冬小麥葉片光合特征高光譜遙感估算模型的比較研究

張卓，龍慧靈，王崇倡，楊貴軍

?

冬小麥葉片光合特征高光譜遙感估算模型的比較研究

張卓1,2,3,4，龍慧靈1,2,3，王崇倡4，楊貴軍1,2,3

（1北京農(nóng)業(yè)信息技術(shù)研究中心/農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京 100097；2國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097；4遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院，遼寧阜新 123000）

【目的】光合作用是農(nóng)作物產(chǎn)量和品質(zhì)形成的基礎(chǔ)，農(nóng)作物光合參數(shù)的準(zhǔn)確定量遙感反演不僅能夠了解農(nóng)作物的生長(zhǎng)發(fā)育和有機(jī)物累積狀況，還能為基于遙感的生態(tài)系統(tǒng)過(guò)程模型提供參考。為快速準(zhǔn)確的估算光合特征參量，本研究綜合原始光譜、3種傳統(tǒng)光譜變換技術(shù)和4種模擬方法構(gòu)建冬小麥3種光合參數(shù)的高光譜反演模型，探討高光譜反演冬小麥光合參數(shù)的可行性，對(duì)比不同類別光譜和模擬方法的適用性。【方法】本研究基于氮肥施用條件冬小麥氣體交換和高光譜田間試驗(yàn)，獲取不同葉位葉片的最大凈光合速率（Amax）、PSⅡ有效光化學(xué)量子產(chǎn)量（Fv′/Fm′）、光化學(xué)猝滅系數(shù)（qP）和高光譜反射率，并對(duì)原始高光譜進(jìn)行倒數(shù)、對(duì)數(shù)和一階微分變換。根據(jù)3種光合參數(shù)和4種光譜的相關(guān)性分析結(jié)果，篩選顯著性水平優(yōu)于0.01的波段作為輸入變量，采用偏最小二乘（PLS）、支持向量機(jī)（SVM）、多元線性回歸（MLR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等方法建立冬小麥葉片光合參量反演模型，以建模和驗(yàn)證的決定系數(shù)（2）和均方根誤差（）為依據(jù)，對(duì)不同模型的模擬精度進(jìn)行比較分析。【結(jié)果】（1）3種光合參數(shù)和4種光譜的相關(guān)性分析結(jié)果表明，原始、倒數(shù)和對(duì)數(shù)光譜對(duì)3種光合參數(shù)（Amax、Fv′/Fm′和qP）的敏感譜區(qū)均集中在400—750 nm波譜區(qū)間，一階導(dǎo)數(shù)光譜對(duì)3個(gè)光合參數(shù)的敏感譜區(qū)為470—560、630—700和700—770 nm波譜區(qū)間。（2）Amax、Fv′/Fm′和qP的最優(yōu)反演模型組合分別為基于倒數(shù)光譜的MLR模型、基于一階導(dǎo)數(shù)光譜的MLR模型和基于原始光譜的MLR模型。模型的建模2分別為0.75、0.65和0.65，驗(yàn)證2分別為0.73、0.59和0.44，表明基于高光譜模擬Amax和Fv′/Fm′切實(shí)可行，模擬qP的有效性需要進(jìn)一步驗(yàn)證。（3）不同變換的光譜表現(xiàn)能力不同，以PLS模擬Amax為例，光譜的表現(xiàn)能力順序?yàn)樵脊庾V＞倒數(shù)光譜＞對(duì)數(shù)光譜＞一階導(dǎo)數(shù)光譜。（4）不同模型的估算能力也存在明顯差異，以基于原始光譜的Amax模擬為例，不同模型的估算能力順序?yàn)镸LR＞PLS＞ANN＞SVM。【結(jié)論】通過(guò)對(duì)比分析4種光譜和4種模擬方法對(duì)3種冬小麥光合參數(shù)的高光譜反演結(jié)果發(fā)現(xiàn)，Amax和Fv′/Fm′可以很好通過(guò)高光譜進(jìn)行模擬，而高光譜對(duì)qP解釋能力偏低，有待進(jìn)一步研究。高光譜信息對(duì)冬小麥光合參量具有較強(qiáng)的敏感性，同時(shí)受光譜類型和模擬方法的影響，可以用來(lái)監(jiān)測(cè)冬小麥光合能力的動(dòng)態(tài)變化，為把握農(nóng)作物生長(zhǎng)狀況提供依據(jù)。

光合參量；偏最小二乘；支持向量機(jī)；多元線性回歸；神經(jīng)網(wǎng)絡(luò)；高光譜

0 引言

【研究意義】光合作用是地球上最重要的化學(xué)反應(yīng)，更是作物能量代謝和產(chǎn)物形成的基礎(chǔ)，占有十分重要的地位[1]。作物光合能力有效監(jiān)測(cè)對(duì)于深入理解農(nóng)田生態(tài)系統(tǒng)碳交換和產(chǎn)量形成過(guò)程具有重要的作用[2]。傳統(tǒng)作物光合作用監(jiān)測(cè)技術(shù)以氣體交換，或是以群體尺度干物質(zhì)累積量的觀測(cè)為基礎(chǔ)，大都耗時(shí)費(fèi)力，空間代表性差[3]。近年來(lái)，隨著遙感技術(shù)的發(fā)展，為作物生理生化參數(shù)定量監(jiān)測(cè)帶來(lái)了更多的可能性，以遙感手段輔助農(nóng)作物光合參數(shù)的定量監(jiān)測(cè)也得到了越來(lái)越深入的研究與應(yīng)用?！厩叭搜芯窟M(jìn)展】近年來(lái)基于高光譜反演光合參數(shù)已成為研究熱點(diǎn)。Dechant等[4]基于葉片反射光譜，利用偏最小二乘模型估算光合特征參量最大羧化率（Vcmax,25）、最大電子傳導(dǎo)速率（Jmax,25）、葉面積（LMA）和單位面積含氮量（Na），并得到了較好的精度。呂瑋等[5]基于冬小麥高光譜反射率的一階倒數(shù)，利用二次多項(xiàng)式逐步回歸、偏最小二乘和BP神經(jīng)網(wǎng)絡(luò)3種方法構(gòu)建旗葉凈光合速率反演模型，發(fā)現(xiàn)3種模型對(duì)模擬凈光合速率都是可行的。王娣等[6]采用9種常用植被指數(shù)，構(gòu)建線性模型、對(duì)數(shù)模型和指數(shù)模型，反演武漢市常見4種葉片的凈光合速率，結(jié)果證明利用高光譜植被指數(shù)反演葉片凈光合速率是可行的。張峰等[7]基于玉米冠層反射率對(duì)光合能力參數(shù)和光合效率參數(shù)進(jìn)行了多光譜遙感反演能力研究，結(jié)果表明基于兩波段組合的植被指數(shù)NDVI、WDRVI、EVI2和CI中EVI2對(duì)冠層光合速率與光合能力參數(shù)的反演結(jié)果最佳。Serbin等[8]利用冠層成像光譜和葉片尺度的光合觀測(cè)數(shù)據(jù)，對(duì)冠層尺度上光合能力進(jìn)行了估算?！颈狙芯壳腥朦c(diǎn)】已有研究大都針對(duì)單一光合參數(shù)和單一模擬方法開展工作，鮮有考慮光譜變換方法和模擬方法對(duì)不同光合參數(shù)的適用性，本文擬通過(guò)綜合對(duì)比分析不同光譜變換方法和不同模擬方法在不同光合參數(shù)高光譜模擬上的適用性。【擬解決的關(guān)鍵問(wèn)題】本研究以實(shí)測(cè)的冬小麥葉片氣體交換和光譜數(shù)據(jù)為基礎(chǔ)，選取3種常用的光合作用參數(shù)——最大凈光合速率（Amax）、PSⅡ有效光化學(xué)量子產(chǎn)量（Fv′/Fm′）和光化學(xué)猝滅系數(shù)（qP），綜合原始光譜、3種傳統(tǒng)光譜變換技術(shù)（倒數(shù)、對(duì)數(shù)和一階微分）和4種模擬方法（PLS、SVM、MLR和ANN）構(gòu)建冬小麥光合參數(shù)的高光譜反演模型，深入分析不同光合參量的光譜模擬可行性及不同模型的適用性。

1 材料與方法

1.1 研究區(qū)概況

本試驗(yàn)于冬小麥拔節(jié)期、挑旗期和灌漿期（2018年4—6月）在北京市昌平區(qū)小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地（北緯40°00′—40°21′，東經(jīng)116°34′—117°00′，海拔高度36 m）進(jìn)行，該地區(qū)以亞濕潤(rùn)大陸季風(fēng)氣候?yàn)橹?，年平均降雨?08 mm，年平均氣溫13°C。前茬作物為玉米，土壤類型為潮土，0—0.3 m土層中銨態(tài)氮含量10.02—12.32 mg·kg-1；有機(jī)質(zhì)含量15.84—20.62 g·kg-1；硝態(tài)氮含量3.16—14.82 mg·kg-1；速效鉀含量86.83—120.62 mg·kg-1；有效磷磷含量3.14—21.18 mg·kg-1。冬小麥播種時(shí)間為10月，收獲時(shí)間為6月，種植的冬小麥品種為京東18，試驗(yàn)設(shè)置4個(gè)施氮水平，分別為無(wú)氮處理N0（無(wú)尿素）、缺氮處理N1（195 kg·hm-2尿素）、正常氮處理N2（390 kg·hm-2尿素）、過(guò)量氮處理N3（585 kg·hm-2尿素），每個(gè)處理3次重復(fù)，基肥：拔節(jié)追肥=1﹕1。每個(gè)小區(qū)面積為135 m2（15 m×9 m），分別在拔節(jié)期、挑旗期和灌漿期進(jìn)行冬小麥葉片光合作用和反射率光譜測(cè)定。

1.2 光合數(shù)據(jù)獲取

在設(shè)置的12個(gè)小區(qū)內(nèi)，選取不同葉齡和光照條件的葉片，采用LI-6800便攜式光合儀測(cè)量冬小麥葉片的氣體交換和葉綠素?zé)晒狻Ｔ搩x器配備熒光葉室，可同時(shí)完成氣體交換與葉綠素?zé)晒鈪?shù)的測(cè)量。本研究選取3種能反映光適應(yīng)條件下光合作用強(qiáng)度的參數(shù)作為主要研究對(duì)象，包括葉片最大凈光合速率（Amax）、PSⅡ有效光化學(xué)量子產(chǎn)量（Fv′/Fm′）和光化學(xué)猝滅系數(shù)（qP）。Amax是指植物光合作用積累的有機(jī)物，是總光合速率與呼吸速率的差值，本文中所用的Amax是利用FARQUHAR等人1980年提出的光合光響應(yīng)模型——非矩形雙曲線模型（NRHM）對(duì)實(shí)測(cè)光合-光響應(yīng)數(shù)據(jù)進(jìn)行擬合得到的[9]；Fv′/Fm′是由DEMMING等人1996年提出的，利用其來(lái)估計(jì)光合機(jī)構(gòu)吸收的光能被用于光化學(xué)反應(yīng)和天線的熱耗散的相對(duì)分額[10]；qP是PSⅡ反映中心中開放的反應(yīng)中心所占比例的指標(biāo)，也是捕獲的光子能量用于光化學(xué)反應(yīng)能力的指標(biāo)[1]。

1.3 葉片光譜數(shù)據(jù)獲取

葉片光合測(cè)量結(jié)束后，將所測(cè)冬小麥整株帶回試驗(yàn)室測(cè)量葉片光譜，葉片光譜測(cè)量采用美國(guó)ASD（analytical spectral devices）公司Fieldspec FR2500型野外光譜輻射譜儀和葉片夾（ASD leaf clip）進(jìn)行測(cè)定。光譜儀波段范圍350—2 500 nm，其中光譜分辨率在350—1 000 nm內(nèi)間隔為3 nm，在1 000—2 500 nm內(nèi)間隔為10 nm，在350—1 000 nm范圍內(nèi)采樣間隔為1.4 nm，在1 000—2 500 nm 范圍內(nèi)采樣間隔為2 nm。葉片夾帶有內(nèi)部光源，可以保證不同葉片的光照條件一致和試驗(yàn)結(jié)果不受光照影響。測(cè)量之前先用葉片夾自帶的標(biāo)準(zhǔn)白板進(jìn)行校正并記錄白板的輻亮度值，每片葉片用黑板夾住中間位置測(cè)定其輻亮度值（RAD），每個(gè)葉片測(cè)量10次然后求其平均值，計(jì)算光譜反射率。

反射率計(jì)算公式表達(dá)為：

R=RAD1/RAD2×R1（1）

式中，R為冠層反射率，R1為參考板反射率，RAD1為測(cè)得的冬小麥的輻照度值，RAD2為參考板的輻照度值。

1.4 光合參量高光譜模擬方法

首先對(duì)冬小麥葉片光譜進(jìn)行基本變換，分別計(jì)算光譜的倒數(shù)、光譜的對(duì)數(shù)和光譜的一階微分。然后分析原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜和各個(gè)光合參量（Amax、Fv′/Fm′和qP）的相關(guān)性。由于波長(zhǎng)1 350—2 500 nm是葉片水分主導(dǎo)，本文重點(diǎn)分析350—1 350 nm波段，相關(guān)性分析結(jié)果用相關(guān)系數(shù)來(lái)評(píng)定，每個(gè)光合參量相關(guān)系數(shù)滿足0.01顯著性水平的波段范圍作為敏感波段。最后將選擇的敏感波長(zhǎng)所對(duì)應(yīng)的原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜分別作為自變量，采用MLR、ANN、PLS和SVM 4種方法對(duì)3種光合特征參量進(jìn)行模擬。其中，PLS是新型的多元統(tǒng)計(jì)數(shù)據(jù)分析方法，能夠同時(shí)實(shí)現(xiàn)回歸建模和數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)化，是多元線性回歸分析、典型相關(guān)分析和主成分分析的結(jié)合[11]。SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，由Vladimir Vapnik開發(fā)出來(lái)的用于分類或回歸的機(jī)器學(xué)習(xí)算法，包括線性回歸和非線性回歸，本研究使用支持向量機(jī)線性回歸功能[12]。MLR是基于多個(gè)自變量對(duì)因變量進(jìn)行解釋的回歸方法，利用線性回歸方程的最小平方函數(shù)對(duì)多個(gè)自變量和因變量之間的關(guān)系進(jìn)行建模，這種最小平方函數(shù)是多個(gè)稱為回歸系數(shù)的模型參數(shù)的線性組合[13]。ANN回歸是基于梯度學(xué)習(xí)的方法，它是一個(gè)非參數(shù)非線性模型，利用神經(jīng)網(wǎng)絡(luò)在層間傳播，模擬人腦接收器和信息處理[14]。其中建模樣本48個(gè)，驗(yàn)證樣本24個(gè)。

1.5 精度評(píng)價(jià)

分別用決定系數(shù)2、均方根誤差（）來(lái)評(píng)價(jià)各個(gè)模型的精度。較大的2值對(duì)應(yīng)較小的可視為模擬結(jié)果具有更高的精度。2表示相關(guān)的密切程度，是用來(lái)衡量估值與真值之間的偏差程度，越小表示偏差越小。

2、計(jì)算公式表達(dá)為[15]：

2 結(jié)果

2.1 不同光譜特征與光合特征參量的相關(guān)性分析

原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜與Amax、Fv′/Fm′和qP相關(guān)性結(jié)果分別如圖1—3所示，挑選出光譜與光合參量相關(guān)系數(shù)滿足＞0.01等級(jí)置信區(qū)間的敏感波譜區(qū)間，不同光譜類型與光合參量的相關(guān)性大小不同，最終結(jié)果如表1所示。原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階微分對(duì)Amax的敏感譜區(qū)分別集中在399—737、400—727、399—737 nm和470—552、678—701、711—764 nm；對(duì)Fv′/Fm′的敏感譜區(qū)分別為431—724、442—720、435—722 nm和480—551、631—673、709—765 nm；對(duì)qP的敏感譜區(qū)分別為459—718、485—710、466—714 nm和480—522、632—673、710—758 nm。

a：原始光譜，b：倒數(shù)光譜，c：對(duì)數(shù)光譜，d：一階導(dǎo)數(shù)光譜；圖中直線表示0.01等級(jí)顯著性水平。下同

圖2 原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜與PSⅡ有效光化學(xué)量子產(chǎn)量Fv′/Fm′相關(guān)性

圖3 原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜與光化學(xué)猝滅系數(shù)qP相關(guān)性

2.2 光合特征參量估算結(jié)果分析

2.2.1 光合特征參量估算模型自變量的選取 根據(jù)圖1—3和表1中的敏感波譜信息，在＞0.01的顯著性水平波譜區(qū)間內(nèi)，選取MLR模型的輸入變量，綜合考慮相關(guān)性的大小和所用光譜的光譜分辨率，選擇12個(gè)波段為MLR模型輸入的自變量。ANN、SVM和PLS模型在滿足＞0.01顯著性水平的波譜區(qū)間內(nèi)的所有波段作為輸入變量。PLS方法模擬3種光合參量主成分選擇的個(gè)數(shù)不同，不同主成分個(gè)數(shù)模擬精度不同，本文綜合考慮模擬精度和總方差解釋百分比確定主成分個(gè)數(shù)。

2.2.2 光合特征參量模擬結(jié)果分析 分別采用MLR、ANN、PLS和SVM 4種方法對(duì)3種光合特征參量進(jìn)行模擬，模擬結(jié)果如表2所示。根據(jù)表2中3種光合參量基于4種光譜類型的模擬結(jié)果，從每個(gè)參量的每種模擬方法中選取建模和驗(yàn)證綜合精度最高的模擬組合，繪制成散點(diǎn)圖（圖4—6）。綜合表2和圖4-—6分析利用不同方法基于不同輸入變量類型模擬光合參量的精度。

考慮建模和驗(yàn)證的精度與誤差，Amax、Fv′/Fm′和qP的最優(yōu)反演模型組合分別為基于倒數(shù)光譜的MLR模型、基于一階導(dǎo)數(shù)光譜的MLR模型和基于原始光譜的MLR模型，模型的建模2分別為0.75、0.65和0.65，驗(yàn)證2分別為0.73、0.59和0.44，表明基于高光譜模擬Amax和Fv′/Fm′切實(shí)可行，模擬qP的有效性需要進(jìn)一步驗(yàn)證。僅考慮建模精度時(shí)，F(xiàn)v′/Fm′的模擬結(jié)果存在明顯差異，基于一階微分的ANN模型（2=0.75）和基于原始光譜的SVM模型（2=0.94）均優(yōu)于MLR模型的結(jié)果。MLR模型的模擬結(jié)果受所選取自變量個(gè)數(shù)的影響，以基于原始光譜模擬Amax 為例，改變MLR的輸入變量個(gè)數(shù)，發(fā)現(xiàn)建模和驗(yàn)證2隨著輸入變量個(gè)數(shù)的減少而降低，當(dāng)輸入變量從12個(gè)逐漸減少到2個(gè)時(shí)，建模2從0.75降低到0.47，由5.1上升到7.4。

表1 不同類型光譜與各個(gè)光合參量的敏感區(qū)間及相關(guān)性

表2 利用MLR、ANN、PLS和SVM模擬光合特征參量結(jié)果

表3 基于原始光譜的PLS模型對(duì)Amax的模擬結(jié)果（不同葉位）

表4 基于原始光譜的PLS模型對(duì)Amax模擬結(jié)果（不同生育期）

圖中黑線：Y=X；MLR—倒數(shù)光譜：基于倒數(shù)光譜利用MLR方法對(duì)Amax的模擬結(jié)果，其他同理

不同變換的光譜表現(xiàn)能力不同。綜合建模和驗(yàn)證精度2與，Amax模擬結(jié)果顯示，用MLR模型模擬時(shí)，光譜的表現(xiàn)能力順序?yàn)榈箶?shù)光譜＞對(duì)數(shù)光譜＞原始光譜＞一階導(dǎo)數(shù)光譜；ANN模型模擬時(shí)，光譜的表現(xiàn)能力順序?yàn)閷?duì)數(shù)光譜＞倒數(shù)光譜＞原始光譜＞一階導(dǎo)數(shù)光譜；SVM模型模擬時(shí)，光譜的表現(xiàn)能力為一階導(dǎo)數(shù)光譜＞原始光譜＞倒數(shù)光譜＞對(duì)數(shù)光譜；PLS模型模擬時(shí)，光譜的表現(xiàn)能力順序?yàn)樵脊庾V＞倒數(shù)光譜＞對(duì)數(shù)光譜，一階導(dǎo)數(shù)光譜結(jié)果最差，驗(yàn)證2為0.47，不適合在該方法下模擬Amax。Fv′/Fm′模擬結(jié)果顯示，MLR模型模擬時(shí)，基于一階導(dǎo)數(shù)光譜的表現(xiàn)能力最優(yōu)，其次是對(duì)數(shù)光譜，原始光譜次之，倒數(shù)光譜最差，其驗(yàn)證2小于0.5，說(shuō)明倒數(shù)光譜在該方法下不適合用來(lái)模擬Fv′/Fm′；ANN模型模擬時(shí)，基于原始光譜的精度最高，其次是一階導(dǎo)數(shù)光譜，對(duì)數(shù)光譜次之，倒數(shù)光譜結(jié)果最差，但是建模和驗(yàn)證2都大于0.5；SVM模型模擬時(shí)，基于一階微分光譜的結(jié)果最優(yōu)，原始光譜、倒數(shù)光譜和對(duì)數(shù)光譜的驗(yàn)證2均小于0.5，在該方法下，3種光譜不適合用來(lái)模擬Fv′/Fm′；PLS模型模擬時(shí)，基于對(duì)數(shù)光譜的結(jié)果最優(yōu)，其次是一階導(dǎo)數(shù)光譜，倒數(shù)光譜最差，而原始光譜的驗(yàn)證2為0.44，不適合用來(lái)模擬Fv′/Fm′。

圖中黑線：Y=X；MLR—一階導(dǎo)數(shù)光譜：基于一階導(dǎo)數(shù)光譜利用MLR方法對(duì)Fv′/Fm′的模擬結(jié)果，其他同理

不同模型的估算能力也存在明顯差異。Amax模擬結(jié)果中，基于原始光譜的不同模型的估算能力順序?yàn)镻LS＞ANN＞MLR＞SVM，基于倒數(shù)光譜和對(duì)數(shù)光譜模型估算能力順序相同，均為MLR＞ANN＞PLS＞SVM，基于一階導(dǎo)數(shù)光譜模型估算能力順序?yàn)镾VM＞MLR＞ANN＞PLS。Fv′/Fm′模擬結(jié)果中，基于原始光譜ANN的估算能力最優(yōu)，MLR次之，SVM和PLS模型不適合用原始光譜模擬Fv′/Fm′，基于倒數(shù)光譜PLS估算能力最優(yōu)，其次是ANN，MLR和SVM不適合用倒數(shù)光譜模擬Fv′/Fm′，基于對(duì)數(shù)光譜不同模型估算能力順序?yàn)镸LR＞PLS＞ANN，SVM模型不適合用對(duì)數(shù)光譜模擬Fv′/Fm′，基于一階導(dǎo)數(shù)光譜的不同模型模擬順序?yàn)镸LR＞ANN＞PLS＞SVM。

2.2.3 不同生育期和不同葉位冬小麥葉片Amax模擬結(jié)果分析 本文在構(gòu)建模型的過(guò)程中，為了構(gòu)建對(duì)所有葉齡葉片均適用的模型，未對(duì)葉位和生育期進(jìn)行詳細(xì)的分類。為了研究葉位和生育期對(duì)模擬結(jié)果是否存在影響，利用原始光譜350—1 350 nm波譜區(qū)間反射率和PLS模型分別模擬不同生育期和不同葉位的冬小麥葉片Amax，研究不同葉位和不同生育期對(duì)模擬結(jié)果影響，結(jié)果如表3—4所示。表3建模精度結(jié)果可看出模擬精度最高的是第二層葉片，其中2為0.89，為3.54，其次是第三層葉片，最差的是第一層葉片。表4結(jié)果顯示，精度最高的是挑旗期，其2為0.91，為1.73，其次是拔節(jié)期，精度最差的是灌漿期，2為0.56。

3 討論

3.1 基于高光譜模擬光合參數(shù)的可行性機(jī)理

光合作用是綠色植物吸收光能，把二氧化碳和水合成富能有機(jī)物的過(guò)程，光合作用強(qiáng)度依賴于吸收光能的多少，吸收的光能主要受葉片色素含量影響，而葉片色素含量又直接影響反射率光譜的大小。農(nóng)作物光合器官中色素和氮素含量等因素直接影響光合作用過(guò)程中吸收光能和有機(jī)物合成的多少。眾所周知，植被的各種理化參數(shù)與光譜的變化密切相關(guān)，色素和氮素含量作為中間變量搭起了光合參數(shù)與光譜之間的橋梁，將二者緊密聯(lián)系在一起，是反射光譜響應(yīng)與內(nèi)部光合活動(dòng)之間的主導(dǎo)機(jī)制[16]。目前，利用反射率光譜模擬光合參數(shù)的研究已逐步開展。前人研究中發(fā)現(xiàn)利用植被指數(shù)CIrededge、NDVI705、RVI700模擬農(nóng)作物葉片凈光合速率（n）的2均小于0.6，將3種植被指數(shù)與光合有效輻射（PAR）的乘積后模擬農(nóng)作物葉片n精度有顯著提升，2最高為0.64[17]。基于冠層無(wú)人機(jī)遙感圖像提取的冠層反射率，根據(jù)相關(guān)系數(shù)大小篩選敏感波段，利用PLS方法模擬棉花凈光合速率的最大2達(dá)到0.73[18]。在模擬冬小麥旗葉凈光合速率研究中，選擇6個(gè)敏感波段做一階微分變換后，利用二次多項(xiàng)式逐步回歸（QPSR）、偏最小二乘回歸（PLSR）和BP 神經(jīng)網(wǎng)絡(luò)（BPNN）方法模擬n，3種方法2分別為0.821、0.723和0.759，QPSR方法的精度最高[5]，綜合前人研究發(fā)現(xiàn)光合參數(shù)適合用光譜來(lái)模擬。因此，本文首先分析了光合特征參量與4種光譜的相關(guān)性，挑選敏感波段模擬光合特征參量，以原始光譜與Amax相關(guān)性為例，敏感波譜區(qū)間為399—737 nm。前人研究結(jié)果表明，玉米葉片冠層715 nm處反射率與葉綠素濃度相關(guān)性最好[19]，在基于高光譜反演冬小麥葉綠素含量時(shí)選取的波段范圍為350—1 060 nm時(shí)模型精度最佳[20]。前人研究中也證明了作物在波長(zhǎng)560—710 nm處反射率與凈光合速率n、蒸騰速率r、氣孔導(dǎo)度s有一定相關(guān)關(guān)系[21]。由此可見，敏感波段體現(xiàn)了色素對(duì)光合作用的影響。

圖中黑線：Y=X；MLR—原始光譜：基于原始光譜利用MLR方法對(duì)qP的模擬結(jié)果，其他同理

3.2 MLR模型中自變量個(gè)數(shù)對(duì)模擬結(jié)果的影響

由表2中不同方法的模擬結(jié)果可見，在本研究中MLR模型的模擬能力相比其他3種方法優(yōu)勢(shì)較為明顯，在此我們分析了形成這種結(jié)果的原因。文中MLR模型輸入的自變量是根據(jù)光合參量與不同類型光譜的相關(guān)系數(shù)大小和光譜儀的光譜分辨率選取的，表2中顯示的結(jié)果為自變量個(gè)數(shù)為12個(gè)的模擬結(jié)果。為了分析自變量個(gè)數(shù)對(duì)結(jié)果的影響，以基于原始光譜模擬Amax為例，改變MLR的輸入變量個(gè)數(shù)，發(fā)現(xiàn)建模和驗(yàn)證2隨著輸入變量個(gè)數(shù)的減少而降低，當(dāng)輸入變量從12個(gè)逐漸減少到2個(gè)時(shí)，建模2從0.75降低到0.47，由5.1上升到7.4，驗(yàn)證2和變化不大。前人研究中在基于植被指數(shù)利用MLR方法估測(cè)蘋果葉片葉綠素含量時(shí)，當(dāng)MLR輸入的植被指數(shù)個(gè)數(shù)從1個(gè)增加到10個(gè)時(shí)，模型的精度2從0.538上升到0.602[22]。由此可見，MLR模型的模擬結(jié)果受自變量個(gè)數(shù)的影響很大。已有研究中使用MLR方法建模時(shí)，所選取的自變量的個(gè)數(shù)大多為3—10個(gè)，本文選取了12個(gè)自變量，因此得到了較好的模擬結(jié)果。

3.3 不同葉位和生育期對(duì)模擬結(jié)果的影響

根據(jù)文中不同生育期和不同葉位的模擬結(jié)果分析，區(qū)分葉位后的模擬精度相比未區(qū)分的結(jié)果有明顯的提升，可見葉位對(duì)光合參量的高光譜模擬結(jié)果有明顯的影響。在不區(qū)分葉位的情況下，模擬的精度最低，但2能達(dá)到0.68，并且小于6，說(shuō)明光合參量的高光譜模擬切實(shí)可行，可以通過(guò)詳細(xì)區(qū)分葉位的方法，提高模擬的精度。生育期對(duì)模擬結(jié)果也有一定影響，所有生育期的模擬精度較拔節(jié)期和挑旗期差，但是比灌漿期精度高，說(shuō)明灌漿期影響了使用全生育期光譜時(shí)的模擬精度。

4 結(jié)論

本文以不同施氮條件下冬小麥葉片氣體交換和高光譜田間試驗(yàn)支持下的實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，獲取不同生育期不同葉齡葉片的Amax、Fv′/Fm′、qP和高光譜反射率，并對(duì)原始高光譜進(jìn)行倒數(shù)、對(duì)數(shù)和一階微分變換。根據(jù)3種光合參數(shù)和4種光譜的相關(guān)性分析結(jié)果，分別篩選顯著性水平優(yōu)于0.01的原始光譜、倒數(shù)光譜、對(duì)數(shù)光譜和一階導(dǎo)數(shù)光譜的敏感波段作為輸入變量，采用偏最小二乘（PLS）、支持向量機(jī)（SVM）、多元線性回歸（MLR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）方法建立冬小麥葉片光合參量反演模型，對(duì)冬小麥葉片光合特征參量——Amax、Fv′/Fm′和qP進(jìn)行模擬，并對(duì)不同模型的模擬精度進(jìn)行了適用性評(píng)價(jià)比較分析。Amax和Fv′/Fm′可以很好地通過(guò)高光譜進(jìn)行模擬，而高光譜對(duì)qP解釋能力偏低，有待進(jìn)一步研究。雖然可能受到光譜處理方法、模型選擇、模型輸入變量類型和采樣葉片葉位等因素的影響，高光譜信息對(duì)冬小麥光合參量具有較強(qiáng)的敏感性，可以用來(lái)監(jiān)測(cè)冬小麥光合能力的動(dòng)態(tài)變化，為把握農(nóng)作物生長(zhǎng)狀況提供依據(jù)。

[1] 許大全. 光合作用學(xué). 第一版. 北京: 科學(xué)出版社, 2013: 3-5.

XU D Q.. Beijing: Science Press, 2013: 3-5. (in Chinese)

[2] 周磊, 何洪林, 孫曉敏, 張黎, 于貴瑞, 任小麗, 閔程程, 趙鳳華. 基于數(shù)字相機(jī)的冬小麥物候和碳交換監(jiān)測(cè). 生態(tài)學(xué)報(bào), 2012, 32(16): 5146-5153.

ZHOU L, HE H L, SUN X M, ZHANG L, YU G R, REN X L, MIN C C, ZHAO F H. Using digital repeat photography to model winter wheat phenology and photosynthetic CO2uptake., 2012, 32(16): 5146-5153. (in Chinese)

[3] 李少昆. 作物光合作用研究方法. 石河子大學(xué)學(xué)報(bào)(自然科學(xué)版), 2000, 4(4): 321-330.

LI S K. Survey of research method of crop photosynthesis., 2000, 4(4): 321-330. (in Chinese)

[4] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E, DOKTOR D. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[5] 呂瑋, 李玉環(huán), 毛偉兵, 宮雪, 陳世更. 基于高光譜的小麥旗葉凈光合速率的遙感反演模型的比較研究. 農(nóng)業(yè)資源與環(huán)境學(xué)報(bào), 2017, 34(6): 582-586.

Lü W, LI Y H, MAO W B, GONG X, CHEN S G. Comparison of estimation methods for net photosynthetic rate of wheat’s flag leaves based on hyperspectrum., 2017, 34 (6): 582-586. (in Chinese)

[6] 王娣, 佃袁勇, 樂(lè)源, 黃春波.基于高光譜植被指數(shù)的葉片凈光合速率Pn反演. 地理與地理信息科學(xué), 2016, 32(4): 42-48.

WANG D, DIAN Y Y, LE Y, HUANG C B. Net photosynthetic rate inversion based on hyperspectral vegetation indices., 2016, 32(4): 42-48. (in Chinese)

[7] 張峰, 周廣勝. 玉米農(nóng)田冠層光合參數(shù)的多光譜遙感反演. 植物生態(tài)學(xué)報(bào), 2014, 38(7): 710-719.

ZHANG F, ZHOU G S. Estimating canopy photosynthetic parameters in maize field based on multi-spectral remote sensing., 2014, 38(7): 710-719. (in Chinese)

[8] SERBIN S P, SINGH A, DESAI A, DUBOIS S. Remotely estimating photosynthetic capacity, and its response to temperature, in vegetation canopies using imaging spectroscopy., 2015, 167: 78-87.

[9] FARQUHAR G D, CAEMMERER S V, BERRY J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3 species., 1980, 149: 78-90.

[10] DEMMIG-ADAMS B. Using chlorophyll fluorescence to assess the fraction of absorbed light allocated to thermal dissipation of excess excitation., 1996, 98(2): 253-264.

[11] WOLD H. Estimation of principal components and related models by iterative least squares., 1966, 1: 391-420.

[12] WU S, AMARI S I. Conformal transformation of Kernel functions: A data-dependent way to improve support vector machine classifiers., 2002, 15(1): 59-67.

[13] ZELTERMAN D. Multivariable linear regression, applied multivariate statistics with R., 2015: 231-256.

[14] PARK D C, ELSHARKAWI M A, MARKS R J I. Electric load forecasting using an artificial neural network., 1991, 6(2): 442-449.

[15] YUE J, FENG H, YANG G, LI Z. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy., 2018, 10(1): 66-89.

[16] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[17] 李婷, 季宇寒, 張漫, 沙莎, 李民贊. 基于PLSR和BPNN方法的番茄光合速率預(yù)測(cè)比較. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(S2): 222-229.

LI T, JI Y H, ZHANG M, SHA S, LI M Z. Comparison of photosynthesis prediction methods with BPNN and PLSR in different growth stages of tomato., 2015, 31(S2): 222-229. (in Chinese)

[18] 陳俊英, 陳碩博, 張智韜, 付秋萍, 邊江, 崔婷. 無(wú)人機(jī)多光譜遙感反演花蕾期棉花光合參數(shù)研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(10): 230-239.

CHEN J Y, CHEN S B, ZHANG Z T, FU Q P, BIAN J, CUI T. Investigation on photosynthetic parameters of cotton during budding period by multi-spectral remote sensing of unmanned aerial vehicle., 2018, 49(10): 230-239. (in Chinese)

[19] DAUGHTRY C S T, WALTHALL C L, KIM M S, MCMURTREY J E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance., 2000, 74(2): 229-239.

[20] 趙祥, 劉素紅, 王培娟, 王錦地, 田振坤. 基于高光譜數(shù)據(jù)的小麥葉綠素含量反演. 地理與地理信息科學(xué), 2004, 20(3): 36-39.

ZHAO X, LIU S H, WANG P J, WANG J D, TIAN Z K. A method for inverting chlorophyll content of wheat using hyperspectral., 2004, 20(3): 36-39.

[21] ZHAO D L, BARRY G, MICHAEL I, CHEN J H. Sugarcane genotype variation in leaf photosynthesis properties and yield as affected by mill mud application., 2015, 107(2): 1831-1849.

[22] 裴浩杰, 馮海寬, 李長(zhǎng)春, 李振海, 楊貴軍, 王衍安, 郭建華. 基于多元線性回歸和隨機(jī)森林的蘋果葉綠素含量高光譜估測(cè)方法比較. 江蘇農(nóng)業(yè)科學(xué), 2018, 46(17): 224-230.

PEI H J, FENG H K, LI C C, LI Z H, YANG G J, WANG Y A, GUO J H. Comparison of hyperspectral estimation methods for chlorophyll content of apple based on multiple linear regression and stochastic forest., 2018, 46(17): 224-230. (in Chinese)

[23] 孫少波, 杜華強(qiáng), 李平衡, 周國(guó)模, 徐小軍, 高國(guó)龍, 李雪建. 基于小波變換的毛竹葉片凈光合速率高光譜遙感反演. 應(yīng)用生態(tài)學(xué)報(bào), 2016, 27(1): 49-58.

SUN S B, DU H Q, LI P H, ZHOU G M, XU X J, GAO G L, LI X J. Retrieval of leaf net photosynthetic rate of moso bamboo forests using hyperspectral remote sensing based on wavelet transform.2016, 27(1): 49-58. (in Chinese)

[24] 王惠文, 孟潔. 多元線性回歸的預(yù)測(cè)建模方法. 北京航空航天大學(xué)學(xué)報(bào), 2007, 33(4): 500-504.

WANG H W, MENG J. Predictive modeling on multivariate linear regression., 2007, 33(4): 500-504. (in Chinese)

[25] 岳繼博, 楊貴軍, 馮海寬. 基于隨機(jī)森林算法的冬小麥生物量遙感估算模型對(duì)比. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(18): 175-182.

YUE J B, YANG G J, FENG H K. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm., 2016, 32(18): 175-182. (in Chinese)

[26] 王奕涵, 石鐵柱, 劉會(huì)增, 王竣杰, 鄔國(guó)鋒. 水稻葉片氮含量反演偏最小二乘模型設(shè)計(jì). 遙感信息, 2015, 30(6): 42-47.

WANG Y H, SHI T Z, LIU H Z, WANG J J, WU G F. Partial least squares regression model for retrieving paddy rice nitrogen content with band depth analysis and genetic algorithm., 2015, 30(6): 42-47. (in Chinese)

[27] 宋豐萍, 蒙祖慶. 干旱脅迫下作物光合參數(shù)研究進(jìn)展.高原農(nóng)業(yè), 2018, 2(2): 138-144, 212.

SONG F P, MENG Z Q. Research progress on photosynthetic parameters of crops in drought stress., 2018, 2(2): 138-144, 212. (in Chinese)

[28] 丁世飛, 齊丙娟, 譚紅艷.支持向量機(jī)理論與算法研究綜述. 電子科技大學(xué)學(xué)報(bào), 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

[29] 高林, 楊貴軍, 于海洋, 徐波, 趙曉慶, 董錦繪, 馬亞斌.基于無(wú)人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(22): 113-120.

GAO L,YANG G J,YU H Y, XU B, ZHAO X Q, DONG J H, MA Y B. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing.2016, 32(22): 113-120. (in Chinese)

[30] LI D, WANG C, LIU W, WEI L, SHUI S C. Estimation of litchi (Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra., 2016, 80: 182-194.

[31] 李粉玲, 常慶瑞. 基于連續(xù)統(tǒng)去除法的冬小麥葉片全氮含量估算. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(7): 174-179.

LI F L, CHANG Q R. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra., 2017, 48(7): 174-179. (in Chinese)

[32] YUAN H H, YANG G J, LI C C, WANG Y J, LIU J G, YU H Y, FENG H K. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models., 2017, 9(4): 309-325.

（責(zé)任編輯 楊鑫浩）

Comparison of Hyperspectral remote Sensing estimation models based on photosynthetic characteristics of Winter Wheat leaves

ZHANG Zhuo1,2,3,4, LONG HuiLing1,2,3, WANG ChongChang4, YANG GuiJun1,2,3

(1Beijing Research Center for Information Technology in Agriculture/Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture, Beijing 100097;2National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;3Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097;4School of Mapping and Geographical Science, Liaoning Technical University, Fuxin 123000, Liaoning)

【Objective】Photosynthesis is the basis of crop yield and quality formation. Accurate quantitative remote sensing inversion of crop photosynthetic parameters can not only understand the growth and development of crops and the accumulation of organic matter, but also can provide reference for the ecosystem process model based on remote sensing. In order to estimate the photosynthetic characteristic parameters quickly and accurately, the hyperspectral inversion model of three photosynthetic parameters of winter wheat was constructed by combining the original spectrum, three traditional spectral transformation techniques and four simulation methods. The feasibility of hyperspectral inversion of photosynthetic parameters of winter wheat was discussed, and the applicability of different spectra and simulation methods were compared. 【Method】The maximum net photosynthetic rate (Amax), PSⅡ effective photochemical quantum yield (Fv'/Fm') of different leaf ages was obtained under the support of gas exchange and hyperspectral field experiments of winter wheat under different nitrogen application conditions. The photochemical quenching coefficient (qP) and hyperspectral reflectivity were obtained, and the reciprocal, logarithmic and first-order differential transformations of the original hyperspectrum were carried out. According to the results of correlation analysis of three photosynthetic parameters and four spectra, the band whose significant level was better than 0.01 was selected as input variable, and then the partial least square (PLS), support vector machine (SVM), multivariate linear regression (MLR) and artificial neural network (ANN) were used to establish the inversion model of photosynthetic parameters of winter wheat leaves. Based on the determination coefficient (2) and root mean square error) of modeling and validation process, the simulation accuracy of different models was compared and analyzed.【Result】(1) The correlation analysis of the three photosynthetic parameters and four spectra showed that the sensitive spectral regions of the primitive, reciprocal and logarithmic spectra to the three photosynthetic parameters (Amax, Fv′/Fm′ and qp) were concentrated in the 400-750 nm spectrum range. The sensitive spectral regions of the first derivative spectrum to the three photosynthetic parameters were 470-560, 630-700 and 700-770 nm, respectively. (2) The optimal inversion model of Amax, Fv'/Fm' and qP was composed of MLR model based on reciprocal spectrum, MLR model based on first derivative spectrum and MLR model based on original spectrum, respectively. The2of the modeling was 0.75, 0.65 and 0.65, respectively, and the2of the validation was 0.73, 0.59 and 0.44, respectively. The results showed that the simulation of Amax and Fv'/Fm' based on hyperspectral method was feasible, the effectiveness of simulated qP needed further be verified. (3) The spectral performance of different transformations was different. Taking PLS simulation Amax as an example, the order of spectral performance was original spectrum > reciprocal spectrum > logarithmic spectrum > first derivative spectrum. (4) The estimation ability of different models was also different. Taking Amax simulation based on original spectrum as an example, the order of estimation ability of different models was MLR > PLS > ANN > SVM.【Conclusion】By comparing four spectra and four simulation methods, the hyperspectral inversion results of three photosynthetic parameters of winter wheat showed that Amax and Fv'/Fm' could be well simulated by hyperspectral method, but hyperspectral interpretation ability to qP was low and further study was needed. The hyperspectral information was sensitive to the photosynthetic parameters of winter wheat and affected by spectral types and simulation methods. It could be used to monitor the dynamic changes of photosynthetic capacity of winter wheat and to provide a basis for understanding the growth of crops.

photosynthetic parameters; partial least squares; support vector machine; multivariate linear regression; neural network; hyperspectral

10.3864/j.issn.0578-1752.2019.04.004

2018-09-25；

2018-12-20

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2018YFF0213602）、國(guó)家自然科學(xué)基金（41571323）和北京市農(nóng)林科學(xué)院博士后基金

張卓，E-mail：cehuizhangzhuo@163.com。通信作者龍慧靈，E-mail：longhl@nercita.org.cn