郭 松， 常慶瑞， 鄭智康， 蔣丹垚， 高一帆， 宋子怡， 姜時(shí)雨

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西 楊凌 712100)

葉綠素作為植被葉片的主要色素，是植被光合作用的核心，其含量能反映植被的長(zhǎng)勢(shì),指導(dǎo)田間氮肥施用[1-2]。原子吸收光譜法、研磨法[3]、分光光度法[4]等傳統(tǒng)的植被葉綠素含量檢測(cè)方法不僅對(duì)樣品本身有著不可逆的損害，還耗時(shí)耗力；SPAD儀[5]、植物多酚葉綠素測(cè)量計(jì)[6]等新型葉綠素含量檢測(cè)儀器雖然能有效避免損害樣品，增加檢測(cè)效率，但是需要接觸測(cè)量，不適合大規(guī)模樣本和面尺度下的葉綠素含量檢測(cè)[7]。近年來，高光譜遙感技術(shù)因其具有數(shù)據(jù)量大、精度高的特點(diǎn)，在作物生理生化參數(shù)反演研究方面逐漸被學(xué)者們所重視。然而，地面高光譜遙感存在靈活性較低，獲取數(shù)據(jù)時(shí)人力、物力損耗較大的缺點(diǎn)；航天高光譜遙感對(duì)機(jī)場(chǎng)等基礎(chǔ)設(shè)施和專業(yè)人員的技術(shù)水平要求比較高；航空高光譜遙感面臨重訪周期長(zhǎng)，受大氣影響較大，數(shù)據(jù)質(zhì)量偏低的挑戰(zhàn)[8-9]。上述缺陷限制了高光譜遙感在作物生理生化參數(shù)反演方面的應(yīng)用，而低空無人機(jī)高光譜遙感的出現(xiàn)，使得上述問題得到一定解決，低空無人機(jī)高光譜影像的數(shù)據(jù)質(zhì)量高，受大氣影響小，較為便捷且學(xué)習(xí)成本低[10]。

目前，在基于低空無人機(jī)遙感平臺(tái)反演植被生理生化參數(shù)方面，國(guó)內(nèi)外學(xué)者做了大量研究。陳鵬飛等[11]發(fā)現(xiàn)對(duì)高空間分辨率無人機(jī)影像剔除土壤背景和計(jì)算紋理信息，均能提升棉花氮素估測(cè)模型的精度，建模決定系數(shù)從0.33上升至0.57。陳曉凱等[12]基于隨機(jī)森林算法反演冬小麥葉面積指數(shù)(LAI)，并對(duì)無人機(jī)搭載UHD185傳感器獲取的冬小麥影像進(jìn)行填圖，填圖驗(yàn)證均方根誤差為0.27。陶惠林等[13]通過無人機(jī)高光譜影像數(shù)據(jù)計(jì)算不同植被指數(shù)，運(yùn)用多種回歸方法建立冬小麥各生育期的長(zhǎng)勢(shì)監(jiān)測(cè)指標(biāo)(GMI)估測(cè)模型，結(jié)果表明開花期的多元回歸模型精度最高，其歸一化均方根誤差為15.9%。Singhal等[14]結(jié)合核脊回歸算法和無人機(jī)影像光譜信息，反演姜黃葉片的葉綠素值，結(jié)果表明該機(jī)器學(xué)習(xí)算法具有良好的建模能力，最佳模型的決定系數(shù)達(dá)0.76。Colorado等[15]利用無人機(jī)影像提取光譜曲線，采取多元線性回歸、支持向量回歸以及神經(jīng)網(wǎng)絡(luò)回歸估測(cè)水稻葉片氮素含量，發(fā)現(xiàn)機(jī)器學(xué)習(xí)算法(支持向量回歸以及神經(jīng)網(wǎng)絡(luò)回歸)的建模效果優(yōu)于多元線性回歸。綜上所述，利用低空無人機(jī)影像數(shù)據(jù)反演植被生理生化參數(shù)的研究已經(jīng)較為成熟，配備的傳感器包括Rededge、UHD185等，使用的方法由傳統(tǒng)回歸算法向機(jī)器學(xué)習(xí)算法擴(kuò)展，但是目前有關(guān)無人機(jī)搭載S185高光譜相機(jī)以及基于核極限學(xué)習(xí)機(jī)算法建模的報(bào)道較少。

本研究擬以關(guān)中地區(qū)抽雄期玉米為研究對(duì)象，使用無人機(jī)搭載S185高光譜相機(jī)獲取研究區(qū)的遙感影像，結(jié)合地面采樣點(diǎn)實(shí)測(cè)的葉綠素含量，構(gòu)建傳統(tǒng)回歸模型和核極限學(xué)習(xí)機(jī)回歸模型，從中選取魯棒性、泛化性較好的玉米葉綠素含量估測(cè)模型并填圖，以期為關(guān)中地區(qū)的綠色農(nóng)業(yè)發(fā)展提供技術(shù)、決策支持。

1 材料與方法

1.1 研究區(qū)概況和試驗(yàn)設(shè)計(jì)

研究區(qū)位于陜西省楊陵區(qū)西北農(nóng)林科技大學(xué)試驗(yàn)農(nóng)場(chǎng)(108.092°E，36.303°N)，地處關(guān)中平原中部，屬于溫帶季風(fēng)氣候，四季分明，年均氣溫12.85 ℃，平均降水量630.35 mm，平均海拔480 m，試驗(yàn)地土壤為塿土，水肥充足，適宜耕作。此次試驗(yàn)開展于2021年6月20日，試驗(yàn)共設(shè)置20個(gè)小區(qū)，小區(qū)面積30 m2(5 m×6 m)，每個(gè)小區(qū)選取3個(gè)采樣點(diǎn)并記錄其GPS坐標(biāo)(圖1)，施用氮、磷、鉀3種肥料，其中氮肥和鉀肥均設(shè)5個(gè)水平，磷肥僅設(shè)1個(gè)水平，共10個(gè)處理，每個(gè)處理重復(fù)2次，氮肥處理N1～N5純氮施用量分別為0 kg/hm2、50 kg/hm2、100 kg/hm2、150 kg/hm2、200 kg/hm2，鉀肥處理K1～K5的K2O施用量分別為0 kg/hm2、144 kg/hm2、288 kg/hm2、432 kg/hm2、576 kg/hm2，磷肥處理P1的P2O5施用量為1 125 kg/hm2，所有肥料播種前全部施入，后期不追肥，田間管理與當(dāng)?shù)匾话愦筇镆恢隆?0個(gè)處理分別為N1P1K2、N2P1K2、N3P1K2、N4P1K2、N5P1K2、N2K1、N2K2、N2K3、N2K4、N2K5。

圖1 研究區(qū)玉米試驗(yàn)田位置Fig.1 Location of maize test field in the study area

1.2 測(cè)定項(xiàng)目和方法

1.2.1 無人機(jī)高光譜影像和RGB影像的獲取 無人機(jī)高光譜影像數(shù)據(jù)通過M600 Pro無人機(jī)(大疆創(chuàng)新科技有限公司產(chǎn)品)搭載S185高光譜相機(jī)(Cubert公司產(chǎn)品)獲取。S185高光譜相機(jī)采用畫幅式成像技術(shù)，結(jié)合了高光譜數(shù)據(jù)的精確性和快照成像的高速性，可在0.001 s內(nèi)采集整個(gè)視場(chǎng)內(nèi)的高光譜影像數(shù)據(jù)，影像光譜范圍為450～998 nm，包含138個(gè)波段，光譜采樣間隔4 nm。影像采集于2021年8月20日，此時(shí)玉米處于抽雄期，是其生長(zhǎng)發(fā)育的關(guān)鍵時(shí)期[16]，無人機(jī)飛行時(shí)間為14∶00-16∶00，天氣晴朗無風(fēng)，飛行前進(jìn)行黑白板校正，設(shè)定飛行高度為50 m，飛行速度為5 m/s，航向與旁向重疊度均為80%，鏡頭垂直向下，影像地面分辨率為1.4 cm。由于獲取的無人機(jī)高光譜影像缺失地理參考，故使用自帶GPS儀的精靈4 RTK無人機(jī)(大疆創(chuàng)新科技有限公司產(chǎn)品)同步獲取研究區(qū)RGB影像，設(shè)定的飛行參數(shù)與M600 Pro無人機(jī)一致，用于高光譜影像的地理配準(zhǔn)和幾何校正。

1.2.2 葉綠素含量測(cè)定 玉米葉片葉綠素含量使用植物多酚-葉綠素測(cè)量計(jì)Dualex scientific+TM(上海澤泉科技股份有限公司產(chǎn)品)測(cè)定，測(cè)定項(xiàng)目中的Chl值代表葉綠素含量[6]，單位為μg/cm2，測(cè)定時(shí)間為無人機(jī)影像采集后的1 h內(nèi)，每個(gè)采樣點(diǎn)選擇3片健康、無病蟲害的冠層葉片，于葉尖、中部、基部3個(gè)位置分別測(cè)量3個(gè)Chl值，每個(gè)采樣點(diǎn)獲取27個(gè)Chl值，取平均值作為該采樣點(diǎn)的Chl值。

1.3 數(shù)據(jù)處理

在S185高光譜相機(jī)處理軟件Cubert Utils Touch中進(jìn)行高光譜影像的波段融合，并輸出為單張Multiff格式的高光譜影像，使用Agisoft Photoscan軟件分別將單張Multiff影像與精靈4 RTK無人機(jī)獲取的RGB影像拼接為研究區(qū)的完整影像。在軟件ENVI 5.3中以精靈4 RTK無人機(jī)獲取的RGB影像作為基準(zhǔn)影像，以無人機(jī)高光譜影像作為待校準(zhǔn)影像，實(shí)施地理配準(zhǔn)和幾何校正，使高光譜影像具有正確的地理坐標(biāo)，并消除幾何變形，然后對(duì)高光譜影像進(jìn)行平滑濾波以減小影像數(shù)據(jù)采集過程中的隨機(jī)噪聲，依據(jù)采樣點(diǎn)的GPS坐標(biāo)，在高光譜影像上生成半徑為30 cm的圓形感興趣區(qū)(ROI)，通過ROI提取出各采樣點(diǎn)的反射光譜曲線。在前人研究結(jié)果[17]的基礎(chǔ)上，本次研究提取的光譜曲線范圍在450～850 nm，影像處理流程如圖2顯示。依據(jù)從小到大的原則對(duì)采集的各采樣點(diǎn)Chl值進(jìn)行排序，通過分層抽樣法以3∶1的比例獲取建模樣本45個(gè)，驗(yàn)證樣本15個(gè)。

1.4 模型建立

通過各采樣點(diǎn)的原始光譜以及一階導(dǎo)數(shù)光譜獲取建模參數(shù)。使用任意2波段組合的方式構(gòu)建單因素建模參數(shù)，包括歸一化光譜指數(shù)(NDSI)、差值光譜指數(shù)(DSI)和比值光譜指數(shù)(RSI)[18]；基于連續(xù)投影算法(SPA)構(gòu)建多因素建模參數(shù)。單因素模型的構(gòu)建方式有線性回歸、指數(shù)回歸、冪回歸、對(duì)數(shù)回歸以及多項(xiàng)式回歸，多因素模型的構(gòu)建方式包括多元線性回歸(MLR)以及核極限學(xué)習(xí)機(jī)回歸(KELMR)，對(duì)比各類模型的精度，從中篩選出反演效果最佳的模型。所有模型的建立以及高光譜遙感影像的填圖均在軟件Matlab的環(huán)境下實(shí)現(xiàn)。

Cubert Utils Touch、Agisoft Photoscan、ENVI5.3為處理數(shù)據(jù)的軟件名稱。圖2 影像處理流程Fig.2 Processing flows of images

(1)

(2)

2 結(jié)果與分析

2.1 玉米葉片Chl值光譜特征分析

2.1.1 玉米葉片Chl值基本統(tǒng)計(jì)特征 供試玉米葉片Chl值統(tǒng)計(jì)結(jié)果(表1)表明，建模集和驗(yàn)證集的各項(xiàng)統(tǒng)計(jì)特征均與總數(shù)據(jù)集較為接近，3類樣本的Chl值平均值和變異系數(shù)分別為47.75～48.20、6.61%～6.88%，說明使用分層抽樣法劃分的建模集和驗(yàn)證集代表性較好[19]，各集群所反映的采樣點(diǎn)Chl值較一致。

表1 玉米葉片葉綠素含量(Chl值)統(tǒng)計(jì)特征

2.1.2 Chl值與光譜反射率的相關(guān)性 圖3顯示，原始光譜反射率與Chl值相關(guān)性曲線變化較為平緩，且所有波段反射率與Chl值均呈現(xiàn)負(fù)相關(guān)，通過0.01相關(guān)性檢驗(yàn)的波段主要位于500～624 nm以及710～850 nm，在766 nm波長(zhǎng)處相關(guān)性最佳，相關(guān)系數(shù)為-0.61。一階導(dǎo)數(shù)光譜反射率與Chl值相關(guān)性曲線的走勢(shì)波動(dòng)性較大，通過0.01相關(guān)性檢驗(yàn)的波段在504～654 nm零星分布，在686～766 nm集中分布，相關(guān)性最佳的波長(zhǎng)為714 nm，相關(guān)系數(shù)為0.64。整體上看，在通過0.01相關(guān)性檢驗(yàn)的波長(zhǎng)數(shù)量上，原始光譜要大于一階導(dǎo)數(shù)光譜，但是在相關(guān)性大小方面，一階導(dǎo)數(shù)的最大相關(guān)系數(shù)絕對(duì)值要高于原始光譜。

圖3 不同類型光譜反射率與Chl值的相關(guān)性Fig.3 Correlation between different types of spectral reflectance and Chl values

2.1.3 Chl值與光譜指數(shù)的相關(guān)性 根據(jù)光譜指數(shù)計(jì)算公式(表2)，分析統(tǒng)計(jì)Chl值與任意2波段組合光譜指數(shù)的相關(guān)性，繪制相關(guān)系數(shù)等勢(shì)圖(圖4)，選擇相關(guān)性最好的波長(zhǎng)組合方式確定敏感光譜指數(shù)。從不同類型光譜指數(shù)來看，僅差值光譜指數(shù)(DSI)存在連片的相關(guān)性較高的區(qū)域，主要分布在700～850 nm，而歸一化光譜指數(shù)(NDSI)、比值光譜指數(shù)(RSI)的相關(guān)系數(shù)偏低且分布較為零散。從相關(guān)性最佳來看，原始光譜和一階導(dǎo)數(shù)光譜中均為DSI與Chl值的相關(guān)性大于NDSI和RSI，相關(guān)系數(shù)分別為0.71、0.68，表明DSI是此次研究中的最優(yōu)光譜指數(shù)。

表2 光譜指數(shù)計(jì)算方法

a:PS-RSI;b:PS-NDSI;c:PS-DSI;d:FDS-RSI;e:FDS-NDSI;f:FDS-DSI。PS：原始光譜；FDS：一階導(dǎo)數(shù)光譜；RSI：比值光譜指數(shù)；NDSI：歸一化光譜指數(shù)；DSI：差值光譜指數(shù)。圖4 不同類型光譜指數(shù)與Chl值的相關(guān)性等勢(shì)圖Fig.4 Equipotential diagram of correlation between different types of spectral indices and Chl value

2.2 單因素模型構(gòu)建及精度評(píng)價(jià)

以表2中的光譜指數(shù)作為自變量，玉米葉片Chl值為因變量，構(gòu)建單因素估算模型，應(yīng)用線性回歸、2次曲線、指數(shù)回歸和對(duì)數(shù)回歸4種方法，篩選出各光譜指數(shù)的最佳模型(表3)。從不同類型光譜指數(shù)來看，DSI的建模效果最好；從不同光譜類型來看，原始光譜構(gòu)建模型整體優(yōu)于一階導(dǎo)數(shù)光譜。由此可得，單因素模型中的最優(yōu)模型是基于原始光譜的DSI模型，其建模、驗(yàn)證R2均為0.52，MRE分別為4.09%、4.36%，使用單因素估測(cè)玉米Chl值時(shí)，應(yīng)優(yōu)先考慮該模型。

表3 不同光譜類型的單因素模型

2.3 多因素模型構(gòu)建及精度評(píng)價(jià)

2.3.1 連續(xù)投影算法提取多因素建模參數(shù) 連續(xù)投影算法是一種特征選擇方法，通過連續(xù)投影的方式從原始光譜矩陣中選出預(yù)測(cè)響應(yīng)變量的子集[20]，該算法不僅確保所篩選的光譜矢量共線性最小，還實(shí)現(xiàn)了對(duì)響應(yīng)變量預(yù)測(cè)能力的最大化，其原理為第一次迭代時(shí)任選光譜矩陣一列賦予迭代向量，此后分別計(jì)算該迭代向量對(duì)剩余向量的投影并提取最大投影的波段，提取完成后開始第二次迭代循環(huán)，直至所篩選的波段數(shù)量等于給定數(shù)量，隨著提取波段數(shù)量的增加，每循環(huán)一次即進(jìn)行一次篩選波段對(duì)響應(yīng)變量的預(yù)測(cè)能力計(jì)算。以預(yù)測(cè)能力最佳為原則，分別將原始光譜和一階導(dǎo)數(shù)光譜中通過0.01相關(guān)性檢驗(yàn)的波段反射率作為自變量，Chl值作為響應(yīng)變量，提取多因素建模參數(shù)(表4)，提取出的原始光譜、一階導(dǎo)數(shù)光譜多因素建模參數(shù)分別為14個(gè)和8個(gè)，二者的多因素建模參數(shù)波長(zhǎng)集中在506～766 nm，即綠光波段至近紅外波段。

表4 不同類型光譜多因素建模參數(shù)

2.3.2 多因素模型建立及精度比較 由于SPA所提取的建模參數(shù)在保證預(yù)測(cè)性最佳的同時(shí)還使得變量之間的共線性最低，故多因素模型的建立不再考慮建模參數(shù)的共線性問題，使用多元線性回歸(MLR)法、核極限學(xué)習(xí)機(jī)(KELM)算法構(gòu)建多因素模型。

核極限學(xué)習(xí)機(jī)是單隱含層前饋神經(jīng)網(wǎng)絡(luò)的一種，由Huang等[21]提出，其輸入層到隱含層的權(quán)值是隨機(jī)產(chǎn)生的，而隱含層到輸出層的權(quán)值是計(jì)算產(chǎn)生的，隨機(jī)產(chǎn)生的權(quán)值通過不斷迭代，能得到較好的預(yù)測(cè)結(jié)果，該算法在普通極限學(xué)習(xí)機(jī)的基礎(chǔ)上引入了“核”的概念，與普通神經(jīng)網(wǎng)絡(luò)相比，提升了學(xué)習(xí)速率和泛化性，在大樣本下也能保證較快的計(jì)算速率，與隨機(jī)森林回歸相比，在樣本數(shù)量偏少時(shí)也能快速學(xué)習(xí)到數(shù)據(jù)的規(guī)律，并且預(yù)測(cè)的結(jié)果能超越給定的訓(xùn)練集，但是在建模樣本向高維空間映射的過程中，由于其函數(shù)參數(shù)的生成具有一定的隨機(jī)性，往往需要迭代多次才能取得較好的結(jié)果。為了減小計(jì)算成本，本研究采用獅群優(yōu)化算法(LSO)[22]對(duì)KELM迭代過程進(jìn)行優(yōu)化，使計(jì)算過程向著R2增大、MRE減小的方向收斂。采用徑向基函數(shù)(RBF)作為KELM的核函數(shù)，獅群數(shù)量(POP)以及迭代次數(shù)(N)分別設(shè)置為10、50，優(yōu)化所得的正則化系數(shù)(C)、核函數(shù)參數(shù)(S)以及多因素建模結(jié)果(表5)顯示，與單因素模型相比，多因素模型精度有較大提升，各類多因素模型的建模R2、驗(yàn)證R2均在0.57以上，高于單因素的R2最大值0.52。就建模方法而言，MLR算法的建模效果要低于KELM算法；從光譜類型來看，原始光譜的模型精度優(yōu)于一階導(dǎo)數(shù)光譜；綜合比較可得，原始光譜的LSO-KELM模型是所有方法中的最優(yōu)模型，其建模、驗(yàn)證R2分別為0.73、0.70，相應(yīng)MRE處于較低水平，為3.56%和3.53%。

表5 不同光譜類型下多因素回歸模型

2.4 模型精度比較

基于單因素、多因素模型中的最優(yōu)模型，分別進(jìn)行高光譜遙感影像Chl值反演估算，同時(shí)將反演得到的預(yù)測(cè)值與實(shí)地采樣得到的實(shí)測(cè)值進(jìn)行擬合，實(shí)現(xiàn)模型精度比較，1∶1線設(shè)置為虛線。圖5顯示，PS-DSI模型和PS-LSO-KELM模型下的Chl值反演圖基本符合小區(qū)排列，但是外在表現(xiàn)有所差異。與PS-DSI模型相比，PS-LSO-KELM模型的反演圖不僅體現(xiàn)了玉米冠層Chl值的空間分布，還體現(xiàn)了玉米冠層的形態(tài)特征，Chl值的位置信息更加準(zhǔn)確，蘊(yùn)含的信息更多，可見在Chl值的遙感反演估算方面，機(jī)器學(xué)習(xí)算法優(yōu)于傳統(tǒng)回歸算法。圖6顯示，PS-LSO-KELM模型的預(yù)測(cè)值比PS-DSI模型更加貼近擬合線，同時(shí)擬合線與1∶1線差距不大，故模型精度更高，其擬合方程R2為0.70，因此，PS-LSO-KELM模型是此次研究中的最優(yōu)模型。

A：基于原始光譜的差值光譜指數(shù)模型；B：基于原始光譜的獅群算法優(yōu)化的核極限學(xué)習(xí)機(jī)算法模型。Chl值：葉綠素含量。圖5 不同類型最優(yōu)模型下玉米冠層Chl值空間分布圖Fig.5 Spatial distribution of Chl values in maize canopy under different types of optimal models

3 討 論

玉米冠層Chl值與S185高光譜相機(jī)的原始光譜主要在綠光波段和近紅外波段處通過0.01相關(guān)性檢驗(yàn)，與一階導(dǎo)數(shù)光譜則主要在近紅外波段處通過0.01相關(guān)性檢驗(yàn)，這與王婷婷等[6]等的研究結(jié)果基本一致。構(gòu)造的光譜指數(shù)中，2種光譜下均為DSI的相關(guān)性最好，這與前人的研究結(jié)果[12,23-24]不一致，一方面是因?yàn)楣庾V指數(shù)本質(zhì)上是一種消除背景噪聲、增強(qiáng)反演特征的算法，故該算法對(duì)儀器、作物種類以及光譜預(yù)處理方式等具有一定依賴性；另一方面是尺度效應(yīng)，前人的光譜曲線多是地面遙感獲取，屬于葉片尺度，本研究的光譜曲線來自于低空無人機(jī)影像，屬于冠層尺度。這兩方面原因都會(huì)造成光譜指數(shù)對(duì)Chl值的敏感性差異。未來的研究應(yīng)該增加關(guān)中地區(qū)冠層玉米葉片的采樣數(shù)量，同時(shí)還要分多個(gè)生育期進(jìn)行試驗(yàn)，基于S185高光譜相機(jī)確立不同生育期的最優(yōu)光譜指數(shù)。

A：基于原始光譜的差值光譜指數(shù)模型；B：基于原始光譜的獅群算法優(yōu)化的核極限學(xué)習(xí)機(jī)算法模型。x：Chl值的實(shí)測(cè)值；Y：Chl值的預(yù)測(cè)值；R2：決定系數(shù)。圖6 不同類型最優(yōu)模型預(yù)測(cè)值與實(shí)測(cè)值分布Fig.6 Distribution of predicted and measured values of different types of optimal models

SPA算法屬于特征選擇的一種，與基于相關(guān)性的特征選擇算法(FCBF)相比，SPA所篩選的自變量數(shù)量可控，所建立模型相對(duì)簡(jiǎn)單,與傳統(tǒng)的特征提取算法如主成分分析(PCA)等相比，SPA提取的自變量可解釋性高，所建立的模型具有一定的物理化學(xué)意義。

在處理非線性回歸問題時(shí)，機(jī)器學(xué)習(xí)算法往往比傳統(tǒng)回歸算法效果更佳[25]。原因在于機(jī)器學(xué)習(xí)算法是通過決策樹或模擬人類神經(jīng)元工作的方式來學(xué)習(xí)數(shù)據(jù)本身的規(guī)律，相較于單一的傳統(tǒng)回歸算法，機(jī)器學(xué)習(xí)算法體現(xiàn)了群體的特點(diǎn)。核函數(shù)的選取以及參數(shù)的不同會(huì)影響到KELM對(duì)Chl值的擬合結(jié)果，KELM的核函數(shù)包括徑向基核、線性核、小波核等，由于不同核函數(shù)的側(cè)重點(diǎn)不同，也有學(xué)者提出雙核函數(shù)的想法，充實(shí)機(jī)器學(xué)習(xí)算法的實(shí)用性[26]。麻雀搜索算法、灰狼算法等群體智能算法能快速確定KELM的最佳參數(shù)，減小KELM的運(yùn)行成本，本研究采用獅群算法優(yōu)化KELM，以較少的迭代次數(shù)取得較好的玉米冠層Chl值擬合結(jié)果。

在本研究構(gòu)建的所有模型中，多因素模型擬合效果優(yōu)于單因素模型，機(jī)器學(xué)習(xí)算法優(yōu)于傳統(tǒng)回歸算法，這與前人的研究結(jié)果[27-28]一致。實(shí)際應(yīng)用時(shí)，通過無人機(jī)搭載S185高光譜相機(jī)獲取目標(biāo)區(qū)域抽雄期玉米高光譜遙感影像，從中提取模型參數(shù)，應(yīng)用于已經(jīng)訓(xùn)練好的KELM模型中即可得到玉米冠層葉片Chl值的空間分布圖。采樣點(diǎn)的Chl值高，說明玉米長(zhǎng)勢(shì)較好，無需追肥；采樣點(diǎn)的Chl值低，說明玉米長(zhǎng)勢(shì)較差，需要適量追肥。但是此次研究的區(qū)域局限在關(guān)中地區(qū)，研究時(shí)期限制在抽雄期，構(gòu)建的模型是否適用于其他地區(qū)和其他生育期的玉米還有待測(cè)試。故未來應(yīng)該在不同地區(qū)、不同生育期背景下開展低空無人機(jī)搭載S185高光譜相機(jī)反演玉米冠層Chl值的研究，在更多樣本的支持下，確立相應(yīng)的敏感波段，以期未來可以通過無人機(jī)高光譜技術(shù)監(jiān)測(cè)大區(qū)域的玉米Chl值。

4 結(jié) 論

本研究以陜西省關(guān)中地區(qū)抽雄期玉米為研究對(duì)象，基于玉米葉片Chl值和S185高光譜影像，構(gòu)建反演玉米葉片Chl值的單因素模型、多因素模型以及獅群算法優(yōu)化的核極限學(xué)習(xí)機(jī)模型并填圖，得到如下結(jié)論：第一，玉米抽雄期冠層原始光譜反演Chl值的敏感波段主要集中于綠光波段至近紅外波段，一階導(dǎo)數(shù)光譜反演Chl值的敏感波段主要集中于近紅外波段，二者的單因素最優(yōu)建模參數(shù)均為DSI，相關(guān)系數(shù)分別為0.71、0.68。第二，連續(xù)投影算法降維效果較好，從原始光譜和一階導(dǎo)數(shù)光譜中分別提取了14個(gè)、8個(gè)建模參數(shù)，該算法未對(duì)光譜作修改，所提取的建模參數(shù)可解釋性較好。第三，從填圖效果以及預(yù)測(cè)值驗(yàn)證結(jié)果來看，PS-LSO-KELM模型是此次研究中的最優(yōu)模型，其建模R2和驗(yàn)證R2分別達(dá)到了0.73、0.70，MRE分別為3.56%、3.53%。