本发明属于农业
技术领域：
：，涉及一种苹果叶片叶绿素遥感估测方法。
背景技术：
：：植被叶绿素含量与光合作用能力、生长发育阶段以及氮素水平有较好的相关性，已经成为一种有效评价植被长势的手段。由于绿色植物的光谱反射率在可见光波段受叶绿素含量影响，在近红外波段主要由叶片结构和纤维素等支配，因此可用植物的反射光谱来估算色素含量。近年来，高光谱遥感以其光谱分辨率高、简便有效以及非破坏性等优点，成为监测植被叶绿素含量的一大发展趋势。红边是由于植被在红光波段对叶绿素强烈吸收与近红外波段光在叶片内部多次散射而形成的强反射，使光谱反射率在680～760nm区间急剧上升，形成的植物光谱的最显著标志。学者们一方面从叶绿素与红边位置之间的相关性入手，提出“红边”向长波方向的位移反映了植被叶绿素浓度的增加；另一方面利用统计分析构建基于红边参数的叶绿素估算模型，并对其进行精度评价。受田间管理、施肥及气候等条件的影响，学者们认识到传统统计分析方法估算叶绿素含量预测精度不高，需要构建一个准确性和稳定性兼备的估算模型；同时基于红边参数的植物叶绿素估算一些玉米、小麦等作物上开展过相关研究，但在果树上的应用相对较少。叶绿素与光谱反射参数之间是一种非线性关系，两种参数以怎样的数学函数关系建立联系是构建叶绿素反演模型及其预测精度的重要内容，近年来学者们不断尝试各种函数关系，其中人工神经网络是处理复杂非线性问题的一种有效手段。随着高光谱遥感技术的发展，人工神经网络越来越多的应用于高光谱遥感研究中。如利用人工神经网络模型基于土壤光谱预测土壤参数，取得了较好的效果；基于高光谱建立人工神经网络模型来预测小麦、水稻、玉米等作物生化参数。苹果是西北地区重要的经济作物，其产量占到全国苹果产量的一半以上。苹果叶片叶绿素含量是监测苹果产量与水肥状况的重要途径，利用人工神经网络进行苹果叶绿素预测具有重要的理论和应用价值。技术实现要素：本发明的目的在于提供一种苹果叶片叶绿素遥感估测方法，该方法利用svchr-1024i型高光谱仪和spad-502叶绿素计同步获取苹果叶片高光谱反射率和对应的叶绿素相对含量，对原始光谱反射率和一阶导数光谱进行相关分析，提取苹果叶片光谱的红边参数，使用传统单变量回归算法、bp(backpropagation)神经网络和径向基函数(radialbasisfunction，rbf)网络，并对人工神经网络进行优化处理，建立叶绿素含量反演模型。其具体技术方案为：一种苹果叶片叶绿素遥感估测方法，包括以下步骤：步骤1、光谱数据测定采用美国scvhr1024i型便携式高光谱仪进行叶片漫反射光谱数据的测定。光谱仪测定的波长范围为350～2500nm，通道数为1024个，其中350～1000nm区间光谱分辨率为1.4nm，1000～1850nm区间光谱分辨率为3.8nm，1850～2500nm区间光谱分辨率为2.4nm。测定工作在室内进行，每次进行样品光谱测定前，利用漫反射参考板进行仪器校正，每组叶片选择1片叶子，先对叶面进行清洁。然后进行光谱测定。每个点测定2次取平均值作为该点光谱测定值，每一叶片取3～5个点，最后取各点的平均值作为该叶片的光谱值。步骤2、叶绿素含量测定使用日本konicaminolta公司生产的spad(soilplantanalysisdevelopmentunit)502叶绿素仪同步对苹果叶片的相对叶绿素含量进行无损测量。在每片叶子不同位置上测定10个spad值，取平均值作为该叶的spad值，代表该叶片的叶绿素含量，共获得500个叶片的spad值。步骤3、数据处理在数据分析前利用光谱仪自带的处理软件viewspecpro6.0将测定的苹果叶片光谱数据进行重采样，设置采样间隔为1nm。采用savitzky-golay平滑滤波对光谱数据进行预处理，设置平滑点数为5，由原始光谱求得一阶微分光谱，从一阶微分光谱中提取叶片的红边参数；步骤4、模型构建与精度检验采用一元线性、指数、对数、多项式和幂函数构建叶片叶绿素含量与各项红边参数的普通回归模型，选择相关性好、精度高的红边参数作为自变量，构建叶绿素含量估算模型；甄选出的红边参数作为人工神经网络的输入向量，构建基于红边参数的人工神经网络模型。进一步，步骤3中，叶片的红边参数，包括红边位置、红边振幅、红边面积、峰度系数以及偏度系数。进一步，步骤3中，共选择了其中的286组光谱数据和spad值进行分析研究。建模过程中，在286组数据中随机筛选236组用于建模，另50组用于验证。进一步，步骤4中，人工神经网络选择bp神经网络和rbf神经网络两种。进一步，步骤4中，为检验模型精度，将模型预测值与实测值进行回归拟合，采用通用的决定系数(r2)、均方根误差(rmse)、相对误差(re)验证模型的准确性。与现有技术相比，本发明的有益效果：本发明建立的单变量模型中表现最好的是红边位置、峰度系数和偏度系数，相关系数均大于0.7；选取这三个变量作为人工神经网络的输入变量，建立bp神经网络最优模型的预测值与实测值之间的线性回归决定系数为0.916，rbf网络预测值与实测值之间的线性回归决定系数为0.939，预测精度高达96.57％。人工网络模型相比传统单变量模型反演精度明显提高，而径向基函数网络学习速度快、精度高，拟合结果更加可靠，是一种值得推广的叶绿素含量反演模型。附图说明图1是叶绿素含量与原始光谱和一阶导数光谱的相关性；图2是基于偏度系数的苹果叶片叶绿素含量反演模型；图3是基于偏度系数的苹果叶片反演模型实测值和预测值的比较；图4是最佳bp神经网络模型实测值和预测值的比较；图5是最佳rbf神经网络模型实测值和预测值的比较。具体实施方式下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。1材料与方法1.1研究区概况选择陕西省宝鸡市扶风县杏林镇果园为研究对象，该地位于34°19′02″～34°23′33″n，107°54′45″～108°02′40″e，海拔470～570m之间，属大陆性半湿润季风气候，四季分明，全年日照2134.3h，年平均气温12.4℃，年平均降水量591.9mm。果园位于果树品种为富士。采集日期为2015年4月-9月，分别对应果树的花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)。根据研究区分布情况，在园内选择具有代表性、生长均匀、树龄相近且没有病虫害的苹果树为采样点，共选取25棵果树作为研究样本。取叶片样时以随机的方法，每棵果树取叶色有明显差异的4组叶片，每组采集4片叶子，每期采集100组叶子，共采集500组叶片，进行光谱和叶绿素含量测定。1.2测定项目与方法1.2.1光谱数据测定采用美国scvhr1024i型便携式高光谱仪进行叶片漫反射光谱数据的测定。光谱仪测定的波长范围为350～2500nm，通道数为1024个，其中350～1000nm区间光谱分辨率为1.4nm，1000～1850nm区间光谱分辨率为3.8nm，1850～2500nm区间光谱分辨率为2.4nm。测定工作在室内进行，每次进行样品光谱测定前，利用漫反射参考板进行仪器校正，每组叶片选择1片叶子，先对叶面进行清洁。然后进行光谱测定。每个点测定2次取平均值作为该点光谱测定值，每一叶片取3～5个点，最后取各点的平均值作为该叶片的光谱值。1.2.2叶绿素含量测定使用日本konicaminolta公司生产的spad(soilplantanalysisdevelopmentunit)502叶绿素仪同步对苹果叶片的相对叶绿素含量进行无损测量。大量研究表明，叶片绿色度(spad)值与叶绿素含量具有显著的相关性，spad值可以直接作为表征叶绿素浓度的相对值。在每片叶子不同位置上测定10个spad值，取平均值作为该叶的spad值，代表该叶片的叶绿素含量，共获得500个叶片的spad值。1.3数据处理在数据分析前利用光谱仪自带的处理软件viewspecpro6.0将测定的苹果叶片光谱数据进行重采样，设置采样间隔为1nm。采用savitzky-golay(sg)平滑滤波对光谱数据进行预处理，设置平滑点数为5。由原始光谱求得一阶微分光谱，从一阶微分光谱中提取叶片的红边参数，包括红边位置、红边振幅、红边面积、峰度系数以及偏度系数(表1)。表1红边参数的定义及算法table1definitionandalgorithmofrededgeparameterr(λ)为任意波长的光谱反射率；r′(λ)为任意波长相应的导数光谱；e(x)为向量x的期望值，μ为向量x的平均值，σ为向量x的标准差。r(λ)isthespectralreflectanceofanywavelength,r′(λ)isthecorrespondingfirstderivativespectra.e(x)istheexpectedvalueofvectorx,μistheaveragevalueofvectorx,σisthestandarddeviationofvectorx.由于一些样本的测定结果误差较大或者是光谱数据有欠缺值，本发明共选择了其中的286组光谱数据和spad值进行分析研究。建模过程中，在286组数据中随机筛选236组用于建模，另50组用于验证。1.4模型构建与精度检验采用一元线性、指数、对数、多项式和幂函数构建叶片叶绿素含量与各项红边参数的普通回归模型，选择相关性好、精度高的红边参数作为自变量，构建叶绿素含量估算模型；甄选出的红边参数作为人工神经网络的输入向量，构建基于红边参数的人工神经网络模型。人工神经网络选择bp神经网络和rbf神经网络两种。bp神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使bp神经网络预测输出不断逼近期望输出。bp神经网络由输入层、隐含层和输出层组成，隐含层层数和节点数对bp神经网络预测精度有较大的影响；径向基函数(rbf，radicalbasicfunction)是一种多维空间插值技术，结构同bp神经网络，基本思想是用rbf作为隐单元的“基”构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使在低维空间内的非线性问题在高维空间内线性可分，扩展系数spread的选择对结果有一定影响。为检验模型精度，将模型预测值与实测值进行回归拟合，采用通用的决定系数(r2)、均方根误差(rmse)、相对误差(re)验证模型的准确性。2结果与分析2.1苹果叶片叶绿素含量与原始光谱和一阶导数光谱的相关性在各个波长处对原始光谱和一阶导数光谱与苹果叶片叶绿素含量进行相关分析(图1)，可以看出，苹果叶片叶绿素与原始光谱反射率在400nm～760nm波长范围内呈0.01极显著相关，从700nm以后相关系数开始减小，到810nm处相关系数接近0，即从810nm以后的波段几乎不反映叶绿素信息；在520nm～620nm、695nm～725nm波长范围内相关系数介于-0.8～-0.9之间，在554nm处达到最大值，为0.899。苹果叶片叶绿素含量与一阶微分光谱在435nm～550nm、675nm～710nm波长范围内达到极显著负相关，在555nm～670nm、715nm～890nm波段范围内达到极显著正相关，890nm以后波段范围内相关系数逐渐减小且波动较大，其中575nm～585nm、725nm～765nm波段范围内相关系数高于0.9，在733nm处达到最大值，为0.921。与原始光谱值相比，一阶导数光谱值与叶绿素含量相关性更高。2.2基于红边参数的苹果叶片叶绿素含量单变量估算模型从原始光谱的一阶微分光谱中提取相应的红边参数。这些红边参数与植物的各种理化参数是紧密相关的，叶绿素含量、植被覆盖度、冠层结构、叶面积指数、生物量等因素都能引起红边位置和振幅的变化，本发明仅对叶片层面的叶绿素含量与红边参数做相关分析，结果如表2所示。表2红边参数与苹果叶片叶绿素含量之间的相关系数table2correlationcoefficientsbetweenrededgeparameterandchlorophyllcontentofappleleaf**表示相关性达到极显著水平indicateshighsignificanceat0.01level由表2可见，苹果叶片叶绿素含量与五种红边参数的相关性均达到极显著水平。在比较常用的红边位置、红边振幅、红边面积三个参数中，红边位置与叶绿素含量水平关系最为密切，相关系数达到0.799，而红边振幅和红边面积相关系数偏低，这与前人研究结果一致。引入峰度系数和偏度系数是为了更好地描述波峰的分布状态，偏度是反映数据分布对称性的统计量，峰度是反映数据在均值附近的集中程度的统计量，峰度系数与偏度系数同叶片叶绿素含量呈极显著正相关，以此来建立叶绿素含量估算模型是可行的。通过比较，以相关性水平为依据，选择红边位置、峰度系数和偏度系数反演叶片叶绿素含量，建立单变量线性和非线性叶绿素含量估算模型。表3基于红边参数的苹果叶片叶绿素含量单变量估测模型及检验结果table3estimationmodelsandtestresultsofsinglevariableforchlorophyllcontentinappleleafbasedonrededgeparameter所建模型及其精度如表3，建立的所有模型相关系数均大于0.7，相关性远远超过置信区间上限，达到极显著相关水平。基于红边位置建立的模型，相关系数均在0.8以上，通过比较模型的误差和验证结果，以相关系数较大而均方根误差和相对误差较小为标准，多项式模型虽然相关系数最大，但误差也很大，所以一元线性模型和对数模型的优势更大；而验证结果误差大于建模误差，说明模型的适宜性有待提高。基于峰度系数和偏度系数建立的模型(因峰度系数和偏度系数部分趋势数据含零值，故无法建立对数和幂函数模型)，相关系数在0.7-0.8之间，均达到了极显著相关，其中，多项式模型在建立的模型和验证结果中都表现最好，且验证结果的相关系数和误差水平都接近建模精度，说明模型稳定性较好。总体看来，基于偏度系数建立的模型表现最好，准确性高于其他两个红边参数，且验证结果相关系数均在0.86以上，误差也是最小的，模型适应性良好。选用偏度系数反演苹果叶片叶绿素含量的多项式反演模型(图2)，对模型进行验证,实测值和预测值的比较如图3，方程的回归系数达到0.8598，决定系数为0.8715，两者相关性极高。2.3基于bp神经网络的苹果叶片叶绿素含量估算本发明利用matlab11.0建立bp神经网络，输出层为苹果叶片叶绿素含量，输入层为红边位置、峰度系数和偏度系数。利用训练数据训练bp神经网络，使网络具有预测能力，用训练好的模型预测输出值，并通过比较模型预测输出和期望输出来分析bp神经网络的拟合能力。bp神经网络的隐含层节点数、网络类型对模型精度的影响很大，表4和表5分别为不同节点数和网络类别估测模型的精度和检验结果。表4不同隐含层节点数bp神经网络估测模型及检验结果table4estimationmodelsandtestresultsofbpneuralnetworkmodelwithdifferentnodeofhiddenlayer由表4可以看出，bp神经网络的精度随着隐含层节点数的增加呈现先减少后增加的趋势，当节点数为5时，模型的决定系数最大，误差最小，验证结果准确性高，模型表现稳定。表5不同网络类别bp神经网络估测模型及检验结果table4estimationmodelsandtestresultsofbpneuralnetworkmodelwithdifferentnetworktype从表5中可以看出，双隐含层bp神经网络较单隐含层bp神经网络，决定系数提高，相对误差和均方根误差减小，预测精度有所提高，但幅度不大。对比节点数为4和5的双隐含层估测模型，从网络精度和训练时间上综合考虑，节点数为4的双隐含层模型表现最好，且验证结果准确性和稳定性都很高，为最佳的bp神经网络苹果叶片叶绿素含量估测模型。以此模型进行估算，预测值与实测值之间的关系(图4)在各个值区预测效果均很好，是一种叶绿素无损估算的有效方法。1.5基于rbf神经网络的苹果叶片叶绿素含量估算模型利用matlab11.0中的newrbe函数构建rbf神经网络，苹果叶片叶绿素含量作为输出向量，红边位置、峰度系数、偏度系数作为输出向量，扩展系数spread值设为默认，用rbf神经网络模型来研究红边参数与叶绿素含量的反演关系。经过模型构建、训练和检验得出结果，训练模型决定系数为0.943，相对误差为4.41％，均方根误差为2.825，检验模型决定系数为0.909，均方根误差为2.500，相对误差为4.25％，比bp神经网络具有更高的稳定性。根据spread值要小于输入向量之间的典型距离的一般性原则，确定spread值应设置为[0，1]之间，不同spread值的rbf神经网络模型估测结果如表6。表6不同spread值下rbf神经网络估测模型及检验结果table4estimationmodelsandtestresultsofrbfneuralnetworkmodelwithdifferentspreadvalue从表6中可以看出，spread值越小，决定系数增大，均方根误差和相对误差逐渐减小，建立的模型越精确；但当spread值小于0.6以后，验证结果精度下降，说明网络性能变差，出现了过适应现象，所以确定当spread值为0.6时，建立的rbf神经网络为估测苹果叶片叶绿素含量的最佳模型，决定系数达到0.955，均方跟误差为2.517，相对误差为3.69％，且预测效果准确性高，模型稳定性好。图5为绘制出的基于rbf的最佳苹果叶片叶绿素含量估测模型预测值与实测值的1:1关系图，对比图3和图4可见，较传统模型和bp神经网络模型，rbf网络拟合度更高，且具有速度更快，算法简便的特点。2讨论本发明中通过分析苹果叶片原始光谱和一阶导数光谱与叶绿素含量之间相关关系，一阶导数光谱相关性高于原始光谱，与前人研究结果一致，分析其原因，可能是利用微分技术减少了背景噪音的影响，故微分光谱与植被生理生化参数的相关性更好。从微分光谱中提取的红边位置、红边振幅、红边面积三个参数中，红边位置与叶绿素含量水平关系最为密切，红边是植物光谱的最显著标志，当叶绿素含量增加时，红边位置会向长波方向偏移，当叶绿素含量减少时红边位置则向相反方向变化，红边位置是红边区域变化最快的波段，因此红边位置较红边振幅和红边面积对叶绿素含量变化反应更加敏感，是一种有效的叶绿素含量指示参数。引入峰度系数和偏度系数两个参数建立的叶绿素含量估算模型稳定性和精度都高于基于红边位置建立的模型，可能是由于峰度系数和偏度系数所包含的信息量更大。因为峰度系数和偏度系数本身可以体现出红边范围内光谱形状的整体变动，而光谱形状变动正是由于叶绿素含量的变化引起的，所以峰度系数和偏度系数也可以作为估测叶片叶绿素含量的参数。所建模型中多项式模型优于其他模型，这可能是由于各项红边参数与叶绿素含量之间存在着比较复杂的非线性关系，线性关系难以反映其本质。人工神经网络是处理复杂非线性问题的一种有效的手段，具有并行性高、非线性映射能力强、自学习能力和自适应能力强等特点，使得神经网络具有很强的不确定性信息处理能力。本发明通过分析bp和rbf两种人工神经网络模型，发现与传统单变量模型相比，神经网络模型具有更高的准确性和稳定性，而且能够解决同时存在多个自变量和多个因变量的问题，可以作为估测叶片叶绿素含量的一种可行方法。bp神经网络算法本质上是控制实际输出与期望输出之差，利用输入样本正向传播和误差反向传播这一过程反复进行，对网络的各层连接权值和各结点的阈值由后向前逐层调整的一种监督学习算法。所以bp神经网络性能依赖于初始条件，收敛速度慢，稳定性较差，学习过程易陷入局部极小，且随机性强，使bp神经网络精度受到影响。而rbf网络克服了前馈神经网络(如bp神经网络)的缺点，具有结构自适应确定、输出不依赖于初始权值以及学习速度快等优良特性，能够最大程度地逼近实际测量值。但与此同时要注意调整spread值和网络结构，以免造成过拟合。3结论本发明以陕西省苹果为试验对象，对苹果叶片原始光谱反射率、一阶导数光谱及其红边参数与叶绿素含量进行了相关分析，建立基于红边参数的传统单变量回归模型，用红边位置、峰度系数、偏度系数建立叶绿素含量bp神经网络模型和rbf网络估算模型，并比较几种模型的精度，得出以下结论：(1)相比原始光谱，一阶导数光谱与叶绿素含量相关性更高，在733nm处达到最大值0.921；在苹果叶片红边参数中，红边位置、峰度系数和偏度系数与叶绿素含量相关性较好，决定系数均高于0.7。(2)红边参数与叶绿素含量建立的单变量回归模型中多项式模型的模拟精度最高，通过比较，基于偏度系数建立的多项式模型为最佳估算模型，验证结果决定系数为0.872，均方根误差为4.631，相对误差为8.81％。(3)以红边位置、峰度系数和偏度系数作为输入变量构建bp神经网络和rbf神经网络两种模型对苹果叶片叶绿素含量进行反演，模型精度高于传统单变量回归模型；优化后的rbf神经网络模型验证结果决定系数为0.939，均方根误差为2.009，相对误差为3.44％，学习速度快、精度高，拟合结果可靠，是估测苹果叶片叶绿素含量的最佳模型。以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本
技术领域：
：的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。当前第1页12当前第1页12