基于波段深度分析和BP神經(jīng)網(wǎng)絡(luò)的水稻色素含量高光譜估算*

鄭 雯, 明 金, 楊孟克, 周四維, 汪善勤,2**

?

基于波段深度分析和BP神經(jīng)網(wǎng)絡(luò)的水稻色素含量高光譜估算*

鄭 雯1, 明 金1, 楊孟克1, 周四維1, 汪善勤1,2**

(1. 華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院 武漢 430070; 2. 農(nóng)業(yè)部長(zhǎng)江中下游耕地保育重點(diǎn)實(shí)驗(yàn)室 武漢 430070)

該文以水稻田間氮肥水平試驗(yàn)為基礎(chǔ), 采用單變量的線性和非線性回歸方法, 建立基于植被指數(shù)的水稻色素含量高光譜估算模型。各植被指數(shù)對(duì)色素含量的估計(jì)能力分析結(jié)果顯示, 植被指數(shù)在色素含量較大時(shí)存在飽和問題, 為此嘗試將波段深度分析(BDA)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合, 以提高利用高光譜技術(shù)對(duì)水稻葉片色素含量的估算精度?；谶B續(xù)統(tǒng)去除處理的水稻冠層高光譜數(shù)據(jù)(400~750 nm), 選取波段深度(BD)、波段深度比(BDR)、歸一化波段深度(NBDI)和歸一化面積波段指數(shù)(BNA)4種波段指數(shù), 在此基礎(chǔ)上進(jìn)行主成分分析(PCA)實(shí)現(xiàn)降維, 然后采用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)方法對(duì)水稻葉片色素含量進(jìn)行高光譜反演, 探討B(tài)DA與BP神經(jīng)網(wǎng)絡(luò)結(jié)合解決植被指數(shù)飽和問題的可能性和有效性。結(jié)果表明, 波段深度分析突出了光譜吸收特征差異, 挖掘了更多的潛在信息, 使得光譜曲線的差異性得到增強(qiáng)。BD與BP結(jié)合的估算模型對(duì)水稻葉片中的類胡蘿卜素含量估算精度最高(2=0.61, RMSEP=0.128 mg×g-1), BNA與BP結(jié)合的估算模型對(duì)水稻葉片中的葉綠素含量估算精度最高(2=0.73, RMSEP=0.343 mg×g-1)。對(duì)比分析BDA與BP結(jié)合的模型和植被指數(shù)最佳回歸模型的精度, 發(fā)現(xiàn)波段深度分析建立的BP神經(jīng)網(wǎng)絡(luò)模型能較好地解決飽和問題, 提高水稻葉片色素含量的估算精度。

高光譜; 水稻; 色素; 植被指數(shù); 波段深度分析; 主成分分析; 反向傳播神經(jīng)網(wǎng)絡(luò)

色素含量是描述作物生理狀態(tài)的重要指標(biāo)之一, 其變化可用于評(píng)估作物的光合能力和初級(jí)生產(chǎn)力。實(shí)時(shí)快速地獲取色素含量信息成為監(jiān)測(cè)水稻()生長(zhǎng)、發(fā)育和產(chǎn)量的一種有效方法。傳統(tǒng)的作物葉片色素含量測(cè)定常采用實(shí)驗(yàn)室理化分析方法, 費(fèi)時(shí)、繁瑣并具有破壞性。近年來, 高光譜技術(shù)以其波段連續(xù)性強(qiáng)、波譜分辨率高、光譜信息量大等優(yōu)勢(shì)為快速、高效、無(wú)損檢測(cè)作物葉片色素含量提供了一種有效途徑[1-2]。因此, 研究高光譜技術(shù)定量估算作物色素含量具有重要的實(shí)踐意義。

在可見光范圍內(nèi), 植被冠層反射光譜主要受葉片色素含量的影響; 而在近紅外范圍葉片組織結(jié)構(gòu)、生物量、蛋白質(zhì)、水分等起主要作用。大量研究表明, 可以用植被的冠層反射光譜來估算色素含量[3]。作物葉片中的色素主要包括葉綠素(葉綠素a、葉綠素b)和類胡蘿卜素(胡蘿卜素和葉黃素), 其中葉綠素是吸收光能的主要物質(zhì), 直接影響光合作用的光能利用。研究發(fā)現(xiàn)葉綠素a和葉綠素b的吸收峰波段分別為665 nm和643 nm, 類胡蘿卜素的吸收峰所處的波段與葉綠素相重疊, 單獨(dú)估計(jì)不同色素含量存在一定的難度。文獻(xiàn)報(bào)道通過建立遙感原始波段或植被指數(shù)與生化組分含量之間的多元統(tǒng)計(jì)回歸模型, 能較準(zhǔn)確地估測(cè)植物葉片生化組分含量。王福民等[2]通過所有光譜波段的兩兩組合, 建立歸一化比值色素與葉綠素、類胡蘿卜素的統(tǒng)計(jì)模型, 得到最佳歸一化色素指數(shù)。Sims等[4]通過尋找新的光譜指數(shù)來預(yù)測(cè)葉片色素, 但選取的特征光譜及參數(shù)因不同作物或不同試驗(yàn)、不同葉片結(jié)構(gòu)而有明顯差異。最明顯的問題在于, 當(dāng)葉片色素含量較高時(shí), 常規(guī)植被指數(shù)將趨于飽和水平, 估算色素含量的精度大大降低[5]。Lichtenthaler等[6]指出NDVI對(duì)偏高葉綠素濃度不敏感, 原因在于NDVI對(duì)葉綠素吸收帶的高度敏感性, 較低的葉綠素含量就能使得葉片對(duì)光吸收達(dá)到飽和狀態(tài)。

針對(duì)上述問題, Gitelson等[7-8]提出紅邊位置700 nm處反射率比植被指數(shù)對(duì)葉綠素的吸收特征更加敏感。但是, 當(dāng)葉片葉綠素含量改變時(shí), 對(duì)應(yīng)的吸收波段、紅邊位置與紅邊面積也隨之改變[9]。連續(xù)統(tǒng)去除法可以矯正由于波段依賴而引起的波段反射率極值點(diǎn)的漂移, 將波段極值點(diǎn)調(diào)整到其真正的波段位置[10]。在此基礎(chǔ)上, 對(duì)使用連續(xù)統(tǒng)去除之后的光譜進(jìn)行波段深度分析, 增強(qiáng)吸收特征及減少無(wú)關(guān)的信息冗余[11]。Mutanga等[12]對(duì)實(shí)驗(yàn)室可控條件下的草地冠層光譜進(jìn)行波段深度分析, 并與逐步多元線性回歸結(jié)合估算草地地上生物量。Kokaly等[13]運(yùn)用波段深度分析方法能夠很好地估算干枯落葉的生理生化含量。Chen等[14]將波段深度分析與PLS結(jié)合來估算高覆蓋草地的地上生物量。

目前在植被冠層光譜定量分析中常采用線性方法, 如逐步多元回歸和PLS等。但是, 由于受天氣、作物品種、土壤背景、試驗(yàn)條件等眾多因素的影響, 冠層光譜與植物葉片組分含量之間的關(guān)系是非線性的, 現(xiàn)有方法很難擬合這種多因素影響下的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)因具有極強(qiáng)的非線性處理、自組織調(diào)整、自適應(yīng)學(xué)習(xí)的能力而得到廣泛應(yīng)用。本文以提高水稻全生育期的冠層光譜估計(jì)類胡蘿卜素和葉綠素的精度為主要目的, 采用波段深度分析(BDA)計(jì)算波段深度指數(shù), 然后通過主成分分析(PCA)對(duì)波段深度指數(shù)進(jìn)行降維, 建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)水稻葉片的色素含量, 并探討B(tài)DA與BP神經(jīng)網(wǎng)絡(luò)結(jié)合解決植被指數(shù)飽和問題的可能性和有效性。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)田位于湖北省武穴市梅川鎮(zhèn)(30°06′N, 115°35′E), 土壤類型為水稻土, 0~20 cm耕層土壤pH 5.70, 有機(jī)質(zhì)37.35 g?kg-1, 全氮1.60 g?kg-1, 速效磷5.83 mg?kg-1, 速效鉀91.67 mg?kg-1。供試水稻品種為‘深兩優(yōu)5814’ , 屬雜交秈稻, 全生育期約138 d, 株型適中, 葉片挺直。

1.2 試驗(yàn)設(shè)計(jì)與方法

試驗(yàn)田內(nèi)共設(shè)置24個(gè)小區(qū), 氮肥處理設(shè)0 kg?hm-2、45 kg?hm-2、82.5 kg?hm-2、127.5 kg?hm-2、165 kg?hm-2、210 kg?hm-2、247.5 kg?hm-2、292.5 kg?hm-28個(gè)水平, 分別用N0、N3、N5.5、N8.5、N11、N14、N16.5和N19.5表示。各處理3次重復(fù), 隨機(jī)區(qū)組排列。每個(gè)小區(qū)面積20.0 m2。磷、鉀肥按P2O575 kg?hm-2、K2O 75 kg?hm-2施入。氮肥為尿素(含N 46%), 磷肥用過磷酸鈣(含P2O512%), 鉀肥為氯化鉀(含K2O 60%), 所有肥料做基肥一次性施入。種植密度為255 000株?hm-2, 2015年5月25日播種, 6月28日移栽, 10月9日成熟。

1.3 測(cè)量項(xiàng)目與方法

1.3.1 水稻冠層高光譜反射率的測(cè)定

分別于2015年水稻分蘗期(7月10日)、拔節(jié)期(7月27日)、孕穗期(8月12日)、抽穗期(8月27日)和灌漿期(9月12日), 在相應(yīng)時(shí)期內(nèi)選擇晴朗無(wú)云、無(wú)風(fēng)天氣, 每個(gè)小區(qū)選取5個(gè)有代表性觀測(cè)點(diǎn)。在每個(gè)觀測(cè)日的10:00—14:00, 使用FieldSpec Pro FRTM光譜儀(美國(guó)Analytical Spectral Devices公司生產(chǎn))測(cè)量冠層光譜反射率。該光譜儀視場(chǎng)角為25°, 波譜范圍350~2 500 nm, 其中350~1 000 nm區(qū)間光譜分辨率為3 nm, 采樣間隔為1.4 nm; 在 1 000~2 500 nm區(qū)間光譜分辨率為10 nm, 采樣間隔為2 nm。各小區(qū)在測(cè)量前均進(jìn)行標(biāo)準(zhǔn)白板校正, 測(cè)量時(shí)儀器探頭垂直朝下, 距離水稻冠層高度約1.0 m。各觀測(cè)點(diǎn)重復(fù)觀測(cè)5次, 取25條光譜的算術(shù)平均值作為相應(yīng)小區(qū)冠層光譜結(jié)果, 5個(gè)物候期24個(gè)小區(qū)共采集120條有效冠層光譜數(shù)據(jù)。圖1表示孕穗期不同氮素水平下的水稻冠層光譜反射率變化趨勢(shì), 其他關(guān)鍵物候期呈現(xiàn)相同規(guī)律。

1.3.2 水稻葉片葉綠素及類胡蘿卜素的測(cè)定

采用混合液(丙酮∶無(wú)水乙醇=1∶1)提取法測(cè)定水稻葉片葉綠素(a+b)和類胡蘿卜素含量, 每個(gè)小區(qū)對(duì)應(yīng)測(cè)光譜的冠層, 與冠層光譜測(cè)量同步。選取有代表性植株4株, 從采樣的水稻植株上等數(shù)量選取上中下完全展開葉, 剪碎, 混均勻后獲取0.200 g, 加混合液50 mL, 于室溫下遮光靜置24 h左右至樣品完全發(fā)白, 用分光光度計(jì)測(cè)定葉綠素、類胡蘿卜素含量[15]。

1.4 數(shù)據(jù)處理與分析

1.4.1 數(shù)據(jù)預(yù)處理

進(jìn)行色素含量估算時(shí), 僅選用信噪比較高的400~1 350 nm作為有效分析數(shù)據(jù)。為消除噪聲, 采用Savitzky-Golay卷積平滑法進(jìn)行光譜去噪, 移動(dòng)窗口寬度為15, 多項(xiàng)式次數(shù)為2。將測(cè)得的色素含量與對(duì)應(yīng)的冠層高光譜組成原始數(shù)據(jù)集, 隨機(jī)分成兩組, 第1組包含80個(gè)用于建模的樣本數(shù)據(jù), 第2組包含40個(gè)樣本數(shù)據(jù)用于模型驗(yàn)證。

1.4.2 波段深度分析(BDA)

作物葉片的色素含量主要與可見光波段緊密相關(guān), 因此深度分析主要處理400~750 nm的光譜數(shù)據(jù), 此波段包含了色素強(qiáng)吸收的藍(lán)、紅光區(qū)及“紅邊”波段范圍。首先, 對(duì)光譜數(shù)據(jù)進(jìn)行連續(xù)統(tǒng)去除變換, 校正由于波段依賴而引起的波段反射率極值點(diǎn)的偏移, 有效增強(qiáng)吸收特征, 增大各光譜曲線之間的差異[10]?！斑B續(xù)統(tǒng)線”定義為連接局部原始光譜反射率峰值點(diǎn)之間的線段(圖2)。將反射率曲線上每個(gè)波長(zhǎng)的光譜反射率()除以相應(yīng)波長(zhǎng)處連續(xù)統(tǒng)線上的值(c)可以得到連續(xù)統(tǒng)去除光譜()。

然后, 對(duì)連續(xù)統(tǒng)去除變換光譜按照表1中的公式計(jì)算得到波段深度(band depth, BD)、波段深度比(band depth ratio, BDR)、歸一化波段深度指數(shù)(normalized band depth index, NBDI)、歸一化面積波段深度(band depth normalized to band area, BNA), 結(jié)果能夠進(jìn)一步反映色素的吸收特征。

表1 吸收特征光譜變換的波段深度分析公式

1.4.3 建模方法

主成分分析(PCA)是一種通過降維技術(shù)把多個(gè)變量化為少數(shù)幾個(gè)主成分的多元統(tǒng)計(jì)方法。本文采用PCA分別對(duì)原始波段()、波段深度(BD)、波段深度比(BDR)、歸一化波段深度指數(shù)(NBDI)、歸一化面積波段深度(BNA)提取主成分, 為了后續(xù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的一致性, 各取前10個(gè)主成分, 對(duì)應(yīng)的累積貢獻(xiàn)率分別為99.49%、99.85%、99.55%、90.46%和99.97%。經(jīng)過PCA處理后, 將光譜維數(shù)從351減少到10, 既實(shí)現(xiàn)了高光譜數(shù)據(jù)的降維處理, 又保留了原光譜數(shù)據(jù)絕大部分的特征信息。然后將主成分代入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

BP神經(jīng)網(wǎng)絡(luò)模型是一種由輸入層、隱含層和輸出層組成的前向網(wǎng)絡(luò), 學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí), 輸入的樣本以S型傳遞函數(shù)從輸入層經(jīng)各神經(jīng)元按層處理, 通過隱含層再傳向輸出層。如果輸出層的實(shí)際輸出與期望輸出不符, 則轉(zhuǎn)入誤差反向傳播, 即將輸出誤差以某種形式通過隱含層向輸入層反傳, 并將誤差分?jǐn)偨o各層所有單元, 進(jìn)行權(quán)值修正, 從而使誤差信號(hào)趨于最小, 滿足預(yù)先設(shè)定的限差要求[16]。

以10個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入矢量, 隱含層節(jié)點(diǎn)數(shù)直接影響網(wǎng)絡(luò)的非線性預(yù)測(cè)性能, 采用“試錯(cuò)法”確定隱含層節(jié)點(diǎn)數(shù), 即嘗試不同值的對(duì)比, 獲得最佳節(jié)點(diǎn)數(shù), 類胡蘿卜素和葉綠素對(duì)應(yīng)模型的隱含層節(jié)點(diǎn)數(shù)分別為10、11。1個(gè)輸出層為水稻葉片色素含量。網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)為10 000, 訓(xùn)練目標(biāo)參數(shù)為0.001, 學(xué)習(xí)誤差為0.01。訓(xùn)練函數(shù)用L-M優(yōu)化算法函數(shù)Trainlm(圖3)。

1.4.4 色素光譜參數(shù)計(jì)算

參照已有的色素光譜參數(shù)計(jì)算方法, 選擇常用的、認(rèn)可度較高且與本研究相關(guān)的17個(gè)色素光譜指數(shù)(表2), 分別進(jìn)行了線性和非線性模型擬合, 挑選色素最佳估計(jì)模型。

采用擬合決定系數(shù)(2)、擬合均方根誤差(RMSEC)評(píng)價(jià)模型的建模精度; 估計(jì)決定系數(shù)(2)、估計(jì)均方根誤差(RMSEP)和相對(duì)分析誤差(RPD)評(píng)價(jià)模型的驗(yàn)證精度。2反映模型建立和驗(yàn)證的穩(wěn)定性,2越接近于1, 說明模型的穩(wěn)定性越好、擬合程度越高。RMSE和RPD用來評(píng)價(jià)模型的誤差和估計(jì)精度, RMSE值越小說明模型估算能力越好, RPD值大于1.4時(shí)說明模型可用, 大于2.0時(shí)模型非常優(yōu)異[17]。數(shù)據(jù)處理在Matlab 2010b中編程實(shí)現(xiàn)。

表2 常用估算水稻葉片色素含量的高光譜參數(shù)

為不同波長(zhǎng)下光譜反射率。is the reflectance of different wavelength.

均方根誤差(root mean square error):

相對(duì)分析誤差(relative percent deviation):

(2)

2 結(jié)果與分析

2.1 類胡蘿卜素、葉綠素的含量統(tǒng)計(jì)

建模集類胡蘿卜素含量均值和標(biāo)準(zhǔn)差分別為0.72mg·g-1和0.24 mg·g-1; 驗(yàn)證集類胡蘿卜素含量均值和標(biāo)準(zhǔn)差分別為0.71 mg·g-1和0.19 mg·g-1(表3)。建模集葉綠素含量均值和標(biāo)準(zhǔn)差分別為2.16 mg·g-1和0.79 mg·g-1; 驗(yàn)證集葉綠素含量均值和標(biāo)準(zhǔn)差分別為2.21 mg·g-1和0.66 mg·g-1(表3)。試驗(yàn)所劃分的建模集和驗(yàn)證集樣本均值差異較小, 標(biāo)準(zhǔn)差較低,兩者具有很好的相似性, 說明樣本的劃分滿足模型的構(gòu)建和檢驗(yàn)需要。

對(duì)各生育期不同施肥水平下的水稻葉片類胡蘿卜素和葉綠素含量進(jìn)行單因素方差分析, 結(jié)果表明水稻分蘗期到拔節(jié)期, 不同施肥水平處理下, 葉片類胡蘿卜素含量差異不顯著; 孕穗后葉片類胡蘿卜素開始有顯著性差異。水稻各生育期, 不同施氮處理下的葉片葉綠素含量差異顯著。同時(shí)類胡蘿卜素和葉綠素含量的總體變化趨勢(shì)一致, 即分蘗期到孕穗期含量逐漸增加, 到抽穗期有明顯減少的過程, 灌漿期的色素含量明顯低于其他各期(圖4)。水稻分蘗期到孕穗期, 葉片中的類胡蘿卜素和葉綠素含量逐漸增加, 孕穗前水稻植株處于營(yíng)養(yǎng)生長(zhǎng)階段, 葉片還在繼續(xù)發(fā)育, 類胡蘿卜素和葉綠素含量不斷增加。水稻孕穗期到灌漿期, 葉片中的類胡蘿卜素和葉綠素含量逐漸減少, 反映出水稻抽穗初期, 葉片內(nèi)的營(yíng)養(yǎng)物質(zhì)向穗部轉(zhuǎn)移, 類胡蘿卜素和葉綠素的合成減弱。而在灌漿時(shí)期, 葉片慢慢衰老變黃, 葉片作為光合器官的作用進(jìn)一步削弱, 合成的類胡蘿卜素和葉綠素越來減少。

表3 水稻樣本葉片色素含量的統(tǒng)計(jì)特征

2.2 各光譜指數(shù)反演模型的比較分析

2.2.1 光譜指數(shù)與色素含量相關(guān)性分析

分析色素含量與光譜參數(shù)的相關(guān)性發(fā)現(xiàn), 在全生育期, 所有光譜參數(shù)均與葉片類胡蘿卜素和葉綠素含量之間存在顯著相關(guān)關(guān)系, 一些與紅邊相關(guān)的光譜參數(shù), 如CTR2、PSSNRb等均與葉片類胡蘿卜素和葉綠素含量達(dá)到較好的相關(guān)性(0.7以上)。CTR2與類胡蘿卜素呈現(xiàn)顯著的負(fù)相關(guān), 相關(guān)系數(shù)達(dá)-0.77。PRI與葉綠素的含量相關(guān)性最大, 相關(guān)系數(shù)達(dá)0.8以上(表4)。葉片光化學(xué)指數(shù)PRI的定義為531 nm和570 nm處反射率的歸一化植被指數(shù), 這兩個(gè)波段位置的反射率受到葉黃素循環(huán)的影響并和葉片的光能利用率密切相關(guān)[28]。Filella等[29]指出葉片葉綠素含量和葉黃素含量之間有顯著的相關(guān)性, 葉綠素含量可以間接反映葉黃素的變化。而且植被光能利用率與葉綠素進(jìn)行光合作用的能力息息相關(guān), 因而能夠很好地估算葉綠素含量。

表4 高光譜特征參數(shù)與水稻葉片色素含量之間的相關(guān)系數(shù)分析(n=120)

各參數(shù)的意義見表2; *、**分別表示在0.05和0.01水平差異顯著。Meanings of parameters are shown in the Table 2. * and ** show significant correlation at 0.05 and 0.01 levels, respectively.

2.2.2 光譜指數(shù)對(duì)色素含量估計(jì)能力

應(yīng)用17種有代表性的光譜參數(shù), 在以擬合2最大的優(yōu)選原則基礎(chǔ)上, 構(gòu)造對(duì)類胡蘿卜素和葉綠素的最佳預(yù)測(cè)模型, 用來與BDA和BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立的水稻葉片色素含量估算模型進(jìn)行精度比較(表5, 表6)。結(jié)果表明類胡蘿卜素含量的光譜指數(shù)模型擬合度較好,2均在0.6附近, RMSE均相對(duì)較小, 而模型驗(yàn)證結(jié)果可行度差(2<0.50, RPD<1.4)。葉綠素光譜指數(shù)模型中, PRI、PSRI和SIPI擬合度和驗(yàn)證精度均較高(2>0.60, RPD>1.4), 可以用來估算葉綠素含量。其余光譜指數(shù)建模結(jié)果不理想, 模型的驗(yàn)證集精度不高, RMSEP較大, RPD較小。上述結(jié)果說明色素光譜指數(shù)模型不能很好地估算水稻葉片類胡蘿卜素含量, 而植被指數(shù)如PRI、PSRI和SIPI使用了與葉綠素作用相關(guān)的藍(lán)紅光吸收和綠峰相對(duì)反射的波段, 可以較好地估算葉片葉綠素含量。

表5 水稻葉片類胡蘿卜素含量(Cars)與高光譜參數(shù)的線性與非線性回歸模型

各參數(shù)的意義見表2。Meanings of parameters are shown in the Table 2.

表6 水稻葉片總?cè)~綠素含量(Chl)與高光譜參數(shù)的線性與非線性回歸模型

各參數(shù)的意義見表2。Meanings of parameters are shown in the Table 2.

2.2.3 各光譜指數(shù)對(duì)不同色素含量樣本的飽和現(xiàn)象分析

圖5顯示了類胡蘿卜含量與估算精度較高的CTR2、PSSNRa、PSSNRb的散點(diǎn)關(guān)系以及葉綠素含量與估算精度高的PRI、PSRI、SIPI的散點(diǎn)關(guān)系。當(dāng)類胡蘿卜素含量大于0.8 mg·g-1時(shí), CTR2、PSSNRa、PSSNRb與類胡蘿卜素含量的散點(diǎn)分布呈現(xiàn)隨機(jī)性; 當(dāng)葉綠素含量大于2 mg·g-1時(shí), PRI、PSRI、SIPI與葉綠素含量的散點(diǎn)分布也呈現(xiàn)不規(guī)律變化, 即色素含量增加到一定程度, 高光譜參數(shù)不能有規(guī)律地反映葉綠素含量的變化, 表現(xiàn)出上下浮動(dòng)的平穩(wěn)性。通過散點(diǎn)圖確定變化的拐點(diǎn), 將類胡蘿卜素含量分為2個(gè)子集(子集Ⅰ: 類胡蘿卜素含量小于0.8 mg·g-1, 為中低含量樣本集; 子集Ⅱ: 類胡蘿卜素含量大于0.8 mg·g-1, 為高含量樣本集), 葉綠素含量分為2個(gè)子集(子集Ⅰ: 葉綠素含量小于2 mg·g-1, 為中低含量樣本集; 子集Ⅱ: 葉綠素含量大于2 mg·g-1, 為高含量樣本集)。然后在子集中隨機(jī)選取40個(gè)樣本, 分別進(jìn)行類胡蘿卜素含量、葉綠素含量的預(yù)測(cè), 并以預(yù)測(cè)結(jié)果的RMSE作為評(píng)價(jià)指標(biāo)。若光譜指數(shù)對(duì)色素含量不同的樣本具有良好的預(yù)測(cè)能力, 則各子集的RMSE應(yīng)趨于一致。

各參數(shù)的意義見表2。Meanings of parameters are shown in the Table 2.

根據(jù)CTR2、PSSNRa、PSSNRb估算類胡蘿卜素含量并利用PRI、PSRI、SIPI估算葉綠素含量預(yù)測(cè)結(jié)果的RMSE值可知(表7), 當(dāng)色素含量高時(shí), RMSE值越大, 對(duì)高含量樣本預(yù)測(cè)精度相對(duì)較低, 存在飽和現(xiàn)象。其中與類胡蘿卜素相關(guān)系數(shù)最好的CTR2和與葉綠素相關(guān)系數(shù)最好的PRI對(duì)不同樣本含量預(yù)測(cè)精度均高于其他指數(shù)。

2.3 BDA與BP結(jié)合的色素含量估算

表8顯示BDA與BP結(jié)合在建模和驗(yàn)證時(shí)均較大程度地提高了水稻葉片色素含量估算精度, 能較好地克服飽和問題。對(duì)于類胡蘿卜素的預(yù)測(cè), BD、BDR、BNA的驗(yàn)證效果所得到的2、RPD均高于原始波段的驗(yàn)證效果, RMSE則低于原始波段驗(yàn)證的對(duì)應(yīng)值(圖6, 圖7), 說明BDA的反演精度要優(yōu)于原始波段, 能夠更好地挖掘與色素關(guān)系密切的信息。BD與BP結(jié)合的模型建模集2最大, 驗(yàn)證集2為0.61, 雖然比BNA與BP結(jié)合的模型驗(yàn)證2略小, 但有最小的RMSEP和最大的RPD(達(dá)1.67), 所以BD與BP結(jié)合的模型能夠較好地估算水稻葉片類胡蘿卜素含量。對(duì)于葉綠素的預(yù)測(cè), BDA的驗(yàn)證效果所得到的2、RPD均高于原始波段的驗(yàn)證效果, RMSE則低于原始波段驗(yàn)證的對(duì)應(yīng)值, 說明BDA比原始波段能夠更好地預(yù)測(cè)葉綠素含量。BNA與BP結(jié)合的模型建模集2最大, 驗(yàn)證集2為0.73, 雖然比BD與BP結(jié)合的模型驗(yàn)證2略小, 差異不大, 但有最小的RMSEP和最大的RPD(達(dá)1.91), 所以BNA與BP結(jié)合的模型能夠較好地估算水稻葉片總?cè)~綠素含量。

表7 光譜指數(shù)對(duì)水稻葉片不同色素含量樣本子集預(yù)測(cè)結(jié)果的均方根誤差

表8 BDA與BP結(jié)合的模型估算水稻葉片類胡蘿卜素和葉綠素含量的效果

各參數(shù)的意義見表2。Meanings of parameters are shown in the Table 2.

與基于光譜參數(shù)建立的最佳回歸模型相比, BDA與BP結(jié)合建立的模型均較大程度地提高了水稻葉片色素含量的估算精度。對(duì)比類胡蘿卜素和葉綠素的估算模型, 葉綠素的估算模型精度均高于類胡蘿卜素的模型精度, 由于類胡蘿卜素和葉綠素的吸收峰所處波段重疊, 且葉片中葉綠素含量遠(yuǎn)高于類胡蘿卜素含量, 因此類胡蘿卜素含量的估算較為困難。

3 結(jié)論與討論

本研究為了解決高光譜植被指數(shù)反演水稻葉片色素含量存在的飽和問題, 嘗試將波段深度分析與BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立水稻葉片色素含量估算模型。并與17種光譜參數(shù)分別建立的模型進(jìn)行了精度比較。

研究表明, 進(jìn)行連續(xù)統(tǒng)去除變換后, 更加突出了水稻葉片的吸收特征的差異, 挖掘了更多的潛在信息, 使得不同色素含量光譜曲線的差異性特征得到一定程度上的增強(qiáng), 尤其是紅吸收谷區(qū)域的波段深度特征蘊(yùn)藏了較多與水稻葉片色素含量相關(guān)的信息, 能夠更好地估算水稻葉片色素含量[6]。主要原因可能是波段深度分析處理可以有效減弱土壤背景、大氣散射和吸收對(duì)目標(biāo)光譜特征的影響。Kokaly等[13]指出, 波段深度分析方法可以降低土壤背景和大氣吸收的影響, 有效估算出葉片的生化參數(shù)。Mutanga等[12]表明, 波段深度分析可以解決現(xiàn)有指數(shù)的飽和問題, 能夠估算高密度植被區(qū)域的生物量。

大量研究結(jié)果表明, 由于受天氣、日照、葉片幾何結(jié)構(gòu)、土壤背景、人為操作等因素的影響, 植被的生理生化參量與冠層光譜的關(guān)系是非線性的[30-31]。而神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜且非線性問題的擬合有著極大的優(yōu)勢(shì), 能夠很好的預(yù)測(cè)非線性函數(shù)逼近等問題, 成為當(dāng)前解決非線性問題的重要方法。

植被指數(shù)在色素含量較高時(shí)存在飽和問題, 構(gòu)建植被指數(shù)與水稻葉片色素含量的最佳回歸模型估算精度不高。馬文勇等[32]通過植被指數(shù)反演草地葉綠素, 結(jié)果表明光譜指數(shù)構(gòu)造形式多樣, 且與草地葉綠素含量關(guān)系復(fù)雜, 在一定程度上影響葉綠素的估算精度。姜海玲等[33]通過地面高光譜數(shù)據(jù)重采樣模擬不同傳感器, 利用光譜指數(shù)反演植被葉綠素含量, 指出不同傳感器的光譜指數(shù)估算精度和穩(wěn)定性均不同。本文將波段深度分析與BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立的水稻葉片色素含量模型能較好地解決飽和問題, 針對(duì)植被指數(shù)所囊括的波段具有一定的局限性, 能夠?qū)崿F(xiàn)不同波段之間的優(yōu)勢(shì)互補(bǔ), 提高估算精度。

通過對(duì)可見光波段數(shù)據(jù)的波段深度分析, 利用主成分分析進(jìn)行降維, 有效保留了信息, 增強(qiáng)了網(wǎng)絡(luò)性能, 防止過度擬合, 提高了色素含量反演精度。然而本文只針對(duì)單一品種和小區(qū)試驗(yàn)條件下, 尚需要通過不同地區(qū)和品種類型等田間試驗(yàn)做進(jìn)一步的驗(yàn)證和完善, 輻射傳輸模型更具有普適性, 仍需我們開展相關(guān)研究, 建立經(jīng)驗(yàn)-物理耦合模型[34], 進(jìn)一步提高模型估算的準(zhǔn)確性和適用性。同時(shí), 在更大尺度、更廣范圍內(nèi)實(shí)現(xiàn)所構(gòu)建模型與空間遙感信息的結(jié)合, 可為大區(qū)域估算水稻葉片色素含量提供理論依據(jù)和實(shí)踐參考。

[1] 唐延林, 黃敬峰, 王人潮. 水稻不同發(fā)育時(shí)期高光譜與葉綠素和類胡蘿卜素的變化規(guī)律[J]. 中國(guó)水稻科學(xué), 2004, 18(1): 59–66 Tang Y L, Huang J F, Wang R C. Change law of hyperspectral data with chlorophyll and carotenoid for rice at different developmental stages[J]. Chinese Journal of Rice Science, 2004, 18(1): 59–66

[2] 王福民, 黃敬峰, 王秀珍. 水稻葉片葉綠素、類胡蘿卜素含量估算的歸一化色素指數(shù)研究[J]. 光譜學(xué)與光譜分析, 2009, 29(4): 1064–1068 Wang F M, Huang J F, Wang X Z. Normalized difference ratio pigment index for estimating chlorophyll and carotenoid contents in leaves of rice[J]. Spectroscopy and Spectral Analysis, 2009, 29(4): 1064–1068

[3] Blackburn G A. Relationships between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves[J]. Remote Sensing of Environment, 1999, 70(2): 224–237

[4] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2/3): 337–354

如圖1所示，寬甸縣的年平均氣溫隨時(shí)間的變化呈現(xiàn)周期變化，曲線的峰值分別出現(xiàn)在1989、1994、1998、2004、2007、2014年，曲線的谷值分別出現(xiàn)在1988、1993、1996、2001、2005、2010、2012年，1998年（8.5 ℃）的最高值與2012年（6.8℃）的最低值相差1.7℃。

[5] Datt B. Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a+b, and total carotenoid content in eucalyptus leaves[J]. Remote Sensing of Environment, 1998, 66(2): 111–121

[6] Lichtenthaler H K, Gitelson A, Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements[J]. Journal of Plant Physiology, 1996, 148(3/4): 483–493

[7] Gitelson A A, Merzlyak M N, Lichtenthaler H K. Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm[J]. Journal of Plant Physiology, 1996, 148(3/4): 501–508

[8] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves[J]. International Journal of Remote Sensing, 1997, 18(12): 2691–2697

[9] 姚付啟, 張振華, 楊潤(rùn)亞, 等. 基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(S2): 123–129 Yao F Q, Zhang Z H, Yang R Y, et al. Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter[J]. Transactions of the CSAE, 2009, 25(S2): 123–129

[10] 黃敬峰, 王福民, 王秀珍. 水稻高光譜遙感實(shí)驗(yàn)研究[M]. 杭州: 浙江大學(xué)出版社, 2010 Huang J F, Wang F M, Wang X Z. Hyperspectral Experiment for Paddy Rice Remote Sensing[M]. Hangzhou: Zhejiang University Press, 2010

[11] Mutanga O, Skidmore A K. Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa[J]. Remote Sensing of Environment, 2004, 90(1): 104–115

[13] Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression[J]. Remote sensing of Environment, 1999, 67(3): 267–287

[14] Chen J, Gu S, Shen M G, et al. Estimating aboveground biomass of grassland having a high canopy cover: An exploratory analysis ofhyperspectral data[J]. International Journal of Remote Sensing, 2009, 30(24): 6497–6517

[15] 黃秋嬋, 韋友歡, 韋方立, 等. 常見夾竹桃科植物葉片顏色及類胡蘿卜素含量的比較分析[J]. 安徽農(nóng)業(yè)科學(xué), 2011, 39(25): 15203–15204Huang Q C, Wei Y H, Wei F L, et al. The comparative analysis of leaf color and carotenoids content of the common apocynaceae plants[J]. Journal of Anhui Agricultural Science, 2011, 39(25): 15203–15204

[16] 賈方方, 張黎明, 任天寶, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的煙草葉片質(zhì)體色素高光譜反演[J]. 煙草科技, 2016, 49(7): 8–13 Jia F F, Zhang L M, Ren T B, et al. Hyperspectral inversion to estimate plastid pigment contents in tobacco leaves based on BP neural network[J]. Tobacco Science &Technology, 2016, 49(7): 8–13

[17] Wang S Q, Li W D, Li J, et al. Prediction of soil texture using FT-NIR spectroscopy and PXRF spectrometry with data fusion[J]. Soil Science, 2013, 178(11): 626–638

[18] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286–292

[19] Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273–285

[20] Carter G A. Ratios of leaf reflectances in narrow wavebands as indicators of plant stress[J]. International Journal of Remote Sensing, 1994, 15(3): 697–703

[21] Rouse Jr J W, Haas R H, Deering D W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[R]. Greenbelt, MD, USA: NASA/GSFC, 1974

[22] 朱西存, 趙庚星, 王瑞燕, 等. 蘋果葉片的高光譜特征及其色素含量監(jiān)測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2010, 43(6): 1189–1197 Zhu X C, Zhao G X, Wang R Y, et al. Hyperspectral characteristics of apple leaves and their pigment contents monitoring[J]. Chinese Journal of Rice Science, 2010, 43(6): 1189–1197

[23] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229–239

[24] Gamon J A, Pe?uelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 35–44

[25] Merzlyak M N, Gitelson A A, Chivkunova O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): 135–141

[26] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289–298

[27] Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2): 221–230

[28] 薛惠云, 張永江, 劉連濤, 等. 干旱脅迫與復(fù)水對(duì)棉花葉片光譜、光合和熒光參數(shù)的影響[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2013, 46(11): 2386–2393 Xue H Y, Zhang Y J, Liu L T, et al. Responses of spectral reflectance, photosynthesis and chlorophyll fluorescence in cotton during drought stress and rewatering[J]. Scientia Agricultura Sinica, 2013, 46(11): 2386–2393

[29] Filella I, Porcar-Castell A, Munné-Bosch S, et al. PRI assessment of long-term changes in carotenoids/chlorophyll ratio and short-term changes in de-epoxidation state of the xanthophyll cycle[J]. International Journal of Remote Sensing, 2009, 30(17): 4443–4455

[30] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies[J]. Remote Sensing of Environment, 2001, 76(3): 349–359

[31] 楊可明, 孫陽(yáng)陽(yáng), 劉飛, 等. 葉綠素含量BP反演模型的光譜信息輸入因子構(gòu)建研究[J]. 科學(xué)技術(shù)與工程, 2015, 15(15): 82–87 Yang K M, Sun Y Y, Liu F, et al. Research on constructing the input factors of BP model for inversing leaf chlorophyll content based on the spectral information[J]. Science Technology and Engineering, 2015, 15(15): 82–87

[32] 馬文勇, 王訓(xùn)明. 基于高光譜分析的草地葉綠素含量估算研究進(jìn)展[J]. 地理科學(xué)進(jìn)展, 2016, 35(1): 25–34 Ma W Y, Wang X M. Progress on grassland chlorophyll content estimation by hyperspectral analysis[J]. Progress in Geography, 2016, 35(1): 25–34

[33] 姜海玲, 楊杭, 陳小平, 等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J]. 光譜學(xué)與光譜分析, 2015, 35(4): 975–981 Jiang H L, Yang H, Chen X P, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method[J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 975–981

[34] 徐晉, 蒙繼華. 農(nóng)作物葉綠素含量遙感估算的研究進(jìn)展與展望[J]. 遙感技術(shù)與應(yīng)用, 2016, 31(1): 74–85 Xu J, Meng J H. Overview on estimating crop chlorophyll content with remote sensing[J]. Remote Sensing Technology and Application, 2016, 31(1): 74–85

Hyperspectral estimation of rice pigment content based on band depth analysis and BP neural network*

ZHENG Wen1, MING Jin1, YANG Mengke1, ZHOU Siwei1, WANG Shanqin1,2**

(1. College of Resources and Environment, Huazhong Agricultural University, Wuhan 430070, China; 2. Key Laboratory of Arable Land Conservation in Middle and Lower Reaches of Yangtze River, Ministry of Agriculture, Wuhan 430070, China)

The estimation accuracy of plant pigment content is low under higher pigment content since conventional vegetation indices tend to be less sensitive to the variance of pigment content. In order to improve estimation accuracy of rice carotenoid and chlorophyll contents with canopy reflectance during all growth stage, we explore the feasibility and effectiveness of combining the band depth analysis (BDA) and back propagation (BP) neural network to solve the problem of vegetation index saturation. With canopy hyperspectral data (400?750 nm), four band indices — band depth (BD), band depth ratio (BDR), normalized band depth index (NBDI) and band depth normalized to band area (BNA) — were calculated via continuum removal processing. Principal component analysis (PCA) was used to reduce the dimensions of hyperspectral data, and determined 10 principle components, which were introduced into BP neutral network as input variables. In the study, canopy hyperspectral reflectance and pigment content measurements were conducted in Meichuan Town of Hubei Province, China. Eight treatments of nitrogen fertilization (0, 45, 82.5, 127.5, 165, 210, 247.5 and 292.5 kg?hm-2) were applied to generate various indices of vegetation and pigment content. Linear and nonlinear regression models were used to quantitatively analyze the vegetation indices and measured pigment content. In addition, coefficient of determination (2) and root mean square error (RMSE) were used to evaluate the models. All the hyperspectral indices were comparatively analyzed. As a result, BDA showed the differences in spectral absorption characteristics and revealed more potential information to enhance spectral difference. The estimation model combined band index BD and BP had the highest estimation accuracy for carotenoid content in rice leaves, with2= 0.61 and RMSE = 0.128 mg×g-1; while the estimation model combined band index BNA and BP had the highest estimation accuracy for chlorophyll content in rice leaves, with2= 0.73 and RMSE = 0.343 mg×g-1. Further comparison between BDA & BP models with the best regression model for vegetation index indicated that BP neutral network model based on BDA provided a better solution to saturation problem and a higher estimation precision of rice leaf pigment content.

Hyperspectral; Rice; Pigment; Vegetation index; Band depth analysis; Principal component analysis; Back propagation neural network

10.13930/j.cnki.cjea.170112

S127

A

1671-3990(2017)08-1224-12

* 國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2013AA102401-3)資助

**通訊作者:汪善勤, 主要研究方向?yàn)檗r(nóng)業(yè)遙感和數(shù)字土壤。E-mail: sqwang@mail.hzau.edu.cn

鄭雯, 研究方向?yàn)檗r(nóng)業(yè)遙感。E-mail: trista_only@126.com

2017-02-10 接受日期: 2017-03-30

* This study was supported by the National High-tech R&D Program of China (863 Program) (2013AA102401-3).

, E-mail: sqwang@mail.hzau.edu.cn

Feb. 10, 2017; accepted Mar. 30, 2017

鄭雯, 明金, 楊孟克, 周四維, 汪善勤. 基于波段深度分析和BP神經(jīng)網(wǎng)絡(luò)的水稻色素含量高光譜估算[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2017, 25(8): 1224-1235

Zheng W, Ming J, Yang M K, Zhou S W, Wang S Q. Hyperspectral estimation of rice pigment content based on band depth analysis and BP neural network[J]. Chinese Journal of Eco-Agriculture, 2017, 25(8): 1224-1235