午夜宅男影院,亚洲国产精品综合久久2007,综合色在线

光譜估算

引言

高等植物葉綠素有兩種: 葉綠素a和葉綠素b, 它們參與光能吸收、傳遞和轉化, 調控著葉片吸收太陽輻射的量從而影響著光合作用的潛力及初級生產力。植物葉綠素含量與其營養狀況密切相關, 例如在植物受到脅迫以及在衰老進程中其葉綠素含量會降低且其葉綠素 a與葉綠素b的比值也會因非生物因素的影響而發生變化, 利用葉綠素含量可以間接估計植物營養狀態。葉綠素含量作為有關植物-環境相互作用的信息監測因子, 其已成為植物健康的監測指標之一。葉片的光譜反射率是對光合色素含量的響應, 葉綠素在植物葉片內的含量可利用測定特征光譜表現出來。因此, 葉片的光譜反射率成為監測植物光合作用、病蟲害和環境脅迫的有力手段。如何利用高光譜技術快速準確地監測植物葉綠素含量, 進而實現植物健康的大面積監測, 已成為亟需解決的生態問題。

材料與方法

2.1 研究區概況

研究區位于塔里木河流域上游源流區和新疆阿瓦提縣胡楊林保護區。塔里木河流域上游源流區 (40°17′N、 80°21′E) 三河交匯, 供水資源豐富, 地表徑流流量較大, 豐水期為7—9月, 汛期受洪水影響較大。阿瓦提縣胡楊林保護區(40°15′53.72″ ~ 40°18′23. 13″N、 80° 19′54. 71″ ~ 80° 24′13. 10″E) 位于葉爾羌河的下游, 葉爾羌河之水主要來源于高山冰雪融水, 其河流有明顯的枯水期, 且在干旱區因不斷蒸發、沿岸取水會導致地表徑流量減少, 下游逐漸轉變為地下徑流, 水位持續降低。胡楊是荒漠河岸林唯一的建群喬木, 林下植被組成簡單, 植物種類主要有鈴鐺刺、甘草、檉柳等。

2.2 實驗設置

設置0~2、2~4、4~6、6~8、8~10m的5個地下水埋深梯度。在塔河源參照土壤剖面選取地下水埋深0~2與2~4m采樣區。在阿瓦提縣胡楊林保護區選擇垂直葉爾羌河不同距離的區域, 參照豎井水深確定相應采樣區作為地下水埋深4~6、6~8與8~10m采樣區。

2.3 光譜數據采集

在晴朗無風、天空云量小于20%的條件下,從每個采樣區范圍內挑選胸徑30 ~ 40cm,樹齡、長勢相近且無病蟲危害的胡楊10株,共50株。每株摘取其完整且具有代表性的葉片10片。用高枝剪采集葉片樣本,用于測定樣本葉片光譜反射率。采用便攜式地物光譜儀對胡楊葉片進行測定,分辨率為1nm,波長范圍在325~1075nm,以其平均值作為該采樣區的光譜反射率。

2.4 葉綠素含量的測定

胡楊葉片剪碎后通過95%乙醇浸提,放入冰箱于4 ℃密封浸提48h,之后用分光光度計測定。按下列公式計算其濃度。葉綠素a (chla) = 0. 013 73A663-0. 000 897A537-0. 003 046A647葉綠素b (chlb) = 0. 024 05A647-0. 004 305A537-0. 005 507A663式中: A663或A647為在波長663或647nm下用1cm的比色皿測量的吸光度值。

2.5 光譜數據預處理

采集的樣品光譜信號往往會受到背景噪聲、基線漂移等因素的干擾,從而影響最終的定性定量分析結果,因此需要對原始光譜進行預處理。通過公式對胡楊葉片原始光譜數據進行預處理與分析。一階導數處理的光譜數據能獲取不同的光譜參數，變換可增強光譜特征差異,減弱背景噪聲對光譜數據的干擾,放大光譜吸收特性。(如峰谷特征,紅邊波段等),從而反映植物的特征,。對原始的光譜數據進行SG平滑處理后,光譜噪聲明顯減弱,對平滑后的原始光譜重采樣,間隔為5nm,再進行一階導數變換。選取350~1050nm的數據進行分析,并且連續測量10次并取其平均反射率數據。

2.6 光譜特征波段分析方法

本研究的光譜特征波段采集方法采用相關系數法和灰色關聯度分析。相關系數是反映相應變量間相關關系密切度的指標, 不同地下水埋深條件下胡楊葉片反射光譜與葉綠素 a、b、a+b含量之間的線性相關關系可以通過相關系數來確立。樣本的相關系數值越大, 其相似程度越高, 反之, 相似程度越低。由于灰色關聯度分析能對目標性狀進行分析, 評價不同性狀的影響程度。故選用此方法對胡楊葉片的光譜特征波段進行篩選。不同地下水埋深條件下胡楊葉片反射光譜與葉綠素a、b、a+b含量之間的非線性相關關系可以通過關聯度來確立。在應用胡楊葉片光譜數據的估算時, 首先應用灰色關聯分析法, 計算原始光譜 (R)、一階導數 (FD) 變換后的光譜數據與葉綠素 a、b、a+b含量在關聯度大于重要因子(0. 7) 水平上的反射光譜波段。在全波段內選取關聯度大于重要因子(0. 7) 的波段作為高光譜的敏感波段。

2.7 建模及評價方法

使用偏最小二乘法( PLS )、支持向量機 (SVM)、BP神經網絡 ( BPNN) 建立預測模型。采用交叉檢驗的方法對模型進行評估, 選取決定系數 (R2)、均方根誤差( RMSE)、相對分析誤差(RPD)、校正標準偏差(RMSEC)、預測標準偏差 (RMSEP) 作為評價指標。R2值越接近1, 且RMSE值越低RPD值越接近2、SEL /SEP值越接近1 時, 模型越穩定, 精度越高, 預測能力越強; 0. 50

結果和分析

3.1 地下水埋深區胡楊葉片葉綠素含量的變化特征

葉綠素a含量最大值為1. 66mg/ g, 最小值為0. 32mg/ g, 葉綠素 b含量最大值為0. 64mg/ g, 最小值為0. 12mg/ g, 葉綠素a+b含量最大值為2. 30mg/ g, 最小值為0. 43mg/ g; 葉綠素a、b、 a+b含量變化趨勢基本一致, 呈現先上升后下降的趨勢, 且地下水埋深4~6 m時葉綠素含量均為最高、0~2m和8~10m較低(圖1)。這說明地下水埋深4~6m時最適合胡楊生長, 0~2m和8~10m時分別存在不同程度的生境脅迫, 不利于胡楊的葉綠素的合成。

圖 1 不同地下水埋深區葉綠素含量變化特征

3.2 不同地下水埋深區胡楊葉片反射光譜特征

胡楊葉片的結構和生理特征會隨著不同地下水埋深呈現出規律性的變化, 繼而影響葉片葉綠素含量、原始反射率的變化特征。在不同地下水埋深條件下, 胡楊葉片反射率的變化規律基本一致: 在地下水埋深4~6m, 其葉片光譜反射率在全波段內明顯高于其他水埋深區域的葉片光譜反射率(圖 2)。在可見光區域 (400~700 nm) 內, 反射率曲線變化比較明顯, 且光譜反射率較小 (小于0. 22) (圖 1a); 胡楊葉片反射率光譜在可見光范圍內出現綠色植物具有的典型“峰谷” 特征———在554nm附近出現明顯的一峰(綠峰)、在490和690 nm附近出現明顯的兩谷 (藍谷和紅谷) (圖 1b)。這主要是胡楊葉片中葉綠素和其他色素吸收紅光反射綠光的原因所致。在此波段內, 反射率隨地下水埋深的變化情況為: 地下水埋深4~6 m的反射率最大, 6~8m和4~6m的反射率次之, 且這三曲線的變化幅度較大; 0~2m 和2~4m反射率較低且趨于穩定 (圖 1b)。

圖 2 胡楊葉片反射光譜特征

注: a 為原始光譜反射率, b 為原始光譜特征波段, c 為一階導數光譜, d 為一階導數光譜特征波段

在近紅外波段 (700~1050nm), 不同地下水埋深的光譜反射率曲線呈現先上升后穩定變化的趨勢。在地下水埋深4~6 m光譜反射率最高, 且變化明顯, 其他4個水埋深則次之。光譜反射率隨不同水埋深而發生的這種變化可能是因為胡楊葉片細胞的排列方式與植被整體結構影響所致。在700~750nm, 反射率上升急劇, 這一波段叫做 “紅邊”(圖 1 a)。紅邊之所以形成可能是因為胡楊葉片結構影響所引起的多次反射和散射而形成了一個高反射臺。不同地下水埋深條件下, 葉綠素含量變化導致胡楊葉片導數光譜在不同波段上有明顯差異, 而且不同地下水埋深胡楊葉片導數光譜曲線變化趨勢基本一致 (圖 1c)。一階導數反映的是光譜曲線的斜率, 是光譜曲線的變化程度。在650~800nm波段, 地下水埋深6~8、2~4、8~10、0~ 2、4~6m的反射光譜在715、705、715、730、720nm附近一階導數值都達到了極值點, 其中715nm處達到了最大極大值 (圖 1d)。說明在此波段內光譜曲線的斜率變化、反射率變化較大。胡楊葉片葉綠素反射和“紅邊”效應、葉片結構和物質濃度等影響所形成的高反射率平臺的原因所致。在可見光波段, 葉綠素含量與一階導數光譜在某些波段 (600~750nm) 的相關性超過原始光譜, 因而選取的光譜變量參數大多來自一階導數光譜。

3.3 胡楊葉片葉綠素含量光譜估測模型的建立及驗證

3.3.1 建模數據集

光譜變換值、光譜參數分別與葉片綠素a、b、a+b含量呈極顯著相關且關聯度大于0. 7的波段為敏感波段。原始光譜反射率與葉綠素 a 含量的敏感波段134條, 主要分布在405~523、936 ~937、1009 ~1010、1018~1019nm附近; 導數光譜 (與葉綠素 a 含量的敏感波段184 條, 大多分布在560~674、731~902、921~1049nm 附近 (表 1)。原始光譜反射率與葉綠 b含量的敏感波段121條, 大多分布在405~516、936~937、1018~1048 nm附近; 一階導數光譜與葉綠素b含量的敏感波段178條, 大多分布在551~671、 711~793、831 ~ 932、971~1049nm 附近(表 1)。原始光譜反射率與葉綠素a+b含量的敏感波段129條, 大多分布在 405~521、936~937、1010~1048nm附近; 一階導數光譜與葉綠素a+b含量的敏感波段179條, 大多分布在560~674、 731~902、921~1049nm 附近(表 1)。在兩峰兩谷、紅邊等光譜變化差異明顯的波段, 一階導數變換能較好地反映光譜與葉綠素的相關性, 體現葉綠素吸收光譜變化的強弱程度。由此可見, 一階導數光譜更能體現葉綠素含量變化的差異, 可較好參與模型建立。基于敏感波段, 利用軟件對自變量做最大歸一化處理, 并將胡楊葉片樣品數按照2︰1的比例分為校正集和預測集, 分別建立SVM、PLSR 和 BP 神經網絡葉綠素光譜估測模型。建模數據集如表 2。樣本葉片的平均葉綠素 a、b、a+b含量在0. 97、0. 38、1. 35 mg/ g 左右。葉綠素含量變異系數 (變異系數18. 2% ~ 23. 2%) 均較小, 屬于弱變異強度。所有數據集的變異系數在組內沒有顯著差異; 對比數據統計結果, 數據集之間的差異小, 數據集的劃分達到建模標準。

表 1 篩選的敏感波段

表 2 總數據集、建模集和驗證集的描述性統計

3.3.2基于 SVM 的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數下胡楊葉片葉綠素a、b、a+b 含量的 SVM光譜預測模型其精度有所差異 (表 3)。建模集與驗證集R2<0. 50且RPD<1. 40, SEL/ SEP距1較遠時模型精度差, 對樣本的估測能力不穩定, 不具備估測能力。經過多次交叉驗證, 通過SVM方法所分別建立的基于敏感波段的胡楊葉片原始光譜 (R)、一階導數 (FD) 的葉綠素 a、b、a+b 含量與不同光譜變換和光譜參數的回歸預測模型其預測效果不穩定, 無法對樣本進行預測。

3.3.3基于 PLSR 的胡楊葉綠素的光譜估算模型

不同光譜變換和光譜參數下胡楊葉片葉綠素a、b、a+b含量的 PLSR光譜預測模型其精度有所差異 (表 4)。

表 3 葉綠素 SVM 估算模型

表 4 葉綠素 PLSR 估算模型

經過多次交叉驗證, 一階導數光譜敏感波段與葉綠素a含量構建的回歸模型其精度最好, 實測葉綠素a含量與預測值之間擬合決定系數R2達0. 75、RMSE為0. 16、RPD為1. 88、SEL/SEP 值 (0. 97) 接近1, 預測能力最優; 一階導數光譜敏感波段與葉綠素a+b含量構建的回歸模型其精度較高, 實測葉綠素 a+b含量與預測值之間擬合決定系數R2達0. 74、RMSE為0. 24、RPD為1. 85、SEL/SEP值 (0. 97) 接近 1, 預測能力良好; 一階導數光譜敏感波段與葉綠素b含量構建的回歸模型其精度次之, 實測葉綠素b含量與預測值之間擬合決定系數R2達0.70、RMSE為0. 07、RPD為1.85、SEL/ SEP值 (0. 98) 接近 1, 能進行粗略估計。因而, 可以選用葉綠素a、a+b和b 含量與一階導數光譜敏感波段構建的回歸模型對胡楊的葉綠素a、 a+b和b含量進行準確估計。其他PLSR模型精度較低, RMSE在 0. 32~0. 43內、相對分析誤差RPD在1. 10 ~1. 34內, 預測效果不穩定, 無法準確估測樣本的葉綠素含量。

3.3.4基于 BP 神經網絡的胡楊葉綠素的光譜估算模型

通過多次試驗證明使用 70%的樣本建立網絡模型, 30%的樣品進行訓練, 利用剩余樣本進行預測網絡目標誤差為 0. 01, 隱藏層神經元為10時可以得到較好的估算結果。不同光譜變換和光譜參數下胡楊葉片葉綠素a、b、a+b含量的BP神經網絡光譜預測模型其預測精度有所差異(表 5)。經過多次交叉驗證, 可用預測模型精度由高到低依次是一階導數光譜敏感波段與葉綠素a+b、一階導數光譜敏感波段與葉綠 a、一階導數光譜敏感波段與葉綠素 b、原始光譜敏感波段與葉綠素a構建的BP神經網絡模型。一階導數光譜敏感波段與葉綠素 a+b含量構建的BP神經網絡模型, 模型精度最優, 實測葉綠素a+ b 含量與預測值之間擬合決定系數R2達0. 81、RMSE為0. 20, RPD 為2. 14、SEL/SEP值 (0. 90) 接近 1, 預測能力最優; 一階導數光譜敏感波段與葉綠素a含量構建的回歸模型其精度較好, 實測葉綠素 a含量與預測值之間擬合決定系數R2達0. 74、RMSE為0. 17、 RPD為1. 80、SEL/SEP 值 (0. 91) 接近 1, 預測能力良好; 一階導數光譜敏感波段與葉綠素b含量構建的回歸模型其精度次之, 實測葉綠素b含量與預測值之間擬合決定系數R2達0. 62、RMSE為0. 08、 RPD為1. 50、SEL/SEP值 (0. 90) 接近 1, 預測能力次之; 原始光譜敏感波段與葉綠素a含量構建的回歸模型其精度較低, 實測葉綠素 a含量與預測值之間擬合決定系數R2達0. 60、RMSE為0. 20、 RPD為1. 55、SEL/SEP值 (1. 08) 接近 1, 可進行粗略估計。因此, 可以選用葉綠素a+b、b含量與一階導數光譜敏感波段和葉綠素 a含量原始光譜敏感波段數據構建的回歸模型對胡楊的葉綠素 a+b、b 含量進行估計。

表 5 葉綠素 BP 神經網絡估算模型

討論與結論

4.1 討論

植物葉片光譜的變化是因為葉片中葉綠素、含水量、內部細胞結構和干物質含量的變化引起的。葉綠素含量是能夠監測植物生長發育的重要指標, 葉綠素在植物葉片內的含量可利用測定特征光譜表現出來。地下水埋深對胡楊葉片葉綠素的影響較為明顯, 發現5個地下水埋深下, 胡楊葉片光譜特征有明顯的區別, 因為胡楊葉片對吸收紅光和藍光、反射綠光的葉綠素含量增加, 在光譜曲線峰谷處的反射率大小依次是4~6m>0~2m>6~8m >8~10m>2~ 4m, 說明光譜曲線對地下水埋深梯度變化有響應, 但規律并不明顯。在其一階導數光譜中, 紅邊波段是所有波段的最大值。說明2~4、4~6 和6~8m這 3個水埋深的吸收率較大, 葉片長勢較好, 所含葉綠素較多, 與許丹、林海軍等對塔里木河流域胡楊葉片反射率光譜曲線研究結果一致。不同地下水埋深區域胡楊葉片葉綠素含量的光譜估測研究線的形態基本相似,峰谷明顯,對地下水埋深變化有響應,但并不顯著,噪聲、基線漂移和細胞內部結構等其他因素的干擾,阻礙提取特征參數和分析隨地下水埋深變化的響應。因此,要對胡楊的原始光譜曲線進行數學變換。

高光譜特征參數本質是對光譜反射率做一定的數學變換, 以增強植被的信息, 突出光譜曲線峰谷特征, 采用灰色關聯度法和相關性分析法篩選出胡楊對地下水埋深區域的敏感響應波段, 導數光譜敏感波段遠比原始光譜敏感波段多。本研究表明, 根據敏感波段建立估算的模型中, 一階導數光譜的建模精度明顯優于原始光譜。一階導數光譜建模集與預測集之間擬合決定系數R2在0. 61~0. 92之間, RMSE在 0. 07~0. 33之間; 原始光譜建模均存在不同程度的過擬合, 預測模型精度較低, 建模集RMSE在0. 90~0. 86內, 而預測集RMSE在 0. 32~0. 43 內, 預測效果不穩定, 無法準確估測樣本的葉綠素含量。以一階導數光譜學建立的模型和原始光譜模型比較, 預測的準確度、精確度有較大提高, 但仍以BP神經網絡模式的預測效率為最好。BP 神經網絡能夠更準確地反映出葉綠素含量與多種光譜參量之間的映射關系, 得到精度更高的模型。目前已有學者將多種模型應用至各種植物葉綠素含量估算, 所得結果與本研究一致。BP神經網絡模型估算胡楊葉綠素含量時, 驗證的預測值與實測值密集分布趨勢線附近, 一致性較好。一階導數敏感波段的葉綠素a+b含量神經網絡預測模型驗證R2達0. 81, RMSE為0. 20, RPD為2. 14; 葉綠素a含量偏最小二乘預測模型驗證R2達0. 75, RMSE為0. 16, RPD為1. 88, 建模與預測模型都相對穩定; 原始光譜反射率葉綠素a+b含量支持向量機預測模型R2達0. 65, RMSE為0. 27, RPD為2. 13, 但建模模型的精度較低, 建模過程支持向量機模型相對并不穩定, 可能會出現局部異常值。單一指標過高可能會使模型過擬合, 誤差較大, 所以需進行綜合評價。對模型進行綜合評價得出: BP神經網絡模型和偏最小二乘預測模型明顯優于支持向量機模型, 估算較為準確。由于估算植被色素含量受多種因素干擾, 且傳統的統計建模法比較簡單, 對非線性關系處理技術能力的不足以至于所建立模型準確度不高。本研究根據植物神經網絡非線性映射能力和自適應學習顯著增強的特性, 來建立相關的植物神經網絡模型, 所建模型反演精度更高。后期宜針對同種植物不同屬性、不同季節來進行采樣分析, 以便找出穩定規律; 同時, 宜把增加光譜反演模型普適性效果作為研究目標, 充分考慮研究中光譜波段范圍、光譜數據數學變換方式對其影響。

4.2 結論

從原始光譜中篩選的葉綠素敏感特征波段主要在405~521、1 010~1 045nm附近, 而從一階導數光譜中篩選的葉綠素敏感特征波段主要在560~674、731~902和921~1049nm附近。最大相關系數(-0. 69) 出現在472nm, 構建的3種回歸模型都得到了預測結果, 其中一階導數光譜與葉綠素a +b含量構建的BP神經網絡估算模型具有較好的穩定性及預測能力( R2、RMSE、RPD分別為0. 81、0. 20和2. 14), 表現出對葉綠素a+b很好的預測能力, 說明通過葉綠素含量估算地下水埋深是可行的。研究結果可為監測荒漠河岸生態系統的穩定性提供參考, 也可為干旱區荒漠綠洲過渡帶的生態環境建設及植被恢復提供技術參考。