基于無人機(jī)多光譜遙感的矮林芳樟光合參數(shù)估測(cè)

魯向暉 龔榮新 張海娜 王 倩 張 杰 謝榮秀,2

(1.南昌工程學(xué)院江西省樟樹繁育與開發(fā)利用工程研究中心, 南昌 330099;2.江西省鄱陽(yáng)湖流域生態(tài)水利技術(shù)創(chuàng)新中心, 南昌 330029)

0 引言

芳樟(Cinnamomumcamphora(Linn.) Presl)是我國(guó)南方重要的木本精油植物,在醫(yī)藥、化工、食品領(lǐng)域都有廣泛的應(yīng)用,具有較高的經(jīng)濟(jì)價(jià)值。近年來矮林芳樟精油產(chǎn)業(yè)在我國(guó)南方地區(qū)發(fā)展迅速,已成為地方林業(yè)經(jīng)濟(jì)發(fā)展的特色產(chǎn)業(yè)[1-4]。植物光合作用作為地球上最重要的化學(xué)反應(yīng)過程,其光合效率是植物生產(chǎn)力和作物產(chǎn)量的決定性因素[5],因此,作為林業(yè)生產(chǎn)的核心,各種林業(yè)生產(chǎn)制度和措施都是為了更大限度地滿足植物的光合作用[6-7]。光合參數(shù)主要指凈光合速率(Pn)、胞間二氧化碳濃度(Ci)、氣孔導(dǎo)度(Gs)和蒸騰速率(Tr)4個(gè)指標(biāo),是反映植物生長(zhǎng)狀態(tài)的重要特征參量[8]。對(duì)植物的光合參數(shù)進(jìn)行快速精準(zhǔn)監(jiān)測(cè),及時(shí)指導(dǎo)農(nóng)業(yè)生產(chǎn)田間管理制度的制定,已成為精準(zhǔn)農(nóng)業(yè)發(fā)展必要需求。

Pn、Ci、Gs、Tr等光合參數(shù)雖然可以很好地反映植物生長(zhǎng)狀況,但是使用光合作用測(cè)定儀(Li-6400型)的測(cè)定方法消耗時(shí)間長(zhǎng),受天氣條件限制性較強(qiáng),操作難度高,不易普及,且結(jié)果不具備適時(shí)性[9]。近年來,無人機(jī)遙感技術(shù)的發(fā)展為植物生長(zhǎng)狀況的實(shí)時(shí)監(jiān)測(cè)提供了新思路。無人機(jī)具有低成本、易操作、高時(shí)空分辨率等一系列優(yōu)點(diǎn),可以實(shí)現(xiàn)對(duì)某一區(qū)域遙感影像的快速獲取,能迅速而準(zhǔn)確地完成區(qū)域內(nèi)植物生長(zhǎng)狀況監(jiān)測(cè),并為更大范圍農(nóng)情采樣估算提供便利。汪旭等[10]采用大疆精靈4型多光譜無人機(jī)對(duì)甜菜葉叢快速生長(zhǎng)期和塊根糖分增長(zhǎng)期進(jìn)行監(jiān)測(cè),建立了多種植被指數(shù)對(duì)甜菜葉綠素含量的反演模型,其決定系數(shù)R2高達(dá)0.76;徐云飛[11]以冬小麥為研究對(duì)象,建立了葉綠素相對(duì)含量、地上生物量、植株含水率和株高4種生長(zhǎng)參數(shù)與多光譜植被指數(shù)的聯(lián)合反演模型,其R2達(dá)到0.91。以上研究表明無人機(jī)多光譜技術(shù)可以在較大面積范圍快速且準(zhǔn)確監(jiān)測(cè)植物生長(zhǎng)狀況。

由于無人機(jī)多光譜技術(shù)在植物生長(zhǎng)監(jiān)測(cè)領(lǐng)域具有獨(dú)特優(yōu)勢(shì),相應(yīng)研究也開始應(yīng)用于植物的光合參數(shù)監(jiān)測(cè)。陳俊英等[12]使用六旋翼無人機(jī)搭載多光譜相機(jī)采集不同時(shí)間段棉花冠層光譜數(shù)據(jù),并同步采集棉花冠層葉片的Pn、Ci、Gs、Tr 4種光合參數(shù),建立了4種光合參數(shù)與敏感波段光譜反射率的反演模型,其R2最高分別為0.71、0.59、0.85、0.66。以上研究說明利用光譜技術(shù)監(jiān)測(cè)植物光合參數(shù)具有相對(duì)可行性,但目前利用無人機(jī)平臺(tái)搭載多光譜相機(jī)對(duì)林木光合參數(shù)的反演研究還鮮有報(bào)道。

本研究以矮林芳樟為研究對(duì)象,通過無人機(jī)搭載的多光譜相機(jī)獲取矮林芳樟冠層六波段光譜反射率,同步測(cè)量其光合參數(shù),計(jì)算植被指數(shù),對(duì)光合參數(shù)與植被指數(shù)和光譜反射率進(jìn)行相關(guān)性分析,使用最佳指數(shù)因子(OIF)降維及篩選光譜波段和植被指數(shù)組合作為模型自變量,采用偏最小二乘法(PLS)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和隨機(jī)森林(RF)構(gòu)建自變量與光合參數(shù)的估算模型,并依據(jù)決定系數(shù)R2、均方根誤差(RMSE)、相對(duì)分析誤差(RPD)3種評(píng)價(jià)指標(biāo)篩選出最優(yōu)模型,以期建立高效的矮林芳樟光合參數(shù)估算方法,為矮林芳樟精油及其他矮化林業(yè)現(xiàn)代化田間管理方法提供技術(shù)支持。

1 材料與方法

1.1 研究設(shè)計(jì)

研究區(qū)位于江西省南昌市南昌工程學(xué)院樟樹種質(zhì)資源圃,坐標(biāo)為(28°41′40.85″N,116°01′41.18″E),屬亞熱帶濕潤(rùn)季風(fēng)氣候,年平均氣溫17℃,年降水量1 600 mm,土壤質(zhì)地為紅壤土,土壤為微酸至中性,為矮林芳樟生長(zhǎng)提供了有利條件,研究區(qū)示意圖及試驗(yàn)區(qū)無人機(jī)影像如圖1所示。

圖1 研究區(qū)示意圖與試驗(yàn)區(qū)無人機(jī)影像Fig.1 Research area schematic and drone imagery with the test area

研究區(qū)設(shè)66個(gè)小區(qū),每個(gè)小區(qū)種植3行3列共9株矮林芳樟,株行距1 m,每個(gè)樣本小區(qū)3 m×3 m,于試驗(yàn)區(qū)采集光譜數(shù)據(jù)及矮林芳樟冠層光合參數(shù)共66份有效樣本,隨機(jī)選擇58份樣本作為建模集,剩余樣本作為驗(yàn)證集,分別基于PLS、BPNN和RF模型估算矮林芳樟光合參數(shù),并驗(yàn)證和對(duì)比不同分析模型的估算精度。

1.2 數(shù)據(jù)獲取

1.2.1無人機(jī)數(shù)據(jù)獲取

本研究采用大疆經(jīng)緯M300RTK型四旋翼無人機(jī)搭載MS600pro型多光譜相機(jī)平臺(tái)獲取遙感數(shù)據(jù),其中多光譜相機(jī)包含6個(gè)光譜通道,波段參數(shù)如表1所示。多光譜影像于2022年9月25日上午拍攝,天氣晴朗無云,根據(jù)研究區(qū)范圍規(guī)劃飛行航線,并進(jìn)行白板校正,飛行高度設(shè)置為30 m,設(shè)置速度為2.5 m/s,像元分辨率為4.09 cm,選用自動(dòng)捕獲模式,航向重疊度為75%、旁向重疊度為65%。

表1 無人機(jī)多光譜相機(jī)波段參數(shù)Tab.1 UAV multispectral camera band parameters nm

1.2.2矮林芳樟光合參數(shù)獲取

同一時(shí)段利用Li-6400型便攜式光合作用測(cè)定儀測(cè)定矮林芳樟光合參數(shù)。設(shè)置光照強(qiáng)度為1 500 μmol/(m2·s),葉室內(nèi)二氧化碳濃度(Mixer)為400 μmol/mol,在66個(gè)矮林芳樟小區(qū)中進(jìn)行田間測(cè)量,每個(gè)小區(qū)選3株長(zhǎng)勢(shì)均勻的矮林芳樟,每棵樹隨機(jī)選取3片中上部健康的成熟葉片測(cè)量光合參數(shù)取平均值,共獲得66組樣本數(shù)據(jù)。光合參數(shù)具體包括凈光合速率(Pn)、蒸騰速率(Tr)、氣孔導(dǎo)度(Gs)、胞間二氧化碳濃度(Ci)。

1.3 數(shù)據(jù)處理

1.3.1無人機(jī)數(shù)據(jù)處理

本研究使用Yusense Map航空遙感預(yù)處理軟件對(duì)獲取的無人機(jī)圖像拼接處理,并進(jìn)行幾何校正和輻射校正預(yù)處理,將預(yù)處理后的無人機(jī)多光譜影像信息導(dǎo)入ENVI軟件,在研究區(qū)每個(gè)小區(qū)中選定一個(gè)感興趣區(qū)域(Region of interest,ROI),截取芳樟葉片的影像,剔除土壤和陰影的影響波段如圖2所示,以每個(gè)ROI內(nèi)矮林芳樟葉片樣本的平均反射光譜,作為該小區(qū)的光譜反射率。

圖2 去除陰影和土壤的葉片影像Fig.2 Remove shadow and soil from leaf images

1.3.2植被指數(shù)計(jì)算

植被指數(shù)指從多光譜遙感數(shù)據(jù)中提取的有關(guān)地球表面植被覆蓋狀況的定量數(shù)值,通常是用紅波段和近紅外波段通過數(shù)學(xué)運(yùn)算后得到[13]。本文選用歸一化植被指數(shù)(NDVI)[14]、綠色歸一化植被指數(shù)(GNDVI)[14]、增強(qiáng)型植被指數(shù)2(EVI2)[15]、紅邊葉綠素指數(shù)(CIrededge)[16]、綠波段葉綠素指數(shù)(CIgreen)[15]、土壤調(diào)節(jié)植被指數(shù)(SAVI)[15]、修正比值植被指數(shù)(MSR)[17]、轉(zhuǎn)換型葉綠素吸收反射率指數(shù)(TCARI)[17]共8種植被指數(shù)。

1.3.3敏感波段和植被指數(shù)組合篩選

本研究使用皮爾遜相關(guān)系數(shù)(Pearson)篩選與光合參數(shù)相關(guān)性較高的敏感波段光譜反射率和植被指數(shù),皮爾遜相關(guān)系數(shù)可以用來線性度量2個(gè)變量x和y之間的相關(guān)性,其范圍為[-1,1],其中1是總正線性相關(guān)性,0是非線性相關(guān)性,-1是總負(fù)線性相關(guān)性[18]。為減少信息冗余對(duì)數(shù)據(jù)降維,采用最佳指數(shù)因子(Optimum index factor,OIF)法,利用Matlab計(jì)算每3個(gè)波段的OIF值ROIF,其計(jì)算公式為

式中,S1、S2、S3分別為6個(gè)波段反射率和8種植被指數(shù)中隨機(jī)3組數(shù)據(jù)的標(biāo)準(zhǔn)差,R12、R13、R23分別為6個(gè)波段反射率和8種植被指數(shù)中任選3組數(shù)據(jù)間的相關(guān)系數(shù)[19-20]。OIF值越大說明變量之間的標(biāo)準(zhǔn)差越小,自變量組合數(shù)據(jù)質(zhì)量越優(yōu)[21]。

1.3.4模型構(gòu)建

本研究模型均在Matlab 2021a軟件中運(yùn)行,以O(shè)IF值最大的光譜波段反射率和植被指數(shù)組合作為自變量,分別采用偏最小二乘(PLS)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、隨機(jī)森林(RF)構(gòu)建矮林芳樟光合參數(shù)估算模型。

偏最小二乘法將典型相關(guān)分析、主成分分析和多元線性回歸的優(yōu)勢(shì)集于一體,為解決多變量對(duì)多變量問題提供了很好的途徑[22]。隨機(jī)森林是決策樹的組合,將許多決策樹聯(lián)合到一起,以降低過擬合的風(fēng)險(xiǎn),在以決策樹為機(jī)器學(xué)習(xí)構(gòu)建Bagging集成的基礎(chǔ)上,進(jìn)一步在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇[23]。本研究采用10折交叉驗(yàn)證的網(wǎng)格搜索方法調(diào)節(jié)隨機(jī)森林參數(shù),設(shè)置葉子節(jié)點(diǎn)數(shù)為4,決策樹數(shù)量為120。BPNN是指采用誤差反向傳播的多層神經(jīng)網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,各層之間通過相應(yīng)的激活函數(shù)、權(quán)值和閾值連接[24]。本研究中的BP神經(jīng)網(wǎng)絡(luò)估計(jì)模型是使用Matlab的Neural-Net-work工具箱構(gòu)建的,基于數(shù)值優(yōu)化理論,將隱含層的傳遞函數(shù)設(shè)置為trainrp函數(shù),網(wǎng)絡(luò)訓(xùn)練采用L-M(Levenberg-Marquardt)算法,該算法是一種迭代算法,具有在網(wǎng)絡(luò)參數(shù)較少的情況下,達(dá)到較快收斂速度的特點(diǎn),網(wǎng)絡(luò)具有兩層,第1層4個(gè)神經(jīng)元,第2層3個(gè)神經(jīng)元,最大迭代次數(shù)設(shè)置為50 000,學(xué)習(xí)率為0.1,確定目標(biāo)值為6.5×10-4,到此值時(shí)訓(xùn)練停止,神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進(jìn)行模擬,得到模擬值[25]。

1.3.5模型精度評(píng)價(jià)

為選出最理想的模型,并對(duì)其可靠性和預(yù)測(cè)結(jié)果的精準(zhǔn)性進(jìn)行檢驗(yàn),選取R2、RMSE和RPD[26],R2越趨近1,表明模型的擬合性越強(qiáng);RMSE越接近于0,模型的擬合性越強(qiáng);RPD為標(biāo)準(zhǔn)差與其均方根誤差之比,當(dāng)RPD大于1.4時(shí)可以預(yù)測(cè)模型,RPD大于2時(shí)預(yù)測(cè)效果較好[27]。本研究對(duì)4種模型的精度參數(shù)進(jìn)行統(tǒng)計(jì)和比較,以更直觀選擇最優(yōu)模型。

2 結(jié)果與分析

2.1 樣本集數(shù)據(jù)分析

實(shí)際測(cè)量的矮林芳樟光合參數(shù)統(tǒng)計(jì)結(jié)果如表2所示,樣本數(shù)為66,Pn、Ci、Gs、Tr的變異系數(shù)分別為0.13、0.19、0.29和0.34,離散程度均較大,說明不同處理對(duì)矮林芳樟光合參數(shù)影響較大。

表2 樣本集數(shù)據(jù)分析Tab.2 Data analysis of sample set

光譜波段和植被指數(shù)與矮林芳樟光合參數(shù)的相關(guān)系數(shù)分別如表3和表4所示。可以看出4種光合參數(shù)與所選敏感波段和植被指數(shù)均顯著負(fù)相關(guān),表明使用光譜波段和植被指數(shù)估測(cè)矮林芳樟光合參數(shù)具有相對(duì)可行性。其中6個(gè)波段光譜反射率和EVI2、CIrededge、CIgreen、SAVI、MSR、CARI 6種植被指數(shù)與Pn、Ci、Gs、Tr 4種光合參數(shù)的相關(guān)性均在0.01水平上顯著。Pn與MSR和CIgreen相關(guān)系數(shù)最高,均達(dá)到-0.87;Ci與RE1相關(guān)系數(shù)最高為-0.69;Gs與Tr均和EVI2相關(guān)性最好,相關(guān)系數(shù)分別為-0.82和-0.81,而NDVI、GNDVI與4種光合參數(shù)相關(guān)性均較差。經(jīng)Matlab計(jì)算RE2、EVI2、CIrededge組合的OIF值最大,為0.012 6,該自變量組合數(shù)據(jù)質(zhì)量最優(yōu),可作為模型輸入量。

表3 單波段光譜反射率與矮林芳樟光合參數(shù)的相關(guān)系數(shù)Tab.3 Correlation between single-band spectral reflectance and photosynthetic parameters of Cinnamomum camphora

表4 植被指數(shù)與矮林芳樟光合參數(shù)的相關(guān)系數(shù)Tab.4 Correlation between vegetation index and photosynthetic parameters of Cinnamomum camphora in dwarf forest

2.2 基于PLS估算

基于PLS的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數(shù)擬合結(jié)果見圖3,建模集的R2分別為0.77、0.45、0.70、0.85,RMSE分別為1.05 μmol/(m2·s)、27.92 μmol/mol、0.04 mol/(m2·s)、0.35 mmol/(m2·s),RPD分別為2.10、1.36、1.84、2.53;驗(yàn)證集的R2分別為0.76、0.30、0.72、0.76,RMSE分別為1.11 μmol/(m2·s)、29.95 μmol/mol、0.03 mol/(m2·s)、0.72 mmol/(m2·s),RPD為1.73、0.84、1.82、1.03。基于PLS的矮林芳樟Gs、Tr與Pn估算模型R2均不小于0.72,高于Ci模型,且Gs模型RPD最高,因此基于PLS的矮林芳樟Gs估算模型精度最高。

2.3 基于BPNN估算

基于BPNN的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數(shù)擬合結(jié)果見圖4,建模集R2分別為0.85、0.81、0.80、0.82,RMSE分別為 0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分別為2.59、2.33、2.28、2.37;驗(yàn)證集R2為0.81、0.73、0.83、0.76,RMSE為1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD為1.39、1.86、2.67、1.20。基于BPNN的矮林芳樟4種光合參數(shù)模型精度相近,模型均擁有較高準(zhǔn)確性。

圖4 基于BPNN的矮林芳樟光合參數(shù)估算Fig.4 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on BPNN

2.4 基于RF估算

基于RF的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數(shù)擬合結(jié)果見圖5,基于RF的矮林芳樟Pn估算模型建模與預(yù)測(cè)集呈現(xiàn)負(fù)相關(guān),4種光合參數(shù)建模集R2分別為0.69、0.71、0.80、0.73,RMSE分別為3.66 μmol/(m2·s)、20.35 μmol/mol、0.03 mol/(m2·s)、0.46 mmol/(m2·s),RPD分別為0.60、1.86、2.28、1.93;驗(yàn)證集R2為0.72、0.70、0.78、0.74,RMSE為4.10 μmol/(m2·s)、16.11 μmol/mol、0.03 mol/(m2·s)、0.59 mmol/(m2·s),RPD為0.40、1.75、2.10、1.28。基于RF的矮林芳樟Gs估算模型R2和RPD均最高,因此利用RF模型估算Gs較其它光合參數(shù)更準(zhǔn)確。

圖5 基于RF的矮林芳樟光合參數(shù)估算Fig.5 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on RF

2.5 模型評(píng)價(jià)

為對(duì)比和選擇最優(yōu)模型,將3種模型精度參數(shù)統(tǒng)計(jì)于表5。基于BPNN模型的Pn建模集和驗(yàn)證集有最高的決定系數(shù),分別為0.85和0.81,建模集RMSE最小,為0.85 μmol/(m2·s),是其最優(yōu)模型,基于PLS模型的Pn建模集和驗(yàn)證集R2次之,分別為0.77和0.76,驗(yàn)證集RMSE最小,為1.11 μmol/(m2·s),2種模型建模集RPD均大于2,驗(yàn)證集RPD均大于1.4,可以很好地估測(cè)樣本,而Pn的RF模型建模集和驗(yàn)證集R2均最小,RMSE最大,RPD小于1,模型估測(cè)樣本能力較差。對(duì)于Ci,BPNN模型為其最優(yōu)模型,建模集和驗(yàn)證集R2均最高,分別為0.81和0.73,RPD均大于1.8;Ci的PLS模型建模集和驗(yàn)證集R2小于0.5,RPD小于1,無法作為Ci的估測(cè)模型。Gs的BPNN、PLS、RF 3種模型建模集和驗(yàn)證集R2均大于0.70,RMSE均小于0.1 mol/(m2·s),BPNN的RPD最大,驗(yàn)證集RPD達(dá)到了2.67,比RF和PLS分別高0.57和0.85,因此BPNN為Cs的最優(yōu)模型。Tr的BPNN模型建模集R2雖然低于PLS模型,但是驗(yàn)證集R2為0.76,比PLS和RF分別高0.04和0.02,建模集和驗(yàn)證集RMSE均小于1 mmol/(m2·s),RPD均大于2,故選BPNN為Tr最優(yōu)模型。

表5 模型精度對(duì)比Tab.5 Comparison of model accuracy

3 討論

在對(duì)光合參數(shù)與光譜波段皮爾遜相關(guān)系數(shù)的研究中發(fā)現(xiàn),Pn、Ci、Gs、Tr 4種光合參數(shù)與敏感波段均為負(fù)相關(guān),這與陳碩博[28]利用無人機(jī)多光譜估算棉花光合參數(shù)發(fā)現(xiàn)上午(11:00)Pn、Gs、Tr與光譜波段顯負(fù)相關(guān)而Ci與光譜波段呈正相關(guān)的結(jié)論不同,這可能是因?yàn)楣夂蠀?shù)的測(cè)量受不同地區(qū)氣候、植物品種影響造成差別。此外Pn、Ci、Gs、Tr 4種光合參數(shù)均與紅邊波段有較高的相關(guān)系數(shù),這可能是因?yàn)榧t邊波段處于近紅外與紅光波段之間快速變化的區(qū)域,對(duì)植被葉綠素的微小變化較敏感[29],導(dǎo)致光合參數(shù)對(duì)紅邊波段更敏感。

在模型構(gòu)建中BPNN模型在光譜波段和植被指數(shù)組合上對(duì)Pn、Ci、Gs、Tr 4種光合參數(shù)估算的模型精度均高于PLS和RF模型,這表明BPNN模型在對(duì)光合參數(shù)的估算中比其他模型更具優(yōu)勢(shì)。李詩(shī)瑤等[30]利用無人機(jī)多光譜遙感估算玉米SPAD值和邱春榮[31]利用光譜波段估算油菜SPAD值也得出相似結(jié)論。而RF模型整體表現(xiàn)較差,其在對(duì)Pn、Gs、Tr 3種光合參數(shù)的估算模型精度均最低。

導(dǎo)致以上結(jié)果可能是因?yàn)镽F在解決回歸問題上,并沒有像它在解決分類問題中表現(xiàn)的那么好,并不能給出一個(gè)連續(xù)的輸出,當(dāng)進(jìn)行回歸分析時(shí),某些特定的噪聲數(shù)據(jù)在建模時(shí)容易出現(xiàn)過擬合[32];PLS是將系統(tǒng)中的數(shù)據(jù)信息進(jìn)行分解和篩選,對(duì)因變量解釋性最強(qiáng)的綜合變量進(jìn)行提取,改善多元數(shù)據(jù)維度高、噪聲大等問題,克服變量多重相關(guān)性在系統(tǒng)建模中引起的不良作用,更加適合小樣本的模型構(gòu)建,在本研究中取得比RF模型更好的結(jié)果,但PLS在面對(duì)非線性問題時(shí)并不能很好的處理[33];與前兩者比較,BPNN模型具有更高的模型精度,可能歸因于其非線性函數(shù)逼近能力強(qiáng)[34],具有較高的自學(xué)習(xí)和自適應(yīng)能力,以及較高的容錯(cuò)能力來應(yīng)對(duì)測(cè)量中出現(xiàn)的誤差,使之相較其它模型更適用于矮林芳樟光合參數(shù)的估算。本研究所得出的反演模型僅適用于本次測(cè)量結(jié)果,對(duì)于不同生長(zhǎng)期矮林芳樟以及不同品種、地區(qū)、時(shí)段內(nèi)矮林芳樟光合參數(shù)的估算還有待于進(jìn)一步研究。因此,后續(xù)模型優(yōu)化可以擴(kuò)大樣本數(shù)量,進(jìn)一步篩選對(duì)矮林芳樟更敏感的光譜波段和植被指數(shù),并根據(jù)矮林芳樟不同品種和生長(zhǎng)期分別討論和建立模型,以期得到更準(zhǔn)確和全面的矮林芳樟光合參數(shù)估算模型。

4 結(jié)論

(1)Pn、Ci、Gs、Tr 4種光合參數(shù)與光譜反射率和所選植被指數(shù)均顯負(fù)相關(guān),其中葉片RE2、NIR波段反射率與光合參數(shù)密切關(guān)系,EVI2、CIrededge、CIgreen、SAVI、MSR、TCARI 6種植被指數(shù)與光合參數(shù)的相關(guān)系數(shù)絕對(duì)值均大于0.6。

(2)RE2、EVI2、CIrededge組合的OIF值最大,為0.012 6,可作為模型自變量的最佳組合。

(3)在Pn、Ci、Gs、Tr 4種光合參數(shù)的估算模型中,BPNN模型精度最優(yōu),其建模集R2分別為0.85、0.81、0.80、0.82,RMSE分別為0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分別為2.59、2.33、2.28、2.37;驗(yàn)證集的R2為0.81、0.73、0.83、0.76,RMSE為1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD為1.39、1.86、2.67、1.20。因此,BPNN模型作為矮林芳樟光合參數(shù)建模的首選方法,可以快速準(zhǔn)確地監(jiān)測(cè)其光合參數(shù)。