基于高光譜的辣椒葉片SPAD反演研究

無(wú)人機(jī)高光譜遙感技術(shù)和近地高光譜技術(shù)在農(nóng)作物的生長(zhǎng)狀態(tài)監(jiān)測(cè)、分類等方面具有獨(dú)特的優(yōu)勢(shì)，它快速、高效、便捷、監(jiān)測(cè)范圍廣，可對(duì)植被進(jìn)行連續(xù)動(dòng)態(tài)監(jiān)測(cè)，在快速獲取大量植被表型信息的研究中有很好的應(yīng)用前景。

一、引言

辣椒是一年生或有限多年生植物，是全球僅次于豆類、番茄的第三大蔬菜作物，可以鮮食、加工成食品和調(diào)味品，還可作為醫(yī)藥、化工、軍工等方面的原料，用途十分廣泛，開發(fā)潛力巨大。近年來(lái)，貴州將辣椒產(chǎn)業(yè)作為全省12個(gè)農(nóng)業(yè)特色優(yōu)勢(shì)產(chǎn)業(yè)之一，2022年種植面積高達(dá)543萬(wàn)畝，持續(xù)提升辣椒產(chǎn)業(yè)標(biāo)準(zhǔn)化、規(guī)?；?、品牌化水平，推進(jìn)辣椒產(chǎn)業(yè)高質(zhì)量發(fā)展，是貴州實(shí)現(xiàn)鄉(xiāng)村振興的重要抓手。辣椒的生長(zhǎng)狀況直接影響其品質(zhì)優(yōu)劣及經(jīng)濟(jì)價(jià)值，因此實(shí)時(shí)監(jiān)測(cè)辣椒生長(zhǎng)狀況非常必要，這也是確保辣椒科學(xué)種植的前提。葉綠素作為植被進(jìn)行光合作用的主要物質(zhì)，其含量的多少直接影響光合作用的效果，可將其作為衡量植物生長(zhǎng)健康狀況的重要指標(biāo)。近年來(lái)，無(wú)人機(jī)高光譜遙感技術(shù)和近地高光譜技術(shù)在農(nóng)作物的生長(zhǎng)狀態(tài)監(jiān)測(cè)、分類等方面具有獨(dú)特的優(yōu)勢(shì)，它快速、高效、便捷、監(jiān)測(cè)范圍廣，可對(duì)植被進(jìn)行連續(xù)動(dòng)態(tài)監(jiān)測(cè)，在快速獲取大量植被表型信息的研究中有很好的應(yīng)用前景。研究人員將高光譜技術(shù)應(yīng)用到植被參數(shù)的反演中，可對(duì)植被進(jìn)行快速無(wú)損監(jiān)測(cè)。

二、實(shí)驗(yàn)設(shè)計(jì)與分析方法

2.1研究區(qū)概況

研究區(qū)選擇遵義市新蒲新區(qū)貴州省農(nóng)業(yè)科學(xué)院辣椒研究所官莊示范基地圖1，遵義市因辣椒品種豐富，營(yíng)養(yǎng)價(jià)值高被世界辣椒聯(lián)盟授予“世界辣椒之都”榮譽(yù)稱號(hào)。研究區(qū)屬于中亞熱帶高原濕潤(rùn)季風(fēng)區(qū)，具有種植辣椒的天然優(yōu)勢(shì)。

圖1研究區(qū)位置示意圖

2.2田間實(shí)驗(yàn)設(shè)計(jì)

小區(qū)試驗(yàn)采用兩因素裂區(qū)設(shè)計(jì)，以黔椒8號(hào)、紅辣18號(hào)、辣研101號(hào)、紅全球四個(gè)辣椒品種為主區(qū)，以氮肥施用量為副區(qū)，施用4種不同氮肥用量，分別為0k/hm、200k/hm、350k/hm、500k/hm，按基追肥1:1分別于基肥、初花期進(jìn)行。試驗(yàn)共16個(gè)水平組合，重復(fù)3次，共計(jì)48個(gè)小區(qū)，每個(gè)小區(qū)面積為28.8m。各處理磷肥、鉀肥施肥量一致，磷肥（P2O5）作基肥一次性施入，施用量為150k/hm；鉀肥（K2O）施用量為300k/hm2，按基追肥1:1進(jìn)行，追肥在初花期施用。有機(jī)肥按照100kg/畝用量一次性基施。其中，氮肥為尿素（46.4%），磷肥為過(guò)磷酸鈣（16%），鉀肥為硫酸鉀（50%）。

2.3高光譜數(shù)據(jù)獲取

以辣椒盛果期葉片為研究對(duì)象進(jìn)行光譜測(cè)定，可采用萊森光學(xué)公司的iSpecField-WNIR系列便攜式地物光譜儀進(jìn)行近地非成像光譜數(shù)據(jù)采集?？刹捎萌R森光學(xué)公司的iSpecHyper-VM系列無(wú)人機(jī)高光譜成像系統(tǒng)對(duì)研究區(qū)進(jìn)行低空成像高光譜數(shù)據(jù)采集，采樣點(diǎn)點(diǎn)位分布見圖2。

圖2機(jī)載高光譜影像采樣點(diǎn)分布示意圖

三、辣椒葉片SPAD反演研究

本實(shí)驗(yàn)研究期為辣椒盛果期，于研究區(qū)隨機(jī)選取80株植株作為研究樣本，每株植株為一個(gè)樣本，隨機(jī)選取75%的樣本數(shù)用于建立模型，25%用于驗(yàn)證模型。

3.1冠層光譜特征分析

由圖3可知，在選取的樣本中，辣椒葉片反射率的整體趨勢(shì)保持一致，但由于葉綠素含量不同，反射率大小存在一定差異。在可見光的短波區(qū)域內(nèi)，葉片光譜反射率普遍較低，出現(xiàn)了一個(gè)波峰和兩個(gè)波谷，在可見光的長(zhǎng)波區(qū)域內(nèi)，葉片反射率急劇增加至一個(gè)平穩(wěn)的高反射平臺(tái)。對(duì)比分析不同SPAD對(duì)應(yīng)的反射率可知：葉綠素值越大，葉片的反射率越低，呈反比關(guān)系。因此可以推斷出葉片的反射率與葉綠素含量之間存在非常強(qiáng)的關(guān)聯(lián)，可以通過(guò)光譜反射率變化規(guī)律對(duì)葉片的葉綠素含量進(jìn)行反演研究，從而獲得辣椒生長(zhǎng)發(fā)育的信息，進(jìn)一步根據(jù)實(shí)時(shí)狀態(tài)實(shí)施灌水、施肥等措施，確保辣椒健康生長(zhǎng)。

圖3不同SPAD值對(duì)應(yīng)的近地光譜反射率

圖4（a）展示了所有葉片樣本的葉綠素含量統(tǒng)計(jì)值，圖4（b）則將這些樣本分為了建模集和驗(yàn)證集，在葉綠素統(tǒng)計(jì)圖中標(biāo)記了最小值、最大值、平均值和標(biāo)準(zhǔn)差。觀察最小值和最大值可以得出訓(xùn)練集樣本葉片的葉綠素含量分布范圍在37～76.5之間，而預(yù)測(cè)集樣本葉片的葉綠素含量分布范圍在45.3～75.2之間。訓(xùn)練集葉綠素含量的平均值為60.5，標(biāo)準(zhǔn)差為9.4，而預(yù)測(cè)集葉片的葉綠素平均值為64，標(biāo)準(zhǔn)差為7。驗(yàn)證集的葉綠素含量平均值相對(duì)于建模集略高，且葉綠素含量的分布范圍也較窄。

圖4樣本葉片的葉綠素含量統(tǒng)計(jì)情況圖(近地光譜)

3.2數(shù)據(jù)預(yù)處理

將光譜數(shù)據(jù)導(dǎo)入光譜儀自帶的軟件中，提取每個(gè)小區(qū)的葉片光譜反射率并導(dǎo)出作為原始光譜。實(shí)驗(yàn)對(duì)原始光譜進(jìn)行預(yù)處理，包括目測(cè)篩選、Savitzky-Golay平滑處理、光譜轉(zhuǎn)換技術(shù)，即將原始光譜進(jìn)行倒數(shù)、對(duì)數(shù)、倒數(shù)對(duì)數(shù)、連續(xù)統(tǒng)去除、一階二階微分處理。

3.3基于波段與SPAD值的相關(guān)性分析

3.3.1原始光譜與SPAD值的相關(guān)性分析

圖5原始光譜與SPAD值的相關(guān)系數(shù)圖

通過(guò)分析數(shù)據(jù)可知，辣椒葉片光譜反射率與葉綠素含量在可見光范圍內(nèi)密切相關(guān)，特別是在綠光波段和紅光波段范圍，在近紅外波段（780～1000nm）幾乎不能反映其相關(guān)性，其中在421nm～726nm波段范圍內(nèi)呈現(xiàn)極顯著負(fù)相關(guān)（0.01顯著性水平），相關(guān)性最好的波段是572nm和700nm，其相對(duì)應(yīng)的相關(guān)系數(shù)分別是-0.69和-0.72。

3.3.2倒數(shù)、對(duì)數(shù)、倒數(shù)對(duì)數(shù)光譜于SPAD值的相關(guān)性分析

圖6倒數(shù)光譜與SPAD值的相關(guān)系數(shù)圖

圖7對(duì)數(shù)光譜與SPAD值的相關(guān)系數(shù)圖

圖8倒數(shù)對(duì)數(shù)光譜與SPAD值的相關(guān)系數(shù)圖

三種數(shù)學(xué)變換光譜的主要作用為降低因光照條件對(duì)光譜產(chǎn)生的乘性因素，放大可見光區(qū)的光譜差異。由圖可知，對(duì)數(shù)、倒數(shù)、倒數(shù)對(duì)數(shù)相對(duì)于原始光譜僅僅是相關(guān)系數(shù)及正負(fù)相關(guān)發(fā)生改變，敏感波段僅相差1～2nm，并沒有突出其他光譜敏感波段。其中對(duì)數(shù)光譜在429nm～725nm范圍內(nèi)呈現(xiàn)極顯著正相關(guān)（0.01顯著性水平），相關(guān)性最好的波段是573nm和700nm，其相對(duì)應(yīng)的相關(guān)系數(shù)分別是-0.66和-0.67。倒數(shù)光譜446nm～724nm范圍內(nèi)呈現(xiàn)極顯著正相關(guān)（0.01顯著性水平），相關(guān)性最好的波段是570nm和699nm，其相對(duì)應(yīng)的相關(guān)系數(shù)分別是0.613和0.62。倒數(shù)對(duì)數(shù)光譜在428nm～726nm范圍內(nèi)呈現(xiàn)極顯著正相關(guān)（0.01顯著性水平），相關(guān)性最好的波段是572nm和699nm，其相對(duì)應(yīng)的相關(guān)系數(shù)分別是0.695和0.71。

3.3.3連續(xù)統(tǒng)去除光譜與SPAD值的相關(guān)性分析

連續(xù)統(tǒng)去除處理可壓抑背景光譜，并擴(kuò)大弱吸收特征信息。由圖可知，在520nm～748nm范圍內(nèi)呈現(xiàn)極顯著負(fù)相關(guān)（0.01顯著性水平），相關(guān)性最好的波段是632nm和713nm，其相對(duì)應(yīng)的相關(guān)系數(shù)分別是-0.48和-0.74。

圖9連續(xù)統(tǒng)去除光譜與SPAD值的相關(guān)系數(shù)圖

3.3.4微分光譜與SPAD值的相關(guān)性分析

研究表明：一階微分可以消除部分線性或接近線性的噪聲光譜、背景等對(duì)目標(biāo)光譜的影響；二階微分法可明顯消除基線和背景的干擾，提高分析精度，是近紅外常用的光譜預(yù)處理方法。其中一階微分在400nm～421nm、435nm～554nm、677nm～704nm波段區(qū)間內(nèi)呈極顯著負(fù)相關(guān)（0.01顯著性水平），相關(guān)性最好的波段為499nm和688nm，其對(duì)應(yīng)的相關(guān)系數(shù)值為-0.789和-0.791。在563nm～621nm、633nm～672nm、716nm～758nm波段區(qū)間內(nèi)呈極顯著正相關(guān)（0.01顯著水平），相關(guān)性最好的波段為644nm和662nm，其對(duì)應(yīng)的相關(guān)系數(shù)值為0.718和0.716。

二階微分光譜在483nm～541nm、573nm～580nm、616nm～625nm、643nm～651nm、662nm～nm、736nm～752nm波段區(qū)間內(nèi)呈極顯著負(fù)相關(guān)（0.01顯著性水平）相關(guān)性最好的波段為498nm和647nm，其對(duì)應(yīng)的相關(guān)系數(shù)值為-0.72和-0.83。在518nm～568nm、600nm～611nm、626nm～640nm、654nm～659nm、696nm～714nm波段區(qū)間內(nèi)呈極顯著正相關(guān)（0.01顯著水平）相關(guān)性最好的波段為632nm和702nm，其對(duì)應(yīng)的相關(guān)系數(shù)值為0.82和0.85。

圖10一階微分光譜與SPAD值的相關(guān)系數(shù)圖

圖11二階微分光譜與SPAD值的相關(guān)系數(shù)圖

綜上，選取上述原始光譜及6種變換光譜數(shù)據(jù)中與葉綠素含量相關(guān)性高的18條波段作為特征波段，將特征波段作為自變量建立模型并利用GA-PLS進(jìn)行二次篩選。

3.4基于遺傳偏最小二乘法的特征參數(shù)選取

特征波段的選取至關(guān)重要。遺傳算法具有全局優(yōu)化搜索能力，偏最小二乘法善于處理小樣本數(shù)據(jù)，可以降低特征維數(shù)，使低維數(shù)據(jù)更具解釋性，從而獲得更好的識(shí)別精度，因此本研究采用GA-PLS算法對(duì)Pearson法篩選的18條波段進(jìn)一步篩選，進(jìn)而建立更加穩(wěn)定、預(yù)測(cè)能力更強(qiáng)的模型。

圖12波段被選用頻次圖

3.5辣椒葉片SPAD值預(yù)測(cè)模型研究

分別將18條原始光譜和經(jīng)過(guò)GA-PLS降維處理后得到的5條特征波段作為自變量輸入4個(gè)模型中。用20個(gè)驗(yàn)證樣本對(duì)4個(gè)模型進(jìn)行驗(yàn)證，得到4個(gè)不同模型預(yù)測(cè)值和實(shí)測(cè)值之間的擬合圖，如圖3-11所示，圖中實(shí)線為實(shí)測(cè)值回歸方程，虛線為1:1，當(dāng)回歸方程越接近于1:1線時(shí)，說(shuō)明模型效果更好。

表1基于Pearson降維的模型精度表

表2基于Pearson結(jié)合GA-PLS降維的模型精度表

由表可知，經(jīng)Pearson-GAPLS降維處理模型精度普遍比經(jīng)過(guò)Pearson相關(guān)性分析高，說(shuō)明Pearson-GAPLS法比Pearson相關(guān)性分析對(duì)辣椒冠層光譜有更好的降維效果。由表2所示，建模集決定系數(shù)均大于0.6，4個(gè)模型預(yù)測(cè)值和實(shí)測(cè)值之間的R2均達(dá)到極顯著水平，RPD均大于1.4，RMSE均較小，可對(duì)樣品作粗略估測(cè)。根據(jù)R2值越接近1、RMSE值越小、RPD的值越大、擬合線斜率越接近1模型越好的原則，確定RF模型估算效果最好。綜上分析，基于Pearson-GAPLS-RF模型最優(yōu)，其R2值為0.80、RMSE值為3.50、RPD值為2.21，對(duì)辣椒葉片葉綠素含量估測(cè)效果最佳。

圖134種不同模型辣椒葉片葉綠素含量估算模型驗(yàn)證

四、討論

（1）結(jié)論顯示辣椒葉綠素含量的敏感波段多位于500nm、640nm、700nm處，與大多數(shù)綠色植物的變化趨勢(shì)一致。另外，微分光譜與葉綠素之間的相關(guān)性隨著波長(zhǎng)的變化而發(fā)生劇烈變化，相關(guān)系數(shù)明顯高于原始光譜，在702nm處達(dá)到了最大值0.85，這可能是由于測(cè)量過(guò)程中受周圍環(huán)境影響較大，例如：土壤，薄膜等，而微分光譜可以很好地降低周圍因素的干擾。

（2）本研究采用Pearson-GAPLS算法對(duì)數(shù)據(jù)進(jìn)行降維，Pearson法是用來(lái)衡量變量間的線性關(guān)系，而GA-PLS算法可避免光譜局部最優(yōu)問題，此算法篩選的數(shù)據(jù)更利于搭建一個(gè)穩(wěn)定、精度高的模型。結(jié)論顯示RF是SPAD值的最佳反演模型，主要是因?yàn)镽F具備建模結(jié)果較精確、不易對(duì)噪聲和異常情況發(fā)生反應(yīng)和出現(xiàn)“過(guò)擬合”現(xiàn)象、且不需要檢驗(yàn)變量的正態(tài)性和獨(dú)立性等優(yōu)勢(shì)，被廣泛地應(yīng)用到農(nóng)業(yè)參數(shù)的反演中。

五、小結(jié)

1）經(jīng)Pearson相關(guān)性分析篩選的18條光譜和辣椒葉片SPAD值都有較好的相關(guān)性，相關(guān)系數(shù)大多集中在0.7左右，其中二階微分光譜與葉綠素之間的相關(guān)性表現(xiàn)最優(yōu)，負(fù)相關(guān)系數(shù)為-0.82，正相關(guān)系數(shù)為0.85。

2）Pearson-GAPLS降維處理的模型相比于Pearson降維處理的模型，三個(gè)模型評(píng)價(jià)精度指標(biāo)都有所提升，說(shuō)明此方法對(duì)辣椒葉綠素特征波段篩選有明顯意義；其中RF模型表現(xiàn)最優(yōu)，建模集R2提升了0.25、RPD提升了1.03，驗(yàn)證集R2提升了0.15、RMSE降低了1.92、RPD提升了0.79。

3）對(duì)比分析基于Pearson-GAPLS法降維處理的PLSR、RF、BPNN、LSSVM4種模型驗(yàn)證集的估測(cè)精度，三個(gè)評(píng)價(jià)指標(biāo)R2、RMSE、RPD值從高到低依次為RF>PLSR>LSSVM>BPNN；PLSR>BPNN>LSSVM>RF；RF>LSSVM>PLSR>BPNN，即Pearson-GAPLS-RF模型精度最高，R2、RMSE和RPD分別為0.80，3.50和2.21，可對(duì)SPAD值進(jìn)行較好預(yù)測(cè)。

審核編輯 黃宇