無人機高光譜遙感技術和近地高光譜技術在農作物的生長狀態監測、分類等方面具有獨特的優勢，它快速、高效、便捷、監測范圍廣，可對植被進行連續動態監測，在快速獲取大量植被表型信息的研究中有很好的應用前景。

一、引言

辣椒是一年生或有限多年生植物，是全球僅次于豆類、番茄的第三大蔬菜作物，可以鮮食、加工成食品和調味品，還可作為醫藥、化工、軍工等方面的原料，用途十分廣泛，開發潛力巨大。近年來，貴州將辣椒產業作為全省12個農業特色優勢產業之一，2022年種植面積高達543萬畝，持續提升辣椒產業標準化、規模化、品牌化水平，推進辣椒產業高質量發展，是貴州實現鄉村振興的重要抓手。辣椒的生長狀況直接影響其品質優劣及經濟價值，因此實時監測辣椒生長狀況非常必要，這也是確保辣椒科學種植的前提。葉綠素作為植被進行光合作用的主要物質，其含量的多少直接影響光合作用的效果，可將其作為衡量植物生長健康狀況的重要指標。近年來，無人機高光譜遙感技術和近地高光譜技術在農作物的生長狀態監測、分類等方面具有獨特的優勢，它快速、高效、便捷、監測范圍廣，可對植被進行連續動態監測，在快速獲取大量植被表型信息的研究中有很好的應用前景。研究人員將高光譜技術應用到植被參數的反演中，可對植被進行快速無損監測。

二、實驗設計與分析方法

2.1研究區概況

研究區選擇遵義市新蒲新區貴州省農業科學院辣椒研究所官莊示范基地圖1，遵義市因辣椒品種豐富，營養價值高被世界辣椒聯盟授予“世界辣椒之都”榮譽稱號。研究區屬于中亞熱帶高原濕潤季風區，具有種植辣椒的天然優勢。

圖1研究區位置示意圖

2.2田間實驗設計

小區試驗采用兩因素裂區設計，以黔椒8號、紅辣18號、辣研101號、紅全球四個辣椒品種為主區，以氮肥施用量為副區，施用4種不同氮肥用量，分別為0k/hm、200k/hm、350k/hm、500k/hm，按基追肥1:1分別于基肥、初花期進行。試驗共16個水平組合，重復3次，共計48個小區，每個小區面積為28.8m。各處理磷肥、鉀肥施肥量一致，磷肥（P2O5）作基肥一次性施入，施用量為150k/hm；鉀肥（K2O）施用量為300k/hm2，按基追肥1:1進行，追肥在初花期施用。有機肥按照100kg/畝用量一次性基施。其中，氮肥為尿素（46.4%），磷肥為過磷酸鈣（16%），鉀肥為硫酸鉀（50%）。

2.3高光譜數據獲取

以辣椒盛果期葉片為研究對象進行光譜測定，可采用萊森光學公司的iSpecField-WNIR系列便攜式地物光譜儀進行近地非成像光譜數據采集。可采用萊森光學公司的iSpecHyper-VM系列無人機高光譜成像系統對研究區進行低空成像高光譜數據采集，采樣點點位分布見圖2。

圖2機載高光譜影像采樣點分布示意圖

三、辣椒葉片SPAD反演研究

本實驗研究期為辣椒盛果期，于研究區隨機選取80株植株作為研究樣本，每株植株為一個樣本，隨機選取75%的樣本數用于建立模型，25%用于驗證模型。

3.1冠層光譜特征分析

由圖3可知，在選取的樣本中，辣椒葉片反射率的整體趨勢保持一致，但由于葉綠素含量不同，反射率大小存在一定差異。在可見光的短波區域內，葉片光譜反射率普遍較低，出現了一個波峰和兩個波谷，在可見光的長波區域內，葉片反射率急劇增加至一個平穩的高反射平臺。對比分析不同SPAD對應的反射率可知：葉綠素值越大，葉片的反射率越低，呈反比關系。因此可以推斷出葉片的反射率與葉綠素含量之間存在非常強的關聯，可以通過光譜反射率變化規律對葉片的葉綠素含量進行反演研究，從而獲得辣椒生長發育的信息，進一步根據實時狀態實施灌水、施肥等措施，確保辣椒健康生長。

圖3不同SPAD值對應的近地光譜反射率

圖4（a）展示了所有葉片樣本的葉綠素含量統計值，圖4（b）則將這些樣本分為了建模集和驗證集，在葉綠素統計圖中標記了最小值、最大值、平均值和標準差。觀察最小值和最大值可以得出訓練集樣本葉片的葉綠素含量分布范圍在37～76.5之間，而預測集樣本葉片的葉綠素含量分布范圍在45.3～75.2之間。訓練集葉綠素含量的平均值為60.5，標準差為9.4，而預測集葉片的葉綠素平均值為64，標準差為7。驗證集的葉綠素含量平均值相對于建模集略高，且葉綠素含量的分布范圍也較窄。

圖4樣本葉片的葉綠素含量統計情況圖(近地光譜)

3.2數據預處理

將光譜數據導入光譜儀自帶的軟件中，提取每個小區的葉片光譜反射率并導出作為原始光譜。實驗對原始光譜進行預處理，包括目測篩選、Savitzky-Golay平滑處理、光譜轉換技術，即將原始光譜進行倒數、對數、倒數對數、連續統去除、一階二階微分處理。

3.3基于波段與SPAD值的相關性分析

3.3.1原始光譜與SPAD值的相關性分析

圖5原始光譜與SPAD值的相關系數圖

通過分析數據可知，辣椒葉片光譜反射率與葉綠素含量在可見光范圍內密切相關，特別是在綠光波段和紅光波段范圍，在近紅外波段（780～1000nm）幾乎不能反映其相關性，其中在421nm～726nm波段范圍內呈現極顯著負相關（0.01顯著性水平），相關性最好的波段是572nm和700nm，其相對應的相關系數分別是-0.69和-0.72。

3.3.2倒數、對數、倒數對數光譜于SPAD值的相關性分析

圖6倒數光譜與SPAD值的相關系數圖

圖7對數光譜與SPAD值的相關系數圖

圖8倒數對數光譜與SPAD值的相關系數圖

三種數學變換光譜的主要作用為降低因光照條件對光譜產生的乘性因素，放大可見光區的光譜差異。由圖可知，對數、倒數、倒數對數相對于原始光譜僅僅是相關系數及正負相關發生改變，敏感波段僅相差1～2nm，并沒有突出其他光譜敏感波段。其中對數光譜在429nm～725nm范圍內呈現極顯著正相關（0.01顯著性水平），相關性最好的波段是573nm和700nm，其相對應的相關系數分別是-0.66和-0.67。倒數光譜446nm～724nm范圍內呈現極顯著正相關（0.01顯著性水平），相關性最好的波段是570nm和699nm，其相對應的相關系數分別是0.613和0.62。倒數對數光譜在428nm～726nm范圍內呈現極顯著正相關（0.01顯著性水平），相關性最好的波段是572nm和699nm，其相對應的相關系數分別是0.695和0.71。

3.3.3連續統去除光譜與SPAD值的相關性分析

連續統去除處理可壓抑背景光譜，并擴大弱吸收特征信息。由圖可知，在520nm～748nm范圍內呈現極顯著負相關（0.01顯著性水平），相關性最好的波段是632nm和713nm，其相對應的相關系數分別是-0.48和-0.74。

圖9連續統去除光譜與SPAD值的相關系數圖

3.3.4微分光譜與SPAD值的相關性分析

研究表明：一階微分可以消除部分線性或接近線性的噪聲光譜、背景等對目標光譜的影響；二階微分法可明顯消除基線和背景的干擾，提高分析精度，是近紅外常用的光譜預處理方法。其中一階微分在400nm～421nm、435nm～554nm、677nm～704nm波段區間內呈極顯著負相關（0.01顯著性水平），相關性最好的波段為499nm和688nm，其對應的相關系數值為-0.789和-0.791。在563nm～621nm、633nm～672nm、716nm～758nm波段區間內呈極顯著正相關（0.01顯著水平），相關性最好的波段為644nm和662nm，其對應的相關系數值為0.718和0.716。

二階微分光譜在483nm～541nm、573nm～580nm、616nm～625nm、643nm～651nm、662nm～nm、736nm～752nm波段區間內呈極顯著負相關（0.01顯著性水平）相關性最好的波段為498nm和647nm，其對應的相關系數值為-0.72和-0.83。在518nm～568nm、600nm～611nm、626nm～640nm、654nm～659nm、696nm～714nm波段區間內呈極顯著正相關（0.01顯著水平）相關性最好的波段為632nm和702nm，其對應的相關系數值為0.82和0.85。

圖10一階微分光譜與SPAD值的相關系數圖

圖11二階微分光譜與SPAD值的相關系數圖

綜上，選取上述原始光譜及6種變換光譜數據中與葉綠素含量相關性高的18條波段作為特征波段，將特征波段作為自變量建立模型并利用GA-PLS進行二次篩選。

3.4基于遺傳偏最小二乘法的特征參數選取

特征波段的選取至關重要。遺傳算法具有全局優化搜索能力，偏最小二乘法善于處理小樣本數據，可以降低特征維數，使低維數據更具解釋性，從而獲得更好的識別精度，因此本研究采用GA-PLS算法對Pearson法篩選的18條波段進一步篩選，進而建立更加穩定、預測能力更強的模型。

圖12波段被選用頻次圖

3.5辣椒葉片SPAD值預測模型研究

分別將18條原始光譜和經過GA-PLS降維處理后得到的5條特征波段作為自變量輸入4個模型中。用20個驗證樣本對4個模型進行驗證，得到4個不同模型預測值和實測值之間的擬合圖，如圖3-11所示，圖中實線為實測值回歸方程，虛線為1:1，當回歸方程越接近于1:1線時，說明模型效果更好。

表1基于Pearson降維的模型精度表

表2基于Pearson結合GA-PLS降維的模型精度表

由表可知，經Pearson-GAPLS降維處理模型精度普遍比經過Pearson相關性分析高，說明Pearson-GAPLS法比Pearson相關性分析對辣椒冠層光譜有更好的降維效果。由表2所示，建模集決定系數均大于0.6，4個模型預測值和實測值之間的R2均達到極顯著水平，RPD均大于1.4，RMSE均較小，可對樣品作粗略估測。根據R2值越接近1、RMSE值越小、RPD的值越大、擬合線斜率越接近1模型越好的原則，確定RF模型估算效果最好。綜上分析，基于Pearson-GAPLS-RF模型最優，其R2值為0.80、RMSE值為3.50、RPD值為2.21，對辣椒葉片葉綠素含量估測效果最佳。

圖134種不同模型辣椒葉片葉綠素含量估算模型驗證

四、討論

（1）結論顯示辣椒葉綠素含量的敏感波段多位于500nm、640nm、700nm處，與大多數綠色植物的變化趨勢一致。另外，微分光譜與葉綠素之間的相關性隨著波長的變化而發生劇烈變化，相關系數明顯高于原始光譜，在702nm處達到了最大值0.85，這可能是由于測量過程中受周圍環境影響較大，例如：土壤，薄膜等，而微分光譜可以很好地降低周圍因素的干擾。

（2）本研究采用Pearson-GAPLS算法對數據進行降維，Pearson法是用來衡量變量間的線性關系，而GA-PLS算法可避免光譜局部最優問題，此算法篩選的數據更利于搭建一個穩定、精度高的模型。結論顯示RF是SPAD值的最佳反演模型，主要是因為RF具備建模結果較精確、不易對噪聲和異常情況發生反應和出現“過擬合”現象、且不需要檢驗變量的正態性和獨立性等優勢，被廣泛地應用到農業參數的反演中。

五、小結

1）經Pearson相關性分析篩選的18條光譜和辣椒葉片SPAD值都有較好的相關性，相關系數大多集中在0.7左右，其中二階微分光譜與葉綠素之間的相關性表現最優，負相關系數為-0.82，正相關系數為0.85。

2）Pearson-GAPLS降維處理的模型相比于Pearson降維處理的模型，三個模型評價精度指標都有所提升，說明此方法對辣椒葉綠素特征波段篩選有明顯意義；其中RF模型表現最優，建模集R2提升了0.25、RPD提升了1.03，驗證集R2提升了0.15、RMSE降低了1.92、RPD提升了0.79。

3）對比分析基于Pearson-GAPLS法降維處理的PLSR、RF、BPNN、LSSVM4種模型驗證集的估測精度，三個評價指標R2、RMSE、RPD值從高到低依次為RF>PLSR>LSSVM>BPNN；PLSR>BPNN>LSSVM>RF；RF>LSSVM>PLSR>BPNN，即Pearson-GAPLS-RF模型精度最高，R2、RMSE和RPD分別為0.80，3.50和2.21，可對SPAD值進行較好預測。

審核編輯 黃宇