粉嫩av,国产欲乱一级视频

引言

氮（N）、磷（P）、鉀（K）是作物生長(zhǎng)發(fā)育必需的大量元素，任何一種元素的缺乏不僅會(huì)影響作物生長(zhǎng)速度和產(chǎn)量，還會(huì)引起植株體內(nèi)相關(guān)生化成分的變化。了解作物的營(yíng)養(yǎng)水平，及時(shí)進(jìn)行追肥決策，可為珍稀瀕危植物實(shí)行精準(zhǔn)栽培管理和保護(hù)提供理論依據(jù)。實(shí)時(shí)、快速、無(wú)損和準(zhǔn)確的植被營(yíng)養(yǎng)水平快速檢測(cè)方法在管理中很有必要。光譜技術(shù)具有分析速度快、效率高、成本低、重現(xiàn)性好和測(cè)試方便等特點(diǎn)，是探測(cè)和獲取作物營(yíng)養(yǎng)狀態(tài)和長(zhǎng)勢(shì)信息的有效手段。植物營(yíng)養(yǎng)狀況與其葉片光譜特征密切相關(guān)，故探究植被N、P、K元素含量與光譜數(shù)據(jù)的關(guān)系，建立光譜估算模型，可為各種植被營(yíng)養(yǎng)元素含量實(shí)時(shí)快速檢測(cè)提供技術(shù)手段，對(duì)珍稀植被的科學(xué)管理具有重要的現(xiàn)實(shí)意義。國(guó)內(nèi)外學(xué)者對(duì)水稻、油菜、小麥、番茄、果樹(shù)、蔬菜等作物的N、P、K含量光譜估算模型進(jìn)行了大量研究。如Li等通過(guò)發(fā)現(xiàn)油菜葉片的光譜數(shù)據(jù)可用于估算磷、鐵含量的變化。Wright等利用遙感數(shù)據(jù)建立光譜與小麥N含量的二次多項(xiàng)式模型，模型決定系數(shù)（R2）為0.52~0.80；Fitzgerald等利用光譜預(yù)測(cè)了小麥氮素水平，所建立的小麥氮素模型預(yù)測(cè)的相對(duì)系數(shù)達(dá)到0.97，均方差為0.65。黃雙萍等對(duì)反射光譜進(jìn)行各種預(yù)處理后，對(duì)柑橘葉片磷含量進(jìn)行了建模，最佳模型決定系數(shù)分別為0.905、0.881；邢東興等對(duì)紅富士蘋(píng)果樹(shù)氮、磷、鉀含量與光譜反射率及其多種變換形式進(jìn)行相關(guān)性分析，并建立了偏最小二乘回歸模型。張瑤等利用光譜分析技術(shù)建立蘋(píng)果葉片氮素預(yù)測(cè)模型，最終得到采用支持向量機(jī)建立的氮素回歸模型，其測(cè)定和驗(yàn)證絕對(duì)系數(shù)均達(dá)到0.74以上，上述研究多基于農(nóng)田施肥試驗(yàn)下的農(nóng)作物和果樹(shù)開(kāi)展，較少涉及自然生長(zhǎng)下林木。另外，可見(jiàn)光近紅外光譜進(jìn)行葉片養(yǎng)分監(jiān)測(cè)時(shí)，模型精度與葉片結(jié)構(gòu)、測(cè)量環(huán)境等密切相關(guān)，但當(dāng)前植被養(yǎng)分監(jiān)測(cè)中，關(guān)于不同處理方法對(duì)模型精度影響的研究相對(duì)較少。

對(duì)數(shù)據(jù)進(jìn)行可靠的預(yù)處理可以提高模型的精度，有研究表明，基線校正（BC）能夠有效抑制由于光譜測(cè)量的背景因素及葉片表面雜質(zhì)造成的基線漂移；標(biāo)準(zhǔn)正態(tài)變換（NV）通過(guò)對(duì)每個(gè)單獨(dú)的光譜（即一個(gè)面向采樣的標(biāo)準(zhǔn)化）的中心和縮放來(lái)消除散射效應(yīng)；多元散射校正（MSC）能有效校正由光程變化對(duì)光譜造成的影響，改善信噪比，消除漫反射光譜的基線以及光譜的不重復(fù)性；Savitzky-Gola（SG）平滑濾波可以提高光譜的平滑性并降低噪音的干擾，其中一階微分可以去除同波長(zhǎng)無(wú)關(guān)的漂移，二階微分可以去除同波長(zhǎng)線性相關(guān)的漂移。

同時(shí)高光譜具有波段多、光譜范圍窄、數(shù)據(jù)量大等缺點(diǎn)，需要對(duì)其進(jìn)行降維，以提高模型的運(yùn)算速率，防止模型過(guò)擬合。其中，線性降維方法主成分分析（PCA）是目前應(yīng)用最為廣泛的降維方法之一，PCA降維依據(jù)方差最大化原理，將數(shù)據(jù)從高維空間向低維空間映射。非線性降維方法核主成分分析（KPCA）和多維尺度分析（MDS）保留了全局特征，其中，KPCA基于核函數(shù)原理，可以有效提取非線性特征，通過(guò)非線性映射將輸入空間投影到高緯度空間，在高緯度特征空間對(duì)映射數(shù)據(jù)作主成分分析，MDS則是利用成對(duì)樣本間的相似性構(gòu)建合適的低維空間。上述高維數(shù)據(jù)降維方法已在多個(gè)領(lǐng)域被廣泛應(yīng)用，但關(guān)于葉片高光譜數(shù)據(jù)降維對(duì)林木葉片養(yǎng)分預(yù)測(cè)性能的研究相對(duì)較少，結(jié)果也不一致。

因此，本研究基于深圳市大鵬半島自然保護(hù)區(qū)和壩光古銀葉樹(shù)濕地園的19種樹(shù)種葉片反射光譜，擬分析原始光譜、基線矯正、多元散射校正、正交信號(hào)校正、標(biāo)準(zhǔn)正態(tài)變換、SG一階導(dǎo)數(shù)、SG二階導(dǎo)數(shù)等預(yù)處理方式對(duì)養(yǎng)分建模精度的影響，并對(duì)比3種數(shù)據(jù)降維方式對(duì)模型精度的影響，探討葉片養(yǎng)分快速診斷的最佳數(shù)據(jù)預(yù)處理方式、數(shù)據(jù)降維方式以及反演算法對(duì)模型精度的影響，以期為林木葉片養(yǎng)分快速檢測(cè)和基于遙感的林業(yè)管理提供依據(jù)。

材料與方法

2.1 研究區(qū)概況

深圳市大鵬半島自然保護(hù)區(qū)于2010年獲批準(zhǔn)成立，總面積144.05km2，包括筆架山、排牙山、鵝公村周邊山地森林、壩光紅樹(shù)林、西沖香蒲桃林和東涌紅樹(shù)林等區(qū)域。保護(hù)區(qū)有1000多種野生植物、200多種陸生脊椎動(dòng)物和幾十種珍稀瀕危物種，是全國(guó)首個(gè)建立在城市內(nèi)的以森林生態(tài)類型為主的自然保護(hù)區(qū)。壩光銀葉樹(shù)濕地園位于大鵬半島最北端，海拔0~20m，處于亞熱帶季風(fēng)氣候區(qū)。壩光銀葉樹(shù)群落是全世界發(fā)現(xiàn)的樹(shù)齡最長(zhǎng)的天然古銀葉樹(shù)群落。銀葉樹(shù)屬于梧桐科銀葉樹(shù)屬，為熱帶、亞熱帶海岸紅樹(shù)林植物，多分布于高潮線附近的海灘內(nèi)緣，以及潮水淹及灘地，屬于典型的水陸兩棲的紅樹(shù)植物。該銀葉樹(shù)群落主要分布在濱海沼澤濕地生境，遠(yuǎn)離海岸的陸地生境以及鄰海陸地生境內(nèi)海灣灘地的海生環(huán)境。群落內(nèi)除了銀葉樹(shù)外，其他建群種還包括陰香、假蘋(píng)婆、多毛茜草樹(shù)、海杧果、銀柴、鴨腳木、細(xì)葉榕等闊葉樹(shù)種。

2.2 樣本采集

共采集19種典型樹(shù)種共122棵數(shù)據(jù)，具體采集樹(shù)種和棵數(shù)見(jiàn)表1所示。每棵樹(shù)沿樹(shù)冠一周，用采樣剪均勻選擇冠層3個(gè)方向的枝條，每棵枝條上選擇9片健康葉片用清水洗凈，用干凈棉布擦干，入保鮮袋裝好并編號(hào)。

表1 本研究使用的樹(shù)種類別

2.3 研究方法

2.3.1植物葉片光譜的采集

葉片野外光譜數(shù)據(jù)采用便攜式地物光譜儀進(jìn)行采集，并加裝10°視場(chǎng)鏡頭。波長(zhǎng)范圍在350~2500nm，輸出間隔為1nm。每次測(cè)定光譜前進(jìn)行暗電流去除和白板校正，分別在葉尖、葉中、葉根采集3次，取其平均值作為該葉片的光譜反射值，同一棵樹(shù)的葉片光譜反射值均值作為一個(gè)樣本的光譜，利用軟件求算數(shù)平均得到122個(gè)樣本的反射光譜數(shù)據(jù)。

2.3.2養(yǎng)分值測(cè)定

同步采集葉片并送檢，將同一棵樹(shù)的葉片搗碎混合測(cè)定全氮、全磷、全鉀的均值，其中薇甘菊和五爪金龍采取單枝條測(cè)定養(yǎng)分值含量。植物全氮磷鉀的測(cè)定按農(nóng)業(yè)標(biāo)準(zhǔn)（NY/T2017-2011）測(cè)定，植物樣品用硫酸－過(guò)氧化氫消煮，采用全自動(dòng)定氮儀測(cè)定植物全氮（N），以鉬銻抗吸光光度法測(cè)定全磷（P），以火焰光度法測(cè)定全鉀（TK）。

2.4 高光譜數(shù)據(jù)預(yù)處理和降維方法

使用Unscrambler10.4軟件對(duì)植物的光譜數(shù)據(jù)進(jìn)行11種預(yù)處理（包含4種組合方法）：基線較正（Baseline）、多元散射較正（MSC）、標(biāo)準(zhǔn)正態(tài)變換處理（SNV）、一階導(dǎo)數(shù)處理、二階導(dǎo)數(shù)處理、基線較正結(jié)合一階導(dǎo)數(shù)處理（baseline+1st）、基線較正結(jié)合二階導(dǎo)數(shù)處理（baseline+2nd）、標(biāo)準(zhǔn)正態(tài)變換結(jié)合一階導(dǎo)數(shù)處理（SNV+1st）、標(biāo)準(zhǔn)正態(tài)變換結(jié)合二階導(dǎo)數(shù)處理（SNV+2nd）、多元散射較正結(jié)合一階導(dǎo)數(shù)處理（MSC+1st）、多元散射較正結(jié)合二階導(dǎo)數(shù)處理（MSC+2nd）。對(duì)原始光譜進(jìn)行去噪，將噪聲較大的波段350~379、1351~1429、1801~1949和2401~2500nm的光譜數(shù)據(jù)予以剔除。基于Matlab2017b數(shù)據(jù)降維工具箱，采用PCA、KPCA和MDS對(duì)葉片光譜數(shù)據(jù)進(jìn)行降維處理。

2.5 建模集和預(yù)測(cè)集的劃分

將122個(gè)樣本按物種首字母大小順序排序，每隔4個(gè)樣本取出1個(gè)做預(yù)測(cè)集，保證每種植物都有一組或者一組以上的數(shù)據(jù)作為預(yù)測(cè)集，共取得預(yù)測(cè)集31個(gè)，其余91個(gè)作為建模集樣本，最終建模集和預(yù)測(cè)集樣本比例約為3∶1，建模樣本和預(yù)測(cè)樣本的各養(yǎng)分元素樣本范圍基本一致且分布均勻（表2）。由表2可知，各樣本間具有一定的差異性，建模集和預(yù)測(cè)集平均值相近，標(biāo)準(zhǔn)差均較小。

表2 各養(yǎng)分含量描述性統(tǒng)計(jì)分析

2.6 模型構(gòu)建

采用偏最小二乘回歸（PLSR）和支持向量機(jī)回歸（SVR）建立高光譜數(shù)據(jù)和營(yíng)養(yǎng)含量的回歸模型。選取建模集決定系數(shù)（R2C）、均方根誤差（RMSEc），交叉驗(yàn)證集決定系數(shù)（R2cv）、均方根誤差（RMSEcv）、和相對(duì)分析誤差（RPD）綜合評(píng)價(jià)模型的效果。其中，R2越大、RMSE越小，表明模型預(yù)測(cè)效果越好，R2C和R2cv的差值越小說(shuō)明模型穩(wěn)定，其中相對(duì)分析誤差的計(jì)算公式為：

RPD＝SD/RMSEp（1）

式中：SD為驗(yàn)證集樣本標(biāo)準(zhǔn)差；RMSEp驗(yàn)證集均方根誤差。當(dāng)RPD≥2.0，說(shuō)明模型具有極好的定量預(yù)測(cè)能力；當(dāng)1.4<2.0時(shí)，說(shuō)明模型預(yù)測(cè)能力較好，可對(duì)樣品進(jìn)行估測(cè)；當(dāng)rpd≤1.4時(shí)，則認(rèn)為模型不可靠。<>

結(jié)果與分析

3.1 不同光譜預(yù)處理方法下模型精度對(duì)比

計(jì)算不同光譜數(shù)據(jù)預(yù)處理方式下TN、TP和TK監(jiān)測(cè)模型的平均精度，結(jié)果表明，采用不同的數(shù)據(jù)預(yù)處理可以提高模型的建模和預(yù)測(cè)精度，其中SNV與一階導(dǎo)數(shù)結(jié)合的預(yù)處理方式，3種養(yǎng)分指標(biāo)建模的平均精度最高（圖1）。

圖1不同光譜預(yù)處理方式下TN（a、b、c）、TP（d、e、f）和TK（g、h、i）模型精度對(duì)比

TN的模型中（圖1-a、b、c），不同預(yù)處理下，預(yù)測(cè)模型確定系數(shù)從0.53提高到0.84，預(yù)測(cè)均方根誤差從4.86%下降到3.00%。一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后，模型性能比Baseline或MSC處理下的模型性能高。Baseline、SNV、MSC與導(dǎo)數(shù)處理結(jié)合可以進(jìn)一步提高模型性能，其中SNV+1st處理后模型精度最高，建模模型確定系數(shù)為0.81，均方根誤差為3.24%；預(yù)測(cè)集確定系數(shù)為0.84，均方根誤差為3.00%，RPD為2.35。從圖1-d、e、f可以看出，經(jīng)過(guò)光譜數(shù)據(jù)預(yù)處理后，TP預(yù)測(cè)模型確定系數(shù)從0.50提升到0.84，預(yù)測(cè)均方根誤差從1.52%下降到0.66%，RPD為2.39。與TN有相似之處，兩種預(yù)處理方式結(jié)合相比單一預(yù)處理，模型精度有所提升。其中SNV+1st的預(yù)處理方式，模型精度最高，建模模型確定系數(shù)為0.81，均方根誤差為0.96%；預(yù)測(cè)模型確定系數(shù)為0.84，均方根誤差為0.66%，模型RPD值為2.39。由圖1-g、h、i可以看出，經(jīng)預(yù)處理，TK預(yù)測(cè)模型確定系數(shù)從0.59提升至0.84，均方根誤差從6.41%下降到4.06%。其中，SNV+1st預(yù)處理下，模型的平均精度最高，建模模型確定系數(shù)為0.73，均方根誤差為5.78；預(yù)測(cè)模型確定系數(shù)為0.84，均方根誤差為4.06%，RPD值為2.45。

3.2 不同降維處理和建模方法下模型精度的比較

圖2顯示了不同數(shù)據(jù)降維方法下模型精度的差異，3種數(shù)據(jù)降維處理中，PCA降維處理后的模型精度最高，KernelPCA算法次之，MDS算法最低，但降維處理后模型精度低于未降維處理的模型精度。PCA降維處理后TN模型的平均R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.78、0.73、3.48%、3.89%、0.77、3.50%和2.04。TP模型的R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.69、0.61、1.00%、1.12%、0.70、1.01%和1.83。TK模型的R2C、R2cv、RMSEc、RMSEcv、R2p、RMSEp和RPD分別為0.71、0.64、6.09%、6.78%、0.72、5.34%和1.91。

圖2不同降維方法下TN、TP和TK模型精度

討論

綜上所述，MSC、Baseline、SNV、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理具有提升模型預(yù)測(cè)精度能力，一階導(dǎo)數(shù)、二階導(dǎo)數(shù)與MSC、Baseline、SNV結(jié)合能進(jìn)一步提高模型對(duì)參數(shù)的預(yù)測(cè)性能，這與已有研究關(guān)于不同光譜預(yù)處理方式對(duì)土壤等地物的光譜分類和預(yù)測(cè)模型精度影響的結(jié)論一致。本研究涉及19種不同的樹(shù)種，不同樹(shù)種的葉片結(jié)構(gòu)差異較大。SNV+1st處理可以有效消除基線和其他背景的干擾，消除表面散射和光程對(duì)光譜的影響，最大程度提高模型預(yù)測(cè)參數(shù)的性能。采用PCA算法、非線性的基于核的PCA降維和MDS進(jìn)行降維處理，所建立的模型精度存在差異，其中，PCA降維算法所得的模型精度最高。從模型確定系數(shù)和RPD值發(fā)現(xiàn)，PLSR和SVR都可以用于葉片養(yǎng)分建模，不同建模方法模型精度存在差異，交叉驗(yàn)證和獨(dú)立驗(yàn)證結(jié)果均表明SVR模型比PLSR模型在TN、TP、TK快速檢測(cè)中精度更高，因此認(rèn)為SVR模型更適合可見(jiàn)光近紅外光譜葉片養(yǎng)分建模，這與Xu等的研究結(jié)論基本一致。SVR模型性能較PLSR模型性能好，可能與葉片TN、TP、TK與光譜數(shù)據(jù)間的非線性程度相關(guān)。可見(jiàn)光近紅外光譜數(shù)據(jù)和葉片養(yǎng)分之間由于測(cè)量環(huán)境或者化學(xué)分析等外部因素可能增強(qiáng)這種非線性關(guān)系。

表3 不同建模方法下TN、TP和TK模型的精度

結(jié)論

以深圳市壩光銀葉園和大鵬半島自然保護(hù)區(qū)主要半紅樹(shù)樹(shù)種葉片的可見(jiàn)光近紅外光譜與TN、TP、TK含量關(guān)系為基礎(chǔ)，探討了不同光譜數(shù)據(jù)預(yù)處理方法、不同數(shù)據(jù)降維方法、不同建模方法對(duì)模型精度的影響。結(jié)果表明，適當(dāng)?shù)念A(yù)處理可以提高養(yǎng)分指標(biāo)建模的精度，其中，SNV結(jié)合一階導(dǎo)數(shù)的處理方式，在3種養(yǎng)分指標(biāo)建模中，性能均最好。3種數(shù)據(jù)降維方式的對(duì)比結(jié)果顯示，PCA降維處理的模型精度最高，PLSR和SVR模型交叉驗(yàn)證和外部驗(yàn)證的結(jié)果均表明，SVR模型的性能最好。SNV一階導(dǎo)數(shù)處理后數(shù)據(jù)進(jìn)行PCA降維建立的SVR模型在各個(gè)模型中性能最好。

本研究發(fā)現(xiàn)模型監(jiān)測(cè)葉片生化組分的能力與光譜數(shù)據(jù)預(yù)處理方法、建模方法等具有密切的關(guān)系，但未進(jìn)行養(yǎng)分建模的光譜特征分析。后續(xù)研究將進(jìn)一步探討葉片養(yǎng)分建模的機(jī)理，并結(jié)合機(jī)器學(xué)習(xí)等方法，探索光譜特征選擇和機(jī)器學(xué)習(xí)算法對(duì)葉片生化組分建模和預(yù)測(cè)精度的影響。