摘要：為準(zhǔn)確實(shí)時(shí)分析獼猴桃樹(shù)的生長(zhǎng)健康狀況，以陜西關(guān)中平原獼猴桃樹(shù)為研究對(duì)象，構(gòu)建葉片高光譜數(shù)據(jù)集；基于隨機(jī)法和Kennard-Stone方法劃分?jǐn)?shù)據(jù)集，采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（CARS）、主成分分析法（PCA）和迭代保留信息變量算法（IRIV）提取樣本的特征波段；進(jìn)而采用多元線性回歸（MLR）、嶺回歸（RR）、偏最小二乘回歸（PLSR）、支持向量回歸（SVR）和隨機(jī)森林回歸（RFR）等方法建立葉片葉綠素含量智能檢測(cè)模型。模型對(duì)比分析表明，基于CARS算法所提取的81個(gè)特征波段建立的CARS-RR模型預(yù)測(cè)效果最好，驗(yàn)證集上的R²為0.86，RMSE為2.71。因此，提出的智能檢測(cè)模型能夠基于光譜信息無(wú)損檢測(cè)獼猴桃樹(shù)葉綠素含量，進(jìn)而分析果園整體健康狀況，為后續(xù)果園精細(xì)化管理提供決策支撐。

關(guān)鍵詞：獼猴桃；葉綠素含量；回歸模型；高光譜；波段提取

中圖分類號(hào)：S663.4; TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0154-08收稿日期：2024年4月23日

修回日期：2024年7月23日

*基金項(xiàng)目：陜西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2023—YBNY—080）；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃（2023—JC—YB—489）；西安市科技計(jì)劃（24NYGG0031）；國(guó)家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（202310712098）

第一作者：霍迎秋，男，1978年生，河北玉田人，博士，高級(jí)實(shí)驗(yàn)師；研究方向?yàn)槿斯ぶ悄苻r(nóng)業(yè)應(yīng)用。E-mail： fallying@nwsuaf.edu.cn

通訊作者：胡少軍，男，1980年生，湖北松滋人，博士，副教授；研究方向?yàn)閿?shù)字農(nóng)業(yè)。E-mail： hsj@nwsuaf.edu.cn

Intelligent detection of chlorophyll content in kiwifruit leaves based on hyperspectroscopy

Huo Yingqiu^{1， 2， 3}， Ling Chendong¹， Sun Jianghao¹， Cai Jiatian¹， Hu Shaojun^{1， 2， 3}

（1. College of Information Engineering， Northwest A amp; F University， Yangling， 712100， China; 2. Research Center of Shaanxi Agricultural Information Intelligent Perception and Analysis Engineering Technology， Yangling， 712100， China;3. Key Laboratory for Agricultural Internet of Things， Ministry of Agriculture and Rural Affairs， Yangling， 712100， China）

Abstract： To accurately and precisely analyze the growth and health status of kiwifruit trees， a leaf hyperspectral dataset was constructed using kiwifruit trees in the Guanzhong Plain of Shaanxi Province. The dataset was divided based on the stochastic method and the Kennard-Stone method， and the characteristic bands of the samples were extracted using the competitive adaptive reweighted sampling （CARS）， principal component analysis （PCA）， and iteratively retains informative variables （IRIV） algorithms. Multiple linear regression （MLR）， ridge regression （RR）， partial least squares regression （PLSR）， support vector regression （SVR） and random forest regression （RFR） were used to establish an intelligent detection model for leaf chlorophyll content. Comparative analysis of the models showed that the CARS-RR model based on the 81 feature bands extracted by the CARS algorithm had the best prediction effect， with an R² of 0.86 and an RMSE of 2.71 on the validation set. Therefore， the proposed intelligent detection model can detect the chlorophyll content of kiwifruit trees based on the spectral information in a nondestructive manner. Furthermore， it can analyze the overall health status of the orchard， providing decision-making support for subsequent refined orchard management.

Keywords： kiwifruit; chlorophyll content; regression model; hyperspectroscopy; characteristic bands extraction

0 引言

葉綠素含量是獼猴桃樹(shù)主要的生化參數(shù)，是光合作用能力、葉片氮含量和作物發(fā)育階段的指示器。檢測(cè)獼猴桃葉片的葉綠素含量，對(duì)獼猴桃樹(shù)的長(zhǎng)勢(shì)監(jiān)測(cè)、施肥調(diào)控具有重要意義。作物葉片的葉綠素含量普遍采用生化檢測(cè)和儀器測(cè)量?jī)煞N方式進(jìn)行檢測(cè)。傳統(tǒng)的生化檢測(cè)手段需要管理人員在現(xiàn)場(chǎng)采樣并送至實(shí)驗(yàn)室進(jìn)行化學(xué)分析，往往費(fèi)時(shí)費(fèi)力且耗時(shí)較長(zhǎng)，并且結(jié)果受影響較大。SPAD值可表征葉綠素含量，通常采用便攜式葉綠素儀進(jìn)行測(cè)定，但不方便進(jìn)行大范圍葉綠素含量監(jiān)測(cè)^［1］。高光譜技術(shù)提供了便捷的葉綠素?zé)o損檢測(cè)方法，近年來(lái)國(guó)內(nèi)外已有許多研究人員開(kāi)展了基于高光譜技術(shù)的葉綠素含量檢測(cè)方法研究。

Singhal等^［2］使用逐步判別分析（SDA）從玉米高光譜數(shù)據(jù)的1 024個(gè)波段中提取出24個(gè)特征波段。Wang等^［3］使用相關(guān)系數(shù)連續(xù)投影算法（CC-SPA）從小米葉片高光譜圖像的771個(gè)波段數(shù)據(jù)中提取出7個(gè)特征波段，分別使用全波段數(shù)據(jù)和特征波段數(shù)據(jù)對(duì)小米葉片葉綠素含量進(jìn)行回歸建模。Nofrizal等^［4］使用三種降維方法對(duì)同一高光譜數(shù)據(jù)進(jìn)行降維，提取出對(duì)應(yīng)的特征波段，構(gòu)建識(shí)別建模，并對(duì)比分析不同模型的準(zhǔn)確度，結(jié)果顯示主成分分析法（PCA）是茭白葉片高光譜數(shù)據(jù)特征波段提取的最佳方法。

賴佳政等^［5］使用偏最小二乘回歸（PLSR）、支持向量回歸（SVR）和隨機(jī)森林回歸（RFR）等5種方法估測(cè)烤煙葉片葉綠素含量，結(jié)果表明，RFR的估測(cè)效果最好，其驗(yàn)證集R²達(dá)0.919。Bhadra等^［6］使用PLSR、RFR、SVR和極限學(xué)習(xí)回歸（ELR）建立高粱葉片的葉綠素含量回歸模型，結(jié)果顯示，SVR的葉綠素含量預(yù)測(cè)效果優(yōu)于其他模型，而PLSR和ELR的建模時(shí)間更少。Kanning等^［7］使用PLSR對(duì)冬小麥的葉片葉綠素含量LCC和葉面積指數(shù)LAI進(jìn)行預(yù)測(cè)，基于預(yù)測(cè)的LCC和LAI再進(jìn)一步使用SMLR對(duì)糧食產(chǎn)量進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果的R²達(dá)0.88。劉爽等^［8］使用PLSR、最小二乘支持向量機(jī)回歸（LSSVM）和Lasso回歸建立大豆葉片葉綠素含量的反演模型，結(jié)果顯示，基于一階微分光譜指數(shù)的LSSVM模型精度最高，其驗(yàn)證集R²為0.836 0。

目前，以獼猴桃樹(shù)為研究對(duì)象，基于獼猴桃葉片高光譜數(shù)據(jù)建立葉綠素含量回歸模型的研究鮮有報(bào)道。與蘋果樹(shù)、橘樹(shù)等果樹(shù)不同，獼猴桃屬藤本植物，需搭架種植，其他作物的葉綠素含量回歸模型可能并不適用于獼猴桃。

因此，基于獼猴桃葉片的高光譜數(shù)據(jù)，采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（CARS）、主成分分析（PCA）和迭代保留信息變量算法（IRIV）提取高光譜特征波段，進(jìn)而采用多元線性回歸（MLR）、嶺回歸（RR）、PLSR、SVR和RFR建立獼猴桃葉片葉綠素含量的估測(cè)模型具有重要的意義。

1 材料與方法

1.1 采樣區(qū)劃分

研究區(qū)位于陜西省楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)大寨街道杜寨村（東經(jīng)108°04′05″，北緯34°17′38″）。該區(qū)域地處關(guān)中平原腹地，氣候類型為大陸性季風(fēng)型半濕潤(rùn)氣候，年平均氣溫12.9 ℃，土壤肥沃，地況良好，是獼猴桃理想的生長(zhǎng)環(huán)境。經(jīng)實(shí)地考察，研究區(qū)內(nèi)規(guī)則分布著22行藤架，每2行藤架的間隔距離約為5 m，每行藤架的長(zhǎng)度約為4 m，因此可將每2行之間的獼猴桃架間區(qū)域再細(xì)分成5行4列的20個(gè)采樣區(qū)。按照這個(gè)劃分規(guī)則可將整個(gè)研究區(qū)域劃分為420個(gè)邊長(zhǎng)為1 m的采樣區(qū)，采樣區(qū)劃分情況如圖1所示。

1.2 高光譜數(shù)據(jù)采集與葉綠素含量測(cè)定

以FieldSpec4高光譜儀（探頭視角25°，采集范圍為350～2 500 nm，經(jīng)重采樣后的光譜間隔為1 nm）采集獼猴桃葉片的高光譜數(shù)據(jù)。在2022年8月8日采集了獼猴桃葉片的高光譜數(shù)據(jù)，該日天空晴朗，無(wú)風(fēng)。采樣時(shí)，在每個(gè)采樣區(qū)按照五點(diǎn)取樣法確定5個(gè)采樣點(diǎn)，在每個(gè)采樣點(diǎn)使用光譜儀采集一片能被太陽(yáng)完整照射的葉片的高光譜數(shù)據(jù)。在該采樣區(qū)的每個(gè)采樣點(diǎn)均完成數(shù)據(jù)采集后取均值作為該采樣區(qū)的高光譜數(shù)據(jù)，最終得到420個(gè)采樣區(qū)的高光譜數(shù)據(jù)。由于高光譜數(shù)據(jù)的光譜兩端存在數(shù)據(jù)波動(dòng)較大、雜亂的情況，為了避免對(duì)建模和特征波段的提取效果產(chǎn)生影響，使用Savitzky-Golay平滑對(duì)高光譜數(shù)據(jù)進(jìn)行平滑以減小噪聲。

使用SPAD-502Plus便攜式葉綠素儀在采樣點(diǎn)測(cè)量獼猴桃葉片的SPAD值作為葉綠素含量值。測(cè)量時(shí)，在葉片一側(cè)的上、中、下位置各測(cè)量1次，再在葉片另一側(cè)的對(duì)稱位置各測(cè)量一次。采集結(jié)束后，每個(gè)采樣區(qū)的值取平均，最終得到420個(gè)采樣區(qū)的葉綠素含量值。

1.3 獼猴桃葉片樣本劃分

采用隨機(jī)法（RS）和Kennard-Stone（KS）方法將獼猴桃葉片樣本劃分為建模集和驗(yàn)證集^{［9， 10］}。取336個(gè)（80%）獼猴桃葉片樣本數(shù)據(jù)作為建模集，其余84個(gè)（20%）作為驗(yàn)證集?？傮w樣本、建模集和驗(yàn)證集的描述性統(tǒng)計(jì)如表1所示。從表1中得出，與RS相比，KS劃分建模集的值范圍與總樣本相同（24.10～60.70），可以有效反映總體樣本的情況。

1.4 特征波段提取

使用標(biāo)準(zhǔn)正態(tài)變量（SNV）方法將經(jīng)過(guò)平滑處理后的獼猴桃高光譜數(shù)據(jù)標(biāo)準(zhǔn)化，再采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（CARS）、主成分分析（PCA）和迭代保留信息變量算法（IRIV）提取特征波段。

1.4.1 競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法

CARS模擬達(dá)爾文理論“適者生存”的原則，結(jié)合蒙特卡洛采樣和PLS回歸系數(shù)進(jìn)行特征波段選擇^［11］。以350～2 500 nm的高光譜全波段作為CARS算法的輸入。在提取特征波段時(shí)，采用十折交叉驗(yàn)證法^［12］，對(duì)獼猴桃的高光譜數(shù)據(jù)進(jìn)行50次采樣，即N=50。每次采樣時(shí)選擇剩余樣本的80%作為訓(xùn)練集，

20%作為預(yù)測(cè)集，建立PLSR模型，并記錄第i個(gè)波段PLS回歸系數(shù)絕對(duì)值的權(quán)重。利用指數(shù)遞減函數(shù)（EDF）r_i=ae^ki計(jì)算第i次采樣保留的波段比例。剔除權(quán)重較小的波段，得到第i次采樣保留的波段數(shù)量n_i=r_ip。根據(jù)設(shè)置的采樣次數(shù)，不斷進(jìn)行PLSR并計(jì)算交叉驗(yàn)證均方根誤差RMSECV，選擇RMSECV最小的波段集合作為提取的特征波段。

1.4.2 主成分分析

PCA通過(guò)正交變換方法，將高維的光譜信息投影到低維的坐標(biāo)空間，并最大限度地保留了原始光譜的有效信息，是一種有效的數(shù)據(jù)精簡(jiǎn)方式^［13］。為了比較CARS算法和PCA算法在高光譜數(shù)據(jù)降維方面對(duì)模型性能的影響，將350～2 500 nm的高光譜全波段作為PCA算法的輸入。

1.4.3 迭代保留信息變量算法

在計(jì)算資源有限的實(shí)際應(yīng)用場(chǎng)景中，應(yīng)盡可能降低模型規(guī)模，可采取選擇較小的波段范圍的策略。葉綠素含量的變化主要影響可見(jiàn)光區(qū)域的反射率，對(duì)紅外光區(qū)域的影響較小^［14］。因此，重點(diǎn)關(guān)注可見(jiàn)光區(qū)域與一部分近紅外區(qū)域的特征波段，以350～1 000 nm區(qū)間的波段作為IRIV算法的輸入，期望在降低模型規(guī)模的同時(shí)保持預(yù)測(cè)精度。

IRIV基于二進(jìn)制矩陣重排過(guò)濾器，充分考慮到變量之間的相互作用，將變量分類成強(qiáng)信息變量、弱信息變量、無(wú)信息變量和干擾信息變量^［1］。輸入波段經(jīng)過(guò)算法反復(fù)迭代，得到對(duì)獼猴桃葉片葉綠素值敏感的特征波段。算法每次迭代生成一個(gè)隨機(jī)化矩陣，矩陣的每一行代表變量的一組隨機(jī)組合?；谧兞康碾S機(jī)組合建立PLS模型，并計(jì)算交叉驗(yàn)證均方根誤差。對(duì)于每個(gè)波長(zhǎng)變量，計(jì)算包含和不包含該波長(zhǎng)變量時(shí)RMSECV的平均值MEAN_include和MEAN_exclude，得到兩者之差

DMEAN=MEAN_include-MEAN_exclude （1）

根據(jù)DMEAN值和Mann-Whitney U檢驗(yàn)的P值將變量分類，如表2所示^［15］。剔除無(wú)信息變量和干擾信息變量，反復(fù)迭代直至只剩下強(qiáng)信息變量和弱信息變量。最后進(jìn)行反向消除，得到特征波長(zhǎng)變量。

1.5 建模方法

分別以CARS、PCA和IRIV方法提取的特征波段作為特征，采用MLR、RR、PLSR、SVR和RFR建立獼猴桃葉片葉綠素值的檢測(cè)模型。

1.5.1 多元線性回歸

MLR對(duì)一個(gè)或多個(gè)自變量X和因變量Y之間關(guān)系進(jìn)行建模，基本形式為

Y=β₀+β₁X₁+β₂X₂+…+β_nX_n （2）

式中：β_i——回歸系數(shù)。

1.5.2 嶺回歸

RR在標(biāo)準(zhǔn)多元線性回歸的基礎(chǔ)上加入L2正則化，可抑制標(biāo)準(zhǔn)多元線性回歸的過(guò)擬合問(wèn)題。本文使用網(wǎng)格搜索（GridSearchCV）算法對(duì)正則化參數(shù)λ在0～1區(qū)間內(nèi)進(jìn)行最佳選擇。

1.5.3 偏最小二乘回歸

PLSR綜合了多元線性回歸、典型相關(guān)分析和主成分分析的思想，是一種用于解決變量之間多重共線性問(wèn)題的多元回歸方法^［16］。使用網(wǎng)格搜索算法從1到特征波段數(shù)之間的整數(shù)范圍內(nèi)，選擇PLSR的最佳成分?jǐn)?shù)，代表建模效果最佳時(shí)主成分包含的波段數(shù)量。

1.5.4 支持向量回歸

SVR是支持向量機(jī)（SVM）的應(yīng)用分支，二者的思想都是最大化支持向量間的間隔。SVR能夠在保證模型精度的同時(shí)降低擬合函數(shù)的復(fù)雜度，對(duì)于有限樣本和非線性問(wèn)題有很多優(yōu)勢(shì)。本文使用高斯徑向基函數(shù)（RBF）作為SVR的核函數(shù)，使用網(wǎng)格搜索對(duì)懲罰因子C和核函數(shù)參數(shù)γ進(jìn)行最佳選擇，二者均在10^-3～10³之間均勻分布的7個(gè)值中選擇。

1.5.5 隨機(jī)森林回歸

RFR是隨機(jī)森林應(yīng)用分支，是一種基于決策樹(shù)的集成學(xué)習(xí)算法。RFR通過(guò)隨機(jī)抽取樣本和特征，構(gòu)建多棵不相關(guān)的決策樹(shù)，將所有樹(shù)的預(yù)測(cè)值取平均，得到森林的回歸預(yù)測(cè)值。

1.6 模型檢驗(yàn)

使用決定系數(shù)R²和均方根誤差RMSE檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)獼猴桃葉片葉綠素含量值的性能，其計(jì)算分別如式（3）和式（4）所示。R²表示因變量方差中可被自變量解釋的比例，即模型準(zhǔn)確預(yù)測(cè)數(shù)據(jù)的能力，R²越接近1則模型的預(yù)測(cè)能力越強(qiáng)。RMSE用于衡量模型預(yù)測(cè)值和樣本真實(shí)值之間的差異程度，RMSE越小則模型的預(yù)測(cè)效果越好，誤差越小。

R²=1-∑c/t=1（y-y′）²/c/∑c/t=1（y-y-）²/c （3）

RMSE=∑c/t=1（y′-y）²/c （4）

式中：y′——葉綠素估算值；

y——葉綠素實(shí)測(cè)值；

y-——葉綠素實(shí)測(cè)值的平均值；

c——樣本總數(shù)。

2 結(jié)果與分析

2.1 獼猴桃葉片光譜特征分析

將樣本按葉綠素含量值由高到低排序，選取四分位數(shù)、最小值和最大值樣本，分析其原始光譜的反射率曲線（圖2）。由于葉綠素含量的變化主要影響可見(jiàn)光區(qū)域的光譜反射率^［14］，故從全波段中截取350～1 000 nm波長(zhǎng)范圍用于繪制反射率曲線。從圖2中可以看出，5個(gè)葉綠素值對(duì)應(yīng)的光譜反射率具有一致的變化趨勢(shì)。在500～600 nm之間存在一個(gè)波峰，這是葉綠素反射綠光的特性所致。在500 nm和670 nm附近存在兩個(gè)波谷，這是因?yàn)槿~綠素具有吸收藍(lán)光和紅光的特性。在680～750 nm之間反射率急劇上升，在750～1 000 nm之間反射率維持在0.6左右。整體而言，獼猴桃葉片的光譜反射率符合“一峰兩谷一平臺(tái)”的特點(diǎn)^［17］。對(duì)比不同葉綠素值樣本的反射率可知，在500～600 nm的波峰區(qū)域，隨葉綠素值減少，反射率有增加的趨勢(shì)，最小葉綠素值（24.10）在553 nm處達(dá)到了最大反射率0.19。

2.2 提取特征波段

2.2.1 CARS方法篩選

以350～2 500 nm全波段作為CARS算法的輸入，設(shè)置采樣次數(shù)為50，交叉驗(yàn)證次數(shù)為10，算法選擇采樣過(guò)程中RMSECV最小的波段集合作為提取的特征波段。CARS算法特征波段選擇過(guò)程如圖3所示。

從圖3可以看出，在第1輪蒙特卡洛迭代中，RMSECV為3.27；隨著采樣次數(shù)的增加，剩余波段數(shù)減小的速度逐漸放緩，RMSECV也逐漸減小，并在采樣次數(shù)為24時(shí)達(dá)到最小值2.68，此時(shí)剩余81個(gè)波段，將其作為特征波段；當(dāng)采樣次數(shù)大于30后，RMSECV急劇增加，大于未采樣時(shí)的RMSECV。因此，從全波段中選出部分波段進(jìn)行葉綠素含量回歸建?？梢蕴岣呓＞龋褂米非筮^(guò)少的波段進(jìn)行建模也會(huì)導(dǎo)致更差的建模效果。

2.2.2 PCA方法篩選

為了比較CARS算法和PCA算法進(jìn)行高光譜數(shù)據(jù)降維對(duì)后續(xù)模型性能的影響，以350～2 500 nm全波段作為PCA算法的輸入，采用主成分累積貢獻(xiàn)率來(lái)判斷有效主成分^［18］。各主成分的方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率如表3所示，其中PC1的方差貢獻(xiàn)率最高，為71.77%，前8個(gè)主成分的累計(jì)貢獻(xiàn)率已達(dá)到99%，因此選擇前8個(gè)主成分能夠有效降維并保留大部分光譜信息。

2.2.3 IRIV方法篩選

以350～1 000 nm區(qū)間的波段作為IRIV算法的輸入，設(shè)置PLS模型的最大主成分?jǐn)?shù)為10，交叉驗(yàn)證次數(shù)為5^［19］。IRIV算法一共進(jìn)行8輪迭代，每輪迭代開(kāi)始前的保留變量個(gè)數(shù)如圖4所示。在前3輪迭代中，保留變量的個(gè)數(shù)急劇減少，第4輪迭代開(kāi)始前剩余變量數(shù)為70。第7輪迭代結(jié)束后保留了37個(gè)變量，隨后進(jìn)行反向消除。第8輪的反向消除結(jié)束后，最終得到15個(gè)特征波長(zhǎng)，有9個(gè)特征波長(zhǎng)處于可見(jiàn)光區(qū)，6個(gè)處于近紅外區(qū)。根據(jù)特征波長(zhǎng)的DMEAN值和Mann-Whitney U檢驗(yàn)的P值可知，在15個(gè)特征波長(zhǎng)中，3個(gè)為強(qiáng)信息變量（397 nm、401 nm、715 nm），12個(gè)為弱信息變量（407 nm、644 nm、645 nm、676 nm、691 nm、703 nm、875 nm、876 nm、877 nm、918 nm、927 nm、928 nm）。

2.3 模型建立

2.3.1 基于CARS篩選的特征波段建立模型

將CARS算法篩選出的81個(gè)特征波長(zhǎng)作為特征，分別采用RS和KS兩種樣本劃分方式對(duì)獼猴桃葉片葉綠素值進(jìn)行回歸建模，結(jié)果如表4所示。

對(duì)比各個(gè)模型在建模集上的識(shí)別精度發(fā)現(xiàn)，在基于RS和KS劃分方式的模型中，CARS-RFR的識(shí)別精度均為最佳，其在RS劃分樣本上的R²和RMSE分別為0.955 2和1.491 7，在KS劃分樣本上的R²和RMSE分別為0.958 4和1.482 0。對(duì)比驗(yàn)證集識(shí)別精度可知，在基于RS劃分方式的模型中，CARS-RR的識(shí)別精度最佳，其R²和RMSE分別為0.861 9和2.705 8，相較于CARS-MLR，R²增加了7.34%，RMSE降低了16.28%。在基于KS劃分方式的模型中，CARS-RR的效果仍為最佳，其R²和RMSE分別為0.793 2和2.904 1，相較于CARS-MLR，R²增加了8.72%，RMSE降低了12.56%?？梢?jiàn)嶺回歸能夠有效抑制標(biāo)準(zhǔn)多元線性回歸導(dǎo)致的過(guò)擬合問(wèn)題。

綜上所述，在以CARS算法提取的特征波段為特征所建立的模型中，CARS-RR在驗(yàn)證集上取得最高的R²和最低的RMSE，可作為估測(cè)獼猴桃葉片葉綠素值的最佳模型。

2.3.2 基于PCA篩選的特征波段建立模型

為了與CARS算法進(jìn)行對(duì)比，采用PCA方法對(duì)獼猴桃葉片高光譜數(shù)據(jù)進(jìn)行降維。將PCA降維得出的8個(gè)主成分作為特征，對(duì)獼猴桃葉片葉綠素值進(jìn)行建模，結(jié)果如表5所示。

對(duì)比各個(gè)模型在建模集上的識(shí)別精度發(fā)現(xiàn)，在基于RS和KS劃分方式的模型中，PCA-RFR的識(shí)別精度均為最佳，其在RS劃分樣本上的R²和RMSE分別為0.958 4和1.437 6，在KS劃分樣本上的R²和RMSE分別為0.958 4和1.495 0。對(duì)比驗(yàn)證集識(shí)別精度可知，無(wú)論在RS劃分樣本還是KS劃分樣本上，PCA-MLR、PCA-RR和PCA-PLSR的識(shí)別精度幾乎一致。PCA-MLR、PCA-RR和PCA-PLSR在RS劃分樣本上的R²約為0.72，RMSE約為3.85，在KS劃分樣本上的R²約為0.62，RMSE約為3.68，在5個(gè)模型中表現(xiàn)最佳。因此，在以PCA主成分為特征的模型中，PCA-MLR、PCA-RR和PCA-PLSR均可作為識(shí)別獼猴桃葉片葉綠素含量的最佳模型。由于這3個(gè)模型的精度幾乎一致，以PCA-MLR作為代表，將其作為基于PCA方法的最佳模型。

2.3.3 基于IRIV篩選的特征波段建立模型

將IRIV算法篩選出的15個(gè)特征波段作為特征，分別采用RS和KS兩種樣本劃分方式對(duì)獼猴桃葉片葉綠素值進(jìn)行回歸建模，結(jié)果如表6所示。

對(duì)比各個(gè)模型在建模集上的識(shí)別精度發(fā)現(xiàn)，在基于RS劃分方式的模型中，IRIV-RFR的識(shí)別精度最佳，其R²和RMSE分別為0.959 3和1.421 5，而其余模型的R²和RMSE分別在0.80和3.15左右。在基于KS劃分方式的模型中，IRIV-RFR的識(shí)別精度仍然為最佳，其R²和RMSE分別為0.963 3和1.382 1，而其余模型的R²和RMSE分別在0.83和3.00左右?？傮w而言，以IRIV-RFR在建模集上的效果最佳，且KS劃分效果好于RS劃分。

對(duì)比驗(yàn)證集識(shí)別精度可知，在基于RS劃分方式的模型中，IRIV-RR的效果最佳，其R²和RMSE分別為0.775 8和3.447 1。相比于IRIV-MLR，IRIV-RR的R²增加了0.27%，RMSE降低了0.46%。IRIV-PLSR也達(dá)到了較好的識(shí)別精度，其R²和RMSE分別為0.775 1和3.452 9，略遜于IRIV-RR。在基于KS劃分方式的模型中，IRIV-PLSR效果最佳，其R²和RMSE分別為0.628 6和3.769 2。IRIV-RR也達(dá)到了較好效果，其R²和RMSE分別為0.626 4和3.780 2，略遜于IRIV-PLSR。總體來(lái)說(shuō)，IRIV-RR和IRIV-PLSR在驗(yàn)證集上都達(dá)到較好的識(shí)別精度。與CARS算法所篩選的81個(gè)特征波段和PCA方法保留的8個(gè)主成分相比，IRIV算法保留的特征波段數(shù)量?jī)H為15個(gè)，實(shí)現(xiàn)在減小特征數(shù)量的同時(shí)，保持模型的預(yù)測(cè)精度。

2.4 模型對(duì)比

繪制基于三種特征波段提取方法的最優(yōu)模型（CARS-RR、PCA-MLR和IRIV-RR）在RS和KS驗(yàn)證集樣本上的實(shí)測(cè)值與預(yù)測(cè)值偏離情況對(duì)比圖，如圖5所示。

從圖5可以看出，在基于RS和KS兩種劃分方式的模型中，CARS-RR的實(shí)測(cè)值與預(yù)測(cè)值偏離程度均為最小，具有最高的預(yù)測(cè)精度，在RS驗(yàn)證集樣本上的R²為0.86，RMSE為2.71；在KS驗(yàn)證集樣本上的R²為0.79，RMSE為2.90。PCA-MLR的特征波段數(shù)量?jī)H為8，但識(shí)別精度不及CARS-RR。IRIV-RR的特征波段數(shù)量為15，與CARS-RR相比，減少了特征波段數(shù)量，但I(xiàn)RIV-RR的實(shí)測(cè)值與預(yù)測(cè)值仍然較為緊密地分布在標(biāo)準(zhǔn)線兩側(cè)，保持了較高的預(yù)測(cè)精度?？偟膩?lái)說(shuō)，CARS-RR模型的精度最高，而IRIV-RR模型能夠減少特征波段數(shù)量并保持精度，更適合實(shí)際應(yīng)用。

3 討論

葉綠素含量是表征作物生長(zhǎng)狀況的重要指標(biāo)，葉綠素含量的無(wú)損、快速、大尺度檢測(cè)具有重要價(jià)值^［20］。研究表明，獼猴桃葉片的高光譜反射率具有“一峰兩谷一平臺(tái)”的特征，這與符欣彤等^［17］的研究結(jié)果一致。CARS、PCA和IRIV 3種方法均能有效地提取對(duì)獼猴桃葉片葉綠素值敏感的特征波段，大幅降低光譜數(shù)據(jù)的維度，但3種方法提取的特征波段存在差異。CARS從350～2 500 nm的高光譜全波段中提取出81個(gè)特征波段，PCA從全波段中保留8個(gè)主成分，IRIV從350～1 000 nm的局部波段中提取出15個(gè)特征波段，導(dǎo)致模型效果存在差異?；贑ARS特征波段的模型識(shí)別效果優(yōu)于基于PCA主成分、IRIV特征波段的模型，原因可能是CARS所提取的特征波段保留更豐富的光譜信息。嶺回歸是一種用于處理自變量多重共線性問(wèn)題的有偏回歸估計(jì)方法，通過(guò)損失部分精度獲得對(duì)病態(tài)數(shù)據(jù)具有耐受性的模型^{［21， 22］}。在基于CARS和IRIV特征波段提取方法的模型中，嶺回歸達(dá)到較好的效果，且與多元線性回歸相比，嶺回歸的效果均有不同程度的提升。

采用3種特征波段篩選方法和5種機(jī)器學(xué)習(xí)方法構(gòu)建獼猴桃葉片葉綠素含量的智能檢測(cè)模型，為后續(xù)使用無(wú)人機(jī)高光譜遙感大面積地獲取獼猴桃園的葉綠素含量，監(jiān)測(cè)果園健康狀況提供理論支撐。此外，僅反映2022年夏季陜西關(guān)中平原獼猴桃的情況，今后仍需研究不同年份、不同生育期的獼猴桃生長(zhǎng)狀況，總結(jié)出不同時(shí)期的葉綠素含量規(guī)律，提高模型對(duì)不同生育期獼猴桃的普適性。

4 結(jié)論

構(gòu)建獼猴桃葉片高光譜數(shù)據(jù)集，采用RS和KS數(shù)據(jù)集劃分方式，基于CARS、PCA和IRIV算法提取獼猴桃葉片的特征波段，對(duì)獼猴桃葉片葉綠素值回歸模型進(jìn)行研究。

1）基于CARS特征波段的CARS-RR模型預(yù)測(cè)獼猴桃葉片葉綠素值的效果最好，其在RS驗(yàn)證集樣本上的R²為0.86，RMSE為2.71；在KS驗(yàn)證集樣本上的R²為0.79，RMSE為2.90。

2）CARS算法所提取的特征波段優(yōu)于PCA、IRIV算法?；贑ARS特征波段建立的模型識(shí)別效果優(yōu)于基于PCA主成分、IRIV特征波段的模型。

3）基于IRIV特征波段的IRIV-RR模型能夠減少特征波段數(shù)量并保持預(yù)測(cè)精度。IRIV算法從350～1 000 nm區(qū)間的波段中提取出3個(gè)為強(qiáng)信息變量、12個(gè)為弱信息變量，減少特征波段數(shù)量，且IRIV-RR模型保持較高的預(yù)測(cè)精度。

研究結(jié)果可基于獼猴桃高光譜數(shù)據(jù)監(jiān)測(cè)果園的葉綠素含量，進(jìn)而分析果園健康狀況，能夠?yàn)楹罄m(xù)果園的智能化管理提供決策支持。

參 考 文 獻(xiàn)

［1］ 于雷， 章濤， 朱亞星， 等. 基于IRIV算法優(yōu)選大豆葉片高光譜特征波長(zhǎng)變量估測(cè)SPAD值［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（16）： 148-154.

Yu Lei， Zhang Tao， Zhu Yaxing， et al. Determination of soybean leaf SPAD value using characteristic wavelength variables preferably selected by IRIV algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（16）： 148-154.

［2］ Singhal G， Bansod B， Mathew L， et al. Chlorophyll estimation using multi-spectral unmanned aerial system based on machine learning techniques ［J］. Remote Sensing Applications： Society and Environment， 2019， 15： 100235.

［3］ Wang X， Li Z， Wang W， et al. Chlorophyll content for millet leaf using hyperspectral imaging and an attention-convolutional neural network ［J］. Ciência Rural， 2020， 50（3）.

［4］ Nofrizal A Y， Sonobe R， Yamashita H， et al. Estimating chlorophyll content of Zizania latifolia with hyperspectral data and random forest ［J］. International Journal of Engineering and Geosciences， 2022， 7（3）： 221-228.

［5］ 賴佳政， 李貝貝， 程翔， 等. 基于無(wú)人機(jī)高光譜遙感的烤煙葉片葉綠素含量估測(cè)［J］. 智慧農(nóng)業(yè)（中英文）， 2023， 5（2）： 68-81.

Lai Jiazheng， Li Beibei， Cheng Xiang， et al. Monitoring of leaf chlorophyll content in flue-cured tobacco based on hyperspectral remote sensing of unmannedaerial vehicle ［J］. Smart Agriculture， 2023， 5（2）： 68-81.

［6］ Bhadra S， Sagan V， Maimaitijiang M， et al. Quantifying leaf chlorophyll concentration of sorghum from hyperspectral data using derivative calculus and machine learning ［J］. Remote Sensing， 2020， 12（13）： 2082.

［7］ Kanning M， Kühling I， Trautz D， et al. High-resolution uav-based hyperspectral imagery for lai and chlorophyll estimations from wheat for yield prediction ［J］. Remote Sensing， 2018， 10（12）： 2000.

［8］ 劉爽， 于海業(yè)， 張郡赫， 等. 基于最優(yōu)光譜指數(shù)的大豆葉片葉綠素含量反演模型研究［J］. 光譜學(xué)與光譜分析， 2021， 41（6）： 1912-1919.

Liu Shuang， Yu Haiye， Zhang Junhe， et al. Study on inversion model of chlorophyll content in soybean leaf based on optimal specrtal indices ［J］. Spectroscopy and Spectral Analysis， 2021， 41（6）： 1912-1919.

［9］ Kennard R W， Stone L A. Computer aided design of experiments ［J］. Technometrics， 1969， 11： 137.

［10］ 劉偉， 趙眾， 袁洪福， 等. 光譜多元分析校正集和驗(yàn)證集樣本分布優(yōu)選方法研究［J］. 光譜學(xué)與光譜分析， 2014， 34（4）： 947-951.

Liu Wei， Zhao Zhong， Yuan Hongfu， et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis ［J］. Spectroscopy and Spectral Analysis， 2014， 34（4）： 947-951.

［11］ Li H， Liang Y， Xu Q， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration ［J］. Analytica Chimica Acta， 2009， 648（1）： 77-84.

［12］ 撒繼銘， 江河， 謝凱文， 等. 基于隨機(jī)蛙跳算法的特征波長(zhǎng)優(yōu)選［J］. 光學(xué)學(xué)報(bào)， 2021， 41（15）： 235-243.

Sa Jiming， Jiang He， Xie Kaiwen， et al. Characteristic wavelength optimization based on random frog algorithm ［J］. Acta Optica Sinica， 2021， 41（15）： 235-243.

［13］ 胡會(huì)強(qiáng)， 位云朋， 徐華興， 等. 基于高光譜成像技術(shù)和主成分分析對(duì)粉葛年限的鑒別［J］. 光譜學(xué)與光譜分析， 2023， 43（6）： 1953-1960.

Hu Huiqiang， Wei Yunpeng， Xu Huaxing， et al. Identification of the age of puerariae thomsonii radix based on hyperspectral imaging and principal component analysis ［J］. Spectroscopy and Spectral Analysis， 2023， 43（6）： 1953-1960.

［14］ 張俊逸， 高德華， 宋迪， 等. PROSPECT模型的特征波長(zhǎng)優(yōu)化與作物葉綠素含量檢測(cè)［J］. 光譜學(xué)與光譜分析， 2022， 42（5）： 1514-1521.

Zhang Junyi， Gao Dehua， Song Di， et al. Wavelengths optimization and chlorophyll content detection based on prospect model ［J］. Spectroscopy and Spectral Analysis， 2022， 42（5）： 1514-1521.

［15］ Yun Y， Wang W， Tan M， et al. A strategy that iteratively retains informative variables for selecting optimal variable subset in multivariate calibration ［J］. Analytica Chimica Acta， 2014， 807： 36-43.

［16］ 孫紅， 鄭濤， 劉寧， 等. 高光譜圖像檢測(cè)馬鈴薯植株葉綠素含量垂直分布［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（1）： 149-156.

Sun Hong， Zheng Tao， Liu Ning， et al. Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（1）： 149-156.

［17］ 符欣彤， 常慶瑞， 張佑銘， 等. 基于Stacking集成學(xué)習(xí)的獼猴桃葉片葉綠素含量估算［J］. 干旱地區(qū)農(nóng)業(yè)研究， 2023， 41（4）： 247-256.

Fu Xintong， Chang Qingrui， Zhang Youming， et al. Estimation of kiwifruit leaf chlorophyll content based on Stacking ensemble learning ［J］. Agricultural Research in the Arid Areas， 2023， 41（4）： 247-256.

［18］ 劉子揚(yáng)， 馮帥， 趙冬雪， 等. 無(wú)人機(jī)高光譜遙感的水稻葉瘟病的光譜特征提取與檢測(cè)方法研究［J］. 光譜學(xué)與光譜分析， 2024， 44（5）： 1457-1463.

Liu Ziyang， Feng Shuai， Zhao Dongxue， et al. Research on spectral feature extraction and detection method of rice leaf blast by UAV hyperspectral remote sensing ［J］. Spectroscopy and Spectral Analysis， 2024， 44（5）： 1457-1463.

［19］ 梁琨， 劉全祥， 潘磊慶， 等. 基于高光譜和CARS-IRIV算法的‘庫(kù)爾勒香梨’可溶性固形物含量檢測(cè)［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2018， 41（4）： 760-766.

Liang Kun，Liu Quanxiang，Pan Leiqing， et al. Detection of soluble solids content in ‘Korla fragrant pear’ based on hyperspectral imaging and CARS-IRIV algorithm ［J］. Journal of Nanjing Agricultural University， 2018， 41（4）： 760-766.

［20］ 江凱倫， 安吉慶， 趙雨薇， 等. 采用RNCA-PSO-ELM的水稻葉綠素光譜特征分析與反演［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（8）： 178-186.

Jiang Kailun， An Jiqing， Zhao Yuwei， et al. Analysis and inversion of rice chlorophyll spectral characteristics using RNCA-PSO-ELM［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（8）： 178-186.

［21］ 張智韜， 王海峰， Karnieli A， 等. 基于嶺回歸的土壤含水率高光譜反演研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（5）： 240-248.

Zhang Zhitao， Wang Haifeng， Karnieli A， et al. Inversion of soil moisture content from hyperspectra based on ridge regression ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（5）： 240-248.

［22］ 彭濤， 趙麗， 張愛(ài)軍， 等. 土壤全氮的無(wú)人機(jī)高光譜響應(yīng)特征及估測(cè)模型構(gòu)建［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（4）： 92-101.

Peng Tao， Zhao Li， Zhang Aijun， et al. UAV hyperspectral response characteristics and estimation model construction of soil total nitrogen ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（4）： 92-101.