應(yīng)用光譜指數(shù)和機(jī)器學(xué)習(xí)反演紫丁香葉片的葉綠素面密度1)

杜菲菲 安慧君 李賀新

(內(nèi)蒙古農(nóng)業(yè)大學(xué),呼和浩特,010020)(內(nèi)蒙古第二林業(yè)和草原監(jiān)測(cè)規(guī)劃院)

紫丁香(SyringaoblataLindl.)是木犀科丁香屬植物,為落葉灌木或小喬木。因其獨(dú)特的觀賞價(jià)值和較強(qiáng)的環(huán)境適應(yīng)性,被廣泛應(yīng)用于我國(guó)北方各省區(qū)的城市園林綠化[1]。作為城市綠化應(yīng)用最普遍的花木之一,對(duì)其生長(zhǎng)狀態(tài)的監(jiān)測(cè)尤為重要。研究表明[2],植物體內(nèi)葉綠素含量能夠反映植物的營(yíng)養(yǎng)狀況和生理代謝水平。傳統(tǒng)的葉綠素含量測(cè)定方法費(fèi)時(shí)費(fèi)力且難以大面積開展,20世紀(jì)末出現(xiàn)的高光譜技術(shù)能對(duì)植被進(jìn)行微弱光譜差異的定量分析,具有信息獲取量大、實(shí)時(shí)、無損等優(yōu)勢(shì),彌補(bǔ)了傳統(tǒng)方法的局限性。

高光譜技術(shù)在葉綠素含量預(yù)測(cè)方面的研究,大多建立在一維層面[3-4],對(duì)原始或預(yù)處理光譜提取敏感波段或全波段進(jìn)行建模,但由于輸入?yún)?shù)過多導(dǎo)致模型較為復(fù)雜。隨著研究的深入[5-8],二維光譜指數(shù)得到了發(fā)展,因其考慮到了光譜間的重疊吸收和相互影響,提高了對(duì)葉綠素的敏感程度,且經(jīng)篩選出的最優(yōu)光譜指數(shù)能夠有效降低模型復(fù)雜程度。有研究表明構(gòu)建和篩選全波段三維光譜指數(shù)在土壤有機(jī)質(zhì)含量[9]、土壤含水率[10]預(yù)測(cè)方面比二維更有優(yōu)勢(shì),但在葉綠素含量預(yù)測(cè)方面尚未有研究。近年來,機(jī)器學(xué)習(xí)算法在解析光譜參數(shù)與葉片生化組分之間的非線性問題時(shí)表現(xiàn)能力較一元和多元線性回歸好,如反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量回歸機(jī)模型(SVR)等。其中,2007年由Jayadeva提出的孿生支持向量回歸機(jī)(TSVR)模型[11]有良好的泛化性能,其運(yùn)行效率是SVR的4倍,在金融[12]和工業(yè)[13-14]領(lǐng)域能很好地反映特征指標(biāo)的非線性響應(yīng),但在植物生理含量預(yù)測(cè)方面尚未有研究。

本研究以內(nèi)蒙古農(nóng)業(yè)大學(xué)東校區(qū)內(nèi)紫丁香為研究對(duì)象,測(cè)定葉片反射率和葉綠素面密度,在一維和二維光譜指數(shù)的基礎(chǔ)上,引入三維光譜指數(shù),基于原始光譜(R)及其對(duì)應(yīng)的一階微分(RFD)、二階微分(RSD)光譜構(gòu)建全波段不同維度的光譜指數(shù),通過皮爾遜相關(guān)系數(shù)法(PCC)進(jìn)行最優(yōu)光譜指數(shù)篩選,構(gòu)建基于最優(yōu)光譜指數(shù)和孿生支持向量回歸機(jī)(TSVR)的紫丁香葉片葉綠素面密度反演模型。為進(jìn)一步加強(qiáng)模型的穩(wěn)定性和泛化能力,采用海洋捕食者[15]仿生優(yōu)化算法(MPA)對(duì)TSVR進(jìn)行優(yōu)化[16],提出MPA-TSVR融合模型,并與PLSR、SVR、TSVR模型進(jìn)行對(duì)比,得到最優(yōu)模型。旨在量化不同維度的光譜指數(shù)對(duì)紫丁香葉片葉綠素面密度的響應(yīng),拓寬優(yōu)化算法融合機(jī)器學(xué)習(xí)算法在植物生理預(yù)測(cè)方向的研究,為城市綠化植物葉片葉綠素面密度反演提供新的思路與理論依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)采集

試驗(yàn)在7月下旬開展,在內(nèi)蒙古農(nóng)業(yè)大學(xué)東校區(qū)內(nèi)無遮擋開闊綠地上選擇5叢生長(zhǎng)正常且冠幅約2 m的紫丁香。每叢按樹冠中心分為8個(gè)方位,每一方位在表層選4枚生長(zhǎng)正常的葉片,每叢采集32枚,共采集160枚;葉片采集完成后放入已編號(hào)的塑封袋中當(dāng)即帶回實(shí)驗(yàn)室,用蒸餾水反復(fù)清洗后晾干。用ASD公司生產(chǎn)的FieldSpec4 Hi-Res波譜儀采集葉片反射光譜(350～2 500 nm);每枚葉選取3個(gè)樣點(diǎn),每個(gè)樣點(diǎn)用植物探頭測(cè)量3次;儀器每隔5 s記錄1次數(shù)據(jù),每隔10 min進(jìn)行1次白板校正。紫丁香葉片葉綠素面密度測(cè)定采用分光光度法[15-16],與光譜采集同步進(jìn)行。

1.2 光譜數(shù)據(jù)預(yù)處理

為消除原始光譜數(shù)據(jù)(R)受到雜散光、儀器噪聲、基線漂移等因素的干擾,本研究對(duì)原始光譜數(shù)據(jù)進(jìn)行光譜曲線的一階微分(RFD)及二階微分(RSD)預(yù)處理,以降低基線漂移,突出光譜特征[6]。除此之外,剔除位于兩端(350～399 nm和2 401～2 500 nm)存在高頻噪聲的數(shù)據(jù)[7],并將得到的光譜數(shù)據(jù)(400～2 400 nm),按5 nm的間隔重采樣,以降低光譜數(shù)據(jù)的冗余[9-10]。

1.3 光譜指數(shù)構(gòu)建與篩選

選擇3個(gè)二維光譜指數(shù)(IDI、ISRI、INDI)和3個(gè)三維光譜指數(shù)(ITBI1、ITBI2及ITBI3),對(duì)R、RFD和RSD分別構(gòu)建全波段光譜指數(shù)[8-10],計(jì)算如式(1～6)。用皮爾遜相關(guān)系數(shù)法(PCC)分析光譜指數(shù)與葉綠素面密度間的相關(guān)系數(shù)(r),并以最大相關(guān)系數(shù)(rmax)為標(biāo)準(zhǔn)對(duì)構(gòu)建的光譜指數(shù)進(jìn)行變量篩選,減少冗余變量,消除共線性[20]。

IDI(Rλ1,Rλ2)=Rλ1-Rλ2,

(1)

ISRI(Rλ1,Rλ2)=Rλ1/Rλ2,

(2)

INDI(Rλ1,Rλ2)=(Rλ1-Rλ2)/(Rλ1+Rλ2),

(3)

ITBI1(Rλ1,Rλ2,Rλ3)=(Rλ1-Rλ2)/(Rλ2+Rλ3),

(4)

ITBI2(Rλ1,Rλ2,Rλ3)=(Rλ1-Rλ2)/(Rλ1+Rλ3),

(5)

ITBI3(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2+Rλ3)。

(6)

式中：Rλ1、Rλ2和Rλ3為400～2 400 nm中任意波長(zhǎng)下的反射率。

1.4 模型的建立

海洋捕食者算法(MPA)是一種仿生智能算法[14-15],與其他優(yōu)化算法相比,MPA能有效的提升優(yōu)化效果,能高效地獲取更優(yōu)的解。MPA在初始化種群后根據(jù)捕食者和獵物的不同速度比進(jìn)行優(yōu)化,過程分為3個(gè)階段。

(1)勘探階段。此階段I∈(0,Imax/3),獵物移動(dòng)速度與捕食者移動(dòng)速度之比較高,該階段為全局搜索階段,模型為：

(7)

式中：Ei代表捕食者種群;Pi為獵物種群;捕食者和獵物種群中個(gè)體數(shù)均為n;Si為運(yùn)動(dòng)的步長(zhǎng);NR表示布朗運(yùn)動(dòng),服從正態(tài)分布;D為常數(shù)項(xiàng),通常取D=0.5;N∈[0,1],服從均勻分布;I為當(dāng)前迭代次數(shù);Imax為最大迭代次數(shù);?表示逐項(xiàng)相乘。

(2)勘探轉(zhuǎn)向開發(fā)的過度階段。此階段I∈(Imax/3,2Imax/3),獵物移動(dòng)速度與捕食者移動(dòng)速度相近。捕食者通過布朗運(yùn)動(dòng)搜索獵物,獵物通過萊維運(yùn)動(dòng)更新自身的位置。此階段兼顧全局搜索與局部搜索尋優(yōu),使用公式(8)進(jìn)行局部尋優(yōu),使用公式(9)進(jìn)行全局搜索。

局部尋優(yōu)模型：

(8)

式中：NL為服從萊維分布的隨機(jī)數(shù)的向量,表示萊維運(yùn)動(dòng)。

全局搜索模型：

(9)

式中：CF表示步長(zhǎng)的自適應(yīng)參數(shù),計(jì)算公式為：

(10)

(3)開發(fā)階段。該階段I∈(2Imax/3,Imax),獵物移動(dòng)速度與捕食者移動(dòng)速度之比較低,捕食者主要進(jìn)行局部尋優(yōu),數(shù)學(xué)模型為：

(11)

此外,在每次迭代結(jié)束后,MPA通過利用魚群聚集裝置效應(yīng)(FADs)使捕食者進(jìn)行更長(zhǎng)的跳躍,以避免陷入局部最優(yōu)。數(shù)學(xué)模型：

(12)

f1(x)=(w1,x)+b1,

(13)

f2(x)=(w2,x)+b2,

(14)

式中：x∈Rn,w1和w2表示權(quán)重,b1和b2表示偏置,(.,.)表示內(nèi)積。

通過求解如下問題即可得到最優(yōu)決策函數(shù)：

(15)

(16)

式中：‖·‖表示L2范數(shù),C1、C2是懲罰參數(shù),ε1、ε2>0是常數(shù),ξ、θ是松弛向量,e是m×1維單位列向量。

通過引入拉格朗日乘子δ、η,根據(jù)Karush-Kuhn-Tucker(KKT)條件得到如下對(duì)偶形式：

(17)

(18)

式中：G=[Ae],h1=y-ε1e和h2=y+ε2e,式(5)和(6)的最優(yōu)解分別為：

(19)

(20)

求解出f1(x)和f2(x)后,決策函數(shù)如下：

(21)

在非線性情況下,通過引入核函數(shù)映射到高維空間進(jìn)行求解,即輸入矩陣A∈Rm×n變?yōu)镵(A,AT),式(1)和(2)變?yōu)椋?/p>

f1(x)=K(xT,AT)w1+b1,

(22)

f2(x)=K(xT,AT)w2+b2。

(23)

相應(yīng)的決策函數(shù)與式(21)類似。

應(yīng)用MPA-TSVR對(duì)紫丁香葉片葉綠素面密度反演模型構(gòu)建。

(1)模型輸入?yún)?shù)及數(shù)據(jù)集劃分

把以不同預(yù)處理方法和不同維度為標(biāo)準(zhǔn)篩選出的最優(yōu)光譜指數(shù)分別作為輸入?yún)?shù)構(gòu)建模型。將160個(gè)樣本隨機(jī)劃分,選取80%的數(shù)據(jù)作為訓(xùn)練集(128個(gè)樣本)用于模型訓(xùn)練,其余20%作為測(cè)試集(32個(gè)樣本)用于模型性能評(píng)估,數(shù)據(jù)集劃分如表1所示。本研究中所有試驗(yàn)均采用此標(biāo)準(zhǔn)劃分?jǐn)?shù)據(jù)集。

表1 紫丁香葉片葉綠素面密度實(shí)測(cè)數(shù)據(jù)集劃分統(tǒng)計(jì)

(2)模型內(nèi)置參數(shù)優(yōu)化

TSVR的懲罰因子C1、C2和核參數(shù)g1、g2對(duì)模型預(yù)測(cè)精度影響較大。用MPA對(duì)TSVR中C1、C2和g1、g2進(jìn)行優(yōu)化,以訓(xùn)練集的均方根誤差(RMSE)為適應(yīng)度函數(shù),循環(huán)迭代計(jì)算個(gè)體適應(yīng)度值,直到找到滿足I

圖1 MPA-TSVR反演紫丁香葉片葉綠素面密度流程圖

(3)模型評(píng)價(jià)指標(biāo)

選擇決定系數(shù)(R2)和均方根誤差(RMSE)作為模型精度評(píng)價(jià)指標(biāo)[21],R2越趨近于1,RMSE越趨近于0,模型預(yù)測(cè)精度越高、穩(wěn)定性越強(qiáng)、整體效果越好。

2 結(jié)果與分析

2.1 葉片光譜預(yù)處理結(jié)果

紫丁香葉片原始(R)和預(yù)處理(RFD、RSD)后的160條光譜曲線如圖2所示。R在700、1 400和1 900 nm處有明顯的吸收谷,其中700 nm處的吸收谷與葉綠素面密度有關(guān)。相比R,經(jīng)RFD處理后的光譜曲線在一定程度上消除了基線漂移,凸顯R的部分肩峰,但在凸顯特征峰的同時(shí)噪音也有所增加。經(jīng)RSD處理后的光譜曲線,反射率值明顯減小,特征峰和噪音較RFD更為明顯。說明利用微分求導(dǎo)預(yù)處理光譜,在增強(qiáng)光譜特征的同時(shí)也會(huì)增強(qiáng)噪音。

圖2 原始光譜和預(yù)處理后光譜

2.2 光譜指數(shù)PCC分析及最優(yōu)光譜指數(shù)

2.2.1 一維光譜指數(shù)與葉綠素面密度的相關(guān)性

一維光譜指數(shù)與紫丁香葉片葉綠素面密度相關(guān)系數(shù)矩陣圖如圖3所示,rmax達(dá)到0.874 0。不同光譜反射率與葉綠素面密度之間的敏感波長(zhǎng)主要集中在500～650 nm以及700～800 nm區(qū)間,不同預(yù)處理下光譜反射率與葉綠素面密度間的rmax均在0.8以上。經(jīng)RFD處理之后,葉綠素面密度敏感波段范圍縮小,敏感波長(zhǎng)更為精準(zhǔn),葉綠素面密度敏感度不高的范圍被削弱,而RSD處理后的光譜更加突出此現(xiàn)象,只有幾個(gè)較強(qiáng)波長(zhǎng)的r較高,其余的波長(zhǎng)的r都相對(duì)較低,甚至接近于零。提取不同預(yù)處理下rmax對(duì)應(yīng)的反射率作為最優(yōu)一維光譜指數(shù)用以后續(xù)建模,具體見表2。

圖3 一維光譜指數(shù)與葉綠素面密度相關(guān)矩陣

表2 最優(yōu)光譜指數(shù)

2.2.2 二維光譜指數(shù)與葉綠素面密度的相關(guān)性

二維光譜指數(shù)與紫丁香葉片葉綠素面密度相關(guān)系數(shù)矩陣圖如圖4所示。不同的預(yù)處理方法和不同的二維光譜指數(shù)均會(huì)對(duì)r產(chǎn)生影響。

圖4 二維光譜指數(shù)與葉綠素面密度相關(guān)矩陣

總體來看,與一維光譜指數(shù)相比,二維光譜指數(shù)的r有所提升,說明二維光譜指數(shù)通過波段組合能夠加強(qiáng)波段間的相互關(guān)系,有效提高光譜信息的利用率。二維光譜指數(shù)與一維光譜指數(shù)的敏感波長(zhǎng)范圍基本一致,主要集中在可見光區(qū)域,但存在最優(yōu)光譜指數(shù)INDI(RFD744,RFD1399)第2個(gè)波長(zhǎng)位置在1 399 nm,說明在近紅外區(qū)也有與葉綠素相關(guān)性的信息。不同光譜指數(shù),R構(gòu)建的二維光譜指數(shù)rmax普遍偏低,均小于0.883 5;RFD構(gòu)建的二維光譜指數(shù)rmax均最高,其中RFD-ISRI(圖4(e))具有最好的效果,rmax達(dá)0.891 1,其次為RSD構(gòu)建的二維光譜指數(shù),說明RFD和RSD均能有效提高光譜指數(shù)與葉綠素面密度之間的r。選取各個(gè)矩陣中rmax對(duì)應(yīng)的指數(shù)作為最優(yōu)二維光譜指數(shù)用以后續(xù)建模,具體見表2。

2.2.3 三維光譜指數(shù)與葉綠素面密度的相關(guān)性

三維光譜指數(shù)與紫丁香葉片葉綠素面密度相關(guān)系數(shù)矩陣圖如圖5～7所示。不同的預(yù)處理方法和不同的三維光譜指數(shù)均會(huì)對(duì)r產(chǎn)生影響。三維光譜指數(shù)的rmax均高于0.882 2,比同一預(yù)處理下一維和二維光譜指數(shù)高,說明將組成指數(shù)的波長(zhǎng)擴(kuò)展至3個(gè)能夠?qū)⒏嗟墓庾V信息提取出來,對(duì)提升葉綠素面密度的敏感度具有一定作用。R處理下的不同三維光譜指數(shù)rmax均最低,不同于最優(yōu)預(yù)處理為RFD的一維和二維光譜指數(shù),RSD是構(gòu)建三維光譜指數(shù)的最優(yōu)預(yù)處理方法,其中RSD-ITBI3(圖7中的(g)、(h)、(i))的rmax最高,達(dá)0.901 5,說明三維光譜指數(shù)有利于降低RSD預(yù)處理在凸顯特征時(shí)所產(chǎn)生的噪音,能夠有效提高特征篩選的靈敏度。

圖5 三維光譜指數(shù)ITBI1與葉綠素面密度相關(guān)矩陣

圖6 三維光譜指數(shù)ITBI2與葉綠素面密度相關(guān)矩陣

圖7 三維光譜指數(shù)ITBI3與葉綠素面密度相關(guān)矩陣

研究發(fā)現(xiàn),三維光譜指數(shù)ITBI1(圖5)構(gòu)建的最優(yōu)指數(shù)均在可見光(700～750 nm)范圍內(nèi);ITBI2和ITBI3中,除了R-ITBI2和RSD-ITBI3,每個(gè)指數(shù)中至少有1個(gè)波長(zhǎng)靠近1 450 nm,結(jié)合二維光譜指數(shù)來看,說明近紅外區(qū)存在與葉綠素面密度相關(guān)的信息。選取各個(gè)矩陣中rmax對(duì)應(yīng)的指數(shù)作為最優(yōu)三維光譜指數(shù)用以后續(xù)建模,具體見表2。

2.3 模型預(yù)測(cè)結(jié)果

經(jīng)PCC篩選出的最優(yōu)光譜指數(shù)如表2所示。將不同預(yù)處理及不同維度下的最優(yōu)光譜指數(shù)作為輸入?yún)?shù),分別用TSVR和MPA-TSVR對(duì)紫丁香葉片葉綠素面密度進(jìn)行反演。

不同預(yù)處理下最優(yōu)光譜指數(shù)分別建立TSVR和MPA-TSVR紫丁香葉片葉綠素面密度反演模型,結(jié)果見表3。MPA-TSVR構(gòu)建的紫丁香葉片葉綠素面密度反演模型精度均高于TSVR。同一建模方法,不同預(yù)處理下構(gòu)建模型的精度由高到低順序?yàn)镽SD、RFD、R,說明對(duì)R進(jìn)行預(yù)處理是有必要的,RSD是最佳預(yù)處理方法,RSD-MPA-TSVR精度最高,測(cè)試集R2為0.906 0,RMSE為3.882 7。使用PCC篩選得到的RFD最優(yōu)光譜指數(shù)比RSD最優(yōu)光譜指數(shù)rmax高,而建模結(jié)果顯示RSD是最佳預(yù)處理方法,說明非線性模型的r和R2之間沒有必然聯(lián)系。因此在構(gòu)建非線性模型時(shí),輸入?yún)?shù)的好壞不能用r進(jìn)行評(píng)價(jià),而要對(duì)預(yù)處理方法和所構(gòu)建的光譜指數(shù)進(jìn)行排列組合,對(duì)比模型預(yù)測(cè)精度才能確定最佳輸入?yún)?shù)。

表3 不同預(yù)處理下最優(yōu)光譜指數(shù)構(gòu)建TSVR和MPA-TSVR模型反演葉綠素面密度結(jié)果

不同維度下最優(yōu)光譜指數(shù)分別建立TSVR和MPA-TSVR紫丁香葉片葉綠素面密度反演模型,結(jié)果見表4。不同輸入?yún)?shù),同樣是MPA-TSVR模型精度高于TSVR,可以看出不論輸入?yún)?shù)如何變化,MPA-TSVR模型精度均高于TSVR,說明MPA優(yōu)化算法能夠找到TSVR中懲罰參數(shù)和核參數(shù)的最優(yōu)值,避免TSVR在運(yùn)算過程中陷入局部最優(yōu)。同一建模方法,不同維度構(gòu)建模型精度由高到低順序?yàn)椋喝S、二維、一維,說明光譜指數(shù)維度增加,其對(duì)葉綠素面密度的響應(yīng)度也會(huì)增加。二維光譜指數(shù)中,INDI-MPA-TSVR精度最高,測(cè)試集R2為0.882 0,RMSE為4.350 2;三維光譜指數(shù)中,ITBI3-MPA-TSVR精度最高,測(cè)試集R2為0.911 0,RMSE為3.776 3。

表4 不同維度下最優(yōu)光譜指數(shù)構(gòu)建TSVR和MPA-TSVR反演葉綠素面密度結(jié)果

綜合所有模型來看,ITBI3為最優(yōu)輸入?yún)?shù),其構(gòu)建的TSVR和MPA-TSVR模型參數(shù)對(duì)比如表5所示。

表5 TSVR初始參數(shù)與MPA-TSVR優(yōu)化參數(shù)

用最優(yōu)輸入?yún)?shù)ITBI3分別構(gòu)建PLSR、BPNN和SVR模型。其中,PLSR主成分?jǐn)?shù)為2,ITBI3-PLSR測(cè)試集R2為0.897 1,RMSE為4.061 8;BPNN隱含層節(jié)點(diǎn)數(shù)設(shè)置為7,ITBI3-BPNN測(cè)試集R2為0.899 6,RMSE為4.012 9;SVR選用徑向基核函數(shù),懲罰參數(shù)C和核函數(shù)g分別為210和2-6,ITBI3-SVR測(cè)試集R2為0.901 7,RMSE為3.970 8,精度均低于ITBI3-MPA-TSVR。不同模型反演紫丁香葉片葉綠素面密度預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比如圖8所示。ITBI3-MPA-TSVR預(yù)測(cè)值與實(shí)測(cè)值的散點(diǎn)較其他模型更靠近Y-預(yù)測(cè)值=Y這條直線,預(yù)測(cè)精度更高。因此,ITBI3-MPA-TSVR對(duì)葉綠素面密度的預(yù)測(cè)能力、擬合程度和準(zhǔn)確性均優(yōu)于本研究中所有模型。

圖8 不同模型反演紫丁香葉片葉綠素面密度測(cè)試集預(yù)測(cè)結(jié)果

3 結(jié)論

本研究以內(nèi)蒙古農(nóng)業(yè)大學(xué)東校區(qū)內(nèi)紫丁香為研究對(duì)象,采集160個(gè)樣品的光譜數(shù)據(jù)和對(duì)應(yīng)的葉片葉綠素面密度,在一維和二維光譜指數(shù)的基礎(chǔ)上,首次在葉綠素面密度預(yù)測(cè)方面引入三維光譜指數(shù),構(gòu)建了基于R、RFD和RSD光譜400～2 400 nm范圍內(nèi)任意波長(zhǎng)下不同維度的光譜指數(shù)。用PCC分析了光譜指數(shù)與葉綠素面密度間的相關(guān)性,并篩選出最優(yōu)光譜指數(shù)。首次將MPA-TSVR模型引入植物生理指標(biāo)預(yù)測(cè)研究,構(gòu)建了基于不同預(yù)處理和不同維度下的最優(yōu)指數(shù)和MPA-TSVR紫丁香葉片葉綠素面密度預(yù)測(cè)模型,最優(yōu)輸入?yún)?shù)分別建立PLSR、BPNN和SVR預(yù)測(cè)模型,優(yōu)選出最佳紫丁香葉片葉綠素面密度預(yù)測(cè)模型,得出以下結(jié)論：

(1)最優(yōu)光譜指數(shù)中,一維光譜指數(shù)RFD744、二維光譜指數(shù)ISRI(RFD704,RFD738)和三維光譜指數(shù)ITBI3(RSD714,RSD745,RSD700)的r最大,分別為0.874 0和0.891 1為0.901 5,不同預(yù)處理,基于RFD構(gòu)建的一維和二維光譜指數(shù)與葉綠素面密度相關(guān)性最高,RSD構(gòu)建的三維光譜指數(shù)與葉綠素面密度相關(guān)性最高;不同維度,三維光譜指數(shù)相比于一維和二維光譜指數(shù)對(duì)葉綠素面密度更加敏感。

(2)同一建模方法,不同預(yù)處理下最優(yōu)光譜指數(shù)建模精度由高到低的順序?yàn)镽SD、RFD、R。基于RSD-MPA-TSVR構(gòu)建的葉綠素面密度反演模型具有最佳預(yù)測(cè)效果,其R2可達(dá)0.906 0,RMSE僅有3.882 7;同一預(yù)處理方法,不同維度最優(yōu)光譜指數(shù)建模精度由高到低的順序?yàn)椋喝S、二維、一維。二維光譜指數(shù)中,INDI-MPA-TSVR反演效果最好,測(cè)試集R2為0.882 0,RMSE為4.350 2;三維光譜指數(shù)中,ITBI3-MPA-TSVR反演效果最好,測(cè)試集R2為0.911 0,RMSE為3.776 3。不論輸入?yún)?shù)如何,MPA-TSVR的建模精度均高于TSVR。

(3)對(duì)于紫丁香葉片葉綠素面密度反演模型而言,MPA-TSVR相比于PLSR、BPNN和SVR模型更穩(wěn)定。ITBI3-MPA-TSVR是紫丁香葉片葉綠素面密度最優(yōu)反演模型。本研究光譜采集未在活體上進(jìn)行,是為同步葉綠素面密度測(cè)定,減少誤差。后續(xù)光譜數(shù)據(jù)可在活體采集,通過構(gòu)建光譜指數(shù)輸入ITBI3-MPA-TSVR模型即可實(shí)現(xiàn)葉綠素面密度的無損檢測(cè)。

通過ITBI3-MPA-TSVR實(shí)現(xiàn)了紫丁香葉片葉綠素面密度的反演,三維光譜指數(shù)和MPA-TSVR模型的應(yīng)用對(duì)城市綠化植物其他生化組分的定量預(yù)測(cè)具有一定的參考價(jià)值。全波段構(gòu)建三維光譜指數(shù)既減少了光譜無關(guān)信息,又因其在二維光譜指數(shù)的基礎(chǔ)上增加第3個(gè)波段,提升了信息的包含度,能夠很大程度上突出特征信息。但是由于光譜信息十分復(fù)雜,預(yù)處理方法和光譜指數(shù)的選擇在很大程度上影響光譜指數(shù)對(duì)葉綠素面密度的響應(yīng),最優(yōu)光譜指數(shù)的篩選方法直接對(duì)模型精度產(chǎn)生影響。因此,對(duì)預(yù)處理方法、光譜指數(shù)以及最優(yōu)光譜指數(shù)篩選方法的選擇有待進(jìn)一步研究。