張瑩 董希斌 劉慧 高彤 任允澤 高然

(森林持續(xù)經(jīng)營(yíng)與環(huán)境微生物工程黑龍江省重點(diǎn)實(shí)驗(yàn)室(東北林業(yè)大學(xué)),哈爾濱,150040)

凋落物是陸地生態(tài)系統(tǒng)的重要組成部分[1],在森林土壤碳循環(huán)中起著重要的轉(zhuǎn)化和驅(qū)動(dòng)作用[2]。凋落物積累和分解速率高將加速整個(gè)生態(tài)系統(tǒng)的碳循環(huán)過程,相反若速率放緩則會(huì)在一定程度影響該地區(qū)的碳平衡[3-5]。實(shí)時(shí)監(jiān)測(cè)和快速獲取植物凋落葉的碳質(zhì)量分?jǐn)?shù),可以及時(shí)推測(cè)凋落物的分解速率,有效掌握林業(yè)生態(tài)系統(tǒng)的環(huán)境狀況和生長(zhǎng)發(fā)展動(dòng)態(tài),同時(shí)也對(duì)估算植物凋落物碳儲(chǔ)量具有重要意義。傳統(tǒng)的植物碳質(zhì)量分?jǐn)?shù)檢測(cè)一般只能在實(shí)驗(yàn)室完成,有干燒法和濕燒法兩種。濕燒法是利用植物有機(jī)碳容易被氧化的性質(zhì),采用重鉻酸鉀外加熱法測(cè)定[6],雖然精度較高,但費(fèi)時(shí)費(fèi)力,人為操作誤差較大,由于進(jìn)行分析時(shí)所必須使用的化學(xué)試劑(濃硫酸和重鉻酸鉀),還存在環(huán)境污染的風(fēng)險(xiǎn)。干燒法是利用元素分析儀進(jìn)行測(cè)定[7],精度高于濕燒法,但設(shè)備價(jià)格昂貴,且需要專業(yè)的實(shí)驗(yàn)人員。

近年來,隨著計(jì)算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)的不斷發(fā)展,利用圖像信息實(shí)現(xiàn)元素質(zhì)量分?jǐn)?shù)預(yù)測(cè)的應(yīng)用也變得越來越廣泛。Furlanetto et al.[8]利用無人機(jī)搭載的可見和近紅外數(shù)碼相機(jī)的成像數(shù)據(jù)對(duì)玉米葉片鉀元素(K+)缺乏進(jìn)行了鑒定和定量研究;Damayanti et al.[9]利用數(shù)字圖像數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)對(duì)木薯葉的葉綠素質(zhì)量分?jǐn)?shù)進(jìn)行了預(yù)測(cè)研究;Zha et al.[10]利用機(jī)載多光譜相機(jī)的圖像數(shù)據(jù)和其他相關(guān)的土壤、天氣信息通過機(jī)器學(xué)習(xí)方法對(duì)水稻氮素進(jìn)行了預(yù)測(cè)研究;Taneja et al.[11]利用手機(jī)采集圖像信息對(duì)土壤有機(jī)質(zhì)和土壤水分進(jìn)行了預(yù)測(cè)研究;Ye et al.[12]利用對(duì)蘋果樹葉片的掃描信息實(shí)現(xiàn)葉片的氮和葉綠素濃度預(yù)測(cè)從而實(shí)現(xiàn)對(duì)蘋果樹營(yíng)養(yǎng)狀況的快速、無損的評(píng)估;Wang et al.[13]將普通相機(jī)通過替換光學(xué)濾光片的方式改裝成可見光和近紅外相機(jī),并利用自制可見和近紅外相機(jī)成像探究了植物葉片傾角對(duì)其葉綠素反演的影響;以及利用圖像信息對(duì)水果成熟度[14-15]和可溶性固形物含量[16]、土壤密度、孔隙度和粗糙度[17-19]、玉米種子活力[20]等的預(yù)測(cè)研究。

然而,利用可見光和近紅外相機(jī)獲取凋落葉的圖像信息對(duì)凋落葉碳質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測(cè)方面的研究報(bào)道較少。因此,本研究以白樺凋落葉為研究對(duì)象,利用圖像處理技術(shù)提取特征值并進(jìn)行篩選,并通過回歸分析建立白樺凋落葉碳質(zhì)量分?jǐn)?shù)預(yù)測(cè)模型,以確定機(jī)器學(xué)習(xí)在凋落葉碳質(zhì)量分?jǐn)?shù)預(yù)測(cè)中的可行性,為白樺凋落葉更直觀和長(zhǎng)期連續(xù)性觀測(cè)提供了可能,同時(shí)也為凋落葉的碳質(zhì)量分?jǐn)?shù)估測(cè)提供了新的研究思路。

1 研究區(qū)概況

研究區(qū)位于哈爾濱市城市林業(yè)示范基地(東北林業(yè)大學(xué)),地理坐標(biāo)為45°42′～45°44′N、126°35′～126°39′E,總面積約50 hm2,海拔136～140 m, 屬于平原地帶。試驗(yàn)區(qū)域氣候?qū)儆跍貛Ъ撅L(fēng)性氣候,土壤類型為黑土。本次試驗(yàn)研究樣地為該林場(chǎng)內(nèi)白樺(BetulaplatyphyllaSuk.)人工林區(qū),該林地于1960年春以種植2 a實(shí)生苗建立,林木分布均勻,面積約0.5 hm2,林分年齡為65 a,含有白樺樹493株,平均胸徑20 cm。

2 研究方法

2.1 試驗(yàn)設(shè)計(jì)及數(shù)據(jù)采集

本試驗(yàn)樣品采集于2022年10月中旬,為白樺葉凋落季節(jié)。在樣地內(nèi)按五點(diǎn)取樣法,選擇5個(gè)5 m×5 m的樣方,將凋落葉層分為上層、中層和下層,并在樣方內(nèi)隨機(jī)采集凋落葉10～15片,然后將采集的凋落葉按片用牛皮紙袋平整裝好并編號(hào),帶回實(shí)驗(yàn)室,用于葉片的圖像采集和碳質(zhì)量分?jǐn)?shù)測(cè)定。

試驗(yàn)使用兩款感光傳感器均為OV2710,最低照度為0.051 lx,具有200萬像素的工業(yè)攝像頭進(jìn)行葉片圖像采集,一款為普通可見光攝像頭,一款為只允許700～1 100 nm波長(zhǎng)光線透過的近紅外攝像頭。在植物取樣的同一天,進(jìn)行葉片圖像采集。將單個(gè)葉片正面朝上放置在水平拍攝臺(tái)鋪設(shè)的白紙上面,兩款攝像頭并列安裝在拍攝臺(tái)上方大約25 cm處的支架上,調(diào)整支架,使鏡頭的方向與拍攝臺(tái)保持垂直,逐一放置樣品,并通過計(jì)算機(jī)編程語言Python軟件編程控制,同時(shí)拍攝葉片的可見光和近紅外圖像存儲(chǔ)在計(jì)算機(jī)中,保存為JPG格式并完成圖像編號(hào)(圖1)。圖像采集完成后,將葉片重新放回帶有編號(hào)的牛皮紙袋,放入烘箱內(nèi)105 ℃殺青15 min,然后在65 ℃恒溫條件下烘干24 h至恒質(zhì)量,研磨后過60目篩,采用德國(guó)總有機(jī)碳/總氮分析儀(analytikjena Multi N/C2100S)測(cè)定。

圖1 不同葉片的可見光和近紅外圖

2.2 圖像預(yù)處理和特征值提取

對(duì)采集到的圖像進(jìn)行預(yù)處理,從而獲取特征數(shù)據(jù)矩陣,主要流程如圖2所示。利用Python軟件分別將可見光圖像和近紅外圖像轉(zhuǎn)化成灰度圖像,然后通過最大類間方差法(OTSU)將灰度圖像轉(zhuǎn)化成二值圖像進(jìn)行閾值分割,并進(jìn)行輪廓篩選獲得葉片輪廓,最后將感興趣區(qū)域(ROI)切割出來得到單葉圖像。

圖像分割后,首先將可見光圖像進(jìn)行彩色模式轉(zhuǎn)換,把光學(xué)三原色(RGB)圖像轉(zhuǎn)換成六角椎體模型(HSV)圖像和灰度圖像,然后將近紅外圖像,進(jìn)行圖層分離,選取波長(zhǎng)最大的波段圖層作為近紅外波段像素,并計(jì)算圖層均值(INIRmean),最后從RGB、HSV和單色圖像中提取葉片顏色、紋理和形狀特征,形成表1所示的數(shù)據(jù)集。圖像的顏色特征用顏色距和各波段圖層均值運(yùn)算來表達(dá),其中顏色矩主要包括RGB圖像的紅(R)、綠(G)、藍(lán)(B)三分量、HSV圖像的色調(diào)(H)、飽和度(S)、明度(V)三分量以及灰度圖像的灰度分量的一階矩、二階矩和三階矩。紋理特征則利用灰度圖像生成灰度共生矩陣來描述,基于灰度共生矩陣構(gòu)建統(tǒng)計(jì)量,本研究選擇能量、對(duì)比度、最大概率值、逆差分矩、差異分差、熵作為葉片圖像的紋理特征值。葉片的形狀特征從二值圖像中提取,選取葉片面積、葉片輪廓周長(zhǎng)、葉片邊界矩陣長(zhǎng)寬比、最小外接矩陣長(zhǎng)寬比、葉片面積與邊界矩形面積比、輪廓面積與凸包面積比、圓形度、矩形度作為葉片的形狀特征參數(shù)。

圖2 最大類間方差法(OTSU)分割過程圖

表1 圖像特征參數(shù)

2.3 模型選擇

人工神經(jīng)網(wǎng)絡(luò)是一種基于生物神經(jīng)系統(tǒng),模擬神經(jīng)細(xì)胞接收、處理和傳導(dǎo)信號(hào)機(jī)制的運(yùn)算模型[21]。人工神經(jīng)網(wǎng)絡(luò)由各種類似神經(jīng)元結(jié)構(gòu)的單元通過相互連接構(gòu)成,每個(gè)神經(jīng)元都包含一個(gè)偏差(θ),當(dāng)接收到的輸入信號(hào)通過權(quán)值(w)進(jìn)行線性加權(quán)運(yùn)算后,通過激活函數(shù)(f)變換獲得輸出值y(公式1),其中激活函數(shù)經(jīng)常使用S型生長(zhǎng)曲線(sigmoid),從而有利于解釋輸入和輸出變量之間的非線性。一般來說,一個(gè)人工神經(jīng)網(wǎng)絡(luò)可以劃分為3個(gè)層,分別是輸入層(a),隱藏層(b),輸出層(c)。

(1)

式中:y為該神經(jīng)元輸出值;xi為輸入信號(hào);wi為權(quán)值;θ為偏差;f為激活函數(shù)。

將特征向量作為輸入層進(jìn)行上述計(jì)算后不斷傳播計(jì)算到輸出層,并與樣本值作比較,計(jì)算誤差,然后根據(jù)梯度下降法向前計(jì)算偏導(dǎo)數(shù)來更新各層的偏差和權(quán)重,反復(fù)計(jì)算后使輸出誤差達(dá)到很小值為止。本研究利用MATLAB軟件構(gòu)建簡(jiǎn)單的3層神經(jīng)網(wǎng)絡(luò),將處理后的葉片圖像特征值作為輸入層,葉片的碳質(zhì)量分?jǐn)?shù)作為輸出,由于隱藏層的數(shù)量會(huì)影響模型的時(shí)間和性能,所以隱含層的神經(jīng)元數(shù)量通過試差法確定。同時(shí)為了得到更好的網(wǎng)絡(luò)初始權(quán)值和偏差,選用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

支持向量回歸模型是在支持向量機(jī)的基礎(chǔ)上對(duì)回歸任務(wù)進(jìn)行優(yōu)化,適用于解決高維特征的回歸問題[22]。該算法用于在高維空間尋找超平面來最小化誤差,同時(shí)引入不敏感損失系數(shù)ε,當(dāng)預(yù)測(cè)值與觀測(cè)值的絕對(duì)差值不大于ε時(shí),認(rèn)為損失值為0,從而最大化預(yù)測(cè)值和觀測(cè)值之間的邊際。此外在支持向量回歸模型中還可以應(yīng)用各種核函數(shù),幫助解決各種線性和非線性回歸問題。本研究利用Python軟件構(gòu)建了3種不同核函數(shù)的支持向量回歸模型,包括徑向基核函數(shù)、線性核函數(shù)、多項(xiàng)式核函數(shù),并比較不同模型對(duì)葉片碳質(zhì)量分?jǐn)?shù)的預(yù)測(cè)能力。

隨機(jī)森林是一種基于決策樹和裝袋算法結(jié)合的集成學(xué)習(xí)模型[23]。該算法通過對(duì)樣品數(shù)據(jù)集進(jìn)行有放回隨機(jī)抽樣,產(chǎn)生多個(gè)與原始數(shù)據(jù)集容量數(shù)相同的不同數(shù)據(jù)子集,再將這些新數(shù)據(jù)集以并行模式構(gòu)建多棵決策樹,每棵決策樹通過不斷分化計(jì)算產(chǎn)生對(duì)應(yīng)的回歸預(yù)測(cè)數(shù)據(jù),最后將不同回歸樹返回的預(yù)測(cè)數(shù)值進(jìn)行均值計(jì)算(公式2),得到最終的回歸預(yù)測(cè)結(jié)果。有放回的隨機(jī)抽樣和決策樹并行集合,提高了隨機(jī)森林模型對(duì)噪聲的容忍度。在隨機(jī)森林中,決策樹個(gè)數(shù)、最大深度、最小葉子節(jié)點(diǎn)樣本數(shù)和最大分離特征數(shù)都是需要優(yōu)化的模型超參數(shù),因此,為了定義最佳參數(shù),本研究利用Python語言中的Sklearn模塊對(duì)隨機(jī)森林模型的超參數(shù)進(jìn)行自動(dòng)優(yōu)化,尋找最佳預(yù)測(cè)模型。

(2)

2.4 模型評(píng)價(jià)

試驗(yàn)共獲取207組數(shù)據(jù),隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集,20%的數(shù)據(jù)作為測(cè)試集。為了對(duì)所建立的預(yù)測(cè)模型性能進(jìn)行準(zhǔn)確評(píng)判,本研究選取平均絕對(duì)誤差(EMA)、均方根誤差(ERSM)、平均百分比誤差(EMAP)和決定系數(shù)(R2)作為評(píng)價(jià)指標(biāo),公式如下:

(3)

(4)

(5)

(6)

平均絕對(duì)誤差(EMA)、均方根誤差(ERSM)、平均百分比誤差(EMAP)越小,表明回歸模型的預(yù)測(cè)精度越高,R2值越高表明預(yù)測(cè)值和實(shí)際值之間相關(guān)性越大,兩者擬合度越好,即預(yù)測(cè)性能越好。

3 結(jié)果與分析

3.1 變量選擇

對(duì)從葉片圖像中提取的47個(gè)特征變量進(jìn)行相關(guān)性分析,并繪制相關(guān)系數(shù)矩陣熱力圖(圖3),可以從圖中看出部分自變量之間相關(guān)性比較大,直接使用全部變量建模容易引起多重共線性問題,影響模型的穩(wěn)定性。

圖3 特征變量相關(guān)系數(shù)熱力圖

本研究采用主成分分析算法,將原始特征變量通過正交變換轉(zhuǎn)化成互不相干的綜合變量,并計(jì)算各綜合變量的累計(jì)方差貢獻(xiàn)率(圖4),同時(shí)為了盡可能的保留數(shù)據(jù)信息,對(duì)原始特征變量進(jìn)行降維,最終選取前7個(gè)主成分(累計(jì)方差貢獻(xiàn)率達(dá)92%)作為新的特征變量。

圖4 主成分累計(jì)方差貢獻(xiàn)率

3.2 預(yù)測(cè)模型的建立和性能評(píng)估

3.2.1 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型(GA-BPNN)

將主成分分析降維后的7個(gè)特征變量作為輸入層,葉片碳質(zhì)量分?jǐn)?shù)作為輸出層,隱含層層數(shù)為1,根據(jù)隱含層節(jié)點(diǎn)個(gè)數(shù)的經(jīng)驗(yàn)公式(公式7)對(duì)訓(xùn)練集進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,計(jì)算不同隱含層節(jié)點(diǎn)數(shù)的訓(xùn)練集均方誤差,由圖5可知當(dāng)節(jié)點(diǎn)數(shù)為11時(shí),均方誤差最小,因此確定隱含層節(jié)點(diǎn)個(gè)數(shù)為11。為了得到更好的網(wǎng)絡(luò)初始權(quán)值和偏差,選用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,設(shè)遺傳算法的迭代次數(shù)為30,種群數(shù)為17,染色體的選擇方法為輪盤賭法,編碼方式為二進(jìn)制法,交叉概率取0.7,變異概率取0.1,選擇166組訓(xùn)練樣本的預(yù)測(cè)值與期望值的誤差矩陣的范數(shù)作為適應(yīng)度值的目標(biāo)函數(shù),得到最佳的初始權(quán)值和閾值矩陣。然后利用訓(xùn)練集樣本對(duì)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,設(shè)訓(xùn)練次數(shù)為10 000,學(xué)習(xí)率為0.1,動(dòng)量系數(shù)為0.3,誤差閾值為0.000 001,建立葉片碳質(zhì)量分?jǐn)?shù)預(yù)測(cè)模型;再利用測(cè)試集樣本對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證?；谶z傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的葉片碳質(zhì)量分?jǐn)?shù)預(yù)測(cè)模型效果和預(yù)測(cè)結(jié)果如表2、圖6所示。

(7)

式中:h為隱含層的節(jié)點(diǎn)個(gè)數(shù);a和b為輸入層和輸出層節(jié)點(diǎn)的個(gè)數(shù);c通常取 1～10的整數(shù)。

圖5 隱含層節(jié)點(diǎn)數(shù)尋優(yōu)結(jié)果

表2 GA-BPNN神經(jīng)網(wǎng)絡(luò)模型建模及預(yù)測(cè)結(jié)果

由表2可知,GA-BPNN模型對(duì)葉片碳質(zhì)量分?jǐn)?shù)的預(yù)測(cè)效果較好,在訓(xùn)練集上平均絕對(duì)誤差EMA、均方根誤差ERSM、平均百分比誤差EMAP和決定系數(shù)R2分別為6.472 4、7.917 9、0.014 9和0.670 8,測(cè)試集上相應(yīng)的統(tǒng)計(jì)指標(biāo)值平均絕對(duì)誤差、均方根誤差、平均百分比誤差和決定系數(shù)分別為7.508 1、8.671 3、0.017 2和0.533 9,說明該模型擬合程度較高,對(duì)葉片碳質(zhì)量分?jǐn)?shù)預(yù)測(cè)具有一定的實(shí)用價(jià)值。

3.2.2 支持向量機(jī)回歸模型(SVR)

使用Python語言中的Sklearn模塊構(gòu)建3種不同核函數(shù)的SVR模型。對(duì)徑向基核函數(shù)模型(RBF-SVR)和多項(xiàng)式核函數(shù)模型(Poly-SVR)中的函數(shù)系數(shù)(γ)和懲罰因子(C)進(jìn)行網(wǎng)格搜索尋找最優(yōu)參數(shù),其中參數(shù)gamma的搜索數(shù)組為{0.01,0.05,0.1,0.15,0.2,0.25};C的搜索范圍為(1,10),步長(zhǎng)為1。實(shí)驗(yàn)結(jié)果表明:徑向基核函數(shù)模型的最優(yōu)參數(shù)組合為函數(shù)系數(shù)(γ)=0.05、C=10;多項(xiàng)式核函數(shù)模型的最優(yōu)參數(shù)組合為函數(shù)系數(shù)(γ)=0.05、C=1。對(duì)于線性核函數(shù)模型(Linear-SVR),無需對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置,均使用默認(rèn)參數(shù)。采用實(shí)驗(yàn)獲取的各模型參數(shù)最優(yōu)值,對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練,并對(duì)測(cè)試集進(jìn)行驗(yàn)證。建模和預(yù)測(cè)結(jié)果如表3、圖7所示。

從表3可知,Linear-SVR模型預(yù)測(cè)效果較好,訓(xùn)練集和測(cè)試集決定系數(shù)R2均大于0.5,說明模型預(yù)測(cè)值與真實(shí)值擬合結(jié)果較好;Poly-SVR模型雖然訓(xùn)練集的決定系數(shù)達(dá)到了0.662 0,但測(cè)試集決定系數(shù)為0.482 5,預(yù)測(cè)效果不佳,說明模型泛化能力較弱;與上面兩個(gè)模型相比,RBF-SVR模型的擬合效果最好,訓(xùn)練集和測(cè)試集的EMA分別為4.151 9和6.529 2、ERSM分別為6.624 4和7.925 2、EMAP分別為0.009 6和0.015 0,統(tǒng)計(jì)指標(biāo)值均為最小,且訓(xùn)練集決定系數(shù)達(dá)到了0.769 6,測(cè)試集決定系數(shù)達(dá)到了0.610 7,模型穩(wěn)定性較強(qiáng)。

3.2.3 隨機(jī)森林回歸模型(RFR)

因隨機(jī)森林回歸模型中超參數(shù)較多,本研究選用交叉驗(yàn)證和網(wǎng)格搜索對(duì)參數(shù)進(jìn)行尋優(yōu)。其中決策樹的數(shù)量(n_estimators)搜索范圍為(50,150),步長(zhǎng)為10;每個(gè)葉子結(jié)點(diǎn)包含的最小分離樣本數(shù)(min_samples_leaf)搜索范圍為(1,7),步長(zhǎng)為1;決策樹最大深度(max_depth)搜索數(shù)組為{1,5,10,50,100},最大特征數(shù)(max_features)搜索數(shù)組為{‘a(chǎn)uto’,‘sqrt’,‘log2’},交叉驗(yàn)證(CV)值取15。利用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練,并根據(jù)訓(xùn)練樣本的得分確定隨機(jī)森林模型的最優(yōu)參數(shù)。各參數(shù)網(wǎng)格搜索得分結(jié)果如圖8所示,得到最佳的參數(shù)組合為n_estimators=80,max_features=‘a(chǎn)uto’,min_samples_leaf=1,max_depth=5。

表3 3種支持向量機(jī)回歸模型建模及預(yù)測(cè)結(jié)果

圖7 3種支持向量機(jī)回歸模型測(cè)試集的預(yù)測(cè)值與真實(shí)值散點(diǎn)圖

圖8 隨機(jī)森林模型參數(shù)網(wǎng)格搜索得分結(jié)果圖

采用實(shí)驗(yàn)獲取的模型參數(shù)最優(yōu)值,對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練,并對(duì)測(cè)試集進(jìn)行驗(yàn)證。建模和預(yù)測(cè)結(jié)果如表4、圖9所示。

表4 隨機(jī)森林模型建模及預(yù)測(cè)結(jié)果

從表4結(jié)果來看,在訓(xùn)練數(shù)據(jù)集上,RFR模型對(duì)葉片碳質(zhì)量分?jǐn)?shù)的擬合和預(yù)測(cè)效果最好,平均絕對(duì)誤差EMA、均方根誤差ERSM、平均百分比誤差EMAP和決定系數(shù)R2分別為4.625 3、5.608 7、0.010 6和0.834 8;測(cè)試集擬合結(jié)果低于訓(xùn)練集擬合結(jié)果,測(cè)試集決定系數(shù)僅為0.521 8,但R2大于0.5,說明該模型可以在一定程度實(shí)現(xiàn)對(duì)葉片碳質(zhì)量分?jǐn)?shù)的預(yù)測(cè)。

4 結(jié)論

通過大津算法和彩色圖像模式轉(zhuǎn)化對(duì)可見光和近紅外攝像頭拍攝白樺凋落葉的圖像進(jìn)行預(yù)處理,提取RGB、HSV和單色圖像中的葉片顏色、紋理和形狀特征,并利用主成分分析對(duì)提取到的47個(gè)特征變量降維,將降維后的7個(gè)新的特征變量作為GA-BPNN模型、SVR模型、RFR模型的輸入,構(gòu)建的不同模型并進(jìn)行對(duì)比分析。在訓(xùn)練數(shù)據(jù)集上,RFR模型對(duì)葉片碳質(zhì)量分?jǐn)?shù)的擬合和預(yù)測(cè)效果最好,平均絕對(duì)誤差(EMA)為4.625 3,均方根誤差(ERSM)為5.608 7,平均百分比誤差(EMAP)為0.010 6,決定系數(shù)(R2)達(dá)到了0.834 8;在測(cè)試數(shù)據(jù)集上,RBF-SVR模型相比于GA-BPNN模型、RFR模型和其他核函數(shù)的SVR模型擬合和預(yù)測(cè)效果最佳,其平均絕對(duì)誤差(EMA)、均方根誤差(ERSM)、平均百分比誤差(EMAP)和決定系數(shù)(R2)分別為6.529 2、7.925 2、0.015 0和0.610 7,與其他模型相比統(tǒng)計(jì)指標(biāo)值均為最小。從訓(xùn)練集和預(yù)測(cè)集的綜合表現(xiàn)來看,RBF-SVR模型可預(yù)測(cè)該區(qū)域的白樺凋落葉碳質(zhì)量分?jǐn)?shù),為推測(cè)凋落物的分解速率提供了新方法。

圖9 隨機(jī)森林模型測(cè)試集的預(yù)測(cè)值與真實(shí)值散點(diǎn)圖