基于高光谱和 BP 神经网络的玉米叶片 SPAD 值遥感估算.pdf

第 32 卷 第 16 期 农 业 工 程 学 报 Vol.32 No.16 2016 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2016 135 基于高光谱和 BP 神经网络的玉米叶片 SPAD 值遥感估算 李媛媛 1，常庆瑞1，刘秀英1,2，严 林1，罗 丹1，王 烁1 （1. 西北农林科技大学资源环境学院，杨凌 712100； 2. 河南科技大学农学院，洛阳 471003） 摘 要：为了进一步提高玉米叶绿素含量的高光谱估算精度，该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对 应的叶绿素相对含量（soil and plant analyzer development，SPAD）值，分析了一阶微分光谱、高光谱特征参数与 SPAD 的相关关系，构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型，并对模型进行验证；再结合 主成分回归（principal component regression，PCR） 、偏最小二乘回归（partial least squares regression，PLSR）以及传统回 归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在 763nm 处具有最大相关系数（R=0.901） ；以 763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算；将构建传统回 归模型时筛选到的光谱参数作为输入，实测 SPAD 值作为输出，构建 BP 神经网络模型，其建模与验模 R2分别为 0.887 和 0.896，RMSE 为 2.782，RE 为 4.59%，与其他回归模型相比，BP 神经网络模型预测精度最高，研究表明 BP 神经网络 对叶绿素具有较好的预测能力，是估算玉米叶片 SPAD 值的一种实时高效的方法。 关键词：光谱分析；神经网络；模型；一阶微分光谱；高光谱特征参数；叶绿素相对含量值；玉米 doi：10.11975/j.issn.1002-6819.2016.16.019 中图分类号：S127 文献标志码：A 文章编号：1002-6819(2016)-16-0135-08 李媛媛，常庆瑞，刘秀英，严 林，罗 丹，王 烁. 基于高光谱和 BP 神经网络的玉米叶片 SPAD 值遥感估算J. 农业 工程学报，2016，32(16)：135142. doi：10.11975/j.issn.1002-6819.2016.16.019 Li Yuanyuan, Chang Qingrui, Liu Xiuying, Yan Lin, Luo Dan, Wang Shuo. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural networkJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 135142. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.16.019 0 引 言 叶绿素含量是作物主要的生化参数，是光合作用能 力、叶片氮含量和作物发育阶段的指示器，因此，检测 叶绿素变化信息已成为监测作物长势的重要指标1。高光 谱遥感技术可以为作物叶绿素含量的定量化诊断提供简 便有效、非破坏性的数据采集和处理方法2-3。近年来， 国内外学者在利用高光谱遥感数据监测植被叶绿素含量 方面做了大量研究，Hunt4、Schlemmer5和李粉玲等6 利用各种植被指数构建了估算作物冠层或叶片叶绿素含 量的遥感模型；Gitelson7以具有不同冠层结构类型的玉 米和大豆为研究对象，建立了利用冠层反射率倒数估测 叶绿素含量的模型；宫兆宁等8研究了植被叶绿素含量与 “三边”参数的相关关系，并建立了反演模型；丁希斌等9 构建了基于植被指数、特征波段和全波段的偏最小二乘 法模型以及基于红边位置的经验模型估算油菜叶片 SPAD 值，得到全谱 PLS 模型预测效果最好。 人工神经网络具有学习性、容错性以及实时性，对 收稿日期：2016-03-03 修订日期：2016-06-22 基金项目： 国家高技术研究发展计划 （863 计划） 资助项目 （2013AA102401） 作者简介： 李媛媛， 女， 河北唐山人， 研究方向为遥感模型与信息处理。 杨凌 西 北农林科技大学资源环境学院，712100。Email：yuanyuanli 通信作者：常庆瑞，男，陕西子洲人，教授，博士生导师，主要从事土地 资源与空间信息技术研究。 杨凌 西北农林科技大学资源环境学院， 712100。 Email：changqr 非线性问题的拟合有着无可比拟的优势，已被广泛应用 于许多领域并且能够提供有效的技术与理论支撑。随着 高光谱遥感的发展，将人工神经网络应用到高光谱遥感 上的研究也逐渐增多。郑立华等10、韩瑞珍等11、尹健 康等12、徐小逊等13基于高光谱数据对土壤参数进行了 BP 神经网络预测，证明了 BP 神经网络模型的预测效果 较好。在估测植被的生理生化参数方面，姚付启等14采 用红边参数作为 BP 神经网络的输入变量进行了法国梧 桐和毛白杨叶片叶绿素含量的估算；孙焱鑫等15利用 BP 和广义回归神经网络对冬小麦冠层叶绿素高光谱反演建 模；刘炜等16采用广义回归神经网络建立玉米叶片氮素 含量的估算模型；Chen 等17利用几个特征波段、绿峰和 红边位置为输入参数，构建 BP 神经网络模型反演水稻色 素含量，并与多元线性回归模型进行了比较；Kira 等18 基于高光谱波段采用植被指数，神经网络和最小二乘法 建立模型估算了三种树木的叶绿素和类胡萝卜素含量； 王大成等19利用高光谱植被指数，系统的比较了 BP 神经 网络方法和传统回归模型估算小麦生物量的准确性；汤 旭光等20利用 PROSAIL 模型模拟了不同叶绿素水平下 的大豆冠层光谱反射率，在对响应波段进行小波能量系 数提取的基础上，分别采用多元线性回归、BP 神经网络 和 RBF 神经网络、以及偏最小二乘法估算大豆叶绿素含 量，并进行了比较分析。 而以玉米为研究对象，使用人工神经网络中的 BP 神 经网络模型反演叶片叶绿素相对含量 SPAD 值的研究尚 农业工程学报（） 2016 年 136 不多见。且不同地区、不同生长环境下的不同作物叶绿 素对高光谱的特征波段不尽相同，构建的高光谱特征参 数也各有不同。为此本研究以西北地区玉米叶片为试验 样本，建立了以一阶微分光谱特征波段和高光谱特征参 数为自变量的传统回归模型，然后将从中优选得到的高 光谱参数作为 BP 神经网络的输入，玉米叶片 SPAD 值作 为输出，将 BP 神经网络应用到高光谱估算中，并对比分 析了传统回归模型、主成分回归（principal component regression，PCR）模型、偏最小二乘回归（partial least squares regression，PLSR）模型与 BP 神经网络模型的估 算精度，旨在探索建立较好的玉米叶片 SPAD 值高光谱 估算模型，为西北地区玉米长势遥感监测提供理论和技 术支持。 1 材料与方法 1.1 试验设计与样品采集 试验于2015年8月10月在陕西省杨凌示范区西北 农林科技大学教学试验农场（3410N，10810E，海拔 454.8 m）进行，供试玉米品种为沈玉 26，采用一次施足 底肥，自然生长方式。共设置 20 个试验小区，每个小区 面积 4 m5 m=20 m2，田间管理按照大田种植方式进行。 采样时，每个小区选择 2 株具有代表性的玉米作为样本 点，每个样本点分上、中、下 3 层采集玉米叶片，采样 后立即运回实验室，及时进行鲜叶片光谱反射率和叶绿 素 SPAD 值同步测定。每层叶片作为 1 个样本数据，共 得到 120 个样本数据。本研究选取在玉米乳熟期采集的 叶片测定数据作为研究数据。将 120 个样本随机抽取 80 个作为建模样本，剩余 40 个作为检验样本。 1.2 项目与方法 1.2.1 叶片光谱值测定 玉米叶片光谱的测量采用美国 SVC HR-1024i 型光 谱辐射仪，光谱探测范围 3502 500 nm，光谱分辨率分 别为 3.5、9.5 和 6.5 nm。利用自带光源型手持叶片光谱 探测器直接测定叶片光谱，光源为内置卤钨灯。每次进 行光谱测定前，都要利用漫反射参考板进行仪器校正。 测定时，将待测叶片置于探测器直接测定。测定时分上、 中、下 3 层叶片，每层选 3 片叶子，每片叶子在不同部位 共均匀采集 10 条光谱，取其平均值作为该叶片的最终光 谱反射率。每层 3 片叶子的光谱再取平均值作为该层叶片 的光谱值。测量前对测定的叶片进行标识，注明编号。 1.2.2 叶绿素 SPAD 值测定 采用 SPAD-502 型手持式叶绿素仪同步测定玉米叶 片的 SPAD 值。测量时，在每片叶子不同位置上均匀的 测取 10 个 SPAD 值 ， 取平均值作为该片叶子的 SPAD 值 。 与光谱数据一样，取每层 3 片叶子的 SPAD 值平均值作 为该层叶片的叶绿素 SPAD 值。 1.3 高光谱特征参数选择与模型构建 本研究选用的高光谱特征参数为基于光谱位置的变 量和基于光谱面积的变量。其中基于光谱位置的变量 有：红边（680760 nm）内最大的一阶微分值 Dr，Dr 对应的波长位置 r，蓝边（490530 nm）内最大的一阶 微分值 Db，Db 对应的波长位置 b，黄边 （560640 nm） 内最大的一阶微分值 Dy，Dy 对应的波长位置 y，红边 内最小一阶微分值 Ro，Ro 对应的波长位置 o；基于光谱 面积的变量有：红边内一阶微分总和 SDr，蓝边内一阶微 分总和 SDb，黄边内一阶微分总和 SDy。 采用指数、一元线性、对数、多项式和幂函数构建 传统回归模型。通过对叶片光谱反射率一阶微分值与 SPAD 的相关分析，选择相关性最大的波段即特征波段的 一阶微分值作为自变量构建 SPAD 估算模型；在与高光 谱特征参数的相关性分析中，选择相关系数大于0.800 的参数为自变量构建 SPAD 估算模型；构建 BP 神经网络 模型、主成分回归 （PCR） 模型和偏最小二乘回归 （PLSR） 模型时，选用的输入变量为符合上述传统回归分析建模 要求的所有变量。 1.4 数据处理 利用光谱数据处理软件 SVC HR-1024i PC、Excel、 SPSS18.0 和 Matlab 7.10.0 等软件对数据进行处理及计 算。由于叶绿素对叶片光谱的响应波段主要位于可见光 和反射红外波段，因此本文主要选择 4001 000 nm 波段 进行分析，并将光谱重采样至 1 nm。 为验证模型的预测精度，利用检验样本将模型预测 值和实测值进行回归拟合，以决定系数（R2）、均方根误 差（RMSE）和相对误差（RE）作为指标来评价模型的 学习能力和预测能力。综合建模和验证精度检验结果， 选择出最佳估算模型。式（1）、（2）分别为均方根误 差和相对误差的计算公式21。 2 1 () RMSE n ii i yy n = = ， （1） 1 1 RE100% n ii i i yy ny = = 。 （2） 式中yi为真实值，iy为预测值，n为样本数。 2 结果与分析 2.1 基于一阶微分光谱特征的单一波段 SPAD 估算模型 对原始光谱数据进行一阶微分运算和平均处理，得 到一条具有代表性的乳熟期玉米叶片一阶微分光谱随波 长变化的曲线。从图1中可以看出，在4001 000 nm波 长范围内，一阶微分光谱具有双峰特征：左峰位于波长 范围480551 nm之间，峰顶部位于520 nm处，振幅较 小，约为右峰的1/3；右峰位于波长范围670785 nm之 间，峰顶部位于714 nm处。左峰波长范围正好处在蓝边 （490530 nm） 范围，右峰波长范围正好处在红边 （680 760 nm） 范围。这与小麦的一阶微分光谱曲线特征类似22。 在波长569 nm处，有明显的波谷。 分析各个波长位置处玉米叶片一阶微分光谱与 SPAD值之间的相关关系，结果如图2所示。从中可以发 现，在556673，712785，826866 nm波长范围内， SPAD值与一阶微分光谱相关性达到了0.01极显著正相 关，在483552，674712 nm波长范围内，两者相关 第 16 期 李媛媛等：基于高光谱和 BP 神经网络的玉米叶片 SPAD 值遥感估算 137 性达到了0.01极显著负相关，约在785 nm以后，相关系 数减小且波动较大。其中在724769 nm波长范围内， 相关系数值在0.8080.901之间，516547，694702 nm 波长范围内，相关系数值在0.8000.900之间。在 763 nm处 ， 具有最大相关系数 ，R=0.901。 因此选取763 nm 处的光谱反射率一阶微分值为自变量构建玉米叶片 SPAD值的估算模型。 图 1 玉米叶片光谱反射率一阶微分曲线 Fig.1 First derivative of spectra in maize leaf at milk stage 图 2 玉米叶片光谱反射率一阶微分与 SPAD 相关性 Fig.2 Correlation between first derivative of spectra and maize leaf SPAD 表1为763 nm处一阶微分光谱与玉米叶片SPAD值 的回归模型及验证结果。选择建模拟合度高、验模误差 小的回归模型作为最佳估算模型。通过比较发现，一元 线性、对数、多项式、幂函数的建模和验模决定系数R2 均大于0.800，其中多项式模型建模和验模的R2分别为 0.869和0.865，高于其他类型的回归模型，预测值与实 测值的RMSEv为3.186，REv为5.51%，均小于其他类型 的回归模型，为最佳估算模型。图3为基于多项式模型 的预测值与实测值之间的1:1关系图。幂函数y = 696.3x0.338的建模及验模决定系数分别为0.866和0.854， RMSEv为3.316，REv为6.01%，仅次于多项式模型，说 明幂函数模型的预测效果也比较好。 表 1 基于 763 nm 处玉米叶片一阶微分光谱与 SPAD 值回归模 型及验证 Table 1 Regression models and performance of SPAD values in maize leaf based on first derivative of spectra at 763 nm 建模样本 Modeling set 验证样本 Validation set 模型 Model 回归方程 Regression equation R2 F R2vRMSEvREv/% 指数 Exponentialy=31.90e981.3x 0.714 194.290 0.756 4.4446.49 一元线性 Lineary=43792x+30.68 0.813 338.882 0.809 3.6826.14 对数 Logarithmy=13.97ln(x)+159.4 0.845 423.770 0.857 3.6896.76 多项式 Polynomial y=-4107x2+83059x +23.02 0.869 255.986 0.865 3.186 5.51 幂函数 Power y=696.3x0.338 0.866 502.422 0.854 3.3166.01 注：R2表示建模决定系数；F 表示回归方程的显著性；R2v表示验证模型决 定系数；RMSEv表示验证均方根误差；REv表示验证相对误差。 Note: R2 is determination coefficient for modeling set; F is significance of regression models; R2v is determination coefficient for validation model; RMSEv is root mean square error for validation set; REv is relative error for validation set. 图 3 SPAD 实测值与预测值比较 Fig.3 Comparison between measured and estimated leaf SPAD 2.2 基于高光谱特征参数的 SPAD 估算模型 对高光谱特征参数与玉米叶片SPAD值进行相关分 析，分析结果见表2。在多个高光谱位置变量中，除了蓝 边位置和黄边位置与SPAD不相关外，剩余的均与其呈 极显著相关。其中蓝边内最大一阶微分值与SPAD呈最 大负相关，R=0.850，红边位置与SPAD呈最大正相关， R=0.828。在光谱面积变量中，“三边”面积均与SPAD 极显著相关，在蓝边面积处呈现了最大负相关，相关系 数为0.800，黄边面积处呈现了最大正相关，相关系数为 0.768。由此可知，玉米叶片SPAD值与高光谱特征参数 存在显著的相关性，采用这些高光谱特征变量对其SPAD 值进行估算具有较高的可行性。为了利用高光谱特征参 数更精确地估算SPAD值，从表2中筛选出相关系数大 于0.800的光谱变量Db、r、SDb，建立单变量线性和 非线性拟合模型，如表3。 表 2 高光谱特征参数与玉米叶片 SPAD 的相关系数（n=120） Table 2 Correlation coefficient between hyperspectral characteristic parameters and maize leaf SPAD (n=120) 高光谱特征参数 Hyperspectral characteristic parameter 相关系数 Correlation coefficient 高光谱特征参数 Hyperspectral characteristic parameter 相关系数 Correlation coefficient 红边内最大一阶微分值 Maximum first derivative values within red edge Dr -0.502* 红边内最小一阶微分值 Minimum first derivative values within red edge Ro 0.604* 红边位置 Red edge position r 0.828* Ro 对应的波长 Ro corresponding wavelength o -0.722* 蓝边内最大一阶微分值 Maximum first derivative values within blue edge Db -0.850* 红边面积 Red edge area SDr 0.283* 蓝边位置 Blue edge position b 0.173 蓝边面积 Blue edge area SDb -0.800* 黄边内最大一阶微分值 Maximum first derivative values within yellow edge Dy 0.432* 黄边面积 Yellow edge area SDy 0.768* 黄边位置 Yellow edge position y -0.171 注：*表示在 0.05 水平上显著；*表示在 0.01 水平上极显著。 Note:*indicates significant correlation at 0.05 level;*indicates significant correlation at 0.01 level. 农业工程学报（） 2016 年 138 表 3 高光谱特征参数变量与 SPAD 值回归模型 Table 3 Regression models of maize leaf SPAD based on hyperspectral characteristic parameters 建模集 Modeling 验证集 Validation 光谱参数 Spectral parameter 模型 Model 回归方程 Regression equation R2 F R2v RMSEv REv/% 指数 Exponentialy=99.49e-318.x 0.676 162.455 0.736 4.415 7.09 一元线性一元线性 Lineary=-13678x+80.20 0.711 191.942 0.743 4.317 7.11 对数 Logarithm y=-31.8ln(x)-145.4 0.694 176.750 0.731 4.418 7.15 多项式 Polynomial y=39871x2-15694x+82.61 0.712 94.958 0.742 4.961 8.12 Db 幂函数 Power y=0.570x-0.72 0.631 133.127 0.710 5.191 8.20 指数 Exponentialy=110-7e0.0278x 0.617 125.536 0.682 9.450 15.57 一元线性 Lineary=1.2128x-815.48 0.670 158.053 0.701 4.609 7.81 对数对数 Logarithmy=865.29ln(x)-5635.2 0.671 159.230 0.701 4.605 7.83 多项式 Polynomial y=-0.0516x2+74.766x-27021 0.719 158.053 0.669 6.316 11.50 r 幂函数 Power y=910-56x19.88 0.619 126.836 0.683 4.948 7.63 指数 Exponentialy=93.04e-11.4x 0.613 123.611 0.647 5.116 8.38 一元线性 Lineary=-485.8x+76.99 0.629 132.512 0.659 4.958 8.23 对数 Logarithm y=-27.8ln(x)-31.25 0.597 115.569 0.638 5.111 8.50 多项式多项式 Polynomial y=-1238x2-328.5x+72.29 0.632 65.998 0.661 4.948 8.20 SDb 幂函数 Power y=7.557x-0.64 0.555 97.153 0.615 5.438 8.72 由表3可见，拟合的回归模型方程都达到极显著水 平。对于Db变量，从建模决定系数R2来看，效果最好 的为多项式和一元线性，R2分别为0.712和0.711，但多 项式的F检验值最小，一元线性的F检验值最大；对于 r变量，多项式的决定系数最大，F检验值较大，对数模 型的决定系数仅次于多项式，F检验值最大；对于SDb 变量，与Db变量类似，多项式的决定系数最大但F检验 值最小，一元线性的决定系数仅次于多项式，但F检验 值最大。总体上看，以Db为自变量建立的模型决定系数 在0.6310.712之间，模型拟合精度相对最好；以r为 自变量建立的模型决定系数在0.6170.719之间，模型 间拟合精度差距较大；以SDb为自变量建立的模型决定 系数在0.5550.632之间，模型拟合精度相对最差。上 述各变量回归模型比较， Db变量建立的一元线性模型， 其建模R2为0.711，F值最大，F=191.942，相比其他模 型效果更佳。 利用检验样本对上述变量建立的估算模型预测精度 进行检验，各模型检验结果如表3所示。基于Db建立的 模型中，一元线性模型的精度检验结果最优，其验模决 定系数R2v最大，验证均方根误差RMSEv最小，分别为 0.743和4.317，验证相对误差REv为7.11%，其次为指数 模型和对数模型；其多项式模型虽然R2v较大，但RMSEv 和REv也相对较大，相较于前三个模型并不是很稳定可 靠的模型；综合其建模结果可知一元线性模型为效果最 好的模型。基于r建立的模型中，对数模型和一元线性 模型各项检验指标较为接近，综合建模结果可知对数模 型的效果最好；其多项式模型虽然建模R2和F值表现最 好，但验模R2v最小，RMSEv和REv除指数模型外最大， 说明其多项式模型预测精度相对较低，不能作为很好的 估算模型。基于SDb建立的模型中，多项式模型的R2v 最大，RMSEv和REv最小，模型精度检验结果最优，且 其建模R2最大，因此为效果最好的模型，其次为一元线 性模型。 综合分析模型建立和检验的R2、F、RMSE和RE值， 筛选出了基于Db、r和SDb建立的回归模型中拟合精度 和预测精度综合最优的模型为一元线性、对数和多项式 模型。通过比较这3个模型可以发现，以Db为自变量建 立的一元线性模型，其F检验值、建模和验模决定系数 R2均最大，验证均方根误差RMSEv和验证相对误差REv 均最小，是基于高光谱特征参数建立的所有估算模型中 的最佳估算模型（图4）。 图 4 基于 Db 的一元线性模型 SPAD 实测值与预测值比较 Fig.4 Comparison between measured and estimated leaf SPAD based on Db linear model 2.3 基于 BP 神经网络模型的 SPAD 估算 选取与SPAD值相关性较好的参数，即763 nm处的 一阶微分值、蓝边内最大一阶微分值、红边位置和蓝边 面积4个变量作为输入层，玉米叶片实测SPAD值1个 变量作为输出层，隐含层节点数q则根据经验式（3）13 给定的范围，通过试错法多次训练选取出最佳节点数为 6，构建了一个网络结构为4-6-1的BP神经网络模型。 qkm=+。 （3） 式中k为输入层单元数；m为输出层单元数；为1,10 之间的常数。 利用Matlab7.10.0编程进行BP神经网络模型训练， 第 16 期 李媛媛等：基于高光谱和 BP 神经网络的玉米叶片 SPAD 值遥感估算 139 首先对输入变量和输出变量进行归一化处理，数据被线 性压缩到-1,1的范围，以使网络在训练阶段容易收敛23。 网络中间层神经元传递函数采用S型正切函数Tansig， 输出层神经元传递函数采用线性函数Purelin，训练函数 为trainlm。通过BP神经网络得到SPAD的预测值，对检 验样本的实测值与预测值进行拟合及精度检验。模型的 训练值和目标值均方根误差RMSE为3.169，训练值和目 标值的相关系数为0.942，模拟结果较好。模型的检验结 果如图5，预测值和实测值的均方根误差 RMSE为 2.782，预测值和实测值相关系数达到0.947，模型预测效 果良好。另外，检验样本相对误差RE为4.59%，相对误 差绝对值小于10.0%的检验样本数所占比例为92.5%，最 大相对误差为15.36%，最小相对误差为0.16%。神经网 络训练模型的决定系数R2=0.887，检验模型的决定系数 R2=0.896，模拟精度比常规模型精度均高。 图 5 BP 神经网络模型 SPAD 实测值与预测值比较 Fig.5 Comparison between measured and estimated leaf SPAD based on BP neural network model 2.4 BP 神经网络模型与回归模型的比较 将BP神经网络模型与传统回归模型以及目前在光 谱数据分析中应用较为广泛的主成分回归PCR模型、偏 最小二乘回归PLSR模型进行比较 。 为了保证模型的可比 性，在构建PCR模型和PLSR模型时，选取与构建BP 神经网络模型相同的自变量作为输入矢量，模型参数均 调整为最优，并进行模型验证。PCR模型和PLSR模型 的验证结果如图6所示。 图 6 不同建模方法下玉米叶片 SPAD 实测值与预测值比较 Fig.6 Comparison between measured and estimated leaf SPAD using different modeling methods 再结合以763 nm处一阶微分值为自变量的多项式模 型和蓝边内最大一阶微分为自变量的一元线性模型，对 比分析了多项式模型、一元线性模型、PCR模型、PLSR 模型和BP神经网络模型反演玉米叶绿素SPAD值的估算 精度，以确定最佳估算模型。表4列出了这5种估算模 型的建模及验证结果。结果表明，多项式模型建模效果 最好，建模决定系数R2为0.868，RMSE为3.069，RE为 5.06%；BP神经网络模型建模决定系数R2达到0.887，但 RMSE和RE略大于多项式模型。就模型检验而言，BP 神经网络模型验证效果优于多项式模型，PLSR模型验模 决定系数R2v为0.859，RMSEv和REv分别为3.221和 5.31%，预测精度略低于BP神经网络模型和多项式模 型；而PCR模型无论是建模还是验证效果均最差。综合 建模与验模的比较分析可知，BP神经网络模型预测效果 最好。 表 4 不同估算模型的建模与验证结果 Table 4 Modeling and testing results under different estimation models 建模样本 Calibration set 验证样本 Validation set 预测模型 Estimation model R2 RMSE RE/% R2vRMSEvREv/% 多项式 Polynomial 0.8683.069 5.06 0.8643.1865.51 一元线性 Linear 0.7114.34 7.89 0.7434.3177.11 PCR 0.6735.797 10.06 0.7046.03410.02 PLSR 0.8133.495 6.36 0.8593.2215.31 BP 神经网络 BP neural network 0.8873.169 5.69 0.8962.7824.59 3 讨 论 在植被光谱分析中，微分光谱技术应用十分普遍。一 阶微分光谱可以消除线性或接近线性噪声的影响且能够方 便地用来确定光谱曲线弯曲点、最大和最小反射率处的波 长位置等光谱特征。大量研究表明微分光谱较原始光谱在 敏感波段与植被生理生化参数的相关性更好24-27。植被体 内的色素、水分和其他干物质的光谱吸收，在可见-近红 外波段形成了蓝边、黄边和红边等特征光谱变化区域， 这些光谱特征区域与植被生理生化参数形成了紧密的联 系。因此利用微分光谱技术来确定光谱特征区域，将光 谱特征区域应用到植被生理生化组分遥感反演是可行 的。基于一阶微分光谱构建的模型建模和验证精度均高 于基于高光谱特征参数建立的各模型，一阶微分光谱更 适合反演玉米叶片的SPAD值。 利用高光谱数据使用不同反演方法对西北地区玉米 的叶绿素相对含量进行估算，为玉米叶绿素的高精度估 算提供了科学依据。本文研究结果表明，不同建模方法 对估算模型预测精度的影响较大。基于单波段、单光谱 参数构建的传统回归模型中，多项式模型建模精度普遍 高于线性模型，这可能是由于光谱与叶绿素相对含量采 集过程中仪器和操作的影响，使两者间存在较显著的非 线性关系；PLSR模型预测精度高于PCR模型，这一结 果与许多学者的研究相一致28-29，而PLSR与PCR模型 预测精度小于基于一阶微分光谱的多项式模型，这可能 与构建模型时使用的输入参数有关；BP神经网络是一种 按误差逆传播算法训练的多层前馈网络，通过反向传播 农业工程学报（） 2016 年 140 途径不断调整网络的阈值与权值，直到网络的误差平方 和值达到最小值30。在数据分析时，不需要建立具体的 数学模型，仿真性强31， 对非线性问题有很好的解释性。 本研究中BP神经网络模型与传统回归模型 、PCR模型和 PLSR模型相比，预测效果更好，反演精度更高。但还存 在一些不足，BP神经网络算法的网络权值初始化是随机 的，神经网络程序在每次运行后得到的训练结果是不同 的32， 因此BP神经网络学习过程并不能确保取得全局最 佳效果。本研究经过多次训练，通过比较选取预测模型 的RMSE相对最小的一次训练结果作为训练好的BP神 经网络模型。因此神经网络相对于传统回归模型在实用 性方面还有待于进一步的研究。此外，本研究中BP神经 网络模型的建模精度与一阶微分构建的多项式模型相比 相差不大，其精度并没有达到很高的水平，这可能与本 文选用的神经网络的4个输入参数之间存在着相关性有 关，因此在以后的研究中，将重点在BP神经网络的输入 参数选择上进行探讨，以便建立精度更高，实用性更强 的玉米叶绿素估算模型。 在不同的生育阶段，玉米叶片的一阶微分光谱对 SPAD值的特征波段以及构建的高光谱特征参数各不相 同，因而不同生育期反演玉米SPAD值的最佳传统回归 模型各不相同。本文仅研究了西北地区玉米乳熟期时叶 片高光谱与SPAD值的反演模型，其中构建的传统回归 模型、BP神经网络模型、PCR模型和PLSR模型对于其 他生育阶段的普适性有待进一步验证。 4 结 论 本文针对西北地区乳熟期玉米叶片，采用了微分技 术获取光谱参数，分析了叶片SPAD值与一阶微分光谱 及高光谱特征参数的相关关系，建立了估算玉米叶片 SPAD值的传统回归模型，PLSR模型，PCR模型和BP 神经网络模型，并对各模型的反演精度进行比较，得到 如下结论： 1）玉米叶片一阶微分光谱与SPAD值在483785、 826866 nm波长范围内呈极显著相关，在763 nm处具 有最大相关系数0.901。利用此波长一阶微分值构建的多 项式模型是最佳估算模型。 2）在高光谱特征参数中，蓝边内最大一阶微分值与 玉米叶片SPAD值相关性最好，相关系数为0.850，其次 为红边位置和蓝边面积；且基于蓝边内最大一阶微分值 构建的一元线性回归模型是其中的最佳估算模型。 3）基于763 nm处的一阶微分值、蓝边内最大一阶 微分值、红边位置和蓝边面积4个变量构建的BP神经网 络模型、PCR模型和PLSR模型，BP神经网络模型的验 模决定系数R2为0.896， 验证均方根误差RMSE为2.782， 验证相对误差RE为4.59%，与其他回归模型相比，是进 行玉米叶片SPAD估算的最优模型。 参 考 文 献 1 徐新刚，赵春江，王纪华，等.新型光谱曲线特征参数与水 稻叶绿素含量间的关系研究J.光谱学与光谱分析，2011， 31(1)：188191. Xu Xingang,Zhao Chunjiang,Wang Jihua,et al. Study on relationship between new characteristic parameters of spectral curve and chlorophyll content for riceJ. Spectroscopy and Spectral Analysis, 2011, 31(1): 188191. (in Chinese with English abstract) 2 Vane G, Goetz A F H. Terrestrial imaging spectrometry: Current status, future trendsJ. Remote Sensing of Environment, 1993, 44(93): 117126. 3 Fassnacht K S, Gower S T, Mackenzie M D, et al. Estimating the leaf area index of North Central Wisconsin forestsusing the landsat thematic mapperJ. Remote Sensing of Environment, 1997, 61(2): 229245. 4 Hunt E R, Doraiswamy P C, McMurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scaleJ. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103112. 5 Schlemmer M, Gitelson A, Schepers J, et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levelsJ. International Journal of Applied Earth Observation 2. Agronomy College, Henan University of Science and Technology, Luoyang 471003, China) Abstract: Leaf chlorophyll content provides valuable information about the productivity, physiological status of vegetation. Measurement of hyperspectral reflectance offers a rapid, nondestructive method for leaf chlorophyll content estimation. In order to improve the accuracy of hyperspectral estimation about the leaf chlorophyll content, in this paper, the modeling of chlorophyll content of maize leaves based on the hyperspectrum was developed. The field experiments were conducted in the testing farm of Northwest Agriculture and Forest University, Yangling City, Shaanxi Province. During the maize growth period of milk stage, hyperspectral reflectance measurements were collected in wavelength of 350 to 2500 nm using spectrometer (SVC HR-1024i), and at the same time, chlorophyll content of maize leaves was obtained by using SPAD-502. There were totally 120 samples collected, two thirds of which were utilized as the training set and remaining one third as the validation set. The model constructed relied on the training set and the validation set was evaluated, respectively. The correlation between first derivative spectra, hyperspectral characteristic parameters and SPAD values were analyzed. Then single variable linear and nonlinear fitting traditional regression models respectively based on first derivative spectra and hyperspectral characteristic parameters were established to estimate the SPAD values. Besides, taken the first derivative values at 763 nm, the maximum first derivative values within blue edge (Db), red edge position (r) and blue edge area (SDb) as the input parameters, the measured SPAD values as the output parameters, BP neural network model was built. By using the same input parameters, principal component regression (PCR) and partial least squares regression (PLSR) were used to estimate the SPAD values, too. Then we compared the predictive power of traditional regression models, PCR and PLSR models to BP neural network model. Some critical conc