郭 松,舒 田,劉春艷,馮恩英,王文靜,蔣丹垚

(1.貴州省農(nóng)業(yè)科技信息研究所,貴陽 550006;2.西北農(nóng)林科技大學資源環(huán)境學院,陜西 楊凌 712100)

【研究意義】葡萄是世界四大水果之一,其栽培面積和產(chǎn)量居世界首位。葡萄果實不僅是富含氨基酸和礦物質(zhì)等多種營養(yǎng)物質(zhì)的鮮食水果,還是釀酒的重要原料[1]。我國葡萄種植區(qū)分布廣泛,主要有西南山地區(qū)、關(guān)中平原區(qū)和東北高原區(qū)等。作為鄉(xiāng)村振興的重要構(gòu)成部分,葡萄產(chǎn)業(yè)已成為促進我國農(nóng)業(yè)經(jīng)濟發(fā)展和優(yōu)化農(nóng)業(yè)種植結(jié)構(gòu)的主要水果產(chǎn)業(yè)之一[2],隨著葡萄產(chǎn)量需求的不斷提升,種植面積的不斷擴大,如何快速監(jiān)測葡萄長勢狀態(tài)已成為當前有待解決的重點問題。傳統(tǒng)的人工實地監(jiān)測不僅費時費力、成本高昂,且效率低下、信息滯后,難以為田間高效管理提供數(shù)據(jù)支持。近年來,高光譜遙感技術(shù)以數(shù)據(jù)量豐富且數(shù)據(jù)維度廣的特點逐漸應用于植被長勢的監(jiān)測研究[3],其基本原理是定性或定量化描述由于植被長勢不同所造成的樣本高光譜曲線反射率差異,并將該描述模型化以擴展到未知樣本上,從而實現(xiàn)無損且非接觸式植被長勢的大面積監(jiān)測。開展基于分數(shù)階微分的葡萄葉片SPAD值高光譜遙感反演研究對我國葡萄種植業(yè)信息化管理具有重要意義?！厩叭搜芯窟M展】有關(guān)利用高光譜遙感技術(shù)監(jiān)測葡萄長勢方面的研究已有文獻報道。張旭等[4]以卷積平滑、多元散射校正及一階導數(shù)變換等方法處理葡萄葉片和果實的非成像高光譜數(shù)據(jù),使用偏最小二乘法建立葡萄可溶性固體含量估算模型發(fā)現(xiàn),基于果實光譜的最優(yōu)估算模型優(yōu)于葉片光譜,其建模與驗證的R2分別達0.93和0.86以上。王浩淼等[5]通過無人機搭載高光譜相機獲取葡萄園冠層高光譜影像并計算相應影像的葡萄園NDVI空間分布,以NDVI值大于0.75、連續(xù)性小于0.60分別作為葡萄長勢和缺苗的評價標準,結(jié)果表明,葡萄冠層無人機高光譜影像在監(jiān)測葡萄長勢和缺株定位方面具有較高潛力。湯森林等[6]提出一種基于特征選擇的長短時記憶神經(jīng)網(wǎng)絡模型用于估算葡萄冠層葉面積指數(shù),該模型精度優(yōu)于傳統(tǒng)偏最小二乘模型和支持向量回歸模型,其均方根誤差低至0.0745。Wei等[7]對葡萄葉片高光譜曲線采用多種數(shù)學變換方式,從不同角度構(gòu)建多個葡萄莖桿水勢估測模型,其中變換光譜結(jié)合偏最小二乘構(gòu)建的模型精度最佳,建模RMSE低至110 kPa。Ryckewaert等[8]利用盆栽葡萄的可見光-近紅外高光譜影像估測葉片蒸騰系數(shù)和氣孔導度,建立序列正交偏最小二乘模型發(fā)現(xiàn),偏最小二乘模型對不同品種葡萄葉片蒸騰系數(shù)和氣孔導度的預測性能均良好,模型R2在0.6以上;Lyu等[9]采用支持向量回歸、隨機森林回歸以及偏最小二乘法構(gòu)建葡萄葉片氮、磷、鉀、鈣和鎂含量高光譜估測模型,其中偏最小二乘法表現(xiàn)最佳,鉀估測模型精度最高(R2為0.70),鈣和鎂模型精度較低(R2分別為0.15和0.43)?！颈狙芯壳腥朦c】當下基于高光譜技術(shù)的葡萄長勢研究已較為全面,監(jiān)測指標包括葉片葉面積指數(shù)、氮磷鉀含量和水分含量等生理生化參數(shù),模型構(gòu)建方法涉及傳統(tǒng)回歸和機器學習,光譜數(shù)據(jù)獲取亦由地面向無人機擴展,但仍存在可改進之處:①光譜變換作為消除背景噪聲有效手段之一,當前研究多聚焦于整數(shù)階微分變換和普通數(shù)學變換等,而有關(guān)分數(shù)階微分變換的研究鮮見報道。與整數(shù)階微分變換相比,分數(shù)階微分變換在消除背景噪聲的同時能更大程度地保留光譜有效信息[10-11],同時相較于其他傳統(tǒng)光譜變換方式,分數(shù)階微分變換因其步長設置的多樣性而具備更為豐富的光譜衍生數(shù)據(jù)[12]。②基于排列組合的新光譜指數(shù)在葡萄長勢參數(shù)反演方面的研究較為缺乏,基于排列組合的新光譜指數(shù)可充分發(fā)揮高光譜波段數(shù)多而窄的優(yōu)勢,且構(gòu)建的光譜指數(shù)與待反演指標的相關(guān)性比傳統(tǒng)植被指數(shù)的更好[13]?！緮M解決的關(guān)鍵問題】以貴州息烽葡萄種植基地的葡萄作為研究對象,結(jié)合葡萄冠層葉片高光譜數(shù)據(jù)和田間實測葉片葉綠素含量(SPAD值),構(gòu)建基于特征波段和光譜指數(shù)的葡萄葉片葉綠素含量反演單因素模型和基于連續(xù)投影算法的多因素模型,探究最佳分數(shù)階變換及最優(yōu)葡萄葉片葉綠素含量估算模型構(gòu)建方法,為當?shù)丶邦愃频貐^(qū)無損、快速且大面積監(jiān)測葡萄長勢提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴州省息烽縣小寨壩鎮(zhèn)紅巖村(106°4′1″E,27°8′28″N)(圖1),地處黔中山原丘陵中部,平均海拔1000 m,是典型喀斯特地貌區(qū),屬亞熱帶季風氣候,冬季溫和少雨,夏季高溫多雨,年均氣溫15 ℃,年均降水量1100 mm,集中于5—9月,全年無霜期>260 d,土壤類型為泥質(zhì)黃壤,適宜果樹種植。試驗開展于2023年7月25日,葡萄處于成熟期。

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

1.2 試驗材料

1.2.1 葡萄葉片 采樣對象位于息烽縣小寨壩鎮(zhèn)紅巖村葡萄種植基地,品種為水晶葡萄,樹齡15年。

1.2.2 儀器設備 ASD Field Spec3野外便攜式地物光譜儀,美國ASD公司;SPAD(Soil plant analysis development)手持式葉綠素儀,日本KONICA MINOLTA公司。

1.3 試驗方法

1.3.1 指標測定 (1)葉片高光譜數(shù)據(jù)。通過ASD Field Spec3野外便攜式地物光譜儀采集葉片高光譜數(shù)據(jù),該儀器測定波長為350～2500 nm,光譜采樣間隔在波長350～1000 nm時為1.4 nm,波長1000～2500 nm時為2.0 nm,選擇11:00—14:00(天氣晴朗無風、太陽輻射充沛時)進行采樣,采樣時探頭垂直于葉片[14],二者相距30～50 cm。為確保數(shù)據(jù)準確性,每隔15 min校正1次黑白板;研究區(qū)共設置74個采樣點:首先根據(jù)研究區(qū)內(nèi)各葡萄種植地塊面積大小占總面積的百分比加權(quán)分配采樣點個數(shù),然后在各地塊中選擇生長狀態(tài)較好的葡萄植株作為采樣點,同一地塊不同采樣點間遵循至少相隔3 m的原則,每個采樣點按照長勢梯度選擇無病害的嫩葉、成熟葉及老葉各1片進行測量,每片葉子采集10條光譜曲線,按時間序列剔除首尾2條光譜曲線,剩余8條光譜曲線通過Savitzky-Golay二階平滑濾波后取平均作為目標葉片代表光譜曲線。研究區(qū)共采集222條光譜曲線。

(2)葉片葉綠素含量。葡萄葉片葉綠素含量由SPAD手持式葉綠素儀測定[15-16]。SPAD值的測定與光譜數(shù)據(jù)采集同步進行,分別在每片葉子的尖部和中部測定2個SPAD值,每片葉子獲取4個SPAD值,取平均作為目標葉片代表SPAD值。研究區(qū)共采集222個SPAD值。

1.3.2 數(shù)據(jù)預處理 由于植被葉片的光譜響應波段集中于可見光-近紅外,故將葉片光譜曲線按1 nm間隔在400～1000 nm重采樣[17]。采用Excel 2016對獲取的222個葡萄葉片SPAD值以升序排序,按3∶1比例分層抽樣,其中167個作為建模集,55個作為驗證集(表1)。與總體相比,建模集和驗證集各項統(tǒng)計特征差別較小,說明樣本劃分較為合理,總體、建模集及驗證集變異系數(shù)均大于30%,屬于強變異,原因在于測定SPAD值的葡萄葉片長勢差別明顯,SPAD值跨度較大[18]。

表1 不同樣本集的統(tǒng)計特征Table 1 The statistical characteristics of different sample sets

1.3.3 模型建立 在Matlab 2016a環(huán)境下以0.2階為步長,對成熟期葡萄葉片光譜曲線進行0～1.4階分數(shù)階微分變換,定義不同微分變換下與SPAD值相關(guān)性最高的波段為特征波段,計算不同微分變換下兩兩波段組合的差值光譜指數(shù)(Difference spectral index,DSI)、歸一化光譜指數(shù)(Normalized difference spectral Index,NDSI)及比值光譜指數(shù)(Ratio spectral index,RSI)作為新光譜指數(shù)[19],將原始光譜和分數(shù)階微分光譜新光譜指數(shù)與相應特征波段作為建立單因素模型的建模變量,選擇不同分數(shù)階下相關(guān)性最高的單因素模型建模變量,建立基于一元線性函數(shù)、冪函數(shù)、指數(shù)函數(shù)以及對數(shù)函數(shù)的單因素模型。利用連續(xù)投影算法(Successive projections algorithm,SPA)不同分數(shù)階微分變換下光譜特征作為自變量,構(gòu)建基于多元線性回歸(Multiple linear regression,MLR)和XGBoost回歸(eXtreme gradient boosting regression,XGBR)的多因素模型。其中連續(xù)投影算法是一種前向特征選擇算法,可同時兼顧自變量對響應變量的解釋性以及自變量間的獨立性,不僅能有效避免維度災難(Curse of dimensionality),還能明確自變量物理意義[20]。其基本原理為:定義光譜序列X、響應變量Y以及目標波段數(shù)量n,其中X包含m個波段。第一步從X中任意提取1個波段Xi,計算Xi相對其余波段的投影并提取最大投影的波段作為入選波長;第二步更換Xi并重復第一步,直至選入波段數(shù)量等于n。由于第一步具有隨機性,故每次選定自變量序列后計算一次選定波段對響應變量的預測能力,通常以均方根誤差(RMSE)作為評價標準,選擇RMSE最小的自變量組合作為最終降維結(jié)果。將相關(guān)系數(shù)絕對值大于0.5的波段以及葡萄葉片SPAD值分別作為待提取自變量集和響應變量,通過SPA不斷循環(huán)迭代,得到多因素模型建模變量。XGBoost是對GBDT(Gradient boosting decision tree)算法的繼承和發(fā)展,其基本思路是“集思廣益”,即整合眾多弱學習器以形成強學習器,弱學習器被分散到不同的決策樹中,每添加1棵決策樹,就增加1個弱學習器(函數(shù)),增加決策樹的同時也會學習到目標更多的特征。當模型訓練完成后,對象特征會被每棵樹分擔,待預測目標值即為相應樹的反饋值總和[21]。由鄭智康等[22-24]的研究結(jié)果可知,機器學習算法在擬合非線性關(guān)系時優(yōu)于傳統(tǒng)回歸,故本研究以不同類型光譜下多因素模型建模變量和葡萄葉片SPAD值為對象,采用XGBoost算法構(gòu)建SPAD值預測模型,擬合函數(shù)選擇“reg:linear”。為節(jié)約調(diào)參時間成本,擬合過程采用遺傳算法(Genetic algorithm,GA)尋優(yōu),該算法原理是將參數(shù)尋優(yōu)問題轉(zhuǎn)換為自然界中生物基因交叉變異問題,通過模擬自然過程以探索最優(yōu)解,使得XGBoost擬合過程向著nRMSE盡量小而R2盡量大的方向前進。采用決定系數(shù)(R2)和歸一化均方根誤差(nRMSE)作為模型精度評價指標。二者值域分別為[0,1]和[0,+∞),其中,R2越接近1,表示自變量對響應變量的解釋能力越強,模型精度越高;nRMSE越小,表示模型預測值與實測值差異越小,模型預測能力越好[25]。

RSI=Rm/Rn

DSI=Rm-Rn

NDSI=(Rm-Rn)/(Rm+Rn)

2 結(jié)果與分析

2.1 葡萄葉片高光譜特征

2.1.1 原始光譜 將222個葡萄葉片光譜曲線樣本以SPAD值升序為原則均勻分為3組:各組SPAD值最大值、最小值及平均值分別為(34.09,11.52,23.42)、(46.45,34.32,40.78)和(54.45,46.59,49.59),對每組SPAD值及相應光譜反射率取平均,得到不同SPAD值代表光譜曲線(圖2)?？傮w上,不同SPAD值葡萄葉片原始光譜曲線特征基本一致,形似根號,在可見光區(qū)域(400～680 nm),綠色植被吸收藍光和紅光而反射綠光的特性使得光譜曲線上形成藍谷、紅谷及綠峰;在近紅外區(qū)域(760～1000 nm),葉片細胞內(nèi)部柵欄組織對近紅外光的強烈反射導致高反射平臺形成,而紅谷與高反射平臺之間通過紅邊(680～760 nm)銜接。局部上,不同SPAD值葡萄葉片原始光譜曲線特征有所不同,在可見光區(qū)域,隨著SPAD值的增大,整體反射率變小,同時紅邊向長波方向移動,表征葉片對可見光的吸收整體增強;在近紅外區(qū)域,隨著SPAD值的增大,葉片整體反射率增加。說明,SPAD值越大,葡萄葉片細胞內(nèi)部柵欄組織越穩(wěn)定,對近紅外光的反射更劇烈。

圖2 葡萄葉片的原始光譜特征Fig.2 The original spectral characteristics of grape leaves

2.1.2 分數(shù)階微分光譜 光譜微分變換能突出顯示原始光譜曲線陡峭的位置而淡化平緩的位置[24]。從分數(shù)階(圖3)看,隨著階數(shù)上升,分數(shù)階變換光譜與原始光譜差異越來越大,整體上微分值逐漸向0值靠近,局部上在可見光區(qū)域逐漸折線化,在近紅外區(qū)域則整體下移,其中可見光區(qū)域微分閾值由0.2階下的0.58～5.59逐漸減小至1.4階下的-0.26～0.11,近紅外區(qū)域微分閾值則從0.2階處的12.72～19.60減小至1.4階處的-0.074～0.028,以0.6階為分界點,大于0.6階后各微分曲線開始出現(xiàn)負值;從SPAD值看,隨著SPAD值的減小,不同SPAD值分數(shù)階微分光譜曲線在紅邊706 nm處的極值相對大小由0.2階下的SPAD值49.59最大、SPAD值40.78次之、SPAD值23.42最小逐步變更為1.4階下的SPAD值23.42最大、SPAD值40.78次之、SPAD值23.42最小,其中,0.2階下706 nm處不同SPAD值曲線微分值分別為9.92、8.28和7.42,相應的1.4階下為0.23、0.27和0.28;同時,當階數(shù)大于0.8階時,不同SPAD值的微分曲線在可見光區(qū)域和部分近紅外區(qū)域(950～1000 nm)的一致性降低,隨著階數(shù)的上升,噪聲現(xiàn)象愈加嚴重。

A、B、C、D、E、F、G分別表示0.2、0.4、0.6、0.8、1.0、1.2和1.4階下的光譜。A, B, C, D, E, F and G represent the spectrum of order 0.2, 0.4, 0.6, 0.8, 1.0, 1.2 and 1.4, respectively.圖3 葡萄葉片的分數(shù)階微分光譜特征Fig.3 Fractional differential spectral characteristics of grape leaves

2.2 光譜指數(shù)、特征波段與SPAD值的相關(guān)性

根據(jù)構(gòu)建的各類型光譜下單因素模型建模變量及其相關(guān)系數(shù)(表2),通過查閱相關(guān)系數(shù)表[26]可知,自由度為221時,所有階數(shù)下單因素建模變量與SPAD值均達極顯著相關(guān),相關(guān)系數(shù)為0.615～0.785;從相關(guān)系數(shù)看,不同分數(shù)階光譜下的最優(yōu)新光譜指數(shù)均為DSI,隨著階數(shù)上升,特征波段、DSI與SPAD值的相關(guān)系數(shù)呈先升后降趨勢,二者相關(guān)系數(shù)分別在0.6和0.4階達最大,為0.777和0.785;除0.6與0.8階外,其余分數(shù)階微分光譜均為特征波段相關(guān)性優(yōu)于DSI相關(guān)性。從波段位置看,當階數(shù)遞增,特征波段由近紅外向紅邊靠近,而DSI計算波段則由近紅外與綠光組合變更為近紅外與紅邊組合,所有單因素模型建模變量中,特征波段與DSI相關(guān)系數(shù)最高的分別是0.6階下R(959)和0.4階下DSI(992,439),二者相應的相關(guān)系數(shù)分別為0.777和0.785。選擇相關(guān)性最高的光譜指數(shù)形成熱圖(圖4),由此可見,隨著階數(shù)上升,DSI相關(guān)系數(shù)較高的區(qū)域逐漸由連片分布轉(zhuǎn)變?yōu)榱阈欠植?其中0.0～0.6階該區(qū)域主要集中分布于x、y∈[740 nm,1000 nm],0.8～1.4階則零星分布于x=700 nm以及y=700 nm兩端。

表2 葡萄葉片SPAD值單因素建模的變量Table 2 Single-factor modeling variables of SPAD value in grape leaves

A、B、C、D、E、F、G、H分別表示0.0、0.2、0.4、0.6、0.8、1.0、1.2和1.4階下的DSI熱圖。A, B, C, D, E, F,G and H represent the DSI heat map of order 0.0, 0.2, 0.4, 0.6, 0.8, 1.0, 1.2 and 1.4, respectively.圖4 葡萄葉片光譜指數(shù)與SPAD值的相關(guān)性熱圖Fig.4 Heatmap of correlation between spectral index and SPAD value of grape leaves

2.3 葡萄葉片SPAD值的單因素反演模型

總體上單因素模型包括線性與非線性2種(表3),所有模型建模與驗證的R2為0.45～0.65,歸一化均方根誤差(nRMSE)為19.03%～23.03%。隨著分數(shù)階增大,以0.2階為界,模型精度呈先升后降趨勢,單因素模型中以0.4階下基于DSI的冪函數(shù)模型精度最佳,其建模和驗證的R2分別為0.65和0.61,相應的nRMSE為19.03%和20.60%,當使用單因素模型反演葡萄葉片SPAD值時應優(yōu)先考慮此模型。

表3 葡萄葉片SPAD值的單因素反演模型Table 3 Single-factor inversion models of SPAD values of grape leaves

2.4 葡萄葉片SPAD值的多因素反演模型

2.4.1 多因素模型建模變量獲取 從表4看出,各分數(shù)階下基于連續(xù)投影算法提取的建模變量在5～16個,1.4階最少而0.6階最多;選擇比率為1.41%～16.09%,降維效果明顯。從不同階數(shù)看,除1.4階外,其余分數(shù)階微分光譜建模變量個數(shù)均多于原始光譜,說明分數(shù)階微分變換能減弱不同波段反射率的共線性;從建模變量看,0.0階主要包含綠光、紅光與近紅外區(qū)域,0.2～0.6階在0.0階基礎上擴展了綠光區(qū)域,相應的0.8～1.4階則漸漸剔除綠光與近紅外區(qū)域,說明隨著階數(shù)的上升,各波段有效信息逐步向綠光、紅光以及紅邊波段靠攏。

表4 葡萄葉片SPAD值多因素模型建模變量Table 4 Modeling variables of multi-factor model for SPAD of grape leaves

2.4.2 葡萄葉片SPAD值的SPA-MLR模型與其精度 由于SPA選擇多因素模型建模變量時已規(guī)避了自變量間的共線性,故建立多元線性回歸(MLR)模型時不再進行多變量逐步回歸。建模結(jié)果(表5)表明,與單因素模型相比,各模型建模與驗證的R2分別提高0.01～0.15和0.05～0.19,相應nRMSE則分別降低0.61%～3.92%和1.52%～4.79%,可見SPA-MLR模型精度更佳,其中最優(yōu)模型位于0.6階微分光譜,其建模與驗證的R2分別高達0.71和0.68,nRMSE則分別低至16.91%和17.37%。

表5 葡萄葉片SPAD值的多元線性回歸模型Table 5 Multiple linear regression models of SPAD values of grape leaves

2.4.3 葡萄葉片SPAD值的SPA-GA-XGBoost模型與其精度 GA-XGBoost算法擬合結(jié)果(表6)表明,與SPA-MLR模型相比,不同分數(shù)階SPA-GA-XGBoost回歸模型精度均有所提高,其建模和驗證的R2分別提高0.03～0.09和0.03～0.08,相應的nRMSE則降低1.14%～2.46%和0.60%～1.98%;精度最高的SPA-GA-XGBoost模型位于0.6階,建模和驗證的精度分別為(0.79,14.45%)和(0.75,15.54%)。

表6 葡萄葉片SPAD值的SPA-GA-XGBoost回歸模型Table 6 SPA-GA-XGBoost regression models of SPAD values of grape leaves

3 討 論

定性化描述是反演模型定量化表達的前提,不同SPAD值葡萄葉片原始光譜總體一致而局部不同,光譜曲線細節(jié)上的差異在數(shù)理統(tǒng)計方面體現(xiàn)為反射率與SPAD值的正、負相關(guān)關(guān)系,隨著SPAD值的上升,反射率在可見光區(qū)域整體下降而在近紅外區(qū)域整體上升,表征葡萄葉片光合色素含量增加且細胞柵欄組織更為穩(wěn)定,該結(jié)論與王婷婷[27]的研究結(jié)果一致;但本研究中原始光譜特征波段位于近紅外區(qū)域,有別于陳瀾等[28-29]的研究結(jié)果,原因在于試驗數(shù)據(jù)采集對象為長勢差異明顯的成熟期葡萄葉片,不同葉片樣本色素含量差異小于細胞柵欄組織穩(wěn)定性差異,故特征波段位于近紅外區(qū)域而非可見光區(qū)域。光譜數(shù)據(jù)采集過程中會不可避免地引入環(huán)境噪聲,微分變換是削弱噪聲的有效方式之一[30],隨著分數(shù)階的增加,特征波段逐漸由近紅外區(qū)域向紅邊靠攏,DSI的組合亦由近紅外和綠光變?yōu)榻t外和紅邊,這是因為當分數(shù)階增加到一定程度時會導致不同SPAD值葡萄葉片微分光譜在可見光區(qū)域的一致降低,變相削弱該范圍波段反射率對SPAD值的敏感性。本研究中特征波段、DSI與SPAD值的相關(guān)性隨分數(shù)階的遞增呈先升后降趨勢,二者相關(guān)系數(shù)分別在0.6和0.4階達峰值,分別為0.777和0.7850可見分數(shù)階微分變換雖弱化了可見光區(qū)域敏感性,但也提升了單因素模型建模變量反演SPAD值的潛力。

針對“維度災難”,目前高光譜數(shù)據(jù)的降維手段主要分為特征提取和特征選擇[31],前者通過特定算法重置響應變量的特征空間,對響應變量所有特征重投影形成不同于原有特征向量的新自變量,如主成分分析(PCA)和最大噪聲比率(MNF)等,后者則基于特定條件從響應變量特征空間中選擇部分特征作為自變量,如競爭自適應重加權(quán)采樣(CARS)和無信息變量消除(UVE)等。本研究采用SPA算法對葡萄葉片原始及分數(shù)階微分光譜降維,不同類型光譜被選擇變量為5～16個,降維效果明顯,但由于植被種類、采樣設備及環(huán)境等的不同,SPA選擇的波段位置及數(shù)量與劉燕德等[32]的研究結(jié)果不一致,后續(xù)的研究應著力于葡萄其他生育期和不同降維算法,歸納葡萄葉片SPAD值的關(guān)鍵反演波段與最佳降維方法。

本研究中多因素模型優(yōu)于單因素模型,機器學習算法可對傳統(tǒng)回歸模型作進一步優(yōu)化,與Wang等[33-35]的研究結(jié)果一致。機器學習算法本質(zhì)上屬于學習策略,通過模擬自然界中各種自然現(xiàn)象以解決實際問題,如神經(jīng)網(wǎng)絡算法通過模擬人類大腦神經(jīng)元的信息反饋過程構(gòu)建輸入層、中間層和輸出層以整體擬合目標特征,XGBoost則模擬樹枝分叉的特性拆解目標的各項特征,將待監(jiān)測對象轉(zhuǎn)換為不同樹枝特征之和,然而機器學習算法需要較大的時間成本確定各種參數(shù)和超參數(shù),因此,學者們開發(fā)不同尋優(yōu)算法配合以節(jié)約時間成本[36],未來應更多地尋優(yōu)算法應用到XGBoost模型以明確最佳尋優(yōu)算法。本研究在建立SPAD值反演模型時僅從數(shù)理統(tǒng)計的角度出發(fā),并未考慮葡萄生長的生物學特征,所構(gòu)建的反演模型是否適用于其他地區(qū)也還有待進一步測試;后續(xù)的研究應將數(shù)理統(tǒng)計模型與輻射傳輸模型融合,在其他區(qū)域開展相似試驗,進一步提升反演模型魯棒性與泛化性,同時模型自變量的選擇應盡量貼近低空無人機遙感和衛(wèi)星遙感,以期未來構(gòu)建空-天-地一體化的葡萄葉片SPAD值高精度反演模型。

4 結(jié) 論

本文以貴州息烽葡萄種植基地成熟期葡萄作為研究對象,同步采集冠層葉片高光譜數(shù)據(jù)和SPAD值數(shù)據(jù),基于不同分數(shù)階微分光譜構(gòu)建多個葡萄葉片SPAD值反演模型,結(jié)果表明:葡萄葉片SPAD值與原始光譜可見光區(qū)域反射率成反比,與近紅外區(qū)域反射率成正比。隨著分數(shù)階的增加,單因素模型建模變量與SPAD值的相關(guān)性呈先升后降趨勢,特征波段由近紅外向紅邊靠近,DSI計算波段由近紅外與綠光組合變更為近紅外與紅邊組合,多因素模型建模變量逐漸剔除藍光與近紅外區(qū)域;除0.6階和0.8階外,其余分數(shù)階微分光譜單因素模型建模變量均為DSI,其在特定分數(shù)階下優(yōu)于特征波段。多因素模型優(yōu)于單因素模型,GA-XGBoost算法可進一步優(yōu)化傳統(tǒng)回歸模型;所有構(gòu)建的模型以SPA-GA-XGBoost模型精度最高,其建模與驗證的R2分別為0.79和0.75,相應nRMSE分別為14.45%和15.54%。