冬小麥不同葉位葉片的葉綠素含量高光譜估算模型

馬春艷 王藝琳 翟麗婷 郭輔臣 李長(zhǎng)春 牛海鵬

(河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院，焦作 454000)

0 引言

葉綠素是綠色植物進(jìn)行光合作用的關(guān)鍵驅(qū)動(dòng)因素[1]，其含量與植被的光合能力、生長(zhǎng)發(fā)育及營(yíng)養(yǎng)狀況密切相關(guān)。因此，及時(shí)、準(zhǔn)確地獲取葉綠素含量對(duì)于作物田間管理、長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量估算具有重要意義。傳統(tǒng)的化學(xué)檢測(cè)方法成本高、效率低，而且具有田間破壞性和不可恢復(fù)性[2]。近年來(lái)，高光譜遙感技術(shù)因其具有便攜、快速、無(wú)損等優(yōu)勢(shì)，在高通量植物表型研究中顯示出相當(dāng)大的應(yīng)用前景[3]。已有的研究成果[2,4-6]為高光譜檢測(cè)作物葉綠素含量提供了科學(xué)依據(jù)，然而，這些研究大多是基于冠層單一尺度構(gòu)建的作物葉綠素含量遙感估算模型，無(wú)法精確反映其在垂直方向上的分布特征。

作物在生長(zhǎng)發(fā)育過(guò)程中，營(yíng)養(yǎng)成分在植株體內(nèi)的運(yùn)轉(zhuǎn)會(huì)導(dǎo)致其不同葉位生化組分的分布呈現(xiàn)一定的規(guī)律性[7]。因此，通過(guò)分層研究作物生化成分的垂直變化特征并對(duì)其進(jìn)行準(zhǔn)確估算，可以提高作物營(yíng)養(yǎng)診斷的精確性。從已有的研究報(bào)道[8-10]來(lái)看，針對(duì)冬小麥葉綠素含量的定量遙感反演主要存在以下兩方面的不足：一是在構(gòu)建冬小麥葉綠素含量估算模型時(shí)往往直接采用實(shí)測(cè)的冠層葉綠素含量及冠層光譜數(shù)據(jù)，而忽略了不同層葉綠素含量在植株體內(nèi)存在的垂直分布差異規(guī)律；二是在構(gòu)建作物葉綠素含量遙感反演模型時(shí)直接采用原始光譜數(shù)據(jù)，未進(jìn)行相應(yīng)的光譜變換等預(yù)處理以減少噪聲干擾，這些已成為進(jìn)一步提高模型精度和改善應(yīng)用效果的限制因子。

綜上所述，本文基于作物葉片尺度，分層測(cè)定冬小麥上1葉、上2葉、上3葉和上4葉葉片的葉綠素含量及高光譜反射率數(shù)據(jù)，分別利用4種機(jī)器學(xué)習(xí)算法構(gòu)建冬小麥不同葉位葉綠素含量的高光譜估算模型，并進(jìn)行模型精度評(píng)估，以期為更加精細(xì)化評(píng)價(jià)作物長(zhǎng)勢(shì)及產(chǎn)量預(yù)測(cè)奠定基礎(chǔ)。

1 估算模型構(gòu)建

1.1 研究區(qū)概況

研究區(qū)位于北京市海淀區(qū)(北緯40°11′，東經(jīng)116°27′)，具體位置如圖1所示。基地土地肥沃、地勢(shì)平坦，平均海拔36 m，年均氣溫13℃，年均降水量507 mm，氣候類型為典型的暖溫帶半濕潤(rùn)大陸季風(fēng)氣候。冬小麥的播種時(shí)間為2017年9月29日，本研究共設(shè)置48個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)尺寸為1.2 m×1.5 m，供試品種分別為京9843和農(nóng)大211。

圖1 研究區(qū)地理位置Fig.1 Geographical location of study area

1.2 數(shù)據(jù)獲取

在冬小麥的各個(gè)發(fā)育階段中，抽穗期是需要生產(chǎn)以及追肥管理的關(guān)鍵時(shí)期，這一時(shí)期小麥葉片中較高的葉綠素含量可以促進(jìn)作物葉片生長(zhǎng)、延長(zhǎng)葉片功能、提高光合效率及產(chǎn)量[6]。因此，選擇在冬小麥抽穗期分別獲取其上1葉、上2葉、上3葉和上4葉的高光譜反射率和葉綠素含量實(shí)測(cè)數(shù)據(jù)。

1.2.1分層高光譜數(shù)據(jù)采集與預(yù)處理

采用ASD FiedSpec FR2500型便攜式地物光譜儀[11](光譜范圍350～2 500 nm，重采樣間隔為1 nm，視場(chǎng)角為25°)獲取冬小麥不同葉位葉片的高光譜反射率數(shù)據(jù)。為了消除天空光線變化對(duì)光譜測(cè)量的影響，測(cè)量前使用BaSO4校準(zhǔn)面板進(jìn)行光譜校準(zhǔn)[12]。測(cè)量時(shí)在每個(gè)試驗(yàn)小區(qū)內(nèi)隨機(jī)選擇3棵具有長(zhǎng)勢(shì)代表性的冬小麥樣本植株，從上至下依次剪取上1葉、上2葉、上3葉和上4葉的葉片，并確保葉片平整放置在背景板上，以消除背景反射和葉片彎曲引起光譜波動(dòng)的影響。每個(gè)葉片樣本測(cè)量10條光譜曲線，每個(gè)小區(qū)可獲取30條光譜曲線。光譜數(shù)據(jù)采集完成后，利用ViewSpec Pro光譜處理軟件導(dǎo)出無(wú)量綱的原始光譜反射率，然后計(jì)算30條光譜反射率的平均值作為各小區(qū)不同葉位葉片的光譜反射率。

1.2.2葉綠素含量數(shù)據(jù)分層獲取

光譜測(cè)量完成后，將選取植株的葉片樣本裝入保鮮袋內(nèi)，并迅速帶回實(shí)驗(yàn)室，采用分光光度法測(cè)定其葉綠素含量。對(duì)于各小區(qū)不同葉位分別測(cè)量3個(gè)葉片的葉綠素含量，取其平均值作為該小區(qū)不同葉位的葉綠素含量。測(cè)量時(shí)，首先使用打孔器在每個(gè)葉片上取下18片直徑為0.8 cm的圓葉片，使用精度為0.001 g的天平稱量后，將其剪成細(xì)絲狀置于盛有95%乙醇的試管中，然后加塞放置在黑暗的環(huán)境中浸泡7 d直至葉片變白，最后采用分光光度計(jì)測(cè)定葉綠素溶液在光譜波長(zhǎng)655、649 nm處的吸光度，再根據(jù)色素分子在該波長(zhǎng)下的消光系數(shù)計(jì)算出葉片的葉綠素質(zhì)量比。

1.3 數(shù)據(jù)處理與模型構(gòu)建方法

1.3.1光譜微分變換

光譜微分變換技術(shù)可以有效消除儀器自身、光照和大氣效應(yīng)的影響，增強(qiáng)不同光譜波段的對(duì)比度[13]。本研究采用Grünwald-Letnikov微分[14]形式對(duì)高光譜數(shù)據(jù)進(jìn)行微分處理，其計(jì)算公式為

(1)

式中f(λ)——光譜反射率

λ——350～2 500 nm范圍內(nèi)的波長(zhǎng)

Γ——Gamma函數(shù)

m——微分上下限之差

α——階數(shù)

其中，當(dāng)α為0、1、2時(shí)，分別表示原始光譜、一階微分光譜和二階微分光譜。

1.3.2連續(xù)小波變換

連續(xù)小波變換是采用小波基函數(shù)將高光譜數(shù)據(jù)分解為一系列不同尺度和不同波長(zhǎng)上的小波系數(shù)[15]。本研究選擇收斂速度快的Meyer函數(shù)作為小波基函數(shù)，為了減少數(shù)據(jù)冗余，選取1、2、3、4、5、6、7、8、9、10為小波系數(shù)的分解尺度。計(jì)算公式為

(2)

(3)

式中a——尺度因子b——平移因子

φa,b——小波基函數(shù)

1.3.3植被指數(shù)構(gòu)建

本研究根據(jù)前人的研究成果[16-21]，評(píng)估了15個(gè)高光譜植被指數(shù)用于估算冬小麥不同葉位葉片葉綠素含量的潛力。15個(gè)植被指數(shù)分別為：差值環(huán)境植被指數(shù)(DVI)[22]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)[23]、最佳植被指數(shù)(VIOPT)[24]、歸一化差異水體指數(shù)(NDWI)[25]、水體指數(shù)(WI)[26]、轉(zhuǎn)化葉綠素吸收比指數(shù)(TCARI)[27]、紅綠植被指數(shù)(RGVI)[28]、綠藍(lán)植被指數(shù)(GBVI)[29]、改良的綠紅植被指數(shù)(MGRVI)[30]、紅綠藍(lán)植被指數(shù)(RGBVI)[31]、綠葉面積指數(shù)(GLA)[32]、超綠超紅差分指數(shù)(EXR)[33]、超綠指數(shù)(EXG)[34]、顏色植被指數(shù)(CIVE)[35]和可見(jiàn)光大氣阻抗指數(shù)(VARI)[36]。

1.3.4模型構(gòu)建方法

考慮到模型構(gòu)建及預(yù)測(cè)的穩(wěn)定性和魯棒性，本研究選擇75%的數(shù)據(jù)用于建模，25%的數(shù)據(jù)用于驗(yàn)證。篩選與不同葉位葉綠素含量相關(guān)性較強(qiáng)的光譜敏感波段、植被指數(shù)、小波系數(shù)作為模型輸入變量，葉片葉綠素含量作為輸出變量，分別基于偏最小二乘回歸(Partial least squares regression,PLSR)、支持向量機(jī)(Support vector machine，SVM)、隨機(jī)森林(Random forests,RF)和反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)4種機(jī)器學(xué)習(xí)算法構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對(duì)模型精度進(jìn)行驗(yàn)證。

(1)偏最小二乘回歸

偏最小二乘回歸集中利用了多元線性回歸分析、典型相關(guān)分析和主成分分析的概念[37]。該方法主要適用于含有多個(gè)自變量或多個(gè)因變量的回歸分析，可以有效解決多重共線性問(wèn)題并保證模型的穩(wěn)定性[38]。

(2)支持向量機(jī)

支持向量機(jī)可以有效避免模型出現(xiàn)過(guò)擬合現(xiàn)象，具有良好的泛化能力和魯棒性，目前在作物識(shí)別、分類以及小樣本回歸分析中得到了廣泛應(yīng)用[2]。

(3)隨機(jī)森林

隨機(jī)森林提供了一種對(duì)多個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行平均的方法，這些決策樹(shù)在同一數(shù)據(jù)的不同子集上進(jìn)行訓(xùn)練，不僅能提供更高的精度，還能有效克服單個(gè)決策樹(shù)的過(guò)度擬合問(wèn)題[39]。

(4)反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)、自組織以及自適應(yīng)能力，適宜模擬較為復(fù)雜的非線性關(guān)系，目前被廣泛應(yīng)用于分類、擬合、壓縮等領(lǐng)域[40]。

1.3.5模型精度評(píng)價(jià)指標(biāo)

選擇決定系數(shù)(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標(biāo)準(zhǔn)均方根誤差(Normalized root mean squared error，NRMSE)作為模型精度評(píng)價(jià)指標(biāo)。

2 結(jié)果與分析

2.1 冬小麥不同葉位葉片葉綠素含量分布及光譜響應(yīng)特征

分層測(cè)定冬小麥不同葉位葉片的葉綠素含量，圖2為冬小麥不同葉位所有小區(qū)平均葉綠素質(zhì)量比的分布特征。

圖2 不同葉位葉片葉綠素含量分布Fig.2 Plot of chlorophyll content distribution of leaves at different leaf positions

由圖2可知，不同葉位葉片葉綠素含量隨葉位的升高呈現(xiàn)逐漸上升的趨勢(shì)。這是由于上層葉片光合作用強(qiáng)度較大，而下層葉片接收到的光照較少，因而光合作用較弱，葉綠素含量相對(duì)較低。

分層測(cè)定冬小麥抽穗期上1葉、上2葉、上3葉和上4葉不同葉位葉片的高光譜反射率數(shù)據(jù)，并繪制不同葉位葉片的原始光譜反射率變化曲線，如圖3所示。

由圖3可知，上1葉、上2葉和上3葉葉片的原始光譜反射率曲線較為接近，而上4葉葉片的原始反射率曲線與它們的差異較大，總體表現(xiàn)為隨著葉位升高葉片光譜反射率逐漸增強(qiáng)。其中，不同葉位葉片原始光譜反射率在波段750～1 300 nm和1 400～1 900 nm之間出現(xiàn)明顯差異性，反射率由大到小依次為上1葉、上2葉、上3葉、上4葉，其他波段范圍內(nèi)，不同葉位葉片的光譜反射率及其變化趨勢(shì)基本相似。

圖3 不同葉位葉片的原始光譜響應(yīng)曲線Fig.3 Raw spectral response curves of leaves at different leaf positions

2.2 不同葉位葉片葉綠素含量與光譜參數(shù)的相關(guān)性分析

2.2.1與變換光譜反射率的相關(guān)性分析

將原始光譜分別進(jìn)行一階微分(First-order differential，F(xiàn)D)和二階微分(Second-order differential，SD)光譜變換，并將原始光譜、不同變換光譜與不同葉位葉綠素含量進(jìn)行相關(guān)性分析，篩選相關(guān)系數(shù)的絕對(duì)值(|ρ|)較大的前5個(gè)波長(zhǎng)(λ)作為敏感波長(zhǎng)，結(jié)果如表1所示。

表1 與不同葉位葉片葉綠素含量相關(guān)性強(qiáng)的前5個(gè)光譜波長(zhǎng)Tab.1 The first five spectral bands with strong correlation with chlorophyll content in leaves at different leaf positions

分析表1可知，整體上看，光譜反射率與不同葉位葉綠素含量的相關(guān)性呈現(xiàn)隨葉位的下降而逐漸降低的趨勢(shì)。其中，上1葉敏感波段集中在二階微分和原始光譜的近紅外波段(640～790 nm)，|ρ|最大為0.73；上2葉敏感波段集中在一階微分和原始光譜的可見(jiàn)光波段(360～370 nm)和近紅外波段(690～710 nm)，|ρ|最大為0.68；上3葉敏感波段主要集中在一階微分光譜的可見(jiàn)光波段(360～370 nm)和中紅外波段(1 890～1 900 nm)，|ρ|最大為0.67；上4葉敏感波段集中在二階微分中紅外波段(1 450～1 460 nm)，|ρ|最大為0.63。

2.2.2與植被指數(shù)的相關(guān)性分析

利用選取的植被指數(shù)與不同葉位葉片葉綠素含量進(jìn)行相關(guān)性分析，篩選出不同葉位相關(guān)系數(shù)的絕對(duì)值較大的前5個(gè)植被指數(shù)用于構(gòu)建葉片葉綠素含量估算模型，結(jié)果如表2所示。

分析表2可知，整體上看，上1葉葉綠素含量與植被指數(shù)相關(guān)性最高，其他葉位葉綠素含量與植被指數(shù)相關(guān)性相當(dāng)。其中，與上1葉葉綠素含量相關(guān)性最大的植被指數(shù)分別為EXR、GLA、RGBVI、GBVI和EXG，|ρ|最大均為0.75；與上2葉葉綠素含量相關(guān)性最大的植被指數(shù)分別為VARI、GBVI、RGVI、MGRVI和EXR，|ρ|最大均為0.66；與上3葉葉綠素含量相關(guān)性最大的植被指數(shù)為WI，|ρ|最大達(dá)到0.75；與上4葉葉綠素含量相關(guān)性最大的植被指數(shù)為WI，|ρ|最大可達(dá)0.65。

表2 與不同葉位葉片葉綠素含量相關(guān)性強(qiáng)的前5個(gè)植被指數(shù)Tab.2 The first five vegetation indices with strong correlation with chlorophyll content in leaves at different leaf positions

2.2.3與小波系數(shù)的相關(guān)性分析

利用連續(xù)小波變換將原始光譜反射率轉(zhuǎn)換為小波系數(shù)，對(duì)應(yīng)10個(gè)尺度。將小波系數(shù)與不同葉位葉片葉綠素含量進(jìn)行敏感性分析，繪制不同葉位小波系數(shù)與葉片葉綠素含量的相關(guān)性分布圖，結(jié)果如圖4所示。基于相關(guān)性分析結(jié)果，篩選不同葉位對(duì)應(yīng)的前5個(gè)敏感小波系數(shù)用于構(gòu)建葉綠素估算模型，結(jié)果如表3所示。

圖4 不同葉位小波系數(shù)與葉綠素含量的相關(guān)性矩陣圖Fig.4 Correlation matrix between wavelet coefficients and chlorophyll content at different leaf positions

表3 與不同葉位葉片葉綠素含量相關(guān)性強(qiáng)的前5個(gè)小波系數(shù)Tab.3 The first five wavelet coefficients with strong correlation with chlorophyll content in leaves at different leaf positions

分析圖4和表3可知，整體上看，不同葉位葉片葉綠素含量與小波系數(shù)的相關(guān)性隨葉位升高而增強(qiáng)，上1葉和上2葉葉綠素含量與小波系數(shù)的相關(guān)性相當(dāng)，且相關(guān)性最強(qiáng)。對(duì)于不同葉位，在1 500～2 500 nm波段，上1葉的全局敏感指數(shù)最高，對(duì)應(yīng)尺度為2、3、4、5、6，上1葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段1 730～1 740 nm，|ρ|最大為0.88，對(duì)應(yīng)尺度為4；在1 800～2 500 nm波段范圍，上2葉的全局敏感指數(shù)最高，對(duì)應(yīng)尺度為3、4、5，上2葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段1 730～1 740 nm，|ρ|最大為0.88，對(duì)應(yīng)尺度為3；在波段500～1 000 nm，上3葉的全局敏感指數(shù)最高，對(duì)應(yīng)尺度為3、4、5、7、8、9，上3葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段550～560 nm，|ρ|最大為0.83，對(duì)應(yīng)尺度為9；在波段1 500～2 500 nm范圍，上4葉的全局敏感指數(shù)最高，對(duì)應(yīng)尺度為2、3、4，上4葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段2 000～2 500 nm，|ρ|最大為0.79，對(duì)應(yīng)尺度為3。

2.3 不同葉位葉片葉綠素含量估算模型構(gòu)建及模型精度驗(yàn)證

2.3.1基于變換光譜構(gòu)建估算模型

利用表1篩選出的敏感變換光譜波段作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機(jī)器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對(duì)模型進(jìn)行精度評(píng)定，結(jié)果如表4所示。

表4 基于變換光譜的不同葉位葉片葉綠素含量估算模型精度Tab.4 Accuracy of chlorophyll content estimation model at different leaf positions based on transform spectrum

由表4可知，葉片葉綠素含量的估算精度整體上隨葉位的升高呈現(xiàn)逐漸上升的趨勢(shì)。其中，上1葉葉綠素含量估算的最佳模型為BPNN，其建模和驗(yàn)證R2分別為0.64和0.50；上2葉葉綠素含量估算的最佳模型為BPNN，其建模和驗(yàn)證R2分別為0.43和0.57；上3葉葉綠素含量估算的最佳模型為BPNN，其建模和驗(yàn)證R2分別為0.49和0.60；上4葉葉綠素含量估算的最佳模型為PLSR，其建模和驗(yàn)證R2分別為0.44和0.35。

2.3.2基于植被指數(shù)構(gòu)建估算模型

利用表2篩選出的敏感植被指數(shù)作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機(jī)器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對(duì)模型進(jìn)行精度評(píng)定，結(jié)果如表5所示。

表5 基于植被指數(shù)的不同葉位葉片葉綠素含量估算模型精度Tab.5 Accuracy of chlorophyll content estimation model at different leaf positions based on vegetation indices

由表5可知，上1葉葉綠素含量估算的最佳模型為SVM，其建模和驗(yàn)證R2分別為0.85和0.73；上2葉綠素含量估算的最佳模型為PLSR，其建模和驗(yàn)證R2分別為0.67和0.72；上3葉葉綠素含量估算的最佳模型為BPNN，其建模和驗(yàn)證R2分別為0.66和0.62；上4葉葉綠素含量估算的最佳模型為SVM，其建模和驗(yàn)證R2分別為0.74和0.79。

2.3.3基于小波系數(shù)構(gòu)建估算模型

利用表3篩選出的敏感小波系數(shù)作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機(jī)器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對(duì)模型進(jìn)行精度評(píng)定，結(jié)果如表6所示。

由表6可知，整體上看上1葉和上2葉估算精度相當(dāng)，且估算精度最高，上3葉和上4葉葉綠素估算精度次之。上1葉、上2葉、上3葉、上4葉葉綠素含量估算的最佳模型均為PLSR，其建模R2分別為0.82、0.80、0.71和0.74，驗(yàn)證R2分別為0.75、0.77、0.62和0.70。

表6 基于小波系數(shù)的不同葉位葉片葉綠素含量估算模型精度Tab.6 Accuracy of estimation model of chlorophyll content at different leaf positions based on wavelet coefficients

3 討論

隨著作物的生長(zhǎng)發(fā)育，營(yíng)養(yǎng)成分會(huì)在植物體內(nèi)發(fā)生轉(zhuǎn)移，導(dǎo)致不同葉位葉片的葉綠素含量存在垂直異質(zhì)性[7]。本文研究也驗(yàn)證了這一點(diǎn)，即葉綠素含量自上而下逐漸降低，且光譜反射率隨著作物葉綠素含量的變化，呈現(xiàn)不同的光譜響應(yīng)特征(圖2、3)，整體上表現(xiàn)為不同葉位光譜反射率隨葉綠素含量的減少而逐漸降低，其中上4葉的光譜反射率差異性更明顯。這是因?yàn)樽魑锏那o葉是自下而上生長(zhǎng)的，因而作物下層葉片會(huì)先生長(zhǎng)而先衰老，葉綠素含量也會(huì)隨之減少，而中上部葉片的葉齡接近，因而光譜反射率的差異較小[41]。

本文研究發(fā)現(xiàn)將原始光譜采用一階和二階微分光譜變換處理后，光譜與不同葉位葉片葉綠素含量的相關(guān)性顯著增強(qiáng)，相關(guān)系數(shù)絕對(duì)值最高可達(dá)0.73。這主要是因?yàn)楦吖庾V數(shù)據(jù)采集過(guò)程中會(huì)受光照、大氣效應(yīng)和背景等因素的影響，致使原始光譜存在噪聲，影響敏感信息的提取，光譜微分技術(shù)能夠部分消除環(huán)境因素的干擾，有效增強(qiáng)植被的本質(zhì)特征，這與蔣金豹等[42]的研究結(jié)論一致。由于可見(jiàn)光波段和近紅外波段對(duì)葉綠素含量的變化更加敏感，因而在敏感特征參數(shù)的篩選中與不同葉位的葉綠素含量表現(xiàn)出更強(qiáng)的相關(guān)性，這與王紀(jì)華等[10]的研究結(jié)果一致。

為了提高不同葉位葉綠素含量的準(zhǔn)確性，本研究分別評(píng)估了光譜變換波段、植被指數(shù)和小波系數(shù)用于估算葉綠素含量的潛力。整體上看，小波系數(shù)與葉綠素含量的相關(guān)性最強(qiáng)，植被指數(shù)次之。綜合分析基于不同光譜特征參數(shù)的模型精度評(píng)定結(jié)果可知，上1葉、上2葉、上3葉均為基于小波系數(shù)構(gòu)建的估算模型精度最高，不同葉位葉綠素含量估算模型的建模和驗(yàn)證R2的最大值分別達(dá)到0.82和0.77，這與前人研究結(jié)論[43-45]一致。這是由于小波變換技術(shù)能夠通過(guò)伸縮平移運(yùn)算，將光譜信息分解成不同頻率的子信息，對(duì)光譜信息逐步進(jìn)行多尺度細(xì)化，深度挖掘并提取光譜信號(hào)中隱藏的弱信息，有效利用光譜信息的整體結(jié)構(gòu)特征，實(shí)現(xiàn)對(duì)光譜特征更精確的局部描述和分離[46]。

本研究采用4種機(jī)器學(xué)習(xí)算法預(yù)測(cè)冬小麥不同葉位葉片的葉綠素含量，精度評(píng)定結(jié)果均顯示上1葉的預(yù)測(cè)效果最佳。這與上部葉片對(duì)冠層光譜貢獻(xiàn)最大，且隨著葉位降低，葉片對(duì)冠層光譜的貢獻(xiàn)逐漸減少有關(guān)。該結(jié)論與XIAO等[47]的研究結(jié)論高度吻合。綜合分析不同機(jī)器學(xué)習(xí)方法用于不同葉位葉綠素含量估算模型的結(jié)果發(fā)現(xiàn)，PLSR表現(xiàn)出最好的預(yù)測(cè)能力，這是因?yàn)镻LSR在回歸建模過(guò)程中采用了數(shù)據(jù)降維、信息綜合與篩選技術(shù)，能夠有效提取對(duì)系統(tǒng)有最佳解釋能力的新綜合成分[37]。

然而，本研究?jī)H討論和研究了抽穗期冬小麥植株不同葉位葉綠素含量的估算方法，且田間試驗(yàn)區(qū)域較小。因而為了更加準(zhǔn)確地研究冬小麥的長(zhǎng)勢(shì)狀況，未來(lái)還需在大田試驗(yàn)中增加供試品種，并針對(duì)作物不同生育期進(jìn)行動(dòng)態(tài)試驗(yàn)驗(yàn)證，以期為開(kāi)展作物冠層整體動(dòng)態(tài)診斷提供參考。

4 結(jié)論

(1)葉綠素含量隨葉位的升高而逐漸升高，光譜反射率隨著作物葉綠素含量的減少而呈現(xiàn)逐漸降低的趨勢(shì)。

(2)將原始光譜經(jīng)過(guò)光譜微分變換、小波變換處理或者用于植被指數(shù)的構(gòu)建均可以顯著增強(qiáng)光譜反射率與不同葉位葉片葉綠素含量的相關(guān)性，整體上看，小波系數(shù)與葉綠素含量之間的相關(guān)性最強(qiáng)，植被指數(shù)次之。

(3)冬小麥上1葉、上2葉和上3葉均采用小波變換結(jié)合PLSR的方法構(gòu)建的葉綠素含量估算模型精度最高，建模和驗(yàn)證R2分別為0.82和0.75、0.80和0.77、0.71和0.62；上4葉采用植被指數(shù)結(jié)合SVM的方法構(gòu)建的模型估算效果最好，建模和驗(yàn)證R2分別為0.74和0.79。研究可為基于遙感技術(shù)精細(xì)化監(jiān)測(cè)作物長(zhǎng)勢(shì)及產(chǎn)量奠定基礎(chǔ)。