Amax based on PLS model based on original spectra (different leaf position)

叶位 Leaf position	建模精度R²Modeling precision R²	建模精度RMSE Modeling precision RMSE
第一层叶片 First layer blade	0.75	4.11
第二层叶片 Second layer blade	0.89	3.54
第三层叶片 Third layer blade	0.80	3.91
所有叶片 All blades	0.68	5.81

新窗口打开|下载CSV

Table 4
表4
表4基于原始光谱的PLS模型对Amax模拟结果（不同生育期）
Table 4Simulation results of Amax based on PLS model based on original spectra (different growth period)

生育期 Growth period	建模精度R²Modeling precision R²	建模精度RMSE Modeling precision RMSE
拔节期 Jointing stage	0.81	3.13
挑旗期 Flagging stage	0.91	1.73
灌浆期 Filling stage	0.56	3.74
所有生育期 All growth stage	0.65	5.21

新窗口打开|下载CSV

3 讨论

3.1 基于高光谱模拟光合参数的可行性机理

光合作用是绿色植物吸收光能,把二氧化碳和水合成富能有机物的过程,光合作用强度依赖于吸收光能的多少,吸收的光能主要受叶片色素含量影响,而叶片色素含量又直接影响反射率光谱的大小。农作物光合器官中色素和氮素含量等因素直接影响光合作用过程中吸收光能和有机物合成的多少。众所周知,植被的各种理化参数与光谱的变化密切相关,色素和氮素含量作为中间变量搭起了光合参数与光谱之间的桥梁,将二者紧密联系在一起,是反射光谱响应与内部光合活动之间的主导机制^[16]。目前,利用反射率光谱模拟光合参数的研究已逐步开展。前人研究中发现利用植被指数CI_rededge、NDVI₇₀₅、RVI₇₀₀模拟农作物叶片净光合速率（Pn）的R²均小于0.6,将3种植被指数与光合有效辐射（PAR）的乘积后模拟农作物叶片Pn精度有显著提升,R²最高为0.64^[17]。基于冠层无人机遥感图像提取的冠层反射率,根据相关系数大小筛选敏感波段,利用PLS方法模拟棉花净光合速率的最大R²达到0.73^[18]。在模拟冬小麦旗叶净光合速率研究中,选择6个敏感波段做一阶微分变换后,利用二次多项式逐步回归（QPSR）、偏最小二乘回归（PLSR）和BP 神经网络（BPNN）方法模拟Pn,3种方法R²分别为0.821、0.723和0.759,QPSR方法的精度最高^[5],综合前人研究发现光合参数适合用光谱来模拟。因此,本文首先分析了光合特征参量与4种光谱的相关性,挑选敏感波段模拟光合特征参量,以原始光谱与Amax相关性为例,敏感波谱区间为399—737 nm。前人研究结果表明,玉米叶片冠层715 nm处反射率与叶绿素浓度相关性最好^[19],在基于高光谱反演冬小麦叶绿素含量时选取的波段范围为350—1 060 nm时模型精度最佳^[20]。前人研究中也证明了作物在波长560—710 nm处反射率与净光合速率Pn、蒸腾速率Tr、气孔导度Gs有一定相关关系^[21]。由此可见,敏感波段体现了色素对光合作用的影响。

3.2 MLR模型中自变量个数对模拟结果的影响

由表2中不同方法的模拟结果可见,在本研究中MLR模型的模拟能力相比其他3种方法优势较为明显,在此我们分析了形成这种结果的原因。文中MLR模型输入的自变量是根据光合参量与不同类型光谱的相关系数大小和光谱仪的光谱分辨率选取的,表2中显示的结果为自变量个数为12个的模拟结果。为了分析自变量个数对结果的影响,以基于原始光谱模拟Amax为例,改变MLR的输入变量个数,发现建模和验证R²随着输入变量个数的减少而降低,当输入变量从12个逐渐减少到2个时,建模R²从0.75降低到0.47,RMSE由5.1上升到7.4,验证R²和RMSE变化不大。前人研究中在基于植被指数利用MLR方法估测苹果叶片叶绿素含量时,当MLR输入的植被指数个数从1个增加到10个时,模型的精度R²从0.538上升到0.602^[22]。由此可见,MLR模型的模拟结果受自变量个数的影响很大。已有研究中使用MLR方法建模时,所选取的自变量的个数大多为3—10个,本文选取了12个自变量,因此得到了较好的模拟结果。

Table 2
表2
表2利用MLR、ANN、PLS和SVM模拟光合特征参量结果
Table 2Simulation results summary of photosynthetic characteristic parameters by using MLR, ANN, PLS, and SVM methods

光谱类型 Type of spectrum	模拟结果	Amax				Fv′/Fm′				qP
光谱类型 Type of spectrum	模拟结果	MLR	ANN	SVM	PLS	MLR	ANN	SVM	PLS	MLR	ANN	SVM	PLS
原始光谱 Original spectrum	建模R² Modeling precision R²	0.75	0.66	0.57	0.67	0.58	0.60	0.94	0.48	0.65	0.45	0.49	0.35
	建模RMSE Modeling precision RMSE	5.10	6.13	6.77	5.90	0.03	0.03	0.01	0.04	0.07	0.10	0.09	0.10
	验证R² Validation precision R²	0.50	0.56	0.58	0.66	0.55	0.65	0.44	0.67	0.44	0.21	0.21	0.12
	验证RMSE Validation precision RMSE	7.25	7.18	6.60	5.74	0.03	0.03	0.03	0.02	0.09	0.10	0.10	0.10
倒数光谱 Reciprocal of spectrum	建模R² Modeling precision R²	0.75	0.67	0.57	0.66	0.62	0.57	0.68	0.51	0.54	0.45	0.46	0.44
	建模RMSE Modeling precision RMSE	5.12	6.19	6.75	5.93	0.03	0.03	0.03	0.03	0.09	0.10	0.10	0.09
	验证R² Validation precision R²	0.73	0.66	0.56	0.63	0.43	0.63	0.33	0.72	0.40	0.21	0.14	0.16
	验证RMSE Validation precision RMSE	5.10	6.52	6.79	6.21	0.03	0.03	0.03	0.02	0.09	0.10	0.10	0.10
对数光谱 Logarithm of spectrum	建模R² Modeling precision R²	0.74	0.69	0.56	0.65	0.60	0.58	0.62	0.51	0.48	0.43	0.58	0.41
	建模RMSE Modeling precision RMSE	5.24	6.17	6.84	6.03	0.03	0.03	0.03	0.03	0.09	0.10	0.09	0.10
	验证R² Validation precision R²	0.75	0.68	0.57	0.59	0.55	0.67	0.41	0.75	0.12	0.15	0.24	0.10
	验证RMSE Validation precision RMSE	5.62	6.53	6.74	6.34	0.03	0.03	0.03	0.02	0.10	0.10	0.09	0.10
一阶微分光谱 First derivative of spectrum	建模R² Modeling precision R²	0.64	0.55	0.70	0.69	0.65	0.75	0.50	0.54	0.38	0.52	0.32	0.38
	建模RMSE Modeling precision RMSE	6.11	6.94	5.70	5.70	0.03	0.03	0.04	0.03	0.10	0.10	0.11	0.10
	验证R² Validation precision R²	0.57	0.51	0.50	0.47	0.59	0.51	0.74	0.68	0.02	0.40	0.18	0.11
	验证RMSE Validation precision RMSE	6.47	7.02	7.10	7.35	0.02	0.02	0.02	0.02	0.12	0.09	0.09	0.10

新窗口打开|下载CSV

3.3 不同叶位和生育期对模拟结果的影响

根据文中不同生育期和不同叶位的模拟结果分析,区分叶位后的模拟精度相比未区分的结果有明显的提升,可见叶位对光合参量的高光谱模拟结果有明显的影响。在不区分叶位的情况下,模拟的精度最低,但R²能达到0.68,并且RMSE小于6,说明光合参量的高光谱模拟切实可行,可以通过详细区分叶位的方法,提高模拟的精度。生育期对模拟结果也有一定影响,所有生育期的模拟精度较拔节期和挑旗期差,但是比灌浆期精度高,说明灌浆期影响了使用全生育期光谱时的模拟精度。

4 结论

本文以不同施氮条件下冬小麦叶片气体交换和高光谱田间试验支持下的实测数据为基础,获取不同生育期不同叶龄叶片的Amax、Fv′/Fm′、qP和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,分别筛选显著性水平优于0.01的原始光谱、倒数光谱、对数光谱和一阶导数光谱的敏感波段作为输入变量,采用偏最小二乘（PLS）、支持向量机（SVM）、多元线性回归（MLR）和人工神经网络（ANN）方法建立冬小麦叶片光合参量反演模型,对冬小麦叶片光合特征参量——Amax、Fv′/Fm′和qP进行模拟,并对不同模型的模拟精度进行了适用性评价比较分析。Amax和Fv′/Fm′可以很好地通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。虽然可能受到光谱处理方法、模型选择、模型输入变量类型和采样叶片叶位等因素的影响,高光谱信息对冬小麦光合参量具有较强的敏感性,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。

（责任编辑杨鑫浩）

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

许大全 . 光合作用学. 第一版. 北京: 科学出版社, 2013: 3-5.

[本文引用: 2]

XU D

. The Science of Photosynthesis. 1st edition. Beijing: Science Press, 2013: 3-5. (in Chinese)

[本文引用: 2]

[2]

周磊, 何洪林, 孙晓敏, 张黎, 于贵瑞, 任小丽, 闵程程, 赵凤华 . 基于数字相机的冬小麦物候和碳交换监测
生态学报, 2012,32(16):5146-5153.

DOI:10.5846/stxb201110271606 URL Magsci [本文引用: 1]

利用数字相机自动、连续监测植被冠层物候变化,逐渐引起人们的广泛关注。依托中国陆地生态系统通量观测研究网络(ChinaFLUX),探讨了数字相机在监测冬小麦生长状况及生态系统碳交换方面的作用,得到如下结果:(1) 利用数字相机图像提取的比值绿度指数G/R能较好地反映冬小麦冠层物候变化,通过分析比值绿度指数G/R的时间序列,得到了较为准确的冬小麦关键生育日期(与人工观测数据比较,误差<3 d),表明数字相机可以作为物候监测的一种有效手段;(2)数字相机图像获取的比值绿度指数能较好地模拟冬小麦总生态系统碳交换量GEE,R2为0.66,叶片最大光合同化速率与比值绿度指数G/R变化趋势基本一致。表明利用数字相机技术在一定程度上能够表征作物生理生态过程。从而为我国开展不同陆地生态系统自动连续物候监测,深入研究不同生态系统物候和碳循环的关系提供支持。

ZHOU

, HE H

, SUN X

, ZHANG

, YU G

, REN X

, MIN C

, ZHAO F

. Using digital repeat photography to model winter wheat phenology and photosynthetic CO₂ uptake
Acta Ecologica Sinica, 2012,32(16):5146-5153. (in Chinese)

DOI:10.5846/stxb201110271606 URL Magsci [本文引用: 1]

李少昆 . 作物光合作用研究方法
石河子大学学报(自然科学版), 2000,4(4):321-330.

DOI:10.3969/j.issn.1007-7383.2000.04.012 [本文引用: 1]

比较、评述了作物光合作用主要测试方法的原理、测试指标、测试特点及其优缺点,并对红外线气体分析法的发展概况、应用技术作了系统的总结.

LI S

. Survey of research method of crop photosynthesis
Journal of Shihezi University(Natural Science), 2000,4(4):321-330. (in Chinese)

DOI:10.3969/j.issn.1007-7383.2000.04.012 [本文引用: 1]

比较、评述了作物光合作用主要测试方法的原理、测试指标、测试特点及其优缺点,并对红外线气体分析法的发展概况、应用技术作了系统的总结.

[4]

DECHANT

, CUNTZ

, VOHLAND

, SCHULZ

, DOKTOR

. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism
Remote Sensing of Environment, 2017,196:279-292.

DOI:10.1016/j.rse.2017.05.019 URL [本文引用: 1]

The finding that V cmax 02,0225 and J max02,0225 estimations from leaf reflectance are predominantly based on their relationships to N a has important implications for large scale estimations of these photosynthesis parameters. We suggest that future studies should focus more on large scale estimation of N a from remote sensing and estimate V cmax 02,0225 and J max02,0225 in a separate step using their respective relationships to N a .

[5]

吕玮, 李玉环, 毛伟兵, 宫雪, 陈世更 . 基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究
农业资源与环境学报, 2017,34(6):582-586.

URL [本文引用: 2]

植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率(Pn)进行相关性分析确定敏感波段,分别采用二次多项式逐步回归(QPSR)、偏最小二乘法(PLSR)、BP神经网络法(BPNN)3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。结果表明:(1)将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750~925 nm之间,确定的6个敏感波段分别是:760、761、767、814、815、889 nm;(2)基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSR>BPNN>PLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750~925 nm反射率一阶导数变化后的QPSR模型。

Lü

, LI Y

, MAO W

, GONG

, CHEN S

. Comparison of estimation methods for net photosynthetic rate of wheat’s flag leaves based on hyperspectrum
Journal of Agricultural Resources and Environment, 2017,34(6):582-586. (in Chinese)

URL [本文引用: 2]

王娣, 佃袁勇, 乐源, 黄春波 . 基于高光谱植被指数的叶片净光合速率Pn反演
地理与地理信息科学, 2016,32(4):42-48.

DOI:10.3969/j.issn.1672-0504.2016.04.008 URL [本文引用: 1]

植物净光合速率是衡量植被生产力、体现植物整体长势的重要指标。该文在分析植被光谱指数VI、光合有效辐射PAR与净光合速率Pn关系的基础上,建立了基于高光谱遥感数据的净光合速率反演模型。采集武汉市4种常见植被叶片共124个样本作为研究对象,在分析比较9种不同光谱指数与SPAD相关性的基础上选择3种相关性较高的植被指数对不同的植被类型进行净光合速率反演模型建立。结果表明:实验中CIrededge、NDVI705和RVI7003种植被指数与SPAD相关性较高,R2值均在0.7以上,最高达到0.88;在建立净光合速率反演模型时,若仅考虑叶片净光合速率(Pn)与植被指数的关系,其相关性较差;而将植被光谱指数、光合有效辐射(PAR)乘积后再与净光合速率(Pn)分析时,发现其相关性显著提高;以上3种植被指数中CIrededge*PAR vs.Pn反演效果最优,但农作物与园林植物净光合速率反演最优模型存在差异。因此,利用高光谱遥感技术可以了解和掌握植物叶片的光合效应,以此评价植物固碳释氧能力以及估测农作物产量是完全可行的。

WANG

, DIAN Y

, LE

, HUANG C

. Net photosynthetic rate inversion based on hyperspectral vegetation indices
Geography and Geo-Information Science, 2016,32(4):42-48. (in Chinese)

DOI:10.3969/j.issn.1672-0504.2016.04.008 URL [本文引用: 1]

张峰, 周广胜 . 玉米农田冠层光合参数的多光谱遥感反演
植物生态学报, 2014,38(7):710-719.

DOI:10.3724/SP.J.1258.2014.00066 URL Magsci [本文引用: 1]

冠层光合参数的准确定量遥感反演是生态系统遥感模型的核心与关键。基于2011年玉米(Zea mays)整个生长发育期的冠层光谱反射率、生态系统CO2通量、微气象因子以及玉米光合生理生态指标的观测数据, 开展了玉米农田生态系统冠层光合能力(Pmax, 最大光合速率)与光合效率(εN, 净CO2通量交换/吸收光合有效辐射(NEECO2/APAR); εG, 总初级生产力/吸收光合有效辐射(GPP/APAR); α, 表观量子效率)参数的多光谱遥感反演能力评估研究。结果表明, Pmax和α在整个生长季呈现单峰型变化趋势, 分别于7月底、8月初达到峰值, 而光合效率参数εN和εG在玉米营养生长早期数值较高, 随着玉米生长发育迅速降低, 而后呈现单峰型的变化趋势, 峰值出现时间基本与Pmax最大值发生时间一致。基于两波段任意组合的遥感植被指数NDVI (normalized difference vegetation index)、RVI (ratio vegetation index)、WDRVI (wide dynamic range vegetation index)、EVI2 (2-band enhanced vegetation index)和CI (chlorophyll index)与玉米冠层4个光合参数的统计分析表明, EVI2对冠层光合效率与光合能力参数的反演与表征效果最佳。研究表明, 多光谱遥感信息对玉米生态系统冠层光合参数的变异具有较强的敏感性, 可以用来监测玉米冠层光合作用的季节动态变化以及准确定量评估作物生产力和生态系统CO2交换能力。

ZHANG

, ZHOU G

. Estimating canopy photosynthetic parameters in maize field based on multi-spectral remote sensing
Chinese Journal of Plant Ecology, 2014,38(7):710-719. (in Chinese)

DOI:10.3724/SP.J.1258.2014.00066 URL Magsci [本文引用: 1]

SERBIN S

, SINGH

, DESAI

, DUBOIS

. Remotely estimating photosynthetic capacity, and its response to temperature, in vegetation canopies using imaging spectroscopy
Remote Sensing of Environment, 2015,167:78-87.

DOI:10.1016/j.rse.2015.05.024 URL [本文引用: 1]

61We measured photosynthetic capacity and its temperature response in California agroecosystems.61Photosynthetic traits were modeled from AVIRIS spectra using PLSR, with R2>0.92 and RMSE<10%.61Resulting maps of modeled photosynthetic traits matched the range of variation measured on the ground.

[9]

FARQUHAR G

, CAEMMERER S

, BERRY J

. A biochemical model of photosynthetic CO₂ assimilation in leaves of C3 species
Planta, 1980,149:78-90.

DOI:10.1007/BF00386231 URL [本文引用: 1]

[10]

DEMMIG-ADAMS

. Using chlorophyll fluorescence to assess the fraction of absorbed light allocated to thermal dissipation of excess excitation
Physiologia Plantarum, 1996,98(2):253-264.

[本文引用: 1]

[11]

WOLD

. Estimation of principal components and related models by iterative least squares
Multivariate Analysis, 1966,1:391-420.

URL [本文引用: 1]

[12]

, AMARI S

. Conformal transformation of Kernel functions: A data-dependent way to improve support vector machine classifiers
Neural Process Letters, 2002,15(1):59-67.

DOI:10.1023/A:1013848912046 URL [本文引用: 1]

In this paper we extend the conformal method of modifying a kernel function to improve the performance of Support Vector Machine classifiers [14, 15]. The kernel function is conformally transformed in a data-dependent way by using the information of Support Vectors obtained in primary training. We further investigate the performances of modified Gaussian Radial Basis Function and Polynomial kernels. Simulation results for two artificial data sets show that the method is very effective, especially for correcting bad kernels.

[13]

ZELTERMAN

. Multivariable linear regression, applied multivariate statistics with R
Springer International Publishing, 2015: 231-256.

[本文引用: 1]

[14]

PARK D

, ELSHARKAWI M

, MARKS

R J I

. Electric load forecasting using an artificial neural network
IEEE Transactions on Power Systems, 1991,6(2):442-449.

[本文引用: 1]

[15]

YUE

, FENG

, YANG

, LI

. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy
Remote Sensing, 2018,10(1):66-89.

DOI:10.3390/rs10010066 URL [本文引用: 1]

Above-ground biomass (AGB) provides a vital link between solar energy consumption and yield, so its correct estimation is crucial to accurately monitor crop growth and predict yield. In this work, we estimate AGB by using 54 vegetation indexes (e.g., Normalized Difference Vegetation Index, Soil-Adjusted Vegetation Index) and eight statistical regression techniques: artificial neural network (ANN), multivariable linear regression (MLR), decision-tree regression (DT), boosted binary regression tree (BBRT), partial least squares regression (PLSR), random forest regression (RF), support vector machine regression (SVM), and principal component regression (PCR), which are used to analyze hyperspectral data acquired by using a field spectrophotometer. The vegetation indexes (VIs) determined from the spectra were first used to train regression techniques for modeling and validation to select the best VI input, and then summed with white Gaussian noise to study how remote sensing errors affect the regression techniques. Next, the VIs were divided into groups of different sizes by using various sampling methods for modeling and validation to test the stability of the techniques. Finally, the AGB was estimated by using a leave-one-out cross validation with these powerful techniques. The results of the study demonstrate that, of the eight techniques investigated, PLSR and MLR perform best in terms of stability and are most suitable when high-accuracy and stable estimates are required from relatively few samples. In addition, RF is extremely robust against noise and is best suited to deal with repeated observations involving remote-sensing data (i.e., data affected by atmosphere, clouds, observation times, and/or sensor noise). Finally, the leave-one-out cross-validation method indicates that PLSR provides the highest accuracy (R2 = 0.89, RMSE = 1.20 t/ha, MAE = 0.90 t/ha, NRMSE = 0.07, CV (RMSE) = 0.18); thus, PLSR is best suited for works requiring high-accuracy estimation models. The results indicate that all these techniques provide impressive accuracy. The comparison and analysis provided herein thus reveals the advantages and disadvantages of the ANN, MLR, DT, BBRT, PLSR, RF, SVM, and PCR techniques and can help researchers to build efficient AGB-estimation models.

[16]

DECHANT

, CUNTZ

, VOHLAND

, SCHULZ

. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism
Remote Sensing of Environment, 2017,196:279-292.

DOI:10.1016/j.rse.2017.05.019 URL [本文引用: 1]

李婷, 季宇寒, 张漫, 沙莎, 李民赞 . 基于PLSR和BPNN方法的番茄光合速率预测比较
农业工程学报, 2015,31(S2):222-229.

URL [本文引用: 1]

CO2作为温室作物光合作用的重要原料,不同环境因子交互作用的植株叶片对CO2浓度需求具有较大差异。为寻求CO2浓度合理增施量,该文基于偏最小二乘法和BP神经网络方法对不同生长阶段番茄作物进行光合速率预测,进而探讨作物生长过程中可通用的光合速率预测方法。试验以无线传感器网络系统实时监测环境信息(CO2浓度,光照强度,空气温度及相对湿度),以LI-6400XT光合速率仪获取作物单叶净光合速率。剔除样本奇异点后,对样本值进行统一归一化。以CO2浓度、光照强度、空气温度及相对湿度为模型输入变量,以光合速率为输出量,利用偏最小二乘法和BP神经网络方法分别建立番茄幼苗期,开花期及结果期的光合速率预测模型。模型验证结果表明,偏最小二乘法在番茄各生长阶段的决定系数分别为0.74,0.88和0.85,最大相对误差为15.01%;而BP神经网络在各阶段具有较高的预测精度,其决定系数分别为0.94,0.96和0.97,最大相对误差为9.56%。因此,基于BP神经网络模型预测了特定环境下的CO2浓度饱和点,为温室CO2增施提供依据。

, JI Y

, ZHANG

, SHA

, LI M

. Comparison of photosynthesis prediction methods with BPNN and PLSR in different growth stages of tomato
Transactions of the Chinese Society of Agricultural Engineering, 2015,31(S2):222-229. (in Chinese)

URL [本文引用: 1]

陈俊英, 陈硕博, 张智韬, 付秋萍, 边江, 崔婷 . 无人机多光谱遥感反演花蕾期棉花光合参数研究
农业机械学报, 2018,49(10):230-239.

[本文引用: 1]

CHEN J

, CHEN S

, ZHANG Z

, FU Q

, BIAN

, CUI

. Investigation on photosynthetic parameters of cotton during budding period by multi-spectral remote sensing of unmanned aerial vehicle
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(10):230-239. (in Chinese)

[本文引用: 1]

[19]

DAUGHTRY C S

, WALTHALL C

, KIM M

, MCMURTREY J

. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance
Remote Sensing of Environment, 2000,74(2):229-239.

DOI:10.1016/S0034-4257(00)00113-9 URL [本文引用: 1]

Farmers must balance the competing goals of supplying adequate N for their crops while minimizing N losses to the environment. To characterize the spatial variability of N over large fields, traditional methods (soil testing, plant tissue analysis, and chlorophyll meters) require many point samples. Because of the close link between leaf chlorophyll and leaf N concentration, remote sensing techniques have the potential to evaluate the N variability over large fields quickly. Our objectives were to (1) select wavelengths sensitive to leaf chlorophyll concentration, (2) simulate canopy reflectance using a radiative transfer model, and (3) propose a strategy for detecting leaf chlorophyll status of plants using remotely sensed data. A wide range of leaf chlorophyll levels was established in field-grown corn ( Zea mays L.) with the application of 8 N levels: 0%, 12.5%, 25%, 50%, 75%, 100%, 125%, and 150% of the recommended rate. Reflectance and transmittance spectra of fully expanded upper leaves were acquired over the 400-nm to 1,000-nm wavelength range shortly after anthesis with a spectroradiometer and integrating sphere. Broad-band differences in leaf spectra were observed near 550 nm, 715 nm, and >750 nm. Crop canopy reflectance was simulated using the SAIL (Scattering by Arbitrarily Inclined Leaves) canopy reflectance model for a wide range of background reflectances, leaf area indices (LAI), and leaf chlorophyll concentrations. Variations in background reflectance and LAI confounded the detection of the relatively subtle differences in canopy reflectance due to changes in leaf chlorophyll concentration. Spectral vegetation indices that combined near-infrared reflectance and red reflectance (e.g., OSAVI and NIR/Red) minimized contributions of background reflectance, while spectral vegetation indices that combined reflectances of near-infrared and other visible bands (MCARI and NIR/Green) were responsive to both leaf chlorophyll concentrations and background reflectance. Pairs of these spectral vegetation indices plotted together produced isolines of leaf chlorophyll concentrations. The slopes of these isolines were linearly related to leaf chlorophyll concentration. A limited test with measured canopy reflectance and leaf chlorophyll data confirmed these results. The characterization of leaf chlorophyll concentrations at the field scale without the confounding problem of background reflectance and LAI variability holds promise as a valuable aid for decision making in managing N applications.

[20]

赵祥, 刘素红, 王培娟, 王锦地, 田振坤 . 基于高光谱数据的小麦叶绿素含量反演
地理与地理信息科学, 2004,20(3):36-39.

DOI:10.3969/j.issn.1672-0504.2004.03.008 URL [本文引用: 1]

近年来,遥感高光谱技术为获取农作物的某些生理化参数提供了丰富的数据来源.该文使用北京小汤山地区实验获取的小麦高光谱数据,应用偏最小二乘回归方法,建立了冬小麦冠层波谱与叶绿素含量的回归反演计算模型.研究结果显示:模型在 350～1060nm波段具有较高的反演精度.本研究为应用高光谱数据反演冬小麦叶绿素含量提供了有效途径.

ZHAO

, LIU S

, WANG P

, WANG J

, TIAN Z

. A method for inverting chlorophyll content of wheat using hyperspectral
Geography and Geo-Information Science, 2004,20(3):36-39.

DOI:10.3969/j.issn.1672-0504.2004.03.008 URL [本文引用: 1]

ZHAO D

, BARRY

, MICHAEL

, CHEN J

. Sugarcane genotype variation in leaf photosynthesis properties and yield as affected by mill mud application
Agronomy Journal, 2015,107(2):

[本文引用: 1]

1831-1849.

[本文引用: 1]

[22]

裴浩杰, 冯海宽, 李长春, 李振海, 杨贵军, 王衍安, 郭建华 . 基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较
江苏农业科学, 2018,46(17):224-230.

[本文引用: 1]

PEI H

, FENG H

, LI C

, LI Z

, YANG G

, WANG Y

, GUO J

. Comparison of hyperspectral estimation methods for chlorophyll content of apple based on multiple linear regression and stochastic forest
Jiangsu Agricultural Sciences, 2018,46(17):224-230. (in Chinese)

[本文引用: 1]

[23]

孙少波, 杜华强, 李平衡, 周国模, 徐小军, 高国龙, 李雪建 . 基于小波变换的毛竹叶片净光合速率高光谱遥感反演
应用生态学报, 2016,27(1):49-58.

DOI:10.13287/j.1001-9332.201601.020 URL Magsci

在对毛竹林叶片高光谱反射率数据进行小波变换的基础上，寻找和确定最佳的小波植被指数反演毛竹林叶片的净光合速率(Pn).结果表明：理想的高频小波植被指数反演得到的Pn 精度高于低频小波植被指数和光谱植被指数，其中，由小波分解第一层高频系数构建的归一化植被指数、比值植被指数和差值植被指数与Pn之间的相关性最好，R2为0.7，均方根误差(RMSE)较低，为0.33；而低频小波植被指数反演Pn的精度低于光谱植被指数.由各层理想小波植被指数所构建的多元线性模型反演得到毛竹叶片Pn与实测Pn之间具有显著的相关关系，R2为0.77，RMSE为0.29，且精度明显高于基于光谱植被指数所构建的多元线性模型.与光谱植被指数反演毛竹Pn的敏感波段仅局限于可见光波段相比，小波植被指数探测的敏感波长范围更广，包含了可见光及多个红外波段.高光谱数据在经过小波变换后能够发现更多反映毛竹Pn的细节信息，且整体反演精度比原始光谱有了显著提高，研究结果为基于高光谱遥感反演植被Pn提供了一种新的可选方法.

SUN S

, DU H

, LI P

, ZHOU G

, XU X

, GAO G

, LI X

. Retrieval of leaf net photosynthetic rate of moso bamboo forests using hyperspectral remote sensing based on wavelet transform

Chinese Journal of Applied Ecology,

2016,27(1):49-58. (in Chinese)

DOI:10.13287/j.1001-9332.201601.020 URL Magsci

王惠文, 孟洁 . 多元线性回归的预测建模方法
北京航空航天大学学报, 2007,33(4):500-504.

DOI:10.3969/j.issn.1001-5965.2007.04.028 URL Magsci

根据历史的样本数据,建立多元线性回归的预测模型;从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数,以及主要的模型精度评估指标.对多元线性回归模型参数的预测,转化为对其变量集合的增广矩阵的叉积阵的预测.对叉积阵进行谱分解,利用高维群点主轴旋转的预测建模方法,通过Givens变换得到特征向量矩阵的转角值,对自由取值的转角以及特征值建立预测模型.仿真实验例示了该方法的主要计算步骤;计算结果显示,利用本模型得到的拟合值精度较高,预测值真实可信.最终计算结果和实验结果吻合较好,表明这种方法可以用于分析和预测众多领域中因变量对自变量的回归关系问题.

WANG H

, MENG

. Predictive modeling on multivariate linear regression
Journal of Beijing University of Aeronautics and Astronautics, 2007,33(4):500-504. (in Chinese)

DOI:10.3969/j.issn.1001-5965.2007.04.028 URL Magsci

岳继博, 杨贵军, 冯海宽 . 基于随机森林算法的冬小麦生物量遥感估算模型对比
农业工程学报, 2016,32(18):175-182.

DOI:10.11975/j.issn.1002-6819.2016.18.024 URL

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法(random forest,RF)将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析(correlation coefficient,r)、袋外数据(out-of-bag data,OOB)重要性和灰色关联分析(grey relational analysis,GRA)与随机森林算法(RF)进行整合,构建了3种冬小麦生物量估算模型:r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明:r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。

YUE J

, YANG G

, FENG H

. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm
Transactions of the Chinese Society of Agricultural Engineering, 2016,32(18):175-182. (in Chinese)

DOI:10.11975/j.issn.1002-6819.2016.18.024 URL

王奕涵, 石铁柱, 刘会增, 王竣杰, 邬国锋 . 水稻叶片氮含量反演偏最小二乘模型设计
遥感信息, 2015,30(6):42-47.

DOI:10.3969/j.issn.1000-3177.2015.06.008 URL

针对高光谱偏最小二乘模型（PLSR）反演作物氮含量时易出现数据冗余和模型复杂的问题,尝试结合波段深度分析和遗传算法（GA）建立水稻氮含量PLSR反演模型。基于去包络线处理的水稻高光谱数据（350nm~750nm）,选取波段深度（BD）、波段深度比（BDR）、归一化面积波段深度（BNA）和归一化面积波段指数（NBDI）4种波段深度指数分别建立BDA-PLSR模型,进而采用遗传算法波段选择选取最适宜波段深度指数建立GA-PLSR模型,并将GA-PLSR模型与BDA-PLSR模型进行对比。结果显示,基于BNA的GA-PLSR模型在反演水稻氮含量中获得了最佳的结果（Adj.R2=0.67,RMSEP=0.20,RPD=1.84）。研究证明,利用波段深度分析建立的PLSR模型能一定程度上解决数据冗余问题,进一步采用遗传算法进行波段选择能更有效挖掘光谱信息,提高模型精度。

WANG Y

, SHI T

, LIU H

, WANG J

, WU G

. Partial least squares regression model for retrieving paddy rice nitrogen content with band depth analysis and genetic algorithm
Remote Sensing Information, 2015,30(6):42-47. (in Chinese)

DOI:10.3969/j.issn.1000-3177.2015.06.008 URL

宋丰萍, 蒙祖庆 . 干旱胁迫下作物光合参数研究进展
高原农业, 2018,2(2):138-144, 212.

URL

干旱胁迫是限制作物生长发育,导致作物减产的主要因素。研究作物抗旱光合特性,对稳定和促进作物生产具有重要意义。本文主要述及干旱胁迫下作物气体交换参数和叶绿素荧光参数的变化规律及其在抗旱鉴定、筛选中的应用现状,并指出采用动态法光合参数与渗透调节物及保护性酶等生理指标结合研究作物的抗旱性更能准确反应干旱胁迫下作物的生理变化,有助于更加深入的研究作物的抗旱机制。

SONG F

, MENG Z

. Research progress on photosynthetic parameters of crops in drought stress
Journal of Plateau Agriculture, 2018,2(2):138-144, 212. (in Chinese)

URL

丁世飞, 齐丙娟, 谭红艳 . 支持向量机理论与算法研究综述
电子科技大学学报, 2011,40(1):2-10.

DOI:10.3969/j.issn.1001-0548.2011.01.001 URL

统计学习理论（statistical learning theory,SLT）是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。支持向量机（support vector machinse,SVM）是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景。

DING S

, QI B

, TAN H

. An overview on theory and algorithm of support vector machines
Journal of University of Electronic Science and Technology of China, 2011,40(1):2-10. (in Chinese)

DOI:10.3969/j.issn.1001-0548.2011.01.001 URL

高林, 杨贵军, 于海洋, 徐波, 赵晓庆, 董锦绘, 马亚斌 . 基于无人机高光谱遥感的冬小麦叶面积指数反演
农业工程学报, 2016,32(22):113-120.

DOI:10.11975/j.issn.1002-6819.2016.22.016 URL

叶面积指数（leaf area index，LAI）是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要；然而，围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field SpecFR Pro 2500光谱辐射仪（ASD Field SpecFR Pro 2500 spectroradiometer，ASD）和Cubert UHD185 Firefly成像光谱仪（Cuber UHD185 Firefly imaging spectrometer，UHD185）在冬小麦试验田进行空地联合试验，基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据，估测冬小麦 LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准，依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析，结果表明458～830 nm（第3～96波段）的UHD185光谱数据可靠，可使用其探测冬小麦LAI，这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性，结果表明：12种参数中比值型光谱指数RSI（494,610）与LAI高度正相关，是估测LAI的最佳参数；基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系（决定系数 R2=0.737，参与建模的样本个数 n=103），且 lg(LAI)预测值和 lg(LAI)实测值高度拟合性（R2=0.783，均方根误差 RMSE=0.127，n=41，P<0.001）；该研究为利用无人机高光谱遥感数据开展相关研究积累了经验，也为发展无人机高光谱遥感的精准农业应用提供了参考。

GAO

, YANG G

, YU H

, XU

, ZHAO X

, DONG J

, MA Y

. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing

Transactions of the Chinese Society of Agricultural Engineering,

2016,32(22):113-120. (in Chinese)

DOI:10.11975/j.issn.1002-6819.2016.22.016 URL

, WANG

, LIU

, WEI

, SHUI S

. Estimation of litchi (Litchi chinensis Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra.
European Journal of Agronomy, 2016,80:182-194.

DOI:10.1016/j.eja.2016.08.001 URL

The estimation of crop nitrogen status in fresh vegetation leaf using field spectroscopy is challenging due to the weak responses on leaf/canopy reflectance and the overlapping with the absorption features of other compounds. Although the spectral indices were proposed in the literature to predict leaf nitrogen content (LNC), the performance of selected spectral indices to estimate the LNC is often inconsistent. Moreover, the models for nitrogen content estimation changed with the growth stage. The goal of this study was to evaluate the performance of published indices, ratio of data difference index (RDDI) and ratio of data index (RDI) developed by band iterative-optimization algorithm in LNC estimation. The correlation analysis, linear regression and cross validation were used to analyze the relationship between spectral data and LNC and construct the best performed estimation model. The study was conducted by the data of five growing seasons of litchi from the orchards in Guangdong Province of China. Results showed that the relationship between chlorophyll (Chl) related spectral indices and LNC varied with the growth stage. Even in flower bud morphological differentiation stage and autumn shoot maturation stage, there were not significant correlations between the proposed spectral indices and LNC. Besides it is difficult to estimate the LNC by the general model across the growth stages due to the integrated effects of cultivar, biochemical, canopy structure, etc. The band iterative-optimization algorithm can improve the sensitivity of spectral data to LNC to some extent. The optimal RDDI performed better than other indices for the synthetic dataset and the dataset in each growth stage. And the sensitive bands selected in the optimal indices at each growth stage are not consistent, which are not only related to the Chl absorption but also other biochemical components, such as starch, lignin, cellulose, protein, etc. In general, the LNC can be estimated by the optimized CR-based RDDI indices in autumn shoot maturation stage, flower spike stage, fruit maturation stage, and flowering stage with the R2>0.50 and RMSE<0.14. Although there were the significant relationship between RDIs and RDDIs in flower bud morphological differentiation stage, the highest R2s of the model developed by RDDIs and RDIs were less than 0.50 in cross validation. This study indicated that the applicability of canopy reflectance to estimate litchi LNC was closely related to the growth stage of litchi. Growth stage-specific models will be preferred for estimating litchi LNC estimation.

[31]

李粉玲, 常庆瑞 . 基于连续统去除法的冬小麦叶片全氮含量估算
农业机械学报, 2017,48(7):174-179.

DOI:10.6041/j.issn.1000-1298.2017.07.022 URL

以陕西省关中地区冬小麦小区试验为基础,获取不同生育期冬小麦的冠层高光谱数据,提取其连续统去除光谱和7类吸收特征参数,对比原始冠层光谱和连续统去除光谱对叶片氮含量的响应,分析连续统去除光谱吸收特征参数对叶片氮含量的估算能力。结果表明:连续统去除光谱在721~727 nm波段与叶片氮含量呈极显著负相关,相关系数为-0.851;吸收特征参数增强了对叶片氮含量的估算能力,400~550 nm波段吸收特征参数与叶片氮含量的相关性弱于550~770 nm波段;叶片氮含量与550~770 nm和400~770 nm的吸收峰总面积、吸收峰左面积以及吸收峰右面积呈显著正相关,与面积归一化最大吸收深度呈显著负相关,且相关系数绝对值均在0.8以上;550~770 nm波段的吸收峰总面积建立的叶片氮含量指数估算模型精度最高,R2达到0.82,模型检验结果稳定,可用来定量估算冬小麦叶片氮素含量水平。

LI F

, CHANG Q

. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra
Transactions of the Chinese Society for Agricultural Machinery, 2017,48(7):174-179. (in Chinese)

DOI:10.6041/j.issn.1000-1298.2017.07.022 URL

YUAN H

, YANG G

, LI C

, WANG Y

, LIU J

, YU H

, FENG H

. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models
Remote Sensing, 2017,9(4):309-325.

DOI:10.3390/rs9040309 URL