基于機器學習的梭梭同化枝光合色素含量高光譜反演估算

摘要：基于民勤干旱荒漠區地面實測的人工梭梭同化枝高光譜反射率與光合色素數據，經光譜曲線處理和特征參數提取后，采用隨機森林（RF）、反向傳遞人工神經網絡（BP-ANN）、支持向量機（SVM）三種常見的機器學習模型模擬葉綠素a、葉綠素b和類胡蘿卜素含量，確定梭梭同化枝光合色素含量的最優估算模型，揭示影響光合色素含量的光譜關鍵變量。結果表明，RF模型在模擬精度上表現最優，對三種光合色素的R2值介于0.73至0.77，RMSE介于0.023至0.302 mg·g-1。其中，RF對葉綠素b的預測精度最高，R2為0.77，RMSE為0.023 mg·g-1。不同光合色素對干旱脅迫的響應各異，導致影響它們的光譜變量也不同。葉綠素a與葉綠素b的最優模型受到吸收位置（Absorption position，AP）、紅邊位置（Red-edge position，REP）和紅邊拐點（Red-edge inflection point，REIP）的影響較多，而類胡蘿卜素的最優模型更容易受REIP、Vogelmann紅邊指數（Vogelmann red-edge index 2，VOG2）與水波段指數（Water band index，WBI）的影響。該研究為基于高光譜遙感與機器學習模型反演梭梭同化枝光合色素含量提供依據，服務于人工梭梭林的旱情監測與撫育管理。

關鍵詞：梭梭；光合色素；高光譜；反射特性；模型模擬；變量重要性

中圖分類號：TP79；Q945 " " " "文獻標識碼：A " " " "文章編號：1007-0435（2025）01-0250-12

Estimation of the Photosynthetic Pigment Content in Assimilated Branches of Haloxylon ammodendron Based on Hyperspectral Data and Machine Learning Methods

HUANG Ke-pan1， YANG Xue-mei2，3， LIU Zhi-fei1， ZHANG Zhong3， WANG Jing-rui3， XU Hao-jie1，4*

（1.State Key Laboratory of Herbage Improvement and Grassland Agro-ecosystems/Key Laboratory of Grassland Livestock Industry Innovation， Ministry of Agriculture and Rural Affairs/Engineering Research Center of Grassland Industry， Ministry of Education/College of Pastoral Agriculture Science and Technology， Lanzhou University， Lanzhou， Gansu Province 730020， China；2.Tourism School， Lanzhou University of Arts and Science， Lanzhou， Gansu Province 730010， China；3.Gansu Institute of desertification Control， Lanzhou， Gansu Province 733000， China；

4.Center for Remote Sensing of Ecological Environments in Cold and Arid Regions， Lanzhou University， Lanzhou， Gansu Province 730000， China）

Abstract：Based on the ground-measured hyperspectral reflectance and photosynthetic pigment data of assimilated branches of Haloxylon ammodendron in the Minqin desert area， the hyperspectral data were processed with noise reduction and feature parameter extraction. Three common machine learning models， including random forest （RF）， back propagation-artificial neural networks， and support vector machine， were used to simulate chlorophyll a， chlorophyll b， and carotenoid contents. The optimal estimation model for photosynthetic pigment content in the assimilated branch of Haloxylon ammodendron was determined， and the key spectral variables affecting the photosynthetic pigment content were revealed.The results showed that the RF model had the best simulation accuracy， with R2 values ranging from 0.73 to 0.77 and RMSE ranging from 0.023 to 0.302 mg·g-1 for the three photosynthetic pigments. Among them， RF had the highest prediction accuracy for chlorophyll b with R2 value of 0.77 and 0.023 mg·g-1 RMSE. Different photosynthetic pigments had different responses to drought stress， resulting in different spectral variables affecting them. The optimal models of chlorophyll a and chlorophyll b were mostly affected by Absorption position （AP）， Red-edge position （REP） and Red-edge inflection point （REIP）； while the optimal model of carotenoids was more susceptible to the influence of REIP， Vogelmann red-edge index 2 （VOG2） and Water band index （WBI）. This study established a foundation for retrieving photosynthetic pigment content in assimilated branches of Haloxylon ammodendron using hyperspectral remote sensing and machine learning models. It also contributed to the drought monitoring and rearing management of artificial Haloxylon ammodendron forests.

Key words：Haloxylon ammodendron；Photosynthetic pigment；Hyperspectral；Reflection characteristics；Model simulation；Variable importance

梭梭［Haloxylon ammodendron （C.A.Mey.） Bunge］是莧科、梭梭屬的灌木或小喬木，常見于寧夏西北部、甘肅西部、青海北部、新疆與內蒙古等地，在中亞和西伯利亞也均有分布［1］。梭梭耐寒耐旱、抗鹽堿風沙，既能改良土壤和恢復植被，又能保護其周邊的沙化草地，是防風固沙林的首選樹種之一［2］。我國在干旱荒漠區大面積營造梭梭林，但由于大氣干旱、土壤水分不足、地下水位低、種植密度過高等原因，梭梭連片衰落或死亡，嚴重威脅我國北方生態安全。

旱情監測對梭梭林的保護和恢復至關重要。葉綠素是植物光合色素的重要組分，在水分脅迫下葉綠素易發生氧化和降解，嚴重的干旱脅迫甚至引發葉綠素組分變化和光合器官損傷，抑制植物光合作用［3］。類胡蘿卜素也是光合色素的一種，是植物體內重要的抗氧化物，其合成代謝易受水分影響［4］。因此，葉綠素與類胡蘿卜素含量的變化可指示植物受水分脅迫的程度。植物光譜反射特征與光合色素含量密切相關。高光譜遙感具有波段多且寬度窄的特點，基于高光譜反射曲線微小差異的量化分析，可為植物生理生態參數估算提供簡便、快速、有效且非破壞性的方式［5-6］。由于葉綠素主要吸收藍紫光和紅橙光，反射綠光，而類胡蘿卜素主要吸收藍紫光，反射紅光，造成植物色素含量與可見光的綠光黃光及紅邊區域的反射率呈顯著負相關［7］。紅邊特性對植物色素含量也具有很高的靈敏度［8-10］。例如，紅邊位置與沼澤松枝條的葉綠素濃度呈正相關［11］。基于紅邊參數構建的作物葉綠素含量估算模型的精度可達80%［12］。在近紅外波段，光合色素通過影響植物葉腔結構和腔內散射特性改變光譜反射率［13］。植物在短波紅外波段的反射率受葉片含水量的顯著影響，而葉片含水量對光合色素的組成和含量有重要作用。

盡管基于高光譜遙感技術能提取眾多的光譜特征參數，但要使這些變量發揮出應有的作用仍需構建精準有效的模型。由于單一的植被指數模型和多因子線性回歸模型的精度較低、穩定性較差，機器學習模型已逐步取代傳統算法成為預測植物光合色素的主流方法［14］。機器學習模型是基于數據驅動的，其自動檢索和解釋數據的方法比較靈活，可用于任何訓練任務，準確性更高。機器學習模型能估計多個變量間的復雜關系，與統計模型相比更具穩健性，能有效提高模型的預測精度［15］。姚付啟等［16］基于紅邊參數反演植物葉綠素含量，發現ANN模型相比單變量模型其反演精度更高，唐源［17］分別使用5種模型對葉綠素含量進行估測，發現RF模型與SVR模型的預測精度都高于線性回歸算法。因此，機器學習模型在光合色素含量估算中能更多地利用光譜數據中的微弱差異，并提高模擬精度。

目前，已發表的基于高光譜參數與機器學習模型反演葉綠素含量的研究多是針對玉米（Zea mays L.）［18］、冬小麥（Triticum aestivum L.）［19］等農作物，對荒漠植物（如梭梭、檉柳、白刺等）研究較少。如曹曉明等［20］運用實測高光譜數據對梭梭同化枝葉綠素含量進行估測，但未使用機器學習模型進行定量反演。鑒于防風固沙林干旱脅迫監測的重要性，本研究以民勤干旱荒漠區人工梭梭為研究對象，基于地面高光譜反射率數據提取與梭梭光合色素相關的特征參數，并使用3種代表性的機器學習模型（RF，BP-ANN和SVM）對葉綠素a、葉綠素b與類胡蘿卜素的含量進行反演估算，確定梭梭同化枝光合色素含量的最優估算模型，揭示影響光合色素含量的光譜關鍵變量，為梭梭生長響應水分脅迫的區域化監測提供方法支持，從而優化梭梭林的水分管理措施，促進人工梭梭林的生態恢復。

1 材料與方法

1.1 研究區概況

本文的研究區位于民勤綠洲老虎口防沙治沙示范區（圖1），該區域的人工梭梭林于2008年開始種植，現今種植密度為1350株·hm-2［21］。民勤綠洲位于河西走廊東北部的民勤縣境內，介于巴丹吉林沙漠與騰格里沙漠之間，地理范圍101°50′～104°15′ E，38°05′～39°26′ N，平均海拔1400 m。該地區地勢平坦，主要由沙漠、低山丘陵和平原組成。大陸性氣候特征明顯，年均溫約9℃，夏季炎熱，冬季寒冷，降水量稀少（僅110 mm左右）且主要集中在夏季，蒸發量高達2600 mm以上，表現為極端干旱的氣候特點。土壤以沙質土和鹽漬土為主，植被覆蓋度相對較低，主要的植被類型為適應沙漠環境的植物，如梭梭、白刺（Nitraria tangutorum Bobrov）、檉柳（Tamarix chinensis Lour.）等［22］。

1.2 數據采集

梭梭冠層光譜數據的采集使用美國Analytical Spectral Devices公司的FieldSpec4 H1500便攜式地物光譜儀，光譜測量范圍為350～2500 nm，采樣間隔1.1～1.4 nm，在350～700 nm的光譜分辨率為3 nm，其余波段的光譜分辨率為6 nm。地物光譜觀測在2022年8月12日進行，時間選擇在晴朗無風無云天氣下的10：00—14：00，測量前對儀器提前1 h預熱，采集高度為距離冠層1.0 m位置，采用25°視場角垂直觀測，開始測定光譜前進行白板校正和暗電流校正。本研究共設置2個大樣地，每個大小為200 m×200 m，兩個樣地距離250 m左右，土壤、氣象因素等基本相同。在兩個樣地內隨機選取共100株不同年齡、生長狀況不一的梭梭植株，每個梭梭植株在同一位置采集5次光譜曲線。比較5次光譜曲線，將偏離度較大的異常曲線排除后，取平均值作為1個光譜樣本，共得到93個有效光譜樣本。

1.3 光合色素測定

在樣地內隨機選取不同長勢的梭梭植株，分別測定其光合色素含量。為確保實驗的準確性，選取冠層部位的新鮮葉片，并仔細去除葉脈后剪碎。隨后，稱取0.4 g的葉片樣本，放入已預先加入提取液（丙酮與無水乙醇的體積比為1∶1）的離心管中，并緊密封口。處理好的樣品在避光條件下靜置24—48 h，期間定時搖晃震蕩，確保葉片與提取液充分接觸，以最大化提取光合色素。調零時以提取液作為對照，取上清液后，使用分光光度計分別測定波長為665，649和470 nm處的吸光值，每組重復3次［23］。利用Lichtenthaler［24］提出的方法計算光合色素中各成分的含量。具體計算公式如下：

式中，chla，chlb和car分別為葉綠素a、葉綠素b與類胡蘿卜素；OD665，OD649和OD470分別代表在波長665，649和470 nm處測得的吸光值；V代表提取液體積（mL）；FW代表葉片鮮重（g）；植物光合色素含量的單位為mg·g-1

1.4 光譜數據預處理與特征參數提取

為消除原始光譜數據中可能存在的噪聲，采用Savitzky-Golay卷積平滑法進行降噪。本研究使用MATLAB 2022a中的sgolayfilt函數進行平滑降噪處理。在平滑過程中，設置移動窗口長度為21，多項式次數為2，以確保在保持光譜特征的同時有效去除噪聲。

植被指數是根據植被的光譜特性將可見光和近紅外波段進行組合，形成能夠反映植被生長狀況的指標。它是植被葉面積指數、蓋度、葉綠素含量、生物量以及被吸收的光合有效輻射的綜合體現。植被指數主要分為差值植被指數、比值植被指數、歸一化植被指數等，可以通過不同公式計算。窄波段植被指數已廣泛應用于植被生長狀況的定性和定量評價。

微分法被廣泛用于光譜曲線特征提取研究，它不但能凸顯光譜曲線的細微變化，并迅速確定細微變化的波長位置，還能部分消除地面背景、光照等環境因素的影響，利于提取光譜吸收峰參數。在植被分布稀疏、地表混合光譜成分較多的荒漠區，微分法能夠有效的消除背景噪聲，并提取光譜特征。

葉片色素含量主要與可見光波段緊密相關，因此波段深度分析主要處理550～750 nm的光譜數據，此波段包含色素強吸收的紅光區與紅邊波段范圍。首先，對光譜數據進行連續統去除變換，校正由于波段依賴而引起的波段反射率極值點的偏移，有效增強吸收特征，增大各光譜曲線之間的差異［25］。連續統線定義為連接局部原始光譜反射率峰值點之間的線段。將反射率曲線上每個波長的光譜反射率除以相應波長處連續統線上的值可以得到連續統去除光譜［26］。研究發現，紅邊區域內的一些吸收特征參量，如吸收位置、吸收深度、歸一化波段深度指數和波段深度比等，可以有效探測植物生理生化指標，比如葉綠素［27］。

表1羅列出應用于梭梭同化枝葉綠素含量估測的57個光譜變量，包括40個植被指數、9個吸收波段、4個紅邊參數和4個吸收特征。

1.5 模型構建

本文選擇3種常見的機器學習模型對梭梭同化枝光合色素含量進行反演估算［28］，分別是RF，BP-ANN和SVM。

RF模型是基于分類樹算法的1種算法。RF模型利用bootstrap進行抽樣，抽出的樣本用于回歸樹的構建。對訓練樣本進行連續篩選，得到最小殘差平方和，最后形成1棵完整的樹［29］。本研究首先在Rstudio中使用10折交叉法篩選重要變量，隨后在MATLAB 2022a中，通過自建代碼來構建RF模型，在ntree中設置以100為間隔，從100開始增加到1000，共迭代10次，當10折交叉驗證誤差最小時，確定為最優trees，用于最終模型的構建。模型設置決策樹數目為200，最小子葉數為5，循環次數為4000次。

BP-ANN模型是1種多層前饋神經網絡，主要由輸入層、隱藏層和輸出層組成。各層之間通過權值進行連接，形成復雜的網絡結構［30］。本研究通過MATLAB 2022a中自帶的神經網絡工具箱完成BP神經網絡建模及其驗證，設置隱含層神經元個數以10為間隔，從10增加到100，共迭代10次，取交叉驗證誤差最小時的neuron個數為最優neuron，構建最終模型。模型設置隱含層神經元個數為10，循環運行500次以獲取最優模型。

SVM是1種具有相關學習算法的監督學習模型，由高維或無限維空間中的1組超平面構成，可以用于分類、回歸和其他任務［31］。本研究在Visual Studio Code 2023中使用python自建代碼進行SVM模型的構建，選擇RBF（徑向基函數）作為核函數，采用10折交叉來尋找最佳cost（懲罰系數）和epsilon（不敏感損失函數中的參數）參數，循環運行500次以獲取最優模型。

在機器學習中，分離訓練集與驗證集是1個至關重要的步驟，它有助于評估模型的性能并防止過擬合。其中，留出法是1種常用的方法。留出法直接將原始數據集劃分為2個互斥的集合：訓練集和驗證集。訓練集用于訓練模型，即讓模型學習數據的特征和規律；而驗證集則用于評估模型的性能，即檢驗模型對未見過的數據的預測能力。在使用留出法時，按照一定比例（如60%的訓練集和40%的驗證集）將數據集劃分為訓練集和驗證集。訓練集使模型能夠學習到數據的內在規律和特征，而驗證集則提供對模型泛化能力的客觀評估。

1.6 模型精度評價

本文同時對訓練集和驗證集評估模擬精度。首先，樣本的數量多少會影響模型的精度，訓練集與驗證集的樣本數目不同，精度自然會有差異；其次，對訓練集評估精度，可以反映數據訓練是否充分，對驗證集評估精度，可以監控模型是否發生過擬合。模型精度的評價指標為決定系數（Coefficient of determination，R2）及均方根誤差（Root mean square error，RMSE）。具體計算公式如下：

式中，ERMS為RMSE，ˉy為實測均值；yi和y ?_i分別為y的預測值和實測值；n等于樣本量（訓練集n=56，驗證集n=37）。R2越高而ERMS越低，表明模型精度越高

2 結果與分析

2.1 葉綠素a的反演估算

從圖2中可以看出，RF模型在訓練集和驗證集上的表現良好。訓練集與驗證集的2個回歸方程的斜率接近，顯示模型在訓練和驗證數據上的穩定性。同時，R2分別為0.77和0.74，表明模型能夠較好地擬合數據。此外，訓練集和驗證集的RMSE分別為0.046 mg·g-1和0.044 mg·g-1，也驗證了模型的預測精度。本文還對比了BP-ANN和SVM 2種模型的預測結果。在訓練集上，BP-ANN模型的R2為0.73，RMSE為0.041 mg·g-1；SVM模型的R2為0.6，RMSE為0.051 mg·g-1。在驗證集上，BP-ANN模型的R2為0.72，RMSE為0.053 mg·g-1；而SVM模型的R2為0.48，RMSE為0.065 mg·g-1。這些數據顯示BP-ANN和SVM模型在預測能力上的差異。BP-ANN模型在訓練集與驗證集上的表現也都比較良好；而SVM模型在訓練集上的表現尚可，但在驗證集上性能有所下降。3種模型在訓練集和驗證集上都展現一定的預測能力。然而，需要注意的是，驗證集上的性能通常更受關注，因為它反映模型在未見數據上的泛化能力。上述結果表明，對于葉綠素a含量的模擬預測來說，本研究建立的RF模型預測值與實地測量的葉綠素a含量更加接近，可見RF模型優于其他模型，模擬精度更高。

2.2 葉綠素b的反演估算

在葉綠素b含量的模擬上，RF模型的模擬性能較為突出（圖3）。在模型的訓練集中，R2從高到低的順序為BP-ANN（0.81），RF（0.75）和SVM（0.51），RMSE從低到高的順序為BP-ANN（0.023 mg·g-1）、RF（0.029 mg·g-1）和SVM（0.033 mg·g-1）。在模型驗證集中，R2從高到低的順序為RF（0.77）、BP-ANN（0.63）和SVM（0.45），RMSE從低到高的順序為RF（0.023 mg·g-1），BP-ANN（0.031 mg·g-1）和SVM（0.039 mg·g-1）。以上結果表明，盡管BP-ANN模型訓練集的R2與RMSE都優于RF模型，但其驗證集散點較為分散，擬合效果較差，即BP-ANN模型在訓練過程中存在過度擬合現象，模型過于緊密地擬合訓練數據，導致對新數據的泛化能力受限。與RF和BP-ANN模型相比，無論是訓練集還是驗證集，SVM模型的R2均較低，表明其對數據的擬合效果較差，即SVM模型對于當前數據集的特征捕捉和模式識別能力有限，或者需要進一步的參數優化和調整。因此，在預測梭梭同化枝葉綠素b含量時，RF模型是更優選擇。

2.3 類胡蘿卜素的反演估算

RF模型在模擬梭梭同化枝類胡蘿卜素含量方面的表現較為良好（圖4）。該模型在訓練集與驗證集上的R2均為0.73，表明RF模型能夠較為準確地擬合數據，并呈現出穩定的預測能力。同時，訓練集與驗證集的RMSE分別為0.291 mg·g-1和0.302 mg·g-1，較低的誤差值進一步驗證RF模型在預測梭梭同化枝類胡蘿卜素含量時的精確性。BP-ANN模型的表現次之，SVM模擬精度最低，訓練測試的結果比較分散，2個模型訓練集與驗證集的R2和RMSE分別為0.41，0.36，0.356 mg·g-1和0.395 mg·g-1。與SVM算法建立的模型相比，使用RF模型R2增加0.3左右，RMSE減少0.08 mg·g-1左右。以上結果說明，在建立梭梭類胡蘿卜素含量估算模型時，RF比BP-ANN與SVM具有更好的適用性，可以明顯提高梭梭類胡蘿卜素含量估算的準確性。

2.4 模型整體評價

將3種機器學習模型對梭梭同化枝3種光合色素含量的模擬結果進行匯總后（表2），發現不同機器學習模型對不同光合色素模擬能力的差異。對所有模型而言，RF模型對梭梭同化枝3種光合色素的模擬精度最高。對不同光合色素而言，RF模型對梭梭同化枝葉綠素b的預測R2最高且RMSE最低。BP-ANN模型對3種光合色素的預測精度也較好，但其對葉綠素b和類胡蘿卜素的訓練集高出驗證集很多，這可能會影響模型的精準度。SVM模型對于3種色素的預測精度都較低，適用程度不高。

2.5 光譜變量重要變量排序

RF模型對梭梭同化枝3種光合色素來說都是最優模型。圖5展示RF模型中對梭梭同化枝葉綠素a、葉綠素b和類胡蘿卜素反演最重要的一些變量。結果表明，對葉綠素a而言，有14種變量被認定為重要的影響因子。葉綠素b有20種，而類胡蘿卜素為9種。在這些變量中，AP，Carter1，MCARI，REIP，REP，SR0以及VOG2對于3種光合色素均具有重要影響，表明它們在調控光合色素含量方面扮演著重要角色。盡管這些變量在影響3種光合色素方面具有共性，但每種光合色素也受到一些獨特因素的影響。例如葉綠素a與葉綠素b受到AP與REP的影響較多，但類胡蘿卜素更容易受VOG2與WBI的影響，這也說明控制不同光合色素含量的光譜變量不同。類胡蘿卜素的影響變量少于葉綠素a和b，原因是葉綠素a和b主要吸收紅光（約640～660 nm）和藍紫光（約430～450 nm），而類胡蘿卜素則主要吸收藍紫光，比葉綠素少了1個紅光波段。這種光譜差異導致影響葉綠素a和b的光譜指數比類胡蘿卜素多，相應地影響類胡蘿卜素的變量的種類與數量都會少于葉綠素a和b。

3 討論

本研究采用隨機森林、反向傳遞人工神經網絡和支持向量機3種機器學習模型，結合高光譜數據、一階微分、波段深度分析與紅邊參數等多種特征，對梭梭同化枝葉綠素a、葉綠素b、類胡蘿卜素含量進行模擬預測。通過對比分析各模型的預測性能，發現RF模型在預測梭梭同化枝光合色素含量方面表現出最高的R2，顯示出其優越的預測效果。這與管鋮等［32］對蘆葦葉片葉綠素含量估測所得到的最優模型一致，都為RF模型。相反，徐逸等［33］對太湖葉綠素a濃度反演的最優模型為深度學習模型，而RF模型精度較低，這可能與反演的植物種類差異過大有關。RF模型之所以能夠在本研究中取得最佳的預測效果，可能得益于其以下幾個方面的優勢：一、RF模型能夠自動處理多種復雜特征，有效提取與梭梭同化枝光合色素含量密切相關的信息；二、RF模型通過集成學習的方式，結合多個決策樹的預測結果，從而提高模型的穩定性和泛化能力，減少過擬合的風險；三、RF模型對噪聲和異常值具有一定的抗干擾能力，即具有魯棒性，能夠在一定程度上降低數據質量問題對預測結果的影響［34-35］。除此之外，RF模型在訓練完成后能夠提供各個特征對輸出的重要性評估，這使得模型的結果更容易解釋和理解。這些可能都是導致RF模型為最優模型的原因。

影響梭梭同化枝光合色素含量的光譜變量既有相同之處，也有差異。REIP，即反射率一階微分曲線的紅邊拐點，其數值的變化對3種光合色素的影響均極為重要，表現為光合色素含量越高，反射率一階微分曲線的紅邊拐點取值也相應越高，這與閆曉斌等［36］的研究結果一致。對于葉綠素a與葉綠素b來說，REP都是其重要影響變量，高葉綠素含量的REP值會增加，即出現紅移［37］。AP指的是去包絡線后反射率最低處的波長，如果梭梭植株的葉綠素含量較高，那么其光譜曲線在特定波長的吸收位置可能會表現出更明顯的吸收峰，從而影響AP的變化。而類胡蘿卜素對VOG2和WBI指數的變化較為敏感，這些指數與葉片水分含量密切相關。已有研究顯示，在長期的干旱條件下，類胡蘿卜素相較于葉綠素對水分變化更為敏感［38］，這與本文的研究結果相符。

除此以外，RF模型可以解釋梭梭同化枝光合色素含量73%～77%的變化，其中對于葉綠素b的解釋程度最高，達77%。但其中仍有部分未能完全解釋，這可能是由于有些數據特征未能納入到模型中去，例如每株梭梭的坡度坡向可能影響其水分含量，進而影響光合色素含量［39］；不同梭梭所處位置的土壤質地不同，也會影響其水分與光合色素含量的變化［40］。此外，在不同時間采集光譜數據，太陽高度角、植物生理狀況、環境因素等都會發生不同的變化，從而導致光譜數據產生變化。所以，本研究需要在1天之內對梭梭的冠層光譜數據進行觀測與記錄，記錄植物生長期內相同天數、相同環境因素下的梭梭光譜反射率，從而減少這種差異造成的影響。當然，光合色素含量是一個動態變化的過程，可能受到多種因素的影響而隨時間發生波動，模型難以完全捕捉到這種動態變化，從而導致未能完全預測其含量。因此，分析地形與土壤因素等對梭梭同化枝光合色素含量的影響也是今后研究的重要內容。

4 結論

基于民勤干旱荒漠區地面實測的人工梭梭同化枝光合色素含量和高光譜反射率數據，對比分析3種機器學習模型對3種主要光合色素含量的預測精度。在3種機器學習方法中，RF模型是梭梭同化枝光合色素含量反演的最優模型，對葉綠素a、葉綠素b、類胡蘿卜素的預測精度均較高，R2分別為0.74，0.77和0.73，RMSE分別為0.044 mg·g-1，0.023 mg·g-1和0.302 mg·g-1。由于3種光合色素對干旱脅迫的響應及其敏感性存在差異，影響其含量變化的光譜關鍵變量不同。除紅邊拐點外，葉綠素a與葉綠素b的最優模型受吸收位置與紅邊位置的影響較大，而類胡蘿卜素的最優模型更容易受Vogelmann紅邊指數2與水波段指數的影響。盡管如此，光譜關鍵變量中包括大量基于紅光和近紅外波段組合的植被指數，表明紅光與近紅外反射率對梭梭同化枝光合色素含量變化具有強烈響應。

參考文獻

［1］ 賈志清，盧琦，郭保貴，等. 沙生植物—梭梭研究進展［J］. 林業科學研究，2004，17（1）：125-132

［2］ 郭泉水，譚德遠，劉玉軍，等. 梭梭對干旱的適應及抗旱機理研究進展［J］. 林業科學研究，2004，17（6）：796-803

［3］ 劉軍，齊廣平，康燕霞，等. 不同灌溉處理下紫花苜蓿光合特性、葉綠素熒光參數及生物量的變化［J］. 草地學報，2019，27（6）：1569-1576

［4］ 張麗霞，郭曉彥，史鵬飛，等. 旺長期水分脅迫對紅麻葉片中葉綠素和胡蘿卜素含量的影響［J］. 中國麻業科學，2021，43（2）：80-87

［5］ VANE G，GOETZ A F H. Terrestrial imaging spectrometry： current status， future trends［J］. Remote Sensing of Environment，1993，44（2-3）：117-126

［6］ 葛昊，盧珊，趙云升. 葉片茸毛對葉片反射光譜及高光譜植被指數的影響研究［J］. 光譜學與光譜分析，2012，32（2）：439-444

［7］ 劉暢，孫鵬森，劉世榮. 基于反射光譜指數的銳齒櫟葉片色素含量估算［J］. 林業科學研究，2017，30（1）：88-98

［8］ STEVEN M D，MALTHUS T J，DEMETRIADES-SHAH T H，et al. High-spectral resolution indices for crop stress［M］//Application of Remote Sensing in Agriculture.Amsterdam：Butterworths-Heinemann，1990：209-227

［9］ 宮兆寧，趙雅莉，趙文吉，等. 基于光譜指數的植物葉片葉綠素含量的估算模型［J］. 生態學報，2014，34（20）：5736-5745

［10］ 宋開山，張柏，王宗明，等. 大豆葉綠素含量高光譜反演模型研究［J］. 農業工程學報，2006，22（8）：16-21

［11］ CURRAN P J，DUNGAN J L，GHOLZ H L. Exploring the relationship between reflectance red edge and chlorophyll content in slash pine［J］. Tree Physiology，1990，7（1-4）：33-48

［12］ 王震，李映雪，吳芳，等. 冠層光譜紅邊參數結合隨機森林機器學習估算冬小麥葉綠素相對含量［J］. 農業工程學報，2024，40（4）：171-182

［13］ 王紀華，趙春江，黃文江，等. 農業定量遙感基礎與應用［M］. 北京：科學出版社，2008：161

［14］ ZHAO F，XU B，YANG X C，et al. Remote sensing estimates of grassland aboveground biomass based on MODIS net primary productivity （NPP）：a case study in the xilingol grassland of Northern China［J］. Remote Sensing，2014，6（6）：5368-5386

［15］ MORAIS T G，TEIXEIRA R F M，FIGUEIREDO M，et al. The use of machine learning methods to estimate aboveground biomass of grasslands： A review［J］. Ecological Indicators，2021，130：108081

［16］ 姚付啟，張振華，楊潤亞，等. 基于紅邊參數的植被葉綠素含量高光譜估算模型［J］. 農業工程學報，2009，25（S2）：123-129

［17］ 唐源. 基于PROSAIL模型與機器學習的紫花苜蓿生理生態參數估測［D］. 蘭州：蘭州大學，2023：44

［18］ 王敬湧，張明珍，凌華榮，等. 干旱脅迫下玉米葉片葉綠素含量與含水量高光譜成像反演方法［J］. 智慧農業（中英文），2023，5（3）：142-153

［19］ 王琪，常慶瑞，李鎧，等. 基于主成分分析和隨機森林回歸的冬小麥冠層葉綠素含量估算［J］. 麥類作物學報，2024，44（4）：532-542

［20］ 曹曉明，馮益明，史建康，等. 運用實測高光譜數據對梭梭同化枝葉綠素的估算［J］. 東北林業大學學報，2020，48（1）：56-61，67

［21］ 張裕年，張俊年，許明，等. 民勤綠洲荒漠過渡帶梭梭種群的數量動態及分布格局研究［J］. 綠色科技，2023，25（22）：7-11

［22］ 安富博，丁峰. 甘肅省民勤縣土地荒漠化的發展趨勢及其防治［J］. 干旱區資源與環境，2000，14（2）：41-47

［23］ 楊凱如，賈綺瑋，金佳怡，等. 水稻黃綠葉調控基因YGL18的克隆與功能解析［J］. 植物學報，2022，57（3）：276-287

［24］ LICHTENTHALER H K. Chlorophylls and carotenoids：pigments of photosynthetic biomembranes［J］. Methods in Enzymology，1987，148：350-382

［25］ 黃敬峰，王福民，王秀珍. 水稻高光譜遙感實驗研究［M］. 杭州：浙江大學出版社，2010：59

［26］ 鄭雯，明金，楊孟克，等. 基于波段深度分析和BP神經網絡的水稻色素含量高光譜估算［J］. 中國生態農業學報，2017，25（8）：1224-1235

［27］ MUTANGA O，ADAM E，ADJORLOLO C，et al. Evaluating the robustness of models developed from field spectral data in predicting African grass foliar nitrogen concentration using WorldView-2 image as an independent test dataset［J］. International Journal of Applied Earth Observation and Geoinformation，2015，34：178-187

［28］ 卜靈心，來全，劉心怡. 不同機器學習算法在草原草地生物量估算上的適應性研究［J］. 草地學報，2022，30（11）：3156-3164

［29］ 高金龍. 青藏高原東緣高寒天然草地牧草氮磷養分和生長狀況的高光譜遙感研究［D］. 蘭州：蘭州大學，2020：30-31

［30］ 張玉超，錢新，錢瑜，等. 基于機器學習方法的太湖葉綠素a定量遙感研究［J］. 環境科學，2009，30（5）：1321-1328

［31］ 孟新月，葛靜，侯蒙京，等. 基于機器學習的青藏高原天然草地蓋度時空變化特征研究［J］. 草地學報，2022，30（10）：2652-2662

［32］ 管鋮，劉雅輝，張清文，等. 基于高光譜與機器學習算法的蘆葦葉片葉綠素含量估測［J］. 赤峰學院學報（自然科學版），2023，39（10）：51-56

［33］ 徐逸，董軒妍，王俊杰. 4種機器學習模型反演太湖葉綠素a濃度的比較［J］. 水生態學雜志，2019，40（4）：48-57

［34］ 雷震. 隨機森林及其在遙感影像處理中應用研究［D］. 上海：上海交通大學，2012：20-24

［35］ 王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算［J］. 農業機械學報，2015，46（1）：259-265

［36］ 閆曉斌，王志剛，王亞新，等. 干旱脅迫對冬小麥光合色素含量影響的高光譜監測［J］. 山西農業科學，2022，50（9）：1269-1277

［37］ 曹英麗，江凱倫，劉亞帝，等. 基于高光譜紅邊位置提取的水稻葉綠素反演研究［J］. 沈陽農業大學學報，2021，52（6）：718-728

［38］ 王方琳，柴成武，趙鵬，等. 3種荒漠植物光合及葉綠素熒光對干旱脅迫的響應及抗旱性評價［J］. 西北植物學報，2021，41（10）：1755-1765

［39］ 張澤民. 基于WorldView 2影像的礦區復墾地植被參數反演及影響因素分析［D］. 北京：中國地質大學，2016：35-40

［40］ 王謙，李明蔚，李強，等. 基于栓皮櫟幼苗葉綠素熒光參數的不同質地土壤干旱脅迫指標［J］. 中國水土保持科學，2021，19（2）：27-32

（責任編輯 "付 "宸）