孫玉婷 楊紅云 孫愛珍 梅芳 易文龍

摘要：【目的】構(gòu)建水稻葉片SPAD值的高光譜精確估算模型，為進(jìn)一步提高高光譜對(duì)水稻SPAD值反演估算精度提供參考依據(jù)?！痉椒ā坷肧PAD-502型葉綠素測(cè)定儀測(cè)量水稻葉片SPAD值，以FieldSpec 4光譜儀采集水稻葉片光譜數(shù)據(jù)。通過分析光譜植被指數(shù)、位置參數(shù)與SPAD值的相關(guān)性，構(gòu)建4個(gè)水稻葉片SPAD值高光譜估測(cè)模型，即逐步多元線性回歸（SMLR）模型、支持向量機(jī)回歸（SVR）模型、基于主成分分析的支持向量機(jī)回歸（PCA+SVR）模型和以逐步多元線性回歸確定最佳參數(shù)的支持向量機(jī)回歸（SMLR+SVR）模型;并采用均方根誤差（RMSE）、平方相關(guān)系數(shù)（R2）、相對(duì)分析誤差（RPD）和平均相對(duì)誤差（MRE）等指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)?！窘Y(jié)果】在分析的15個(gè)光譜特征參數(shù)中，除黃邊位置（λy）無顯著相關(guān)外（P>0.01），水稻葉片SPAD值與葉片光譜位置參數(shù)及植被指數(shù)參數(shù)間存在顯著相關(guān)性，選擇相關(guān)系數(shù)大于0.800的5個(gè)植被指數(shù)參數(shù)（VOG1、VOG2、VOG3、CARI和PRI）和7個(gè)光譜位置參數(shù)[藍(lán)邊面積（SDb）、黃邊振幅（Dy）、黃邊面積（SDy）、綠峰反射率（Rg）、紅谷凈深度（Hr）、藍(lán)邊振幅（Db）和紅邊位置（λh）]作為輸入變量構(gòu)建水稻葉片SPAD值的估測(cè)模型。R2和RPD值越大，RMSE和MRE值越小，則表明模型的性能越好，估算精度高。比較4個(gè)模型訓(xùn)練與測(cè)試結(jié)果的R2、RMSE、MRE和RPD可知，在模型估算精度上，SMLR+SVR模型高于SMLR模型，PCA+SVR模型高于SVR模型?？傮w上，SMLR+SVR模型能更好地實(shí)現(xiàn)對(duì)水稻葉片SPAD值的預(yù)測(cè)，其模型各項(xiàng)評(píng)價(jià)指標(biāo)R2、RMSE、MRE和RPD分別為0.856、2.076、3.984%和2.550。【建議】進(jìn)一步挖掘分析光譜特征參數(shù)與水稻葉片SPAD值間的關(guān)系，提出新的光譜特征參數(shù)或優(yōu)化特征參數(shù)選擇組合方法，增加回歸建模算法，提高高光譜對(duì)水稻葉片SPAD值的有效估算。采集水稻冠層高光譜圖像，反演出高光譜圖像中的水稻冠層SPAD值，研究冠層SPAD與水稻長(zhǎng)勢(shì)關(guān)系，為水稻科學(xué)管理提供技術(shù)支持。

關(guān)鍵詞： 水稻;SPAD值;高光譜;多元逐步線性回歸;支持向量機(jī)回歸

中圖分類號(hào)： S511.01;S126? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：2095-1191（2020）05-1062-08

Abstract：【Objective】The hyperspectral accurate estimation model of SPAD value in rice leaves was constructed， which provided reference for further improving the accuracy of hyperspectral retrieval estimation of rice SPAD value. 【Method】The SPAD value of rice leaf was measured by SPAD-502 chlorophyll detector， and the spectrum data of rice leaf was collected by FieldSpec 4 spectrometer. The correlation among spectral vegetation index， position parameters and SPAD values was analyzed. Four hyperspectral estimation models of SPAD value of rice leaves were constructed： stepwise multiple linear regression model（SMLR）， support vector machine regression model（SVR）， support vector machine regression model based on principal component analysis（PCA+SVR） and support vector machine regression model based on stepwise multiple linear regression to determine the best parameters（SMLR+SVR）. The model was evaluated by the root mean square error（RMSE）， R-squared（R2）， the residual predictive deviation（RPD） and the mean relative error（MRE）. 【Result】Among the 15 spectral characteristic parameters analyzed， except the yellow edge amplitude（λy） was insignificantly correlated（P>0.01），there was significant correlation between SPAD value of rice leaves and parameters of spectral position and vegetation index. Five vegetation index parameters（VOG1， VOG2， VOG3， CARI and PRI） and seven spectral position parameters[blue edge area（SDb）， yellow edge amplitude（Dy）， yellow edge area（SDy）， green peak reflectivity（Rg）， Red Valley clear depth（Hr）， blue edge amplitude（Db）， red edge position（λh）] with correlation coefficient greater than 0.8 were selected as input variables to build the estimation model of SPAD value on rice leaf. If the R2 and RPD were larger， RMSE and MRE were smaller， the performance of the model would be better and the estimation accuracy would be high. By comparing the R2， RMSE， MRE and RPD of training and test results of the four models， the estimation accuracy of SMLR+SVR model was higher than SMLR model， and that of PCA+SVR model was higher than SVR model. In general， SMLR+SVR modelcould better predict the rice leaves SPAD value. The evaluation indexes R2， RMSE， MRE and RPD of the SMLR+SVR model were 0.856， 2.076， 3.984% and 2.550 respectively. 【Suggestion】Further mining and analyzing the relationship between the spectral characteristic parameters and the rice SPAD value，propo-sing new spectral characteristic parameter or an optimized combination of characteristic parameters，and adding regression modeling algorithm to improve the efficient estimation of rice SPAD value by hyperspectral. Collecting hyperspectral image of rice canopy， and inverting the SPAD value of rice canopy in the hyperspectral image， studying the relationship between canopy SPAD and rice growth to provide technical support for rice scientific management.

Key words： rice; SPAD value; hyperspectral; stepwise multiple linear regression; support vector machine regression

Foundation item： National Natural Science Foundation of China（61562039，61762048）;Science and Technology Project of Jiangxi Provincial Department of Education（GJJ160374，GJJ170279）

0 引言

【研究意義】葉綠素是植物進(jìn)行光合作用過程中最重要的色素，其含量與植物的健康狀況、營(yíng)養(yǎng)水平及產(chǎn)量有著密切關(guān)系。傳統(tǒng)的作物葉片葉綠素含量檢測(cè)常采用機(jī)溶劑提取結(jié)合分光光度計(jì)分析方法（Lichtenthaler，1987），費(fèi)時(shí)費(fèi)力且需破壞取樣。隨著高光譜技術(shù)在作物長(zhǎng)勢(shì)監(jiān)控上的大量研究應(yīng)用，發(fā)現(xiàn)在可見光范圍內(nèi)葉片光譜反射率主要受色素含量影響，即葉片色素含量可通過光譜反射率進(jìn)行有效估計(jì)。植物葉片SPAD值是反映葉綠素含量的相對(duì)值，使用SPAD值代替葉綠素含量已成為評(píng)價(jià)植被長(zhǎng)勢(shì)的有效手段（趙小敏等，2019），因此，快速精準(zhǔn)獲取作物SPAD值對(duì)監(jiān)控作物生長(zhǎng)長(zhǎng)勢(shì)狀況及提高作物最終產(chǎn)量等具有重要意義?！厩叭搜芯窟M(jìn)展】近年來，高光譜技術(shù)以其信息量大、分辨率高、連續(xù)性強(qiáng)等優(yōu)勢(shì)廣泛應(yīng)用于植物生長(zhǎng)監(jiān)測(cè)中（譚向農(nóng)等，2017），可通過微弱的光譜反射率差異定量分析植物生長(zhǎng)發(fā)育過程中的細(xì)微變化，從而估測(cè)植物生理生態(tài)參數(shù)。目前，基于高光譜技術(shù)的研究主要集中于植物的葉片和冠層兩個(gè)方面，就光譜與植物的響應(yīng)機(jī)理來看，作物冠層光譜結(jié)合了植株群體、冠層結(jié)構(gòu)、土壤背景和空氣等不同要素，非目標(biāo)信息可能會(huì)影響植物生理生態(tài)參數(shù)的估算精度（章曼等，2015;Niu and Zhang，2016）。葉片是冠層光譜信息中貢獻(xiàn)最大的成分，基于植物葉片的光譜信息特征提取可避免環(huán)境因素及土壤背景等的影響（Wu et al.，2016;武改紅等，2018），學(xué)者就此進(jìn)行了相關(guān)研究。夏天等（2012）通過光譜植被指數(shù)估測(cè)植物葉片的SPAD值，構(gòu)建了冬小麥葉片SPAD值的估測(cè)模型，表明以植被指數(shù)NDVI對(duì)SPAD值具有較好的估算效果，能滿足精度要求。王鑫梅（2015）以107楊幼苗為研究對(duì)象，構(gòu)建了基于植被指數(shù)的葉片SPAD值估算模型，模型估算精度較高，可為高光譜技術(shù)對(duì)植物的生長(zhǎng)過程監(jiān)測(cè)提供理論依據(jù)。也有不少研究通過光譜的位置參數(shù)來估測(cè)植物葉片的SPAD值。朱西存等（2011）采集不同生長(zhǎng)發(fā)育期紅富士蘋果葉片光譜反射率，通過一階微分計(jì)算獲得紅邊光譜位置特征參數(shù)，并分析特征參數(shù)與葉片SPAD值的相關(guān)性，將相關(guān)性高的紅邊位置參數(shù)作為自變量，建立SPAD值估測(cè)模型，模型具有較好的估測(cè)效果。李媛媛等（2016）通過分析玉米葉片的一階微分光譜得到不同光譜位置參數(shù)，將與SPAD值相關(guān)性高的4個(gè)光譜位置參數(shù)作為輸入、SPAD值作為輸出，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，模型的估算精度高。隨著人工智能技術(shù)的迅速發(fā)展，支持向量機(jī)回歸以其良好的泛化能力優(yōu)勢(shì)廣泛應(yīng)用于許多領(lǐng)域，通過支持向量機(jī)回歸與高光譜技術(shù)相結(jié)合估測(cè)作物的生理生化參數(shù)的研究也越來越多。孫小香等（2018）采用主成分分析和支持向量機(jī)回歸方法構(gòu)建水稻冠層SPAD值的估算模型，結(jié)果表明基于主成分分析的支持向量機(jī)回歸模型估算均方根誤差（RMSE）相對(duì)較小，獲得了較好的應(yīng)用效果?！颈狙芯壳腥朦c(diǎn)】現(xiàn)有研究主要是通過單一的一元線性回歸、偏最小二乘、逐步多元線性回歸或支持向量機(jī)回歸等方法建立水稻葉片SPAD值的高光譜分析模型，也有采用主成分分析結(jié)合各種回歸算法建模，但模型的精確度有待進(jìn)一步提高?！緮M解決的關(guān)鍵問題】通過采集水稻葉片的SPAD值和高光譜數(shù)據(jù)，分析水稻葉片的原始光譜和一階微分光譜，提取光譜的植被指數(shù)與位置參數(shù)，利用逐步多元線性回歸分析選擇支持向量機(jī)回歸建模參數(shù)，構(gòu)建模型，為提高高光譜對(duì)水稻葉片SPAD值的精確估測(cè)提供參考依據(jù)。

1 數(shù)據(jù)樣本與處理

1. 1 水稻樣本試驗(yàn)

于2019年在江西農(nóng)業(yè)大學(xué)農(nóng)學(xué)實(shí)驗(yàn)站進(jìn)行水稻大田試驗(yàn)。土壤理化特性：pH 5.3，全氮1.02 g/kg，全鉀14.22 g/kg，全磷0.48 g/kg，速效鉀123.84 mg/kg，速效磷11.65 mg/kg，堿解氮112.31 mg/kg，有機(jī)質(zhì)19.46 g/kg。以中嘉早17為試驗(yàn)材料，設(shè)4種不同施氮水平區(qū)域，每個(gè)區(qū)域的磷鉀施肥量相同，各生長(zhǎng)期的施肥量數(shù)據(jù)見表1。于2019年4月25日播種，5月14日人工移栽。移栽密度為25株/m2（5 m×5 m），其他按常規(guī)栽培要求進(jìn)行管理。水稻分蘗期進(jìn)行數(shù)據(jù)采集，一片葉片為一組樣本。每個(gè)施氮水平區(qū)域各采集100組，本次試驗(yàn)共采集400組樣本數(shù)據(jù)，其中每個(gè)施氮水平區(qū)域隨機(jī)選擇70組共計(jì)280組作為建模樣本，剩余120組作為測(cè)試驗(yàn)證樣本。

1. 2 數(shù)據(jù)獲取與分析

1. 2. 1 葉片SPAD值測(cè)量 采用SPAD-502型葉綠素測(cè)定儀（浙江托普云農(nóng)科技股份有限公司）測(cè)定水稻葉片的SPAD值，分別對(duì)水稻葉片的葉枕、葉中和葉尖3個(gè)部位進(jìn)行測(cè)量（測(cè)量時(shí)盡量避開葉脈），葉片SPAD值為3個(gè)部分的平均值。

1. 2. 2 葉片高光譜數(shù)據(jù)測(cè)量 使用FieldSpec 4（美國(guó)ASD公司）光譜儀，采集的波段范圍為350～1200 nm，光譜間隔為1.4 nm。標(biāo)準(zhǔn)白板校正光譜儀后采集葉片葉尖、葉中和葉枕3個(gè)部位的15條光譜曲線，葉片高光譜數(shù)據(jù)為15條光譜曲線的平均值。

1. 2. 3 一階微分變換 在測(cè)量過程中，為消減由于土壤、水分等因素干擾影響光譜數(shù)據(jù)，光譜微分技術(shù)被廣泛應(yīng)用（孫小香等，2018），采用以下公式對(duì)水稻葉片的原始光譜數(shù)據(jù)進(jìn)行微分變換：

R（λi）'=[Rλi+1-Rλi-1λi+1-λi-1]? ? ? ?（1）

式中，λi-1、λi和λi+1分別為第i-1、i和i+1個(gè)波段的長(zhǎng)度，R（λi）表示波長(zhǎng)λi位置的原始光譜反射率，R（λi）'表示波長(zhǎng)λi位置的光譜一階微分值。

1. 2. 4 高光譜特征選擇 植被指數(shù)是對(duì)原始光譜數(shù)據(jù)重新組合得到的參數(shù)，能有效度量植物的營(yíng)養(yǎng)狀況。從測(cè)量獲取的水稻葉片原始光譜數(shù)據(jù)中，本研究共提取15個(gè)植被指數(shù)特征，分別為：PRI（Gamon et al.，1992）、VOG1（Vogelmann et al.，1993）、NPCI（Penuelas et al.，1995）、GNDVI（Gitelson et al.，1996）、NDVI（Lichtenthaler et al.，1996）、PSSRa、PSSRb、PSSRc（Blackburn，1998）、CARI（Broge and Leblanc，2001）、VOG2、VOG3（Zarco-Tejada et al.，2001）、PSNDa、PSNDb、PSNDc、PSRI（Merzlyak et al.，2010）。5個(gè)光譜位置參數(shù)分別為：紅谷位置（λr）、紅谷反射率（Rr）、紅谷凈深度（Hr）、綠峰位置（λg）及綠峰反射率（Rg）。9個(gè)一階微分光譜位置參數(shù)分別為：藍(lán)邊位置參數(shù)3個(gè)，即藍(lán)邊面積（SDb）、藍(lán)邊位置（λb）和藍(lán)邊振幅（Db）;黃邊位置參數(shù)3個(gè)，即黃邊面積（SDy）、黃邊位置（λy）和黃邊振幅（Dy）;紅邊位置參數(shù)3個(gè)，即紅邊面積（SDr）、紅邊位置（λh）和紅邊振幅（Dr）。

1. 3 SVR參數(shù)選擇

在實(shí)際應(yīng)用的SVR回歸中，懲罰參數(shù)（C）的取值和核參數(shù)（g）的取值非常重要，在很大程度上決定了SVR的性能優(yōu)劣（Friedrichs and Igel，2005），傳統(tǒng)的網(wǎng)格搜索算法雖能找到最優(yōu)參數(shù)組合（C，g），但尋優(yōu)時(shí)間長(zhǎng)，缺乏時(shí)效性，而改進(jìn)網(wǎng)格搜索算法（王興玲和李占斌，2005）對(duì)參數(shù)采用大步距大范圍的粗略選擇，以得到局部最優(yōu)參數(shù)組合（C，g），再在這組參數(shù)附近確定一個(gè)小區(qū)間進(jìn)行小步距精搜，從而減少尋優(yōu)時(shí)間。網(wǎng)格搜索算法設(shè)定網(wǎng)格搜索參數(shù)（C，g）的初始搜索范圍設(shè)定為[2-8，28]，步長(zhǎng)step=1，對(duì)訓(xùn)練集的測(cè)試采用K-CV方法，其中K=10;計(jì)算局部最優(yōu)參數(shù)組合（C，g），設(shè)步長(zhǎng)step=0.1，在局部最優(yōu)參數(shù)附近選擇一個(gè)較小的區(qū)間重新進(jìn)行二次搜索。

1. 4 統(tǒng)計(jì)分析

使用SPSS 19.0進(jìn)行數(shù)據(jù)分析，并到用MATLAB 2014b平臺(tái)進(jìn)行代碼編程和制圖。

2 結(jié)果與分析

2. 1 植被指數(shù)與葉片SPAD值間的關(guān)系

根據(jù)已有的研究成果（Sims and Gamon，2002;梁亮等，2012），本研究總結(jié)整理15個(gè)植被指數(shù)，分析其與水稻SPAD值間的相關(guān)性，分析結(jié)果見表2。15個(gè)植被參數(shù)均與SPAD值在0.01水平呈顯著相關(guān)，其中植被指數(shù)CARI與葉片SPAD值呈最大負(fù)相關(guān)（r=-0.881），而植被指數(shù)VOG1與葉片SPAD值呈最大正相關(guān)（r=0.874）。為更有效地對(duì)水稻葉片SPAD值進(jìn)行估算，從表2中篩選出|r|>0.800的5個(gè)植被指數(shù)（VOG1、VOG2、VOG3、CARI、PRI）作為模型的部分輸入量。

2. 2 光譜位置參數(shù)與葉片SPAD值間的關(guān)系

2. 2. 1 原始光譜 如圖1所示，試驗(yàn)采集的水稻葉片原始光譜反射率繪制得到3條不同SPAD值光譜反射曲線，且基本趨于一致，在可見光波段，約接近700和500 nm的位置處呈現(xiàn)波谷特征，其中光譜反射率最小值在近700 nm波谷位置，稱為紅谷;接近550～600 nm處出現(xiàn)波峰特征，對(duì)光譜反射率達(dá)極大值，稱為綠峰;在近紅外的過渡波段700～800 nm處形成明顯的紅邊，光譜反射率迅速上升，在大于800 nm的紅外形成一個(gè)反射高臺(tái)。對(duì)綠峰和紅谷的特征參數(shù)進(jìn)行分析，A點(diǎn)標(biāo)記λg，B點(diǎn)標(biāo)記λr。綠光區(qū)域內(nèi)最大波段的反射率記為Rg，紅光區(qū)域內(nèi)最小波段的反射率記為Rr，Rg減去Rr的結(jié)果為Hr，即圖1中A、B兩點(diǎn)間的垂直落差值。

2. 2. 2 一階微分光譜 水稻葉片SPAD值的一階微分光譜反射率如圖2所示，C表示藍(lán)邊，D表示黃邊，E表示紅邊;Db表示藍(lán)邊范圍內(nèi)一階微分光譜的最大值，Dy表示黃邊范圍內(nèi)一階微分光譜的最大值，Dr則表示紅邊范圍內(nèi)最大一階微分光譜值。Db波長(zhǎng)對(duì)應(yīng)λb，Dy波長(zhǎng)對(duì)應(yīng)λy，Dr波長(zhǎng)則對(duì)應(yīng)λh。黃邊區(qū)域內(nèi)一階微分光譜值的總和稱為SDy，藍(lán)邊區(qū)域內(nèi)一階微分光譜值的總和稱為SDb，紅邊區(qū)域內(nèi)的一階微分光譜值總和稱為SDr。利用5個(gè)原始光譜位置參數(shù)和9個(gè)一階微分光譜參數(shù)，共計(jì)14個(gè)光譜位置參數(shù)特征分別對(duì)SPAD值進(jìn)行相關(guān)性分析，結(jié)果（表3）顯示，14個(gè)光譜位置參數(shù)中與水稻葉片SPAD值不存在顯著相關(guān)的只有λy參數(shù)（P>0.01）。為了精確估算水稻葉片SPAD值，從中篩選出|r|>0.800的7個(gè)光譜位置參數(shù)（SDb、Dy、SDy、Rg、Hr、Db、λh）模型的部分輸入量。

2. 3 水稻葉片SPAD值的估算模型

2. 3. 1 SVR模型 利用上述篩選出|r|>0.800的5個(gè)植被指數(shù)和7個(gè)光譜位置參數(shù)共計(jì)12個(gè)特征量作為SVR的輸入量，以SPAD值作為輸出量，構(gòu)建SVR模型。采用K折交叉驗(yàn)證法進(jìn)行驗(yàn)證，得到局部最優(yōu)組合參數(shù)（C，g）為（64，0.125），即（26，2-3）。在局部最優(yōu)參數(shù)附近選擇不同的較小區(qū)間重新進(jìn)行二次搜索，搜索步長(zhǎng)設(shè)定0.1，參數(shù)尋優(yōu)結(jié)果（C，g）為（27.858，0.25）。與傳統(tǒng)的網(wǎng)格搜索算法比較，改進(jìn)的網(wǎng)格搜索算法參數(shù)尋優(yōu)的RMSE明顯更低，參數(shù)尋優(yōu)時(shí)間更短。

以觀測(cè)到中嘉早17水稻葉片的400組數(shù)據(jù)為分析樣本，通過SVR模型對(duì)其中280組建模樣本進(jìn)行學(xué)習(xí)訓(xùn)練，根據(jù)得到的SVR模型對(duì)120組測(cè)試樣本進(jìn)行預(yù)測(cè)估算，預(yù)測(cè)估算的結(jié)果如圖3所示。SVR模型估算值的R2為0.822，RMSE為2.363，平均相對(duì)誤差（MRE）為4.712%，相對(duì)分析誤差（RPD）為2.064。

2. 3. 2 SMLR模型 與構(gòu)建SVR模型相同，選取12個(gè)與SPAD值相關(guān)性大于0.800的植被指數(shù)和光譜位置參數(shù)作為輸入變量，并對(duì)模型進(jìn)行驗(yàn)證。逐步回歸方法的建模依據(jù)采用顯著性水平值進(jìn)行判斷，分別設(shè)0.05和0.10作為選擇和剔除輸入自變量的概率參數(shù)，根據(jù)R2，F(xiàn)統(tǒng)計(jì)量最高，RMSE最小原則篩選最佳光譜SMLR預(yù)測(cè)模型。最終確定2個(gè)光譜位置參數(shù)（Hr和Db）和3個(gè)植被指數(shù)（VOG2、VOG1和CARI）為輸入變量，公式（2）為建立的逐步多元線性回歸方程。SMLR模型對(duì)水稻葉片120組驗(yàn)證樣本進(jìn)行估算，結(jié)果如圖4所示。SMLR模型估算值的R2為0.835，RMSE為2.423，MRE為4.818%，RPD為1.873。

SPAD=106.629-7830.015Db-196.836VOG2+

293.255Hr-25.613CARI-50.88VOG1 （2）

2. 3. 3 SMLR+SVR模型 利用SMLR建模過程將12維輸入變量進(jìn)行選擇、剔除操作，最終篩選出的變量為VOG1、VOG2、CARI、Hr和Db，將這5個(gè)變量作為SVR模型的輸入變量，輸出變量為水稻葉片SPAD值，構(gòu)建SMLR+SVR模型。采用歸一化方法將模型的輸入變量和輸出變量歸一化到（0，1）范圍，應(yīng)用改進(jìn)的網(wǎng)格搜索算法得到參數(shù)最優(yōu)組合（C，g）為（16，1.320），通過SVR對(duì)水稻葉片280組建模樣本進(jìn)行訓(xùn)練學(xué)習(xí)，得到模型的訓(xùn)練結(jié)果如圖5所示。SMLR+SVR模型訓(xùn)練值的R2為0.865，RMSE為2.076，MRE為4.288%，RPD為3.112。利用訓(xùn)練得到的模型對(duì)120組驗(yàn)證樣本進(jìn)行預(yù)測(cè)估算，預(yù)測(cè)結(jié)果如圖6所示。SMLR+SVR模型的估算值的R2為0.856，RMSE為2.076，MRE為3.984%，RPD為2.550，模型的估算效果優(yōu)于SVR模型和SMLR模型。

2. 3. 4 PCA+SVR模型 PCA是利用降維的思想，將多個(gè)特征轉(zhuǎn)化為少數(shù)幾個(gè)不相關(guān)的綜合特征的多元統(tǒng)計(jì)分析方法。本研究選擇相關(guān)性較高的12個(gè)特征數(shù)據(jù)，為能提高算法的運(yùn)行效率，且能獲得理想的試驗(yàn)效果，再對(duì)這12維數(shù)據(jù)進(jìn)行主成分分析，結(jié)果如圖7所示。前6個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)99.822%。選擇前6個(gè)主成分作為SVR模型的輸入量，以葉片SPAD值作為輸出量構(gòu)建PCA+SVR模型。歸一化輸入變量和輸出變量到（0，1）范圍，最優(yōu)組合（C，g）采用改進(jìn)的網(wǎng)格搜索算法計(jì)算，結(jié)果為（24，0.850），通過SVR對(duì)水稻葉片280組建模樣本進(jìn)行訓(xùn)練學(xué)習(xí)，得到模型的訓(xùn)練結(jié)果如圖8所示。PCA+SVR模型訓(xùn)練值的R2為0.848，RMSE為2.201，MRE為4.376%，RPD為3.046。利用120組測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行預(yù)測(cè)估算，結(jié)果詳見圖9。PCA+SVR模型的估算值的R2為0.802，RMSE為2.316，MRE為4.215%，RPD為2.295。

2. 3. 5 模型評(píng)價(jià)指標(biāo)與模型結(jié)果比較 在評(píng)估模型的指標(biāo)中R2和RPD反映觀測(cè)值與估算值間的相關(guān)性強(qiáng)度，RMSE和MRE則反映觀測(cè)值與估算值間的偏差。R2和RPD值越大，RMSE和MRE的值越小，則表明模型的性能越好，估算能力越強(qiáng)。對(duì)于RPD而言，當(dāng)RPD<1.4時(shí)，模型預(yù)測(cè)效果較差，一般無法對(duì)樣品進(jìn)行估測(cè);當(dāng)RPD∈[1.4，2）時(shí)，模型預(yù)測(cè)效果一般，可對(duì)樣品進(jìn)行初步估算;當(dāng)RPD≥2時(shí)，則模型具有很好的預(yù)測(cè)能力（柳維揚(yáng)等，2017）。

表4為4個(gè)模型的訓(xùn)練結(jié)果和估算驗(yàn)證結(jié)果。4個(gè)模型均取得較好的效果，其中SMLR+SVR模型的各項(xiàng)評(píng)估指標(biāo)總體上優(yōu)于其余3個(gè)模型的估算效果，精度最高。PCA+SVR模型估算精度高于SVR模型，而SMLR+SVR模型精度明顯高于SMLR模型，說明不同高光譜特征參數(shù)選擇方式的最優(yōu)模型不同，綜合比較發(fā)現(xiàn)SMLR+SVR模型為最優(yōu)的水稻葉片SPAD值估算模型。

3 討論

在可見波段中，水稻葉片因SPAD值較大，葉片色素含量較高，主要是吸收光譜，對(duì)光譜的反射率較低。在本研究中，葉片SPAD值與光譜反射率在可見光波段呈負(fù)相關(guān)，說明葉綠素含量與光譜反射率呈反比。

利用可見光波段和近紅外波段的光譜反射率進(jìn)行一系列的處理，獲得各種功能和用途的植被指數(shù)，從而定量估算作物的農(nóng)學(xué)參數(shù)。對(duì)不同作物生理生化參數(shù)進(jìn)行估算時(shí)需篩選不同的植被參數(shù)。趙佳佳等（2014）通過測(cè)量冬小麥葉片冠層光譜反射率和SPAD值，并分析二者的相關(guān)性，發(fā)現(xiàn)冬小麥葉片SPAD值與冠層光譜植被指數(shù)（DVI、RVI、GRVI、NDVI、FDRVI、FDNDVI、FDDVI、FDGRVI）均呈極顯著相關(guān)，其中與NDVI的相關(guān)性較大（r=0.9238）。本研究針對(duì)水稻葉片的SPAD值，分析了15種植被指數(shù)與SPAD值間的相關(guān)性，發(fā)現(xiàn)這15種植被指數(shù)均與SPAD值極顯著相關(guān)，水稻SPAD值與水稻葉片的光譜位置參數(shù)及植被參數(shù)存在極顯著相關(guān)。朱西存等（2011）通過測(cè)定不同物候期的蘋果葉片高光譜與SPAD值，發(fā)現(xiàn)光譜的紅邊參數(shù)（紅邊位置、紅邊斜率、紅邊面積）與SPAD值間均達(dá)顯著或極顯著相關(guān)。本研究不僅驗(yàn)證了上述結(jié)論，還發(fā)現(xiàn)光譜的綠峰參數(shù)（綠峰位置、綠峰反射率）、黃邊參數(shù)（黃邊面積、黃邊振幅）、藍(lán)邊參數(shù)（藍(lán)邊位置、藍(lán)邊振幅、藍(lán)邊面積）、紅谷參數(shù)（紅峰反射率、紅峰位置）與水稻SPAD值間存在極顯著性相關(guān)，且黃邊面積與SPAD值呈最大正相關(guān)（r=0.864），藍(lán)邊振幅與SPAD呈最大負(fù)相關(guān)（r=-0.865）。因此推斷敏感波段的植被指數(shù)和光譜位置參數(shù)與SPAD值相關(guān)性更好，表明選擇相關(guān)性高的信息作為建模輸入，得到的結(jié)果更理想。孫小香等（2018）對(duì)水稻冠層SPAD值進(jìn)行高光譜反演模型研究，結(jié)果表明對(duì)22個(gè)光譜位置參數(shù)進(jìn)行主成分分析，提取方差累積貢獻(xiàn)率達(dá)99.734%的前8個(gè)主成分進(jìn)行支持向量機(jī)回歸建模，模型的估算精度優(yōu)于其他模型（PCA+SMLR、CP+SVR和CP+SMLR）;但模型估算精度的評(píng)價(jià)指標(biāo)局限于RMSE的比較，未能反映MRE的大小，其結(jié)論有待進(jìn)一步探討。

4 建議

4. 1 優(yōu)化光譜特征參數(shù)選擇

因光譜特征參數(shù)選擇組合方式不同或選擇建模算法不同，構(gòu)建水稻葉片SPAD值估算模型結(jié)果準(zhǔn)確度也不同。在今后的研究中，應(yīng)進(jìn)一步挖掘分析光譜特征參數(shù)與SPAD間的關(guān)系，提出新的特征參數(shù)或優(yōu)化特征參數(shù)選擇組合方法，同時(shí)應(yīng)引入BP神經(jīng)網(wǎng)絡(luò)等其他機(jī)器學(xué)習(xí)建模算法，提高高光譜對(duì)水稻葉片SPAD值的有效估算，為科學(xué)管理水稻生產(chǎn)提供理論依據(jù)。

4. 2 采集水稻冠層高光譜圖像

目前水稻葉片高光譜數(shù)據(jù)采集主要在大田中進(jìn)行，測(cè)量效率較低，實(shí)際操作較繁瑣，因此需要進(jìn)一步提高高光譜數(shù)據(jù)采集效率，降低實(shí)驗(yàn)操作要求。后期將采集水稻冠層高光譜圖像，反演出高光譜圖像中的水稻冠層SPAD值，研究冠層SPAD與水稻生長(zhǎng)狀態(tài)的關(guān)系，進(jìn)而為精準(zhǔn)施肥提供指導(dǎo)。

參考文獻(xiàn)：

李媛媛，常慶瑞，劉秀英，嚴(yán)林，羅丹，王爍. 2016. 基于高光譜和 BP 神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，32（16）： 135-142. [Li Y Y，Chang Q R，Liu X Y，Yan L，Luo D，Wang S. 2016. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural[J]. Transactions of the Chinese Society of Agricultural Engineering，32（16）： 135-142.]

梁亮，楊敏華，張連蓬，林卉，周興東. 2012. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，28（20）： 162-171. [Liang L，Yang M H，Zhang L P，Lin H，Zhou X D. 2012. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regressional gorithm[J]. Transactions of the Chinese Society of Agricultural Engineering，28（20）： 162-171.]

柳維揚(yáng)，彭杰，竇中江，陳兵，王家強(qiáng)，向紅英，代希君，王瓊，牛建龍. 2017. 基于冠層尺度的棗樹色素含量的高光譜估算模型[J]. 光譜學(xué)與光譜分析，37（1）： 156-161. [Liu W Y，Peng J，Dou Z J，Chen B，Wang J Q，Xiang H Y，Dai X J，Wang Q，Niu J L. 2017. Estimation models for jujube leaf pigment concentration with hyperspectrum data at canopy scale[J]. Spectroscopy and Spectral Analysis，37（1）： 156-161.]

孫小香，王芳東，郭熙，趙小敏，謝文. 2018. 基于水稻冠層高光譜的葉片SPAD值估算模型研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，40（3）： 444-453. [Sun X X，Wang F D，Guo X，Zhao X M，Xie W. 2018. The estimation models of rice leaf SPAD value based on canopy spectrum[J]. Acta Agriculturae Universitatis Jiangxiensis，40（3）： 444-453.]

譚向農(nóng)，劉淮，漆錕. 2017. 高光譜遙感在農(nóng)業(yè)生產(chǎn)中的應(yīng)用及展望[J]. 北京測(cè)繪，（1）： 49-52. [Tan X N，Liu H，Qi K. 2017. Application and prospect of hyperspectral remote sensing in agricultural production[J]. Beijing Surveying and Mapping，（1）： 49-52.]

王興玲，李占斌. 2005. 基于網(wǎng)格搜索的支持向量機(jī)核函數(shù)參數(shù)的確定[J]. 中國(guó)海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），35（5）： 859-862. [Wang X L，Li Z B. 2005. Identifying the parameters of the kernel function in support vector machines based on the grid-search method[J] Periodical of Ocean University of China，35（5）： 859-862.]

王鑫梅. 2015. 氮素水平對(duì)不同土壤質(zhì)地楊樹葉片光譜特性和光合能力的影響[D]. 保定：河北農(nóng)業(yè)大學(xué). [Wang X M. 2015. The influence of nitrogen levels to populus spectrum characteristics and photosynthetic capacity on diffe-rent soil texture[D]. Baoding： Agricultural University of Hebei.]

武改紅，馮美臣，楊武德. 2018. 冬小麥葉片SPAD值高光譜估測(cè)的預(yù)處理方法[J]. 生態(tài)學(xué)雜志，37（5）： 1589-1594. [Wu G H，F(xiàn)eng M C，Yang W D. 2018. Hyperspectral pretreatment methods on leaf SPAD value prediction in winter wheat[J]. Chinese Journal of Ecology，37（5）： 1589-1594.]

夏天，周清波，陳仲新. 2012. 基于HJ-1衛(wèi)星的冬小麥葉片SPAD遙感監(jiān)測(cè)研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，33（6）： 38-44. [Xia T，Zhou Q B，Chen Z X. 2012. Monitoring winter wheat SPAD based on HJ-1 CCD[J]. Chinese Journal of Agricultural Resources and Regional Planning，33（6）： 38-44.]

章曼，常慶瑞，張曉華，劉佳歧. 2015. 不同施肥條件下水稻冠層光譜特征與葉綠素含量的相關(guān)性[J]. 西北農(nóng)業(yè)學(xué)報(bào)，24（11）：49-56. [Zhang M，Chang Q R，Zhang X H，Liu J Q. 2015. Correlation between rice canopy spectral reflectance and leaf chlorophyll under different fertilization[J]. Acta Agriculturae Boreali-occidentalis Sinica，24（11）： 49-56.]

趙佳佳，馮美臣，王超，楊武德，李志花，朱智慧，任鵬，劉婷婷，王慧琴. 2014. 基于光譜植被指數(shù)的冬小麥葉綠素含量反演[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），34（5）： 391-396. [Zhao J J，F(xiàn)eng M C，Wang C，Yang W D，Li Z H，Zhu Z H，Ren P，Liu T T，Wang H Q. 2014. Simula-ting the content of chlorophyll in winter wheat based on support vegetation index[J]. Journal of Shanxi Agricultural University（Natural Science Edition），34（5）： 391-396.]

趙小敏，孫小香，王芳東，謝文，郭熙. 2019. 水稻高光譜遙感監(jiān)測(cè)研究綜述[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，41（1）： 1-12. [Zhao X M，Sun X X，Wang F D，Xie W，Guo X. 2019. A summary of the researches on hyperspectral remote sensing monitoring of rice[J]. Acta Agriculturae Universitatis Jiangxiensis，41（1）： 1-12.]

朱西存，趙庚星，姜遠(yuǎn)茂，王凌，陳紅艷，王利. 2011. 基于高光譜紅邊參數(shù)的不同物候期蘋果葉片的SPAD值估測(cè)[J]. 紅外，32（12）： 31-38. [Zhu X C，Zhao G X，Jiang Y M，Wang L，Chen H Y，Wang L. 2011. Estimation of SPAD value of apple leaf in different phenophase based on hyperspectral red edge parameters[J]. Infrared，32（12）： 31-38.]

Blackburn G A. 1998. Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，66（3）： 273-285.

Broge N H，Leblanc E. 2001. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment，76（2）： 156-172.

Friedrichs F，Igel C. 2005. Evolutionary tuning of multiple SVM parameters[J]. Neurocomputing，64（1）： 107-117.

Gamon J A，Pe?uelas J，F(xiàn)ield C B. 1992. A narrow-waveband spectral index that tracks diurnal changes in photosynthe-tic efficiency[J]. Remote Sensing of Environment，41（1）： 35-44.

Gitelson A A，Kaufman Y J，Merzlyak M N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，58（3）： 289-298.

Lichtenthaler H K. 1987. Chlorophylls and carotenoids： Pigments of photosynthetic biomembranes[J]. Methods in Enzymology，148C： 350-382.

Lichtenthaler H K，Gitelson A，Lang M. 1996. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements[J]. Journal of Plant Physiology，148（3-4）： 483-493.

Merzlyak M N，Gitelson A A，Chivkunova O B，Rakitin V YU. 2010. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum，106（1）： 135-141.

Niu L Y，Zhang X Y. 2016. A study of estimation model for the chlorophyll content of wheat leaf based on hyperspectral imaging[J]. Asian Agricultural Research，8（8）： 86-90.

Penuelas J，F(xiàn)rederic B，F(xiàn)ilella I. 1995. Semi-empirical indices to assess Carotenoid/Chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica，31（2）： 221-230.

Sims D A，Gamon J A，2002. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，81（2-3）： 337-354.

Vogelmann J E，Rock B N，Moss D M. 1993. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，14（8）： 1563-1575.

Wu Q，Wang J H，Wang C，Xu T Y. 2016. Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging[J]. Infrared Physics & Technology，7（8）：66-71.

Zarco-Tejada P J，Miller J R，Noland T L，Mohammed G，Sampson P. 2001. Scaling-up and model inversion me-thods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，39（7）： 1491-1507.

（責(zé)任編輯 鄧慧靈）