基于高光譜和連續(xù)投影算法的獼猴桃葉片氮平衡指數(shù)的估測(cè)

摘要：通過(guò)研究獼猴桃葉片氮平衡指數(shù)（Nitrogen balance index，NBI）與高光譜反射率之間的關(guān)系，建立合適的遙感估算模型，以期為指導(dǎo)陜西咸陽(yáng)地區(qū)獼猴桃生長(zhǎng)監(jiān)測(cè)及田間精準(zhǔn)施氮奠定理論基礎(chǔ)。以陜西省咸陽(yáng)市楊凌區(qū)的徐香獼猴桃為主要研究對(duì)象，測(cè)定其高光譜反射率、葉片氮平衡指數(shù)，通過(guò)一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、連續(xù)統(tǒng)去除和標(biāo)準(zhǔn)正態(tài)分布光譜變換，分析包含原始光譜在內(nèi)的5種不同光譜與葉片氮平衡指數(shù)之間的關(guān)系；進(jìn)一步通過(guò)連續(xù)投影算法，剔除冗余信息，篩選出特征波長(zhǎng)，并基于不同光譜的特征波長(zhǎng)，使用單因素回歸模型、隨機(jī)森林回歸（Random forest regression， RF）模型、支持向量機(jī)回歸（Support vector regression， SVR）模型和偏最小二乘回歸（Partial least square regression， PLSR）模型進(jìn)行建模，比較模型精度。結(jié)果表明，當(dāng)NBI值不同時(shí)，獼猴桃葉片相關(guān)指標(biāo)的變化趨勢(shì)類似：可見(jiàn)光波段的反射率隨NBI值的增加呈現(xiàn)下降的趨勢(shì)，而近紅外波段反射率的變化趨勢(shì)則與之相反，表現(xiàn)出隨NBI值的增加而上升的趨勢(shì)；部分光譜變換可以增加通過(guò)0.01水平顯著性檢驗(yàn)的波段數(shù)，提升與NBI值的相關(guān)性，其中連續(xù)統(tǒng)去除光譜的敏感波段數(shù)增加得最多，增加了190個(gè)，一階導(dǎo)數(shù)光譜相關(guān)系數(shù)的絕對(duì)值最大值為0.77；連續(xù)投影算法可最大限度地減少數(shù)據(jù)的冗余，最高降維比達(dá)99%，在大幅提高計(jì)算效率的同時(shí)提高了模型的精度；與單因素回歸模型相比，多因素機(jī)器學(xué)習(xí)模型對(duì)獼猴桃氮平衡指數(shù)的估算能力較高，其中SNV-SVR的表現(xiàn)最好，決定系數(shù)（R2）為0.82，相對(duì)百分比差異（RPD）為2.34。在今后對(duì)獼猴桃氮平衡指數(shù)的估測(cè)中，可優(yōu)先考慮本研究模型。

關(guān)鍵詞：獼猴桃；葉片氮平衡指數(shù)；高光譜；光譜變換；連續(xù)投影算法；支持向量機(jī)回歸

中圖分類號(hào)：S127文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2024）07-1260-08Estimation of kiwifruit leaf nitrogen balance index based on hyperspectral and successive projections algorithmSONG Ziyi，CHANG Qingrui，ZHENG Zhikang，TANG Guoqiang，MENG Yifan

（College of Natural Resources and Environment， Northwest A&F University， Yangling 712100， China）

Abstract：By investigating the relationship between kiwifruit leaf nitrogen balance index （NBI） and hyperspectral reflectance， this study established a suitable remote sensing estimation model to provide a theoretical foundation for guiding precise nitrogen management and growth monitoring of kiwifruit in the Xianyang region. Taking Xuxiang kiwifruit in Yangling of Xianyang City， Shaanxi province as the main research object， the hyperspectral reflectance and leaf nitrogen balance index were measured. Through the first derivative， second derivative， continuum removal and standard normal distribution spectral transformation， the relationship between five different spectra including the original spectrum and leaf nitrogen balance index was analyzed. Furthermore， through the successive projections algorithm， the redundant information was eliminated and the characteristic wavelengths were screened out. Based on the characteristic wavelengths of different spectra， single factor regression model， random forest regression （RF） model， support vector regression （SVR） model and partial least square regression （PLSR） model were used for modeling， and the model accuracy was compared. The results showed that when the NBI value was different， the change trend of the related indices of kiwifruit leaves was similar. The reflectivity of the visible light band showed a downward trend with the increase of the NBI value， while the change trend of the reflectivity of the near-infrared band was opposite， showing an upward trend with the increase of the NBI value. Partial spectral transformation increased the number of bands passing the 0.01 level significance test and improved the correlation with NBI values. The number of sensitive bands of continuum removal spectra increased by 190， and the maximum absolute value of the first derivative spectral correlation coefficient was 0.77. The successive projections algorithm could minimize the redundancy of data， and the highest dimensionality reduction ratio was as high as 99%. It greatly improved the computational efficiency and the accuracy of the model. Compared with the single-factor regression model， the multi-factor machine learning model had a higher ability to estimate the kiwifruit nitrogen balance index. SNV-SVR performed best， with a coefficient of determination （R2） of 0.82 and a relative percentage difference （RPD） of 2.34. In the future estimation of kiwifruit nitrogen balance index， the model constructed in this study can be given priority.

Key words：kiwifruit;leaf nitrogen balance index;hyperspectral;spectral transformation;successive projections algorithm;support vector regression

作物的氮平衡指數(shù)（NBI）是重要的生理生化參數(shù)，該參數(shù)對(duì)作物長(zhǎng)勢(shì)估測(cè)具有重要意義[1]。作為以往研究中常用的氮含量測(cè)定方法，凱氏定氮法[2]和納氏試劑法[3]常對(duì)樣本造成不可逆的傷害，并且檢測(cè)速度極慢，而用多酚測(cè)量?jī)x測(cè)定NBI值，不僅大大減少了傳統(tǒng)方法在響應(yīng)上的延滯性，而且能快速掌握現(xiàn)階段作物中的氮素是否處于過(guò)飽和或缺乏的狀態(tài)[4]。

近年來(lái)，高光譜遙感技術(shù)迅猛發(fā)展，在很大程度上解決了氮素測(cè)量低效的問(wèn)題。目前，基于作物高光譜遙感技術(shù)的無(wú)損、迅速、大面積氮素測(cè)定方法已經(jīng)在多種作物中得以運(yùn)用。國(guó)內(nèi)外大量研究發(fā)現(xiàn)，光譜反射率與作物葉片的氮含量之間有顯著關(guān)聯(lián)，例如Martins等[5]發(fā)現(xiàn)，紅光波段與綠光波段的反射特性與甘蔗葉片的氮含量顯著相關(guān)；張文旭等[6]通過(guò)對(duì)原始光譜進(jìn)行5種預(yù)處理和波段特征提取，為估測(cè)棉花葉片的氮素含量提供了較為精確的模型；鄒德秋等[7]通過(guò)篩選不同光譜指數(shù)，構(gòu)建了胡楊葉片氮含量的估測(cè)模型，為胡楊的健康監(jiān)測(cè)提供了參考依據(jù)；李長(zhǎng)春等[4]基于無(wú)人機(jī)高清數(shù)碼影像、高光譜遙感數(shù)據(jù)分析了大豆NBI值與各類型光譜指標(biāo)間的相關(guān)性，并采用經(jīng)驗(yàn)?zāi)Ｐ蜆?gòu)建了NBI值的反演模型；Fan等[8]以不同光譜變換條件下與NBI值高度相關(guān)的波段、植被指數(shù)為特征，構(gòu)建了與ML算法結(jié)合的冬小麥NBI值的估算模型；郭松等[9]應(yīng)用特征波段、植被指數(shù)構(gòu)建了不同類型玉米的氮平衡指數(shù)高光譜反演模型；Jiang等[10]基于葉片高光譜成像數(shù)據(jù)，使用連續(xù)投影算法提取了與紅樹(shù)林害蟲(chóng)和疾病信息相關(guān)的敏感光譜、紋理特征，表明通過(guò)連續(xù)投影算法（SPA）可提高參數(shù)估算的準(zhǔn)確性。

截至目前，借助高光譜估算NBI值反映作物氮營(yíng)養(yǎng)狀況的研究較少，大多數(shù)研究估算作物葉片的氮含量，且研究對(duì)象集中在水稻、小麥、玉米等作物上，對(duì)獼猴桃的研究相對(duì)較少。本研究擬以陜西省咸陽(yáng)市楊凌區(qū)的獼猴桃為研究對(duì)象，對(duì)原始光譜進(jìn)行5種不同類型的變換，分別分析不同光譜與獼猴桃氮平衡指數(shù)之間的相關(guān)性，進(jìn)而基于連續(xù)投影算法，篩選出不同光譜對(duì)應(yīng)的特征波段，再分別使用多種算法構(gòu)建單因素、多因素模型進(jìn)行分析比較，從而研究獼猴桃葉片氮平衡指數(shù)的最佳估算模型，為咸陽(yáng)市楊凌區(qū)獼猴桃的長(zhǎng)勢(shì)監(jiān)測(cè)和精準(zhǔn)施氮提供理論依據(jù)和技術(shù)支持，也為其他地區(qū)、其他品種獼猴桃氮平衡指數(shù)的高光譜估測(cè)提供一定參考。

1材料與方法

1.1研究區(qū)概況與試驗(yàn)設(shè)計(jì)

研究區(qū)位于陜西省咸陽(yáng)市楊凌區(qū)五泉鎮(zhèn)蔣家寨村（108°01′20″E，34°18′11″N），地勢(shì)略呈西高東低、北高南低的特點(diǎn)，海拔為516.4～540.1 m，相對(duì)高度差為24 m，坡降（高程隨溝道下降的趨勢(shì)）為5‰，該地屬于東亞暖溫帶半濕潤(rùn)半干旱氣候區(qū)，適宜種植獼猴桃。該地區(qū)獼猴桃試驗(yàn)田中種植的獼猴桃品種為徐香，共計(jì)種植16行，采用間行采摘的方式，每行選擇5個(gè)點(diǎn)，每個(gè)點(diǎn)選取健康無(wú)病蟲(chóng)害的新老葉片各5張，共采摘80個(gè)樣點(diǎn)的400張葉片。本研究于獼猴桃膨果期（2022年6月27日）開(kāi)展，為最大限度保證所采摘葉片的原有特性，將采摘的葉片放置在含有冰袋的密閉保溫箱中帶回實(shí)驗(yàn)室后，進(jìn)行高光譜數(shù)據(jù)及氮平衡指數(shù)的測(cè)定。

1.2數(shù)據(jù)的獲取與處理

1.2.1獼猴桃氮平衡指數(shù)的測(cè)定獼猴桃NBI值的測(cè)定采用植物多酚-葉綠素測(cè)量?jī)x（Dualex Scientific+）進(jìn)行，該儀器具有非破壞性、實(shí)時(shí)性的特點(diǎn)，可以快速準(zhǔn)確地測(cè)定植物葉片的葉綠素含量（Chl）、葉片表層類黃酮含量（Flav），并通過(guò)葉綠素含量和類黃酮含量的比值評(píng)測(cè)植物中氮的狀態(tài)，即氮平衡指數(shù)（NBI=Chl/Flav）[10]。將每張葉片分成左、右2個(gè)部分，從葉尖到葉端，避開(kāi)葉脈，分3段進(jìn)行測(cè)定，共測(cè)定3次，取測(cè)定值的平均值作為該葉片的氮平衡指數(shù)。

1.2.2葉片高光譜數(shù)據(jù)的測(cè)定獼猴桃葉片的高光譜數(shù)據(jù)采用美國(guó)Spectrum Vista公司的SVC HR-1024i進(jìn)行測(cè)定，該儀器為非成像全光譜地物波譜儀，光譜探測(cè)范圍為350～2 500 nm。測(cè)量前多次進(jìn)行白板校正，為保證數(shù)據(jù)可靠，在測(cè)量過(guò)程中每隔30 min校正1次白板。用紙巾將葉片擦拭干凈后，將每張葉片分成左、右2個(gè)部分，從葉尖到葉端，避開(kāi)葉脈，分3段在各區(qū)域分別測(cè)量2次，每張葉片可測(cè)量獲得12條光譜曲線。

1.2.3高光譜數(shù)據(jù)的處理用SVC HR-1024i自帶軟件對(duì)所得原始光譜數(shù)據(jù)進(jìn)行間隔為1 nm的重采樣，由于健康植被對(duì)光譜的響應(yīng)主要集中在可見(jiàn)光、近紅外光波段，因此將重采樣區(qū)間設(shè)定為400～1 000 nm[11]。取每張葉片重采樣后所得12條光譜曲線的平均反射率作為該葉片的原始光譜值（PS值）。對(duì)原始光譜進(jìn)行變換，分別得到一階導(dǎo)數(shù)光譜（FDS）[12]、二階導(dǎo)數(shù)光譜（SDS）[13]、標(biāo)準(zhǔn)正態(tài)分布（SNV）光譜[14]及連續(xù)統(tǒng)去除（CRS）光譜[15]。數(shù)據(jù)處理在Excel 2021、R-4.2.1和MATLAB R2019b中進(jìn)行。

1.2.4連續(xù)投影算法（SPA）連續(xù)投影算法是一種前向迭代搜索的方法，該方法使用向量的投影分析，從1個(gè)波長(zhǎng)開(kāi)始，將該波長(zhǎng)投影到其他波長(zhǎng)上。通過(guò)比較投影向量的大小，獲得最大投影向量的波長(zhǎng)，最后在矯正模型的基礎(chǔ)上獲得入選的特征波長(zhǎng)[16-17]。該算法可以最大限度地消除共線性信息、減少數(shù)據(jù)冗余，從而大幅度提高計(jì)算效率，增加模型的精度[18]。

1.2.5研究思路本研究以高光譜數(shù)據(jù)為基礎(chǔ)，進(jìn)行4種不同的光譜變換，并分析各類型光譜數(shù)據(jù)與獼猴桃葉片NBI值間相關(guān)性。相關(guān)性用皮爾遜相關(guān)系數(shù)來(lái)度量，其值是2個(gè)變量之間協(xié)方差和標(biāo)準(zhǔn)差的商，范圍為-1～1，皮爾遜相關(guān)系數(shù)的絕對(duì)值越大，表明相關(guān)性越高，計(jì)算方法如式（1）所示[19]：

分別對(duì)包括原始高光譜數(shù)據(jù)在內(nèi)的共5種光譜通過(guò)SPA進(jìn)行波段選擇，篩選出不同光譜的特征波段，并以各個(gè)光譜的特征波段作為建模參數(shù)，建立獼猴桃膨果期葉片NBI值的單因素、多因素估算模型，分析對(duì)比各模型的精度，以期得到獼猴桃的最優(yōu)氮平衡指數(shù)估算模型，研究思路如圖1所示。

1.3模型的構(gòu)建和精度的檢驗(yàn)

分別在原始光譜、一階導(dǎo)數(shù)光譜、二階導(dǎo)數(shù)光譜、標(biāo)準(zhǔn)正態(tài)分布光譜及連續(xù)統(tǒng)去除光譜這5種光譜的基礎(chǔ)上，使用連續(xù)投影算法選取相應(yīng)光譜的特征波長(zhǎng)?？紤]到建模精度及數(shù)據(jù)處理的有效性，本研究將SPA入選的特征波段數(shù)控制在5～20個(gè)。在獲得特征波長(zhǎng)的基礎(chǔ)上，分別用上述5種光譜構(gòu)建獼猴桃葉片NBI值的隨機(jī)森林回歸（RF）模型、支持向量機(jī)回歸（SVR）模型和偏最小二乘回歸（PLSR）模型，模型均在MATLAB R2019b中建立。在建模時(shí)按照3∶1的比例進(jìn)行抽樣，建模樣本共60個(gè)，驗(yàn)證樣本共20個(gè)。采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)百分比差異（RPD）來(lái)評(píng)價(jià)模型的精度，當(dāng)R2越接近1、RMSE越小時(shí)，表明模型的擬合度越高；當(dāng)RPD<1.4時(shí)，表明模型的擬合度較差，不能對(duì)樣本進(jìn)行估測(cè)；當(dāng)RPD=1.4～2.0時(shí)，表明模型的擬合度一般，可以對(duì)樣本進(jìn)行粗略估測(cè)；當(dāng)RPD>2.0時(shí)，表明模型的擬合度較好，可以對(duì)樣本數(shù)據(jù)進(jìn)行有效估測(cè)。R²、RMSE、RPD的計(jì)算公式如下：

2結(jié)果與分析

2.1獼猴桃葉片NBI值與高光譜特征數(shù)據(jù)的分析

隨機(jī)選取25%的樣本作為驗(yàn)證集，75%的樣本作為建模集，分別統(tǒng)計(jì)并分析建模集、驗(yàn)證集葉片的NBI值特征。由表1可知，3組樣本NBI值的變化范圍較一致，且變異系數(shù)差異不大，說(shuō)明建模集、驗(yàn)證集的劃分合理，適合用于建模。

將獼猴桃葉片的NBI值由小到大排列，并將每20個(gè)NBI值劃分為1組，共4組，各組的NBI均值分別為14.70、22.01、28.21和43.45。分別取各組中最接近該組NBI均值的真實(shí)值（14.52、22.03、28.05、43.59）來(lái)繪制高光譜特征圖。如圖2所示，在不同NBI值條件下，獼猴桃葉片原始光譜反射率曲線的變化趨勢(shì)類似，在可見(jiàn)光波段（400～780 nm）的反射率均較低，可能由于獼猴桃葉片中的葉綠素具有強(qiáng)烈吸收藍(lán)光、紅光及反射綠光的特性；分別在波長(zhǎng)550 nm、670 nm處形成1個(gè)反射峰、1個(gè)吸收谷。在781～1 000 nm的近是紅外波段，受獼猴桃葉片內(nèi)部結(jié)構(gòu)影響，導(dǎo)致形成多次反射、散射，從而形成1個(gè)反射率不低于0.5的高反射率平臺(tái)；隨著NBI值的增加，獼猴桃葉片在可見(jiàn)光波段的原始光譜反射率呈現(xiàn)下降趨勢(shì)，而近紅外波段的反射率則與之相反，呈上升趨勢(shì)。 NBI值：氮平衡指數(shù)值。

2.2各類型光譜數(shù)據(jù)與獼猴桃葉片NBI值間的相關(guān)性分析如圖3所示，獼猴桃葉片的NBI值與各類型光譜反射率間的相關(guān)性均通過(guò)了0.01水平的檢驗(yàn)。在原始光譜結(jié)果中，共有269個(gè)波段通過(guò)了0.01水平的相關(guān)性檢驗(yàn)，在566 nm處獼猴桃葉片的NBI值與光譜反射率間的相關(guān)系數(shù)為-0.63，絕對(duì)值最高。在一階導(dǎo)數(shù)光譜結(jié)果中，共有441個(gè)波段通過(guò)了0.01水平的相關(guān)性檢驗(yàn)，在534 nm處獼猴桃葉片的NBI值與光譜反射率間的相關(guān)系數(shù)為-0.77，絕對(duì)值最高。在二階導(dǎo)數(shù)光譜結(jié)果中，共有255個(gè)波段通過(guò)了0.01水平的相關(guān)性檢驗(yàn)，在534 nm處獼猴桃葉片的NBI值與光譜反射率間的相關(guān)系數(shù)為0.62，絕對(duì)值最高。在標(biāo)準(zhǔn)正態(tài)分布光譜結(jié)果中，共有234個(gè)波段通過(guò)了0.01水平的相關(guān)性檢驗(yàn)，雖然通過(guò)0.01水平相關(guān)性檢驗(yàn)的波段較原始波段有所減少，但獼猴桃葉片NBI值與光譜反射率間的相關(guān)系數(shù)最低為-0.83，絕對(duì)值在所有光譜中最高，對(duì)應(yīng)波段為744 nm。在連續(xù)統(tǒng)去除光譜結(jié)果中，共有459個(gè)波段通過(guò)了0.01水平的相關(guān)性檢驗(yàn)，在951 nm處獼猴桃葉片的NBI值與光譜反射率間的相關(guān)系數(shù)最高，為0.66。

對(duì)比所有光譜結(jié)果發(fā)現(xiàn)，經(jīng)過(guò)變換后，相較于原始光譜結(jié)果，一階導(dǎo)數(shù)光譜結(jié)果、連續(xù)統(tǒng)去除光譜結(jié)果中通過(guò)0.01水平相關(guān)性檢驗(yàn)的波段數(shù)有所增加，且最大相關(guān)系數(shù)的絕對(duì)值也有所提升，其中一階導(dǎo)數(shù)光譜與NBI值間相關(guān)系數(shù)的提升幅度較大，而連續(xù)統(tǒng)去除光譜與NBI值間的相關(guān)系數(shù)通過(guò)0.01水平相關(guān)性檢驗(yàn)的敏感波段數(shù)增加得更多。相較于原始光譜，二階導(dǎo)數(shù)光譜與標(biāo)準(zhǔn)正態(tài)分布光譜通過(guò)0.01水平相關(guān)性檢驗(yàn)的波段數(shù)均有一定程度的減少，且二階導(dǎo)數(shù)光譜與NBI值間相關(guān)系數(shù)絕對(duì)值的最大值較原始光譜降低了0.01。

2.3獼猴桃葉片NBI值單因素模型的構(gòu)建及精度評(píng)價(jià)分別以原始光譜數(shù)據(jù)及4種變換后的光譜數(shù)據(jù)中與獼猴桃NBI值相關(guān)系數(shù)絕對(duì)值最高的波段的反射率為自變量、以獼猴桃葉片氮平衡指數(shù)為因變量，構(gòu)建獼猴桃葉片含水率的指數(shù)、線性、對(duì)數(shù)、乘冪和多項(xiàng)式模型，篩選最佳模型。

由表2可知，一階導(dǎo)數(shù)及標(biāo)準(zhǔn)正態(tài)分布光譜均以指數(shù)模型的表現(xiàn)較優(yōu)。在建模集中，基于標(biāo)準(zhǔn)正態(tài)分布的光譜R2最高，為0.68，略高于一階導(dǎo)數(shù)光譜，比原始光譜高0.26，且標(biāo)準(zhǔn)正態(tài)分布的光譜的RMSE在所有模型中最低，RPD值最高（1.76），沒(méi)有超過(guò)2.00。在驗(yàn)證集中，R2與建模集呈現(xiàn)不一樣的結(jié)果，最高的為一階導(dǎo)數(shù)光譜，R2為0.80，而標(biāo)準(zhǔn)正態(tài)分布光譜的R2為0.70，一階導(dǎo)數(shù)光譜的R2比原始光譜高0.29；結(jié)合RMSE、RPD來(lái)看，一階導(dǎo)數(shù)光譜的RMSE最小，RPD最大，超過(guò)了2.00。綜合建模集、驗(yàn)證集結(jié)果來(lái)看，以一階導(dǎo)數(shù)光譜為自變量構(gòu)建的指數(shù)模型為最優(yōu)模型，在應(yīng)用單因素模型估算獼猴桃葉片氮平衡指數(shù)時(shí)可優(yōu)先考慮該模型。

2.4獼猴桃葉片NBI值多因素模型構(gòu)建及精度評(píng)價(jià)通過(guò)連續(xù)投影算法，對(duì)上述5種光譜進(jìn)行特征波段的篩選，為了保證數(shù)據(jù)的可靠性，將SPA中入選的特征波段數(shù)控制在5～20個(gè)，最高降維比達(dá)99%。對(duì)每種光譜進(jìn)行SPA篩選后，分別用隨機(jī)森林回歸模型、支持向量機(jī)回歸模型和偏最小二乘回歸模型對(duì)其進(jìn)行建模，通過(guò)對(duì)比各個(gè)方法下不同光譜的驗(yàn)證集精度來(lái)判斷數(shù)據(jù)處理方法是否精確有效。在5種光譜的不同建模處理下，NBI的預(yù)測(cè)精度如表3所示。對(duì)于經(jīng)過(guò)一階導(dǎo)數(shù)、二階導(dǎo)數(shù)變換的光譜，用RF建模后，RPD均小于1.40，證明該模型對(duì)NBI值的預(yù)測(cè)能力較差；用SVR建模后，一階導(dǎo)數(shù)光譜的RPD達(dá)到1.53，二階導(dǎo)數(shù)光譜經(jīng)PLSR建模后的RPD達(dá)到1.59。SNV、CRS 2種光譜經(jīng)過(guò)PLSR建模后，RPD均大于1.80，說(shuō)明PLS模型具有相對(duì)較好的預(yù)測(cè)能力。SNV、CRS 2種光譜經(jīng)過(guò)RF、SVR建模后，RPD均大于2.00，說(shuō)明模型具有較好的預(yù)測(cè)能力。其中，經(jīng)過(guò)SVR建模后的SNV光譜的精度最高，RPD為2.34；CRS光譜經(jīng)過(guò)SVR建模后的RPD次之，達(dá)到了2.19。除了SDS光譜經(jīng)PLSR建模所得RPD，各種光譜經(jīng)過(guò)SVR建模后的RPD均大于RF、PLSR的建模結(jié)果。

3討論

氮素對(duì)植物根系、枝葉的生長(zhǎng)有明顯影響，而植物葉片的NBI值可在一定程度上反映植物中的氮營(yíng)養(yǎng)狀況。本研究用植物多酚-葉綠素測(cè)量?jī)x對(duì)獼猴桃葉片的氮平衡指數(shù)進(jìn)行了快速且無(wú)損害測(cè)定。結(jié)果表明，隨著NBI值的升高，獼猴桃葉片的光譜反射率在可見(jiàn)光波段呈現(xiàn)下降趨勢(shì)，而在近紅外波段的趨勢(shì)則與之相反，即隨著NBI值的升高，葉片光譜反射率呈上升趨勢(shì)。通過(guò)光譜變換可提高光譜反射率與反演參數(shù)之間的相關(guān)性[20]，本研究結(jié)果顯示，經(jīng)過(guò)一階導(dǎo)數(shù)變換后，通過(guò)0.01水平相關(guān)性檢驗(yàn)的波段數(shù)得到大幅增加，且相關(guān)系數(shù)絕對(duì)值的最大值也有了大幅提升，這與前人的研究結(jié)果[21-23]一致。在本研究中，標(biāo)準(zhǔn)正態(tài)分布（SNV）光譜的相關(guān)系數(shù)絕對(duì)值的最大值最大，為0.83。王勇等[24]的研究也發(fā)現(xiàn)，標(biāo)準(zhǔn)正態(tài)分布光譜在反演建模中有較好的表現(xiàn)。

獼猴桃膨果期是獼猴桃需肥、施肥的關(guān)鍵時(shí)期，該時(shí)期獼猴桃對(duì)氮的需求量有所提升[25]。本研究使用多種模型對(duì)獼猴桃葉片的NBI值進(jìn)行了估算，以期為獼猴桃科學(xué)施氮提供參考。本研究發(fā)現(xiàn)，多因素模型比單因素模型有明顯的優(yōu)勢(shì)，這與前人的研究結(jié)果[26]一致，其中以一階導(dǎo)數(shù)光譜為自變量構(gòu)建的指數(shù)模型為最優(yōu)模型，在應(yīng)用單因素模型估算獼猴桃葉片氮平衡指數(shù)時(shí)可優(yōu)先考慮該模型。但單因素包含的信息簡(jiǎn)單，且單一波段容易受到背景因素的干擾，而通過(guò)對(duì)光譜進(jìn)行SPA選擇、減少數(shù)據(jù)冗余、篩選表達(dá)量最大的光譜后使用多波段建模，可以降低背景噪聲的影響，進(jìn)而提高對(duì)植物生理生化參數(shù)的監(jiān)測(cè)效果。RF模型可通過(guò)平均決策樹(shù)降低過(guò)擬合的風(fēng)險(xiǎn)，但是當(dāng)數(shù)據(jù)本身存在噪聲時(shí)，該方法容易出現(xiàn)過(guò)擬合的現(xiàn)象。PLSR模型在數(shù)據(jù)量多、變量之間存在多重相關(guān)性時(shí)有較好表現(xiàn)，但在解決非線性問(wèn)題時(shí)表現(xiàn)出的能力較弱。在非線性可分問(wèn)題中，支持向量機(jī)回歸算法利用內(nèi)積核函數(shù)，將非線性向量映射到1個(gè)高維空間中，并在該空間中尋找、劃分出1個(gè)最優(yōu)超平面，從其原理來(lái)看，支持向量機(jī)回歸算法沒(méi)有使用傳統(tǒng)算法中由歸納到演繹的過(guò)程，而是精確快速地實(shí)現(xiàn)根據(jù)訓(xùn)練樣本推理預(yù)測(cè)樣本。在本研究中，相較于RF、PLSR模型，用SVR模型建模能夠有效提高建模精度，這與前人的研究結(jié)果[27]一致，其中SNV-SVR模型的RPD高達(dá)2.34，該模型為獼猴桃NBI值的最佳估算模型。

本研究利用不同數(shù)據(jù)源，通過(guò)機(jī)器學(xué)習(xí)、深度網(wǎng)絡(luò)學(xué)習(xí)等對(duì)比為膨果期獼猴桃氮營(yíng)養(yǎng)狀況測(cè)定提供了一定參考。然而，本研究樣本數(shù)量有限且品種較為單一，后續(xù)可以考慮增加更多獼猴桃品種，建立更穩(wěn)定及適用范圍更廣的獼猴桃氮營(yíng)養(yǎng)狀況估測(cè)模型。

4結(jié)論

本研究以陜西省咸陽(yáng)市楊凌區(qū)獼猴桃為研究對(duì)象，通過(guò)4種光譜變換方式，對(duì)包含原始光譜在內(nèi)的共5種光譜，分別采用單因素、多因素回歸模型建模，其中多因素模型的輸入變量為SPA篩選所得特征波段的光譜值，建模方法分別為RF、SVR和PLSR。建立獼猴桃葉片氮平衡指數(shù)的估算模型并進(jìn)行相互比較，得到如下結(jié)論：（1）獼猴桃葉片在不同NBI值下，曲線的變化趨勢(shì)類似。隨著葉片NBI值的增加，可見(jiàn)光波段反射率呈現(xiàn)下降趨勢(shì)，而近紅外波段反射率的變化則與之相反，呈上升趨勢(shì)。（2）光譜變換會(huì)影響通過(guò)0.01水平顯著性檢驗(yàn)的波段數(shù)以及光譜與NBI值的相關(guān)性，其中連續(xù)統(tǒng)去除光譜敏感波段數(shù)增加得最多，增加了190個(gè)，一階導(dǎo)數(shù)光譜數(shù)據(jù)與NBI值間的相關(guān)系數(shù)絕對(duì)值最大值為0.77。（3）連續(xù)投影算法可最大限度地減少數(shù)據(jù)的冗余，最高降維比可高達(dá)99%，在大幅提高計(jì)算效率的同時(shí)提高了模型的精度。（4）相比單因素回歸模型，多因素機(jī)器學(xué)習(xí)模型對(duì)獼猴桃氮平衡指數(shù)的估算能力較高，其中SVN-SVR的表現(xiàn)最好，R2為0.82，RPD為2.34，在今后的獼猴桃氮平衡指數(shù)估測(cè)中可優(yōu)先考慮該模型。

參考文獻(xiàn)：

[1]孫小香，王芳東，趙小敏，等. 基于冠層光譜和BP神經(jīng)網(wǎng)絡(luò)的水稻葉片氮素濃度估算模型[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2019，40（3）：35-44.

[2]李容榕，盛觀星，林小艷. 凱氏定氮法測(cè)定青海省不同地區(qū)羌活中全氮含量[J]. 山西大同大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，36（2）：8-9，17.

[3]楊小秋，王欣，郭敬. 納氏試劑分光光度法測(cè)定煙草樣品中總氮含量[J]. 理化檢驗(yàn)-化學(xué)分冊(cè)，2013，49（6）：755-756.

[4]李長(zhǎng)春，陳鵬，陸國(guó)政，等. 基于無(wú)人機(jī)高清數(shù)碼影像和高光譜遙感數(shù)據(jù)反演大豆典型生育期氮平衡指數(shù)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2018，29（4）：1225-1232.

[5]MARTINS J A， FIORIO P R， DA SILVA BARROS P P， et al. Potential use of hyperspectral data to monitor sugarcane nitrogen status[J]. Acta Scientiarum Agronomy，2020，43：e47632.

[6]張文旭，佟炫夢(mèng)，周天航，等. 基于高光譜成像的棉花葉片氮素含量遙感估測(cè)[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，52（5）：586-596.

[7]鄒德秋，王家強(qiáng)，張冬冬，等. 基于光譜指數(shù)的胡楊葉片氮含量估算[J]. 森林與環(huán)境學(xué)報(bào)，2022，42（6）：623-630.

[8]FAN K， LI F L， CHEN X K， et al. Nitrogen balance index prediction of winter wheat by canopy hyperspectral transformation and machine learning[J]. Remote Sensing，2022，14（14）：3504.

[9]郭松，常慶瑞，張佑銘，等. 連續(xù)投影與SSA-ELM結(jié)合的玉米氮平衡指數(shù)高光譜估測(cè)[J]. 西北農(nóng)業(yè)學(xué)報(bào)，2023，32（1）：130-138.

[10]JIANG X P， ZHEN J N， MIAO J， et al. Assessing mangrove leaf traits under different pest and disease severity with hyperspectral imaging spectroscopy[J]. Ecological Indicators，2021，129：107901.

[11]朱紅芳，李曉鋒，奚丹丹，等. 利用高通量表型平臺(tái)分析紫葉紫菜薹新組合19-520的表型特征[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2021，37（2）：465-470.

[12]高雯婷，廖秀芬，黃權(quán)龍，等. 一階導(dǎo)數(shù)光譜法同時(shí)測(cè)定水樣中的羅丹明B和活性艷紅X-3B[J]. 分析試驗(yàn)室，2021，40（5）：523-528.

[13]馮蕾，陳錫芹，程祖順，等. 二階導(dǎo)數(shù)光譜法定量分析凝灰?guī)r石粉對(duì)不同側(cè)鏈長(zhǎng)度聚羧酸減水劑吸附性[J]. 光譜學(xué)與光譜分析，2019，39（9）：2788-2793.

[14]李鑫，湯衛(wèi)榮，張永輝，等. 基于高光譜成像技術(shù)的煙葉田間成熟度判別模型[J]. 煙草科技，2022，55（7）：17-24.

[15]鄭煜，常慶瑞，王婷婷，等. 基于連續(xù)統(tǒng)去除和偏最小二乘回歸的油菜SPAD高光譜估算[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（8）：37-45.

[16]YE S F， WANG D， MIN S G. Successive projections algorithm combined with uninformative variable elimination for spectral variable selection[J]. Chemometrics and Intelligent Laboratory Systems，2008，91（2）：194-199.

[17]成忠，張立慶，劉赫揚(yáng)，等. 連續(xù)投影算法及其在小麥近紅外光譜波長(zhǎng)選擇中的應(yīng)用[J]. 光譜學(xué)與光譜分析，2010，30（4）：949-952.

[18]吳迪，金春華，何勇. 基于連續(xù)投影算法的光譜主成分組合優(yōu)化方法研究[J]. 光譜學(xué)與光譜分析，2009，29（10）：2734-2737.

[19]張超，余哲修，黃田，等. 基于不同光譜變換的劍湖茭草鮮生物量估測(cè)研究[J]. 西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2019，39（6）：105-115.

[20]張宇，簡(jiǎn)季. 基于SPA-BPNN的成都市天府新區(qū)東部土壤As含量高光譜估測(cè)建模[J]. 桂林理工大學(xué)學(xué)報(bào)，2024，44（1）：58-66.

[21]秦佳雙，顧大形，倪隆康，等. 桂北巖溶區(qū)與非巖溶區(qū)植物葉片含水率高光譜反演[J]. 廣西植物，2021，41（5）：726-737.

[22]孫愛(ài)華，顧曉霞，李虎，等. 基于高光譜參數(shù)的柑桔園土壤水分動(dòng)態(tài)監(jiān)測(cè)[J]. 中國(guó)南方果樹(shù)，2023，52（4）：11-18.

[23]易翔，張立福，呂新，等. 基于無(wú)人機(jī)高光譜融合連續(xù)投影算法估算棉花地上部生物量[J]. 棉花學(xué)報(bào)，2021，33（3）：224-234.

[24]王勇，侯晨悅，楊錫震，等. 基于多種高光譜指標(biāo)反演凍結(jié)土壤含水率的研究[J]. 節(jié)水灌溉，2023（7）：10-19.

[25]李頎，白澤亮. 基于機(jī)器視覺(jué)的獼猴桃膨果期營(yíng)養(yǎng)液預(yù)測(cè)[J]. 中國(guó)科技論文，2020，15（11）：1234-1240.

[26]余蛟洋，常慶瑞，班松濤，等. 獼猴桃葉片SPAD值高光譜估算模型構(gòu)建[J]. 干旱地區(qū)農(nóng)業(yè)研究，2018，36（6）：168-174.

[27]丁子予，岳學(xué)軍，曾凡國(guó)，等. 基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的玉米種子活力光譜檢測(cè)[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，42（3）：230-240.

（責(zé)任編輯：徐艷）