陳曉 李修華 周永華 丁永軍 劉小陽 馬紹對 趙立安

摘要：葉綠素是植物進行光合作用的重要色素，葉綠素含量可以作為評價植物生長狀況的重要參數(shù)。本研究基于甘蔗葉片的反射光譜，利用PCA及BP神經網絡算法，建立了甘蔗葉片的葉綠素含量預測模型。PCA算法可以在盡可能少地丟失有用光譜信息的前提下，降低輸入光譜矩陣的維數(shù)，最大限度地減少冗余信息。BP神經網絡算法因其良好的非線性逼近能力可大大提高該模型的預測精度。研究發(fā)現(xiàn)：基于PCA和BP算法建立的葉綠素含量預測模型，其預測值與實測值之間的R2達0.8929，表明該模型具有較高的預測能力。

關鍵詞：甘蔗葉片；光譜反射率；葉綠素含量；PCA算法；BP神經網絡

中圖分類號：O657.3； TP722.4文獻標識碼：ADOI：10.3969/j.issn.10036199.2017.01.008

1引言

甘蔗是廣西地區(qū)最重要的經濟作物，新臺糖22號甘蔗是廣西蔗區(qū)種植面積最廣的品種。但是與發(fā)達地區(qū)相比，廣西的甘蔗生產水平相對較低，生產成本偏高，產品的國際競爭力不強。了解甘蔗的生長狀況，建立與作物長勢有關的作物生化指數(shù)（這里指的是葉綠素含量）的預測模型是精細農業(yè)研究的重要內容。葉片葉綠素含量植物的狀態(tài)，而光譜為無損估算葉片葉綠素含量提供了[1-4]。

Gitelson等[5]通過對不同作物的冠層反射光譜進行研究，發(fā)現(xiàn)在波長550 nm和700 nm附近的光譜與葉綠素的含量相關性顯著；Hansena and Schjoerring[6]通過比較預先假設的NDVI的兩個長波段的預測模型，采用偏最小二乘法選擇相關性最高的波段組合，結果發(fā)現(xiàn)用于估算葉片葉綠素含量的模型準確度高；趙春江、張金恒等[7-8]研究認為利用紅邊波段的反射光譜可以估算葉片葉綠素含量。

BP（Back Propagation）神經網絡通常是指基于誤差反向傳播算法的多層前向神經網絡。目前BP神經網絡已成為近紅外光譜定量分析中應用最廣的非線性多元校正方法。劉建學等[9-12]基于BP神經網絡建立了大米淀粉含量的預測模型；王艷斌[7]等針對不同餾程柴油的近紅外光譜進行校正，認為人工神經網絡具有較好的準確性和抗干擾性；張欽禮等[13]針對礦巖可爆性進行預測分析，建立了基于主成分析（Principal Component Analysis，PCA）和BP組合的礦巖可爆性分級評價模型，預測值與期望值之間的相對誤差控制在6%以內；陳建宏等[14]建立了基于PCA和BP相結合的采礦方法優(yōu)選模型了數(shù)據(jù)處理速度較慢的缺陷。王棟等[15]研究發(fā)現(xiàn)基于灰色關聯(lián)和BP神經網絡的汽車保有量預測模型具有較高的精度，最大相對誤差為2.2%，平均相對誤差為1.5%。

人工神經網絡方法具有很強的非線性逼近能力，已經在近紅外分析中得到廣泛的應用。針對甘蔗作物光譜特性進行研究的文獻少，研究基于PCA和BP神經網絡算法，建立了甘蔗葉片葉綠素含量的預測模型。

2實驗數(shù)據(jù)獲取

該實驗是在2015年5月26日，在廣西大學農學院試驗田進行。甘蔗品種選擇新臺糖22號（ROC22）。采用“3414”施肥方案，肥料選擇尿素（N）、氯化鉀（K）和鈣鎂磷肥（P）。此次試驗是在每個小區(qū)，共42個樣本。實驗使用的是島津紫外可見分光光度計UV-2600，其測量的測波長范圍是220-1400 nm，分辨率為0.1 nm。可用于測量甘蔗葉片的反射光譜和葉綠素含量

a和Cb分別為葉綠素a、b的濃度，葉綠素濃度。A645與A663分別為645 nm與663 nm波長下的萃取液吸光度。3基于PCA和BP神經網絡的葉綠素含量預測模型設計

本實驗利用甘蔗葉片在可見光-近紅外區(qū)域的反射率數(shù)據(jù)作為該模型的輸入，光譜矩陣X，葉綠素的含量值作為其輸出。本研究主要基于BP算法的思想建立預測葉綠素含量的模型。但是直接將光譜矩陣X作為神經元的輸入，導致BP網的規(guī)模比較大，訓練也較為復雜。我們首先利用PCA消除光譜數(shù)據(jù)之間的多重共線性，對原始光譜矩陣進行降維處理，提取出主成分。進一步確定最終主成分的數(shù)目，并將這些主成分作為BP網的輸入。另外，根據(jù)BP神經網絡理論，編寫B(tài)P算法的程序，建立葉綠素含量的預測模型。

3.1PCA算法和BP神經網絡算法的原理

PCA是對多變量數(shù)據(jù)進行統(tǒng)計處理的一種數(shù)據(jù)線性投影方法，它在盡可能保留原有信息的基礎上將高維空間中的樣本映射到較低維的主成分空間中。其基本思路是以一種最優(yōu)的方法把相互相關的一組數(shù)據(jù)，通過正交變換使其變?yōu)橐唤M相互無關的變量，以達到簡化光譜矩陣，降低維數(shù)的目的。對于一個具有n個樣本p個波長點光譜矩陣

以上測試結果表明：在一定的誤差范圍內，利用經過改進的BP神經網絡模型能較好預測葉綠素含量。這主要是因為前5個主成分幾乎原始光譜信息另外BP神經網絡自身的結構特點也決定了其具有較好的預測能力。

4結語

本論文主要研究了處于分蘗初期的甘蔗葉片在可見-近紅外波段的光譜特性對其葉綠素含量的預測能力。首先對光譜范圍為400 nm～1000 nm的甘蔗葉片反射率進行了主成分分析，以盡可能地減少冗余信息；接下來，采用前5個主成分作為BP神經網絡的輸入，建立了葉綠素的預測模型。研究發(fā)現(xiàn)，采用PCA及BP神經網絡算法相結合的方法建立的預測模型具有較強的預測能力（R2=0.8929，pvalue=0.0016）。但是，利用全波段的光譜信息來作為預測模型的輸入，數(shù)據(jù)量較大，數(shù)據(jù)獲取成本較高，增加了模型的復雜性及應用成本，不利于后期推廣。另外，由于研究中用到的樣本數(shù)據(jù)較少，該模型仍存在一定的不穩(wěn)定因素，后期可通過增加訓練樣本數(shù)量集，進一步增加模型的魯棒性。

參考文獻

[1]THENKABAIL P S， SMITH R B， DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2001，71：158-182.

[2]FILELLA I， SERRANO I， SERRA J，et al.Evaluating wheat nitrogen status with canopy relfectance indices and discriminant analysis[J]. Crop Sci，1995，35：1400-1405.

[3]RICHARDSON A D， DUIGAN S P， BERLYN G P. An evaluation of noninvasive methods to estimate foliar chlorophyll content[J]. New Phytol，2002，153：185-194.

[4]李修華， 陳曉， 周永華，等. 不同施肥情況下甘蔗葉片光譜特性分析及其葉綠素含量預測[J].農業(yè)工程學報，2015，31：118-123.

[5]GITELSON A A， MERZLYAK M N J. PhotochemPhotobiol， Quantitative estimation of chlorophyll a using reflectance spectra： Experiments with autumn chestnut and maple leaves. J Photochem Photobiol，1994a，（B） 22：247-252.

[6]HANSENA P M.，SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment，2003，86： 542-553.

[7]趙春江，黃文江，王紀華，等.不同品種和肥水條件下冬小麥光譜紅邊參數(shù)研究[A]. 成像光譜技術與應用研討會論文集[C]. 2002，69-73.

[8]張金恒，王珂，王人潮. 高光譜評價植被葉綠素含量的研究進展[J].上海交通大學學報， 2003， 21（4）： 349-360.

[9]RIAR A. In： Bhullar GS， Bhullar NKA （eds） Agricultural Sustainability Progress and Prospects in Crop Research[J]， 1st edn. Jamestown Road， London. 2013.

[10]CRAMARIUC R，NISIPARU L，TANASE G.Test for the electrostatic crop spraying as a method of treatment with vctra low volume，the modern problems of electrostatics with applications in environment protection[J].NATO ASI Seriea，1998，118：33-38，379-392.

[11]孫紅，李民贊，周志艷，等.玉米生長期葉片葉綠素含量檢測研究.光譜學與光譜分析，2010，4： 1080-1083.

[12]APARICIO N，VILLEGAS D，CASADESUS J，et al.Spectral vegetation indices as non-destructive Curran PJ[J]， Agronomy Journal，2000，92： 83-91.

[13]張欽禮，劉偉軍，楊偉，等. 基于PCA和改進BP組合預測模型的礦巖可爆性研究[J]. 爆破， 2016，33（1）：19-30.

[14]陳建宏， 劉浪， 周智勇， 等. 基于主成分分析與神經網絡的采礦方法優(yōu)選[J]. 中南大學學報：自然科學版，2010，41（5）：1967-1974.

[15]王棟，鄧北川. 山區(qū)高速公路直線段車速預測方法[J]. 交通科學與工程，2014，30（2）：81-86.

[16]LI X， LI M， LEE W S，et al.VisibleNIR Spectral Feature of Citrus Greening Disease[J]. Spectroscopy and Spectral Analysis，2014，34（6）：1553-1559.

第36卷第1期2017年3月計算技術與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月計算技術與自動化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7