基于Stacking集成學(xué)習(xí)的獼猴桃葉片葉綠素含量估算

符欣彤,常慶瑞,張佑銘,張子娟,鄭智康,李 鎧

(1.西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院,陜西 楊凌 712100;2.中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所,河南 新鄉(xiāng) 453002)

中國是全球主要的獼猴桃栽培和出口國之一[1]。秦嶺北麓和渭河河谷平原是我國獼猴桃優(yōu)勢產(chǎn)區(qū),獼猴桃產(chǎn)業(yè)為當(dāng)?shù)亟?jīng)濟(jì)發(fā)展做出巨大貢獻(xiàn)。葉綠素作為植物光合作用的必要物質(zhì),其含量與植物營養(yǎng)和健康狀態(tài)高度相關(guān),是監(jiān)測植物生長狀況的重要指標(biāo)[2]。因此,快速獲取獼猴桃葉片葉綠素含量(Leaf chlorophyll content, LCC)對(duì)及時(shí)調(diào)整和優(yōu)化獼猴桃栽培管理具有重要意義。

近年來,高光譜技術(shù)以其快速、有效、無損監(jiān)測的優(yōu)勢在植物葉綠素含量估測方面得到廣泛應(yīng)用[3-5]。目前,國內(nèi)外學(xué)者對(duì)植物葉綠素含量的高光譜估算研究主要集中在兩個(gè)方面:一方面是以原始光譜及各種變換光譜篩選的特征波段作為自變量建立估測模型。如Yamashita等[6]利用不同氮營養(yǎng)條件下的高光譜特征波段建立了高性能綠茶葉綠素含量估算模型;Guo等[7]建立了基于一階微分光譜特征波段的煙草LCC估算模型;郭松等[8]研究了不同變換光譜的特征波段與玉米葉綠素含量之間的相關(guān)關(guān)系。另一方面是利用光譜指數(shù)進(jìn)行葉綠素含量估算。何桂芳等[9]發(fā)現(xiàn)利用比值植被指數(shù)建立的模型精度最高,可以實(shí)現(xiàn)石楠LCC的準(zhǔn)確估算;Cui等[10]發(fā)現(xiàn)紅邊葉綠素吸收指數(shù)/三角植被指數(shù)對(duì)小麥葉綠素含量的反演性能最好;彭曉偉等[11]通過分析不同植被指數(shù)與葉綠素含量的相關(guān)性,構(gòu)建了谷子葉綠素含量估測模型?？梢娀诟吖庾V反射率信息的作物葉綠素含量估算研究已較為成熟,但研究對(duì)象主要集中在小麥[12]、玉米[13]、水稻[14]、棉花[15]等大田作物,針對(duì)經(jīng)濟(jì)樹木,尤其是獼猴桃樹的研究相對(duì)較少。同時(shí),大多數(shù)研究都是基于單一模型,很難全面反映葉綠素含量的變化特點(diǎn),容易出現(xiàn)估測精度不高、泛化性能不佳等問題[2]。神經(jīng)網(wǎng)絡(luò)和決策樹等傳統(tǒng)機(jī)器學(xué)習(xí)模型擬合精度與參數(shù)設(shè)置密切相關(guān),往往訓(xùn)練集效果較好,但測試集表現(xiàn)欠佳[16]。Stacking集成學(xué)習(xí)策略通過將多個(gè)弱學(xué)習(xí)器集成強(qiáng)學(xué)習(xí)器來提高模型的準(zhǔn)確性和魯棒性[17],在柑橘葉片氮含量估算[18]、夏玉米覆蓋度估測[19]、苜蓿產(chǎn)量估算[20]等研究中表現(xiàn)較好。

本研究以秦嶺北麓國家楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)獼猴桃為對(duì)象,通過分析獼猴桃葉片葉綠素含量(LCC)與各高光譜參數(shù)間的相關(guān)性,篩選模型的輸入特征,集成隨機(jī)森林、極限梯度提升樹等5種學(xué)習(xí)器,構(gòu)建基于Stacking集成學(xué)習(xí)的獼猴桃LCC估算模型,并與其他單一模型進(jìn)行對(duì)比,以驗(yàn)證模型有效性,旨在實(shí)現(xiàn)對(duì)獼猴桃LCC的準(zhǔn)確估算,進(jìn)而為獼猴桃生長信息的快速獲取和果園精細(xì)化管理提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況和樣本采集

試驗(yàn)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)五泉鎮(zhèn)蔣家寨村(108°01′20″E,34°18′11″N),地處秦嶺北麓渭河河谷平原。該地區(qū)地形平坦,土壤肥沃,海拔高度535～560 m,屬于暖溫帶半濕潤大陸性季風(fēng)氣候。年平均溫度12.9℃,年均降水量 635.1 mm,年均日照時(shí)數(shù)2 163.8 h,具有夏熱多雨、冬寒干燥、春暖多風(fēng)等明顯的大陸性季風(fēng)氣候特征,適宜獼猴桃種植。

采樣時(shí)間為2021年8月14日,此時(shí)正值獼猴桃壯果期。在試驗(yàn)區(qū)選取栽植年限超過15 a的健康無病害獼猴桃園8個(gè),果樹品種均為‘徐香’。每個(gè)獼猴桃園選取10株健康果樹作為樣點(diǎn),每個(gè)樣點(diǎn)分別采集不同方位、不同長勢的5片健康葉片,80個(gè)樣點(diǎn)共400片。葉片采集后迅速用密封袋封裝,放置在保鮮箱內(nèi),運(yùn)回實(shí)驗(yàn)室進(jìn)行光譜反射率與葉綠素含量測定。

1.2 項(xiàng)目測定

1.2.1 葉片高光譜反射率測定 獼猴桃葉片高光譜反射率采用便攜式非成像地物光譜儀SVC HR-1024i(Spectra Vista公司,美國)測定,光譜探測范圍為350～2 500 nm,其中350～1 000、1 000～1 850、1 850～2 500 nm光譜分辨率分別為3.5、9.5 nm和6.5 nm。為保證試驗(yàn)的科學(xué)性和數(shù)據(jù)的可靠性,光譜測定前進(jìn)行多次白板校正,直到校正結(jié)果穩(wěn)定,并用紙巾將葉片擦拭干凈,不附著泥土、灰塵等雜質(zhì)。按照編號(hào)依次將葉片平整置于葉片夾上,從葉柄至葉尖分段選擇3個(gè)部位各測量2次(避開葉脈),每個(gè)葉片均可獲得6條高光譜反射率曲線,每個(gè)樣本5個(gè)葉片共獲得30條高光譜反射率數(shù)據(jù),取其平均值作為該樣點(diǎn)葉片的最終高光譜數(shù)據(jù)。

1.2.2 葉綠素含量測定 采用分光光度計(jì)法測定光合色素含量,將光譜采集后的葉片洗凈,避開葉脈,選取中間部分剪成碎條,每個(gè)樣本0.2 g加入95%濃度乙醇,置于暗處浸提48 h至葉片發(fā)白,過濾,25 ml定容。用分光光度計(jì)分別測定470、649、665 nm波長的吸光度,再依據(jù)公式[21]計(jì)算葉綠素含量(mg·g-1)。

1.3 研究方法

1.3.1 光譜數(shù)據(jù)處理 葉片色素對(duì)光譜反射率的影響主要集中在可見光范圍,所以本研究以380～1 000 nm范圍的高光譜反射率數(shù)據(jù)為基礎(chǔ)進(jìn)行獼猴桃LCC估算。首先,利用光譜儀自帶軟件對(duì)高光譜數(shù)據(jù)重采樣到1 nm;然后利用SG濾波法(Savitzky golay filter)對(duì)重采樣后的高光譜數(shù)據(jù)進(jìn)行平滑處理,SG濾波與其他光譜平滑方法相比,能更有效地保留光譜的變化信息;最后對(duì)平滑后的光譜進(jìn)行一階導(dǎo)數(shù)變換,得到獼猴桃葉片一階導(dǎo)數(shù)光譜。

1.3.2 光譜參數(shù)選取 為削弱環(huán)境因素的影響,常采用特征波段、三邊參數(shù)和植被指數(shù)等光譜參數(shù)描述作物的光譜響應(yīng)特征。首先分析獼猴桃葉片原始光譜反射率與LCC之間的相關(guān)性,選取相關(guān)關(guān)系滿足顯著性檢驗(yàn)(P<0.001)的敏感區(qū)域作為輸入量,LCC作為響應(yīng)量,以RMSE最小為原則,通過編程實(shí)現(xiàn)連續(xù)投影算法(Successive projections algorithm, SPA),從敏感區(qū)域中篩選出特征波段。SPA是一種新興的降維方法,實(shí)現(xiàn)光譜大幅度降維的同時(shí)能夠保證特征波段之間共線性最小,近年來其在作物高光譜信息的研究中應(yīng)用廣泛[22]。

不同波段光譜反射率以加、減、乘、除等運(yùn)算構(gòu)建的光譜指數(shù)具有降低背景噪聲干擾、突出植物生長特征的優(yōu)點(diǎn)。本研究主要從兩個(gè)方面選取光譜指數(shù),一是在前人研究基礎(chǔ)上選取了與LCC相關(guān)性較好的傳統(tǒng)光譜指數(shù);二是利用Matlab軟件構(gòu)建了一階導(dǎo)數(shù)光譜敏感區(qū)域內(nèi)任意兩波段組合的3類優(yōu)化光譜指數(shù),即比值(RSI′)、差值(DSI′)、歸一化(NDSI′)光譜指數(shù),并計(jì)算這3類優(yōu)化光譜指數(shù)與獼猴桃LCC間的相關(guān)系數(shù)(r),根據(jù)r最大原則,篩選基于各波段組合的優(yōu)化光譜指數(shù)進(jìn)行研究。本研究所選擇的11類傳統(tǒng)光譜指數(shù)和構(gòu)建的3類優(yōu)化光譜指數(shù)見表1。

表1 光譜指數(shù)及其計(jì)算公式或定義

1.4 Stacking集成學(xué)習(xí)模型構(gòu)建

Stacking是一種通過元模型將多個(gè)基模型進(jìn)行組合的集成算法,本質(zhì)是一種并行結(jié)構(gòu)的多層學(xué)習(xí)系統(tǒng),其學(xué)習(xí)框架有初級(jí)學(xué)習(xí)器和次級(jí)學(xué)習(xí)器兩級(jí),在訓(xùn)練階段,次級(jí)學(xué)習(xí)器由初級(jí)學(xué)習(xí)器產(chǎn)生[19]。Stacking集成學(xué)習(xí)對(duì)模型的魯棒性和泛化能力有顯著提高,由于Stacking模型最終效果受到基模型的影響,因此基模型應(yīng)有較好的學(xué)習(xí)能力,且各基模型間相互獨(dú)立。

本研究選擇隨機(jī)森林(Random forest, RF)、極限梯度提升樹(Extreme gradient boosting, Xgboost)、K-近鄰(K-nearest neighbor, KNN)、LightGBM算法(Light gradient boosting machine, LightGBM)和嶺回歸(Ridge regression, RR)為基模型,以線性回歸(Linear regression, LR)為元模型構(gòu)建獼猴桃LCC估算模型。RF是通過集成學(xué)習(xí)的思路將多棵樹集成的一種算法,基本單元是決策樹,具有高度并行化和泛化能力強(qiáng)的優(yōu)勢。Xgboost是Boosting算法的一種實(shí)現(xiàn)方式,適用于回歸和分類,優(yōu)點(diǎn)是支持自定義損失函數(shù),從而減小訓(xùn)練過程中目標(biāo)值和真實(shí)值之間的偏差。KNN算法的基本思想是找出一個(gè)樣本的K個(gè)最近鄰居,通過計(jì)算其屬性的平均值得到估算結(jié)果,該算法有成熟的理論和廣泛的應(yīng)用。相比于其他Boosting算法,LightGBM增加了梯度單邊采樣(GOSS)和互斥特征綁定(EFB),可以在小樣本情況下獲得高精度預(yù)測結(jié)果。RR常用于處理多重共線性問題,是對(duì)普通最小二乘法的深化,通過改變正則化項(xiàng)系數(shù)來控制減少特征變量系數(shù)的程度,從而避免過擬合。

基于Stacking集成學(xué)習(xí)的獼猴桃LCC估算模型構(gòu)建過程如圖1所示,具體步驟如下:

(1)將獼猴桃葉片高光譜特征數(shù)據(jù)集劃分為原始訓(xùn)練集M和測試集T,按照五折交叉驗(yàn)證將訓(xùn)練集樣本隨機(jī)分為5個(gè)子集(M1、M2、M3、M4、M5)。

圖1 Stacking集成學(xué)習(xí)算法構(gòu)建

(2)選擇一種基模型進(jìn)行訓(xùn)練,利用M2、M3、M4、M5中樣本建立模型,對(duì)M1和T中樣本進(jìn)行預(yù)測,得到M1的預(yù)測值x1和T的預(yù)測值y1。

(3)利用M1、M3、M4、M5中樣本建立模型,對(duì)M2和T中樣本進(jìn)行預(yù)測,得到M2的預(yù)測值x2和T的預(yù)測值y2。以此類推,得到訓(xùn)練集樣本M的預(yù)測結(jié)果X1(由x1、x2、x3、x4、x5合并得到),測試集T的預(yù)測結(jié)果Y1(由y1、y2、y3、y4、y5取均值得到)。

(4)選擇其他基模型,重復(fù)步驟(2)、(3),分別得到M的預(yù)測結(jié)果X2、X3、X4、X5和T的預(yù)測結(jié)果Y2、Y3、Y4、Y5。

(5)將第一層得到的結(jié)果合并,獲得新的訓(xùn)練集X={X1,X2,X3,X4,X5}和新的測試集Y={Y1,Y2,Y3,Y4,Y5}。將X和Y作為元模型的輸入特征,進(jìn)行第二層模型的訓(xùn)練,最終得到獼猴桃LCC的估測結(jié)果,實(shí)現(xiàn)對(duì)基模型學(xué)習(xí)能力的綜合。

本研究數(shù)據(jù)處理及建模在Excel 2016、Matlab 2019b和Pyhton 3.7中完成,為緩解小樣本的過擬合問題,采用網(wǎng)格搜索和5折交叉驗(yàn)證訓(xùn)練模型,模型網(wǎng)格搜索結(jié)果見表2。

1.5 評(píng)價(jià)指標(biāo)

分別采用決定系數(shù)(R2)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和相對(duì)預(yù)測偏差(RPD)共4個(gè)指標(biāo)對(duì)預(yù)測模型進(jìn)行評(píng)價(jià),R2越接近1,RMSE和MAE越小,說明模型擬合程度越優(yōu),模型越準(zhǔn)確。RPD能衡量模型估算值和實(shí)際值之間的偏差程度,當(dāng)RPD<1.5時(shí),認(rèn)為模型不具備預(yù)測能力;當(dāng)1.5≤RPD<2.0時(shí),模型只能對(duì)樣本進(jìn)行粗略估計(jì);當(dāng)2.0≤RPD<2.5時(shí),模型預(yù)測結(jié)果較好;當(dāng)2.5≤RPD<3.0時(shí),模型預(yù)測結(jié)果很好;當(dāng)RPD≥3.0時(shí),模型具有極好的預(yù)測能力[23]。

2 結(jié)果與分析

2.1 獼猴桃LCC統(tǒng)計(jì)分析及光譜響應(yīng)

2.1.1 獼猴桃LCC特征 采用分層抽樣將2021年獼猴桃壯果期80個(gè)樣本按照3∶1劃分為訓(xùn)練集60個(gè)樣本和測試集20個(gè)樣本。獼猴桃LCC全部、訓(xùn)練和測試樣本的基本統(tǒng)計(jì)值如表3所示。訓(xùn)練集獼猴桃LCC最大值為4.12 mg·g-1,最小值為0.33 mg·g-1,平均值為2.14 mg·g-1,變異系數(shù)為47.19%;測試集獼猴桃LCC最大值為3.97 mg·g-1,最小值為0.40 mg·g-1,平均值為2.11 mg·g-1,變異系數(shù)為47.86%。統(tǒng)計(jì)結(jié)果表明試驗(yàn)樣本葉綠素含量有較高離散程度,可作為開展葉綠素含量變化及光譜響應(yīng)研究的素材。

表2 各模型主要參數(shù)網(wǎng)格搜索結(jié)果

表3 獼猴桃LCC統(tǒng)計(jì)描述

2.1.2 獼猴桃葉片光譜特征 選取樣本中葉綠素含量最小值、最大值和中位數(shù)所對(duì)應(yīng)的獼猴桃葉片高光譜反射率曲線,分析其變化特征(圖2)。由圖2可以看出,不同葉綠素含量的獼猴桃葉片高光譜反射率曲線變化趨勢基本一致,可見光波段光譜反射率較低,紅外波段反射率較高,呈現(xiàn)“一峰兩谷一平臺(tái)”的特點(diǎn)。由于葉綠素具有吸收紅藍(lán)光、反射綠光的特性,高光譜反射率在綠光波段550 nm附近形成反射峰,在藍(lán)光波段440 nm附近和紅光波段660 nm附近出現(xiàn)2個(gè)反射谷,與一般綠色植被光譜特征相符。680 nm以后,高光譜反射率迅速攀升,并在近紅外波段(780～1 000 nm)形成高反射區(qū)段,這主要是葉片細(xì)胞對(duì)近紅外輻射的強(qiáng)烈反射所致。不同葉綠素含量的葉片高光譜反射率存在明顯差異,在可見光波段(380～780 nm),高光譜反射率隨葉綠素含量的增加而降低,葉綠素含量分別為0.33、1.84 mg·g-1和4.12 mg·g-1時(shí),對(duì)應(yīng)的高光譜反射率歸一化均值分別為0.369、0.210、0.158,相較于最小值分別有43.22%和57.24%的降幅。在近紅外波段(780～1 000 nm),高光譜反射率則隨葉綠素含量的增加而升高,3種葉綠素含量對(duì)應(yīng)的高光譜反射率歸一化均值中,較最小值的增幅分別為8.96%和11.93%。

2.2 葉片高光譜反射率、高光譜參數(shù)與獼猴桃LCC相關(guān)性

2.2.1 葉片高光譜反射率與LCC相關(guān)性 獼猴桃葉片原始光譜(OS)和一階導(dǎo)數(shù)光譜(FD)反射率與LCC的相關(guān)性如圖3所示。獼猴桃葉片原始光譜反射率與LCC在380～759 nm波段負(fù)相關(guān),其中波段380～745 nm通過0.001相關(guān)性檢驗(yàn),敏感波段數(shù)量為366個(gè);在708 nm波段相關(guān)性最高,相關(guān)系數(shù)為-0.869。760～1 000 nm波段,原始光譜反射率與LCC表現(xiàn)為正相關(guān),相關(guān)性有所降低,僅有14個(gè)波段極顯著(P<0.001),集中分布在969～982 nm波段,相關(guān)系數(shù)最高為0.364(976 nm)?？傮w而言,可見光波段獼猴桃葉片光譜反射率受色素含量影響較大,而近紅外波段受含水量等情況影響,其相關(guān)性低于可見光波段。

一階導(dǎo)數(shù)光譜通過相關(guān)性檢驗(yàn)(P<0.001)的敏感波段有519個(gè),除409 nm(相關(guān)系數(shù)-0.369)外,其余集中分布在438～553、556～671、674～707、711～931、962～975 nm和978～994 nm波段,最大正、負(fù)相關(guān)系數(shù)分別為0.914(754 nm)和-0.908(530 nm)。一階導(dǎo)數(shù)光譜的敏感波段數(shù)量和相關(guān)系數(shù)絕對(duì)值均大于原始光譜,表明一階導(dǎo)數(shù)光譜可突出光譜特征信息,提高數(shù)據(jù)利用率。

圖2 不同葉綠素含量的獼猴桃葉片高光譜反射率曲線

2.2.2 葉片高光譜參數(shù)與LCC相關(guān)性 在相關(guān)性分析篩選出的敏感區(qū)域內(nèi),利用連續(xù)投影算法提取原始光譜對(duì)獼猴桃LCC的特征波段。從380～745 nm和969～982 nm包含的380個(gè)波段中,優(yōu)選出5個(gè)特征波段,分別為533、565、697、705 nm和715 nm。

圖3 不同類型光譜反射率與葉綠素含量關(guān)系

表4 獼猴桃LCC與高光譜參數(shù)的相關(guān)性

2.3 獼猴桃LCC估測模型構(gòu)建及精度評(píng)價(jià)

將選取的高光譜參數(shù)作為RF、Xgboost、KNN、LightGBM和RR的輸入變量,構(gòu)建基模型。以LR為元模型,將各基模型的估測結(jié)果作為輸入特征,構(gòu)建Stacking集成模型。各模型估測結(jié)果見表5。

由表5可知,各模型建模精度均較高,訓(xùn)練集和測試集R2分別在0.840和0.730以上。在測試集中,Stacking集成模型表現(xiàn)最佳,R2為0.807,MAE和RMSE分別為0.334和0.136;與RF、Xgboost、KNN、LightGBM和RR相比,其R2平均提高約0.036,MAE和RMSE平均降低0.046和0.316。同時(shí),Stacking模型的RPD值最大(7.443),遠(yuǎn)高于其他模型,說明該模型具有極好的預(yù)測能力。圖4為各模型測試集獼猴桃LCC實(shí)測值與估算值的擬合圖,其中虛線為1∶1線,實(shí)線為擬合線,擬合方程斜率越接近1,截距越接近0,說明模型效果越好。由圖4可知,各模型均存在不同程度的低值高估、高值低估現(xiàn)象,這可能是由于獼猴桃LCC低值與高值的樣本較少,使得訓(xùn)練樣本包含的信息不全面所致。其中Stacking模型擬合方程的斜率(0.7563)最接近1,截距(0.4015)最接近0,說明該模型能夠在一定程度上改善模型低值高估和高值低估情況。綜合來看,Stacking模型能夠綜合基模型優(yōu)點(diǎn),提高模型的魯棒性和泛化能力,是進(jìn)行獼猴桃LCC估算的最優(yōu)模型。

表5 單一模型與Stacking模型對(duì)比

表6 其他模型與Stacking模型對(duì)比

此外,為了證明Stacking集成模型的估算效果優(yōu)于其他單一模型,試驗(yàn)還對(duì)支持向量回歸(Support vector regression, SVR)、自適應(yīng)增強(qiáng)(Adaptive boosting, Adaboost)和決策樹進(jìn)行訓(xùn)練。由表6可知,在測試集中,相較于SVR、Adaboost和決策樹模型,Stacking集成模型的R2分別提高了0.006、0.044和0.077,平均提高約0.042;MAE分別降低了0.045、0.034和0.064,平均降低約0.048;RMSE分別降低了0.360、0.370和0.392,平均降低約0.375;RPD分別提高了5.412、5.452和5.534,平均提高約5.465。即相比于其他集成策略模型和常用機(jī)器學(xué)習(xí)模型,Stacking模型的擬合能力和預(yù)測精度均有所提升,預(yù)測結(jié)果較好。

3 討 論

葉綠素是植物光合作用所需的重要物質(zhì),其含量直接影響植物的正常生長發(fā)育,因此快速、準(zhǔn)確地獲取葉綠素含量具有重要價(jià)值[24]。本研究表明,獼猴桃葉片光譜反射率在藍(lán)光波段440 nm和紅光波段660 nm附近形成反射谷,這主要是由于葉片需要吸收紅藍(lán)光進(jìn)行光合作用,而紅外線不易產(chǎn)生光合作用,因此在紅外波段出現(xiàn)高反射平臺(tái),與一般綠色植被光譜特征相符[25]。連續(xù)投影算法能夠消除光譜數(shù)據(jù)的共線性,減少信息冗余。本研究在相關(guān)分析的基礎(chǔ)上,利用連續(xù)投影算法對(duì)原始光譜進(jìn)行特征波段提取,最終從380～1 000 nm范圍內(nèi)包含的621個(gè)波段中篩選出5個(gè)特征波段,實(shí)現(xiàn)了光譜數(shù)據(jù)大幅度降維,但與前人篩選波段數(shù)量和位置不一致[26],可能是研究對(duì)象不同所致。

光譜變換可以削弱光譜的背景噪聲,提高數(shù)據(jù)精度,一階導(dǎo)數(shù)變換是常見光譜變換方法之一。本研究表明,一階導(dǎo)數(shù)光譜較原始光譜與獼猴桃LCC相關(guān)性更高,敏感波段數(shù)量更多,說明一階導(dǎo)數(shù)變換能更好地突出光譜特征,這與姚霞等[27]、郭松等[8]和王玉娜等[5]研究結(jié)果一致。本研究基于一階導(dǎo)數(shù)光譜敏感波段構(gòu)建的3類優(yōu)化光譜指數(shù)與獼猴桃LCC的相關(guān)系數(shù)均高于0.93,加之前人研究表明基于一階導(dǎo)數(shù)光譜構(gòu)建的光譜指數(shù)在植物理化參數(shù)估算方面表現(xiàn)較好[28],因此本研究構(gòu)建的3類優(yōu)化光譜指數(shù)作為模型的輸入特征是可行的。但是,本研究僅進(jìn)行了一階導(dǎo)數(shù)變換,未能全面捕捉獼猴桃葉片高光譜反射率的特征信息,未來研究可嘗試多種光譜變換方法。

目前,Stacking集成策略已應(yīng)用于植物生長監(jiān)測領(lǐng)域[18-20],但利用Stacking算法估算獼猴桃LCC的研究尚不多見。本研究集成5種學(xué)習(xí)器,構(gòu)建了基于Stacking集成學(xué)習(xí)的獼猴桃LCC估算模型,結(jié)果證明Stacking集成模型的性能優(yōu)于單一模型,這與前人研究結(jié)果一致。張宏鳴等[19]基于Stacking集成學(xué)習(xí)建立了夏玉米覆蓋度估測模型,R2可達(dá)0.95;Feng等[20]利用Stacking方法對(duì)苜蓿產(chǎn)量進(jìn)行估算,模型精度在各條件下均有提升;陳志君等[29]研究表明Stacking集成策略在模擬膜下滴灌玉米的蒸散量和作物系數(shù)方面表現(xiàn)較好,R2分別為0.90和0.89。本研究及相關(guān)研究均表明Stacking算法能在植物理化參數(shù)估算中提高模型估測精度和泛化能力,但集成效果受基模型學(xué)習(xí)能力的影響。已有研究表明不同基模型組合的Stacking集成算法預(yù)測結(jié)果有一定差異[30],因此后續(xù)研究可對(duì)更高性能的基模型組合進(jìn)行探索。

本研究僅反映了秦嶺北麓壯果期獼猴桃情況,今后還需探索該方法對(duì)其他生育時(shí)期是否具有普適性;同時(shí),冠層尺度高光譜反射率信息和獼猴桃LCC的關(guān)系亦有待深入研究。

4 結(jié) 論

1)不同葉綠素含量的獼猴桃葉片光譜反射率變化趨勢基本一致,但在可見光波段(380～780 nm),高光譜反射率隨葉綠素含量的增加而降低;在近紅外波段(780～1 000 nm),高光譜反射率則隨葉綠素含量的增加而升高?；谙嚓P(guān)性分析和連續(xù)投影算法篩選出的原始光譜特征波段分別為533、565、697、705 nm和715 nm。

2)選取的11個(gè)傳統(tǒng)光譜指數(shù)和構(gòu)建的3類優(yōu)化光譜指數(shù)與獼猴桃LCC均有良好的相關(guān)性,除紅邊面積和土壤調(diào)節(jié)指數(shù)(P<0.005)外,其余均通過0.001相關(guān)性檢驗(yàn)。3類優(yōu)化光譜指數(shù)與獼猴桃LCC的相關(guān)性極好,相關(guān)系數(shù)均高于0.930。傳統(tǒng)光譜指數(shù)中與獼猴桃LCC相關(guān)性最高的是紅邊位置,相關(guān)系數(shù)為0.914。

3)與單一模型相比,Stacking集成模型估測精度更高,相對(duì)預(yù)測偏差(RPD=7.443)明顯高于其他模型,具有極好的預(yù)測能力,可作為估算獼猴桃LCC的新方法。