傅根深, 呂海燕, 燕李鵬, 黃慶豐, 程海峰, 王新文, 錢(qián)文祺, 高 祥, 唐雪海*

1. 安徽農(nóng)業(yè)大學(xué)林學(xué)與園林學(xué)院, 安徽 合肥 230036

2. 屯溪區(qū)林業(yè)局, 安徽 黃山 254000

3. 黃山弦歌生態(tài)旅游發(fā)展有限公司, 安徽 黃山 245703

4. 安徽農(nóng)業(yè)大學(xué)理學(xué)院, 安徽 合肥 230036

引 言

碳、 氮是構(gòu)成植物細(xì)胞內(nèi)基本物質(zhì)的關(guān)鍵元素, 發(fā)揮著驅(qū)動(dòng)與調(diào)控植物體代謝活動(dòng)的重要作用。 生態(tài)化學(xué)計(jì)量學(xué)中通常使用碳氮比(簡(jiǎn)稱(chēng)C/N)揭示碳氮元素間相互制約與平衡的作用規(guī)律, 對(duì)實(shí)現(xiàn)資源可持續(xù)利用具有現(xiàn)實(shí)意義[1]。 葉片C/N通過(guò)調(diào)節(jié)冠層光合作用可以顯著影響樹(shù)體的生長(zhǎng)發(fā)育及果實(shí)成熟, 因此, 作為一項(xiàng)重要的指示性理化參數(shù), C/N也成為植物個(gè)體參與生物地球化學(xué)循環(huán)的研究熱點(diǎn)[2]。

油茶(CamelliaoleiferaAbel.)是世界四大木本油料樹(shù)種之一, 是中國(guó)特有的經(jīng)濟(jì)林, 栽培利用歷史悠久[3]。 長(zhǎng)久以來(lái), 油茶因其顯著的經(jīng)濟(jì)效益和生態(tài)價(jià)值廣受市場(chǎng)歡迎。 由于油茶天然具有花果同期的生物學(xué)特性, 僅靠樹(shù)體自身很難均衡養(yǎng)分元素, 因此油茶結(jié)實(shí)會(huì)出現(xiàn)大小年交替現(xiàn)象。 隨著中國(guó)樹(shù)立茶油“高端國(guó)油”形象的提出, 油茶種植規(guī)模將繼續(xù)擴(kuò)大, 種植戶(hù)也必將追求持續(xù)穩(wěn)定的高產(chǎn)。 傳統(tǒng)的營(yíng)林措施已難以滿(mǎn)足生產(chǎn)層面追求穩(wěn)定高產(chǎn)的需求, 人們?cè)桨l(fā)期望實(shí)現(xiàn)精準(zhǔn)作業(yè)來(lái)大幅度減少開(kāi)支與增產(chǎn)增效。 傳統(tǒng)方法采用取樣通過(guò)化學(xué)試劑測(cè)定元素含量來(lái)定性判斷局部區(qū)域生長(zhǎng)情況, 此法存在時(shí)空局限性并對(duì)樹(shù)體造成破壞, 難以支撐精準(zhǔn)作業(yè)的發(fā)展需求[4]。 高光譜遙感具有無(wú)損、 快速和準(zhǔn)確的特點(diǎn), 這種技術(shù)將為油茶C/N監(jiān)測(cè)提供極大便利, 同時(shí)也為產(chǎn)量提高和良種選育提供新的途徑。

國(guó)內(nèi)外學(xué)者利用高光譜特征測(cè)定植物體C/N已有深入研究。 Xu等[5]通過(guò)提取高光譜曲線斜率特征并用分支定界算法(branch-and-bound, BB)構(gòu)建了精度R2超過(guò)0.81的大麥和小麥葉片C/N估算模型。 Gao等[6]揭示了利用重要條帶(important bands, IBS)和已知碳、 氮化合物吸收條帶(known absorption bands, KBS)相結(jié)合的譜段信息來(lái)估算高山草原系統(tǒng)中草料C/N的潛力。 原始高光譜特征蘊(yùn)含眾多微觀物質(zhì)信息, 但在野外復(fù)雜樣本環(huán)境下, 除了光譜本身存在著嚴(yán)重共線性和物質(zhì)譜峰重疊因素外, 基線漂移、 背景噪音和散射影響等干擾因素也會(huì)進(jìn)一步削弱模型估算精度。 一些學(xué)者通過(guò)對(duì)原始高光譜特征進(jìn)行多種數(shù)學(xué)變換來(lái)有效降低干擾, 如張子鵬等[7]使用連續(xù)統(tǒng)去除和一階導(dǎo)數(shù)變換對(duì)可見(jiàn)光-近紅外的漫反射光譜進(jìn)行處理, 進(jìn)而組合成三波段光譜指數(shù)來(lái)估算土壤有機(jī)質(zhì)含量, 顯著弱化了噪聲干擾并提高了定量模型估測(cè)精度。 Huang等[8]分別使用標(biāo)準(zhǔn)正態(tài)變量變換、 導(dǎo)數(shù)變換、 多元散射校正和連續(xù)統(tǒng)去除方法增強(qiáng)光譜曲線特征差異, 結(jié)果顯示, 一階導(dǎo)數(shù)變換后的建模精度R2可達(dá)到0.986。 此外, 高光譜全波段信息量大會(huì)造成數(shù)據(jù)冗余, 而選用適當(dāng)?shù)淖兞亢Y選方法挖掘潛在響應(yīng)特征可以有效避免陷入“維數(shù)災(zāi)難”, 同時(shí)也能提升估算模型的魯棒性和泛化能力。 Yun等[9]針對(duì)近紅外光譜特征, 在比對(duì)多種靜態(tài)與動(dòng)態(tài)變量篩選方法后提出了一種混合變量選擇策略來(lái)連續(xù)收縮可變空間并得到最優(yōu)變量組合, 為模型提供更好的解釋性。

高光譜技術(shù)在經(jīng)濟(jì)林領(lǐng)域具有廣泛的應(yīng)用前景, 但實(shí)際應(yīng)用中對(duì)冠層光譜特征信息的解譯依然充滿(mǎn)挑戰(zhàn)。 目前, 高光譜C/N監(jiān)測(cè)技術(shù)主要運(yùn)用在農(nóng)業(yè)作物領(lǐng)域, 而對(duì)具有顯著效益的經(jīng)濟(jì)林領(lǐng)域在應(yīng)用廣度和深度方面的研究均滯后于前者, 且多聚焦在葉片尺度, 而上升到冠層尺度直接監(jiān)測(cè)葉片C/N的報(bào)道仍然較少[10]。 鑒于此, 通過(guò)挖掘油茶葉片C/N與冠層可見(jiàn)光與近紅外譜區(qū)高光譜的響應(yīng)特征, 使用機(jī)器學(xué)習(xí)算法構(gòu)建最優(yōu)估算模型, 旨在推廣高光譜技術(shù)在油茶養(yǎng)分含量分析中的應(yīng)用, 并為油茶葉片C/N監(jiān)測(cè)提供科學(xué)支撐。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

黃山市黃山區(qū)仙源弦歌油茶專(zhuān)業(yè)合作社種植地(30°19′N(xiāo), 118°9′E, 見(jiàn)圖1)研究區(qū)地處皖南山區(qū)中部, 境內(nèi)地形地貌多樣, 以中、 低山和丘陵為主。 其氣候帶處于北亞熱帶和中亞熱帶過(guò)渡區(qū), 屬亞熱帶季風(fēng)濕潤(rùn)氣候。 夏季持續(xù)時(shí)間長(zhǎng)、 溫度高, 冬季較冷。 全年雨水充沛。 試驗(yàn)于2021年10月28日至11月2日期間開(kāi)展, 正值油茶果實(shí)成熟收獲期, 除了進(jìn)行鋤草, 調(diào)查時(shí)間的前7個(gè)月內(nèi)無(wú)其他經(jīng)營(yíng)措施, 林中病蟲(chóng)侵害情況較輕。 研究區(qū)內(nèi)油茶樣本具有明顯的大小年交替現(xiàn)象, 采集時(shí)正處在大年豐產(chǎn)階段。

圖1 研究區(qū)位置圖

1.2 數(shù)據(jù)獲取

1.2.1 油茶葉片碳氮數(shù)據(jù)獲取

供試油茶為2012年栽植的長(zhǎng)林系列, 樣地內(nèi)隨機(jī)布點(diǎn)取樣120株, 包含三個(gè)長(zhǎng)林品種(長(zhǎng)林27號(hào)、 長(zhǎng)林40號(hào)和長(zhǎng)林53號(hào))。 每株油茶采摘冠層中上部的東南西北四個(gè)方位, 每個(gè)方位2片, 共16片葉子, 帶回實(shí)驗(yàn)室于105 ℃下殺青30 min, 后在60 ℃下烘干至恒重。 烘干后研磨并過(guò)60目篩, 再用錫囊包取2～3 mg樣, 最后使用碳?xì)涞胤治鰞x(EURO EA3000, EuroVector Inc., Italy)測(cè)定得全碳(total carbon, TC)和全氮(total nitrogen, TN), 單位統(tǒng)一換算成g·kg-1。

1.2.2 冠層高光譜數(shù)據(jù)采集與處理

選擇晴朗無(wú)風(fēng)或微風(fēng)的天氣, 使用便攜式野外地物光譜儀(ASD FieldSpec4 Wide-Res, Analytical Spectral Devices, Boulder, Co., USA), 在北京時(shí)間10:00—14:00間(太陽(yáng)高度角大于45°)獲取油茶冠層高光譜。 儀器先預(yù)熱20 min, 每株單次測(cè)定10條光譜, 除去異常光譜曲線求均值得到最終光譜曲線。 由于油茶植株高度普遍較高, 受限于光纖25°的前視場(chǎng)角, 需將探頭連接光纖跳線再使用伸縮桿抬至冠層正上方2 m位置處。 該設(shè)備光譜測(cè)定的全波段范圍覆蓋350～2 500 nm, 其中, 間隔在350～1 000 nm波段范圍(visibleand near-infrared, Vis-NIR)的光譜分辨率是3 nm、 1 000～2 500 nm波段范圍(short-wave infrared, SWIR)是30 nm, 全波段重采樣間隔為1 nm。 除去少量信噪比低的波段(350～400 nm), 采用在400～1 000 nm范圍的Vis-NIR光譜特征。 首先, 按照5 nm的重采樣間隔設(shè)置原始光譜, 形成121個(gè)波段總數(shù); 其次, 使用2階9窗口點(diǎn)數(shù)的Savitzky-Golay濾波對(duì)每條高光譜曲線因設(shè)備暗電流引發(fā)的隨機(jī)高頻噪聲進(jìn)行平滑, 同時(shí)考慮云層、 地形和冠層結(jié)構(gòu)等眾多因素對(duì)光譜的影響, 采用平均歸一化法[見(jiàn)式(1)]以增加光譜數(shù)據(jù)內(nèi)部的可比性; 最后, 將經(jīng)過(guò)上述處理的光譜重新定義為原始光譜(R)。

(1)

式(1)中,RN是歸一化后的光譜反射率,Ri是歸一化前不同波長(zhǎng)處的光譜反射率,n是波段總數(shù)。

1.3 光譜特征變換與選擇

1.3.1 原始光譜特征變換

對(duì)原始光譜特征進(jìn)行數(shù)學(xué)變換將有效消除噪聲和突出響應(yīng)細(xì)節(jié), 以便更好地解譯光譜信息。 選擇用于消除散射水平差異的多元散射校正法(multiplicative scatter correction, MSC)和削弱土壤背景干擾、 基線漂移及分辨重疊峰的一階導(dǎo)數(shù)法(first derivative, FD)進(jìn)行處理。 相對(duì)于單波段參數(shù), 通過(guò)兩波段線性組合成光譜指數(shù)可以放大光譜波段內(nèi)部相互作用信息、 削弱外部因素的影響, 進(jìn)而有效提高光譜特征估算理化參數(shù)的度量精度。 常見(jiàn)兩波段光譜指數(shù)組合有差值指數(shù)(difference index, DI)、 比值指數(shù)(ratio index, RI)和歸一化指數(shù)(normalized difference index, NDI)三種形式[式(2)-式(4)]。

DI=Ri-Rj

(2)

RI=Ri/Rj

(3)

NDI=(Ri-Rj)/(Ri-Rj)

(4)

式中,Ri、Rj分別代表在400～1 000 nm范圍內(nèi)第i、j波長(zhǎng)處的光譜反射率。

1.3.2 敏感特征提取和篩選

先利用Pearson相關(guān)分析得到光譜原始及變換特征與油茶葉片C/N的響應(yīng)關(guān)系, 再將其中達(dá)到極顯著水平的波長(zhǎng)(p-value≤0.01)初篩為敏感波段。 為進(jìn)一步細(xì)化模型輸入變量, 使用變量組合集群分析(variable combination population analysis, VCPA)獲取光譜特征變量子集。 VCPA[11]是基于指數(shù)遞減函數(shù)(exponentially decreasing function, EDF)、 二進(jìn)制矩陣采樣(binary matrix sampling, BMS)和模型集群分析(model population analysis, MPA)進(jìn)行不斷迭代篩選的最佳變量子集。 其中, EDF基于達(dá)爾文進(jìn)化理論中“適合生存”的簡(jiǎn)單有效原則使可變空間連續(xù)縮小至小而優(yōu)化的空間; BMS通過(guò)生成二進(jìn)制矩陣確保以采樣幾率相等的方式對(duì)所有變量隨機(jī)組合; MPA用于統(tǒng)計(jì)BMS產(chǎn)生的大量隨機(jī)可變組合模型。 為最大程度減少變量組合內(nèi)部的多重共線性, 對(duì)VCPA結(jié)果還需要計(jì)算兩兩變量間的相關(guān)系數(shù), 設(shè)定閾值0.9, 所有超過(guò)閾值的各對(duì)變量?jī)H保留其中與葉片C/N相關(guān)程度最高的, 以得到最優(yōu)變量組合子集。

1.4 模型構(gòu)建與評(píng)價(jià)

1.4.1 數(shù)據(jù)集劃分

首先, 利用留出法按照7∶3比例隨機(jī)將樣本數(shù)據(jù)劃分為訓(xùn)練集(Training set)和測(cè)試集(Test set); 其次, 利用5折交叉驗(yàn)證對(duì)訓(xùn)練集按照平均交叉驗(yàn)證均方誤差最小進(jìn)行調(diào)參; 然后, 選取最優(yōu)超參數(shù)組合重新在訓(xùn)練集上訓(xùn)練模型; 最后, 在測(cè)試集上評(píng)估模型泛化能力。

1.4.2 機(jī)器學(xué)習(xí)模型

選擇隨機(jī)森林、 支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)三種機(jī)器學(xué)習(xí)算法進(jìn)行油茶葉片C/N估算模型構(gòu)建。

隨機(jī)森林(random forest, RF)[12]是集成算法中Bagging架構(gòu)的具體實(shí)現(xiàn), 并行構(gòu)造多個(gè)CART決策樹(shù), 用多個(gè)決策樹(shù)學(xué)習(xí)結(jié)果的算術(shù)平均作為回歸結(jié)果進(jìn)行最終的模型輸出。 由于每棵樹(shù)選取特征的隨機(jī)性, 因此, RF整體模型具有較好的泛化能力和抗過(guò)擬合性能。 通常來(lái)說(shuō), RF訓(xùn)練前需要配置的超參數(shù)較多, 其中的決策樹(shù)個(gè)數(shù)和深度對(duì)模型擬合能力具有較大影響, 所以, 主要對(duì)決策樹(shù)數(shù)目M和最大決策分割數(shù)N兩項(xiàng)參數(shù)進(jìn)行調(diào)優(yōu)。

支持向量機(jī)(support vector machine, SVM)[13]是一種基于Vapnik-Chervonenkis維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的監(jiān)督式學(xué)習(xí)算法, 能夠利用有限的訓(xùn)練樣本信息尋求模型復(fù)雜度與學(xué)習(xí)能力之間的最佳平衡。 SVM理論的關(guān)鍵在于核技巧, 即通過(guò)構(gòu)造核函數(shù)避免特征從低維空間映射到高維空間的復(fù)雜運(yùn)算。 本工作選取魯棒性較好的徑向基函數(shù)(radial basis function, RBF)作為核函數(shù), 并用網(wǎng)格搜索法對(duì)懲罰系數(shù)C和核參數(shù)γ兩個(gè)超參數(shù)加以調(diào)優(yōu)。

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)[14]是一種基于Widrow-Hoff學(xué)習(xí)規(guī)則廣泛應(yīng)用的多層前饋神經(jīng)網(wǎng)絡(luò), 能夠模擬多種非線性關(guān)系。 BPNN的拓?fù)浣Y(jié)構(gòu)包括輸入層、 隱含層和輸出層, 通過(guò)設(shè)定網(wǎng)絡(luò)運(yùn)行參數(shù)(迭代數(shù)、 學(xué)習(xí)率等)計(jì)算各層權(quán)重和偏置, 使用梯度下降法通過(guò)誤差逆反饋對(duì)權(quán)重和偏置進(jìn)行不斷修正, 最終使網(wǎng)絡(luò)的誤差平方和達(dá)到最小。 BPNN通常包括隱藏層個(gè)數(shù)和各隱藏層節(jié)點(diǎn)數(shù)這兩個(gè)重要的超參數(shù), 配置網(wǎng)絡(luò)時(shí)需要指定這兩個(gè)參數(shù)的值, 層數(shù)和節(jié)點(diǎn)數(shù)的最優(yōu)配置仍然是目前具有挑戰(zhàn)的未知問(wèn)題。 為了獲取泛化能力更好、 預(yù)測(cè)精度更高的神經(jīng)網(wǎng)絡(luò)模型, 將隱藏層數(shù)設(shè)定為3層, 依據(jù)式(5)并采用網(wǎng)格搜索法配置各層的最佳節(jié)點(diǎn)數(shù)。

(5)

式(5)中,n是隱藏層節(jié)點(diǎn)數(shù),I和O分別是輸入層和輸出層的變量維數(shù),α是1～10之間的調(diào)節(jié)常數(shù)。

1.4.3 模型評(píng)價(jià)與比較

選取決定系數(shù)R2(coefficient of determination)、 均方根誤差RMSE(root mean square error)和相對(duì)分析誤差RPD(relative percent deviation)作為模型評(píng)估指標(biāo), 計(jì)算公式見(jiàn)式(6)—式(8)。

(6)

(7)

RPD=SDy/RMSE

(8)

2 結(jié)果與討論

2.1 油茶收獲期的冠層葉片碳氮比分析

通過(guò)計(jì)算每株油茶葉片TC與TN的比值可以得到一個(gè)無(wú)量綱參數(shù)葉片C/N, 三者的統(tǒng)計(jì)描述如表1所示。 由表1可知, 葉片TC含量為弱變異, 變異系數(shù)僅有1.71%, 說(shuō)明TC總體穩(wěn)定離散分布在511.92 g·kg-1附近, 而葉片TN和葉片C/N均為中等變異且十分接近, 體現(xiàn)出收獲期油茶氮元素含量在不同單株間存在較大差異。 葉片TC偏度值為負(fù)值, 呈現(xiàn)左偏態(tài)分布; 而TN和C/N偏度值為正值, 均為右偏態(tài)分布。

表1 TC、 TN和葉片C/N的描述統(tǒng)計(jì)

圖2為油茶葉片C/N分別與葉片TC、 TN的響應(yīng)關(guān)系, 由圖2可知, 油茶葉片C/N幅度變化與TN的關(guān)聯(lián)程度明顯大于TC, 且呈極顯著的負(fù)線性相關(guān)(r=-0.98,p=0.00<0.01), 而TC累積量的振蕩現(xiàn)象揭示, 主要是氮元素在碳氮代謝協(xié)調(diào)中充當(dāng)限制因子。 油茶收獲期的葉片C/N差異在一定程度上也反映出樹(shù)體營(yíng)養(yǎng)器官與生殖器官之間對(duì)同化產(chǎn)物的爭(zhēng)奪和轉(zhuǎn)化情況。

圖2 葉片C/N與TC、 TN響應(yīng)關(guān)系的雙Y軸圖

2.2 單波段光譜特征變換及提取分析

兩種特征變換引起原始光譜曲線(R)的變化情況(圖3)表明, MSC光譜[圖3(b)]總體波峰走勢(shì)基本與R光譜[圖3(a)]保持一致, 僅對(duì)綠光波段500 nm處至近紅外波段900 nm處之間的反射率標(biāo)準(zhǔn)差(standard deviation, S.D.)有明顯減弱, 而對(duì)其余波段特征改變不明顯。 和R與MSC光譜相比較, FD光譜[圖3(c)]出現(xiàn)了較多的凹凸區(qū)域, 在可見(jiàn)光范圍內(nèi)由峰谷特征構(gòu)成的光譜曲線起伏均有不同程度的放大, 尤其體現(xiàn)在近紅外波段過(guò)渡區(qū)域的紅邊增強(qiáng)效應(yīng)最直觀。 三種光譜曲線反射率在近紅外波段900nm處均有較大的波動(dòng), 這與植物葉片的內(nèi)部構(gòu)造差異有關(guān)。

圖3 不同特征變換的光譜反射率曲線

進(jìn)一步用油茶葉片C/N與R、 MSC和FD光譜反射率分別構(gòu)造相關(guān)系數(shù)曲線, 由圖4可知, 油茶葉片C/N與R光譜反射率在400～745 nm之間呈正相關(guān), 而在其他波段呈負(fù)相關(guān), 最高相關(guān)性的波長(zhǎng)位置在725 nm(r=0.61), 其中敏感波段(p≤0.01)范圍主要位于515～660、 690～740和760～940 nm。 MSC光譜反射率明顯增加了在400～520 nm范圍內(nèi)與葉片C/N的關(guān)聯(lián)程度, 在該區(qū)域維持較高的負(fù)線性相關(guān); 同時(shí), 相對(duì)于R相關(guān)曲線, MSC凸顯了在650～680 nm的負(fù)相關(guān), 但是, 在750 nm之后光譜特征響應(yīng)的敏感程度則明顯下降, 其最高相關(guān)性的位置與R保持一致, 均在725 nm處(r=0.61)。 FD光譜反射率與葉片C/N的敏感特征響應(yīng)區(qū)間主要在可見(jiàn)光范圍(400～780 nm), 其中, 在485～555和680～710 nm呈現(xiàn)極顯著的正相關(guān), 而在570～675和720～775 nm為極顯著的負(fù)相關(guān), 且僅在近紅外區(qū)域的840～870和945～950 nm有極顯著的線性相關(guān)。 使用VCPA方法對(duì)R、 MSC和FD光譜反射率的敏感特征進(jìn)一步遴選并去除共線性, 得到如圖4所示最優(yōu)特征變量子集位置分布, 其中, R光譜的變量組合集中在紅邊范圍, 而MSC和FD光譜的變量組合子集在多個(gè)敏感特征響應(yīng)區(qū)域均有分布。 這些結(jié)果表明, MSC和FD特征變換處理可以有效提高VCPA挖掘潛在信息的能力。

圖4 R、 MSC和FD與葉片C/N的相關(guān)系數(shù)

2.3 兩波段光譜特征變換及提取分析

按照兩波段差值(DI)、 比值(RI)和歸一化(NDI)組合方式, 進(jìn)一步使用R、 MSC和FD光譜反射率計(jì)算光譜指數(shù)與油茶葉片C/N的相關(guān)系數(shù)矩陣(圖5)。 結(jié)果顯示, R光譜在三種光譜指數(shù)中的敏感區(qū)域基本一致, 其中, 波長(zhǎng)在550和720 nm附近的反射率分別與可見(jiàn)光、 近紅外波段組合呈現(xiàn)一正一負(fù)兩種響應(yīng)關(guān)系, 而在920 nm附近由波長(zhǎng)反射率自身的組合表現(xiàn)出顯著的正線性相關(guān), 同時(shí)其RI和NDI的處理效果非常相似。 MSC光譜在三種光譜指數(shù)中的敏感區(qū)域相較于R光譜均有所拓展, 圖5(e)和(f)表明, MSC處理可提高可見(jiàn)光與近紅外波段組合的響應(yīng)程度。 由圖5(g—i)中可知, FD的光譜指數(shù)從DI、 RI到NDI逐步細(xì)化敏感特征的響應(yīng)區(qū)域, 其中FD-NDI光譜形成大量的敏感細(xì)碎斑塊。 總體來(lái)看, 兩波段組合相對(duì)于單波段變換能夠提高光譜特征與油茶葉片C/N最大的響應(yīng)程度, 但效果不明顯。

使用VCPA方法面向三種單波段變換的DI、 RI和NDI光譜指數(shù), 從對(duì)應(yīng)處理的敏感區(qū)域反射率組合值中遴選出變量子集并去除共線性得到如表2所示的最優(yōu)組合分布情況。 由表2可知, FD-RI與FD-NDI處理能夠保留較多可見(jiàn)光與近紅外波段組合的響應(yīng)信息。

2.4 模型構(gòu)建和評(píng)價(jià)

用R、 MSC和FD及對(duì)應(yīng)兩波段組合指數(shù)分別構(gòu)建三種機(jī)器學(xué)習(xí)模型(RF、 SVM與BPNN)的效果見(jiàn)表3—表5, 各表中均相應(yīng)列出經(jīng)過(guò)交叉驗(yàn)證調(diào)參的參數(shù)配置。 由表3可知, RF模型在訓(xùn)練集中的R2范圍為0.33～0.69, RMSE為2.85～4.20; 在測(cè)試集中的R2為0.36～0.60, RMSE為3.85～4.91。 結(jié)果顯示, 經(jīng)過(guò)MSC處理的RF模型表現(xiàn)最佳, 其測(cè)試集R2為0.60且RPD達(dá)到1.61, 可以說(shuō)明該RF模型具有較好的葉片C/N估算能力。

表3 不同處理下RF模型的評(píng)價(jià)指標(biāo)匯總

表4為經(jīng)過(guò)不同處理構(gòu)建的SVM模型評(píng)價(jià)效果, SVM模型在訓(xùn)練集中的R2范圍為0.32～0.50, RMSE為3.65～4.24; 在測(cè)試集中的R2為0.29～0.54, RMSE為4.15～5.16。 結(jié)果顯示, MSC-DI和FD處理的SVM模型具有較好的估算能力, 其測(cè)試集的R2均為0.54, RPD均達(dá)到1.49。

表4 不同處理下SVM模型的評(píng)價(jià)指標(biāo)匯總

表5為光譜經(jīng)過(guò)不同處理構(gòu)建的BPNN模型評(píng)價(jià)效果, BPNN模型在訓(xùn)練集中的R2范圍為0.51～0.71, RMSE為2.76～3.62; 在測(cè)試集中的R2為0.47～0.66, RMSE為3.56～4.47。 其中, 經(jīng)過(guò)FD-NDI處理的BPNN模型在測(cè)試集的R2為0.66, RPD達(dá)到1.74, 說(shuō)明該BPNN模型相對(duì)來(lái)說(shuō)具有更高的準(zhǔn)確性和泛化能力, 可以用此模型進(jìn)行收獲期油茶葉片C/N的估算。

表5 不同處理下BPNN模型的評(píng)價(jià)指標(biāo)匯總

上述結(jié)果分析可知, 由不同處理產(chǎn)生的變量組合子集內(nèi)部差異會(huì)對(duì)模型估算精度有較大影響, 而三種機(jī)器學(xué)習(xí)模型整體效果最好的是BPNN, 其次是RF和SVM。 從計(jì)算機(jī)對(duì)算法運(yùn)行的效率來(lái)看, 網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜的BPNN需要的運(yùn)行時(shí)間更長(zhǎng)。 為了更好地解釋模型的估算特征, 選取RPD評(píng)價(jià)效果最好的三種模型進(jìn)行展示, 即FD-NDI-BPNN[圖6(a)]、 MSC-BPNN[圖6(b)]和MSC-RF[圖6(c)]。 由圖6可知, 這三個(gè)模型在測(cè)試集中的回歸線斜率均低于1∶1線, 因此, 模型傾向于過(guò)高估計(jì)低C/N和過(guò)低估計(jì)高C/N。 同時(shí), 數(shù)據(jù)回歸分布的95%置信區(qū)間(confidence interval, C.I.)特點(diǎn)表明, 即使在同一生長(zhǎng)時(shí)期C/N水平相近的油茶個(gè)體, 其模型估算精度也會(huì)有較為明顯的差異, 這可能與選取范圍內(nèi)光譜攜帶信息的上限有關(guān), 需要考慮其他影響油茶生長(zhǎng)狀態(tài)的生理生化指標(biāo)來(lái)綜合提升模型估算精度。

圖6 選取模型的葉片C/N觀測(cè)值與預(yù)測(cè)值比較

3 結(jié) 論

通過(guò)使用MSC、 FD及DI、 RI和NDI波段組合對(duì)研究區(qū)120株油茶冠層高光譜進(jìn)行處理, 分析敏感波段變化差異, 利用VCPA方法篩選變量并去除共線性, 分別構(gòu)建每種處理的三種機(jī)器學(xué)習(xí)模型(RF、 SVM和BPNN)進(jìn)行葉片C/N估算, 并驗(yàn)證與評(píng)價(jià)模型精度。 結(jié)論如下:

(1)在單波段變換中, 先對(duì)R光譜進(jìn)行MSC或FD處理, 再利用VCPA篩選出更多響應(yīng)變量, 說(shuō)明采用特征變換方法協(xié)同變量篩選策略能夠挖掘更多潛在變量。

(2)在兩波段光譜指數(shù)組合中, 可見(jiàn)光與近紅外組合進(jìn)一步拓展了敏感波段的響應(yīng)區(qū)域, FD-RI與FD-NDI處理最大程度地增強(qiáng)了VCPA篩選特征變量的能力。

(3)三種機(jī)器學(xué)習(xí)模型中, BPNN整體效果最好, 其次是RF和SVM。 所有模型中FD-NDI-BPNN模型預(yù)測(cè)能力最優(yōu), 其測(cè)試集的R2=0.66, RMSE=3.56, RPD=1.74。 本研究建立了一種能夠較好估算收獲期油茶葉片C/N的BPNN模型, 拓展了高光譜手段在經(jīng)濟(jì)林方面的應(yīng)用范圍, 為油茶養(yǎng)分監(jiān)測(cè)提供了理論依據(jù)和數(shù)據(jù)支持, 也對(duì)開(kāi)展基于精準(zhǔn)施肥的油茶林經(jīng)營(yíng)研究提供一定的實(shí)驗(yàn)基礎(chǔ)。