劉 潭，許童羽*，于豐華，袁青云，郭忠輝，徐 博

1. 沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，遼寧 沈陽 110161 2. 沈陽農(nóng)業(yè)大學(xué)遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽 110161

引 言

水稻是中國主要糧食作物之一，葉綠素含量與其營養(yǎng)元素、 產(chǎn)量等有著極為密切的關(guān)系，不僅在光合過程中起著重要作用，同時也是評價水稻生長、 診斷病理的重要生理生化參數(shù)[1]。水稻葉綠素含量的精準(zhǔn)估測對其生長監(jiān)測、 施肥施藥調(diào)控及田間的精準(zhǔn)管理都具有重要的實際意義。

近年來，隨著高光譜技術(shù)的快速發(fā)展，國內(nèi)外學(xué)者采用高光譜技術(shù)對田間作物的冠層葉片葉綠素含量檢測做了大量的研究，并取得了一定的成果。以往研究在對水稻等作物葉綠素估測中，多是利用光譜波段組合植被指數(shù)的方法，大致可分為單波段植被指數(shù)和多波段植被指數(shù)，還有一些研究采用作物葉片的全光譜信息。若采用單一敏感波段建模，會導(dǎo)致有效信息無法充分利用，模型精度降低。而當(dāng)采用全波段進(jìn)行建模時，由于光譜中存在大量的冗余信息，同樣會使模型精度受到一定的影響。因此，通過分析水稻葉綠素的光譜特征，確定其敏感波段，是提升模型運行效率、 簡化模型結(jié)構(gòu)、 增強模型穩(wěn)定性的首要條件[2]。

常見的特征波段提取主要包括2類，一類是以數(shù)理統(tǒng)計為基礎(chǔ)，如連續(xù)投影法(successive projections algorithm，SPA)和相關(guān)系數(shù)法(correlation coefficient, CC)等。雖然一定程度可以剔除包含冗余信息的變量，但仍存在如保留變量多和篩選結(jié)果中存在較低信噪比變量等不足[3]。另一類是較為新穎的基于智能優(yōu)化算法的特征波段尋優(yōu)方法，如遺傳算法(GA)、 蟻群算法(ACA)，隨機(jī)蛙跳算法(random frog，RF)。毛博慧等[4]利用GA算法對冬小麥苗期冠層葉綠素含量的敏感波長進(jìn)行優(yōu)選，并在此基礎(chǔ)上建立其預(yù)測模型。為實時檢測作物葉綠素含量。孫紅等[5]采用RF算法篩選葉綠素含量的敏感波段，并建立偏最小二乘(partial least squares regression，PLSR)模型。此類方法可全局搜索有效信息變量，可較好地實現(xiàn)高光譜特征波段的選擇，但也有運算時間長、 模型參數(shù)復(fù)雜等問題。

在水稻等作物葉綠素含量反演建模方面，主要分為數(shù)據(jù)建模和機(jī)理建模兩類。在機(jī)理建模方面，曾毓燕等[6]應(yīng)用PROSPECT結(jié)合DART模型估算作物冠層尺度和葉片尺度的葉綠素含量。Sun等[7]通過葉片輻射傳輸模型研究了HSL系統(tǒng)估算葉綠素含量的可能性，并取得了較好的預(yù)測結(jié)果。雖然機(jī)理建模物理意義較為明確，且反演過程較穩(wěn)定，但通常模型參數(shù)較多且確定較為復(fù)雜，另外，地表環(huán)境系統(tǒng)包含許多不確定性因素，都會對模型精度產(chǎn)生較大影響。因此，結(jié)構(gòu)簡單、 分析方便的數(shù)據(jù)驅(qū)動建模方法被廣泛應(yīng)用于葉綠素反演建模中，主要包括線性數(shù)據(jù)模型(如偏最小二乘、 多元線性回歸)及非線性數(shù)據(jù)模型(如神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī))[8]。與線性模型相比，非線性模型精度有所提高，但也有一些不足。同時，葉綠素反演建模中，由于輸入與輸出變量間的關(guān)系既包含線性成分又包含非線性成分，一些研究也表明非線性預(yù)測模型對模型中的線性成分預(yù)測精度有限，所以較為理想的辦法是對模型中的線性成分采用線性模型預(yù)測，而非線性成分則采用非線性模型預(yù)測。

綜上分析，為進(jìn)一步提高水稻葉綠素含量預(yù)測的精確性和穩(wěn)定性，以東北粳稻為研究對象，采用無人機(jī)高光譜成像技術(shù)，首先對水稻葉綠素相關(guān)特征波段的提取方法展開研究?；谥悄軆?yōu)化算法的優(yōu)勢，在標(biāo)準(zhǔn)RF算法基礎(chǔ)上，結(jié)合相關(guān)系數(shù)分析法和連續(xù)投影法，提出一種融合兩種初選波段的隨機(jī)蛙跳算法選取特征波段，然后以提取的特征波段為輸入，結(jié)合線性模型和非線性模型各自優(yōu)勢，首先利用PLSR法對水稻葉綠素含量進(jìn)行預(yù)測，得到葉綠素含量的線性趨勢，然后利用高斯過程回歸(gaussian process regression，GPR)模型對PLSR模型的偏差進(jìn)行預(yù)測，最后將兩個模型的輸出疊加得到水稻葉綠素含量的最終預(yù)測值。

1 實驗部分

1.1 試驗設(shè)計

試驗區(qū)在遼寧省沈陽市沈北新區(qū)清水鎮(zhèn)，位于123°63′E，42°01′N(試驗地點如圖1)，試驗時間為2018年6月—9月，粳稻品種為“秋光”。試驗田設(shè)有16個隨機(jī)分布的試驗小區(qū)。試驗小區(qū)設(shè)4個氮素水平： 0，50，100和150 kg·hm-2，分別記為N0，N1，N2和N3，每個水平設(shè)置4個重復(fù)。在試驗期間對水稻的返青、 分蘗、 拔節(jié)和抽穗等幾個關(guān)鍵生長期分別進(jìn)行采樣，并對測得的葉綠素含量數(shù)據(jù)按魯棒3σ原則檢測異常值，如果樣本偏差大于3倍標(biāo)準(zhǔn)差，視為顯著離群點，進(jìn)行相應(yīng)的剔除，同時采用Monte Carlo方法剔除樣本中的異常光譜數(shù)據(jù)，最終得到102個樣本。

圖1 試驗地點區(qū)位圖Fig.1 Location map of test site

1.2 高光譜數(shù)據(jù)獲取

水稻冠層光譜數(shù)據(jù)用M600智能六旋翼無人機(jī)搭載GaiaSky-min成像光譜儀測定。光譜范圍400～1 000 nm，分辨率為2.0 nm。每次試驗均選擇在天氣晴朗及無風(fēng)的氣象條件下進(jìn)行，且于10:00—14:00時間段對光譜反射率測量，并保持與地面樣本采集日期相同。光譜測量時，無人機(jī)飛行高度設(shè)置為50 m，地面分辨率設(shè)置為2 cm。使用ENVI5.3軟件獲得各試驗小區(qū)感興趣區(qū)的平均光譜反射率，作為該試驗小區(qū)的水稻冠層光譜反射率。

作者所在團(tuán)隊對PROSAIL輻射傳輸模型敏感性分析的前期研究發(fā)現(xiàn)水稻葉綠素含量主要與400～800 nm區(qū)間波段的冠層光譜反射率存在較大相關(guān)性，800 nm之后波段的光譜反射率與水稻葉綠素含量相關(guān)性不大[9]。因此，選取400～800 nm之間的波段進(jìn)行相關(guān)研究。

1.3 水稻葉綠素含量測定

水稻葉綠素含量用Spectrum752型號-紫外可見分光光度計測定。在各試驗小區(qū)中，獲取冠層光譜數(shù)據(jù)的同時，選取4株具有代表性水稻，帶回實驗室。將無水乙醇和蒸餾水以9∶2比例制成50 mL的混合溶液，從帶回的每個樣本上選取10片葉片，用蒸餾水清洗干凈，去除中脈剪碎后，稱取0.4 g，置于配制好的混合溶液中，避光靜置24 h至樣品完全發(fā)白。利用分光光度計測649和665 nm處的吸光度，并取3次測量的平均值，根據(jù)該光度值可計算水稻葉綠素含量，如式(1)—式(3)。

ca=13.95×D665-6.88×D649

(1)

cb=24.96×D649-7.32×D665

(2)

cab=ca+cb

(3)

式中，ca和cb分別為水稻葉綠素a和b的含量(mg·L-1)；cab為總的葉綠素含量(mg·L-1)；D649和D665為649 nm波段和665 nm波段處的吸光度值(%)。

1.4 水稻葉綠素光譜特征波段提取

為了減少水稻葉片結(jié)構(gòu)背景噪聲及樣本表面紋理等因素的影響，在建模前，采用標(biāo)準(zhǔn)正態(tài)變量校正(standard normal variate，SNV)方法對水稻冠層原始光譜處理，如圖2所示。處理后，采用改進(jìn)的優(yōu)化算法選取水稻葉綠素含量特征波段。

圖2 SNV預(yù)處理后的光譜曲線Fig.2 Spectral curves after SNV pretreatment

1.4.1 隨機(jī)蛙跳算法

隨機(jī)蛙跳算法(RF)是一類解決組合優(yōu)化問題的后啟發(fā)式群體進(jìn)化算法，通過特征變量被選擇的概率來確定其重要程度[13]。該算法融合了粒子群算法(PSO)和模因演化算法(memetic algorithm, MA)各自的優(yōu)點，具有調(diào)節(jié)參數(shù)少、 收斂速率快、 全局尋優(yōu)能力強等特點，相對于差分進(jìn)化、 遺傳算法等優(yōu)化算法具有較強的競爭力。RF的主要運算步驟為：

(1)初始化，隨機(jī)產(chǎn)生一個包含Q個變量(光譜波段)的初始變量集V0；

(2)基于初始變量集，選出候選變量集V*，包含Q*個變量； 選擇V*作為V1來代替V0，直到達(dá)到最大迭代次數(shù)Gmax；

(3)計算Gmax次迭代后各變量被選擇的概率，以此作為選擇變量的標(biāo)準(zhǔn)，越高越好。

(4)按被選概率降序順序，依次聯(lián)合各變量組合實施交叉驗證并分別計算，若其均方根誤差(root mean square error，RMSE)最小，則此時的變量組合即為選取的最佳特征波段組合。

由于標(biāo)準(zhǔn)RF算法的初始變量集是隨機(jī)產(chǎn)生的，無法保證初始波段變量的有效性，很可能降低算法的收斂速度和精度。因此，為進(jìn)一步提高標(biāo)準(zhǔn)RF算法的收斂性能，提出一種融合兩種初選波段的改進(jìn)型隨機(jī)蛙跳算法(fusion of two primary bands-random frog, fpb-RF)，首先采用相關(guān)系數(shù)分析法和連續(xù)投影法提取特征波段，然后融合兩種方法初選的特征波段作為RF算法的初始變量集，在此基礎(chǔ)上利用RF算法進(jìn)一步尋優(yōu)，減少無用的迭代次數(shù)，進(jìn)而改善算法的收斂性。

1.4.2 相關(guān)系數(shù)分析法

相關(guān)系數(shù)法(CC)是一種以偏最小二乘回歸模型為基礎(chǔ)進(jìn)行分析的方法，主要是將各波段對應(yīng)的光譜數(shù)據(jù)和水稻葉綠素含量進(jìn)行相關(guān)性計算與分析，從而篩選出相關(guān)性較大的特征波段組合[11]。

1.4.3 連續(xù)投影算法

連續(xù)投影法(SPA)是一種新型的特征波段選取方法，采用投影策略篩選出的特征波段可有效消除光譜矩陣中的冗余信息，從而大大減少波段數(shù)量以簡化模型、 提高模型運行效率，該算法步驟主要包括3個階段[12]。

第一階段，篩選出共線性相對較小的若干組候選波段變量子集。

第二階段，利用各子集中的變量建立多元線性回歸模型，并篩選出使RMSE最小的變量子集。

第三階段，對篩選出的變量子集逐步回歸建模，以在保證模型精度的同時獲得具有較少波段數(shù)目的集合，即為所選的特征波段。

1.5 葉綠素含量反演建模方法

為了提高模型的預(yù)測精度，避免對樣本集的選擇陷入局部最優(yōu)，利用Kennard-Stone算法將樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集，以用于建模和模型預(yù)測，具體如表1所示。

表1 水稻葉綠素含量統(tǒng)計表Table 1 Statistics of chlorophyll content in rice

1.5.1 偏最小二乘回歸方法

偏最小二乘回歸(PLSR)作為一種結(jié)合了多元線性回歸分析、 典型相關(guān)分析和主成分分析技術(shù)的新型多元回歸方法，可以較好的解決多重共線性問題，其表達(dá)見式(4)

(4)

式(4)中，xij為模型輸入變量，如光譜特征波段；Yi為輸出變量，即水稻葉綠素含量；m為輸入變量的維數(shù)，即篩選的特征波段個數(shù)；n為樣本數(shù)；βk為回歸系數(shù)；ei為偏差；Tik和Ckj分別為第k個潛在變量及相應(yīng)系數(shù)。

1.5.2 高斯過程回歸方法

高斯過程回歸(GPR)是在貝葉斯和統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種機(jī)器學(xué)習(xí)方法，在處理高維、 小樣本數(shù)據(jù)及非線性等問題時表現(xiàn)出較好的適用性[13]。

給定訓(xùn)練樣本集D={(xi,yi)|i=1, 2, …,n}=(X,y)，GPR模型如式(5)所示

(5)

f(x)～GP(0,k(x,x′))

(6)

其中k(x,x′)為協(xié)方差函數(shù)。

1.5.3 水稻葉綠素含量混合預(yù)測模型

建立基于GPR補償PLSR的混合預(yù)測模型(GPR-P)充分利用了線性與非線性模型的優(yōu)勢，從而可實現(xiàn)水稻葉綠素含量的精準(zhǔn)估測，且提高模型的穩(wěn)定性，模型整體結(jié)構(gòu)如圖3所示。

圖3 GPR-P整體結(jié)構(gòu)圖Fig.3 Overall structure diagram of GPR-P model

具體的建模步驟為：

步驟1： 模型訓(xùn)練，利用訓(xùn)練集構(gòu)建水稻葉綠素含量的PLSR預(yù)測模型，并通過PLSR的葉綠素含量預(yù)測值與實測值之間的偏差建立GPR預(yù)測模型，同時采用共軛梯度法優(yōu)選GPR模型的超參數(shù)。

步驟2： 利用測試集的輸入數(shù)據(jù)，通過建立的PLSR模型預(yù)測水稻葉綠素含量值。

步驟3： 利用輸入數(shù)據(jù)，通過GPR模型得到葉綠素含量偏差的預(yù)測值。

步驟4： 將PLSR模型的輸出值與GPR模型的偏差輸出值疊加，得到混合模型預(yù)測值。

2 結(jié)果與討論

2.1 特征波段的選擇

2.1.1 基于CC算法的特征波段選取

將水稻葉綠素含量與對應(yīng)的冠層光譜反射率進(jìn)行相關(guān)性分析，如圖4所示。圖中顯示了各光譜波段對應(yīng)的相關(guān)系數(shù)，按相關(guān)系數(shù)絕對值的大小進(jìn)行降序排列，以篩選出絕對值較大的10個波段，分別為702，701，703，704，700，705，699，706，571和572 nm，作為特征波段。

2.1.2 基于SPA的特征波段選取

利用SPA算法對冠層光譜特征波段進(jìn)行提取，最佳光譜波段數(shù)由內(nèi)部交叉驗證的RMSE值來確定。從圖5(a)可以看出，RMSE值隨著特征波段數(shù)目增加逐漸下降，當(dāng)RMSE最小，代表運算結(jié)果最優(yōu)，此時選取的特征波段數(shù)為6。由圖5(b)看出SPA的征波段選取分布情況，分別為459，481，533，648，702和798 nm，可將這些波段的光譜反射率作為預(yù)測模型的輸入。

圖4 相關(guān)系數(shù)分析法結(jié)果Fig.4 Results of correlation coefficient analysis

圖5 基于SPA算法的特征波段選取結(jié)果(a)： 樣本模型中最佳特征波段個數(shù)； (b)： 提取的特征波段分布Fig.5 Feature band selection results based on SPA algorithm(a)： Number of the best feature bands in the sample model；(b)： Distribution of extracted feature bands

2.1.3 基于RF和fpb-RF算法的特征波段選取

采用Matlab R2016b軟件分析，RF算法的參數(shù)設(shè)置： 最大迭代次數(shù)為5 000，最大主成分?jǐn)?shù)為10。模型中初始變量個數(shù)為15，在改進(jìn)算法中，經(jīng)過CC和SPA算法共同選取產(chǎn)生的16個初始特征波段作為fpb-RF算法的初始變量集，迭代次數(shù)設(shè)為800，分別采用兩種算法提取水稻葉綠素含量特征波段，并進(jìn)行對比分析，如表2所示。可見，標(biāo)準(zhǔn)RF算法迭代5 000次收斂，運行時間為15.2 min，而fpb-RF算法迭代800收斂僅需2.1 min，尋優(yōu)速度極大地提高，且均方根誤差較小，收斂性能相對較好。

表2 RF和fpb-RF算法尋優(yōu)結(jié)果Table 2 Optimization results of RF and fpb-RF algorithms

圖6 基于fpb-RF算法的各波段選擇概率Fig.6 Each band selection probabilitybased on fpb-RF algorithm

圖7 基于RF和fpb-RF算法的特征波段選取結(jié)果(a)： RF算法選取的特征波段分布；(b)： fpb-RF算法選取的特征波段分布Fig.7 Feature band selection results based onRF and fpb-RF algorithms(a)： RF algorithm； (b)： fpb-RF algorithm

圖6為利用fpb-RF算法尋優(yōu)后各波段被選擇的概率，當(dāng)波段數(shù)為11時，RMSE有最小值1.232 8。因此，這11個波段為fpb-RF算法選取的特征波段組合。圖7顯示了RF和fpb-RF算法選取征波段對比情況，可見，兩種算法提取的特征波段所在區(qū)間大概一致，為水稻葉綠素含量的敏感區(qū)間。采用標(biāo)準(zhǔn)RF算法選取與水稻冠層葉片葉綠素含量相關(guān)的特征波段共有25個，而fpb-RF算法選取的特征波段為11個。因此，采用改進(jìn)fpb-RF算法可在提取有用信息的同時降低輸入變量維數(shù)，進(jìn)而大大簡化模型的復(fù)雜性。

圖8 不同特征波段提取方法的GPR-P模型預(yù)測結(jié)果(a)： CC-SPA算法； (b)： RF算法； (c)： fpb-RF算法Fig.8 GPR-P model prediction results of differentfeature band extraction methods(a)： CC-SPA algorithm； (b)： RF algorithm；(c)： fpb-RF algorithm

2.2 模型檢驗分析

2.2.1 GPR補償PLSR的混合預(yù)測模型建立

將采集并經(jīng)過處理后的水稻葉綠素含量光譜反射率分別采用CC與SPA結(jié)合、 標(biāo)準(zhǔn)RF和改進(jìn)fpb-RF方法進(jìn)行特征波段提取，將3種方法得到的結(jié)果作為預(yù)測模型的輸入變量，水稻葉綠素含量實測值作為輸出變量，建立基于GPR補償PLSR的混合預(yù)測模型，預(yù)測結(jié)果如圖8所示，表3中給出模型的預(yù)測評價指標(biāo)。

圖9 不同特征波段提取方法的PLSR模型預(yù)測結(jié)果(a)： CC-SPA算法； (b)： RF算法； (c)： fpb-RF算法Fig.9 PLSR model prediction results of differentfeature band extraction methods(a)： CC-SPA algorithm； (b)： RF algorithm；(c)： fpb-RF algorithm

圖10 不同特征波段提取方法的LSSVM模型預(yù)測結(jié)果(a)： CC-SPA算法； (b)： RF算法； (c)： fpb-RF算法Fig.10 LSSVM model prediction results of differentfeature band extraction methods(a)： CC-SPA algorithm； (b)： RF algorithm；(c)： fpb-RF algorithm

2.2.2 其他預(yù)測模型的建立及對比分析

將本文提出的GPR-P葉綠素含量預(yù)測模型同時與PLSR線性模型和應(yīng)用較為廣泛的BP神經(jīng)網(wǎng)絡(luò)、 LSSVM非線性模型進(jìn)行比較，調(diào)整各模型參數(shù)至最佳狀態(tài)，預(yù)測結(jié)果如圖9—圖11所示。

圖11 不同特征波段提取方法的BP模型預(yù)測結(jié)果(a)： CC-SPA算法； (b)： RF算法； (c)： fpb-RF算法Fig.11 BP model prediction results of differentfeature band extraction methods(a)： CC-SPA algorithm； (b)： RF algorithm；(c)： fpb-RF algorithm

從整體角度看，非線性模型的預(yù)測效果優(yōu)于PLSR線性模型，其中fpb-RF-LSSVM模型的預(yù)測精度較高，但與GPR-P模型相比，仍存在一定的差距。由此表明，在以相同特征波段為輸入進(jìn)行建模時，混合集成建模方法經(jīng)過模型偏差補償后，可進(jìn)一步改善模型的預(yù)測性能，提高模型的精確性和穩(wěn)定性。

表3 預(yù)測模型的評價指標(biāo)Table 3 Evaluation index of prediction model

本工作以東北粳稻為研究對象，利用高光譜技術(shù)對水稻冠層葉片的葉綠素含量進(jìn)行估測，提出了基于fpb-RF的特征波段提取方法，并通過與標(biāo)準(zhǔn)RF算法及CC-SPA算法比較，表明了fpb-RF算法在降低模型復(fù)雜性和提高模型精確性上具有一定優(yōu)勢。

利用CC-SPA算法提取的特征波段作為輸入構(gòu)建的葉綠素含量模型預(yù)測精度相對較低，主要原因可能在于該算法選取的特征波段相對較少且較為集中，多樣性不足，進(jìn)而導(dǎo)致部分有用信息缺失，影響模型的預(yù)測精確性。RF算法由于具有較強的全局搜索能力，選取特征波段時，能一定程度上改善光譜信息缺失問題，提高特征波段的多樣性。因此，所建模型的精度得到了明顯提高。但標(biāo)準(zhǔn)RF算法存在收斂速度慢、 提取特征波段較多等不足。本工作融合了CC和SPA方法提取特征波段，作為RF算法的初始變量集，在此基礎(chǔ)上進(jìn)一步尋優(yōu)，可減少無用的迭代次數(shù)，改善算法收斂性，在盡可能降低模型復(fù)雜性的同時進(jìn)一步提高預(yù)測模型的精確性。

采用不同特征波段提取方法建立的LS-SVM和BP神經(jīng)網(wǎng)絡(luò)非線性模型預(yù)測效果優(yōu)于PLSR線性模型，這說明選擇的特征波段和水稻冠層葉片葉綠素含量之間不僅存在線性關(guān)系，還存在非線性關(guān)系。利用非線性建模方法可進(jìn)一步挖掘光譜數(shù)據(jù)與水稻葉綠素含量間隱藏的有效信息，提高模型預(yù)測精度。在此基礎(chǔ)上，提出了基于GPR補償PLSR的葉綠素含量混合預(yù)測模型，使得預(yù)測模型精度和穩(wěn)定性進(jìn)一步提高。原因在于該建模方法結(jié)合了線性與非線性模型各自的優(yōu)勢，其中光譜特征波段與葉綠素含量間存在的線性部分采用線性模型預(yù)測，而非線性部分通過非線性建模方法進(jìn)一步補償預(yù)測模型存在的偏差以提高模型預(yù)測性能。

從整體來看，基于fpb-RF選取的特征波段作為輸入建立的fpb-RF-GPR-P模型最穩(wěn)定，預(yù)測準(zhǔn)確性最高，表明了基于高光譜的水稻葉綠素含量反演建模，改進(jìn)蛙跳算法是一種較為有效的特征波段提取方法，且基于線性與非線性建模相結(jié)合的建模方法可以進(jìn)一步提高模型預(yù)測精度。本研究中還存在一定的不足之處，如在對水稻葉綠素含量預(yù)測時，目前采用是近1～2年數(shù)據(jù)來構(gòu)建水稻葉綠素含量預(yù)測模型，但可為下一步開展長時間序列的水稻葉綠素含量預(yù)測奠定基礎(chǔ)； 此外，諸如水稻等作物葉綠素含量預(yù)測目前還沒有統(tǒng)一的標(biāo)準(zhǔn)模型，雖然本工作構(gòu)建了水稻在一些關(guān)鍵生育期內(nèi)的整體混合預(yù)測模型，但最佳的葉綠素估測模型也會因各生育期、 水稻品種及無人機(jī)的飛行高度等不同而存在一定差異。未來仍需廣泛采集樣本，進(jìn)一步完善預(yù)測模型，以便更好的推廣應(yīng)用。本研究是基于典型的東北粳稻為例進(jìn)行建模分析，由于受到天氣、 設(shè)備、 技術(shù)、 時間等多方面因素影響，獲得樣本數(shù)據(jù)有限。在后續(xù)工作中，擬進(jìn)一步加強這方面的分析研究，針對無人機(jī)的不同飛行高度、 多個水稻品種、 不同年份水稻樣本上繼續(xù)測試，積累更多的試驗數(shù)據(jù)，以得到更具普適性的水稻葉綠素含量的精確、 穩(wěn)定預(yù)測模型。

3 結(jié) 論

采用高光譜技術(shù)實現(xiàn)對水稻冠層葉片葉綠素含量的預(yù)測，提出融合兩種初選波段的隨機(jī)蛙跳算法fpb-RF選取與葉綠素含量相關(guān)的特征波段，并與標(biāo)準(zhǔn)RF及CC結(jié)合SPA的特征波段篩選方法進(jìn)行比較，在對比分析中提出一種基于GPR補償PLSR的葉綠素含量混合預(yù)測模型，同時構(gòu)建了PLSR，BP和LS-SVM等線性與非線性預(yù)測模型。通過不同特征波段選取方法獲得的輸入對不同預(yù)測模型的精度進(jìn)行分析，得到如下結(jié)論：