本發(fā)明屬于農(nóng)業(yè)技術(shù)領(lǐng)域，涉及一種不同生育期油菜葉片spad值遙感估算方法。

背景技術(shù)：

葉綠素是植物與外界進(jìn)行能量交換的重要物質(zhì)，由于葉綠素與葉片氮含量之間存在著較好的相關(guān)性，因此可以表征植物的營(yíng)養(yǎng)狀況。高光譜技術(shù)具有光譜范圍廣、波段多和數(shù)據(jù)量大等優(yōu)點(diǎn)，可以用來(lái)對(duì)農(nóng)作物葉片和冠層生化組分進(jìn)行監(jiān)測(cè)，近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)于利用高光譜數(shù)據(jù)監(jiān)測(cè)植物葉綠素含量方面做了大量研究，dash.j等提出了利用merid數(shù)據(jù)對(duì)高葉綠素密度敏感的mtci指數(shù)來(lái)反演葉綠素含量；gitelson選擇玉米和大豆為研究對(duì)象，利用冠層反射率的倒數(shù)建立了冠層葉綠素含量的估測(cè)模型；broge等用不同氮素水平下的小麥冠層光譜數(shù)據(jù)，指出比值植被指數(shù)(rvi)能夠有效的預(yù)測(cè)冠層葉綠素的含量；姚付啟等綜合分析了10種植被指數(shù)與法國(guó)梧桐葉綠素的相關(guān)性和預(yù)測(cè)性，利用主成分分析和bp神經(jīng)網(wǎng)絡(luò)進(jìn)行了法國(guó)梧桐葉綠素含量的估算，認(rèn)為歸一化植被指數(shù)(ndvi)與葉綠素含量的關(guān)系最為密切；宮兆寧等研究了植被葉綠素與“三邊”參數(shù)及由光譜反射率組成的比值(sr)和歸一化(nd)光譜指數(shù)之間的相關(guān)關(guān)系，建立了葉綠素含量的反演模型。

隨機(jī)森林(randomforest)是一種統(tǒng)計(jì)學(xué)習(xí)理論，具有非常強(qiáng)的擬合能力，不會(huì)出現(xiàn)過(guò)度擬合現(xiàn)象，建模速度快，處理大數(shù)據(jù)集(高光譜數(shù)據(jù))時(shí)非常高效，而且算法對(duì)于結(jié)果具有可解釋性，在解決反演問(wèn)題方面具有獨(dú)特的優(yōu)勢(shì)，被譽(yù)為當(dāng)前最好的算法之一。隨著高光譜技術(shù)的發(fā)展，已有學(xué)者將隨機(jī)森林算法應(yīng)用到植被高光譜遙感上，但以油菜為研究對(duì)象，利用隨機(jī)森林算法構(gòu)建葉片葉綠素高光譜反演模型的研究尚未見(jiàn)報(bào)道；同時(shí)由于地區(qū)不同，作物種類不同，葉片葉綠素的敏感波段會(huì)出現(xiàn)顯著差異，光譜指數(shù)的適用性也有所不同。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種不同生育期油菜葉片spad值遙感估算方法，該方法以西北干旱、半干旱地區(qū)經(jīng)濟(jì)作物油菜為試驗(yàn)對(duì)象，分析油菜不同生育期葉片光譜與葉綠素相對(duì)含量spad值之間的相關(guān)關(guān)系，利用10種光譜指數(shù)構(gòu)建基于隨機(jī)森林(rf)算法的不同生育期及全生育期油菜葉片spad估算模型，并與傳統(tǒng)的基于光譜指數(shù)的一元線性回歸模型和多元逐步回歸模型進(jìn)行精度比較，實(shí)現(xiàn)高光譜技術(shù)無(wú)損、快速、準(zhǔn)確的估算油菜各生育期葉片spad值，為西北干旱、半干旱地區(qū)油菜生長(zhǎng)狀況監(jiān)測(cè)提供理論和技術(shù)支持。

其具體技術(shù)方案為：

一種不同生育期油菜葉片spad值遙感估算方法，包括以下步驟：

步驟1、光譜反射率測(cè)定

油菜葉片光譜反射率采用美國(guó)svchr-1024i型光譜儀進(jìn)行測(cè)定，該儀器光譜探測(cè)范圍為350～2500nm，在波段350nm-1000nm光譜分辨率3.5nm，1000-1850nm波段光譜分辨率9.5nm，1850-2500nm波段光譜分辨率6.5nm。利用自帶光源型手持葉片光譜探測(cè)器直接測(cè)定葉片光譜，光源為內(nèi)置鹵鎢燈。每次測(cè)定前均利用漫反射參考版對(duì)儀器進(jìn)行優(yōu)化，之后將待測(cè)葉片直接置于探測(cè)器進(jìn)行光譜測(cè)量。為了獲得葉片具有代表性的光譜，每片葉子測(cè)量3個(gè)位置，每個(gè)位置測(cè)量?jī)蓷l光譜，取六條光譜的平均值作為該樣本的最終光譜反射率。

步驟2、spad值測(cè)定

使用日本konicaminolta公司生產(chǎn)的spad502葉綠素儀同步測(cè)定油菜葉片的spad值。為減小誤差，每片葉子測(cè)量10個(gè)點(diǎn)，然后取其平均值作為該葉片的spad值，測(cè)量時(shí)避開(kāi)葉脈，同時(shí)根據(jù)所采油菜葉片面積的不同，適當(dāng)增加某些葉子的spad采集點(diǎn)。

步驟3、數(shù)據(jù)處理與模型構(gòu)建

利用svchr-1024ipc、excel2013、origin2016及spss22.0軟件對(duì)數(shù)據(jù)進(jìn)行處理與計(jì)算，選擇400-1000nm的波段范圍進(jìn)行研究，并將光譜重采樣到1nm。對(duì)每期采集的180個(gè)樣本按spad值進(jìn)行排序，采用分層抽樣的方法抽取135個(gè)作為建模樣本，剩余45個(gè)作為檢驗(yàn)樣本。

進(jìn)一步，步驟1中選取10種光譜指數(shù)光譜指數(shù)rvi、ndvi、mndvi、tcari、grvi、npci、dcni、msr705、fdrvi、fdndvi。

進(jìn)一步，步驟3中，模型構(gòu)建分別采用一元線性回歸、多元逐步回歸和隨機(jī)森林回歸算法。其中隨機(jī)森林回歸算法基于randomforest軟件包在r環(huán)境中進(jìn)行回歸模擬，在模型構(gòu)建過(guò)程中，分類樹(shù)的數(shù)量(ntree)和分割節(jié)點(diǎn)的隨機(jī)變量數(shù)(mtry)是該模型中最為重要的兩個(gè)參數(shù)，經(jīng)反復(fù)試驗(yàn)，根據(jù)隨機(jī)森林模型的預(yù)測(cè)誤差及其決定系數(shù)(r²)確定本發(fā)明中的分類樹(shù)的數(shù)量為3000，分割節(jié)點(diǎn)的變量數(shù)為3。

進(jìn)一步，步驟3中，為驗(yàn)證模型的精度，利用檢驗(yàn)樣本將不同模型的預(yù)測(cè)spad值與實(shí)測(cè)spad值進(jìn)行回歸擬合，以決定系數(shù)(r²)、均方根誤差(rmse)和相對(duì)誤差(re)來(lái)評(píng)價(jià)模型的優(yōu)劣。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

本發(fā)明結(jié)合傳統(tǒng)的一元線性回歸模型和多元逐步回歸模型與其進(jìn)行比較。結(jié)果表明：油菜葉片spad值在全生育期內(nèi)呈現(xiàn)出先上升后下降的趨勢(shì)；各光譜指數(shù)在不同生育期及全生育期與spad值的相關(guān)性均達(dá)到0.01水平的顯著相關(guān)；基于光譜指數(shù)構(gòu)建的隨機(jī)森林回歸模型在油菜各個(gè)生育期及全生育期建模和預(yù)測(cè)結(jié)果明顯優(yōu)于同期的傳統(tǒng)回歸模型，其建模和驗(yàn)證r²分別達(dá)到0.91和0.74以上，驗(yàn)證rmse在1.571-5.004之間，re在2.66％-13.22％之間，是油菜葉片spad的最優(yōu)估算模型。

附圖說(shuō)明

圖1是不同生育期油菜葉片光譜曲線特征；

圖2是不同生育期油菜葉片spad與原始光譜相關(guān)性。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方案對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)地說(shuō)明。

1材料與方法

1.1研究區(qū)概況

研究區(qū)位于陜西省咸陽(yáng)市乾縣梁山鎮(zhèn)齊南村(東經(jīng)108°7′6″，北緯34°38′33″)，該地區(qū)處于陜北黃土高原南緣與關(guān)中平原的過(guò)渡地帶，溫帶半干旱大陸性季風(fēng)氣候，年降水量525mm，年平均氣溫12.7℃，全年降雨分布不均，主要集中在6-9月，耕作制度基本為一年一熟，種植冬小麥、油菜、玉米等農(nóng)作物

1.2試驗(yàn)設(shè)計(jì)與樣品采集

2015年9月至2016年5月在研究區(qū)種植冬油菜，供試品種為甘雜1號(hào)。共設(shè)置30個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)面積為48m²，設(shè)置氮肥、磷肥和鉀肥處理各4個(gè)水平(n：0、120、240、360kg·ha-1，p：0、60、120、180kg·ha-1，k：0、90、180、270kg·ha-1)，每個(gè)處理重復(fù)3次，田間管理按當(dāng)?shù)卮筇锷a(chǎn)方式進(jìn)行。分別于2016年3月25日(苗期)，4月12日(蕾薹期)，5月3日(開(kāi)花期)和5月24日(成熟期)進(jìn)行田間觀測(cè)采樣。每個(gè)小區(qū)隨機(jī)采集6棵油菜植株冠層的共6片相同葉位的葉片裝入密封袋，放置在藍(lán)冰保鮮盒中立即運(yùn)回實(shí)驗(yàn)室，及時(shí)進(jìn)行葉片光譜反射率及spad值同步測(cè)定。

1.3測(cè)定項(xiàng)目與方法

1.3.1光譜反射率測(cè)定

油菜葉片光譜反射率采用美國(guó)svchr-1024i型光譜儀進(jìn)行測(cè)定，該儀器光譜探測(cè)范圍為350～2500nm，在波段350nm-1000nm光譜分辨率3.5nm，1000-1850nm波段光譜分辨率9.5nm，1850-2500nm波段光譜分辨率6.5nm。利用自帶光源型手持葉片光譜探測(cè)器直接測(cè)定葉片光譜，光源為內(nèi)置鹵鎢燈。每次測(cè)定前均利用漫反射參考版對(duì)儀器進(jìn)行優(yōu)化，之后將待測(cè)葉片直接置于探測(cè)器進(jìn)行光譜測(cè)量。為了獲得葉片具有代表性的光譜，每片葉子測(cè)量3個(gè)位置，每個(gè)位置測(cè)量?jī)蓷l光譜，取六條光譜的平均值作為該樣本的最終光譜反射率。

1.3.2spad值測(cè)定

使用日本konicaminolta公司生產(chǎn)的spad502葉綠素儀同步測(cè)定油菜葉片的spad值。為減小誤差，每片葉子測(cè)量10個(gè)點(diǎn)，然后取其平均值作為該葉片的spad值，測(cè)量時(shí)避開(kāi)葉脈，同時(shí)根據(jù)所采油菜葉片面積的不同，適當(dāng)增加某些葉子的spad采集點(diǎn)。

1.4光譜指數(shù)選擇

光譜指數(shù)是利用植被光譜數(shù)據(jù)的線性或非線性組合構(gòu)建的參數(shù)，能夠反映植被在可見(jiàn)光、近紅外波段反射與環(huán)境背景之間的差異。本發(fā)明在多種可用于估測(cè)葉綠素含量的光譜指數(shù)中選取了10種認(rèn)可度較高、物理意義明確的光譜指數(shù)(表1)。

表1光譜指數(shù)及其計(jì)算公式

tab1spectralindicesandformulas

1.5數(shù)據(jù)處理與模型構(gòu)建

利用svchr-1024ipc、excel2013、origin2016及spss22.0等軟件對(duì)數(shù)據(jù)進(jìn)行處理與計(jì)算，由于葉綠素的吸收光譜主要集中在500-750nm的范圍內(nèi)，因此主要選擇400-1000nm的波段范圍進(jìn)行研究，并將光譜重采樣到1nm。對(duì)每期采集的180個(gè)樣本按spad值進(jìn)行排序，采用分層抽樣的方法抽取135個(gè)作為建模樣本，剩余45個(gè)作為檢驗(yàn)樣本。

模型構(gòu)建分別采用一元線性回歸、多元逐步回歸和隨機(jī)森林回歸算法。其中隨機(jī)森林回歸算法基于randomforest軟件包在r環(huán)境中進(jìn)行回歸模擬，在模型構(gòu)建過(guò)程中，分類樹(shù)的數(shù)量(ntree)和分割節(jié)點(diǎn)的隨機(jī)變量數(shù)(mtry)是該模型中最為重要的兩個(gè)參數(shù)，經(jīng)反復(fù)試驗(yàn)，根據(jù)隨機(jī)森林模型的預(yù)測(cè)誤差及其決定系數(shù)(r²)確定本發(fā)明中的分類樹(shù)的數(shù)量為3000，分割節(jié)點(diǎn)的變量數(shù)為3。

為驗(yàn)證模型的精度，利用檢驗(yàn)樣本將不同模型的預(yù)測(cè)spad值與實(shí)測(cè)spad值進(jìn)行回歸擬合，以決定系數(shù)(r²)、均方根誤差(rmse)和相對(duì)誤差(re)來(lái)評(píng)價(jià)模型的優(yōu)劣。

2結(jié)果與分析

2.1不同生育期油菜葉片spad值變化與高光譜特征

在油菜的不同生育期，葉片的spad值呈現(xiàn)出先上升后下降的拋物線趨勢(shì)。從苗期到蕾薹期，油菜葉片spad值逐漸升高，蕾薹期達(dá)到整個(gè)生育期的最高點(diǎn)，平均值由苗期的48.98上升到了蕾薹期的52.17，最大值最小值也都呈現(xiàn)出明顯的上升趨勢(shì)，最大值達(dá)到了59.5，最小值48.15。蕾薹期后隨著油菜的生長(zhǎng)發(fā)育，葉片spad值逐漸變小，在開(kāi)花期平均值45.39，最小值36.05。開(kāi)花期后到成熟期，由于油菜角果開(kāi)始成熟，葉片逐漸枯萎衰老，營(yíng)養(yǎng)物質(zhì)向角果轉(zhuǎn)移，葉片變黃，油菜葉片的spad值急劇下降，成熟期spad的平均值31.51，最大值41.9，最小值低至17.1。同時(shí)，隨著油菜生育期的推進(jìn)，各階段的spad變化幅度逐漸變大，開(kāi)花期后標(biāo)準(zhǔn)差急劇增大，成熟期油菜葉片的spad標(biāo)準(zhǔn)差達(dá)到整個(gè)生育期的最大值7.13。

表2不同生育期油菜葉片spad值變化

tab.2variationofspadvaluesforrapeatdifferentgrowthstages

油菜葉片各生育期反射光譜曲線如圖1所示。不同生育期的油菜葉片光譜特征基本一致，在400-500nm的藍(lán)紫光波段和600-700nm的紅光波段由于葉綠素的強(qiáng)烈吸收形成兩個(gè)吸收谷，同時(shí)使得在550nm處形成一個(gè)相對(duì)較強(qiáng)的反射峰；在680-1000nm的近紅外區(qū)域，由于受到油菜葉片內(nèi)部結(jié)構(gòu)的支配作用，光譜反射率急劇上升，形成高反射平臺(tái)。從苗期到蕾薹期，由于油菜植株持續(xù)生長(zhǎng)，使得油菜葉面積指數(shù)和葉片逐漸增大，葉綠素含量持續(xù)上升，光合作用強(qiáng)烈，可見(jiàn)光區(qū)域葉片平均反射率降低，光譜曲線向下移動(dòng)，而紅邊位置出現(xiàn)“紅移”現(xiàn)象；蕾薹期后，油菜轉(zhuǎn)入生殖生長(zhǎng)，葉片葉綠素含量逐漸降低，可見(jiàn)光區(qū)域光譜反射率開(kāi)始增高，光譜曲線向上移動(dòng)，紅邊位置呈現(xiàn)出“藍(lán)移”的特征。

2.2油菜葉片spad值與光譜相關(guān)性分析

2.2.1油菜葉片原始光譜與spad值相關(guān)性分析

分別對(duì)油菜各生育期葉片的spad值與光譜反射率進(jìn)行相關(guān)分析，結(jié)果如圖2。從圖2可以看出，苗期、蕾薹期和開(kāi)花期油菜葉片spad與原始光譜反射率的相關(guān)性趨勢(shì)基本一致，波長(zhǎng)500-730nm之間呈極顯著負(fù)相關(guān)，在藍(lán)光波段520nm附近和紅光波段700nm附近相關(guān)系數(shù)達(dá)到兩個(gè)峰值，其中以700nm附近的相關(guān)性最為顯著；在700nm之后，各生育期油菜葉片與原始光譜反射率的相關(guān)系數(shù)迅速降低，開(kāi)花期為-0.1左右，其他生育期基本趨于0；成熟期油菜葉片spad值與原始光譜反射率之間的相關(guān)系數(shù)變化與前三個(gè)時(shí)期稍有不同，在551nm處相關(guān)性較低，峰值出現(xiàn)在630nm和696nm處，其中696nm處達(dá)到最大相關(guān)系數(shù)。

2.2.2油菜葉片spad值與光譜指數(shù)的相關(guān)性分析

分析各生育期實(shí)測(cè)spad值和光譜指數(shù)的相關(guān)性，結(jié)果如表3。通過(guò)分析表3數(shù)據(jù)可以得出：油菜各生育期葉片spad與光譜指數(shù)均達(dá)到顯著相關(guān)，其中tcari、grvi和npci為負(fù)相關(guān)，其它光譜指數(shù)為顯著正相關(guān)。苗期的10個(gè)光譜指數(shù)除npci外均與spad呈極顯著相關(guān)，其中相關(guān)性最好的為rvi，相關(guān)系數(shù)0.64；蕾薹期spad值與光譜指數(shù)的相關(guān)性都達(dá)到極顯著相關(guān)，rvi、fdrvi和fdndvi與spad值的相關(guān)系數(shù)達(dá)到了0.8以上；開(kāi)花期spad值與光譜指數(shù)的相關(guān)性為油菜整個(gè)生育期內(nèi)最好的，超過(guò)一半的光譜指數(shù)相關(guān)系數(shù)均在0.8以上，其中相關(guān)性最好的為fdndvi，相關(guān)系數(shù)0.86，相關(guān)性相對(duì)較差的為npci，但也達(dá)到了0.70；成熟期油菜葉片的spad值與光譜指數(shù)的相關(guān)系數(shù)差異較大，其中rvi、ndvi、mndvi、tcari和msr705的相關(guān)系數(shù)達(dá)到0.8以上，grvi和npci的相關(guān)系數(shù)不到0.4。綜合油菜生長(zhǎng)過(guò)程中的四個(gè)生育期內(nèi)的原始光譜數(shù)據(jù)和spad值，進(jìn)行全生育期油菜葉片spad值與各光譜指數(shù)相關(guān)性分析，結(jié)果表明，全生育期內(nèi)油菜葉片spad值與各光譜指數(shù)呈極顯著相關(guān)，其中rvi、ndvi、mndvi與油菜葉片spad值的相關(guān)系數(shù)在0.9以上，相關(guān)性非常高；dcni、msr705、fdrvi和fdndvi與油菜葉片的spad值的相關(guān)系數(shù)也都在0.8以上。

表3不同生育期油菜葉片spad值與光譜指數(shù)之間的相關(guān)系數(shù)

tab.3correlationcoefficientsbetweenspadvaluesandspectralindicesatdifferentgrowthstagesofrapeleaves

注：**表示在0.001水平上顯著相關(guān)；*表示在0.01水平上顯著相關(guān)。

note：**indicatessignificantcorrelationat0.001level；*indicatessignificantcorrelationat0.01level.

2.3各生育期油菜葉片spad值高光譜反演模型構(gòu)建

按照以下方式構(gòu)建油菜葉片spad高光譜估算模型：①選取各生育期與油菜葉片spad值顯著相關(guān)且相關(guān)系數(shù)最大的光譜指數(shù)為自變量，構(gòu)建油菜各生育期的spad值一元線性回歸模型(vi-lr)；②選取各生育期與油菜葉片spad值在0.001水平極顯著相關(guān)的光譜指數(shù)構(gòu)建spad值多元逐步回歸模型，記為vi-msr；③選取各生育期所有光譜指數(shù)構(gòu)建隨機(jī)森林回歸模型，所建模型記為vi-rf。結(jié)果如表4所示。

由表4可見(jiàn)，所有模型的擬合方程都達(dá)到了0.01的顯著水平，在油菜的各個(gè)生育期中，基于單一光譜指數(shù)構(gòu)建的一元線性回歸模型的精度都是最低的；基于極顯著相關(guān)的所有光譜指數(shù)構(gòu)建的多元逐步回歸模型和隨機(jī)森林模型能夠大幅度提高估算模型的精度，其中以隨機(jī)森林模型的決定系數(shù)最高，在整個(gè)生育期內(nèi)都能夠達(dá)到0.9以上，最大為0.974。在不同生育期中，苗期spad估算模型的精度要明顯小于其他生育期；成熟期估算模型精度最高，各模型的決定系數(shù)r²都能夠達(dá)到0.74以上，最大為vi-rf模型，決定系數(shù)0.942。全生育期的油菜葉片spad估算模型要明顯優(yōu)于分生育期構(gòu)建的估算模型，三種模型的決定系數(shù)r²都在0.85以上，vi-rf模型的估算精度仍為最高，決定系數(shù)r²達(dá)到了0.974。隨著隨機(jī)森林建模精度的提高，模型變量對(duì)于spad的解釋率也逐漸升高，其中苗期模型的解釋變異百分率最低為39.18％，而全生育期模型的解釋變異百分率達(dá)到85.57％。綜合建模結(jié)果可以得出，基于隨機(jī)森林回歸算法構(gòu)建的油菜葉片spad估算模型效果最好，能夠廣泛適用于油菜整個(gè)生育期的spad估算。

表4油菜不同生育期葉片spad回歸預(yù)測(cè)模型

tab4spadestimationmodelsatdifferentgrowthstagesofrape

2.4模型精度比較

利用檢驗(yàn)樣本對(duì)不同模型的估測(cè)精度進(jìn)行檢驗(yàn)，結(jié)果如表5所示。由表5可以看出，各生育期不同驗(yàn)證模型的r²都在0.57以上，達(dá)到了極顯著水平，能夠用于油菜spad值預(yù)測(cè)。其中苗期vi-rf模型的決定系數(shù)r²達(dá)到了0.77，rmse和re小于其他模型，分別為1.571和2.66％，但回歸方程斜率略小于vi-msr模型；蕾薹期vi-rf模型的r²，回歸方程斜率、rmse和re均為該生育期最優(yōu)；開(kāi)花期vi-rf模型的決定系數(shù)及回歸方程斜率為三個(gè)模型中最優(yōu)的，但其rmse和re都要略大于vi-msr模型；成熟期vi-rf模型同樣優(yōu)于其他模型，其決定系數(shù)r²達(dá)到了0.75，但各模型的rmse和re較其他生育期有大幅度上升，其均方根誤差達(dá)到了5以上，相對(duì)誤差達(dá)到了10％以上。在全生育期仍以vi-rf模型的預(yù)測(cè)精度最高，r²為0.88。綜合來(lái)看，vi-rf模型在分生育期及全生育期都表現(xiàn)出最強(qiáng)的學(xué)習(xí)和預(yù)測(cè)能力，決定系數(shù)r²均在0.75以上。但結(jié)合建模與預(yù)測(cè)結(jié)果，相對(duì)于建模精度，vi-rf模型的預(yù)測(cè)能力相對(duì)較弱，決定系數(shù)r²較建模有較大幅度的下降，這是因?yàn)殡S機(jī)森林算法在生成分類樹(shù)的時(shí)候，有可能會(huì)產(chǎn)生差異度非常小的樹(shù)，這對(duì)于最終生成正確的決策會(huì)產(chǎn)生影響，與王麗愛(ài)等的研究結(jié)果是一致的。

表5不同估算模型驗(yàn)證結(jié)果

tab5testingresultsunderdifferentestimationmodels

3討論

通過(guò)高光譜遙感獲得的農(nóng)作物光譜信息可以較好的反映其理化參數(shù)，監(jiān)測(cè)長(zhǎng)勢(shì)狀況^]，但是植被光譜的獲取易受到光譜儀本身的噪聲、環(huán)境噪聲和葉片內(nèi)部生理結(jié)構(gòu)等因素的影響。大量研究表明，葉片的spad值與其葉綠素總含量有著較強(qiáng)的相關(guān)性，能夠在一定程度上反映作物葉片的養(yǎng)分及其長(zhǎng)勢(shì)情況，利用光譜指數(shù)構(gòu)建植被葉片spad的監(jiān)測(cè)模型可以消除背景噪聲，實(shí)現(xiàn)農(nóng)作物生長(zhǎng)狀況監(jiān)測(cè)。

(1)在成熟期和全生育期，ndvi與油菜葉片spad的相關(guān)性最高，而在葉綠素含量相對(duì)較高的苗期和蕾薹期，ndvi與spad值的相關(guān)性則較差，這可能是因?yàn)樵谌~綠素含量較高時(shí)，ndvi容易出現(xiàn)過(guò)飽和現(xiàn)象。同時(shí)在各生育期及全生育期，spad與grvi和npci的相關(guān)性都相對(duì)較差，這主要是因?yàn)橛筒巳~片葉綠素最為敏感的波段主要集中在690nm至710nm處，而這兩種光譜指數(shù)的構(gòu)建都沒(méi)有該波段的參與。

(2)使用光譜指數(shù)估測(cè)農(nóng)作物spad值，雖然能夠很好的消除背景噪聲，提高估測(cè)精度，但是以往研究大都較少考慮光譜指數(shù)對(duì)于作物不同生育期的適用性，且多數(shù)研究?jī)H基于單一光譜指數(shù)構(gòu)建spad估測(cè)模型。而單一光譜指數(shù)往往只包含作物光譜的部分信息，易出現(xiàn)過(guò)飽和現(xiàn)象，且模型的精度和穩(wěn)定性都難以得到保證。本發(fā)明借鑒多個(gè)光譜指數(shù)的同時(shí)，針對(duì)油菜生長(zhǎng)的不同生育期及全生育期，分別結(jié)合最小二乘算法、多元逐步回歸算法和隨機(jī)森林算法構(gòu)建spad估算模型，結(jié)果發(fā)現(xiàn)基于多個(gè)光譜指數(shù)構(gòu)建的模型精度較單光譜指數(shù)模型精度均有較大提高，在不同生育期的適用性也更強(qiáng)，有效避免了因?yàn)槿~片葉綠素含量偏高導(dǎo)致的光譜指數(shù)飽和現(xiàn)象對(duì)于模型的影響。

(3)在植被葉片spad估算模型的構(gòu)建過(guò)程中，不同的建模方法對(duì)于模型的預(yù)測(cè)精度影響也較大。隨機(jī)森林模型在各生育期表現(xiàn)良好，模型精度均有較大提高，r²在0.91以上，其中苗期較線性模型精度提高達(dá)23％，蕾薹期提高了17％，開(kāi)花期提高了9％，成熟期提高了10％，而全生育期則提高了8％，模型建模r²高達(dá)0.974。隨機(jī)森林算法較最小二乘算法及多元逐步回歸算法具有很高的預(yù)測(cè)準(zhǔn)確性，原因在于隨機(jī)森林模型能夠很好的容忍建模過(guò)程中出現(xiàn)的異常值和噪聲，且不容易出現(xiàn)過(guò)度擬合，對(duì)多重共線性不敏感。

4結(jié)論

本發(fā)明以西北區(qū)經(jīng)濟(jì)作物油菜為研究對(duì)象，應(yīng)用光譜指數(shù)構(gòu)建葉片spad的高光譜估算模型，并對(duì)各模型反演精度進(jìn)行檢驗(yàn)，得到以下結(jié)論：

1)在油菜不同生育期其葉片spad值存在著顯著的差異，spad呈現(xiàn)出先升高后下降的趨勢(shì)；隨著spad值的升高在可見(jiàn)光波段光譜反射率降低，紅邊位置出現(xiàn)“紅移”現(xiàn)象。

2)各光譜指數(shù)在不同生育期均與油菜葉片spad值呈顯著相關(guān)，其中tcari、grvi和npci與油菜葉片spad值呈顯著負(fù)相關(guān)，其余光譜指數(shù)與油菜葉片spad值呈顯著正相關(guān)。成熟期和全生育期ndvi與葉片spad值相關(guān)性最好，苗期rvi與葉片spad值相關(guān)性最好，在蕾薹期和開(kāi)花期，基于紅邊和藍(lán)邊位置構(gòu)建的植被指數(shù)與葉片spad值有最大相關(guān)系數(shù)。

3)基于光譜指數(shù)構(gòu)建的分生育期和全生育期油菜葉片spad值估算模型均通過(guò)顯著性檢驗(yàn)，其中隨機(jī)森林回歸模型在各生育期均表現(xiàn)出最好的建模及驗(yàn)證精度，其建模r²在0.91以上，驗(yàn)證r²達(dá)到0.74以上，是進(jìn)行油菜葉片spad值估測(cè)的最優(yōu)模型。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，本發(fā)明的保護(hù)范圍不限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可顯而易見(jiàn)地得到的技術(shù)方案的簡(jiǎn)單變化或等效替換均落入本發(fā)明的保護(hù)范圍內(nèi)。