張卓，龍慧靈，王崇倡，楊貴軍

?

冬小麥葉片光合特征高光譜遙感估算模型的比較研究

張卓1,2,3,4，龍慧靈1,2,3，王崇倡4，楊貴軍1,2,3

（1北京農業(yè)信息技術研究中心/農業(yè)部農業(yè)遙感機理與定量遙感重點實驗室，北京 100097；2國家農業(yè)信息化工程技術研究中心，北京 100097；3北京市農業(yè)物聯網工程技術研究中心，北京 100097；4遼寧工程技術大學測繪與地理科學學院，遼寧阜新 123000）

【目的】光合作用是農作物產量和品質形成的基礎，農作物光合參數的準確定量遙感反演不僅能夠了解農作物的生長發(fā)育和有機物累積狀況，還能為基于遙感的生態(tài)系統過程模型提供參考。為快速準確的估算光合特征參量，本研究綜合原始光譜、3種傳統光譜變換技術和4種模擬方法構建冬小麥3種光合參數的高光譜反演模型，探討高光譜反演冬小麥光合參數的可行性，對比不同類別光譜和模擬方法的適用性?！痉椒ā勘狙芯炕诘适┯脳l件冬小麥氣體交換和高光譜田間試驗，獲取不同葉位葉片的最大凈光合速率（Amax）、PSⅡ有效光化學量子產量（Fv′/Fm′）、光化學猝滅系數（qP）和高光譜反射率，并對原始高光譜進行倒數、對數和一階微分變換。根據3種光合參數和4種光譜的相關性分析結果，篩選顯著性水平優(yōu)于0.01的波段作為輸入變量，采用偏最小二乘（PLS）、支持向量機（SVM）、多元線性回歸（MLR）和人工神經網絡（ANN）等方法建立冬小麥葉片光合參量反演模型，以建模和驗證的決定系數（2）和均方根誤差（）為依據，對不同模型的模擬精度進行比較分析?！窘Y果】（1）3種光合參數和4種光譜的相關性分析結果表明，原始、倒數和對數光譜對3種光合參數（Amax、Fv′/Fm′和qP）的敏感譜區(qū)均集中在400—750 nm波譜區(qū)間，一階導數光譜對3個光合參數的敏感譜區(qū)為470—560、630—700和700—770 nm波譜區(qū)間。（2）Amax、Fv′/Fm′和qP的最優(yōu)反演模型組合分別為基于倒數光譜的MLR模型、基于一階導數光譜的MLR模型和基于原始光譜的MLR模型。模型的建模2分別為0.75、0.65和0.65，驗證2分別為0.73、0.59和0.44，表明基于高光譜模擬Amax和Fv′/Fm′切實可行，模擬qP的有效性需要進一步驗證。（3）不同變換的光譜表現能力不同，以PLS模擬Amax為例，光譜的表現能力順序為原始光譜＞倒數光譜＞對數光譜＞一階導數光譜。（4）不同模型的估算能力也存在明顯差異，以基于原始光譜的Amax模擬為例，不同模型的估算能力順序為MLR＞PLS＞ANN＞SVM?！窘Y論】通過對比分析4種光譜和4種模擬方法對3種冬小麥光合參數的高光譜反演結果發(fā)現，Amax和Fv′/Fm′可以很好通過高光譜進行模擬，而高光譜對qP解釋能力偏低，有待進一步研究。高光譜信息對冬小麥光合參量具有較強的敏感性，同時受光譜類型和模擬方法的影響，可以用來監(jiān)測冬小麥光合能力的動態(tài)變化，為把握農作物生長狀況提供依據。

光合參量；偏最小二乘；支持向量機；多元線性回歸；神經網絡；高光譜

0 引言

【研究意義】光合作用是地球上最重要的化學反應，更是作物能量代謝和產物形成的基礎，占有十分重要的地位[1]。作物光合能力有效監(jiān)測對于深入理解農田生態(tài)系統碳交換和產量形成過程具有重要的作用[2]。傳統作物光合作用監(jiān)測技術以氣體交換，或是以群體尺度干物質累積量的觀測為基礎，大都耗時費力，空間代表性差[3]。近年來，隨著遙感技術的發(fā)展，為作物生理生化參數定量監(jiān)測帶來了更多的可能性，以遙感手段輔助農作物光合參數的定量監(jiān)測也得到了越來越深入的研究與應用?！厩叭搜芯窟M展】近年來基于高光譜反演光合參數已成為研究熱點。Dechant等[4]基于葉片反射光譜，利用偏最小二乘模型估算光合特征參量最大羧化率（Vcmax,25）、最大電子傳導速率（Jmax,25）、葉面積（LMA）和單位面積含氮量（Na），并得到了較好的精度。呂瑋等[5]基于冬小麥高光譜反射率的一階倒數，利用二次多項式逐步回歸、偏最小二乘和BP神經網絡3種方法構建旗葉凈光合速率反演模型，發(fā)現3種模型對模擬凈光合速率都是可行的。王娣等[6]采用9種常用植被指數，構建線性模型、對數模型和指數模型，反演武漢市常見4種葉片的凈光合速率，結果證明利用高光譜植被指數反演葉片凈光合速率是可行的。張峰等[7]基于玉米冠層反射率對光合能力參數和光合效率參數進行了多光譜遙感反演能力研究，結果表明基于兩波段組合的植被指數NDVI、WDRVI、EVI2和CI中EVI2對冠層光合速率與光合能力參數的反演結果最佳。Serbin等[8]利用冠層成像光譜和葉片尺度的光合觀測數據，對冠層尺度上光合能力進行了估算。【本研究切入點】已有研究大都針對單一光合參數和單一模擬方法開展工作，鮮有考慮光譜變換方法和模擬方法對不同光合參數的適用性，本文擬通過綜合對比分析不同光譜變換方法和不同模擬方法在不同光合參數高光譜模擬上的適用性?！緮M解決的關鍵問題】本研究以實測的冬小麥葉片氣體交換和光譜數據為基礎，選取3種常用的光合作用參數——最大凈光合速率（Amax）、PSⅡ有效光化學量子產量（Fv′/Fm′）和光化學猝滅系數（qP），綜合原始光譜、3種傳統光譜變換技術（倒數、對數和一階微分）和4種模擬方法（PLS、SVM、MLR和ANN）構建冬小麥光合參數的高光譜反演模型，深入分析不同光合參量的光譜模擬可行性及不同模型的適用性。

1 材料與方法

1.1 研究區(qū)概況

本試驗于冬小麥拔節(jié)期、挑旗期和灌漿期（2018年4—6月）在北京市昌平區(qū)小湯山國家精準農業(yè)研究示范基地（北緯40°00′—40°21′，東經116°34′—117°00′，海拔高度36 m）進行，該地區(qū)以亞濕潤大陸季風氣候為主，年平均降雨量508 mm，年平均氣溫13°C。前茬作物為玉米，土壤類型為潮土，0—0.3 m土層中銨態(tài)氮含量10.02—12.32 mg·kg-1；有機質含量15.84—20.62 g·kg-1；硝態(tài)氮含量3.16—14.82 mg·kg-1；速效鉀含量86.83—120.62 mg·kg-1；有效磷磷含量3.14—21.18 mg·kg-1。冬小麥播種時間為10月，收獲時間為6月，種植的冬小麥品種為京東18，試驗設置4個施氮水平，分別為無氮處理N0（無尿素）、缺氮處理N1（195 kg·hm-2尿素）、正常氮處理N2（390 kg·hm-2尿素）、過量氮處理N3（585 kg·hm-2尿素），每個處理3次重復，基肥：拔節(jié)追肥=1﹕1。每個小區(qū)面積為135 m2（15 m×9 m），分別在拔節(jié)期、挑旗期和灌漿期進行冬小麥葉片光合作用和反射率光譜測定。

1.2 光合數據獲取

在設置的12個小區(qū)內，選取不同葉齡和光照條件的葉片，采用LI-6800便攜式光合儀測量冬小麥葉片的氣體交換和葉綠素熒光。該儀器配備熒光葉室，可同時完成氣體交換與葉綠素熒光參數的測量。本研究選取3種能反映光適應條件下光合作用強度的參數作為主要研究對象，包括葉片最大凈光合速率（Amax）、PSⅡ有效光化學量子產量（Fv′/Fm′）和光化學猝滅系數（qP）。Amax是指植物光合作用積累的有機物，是總光合速率與呼吸速率的差值，本文中所用的Amax是利用FARQUHAR等人1980年提出的光合光響應模型——非矩形雙曲線模型（NRHM）對實測光合-光響應數據進行擬合得到的[9]；Fv′/Fm′是由DEMMING等人1996年提出的，利用其來估計光合機構吸收的光能被用于光化學反應和天線的熱耗散的相對分額[10]；qP是PSⅡ反映中心中開放的反應中心所占比例的指標，也是捕獲的光子能量用于光化學反應能力的指標[1]。

1.3 葉片光譜數據獲取

葉片光合測量結束后，將所測冬小麥整株帶回試驗室測量葉片光譜，葉片光譜測量采用美國ASD（analytical spectral devices）公司Fieldspec FR2500型野外光譜輻射譜儀和葉片夾（ASD leaf clip）進行測定。光譜儀波段范圍350—2 500 nm，其中光譜分辨率在350—1 000 nm內間隔為3 nm，在1 000—2 500 nm內間隔為10 nm，在350—1 000 nm范圍內采樣間隔為1.4 nm，在1 000—2 500 nm 范圍內采樣間隔為2 nm。葉片夾帶有內部光源，可以保證不同葉片的光照條件一致和試驗結果不受光照影響。測量之前先用葉片夾自帶的標準白板進行校正并記錄白板的輻亮度值，每片葉片用黑板夾住中間位置測定其輻亮度值（RAD），每個葉片測量10次然后求其平均值，計算光譜反射率。

反射率計算公式表達為：

R=RAD1/RAD2×R1（1）

式中，R為冠層反射率，R1為參考板反射率，RAD1為測得的冬小麥的輻照度值，RAD2為參考板的輻照度值。

1.4 光合參量高光譜模擬方法

首先對冬小麥葉片光譜進行基本變換，分別計算光譜的倒數、光譜的對數和光譜的一階微分。然后分析原始光譜、倒數光譜、對數光譜和一階導數光譜和各個光合參量（Amax、Fv′/Fm′和qP）的相關性。由于波長1 350—2 500 nm是葉片水分主導，本文重點分析350—1 350 nm波段，相關性分析結果用相關系數來評定，每個光合參量相關系數滿足0.01顯著性水平的波段范圍作為敏感波段。最后將選擇的敏感波長所對應的原始光譜、倒數光譜、對數光譜和一階導數光譜分別作為自變量，采用MLR、ANN、PLS和SVM 4種方法對3種光合特征參量進行模擬。其中，PLS是新型的多元統計數據分析方法，能夠同時實現回歸建模和數據結構簡化，是多元線性回歸分析、典型相關分析和主成分分析的結合[11]。SVM是一種基于統計學習理論的模式識別方法，由Vladimir Vapnik開發(fā)出來的用于分類或回歸的機器學習算法，包括線性回歸和非線性回歸，本研究使用支持向量機線性回歸功能[12]。MLR是基于多個自變量對因變量進行解釋的回歸方法，利用線性回歸方程的最小平方函數對多個自變量和因變量之間的關系進行建模，這種最小平方函數是多個稱為回歸系數的模型參數的線性組合[13]。ANN回歸是基于梯度學習的方法，它是一個非參數非線性模型，利用神經網絡在層間傳播，模擬人腦接收器和信息處理[14]。其中建模樣本48個，驗證樣本24個。

1.5 精度評價

分別用決定系數2、均方根誤差（）來評價各個模型的精度。較大的2值對應較小的可視為模擬結果具有更高的精度。2表示相關的密切程度，是用來衡量估值與真值之間的偏差程度，越小表示偏差越小。

2、計算公式表達為[15]：

2 結果

2.1 不同光譜特征與光合特征參量的相關性分析

原始光譜、倒數光譜、對數光譜和一階導數光譜與Amax、Fv′/Fm′和qP相關性結果分別如圖1—3所示，挑選出光譜與光合參量相關系數滿足＞0.01等級置信區(qū)間的敏感波譜區(qū)間，不同光譜類型與光合參量的相關性大小不同，最終結果如表1所示。原始光譜、倒數光譜、對數光譜和一階微分對Amax的敏感譜區(qū)分別集中在399—737、400—727、399—737 nm和470—552、678—701、711—764 nm；對Fv′/Fm′的敏感譜區(qū)分別為431—724、442—720、435—722 nm和480—551、631—673、709—765 nm；對qP的敏感譜區(qū)分別為459—718、485—710、466—714 nm和480—522、632—673、710—758 nm。

a：原始光譜，b：倒數光譜，c：對數光譜，d：一階導數光譜；圖中直線表示0.01等級顯著性水平。下同

圖2 原始光譜、倒數光譜、對數光譜和一階導數光譜與PSⅡ有效光化學量子產量Fv′/Fm′相關性

圖3 原始光譜、倒數光譜、對數光譜和一階導數光譜與光化學猝滅系數qP相關性

2.2 光合特征參量估算結果分析

2.2.1 光合特征參量估算模型自變量的選取 根據圖1—3和表1中的敏感波譜信息，在＞0.01的顯著性水平波譜區(qū)間內，選取MLR模型的輸入變量，綜合考慮相關性的大小和所用光譜的光譜分辨率，選擇12個波段為MLR模型輸入的自變量。ANN、SVM和PLS模型在滿足＞0.01顯著性水平的波譜區(qū)間內的所有波段作為輸入變量。PLS方法模擬3種光合參量主成分選擇的個數不同，不同主成分個數模擬精度不同，本文綜合考慮模擬精度和總方差解釋百分比確定主成分個數。

2.2.2 光合特征參量模擬結果分析 分別采用MLR、ANN、PLS和SVM 4種方法對3種光合特征參量進行模擬，模擬結果如表2所示。根據表2中3種光合參量基于4種光譜類型的模擬結果，從每個參量的每種模擬方法中選取建模和驗證綜合精度最高的模擬組合，繪制成散點圖（圖4—6）。綜合表2和圖4-—6分析利用不同方法基于不同輸入變量類型模擬光合參量的精度。

考慮建模和驗證的精度與誤差，Amax、Fv′/Fm′和qP的最優(yōu)反演模型組合分別為基于倒數光譜的MLR模型、基于一階導數光譜的MLR模型和基于原始光譜的MLR模型，模型的建模2分別為0.75、0.65和0.65，驗證2分別為0.73、0.59和0.44，表明基于高光譜模擬Amax和Fv′/Fm′切實可行，模擬qP的有效性需要進一步驗證。僅考慮建模精度時，Fv′/Fm′的模擬結果存在明顯差異，基于一階微分的ANN模型（2=0.75）和基于原始光譜的SVM模型（2=0.94）均優(yōu)于MLR模型的結果。MLR模型的模擬結果受所選取自變量個數的影響，以基于原始光譜模擬Amax 為例，改變MLR的輸入變量個數，發(fā)現建模和驗證2隨著輸入變量個數的減少而降低，當輸入變量從12個逐漸減少到2個時，建模2從0.75降低到0.47，由5.1上升到7.4。

表1 不同類型光譜與各個光合參量的敏感區(qū)間及相關性

表2 利用MLR、ANN、PLS和SVM模擬光合特征參量結果

表3 基于原始光譜的PLS模型對Amax的模擬結果（不同葉位）

表4 基于原始光譜的PLS模型對Amax模擬結果（不同生育期）

圖中黑線：Y=X；MLR—倒數光譜：基于倒數光譜利用MLR方法對Amax的模擬結果，其他同理

不同變換的光譜表現能力不同。綜合建模和驗證精度2與，Amax模擬結果顯示，用MLR模型模擬時，光譜的表現能力順序為倒數光譜＞對數光譜＞原始光譜＞一階導數光譜；ANN模型模擬時，光譜的表現能力順序為對數光譜＞倒數光譜＞原始光譜＞一階導數光譜；SVM模型模擬時，光譜的表現能力為一階導數光譜＞原始光譜＞倒數光譜＞對數光譜；PLS模型模擬時，光譜的表現能力順序為原始光譜＞倒數光譜＞對數光譜，一階導數光譜結果最差，驗證2為0.47，不適合在該方法下模擬Amax。Fv′/Fm′模擬結果顯示，MLR模型模擬時，基于一階導數光譜的表現能力最優(yōu)，其次是對數光譜，原始光譜次之，倒數光譜最差，其驗證2小于0.5，說明倒數光譜在該方法下不適合用來模擬Fv′/Fm′；ANN模型模擬時，基于原始光譜的精度最高，其次是一階導數光譜，對數光譜次之，倒數光譜結果最差，但是建模和驗證2都大于0.5；SVM模型模擬時，基于一階微分光譜的結果最優(yōu)，原始光譜、倒數光譜和對數光譜的驗證2均小于0.5，在該方法下，3種光譜不適合用來模擬Fv′/Fm′；PLS模型模擬時，基于對數光譜的結果最優(yōu)，其次是一階導數光譜，倒數光譜最差，而原始光譜的驗證2為0.44，不適合用來模擬Fv′/Fm′。

圖中黑線：Y=X；MLR—一階導數光譜：基于一階導數光譜利用MLR方法對Fv′/Fm′的模擬結果，其他同理

不同模型的估算能力也存在明顯差異。Amax模擬結果中，基于原始光譜的不同模型的估算能力順序為PLS＞ANN＞MLR＞SVM，基于倒數光譜和對數光譜模型估算能力順序相同，均為MLR＞ANN＞PLS＞SVM，基于一階導數光譜模型估算能力順序為SVM＞MLR＞ANN＞PLS。Fv′/Fm′模擬結果中，基于原始光譜ANN的估算能力最優(yōu)，MLR次之，SVM和PLS模型不適合用原始光譜模擬Fv′/Fm′，基于倒數光譜PLS估算能力最優(yōu)，其次是ANN，MLR和SVM不適合用倒數光譜模擬Fv′/Fm′，基于對數光譜不同模型估算能力順序為MLR＞PLS＞ANN，SVM模型不適合用對數光譜模擬Fv′/Fm′，基于一階導數光譜的不同模型模擬順序為MLR＞ANN＞PLS＞SVM。

2.2.3 不同生育期和不同葉位冬小麥葉片Amax模擬結果分析 本文在構建模型的過程中，為了構建對所有葉齡葉片均適用的模型，未對葉位和生育期進行詳細的分類。為了研究葉位和生育期對模擬結果是否存在影響，利用原始光譜350—1 350 nm波譜區(qū)間反射率和PLS模型分別模擬不同生育期和不同葉位的冬小麥葉片Amax，研究不同葉位和不同生育期對模擬結果影響，結果如表3—4所示。表3建模精度結果可看出模擬精度最高的是第二層葉片，其中2為0.89，為3.54，其次是第三層葉片，最差的是第一層葉片。表4結果顯示，精度最高的是挑旗期，其2為0.91，為1.73，其次是拔節(jié)期，精度最差的是灌漿期，2為0.56。

3 討論

3.1 基于高光譜模擬光合參數的可行性機理

光合作用是綠色植物吸收光能，把二氧化碳和水合成富能有機物的過程，光合作用強度依賴于吸收光能的多少，吸收的光能主要受葉片色素含量影響，而葉片色素含量又直接影響反射率光譜的大小。農作物光合器官中色素和氮素含量等因素直接影響光合作用過程中吸收光能和有機物合成的多少。眾所周知，植被的各種理化參數與光譜的變化密切相關，色素和氮素含量作為中間變量搭起了光合參數與光譜之間的橋梁，將二者緊密聯系在一起，是反射光譜響應與內部光合活動之間的主導機制[16]。目前，利用反射率光譜模擬光合參數的研究已逐步開展。前人研究中發(fā)現利用植被指數CIrededge、NDVI705、RVI700模擬農作物葉片凈光合速率（n）的2均小于0.6，將3種植被指數與光合有效輻射（PAR）的乘積后模擬農作物葉片n精度有顯著提升，2最高為0.64[17]。基于冠層無人機遙感圖像提取的冠層反射率，根據相關系數大小篩選敏感波段，利用PLS方法模擬棉花凈光合速率的最大2達到0.73[18]。在模擬冬小麥旗葉凈光合速率研究中，選擇6個敏感波段做一階微分變換后，利用二次多項式逐步回歸（QPSR）、偏最小二乘回歸（PLSR）和BP 神經網絡（BPNN）方法模擬n，3種方法2分別為0.821、0.723和0.759，QPSR方法的精度最高[5]，綜合前人研究發(fā)現光合參數適合用光譜來模擬。因此，本文首先分析了光合特征參量與4種光譜的相關性，挑選敏感波段模擬光合特征參量，以原始光譜與Amax相關性為例，敏感波譜區(qū)間為399—737 nm。前人研究結果表明，玉米葉片冠層715 nm處反射率與葉綠素濃度相關性最好[19]，在基于高光譜反演冬小麥葉綠素含量時選取的波段范圍為350—1 060 nm時模型精度最佳[20]。前人研究中也證明了作物在波長560—710 nm處反射率與凈光合速率n、蒸騰速率r、氣孔導度s有一定相關關系[21]。由此可見，敏感波段體現了色素對光合作用的影響。

圖中黑線：Y=X；MLR—原始光譜：基于原始光譜利用MLR方法對qP的模擬結果，其他同理

3.2 MLR模型中自變量個數對模擬結果的影響

由表2中不同方法的模擬結果可見，在本研究中MLR模型的模擬能力相比其他3種方法優(yōu)勢較為明顯，在此我們分析了形成這種結果的原因。文中MLR模型輸入的自變量是根據光合參量與不同類型光譜的相關系數大小和光譜儀的光譜分辨率選取的，表2中顯示的結果為自變量個數為12個的模擬結果。為了分析自變量個數對結果的影響，以基于原始光譜模擬Amax為例，改變MLR的輸入變量個數，發(fā)現建模和驗證2隨著輸入變量個數的減少而降低，當輸入變量從12個逐漸減少到2個時，建模2從0.75降低到0.47，由5.1上升到7.4，驗證2和變化不大。前人研究中在基于植被指數利用MLR方法估測蘋果葉片葉綠素含量時，當MLR輸入的植被指數個數從1個增加到10個時，模型的精度2從0.538上升到0.602[22]。由此可見，MLR模型的模擬結果受自變量個數的影響很大。已有研究中使用MLR方法建模時，所選取的自變量的個數大多為3—10個，本文選取了12個自變量，因此得到了較好的模擬結果。

3.3 不同葉位和生育期對模擬結果的影響

根據文中不同生育期和不同葉位的模擬結果分析，區(qū)分葉位后的模擬精度相比未區(qū)分的結果有明顯的提升，可見葉位對光合參量的高光譜模擬結果有明顯的影響。在不區(qū)分葉位的情況下，模擬的精度最低，但2能達到0.68，并且小于6，說明光合參量的高光譜模擬切實可行，可以通過詳細區(qū)分葉位的方法，提高模擬的精度。生育期對模擬結果也有一定影響，所有生育期的模擬精度較拔節(jié)期和挑旗期差，但是比灌漿期精度高，說明灌漿期影響了使用全生育期光譜時的模擬精度。

4 結論

本文以不同施氮條件下冬小麥葉片氣體交換和高光譜田間試驗支持下的實測數據為基礎，獲取不同生育期不同葉齡葉片的Amax、Fv′/Fm′、qP和高光譜反射率，并對原始高光譜進行倒數、對數和一階微分變換。根據3種光合參數和4種光譜的相關性分析結果，分別篩選顯著性水平優(yōu)于0.01的原始光譜、倒數光譜、對數光譜和一階導數光譜的敏感波段作為輸入變量，采用偏最小二乘（PLS）、支持向量機（SVM）、多元線性回歸（MLR）和人工神經網絡（ANN）方法建立冬小麥葉片光合參量反演模型，對冬小麥葉片光合特征參量——Amax、Fv′/Fm′和qP進行模擬，并對不同模型的模擬精度進行了適用性評價比較分析。Amax和Fv′/Fm′可以很好地通過高光譜進行模擬，而高光譜對qP解釋能力偏低，有待進一步研究。雖然可能受到光譜處理方法、模型選擇、模型輸入變量類型和采樣葉片葉位等因素的影響，高光譜信息對冬小麥光合參量具有較強的敏感性，可以用來監(jiān)測冬小麥光合能力的動態(tài)變化，為把握農作物生長狀況提供依據。

[1] 許大全. 光合作用學. 第一版. 北京: 科學出版社, 2013: 3-5.

XU D Q.. Beijing: Science Press, 2013: 3-5. (in Chinese)

[2] 周磊, 何洪林, 孫曉敏, 張黎, 于貴瑞, 任小麗, 閔程程, 趙鳳華. 基于數字相機的冬小麥物候和碳交換監(jiān)測. 生態(tài)學報, 2012, 32(16): 5146-5153.

ZHOU L, HE H L, SUN X M, ZHANG L, YU G R, REN X L, MIN C C, ZHAO F H. Using digital repeat photography to model winter wheat phenology and photosynthetic CO2uptake., 2012, 32(16): 5146-5153. (in Chinese)

[3] 李少昆. 作物光合作用研究方法. 石河子大學學報(自然科學版), 2000, 4(4): 321-330.

LI S K. Survey of research method of crop photosynthesis., 2000, 4(4): 321-330. (in Chinese)

[4] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E, DOKTOR D. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[5] 呂瑋, 李玉環(huán), 毛偉兵, 宮雪, 陳世更. 基于高光譜的小麥旗葉凈光合速率的遙感反演模型的比較研究. 農業(yè)資源與環(huán)境學報, 2017, 34(6): 582-586.

Lü W, LI Y H, MAO W B, GONG X, CHEN S G. Comparison of estimation methods for net photosynthetic rate of wheat’s flag leaves based on hyperspectrum., 2017, 34 (6): 582-586. (in Chinese)

[6] 王娣, 佃袁勇, 樂源, 黃春波.基于高光譜植被指數的葉片凈光合速率Pn反演. 地理與地理信息科學, 2016, 32(4): 42-48.

WANG D, DIAN Y Y, LE Y, HUANG C B. Net photosynthetic rate inversion based on hyperspectral vegetation indices., 2016, 32(4): 42-48. (in Chinese)

[7] 張峰, 周廣勝. 玉米農田冠層光合參數的多光譜遙感反演. 植物生態(tài)學報, 2014, 38(7): 710-719.

ZHANG F, ZHOU G S. Estimating canopy photosynthetic parameters in maize field based on multi-spectral remote sensing., 2014, 38(7): 710-719. (in Chinese)

[8] SERBIN S P, SINGH A, DESAI A, DUBOIS S. Remotely estimating photosynthetic capacity, and its response to temperature, in vegetation canopies using imaging spectroscopy., 2015, 167: 78-87.

[9] FARQUHAR G D, CAEMMERER S V, BERRY J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3 species., 1980, 149: 78-90.

[10] DEMMIG-ADAMS B. Using chlorophyll fluorescence to assess the fraction of absorbed light allocated to thermal dissipation of excess excitation., 1996, 98(2): 253-264.

[11] WOLD H. Estimation of principal components and related models by iterative least squares., 1966, 1: 391-420.

[12] WU S, AMARI S I. Conformal transformation of Kernel functions: A data-dependent way to improve support vector machine classifiers., 2002, 15(1): 59-67.

[13] ZELTERMAN D. Multivariable linear regression, applied multivariate statistics with R., 2015: 231-256.

[14] PARK D C, ELSHARKAWI M A, MARKS R J I. Electric load forecasting using an artificial neural network., 1991, 6(2): 442-449.

[15] YUE J, FENG H, YANG G, LI Z. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy., 2018, 10(1): 66-89.

[16] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[17] 李婷, 季宇寒, 張漫, 沙莎, 李民贊. 基于PLSR和BPNN方法的番茄光合速率預測比較. 農業(yè)工程學報, 2015, 31(S2): 222-229.

LI T, JI Y H, ZHANG M, SHA S, LI M Z. Comparison of photosynthesis prediction methods with BPNN and PLSR in different growth stages of tomato., 2015, 31(S2): 222-229. (in Chinese)

[18] 陳俊英, 陳碩博, 張智韜, 付秋萍, 邊江, 崔婷. 無人機多光譜遙感反演花蕾期棉花光合參數研究. 農業(yè)機械學報, 2018, 49(10): 230-239.

CHEN J Y, CHEN S B, ZHANG Z T, FU Q P, BIAN J, CUI T. Investigation on photosynthetic parameters of cotton during budding period by multi-spectral remote sensing of unmanned aerial vehicle., 2018, 49(10): 230-239. (in Chinese)

[19] DAUGHTRY C S T, WALTHALL C L, KIM M S, MCMURTREY J E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance., 2000, 74(2): 229-239.

[20] 趙祥, 劉素紅, 王培娟, 王錦地, 田振坤. 基于高光譜數據的小麥葉綠素含量反演. 地理與地理信息科學, 2004, 20(3): 36-39.

ZHAO X, LIU S H, WANG P J, WANG J D, TIAN Z K. A method for inverting chlorophyll content of wheat using hyperspectral., 2004, 20(3): 36-39.

[21] ZHAO D L, BARRY G, MICHAEL I, CHEN J H. Sugarcane genotype variation in leaf photosynthesis properties and yield as affected by mill mud application., 2015, 107(2): 1831-1849.

[22] 裴浩杰, 馮海寬, 李長春, 李振海, 楊貴軍, 王衍安, 郭建華. 基于多元線性回歸和隨機森林的蘋果葉綠素含量高光譜估測方法比較. 江蘇農業(yè)科學, 2018, 46(17): 224-230.

PEI H J, FENG H K, LI C C, LI Z H, YANG G J, WANG Y A, GUO J H. Comparison of hyperspectral estimation methods for chlorophyll content of apple based on multiple linear regression and stochastic forest., 2018, 46(17): 224-230. (in Chinese)

[23] 孫少波, 杜華強, 李平衡, 周國模, 徐小軍, 高國龍, 李雪建. 基于小波變換的毛竹葉片凈光合速率高光譜遙感反演. 應用生態(tài)學報, 2016, 27(1): 49-58.

SUN S B, DU H Q, LI P H, ZHOU G M, XU X J, GAO G L, LI X J. Retrieval of leaf net photosynthetic rate of moso bamboo forests using hyperspectral remote sensing based on wavelet transform.2016, 27(1): 49-58. (in Chinese)

[24] 王惠文, 孟潔. 多元線性回歸的預測建模方法. 北京航空航天大學學報, 2007, 33(4): 500-504.

WANG H W, MENG J. Predictive modeling on multivariate linear regression., 2007, 33(4): 500-504. (in Chinese)

[25] 岳繼博, 楊貴軍, 馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比. 農業(yè)工程學報, 2016, 32(18): 175-182.

YUE J B, YANG G J, FENG H K. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm., 2016, 32(18): 175-182. (in Chinese)

[26] 王奕涵, 石鐵柱, 劉會增, 王竣杰, 鄔國鋒. 水稻葉片氮含量反演偏最小二乘模型設計. 遙感信息, 2015, 30(6): 42-47.

WANG Y H, SHI T Z, LIU H Z, WANG J J, WU G F. Partial least squares regression model for retrieving paddy rice nitrogen content with band depth analysis and genetic algorithm., 2015, 30(6): 42-47. (in Chinese)

[27] 宋豐萍, 蒙祖慶. 干旱脅迫下作物光合參數研究進展.高原農業(yè), 2018, 2(2): 138-144, 212.

SONG F P, MENG Z Q. Research progress on photosynthetic parameters of crops in drought stress., 2018, 2(2): 138-144, 212. (in Chinese)

[28] 丁世飛, 齊丙娟, 譚紅艷.支持向量機理論與算法研究綜述. 電子科技大學學報, 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

[29] 高林, 楊貴軍, 于海洋, 徐波, 趙曉慶, 董錦繪, 馬亞斌.基于無人機高光譜遙感的冬小麥葉面積指數反演. 農業(yè)工程學報, 2016, 32(22): 113-120.

GAO L,YANG G J,YU H Y, XU B, ZHAO X Q, DONG J H, MA Y B. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing.2016, 32(22): 113-120. (in Chinese)

[30] LI D, WANG C, LIU W, WEI L, SHUI S C. Estimation of litchi (Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra., 2016, 80: 182-194.

[31] 李粉玲, 常慶瑞. 基于連續(xù)統去除法的冬小麥葉片全氮含量估算. 農業(yè)機械學報, 2017, 48(7): 174-179.

LI F L, CHANG Q R. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra., 2017, 48(7): 174-179. (in Chinese)

[32] YUAN H H, YANG G J, LI C C, WANG Y J, LIU J G, YU H Y, FENG H K. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models., 2017, 9(4): 309-325.

（責任編輯 楊鑫浩）

Comparison of Hyperspectral remote Sensing estimation models based on photosynthetic characteristics of Winter Wheat leaves

ZHANG Zhuo1,2,3,4, LONG HuiLing1,2,3, 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)

【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 (2) and root mean square error) 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. The2of the modeling was 0.75, 0.65 and 0.65, respectively, and the2of 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.

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

10.3864/j.issn.0578-1752.2019.04.004

2018-09-25；

2018-12-20

國家重點研發(fā)計劃（2018YFF0213602）、國家自然科學基金（41571323）和北京市農林科學院博士后基金

張卓，E-mail：cehuizhangzhuo@163.com。通信作者龍慧靈，E-mail：longhl@nercita.org.cn