楊福芹，沙從術(shù)，馮海寬，韓瑞芳，徐 平

(1.河南工程學(xué)院 土木工程學(xué)院，河南 鄭州 451191； 2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

基于EFAST方法的蘋(píng)果葉片葉綠素含量估算

楊福芹1,2，沙從術(shù)1*，馮海寬2，韓瑞芳1，徐 平1

(1.河南工程學(xué)院 土木工程學(xué)院，河南 鄭州 451191； 2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097)

為了快速、準(zhǔn)確地估算葉綠素含量，使用2012年和2013年在山東省肥城市潮泉鎮(zhèn)獲取的整個(gè)生育期蘋(píng)果葉片葉綠素含量和配套的光譜數(shù)據(jù)，利用PROSPECT模型和EFAST方法探討了對(duì)葉綠素含量敏感的波段，然后采用經(jīng)驗(yàn)統(tǒng)計(jì)方法實(shí)現(xiàn)了單波段高光譜對(duì)蘋(píng)果葉片葉綠素含量的監(jiān)測(cè)。結(jié)果表明：以571 nm和697 nm波段光譜參數(shù)為自變量所建立的估測(cè)模型擬合精度較高，其決定系數(shù)(R2)分別為0.71和0.69，均方根誤差(RMSE)分別為1.14、1.17 mg/dm2，相對(duì)誤差(RE)分別為-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合篩選的敏感波段建立的估算模型監(jiān)測(cè)葉綠素含量效果較好，為利用高光譜技術(shù)監(jiān)測(cè)蘋(píng)果長(zhǎng)勢(shì)提供了理論依據(jù)。

蘋(píng)果葉片； 高光譜； 葉綠素含量； PROSPECT模型； EFAST方法； 隨機(jī)森林

葉綠素含量是監(jiān)測(cè)果樹(shù)長(zhǎng)勢(shì)的主要生化參數(shù)，其變化不僅可以評(píng)價(jià)果樹(shù)的光合作用，而且是評(píng)價(jià)果樹(shù)是否受病害脅迫的指示劑[1-2]。利用高光譜反射特征快速、無(wú)損和準(zhǔn)確監(jiān)測(cè)葉綠素含量已成為監(jiān)測(cè)果樹(shù)長(zhǎng)勢(shì)的重要研究?jī)?nèi)容[3-4]。房賢一等[5]分別利用單變量和多元逐步回歸方法估算了蘋(píng)果盛果期冠層葉綠素含量，結(jié)果表明，用多元逐步回歸方法建立的模型可以更好地監(jiān)測(cè)葉綠素含量。李敏夏等[6]研究發(fā)現(xiàn)，篩選出的對(duì)蘋(píng)果葉綠素含量敏感的一階微分波段為694 nm，其決定系數(shù)為0.59。梁爽等[7]分析了一階微分、紅邊位置和蘋(píng)果葉面葉綠素指數(shù)與葉綠素含量之間的相關(guān)性，結(jié)果表明，以葉面葉綠素指數(shù)為變量的估測(cè)模型擬合精度最高。朱西存等[8]利用高光譜紅邊參數(shù)信息，建立了不同物候期蘋(píng)果葉片的SPAD值估算模型，結(jié)果表明，以紅邊位置參數(shù)與葉片SPAD值之間的相關(guān)性最為顯著。冀榮華等[9]研究發(fā)現(xiàn)，華北地區(qū)蘋(píng)果葉片葉綠素a含量與反射光譜在515～590 nm和688～715 nm波段內(nèi)高度相關(guān)。鄧小蕾等[10]利用小波變換技術(shù)建立了基于反射光譜的蘋(píng)果葉片葉綠素含量估算模型。劉京等[11]利用支持向量機(jī)建立了蘋(píng)果葉片葉綠素含量高光譜遙感估算模型。韓兆迎等[12]利用連續(xù)統(tǒng)去除法對(duì)原始光譜進(jìn)行處理，采用逐步回歸法和主成分分析法提取主成分，構(gòu)建了基于支持向量機(jī)算法的蘋(píng)果樹(shù)冠SPAD值高光譜估算模型。這些研究利用高光譜手段監(jiān)測(cè)蘋(píng)果葉片葉綠素含量，取得了一定的研究成果，但這些方法篩選的敏感波段比較多，為了提高模型的預(yù)測(cè)能力和穩(wěn)健性，本研究嘗試?yán)肞ROSPECT模型和EFAST方法整合篩選敏感波段，進(jìn)而利用高光譜技術(shù)估算蘋(píng)果葉片葉綠素含量，以期為利用高光譜技術(shù)開(kāi)展果樹(shù)長(zhǎng)勢(shì)及營(yíng)養(yǎng)診斷提供新的思路和方法。

1 材料和方法

1.1 研究區(qū)概況和供試材料

田間試驗(yàn)分別于2012年和2013年在山東省肥城市潮泉鎮(zhèn)下寨村的國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心的2個(gè)示范基地的果園(116°50′22″E，36°14′01″N)進(jìn)行。主栽品種為富士和嘎啦，樹(shù)高約3.0 m，果樹(shù)樹(shù)干高約0.5 m，樹(shù)形為紡錘形。在樹(shù)冠東西南北4個(gè)方向的樹(shù)冠外圍中部當(dāng)年延長(zhǎng)枝中部葉(帶葉柄)中分別取8片葉，每株共32片。將樣品迅速放入自封袋中，并將其放在移動(dòng)保溫冰箱中，以減少因呼吸導(dǎo)致的葉片變化。

1.2 蘋(píng)果葉片光譜測(cè)定

蘋(píng)果葉片光譜測(cè)定具體方法參考文獻(xiàn)[13-14]。

1.3 蘋(píng)果葉片葉綠素含量測(cè)定

用直徑0.6 cm的打孔器從測(cè)量光譜的4片蘋(píng)果葉片切取32小片樣品，樣品質(zhì)量0.2 g左右，然后將樣品放入95%無(wú)水乙醇溶液中，并在黑暗的環(huán)境下靜置24 h，葉片變成白綠色，最后采用紫外分光光度計(jì)測(cè)定蘋(píng)果葉片的葉綠素含量。

1.4 PROSPECT模型

著名的PROSPECT模型用于模擬葉片的反射率和透射率[15-16]，光譜范圍為400～2 500 nm，間隔1 nm，該模型主要包括6個(gè)輸入?yún)?shù)：葉片結(jié)構(gòu)參數(shù)(N)、葉綠素含量(Cab)、等效水厚度(Cw)、類(lèi)胡蘿卜素含量(Car)、葉黃素含量(Cbrown)和干物質(zhì)含量(Cm)，輸出參數(shù)為葉片的反射率和透射率。PROSPECT模型6個(gè)輸入?yún)?shù)的取值范圍如表1所示。

表1 PROSPECT模型輸入?yún)?shù)的取值范圍

1.5 EFAST方法

全局敏感性分析方法主要采用擴(kuò)展傅里葉幅度敏感性檢驗(yàn)方法(extended Fourier amplitude sensitivity，EFAST)[17]，它是經(jīng)典傅里葉振幅靈敏度測(cè)試[18-19]方法的擴(kuò)展，由Jacquemoud等[20-21]首先應(yīng)用于遙感領(lǐng)域。EFAST方法考慮了模型參數(shù)的變化范圍對(duì)輸出參量一階敏感性指數(shù)和總體敏感性指數(shù)的影響。一階敏感性指數(shù)指的是模型輸入?yún)?shù)xi的方差占總體方差的百分比，而總體敏感性指數(shù)指的是輸入?yún)?shù)xi以及所有輸入?yún)?shù)xm之間的相互作用的方差占總體方差的百分比。

1.6 統(tǒng)計(jì)分析

選取決定系數(shù)(R2)、均方根誤差(RMSE)、相對(duì)誤差(RE)作為評(píng)價(jià)建模與驗(yàn)證精度高低的指標(biāo)。R2表示模擬值與實(shí)測(cè)值的擬合程度，R2越接近于1，表明該擬合曲線精度越高；RMSE和RE反映了模擬值與實(shí)測(cè)值的偏離程度，其值越小，模型精度越高。

2 結(jié)果與分析

2.1 利用EFAST方法篩選葉綠素含量敏感波段

為了研究蘋(píng)果葉片反射光譜與葉綠素含量之間的關(guān)系，采用PROSPECT模型隨機(jī)模擬了2 000組葉片光譜反射率數(shù)據(jù)，采用EFAST方法對(duì)PROSPECT模型各個(gè)參數(shù)在400～2 500 nm波段范圍的葉片反射光譜進(jìn)行敏感性分析，利用SimLab軟件實(shí)現(xiàn)定量一階敏感性分析，PROSPECT模型中各參數(shù)變化按照表1中的參數(shù)范圍，并在取值范圍內(nèi)認(rèn)定為均勻分布，模擬結(jié)果如圖1所示。從圖1可以看出，在400～760 nm可見(jiàn)光范圍內(nèi)，葉綠素含量對(duì)葉片反射率的影響非常大，一階敏感指數(shù)大于0.4的波段范圍分別為417～497 nm和532～726 nm，其中，葉綠素含量的反射光譜一階敏感指數(shù)較大值分別出現(xiàn)在藍(lán)波段(440 nm)、紅波段(571 nm)和近紅外波段(697 nm)。在660 nm附近葉綠素對(duì)葉片反射率的影響在可見(jiàn)光區(qū)域最低。綜上，波段440、571、697 nm處的反射光譜參數(shù)對(duì)葉綠素含量最為敏感。

圖1 葉綠素含量反射光譜的敏感指數(shù)

2.2 估算模型的構(gòu)建

利用2013年采集的180個(gè)蘋(píng)果葉片葉綠素含量及對(duì)應(yīng)的光譜數(shù)據(jù)，采用經(jīng)驗(yàn)回歸方法建立了3個(gè)單波段反射光譜敏感波段的葉片葉綠素含量估算模型。結(jié)果表明，處于440 nm波段的光譜參數(shù)與

葉綠素含量完全不相關(guān)，這是由于受環(huán)境因素的影響以及吸收的強(qiáng)度不一樣。從表2可以看出，處于571 nm和697 nm波段處的光譜參數(shù)與葉綠素含量都達(dá)到了極顯著相關(guān)水平(P<0.01)，其R2分別為0.71和0.69，RMSE分別為1.14、1.17 mg/dm2，RE分別為-1.07%和-1.01%，預(yù)測(cè)值與實(shí)測(cè)值具有較高的一致性，建模精度較為理想，表明采用571 nm和697 nm波段處的光譜參數(shù)進(jìn)行葉綠素含量估算具有較好的可靠性。

2.3 估算模型的驗(yàn)證

為了進(jìn)一步驗(yàn)證模型的可靠性，利用2012年采集的297個(gè)山東地區(qū)蘋(píng)果相關(guān)數(shù)據(jù)進(jìn)行可靠性檢驗(yàn)，如表2和圖2所示，571 nm和697 nm單波段算法的R2分別為0.11和0.19，RMSE分別為1.33、1.55 mg/dm2，RE分別為5.92%和13.20%。571 nm波段處的光譜參數(shù)估算的葉綠素含量與實(shí)測(cè)值之間存在很好的關(guān)系，預(yù)測(cè)值和實(shí)測(cè)值均勻分布在1∶1線的兩側(cè),但決定系數(shù)為0.11，僅達(dá)到顯著相關(guān)水平(P<0.05)。697 nm波段處的預(yù)測(cè)值和實(shí)測(cè)值之間的關(guān)系較好，其決定系數(shù)為0.19，達(dá)到極顯著相關(guān)水平(P<0.01)，預(yù)測(cè)值和實(shí)測(cè)值多數(shù)處于1∶1線之上，預(yù)測(cè)值存在高估現(xiàn)象，可能由于氣候原因，2012年采集蘋(píng)果數(shù)據(jù)生育期與2013年采集蘋(píng)果數(shù)據(jù)生育期不完全一致，導(dǎo)致實(shí)測(cè)值普遍小于預(yù)測(cè)值。

表2 基于EFAST方法的葉綠素含量建模及驗(yàn)證

注：x—反射光譜(nm)；y—葉綠素含量(mg/dm2)。

a.571 nm； b.697 nm

3 結(jié)論

本研究使用2012年和2013年地面實(shí)測(cè)的全生育期蘋(píng)果葉片葉綠素含量和相應(yīng)的葉片光譜數(shù)據(jù)，首先采用PROSPECT模型隨機(jī)模擬了2 000組數(shù)據(jù)，然后采用EFAST方法篩選出對(duì)葉片葉綠素含量的敏感波段分別為440、571、697 nm，根據(jù)選擇的敏感波段利用經(jīng)驗(yàn)統(tǒng)計(jì)方法建立了3個(gè)單波段線性回歸方程，估算葉片葉綠素含量。結(jié)果表明，571、697 nm所建立的模型可以提高蘋(píng)果葉片葉綠素含量的估算精度，增加模型的實(shí)用性，具有一定的應(yīng)用前景。該估算模型的R2分別為0.71和0.69，RMSE分別為1.14、1.17 mg/dm2，RE分別為-1.07%和-1.01%。驗(yàn)證結(jié)果同樣表明，葉片葉綠素含量的預(yù)測(cè)值與實(shí)測(cè)值具有較好的一致性，其RMSE分別為1.33、1.55 mg/dm2，驗(yàn)證模型的RE分別為5.92%和13.20%，驗(yàn)證模型都具有較高的精度與可靠性。本試驗(yàn)結(jié)果表明，用PROSPECT模型和EFAST方法整合篩選的敏感波段可以較好地估算蘋(píng)果葉片葉綠素含量，這為利用高光譜特征參數(shù)監(jiān)測(cè)蘋(píng)果長(zhǎng)勢(shì)情況提供了新的理論依據(jù)。

[1] 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.

[2] 牛魯燕,孫家波,劉延忠,等.基于成像高光譜的小麥葉片葉綠素含量估測(cè)模型研究[J].河南農(nóng)業(yè)科學(xué),2016,45(4):150-154.

[3] 王秀珍,王人潮,黃敬峰.微分光譜遙感及其在水稻農(nóng)學(xué)參數(shù)測(cè)定上的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報(bào),2002,18(1):9-13.

[4] 劉偉東,項(xiàng)月琴.高光譜數(shù)據(jù)與水稻指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào),2000,4(4):279-283.

[5] 房賢一,朱西存,王凌,等.基于高光譜的蘋(píng)果盛果期冠層葉綠素含量監(jiān)測(cè)研究[J].中國(guó)農(nóng)業(yè)科學(xué),2013,46(16):3504-3513.

[6] 李敏夏,張林森,李丙智,等.蘋(píng)果葉片高光譜特性與葉綠素含量和 SPAD 值的關(guān)系[J].西北林學(xué)院學(xué)報(bào),2010,25(2):35-39.

[7] 梁爽,趙庚星,朱西存.蘋(píng)果樹(shù)葉片葉綠素含量高光譜估測(cè)模型研究[J].光譜學(xué)與光譜分析,2012,32(5):1367-1370.

[8] 朱西存,趙庚星,姜遠(yuǎn)茂,等.基于高光譜紅邊參數(shù)的不同物候期蘋(píng)果葉片的SPAD值估測(cè)[J].紅外,2011,32(12):31-38.

[9] 冀榮華,鄭立華,鄧小蕾,等.基于反射光譜的蘋(píng)果葉片葉綠素和含水率預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(8):269-275.

[10] 鄧小蕾,李民贊,鄭立華,等.基于反射光譜預(yù)處理的蘋(píng)果葉片葉綠素含量預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(14):140-147.

[11] 劉京，常慶瑞,劉淼,等.基于SVR算法的蘋(píng)果葉片葉綠素含量高光譜反演[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(8):260-265.

[12] 韓兆迎,朱西存,王凌,等.基于連續(xù)統(tǒng)去除法的蘋(píng)果樹(shù)冠 SPAD 高光譜估測(cè)[J].激光與光電子學(xué)進(jìn)展,2016,53(2):214-223.

[13] 馮海寬,楊福芹,李振海,等.最優(yōu)權(quán)重組合模型和高光譜估算蘋(píng)果葉片全磷含量[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(7):173-180.

[14] 馮海寬,李振海,金秀良,等.基于EFAST和PLS的蘋(píng)果葉片等效水厚度高光譜估算[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(12):165-171.

[15] Jacquemoud S,Ustin S L,Verdebout J,etal.Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J].Remote Sensing of Environment,1996,56(3):194-202.

[16] Ustin S L,Roberts D A,Pinzon J,etal.Estimating canopy water content of chaparral shrubs using optical methods[J].Remote Sensing of Environment,1998,65(3):280-291.

[17] Cukier R I,Levine H B,Shuler K E.Nonlinear sensitivity analysis of multiparameter model systems[J].Journal of Computational Physics,1978,26(1):1-42.

[18] Ceccato P,Flasse S,Tarantola S,etal.Detecting vegetation leaf water content using reflectance in the optical domain[J].Remote Sensing of Environment,2001,77(1):22-33.

[19] Ceccato P,Gobron N,Flasse S,etal.Designing a spectral index to estimate vegetation water content from remote sensing data:Part 1:Theoretical approach[J].Remote Sensing of Environment,2002,82(2):188-197.

[20] Jacquemoud S,Baret F.PROSPECT:A model of leaf optical properties spectra[J].Remote Sensing of Environment,1990,34(2):75-91.

[21] Jacquemoud S,Baret F,Andrieu B,etal.Extraction of vegetation biophysical parameters by inversion of the PROSPECT+SAIL models on sugar beet canopy reflectance data.Application to TM and AVIRIS sensors[J].Remote Sensing of Environment,1995,52(3):163-172.

Estimation of Chlorophyll Content in Apple Leaves Using Hyperspectral Data Based on EFAST Method

YANG Fuqin1,2,SHA Congshu1*,FENG Haikuan2,HAN Ruifang1,XU Ping1

(1.College of Civil Engineering,Henan Institute of Engineering,Zhengzhou 451191,China; 2.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China)

In order to estimate chlorophyll content quickly and exactly,chlorophyll content parameters and the concurrent spectral reflectance of apple leaves were acquired in Chaoquan town,Feicheng city,Shandong province,during 2012 and 2013 apple growth seasons.Sensitive wavebands to chlorophyll content were selected using PROSPECT model and EFAST(extended Flourier amplitude sensitivity test) method,and then estimation models of chlorophyll content were built using empirical statistical methods.Results showed that the fitting accuracy of the estimation models using wavebands of 571 nm and 697 nm was higher.The determination coefficients(R2) were 0.71 and 0.69,the root mean square errors(RMSE) were 1.14,1.17 mg/dm2,and the relative errors(RE) were -1.07% and -1.01%.The model established by using PROSPECT model and EFAST method can predict the apple leaf chlorophyll content better,providing a theoretical basis for monitoring apple growth conditions by using hyperspectral technology.

apple leaves; hyperspectra; chlorophyll content; PROSPECT model; extended Flourier amplitude sensitivity test; random forest

2016-11-25

國(guó)家自然科學(xué)基金項(xiàng)目(41601346)；北京市自然科學(xué)基金項(xiàng)目(4141001)；國(guó)家高技術(shù)研究發(fā)展計(jì)劃863課題(2011AA100703)

楊福芹(1979-)，女，河南安陽(yáng)人，講師，博士，主要從事農(nóng)業(yè)定量遙感研究。E-mail：yangfuqin0202@163.com

*通訊作者：沙從術(shù)(1964-)，男，安徽霍邱人，教授，碩士，主要從事測(cè)繪工程方面的教學(xué)與研究。 E-mail：shacongshu123@126.com

S661.1

A

1004-3268(2017)05-0157-04