论文部分内容阅读
叶绿素含量及其动态变化的精准快速监测,对绿色作物的生长趋势和营养状况的监测和管理具有重要意义。传统的测定方法耗时费力,且无法进行大规模叶绿素含量监测。高光谱技术利用纳米级光谱分辨率来捕捉更加全面的图像特征,近年来被广泛应用于农作物生理参数的快速无损检测。本文对内蒙古地区的典型农作物玉米、向日葵和马铃薯展开研究,通过田间作业和室内测定结合的方法获取数据。首先,对三种农作物叶片的高光谱特征进行分析,并对三种农作物的原始光谱进行异常值剔除、平滑滤波和一阶微分预处理(SG_D1);然后,对预处理后的光谱数据进行特征选择,包括特征波长和光谱指数的筛选,特征选择算法主要用到随机蛙跳算法(RF)、相关性分析算法(CA)、蒙特卡罗无信息变量消除算法(MC_UVE)、迭代保留信息变量算法(IRIV)和竞争性自适应重加权采样算法(CARS),并在此基础上提出一种改进型特征选择算法(ICARS_CA),为后期建立反演模型提供基础;最后,对优选出的光谱指数建立一元(LR)和多元(MLR)线性回归模型,对优选出的特征波长建立一元(LR)和多元(MLR)线性回归、偏最小二乘回归(PLSR)、K近邻回归(KNNR)和投票回归器(VR)模型,对比分析不同特征波长选择算法和高光谱反演模型对农作物叶片高光谱定量反演精度的影响。除此之外,本研究还试图通过忽略农作物种类情况下,估测综合三种农作物的整体叶绿素含量,最终为四种农作物类型选择出最优叶绿素高光谱定量反演模型。实验结果表明:(1)玉米、向日葵和马铃薯的高光谱曲线走势总体符合绿色植物叶片的光谱响应特性,主要特征包括在可见光的绿波段(490~580nm)对叶绿素的强反射现象导致出现“波峰”,在可见光红波段(660~700nm)对叶绿素的强吸收现象导致出现“波谷”,且在近红外区(750~800nm)光谱反射率急剧上升后不再变化,形成近红外强反射平台。同种农作物在叶绿素含量不同的情况下,在绿波段的强反射区域,随着叶绿素含量增加,反射率下降;不同农作物在叶绿素含量相同的情况下,反射率值大小有微弱差异,其中玉米的波峰值高于向日葵和马铃薯,向日葵的波谷值最低,在近红外强反射平台三者反射率差异被拉大,反射率值呈现玉米>向日葵>马铃薯。三种农作物经SG_D1预处理后的光谱曲线变化趋势大致相同,叶绿素含量差异导致的光谱曲线的等级差异得到有效消除,光谱曲线的微小细节特征被放大。(2)基于CA算法为玉米优选出的三个最优光谱指数为VOG2、VOG3和SAVI,为向日葵优选出的三个最优光谱指数为VOG1、VOG3和RVI,为马铃薯优选出的三个最优光谱指数为VARI、MTCI和VARI,为综合农作物类型优选出的三个最优光谱指数为RVI、NDVI和VOG1;基于CA、CARS、MC_UVE、IRIV、RF和ICARS_CA,为玉米分别优选出10、16、29、32、25和11个特征波长,为向日葵分别优选出10、35、25、44、20和15个特征波长,为马铃薯分别优选出10、10、20、56、12和9个特征波长,为综合农作物类型优选出10、36、26、54、36和9个特征波长,由此可看出本文提出的ICARS_CA算法可以优选出相对较少的特征波长。(3)将优选出的光谱指数和特征波长作为模型输入变量,分别建立LR、MLR、PLSR、KNNR和VR高光谱反演模型。结果表明,相比于一元模型,多元模型预测性能更优;相比于线性模型,机器学习中非线性模型的预测性能和泛化能力更强。四种农作物类型的叶绿素反演模型中,VR算法表现最优。其中,基于CARS算法为玉米优选的16个特征波长的VR模型预测效果最优,R2为0.9633,MRE_Loocv为3.14%;基于RF算法为向日葵优选的15个特征波长的VR模型预测效果最优,R2为0.9522,MRE_Loocv为3.85%;基于ICARS_CA算法为马铃薯优选的9个特征波长的VR模型预测效果最优,R2为0.9122,MRE_Loocv为7.45%;基于ICARS_CA为综合农作物类型优选的9个特征波长的VR模型预测效果最优,R2为0.9147,MRE_Loocv为6.58%。对于马铃薯和综合农作物类型,ICARS_CA算法在特征波长选择上表现出极佳优势。