陳曉 李修華 周永華 丁永軍 劉小陽(yáng) 馬紹對(duì) 趙立安

摘要：葉綠素是植物進(jìn)行光合作用的重要色素，葉綠素含量可以作為評(píng)價(jià)植物生長(zhǎng)狀況的重要參數(shù)。本研究基于甘蔗葉片的反射光譜，利用PCA及BP神經(jīng)網(wǎng)絡(luò)算法，建立了甘蔗葉片的葉綠素含量預(yù)測(cè)模型。PCA算法可以在盡可能少地丟失有用光譜信息的前提下，降低輸入光譜矩陣的維數(shù)，最大限度地減少冗余信息。BP神經(jīng)網(wǎng)絡(luò)算法因其良好的非線性逼近能力可大大提高該模型的預(yù)測(cè)精度。研究發(fā)現(xiàn)：基于PCA和BP算法建立的葉綠素含量預(yù)測(cè)模型，其預(yù)測(cè)值與實(shí)測(cè)值之間的R2達(dá)0.8929，表明該模型具有較高的預(yù)測(cè)能力。

關(guān)鍵詞：甘蔗葉片；光譜反射率；葉綠素含量；PCA算法；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：O657.3； TP722.4文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.3969/j.issn.10036199.2017.01.008

1引言

甘蔗是廣西地區(qū)最重要的經(jīng)濟(jì)作物，新臺(tái)糖22號(hào)甘蔗是廣西蔗區(qū)種植面積最廣的品種。但是與發(fā)達(dá)地區(qū)相比，廣西的甘蔗生產(chǎn)水平相對(duì)較低，生產(chǎn)成本偏高，產(chǎn)品的國(guó)際競(jìng)爭(zhēng)力不強(qiáng)。了解甘蔗的生長(zhǎng)狀況，建立與作物長(zhǎng)勢(shì)有關(guān)的作物生化指數(shù)（這里指的是葉綠素含量）的預(yù)測(cè)模型是精細(xì)農(nóng)業(yè)研究的重要內(nèi)容。葉片葉綠素含量植物的狀態(tài)，而光譜為無(wú)損估算葉片葉綠素含量提供了[1-4]。

Gitelson等[5]通過(guò)對(duì)不同作物的冠層反射光譜進(jìn)行研究，發(fā)現(xiàn)在波長(zhǎng)550 nm和700 nm附近的光譜與葉綠素的含量相關(guān)性顯著；Hansena and Schjoerring[6]通過(guò)比較預(yù)先假設(shè)的NDVI的兩個(gè)長(zhǎng)波段的預(yù)測(cè)模型，采用偏最小二乘法選擇相關(guān)性最高的波段組合，結(jié)果發(fā)現(xiàn)用于估算葉片葉綠素含量的模型準(zhǔn)確度高；趙春江、張金恒等[7-8]研究認(rèn)為利用紅邊波段的反射光譜可以估算葉片葉綠素含量。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)。目前BP神經(jīng)網(wǎng)絡(luò)已成為近紅外光譜定量分析中應(yīng)用最廣的非線性多元校正方法。劉建學(xué)等[9-12]基于BP神經(jīng)網(wǎng)絡(luò)建立了大米淀粉含量的預(yù)測(cè)模型；王艷斌[7]等針對(duì)不同餾程柴油的近紅外光譜進(jìn)行校正，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)具有較好的準(zhǔn)確性和抗干擾性；張欽禮等[13]針對(duì)礦巖可爆性進(jìn)行預(yù)測(cè)分析，建立了基于主成分析（Principal Component Analysis，PCA）和BP組合的礦巖可爆性分級(jí)評(píng)價(jià)模型，預(yù)測(cè)值與期望值之間的相對(duì)誤差控制在6%以內(nèi)；陳建宏等[14]建立了基于PCA和BP相結(jié)合的采礦方法優(yōu)選模型了數(shù)據(jù)處理速度較慢的缺陷。王棟等[15]研究發(fā)現(xiàn)基于灰色關(guān)聯(lián)和BP神經(jīng)網(wǎng)絡(luò)的汽車保有量預(yù)測(cè)模型具有較高的精度，最大相對(duì)誤差為2.2%，平均相對(duì)誤差為1.5%。

人工神經(jīng)網(wǎng)絡(luò)方法具有很強(qiáng)的非線性逼近能力，已經(jīng)在近紅外分析中得到廣泛的應(yīng)用。針對(duì)甘蔗作物光譜特性進(jìn)行研究的文獻(xiàn)少，研究基于PCA和BP神經(jīng)網(wǎng)絡(luò)算法，建立了甘蔗葉片葉綠素含量的預(yù)測(cè)模型。

2實(shí)驗(yàn)數(shù)據(jù)獲取

該實(shí)驗(yàn)是在2015年5月26日，在廣西大學(xué)農(nóng)學(xué)院試驗(yàn)田進(jìn)行。甘蔗品種選擇新臺(tái)糖22號(hào)（ROC22）。采用“3414”施肥方案，肥料選擇尿素（N）、氯化鉀（K）和鈣鎂磷肥（P）。此次試驗(yàn)是在每個(gè)小區(qū)，共42個(gè)樣本。實(shí)驗(yàn)使用的是島津紫外可見分光光度計(jì)UV-2600，其測(cè)量的測(cè)波長(zhǎng)范圍是220-1400 nm，分辨率為0.1 nm。可用于測(cè)量甘蔗葉片的反射光譜和葉綠素含量

a和Cb分別為葉綠素a、b的濃度，葉綠素濃度。A645與A663分別為645 nm與663 nm波長(zhǎng)下的萃取液吸光度。3基于PCA和BP神經(jīng)網(wǎng)絡(luò)的葉綠素含量預(yù)測(cè)模型設(shè)計(jì)

本實(shí)驗(yàn)利用甘蔗葉片在可見光-近紅外區(qū)域的反射率數(shù)據(jù)作為該模型的輸入，光譜矩陣X，葉綠素的含量值作為其輸出。本研究主要基于BP算法的思想建立預(yù)測(cè)葉綠素含量的模型。但是直接將光譜矩陣X作為神經(jīng)元的輸入，導(dǎo)致BP網(wǎng)的規(guī)模比較大，訓(xùn)練也較為復(fù)雜。我們首先利用PCA消除光譜數(shù)據(jù)之間的多重共線性，對(duì)原始光譜矩陣進(jìn)行降維處理，提取出主成分。進(jìn)一步確定最終主成分的數(shù)目，并將這些主成分作為BP網(wǎng)的輸入。另外，根據(jù)BP神經(jīng)網(wǎng)絡(luò)理論，編寫B(tài)P算法的程序，建立葉綠素含量的預(yù)測(cè)模型。

3.1PCA算法和BP神經(jīng)網(wǎng)絡(luò)算法的原理

PCA是對(duì)多變量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理的一種數(shù)據(jù)線性投影方法，它在盡可能保留原有信息的基礎(chǔ)上將高維空間中的樣本映射到較低維的主成分空間中。其基本思路是以一種最優(yōu)的方法把相互相關(guān)的一組數(shù)據(jù)，通過(guò)正交變換使其變?yōu)橐唤M相互無(wú)關(guān)的變量，以達(dá)到簡(jiǎn)化光譜矩陣，降低維數(shù)的目的。對(duì)于一個(gè)具有n個(gè)樣本p個(gè)波長(zhǎng)點(diǎn)光譜矩陣

以上測(cè)試結(jié)果表明：在一定的誤差范圍內(nèi)，利用經(jīng)過(guò)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型能較好預(yù)測(cè)葉綠素含量。這主要是因?yàn)榍?個(gè)主成分幾乎原始光譜信息另外BP神經(jīng)網(wǎng)絡(luò)自身的結(jié)構(gòu)特點(diǎn)也決定了其具有較好的預(yù)測(cè)能力。

4結(jié)語(yǔ)

本論文主要研究了處于分蘗初期的甘蔗葉片在可見-近紅外波段的光譜特性對(duì)其葉綠素含量的預(yù)測(cè)能力。首先對(duì)光譜范圍為400 nm～1000 nm的甘蔗葉片反射率進(jìn)行了主成分分析，以盡可能地減少冗余信息；接下來(lái)，采用前5個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入，建立了葉綠素的預(yù)測(cè)模型。研究發(fā)現(xiàn)，采用PCA及BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法建立的預(yù)測(cè)模型具有較強(qiáng)的預(yù)測(cè)能力（R2=0.8929，pvalue=0.0016）。但是，利用全波段的光譜信息來(lái)作為預(yù)測(cè)模型的輸入，數(shù)據(jù)量較大，數(shù)據(jù)獲取成本較高，增加了模型的復(fù)雜性及應(yīng)用成本，不利于后期推廣。另外，由于研究中用到的樣本數(shù)據(jù)較少，該模型仍存在一定的不穩(wěn)定因素，后期可通過(guò)增加訓(xùn)練樣本數(shù)量集，進(jìn)一步增加模型的魯棒性。

參考文獻(xiàn)

[1]THENKABAIL P S， SMITH R B， DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2001，71：158-182.

[2]FILELLA I， SERRANO I， SERRA J，et al.Evaluating wheat nitrogen status with canopy relfectance indices and discriminant analysis[J]. Crop Sci，1995，35：1400-1405.

[3]RICHARDSON A D， DUIGAN S P， BERLYN G P. An evaluation of noninvasive methods to estimate foliar chlorophyll content[J]. New Phytol，2002，153：185-194.

[4]李修華， 陳曉， 周永華，等. 不同施肥情況下甘蔗葉片光譜特性分析及其葉綠素含量預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31：118-123.

[5]GITELSON A A， MERZLYAK M N J. PhotochemPhotobiol， Quantitative estimation of chlorophyll a using reflectance spectra： Experiments with autumn chestnut and maple leaves. J Photochem Photobiol，1994a，（B） 22：247-252.

[6]HANSENA P M.，SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment，2003，86： 542-553.

[7]趙春江，黃文江，王紀(jì)華，等.不同品種和肥水條件下冬小麥光譜紅邊參數(shù)研究[A]. 成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C]. 2002，69-73.

[8]張金恒，王珂，王人潮. 高光譜評(píng)價(jià)植被葉綠素含量的研究進(jìn)展[J].上海交通大學(xué)學(xué)報(bào)， 2003， 21（4）： 349-360.

[9]RIAR A. In： Bhullar GS， Bhullar NKA （eds） Agricultural Sustainability Progress and Prospects in Crop Research[J]， 1st edn. Jamestown Road， London. 2013.

[10]CRAMARIUC R，NISIPARU L，TANASE G.Test for the electrostatic crop spraying as a method of treatment with vctra low volume，the modern problems of electrostatics with applications in environment protection[J].NATO ASI Seriea，1998，118：33-38，379-392.

[11]孫紅，李民贊，周志艷，等.玉米生長(zhǎng)期葉片葉綠素含量檢測(cè)研究.光譜學(xué)與光譜分析，2010，4： 1080-1083.

[12]APARICIO N，VILLEGAS D，CASADESUS J，et al.Spectral vegetation indices as non-destructive Curran PJ[J]， Agronomy Journal，2000，92： 83-91.

[13]張欽禮，劉偉軍，楊偉，等. 基于PCA和改進(jìn)BP組合預(yù)測(cè)模型的礦巖可爆性研究[J]. 爆破， 2016，33（1）：19-30.

[14]陳建宏， 劉浪， 周智勇， 等. 基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J]. 中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，41（5）：1967-1974.

[15]王棟，鄧北川. 山區(qū)高速公路直線段車速預(yù)測(cè)方法[J]. 交通科學(xué)與工程，2014，30（2）：81-86.

[16]LI X， LI M， LEE W S，et al.VisibleNIR Spectral Feature of Citrus Greening Disease[J]. Spectroscopy and Spectral Analysis，2014，34（6）：1553-1559.

第36卷第1期2017年3月計(jì)算技術(shù)與自動(dòng)化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月計(jì)算技術(shù)與自動(dòng)化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7