基于離散小波算法定量反演貴州百香果葉片葉綠素含量的研究

童倩倩，李莉婕，趙澤英，岳延濱，劉 海

(貴州省農業科技信息研究所，貴州 貴陽 550006)

【研究意義】葉綠素是作物捕獲、轉化、固定太陽能的重要物質基礎，植株葉綠素含量的高低是評價作物生長發育狀況的重要指標[1]，當作物受到病蟲害、水分、高溫等不利因子脅迫時，葉綠素含量均會發生不同程度變化[2-3]，因此，實時、準確獲取作物葉綠素含量具有重要的理論與現實意義?！厩叭搜芯窟M展】作為一種地表信息觀測的重要手段，遙感技術已逐步成為區域尺度作物植株葉綠素含量精準檢測的重要技術。植株葉綠素含量快速診斷的物理基礎是葉綠素在光譜內的可見光、部分近紅外區域具有較強的響應特征，利用輻射傳輸機理模型研究葉綠素的光譜響應機理，為葉片葉綠素含量的估測提供了物理基礎理論[4-5]。高亞利等[6]研究不同截形葉螨(TetranychustruncatusEhara)危害棗葉片等級(0級、1級、2級、3級、4級)的高光譜特征，構建了基于一階微分光譜的不同截形葉螨危害等級棗葉片葉綠素含量高光譜線性回歸估測模型。李凱等[7]通過對不同光譜數據集進行波長篩選，建立了蟲害脅迫下竹葉葉綠素含量的高光譜估算模型。田軍倉等[8-9]進行無人機多光譜影像的番茄冠層SPAD預測研究表明，作物冠層上層、中層、下層葉片的葉綠素含量存在變異，采用無人機多光譜數據可實現作物冠層葉綠素含量的準確估測。神經網絡、隨機森林、支持向量機等算法常用于構建植被生化組分含量診斷的模型[10-11]?！颈狙芯壳腥朦c】盡管針對農作物植株生化組分的研究較多[12]，且取得了一定研究成果，但當前研究大多針對平原區域作物，少見針對山區經濟作物的研究。為帶動貧困群眾脫貧致富，貴州將建成我國南方重要的精品水果產區。百香果作為貴州精品水果發展的重要經濟作物之一，對其不同垂直位置葉綠素含量的精確預測是及時精準施肥、田間管理及防控病蟲危害的重要基礎?！緮M解決的關鍵問題】以光譜技術為主要技術手段，利用相關分析算法將處理后的百香果光譜數據與其葉片葉綠素含量進行相關性分析，提取敏感波段，構建百香果葉片葉綠素含量的估測模型。

1 材料與方法

1.1 研究區概況

試驗在貴州省惠水縣王佑鎮和平村和紅星村的百香果種植基地進行。和平村百香果種植區海拔904 m，位于東經106°30′54″，北緯25°45′47″。紅心村百香果種植區海拔973 m，位于東經106°27′54″，北緯25°49′20″。試驗區屬亞熱帶季風氣候，年降水量為1154 mm，年平均氣溫為16.3 ℃，≥10 ℃積溫為4797.5 ℃，全年日照時數為1000～1325 h；最熱月(7月)平均溫度23.9 ℃，最冷月(1月)平均氣溫5.8 ℃，無霜期278 d。

1.2 研究方法

1.2.1 光譜和葉綠素含量測定 于2020年8月20日在百香果園選健康、無機械損傷的百香果冠層成熟葉片進行葉片光譜測定，葉片光譜用美國ASD公司生產的便攜式光譜儀進行的測定，儀器光譜測定范圍為350～2500 nm，輸出光譜數據的分辨率為1 nm。由于試驗區地處西南區，地理環境、氣候條件復雜，為減弱外界復雜環境對光譜測量的影響，提升光譜數據的信噪比，選用ASD公司生產的鹵光燈作為光源。光譜共測3次，取平均值。測定后隨機取相應部位葉片采用無水乙醇萃取法進行葉綠素含量測定。

1.2.2 光譜數據處理 作為一類傳統光譜數據處理方法，數學變換通過利用數學方法處理分析光譜數據，可有效凸顯光譜內的可用信息，壓制無用信息，其中對數、倒數等非微分變換有助凸顯光譜內的低頻信息，一階微分、對數的一階微分、倒數的一階微分等微分變換有助于凸顯光譜內細微信息，弓曲差變換有助于不同波段信息的耦合。小波變換是在傅里葉算法的基礎上發展而來的一種新的信號處理算法，該算法可對信號進行局部、多尺度處理，有助于挖掘信號內的可用信息。近年來，隨著小波算法的應用發展，逐步被應用于地物光譜信息的處理與分析。小波變換算法對地物光譜的分解方法有助于對光譜內的混合信息進行有效分離，從而有助于可用光譜信息的分離。小波變換可分為連續小波變換、離散小波變換兩類，其中離散小波變換可將光譜內的低頻信息、高頻信息逐尺度分離，該分離方法有助于分離原光譜信息內的噪聲信息[13]，提升低頻信息的信噪比，離散小波變換法的小波基選用haar，其分解過程見圖1。為更好研究分析離散小波變換在提升光譜對百香果葉片葉綠素含量的估測能力，研究選用對數、倒數、一階微分、對數的一階微分、倒數的一階微分、弓曲差變換作為參照方法開展研究分析。

圖1 離散小波算法對光譜數據的分解過程

1.2.3 百香果葉片葉綠素含量估測模型構建及模型精度的驗證 葉片光譜經數學變換與離散小波算法處理后，選用偏最小二乘算法(Partial Least Squares Regression，PLS)構建百香果葉片葉綠素含量的估測模型。為正確反映葉綠素含量的估測特點，研究選用隨機取樣法將樣本分為建模組(20份)與檢驗組(9份)，利用建模組構建百香果葉片葉綠素含量估測模型，采用檢驗組樣本數據評價模型的性能。為對估測模型進行客觀綜合評價，選用決定系數(R2)和均方根誤差(RMSE)對葉綠素含量估測模型進行綜合評估。

(1)

(2)

2 結果與分析

2.1 光譜數據處理與百香果葉綠素含量的相關性

2.1.1 數學變換的光譜與百香果葉綠素含量的相關性 經測定，百香果葉片葉綠素含量最小值為7.427 %，最大值為15.310 %，平均11.592 %。

圖2為原光譜數據(R)與5種數學變換(弓曲差變換(GQC)、倒數變換(1/R)、對數變換[LOG(R)]、一階微分變換(R’)、倒數的一階微分變換[(1/R)’]、對數的一階微分變換[(LOG(R))’)]與葉片葉綠素含量的決定系數(R2)矩陣圖。由圖2可知，位于倒數變換、對數變換中的敏感區域與原始光譜一致，且位于藍光區域的敏感區域整體均相對粗糙，二者在敏感性方面無明顯提升。弓曲差變換在提升光譜對葉綠素含量的敏感性方面相對較弱，且其敏感波段的分布區域主要位于近紅外區域，而在葉綠素作用較強的可見光部分相對較弱。敏感波段在一階微分、倒數的一階微分、對數的一階微分變換內的分布較分散，幾乎無集中分布區域，其在可見光與近紅外區域均有分布，且在近紅外區域的位置分布基本一致。綜上可知，經弓曲差變換的光譜與百香果葉綠素含量的相關性最差，位于倒數變換、對數變換的敏感區域較為集中，而在微分變換中則比較分散。

2.1.2 離散小波變換的光譜與百香果葉綠素含量的相關性 由圖3可知，光譜數據經經離散小波變換處理后，隨分解尺度的增加，決定系數矩陣圖的粗糙度逐步增加，這是由于離散小波對光譜數據的處理每增加1尺度，光譜分辨率降低1倍所致。對葉綠素含量敏感的波段在L1～L5尺度分布主要集中于可見光區域內的藍、紅光附近，該敏感區域隨分解尺度的增加無明顯變動，但位于藍光區域的敏感區域紋理趨于平滑，原因主要是經離散小波處理后其光譜分辨率會逐尺度降低，從而有助于抑制噪聲信息的影響，提升低頻信息的信噪比。敏感波段在H1～H5尺度的分布則相對分散，其在可見光、近紅外區域均有分布，且各敏感區間隨分解尺度的增加而存在小幅移動的現象。綜上可知，經離散小波變換的光譜與百香果葉綠素含量的相關性較高，離散小波變換有助于抑制噪聲對低頻信息的影響，提升光譜信息信噪比。

圖2 數學變換與百香果葉片葉綠素含量的決定系數矩陣(R2)

圖3 離散小波變換與百香果葉片葉綠素含量決定系數矩陣(R2)

表1 基于數學變換百香果葉片葉綠素含量估測模型列表

2.2 百香果葉片葉綠素含量的估測模型

2.2.1 基于數學變換構建百香果葉片葉綠素含量的估測模型 由表1可知，基于一階微分、弓曲差、倒數的一階微分、對數的一階微分構建模型的穩定性極差，為無效模型。在原光譜數據、對數變換、倒數變換中，以基于對數變換構建模型的精度相對較高且穩定性較好，為最優模型，其估測精度的R2=0.601，RMSE=0.931。從入選有效模型的特征波段多位于可見光區域，即該區域為葉綠素光譜響應的主要區域。綜上可知，在數學變換中，僅對數變換有助于提升光譜對百香果葉片葉綠素含量的估測能力，入選有效模型的特征波段主要位于可見光區域，該區域為葉綠素作用的主要區域。

2.2.2 基于離散小波變換構建百香果葉片葉綠素含量的診斷模型 由表2可知，基于低頻信息構建的模型的穩定性明顯高于高頻信息，基于高頻信息構建的模型的穩定性差。在L1～L5內，模型的建模精度隨分解尺度的增加呈逐步降低的趨勢，而模型對百香果葉片葉綠素含量的估測精度則呈先升高后降低的趨勢(其在L2尺度達最大0.656)。原因一方面是隨著尺度的增加，原光譜內的信息逐步被分離，保留在低頻信息內部的可用信息逐步減少，另一方面隨著尺度的增加，原光譜內的噪聲信息也被逐步分離，從而提升了低頻信息內的信噪比，有助于模型穩定性的提升。從模型的建模精度與估測精度的對比分析可知，基于L1構建的模型精度與估測精度相對較高，且穩定性較好，為最優模型，其估測精度R2=0.578，RMSE=1.104。從入選模型的特征波段進行分析可知，特征波段多為位于可見光區域的藍、紅區，該區域為葉綠素在光譜中的強吸收區域。H1～H5模型的建模精度隨分解尺度的增加呈先降低后升高的趨勢，模型的估測精度則呈先升后降趨勢；根據模型的建模精度與估測精度，基于H1～H5構建的模型穩定性極差，表明基于高頻信息構建的模型為無效模型。原因主要為研究區空氣濕度較大，由水分引起的噪聲較多，噪聲信息隨可用信息逐步被分解至各高頻信息內。綜上可知，受試驗區大氣水分噪聲的影響，基于高頻信息構建的模型的穩定性極差，為無效模型；基于低頻信息構建的模型的穩定性較強，以L1構建的模型為最優。

表2 基于離散小波技術百香果葉片葉綠素含量估測模型

圖4 L1尺度百香果實測值與預測值散點

3 討 論

目前，針對山區經濟作物的遙感監測研究偏少，本研究選取位于貴州省經濟作物百香果作為對象，研究分析遙感技術估測百香果葉片葉綠素含量的特點，研究結果有助于彌補針對西南區經濟作物研究的不足，為后續相關研究提供基礎理論支撐。前人研究表明，數學變換、小波變換能明顯提升植被光譜對葉綠素含量的敏感性[14-15]，尤其是數學變換中的微分變換與小波變換中的高頻信息，然而本研究發現微分變換與小波變換分離的高頻信息在提升光譜對百香果葉片葉綠素含量的敏感性方面較差，究其原因主要是受地理環境、氣候條件的影響，百香果葉片光譜數據內包含大量噪聲，降低了光譜信息的信噪比，從而導致微分變換、離散小波變換中的高頻信息內含大量噪聲，進而導致模型穩定性較差，嚴重影響高頻信息在估測百香果葉片葉綠素含量的估測精度，表明高頻信息的提取算法不適用于西南區域植被光譜信息的處理與分析，需要進一步研究分析新的處理方法。與倒數變換、對數變換、弓曲差變換相比，基于離散小波分離的低頻信息構建百香果葉片葉綠素含量的估測模型的穩定性較強，可用于西南高原、山區作物植株生化組分的檢測。綜上表明與平原地區相比，西南高原、山區作物的光譜數據處理更為復雜，需要進一步深入研究。

針對貴州百香果葉片葉綠素的快速診斷方法進行研究，取得一定進展，可為利用遙感技術精準檢測西南區植被信息提供一定理論與技術支撐，但該研究存在如下不足：①盡管研究采用離散小波變換算法處理光譜數據，提升了光譜數據對百香果葉片葉綠素含量的估測能力，但模型整體精度相對較低，仍需進一步探索新的分析算法。②本研究是以地面高光譜數據為數據源，非衛星影像數據，而衛星影像數據是開展區域尺度陸表信息精準檢測的主要手段，因此有必要在該研究基礎上進一步深入探索利用衛星影像數據精準檢測西南區域植被信息的方法。

4 結 論

研究選用百香果葉片葉綠素含量為研究對象，以實測百香果葉片光譜及相應葉綠素含量數據為數據源，先選用離散小波算法處理分析葉片光譜數據，然后將處理后的光譜數據與實測葉綠素含量數據進行相關性分析，并提取特征波段，最后利用偏最小二乘算法構建百香果葉片葉綠素含量估測模型。

(1)受復雜地理環境、氣候條件影響，百香果葉片光譜數據內涵大量噪聲，由數學變換、離散小波變換提取的高頻信息對百香果葉片葉綠素含量的估測能力較弱。

(2)與高頻信息相比，低頻信息對百香果葉片葉綠素含量的估測能力較強。

(3)數學變換中對數變換與離散小波變換分離的低頻信息，能明顯提升光譜對百香果葉片葉綠素含量的估測能力，其中基于離散小波變換L1尺度構建的模型為最優模型，具有較高的估測精度與穩定性，其R2=0.578，RMSE=1.104。