基于PROSAIL 模型偏差補(bǔ)償?shù)乃救~綠素含量遙感估測(cè)

劉 潭 許童羽 于豐華 袁青云 郭忠輝 王永剛

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，沈陽(yáng)110866;2.遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心，沈陽(yáng)110866)

0 引言

水稻是我國(guó)主要糧食作物之一，水稻葉綠素含量是衡量其長(zhǎng)勢(shì)的重要指標(biāo)，實(shí)現(xiàn)水稻葉綠素含量的精準(zhǔn)估測(cè)對(duì)其長(zhǎng)勢(shì)監(jiān)測(cè)、施肥施藥調(diào)控及田間的精準(zhǔn)管理具有重要意義。近年來(lái)，高光譜遙感技術(shù)為實(shí)現(xiàn)作物葉綠素等含量監(jiān)測(cè)提供了一種有效的手段［1-2］。

目前，基于高光譜信息估測(cè)水稻等作物葉綠素含量的方法主要包括兩類:一類是利用光譜波段組合生成的各種光譜指數(shù)，如比值指數(shù)(RVI)、三角植被指數(shù)(TVI)、土壤調(diào)整植被指數(shù)(SAVI)、綠波段歸一化植被指數(shù)等［3］，這些指數(shù)與葉綠素含量之間有較好的相關(guān)性。另一類是利用光譜特征變量，如利用歸一化光譜的反射峰與吸收谷等特征變量，或利用基于導(dǎo)數(shù)光譜的特征變量來(lái)度量葉綠素的變化。

在水稻等作物葉綠素含量反演建模方面，已有模型大多基于自變量與因變量之間為線性關(guān)系的假設(shè)［4］，如一元線性、多元線性模型等。數(shù)據(jù)的線性特征可以通過(guò)數(shù)學(xué)轉(zhuǎn)換來(lái)實(shí)現(xiàn)，但是那些具有復(fù)雜非線性特征的數(shù)據(jù)卻難以通過(guò)數(shù)學(xué)轉(zhuǎn)換來(lái)實(shí)現(xiàn)。因此，基于機(jī)器學(xué)習(xí)的非線性建模方法逐漸被應(yīng)用到估測(cè)葉綠素含量上。

文獻(xiàn)［5 -8］中模型均屬于數(shù)據(jù)模型，此類模型通常結(jié)構(gòu)簡(jiǎn)單、分析方便。數(shù)據(jù)模型通常是在特定的空間和時(shí)間下確定的，且隨著觀測(cè)集合信息等變化而變化，限制了其應(yīng)用范圍。為了提高模型的普適性［9］，一些學(xué)者致力于機(jī)理模型的研究。如LI等［10-11］結(jié)合農(nóng)學(xué)知識(shí)，將PROSAIL 模型應(yīng)用于作物監(jiān)測(cè)中，證明其在預(yù)測(cè)葉綠素含量等參數(shù)上的優(yōu)勢(shì)。SUN 等［12］利用PROSPECT 模型反演估測(cè)作物葉片葉綠素狀況。楊曦光等［13］和董晶晶等［14］利用輻射傳輸模型模擬植被冠層光譜反射率，通過(guò)分析模擬數(shù)據(jù)的葉綠素含量以及冠層光譜之間的關(guān)系，構(gòu)建了估測(cè)植被葉片及冠層水平葉綠素含量的光譜指數(shù)模型。這些研究表明，機(jī)理模型物理意義明確，且反演過(guò)程較為穩(wěn)定，適應(yīng)性較好。由于作物葉綠素含量與其影響因素之間的關(guān)系復(fù)雜，相應(yīng)的參數(shù)和變量較多，且地表環(huán)境系統(tǒng)包含眾多不確定性因素，故機(jī)理建模只能在一定假設(shè)和簡(jiǎn)化下進(jìn)行，導(dǎo)致不可避免地存在模型偏差［15］。

目前，針對(duì)整個(gè)生育期內(nèi)動(dòng)態(tài)監(jiān)測(cè)水稻長(zhǎng)勢(shì)的研究較少，現(xiàn)有方法估測(cè)葉綠素含量通?；谀骋惶囟ㄉ冢荒芨采w整個(gè)或多個(gè)水稻生育期［16］。水稻長(zhǎng)勢(shì)直接影響水稻產(chǎn)量，因此，選擇合適的建模方法，建立多個(gè)生育期內(nèi)的水稻葉綠素含量估測(cè)模型，實(shí)時(shí)監(jiān)測(cè)水稻長(zhǎng)勢(shì)，對(duì)農(nóng)業(yè)生產(chǎn)及決策具有重要指導(dǎo)意義。

綜合以上數(shù)據(jù)模型和機(jī)理模型的優(yōu)點(diǎn)，在關(guān)鍵生育期內(nèi)，將數(shù)據(jù)模型和機(jī)理模型相結(jié)合，本文提出一種水稻葉綠素含量估測(cè)的混合建模方法。利用PROSAIL 輻射傳輸模型模擬冠層光譜，建立查找表，初步反演水稻葉綠素含量，并采用LSSVM 方法建立數(shù)據(jù)補(bǔ)償模型，彌補(bǔ)PROSAIL 機(jī)理建模存在的偏差，為利用高光譜信息估測(cè)水稻葉綠素含量提供新的研究思路和方法。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)于2017 年5—10 月在遼寧省沈陽(yáng)市沈陽(yáng)農(nóng)業(yè)大學(xué)道南試驗(yàn)田(41°49'N，123°33'E，平均海拔65 m)開(kāi)展。該地區(qū)屬于北溫帶半濕潤(rùn)大陸性氣候，四季分明，降水集中，日照充足。試驗(yàn)地區(qū)年平均氣溫6.2 ～9.7℃，雨水主要集中在7、8 月，全年降水量為600 ～800 mm，糧食作物以東北粳稻為主。供試品種為沈稻47，進(jìn)行小區(qū)栽培試驗(yàn)，種植18 個(gè)小區(qū)，單個(gè)試驗(yàn)小區(qū)面積為40 m2(5 m×8 m)。水稻插秧時(shí)間為5 月27 日，株距10 cm，設(shè)置4 個(gè)氮素水平:0、225、450、675 kg/hm2，每個(gè)水平設(shè)置3 個(gè)重復(fù)。在施肥過(guò)程中，氮肥分3 次施入，分別為基肥50%、分蘗肥20%、穗肥30%。另外，施用過(guò)磷酸鈣510 kg/hm2作為基肥，硫酸鉀150 kg/hm2作為穗肥。

1.2 數(shù)據(jù)采集

1.2.1 冠層光譜測(cè)定及數(shù)據(jù)處理

光譜測(cè)量采用美國(guó)ASD 公司的Analytical Spectral Devices 光譜儀，在水稻生長(zhǎng)的分蘗期(6 月5 日)、拔節(jié)孕穗期(7 月5 日)、抽穗灌漿期(8 月8日)和成熟期(9 月18 日)，選擇天氣晴朗、無(wú)云、無(wú)風(fēng)的氣象條件下進(jìn)行，并于10:00—14:00 測(cè)量水稻冠層光譜反射率。測(cè)量時(shí)，傳感器探頭向下，與水稻冠層頂端垂直距離約為1 m。在每個(gè)試驗(yàn)小區(qū)中心點(diǎn)附近選4 個(gè)不同位置，記錄冠層光譜信息，將4 次測(cè)量結(jié)果的平均值作為該采樣點(diǎn)的光譜反射值。并將相應(yīng)的采樣樣本裝入密封袋帶回實(shí)驗(yàn)室進(jìn)行葉綠素提取。為保證結(jié)果的準(zhǔn)確性，每次測(cè)量都及時(shí)進(jìn)行白板校正。為盡量消除光譜噪聲，將400 nm以下噪聲影響較大波段、1 000 nm 以上因水分吸收導(dǎo)致光譜不連續(xù)波段截去，因此本研究采用常用波段為400 ～1 000 nm，并將選取波段進(jìn)行5 點(diǎn)平滑處理及歸一化處理。

1.2.2 水稻葉綠素含量測(cè)定

采用Spectrum752 型紫外可見(jiàn)分光光度計(jì)測(cè)定葉綠素含量。將丙酮、無(wú)水乙醇、蒸餾水按體積比9∶9∶2配成混合溶液，選擇若干水稻不同部位的完全展開(kāi)葉片，剪碎后相互混合均勻，稱取0.4 g 加入200 mL 混合溶液浸泡，待葉片完全變白后測(cè)定663、645 nm 波長(zhǎng)處的光密度，測(cè)量3 次取平均值，根據(jù)光密度計(jì)算葉綠素質(zhì)量濃度，計(jì)算式為

式中 Ca、Cb——葉綠素a 和葉綠素b 質(zhì)量濃度，mg/L

Ch——葉綠素總質(zhì)量濃度，mg/L

D663、D645——波長(zhǎng)663、645 nm 處光密度，%

為了與PROSAIL 模型反演輸出的葉綠素濃度保持一致，獲得葉綠素濃度后需換算成單位面積內(nèi)葉綠素含量Cab［17］。

1.3 PROSAIL 模型及其敏感性分析

PROSAIL 模型是通過(guò)耦合PROSPECT 葉片輻射傳輸模型［18］和SAILH 冠層結(jié)構(gòu)模型［19］得到的整體模型。PROSPECT 模型輸入?yún)?shù)主要包括葉片結(jié)構(gòu)參數(shù)、葉綠素含量、干物質(zhì)含量和等效水厚度，其中結(jié)構(gòu)參數(shù)可為一個(gè)假設(shè)參數(shù)，本文根據(jù)實(shí)測(cè)數(shù)據(jù)擬合取1.31。SAILH 模型輸入?yún)?shù)包括葉片光譜信息、葉面積指數(shù)、平均葉傾角、熱點(diǎn)參數(shù)、土壤亮度參數(shù)、漫反射系數(shù)、觀測(cè)天頂角、太陽(yáng)天頂角、觀測(cè)相對(duì)方位角。其中葉片光譜信息(反射率、透射率)采用PROSPECT 模型模擬的輸出結(jié)果，其他參數(shù)可根據(jù)光譜獲取時(shí)的實(shí)際觀測(cè)信息確定，則影響冠層光譜的變動(dòng)參數(shù)為葉綠素含量、干物質(zhì)含量、等效水厚度、葉面積指數(shù)。

PROSAIL 模型敏感性分析是為了分析評(píng)價(jià)各參數(shù)對(duì)模型的影響程度，從而確定出模型參數(shù)影響的光譜波段的敏感范圍，它是利用PROSAIL 模型初步反演水稻葉綠素含量的基礎(chǔ)。本研究采用一種改進(jìn)Sobol 全局敏感性分析方法［20］分析PROSAIL 模型中葉綠素含量、等效水厚度、干物質(zhì)含量參數(shù)變化以及參數(shù)之間相互作用對(duì)模擬水稻冠層光譜信息的影響。該方法是一種基于方差的全局敏感性分析算法，設(shè)非線性模型輸入?yún)?shù)為xi，則模型總體方差為

式中 Vi——參數(shù)xi變化單獨(dú)引起的方差

Vij——參數(shù)xi、xj間相互作用的方差

Vij…k——參數(shù)xi、xj、…、xk相互作用的方差

則參數(shù)xi的一、二階敏感度及總敏感度為

式中 Si——xi的一階敏感度

Sij——xi的二階敏感度

Sij…k——xi的多階敏感度

STi——xi的總敏感度

采用蒙特卡羅方法估計(jì)可得到參數(shù)的總敏感度。在計(jì)算過(guò)程中，對(duì)STi進(jìn)行歸一化處理，進(jìn)而評(píng)價(jià)模型中各參數(shù)的總敏感度。

1.4 混合建模方法

1.4.1 模型結(jié)構(gòu)

基于PROSAIL 模型和LSSVM 軟測(cè)量模型各自的優(yōu)勢(shì)，提出將兩種模型相結(jié)合的混合建模方法，以實(shí)現(xiàn)對(duì)水稻葉綠素含量的精準(zhǔn)估測(cè)，提高模型的普適性。水稻葉綠素含量整體估測(cè)流程如圖1 所示。

混合建模方法首先利用PROSAIL 輻射傳輸機(jī)理模型模擬冠層光譜，建立查找表，并將采集的冠層光譜反射率與查找表中模擬冠層光譜反射率比較，通過(guò)代價(jià)函數(shù)確定最優(yōu)解，初步反演水稻葉綠素含量，然后采用LSSVM 建立誤差模型，彌補(bǔ)PROSAIL模型產(chǎn)生的偏差，最終由機(jī)理模型與LSSVM 誤差模型相結(jié)合對(duì)水稻葉綠素含量進(jìn)行估測(cè)。該模型的預(yù)測(cè)輸出C 為

圖1 基于混合模型的水稻葉綠素含量估測(cè)流程圖Fig.1 Flow chart of rice chlorophyll content estimation based on hybrid model

式中 C——基于PROSAIL 模型的葉綠素含量預(yù)測(cè)值

輸出C 的目的是進(jìn)一步提高葉綠素含量估測(cè)精度。

1.4.2 回歸LSSVM 誤差模型

LSSVM 算法是由SUYKENS 等［21］提出的一種改進(jìn)SVM 算法。該算法將SVM 的求解從二次規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組，降低了運(yùn)算的復(fù)雜度，提高了求解效率，可以很好地用于函數(shù)回歸問(wèn)題。

本文采用LSSVM 算法構(gòu)建誤差模型，選取{xi，ei}為樣本集，其中xi=(X，C)，X 為PROSAIL 模型輸入光譜變量，ei=CActual-C，其中CActual為水稻葉綠素實(shí)測(cè)值，i=1，2，…，L，L 為樣本數(shù)。

LSSVM 的優(yōu)化問(wèn)題描述為

式中 w——權(quán)值向量 ζi——誤差

γ——正則化參數(shù)

b——偏差 φ——特征映射

J——LSSVM 的目標(biāo)函數(shù)

〈·〉——內(nèi)積運(yùn)算

為求解優(yōu)化問(wèn)題，引入Lagrange 函數(shù)

式中 αi——拉格朗日乘子

α——拉格朗月乘子向量

令式(8)偏導(dǎo)數(shù)為0，消去w 和ζi，則

其中

式中 e——偏差矩陣 Ω——核矩陣

Z——n 維單位矩陣求解上述矩陣可得到相應(yīng)α 和b 的值，從而得到水稻葉綠素含量誤差估計(jì)函數(shù)為

其中

式中 σ——核函數(shù)參數(shù)

1.5 統(tǒng)計(jì)分析

在模型性能評(píng)價(jià)方面，本文選取決定系數(shù)R2和均方根誤差RMSE (單位:mg/dm2)作為模型擬合度和反演精度的評(píng)價(jià)指標(biāo)，衡量擬合模型的效果［22］。其中R2越接近1，表明預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)性越高;R2越接近0，表明預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)程度越弱。RMSE 越小，表明模型精度越高。

2 結(jié)果與分析

2.1 模型敏感性分析與查找表建立

本文主要分析PROSAIL 模型中葉綠素參數(shù)的變化對(duì)水稻冠層光譜信息的影響。PROSAIL 模型輸入?yún)?shù)設(shè)置如表1 所示。

表1 PROSAIL 模型輸入?yún)?shù)設(shè)置Tab.1 PROSAIL model input parameters setting

采用改進(jìn)Sobol 方法對(duì)PROSAIL 模型進(jìn)行全局敏感性分析(圖2)發(fā)現(xiàn)，葉綠素含量主要影響430 ～760 nm 波段的冠層反射率，而對(duì)900 nm 以上波長(zhǎng)的冠層反射率影響很小。在900 nm 以下波段，水分含量的變化對(duì)冠層光譜信息影響不大，光譜反射率的影響主要集中在950 nm 以上波長(zhǎng)。葉面積指數(shù)和干物質(zhì)含量的變化在400 ～1 000 nm 光譜范圍內(nèi)均存在敏感性，且700 nm 以上波長(zhǎng)對(duì)干物質(zhì)含量敏感性顯著增加。

圖2 PROSAIL 模型各參數(shù)敏感度分析Fig.2 Total sensitivity analysis of PROSAIL parameters

根據(jù)參數(shù)敏感性分析結(jié)果得到各參數(shù)的敏感波段，可用于構(gòu)建水稻葉綠素含量的估測(cè)模型。根據(jù)光譜采集過(guò)程的實(shí)際情況，得到查找表的各輸入?yún)?shù)及變化范圍如表2 所示。

將各參數(shù)的不同組合代入PROSAIL 模型進(jìn)行冠層反射率模擬，建立水稻葉綠素含量的查找表，并在敏感波段范圍內(nèi)，將實(shí)測(cè)冠層光譜反射率與查找表中反射率比較，采用文獻(xiàn)［23］中最小二乘法構(gòu)建代價(jià)函數(shù)，初步反演葉綠素含量。

表2 PROSAIL 模型查找表輸入?yún)?shù)范圍Tab.2 Input parameters range in PROSAIL modelfor lookup table

2.2 不同光譜指數(shù)的葉綠素含量相關(guān)性與模型構(gòu)建

將光譜反射率轉(zhuǎn)換為不同植被指數(shù)，并選取與葉綠素關(guān)系較為緊密的13 種植被指數(shù)［8］。為了檢測(cè)本文方法的性能，首先分別采用各植被指數(shù)進(jìn)行線性、指數(shù)、乘冪和對(duì)數(shù)等統(tǒng)計(jì)模型的模擬，建立基于植被指數(shù)的單因子預(yù)測(cè)模型(Single factor estimation model，SFEM)，不同光譜指數(shù)與水稻葉綠素含量的相關(guān)性如表3 所示。

表3 基于植被指數(shù)的水稻葉綠素含量最佳估測(cè)模型R2Tab.3 R2 of optimal estimation models based on vegetation index for chlorophyll content in rice

由表3 可以看出，基于光譜指數(shù)GNDVI、RSI 和(SDr- SDb)/(SDr+ SDb)的乘冪關(guān)系統(tǒng)計(jì)模型及MCARI 指數(shù)關(guān)系統(tǒng)計(jì)模型與水稻葉綠素含量相關(guān)性較高，決定系數(shù)分別為0.625 6、0.620 3、0.647 1和0.631 9，模 型 分 別 記 為SFEMGNDVI、SFEMRSI、SFEMSDr-SDb、SFEMMCARI。另外，本文結(jié)合這4 種植被指數(shù)作為多因子輸入，水稻葉綠素含量為輸出，構(gòu)建多因子預(yù)測(cè)模型(Multi-factor estimation model，MFEM)，包括構(gòu)建LSSVM 誤差模型，補(bǔ)償PROSAIL模型輸出與實(shí)測(cè)值之間的偏差，混合模型標(biāo)記為MFEMPROSAIL-LSSVM。同時(shí)單獨(dú)采用PROSAIL 模型建立查找表反演葉綠素，標(biāo)記為MFEMPROSAIL。為進(jìn)一步比較模型之間性能，還分別采用PLS、LSSVM 和BP 神經(jīng)網(wǎng)絡(luò)建立基于植被指數(shù)組合的多因子預(yù)測(cè)模型，模型分別記為MFEMPLS、MFEMLSSVM、MFEMBP。其中，LSSVM 模型中懲罰因子γ 與核函數(shù)參數(shù)σ 采用具有全局搜索性能的改進(jìn)粒子群算法［34］進(jìn)行尋優(yōu)。BP 神經(jīng)網(wǎng)絡(luò)模型采用3 層結(jié)構(gòu)，網(wǎng)絡(luò)模型對(duì)不同隱含層結(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練以確定最佳隱含層結(jié)點(diǎn)數(shù)m，迭代次數(shù)為1 500，學(xué)習(xí)目標(biāo)為0.001，學(xué)習(xí)率為0.01。利用采集的幾個(gè)關(guān)鍵生育期共400 組訓(xùn)練樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，得到最優(yōu)模型如表4 所示。

表4 水稻葉綠素含量最優(yōu)估測(cè)模型Tab.4 Each optimal estimation model for chlorophyllcontent in rice

2.3 模型檢驗(yàn)分析

在采集到的檢驗(yàn)樣本中，隨機(jī)抽取115 個(gè)檢驗(yàn)樣本，采用表4 建立的最佳模型對(duì)樣本數(shù)據(jù)進(jìn)行驗(yàn)證，相應(yīng)的預(yù)測(cè)模型建模精度和檢驗(yàn)精度如表5 所示，各模型對(duì)水稻葉綠素估測(cè)值和實(shí)測(cè)值的散點(diǎn)圖如圖3 所示。

表5 預(yù)測(cè)模型的建模及檢驗(yàn)精度Tab.5 Calibration and validation result of estimation model

由圖3 可以看出，不同單因子預(yù)測(cè)模型所得的預(yù)測(cè)值分布狀態(tài)較為相近，不存在較大的區(qū)別，其中SFEMSDr-SDb分布相對(duì)緊密一些。雖然單因子預(yù)測(cè)模型具有一定預(yù)測(cè)精度，但沿直線y=x 分布較為分散，表明估測(cè)值與實(shí)測(cè)值之間存在一定偏差。

圖3 不同模型的葉綠素含量實(shí)測(cè)值與估測(cè)值比較Fig.3 Comparison of measured and estimated values of chlorophyll content for different models

結(jié)合4 種植被指數(shù)為輸入的多因子預(yù)測(cè)模型MFEMPLS、MFEMLSSVM、MFEMPROSAIL-LSSVM、MFEMBP對(duì)水稻葉綠素含量的估測(cè)，與單因子最優(yōu)預(yù)測(cè)模型SFEMGNDVI、SFEMRSI、SFEMSDr-SDb、SFEMMCARI相比，分布更為緊密，尤其是本文提出的MFEMPROSAIL-LSSVM模型，其預(yù)測(cè)結(jié)果沿直線y =x 的分布狀態(tài)較優(yōu)，相比單因子預(yù)測(cè)模型，有更少的預(yù)測(cè)值偏離直線y =x，同時(shí)也在不同程度上優(yōu)于MFEMPLS、MFEMLSSVM、MFEMBP模型，顯示了優(yōu)異的預(yù)測(cè)效果，能夠有效減小不同生育期的差異對(duì)該模型的影響。

從表5 可以看出，基于多因子輸入的預(yù)測(cè)模型整體上要比單因子預(yù)測(cè)模型具有更小的RMSE，由于單因子預(yù)測(cè)模型使用光譜信息有限，一些干擾無(wú)法有效排除，因而誤差往往較大。而多因子預(yù)測(cè)模型同時(shí)使用了多個(gè)光譜指數(shù)作為自變量，更大程度利用有效信息，因此可以提高模型精度。同時(shí)多因子預(yù)測(cè)模型可減少因同譜異物及同物異譜等原因形成 的 偏 差。 可 以 看 出， 本 文 提 出 的MFEMPROSAIL-LSSVM多因子預(yù)測(cè)模型無(wú)論對(duì)于建模集還是檢驗(yàn)集，都得到了最小的RMSE 指標(biāo)。另外，對(duì)于建模集，MFEMPROSAIL-LSSVM模型和基于LSSVM 的多因子預(yù)測(cè)模型具有較高的決定系數(shù)，分別為0.740 6 和0.739 3，高于其他預(yù)測(cè)模型。對(duì)比MFEMLSSVM模型，雖然本文建立的模型在決定系數(shù)指標(biāo)方面沒(méi)有較大優(yōu)勢(shì)，但在檢驗(yàn)集中，MFEMPROSAIL-LSSVM模型提供了最高的決定系數(shù)，不僅高于單因子預(yù)測(cè)模型，也在一定程度上優(yōu)于其他多因子預(yù)測(cè)模型，表明提出的方法其估測(cè)值與實(shí)測(cè)值之間具有更好的相關(guān)性。表6 列出了不同模型估測(cè)葉綠素的統(tǒng)計(jì)特征。

表6 不同模型估測(cè)水稻葉綠素含量的統(tǒng)計(jì)特征Tab.6 Statistical characteristics of different models in estimating chlorophyll content in rice μg/cm2

由表6 可以看出，SFEMRSI模型對(duì)水稻葉綠素估測(cè)的平均值低于實(shí)測(cè)平均值，SFEMMCARI和SFEMGNDVI模型估測(cè)的平均值高于實(shí)測(cè)平均值，且SFEMGNDVI模型的估測(cè)值分布較為集中，SFEMMCARI模型的估測(cè)值分布較為分散，對(duì)于較大值和較小值分別有過(guò)高估測(cè)和過(guò)低估測(cè)的傾向，而MFEMPROSAIL-LSSVM、MFEMLSSVM、MFEMBP模型對(duì)葉綠素的估測(cè)值與實(shí)測(cè)值較為接近，尤其MFEMPROSAIL-LSSVM和MFEMLSSVM多因子預(yù)測(cè)模型估測(cè)葉綠素最大、最小值、均值和標(biāo)準(zhǔn)差都比較接近實(shí)測(cè)值。

3 討論

在東北水稻葉綠素含量估測(cè)方面，本文選擇相關(guān)性較高光譜指數(shù)GNDVI、RSI、(SDr-SDb)/(SDr+SDb)和MCARI 作為水稻幾個(gè)關(guān)鍵生育期葉綠素動(dòng)態(tài)變化的輸入因子，并分別構(gòu)建基于植被指數(shù)的單因子預(yù)測(cè)模型及多因子預(yù)測(cè)模型，都在一定程度上獲得了較為滿意的精度。相對(duì)利用全部光譜信息建模，基于光譜指數(shù)建立的模型較為簡(jiǎn)單，盡管僅使用了幾個(gè)光譜波段，但數(shù)據(jù)利用率較高，精度也較高。通過(guò)特征波段組成光譜指數(shù)，可剔除不相關(guān)變量，進(jìn)而得到性能較好的估測(cè)模型。

通過(guò)本文仿真對(duì)比研究發(fā)現(xiàn)，在建立的多個(gè)模型中，多因子預(yù)測(cè)模型整體上優(yōu)于單因子預(yù)測(cè)模型，可能因?yàn)閱我蜃宇A(yù)測(cè)模型建立時(shí)，參與建模的光譜信息過(guò)少而導(dǎo)致模型穩(wěn)定性不夠，且容易受到背景信息的干擾而降低模型精度。水稻等作物葉綠素含量的差異體現(xiàn)在光譜的多個(gè)波段上，而其他波段構(gòu)建的光譜指數(shù)對(duì)葉綠素的影響往往不可忽視。因此，文中多因子預(yù)測(cè)模型具有較好的估測(cè)效果。另外，在多因子預(yù)測(cè)模型中，基于PROSAIL 模型偏差補(bǔ)償?shù)幕旌夏Ｐ停漕A(yù)測(cè)值與實(shí)測(cè)值之間具有更好的擬合性(R2=0.740 6，RMSE 為0.985 2 mg/dm2)?？梢?jiàn)，在相同波段或植被指數(shù)輸入條件時(shí)，對(duì)模型偏差有效補(bǔ)償可進(jìn)一步提升模型估測(cè)性能。

在對(duì)水稻葉綠素含量預(yù)測(cè)時(shí)，采用一年或兩年數(shù)據(jù)構(gòu)建水稻葉綠素含量預(yù)測(cè)模型往往存在一定不足，但本文可為下一步開(kāi)展長(zhǎng)時(shí)間序列的基于高光譜數(shù)據(jù)的水稻葉綠素含量估測(cè)奠定基礎(chǔ)。此外，水稻等作物葉綠素含量估測(cè)目前還沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)模型，雖然本文構(gòu)建了水稻在4 個(gè)關(guān)鍵生育期內(nèi)的整體動(dòng)態(tài)混合模型，但最佳的葉綠素預(yù)測(cè)模型也會(huì)因生育期、品種、長(zhǎng)勢(shì)等不同而受影響。由于受到天氣、技術(shù)、設(shè)備等多方面影響，未能獲取更多生育期(如孕穗期、開(kāi)花期、灌漿早期、灌漿末期)的數(shù)據(jù)信息，本文所得的最優(yōu)模型在一定程度上也會(huì)受限于本次測(cè)量結(jié)果。因此，在多個(gè)不同水稻品種、不同關(guān)鍵生育期及不同年份水稻樣本上繼續(xù)測(cè)試，積累更多的試驗(yàn)數(shù)據(jù)，進(jìn)而將本研究更好地應(yīng)用于水稻全生育期及其它品種以進(jìn)一步提升預(yù)測(cè)模型的穩(wěn)定性及普適性，是今后需著重探討研究的一個(gè)問(wèn)題。

4 結(jié)束語(yǔ)

利用PROSAIL 輻射傳輸機(jī)理模型結(jié)合LSSVM誤差模型，篩選出4 種與葉綠素相關(guān)性較高的植被指數(shù)GNDVI、MCARI、RSI 和(SDr-SDb)/(SDr+SDb)作為輸入，建立4 個(gè)關(guān)鍵生育期內(nèi)的整體多因子預(yù)測(cè)混合模型，用來(lái)估測(cè)水稻葉綠素含量，并與其他預(yù)測(cè)模型進(jìn)行了比較。結(jié)果表明，相比單因子輸入的預(yù)測(cè)模型，本文建立的MFEMPROSAIL-LSSVM模型具有較低的估測(cè)誤差和較高的估測(cè)精度;與MFEMPROSAIL模型及其他多因子預(yù)測(cè)模型MFEMPLS、MFEMLSSVM、MFEMBP相比，MFEMPROSAIL-LSSVM模型具有更高的估測(cè)精度和良好的魯棒性。另外，與單純數(shù)據(jù)驅(qū)動(dòng)模型相比，本文方法不僅具有較高估測(cè)精度，而且具有更為嚴(yán)格的理論基礎(chǔ)和較明確的物理意義。本文建模方法可為利用高光譜信息反演水稻葉綠素含量提供新的研究思路，為水稻葉綠素含量的動(dòng)態(tài)監(jiān)測(cè)提供了模型依據(jù)。