紀(jì)景純 劉建立 牛玉潔 宣可凡 蔣一飛 鄧皓東 ，3 李曉鵬

（1中國科學(xué)院南京土壤研究所，210008，江蘇南京；2中國科學(xué)院大學(xué)，100049，北京；3河海大學(xué)水文水資源學(xué)院，210008，江蘇南京）

利用高光譜遙感進(jìn)行作物生長狀態(tài)的監(jiān)測具有無損、高效和靈敏的特點(diǎn)，前人對(duì)基于高光譜數(shù)據(jù)的生長參數(shù)估算開展了大量的研究。Li等[1]根據(jù)可變重要性值（variable importance in projection，VIP）對(duì)光譜反射率、光譜一階導(dǎo)數(shù)、反射/吸收位置和植被指數(shù)進(jìn)行篩選，最終利用篩選出的14個(gè)特征建立了偏最小二乘回歸（partial least squares regression，PLSR）反演葉面積指數(shù)（leaf area index，LAI）模型，決定系數(shù)（R2）達(dá)到0.88，均方根誤差（RMSE）為0.943，通過特征篩選保留了高光譜的有效信息，在減少運(yùn)算量同時(shí)保證了反演精度。Jia等[2]使用連續(xù)投影算法（successive projections algorithm，SPA）結(jié)合協(xié)同區(qū)間偏最小二乘法（synergy interval partial least squares，SIPLS）處理高光譜數(shù)據(jù)，篩選出8個(gè)特征波段，建立葉片生物量的反演方程，建模集R2達(dá)0.79，驗(yàn)證集RMSE為0.059kg/m2，較其他的特征選擇技術(shù)提供了更少的不相關(guān)、非共線性的光譜變量，降低了模型整體的復(fù)雜度，縮短了模型運(yùn)行時(shí)間。Duan等[3]考慮了氮的垂直分布特征，基于綠度指數(shù)（GI）、修正歸一化差值（mND705）和歸一化差分植被指數(shù)（NDVI）分別建立了冬小麥葉片總氮濃度線性模型，提出了不同生育期遙感探測的有效冠層，該方法建立的反演模型R2和歸一化均方根誤差（nRMSE）分別為0.61和8.84%、0.59和8.89%、0.53和9.37%，顯著提高了對(duì)葉片氮含量的反演精度和模型的穩(wěn)定性。Huang等[4]則通過相關(guān)性分析，利用450～488nm和500～540nm范圍的一階導(dǎo)數(shù)之和構(gòu)建了小麥赤霉病指數(shù)（wheat scab index，WSI），利用新指數(shù)與其他傳統(tǒng)植被指數(shù)構(gòu)建的多重逐步回歸模型預(yù)測病情等級(jí)，發(fā)現(xiàn)WSI較常規(guī)指數(shù)與病情等級(jí)具有更顯著的線性關(guān)系，針對(duì)性的新指數(shù)提高了對(duì)病情的判斷水平。前人反演作物參數(shù)多側(cè)重于數(shù)據(jù)降維，提取高光譜的有效信息，針對(duì)不同的監(jiān)測指標(biāo)篩選出了不同的特征并建立了相應(yīng)的參數(shù)反演模型，回歸方法以PLSR為主。特征篩選和建模過程需要一定的先驗(yàn)知識(shí)，且降維過程本身比較復(fù)雜，在實(shí)際應(yīng)用過程中，往往需要對(duì)同一時(shí)期的多種生長參數(shù)進(jìn)行快速監(jiān)測。

機(jī)器學(xué)習(xí)模型以其強(qiáng)大的數(shù)據(jù)處理能力和不需要先驗(yàn)知識(shí)的特點(diǎn)在作物參數(shù)反演中有很大的優(yōu)勢。Bao等[5]在使用成像高光譜數(shù)據(jù)進(jìn)行小麥品種分類研究中，使用線性判別分析（linear discriminant analysis，LDA）、支持向量機(jī)（support vector machine，SVM）和極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）分別對(duì)全波段和使用主成分分析（principal component analysis，PCA）、連續(xù)投影算法（SPA）和隨機(jī)蛙跳（random frog，RF）篩選的特征波段建立分類模型，基于全波段光譜反射率建立的ELM模型分類效果最優(yōu)。機(jī)器學(xué)習(xí)模型可以用于全波段的高光譜數(shù)據(jù)處理，不進(jìn)行特征篩選的降維過程，極大地簡化了高光譜數(shù)據(jù)的應(yīng)用流程。為了簡化作物參數(shù)從建模到估算的整體過程，找出可以直接用于批量處理冠層高光譜數(shù)據(jù)，實(shí)時(shí)監(jiān)測作物生長狀態(tài)的方法，本研究選擇廣泛使用的PLSR和不依賴于先驗(yàn)知識(shí)的機(jī)器學(xué)習(xí)方法支持向量回歸（SVR）和前饋神經(jīng)網(wǎng)絡(luò)（FNN）進(jìn)行了利用全波段高光譜數(shù)據(jù)估算生長參數(shù)的方法比較[6-7]。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)位于河南省封丘縣潘店鄉(xiāng)，該地區(qū)年均氣溫13.9℃，無霜期220d左右，全年日照時(shí)數(shù)為2 300～2 500h，土壤類型主要為黃河沉積物發(fā)育的輕壤質(zhì)潮土，主要的作物栽培模式為冬小麥－夏玉米輪作制度。

試驗(yàn)于2018-2019年冬小麥生長季進(jìn)行，供試品種為百農(nóng)矮抗58。根據(jù)當(dāng)?shù)剞r(nóng)戶的常規(guī)施氮量190kg/hm2，設(shè)置 N0、N1、N2、N3、N45 個(gè)氮肥梯度，單季小麥?zhǔn)┑糠謩e為0、150、190、230和270kg/hm2，應(yīng)用尿素作為單一氮源，60%作為基肥，40%作為追肥。磷肥用量為130 P2O5kg/hm2，鉀肥用量為120 K2O kg/hm2，不進(jìn)行差異處理。N0、N1、N3和N4處理重復(fù)9次，N2處理重復(fù)12次，共計(jì)48個(gè)小區(qū)。種植前翻耕1次，基肥深施，追肥撒施。試驗(yàn)地的單元面積為48m2（8m×6m），試驗(yàn)單元四周埋設(shè)80cm深的混凝土板防止土壤溶液側(cè)向交換。該試驗(yàn)地的連續(xù)氮肥梯度處理超過10年，不同氮肥處理的冬小麥生長差異顯著，為建立生長參數(shù)估算模型提供了各類型樣本。

圖1 氮肥梯度試驗(yàn)布置Fig.1 Experimental design of nitrogen rate test

1.2 數(shù)據(jù)采集

根據(jù)冬小麥追肥和產(chǎn)量形成的關(guān)鍵時(shí)期，試驗(yàn)于返青拔節(jié)期（3月25日）、孕穗期（4月16日）、揚(yáng)花初期（4月28日）和乳熟初期（5月18日）進(jìn)行地面生長參數(shù)和冠層高光譜數(shù)據(jù)的采集。

1.2.1 地面生長參數(shù)的測定 監(jiān)測的生長參數(shù)包括地上部生物量（aboveground biomass，AGB）、葉面積指數(shù)（leaf area index，LAI）、全氮含量（total nitrogen content，N）和葉綠素濃度（chlorophyll concentration，CC）。除全氮含量外，在每個(gè)小區(qū)內(nèi)按照五點(diǎn)取樣法進(jìn)行數(shù)據(jù)采集，總樣本容量為240株。

AGB為單株小麥烘干重均值與種植密度的乘積：小麥烘干重均值在每個(gè)采樣點(diǎn)取5株，105℃殺青30min，再將溫度調(diào)至80℃烘干至恒重；種植密度為1m2內(nèi)小麥種植的行數(shù)與單行內(nèi)實(shí)測的小麥株數(shù)的乘積。使用北京澳作生態(tài)儀器有限公司的SunScan冠層分析儀，選擇晴朗的天氣于10∶00-14∶00測定LAI；將每小區(qū)5個(gè)取樣點(diǎn)的樣品混合粉碎后按照凱氏定氮法測定全氮含量；使用美國Apogee公司生產(chǎn)的MC-100植物葉綠素儀測定葉綠素濃度，每個(gè)取樣點(diǎn)選取1株分別測定頂部功能葉和植株中部葉片的葉基、葉中和葉尖，共6個(gè)點(diǎn)，計(jì)算均值代表該取樣點(diǎn)葉綠素濃度。

1.2.2 冠層光譜反射率的采集 根據(jù)前人的研究，與作物各項(xiàng)生長參數(shù)相關(guān)的光譜范圍主要在可見～近紅外區(qū)間（葉綠素400～700nm，植株氮素含量450～520、515～585、625～695、730和930nm，地上部干生物量650～700、500～550和900～940nm），總體而言，400～1 000nm的光譜范圍能夠反映作物的生長狀況[8-10]。為了減少輸入特征總量，提高運(yùn)算效率，使用ASD Field Spec 4便攜式光譜儀中VNIR探測器所監(jiān)測的光譜范圍（350～1 000nm），剔除噪聲干擾，最終選取400～1 000nm的光譜反射率。光譜采樣間隔為1.4nm，光譜分辨率為3nm。該波段范圍也是目前廣泛使用的無人機(jī)載高光譜儀器的監(jiān)測范圍，利用該范圍高光譜數(shù)據(jù)進(jìn)行的建模比較，對(duì)樣本量大的無人機(jī)載數(shù)據(jù)處理具有參考價(jià)值[6，11]。選擇晴朗的天氣于10∶00-14∶00進(jìn)行測定，探測器距冠層20cm，監(jiān)測點(diǎn)與取樣點(diǎn)位置相同。

1.3 數(shù)據(jù)建模方法

對(duì)PLSR、SVR和FNN 3種建模方法進(jìn)行比較。其中PLSR是目前廣泛使用的高光譜數(shù)據(jù)處理方法；SVR模型對(duì)高維度、小樣本數(shù)據(jù)有較好的處理能力；FNN是研究較多、成熟且廣泛使用的機(jī)器學(xué)習(xí)方法。在每個(gè)處理內(nèi)按照7∶3的比例隨機(jī)劃分建模集與驗(yàn)證集，隨后合并為整體的建模集與驗(yàn)證集。

1.3.1 PLSR PLSR是一種多自變量對(duì)多因變量的線性回歸建模方法，可以同時(shí)實(shí)現(xiàn)提取變量特征、分析變量間相關(guān)性和回歸建模，適合多元數(shù)據(jù)的統(tǒng)計(jì)分析。當(dāng)自變量個(gè)數(shù)多、存在多重相關(guān)性且觀測數(shù)據(jù)樣本量較小時(shí)，PLSR具有傳統(tǒng)的經(jīng)典回歸分析方法所沒有的優(yōu)勢。使用PLSR建模的過程：假定p個(gè)自變量｛X1，．．．，Xp｝和q個(gè)因變量｛Y1，…，Yq｝，在X與Y中分別提取出成分t1和u1，使t1和u1盡可能大地?cái)y帶他們各自數(shù)據(jù)表中的變異信息，且t1和u1的相關(guān)程度最大。第一對(duì)成分t1和u1被提取后，分別實(shí)施X對(duì)t1以及Y對(duì)u1的回歸。若回歸方程此時(shí)交叉有效性小于0.0975，則成分確定；否則將利用X被t1以及Y被u1解釋后的殘余信息進(jìn)行第二輪的成分t2和u2提取，繼續(xù)實(shí)施X和Y對(duì)t2和u2的回歸，對(duì)上述過程進(jìn)行迭代，直到滿足精度要求為止[1，12]。

1.3.2 SVR SVR是Vapnik在長期系統(tǒng)的統(tǒng)計(jì)學(xué)理論研究基礎(chǔ)上提出的機(jī)器學(xué)習(xí)算法[13]，其基本思想是尋找最優(yōu)的超平面，使所有樣本點(diǎn)距離超平面的總體偏差最小，即所有樣本的類內(nèi)方差最小。對(duì)于不可分的非線性數(shù)據(jù)，SVR使用核函數(shù)將低維數(shù)據(jù)映射到高維空間，在高維空間找到線性可分的超平面，能夠很好地解決高維特征的回歸問題。當(dāng)樣本不是海量數(shù)據(jù)時(shí)，使用SVR進(jìn)行回歸的準(zhǔn)確率高且泛化能力強(qiáng)[14]，適用于自變量維度大于樣本量且樣本總量較小的全波段光譜估算生長參數(shù)問題。根據(jù)前人的研究，推薦在缺乏先驗(yàn)知識(shí)的條件下使用徑向基核函數(shù)（RBF），核函數(shù)系數(shù)（g）和懲罰系數(shù)（C）是SVR模型的重要參數(shù)，前者影響模型的復(fù)雜程度和泛化能力，后者表征模型對(duì)離群點(diǎn)的重視程度。g和C系數(shù)通過6折交叉驗(yàn)證確定，誤差閾值設(shè)為10-7。

1.3.3 FNN FNN是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的計(jì)算模型，用于估算函數(shù)。FNN包括輸入層、隱含層和輸出層，每一層的神經(jīng)元接受前一層的輸出，處理后傳輸給下一層，數(shù)據(jù)單向流動(dòng)。神經(jīng)網(wǎng)絡(luò)的每一層與下一層之間都存在一個(gè)參數(shù)矩陣，首先隨機(jī)初始化每一層的參數(shù)矩陣，然后從輸入層開始，依次計(jì)算下一層每個(gè)神經(jīng)元的激活值，直到計(jì)算出輸出層神經(jīng)元的激活值。對(duì)于維度較高的線性不可分?jǐn)?shù)據(jù)，與線性回歸和SVR不同，神經(jīng)網(wǎng)絡(luò)通過線性分類器的疊加組合完成分類，同時(shí)避免增加無效維度。對(duì)于高光譜數(shù)據(jù)處理分析同樣適用。隱層節(jié)點(diǎn)數(shù)是重要的模型參數(shù)，節(jié)點(diǎn)數(shù)的設(shè)置對(duì)模型的擬合效果和泛化能力影響巨大。根據(jù)國內(nèi)外的應(yīng)用實(shí)例，隱層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式為，N為隱層節(jié)點(diǎn)數(shù)，α為1～10之間的整數(shù)，m為輸入神經(jīng)元數(shù)，n為輸出神經(jīng)元數(shù)[15]。

本試驗(yàn)中隱層節(jié)點(diǎn)數(shù)通過3折交叉驗(yàn)證進(jìn)行選擇。輸入特征為400～1 000nm光譜反射率，輸入層節(jié)點(diǎn)數(shù)601個(gè)，輸出值為相應(yīng)的生長參數(shù)，輸出層節(jié)點(diǎn)數(shù)為1。根據(jù)隱層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式得到本試驗(yàn)的推薦隱層節(jié)點(diǎn)數(shù)范圍25～35。設(shè)置隱層節(jié)點(diǎn)數(shù)5、15、20、25、30、35進(jìn)行建模比較。根據(jù)預(yù)試驗(yàn)建模結(jié)果的均值，選擇滿足模型擬合優(yōu)度R2大于0.90，均方根誤差RMSE與最小值相差較小的節(jié)點(diǎn)數(shù)設(shè)置；在不影響估算精度和擬合優(yōu)度的條件下，結(jié)合運(yùn)算效率，優(yōu)先選擇較小的節(jié)點(diǎn)數(shù)。最終的設(shè)置結(jié)果見表1。

表1 FNN隱層節(jié)點(diǎn)數(shù)設(shè)置Table 1 Number of nodes in the hidden layer of FNN

1.4 模型評(píng)價(jià)指標(biāo)

模型評(píng)價(jià)包括對(duì)建模效果和估算效果的評(píng)價(jià)，主要選用以下參數(shù)：

3個(gè)公式中obs為生長參數(shù)實(shí)測值，pre為生長參數(shù)的預(yù)測值。建模集和驗(yàn)證集的R2越大，RMSE和MAPE越小，模型的建模及估算效果越好[16]。所有評(píng)價(jià)指標(biāo)均計(jì)算10折交叉驗(yàn)證的均值。

2 結(jié)果與分析

2.1 不同氮肥梯度下冬小麥生長參數(shù)及冠層光譜

圖2 不同氮肥梯度下冬小麥生長參數(shù)Fig.2 Growth parameters of winter wheat under different nitrogen fertilizer gradients

由圖2可知，拔節(jié)期和孕穗期，AGB隨施氮量增加而上升，不施氮（N0）、缺氮（N1）、常規(guī)施氮（N2、N3）與過量施氮（N4）間差異顯著。揚(yáng)花期，不缺氮處理（N2、N3、N4）間差異不顯著，與缺氮處理差異顯著，N2、N3、N4較N0高730～742g/m2，較N1高98～111g/m2。乳熟期，N4顯著高于其他處理，N0顯著低于其他處理。5個(gè)處理中N0LAI全生育期最低（0.40～1.16），N1次之（1.49～4.05），且二者與其他處理差異顯著。拔節(jié)期和孕穗期不缺氮處理（N2、N3和N4）間差距小。揚(yáng)花期和乳熟期，不施氮、缺氮、常規(guī)施氮與過量施氮間差異顯著。拔節(jié)期N3全氮含量最高達(dá)到2.21%，且5個(gè)氮肥梯度間差異顯著。其余生育期N4最高，但與N3差異不顯著，僅在乳熟期顯著高于其他處理，與N3差值為0.18%。N0和N1與其他處理差異顯著?？傮w趨勢表現(xiàn)為隨著施氮量的增加全氮含量也相應(yīng)增加，且所有處理在乳熟初期全氮含量均有所下降。在5個(gè)氮肥梯度中N0葉綠素濃度全生育期均最低（117.6～221.4μmol/m2），且在乳熟期下降了 103.8 μmol/m2；N1略高（421.9～458.3μmol/m2），但全生育期波動(dòng)??；N4葉綠素濃度最高，除拔節(jié)期與N3差異不顯著外，其余生育期均顯著高于其他處理。常規(guī)施氮處理，葉綠素濃度全生育期波動(dòng)較小，N2為 453.4～526.8μmol/m2，N3為 465.9～542.9μmol/m2。

由圖3可知，N0處理冠層光譜反射率在綠峰處反射率較其他處理高，全生育期差值0.04%～0.15%；在紅谷處反射率較其他處理高0.02%～0.20%?？傮w趨勢上，隨著氮肥施用量的增加，紅邊～近紅處的反射率上升。拔節(jié)期N1、N2、N3和N4處理該處反射率與N0差值分別為0.03%、0.05%、0.10%和0.10%，孕穗期N1與N0差值為0.20%，其余處理與N0差值為0.25%，揚(yáng)花期N1與N0差值為0.23%，其余處理與N0差值為0.25%，乳熟初期N1與N0差值為0.08%，其余處理與N0差值為0.12%。除拔節(jié)期外，不缺氮處理間（N2、N3和N4）的冠層光譜差異主要表現(xiàn)為綠峰反射值不同。長期不施氮處理N0整體長勢及光譜反射率均與其他處理差距較大，其余處理間的差異遠(yuǎn)小于較不施氮處理的差異，數(shù)據(jù)分布呈兩簇分布。

圖3 不同氮肥梯度下冬小麥冠層光譜反射率Fig.3 Canopy hyperspectral reflectance of winter wheat under different nitrogen fertilizer gradients

2.2 PLSR、SVR和FNN的建模效果比較

在1.3中確定的參數(shù)設(shè)置下，分別采用PLSR、SVR和FNN對(duì)拔節(jié)－乳熟期各生長參數(shù)進(jìn)行建模，圖4為建模集數(shù)據(jù)的估算散點(diǎn)圖，表2為建模評(píng)價(jià)指標(biāo)的10折驗(yàn)證的均值。3種方法的地上部生物量在拔節(jié)期和孕穗期擬合優(yōu)度均低于揚(yáng)花期和乳熟期，其中孕穗期PLSR的R2最低，僅有0.87，而乳熟期SVR和FNN的R2則高達(dá)0.95。兩種機(jī)器學(xué)習(xí)模型在揚(yáng)花期、乳熟期R2為0.94～0.95，MAPE為5.25%～5.59%，優(yōu)于PLSR，且SVR的精度稍高于FNN。不同生育期3種方法LAI的建模效果均穩(wěn)定，PLSR的R2稍低于SVR和FNN，MAPE分別高2.20%～4.67%和1.20%～3.40%。SVR和FNN全氮含量的MAPE分別較PLSR低29.28%～65.73%和22.07%～57.06%，R2分別高3.19%～8.89%和2.20%～7.78%，SVR和FNN之間建模效果相近。3種方法中，SVR對(duì)葉綠素濃度的建模效果最優(yōu)，全生育期MAPE為4.70%～6.49%，R2為0.89～0.96。

PLSR全生育期對(duì)建模集的反演精度均低于兩種機(jī)器學(xué)習(xí)方法，MAPE在6.65%～8.40%之間。SVR對(duì)地上部生物量、LAI、全氮含量和葉綠素濃度建模的全生育期R2均值分別為0.93、0.95、0.97和0.93，較PLSR分別提高了3.33%、1.60%、5.18% 和2.76%；FNN較PLSR分別提高了3.89%、2.13%、4.36%和3.59%?？傮w而言，SVR的建模效果最優(yōu)。

圖4 PLSR、SVR和FNN模型對(duì)建模集樣本的估算結(jié)果Fig.4 Fitted results for calibration samples of PLSR, SVR and FNN model

表2 PLSR、SVR和FNN模型的建模評(píng)價(jià)指標(biāo)Table 2 The evaluation indicators of PLSR, SVR and FNN model in calibration set

2.3 PLSR、SVR和FNN的估算效果比較

將2.2中構(gòu)建的模型用于對(duì)應(yīng)的驗(yàn)證集數(shù)據(jù)，比較3種方法的估算效果。圖5為驗(yàn)證集估算參數(shù)散點(diǎn)圖，表3為驗(yàn)證集的評(píng)價(jià)指標(biāo)均值。全生育期SVR的地上部生物量擬合優(yōu)度和估算精度均高于PLSR和FNN，尤其是估算精度，MAPE較PLSR和FNN分別降低了5.73%～22.78%和10.74%～17.40%，RMSE分別降低了4.04%～18.51%和6.85%～12.06%。各生育期SVR和PLSR的LAI擬合優(yōu)度相近，但SVR的估算精度更高，MAPE較之降低了10.63%～35.07%。SVR擬合優(yōu)度R2比FNN高1.09%～4.35%，估算精度也更高，MAPE比FNN低17.10%～28.63%。除揚(yáng)花期外，SVR全氮含量的估算效果均優(yōu)于PLSR和FNN，R2分別提高了1.06%～5.56%、1.06%～2.20%，MAPE分別降低了9.23%～33.33%、14.47%～18.18%。揚(yáng)花期3種模型估算性能相當(dāng)，PLSR精度略高。全生育期SVR葉綠素濃度的估算效果均優(yōu)于PLSR和FNN。除揚(yáng)花期外，SVR的R2較PLSR提高了1.06%～1.10%，MAPE降低了9.15%～20.14%；SVR的R2較FNN提高了1.06%～4.55%，MAPE降低了19.80%～21.33%。只有揚(yáng)花期SVR的優(yōu)勢不明顯，擬合優(yōu)度與PLSR和FNN相同，RMSE較PLSR高1.17%，但MAPE較之低2.41%，較FNN低6.89%。

圖5 PLSR、SVR和FNN模型對(duì)驗(yàn)證集樣本的估算結(jié)果Fig.5 Predicting result of growth parameters of PLSR, SVR and FNN model

SVR對(duì)地上部生物量、LAI、全氮含量和葉綠素濃度估算的全生育期MAPE均值分別為7.46%、7.05%、4.04%和6.85%，較PLSR的均值分別低1.25%、2.15%、0.88%和0.82%；較FNN的均值分別低1.30%、2.36%、0.56%和1.39%；估算的R2全生育期均值分別為0.90、0.94、0.92和0.91，對(duì)所有生長參數(shù)均高于PLSR和FNN；對(duì)4種生長參數(shù)所估算的RMSE全生育期均值在3種模型中也最低。SVR在3種模型中對(duì)驗(yàn)證集數(shù)據(jù)生長參數(shù)變異性解釋力最強(qiáng)，估算精度最高。

表3 PLSR、SVR和FNN模型的估算評(píng)價(jià)指標(biāo)Table 3 The evaluation indicators of PLSR, SVR and FNN model in validation set

在8核16G的配置下，從建模到結(jié)果估算耗時(shí)比較，PLSR僅需幾十秒，SVR耗時(shí)在10min以內(nèi)，F(xiàn)NN耗時(shí)需要數(shù)小時(shí)。

3 討論

本研究選取冬小麥冠層光譜400～1 000nm波段反射率，采用PLSR、SVR和FNN對(duì)冬小麥全生育期地上部生物量、LAI、全氮含量和葉綠素濃度進(jìn)行建模估算，發(fā)現(xiàn)3種模型對(duì)生長參數(shù)變異情況的解釋性都較高，R2均在0.86以上。3種建模方法中，SVR模型全生育期MAPE均值分別為7.46%、7.05%、4.04%和6.85%，R2均值分別為0.90、0.94、0.92和0.91，總體估算效果在3種參與比較的建模方法中最優(yōu)，與梁棟等[17]LAI發(fā)現(xiàn)的最優(yōu)估算方法的結(jié)果一致，說明SVR在多種生長參數(shù)的建模估算方面均優(yōu)于PLSR，更適用于作物監(jiān)測。本研究通過對(duì)不同生育期參數(shù)分時(shí)期建模，取得了較好的估測結(jié)果。與賀佳等[18]利用高光譜植被指數(shù)分時(shí)期監(jiān)測冬小麥地上部生物量的結(jié)果相近，R2稍高于賈學(xué)勤等[19]利用多種植被指數(shù)結(jié)合PLSR的生物量監(jiān)測結(jié)果，說明分時(shí)期進(jìn)行生長參數(shù)監(jiān)測能夠有效改善高光譜遙感監(jiān)測效果。通過綜合比較多種生長參數(shù)的最優(yōu)估算時(shí)期，發(fā)現(xiàn)地上部生物量最佳監(jiān)測時(shí)期為揚(yáng)花初期；LAI全生育期估算結(jié)果波動(dòng)較小；全氮含量在返青拔節(jié)－孕穗期估算精度稍高于揚(yáng)花－乳熟期；葉綠素濃度不適于在揚(yáng)花初期進(jìn)行估算。

與傳統(tǒng)的特征篩選、降維再建模的監(jiān)測方法相比，本研究通過使用全波段高光譜反射率直接參與建模，雖然沒用顯著提高監(jiān)測精度，但是以較少的運(yùn)算量簡化了數(shù)據(jù)處理的流程，有利于高光譜數(shù)據(jù)在實(shí)際農(nóng)業(yè)監(jiān)測中的應(yīng)用推廣。

4 結(jié)論

PLSR、SVR和FNN 3種方法均能實(shí)現(xiàn)全波段高光譜反演作物生長參數(shù)的目標(biāo)。就建模過程而言，PLSR最為簡單，只需要設(shè)置交叉驗(yàn)證的閾值；SVR需要根據(jù)推薦選擇核函數(shù)，交叉驗(yàn)證設(shè)置核函數(shù)系數(shù)；FNN則需要通過預(yù)試驗(yàn)進(jìn)行人為選擇隱層節(jié)點(diǎn)數(shù)，相對(duì)復(fù)雜。對(duì)于建模集的預(yù)測性能，F(xiàn)NN和SVR兩種機(jī)器學(xué)習(xí)方法均優(yōu)于PLSR，對(duì)參數(shù)的解釋性和精度均較高。對(duì)于獨(dú)立的驗(yàn)證數(shù)據(jù)，SVR的估算性能最優(yōu)，PLSR次之，F(xiàn)NN由于需要大量的樣本進(jìn)行訓(xùn)練，同時(shí)存在陷入局部最優(yōu)解的問題，對(duì)于驗(yàn)證數(shù)據(jù)的估算表現(xiàn)不佳。

傳統(tǒng)的高光譜數(shù)據(jù)建模處理采用先降維后建模方法，一定程度上提高了運(yùn)算速率，但面向多元監(jiān)測指標(biāo)時(shí)，建模反演整體過程復(fù)雜。隨著運(yùn)算力的不斷提升和對(duì)高維數(shù)據(jù)的處理能力不斷提高，特征數(shù)量對(duì)數(shù)據(jù)處理與分析的制約越來越小。本研究使用原始冬小麥冠層光譜反射率進(jìn)行建模，簡化了特征篩選的過程，達(dá)到了理想的估算結(jié)果，為高光譜數(shù)據(jù)的處理提供了新的思路。在利用全波段高光譜估算冬小麥生長參數(shù)的試驗(yàn)中，SVR在估測方法中表現(xiàn)最優(yōu)，同時(shí)運(yùn)算速率適中，可以滿足大面積作物生長狀況實(shí)時(shí)監(jiān)測的需求。