论文部分内容阅读
客观、准确、现势的植被信息可以使土地使用者和管理者更好地了解当前的土地生产力水平,预测土地的可持续利用潜力,从而支持更为合理的土地资源管理政策的制定因此,获得区域尺度以及全球范围的植被信息,是土地及自然资源管理工作中的重要组成部分。遥感技术作为一种快速、宏观的地表资源监测技术手段,较之传统的地面调查,具有客观、无损以及实时获取信息的优势。尤其是高光谱遥感技术的出现和发展,给植被参数的定量化反演带来了新的机遇:高光谱数据中包含植被更丰富的光谱信息,这极大地提高了对植被物理参数(如叶面积指数和生物量)反演的精度,更为重要的是,也使原来难度较大的除色素(如叶绿素)外的其他植被生物化学参数的遥感反演成为可能。目前,高光谱遥感已经成为提取森林,草地和农作物等植被资源相关化学参数和监测其质量的强有力的工具。然而,利用高光谱技术反演植被生物化学参数的潜力还有待于进一步的挖掘。本文系统地研究了通过茶叶干粉、茶鲜叶以及茶树冠层高光谱数据定量提取茶叶叶片化学组分信息的能力。具体的说,本文中这些化学成分包括总茶多酚(Total tea polyphenols, TTP),游离氨基酸(Free amino acids, FAA)和可溶性糖(Soluble sugars,SS),它们的含量和相互之间的配比在很大程度上影响了最终的茶叶口味和品质。这是首次使用植被光谱信息定量反演茶叶生物化学参数的研究。从干粉,鲜叶再到冠层,光谱信息的复杂度增加,这给通过光谱数据定量反演目标化学参数增加了难度。因此,在利用星载或机载成像光谱遥感技术进行探测之前,有必要开展鲜叶以及植被冠层的地面研究,以分析和探讨今后在大尺度上应用该技术的可能性。为了使研究更具有代表性,本文通过实验室和地面光谱数据,尝试反演了不同老嫩程度叶片,同一茶树品种的不同植株,以及不同茶树品种(N=6)的茶叶总茶多酚、游离氨基酸和可溶性糖的含量(注:文中的化学成分含量均指目标化学成分占叶片干物质的百分比含量)。此外,文章还探讨了不同方法对于茶叶生物化学参数定量信息的提取能力,包括高光谱遥感植被指数(Hyperspectral vegetation indices),偏最小二乘回归模型(Partial least squares regression)以及基于遗传算法(Genetic algorithms)和人工神经元网络(Artificial neural networks)相结合的优化算法,以期找到优化的光谱反演方法,为今后在大区域上的应用服务。目前,遗传算法和人工神经元网络相结合用于提取植被生物化学属性的研究还不多见.研究结果显示,高光谱遥感在预测茶树叶片化学组分方面有着巨大的潜力.根据实验开展的顺序,本文的主要研究结果展示如下:(1)从不同老嫩度叶片的干粉和鲜叶光谱反演叶片化学成分信息基于实验室近红外光谱分析技术的干粉测量是成像光谱遥感技术(高光谱遥感)提取植被化学参数的基础,它可以消除或者减弱叶片水分以及叶片结构等信息对于样本光谱的干扰,获得较为准确的叶片生物化学成分信息。鲜叶光谱测量是探测高光谱遥感技术在提取植被生物化学参数上是否具有潜力的第一步,是连接干粉光谱和冠层光谱反演技术的桥粱.在实验室的可控条件下,本文第3章对于采集的同年生不同老嫩程度的茶树叶片进行了光谱数据采集,并分别建立了叶片光谱和总茶多酚含量,及叶片光谱和游离氨基酸含量的统计关系.为了研究从干粉到鲜叶光谱探测能力的变化,同一批样本在经过烘干研磨后,也使用近红外光谱分析技术进行了测量。在该实验中,我们使用了偏最小二乘回归模型来建立光谱-化学的统计关系。通过对比,我们发现和在干粉层次上相比,尽管在鲜叶层次上对两种化学组分的反演精度有所下降,但还是取得了令人满意的预测结果(圈3.2和圈3.3).对于总茶多酚含量,实际观测值与最佳模型预测值(基于独立验证样本数据)之间的决定系数R2从干粉光谱预测时的0.97下降到鲜叶光谱预测时的0.93,均方根误差(root mean square error of prediction, RMSEP)从干粉光谱预测时的0.83(约为多酚均值的4%)增加到鲜叶光谱预测时的1.47(约为多酚均值的8%);对于氨基酸含量,从干粉光谱到鲜叶光谱,实际观测值与最佳模型预测值的R2从0.99下降到0.97,均方根误差从0.08(约为氨基酸均值的3%)增加到0.20(约为氨基酸均值的8%)。值-模型预测值散点图;图3.3.(右)游离氨基酸含量在干粉(*)和鲜叶(o)层次上门观测值-模型预测值散点图进一步地,通过对偏最小二乘回归模型系数b-coefficients的分析,我们也找到了对反演做出了重要贡献的波段位置,并且将这些波段和以往研究中所确定的茶多酚和游离氨基酸的特征吸收峰位置进行对比。结果显示,干粉层次上,对于茶多酚的预测,偏最小二乘回归模型识别出了8个重要波段(表3.4),其中,1136 nm和1653 nm正好与茶多酚的吸收峰位置重合;对于游离氨基酸,我们找到7个重要波段,其中,1498nm与氨基酸的吸收峰位置接近。在鲜叶层次上,7个重要波段中有1个波段(1660 nm)位于茶多酚吸收峰附近;而对于游离氨基酸,我们没有找到直接和其光谱吸收峰相联系的重要波段。然而,蛋白质(由氨基酸组成)的吸收峰1032nm对预测氨基酸起到了重要作用。其余的用于预测的重要波段大多数和糖、木质素、纤维素等的吸收峰相联系。这些化学组分和待测组分之间,往往存在着较强的相关性。(2)从多种茶树品种的冠层、鲜叶、干粉光谱反演叶片化学成分信息为了考察通过茶树冠层光谱反演茶叶质量相关的化学参数的能力,我们使用ASD野外光谱分析仪FieldSpec Pro实地获取了华中农业大学茶园的六种茶树的冠层光谱,并建立了冠层反射光谱和对应的茶叶化学成分含量(总茶多酚,游离氨基酸和可溶性糖)之间的统计关系。在获取冠层光谱之后,我们在实验室条件下分别测量了相应的鲜叶和干粉的反射光谱,以分析探讨在不同层次上光谱对目标化学成分的反演能力的变化,以及反演所利用的重要光谱波段(第4章)。基于偏最小二乘回归方法,分别建立了干粉、鲜叶和冠层光谱对化学成分含量的预测模型。由于该实验中样本数量较少,为了避免随机划分训练样本和验证样本可能对结果带来的不确定性,在数据分析时采取了对训练和验证样本的多次随机分组的方法,取均值作为最终结果,较好的保证了模型的稳定性。统计分析结果显示偏最小二乘回归法对于茶多酚,游离氨基酸和可溶性糖,干粉光谱的预测精度最高,其次是冠层光谱和鲜叶光谱。我们发现,冠层光谱的预测精度较之鲜叶光谱略有提升.这可能是因为茶树冠层的结构信息和化学信息相关,故增强了冠层光谱对所测化学成分的反演能力。基于独立验证数据的结果显示,对于总茶多酚含量,从干粉到鲜叶再到冠层层次上的实际观测值与模型预测值之间的决定系数R2分别为0.89,0.81和0.83,相应的均方根误差分别为1.14,1.46和1.40:对于游离氨基酸含量,R2依次为0.81,0.76和0.77,相应的均方根误差均为0.14;对于可溶性糖含量,三个层次上的R2分别为0.75,0.40和0.56,相应的均方根误差分别为0.25,0.38和0.31。图4.3显示了在三个层次上对茶多酚,游离氨基酸和可溶性糖的光谱反演结果(一次随机分组的结果)。(3)方法探讨1:尝试使用高光谱植被指数由冠层光谱反演叶片化学成分植被冠层结构、太阳高度角以及大气条件等都会影响在冠层光谱上对植被化学信息的提取。探索不同的光谱反演方法,比较它们的反演精度,(?)出能减弱光谱中无关信息对反演结果影响的方法,对提高植被生物化学参数的反演精度是十分重要的。本文第5章通过温室实验,对种植于不同施肥处理下的茶树采集冠层光谱,并运用归一化比值植被指数(Normalized ratio vegetation indices)和红边Red-edge position)这两种方法,预测质量相关化学组分(茶多酚,游离氨基酸和可溶性糖),考察了它们对于茶叶生物化学参数的提取能力。结果显示,归一化植被指数可以从冠层光谱中较好的反演茶多酚,游离氨基酸和可溶性糖,但精度低于偏最小二乘法;而红边方法得出的反演精度太低,不能满足实际的需求。基于验证数据进行模型检验,使用归一化比值植被指数预测茶多酚百分比含量的决定系数R2为0.63,均方根误差为0.53;预测游离氨基酸的决定系数R2为0.59,均方根误差为0.19;预测可溶性糖的决定系数R2为0.60,误差为0.29。(4)方法探讨2:尝试使用遗传算法和神经元网络结合的优化算法,从冠层光谱反演叶片化学成分本文第6章主要探讨了基于人工神经元网络算法的冠层光谱定量反演茶叶生物化学参数的能力。该实验中的光谱数据采集于温室中不同施肥处理培育的茶树冠层。神经元网络是一个能够学习和总结归纳的系统,有着强大的模式识别能力,可以拟合非线性函数,同时还具有一定的抗噪能力。在遥感领域,神经元网络算法多被用于影像分类研究,如土地利用分类,森林植被分类和动物栖息地分类研究等等。然而,使用神经元网络算法从高光谱数据中提取植被生物化学参数,尤其是非叶绿素的化学参数的研究还不多见。同时,如何对高光谱数据进行降维,减少神经元网络的输入变量数目,从而加快计算速度,提高反演精度,也一直是人们关注的问题。遗传算法虽然在许多研究中与神经元网络模型相结合,用于对模型输入降维。但是,较少的文献涉及这种方法在高光谱遥感植被生物化学领域里的应用。在本章节中,为了高效地利用神经元网络对茶叶化学成分(总茶多酚,游离氨基酸和可溶性糖)含量进行精确反演,我们对冠层高光谱数据首先进行了数据降维,并尝试使用遗传算法来选择最优的预测波段/波段组合。图6.2,图6.3和图6.4分别显示了对不同的茶叶化学成分预测时,遗传算法和神经元网络结合的参数优化过程(以产生最小的预测均方根误差为选择依据)。数据分析结果表明,与其他高光谱数据预处理结合神经元网络相比较,使用遗传算法和神经元网络结合的算法,可以较大地提高对目标化学成分的反演精度。参与比较的其他预处理方法包括:光谱重采样和主成份分析(数据降维),以及连续统去除法结合主成分分析(有效信息增强+降维).基于验证数据进行模型检验,使用遗传算法作为预处理结合神经元网络预测茶多酚百分比含量的均方根误差为0.3,预测游离氨基酸的误差为0.08,预测可溶性糖误差为0.20。与光谱重采样预处理相比,预测误差分别减少38%,58%和33%;与主成份分析预处理相比,预测误差分别减少40%,33%和17%;与连续统去除法结合主成份分析预处理相比,预测误差分别减少30%,20%和9%。利用遗传算法和神经元网络算法相结合对总茶多酚含量(图6.2)、游离氨基酸含量(图6.3)和可溶性糖含量(图6.4)进行预测的均方根误差二维平面图。x轴为基于遗传算法选择的光谱波段数量(从3到15); Y轴为神经元隐含层节点数(从3到9);圆(?)标示处为最佳的预测组合(均方根误差最小)。以上研究结果(1)-(4)显示,利用高光谱数据可以实现在不同层次上(干粉,鲜叶和冠层)对和茶叶品质相关的多种化学成分(总茶多酚,游离氮基酸和可溶性糖)信息的定量提取。特别的,在室外自然环境条件下(大气和光照)通过冠层光谱反演茶树化学成分参数的成功,表明了利用高光谱遥感技术实现大面积茶园质量监测测的可能性。本研究作为遥感技术在反演茶叶生物化学参数方面的基础研究,分析比较了不同方法对于反演精度的影响,其中,偏最小二乘算法以及遗传算法和人工神经元网络结合的优化算法都取得了较好的预测结果。这为今后基于以上算法实现利用星载或者机载的成像光谱遥感数据来准确预测茶叶品质化学参数提供了可能性。但是,我们也应看到,从地面分析上升到最终的遥感影像尺度,还而临着诸多挑战。本研究的创新之处主要表现在以下几个方面:(1)将高光谱遥感植物化学在精细农业上的应用扩展到了重要的经济作物-茶叶。提出了利用高光谱遥感技术实现无损、高效、定量监测茶园质量的新方法。(2)首次通过茶鲜叶以及茶树冠层高分辨率光谱数据成功定量反演了与茶叶品质密切相关的叶片内总茶多酚、游离氨基酸和可溶性糖的含量。(3)比较了不同的光谱反演方法在不同层次(茶叶干粉、茶鲜叶和茶树冠层)对目标化学成分含量的提取能力,发现偏最小二乘算法和基于遗传算法与人工神经元网络算法相结合的优化算法最具探测潜力。(4)发现茶树冠层光谱较之鲜叶光谱对于定量提取化学组分信息更具潜力。这揭示了利用高光谱遥感影像进行茶叶品质相关化学参数反演的可能性。