魯向暉 王 倩 張海娜 龔榮新 張 杰 楊寶城

(南昌工程學(xué)院江西省樟樹繁育與開發(fā)利用工程研究中心, 南昌 330099)

0 引言

植物葉片是進(jìn)行光合作用的重要器官[1],葉片葉綠素含量影響植物的光合能力和生長(zhǎng)情況,可及時(shí)反映植物的健康狀況[2]。葉綠素相對(duì)含量(SPAD)表征植物葉片的綠色程度,與葉綠素含量呈顯著正相關(guān),測(cè)量SPAD是獲取葉綠素含量的一種無(wú)損、便捷的方法[3]。目前廣泛使用葉綠素儀測(cè)定,測(cè)定時(shí)必須與植物葉片接觸,一次僅能測(cè)得一個(gè)點(diǎn),費(fèi)時(shí)費(fèi)力且易形成較大誤差。同一植物葉片的SPAD具有日變化差異,對(duì)于大尺度農(nóng)田,試驗(yàn)時(shí)效性較差。因此,快速無(wú)損監(jiān)測(cè)植被SPAD等生態(tài)生理參數(shù),是當(dāng)前農(nóng)業(yè)監(jiān)測(cè)中亟待突破的技術(shù)難點(diǎn)。

近年來(lái),遙感技術(shù)因可大面積同步觀測(cè)、瞬時(shí)成像等優(yōu)勢(shì),給農(nóng)業(yè)實(shí)時(shí)監(jiān)測(cè)技術(shù)帶來(lái)極大便利。已有研究利用衛(wèi)星遙感、高光譜儀等技術(shù)根據(jù)不同植物生長(zhǎng)階段對(duì)光譜吸收的特征實(shí)現(xiàn)了生長(zhǎng)參數(shù)的反演[4-5]。然而,衛(wèi)星遙感影像分辨率低、時(shí)效性低和高光譜儀成本高、信息冗余處理繁瑣[6],限制了衛(wèi)星遙感和高光譜儀的廣泛應(yīng)用。相比于衛(wèi)星遙感和高光譜儀,無(wú)人機(jī)低空遙感具有空間分辨率高、靈活性強(qiáng)、機(jī)動(dòng)性強(qiáng)和成本低等優(yōu)勢(shì),可快速間接獲取農(nóng)田信息[7-8],極大促進(jìn)了植物、土壤、水等農(nóng)林生態(tài)要素的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。前人通過(guò)運(yùn)用無(wú)人機(jī)遙感技術(shù),采用不同方法建立反演模型,可以較好地獲得農(nóng)作物的SPAD監(jiān)測(cè)結(jié)果。田軍倉(cāng)等[9]利用Sequoia 5通道多光譜傳感器對(duì)寧夏地區(qū)番茄冠層不同垂直位置的葉綠素含量進(jìn)行了反演,將9種植被指數(shù)作為反演模型的輸入,提出支持向量機(jī)模型預(yù)測(cè)番茄葉綠素含量最佳。周敏姑等[10]利用MicaSense RedEdge-M型5波段多光譜相機(jī)采集陜西省楊凌區(qū)冬小麥拔節(jié)期、孕穗期、抽穗期、開花期的冠層多光譜遙感影像,將冠層葉片5個(gè)波段反射率作為模型輸入,建立反射率與SPAD之間的回歸模型,提出逐步回歸模型反演冬小麥精度最高。紀(jì)偉帥等[11]利用Parrot Sequoia農(nóng)業(yè)專用多光譜相機(jī)對(duì)華北平原地區(qū)棉花葉片SPAD進(jìn)行預(yù)測(cè),提出BP神經(jīng)網(wǎng)絡(luò)模型為最佳模型。YUAN等[12]對(duì)熱帶瀕危樹種坡壘進(jìn)行SPAD估算,通過(guò)比較不同算法得出隨機(jī)森林模型的預(yù)測(cè)精度最高。分析已有研究成果發(fā)現(xiàn),在模擬植物的SPAD空間分布時(shí),模型輸入大多數(shù)選取光譜反射率或植被指數(shù)二者之一,沒有對(duì)二者在同一種反演模型的模擬精度進(jìn)行探究,且研究對(duì)象多為一年生農(nóng)作物,而利用無(wú)人機(jī)多光譜遙感技術(shù)對(duì)多年生木本植物生長(zhǎng)狀況的監(jiān)測(cè)鮮有報(bào)道。

樟樹(Cinnamomumcamphora(L.)presl)屬于樟科(Lauraceae)植物,可分為芳樟、腦樟、黃樟、油樟和龍腦樟5個(gè)化學(xué)類型,主要分布于我國(guó)長(zhǎng)江流域及其以南紅壤區(qū),是香精香料、藥用衛(wèi)生、園林和食品等領(lǐng)域的主要原材料來(lái)源,其樟樹精油產(chǎn)業(yè)已成為南方地區(qū)林業(yè)的主導(dǎo)產(chǎn)業(yè)之一[13-14]。有統(tǒng)計(jì)結(jié)果顯示,我國(guó)以樟科植物為主的工業(yè)原料林種植面積達(dá)6.67×104hm2,江西省達(dá)1.33×104hm2以上,其中江西省芳樟矮林面積超過(guò)3.3×103hm2,并且擁有天然芳樟醇的國(guó)際市場(chǎng)價(jià)格定價(jià)權(quán)[15]。芳樟的長(zhǎng)勢(shì)影響著生物量和出油率,進(jìn)而影響芳樟產(chǎn)業(yè)優(yōu)質(zhì)高效生產(chǎn)。本文以芳樟矮林為研究對(duì)象,利用多光譜無(wú)人機(jī)獲取芳樟冠層多光譜影像,對(duì)光譜反射率和植被指數(shù)與地面實(shí)測(cè)SPAD數(shù)據(jù)進(jìn)行相關(guān)性分析,分別以光譜反射率和植被指數(shù)作為輸入,SPAD為輸出,以決定系數(shù)為依據(jù)分別構(gòu)建偏最小二乘回歸(Partial least squares regression,PLSR)、支持向量回歸(Support vector regression,SVR)、反向傳播(Back propagation,BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(Radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)模型,尋求芳樟矮林SPAD最佳反演模型,通過(guò)精準(zhǔn)估測(cè)芳樟SPAD,可實(shí)現(xiàn)芳樟矮林生長(zhǎng)快速監(jiān)測(cè)并及時(shí)指導(dǎo)田間種植與管理,為促進(jìn)芳樟矮林產(chǎn)業(yè)發(fā)展提供理論基礎(chǔ)和技術(shù)支持。

1 材料和方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)位于江西省南昌市南昌工程學(xué)院生物技術(shù)實(shí)驗(yàn)基地(28°41′33″N,116°01′19.37″E),屬于亞熱帶濕潤(rùn)季風(fēng)氣候,多年平均降雨量1 600 mm,多年平均氣溫在17℃左右,極端高溫42℃,極端低溫-10℃,光照充足,歷年平均日照時(shí)數(shù)1 772～1 845 h。該試驗(yàn)區(qū)土壤質(zhì)地為紅壤土,pH值約為5.47,有機(jī)質(zhì)含量6.39 g/kg,全氮含量0.62 g/kg,全磷含量0.30 g/kg,全鉀含量13.00 g/kg,堿解氮含量47.74 mg/kg,速效磷含量1.49 mg/kg,速效鉀含量61.10 mg/kg。周圍無(wú)遮擋、地勢(shì)開闊,衛(wèi)星信號(hào)良好,無(wú)人機(jī)可以正常起飛運(yùn)行。

試驗(yàn)芳樟采用矮林栽培,品種為“贛芳1號(hào)”,來(lái)自同一無(wú)性系扦插苗,2020年3月移栽,于2021年3月定植,2022年9月底進(jìn)行伐樁,此時(shí)芳樟矮林生長(zhǎng)基本處于收獲狀態(tài),其干物質(zhì)積累達(dá)到峰值,生長(zhǎng)狀況具有代表性。設(shè)計(jì)試驗(yàn)區(qū)內(nèi)共66個(gè)樣本小區(qū),每個(gè)樣本范圍為3 m×3 m,栽植行距、株距為1 m×1 m。研究區(qū)示意圖如圖1所示。

圖1 研究區(qū)示意圖

1.2 數(shù)據(jù)獲取

1.2.1無(wú)人機(jī)多光譜遙感數(shù)據(jù)獲取

多光譜遙感數(shù)據(jù)獲取采用大疆經(jīng)緯Matrice 300 RTK型四旋翼無(wú)人機(jī),搭載MS600PRO型多光譜相機(jī),質(zhì)量170 g,可同時(shí)獲取6個(gè)光譜通道的波段遙感影像,6個(gè)120萬(wàn)像素單色傳感器為:藍(lán)光(中心波長(zhǎng)450 nm,帶寬35 nm)、綠光(中心波長(zhǎng)555 nm,帶寬25 nm)、紅光(中心波長(zhǎng)660 nm,帶寬20 nm)、紅邊1(中心波長(zhǎng)720 nm,帶寬10 nm)、紅邊2(中心波長(zhǎng)750 nm,帶寬15 nm)和近紅外光(中心波長(zhǎng)840 nm,帶寬35 nm)。獲取遙感影像在2022年9月26日12:00左右進(jìn)行,光照充足、信號(hào)良好,適合飛行。根據(jù)試驗(yàn)地范圍規(guī)劃飛行航線,并進(jìn)行白板校正,飛行高度設(shè)置為30 m,速度設(shè)置為2.5 m/s。像元分辨率是4.09 cm,選用自動(dòng)捕獲模式,航向、旁向的重疊度分別為75%、65%。

1.2.2地面SPAD實(shí)測(cè)數(shù)據(jù)獲取

采樣儀器為SPAD-502型手持式葉綠素儀,每個(gè)小區(qū)選擇3棵長(zhǎng)勢(shì)均勻的芳樟,每棵樹隨機(jī)選取中上部5片健康的成熟葉片,測(cè)定其SPAD,每個(gè)葉片不同部位測(cè)量3次取平均值,最后計(jì)算5個(gè)葉片的平均值作為該樹的SPAD。地面測(cè)定SPAD與無(wú)人機(jī)飛行測(cè)量同步進(jìn)行。

本次試驗(yàn)共獲取66個(gè)芳樟SPAD樣本數(shù)據(jù),最大值為54.78,最小值為33.51,均值為40.07,標(biāo)準(zhǔn)差為3.79,變異系數(shù)為0.094。

1.3 數(shù)據(jù)處理

1.3.1無(wú)人機(jī)多光譜數(shù)據(jù)處理

通過(guò)多光譜相機(jī)獲取到單波段影像數(shù)據(jù),經(jīng)圖像配準(zhǔn),運(yùn)用Yusensemap完成圖像合成與拼接作業(yè)、輻射定標(biāo)等,拼成TIF格式文件。在ENVI 5.3中導(dǎo)入拼接好的影像圖,通過(guò)進(jìn)行感興趣區(qū)域(ROI)截取、手動(dòng)勾畫芳樟部分葉片的影像、剔除土壤和陰影的影響波段,可分別獲得6個(gè)波段下感興趣區(qū)域內(nèi)所有植被冠層像素點(diǎn)的平均光譜反射率,并將其作為該小區(qū)的芳樟冠層原始光譜反射率。

1.3.2植被指數(shù)提取與選擇

植被指數(shù)與SPAD具有一定的相關(guān)性。植被指數(shù)反映出植被在可見光、近紅外波段反射與土壤背景之間的區(qū)別,由遙感光譜數(shù)據(jù)經(jīng)線性和非線性組合而成[16]。根據(jù)現(xiàn)有文獻(xiàn)研究成果[17-18],本試驗(yàn)選取了8個(gè)植被指數(shù)進(jìn)行芳樟的SPAD估算,分別為修正葉綠素吸收反射植被指數(shù)(MCARI)[19]、無(wú)藍(lán)色波段增強(qiáng)型植被指數(shù)(EVI2)[18]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)[20]、三角植被指數(shù)(TVI)[21]、差異植被指數(shù)(DVI)[22]、改進(jìn)的非線性植被指數(shù)(MNVI)[23]、作物氮反射指數(shù)(NRI)[24]、MERIS陸地葉綠素指數(shù)(MTCI)[25]。

1.4 數(shù)據(jù)分析

利用Matlab 2020a軟件平臺(tái)分別建立基于偏最小二乘回歸、支持向量回歸、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)的芳樟SPAD反演模型。采用Origin 2021軟件進(jìn)行芳樟SPAD與各波段光譜反射率、植被指數(shù)之間的相關(guān)性分析,以及繪制各反演模型的擬合圖。

1.5 模型精度評(píng)價(jià)

將66組波段反射率和植被指數(shù)實(shí)測(cè)數(shù)據(jù)重新排序,將數(shù)據(jù)隨機(jī)分成50組作為訓(xùn)練集,其余16組為測(cè)試集。采用決定系數(shù)R2和均方根誤差(RMSE)評(píng)價(jià)4個(gè)SPAD反演模型的精度。R2越接近1、RMSE越小,模型反演芳樟SPAD效果越好[26-27]。

2 結(jié)果與分析

2.1 波段反射率與芳樟SPAD相關(guān)性分析

對(duì)獲取的芳樟矮林多光譜遙感影像進(jìn)行處理分析,每個(gè)試驗(yàn)小區(qū)提取出6個(gè)原始波段反射率,與相對(duì)應(yīng)的芳樟SPAD實(shí)測(cè)值組成一個(gè)數(shù)據(jù)集。分析結(jié)果顯示,藍(lán)光、綠光、紅光、紅邊1、紅邊2和近紅外波段與SPAD均存在正相關(guān)關(guān)系(表1)。其中紅邊2與SPAD的相關(guān)系數(shù)最高,為0.676。其余5個(gè)波段與SPAD相關(guān)系數(shù)為0.571～0.674,相關(guān)性均在0.01水平上顯著。綜合來(lái)看,6個(gè)波段的光譜反射率與芳樟SPAD具有顯著穩(wěn)定的相關(guān)關(guān)系,增加了以此6個(gè)波段反射率反演芳樟SPAD的可行性。

表1 單波段光譜反射率與芳樟SPAD相關(guān)系數(shù)

2.2 植被指數(shù)與芳樟SPAD相關(guān)性分析

對(duì)選定的芳樟矮林8個(gè)植被指數(shù)與SPAD進(jìn)行相關(guān)性分析,NRI與SPAD之間呈負(fù)相關(guān)關(guān)系,其余7個(gè)植被指數(shù)均與SPAD呈正相關(guān)關(guān)系(表2)。MCARI、EVI2、OSAVI、TVI、DVI、MNVI與SPAD的相關(guān)系數(shù)在0.573～0.676范圍內(nèi),均在0.01水平上顯著相關(guān);MTCI與SPAD的相關(guān)系數(shù)為0.297,在0.05水平上顯著相關(guān);NRI的相關(guān)系數(shù)為-0.153,弱相關(guān)。在2022年9月底芳樟矮林生長(zhǎng)期間,TVI與SPAD相關(guān)程度最優(yōu),相關(guān)系數(shù)為0.676,NRI相關(guān)性最低。除MTCI和NRI,其余6個(gè)植被指數(shù)均與芳樟SPAD具有較好的相關(guān)性。因此,選取MCARI、EVI2、OSAVI、TVI、DVI、MNVI來(lái)估算芳樟SPAD具有一定可行性。

表2 植被指數(shù)與芳樟SPAD相關(guān)系數(shù)

2.3 反演模型構(gòu)建

2.3.1偏最小二乘回歸SPAD反演模型構(gòu)建

對(duì)于線性回歸方法,本文選用偏最小二乘回歸(PLSR)。PLSR集主成分分析、典型相關(guān)、多元線性回歸三者的基本思想于一體,建模過(guò)程中,在一定程度上解決了自變量存在多重共線性的問題[28],優(yōu)于普通多元線性回歸[29]。根據(jù)自變量的累計(jì)貢獻(xiàn)率,選取2個(gè)主成分。

由表1可知,6個(gè)原始波段反射率與芳樟SPAD的相關(guān)程度較高,因此以原始6個(gè)波段反射率作為自變量,芳樟SPAD作為因變量,建立基于偏最小二乘回歸的芳樟矮林SPAD估算模型,模型訓(xùn)練集和測(cè)試集R2分別為0.578、0.564,RMSE分別為2.614、3.914(圖2)。由表2可知,MCARI、EVI2、OSAVI、TVI、DVI和MNVI與芳樟SPAD相關(guān)性顯著,以6個(gè)植被指數(shù)與芳樟SPAD建立基于偏最小二乘回歸的反演模型,訓(xùn)練集和測(cè)試集R2均為0.580,RMSE分別為2.266、3.697(圖3)。因此,采用偏最小二乘回歸法定量反演芳樟SPAD時(shí),以植被指數(shù)為輸入量準(zhǔn)確性最佳。

圖2 以反射率為自變量的PLSR模型

圖3 以植被指數(shù)為自變量的PLSR模型

2.3.2支持向量回歸SPAD反演模型構(gòu)建

支持向量回歸(SVR)是一種以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的監(jiān)督學(xué)習(xí)算法[30]。SVR主要的思想是通過(guò)核函數(shù)將原始數(shù)據(jù)從低維映射到更高維特征空間,從而可以將非線性問題進(jìn)行線性分離[31]。建立基于支持向量回歸的芳樟SPAD反演模型,核函數(shù)選用徑向基核函數(shù),采用5折交叉驗(yàn)證法和網(wǎng)絡(luò)搜索法來(lái)確定徑向基函數(shù)中的參數(shù),閾值誤差容限ε設(shè)置為0.01。以波段反射率、植被指數(shù)為輸入的模型構(gòu)建中,徑向基核函數(shù)中懲罰系數(shù)C分別確定為32、16,正則化系數(shù)γ分別確定為0.25、0.5。

圖4為基于支持向量回歸算法以6個(gè)原始波段反射率為輸入量的芳樟SPAD估算模型建立情況:該模型訓(xùn)練集、測(cè)試集R2分別為0.659、0.627,RMSE分別為2.304、2.166。圖5為基于支持向量回歸算法以MCARI、EVI2、OSAVI、TVI、DVI和MNVI這6個(gè)植被指數(shù)為輸入量的芳樟SPAD估算模型建立情況:該模型訓(xùn)練集和測(cè)試集R2分別為0.643、0.632,RMSE分別為2.427、2.144。因此,采用支持向量回歸法定量反演芳樟SPAD,2種輸入量的反演效果相近。

圖4 以反射率為自變量的SVR模型

圖5 以植被指數(shù)為自變量的SVR模型

2.3.3BP神經(jīng)網(wǎng)絡(luò)SPAD反演模型構(gòu)建

反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)是人工神經(jīng)網(wǎng)絡(luò)算法中應(yīng)用最廣泛的算法之一[32],主要思想是根據(jù)實(shí)際輸出信號(hào)和期望輸出信號(hào)來(lái)不斷反向傳遞誤差,進(jìn)而反復(fù)訓(xùn)練模型調(diào)整神經(jīng)元的權(quán)值來(lái)逼近最小誤差,較好地解決了非線性連續(xù)函數(shù)問題[33]。本文建立基于BP神經(jīng)網(wǎng)絡(luò)的芳樟SPAD反演模型,以波段反射率、植被指數(shù)為輸入的模型構(gòu)建中均采用輸入層-隱含層-輸出層結(jié)構(gòu)為6-15-1,目標(biāo)誤差閾值設(shè)置為10-13,學(xué)習(xí)率為0.01,最大迭代次數(shù)為1 000次。

圖6為基于BP神經(jīng)網(wǎng)絡(luò)以6個(gè)原始波段反射率為輸入量的芳樟SPAD估算模型建立情況:該模型訓(xùn)練集和測(cè)試集R2分別0.740、0.739,RMSE分別為1.991、2.786。圖7為基于BP神經(jīng)網(wǎng)絡(luò)以MCARI、EVI2、OSAVI、TVI、DVI和MNVI這6個(gè)植被指數(shù)為輸入量的芳樟SPAD估算模型建立情況:該模型訓(xùn)練集和測(cè)試集R2分別為0.707、0.678,RMSE分別為2.199、1.981。因此,采用BP神經(jīng)網(wǎng)絡(luò)算法定量反演芳樟SPAD時(shí),以原始波段反射率為模型輸入量準(zhǔn)確性最佳。

圖6 以反射率為自變量的BP神經(jīng)網(wǎng)絡(luò)模型

圖7 以植被指數(shù)為自變量的BP神經(jīng)網(wǎng)絡(luò)模型

2.3.4RBF神經(jīng)網(wǎng)絡(luò)SPAD反演模型構(gòu)建

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)和BP神經(jīng)網(wǎng)絡(luò)相似,前者的隱含層神經(jīng)元采用的激活函數(shù)為高斯函數(shù)(亦稱徑向基函數(shù)),后者采用Sigmoid函數(shù)[34]。建立基于RBF神經(jīng)網(wǎng)絡(luò)的芳樟SPAD反演模型,模型包含3層結(jié)構(gòu):輸入層、隱含層、輸出層。其中,隱含層神經(jīng)元采用高斯函數(shù),神經(jīng)元數(shù)量為50個(gè),徑向基函數(shù)的擴(kuò)展速度設(shè)置為70;輸出層神經(jīng)元采用線性激活函數(shù),其他參數(shù)設(shè)置為默認(rèn)[35]。

圖8為基于RBF神經(jīng)網(wǎng)絡(luò)以6個(gè)原始波段反射率為輸入量的芳樟SPAD估算模型建立情況。該模型的訓(xùn)練集和測(cè)試集的R2分別為0.826、0.788,RMSE分別為1.549、1.838。相應(yīng)地,圖9為基于RBF神經(jīng)網(wǎng)絡(luò)以MCARI、EVI2、OSAVI、TVI、DVI和MNVI這6個(gè)植被指數(shù)為輸入量的芳樟SPAD值估算模型建立情況:該模型訓(xùn)練集和測(cè)試集R2分別為0.758、0.751,RMSE分別為1.790、2.457。綜合上述結(jié)果,以6個(gè)原始波段反射率為自變量,RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)矮林芳樟SPAD有較好的估測(cè)能力。

圖8 以反射率為自變量的RBF神經(jīng)網(wǎng)絡(luò)模型

圖9 以植被指數(shù)為自變量的RBF神經(jīng)網(wǎng)絡(luò)模型

2.4 模型評(píng)價(jià)

對(duì)比4種模型的預(yù)測(cè)精度,以6個(gè)原始波段反射率與以6個(gè)植被指數(shù)為輸入建立反演模型的精度相差不大,對(duì)于線性回歸方法,以植被指數(shù)為自變量的反演模型決定系數(shù)高于反射率;對(duì)于機(jī)器學(xué)習(xí)方法,以反射率為自變量的反演模型決定系數(shù)高于植被指數(shù)(表3)。分析發(fā)現(xiàn),4種模型中,反演芳樟SPAD最優(yōu)的為RBF神經(jīng)網(wǎng)絡(luò),以反射率為自變量的模型訓(xùn)練集和測(cè)試集的決定系數(shù)分別為0.826、0.788,以植被指數(shù)為自變量的模型訓(xùn)練集和測(cè)試集的決定系數(shù)分別為0.758、0.751。

表3 模型預(yù)測(cè)精度對(duì)比

3 討論

紅邊是由于葉綠素強(qiáng)吸收大部分紅光與強(qiáng)反射近紅外波段光所形成的植被反射率劇烈變化區(qū)域[36],在本試驗(yàn)中多光譜遙感影像的紅邊波段與芳樟SPAD相關(guān)系數(shù)最高(R=0.676),說(shuō)明紅邊波段與表征芳樟的生長(zhǎng)狀況的葉綠素含量之間具有較高的相關(guān)性,紅邊對(duì)葉綠素含量變化較敏感,芳樟葉綠素特征信息很大程度上反映在紅邊波段。這與萬(wàn)玲鳳等[37]利用ASD手持式野外光譜輻射儀研究發(fā)現(xiàn)樟樹幼林葉綠素a含量、葉綠素b含量、葉綠素總含量與紅邊位置相關(guān)系數(shù)達(dá)到0.01極顯著性檢驗(yàn)水平的結(jié)論較為相似。然而,劉秀英等[38]將高光譜反射率與樟樹幼林葉綠素含量進(jìn)行相關(guān)性分析,得到556 nm處的光譜反射率與葉綠素含量相關(guān)程度最高,相關(guān)系數(shù)達(dá)到-0.73,該結(jié)論與本研究結(jié)果有所不同,主要原因可能是:①文獻(xiàn)[38]研究對(duì)象是大葉樟,本試驗(yàn)栽植的“贛芳1號(hào)”是江西省樟樹繁育與開發(fā)利用工程研究中心自主申報(bào)的香料樟樹優(yōu)良品種,出油率、芳樟醇含量等關(guān)鍵指標(biāo)方面表現(xiàn)良好。②文獻(xiàn)[38]研究的樟樹是幼林期,本文研究對(duì)象為3年生芳樟。本研究通過(guò)植被指數(shù)與芳樟SPAD相關(guān)性分析,與SPAD相關(guān)性最高、最低的植被指數(shù)分別是TVI、NRI,兩者均由紅邊波段和綠光波段構(gòu)建,表明相同波段不同的線性或非線性組合構(gòu)建的植被指數(shù)與SPAD的相關(guān)性有較大差異。

除模型自變量(原始波段反射率、植被指數(shù))的選取外,建模方法也是影響芳樟矮林SPAD監(jiān)測(cè)結(jié)果的重要因素。在本研究中,以波段反射率和植被指數(shù)作為模型自變量,其最優(yōu)模型均是RBF神經(jīng)網(wǎng)絡(luò)模型,說(shuō)明該模型在反演芳樟SPAD過(guò)程中具有較明顯的優(yōu)勢(shì),主要原因在于RBF神經(jīng)網(wǎng)絡(luò)的收斂速度較快、抗噪能力較強(qiáng)[39]。很多研究表明RBF神經(jīng)網(wǎng)絡(luò)模型性能較好,羅丹等[40]研究表明RBF神經(jīng)網(wǎng)絡(luò)模型為估算蘋果葉片葉綠素含量的最佳模型,楊寶華等[35]利用高光譜數(shù)據(jù)預(yù)測(cè)小麥氮含量,RBF神經(jīng)網(wǎng)絡(luò)模型估測(cè)精度最高,且具有可靠性。本文中RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò),其原因主要是:RBF神經(jīng)網(wǎng)絡(luò)是前向網(wǎng)絡(luò)中最優(yōu)的網(wǎng)絡(luò),在本研究中,能更好地將輸入(原始波段反射率、植被指數(shù))和輸出(芳樟SPAD)形成映射;從訓(xùn)練算法上看,RBF神經(jīng)網(wǎng)絡(luò)具有全局逼近能力,從根本上解決了BP神經(jīng)網(wǎng)絡(luò)易限于局部極小值的缺點(diǎn)[41]。偏最小二乘回歸模型估測(cè)效果最差,推測(cè)是由于偏最小二乘回歸的多元線性回歸模型處理較為復(fù)雜的非線性實(shí)際問題時(shí),具有較明顯的劣勢(shì)[42-43]。支持向量回歸模型需依靠經(jīng)驗(yàn)選用核函數(shù),在一定程度上增加了制約性,影響模型的預(yù)測(cè)效果。

孟沌超等[44]從多角度提取SPAD相關(guān)參數(shù),采用基于植被指數(shù)和紋理特征模型對(duì)不同品種不同生育期的玉米SPAD進(jìn)行估算,取得較好的反演效果。唐彧哲等[45]通過(guò)構(gòu)建面積光譜指數(shù),更準(zhǔn)確地反演不同生育期玉米葉片葉綠素含量,預(yù)測(cè)模型的決定系數(shù)達(dá)到0.94。相比之下,本研究?jī)H選取芳樟的單一生長(zhǎng)期進(jìn)行分析,樣本數(shù)量較少,因此,后續(xù)反演模型優(yōu)化將考慮不同生長(zhǎng)期、增加樣本點(diǎn)等方面,進(jìn)一步提高模型應(yīng)用的準(zhǔn)確性。

4 結(jié)論

(1)原始波段反射率與芳樟矮林SPAD的Pearson相關(guān)性分析結(jié)果表明,紅邊波段與SPAD的相關(guān)性最高,其次是近紅外波段。對(duì)植被指數(shù)與芳樟矮林SPAD進(jìn)行Pearson相關(guān)性分析,6個(gè)植被指數(shù)中與芳樟SPAD相關(guān)性由高到低依次為TVI、MCARI、DVI、EVI2、MNVI、OSAVI,相關(guān)系數(shù)最高達(dá)到0.676,且均在0.5及以上。說(shuō)明以波段反射率和植被指數(shù)分別作為自變量反演芳樟SPAD具有可行性。

(2)基于偏最小二乘回歸法,以植被指數(shù)為模型自變量估測(cè)芳樟矮林SPAD效果略優(yōu);基于支持向量回歸算法、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò),以波段反射率為模型自變量估測(cè)芳樟矮林SPAD效果略優(yōu)。

(3)本試驗(yàn)條件下,RBF神經(jīng)網(wǎng)絡(luò)模型為反演芳樟矮林SPAD最優(yōu)模型,可以對(duì)芳樟矮林SPAD進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。以波段反射率為輸入量,構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)反演模型訓(xùn)練集和測(cè)試集的決定系數(shù)R2分別為0.826、0.788,均方根誤差分別為1.549、1.838。以植被指數(shù)為輸入量,構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)反演模型訓(xùn)練集和測(cè)試集的決定系數(shù)R2分別為0.758、0.751,均方根誤差分別為1.790、2.457。表明基于無(wú)人機(jī)多光譜遙感圖像,建立RBF神經(jīng)網(wǎng)絡(luò)模型,對(duì)芳樟矮林SPAD反演具有良好的適用性,對(duì)芳樟矮林的管理具有一定指導(dǎo)作用。