何嘉晨，何敬*，王彬，茍靜，林遠楊，劉剛，2

（1.成都理工大學地球科學學院，成都 610059；2.成都理工大學地質災害防治與地質環(huán)境保護國家重點實驗室，成都 610059）

葉綠素是農作物的重要生化參數(shù)，其含量是植物營養(yǎng)脅迫、氮素狀況和生長衰老等各階段的重要指示因子。葉綠素含量通常與植被的光合能力和生長狀況具有良好的相關性，對動態(tài)監(jiān)測植被長勢以及快速診斷施肥具有重要意義[1-2]。傳統(tǒng)檢測作物葉片葉綠素含量的方法是利用有機溶劑提取，不僅需要專業(yè)人員檢測、消耗大量的時間和精力，并且對葉片具有破壞性，不能實現(xiàn)對葉綠素含量的大面積監(jiān)測[3-4]。無人機高光譜遙感技術具有體積小、機動靈活、成本低且時空分辨率高等特點，可以精確地獲取作物的光譜信息，利用無人機遙感技術定量分析作物光譜信息與生物生理指標間的量化關系，可以實現(xiàn)對作物生長狀況的實時監(jiān)控[5-6]。

葉綠素含量反演的最優(yōu)空間分辨率和最優(yōu)植被指數(shù)。常瀟月等[8]以無人機為平臺搭載高光譜儀獲取玉米農田高光譜影像，選取基于光譜位置的變量、基于光譜面積的變量以及植被指數(shù)多種特征參數(shù)，構建單因素線性、非線性回歸模型，并制作玉米葉片葉綠素含量分布圖。王浩云等[9]證明基于MMD遷移的光學特性參數(shù)所建立的葉綠素回歸模型比直接使用光學參數(shù)和光譜圖像所建立的模型具有更好的反演效果，可以為葉綠素含量無損估測研究提供參考。Zhang Y.等[10]提出了一種新的基于振幅和形狀增強的二維相關譜（2 DCOS）與遷移學習相結合的新型混合技術，用于提取具有代表性的LCC特征波長，在此基礎上，引入了一種基于深度神經網絡的遷移學習技術，將從PROSAIL模擬數(shù)據(jù)集中學到的知識遷移到現(xiàn)場測量LCC的反演任務中。

從以上研究可以看出，大部分實驗通過分析植被參數(shù)與作物生理參數(shù)之間的相關關系，利用簡單的線性或非線性回歸模型估算植被的各項生理參數(shù)。本研究采用基于相關性分析建立的CatBoost回歸模型反演水稻葉綠素含量，CatBoost回歸模型是基于復雜的機器學習算法構建的模型。實驗基于特征波長建立了對葉綠素含量敏感的光譜參數(shù)，確定了水稻葉綠素含量的最佳回歸模型，并利用反演結果進行填圖得到葉綠素含量分布圖，為水稻生長監(jiān)測提供新的理論依據(jù)和技術手段。

1 材料和方法

1.1 水稻葉片光譜測定與含量測定

選擇晴朗少云少風的天氣，測量時間在10：00—14：00較好。無人機平臺為大疆M600 Pro，高光譜儀是芬蘭的SENOP RIKOLA，光譜范圍為500～900 nm，光譜儀探頭垂直置于冠層上方10 m處測量光譜，每次測量前進行白板校正。在無人機采集數(shù)據(jù)的范圍內，隨機選取60個地面點利用SPAD儀實測獲取每一個樣本點的SPAD值。由于無人機高光譜儀采集的主要是水稻冠層上層葉片光譜反射率，因此實測SPAD值時也主要針對上層葉片。無人機與SPAD儀采集數(shù)據(jù)如圖1。

圖1 水稻SPAD值采集Figure 1 Collection of rice SPAD value

1.2 高光譜數(shù)據(jù)預處理

受到周圍環(huán)境的影響，影像在采集過程中容易產生噪聲[11]。為了有效提取對水稻葉綠素含量敏感的波段，需要對原始光譜進行預處理以去除背景噪聲，并突出其特征波段。首先，用Rikola Ltd.軟件對數(shù)據(jù)進行暗電流校正，以減弱吸光度誤差。然后進行白板校正，作為定標或測量時的參考標準。最后，進行輻射校正，以消除或改正因輻射誤差而引起影像畸變的過程。圖2（a）為水稻原始高光譜影像的單波段顯示效果，圖2（b）為預處理后的高光譜影像，采用634 nm作為紅波段，551 nm為綠波段，503 nm為藍波段顯示的真彩色效果。

圖2 水稻高光譜影像Figure 2 Hyperspectral image of rice

1.3 特征波段選取

原始的高光譜數(shù)據(jù)波段較多，各波段之間存在一定的相關性，造成了數(shù)據(jù)的冗余，因此需要根據(jù)研究內容對其進行波段選擇。高光譜圖像的波段選擇是一種很復雜的波段組合優(yōu)化問題，它要求所選的波段組合信息量較大、相關性較小、類別可分性較好[12]。本文利用相關性分析進行光譜指數(shù)特征波長的篩選，使所選特征波長與所用的水稻葉綠素含量的相關性最高。常見的用于描述變量間相關性的系數(shù)，包括Pearson、Spearman、Kendall、Polychoric、Tetrachoric和Polyserial等。Pearson相關系數(shù)[13]可以通過數(shù)字度量2個連續(xù)型變量之間的相關關系，并且結果帶有方向性，因此本文選擇使用Pearson相關系數(shù)。其計算公式如式（1）所示。

式中，rxy是變量x和y的Pearson相關系數(shù)，表示2組連續(xù)變量之間的線性關聯(lián)程度；n是觀測對象的數(shù)量；xi是x的第i個觀測值；yi是y的第i個觀測值。

1.4 分析方法

本文選取了多數(shù)研究中涉及的與葉綠素相關性較好并且物理意義明確的6種植被指數(shù)以及紅邊幅值和紅邊面積共8種光譜參數(shù)，用于水稻葉綠素含量反演模型的構建。

1.4.1 基于紅邊特征的分析方法

紅邊是綠色植被反射光譜在紅到近紅外區(qū)域內出現(xiàn)的一個陡峭“爬坡”，其位置位于680～760 nm的波段范圍內[14]。紅邊波段是指示綠色植物生長狀況的敏感性波段，與植被葉綠素含量具有良好的相關性，是作物生理參數(shù)遙感反演的重要指示波段[15]。紅邊參數(shù)主要由紅邊位置、紅邊面積、紅邊幅值（又稱為紅邊斜率）等參數(shù)組成。本文選擇使用的2個紅邊參數(shù)為紅邊幅值和紅邊面積（表1）。

表1 紅邊參數(shù)的定義Table 1 Definition of red edge parameters

1.4.2 基于植被指數(shù)的分析方法

植被指數(shù)將不同的特征敏感波段通過差分、比值等運算進行線性或非線性組合，對綠色植被的某種生理生化參數(shù)有一定的指示作用，因此利用植被指數(shù)建立數(shù)學模型是葉綠素含量反演研究中常用的方法[17]。

本文選擇的植被指數(shù)有歸一化光譜指數(shù)（NDSI）、差值光譜指數(shù)（DSI）、比值光譜指數(shù)（RSI）和改進簡單比值指數(shù)（MSR），優(yōu)化型土壤調節(jié)植被指數(shù)（OSAVI）和再歸一化差值植被指數(shù)（RDVI）（表2）。MSR是重整化差值植被指數(shù)的改進版本，用于限定后者與生物物理參數(shù)的關系。OSAVI是土壤調節(jié)植被指數(shù)（SAVI）的優(yōu)化指數(shù)，SAVI指數(shù)是一個可以適當描述土壤-植被系統(tǒng)“簡單模型”的植被指數(shù)，它可以降低土壤背景等的影響，但同時也會降低與植被覆蓋度之間的相關性，而當指數(shù)中的參數(shù)取固定值后，OSAVI既適用于低植被覆蓋，也適用于高植被覆蓋。RDVI適用于各種植被覆蓋情況，同樣對植被冠層葉綠素含量具有較好的估算能力。

表2 光譜指數(shù)名稱與公式Table 2 Spectral index names and formulas

1.5 基于CatBoost回歸方法反演建模

CatBoost是由俄羅斯Yandex公司于2017年開源的機器學習庫[21]，是一種基于對稱決策樹（decision trees）算法的GBDT（gradient boosting decision tree，GBDT）框架。它通過有序提升的方式對傳統(tǒng)GBDT算法中的梯度估計進行了改進，能夠高效地處理梯度提升決策樹特征中的類別型特征。Cat-Boost算法可以解決梯度偏差（gradient bias）和預測偏移(prediction offset)的問題，并且使用了一種全新的梯度提升機制來構建模型以此減少過擬合，不僅參數(shù)少、準確性高，還能支持類別型變量，高效合理地處理類別型特征（categorical features）[22-23]。其原理是利用訓練集來建立回歸模型，通過建立的回歸模型可計算特征重要性，然后將建立的模型應用到訓練集和測試集，從而得到模型評估結果。

由于CatBoost模型參數(shù)較少，因此該模型對小樣本數(shù)據(jù)庫的訓練效果較好。本文所構建的實驗樣本數(shù)量為60個，按照普遍的7∶3比例隨機劃分訓練集和測試集，利用構建的CatBoost模型對葉綠素含量進行預測。

2 結果與分析

2.1 特征波段選取與相關性分析

利用ENVI軟件計算出原始光譜反射率的一階導數(shù)，選取680～760 nm范圍內的光譜一階導數(shù)，然后分別計算出紅邊幅值和紅邊面積，分析2個紅邊參數(shù)與葉綠素含量的相關關系，利用紅邊參數(shù)作為輸入變量建立葉綠素含量反演模型。由表3可知，水稻葉綠素含量與紅邊面積的相關性較顯著，相關性為-0.272*，紅邊幅值與SPAD值相關系數(shù)為-0.256*。

表3 光譜參數(shù)與SPAD值相關系數(shù)最大值及波長位置Table 3 The maximum value and wavelength position of the correlation coefficient between spectral parameters and SPAD values

將提取的水稻光譜反射率經兩波段植被指數(shù)DSI、RSI、NDSI運算后，與實測葉綠素含量進行相關性分析，篩選出能夠指示葉綠素含量的最佳特征敏感波段。圖3為DSI、RSI和NDSI 3種植被指數(shù)與葉綠素含量相關關系的等勢圖，圖內任意點為該點對應的橫、縱坐標2個波長組合構建的植被指數(shù)與葉綠素含量的相關系數(shù)。植被指數(shù)RSI、NDSI與葉綠素含量相關系數(shù)|R|較大值主要位于橫軸760～823 nm、804～887 nm之間，縱軸751～800 nm、792～887 nm之間。植被指數(shù)DSI與葉綠素含量相關系數(shù)|R|較大值主要位于橫軸503～672 nm、576～723 nm和751～840 nm之間，縱軸503～651 nm、591～711 nm和751～823 nm之間。因此本文選取的相關系數(shù)較高的特征波段主要分布在503～723 nm、760～887 nm之間，即綠光波段、紅光波段和近紅外波段范圍內，以此作為植被指數(shù)的變量，分析與葉綠素含量的相關性。從圖中可以看出，DSI與水稻葉綠素含量的相關性最好，RSI、NDSI與葉綠素含量相關性分布則比較相似。其中，由800 與816 nm 2波長組合構建的DSI(R800，R816)、RSI(R816，R800)、NDSI(R800，R816)與葉綠素含量相關性最好，相關系數(shù)分別為0.432**、0.408**和0.406**，因此，B(800)、B(816)是指示葉綠素含量的敏感波段。表3為水稻冠層葉綠素含量與光譜參數(shù)的相關性分析，MSR與葉綠素含量相關系數(shù)最大值為0.220*；OSAVI與葉綠素含量相關系數(shù)最大值為0.268*；RDVI與葉綠素含量相關系數(shù)為-0.438**，這3種植被指數(shù)與葉綠素含量之間同樣具有顯著相關關系。

圖3 兩波段組合與葉綠素含量相關系數(shù)等勢圖Figure 3 Equipotential plot of correlation coefficient between two-band combination and chlorophyll content

2.2 基于紅邊參數(shù)葉綠素含量反演

本研究選取決定系數(shù)R2和均方根誤差（root mean square error，RMSE）表征模型精度。R2取值范圍為0～1，值越大，模型越精確，回歸效果越顯著。RMSE反映了預測值偏離真實值的程度，值越小，表示估算精度越高[24]。

表4為基于2個紅邊參數(shù)建立的水稻葉綠素含量反演模型結果。由表4可知，基于2個紅邊參數(shù)的反演模型精度均較高，都達到0.8以上，其中基于紅邊信息葉綠素含量反演效果最好的模型是紅邊幅值-SPAD-CatBoost，其擬合模型為y=1.205 3x-9.118 6，R2為0.941 8，RSME為0.603 6，葉綠素含量反演模型如圖4?；?個紅邊參數(shù)的葉綠素含量反演模型決定系數(shù)均較高，對于動態(tài)監(jiān)測水稻葉片葉綠素含量具有一定的幫助。

表4 基于不同紅邊信息的水稻葉綠素反演模型精度Table 4 Accuracy of rice chlorophyll inversion model based on different red edge information

圖4 基于紅邊參數(shù)的葉綠素含量反演模型Figure 4 Chlorophyll content inversion model based on red edge parameters

2.3 基于植被指數(shù)水稻葉綠素含量反演

在選取出特征敏感波段的基礎上對任意兩波段進行組合計算，再與葉綠素含量進行相關性分析，得到了6種植被指數(shù)DSI、RSI、NDSI、MSR、OSAVI、RDVI與水稻葉綠素含量的定量關系。利用6種植被指數(shù)作為水稻葉綠素含量反演模型的變量，并得到以各個植被指數(shù)為變量的估算方程，將得到的預測值與水稻葉綠素含量進行擬合，檢測其對葉綠素含量的估算能力。從表5可以看出，基于植被指數(shù)的葉綠素含量最佳反演模型是OSAVI (823，760)-SPAD-CatBoost，其擬合方程為y=1.212 5x-9.362 1，R2為0.941 6，RSME為0.588 5，葉綠素含量最佳反演模型見圖5。本文研究的6種重構植被指數(shù)建立的葉綠素含量反演模型精度均達到顯著水平，即R2>0.80，說明參與模型建立的植被指數(shù)均包含診斷葉綠素含量的可靠信息?；谥脖恢笖?shù)與葉綠素含量建立的反演模型精度較好，表明利用植被指數(shù)可以有效地提高對水稻葉片葉綠素含量的反演精度。6種光譜參數(shù)對水稻葉片葉綠素含量的估算能力表現(xiàn)不一，基于這6種重構的植被指數(shù)里，DSI (672，656)、MSR (792，634)、OSAVI (823，760)、RDVI (800，816)的擬合模型的決定系數(shù)R2均大于0.90，其估算能力由大到小依次為OSAVI (823，760)、DSI (672，656)、MSR (792，634)和RDVI (800，816)。NDSI (672，656)、RSI (816，623)的決定系數(shù)最小，但仍大于0.8，這是因為構成這2個光譜指數(shù)的波段均位于對冠層葉綠素敏感的紅光和近紅外波段范圍內。雖然NDSI、RSI對水稻冠層葉綠素含量具有較高的估算能力，但仍比本文中隨機組合得到的其他4種植被指數(shù)低，其原因或許是由共線性問題引起的，由于2個變量之間的相關性可能是由于二者之間存在一個中介而導致的相關性較好，因此有可能會導致回歸中決定系數(shù)變小甚至不顯著[25]。

表5 不同光譜指數(shù)的水稻葉綠素含量反演模型結果Table 5 Inversion model results of rice chlorophyll content with different spectral indices

圖5 基于植被指數(shù)的葉綠素含量最佳反演模型Figure 5 The best inversion model of chlorophyll content based on vegetation index

2.4 水稻冠層葉綠素含量分布圖

葉綠素含量分布圖能夠直觀地展現(xiàn)出區(qū)域內水稻葉片的葉綠素含量，對評估水稻健康生長有一定幫助，葉綠素含量分布圖如圖6所示。

圖6 水稻冠層葉綠素含量分布圖Figure 6 Distribution of chlorophyll content in rice canopy

圖6中，不同顏色表示不同濃度的水稻葉綠素含量，葉綠素含量高的葉片顏色呈深綠，葉綠素含量低的葉片顏色呈淺綠甚至黃色。觀察分布圖發(fā)現(xiàn)，反演填圖結果（圖6）中SPAD值呈現(xiàn)聚集狀態(tài)，在聚集中心SPAD值較高，向外呈遞減趨勢。這是因為水稻葉片數(shù)量多、葉片較長，葉片之間相互遮擋，產生小范圍的陰影，導致陰影部分光譜反射率較低，SPAD值較小?；诓钪倒庾V指數(shù)（DSI）反演的水稻葉綠素含量明顯高于其他2個植被指數(shù)的反演結果，水稻葉綠素含量預測值范圍為42.88～55.88，其預測值范圍與水稻葉綠素含量實測值范圍基本吻合，土壤中所含葉綠素含量也明顯低于水稻，與實際相符。基于歸一化光譜指數(shù)（NDSI）和比值光譜指數(shù)（RSI）反演的水稻葉綠素含量預測值范圍為42.76～46.47，預測值偏低，反演效果不如DSI指數(shù)反演效果好。

3 討論與結論

本文以水稻分蘗期葉片為研究對象，利用無人機高光譜遙感技術，獲取水稻葉片的高光譜影像和葉綠素含量實測值。對原始高光譜數(shù)據(jù)進行一階微分處理，基于原始和一階微分高光譜反射率進行植被指數(shù)和紅邊參數(shù)的計算，利用相關性提取特征波段，最后結合CatBoost回歸模型對水稻葉片葉綠素含量進行反演，得出以下結論：

①選取的8種基于特征波長組合計算的光譜指數(shù)中，紅邊面積和紅邊幅值與葉綠素含量顯著相關，反演效果較好。再歸一化差值植被指數(shù)（RDVI）與葉綠素含量的相關性最好，相關系數(shù)最大值絕對值為0.438**。NDSI、RSI與葉綠素含量的相關性差別不大，因此這2個植被指數(shù)與葉綠素預測含量擬合的效果也較為相似。通過分析由水稻光譜反射率值構建的植被指數(shù)與葉綠素含量之間的相關關系，確定B(800)、B(816)是對水稻葉綠素含量敏感的特征波段。雖然實驗中參與的2種變量之間相關性數(shù)值較低，但均呈顯著相關，因此反演效果較好。

②本研究選用了較常見且實用性較強、計算量較小的原始光譜特征波段對植被指數(shù)進行分析計算，并對原始光譜數(shù)據(jù)進行一階微分處理，計算后得到2個紅邊參數(shù)，結合CatBoost回歸模型對水稻葉綠素含量進行模型反演。植被指數(shù)與紅邊參數(shù)對水稻葉綠素含量均具有較好的估算能力，其中基于紅邊幅值的葉綠素含量反演模型決定系數(shù)達到0.9以上，模型反演精度也很好?；谥脖恢笖?shù)的葉綠素含量反演模型精度也都達到0.8以上。

③本文研究的6種光譜指數(shù)和2種紅邊參數(shù)與葉綠素含量相關性的顯著性具有明顯差異，但是這8種參數(shù)作為CatBoost回歸模型的輸入變量，其回歸模型的決定系數(shù)R2均達到0.8以上，擬合效果較好。紅邊參數(shù)中紅邊幅值擬合效果最好，其擬合模型為y=1.205 3x-9.118 6，R2為0.941 8，RSME為0.603 6；植被指數(shù)中OSAVI指數(shù)擬合效果最好，其擬合模型為y=1.212 5x-9.362 1，R2為0.941 6，RSME為0.588 5。這說明了利用CatBoost回歸模型建立的最優(yōu)反演模型能夠很好地預測水稻冠層的葉綠素含量，為開展精細田間管理提供了依據(jù)。