董 哲，楊武德，朱洪芬，郭 琪，王子軒，白建偉

（山西農(nóng)業(yè)大學(xué)旱作農(nóng)業(yè)工程研究所，山西 太谷 030801）

葉綠素含量是作物最重要的生長(zhǎng)指標(biāo)之一，它能夠直接決定植物的光合作用潛力和初級(jí)生產(chǎn)力。另外，由于植物葉片中的氮素大部分集中在葉綠素中，所以葉綠素含量能夠間接評(píng)價(jià)植物營(yíng)養(yǎng)狀態(tài)[1]。因此，監(jiān)測(cè)葉綠素含量的變化可以反映作物的長(zhǎng)勢(shì)及營(yíng)養(yǎng)狀況，為作物的田間管理提供理論依據(jù)。傳統(tǒng)的化學(xué)分析方法測(cè)量葉綠素含量，不僅會(huì)破壞植物葉片組織，并且會(huì)耗費(fèi)大量時(shí)間及藥品。便攜式葉綠素儀（SPAD-502）在測(cè)量葉綠素含量時(shí)，需要接觸葉片，反復(fù)測(cè)量，且僅能測(cè)量某個(gè)點(diǎn)或某個(gè)小區(qū)域的葉綠素含量，不利于大范圍的葉綠素含量監(jiān)測(cè)[2]。葉片光學(xué)特性的變化與波長(zhǎng)相關(guān)，葉片尺度高光譜測(cè)量數(shù)據(jù)對(duì)于由葉綠素含量變化導(dǎo)致的光譜細(xì)微變化非常敏感。從葉片光譜特征中準(zhǔn)確估算葉片葉綠素含量是從遙感影像獲得冠層葉綠素含量重要的一步[3]。利用高光譜遙感技術(shù)監(jiān)測(cè)葉綠素含量具有簡(jiǎn)潔性、敏感性以及高效率的特點(diǎn)，并且能夠在大范圍內(nèi)應(yīng)用[4]。

高光譜數(shù)據(jù)一般擁有上千個(gè)光譜波段，數(shù)千個(gè)特征可由這些波段計(jì)算得到。因此，高光譜影像的特征空間可能擁有成千上萬個(gè)特征，進(jìn)行特征選擇和特征提取，是實(shí)現(xiàn)高光譜遙感反演的前提和基礎(chǔ)。常見的特征選擇和提取方法主要有篩選特征波長(zhǎng)、構(gòu)建植被指數(shù)及提取光譜特征變量。其中，植被指數(shù)和葉綠素含量之間的經(jīng)驗(yàn)?zāi)Ｐ鸵呀?jīng)被廣泛應(yīng)用于葉綠素含量估算研究中[5-7]。很多學(xué)者也將“三邊”參數(shù)用于葉綠素含量的估算，并且已經(jīng)取得了較好的效果[8-10]。但是通過敏感波段之間的組合構(gòu)建植被指數(shù)，從光譜數(shù)據(jù)中提取特征變量均需要進(jìn)行大量的篩選及計(jì)算，而植被指數(shù)及光譜特征變量?jī)H利用了光譜數(shù)據(jù)的部分敏感波段，忽略了葉片連續(xù)光譜數(shù)據(jù)中其他敏感波段對(duì)葉綠素含量的貢獻(xiàn)。因此，如何充分利用葉片光譜中與葉綠素相關(guān)的波段區(qū)域，來提高葉綠素含量的反演精度，同時(shí)簡(jiǎn)化特征波長(zhǎng)的篩選過程與建模方法是當(dāng)前研究的熱點(diǎn)。

連續(xù)投影算法（Successive projections algorithm，SPA）是一種新興的特征波段選擇算法，能夠從全波段光譜信息中篩選出具有最低信息冗余度的變量組，保證所選擇的特征波段共線性最小，降低模型建立過程中的復(fù)雜程度。由于其簡(jiǎn)便快捷，在高光譜反演中的應(yīng)用越來越廣泛[11-13]。

BP 神經(jīng)網(wǎng)絡(luò)是一種具有輸入層、隱含層和輸出層的典型多層前向型神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)輸入和輸出間的任意非線性映射，具有較好的非線性映射逼近能力和預(yù)測(cè)能力[14]。很多學(xué)者將BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于高光譜遙感上，CHEN 等[15]分別用多元線性回歸和BP 神經(jīng)網(wǎng)絡(luò)對(duì)水稻色素含量進(jìn)行了估算，結(jié)果顯示，BP 神經(jīng)網(wǎng)絡(luò)模型要優(yōu)于多元線性回歸模型。李媛媛等[9]構(gòu)建了基于“三邊”參數(shù)估算灌漿期玉米葉片SPAD 值的傳統(tǒng)回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型，并對(duì)各模型的反演精度進(jìn)行比較，結(jié)果顯示，BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果較好。但將連續(xù)投影算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于反演葉片葉綠素含量的研究目前尚未見報(bào)道。

本研究以玉米葉片為研究對(duì)象，采用連續(xù)投影算法（SPA）篩選玉米關(guān)鍵生育時(shí)期葉片光譜對(duì)SPAD 值的敏感波段，并且結(jié)合BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行葉片SPAD 值的估算，旨在探索簡(jiǎn)便、快捷的玉米葉片反演模型，提高反演精度，為利用遙感技術(shù)監(jiān)測(cè)玉米的長(zhǎng)勢(shì)情況提供一定的理論依據(jù)和技術(shù)支持。

1 材料和方法

1.1 試驗(yàn)地概況

試驗(yàn)于2018年6—9月在山西省晉中市太谷縣胡村鎮(zhèn)現(xiàn)代農(nóng)業(yè)示范區(qū)（37°12′N，112°28′E）進(jìn)行，該區(qū)域位于汾河平原東北部，地勢(shì)平坦，海拔770 m 左右，年平均氣溫介于7～10 ℃，年平均降水量約450 mm，屬暖溫帶大陸性氣候。該示范區(qū)主要種植夏玉米和冬小麥2 種糧食作物，且種植面積較大，夏玉米品種以晉單86、強(qiáng)盛388 和登海679 等品種為主，多采用一次性施足底肥，自然方式生長(zhǎng)，生育期為5月初至9月中旬，行距和株距為50 cm×35 cm。

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)分別在 7月1日（大喇叭口期）、7月19日（灌漿初期）和8月18日（臘熟期）進(jìn)行樣品采集，在試驗(yàn)區(qū)選取能夠代表該區(qū)域生產(chǎn)特性、間隔500～1 000 m 的20 個(gè)樣點(diǎn)，每個(gè)樣點(diǎn)采集9 片葉子，盡量取玉米植株的不同葉位，每個(gè)時(shí)期各有180 個(gè)樣本。

1.3 測(cè)定指標(biāo)及方法

1.3.1 葉片光譜的測(cè)定 葉片光譜測(cè)定采用美國(guó)ASD Field-Spec 3.0 便攜式高光譜儀，波段范圍為350～2 500 nm，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)量前都需要用白板進(jìn)行校正，每片葉子在不同部位共采集10 條光譜，取其平均值作為玉米葉片的光譜值。

1.3.2 葉綠素含量的測(cè)定 使用便攜式葉綠素儀（SPAD-502）測(cè)定葉綠素相對(duì)含量（SPAD 值）。與光譜測(cè)定同步，測(cè)量時(shí)要避開葉脈，在每片葉子的不同位置均勻地測(cè)取10 個(gè)SPAD 值，取其平均值作為該片葉的SPAD 值，實(shí)現(xiàn)與葉片光譜數(shù)據(jù)的一一對(duì)應(yīng)。

1.4 數(shù)據(jù)處理與分析方法

1.4.1 模型的構(gòu)建與評(píng)價(jià) 將每個(gè)采樣日期的180 個(gè)樣本按 2∶1 隨機(jī)分為 2 個(gè)部分，即 120 份數(shù)據(jù)作為建模集，60 份數(shù)據(jù)作為驗(yàn)證集。

基于Matlab 2010b 的BP 神經(jīng)網(wǎng)絡(luò)的建模過程包括：分別對(duì)建模集和驗(yàn)證集數(shù)據(jù)進(jìn)行讀??；對(duì)輸入層和輸出層的神經(jīng)元進(jìn)行歸一化處理；設(shè)置最大學(xué)習(xí)迭代數(shù)、學(xué)習(xí)精度等參數(shù)；建立網(wǎng)絡(luò)模型。然后，采用最佳隱含層神經(jīng)元數(shù)對(duì)模型進(jìn)行訓(xùn)練，基于sim 函數(shù)對(duì)訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真預(yù)測(cè)。最后將得出的數(shù)據(jù)反歸一化并進(jìn)行誤差計(jì)算。

模型的評(píng)價(jià)選取決定系數(shù)R2、均方根誤差RMSE、殘留預(yù)測(cè)偏差RPD 進(jìn)行綜合評(píng)定。其中，R2越接近于1，模型的預(yù)測(cè)精度越高；RMSE 越小，模型的穩(wěn)定性越好；RPD 表征模型的預(yù)測(cè)能力，RPD＜1.0 表示模型預(yù)測(cè)能力極差；1.0≤RPD＜1.4表示模型預(yù)測(cè)能力較差；1.4≤RPD＜1.8 表示模型預(yù)測(cè)可用；1.8≤RPD＜2.0 表示模型預(yù)測(cè)能力較好；2.0≤RPD＜2.5 表示模型預(yù)測(cè)能力很好；RPD≥2.5表示模型預(yù)測(cè)能力極好[16]。

1.4.2 數(shù)據(jù)處理 利用ViewSpec Pro 進(jìn)行原始高光譜數(shù)據(jù)預(yù)處理；利用Matlab 2010b 進(jìn)行連續(xù)投影算法及BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練；利用Origin 8 進(jìn)行制圖。

2 結(jié)果與分析

2.1 基于SPA的特征波長(zhǎng)篩選

大量研究表明，對(duì)葉綠素敏感的波段主要為可見光和近紅外波段[17-19]。因此，本研究中葉片光譜范圍選擇為400～1 300 nm，利用連續(xù)投影算法對(duì)葉片光譜數(shù)據(jù)進(jìn)行SPAD 值的敏感特征波段篩選。為降低模型的復(fù)雜程度，設(shè)置特征波段篩選的數(shù)目范圍為1～10，在RMSE 達(dá)到最小值時(shí)優(yōu)選出7月1日、7月19日和 8月18日及 3 個(gè)日期綜合的葉片光譜對(duì)SPAD 值敏感的特征波長(zhǎng)，所選的特征波長(zhǎng)如表1所示。

表1 玉米葉片SPAD 值特征波長(zhǎng)選擇

從表1可以看出，SPA 選出各日期的特征波長(zhǎng)主要集中在400～1 000 nm 波段，以670～760 nm 范圍內(nèi)的紅邊波段最多，波長(zhǎng)點(diǎn)數(shù)較少，且每次運(yùn)行SPA 算法都得到相同的結(jié)果，這有利于降低模型的復(fù)雜程度、提高穩(wěn)定度。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的SPAD值估算模型構(gòu)建

選取各個(gè)時(shí)期的入選特征波段作為輸入層，以玉米葉片的SPAD 值作為輸出層，本研究通過多次試驗(yàn)得出，增加隱含層數(shù)目對(duì)模型擬合精度影響較小，為提高模型的運(yùn)算效率，選取隱含層數(shù)目為1。由于隱含層的神經(jīng)元數(shù)目會(huì)影響到模型的擬合精度，本試驗(yàn)根據(jù)經(jīng)驗(yàn)公式（1）[20]給定的范圍，對(duì)不同采樣日期進(jìn)行多次訓(xùn)練得出7月1日、7月19日和8月18日的分段監(jiān)測(cè)模型以及這3 個(gè)日期的統(tǒng)一監(jiān)測(cè)模型的最佳神經(jīng)元數(shù)目分別為7，7，4 和6。設(shè)定最大學(xué)習(xí)迭代次數(shù)為10 000，學(xué)習(xí)精度為0.01。利用Matlab 2010b 編程進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，得到SPAD 的預(yù)測(cè)值，各模型的擬合情況如表2所示。

式中，k 為輸入層單元數(shù)；m 為輸出層單元數(shù)；a為[1，10]之間的常數(shù)。

表2 基于BP 神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值估算模型構(gòu)建

從表2可以看出，7月1日和7月19日的分段監(jiān)測(cè)模型建模效果較好，同時(shí)具有較高的擬合精度（R2＝0.885，0.900）和較小的均方根誤差（RMSE＝2.156，2.103），表明對(duì)SPAD 值的擬合效果較好。但8月18日的分段監(jiān)測(cè)模型建模效果較差，R2僅為0.675，RMSE 為 3.236，模型精度較低。因此，導(dǎo)致3 個(gè)日期的統(tǒng)一監(jiān)測(cè)模型建模效果較7月1日和7月19日的監(jiān)測(cè)模型效果略差（R2＝0.827，RMSE＝2.651）。

使用驗(yàn)證數(shù)據(jù)集分別對(duì)7月1日、7月19日和8月18日的分段監(jiān)測(cè)模型及這3 個(gè)日期的統(tǒng)一監(jiān)測(cè)模型進(jìn)行驗(yàn)證，將各模型計(jì)算出的預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行線性擬合分析，結(jié)果如表2和圖1所示。從表2和圖1可以看出，同樣以7月1日和7月19日的分段監(jiān)測(cè)模型預(yù)測(cè)效果為最好（R2＝0.811，0.840，RMSE＝2.700，2.796，RPD＝2.250，2.396），預(yù)測(cè)能力均達(dá)到很好的水平；而8月18日的分段監(jiān)測(cè)模型預(yù)測(cè)效果較差（R2＝0.632，RMSE＝3.108，RPD＝1.641），預(yù)測(cè)能力僅達(dá)到可用的水平。3 個(gè)日期的統(tǒng)一監(jiān)測(cè)模型預(yù)測(cè)效果（R2＝0.771，RMSE＝2.957，RPD＝2.082） 較 7月1日和 7月19日的分段監(jiān)測(cè)模型效果略差，但預(yù)測(cè)能力也達(dá)到了很好的水平。

3 討論

基于連續(xù)投影算法優(yōu)選出的特征波段相較于全波段光譜來說，剔除了大量與葉綠素不相關(guān)的波段，在很大程度上降低了模型的復(fù)雜程度，提高了模型的預(yù)測(cè)精度和穩(wěn)定度，達(dá)到了簡(jiǎn)化模型的目的；相較于植被指數(shù)與光譜特征變量來說，更充分地利用了與葉綠素相關(guān)的光譜波段，保證了優(yōu)選出的特征波段對(duì)玉米葉片SPAD 值的貢獻(xiàn)性，從而提高了模型的預(yù)測(cè)精度。本研究建立的模型精度優(yōu)于陳志強(qiáng)等[21]以多種植被指數(shù)構(gòu)建的玉米葉片SPAD預(yù)測(cè)模型，優(yōu)于宮兆寧等[8]基于“三邊”參數(shù)和ND模型指數(shù)構(gòu)建的植物葉片葉綠素含量的估算模型。另外，白麗敏等[22]在估測(cè)冬小麥葉片氮含量時(shí)得出，利用SPA-PLS 所構(gòu)建的葉片氮含量估算模型要優(yōu)于基于常用植被指數(shù)的估算模型。說明連續(xù)投影算法同樣適用于其他作物生理生態(tài)參數(shù)的反演。

BP 神經(jīng)網(wǎng)絡(luò)在一定程度上可以模擬人大腦神經(jīng)系統(tǒng)的活動(dòng)過程，具有自學(xué)習(xí)、自組織、自適應(yīng)能力及高度非線性表達(dá)能力，這是其他傳統(tǒng)多元校正方法所不具備的[23]。大量研究表明，植物葉片SPAD值一般與光譜變量呈非線性關(guān)系[24-25]，因此，將連續(xù)投影算法與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合可以更進(jìn)一步提高預(yù)測(cè)模型的精度。在本研究中，7月1日和7月19日的葉片SPAD 值分段監(jiān)測(cè)模型預(yù)測(cè)能力均達(dá)到了很好的水平，說明SPA-BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)玉米的大喇叭口期及灌漿初期葉片SPAD 值預(yù)測(cè)效果較好。但8月18日的分段監(jiān)測(cè)模型預(yù)測(cè)能力僅達(dá)到可用水平，可能由于玉米在該日期已經(jīng)處于臘熟期，葉片葉綠素分解逐漸減少，葉片停止生長(zhǎng)逐漸衰老，導(dǎo)致光譜反射率與葉片SPAD 值的相關(guān)性降低，分段監(jiān)測(cè)模型的精度也降低。3 個(gè)日期的統(tǒng)一監(jiān)測(cè)模型雖然也達(dá)到了預(yù)測(cè)能力很好的水平，但是由于玉米葉片SPAD 值在這3 個(gè)日期變化幅度較大，且其包含臘熟期數(shù)據(jù)，導(dǎo)致模型的精度與7月1日和7月19日的分段監(jiān)測(cè)模型相比略差。

本研究采集了3 個(gè)日期的玉米葉片數(shù)據(jù)，所選研究區(qū)域范圍較大，水肥條件不均，玉米品種多樣，長(zhǎng)勢(shì)有差異，數(shù)據(jù)獲取的背景條件不盡相同，避免了單一條件因素的影響，因此增強(qiáng)了估算模型的普適性。但還存在一些不足，連續(xù)投影算法針對(duì)不同的樣本所篩選的特征波段也不同，因此，每次對(duì)不同樣本進(jìn)行監(jiān)測(cè)前都需要重新篩選波段。此外，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果與設(shè)置的訓(xùn)練參數(shù)有關(guān)，最佳隱含層神經(jīng)元數(shù)需要通過多次訓(xùn)練試錯(cuò)，根據(jù)最好的訓(xùn)練結(jié)果來確定。因此，如何設(shè)置更合理的訓(xùn)練參數(shù)，更精準(zhǔn)地確定最佳隱含層神經(jīng)元數(shù)還有待進(jìn)一步研究。本研究?jī)H探討了黃土高原地區(qū)半干旱氣候區(qū)的玉米葉片尺度的葉綠素含量相對(duì)值監(jiān)測(cè)模型，該模型能否運(yùn)用于其他區(qū)域或其他處理的玉米葉片葉綠素含量監(jiān)測(cè)，能否用于冠層或者其他類型作物的葉綠素含量監(jiān)測(cè)還需進(jìn)一步探索。

4 結(jié)論

本研究利用連續(xù)投影算法對(duì)與玉米葉片SPAD值敏感的特征波段進(jìn)行篩選，以篩選出的特征波段作為輸入層，采用BP 神經(jīng)網(wǎng)絡(luò)分別構(gòu)建3 個(gè)采樣日期的分段監(jiān)測(cè)模型及統(tǒng)一監(jiān)測(cè)模型，結(jié)果表明，7月1日，7月19日和8月18日的分段監(jiān)測(cè)模型及統(tǒng)一監(jiān)測(cè)模型的 R2分別為 0.885，0.900，0.675，0.827；RMSE 分別為 2.156，2.103，3.236，2.651。7月1日（大喇叭口期）、7月19日（灌漿初期）模型和統(tǒng)一監(jiān)測(cè)模型的精度均較高，同時(shí)檢驗(yàn)?zāi)Ｐ偷腞PD 均大于2，具有很好的預(yù)測(cè)能力；而8月18日（臘熟期）的監(jiān)測(cè)模型表現(xiàn)較差（RPD＝1.641），但也達(dá)到可用水平。本研究結(jié)果表明，利用連續(xù)投影算法與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行玉米葉片SPAD 值高光譜估算是可行的。