油茶葉片葉綠素含量高光譜估測(cè)的偏最小二乘模型參數(shù)選擇

王芳東，嚴(yán)志雁，趙小敏，郭 熙，周 洋，國(guó)佳欣

（1.江西農(nóng)業(yè)大學(xué) 江西省鄱陽(yáng)湖流域農(nóng)業(yè)資源與生態(tài)重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045；2.江西省農(nóng)業(yè)科學(xué)院 基地管理中心，江西 南昌 330200；3.江西省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，江西 南昌 330200）

【研究意義】油茶（Camellia oleiferaAbel）作為世界四大木本食用油料植物之一，是中國(guó)南方山地丘陵地區(qū)主要經(jīng)濟(jì)林樹(shù)種，是振興區(qū)域經(jīng)濟(jì)，脫貧致富的優(yōu)勢(shì)產(chǎn)業(yè)[1]。葉綠素是綠色植物進(jìn)行光合作用的物質(zhì)基礎(chǔ)，與植物生長(zhǎng)發(fā)育及氮素狀況具有良好的相關(guān)性，是評(píng)價(jià)植物長(zhǎng)勢(shì)和營(yíng)養(yǎng)豐缺狀況的重要指標(biāo)[2]。及時(shí)掌握油茶葉片葉綠素含量對(duì)油茶施肥調(diào)控、豐產(chǎn)高效具有指導(dǎo)意義，快速獲取油茶葉片葉綠素含量十分必要。近年來(lái)，高光譜遙感技術(shù)憑借無(wú)損害、實(shí)時(shí)等優(yōu)點(diǎn)成為了監(jiān)測(cè)葉綠素含量的重要手段[3-4]。高光譜遙感技術(shù)波段數(shù)多、數(shù)據(jù)信息量大，如何從高維數(shù)據(jù)中選擇有效光譜參數(shù)是建立準(zhǔn)確穩(wěn)定估測(cè)模型的關(guān)鍵?！厩叭搜芯窟M(jìn)展】國(guó)內(nèi)外學(xué)者利用敏感波段、植被指數(shù)、光譜特征等高光譜參數(shù)，在估算植物葉綠素等區(qū)域生態(tài)參數(shù)方面做了大量的研究與應(yīng)用[5-9]。茹克亞·薩吾提等[10]利用對(duì)數(shù)變換和1.2階微分計(jì)算的植被指數(shù)（NDVI、DVI、RVI、MSR705、MSR670，800、CI）建立的PLSR 模型的估算精度最優(yōu)。岳學(xué)軍等[11]采用原始光譜及其變換形式作為模型輸入矢量，在小波去噪的基礎(chǔ)上利用PLSR 算法實(shí)現(xiàn)了對(duì)柑橘葉片葉綠素含量的精確估算，建模和驗(yàn)證R2分別達(dá)到0.87 和0.86。于汧卉等[12]利用小波系數(shù)構(gòu)建的PLSR 模式反演冬小麥葉綠素的精度要高于植被指數(shù)反演，確定連續(xù)小波變換和PLSR 模式結(jié)合能對(duì)冬小麥葉綠素很好的估算。Singh等[13]利用敏感波段及構(gòu)成的光譜指數(shù)在估測(cè)高粱葉綠素取得了較好的結(jié)果。洪帥等[14]分析了12 種植被指數(shù)與棉花葉片葉綠素含量的關(guān)系，并確定了多元回歸模型估測(cè)棉花葉片葉綠素含量的精度要高于單指數(shù)回歸模型。現(xiàn)有研究不斷豐富了高光譜參數(shù)，為大尺度估測(cè)葉綠素含量提供了一定的科學(xué)依據(jù)。

【本研究切入點(diǎn)】PLSR 算法作為一種有效的統(tǒng)計(jì)方法被大量運(yùn)用到植被葉綠素含量的估算研究中。以往研究在利用該模型時(shí)，主要以單個(gè)高光譜參數(shù)如敏感波段、植被指數(shù)、高光譜特征為模型輸入，對(duì)多個(gè)高光譜參數(shù)綜合建模研究較少，這導(dǎo)致光譜數(shù)據(jù)無(wú)法充分利用，從而影響模型精度。高光譜估測(cè)對(duì)象集中在玉米、棉花、冬小麥等大田作物，對(duì)油茶等經(jīng)濟(jì)作物卻鮮有報(bào)道?！緮M解決關(guān)鍵問(wèn)題】本研究以南方丘陵區(qū)不同品種油茶為試驗(yàn)樣本，利用182個(gè)葉片光譜數(shù)據(jù)，結(jié)合實(shí)測(cè)油茶葉片葉綠含量，綜合比較敏感征波段、光譜指數(shù)、高光譜特征和全波譜（400～1 350 nm）4 種不同高光譜參數(shù)分別構(gòu)建偏最小二乘回歸模型，并進(jìn)行精度驗(yàn)證。從多維高光譜數(shù)據(jù)深度挖掘有效高光譜參數(shù)，提高油茶葉綠素含量的估算精度，為定量遙感發(fā)展提供科學(xué)支持和參考。

1 材料與方法

1.1 測(cè)定指標(biāo)與方法

1.1.1 葉片樣品采集 油茶葉片采集于江西省林木育種中心油茶示范基地（28°44′～28°95′N(xiāo)，115°65′～116°65′E），該基地為典型的南方丘陵區(qū)，適宜油茶生長(zhǎng)，基地油茶種植管理水平一致，油茶樹(shù)齡為9 年。為獲取不同含量的葉綠素油茶葉片，試驗(yàn)采用不同品種油茶為試驗(yàn)材料，于2019 年7 月25日（油茶果實(shí)膨大期）采集了江西省主推的贛石84-8、贛6、贛無(wú)2、贛70、贛興48、贛撫20、贛68和贛無(wú)1等8個(gè)不同油茶樹(shù)品種182 棵油茶的葉片，不同品種間油茶樹(shù)差異明顯。每顆油茶樹(shù)按東、西、南、北、中5 個(gè)方位，在冠層外圍各取1片充分展開(kāi)、無(wú)損、無(wú)病蟲(chóng)害的健康頂三葉，每個(gè)方位采集3片葉，每顆樹(shù)采集15片葉。

1.1.2 葉片光譜測(cè)定 油茶葉片光譜采用美國(guó)ASD公司FildSpec 4背掛型地物光譜儀進(jìn)行測(cè)定，該光譜儀波段范圍為350～2 500 nm，光譜分辨率分別為3 nm（350～1 000 nm）和10 nm（1 000～2 500 nm），采樣間隔分別為1.4 nm（350～1 000 nm）和2 nm（1 000～2 500 nm）。測(cè)定前用脫脂棉擦拭干凈葉片，用葉片夾夾住葉片中部（避開(kāi)葉脈），每片葉測(cè)5次光譜，以5次光譜均值作為該葉片的光譜反射值，以15片葉的光譜反射平均值作為該棵油茶樹(shù)的葉片反射率，共采集到182個(gè)光譜數(shù)據(jù)。

1.1.3 葉片葉綠素含量測(cè)定 采用分光光度法測(cè)定油茶葉片葉綠素含量。每個(gè)油茶葉片樣本剪碎混勻，稱(chēng)取0.4 g裝入25 mL濃度為99%的丙酮和無(wú)水乙醇體積比2∶1混合的萃取液。置于避光處24 h。將萃取液裝入石英比色皿，測(cè)定645，663 nm處的吸光度A645和A663，利用式（1）、式（2）和式（3）計(jì)算葉綠素a、葉綠素b和總?cè)~綠素t。

式（1）、（2）和（3）中：A663與A645分別為663 nm與645 nm的吸光度；Chla、Chlb與Chlt分別為葉綠素a與葉綠素b與總?cè)~綠素含量，單位為mg/g。

以15片葉的葉綠素含量平均值作為該棵油茶葉片葉綠素含量，共獲取182個(gè)葉綠素含量數(shù)據(jù)。

1.2 高光譜參數(shù)選擇與模型構(gòu)建

PLSR 集典型相關(guān)分析、主成分分析和多元線(xiàn)性回歸分析為一體，在降低光譜分析維數(shù)的同時(shí)，從高維數(shù)據(jù)中找到影響因變量（葉綠素含量）的主控因子，使構(gòu)建的模型更具有魯棒性[15]。本研究采用PLSR模型估測(cè)油茶葉綠素的含量，選擇了敏感特征波段、光譜指數(shù)、高光譜特征參數(shù)、全波譜4 種不同的高光譜參數(shù)分別作為建模輸入自變量。敏感特征波段選擇原始光譜的一階微分?jǐn)?shù)據(jù)與油茶葉片葉綠素含量相關(guān)性較優(yōu)的波段；光譜指數(shù)參考前人研究常用的與葉綠素有關(guān)的14個(gè)光譜指數(shù)（表1），選擇相關(guān)性較強(qiáng)的光譜指數(shù)；高光譜特征參數(shù)指基于光譜位置和光譜面積等提取的13 個(gè)特征參數(shù)[16]（表2），選擇與油茶葉綠素相關(guān)性較優(yōu)的高光譜特征參數(shù)；由于葉綠素對(duì)葉片光譜的響應(yīng)波段主要位于可見(jiàn)光和近紅外波段，選擇400～1 350 nm 波段作為全波譜輸入量，輸入波段數(shù)為951個(gè)。

表1 光譜指數(shù)計(jì)算公式Tab.1 Spectral index formula

表2 高光譜特征參數(shù)Tab.2 Hyperspectral characteristic parameter

1.3 數(shù)據(jù)處理

采用Viewspc pro 6.0 對(duì)原始光譜數(shù)據(jù)400～1 350 nm 范圍進(jìn)行重采樣，采樣間隔為1 nm。通過(guò)SPSS 22.0進(jìn)行高光譜參數(shù)與油茶葉片葉綠素含量相關(guān)分析。利用Python3.6編程進(jìn)行PLSR 模型構(gòu)建，Origin-Pro 2016繪圖。

綜合分析油茶葉片葉綠素含量的代表性及穩(wěn)定性，將182個(gè)樣本按4∶1隨機(jī)劃分為建模集和驗(yàn)證集兩部分，其中建模集樣本數(shù)為136 個(gè)樣本，驗(yàn)證集有46 個(gè)樣本，樣本統(tǒng)計(jì)見(jiàn)表3。為驗(yàn)證模型精度，采用決定系數(shù)（R2）、均方根誤差（RMSE）、預(yù)測(cè)偏差比（RPD）作為精度評(píng)價(jià)指標(biāo)。R2和RPD 越大，且RMSE 越小，說(shuō)明預(yù)測(cè)效果好。當(dāng)RPD＜1.5時(shí)，表明模型無(wú)法對(duì)樣本進(jìn)行預(yù)測(cè)；當(dāng)1.5＜RPD＜2時(shí)，表明模型只能對(duì)樣本進(jìn)行粗略預(yù)測(cè)；當(dāng)2＜RPD＜2.5時(shí)，表明模型有較好的預(yù)測(cè)樣本的能力；當(dāng)RPD＞2.5時(shí)，表明模型有很好的預(yù)測(cè)樣本的能力[24]。綜合建模和驗(yàn)證檢驗(yàn)結(jié)果，選擇出最佳估算模型。式（4）為均方根誤差計(jì)算公式，式（5）為預(yù)測(cè)偏差比計(jì)算公式，

表3 油茶葉片葉綠素含量統(tǒng)計(jì)特征Tab.3 Statistical characteristics of chlorophyll content in Camellia oleifera leaves （mg·g-1）

式（4）中n為樣本數(shù)量，ym和yp分別為油茶葉片葉綠素含量實(shí)測(cè)值與預(yù)測(cè)預(yù)期。式（5）中，STDEV 表示驗(yàn)證集樣本實(shí)測(cè)值的標(biāo)準(zhǔn)偏差。

2 結(jié)果分析

2.1 不同油茶葉片葉綠素含量反射光譜特征

為明確不同葉綠素含量油茶葉片的高光譜特征，參照油茶葉綠素含量概率密度分布圖（圖1），以182 個(gè)樣本葉綠素含量平均值為參考，按樣本值大小分布把樣本分成高（1.30～1.53 mg/g）、中（1.07～1.30 mg/g）、低（0.83～1.06 mg/g）3 個(gè)不同葉綠素含量等級(jí)。以每個(gè)等級(jí)葉片反射光譜平均值代表該等級(jí)的葉綠素含量反射光譜，形成不同葉綠素含量反射光譜，見(jiàn)圖2。從圖2 可以看出，不同葉綠素含量的油茶反射光譜曲線(xiàn)變化趨勢(shì)基本一致，有明顯的變化規(guī)律。在藍(lán)光（490～530 nm）和紅光（650～690 nm）波段范圍內(nèi)的497 nm 和690 nm 處出現(xiàn)2 個(gè)吸收谷；綠光波段（510～560 nm）范圍的550 nm 處出現(xiàn)一個(gè)反射“綠峰”；在700～770 nm 波段范圍內(nèi)，反射光譜曲線(xiàn)急劇上升，具有陡而近于直線(xiàn)的形態(tài)，形成“紅邊”現(xiàn)象；在近紅外區(qū)受油茶葉片內(nèi)部細(xì)胞結(jié)構(gòu)的控制，葉片光譜反射率表現(xiàn)為一個(gè)高的反射區(qū)。通過(guò)對(duì)比不同葉綠素含量葉片反射率可知，葉綠素含量不同，油茶葉片反射率大小表現(xiàn)不同，隨著葉綠素含量的增加，在可見(jiàn)光范圍內(nèi)反射率逐漸降低，在近紅外區(qū)反射率逐漸增大。整體而言，在可見(jiàn)光和近紅外范圍內(nèi)（400～1 350 nm），除760～800 nm 波段外，不同葉綠素含量油茶的光譜反射率曲線(xiàn)變化比較明顯，較為容易區(qū)分。

圖1 葉綠素含量概率密度分布Fig.1 Probability density distribution of chlorophyll content

圖2 不同葉綠素含量葉片反射率Fig.2 Reflectance of leaves with different chlorophyll contents

2.2 相關(guān)性分析及最優(yōu)高光譜參數(shù)選擇

為選出易反映油茶葉片葉綠素含量變化能力的高光譜參數(shù)，本研究對(duì)一階導(dǎo)反射光譜、光譜指數(shù)和高光譜特征參數(shù)與油茶葉片葉綠素含量進(jìn)行相關(guān)性分析。

2.2.1 一階導(dǎo)反射光譜與葉綠素相關(guān)性分析 一階導(dǎo)反射光譜與葉綠素含量相關(guān)性如圖3所示。從圖3可以看出，葉片葉綠素與一階導(dǎo)光譜相關(guān)性較大的波段主要集中于可見(jiàn)光區(qū)域。在480～553 nm 和677～736 nm 2 個(gè)波段范圍，兩者呈極顯著負(fù)相關(guān)；在554～676 nm 波段范圍，兩者呈極顯著正相關(guān)，且在波段564 nm處兩者存在最大正相關(guān)，相關(guān)系數(shù)為0.82；油茶葉片葉綠素素與波段565，568，569，570 nm的相關(guān)系數(shù)分別為0.81、0.80、0.81 和0.81，均在0.80 以上。因此，本研究選取波段564，565，568，569，570 nm 5個(gè)波段為指示油茶葉片葉綠素含量變化的敏感波段。以上述5 個(gè)敏感波段的一階導(dǎo)數(shù)光譜反射率值作為模型輸入自變量，構(gòu)建油茶葉片葉綠素含量的PLSR估算模型。

圖3 一階導(dǎo)光譜反射率與油茶葉片葉綠含量的相關(guān)性Fig.3 Correlation between first-order spectral reflectance and green content in Camellia oleifera leaves

2.2.2 光譜指數(shù)與葉綠素相關(guān)分析 對(duì)光譜指數(shù)與油茶葉片進(jìn)行相關(guān)性分析可知，14 個(gè)光譜指數(shù)與油茶葉片葉綠素含量的相關(guān)系數(shù)絕對(duì)值在0.06～0.74（表4）。RVI、NDVI、NPCI和BmSR705光譜指數(shù)與葉綠素含量呈正相關(guān)，相關(guān)性系數(shù)較低（P＞0.01）；其余的光譜指數(shù)中，除PRI指數(shù)外，DVI、SAVI、MCARI、TCARV、OSAVI、VARI、VOG2和VOG1等光譜指數(shù)均與葉綠素含量呈負(fù)相關(guān)，并達(dá)到了極顯著水平（P＜0.01）。通過(guò)比較相關(guān)系數(shù)發(fā)現(xiàn)，在所選的光譜指數(shù)中，與葉片葉綠素含量的最大負(fù)相關(guān)性的指數(shù)為T(mén)CAR，相關(guān)系數(shù)為-0.74；BmND705指數(shù)與葉綠素含量存最大正相關(guān)，相關(guān)系數(shù)達(dá)0.56。為提高模型精度，本研究選擇與葉綠素含量極顯著相關(guān)的DVI、SAVI、MCARI、TCARI、OSAVI、BmND705、VARI、VOG2 和VOG1 等9 個(gè)光譜指數(shù)為模型的輸入變量。

2.2.3 高光譜特征參數(shù)與葉綠素相關(guān)分析 通過(guò)對(duì)原始光譜的一階微分處理，本研究提取了包括藍(lán)邊、黃邊、紅邊幅值、位置、綠峰反射率13個(gè)油茶葉片高光譜“三邊”特征參數(shù)，對(duì)高光譜特征參數(shù)與油茶葉片葉綠素含量值進(jìn)行相關(guān)分析，相關(guān)系數(shù)結(jié)果見(jiàn)表4。高光譜特征參數(shù)與油茶葉片葉綠素含量的相關(guān)系數(shù)絕對(duì)值在0.04～0.80，除藍(lán)邊位置（λb）外，其余的高光譜特征參數(shù)均與油茶葉片葉綠素含量呈極顯著相關(guān)。油茶葉片葉綠素與藍(lán)邊內(nèi)最大一階微分值（Db）呈最大負(fù)相關(guān)，相關(guān)系數(shù)為-0.78，與黃邊面積（SDy）呈最大正相關(guān)，相關(guān)系數(shù)為0.80。本研究選擇呈極顯著相關(guān)的Db、Dy、Dr、λy、λr、Rg、Rr、SDb、SDy、SDr、SRg和SRr 12個(gè)高光譜特征參數(shù)作為自變量，油茶葉片葉綠素含量作為因變量，建立偏最小二乘回歸模型。

表4 高光譜參數(shù)與油茶葉片葉綠素含量的相關(guān)系數(shù)Tab.4 Correlation coefficients between hyperspectral parameters and chlorophyll content of Camellia oleifera leaves

2.3 基于不同高光譜參數(shù)的葉綠素含量估測(cè)

以敏感波段、光譜指數(shù)、高光譜特征參數(shù)和全波段4 種不同光譜參數(shù)分別作為自變量，構(gòu)建PLSR模型，建模與驗(yàn)證結(jié)果見(jiàn)表5。從建模和驗(yàn)證結(jié)果看，以高光譜特征參數(shù)為自變量構(gòu)建的PLSR 模型和以全波段（400～1 350 nm）為自變量構(gòu)建的PLSR 模型的R2都在0.80 以上，RPD 值均大于2，RMSE 均較小，表明以高光譜參數(shù)和全波譜建立PLSR 模型都能較好的估測(cè)油茶葉片葉綠素含量，模型穩(wěn)定性強(qiáng)，準(zhǔn)確度高。

表5 不同高光譜參數(shù)建模與驗(yàn)證結(jié)果Tab.5 Comparison of different parameter modeling and verification results

利用驗(yàn)證樣本對(duì)模型預(yù)測(cè)能力進(jìn)行檢驗(yàn)，形成實(shí)測(cè)值與預(yù)測(cè)值1∶1 擬合圖，結(jié)果如圖4 所示。通過(guò)系統(tǒng)比較以敏感波段、光譜指數(shù)、高光譜特征參數(shù)和全波段4 種不同自變量分別建立的PLSR 模型相關(guān)參數(shù)可以看出，與其他高光譜參數(shù)相比，基于全波段光譜數(shù)據(jù)（400～1 350 nm）建立的預(yù)測(cè)模型，其模型評(píng)價(jià)參數(shù)均最優(yōu)，表現(xiàn)出了最好的預(yù)測(cè)能力；基于高光譜特征參數(shù)建立的預(yù)測(cè)模型精度參數(shù)略低于最優(yōu)模型，但明顯高于光譜指數(shù)和敏感波段所建立的預(yù)測(cè)模型，并接近最優(yōu)模型的預(yù)測(cè)水平；基于敏感波段建立的PLSR模型預(yù)測(cè)精度表現(xiàn)最低。

圖4 PLSR模型對(duì)實(shí)測(cè)值與預(yù)測(cè)值的1∶1擬合結(jié)果分析Fig.4 The 1∶1 fitting result of PLSR model for measured value and predicted value

3 討論

本研究在獲取油茶葉片光譜和實(shí)測(cè)葉片葉綠素含量數(shù)據(jù)的基礎(chǔ)上，綜合分析了油茶葉片一階微分光譜敏感波段、光譜指數(shù)和高光譜特征參數(shù)不同高光譜參數(shù)與葉綠素含量的相關(guān)性，并篩選出最優(yōu)高光譜參數(shù)分別作為模型輸入，利用PLSR方法建立了油茶葉片葉綠素含量估算模型。

選擇不同的高光譜參數(shù)作為PLSR 模型的輸入，模型的估測(cè)精度有所差異。以敏感波段為自變量構(gòu)建的PLSR 模型其建模R2、RMSE、RPD 分別為0.69、0.06 和1.81，驗(yàn)證R2v、RMSEv、RPDv分別為0.68、0.06 和1.79，該光譜參數(shù)建立的PLSR 模型預(yù)測(cè)決定系數(shù)不高，RSME 較大，其模型的樣本驗(yàn)證RPD 值介于1.5～2.0，說(shuō)明敏感波段建立的模型只能粗略的對(duì)油茶葉片SPAD 值進(jìn)行預(yù)測(cè)，模型準(zhǔn)確度和精度較低。Zeng 等[25]研究表明由于敏感波段包含的數(shù)據(jù)信息量相對(duì)太少，利用其反演植物生化參數(shù)方面存在一定的差距。

光譜指數(shù)是光譜數(shù)據(jù)經(jīng)線(xiàn)性和非線(xiàn)性組合，構(gòu)成的對(duì)地物有一定物理意義的各種模型，光譜指數(shù)可減少外界因素（大氣狀態(tài)）帶來(lái)的數(shù)據(jù)誤差，提高信息提取精度[26]。以光譜指數(shù)為輸入自變量建立的PLSR 模型，雖能較好的預(yù)測(cè)油茶葉片葉綠素含量（RPD＞2），精度比敏感波段高，但預(yù)測(cè)精度低于洪帥等[14]學(xué)者建立的模型，這與本研究采用的光譜指數(shù)是直接引用或參考前人的研究有關(guān)，忽略了光譜指數(shù)可能存在地域、植物等方面差異[27-29]。

由于植被的色素、內(nèi)部組織結(jié)構(gòu)、水分和干物質(zhì)對(duì)光譜的吸收作用，在光譜的可見(jiàn)光-近紅外區(qū)域形成了紅谷、綠峰等明顯的光譜吸收特征，這些光譜特征與植物的單位面積葉綠素含量有關(guān)[30]。提取高光譜“三邊”位置、面積和幅值等12 個(gè)高光譜特征參數(shù)作為輸入自變量，建立的PLSR 模型估測(cè)葉綠素含量取得了較好的效果，其建模和驗(yàn)證R2都在0.80 以上，建模與驗(yàn)證R2分別為0.81 和0.80、RPD 值分別為2.31 和2.28，且RMSE 較小，RPD 大于2，能較好的估測(cè)油茶葉片葉綠素含量。此結(jié)果與丁希斌等[31]的研究相類(lèi)似，說(shuō)明利用微分光譜技術(shù)來(lái)確定高光譜特征區(qū)域，將此應(yīng)用到油茶葉片SPAD 值的反演是可行的。

基于全光譜（400～1 350 nm）建立的PLSR模型，其建模與驗(yàn)證的R2分別為0.84和0.85、RPD值分別為2.52和2.59，RPD大于2.5，與其他輸入?yún)?shù)相比，其建立的預(yù)測(cè)模型精度最高，這可能與輸入數(shù)據(jù)包含了951個(gè)波段，其包含更多有用的光譜信息有關(guān)，此結(jié)論與Wang等[32]研究結(jié)果一致。

以全波段為輸入量建立PLSR 模型時(shí)，輸入波段量有951 個(gè)，包含了對(duì)葉片葉綠素含量不敏感的波段，存在大量無(wú)關(guān)信息，增加了運(yùn)算量，降低了模型運(yùn)算速度，模型精度與穩(wěn)定性也會(huì)受到影響，導(dǎo)致該模型的推廣與應(yīng)用存在弊端[33]；以高光譜特征參數(shù)構(gòu)建預(yù)測(cè)模型時(shí)，輸入自變量只有12 個(gè)輸入?yún)?shù)，與全波段輸入量相比，減少了939 個(gè)，減少了98.73%，高光譜特征參數(shù)在490～760 nm 波長(zhǎng)范圍內(nèi)選取，既考慮了單個(gè)波段反射率未反映的光譜信息，且提取了對(duì)葉片葉綠素含量敏感顯著的波段，保證了模型精度與穩(wěn)定性，大幅度減少了模型的運(yùn)算量，提高了模型運(yùn)算速度，使構(gòu)建的模型更具有實(shí)用和推廣價(jià)值。

油茶品種不同，同一時(shí)期葉片的葉綠素含量不一，不同生長(zhǎng)期的葉片，其葉綠素含量也不同。本研究?jī)H研究了南方丘陵地區(qū)油茶果實(shí)膨大期一個(gè)時(shí)期的葉片葉綠素含量值的估測(cè)模型，其模型對(duì)于其它生育階段的適用性有待進(jìn)一步驗(yàn)證。

4 結(jié)論

本研究采用偏最小二乘回歸（PLSR）方法建立南方丘陵地區(qū)的油茶葉片葉綠素含量的高光譜預(yù)測(cè)模型，重點(diǎn)探討了不同高光譜參數(shù)分別作為輸入自變量用于建模和預(yù)測(cè)精度的差異，明確了利用PLSR模型估測(cè)油茶葉片葉綠素含量的有效高光譜參數(shù)。結(jié)果表明，（1）基于全波段建立的PLSR 模型預(yù)測(cè)油茶葉片葉綠素含量最優(yōu)，建模R2、RMSE、RPD 分別為0.84、0.04 和2.52，驗(yàn)證R2、RMSE、RPD 分別為0.85、0.04和2.59。（2）基于高光譜特征參數(shù)建立的PLSR模型預(yù)測(cè)效果略低，建模與驗(yàn)證R2分別為0.81和0.80，RPD 值分別為2.31 和2.28，能較好的估測(cè)油茶葉片葉綠素含量，與全波段相比其輸入量降低了98.73%，減少了模型運(yùn)算量，提高了模型運(yùn)算速度，更適合應(yīng)用推廣。（3）以敏感波段與光譜指數(shù)所建立的PLSR模型預(yù)測(cè)油茶葉綠素含量效果表現(xiàn)較差，其預(yù)測(cè)R2分別為0.68和0.75，模型穩(wěn)定性不強(qiáng)、準(zhǔn)確度不高。