摘要：［目的］通過(guò)無(wú)人機(jī)高光譜影像實(shí)現(xiàn)對(duì)水稻葉綠素含量高效、無(wú)損監(jiān)測(cè)是現(xiàn)代化精準(zhǔn)農(nóng)業(yè)發(fā)展的重要手段。研究水稻葉片原始光譜的不同預(yù)處理方法及其組合，構(gòu)建不同光譜參數(shù)進(jìn)行模型反演，得到研究區(qū)水稻葉片SPAD 值的最佳反演模型，可為高效無(wú)損監(jiān)測(cè)水稻葉綠素含量提供參考。［方法］以四川省成都市青白江區(qū)姚渡鎮(zhèn)水稻種植區(qū)的水稻為研究對(duì)象，分別測(cè)定其葉片SPAD 值和500～900 nm 范圍內(nèi)的高光譜反射率，對(duì)原始反射率進(jìn)行一階微分（D1）、Savitzky‐Golay 卷積平滑（SG 平滑）、標(biāo)準(zhǔn)正態(tài)變換（SNV）和多元散射校正（MSC）及其組合的預(yù)處理方式，通過(guò)相關(guān)系數(shù)篩選出plt;0. 1 的特征波段作為第1 種光譜參數(shù)，在特征波段的基礎(chǔ)上進(jìn)行主成分分析（PCA）降維，將得到的主成分作為第2 種光譜參數(shù)。將2 種參數(shù)分別作為Extra Trees 模型的輸入變量，建立研究區(qū)水稻SPAD 值的反演模型。［結(jié)果］相比于利用相關(guān)系數(shù)篩選的特征波段所建的模型，通過(guò)PCA 對(duì)特征波段進(jìn)行降維，得到的光譜參數(shù)建模精度更高，其中，ET_D1 和ET_SG_MSC 的R2 分別由0. 769 和0. 782 增加到0. 793 和0. 825，提升幅度為3% 和5. 5%；ET_SG_SNV 的R2 由0. 754 增加到0. 796，提升幅度為5. 6%；模型ET_PCA_特征_SG_MSC 精度最高，R2 和RMSE分別為0. 825 和0. 984，是研究區(qū)水稻SPAD 值的最佳反演模型。［結(jié)論］研究結(jié)果可為實(shí)現(xiàn)高效、精準(zhǔn)的水稻葉片葉綠素含量監(jiān)測(cè)提供參考及依據(jù)。

關(guān)鍵詞：水稻； 葉綠素； 高光譜； 相關(guān)系數(shù)； 主成分分析； Extra Tress

中圖分類號(hào)：S511 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-8151（2024）01-0120-10

水稻作為我國(guó)主要糧食作物，占全國(guó)糧食播種面積的27%，在我國(guó)糧食生產(chǎn)中占有重要地位［1］。水稻進(jìn)行光合作用和物質(zhì)積累的主要場(chǎng)所是葉片，水稻葉片的葉綠素含量表征了水稻的營(yíng)養(yǎng)和生長(zhǎng)狀況，是植物營(yíng)養(yǎng)脅迫、光合作用、葉片氮素含量以及各階段生長(zhǎng)發(fā)育狀況的重要指示劑［2-5］。傳統(tǒng)的葉片葉綠素檢測(cè)方法中最常見(jiàn)的是分光光度法［5-6］，不僅會(huì)造成葉片結(jié)構(gòu)的損害，并且十分費(fèi)時(shí)費(fèi)力。此外，葉綠素具有結(jié)構(gòu)不穩(wěn)定、見(jiàn)光易分解的特點(diǎn)，這會(huì)導(dǎo)致測(cè)量值和實(shí)際含量之間存在一定誤差［7］。研究表明便攜式葉綠素儀測(cè)定的葉片葉綠素相對(duì)含量（SPAD 值）與葉綠素含量呈正相關(guān)［8］，因此SPAD 值能夠代替通過(guò)化學(xué)分析方法檢測(cè)出的葉綠素含量，實(shí)現(xiàn)葉片葉綠素的高效、無(wú)損檢測(cè)。

借助于高光譜遙感技術(shù)對(duì)植物特別是農(nóng)作物進(jìn)行SPAD 值的快速、準(zhǔn)確、無(wú)損的獲取與監(jiān)測(cè)等方面研究已經(jīng)取得了突出的進(jìn)展［9-10］。與多光譜遙感相比，高光譜遙感對(duì)植物生理生化參數(shù)的變化感知更加敏感，反映的特征更加精細(xì)，這為準(zhǔn)確估算植被生理生化參數(shù)提供了良好的基礎(chǔ)［11-13］。

無(wú)人機(jī)作為低空遙感的一種方式，操作簡(jiǎn)單，起飛條件寬松，機(jī)動(dòng)性、靈活性高，可以獲取高空間、高光譜分辨率的遙感影像［14］。因此，近年來(lái)利用無(wú)人機(jī)高光譜遙感數(shù)據(jù)監(jiān)測(cè)作物SPAD 值的方法已被廣泛應(yīng)用。常瀟月等［15］利用無(wú)人機(jī)平臺(tái)搭載高光譜相機(jī)獲得玉米農(nóng)田高光譜影像，從中提取了光譜參數(shù)進(jìn)行玉米葉片葉綠素含量估測(cè)，結(jié)果顯示以紅邊一階微分最大值為自變量構(gòu)建的回歸模型建模精度最高。尹航等［16］利用無(wú)人機(jī)為平臺(tái)搭載S185 光譜儀獲取馬鈴薯試驗(yàn)區(qū)高光譜影像，通過(guò)波段優(yōu)化算法建立優(yōu)化光譜指數(shù)和馬鈴薯葉綠素含量估測(cè)模型，發(fā)現(xiàn)通過(guò)優(yōu)化波段建立的光譜指數(shù)能夠明顯提高模型準(zhǔn)確性。袁煒楠等［17］針對(duì)無(wú)人機(jī)高光譜遙感數(shù)據(jù)的高維特性，提出一種基于主基底分析的降維方法，并建立最小二乘回歸模型對(duì)水稻冠層葉片葉綠素含量進(jìn)行估算，結(jié)果表明與3 種植被指數(shù)降維后建立的模型相比，該方法的建模精度有了很大提升。

在對(duì)高光譜數(shù)據(jù)的前期處理方面，已有學(xué)者分別采用標(biāo)準(zhǔn)正態(tài)變換、多元散射校正、基線校正、卷積平滑濾波和一階導(dǎo)數(shù)等預(yù)處理方法，分析比較了線性回歸、偏最小二乘、支持向量機(jī)、BP 神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林等模型預(yù)測(cè)作物葉片營(yíng)養(yǎng)元素的效果［18-22］。還有學(xué)者采用7 種光譜預(yù)處理方法及其組合，結(jié)合偏最小二乘、支持向量回歸和隨機(jī)森林3 種模型，建立了光譜反射率與水稻葉片SPAD 值的映射關(guān)系，比較了不同組合的預(yù)測(cè)精度［23］。陳志超等［24］通過(guò)5 種方法對(duì)提取的春玉米冠層高光譜信息進(jìn)行預(yù)處理，并分別采用偏最小二乘回歸、BP 神經(jīng)網(wǎng)絡(luò)回歸和隨機(jī)森林回歸3 種算法構(gòu)建春玉米氮營(yíng)養(yǎng)指數(shù)反演模型，結(jié)果表明隨機(jī)森林算法結(jié)合MSC 預(yù)處理反演效果最好。

在波段降維方面，姚付啟等［25］采用主成分分析對(duì)原始光譜進(jìn)行降維，將得到的主成分作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入變量，實(shí)現(xiàn)了對(duì)法國(guó)梧桐葉綠素含量的估算。孫小香等［26］利用主成分分析對(duì)原始光譜數(shù)據(jù)進(jìn)行降維，結(jié)合逐步多元線性回歸和支持向量回歸構(gòu)建了葉片SPAD 值的高光譜估算模型。劉文雅等［27］將對(duì)馬尾松冠層原始光譜進(jìn)行主成分分析降維后的前4 個(gè)主成分以及篩選出的植被指數(shù)和紅邊參數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)的輸入變量構(gòu)建葉綠素含量的高光譜估算模型，發(fā)現(xiàn)基于主成分分析的特征參數(shù)預(yù)測(cè)效果最好。

現(xiàn)有研究在對(duì)原始光譜進(jìn)行多種預(yù)處理后直接將全波段光譜作為自變量代入模型中進(jìn)行作物參量的預(yù)測(cè)，僅考慮不同預(yù)處理方式對(duì)建模精度的影響，忽略了波段信息冗余和無(wú)關(guān)信息干擾等問(wèn)題；此外前人在使用主成分分析時(shí)大多選擇對(duì)原始光譜進(jìn)行降維，基于特征波段進(jìn)行PCA 降維的建模效果需要進(jìn)一步研究。本文將幾種預(yù)處理方法進(jìn)行組合，在其基礎(chǔ)上基于相關(guān)系數(shù)提取特征波段作為第1 種光譜參數(shù)，在第1 種光譜參數(shù)的基礎(chǔ)上，進(jìn)行主成分分析，將提取到的主成分作為第2 種特征參數(shù)。最后將2 種光譜參數(shù)代入ExtraTrees 模型中進(jìn)行訓(xùn)練和預(yù)測(cè)，對(duì)比分析兩種光譜參數(shù)結(jié)合模型的預(yù)測(cè)效果，并優(yōu)選出研究區(qū)最佳水稻SPAD 值反演模型。

1 研究區(qū)與研究方法

1. 1 研究區(qū)概況

研究區(qū)（圖1）位于我國(guó)四川省成都市青白江區(qū)姚渡鎮(zhèn)（104°19 ′E，30°42 ′N）水稻產(chǎn)區(qū)，總面積71. 72 km2。研究區(qū)屬于亞熱帶溫和濕潤(rùn)氣候，年平均氣溫16. 5 ℃，年平均降水量900 mm，無(wú)霜期平均300 d，年平均日照時(shí)數(shù)1 298. 2 h，光照條件適合水稻等糧食作物的生長(zhǎng)。

1. 2 水稻葉片SPAD 值及光譜測(cè)定

1. 2. 1 試驗(yàn)方案

在試驗(yàn)田中布置了2 個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)面積為7. 8 m×7. 8 m。試驗(yàn)在試驗(yàn)田布置小區(qū)內(nèi)進(jìn)行，共準(zhǔn)備10 個(gè)40 cm×40 cm 的白色樣方，在樣方的4 個(gè)角分別用紅、黃、藍(lán)和黑色膠帶固定住。在距離試驗(yàn)小區(qū)邊界1 m 的位置，根據(jù)五點(diǎn)采樣法在小區(qū)內(nèi)進(jìn)行樣方擺放，4 邊樣方的間距為5 m，在試驗(yàn)小區(qū)正中央放置1 個(gè)樣方，白板放置在距離2個(gè)小區(qū)位置相同處。

1. 2. 2 SPAD 值測(cè)定

采用手持式葉綠素儀（SPAD 502 Plus，KONICA MINOLTA，Japan）測(cè)定水稻葉片SPAD 值：對(duì)每個(gè)樣本點(diǎn)的水稻頂端完全展開(kāi)的3片健康且形狀大小均勻的葉片，分別測(cè)量距離葉端1/3 和2/3 處2 個(gè)部位的SPAD 值，每個(gè)部位測(cè)量3 個(gè)點(diǎn)，測(cè)量時(shí)注意避開(kāi)葉脈部分，取6 個(gè)數(shù)值的平均值作為該葉片的SPAD 值，最后取3 片葉片的SPAD 平均值作為該樣本點(diǎn)葉片的最終SPAD值。數(shù)據(jù)采集時(shí)沿著每個(gè)樣方4 個(gè)角的不同顏色按照固定順序進(jìn)行采集，每個(gè)樣方共采集6 個(gè)水稻樣本點(diǎn)，2 個(gè)試驗(yàn)田小區(qū)共采集60 個(gè)樣本點(diǎn)。

1. 2. 3 光譜測(cè)定

使用大疆M600Pro 搭載SENOP RIKOLA 高光譜儀作為本次試驗(yàn)的遙感平臺(tái)，高光譜儀參數(shù)如表1 所示。無(wú)人機(jī)高光譜數(shù)據(jù)采集和地面SPAD 值采樣同時(shí)進(jìn)行，每次數(shù)據(jù)采集之前均進(jìn)行白板校正，以保證采集的數(shù)據(jù)質(zhì)量。采集時(shí)間為11∶00-14∶00［28］，天氣晴朗，無(wú)風(fēng)干擾。無(wú)人機(jī)拍攝高度為30 m［29］，曝光時(shí)間為0. 5 s。

1. 3 數(shù)據(jù)處理

利用SENOP RIKOLA 自帶軟件對(duì)采集的高光譜數(shù)據(jù)進(jìn)行暗電流校正、波段配準(zhǔn)以及輻射定標(biāo)，從而得到原始數(shù)據(jù)，再?gòu)闹刑暨x出效果好的影像作為進(jìn)一步研究的實(shí)驗(yàn)數(shù)據(jù)。將選擇的影像導(dǎo)入ENVI 5. 3，在影像范圍內(nèi)均勻地選取60 個(gè)葉片進(jìn)行打點(diǎn)，所選取葉片的形態(tài)、長(zhǎng)勢(shì)要能代表整個(gè)研究區(qū)。最后將選取的60 個(gè)葉片點(diǎn)的光譜反射率導(dǎo)出到Excel 2016 中進(jìn)行整理，得到本實(shí)驗(yàn)所研究的60 個(gè)水稻葉片的原始光譜反射率數(shù)據(jù)，每個(gè)樣本含有48 個(gè)波段。

本文參考傳統(tǒng)光譜預(yù)處理方法，選用了Savitzky-Golay 平滑（SG）、一階微分變換（DI）、SG平滑與標(biāo)準(zhǔn)正態(tài)變換（SG_SNV）、SG 平滑與多元散射校正（SG_MSC）對(duì)原始光譜進(jìn)行處理。其中，SG 平滑能在一定程度上提高圖譜信噪比，降低隨機(jī)噪音對(duì)光譜的影響；D1 可以消除背景土壤對(duì)水稻葉片反射率觀測(cè)的影響；MSC 和SNV 主要用來(lái)消除由于顆粒分布不均勻或顆粒大小不同而出現(xiàn)的散射對(duì)原始光譜造成的影響［30］。

1. 4 光譜參數(shù)篩選

高光譜影像波段數(shù)量多，含有豐富的光譜信息，可以為不同地物的研究提供良好的基礎(chǔ)。但是，復(fù)雜的波段也會(huì)伴隨著數(shù)據(jù)冗余、含有大量與研究無(wú)關(guān)信息等問(wèn)題，通常采取光譜參數(shù)篩選的方法來(lái)選取與試驗(yàn)相關(guān)的波段進(jìn)行進(jìn)一步的研究。此外，對(duì)于本文的研究對(duì)象，水稻冠層的波段反射率容易被土壤背景、大氣狀況以及作物自身的飽和狀態(tài)所影響，因此需要通過(guò)光譜參數(shù)篩選來(lái)減少這一系列的影響。

1. 4. 1 基于相關(guān)性分析的光譜參數(shù)篩選

相關(guān)性分析是一種評(píng)價(jià)2 個(gè)或多個(gè)存在一定聯(lián)系的指標(biāo)之間相關(guān)程度的方法，用來(lái)衡量這些變量之間相關(guān)程度的指標(biāo)是Pearson 系數(shù)（r）和顯著性值（p）。其中r 的取值范圍在?1 和1 之間，其值越接近?1 或1，表示2 個(gè)變量間相關(guān)程度越高，反之則相關(guān)性程度越低；對(duì)p 而言，plt;0. 1、plt;0. 5和plt;0. 01 分別對(duì)應(yīng)著10% 顯著相關(guān)、5% 顯著相關(guān)和1% 顯著相關(guān)，若p 值在0. 05 和0. 1 之間，說(shuō)明2 變量間存在一定的線性關(guān)聯(lián)；若p 值在0. 01 和0. 05 之間，說(shuō)明2 變量之間存在顯著的線性關(guān)聯(lián)；若p 值小于0. 01，則說(shuō)明2 變量之間存在極顯著的線性關(guān)聯(lián)。

1. 4. 2 基于PCA 降維的光譜參數(shù)篩選

主成分分析（PCA）是由Pearson 于1901 年提出的一種分析、簡(jiǎn)化數(shù)據(jù)集的方法。PCA 通過(guò)對(duì)數(shù)據(jù)進(jìn)行線性變換和壓縮的方式實(shí)現(xiàn)了以較少的主成分保留原數(shù)據(jù)中絕大部分信息的目的，不僅可以有效降低數(shù)據(jù)集的維度，剔除不必要的信息，還能有效消除變量間的共線性問(wèn)題。

1. 5 模型構(gòu)建

Extra Trees（ET）是由Pierre Geurts 等人于2006 年提出的一種集成學(xué)習(xí)方法，通過(guò)一些去相關(guān)化的決策樹(shù)來(lái)進(jìn)行分類，其算法與隨機(jī)森林十分相似，都是由許多決策樹(shù)構(gòu)成。兩者的主要區(qū)別有2 點(diǎn)，其一在于隨機(jī)森林應(yīng)用的是Bagging 模型，而ET 使用的是所有的訓(xùn)練樣本來(lái)得到每棵決策樹(shù)，也就是每棵決策樹(shù)應(yīng)用的是相同的全部訓(xùn)練樣本，因?yàn)榉至咽请S機(jī)的，所以在某種程度上比隨機(jī)樹(shù)得到的結(jié)果更好［31］；其二在于隨機(jī)森林是在一個(gè)隨機(jī)子集內(nèi)得到最佳分叉屬性，而ET 是完全隨機(jī)地得到分叉值，從而實(shí)現(xiàn)對(duì)決策樹(shù)的分叉。對(duì)于某一棵決策樹(shù)來(lái)說(shuō)，由于它的最佳分叉屬性是隨機(jī)選擇的，因此單一決策樹(shù)的預(yù)測(cè)結(jié)果往往是不準(zhǔn)確的，但是很多棵決策樹(shù)組合在一起，就可以達(dá)到很好地預(yù)測(cè)效果。

本試驗(yàn)所應(yīng)用的ET 模型于Python 3 環(huán)境進(jìn)行編譯，訓(xùn)練集和驗(yàn)證集的劃分通過(guò)train_test_splitt（）函數(shù)實(shí)現(xiàn)，驗(yàn)證集比例設(shè)置為30%，模型的誤差估算采用10 折交叉驗(yàn)證（10-flod Cross Validation），使用Grid-SearchCV（）函數(shù)通過(guò)遍歷參數(shù)組合選擇最優(yōu)超參數(shù)進(jìn)而提高模型的預(yù)測(cè)精度和魯棒性。

1. 6 精度評(píng)估

建模精度由訓(xùn)練集決定系數(shù)Rc2、驗(yàn)證集決定系數(shù)Rp2、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）共同決定［32］，本文選用R2 和RMSE 作為評(píng)價(jià)指標(biāo)對(duì)Extra Trees 的估算精度進(jìn)行評(píng)估。其中R2 越大，RMSE 越小，意味著模型的綜合能力越好。其中，R2 主要體現(xiàn)模型的擬合效果，RMSE 則反映了模型的穩(wěn)定性。

2 結(jié)果與分析

2. 1 水稻葉片SPAD 值與光譜分析

實(shí)驗(yàn)測(cè)得的60 個(gè)水稻葉片的SPAD 值統(tǒng)計(jì)見(jiàn)表2，概率密度函數(shù)如圖2。研究區(qū)水稻葉片SPAD 值范圍為34. 98～49. 30，其中均值為44. 69，標(biāo)準(zhǔn)差為2. 61，變異系數(shù)為5. 8%，SPAD值樣本可滿足反演的范圍要求［33］。

對(duì)采集到的60 個(gè)樣本點(diǎn)的水稻葉片原始光譜反射率進(jìn)行SG 平滑處理，處理后的光譜曲線如圖3 所示?？梢?jiàn)，水稻葉片光譜反射率變化基本呈現(xiàn)相同的趨勢(shì)。宏觀上看，反射率在可見(jiàn)光波段（500～780 nm）較低，在近紅外波段（780～900 nm）較高。其中，反射率在綠光波段（550 nm）附近出現(xiàn)1 個(gè)明顯的反射峰值，在藍(lán)光波段（680 nm）附近出現(xiàn)1 個(gè)吸收谷值，在680～750 nm 波段內(nèi)，反射率急劇攀升，從而在近紅外波段（780～900 nm）內(nèi)形成了植物光譜所特有的高反射率區(qū)間。總的來(lái)說(shuō)，在可見(jiàn)光波段，水稻葉片色素對(duì)于綠光進(jìn)行了反射，對(duì)藍(lán)光和紅光則吸收強(qiáng)烈。

2. 2 光譜參數(shù)篩選

2. 2. 1 基于相關(guān)性分析的光譜參數(shù)篩選

水稻葉片SPAD 值與原始光譜波段（OR）、經(jīng)SG 平滑處理后的光譜波段（SG）以及原始光譜波段的一階微分形式（D1）相關(guān)性如圖4a 所示。宏觀上看，原始光譜與經(jīng)SG 平滑處理后的光譜與SPAD 相關(guān)性都較低，且經(jīng)SG 平滑處理后光譜與SPAD 值相關(guān)性并沒(méi)有得到明顯提高，而原始光譜的一階微分形式與SPAD 值相關(guān)程度有所提高。在663～688、728～736 nm 處，原始光譜與SPAD值呈負(fù)相關(guān)，在503～657、696～721、743～900 nm處兩者呈正相關(guān)；在672～681、711～729 nm 處，經(jīng)SG 平滑處理后的光譜與SPAD 值呈負(fù)相關(guān)，在503～664、687～705、735～900 nm 處兩者呈正相關(guān)；在567～704、831～900 nm 處原始光譜的一階微分形式與SPAD 值呈負(fù)相關(guān)，最大相關(guān)系數(shù)為0. 308，在503～560、711～824 nm 處兩者呈正相關(guān)，最大相關(guān)系數(shù)為0. 319。在以上光譜參數(shù)中，僅D1 中的部分波段與SPAD 值的相關(guān)性達(dá)到顯著性水平。

水稻葉片SPAD 值與經(jīng)SG 平滑處理后的光譜波段、經(jīng)SG_SNV 和SG_MSC 處理后的光譜波段的相關(guān)性如圖4b 所示。從宏觀上來(lái)看，在SG 平滑基礎(chǔ)上進(jìn)行SNV 和MSC 處理后的光譜與SPAD 值的相關(guān)程度與僅經(jīng)SG 平滑處理的光譜相比有所提高，且兩者與SPAD 值的整體相關(guān)程度相似。在503～512、656～793 nm 處，經(jīng)SG_SNV 處理后光譜與SPAD 值呈負(fù)相關(guān)，最大相關(guān)系數(shù)為0. 276，在519～649、800～900 nm 處兩者呈正相關(guān)，最大相關(guān)系數(shù)為0. 344；在503～512、648～793 nm 處，經(jīng)SG_MSC 處理的光譜與SPAD值呈負(fù)相關(guān)，最大相關(guān)系數(shù)為0. 283；在519～635、800～900 nm 處兩者呈正相關(guān)，最大相關(guān)系數(shù)為0. 344。在以上光譜參數(shù)中，SG_SNV 和SG_MSC中部分波段與SPAD 值相關(guān)性達(dá)到顯著性水平。

通過(guò)對(duì)原始光譜以及原始光譜的變換形式和SPAD 值的相關(guān)性分析，選取了plt;0. 1 的波段作為特征波段，結(jié)果如表3 所示。從D1 中選取了10個(gè)特征波段，其中達(dá)到10% 顯著水平的波段為544、552、632、776、800 和808 nm，達(dá)到5% 顯著水平的波段為635、649、784 和792 nm；從經(jīng)SG_SNV 處理后的光譜中選取了15 個(gè)特征波段，其中達(dá)到10% 顯著水平的波段為536、544、552、592、680 和840 nm，達(dá)到5% 顯著水平的波段為560、568、576、584、752、760、816 和832 nm，達(dá)到1% 顯著水平的波段為824 nm。從經(jīng)SG_MSC 處理后的光譜中選取了15 個(gè)特征波段，其中達(dá)到10% 顯著水平的波段為544、552、592、680、801 和840 nm，達(dá)到5% 顯著水平的波段為560、568、576、584、752、760 和832 nm，達(dá)到1% 顯著水平的波段為816 和824 nm。

2. 2. 2 基于PCA 降維結(jié)合特征波段的光譜參數(shù)篩選

上述篩選出的特征波段的KMO 檢驗(yàn)結(jié)果均大于0. 7 且通過(guò)了Bartlett 球形檢驗(yàn)，利用PCA 算法對(duì)這些特征波段進(jìn)行降維處理。結(jié)果由表4 可見(jiàn)，其中，特征_D1 由10 個(gè)波段降維到5 個(gè)主成分，累計(jì)貢獻(xiàn)率為97. 81%；特征_SG_SNV 和特征_SG_MSC 均由15 個(gè)波段降維到5 個(gè)主成分，累計(jì)貢獻(xiàn)率分別為95. 90% 和95. 49%。

2. 3 水稻葉片SPAD 值反演模型建立及檢驗(yàn)

分別將相關(guān)性分析選取的特征波段和對(duì)特征波段進(jìn)行PCA 降維得到的主成分作為自變量（X），水稻葉片SPAD 值作為因變量（Y），采用ExtraTrees 模型進(jìn)行建模并對(duì)比分析，驗(yàn)證基于2 種光譜參數(shù)對(duì)Extra Trees 模型預(yù)測(cè)能力的影響，并優(yōu)選出研究區(qū)SPAD 值的最佳預(yù)測(cè)模型。

采用Extra Trees 模型分別對(duì)特征光譜和主成分進(jìn)行建模，其反演精度見(jiàn)表5 和表6。由表5 和表6 可知，構(gòu)建的2 種類型的特征參數(shù)結(jié)合Extratrees 建模都取得了不錯(cuò)的效果，訓(xùn)練集和驗(yàn)證集的R2均大于0. 75，RMSE 均小于1. 3。在基于特征光譜建模中，最優(yōu)模型是ET_特征_SG_MSC，訓(xùn)練集的R2 為0. 867，RMSE 為1. 057，驗(yàn)證集的R2為0. 782，RMSE 為0. 73；在基于主成分建模中，最優(yōu)模型為ET_PCA_特征_SG_MSC，訓(xùn)練集的R2為0. 85，RMSE 為1. 03，驗(yàn)證集的R2 為0. 825，RMSE 為0. 984。

對(duì)比2 種類型光譜參數(shù)的建模效果，結(jié)果如圖5 所示，在特征參數(shù)基礎(chǔ)上進(jìn)行PCA 降維進(jìn)一步降低了光譜參數(shù)的維度，建模效果相對(duì)于直接用特征參數(shù)進(jìn)行建模均有所提高。其中，ET_D1 和ET_SG_MSC 的R2 分別由0. 769 和0. 782 增加到0. 793 和0. 825，提升幅度為3% 和5. 5%；ET_SG_SNV 的R2 由 0. 754 增加到0. 796，提升幅度為5. 6%。

3 討論

植物葉片的營(yíng)養(yǎng)狀況和內(nèi)部的生理生化參數(shù)與其自身的光譜特征密切相關(guān)，水稻葉片的光譜反射率會(huì)隨著SPAD 值的不同而呈現(xiàn)出不同的光譜響應(yīng)曲線［26］。在可見(jiàn)光波段，綠色植物的反射光譜主要受葉片色素的影響，吸收作用占主導(dǎo)，反射率較低，因此會(huì)出現(xiàn)葉綠素含量越高光譜反射率反而越低的現(xiàn)象；近紅外波段的反射光譜主要受植被結(jié)構(gòu)，背景和含水量的影響，與SPAD 值的相關(guān)性較低。因此本文試驗(yàn)所采集的光譜數(shù)據(jù)主要包含可見(jiàn)光波段。

高光譜數(shù)據(jù)含有豐富信息，但原始光譜易受環(huán)境、背景及噪聲的影響，不可避免會(huì)伴隨一些與研究參量不相關(guān)的信息，影響建模精度。基于此，本文選用了SG 平滑、一階微分變換（DI）、SG 平滑與標(biāo)準(zhǔn)正態(tài)變換（SG_SNV）、SG 平滑與多元散射校正（SG_MSC）對(duì)原始光譜進(jìn)行處理，并將處理后的光譜與SPAD 值做相關(guān)性分析，將得到的特征波段作為第1 種光譜參數(shù)；由于高光譜數(shù)據(jù)維度較大，經(jīng)過(guò)1 次光譜參數(shù)篩選后的特征參數(shù)仍可能伴隨著數(shù)據(jù)冗余、無(wú)關(guān)信息干擾等問(wèn)題，而PCA 可以通過(guò)對(duì)數(shù)據(jù)進(jìn)行線性變換和壓縮的方式實(shí)現(xiàn)以較少的主成分保留原數(shù)據(jù)中絕大部分信息的目的，姚付啟等［25］、孫小香等［26］、劉文雅等［27］利用PCA 對(duì)原始光譜進(jìn)行降維，并建模估算了葉綠素含量，都取得了較好的結(jié)果。因此在前人的研究基礎(chǔ)上，本文在第1 種光譜參數(shù)的基礎(chǔ)上嘗試?yán)肞CA 算法進(jìn)行降維，將得到的主成分作為第2 種特征參數(shù)。對(duì)比2 種參數(shù)的建模效果，發(fā)現(xiàn)在特征波段基礎(chǔ)上進(jìn)行PCA 降維后建模效果更優(yōu)，這與尚天浩等［34］利用高光譜估算土壤有機(jī)質(zhì)的研究結(jié)果一致。因此，當(dāng)使用單一方法對(duì)光譜篩選后建模效果不佳時(shí)，可以嘗試組合多種篩選方法，這可以為后續(xù)相關(guān)研究提供參考。

4 結(jié)論

本文以四川省成都市青白江區(qū)姚渡鎮(zhèn)水稻產(chǎn)區(qū)的水稻為研究對(duì)象，通過(guò)3 種預(yù)處理方法對(duì)水稻葉片原始光譜數(shù)據(jù)進(jìn)行處理，并通過(guò)相關(guān)系數(shù)篩選出特征波段作為第1 類光譜參數(shù)，在第1 類光譜參數(shù)基礎(chǔ)上進(jìn)行PCA 降維得到第2 類光譜參數(shù)。分別將2 類光譜參數(shù)代入Extra Trees 模型中進(jìn)行SPAD 值的反演，可得出以下結(jié)論：

（1）2 類光譜參數(shù)建立的模型都得到了較好的結(jié)果，決定系數(shù)均大于0. 75，均方根誤差均小于1. 3?？蔀檠芯繀^(qū)水稻葉片SPAD 值的預(yù)測(cè)提供有效參考。其中模型ET_PCA_特征_SG_MSC 精度最高，R2 和RMSE 分別為0. 825 和0. 984，是研究區(qū)水稻SPAD 值的最佳反演模型。

（2）2 種光譜參數(shù)所建立的模型中，精度最高的都是以SG_MSC 預(yù)處理為前提篩選出的特征波段和主成分作為輸入變量的。說(shuō)明這種預(yù)處理組合方式有效消除了研究區(qū)水稻原始光譜中的噪音和散射，為后續(xù)的研究提供了良好的基礎(chǔ)。

（3）在特征波段基礎(chǔ)上進(jìn)行PCA 降維，所建立的模型精度均有所提高，提高幅度最大的模型是ET_特征_SG_SNV，R2 由0. 754 增加道0. 796，提升幅度為5. 6%。說(shuō)明這種方式不僅能有效降低參數(shù)維度、減少冗余信息，還保留了特征波段中的重要信息。

參考文獻(xiàn)

［1］鄧剛， 唐志光， 李朝奎， 等. 基于MODIS 時(shí)序數(shù)據(jù)的湖南省水稻種植面積提取及時(shí)空變化分析［J］. 國(guó)土資源遙感， 2020， 32（2）： 177-185.

Deng G， Tang Z G， Li C K， et al. Extraction and analysis ofspatiotemporal variation of rice planting area in Hunan Provincebased on MODIS time series data［J］. Remote Sensing for Landamp; Resources， 2020， 32（2）： 177-185.

［2］徐新剛， 趙春江， 王紀(jì)華， 等. 新型光譜曲線特征參數(shù)與水稻葉綠素含量間的關(guān)系研究［J］. 光譜學(xué)與光譜分析， 2011， 31（1）： 188-191.

Xu X G， Zhao C J，Wang J H， et al. Study on relationshipbetween new characteristic parameters of spectral curve andchlorophyll content for rice［J］. Spectroscopy and SpectralAnalysis， 2011， 31（1）： 188-191.

［3］方慧， 宋海燕， 曹芳， 等. 油菜葉片的光譜特征與葉綠素含量之間的關(guān)系研究［J］. 光譜學(xué)與光譜分析， 2007（9）： 1731-1734.

Fang H， Song H Y， Cao F， et al. Study on the relationshipbetween spectral properties of oilseed rape leaves and theirchlorophyll content［J］. Spectroscopy and Spectral Analysis，2007（9）： 1731-1734.

［4］豐明博， 牛錚. 基于經(jīng)驗(yàn)?zāi)Ｐ偷腍yperion 數(shù)據(jù)植被葉綠素含量反演［J］. 國(guó)土資源遙感， 2014， 26（1）： 71-77.

Feng M B， Niu Z. Chlorophyll content retrieve of vegetationusing Hyperion data based on empirical models［J］. RemoteSensing for Land amp; Resources， 2014， 26（1）： 71-77.

［5］陳瀾，常慶瑞，高一帆， 等. 獼猴桃葉片葉綠素含量高光譜估算模型研究［J］. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（6）：79-89，98.

Chen L， Chang Q R， Gao Y F， et al. Hyperspectral estimationmodel of chlorophyll content in kiwifruit leaves［J］. Journal ofNorthwest Aamp;F University （Natural Science Edition），2020，48（6）：79-89，98.

［6］徐彩平， 劉霞， 陳宇煒. 浮游植物葉綠素a 濃度測(cè)定方法的比較研究［J］. 生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)， 2013， 29（4）： 438-442.

Xu C P， Liu X， Chen Y W. Comparison of methods fordetermination of phytoplankton chlorophyll-a［J］. Journal ofEcology and Rural Environment， 2013， 29（4）： 438-442.

［7］薛香， 吳玉娥. 小麥葉片葉綠素含量測(cè)定及其與SPAD 值的關(guān)系［J］. 湖北農(nóng)業(yè)科學(xué)， 2010， 49（11）： 2701-2702，2751.

Xue X， Wu Y E. Chlorophyll content determination and itsrelationship with SPAD value in wheat［J］. Hubei AgriculturalSciences， 2010， 49（11）： 2701-2702，2751.

［8］艾天成， 李方敏， 周治安， 等. 作物葉片葉綠素含量與SPAD值相關(guān)性研究［J］. 湖北農(nóng)學(xué)院學(xué)報(bào)， 2000（1）： 6-8.

Ai T C， Li F M， Zhou Z A， et al. Relationship betweenchlorophyll meter readings（SPAD readings） and chlorophyllcontent of crop leaves ［J］. Journal of Hubei AgriculturalCollege， 2000（1）： 6-8.

［9］馮偉， 郭天財(cái)， 謝迎新， 等. 作物光譜分析技術(shù)及其在生長(zhǎng)監(jiān)測(cè)中的應(yīng)用［J］. 中國(guó)農(nóng)學(xué)通報(bào)， 2009， 25（23）： 182-188.

Feng W， Guo T C， Xie Y X， et al. Spectrum analyticaltechnique and its applications for the crop growth detection［J］.Chinese Agricultural Science Bulletin， 2009， 25（23）： 182-188.

［10］李粉玲， 王力， 劉京， 等. 基于高分一號(hào)衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD 值遙感估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（9）：273-281.

Li F L， Wang L， Liu J， et al. Remote sensing estimation ofSPAD value for wheat leaf based on GF-1 data ［J］.Transactions of the Chinese Society for AgriculturalMachinery，2015， 46（9）： 273-281.

［11］姚付啟. 冬小麥高光譜特征及其生理生態(tài)參數(shù)估算模型研究［D］. 楊凌：西北農(nóng)林科技大學(xué)， 2012.

Yao F Q. Hyperspectral characteristics and estimating modelsabout physiological ecological parameters of winter wheat［D］.Yangling：Northwest Aamp;F University，2012.

［12］王樹(shù)文， 趙越， 王麗鳳， 等. 基于高光譜的寒地水稻葉片氮素含量預(yù)測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（20）： 187-194.

Wang S W， Zhao Y， Wang L F， et al. Prediction for nitrogencontent of rice leaves in cold region based on hyperspectrum［J］. Transactions of the Chinese Society of AgriculturalEngineering， 2016， 32（20）： 187-194.

［13］岳學(xué)軍， 全東平， 洪添勝， 等. 柑橘葉片葉綠素含量高光譜無(wú)損檢測(cè)模型［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（1）： 294-302.

Yue X J， Quan D P， Hong T S， et al. Non-destructivehyperspectral measurement model of chlorophyll content forcitrus leaves ［J］. Transactions of the Chinese Society ofAgricultural Engineering，2015， 31（1）： 294-302.

［14］馮海寬，陶惠林，趙鈺，等. 利用無(wú)人機(jī)高光譜估算冬小麥葉綠素含量［J］. 光譜學(xué)與光譜分析，2022，42（11）：3575-3580.

Feng H K， Tao H L， Zhao Y， et al. Estimation of chlorophyllcontent in winter wheat based on UAV hyperspectral［J］.Spectroscopy and Spectral Analysis， 2022，42（11）：3575-3580.

［15］常瀟月，常慶瑞，王曉凡，等. 基于無(wú)人機(jī)高光譜影像玉米葉綠素含量估算［J］. 干旱地區(qū)農(nóng)業(yè)研究， 2019， 37（1）：66-73.

Chang X Y， Chang Q R， Wang X F， et al. Estimation ofmaize leaf chlorophyll contents based on UAV hyperspectraldrone image［J］. Agricultural Research in the Arid Areas，2019， 37（1）：66-73.

［16］尹航，李斐，楊海波，等. 基于無(wú)人機(jī)高光譜影像的馬鈴薯葉綠素含量估測(cè)［J］. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)， 2021， 27（12）：2184-2195.

Yin H， Li F， Yang H B， et al. Estimation of canopychlorophyll in potato based on UAV hyperspectral images［J］.Journal of Plant Nutrition and Fertilizers， 2021， 27（12）：2184-2195.

［17］袁煒楠，許童羽，曹英麗，等. 基于主基底分析降維方法的水稻冠層葉片葉綠素含量估算［J］. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2018，44（4）：423-430.

Yuan W N， Xu T Y， Cao Y L， et al. Estimation ofchlorophyll content in rice canopy leaves based on main baseanalysis and dimensionality reduction method［J］. Journal ofZhejiang University （Agriculture and Life Sciences），2018，44（4）：423-430.

［18］寧志強(qiáng)， 劉家祥， 吳越， 等. 基于改進(jìn)迭代多項(xiàng)式擬合的紅外光譜基線校正方法［J］. 激光與光電子學(xué)進(jìn)展， 2020， 57（3）：255-261.

Ning Z Q， Liu J X， Wu Y， et al. Infrared spectrum baselinecorrection method based on improved iterative polynomialfitting［J］. Laser amp; Optoelectronics Progress， 2020， 57（3）：255-261.

［19］王麗愛(ài)， 馬昌， 周旭東， 等. 基于隨機(jī)森林回歸算法的小麥葉片SPAD 值遙感估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（1）：259-265.

Wang L A， Ma C， Zhou X D， et al. Estimation of wheat leafSPAD value using RF algorithmic model and remote sensingdata［J］. Transactions of the Chinese Society for AgriculturalMachinery， 2015， 46（1）： 259-265.

［20］王圓圓， 李貴才， 張立軍， 等. 利用偏最小二乘回歸從冬小麥冠層光譜提取葉片含水量［J］. 光譜學(xué)與光譜分析， 2010， 30（4）： 1070-1074.

Wang Y Y， Li G C， Zhang L J， et al. Retrieval of leaf watercontent of winter wheat from canopy hyperspectral data usingpartial least square regression［J］. Spectroscopy and SpectralAnalysis， 2010， 30（4）： 1070-1074.

［21］第五鵬瑤， 卞希慧， 王姿方， 等. 光譜預(yù)處理方法選擇研究［J］. 光譜學(xué)與光譜分析， 2019， 39（9）： 2800-2806.

Diwu P Y， Bian X H， Wang Z F， et al. Study on the selectionof spectral preprocessing methods ［J］. Spectroscopy andSpectral Analysis， 2019， 39（9）： 2800-2806.

［22］吳文強(qiáng)， 常慶瑞， 陳濤， 等. 基于PCA-BP 神經(jīng)網(wǎng)絡(luò)算法桃樹(shù)葉片SPAD 值高光譜估算［J］. 西北林學(xué)院學(xué)報(bào)， 2019， 34（5）： 134-140，224.

Wu W Q， Chang Q R， Chen T， et al. Hyperspectralestimation of peach leaf SPAD value based on PCA-BP neuralnetwork algorithm ［J］. Journal of Northwest ForestryUniversity，2019， 34（5）： 134-140，224.

［23］嚴(yán)志雁， 王芳東， 郭熙， 等. 高光譜估測(cè)稻葉SPAD 值預(yù)處理方法與模型比較［J］. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 42（6）： 1130-1138.

Yan Z Y， Wang F D， Guo X， et al. Comparison of preprocessingmethods and models for estimating SPAD of riceleaves by hyperspectrum［J］. Acta Agriculturae UniversitatisJiangxiensis，2020， 42（6）： 1130-1138.

［24］陳志超，蔣貴印，張正，等. 基于無(wú)人機(jī)高光譜遙感的春玉米氮營(yíng)養(yǎng)指數(shù)反演［J］. 河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（3）：81-89.

Chen Z C， Jiang G Y， Zhang Z， et al. Inversion of nitrogennutrition index of spring maize based on hyperspectral remotesensing of UAV［J］. Journal of Henan Polytechnic University（Natural Science） ，2022，41（3）：81-89.

［25］姚付啟， 張振華， 楊潤(rùn)亞，等. 基于主成分分析和BP 神經(jīng)網(wǎng)絡(luò)的法國(guó)梧桐葉綠素含量高光譜反演研究［J］. 測(cè)繪科學(xué)，2010， 35（1）：109-112.

Yao F Q， Zhang Z H， Yang R Y， et al. Research on Platanusorientalis L. chlorophyll concentration estimation withhyperspectral data based on BP-artificial neural network andprincipal component analysis［J］. Science of Surveying andMapping， 2010， 35（1）：109-112.

［26］孫小香， 王芳東， 郭熙， 等. 基于水稻冠層高光譜的葉片SPAD 值估算模型研究［J］. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2018， 40（3）： 444-453.

Sun X X，Wang F D， Guo X， et al. The estimation models ofrice leaf SPAD value based on canopy spectrum［J］. ActaAgriculturae Universitatis Jiangxiensis， 2018， 40（3）： 444-453.

［27］劉文雅，潘潔. 基于神經(jīng)網(wǎng)絡(luò)的馬尾松葉綠素含量高光譜估算模型［J］. 應(yīng)用生態(tài)學(xué)報(bào)， 2017， 28（4）：1128-1136.

Liu W Y， Pan J. A hyperspectral assessment model for leafchlorophyll content of Pinus massoniana based on neuralnetwork［J］. Chinese Journal of Applied Ecology， 2017， 28（4）：1128-1136.

［28］李政. 無(wú)人機(jī)載光譜成像儀對(duì)東北寒地水稻生長(zhǎng)態(tài)勢(shì)的監(jiān)測(cè)研究［D］. 長(zhǎng)春：長(zhǎng)春理工大學(xué)，2022.

Li Z. Monitoring research on rice growth in northeast coldregion based on UAV-borne spectral imager［D］. Changchun：Changchun University of Science and Technology， 2022.

［29］李曉鵬，胡鵬程，徐照麗，等. 基于四旋翼無(wú)人機(jī)快速獲取大田植株圖像的方法及其應(yīng)用［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017，22（12）：131-137.

Li X P， Hu P C， Xu Z L， et al. Method for rapidly acquiringimages of field-grown crops using aquad-rotor UAV and itsapplication ［J］. Journal of China Agricultural University，2017， 22（12）： 131-137.

［30］黃慧，王偉，彭彥昆，等. 利用高光譜掃描技術(shù)檢測(cè)小麥葉片葉綠素含量［J］. 光譜學(xué)與光譜分析，2010，30（7）：1811-1814.

Huang H， Wang W， Peng Y K， et al. Measurement ofchlorophyll content in wheat leaves using hyperspectralscanning［J］. Spectroscopy and Spectral Analysis， 2010，30（7）：1811-1814.

［31］李靜波，張瑩，蓋榮麗. 基于機(jī)器學(xué)習(xí)的星載短波紅外CO2 柱濃度估算［J］. 中國(guó)環(huán)境科學(xué)，2023，43（4）：1499-1509.

Li J B， Zhang Y， Gai R L. Estimation of the columnconcentration of carbon dioxide using spaceborne shortwaveinfrared spectrometer［J］ ． China Environmental Science，2023，43（4）：1499-1509.

［32］韓兆迎， 朱西存， 劉慶， 等. 黃河三角洲土壤有機(jī)質(zhì)含量的高光譜反演［J］. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)， 2014， 20（6）： 1545-1552.

Han Z Y， Zhu X C， Liu Q， et al. Hyperspectral inversionmodels for soil organic matter content in the Yellow River Delta［J］. Journal of Plant Nutrition and Fertilizer ，2014， 20（6）：1545-1552.

［33］高林，楊貴軍，李長(zhǎng)春，等. 基于光譜特征與PLSR 結(jié)合的葉面積指數(shù)擬合方法的無(wú)人機(jī)畫幅高光譜遙感應(yīng)用［J］. 作物學(xué)報(bào)，2017，43（4）：549-557.

Gao L， Yang G J， Li C C， et al. Application of an improvedmethod in retrieving leaf area index combined spectral indexwith PLSR in hyperspectral data generated by unmanned aerialvehicle snapshot camera［J］. Acta Agronomica Sinica，2017，43（4）：549-557.

［34］尚天浩，毛鴻欣，張俊華，等. 基于PCA 敏感波段篩選與SVM建模的銀川平原土壤有機(jī)質(zhì)高光譜估算［J］. 生態(tài)學(xué)雜志，2021，40（12）：4128-4136.

Shang T H， Mao H X， Zhang J H， et al. Hyperspctralestimation of soil organic matter content in Yinchuan Plain，China based on PCA sensitive band screening and SVMmodeling［J］. Chinese Journal of Ecology，2021，40（12）：4128-4136.

（編輯：韓志強(qiáng)）