管 鋮，劉雅輝，張清文，李 想，高匯鋒

（1.華北理工大學 礦業(yè)工程學院，河北 唐山 063210；2.北華航天工業(yè)學院 遙感信息工程學院，河北 廊坊 065000）

引言

葉綠素是蘆葦(Phragmites australis)進行光合作用的主要色素，同時參與其光合作用、呼吸作用和能量代謝等各種生理過程[1]。作為濱海濕地中的本土植被，蘆葦不僅能夠抑制水中藍藻生長，還可以涵養(yǎng)水源，維持良好的濕地生態(tài)環(huán)境，蘆葦長勢亦可反映濱海濕地生態(tài)系統(tǒng)的變化[2]，對保護濱海濕地植被多樣性及其可持續(xù)利用具有重大意義。蘆葦葉綠素含量為表征其生長狀況重要指示因子，直接反映其光合作用能力。分光光度法、熒光分析法等傳統(tǒng)葉綠素含量檢測方法不僅流程復(fù)雜、 耗時長，且測定過程易受溶劑、溫度和溶解度等因素影響，不利于大樣本下葉綠素含量監(jiān)測[3]。高光譜技術(shù)可以檢測葉綠素含量的細微變化，具有高分辨率、無損、精準等優(yōu)點，因而被廣泛用于植被生長狀況監(jiān)測[4]。

目前，國內(nèi)外在高光譜估算植被葉綠素方面開展大量研究，為準確估算茶葉中的氮和葉綠素含量，Yamashita 等采用可見光和近紅外高光譜數(shù)據(jù)，構(gòu)建了機器學習模型，以確保其精確度達到1.4～2.0 的閾值[5]；袁小康等對夏玉米在不同灌溉量下的生長情況進行研究，分析了其冠層光譜特征及葉綠素含量的變化規(guī)律，結(jié)果表明植被指數(shù)與葉綠素含量之間存在較高的相關(guān)性，相關(guān)系數(shù)的最小絕對值達到了0.812[6]；為了探究蘆葦粉大尾蚜蟲害對蘆葦葉綠素含量和高光譜反射率之間的影響，竇志國等采用光譜全波段對蘆葦葉片葉綠素含量進行反演建模，結(jié)果表明無論是在健康蘆葦還是受蟲害影響的蘆葦中，葉綠素含量的預(yù)測偏差比率RPD 均大于3，表明該模型具有較高的預(yù)測精度[7]。已有研究表明利用高光譜遙感技術(shù)檢測植被葉綠素含量已較為成熟，但植被高光譜數(shù)據(jù)采集過程中易受到外界環(huán)境、濕度和使用儀器等影響，光譜中出現(xiàn)干擾噪聲[8]。為了消除這些干擾噪聲并增強光譜有效信號，古志欽等采用一階導(dǎo)數(shù)處理原始光譜曲線，分析不同時期內(nèi)互花米草和蘆葦葉片的光譜特征，研究發(fā)現(xiàn)相比于互花米草，蘆葦在相同程度的持續(xù)淹水脅迫下表現(xiàn)出更強的適應(yīng)能力[9]；為探究微分技術(shù)對水稻葉面積指數(shù)、葉綠素濃度與群體光譜反射率間的影響，劉偉東等采用單相關(guān)分析和逐步回歸方法，發(fā)現(xiàn)葉綠素濃度與光譜數(shù)據(jù)之間的相關(guān)明顯優(yōu)于葉面積指數(shù)[10]；張雪茹等采用倒數(shù)、對數(shù)、微分等15 種典型數(shù)學變換方法處理原始光譜，以探究低溫脅迫下冬小麥不同變換后的光譜與葉綠素含量之間的關(guān)系，研究表明二階微分變換處理葉綠素含量校正模型的R2和RMSE 分別為0.930、0.340，驗證模型的R2為0.753[11]；顧峰等基于富含“紅邊”光譜的哨兵2 號影像及其衍生的一階微分、二階微分影像，提取了23 種對葉綠素敏感的寬波段光譜指數(shù)，發(fā)現(xiàn)在干旱區(qū)綠洲植被(棉花、蘆葦、楊樹、大棗)影像中，經(jīng)一階微分再提取的植被指數(shù)相比原位光譜植被指數(shù)建立的葉綠素含量估測模型效果更好[12]。光譜數(shù)學變換處理可以有效地對植被光譜數(shù)據(jù)進行降噪和分解，其光譜對葉綠素含量的估測能力得到明顯提升，并且基于數(shù)學變換和植被指數(shù)構(gòu)建的模型具有較高的穩(wěn)定性[13]。近年來，機器學習算法已應(yīng)用于葉綠素含量預(yù)測中，隨機森林算法通過選擇隨機樣本和特征生成多個決策樹，以并行方式獲取預(yù)測結(jié)果[14]。馮海寬等利用蘋果葉片高光譜數(shù)據(jù)構(gòu)建葉綠素含量估測模型，結(jié)果顯示相較于典型線性回歸模型，隨機森林能夠展現(xiàn)出更高精度和更準確的預(yù)測能力[15]；為了探究傳統(tǒng)回歸模型和核極限學習機回歸算法在葉綠素含量估測方面的準確性，郭松在大田玉米冠層尺度構(gòu)建了葉片葉綠素模型，研究發(fā)現(xiàn)機器學習算法在葉綠素含量預(yù)測方面表現(xiàn)出優(yōu)于傳統(tǒng)回歸算法的趨勢，并且基于原始光譜的獅群算法優(yōu)化的核極限學習機回歸是最優(yōu)模型[16]；利用極限梯度提升、偏最小二乘法和人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建冬小麥葉綠素濃度估測模型，Zhang 等探討不同算法下冬小麥葉綠素濃度的高光譜敏感波段分布，研究發(fā)現(xiàn)基于融合數(shù)據(jù)構(gòu)建的極限梯度提升算法展現(xiàn)出最佳的預(yù)測效果[17]。

本文選擇典型蘆葦濕地為研究區(qū)，利用實測蘆葦葉片高光譜反射率和LCC 數(shù)據(jù)，通過蘆葦原始光譜及其變換光譜，基于連續(xù)投影算法篩選特征波段并構(gòu)建植被指數(shù)，采用極限梯度提升、支持向量機和隨機森林回歸算法對蘆葦LCC 進行估測建模，并分析模型效果優(yōu)劣，旨在為蘆葦長勢及濕地生態(tài)系統(tǒng)健康狀況遙感監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于華北理工大學校園內(nèi)，面積約為560×380m2，屬于溫帶半濕潤氣候，夏季炎熱多雨，冬季寒冷干燥，年平均氣溫11.2℃，年降水量648.1 mm。該區(qū)域濕地物種多樣性豐富，有利于亞洲東部候鳥在不同季節(jié)的遷徙過境和棲息繁殖[18]。四季分明的溫帶氣候及較為復(fù)雜的生態(tài)環(huán)境使得研究區(qū)群落以草本層群落為主，其中蘆葦集中大量分布[19]。研究區(qū)內(nèi)其他代表植被為稗(Echinochloa crusgalli)和堿蓬(Suaeda salsa)。

圖1 研究區(qū)地理位置與采樣點

1.2 數(shù)據(jù)測定與方法

1.2.1 葉綠素含量測定

2022 年5 月27～28 日選取華北理工大學典型蘆葦濕地，進行野外調(diào)查和數(shù)據(jù)測定，依據(jù)全面性、代表性和典型性的樣地選取原則，在典型蘆葦群落中隨機設(shè)置均質(zhì)樣地，內(nèi)部布設(shè)0.5m×0.5m 的子樣方，隨機選取各子樣方內(nèi)蘆葦冠層上部、中部和下部共3 片健康成熟葉片，迅速帶回實驗室。蘆葦葉片葉綠素含量使用CCM-200plus 葉綠素儀測定。測量時使用紙巾輕輕擦凈蘆葦葉片表面灰塵并按順序放置，在每片葉子中部測定葉綠素含量，避開葉脈，每個子樣方點共獲取3 個葉綠素含量值，取其平均值作為該子樣方最終葉綠素含量。

1.2.2 葉片光譜反射率測定

采用ASD 公司生產(chǎn)的FieldSpec4 獲取蘆葦葉片高光譜反射率，光譜范圍為350～2500nm，采樣間隔在350～1000nm 波段范圍為1.4nm，1000～2500 nm 波段范圍為2nm，重采樣間隔為1nm。為確保數(shù)據(jù)科學可靠，每10 分鐘作一次白板校正。光譜測定與葉綠素含量測定位置一致，每次測定10 條光譜曲線，每個子樣方上中下層葉片共獲取30 條光譜曲線，使用ViewSpec Pro 軟件取平均值作為該子樣方原始光譜信息。

1.3 數(shù)據(jù)處理與特征構(gòu)建

為提高光譜葉綠素估測模型的精度，減小光譜獲取過程中產(chǎn)生的隨機噪聲，首先對蘆葦平均光譜反射率進行Savitzky-Golay 卷積平滑得到原始光譜反射率F。為突出光譜特征波段，對平滑后的蘆葦原始光譜曲線進行對數(shù)(logR)、倒數(shù)一階微分(R′)處理。

利用Pearson 相關(guān)分析方法分析不同數(shù)學變換下蘆葦葉片光譜反射率與其葉綠素含量間的關(guān)系，首先，在相關(guān)性較高的可見光近紅外敏感范圍內(nèi)結(jié)合連續(xù)投影算法，用Kennard-Stone 樣本迭代，進行蘆葦葉片光譜矩陣列波段投影操作，經(jīng)過矢量投影操作創(chuàng)建波段組，當RMSECV 最小時，選擇對應(yīng)列向量數(shù)為2 的波長組合作為特征光譜。參考相關(guān)研究選取3 種物理意義較為明確的光譜指數(shù)，包括歸一化植被指數(shù) (Normalized differential vegetation index, NDVI)、差值植被指數(shù)(Difference vegetation index, DVI)和比值植被指數(shù)(Ratio vegetation index, RVI)，結(jié)合連續(xù)投影算法篩選出可見光各波段對應(yīng)的特征波段，計算植被指數(shù)[20]，其中，RBLUE：420～490nm，RGREEN：500～590nm，RRED：625～760 nm，RNIR:760～1220nm，(見式1～3)。并結(jié)合不同數(shù)學變換下蘆葦可見光敏感波段范圍內(nèi)篩選出2 的特征光譜作為模型建模參數(shù)[21,22]。

式中，RRED 與RNIR 分別為波段625～760nm與760～1220nm 范圍內(nèi)經(jīng)連續(xù)投影算法篩選后的最優(yōu)波段。

1.4 模型建立與精度分析

經(jīng)蘆葦光譜采集與LCC 含量測定，本研究共得到有效樣本數(shù)據(jù)106 個，采用隨機法劃分數(shù)據(jù)集，其中70%作為訓練集進行模型建立，30%作為驗證集以驗證模型的精度，分別得到建模樣本75，預(yù)測樣本31 個。本文采用極限梯度提升、支持向量機和隨機森林回歸算法對蘆葦LCC 進行估測建模。其中，極限梯度提升算法是一種基于決策樹的集成模型，通過引入正則化項和樹結(jié)構(gòu)的剪枝來避免過擬合問題，具有運行速度快、準確度高和可調(diào)參數(shù)多等優(yōu)點。與傳統(tǒng)機器學習模型相比，極限梯度提升算法可以擬合因變量和自變量之間復(fù)雜的非線性關(guān)系，同時對于變量類型具有很高的寬容度[23]。

支持向量機是將非線性的數(shù)據(jù)映射到高維數(shù)據(jù)特征空間，使得自變量與因變量在高維空間中具有良好的線性回歸特征，進而實現(xiàn)原始空間中的非線性回歸。支持向量機通過結(jié)構(gòu)風險最小化原則，降低了數(shù)據(jù)量的高度依賴[24]。

隨機森林回歸是通過對多個決策樹集成融合，將不同決策樹的預(yù)測平均值作為最終的預(yù)測結(jié)果。隨機森林回歸模型對數(shù)據(jù)要求低，能夠處理高維數(shù)據(jù)，具有極強的擬合能力，能夠識別自變量與因變量之間復(fù)雜的非線性關(guān)系，擁有很好的抗噪聲能力，不易出現(xiàn)過擬合現(xiàn)象[25]。

機器學習回歸算法均在R 語言上完成，使用caret 包、xgboost 包、randomForest 包和e1071 包搭建，并通過網(wǎng)格搜索法對參數(shù)進行優(yōu)選，得到最佳葉綠素估測模型。

基于驗證樣本集，選取決定系數(shù)(R2)、均方根誤差(Root mean squared error，RMSE)和相對分析誤差(Relative percent deviation，RPD)3 個指標評價模型精度，決定系數(shù)越大，均方根誤差越小，建模精度越高，相對分析誤差越大，模型越穩(wěn)定[26]。評價指標公式如下：

2 結(jié)果與分析

2.1 蘆葦葉片光譜特征

不同處理方法下的濕地植被蘆葦葉片光譜反射率曲線如圖2 所示，生長旺盛季蘆葦具有健康綠色植物典型光譜特征，數(shù)學變換后的蘆葦葉片光譜特性明顯改變。蘆葦葉片原始光譜的可見光波段，受到葉綠素等色素吸收作用的影響，葉片反射率較低，390nm 藍光波段和670nm 紅光波段附近葉綠素吸收輻射形成吸收谷，在550nm 綠光波段附近吸收相對減少，形成綠色反射峰。670～770nm 的近紅外波段有一個反射“陡坡”，即紅邊特征，蘆葦葉片的細胞結(jié)構(gòu)和葉片中色素在近紅外波段保持的高度透過性導(dǎo)致了“紅邊”光譜特征的產(chǎn)生，在近紅外區(qū)域葉片反射率較大，770～940nm 內(nèi)表現(xiàn)出高反射率特征。在短波紅外波長范圍，蘆葦葉片的光譜特征主要受葉片所含水分的影響，尤其以1440nm、1930nm 波段為中心的水分吸收帶處，形成明顯的波谷。

圖2 不同處理方法下反射光譜曲線

2.2 相關(guān)性分析

將蘆葦葉片原始及變化光譜反射率分別與其葉綠素含量進行逐波段相關(guān)分析，得到各反射率與葉綠素含量的相關(guān)系數(shù)隨波長的變化規(guī)律。從圖3可以看出，原始光譜反射率R 與對數(shù)logR 的反射率與葉綠素含量相關(guān)系數(shù)隨波長的變化曲線波形類似，兩者的葉片光譜反射率是在紅光、綠光區(qū)與葉綠素含量關(guān)系密切。709nm 波長處的蘆葦原始光譜反射率R 與其葉綠素含量的相關(guān)系數(shù)絕對值最大(r=-0.683)。經(jīng)數(shù)學變換處理后，變換光譜與蘆葦葉片葉綠素含量相關(guān)系數(shù)有不同程度的提高，對數(shù)(logR)在720nm 處相關(guān)系數(shù)達到-0.73，與原始光譜相比提高0.06；倒數(shù)(1/R)相關(guān)系數(shù)曲線與原始曲線相反，最大相關(guān)系數(shù)較原始光譜僅提升0.004；一階微分(R′)變換后相關(guān)性提升效果較為明顯，最大相關(guān)系數(shù)在764nm 達到0.892，表明微分處理可以更為有效消除光譜背景噪聲的干擾，提高光譜對蘆葦LCC 的敏感度，凸顯蘆葦葉片光譜特征，有利于篩選相關(guān)性較高的波段。

圖3 不同光譜變換下的蘆葦葉片光譜反射率與葉綠素含量相關(guān)性

2.3 模型構(gòu)建與精度評價

選取不同處理方法下的植被指數(shù)和特征波段為自變量，以蘆葦葉片葉綠素含量LCC 為因變量，采用極限梯度提升、支持向量機和隨機森林回歸算法分別建立原始光譜反射率R 及其數(shù)學變換下的葉綠素含量預(yù)測模型。由表1 可以看出，基于植被指數(shù)和特征波段構(gòu)建的蘆葦葉片葉綠素含量模型經(jīng)過數(shù)學變換的模型效果都優(yōu)于原始光譜，其中一階微分(R′)＞倒數(shù)＞對數(shù)(logR)＞原始(R)，四種光譜變換下，XGBoost 模型R2集中于0.697～0.766，SVM 模型R2集中于0.547～0.761，RFR 模型R2集中于0.845～0.974。對比三種機器學習算法XGBoost模型回歸中一階微分(R′) 變換建立的模型性能較好，R2為0.766，RMSE 為1.595，相比原始光譜建模結(jié) 果，R2提 升 了0.069，RMSE 降 低 了0.159；SVM模型中一階微分(R′)變換建立的模型性能較好，R2為0.761，RMSE 為0.422，相比原始光譜建模結(jié)果，R2提升了0.214，RMSE 降低了0.156；RFR 模型中一階微分(R′)變換建立的模型性能最好，為三種機器學習算法中的最優(yōu)模型，通過獨立驗證樣本建立的1：1 線可知實測值與預(yù)測值符合度較好（圖4），R2為0.974，RMSE 為0.208，相比原始光譜建模結(jié)果，R2提升了0.129，RMSE 降低了0.005。在相同光譜處理下，RFR 模型預(yù)測結(jié)果表現(xiàn)最優(yōu)，XGBoost與SVM 建模精度依次降低，但三種方法均能達到可靠的估算精度，其中高光譜經(jīng)過一階微分變換后蘆葦葉片反射率與葉綠素含量間的關(guān)系對于LCC模型建立最為有利，光譜中噪聲被有效消除。

3 結(jié)論

本文基于實測蘆葦葉片光譜與LCC 含量，經(jīng)過不同光譜變換處理后，通過連續(xù)投影算法選取特征波段并構(gòu)建植被指數(shù)，采用極限梯度提升、支持向量機以及隨機森林回歸模型建立蘆葦濕地葉片葉綠素含量的高光譜預(yù)測模型，均達到較好的估計效果，具體結(jié)論如下：

（1）數(shù)學變換處理后，蘆葦葉片光譜與葉綠素含量相關(guān)系數(shù)有不同程度的提高。其中，一階微分(R′)＞對數(shù)(logR)＞倒數(shù)＞原始(R)。表明一階微分(R′)相關(guān)性提升效果較為明顯，且光譜與葉綠素含量在764nm 處最大相關(guān)系數(shù)達到0.892。

（2）基于植被指數(shù)和特征波段構(gòu)建的蘆葦葉片葉綠素含量模型表明經(jīng)過數(shù)學變換的模型效果都優(yōu)于原始光譜，其中一階微分(R′)＞倒數(shù)＞對數(shù)(logR)＞原始(R)。表明微分處理可以凸顯蘆葦葉片光譜特征，提高建模精度。

（3）三種機器學習中，一階微分結(jié)合隨機森林回歸建立的模型R2為0.974，RMSE 為0.208，RPD為4.297 是預(yù)測華北理工大學濕地蘆葦葉片葉綠素含量的最優(yōu)模型。