傅根深, 呂海燕, 燕李鵬, 黃慶豐, 程海峰, 王新文, 錢文祺, 高 祥, 唐雪海*

1. 安徽農(nóng)業(yè)大學林學與園林學院, 安徽 合肥 230036

2. 屯溪區(qū)林業(yè)局, 安徽 黃山 254000

3. 黃山弦歌生態(tài)旅游發(fā)展有限公司, 安徽 黃山 245703

4. 安徽農(nóng)業(yè)大學理學院, 安徽 合肥 230036

引 言

碳、 氮是構(gòu)成植物細胞內(nèi)基本物質(zhì)的關(guān)鍵元素, 發(fā)揮著驅(qū)動與調(diào)控植物體代謝活動的重要作用。 生態(tài)化學計量學中通常使用碳氮比(簡稱C/N)揭示碳氮元素間相互制約與平衡的作用規(guī)律, 對實現(xiàn)資源可持續(xù)利用具有現(xiàn)實意義[1]。 葉片C/N通過調(diào)節(jié)冠層光合作用可以顯著影響樹體的生長發(fā)育及果實成熟, 因此, 作為一項重要的指示性理化參數(shù), C/N也成為植物個體參與生物地球化學循環(huán)的研究熱點[2]。

油茶(CamelliaoleiferaAbel.)是世界四大木本油料樹種之一, 是中國特有的經(jīng)濟林, 栽培利用歷史悠久[3]。 長久以來, 油茶因其顯著的經(jīng)濟效益和生態(tài)價值廣受市場歡迎。 由于油茶天然具有花果同期的生物學特性, 僅靠樹體自身很難均衡養(yǎng)分元素, 因此油茶結(jié)實會出現(xiàn)大小年交替現(xiàn)象。 隨著中國樹立茶油“高端國油”形象的提出, 油茶種植規(guī)模將繼續(xù)擴大, 種植戶也必將追求持續(xù)穩(wěn)定的高產(chǎn)。 傳統(tǒng)的營林措施已難以滿足生產(chǎn)層面追求穩(wěn)定高產(chǎn)的需求, 人們越發(fā)期望實現(xiàn)精準作業(yè)來大幅度減少開支與增產(chǎn)增效。 傳統(tǒng)方法采用取樣通過化學試劑測定元素含量來定性判斷局部區(qū)域生長情況, 此法存在時空局限性并對樹體造成破壞, 難以支撐精準作業(yè)的發(fā)展需求[4]。 高光譜遙感具有無損、 快速和準確的特點, 這種技術(shù)將為油茶C/N監(jiān)測提供極大便利, 同時也為產(chǎn)量提高和良種選育提供新的途徑。

國內(nèi)外學者利用高光譜特征測定植物體C/N已有深入研究。 Xu等[5]通過提取高光譜曲線斜率特征并用分支定界算法(branch-and-bound, BB)構(gòu)建了精度R2超過0.81的大麥和小麥葉片C/N估算模型。 Gao等[6]揭示了利用重要條帶(important bands, IBS)和已知碳、 氮化合物吸收條帶(known absorption bands, KBS)相結(jié)合的譜段信息來估算高山草原系統(tǒng)中草料C/N的潛力。 原始高光譜特征蘊含眾多微觀物質(zhì)信息, 但在野外復(fù)雜樣本環(huán)境下, 除了光譜本身存在著嚴重共線性和物質(zhì)譜峰重疊因素外, 基線漂移、 背景噪音和散射影響等干擾因素也會進一步削弱模型估算精度。 一些學者通過對原始高光譜特征進行多種數(shù)學變換來有效降低干擾, 如張子鵬等[7]使用連續(xù)統(tǒng)去除和一階導數(shù)變換對可見光-近紅外的漫反射光譜進行處理, 進而組合成三波段光譜指數(shù)來估算土壤有機質(zhì)含量, 顯著弱化了噪聲干擾并提高了定量模型估測精度。 Huang等[8]分別使用標準正態(tài)變量變換、 導數(shù)變換、 多元散射校正和連續(xù)統(tǒng)去除方法增強光譜曲線特征差異, 結(jié)果顯示, 一階導數(shù)變換后的建模精度R2可達到0.986。 此外, 高光譜全波段信息量大會造成數(shù)據(jù)冗余, 而選用適當?shù)淖兞亢Y選方法挖掘潛在響應(yīng)特征可以有效避免陷入“維數(shù)災(zāi)難”, 同時也能提升估算模型的魯棒性和泛化能力。 Yun等[9]針對近紅外光譜特征, 在比對多種靜態(tài)與動態(tài)變量篩選方法后提出了一種混合變量選擇策略來連續(xù)收縮可變空間并得到最優(yōu)變量組合, 為模型提供更好的解釋性。

高光譜技術(shù)在經(jīng)濟林領(lǐng)域具有廣泛的應(yīng)用前景, 但實際應(yīng)用中對冠層光譜特征信息的解譯依然充滿挑戰(zhàn)。 目前, 高光譜C/N監(jiān)測技術(shù)主要運用在農(nóng)業(yè)作物領(lǐng)域, 而對具有顯著效益的經(jīng)濟林領(lǐng)域在應(yīng)用廣度和深度方面的研究均滯后于前者, 且多聚焦在葉片尺度, 而上升到冠層尺度直接監(jiān)測葉片C/N的報道仍然較少[10]。 鑒于此, 通過挖掘油茶葉片C/N與冠層可見光與近紅外譜區(qū)高光譜的響應(yīng)特征, 使用機器學習算法構(gòu)建最優(yōu)估算模型, 旨在推廣高光譜技術(shù)在油茶養(yǎng)分含量分析中的應(yīng)用, 并為油茶葉片C/N監(jiān)測提供科學支撐。

1 實驗部分

1.1 研究區(qū)概況

黃山市黃山區(qū)仙源弦歌油茶專業(yè)合作社種植地(30°19′N, 118°9′E, 見圖1)研究區(qū)地處皖南山區(qū)中部, 境內(nèi)地形地貌多樣, 以中、 低山和丘陵為主。 其氣候帶處于北亞熱帶和中亞熱帶過渡區(qū), 屬亞熱帶季風濕潤氣候。 夏季持續(xù)時間長、 溫度高, 冬季較冷。 全年雨水充沛。 試驗于2021年10月28日至11月2日期間開展, 正值油茶果實成熟收獲期, 除了進行鋤草, 調(diào)查時間的前7個月內(nèi)無其他經(jīng)營措施, 林中病蟲侵害情況較輕。 研究區(qū)內(nèi)油茶樣本具有明顯的大小年交替現(xiàn)象, 采集時正處在大年豐產(chǎn)階段。

圖1 研究區(qū)位置圖

1.2 數(shù)據(jù)獲取

1.2.1 油茶葉片碳氮數(shù)據(jù)獲取

供試油茶為2012年栽植的長林系列, 樣地內(nèi)隨機布點取樣120株, 包含三個長林品種(長林27號、 長林40號和長林53號)。 每株油茶采摘冠層中上部的東南西北四個方位, 每個方位2片, 共16片葉子, 帶回實驗室于105 ℃下殺青30 min, 后在60 ℃下烘干至恒重。 烘干后研磨并過60目篩, 再用錫囊包取2～3 mg樣, 最后使用碳氫氮元素分析儀(EURO EA3000, EuroVector Inc., Italy)測定得全碳(total carbon, TC)和全氮(total nitrogen, TN), 單位統(tǒng)一換算成g·kg-1。

1.2.2 冠層高光譜數(shù)據(jù)采集與處理

選擇晴朗無風或微風的天氣, 使用便攜式野外地物光譜儀(ASD FieldSpec4 Wide-Res, Analytical Spectral Devices, Boulder, Co., USA), 在北京時間10:00—14:00間(太陽高度角大于45°)獲取油茶冠層高光譜。 儀器先預(yù)熱20 min, 每株單次測定10條光譜, 除去異常光譜曲線求均值得到最終光譜曲線。 由于油茶植株高度普遍較高, 受限于光纖25°的前視場角, 需將探頭連接光纖跳線再使用伸縮桿抬至冠層正上方2 m位置處。 該設(shè)備光譜測定的全波段范圍覆蓋350～2 500 nm, 其中, 間隔在350～1 000 nm波段范圍(visibleand near-infrared, Vis-NIR)的光譜分辨率是3 nm、 1 000～2 500 nm波段范圍(short-wave infrared, SWIR)是30 nm, 全波段重采樣間隔為1 nm。 除去少量信噪比低的波段(350～400 nm), 采用在400～1 000 nm范圍的Vis-NIR光譜特征。 首先, 按照5 nm的重采樣間隔設(shè)置原始光譜, 形成121個波段總數(shù); 其次, 使用2階9窗口點數(shù)的Savitzky-Golay濾波對每條高光譜曲線因設(shè)備暗電流引發(fā)的隨機高頻噪聲進行平滑, 同時考慮云層、 地形和冠層結(jié)構(gòu)等眾多因素對光譜的影響, 采用平均歸一化法[見式(1)]以增加光譜數(shù)據(jù)內(nèi)部的可比性; 最后, 將經(jīng)過上述處理的光譜重新定義為原始光譜(R)。

(1)

式(1)中,RN是歸一化后的光譜反射率,Ri是歸一化前不同波長處的光譜反射率,n是波段總數(shù)。

1.3 光譜特征變換與選擇

1.3.1 原始光譜特征變換

對原始光譜特征進行數(shù)學變換將有效消除噪聲和突出響應(yīng)細節(jié), 以便更好地解譯光譜信息。 選擇用于消除散射水平差異的多元散射校正法(multiplicative scatter correction, MSC)和削弱土壤背景干擾、 基線漂移及分辨重疊峰的一階導數(shù)法(first derivative, FD)進行處理。 相對于單波段參數(shù), 通過兩波段線性組合成光譜指數(shù)可以放大光譜波段內(nèi)部相互作用信息、 削弱外部因素的影響, 進而有效提高光譜特征估算理化參數(shù)的度量精度。 常見兩波段光譜指數(shù)組合有差值指數(shù)(difference index, DI)、 比值指數(shù)(ratio index, RI)和歸一化指數(shù)(normalized difference index, NDI)三種形式[式(2)-式(4)]。

DI=Ri-Rj

(2)

RI=Ri/Rj

(3)

NDI=(Ri-Rj)/(Ri-Rj)

(4)

式中,Ri、Rj分別代表在400～1 000 nm范圍內(nèi)第i、j波長處的光譜反射率。

1.3.2 敏感特征提取和篩選

先利用Pearson相關(guān)分析得到光譜原始及變換特征與油茶葉片C/N的響應(yīng)關(guān)系, 再將其中達到極顯著水平的波長(p-value≤0.01)初篩為敏感波段。 為進一步細化模型輸入變量, 使用變量組合集群分析(variable combination population analysis, VCPA)獲取光譜特征變量子集。 VCPA[11]是基于指數(shù)遞減函數(shù)(exponentially decreasing function, EDF)、 二進制矩陣采樣(binary matrix sampling, BMS)和模型集群分析(model population analysis, MPA)進行不斷迭代篩選的最佳變量子集。 其中, EDF基于達爾文進化理論中“適合生存”的簡單有效原則使可變空間連續(xù)縮小至小而優(yōu)化的空間; BMS通過生成二進制矩陣確保以采樣幾率相等的方式對所有變量隨機組合; MPA用于統(tǒng)計BMS產(chǎn)生的大量隨機可變組合模型。 為最大程度減少變量組合內(nèi)部的多重共線性, 對VCPA結(jié)果還需要計算兩兩變量間的相關(guān)系數(shù), 設(shè)定閾值0.9, 所有超過閾值的各對變量僅保留其中與葉片C/N相關(guān)程度最高的, 以得到最優(yōu)變量組合子集。

1.4 模型構(gòu)建與評價

1.4.1 數(shù)據(jù)集劃分

首先, 利用留出法按照7∶3比例隨機將樣本數(shù)據(jù)劃分為訓練集(Training set)和測試集(Test set); 其次, 利用5折交叉驗證對訓練集按照平均交叉驗證均方誤差最小進行調(diào)參; 然后, 選取最優(yōu)超參數(shù)組合重新在訓練集上訓練模型; 最后, 在測試集上評估模型泛化能力。

1.4.2 機器學習模型

選擇隨機森林、 支持向量機和BP神經(jīng)網(wǎng)絡(luò)三種機器學習算法進行油茶葉片C/N估算模型構(gòu)建。

隨機森林(random forest, RF)[12]是集成算法中Bagging架構(gòu)的具體實現(xiàn), 并行構(gòu)造多個CART決策樹, 用多個決策樹學習結(jié)果的算術(shù)平均作為回歸結(jié)果進行最終的模型輸出。 由于每棵樹選取特征的隨機性, 因此, RF整體模型具有較好的泛化能力和抗過擬合性能。 通常來說, RF訓練前需要配置的超參數(shù)較多, 其中的決策樹個數(shù)和深度對模型擬合能力具有較大影響, 所以, 主要對決策樹數(shù)目M和最大決策分割數(shù)N兩項參數(shù)進行調(diào)優(yōu)。

支持向量機(support vector machine, SVM)[13]是一種基于Vapnik-Chervonenkis維理論和結(jié)構(gòu)風險最小化原則的監(jiān)督式學習算法, 能夠利用有限的訓練樣本信息尋求模型復(fù)雜度與學習能力之間的最佳平衡。 SVM理論的關(guān)鍵在于核技巧, 即通過構(gòu)造核函數(shù)避免特征從低維空間映射到高維空間的復(fù)雜運算。 本工作選取魯棒性較好的徑向基函數(shù)(radial basis function, RBF)作為核函數(shù), 并用網(wǎng)格搜索法對懲罰系數(shù)C和核參數(shù)γ兩個超參數(shù)加以調(diào)優(yōu)。

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)[14]是一種基于Widrow-Hoff學習規(guī)則廣泛應(yīng)用的多層前饋神經(jīng)網(wǎng)絡(luò), 能夠模擬多種非線性關(guān)系。 BPNN的拓撲結(jié)構(gòu)包括輸入層、 隱含層和輸出層, 通過設(shè)定網(wǎng)絡(luò)運行參數(shù)(迭代數(shù)、 學習率等)計算各層權(quán)重和偏置, 使用梯度下降法通過誤差逆反饋對權(quán)重和偏置進行不斷修正, 最終使網(wǎng)絡(luò)的誤差平方和達到最小。 BPNN通常包括隱藏層個數(shù)和各隱藏層節(jié)點數(shù)這兩個重要的超參數(shù), 配置網(wǎng)絡(luò)時需要指定這兩個參數(shù)的值, 層數(shù)和節(jié)點數(shù)的最優(yōu)配置仍然是目前具有挑戰(zhàn)的未知問題。 為了獲取泛化能力更好、 預(yù)測精度更高的神經(jīng)網(wǎng)絡(luò)模型, 將隱藏層數(shù)設(shè)定為3層, 依據(jù)式(5)并采用網(wǎng)格搜索法配置各層的最佳節(jié)點數(shù)。

(5)

式(5)中,n是隱藏層節(jié)點數(shù),I和O分別是輸入層和輸出層的變量維數(shù),α是1～10之間的調(diào)節(jié)常數(shù)。

1.4.3 模型評價與比較

選取決定系數(shù)R2(coefficient of determination)、 均方根誤差RMSE(root mean square error)和相對分析誤差RPD(relative percent deviation)作為模型評估指標, 計算公式見式(6)—式(8)。

(6)

(7)

RPD=SDy/RMSE

(8)

2 結(jié)果與討論

2.1 油茶收獲期的冠層葉片碳氮比分析

通過計算每株油茶葉片TC與TN的比值可以得到一個無量綱參數(shù)葉片C/N, 三者的統(tǒng)計描述如表1所示。 由表1可知, 葉片TC含量為弱變異, 變異系數(shù)僅有1.71%, 說明TC總體穩(wěn)定離散分布在511.92 g·kg-1附近, 而葉片TN和葉片C/N均為中等變異且十分接近, 體現(xiàn)出收獲期油茶氮元素含量在不同單株間存在較大差異。 葉片TC偏度值為負值, 呈現(xiàn)左偏態(tài)分布; 而TN和C/N偏度值為正值, 均為右偏態(tài)分布。

表1 TC、 TN和葉片C/N的描述統(tǒng)計

圖2為油茶葉片C/N分別與葉片TC、 TN的響應(yīng)關(guān)系, 由圖2可知, 油茶葉片C/N幅度變化與TN的關(guān)聯(lián)程度明顯大于TC, 且呈極顯著的負線性相關(guān)(r=-0.98,p=0.00<0.01), 而TC累積量的振蕩現(xiàn)象揭示, 主要是氮元素在碳氮代謝協(xié)調(diào)中充當限制因子。 油茶收獲期的葉片C/N差異在一定程度上也反映出樹體營養(yǎng)器官與生殖器官之間對同化產(chǎn)物的爭奪和轉(zhuǎn)化情況。

圖2 葉片C/N與TC、 TN響應(yīng)關(guān)系的雙Y軸圖

2.2 單波段光譜特征變換及提取分析

兩種特征變換引起原始光譜曲線(R)的變化情況(圖3)表明, MSC光譜[圖3(b)]總體波峰走勢基本與R光譜[圖3(a)]保持一致, 僅對綠光波段500 nm處至近紅外波段900 nm處之間的反射率標準差(standard deviation, S.D.)有明顯減弱, 而對其余波段特征改變不明顯。 和R與MSC光譜相比較, FD光譜[圖3(c)]出現(xiàn)了較多的凹凸區(qū)域, 在可見光范圍內(nèi)由峰谷特征構(gòu)成的光譜曲線起伏均有不同程度的放大, 尤其體現(xiàn)在近紅外波段過渡區(qū)域的紅邊增強效應(yīng)最直觀。 三種光譜曲線反射率在近紅外波段900nm處均有較大的波動, 這與植物葉片的內(nèi)部構(gòu)造差異有關(guān)。

圖3 不同特征變換的光譜反射率曲線

進一步用油茶葉片C/N與R、 MSC和FD光譜反射率分別構(gòu)造相關(guān)系數(shù)曲線, 由圖4可知, 油茶葉片C/N與R光譜反射率在400～745 nm之間呈正相關(guān), 而在其他波段呈負相關(guān), 最高相關(guān)性的波長位置在725 nm(r=0.61), 其中敏感波段(p≤0.01)范圍主要位于515～660、 690～740和760～940 nm。 MSC光譜反射率明顯增加了在400～520 nm范圍內(nèi)與葉片C/N的關(guān)聯(lián)程度, 在該區(qū)域維持較高的負線性相關(guān); 同時, 相對于R相關(guān)曲線, MSC凸顯了在650～680 nm的負相關(guān), 但是, 在750 nm之后光譜特征響應(yīng)的敏感程度則明顯下降, 其最高相關(guān)性的位置與R保持一致, 均在725 nm處(r=0.61)。 FD光譜反射率與葉片C/N的敏感特征響應(yīng)區(qū)間主要在可見光范圍(400～780 nm), 其中, 在485～555和680～710 nm呈現(xiàn)極顯著的正相關(guān), 而在570～675和720～775 nm為極顯著的負相關(guān), 且僅在近紅外區(qū)域的840～870和945～950 nm有極顯著的線性相關(guān)。 使用VCPA方法對R、 MSC和FD光譜反射率的敏感特征進一步遴選并去除共線性, 得到如圖4所示最優(yōu)特征變量子集位置分布, 其中, R光譜的變量組合集中在紅邊范圍, 而MSC和FD光譜的變量組合子集在多個敏感特征響應(yīng)區(qū)域均有分布。 這些結(jié)果表明, MSC和FD特征變換處理可以有效提高VCPA挖掘潛在信息的能力。

圖4 R、 MSC和FD與葉片C/N的相關(guān)系數(shù)

2.3 兩波段光譜特征變換及提取分析

按照兩波段差值(DI)、 比值(RI)和歸一化(NDI)組合方式, 進一步使用R、 MSC和FD光譜反射率計算光譜指數(shù)與油茶葉片C/N的相關(guān)系數(shù)矩陣(圖5)。 結(jié)果顯示, R光譜在三種光譜指數(shù)中的敏感區(qū)域基本一致, 其中, 波長在550和720 nm附近的反射率分別與可見光、 近紅外波段組合呈現(xiàn)一正一負兩種響應(yīng)關(guān)系, 而在920 nm附近由波長反射率自身的組合表現(xiàn)出顯著的正線性相關(guān), 同時其RI和NDI的處理效果非常相似。 MSC光譜在三種光譜指數(shù)中的敏感區(qū)域相較于R光譜均有所拓展, 圖5(e)和(f)表明, MSC處理可提高可見光與近紅外波段組合的響應(yīng)程度。 由圖5(g—i)中可知, FD的光譜指數(shù)從DI、 RI到NDI逐步細化敏感特征的響應(yīng)區(qū)域, 其中FD-NDI光譜形成大量的敏感細碎斑塊。 總體來看, 兩波段組合相對于單波段變換能夠提高光譜特征與油茶葉片C/N最大的響應(yīng)程度, 但效果不明顯。

使用VCPA方法面向三種單波段變換的DI、 RI和NDI光譜指數(shù), 從對應(yīng)處理的敏感區(qū)域反射率組合值中遴選出變量子集并去除共線性得到如表2所示的最優(yōu)組合分布情況。 由表2可知, FD-RI與FD-NDI處理能夠保留較多可見光與近紅外波段組合的響應(yīng)信息。

2.4 模型構(gòu)建和評價

用R、 MSC和FD及對應(yīng)兩波段組合指數(shù)分別構(gòu)建三種機器學習模型(RF、 SVM與BPNN)的效果見表3—表5, 各表中均相應(yīng)列出經(jīng)過交叉驗證調(diào)參的參數(shù)配置。 由表3可知, RF模型在訓練集中的R2范圍為0.33～0.69, RMSE為2.85～4.20; 在測試集中的R2為0.36～0.60, RMSE為3.85～4.91。 結(jié)果顯示, 經(jīng)過MSC處理的RF模型表現(xiàn)最佳, 其測試集R2為0.60且RPD達到1.61, 可以說明該RF模型具有較好的葉片C/N估算能力。

表3 不同處理下RF模型的評價指標匯總

表4為經(jīng)過不同處理構(gòu)建的SVM模型評價效果, SVM模型在訓練集中的R2范圍為0.32～0.50, RMSE為3.65～4.24; 在測試集中的R2為0.29～0.54, RMSE為4.15～5.16。 結(jié)果顯示, MSC-DI和FD處理的SVM模型具有較好的估算能力, 其測試集的R2均為0.54, RPD均達到1.49。

表4 不同處理下SVM模型的評價指標匯總

表5為光譜經(jīng)過不同處理構(gòu)建的BPNN模型評價效果, BPNN模型在訓練集中的R2范圍為0.51～0.71, RMSE為2.76～3.62; 在測試集中的R2為0.47～0.66, RMSE為3.56～4.47。 其中, 經(jīng)過FD-NDI處理的BPNN模型在測試集的R2為0.66, RPD達到1.74, 說明該BPNN模型相對來說具有更高的準確性和泛化能力, 可以用此模型進行收獲期油茶葉片C/N的估算。

表5 不同處理下BPNN模型的評價指標匯總

上述結(jié)果分析可知, 由不同處理產(chǎn)生的變量組合子集內(nèi)部差異會對模型估算精度有較大影響, 而三種機器學習模型整體效果最好的是BPNN, 其次是RF和SVM。 從計算機對算法運行的效率來看, 網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜的BPNN需要的運行時間更長。 為了更好地解釋模型的估算特征, 選取RPD評價效果最好的三種模型進行展示, 即FD-NDI-BPNN[圖6(a)]、 MSC-BPNN[圖6(b)]和MSC-RF[圖6(c)]。 由圖6可知, 這三個模型在測試集中的回歸線斜率均低于1∶1線, 因此, 模型傾向于過高估計低C/N和過低估計高C/N。 同時, 數(shù)據(jù)回歸分布的95%置信區(qū)間(confidence interval, C.I.)特點表明, 即使在同一生長時期C/N水平相近的油茶個體, 其模型估算精度也會有較為明顯的差異, 這可能與選取范圍內(nèi)光譜攜帶信息的上限有關(guān), 需要考慮其他影響油茶生長狀態(tài)的生理生化指標來綜合提升模型估算精度。

圖6 選取模型的葉片C/N觀測值與預(yù)測值比較

3 結(jié) 論

通過使用MSC、 FD及DI、 RI和NDI波段組合對研究區(qū)120株油茶冠層高光譜進行處理, 分析敏感波段變化差異, 利用VCPA方法篩選變量并去除共線性, 分別構(gòu)建每種處理的三種機器學習模型(RF、 SVM和BPNN)進行葉片C/N估算, 并驗證與評價模型精度。 結(jié)論如下:

(1)在單波段變換中, 先對R光譜進行MSC或FD處理, 再利用VCPA篩選出更多響應(yīng)變量, 說明采用特征變換方法協(xié)同變量篩選策略能夠挖掘更多潛在變量。

(2)在兩波段光譜指數(shù)組合中, 可見光與近紅外組合進一步拓展了敏感波段的響應(yīng)區(qū)域, FD-RI與FD-NDI處理最大程度地增強了VCPA篩選特征變量的能力。

(3)三種機器學習模型中, BPNN整體效果最好, 其次是RF和SVM。 所有模型中FD-NDI-BPNN模型預(yù)測能力最優(yōu), 其測試集的R2=0.66, RMSE=3.56, RPD=1.74。 本研究建立了一種能夠較好估算收獲期油茶葉片C/N的BPNN模型, 拓展了高光譜手段在經(jīng)濟林方面的應(yīng)用范圍, 為油茶養(yǎng)分監(jiān)測提供了理論依據(jù)和數(shù)據(jù)支持, 也對開展基于精準施肥的油茶林經(jīng)營研究提供一定的實驗基礎(chǔ)。