花叶病胁迫下甘蔗叶片叶绿素含量的高光谱预测模型

引用本文

王敬湧, 谢洒洒, 盖倞尧, 王梓廷. 花叶病胁迫下甘蔗叶片叶绿素含量的高光谱预测模型[J]. 光谱学与光谱分析, 2023,43(9): 2885-2893.
WANG Jing-yong, XIE Sa-sa, GAI Jing-yao, WANG Zi-ting. Hyperspectral Prediction Model of Chlorophyll Content in Sugarcane Leaves Under Stress of Mosaic[J]. Spectroscopy and Spectral Analysis, 2023,43(9): 2885-2893.
Doi:10.3964/j.issn.1000-0593(2023)09-2885-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

花叶病胁迫下甘蔗叶片叶绿素含量的高光谱预测模型

王敬湧¹, 谢洒洒^2,³, 盖倞尧^1,^*, 王梓廷^2,^3,^*

1.广西大学机械工程学院, 广西南宁 530004

2.广西大学农学院, 广西南宁 530004

3.广西大学广西甘蔗生物学重点实验室, 广西南宁 530004

*通讯作者 e-mail: jygai@gxu.edu.cn; zitingwang@gxu.edu.cn

作者简介: 王敬湧, 1997年生, 广西大学机械工程学院硕士研究生 e-mail: 2011391091@st.gxu.edu.cn; 谢洒洒, 女, 1994年生, 广西大学农学院硕士研究生 e-mail: 1917391027@st.gxu.edu.cn; 王敬湧, 谢洒洒: 并列第一作者

收稿日期: 2022-05-03 修回日期: 2022-08-12 接受日期: 2022-08-12

基金: 国家自然科学基金青年科学基金项目(31901466)资助

摘要

叶绿素含量是甘蔗在生长监测中非常重要的评估内容, 尤其是在甘蔗受到病害侵染的情况下, 准确估计叶绿素含量有利于病害的早期检测与防治, 在实际生产中具有重要意义。为了构建花叶病胁迫下甘蔗叶片叶绿素含量估计模型, 于2021年7月到11月通过人工接种病菌, 使甘蔗叶片感染花叶病。对这些感染了花叶病的叶片重复测量高光谱数据。并通过化学方法测量叶片的叶绿素含量, 以此建立花叶病胁迫下的甘蔗叶片高光谱数据集。首先使用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)、变量标准化(SNV)、一阶导数(1^st D)、二阶导数(2^nd D)5种高光谱数据预处理方法建立偏最小二乘回归(PLSR)检测模型, 从而构建高光谱数据最优预处理模型。利用最优预处理结果, 分别采用相关系数、连续投影算法(SPA)和随机森林算法(RF)筛选特征波段。将筛选出的波段分别和BP神经网络(BPNN)、支持向量回归(SVR)、 K最邻近法(KNN)等机器学习模型结合建立叶绿素含量预测模型。结果表明, 基于SG处理后建立的PLSR模型精度最高Rp2=0.9952, RMSE_p=0.235 3 mg·cm^-2。用RF筛选出的特征波段与BPNN学习模型结合的SG-RF-BPNN模型为花叶病胁迫下甘蔗叶片叶绿素含量的最优预测模型,Rp2=0.996 4, RMSE_p=0.205 8 mg·cm^-2。提出的基于高光谱信息的花叶病胁迫下的叶绿素含量预测模型具有较高的精度和预测能力, 可为大面积种植的甘蔗精准、无损伤的病害胁迫检测提供科学依据。

关键词: 甘蔗; 花叶病胁迫; 叶绿素含量预测; 高光谱分析; 特征波段提取

中图分类号:S566.1 文献标志码:A

Hyperspectral Prediction Model of Chlorophyll Content in Sugarcane Leaves Under Stress of Mosaic

WANG Jing-yong¹, XIE Sa-sa^2,³, GAI Jing-yao^1,^*, WANG Zi-ting^2,^3,^*

1. College of Mechanical Engineering, Guangxi University, Nanning 530004, China

2. College of Agriculture, Guangxi University, Nanning 530004, China

3. Guangxi Key Laboratory of Sugarcane Biology, Guangxi University, Nanning 530004, China

*Corresponding authors

Abstract

Chlorophyll is a critical evaluation content of sugarcane growth monitoring, especially when diseases infected sugarcane. Accurate estimation of chlorophyll content is beneficial for the early detection and control of diseases, which is of great importance in practical production. In order to determine the best prediction model of chlorophyll content in sugarcane leaves, this study infected sugarcane leaves with mosaic from July to November, 2021 through artificial inoculation of pathogenic bacteria. Among them were 35 infected plants and 35 healthy plants, and two leaves were collected for each pot. Repeat the measurement of the leaf hyperspectral data using the spectrometer. The chlorophyll content of chemical leaves was measured to establish a hyperspectral data set of sugarcane leaves. In this study, five pre-processing methods, SG, MSC, SNV, 1^st D and 2^nd D, were used to establish the PLSR detection model and determine the best preprocessing method. Based on the optimized pretreatment results, correlation coefficient, SPA and RF were used to select the characteristic bands of chlorophyll content in sugarcane leaves, and the selected bands were combined with BPNN, SVR and KNN to establish chlorophyll prediction models. The results showed that the PLSR model based on SG treatment has the highest accuracyRp2=0.995 2, and the RMSE_p=0.235 3 mg·cm^-2. The model combined with the BPNN algorithm using RF screening was the optimal prediction model of chlorophyll content in sugarcane leaves under mosaic disease stress, the decision coefficient of the SG-RF-BPNN model wasRp2=0.996 4, and the RMSE_p=0.205 8 mg·cm^-2, which had high accuracy and predictive power. It will provide a theoretical basis for the accurate and injury-free disease stress detection of large-scale sugarcane.

Keyword: Sugarcane; Mosaic disease: Chlorophyll content: Hyperspectral: Machine learning

文章图片

引言

甘蔗是禾本科甘蔗属作物, 属于多年生草本植物, 是世界上主要的糖料作物。据统计, 全球甘蔗的种植面积约26 522 734公顷, 占世界农业总面积的0.72%。目前, 甘蔗作为原料生产的糖量约占全球糖供应量的85%^[1]。如今, 世界食糖的消费需求不断增加, 人们对甘蔗生产力的要求也随之增大。但甘蔗在生长发育中会存在许多问题限制其生产力的发展, 其中花叶病就是一个因素。

甘蔗花叶病症状主要在叶片表现, 病毒会遍及全株, 使整株甘蔗染病。甘蔗感染花叶病后, 叶片的叶绿素被破坏, 叶片出现黄色或浅绿色的条纹^[2]。因此叶绿素含量可以作为评估甘蔗是否受到病害胁迫的一项指标。但是传统的叶绿素检测方法操作复杂、昂贵费时, 且是有损检测, 所以不适合在田间大规模进行。随着遥感技术的发展, 人们开始对不同作物探索建立高光谱数据与植物生理参数之间的关系。通常采集到的高光谱数据不仅数据量大, 还包含大量冗余信息和干扰信息。因此为了减少干扰信息, 一般会对高光谱数据进行预处理。常用的预处理方法有: 小波去噪^[3]、 MSC^[4]、 SNV^[4]、一阶导数等。而为了减少数据量和冗余信息, 会对高光谱数据进行特征波段的选择。常用的特征波段选择的方法有: 随机蛙跳算法^[5]、 SPA^[6]、植被系数法^{[7, 8]}、小波变换^[9]、相关系数^[10]。最终将预处理过后的高光谱数据或选择的特征波段作为机器学习的输入, 对不同作物的叶绿素含量进行预测。目前较为常用的机器学习方法有: PLSR^[11]、 BPNN^[12]、 KNN^[13]、 SVR^[14]等。

综上所述, 目前国内外学者利用光谱对不同作物的叶绿素反演进行了大量的研究, 涉及到的光谱处理技术通常包括光谱信息预处理、数据降维、以及机器学习回归模型等。但利用高光谱对花叶病胁迫下甘蔗叶片叶绿素含量反演的研究较少。为此, 以盆栽甘蔗为研究对象, 研究如下问题: (1)比较分析感染花叶病叶片和健康叶片的叶绿素含量和光谱响应特性差异; (2)探究不同预处理对叶绿素含量预测的影响; (3)建立多个叶绿素含量反演模型, 并通过比较反演性能, 选取最优模型, 实现用对花叶病胁迫下甘蔗叶片的叶绿素含量无损测量。本工作系统地分析比较了不同预处理方法、数据降维方法以及机器学习模型在甘蔗叶片高光谱数据处理中的性能, 可为遥感监测甘蔗病害胁迫程度提供理论依据以及技术支持。

1 实验部分

1.1 试验地点及时间

于2021年7月— 11月在广西大学农学院教学科研基地开展试验, 选用中2号蔗甘蔗品种。样本总量为70株, 其中35株为控制组即感染花叶病植株, 另35株为对照组即健康植株。控制组甘蔗病害样本均通过人工接种发病后获得, 花叶病病种来源广西大学农学院。所有甘蔗在接种染花叶病之前于温室里培育。在对控制组植株进行接种过后, 为避免感染健康植株, 将对照组甘蔗放置于温室外独立的大棚内进行种植。

1.2 光谱数据采集

叶片光谱数据使用CID便携式CI-710光纤光谱仪(CID Bio-Science Inc., 美国)进行采集(图1), 具体的技术参数见表1。选择天气晴朗时进行数据采集, 采集时间为10:00— 12:00。每次测量前均使用白板进行校正, 使用叶夹方式在不同叶位即刻进行测量。每个叶位重复测量10次, 取平均值作为该叶位的光谱反射值。由于测量的光谱数据在400~520和920~950 nm的噪音较大, 因此截取520~920 nm的光谱数据做后续的分析。

	Figure Option View Download New Window
	图1 便携式CI-710光纤光谱仪Fig.1 Portable CI-710 fiber spectrometer

表1 CI-710光纤光谱仪技术参数 Table 1 CI-710 fiber spectrometer technical parameters

1.3 叶绿素含量测定

叶片光谱测量后, 将不同位置的叶片洗净组织表面污物, 剪碎(去掉中脉), 放入25 mL容量瓶中。加入20 mL的80%丙酮浸提液, 放置于黑暗条件下, 浸泡至叶片发白。用浸提试剂定容至25 mL, 摇匀静置后用浸提试剂为空白测定吸光度。选择波段663和645 nm比色测出数值OD₆₆₃、 OD₆₄₅, 利用式(1)计算出叶绿素含量

$\begin{array}{l} 叶绿素含量 (mg \cdot c m^{- 2}) = (8.02 \times O D_{663} + \\ 20.21 \times O D_{645}) \times V / (S \times 1000) (1) \end{array}$

式(1)中, V为浸提液体积; S为剪切叶片的面积。

1.4 数据处理

采用预处理-特征提取-机器学习反演的框架处理采集到的光谱数据。首先, 在采集光谱数据时, 由于人为操作、环境、仪器等影响, 会造成光谱数据包含大量的干扰信息, 因此需要对光谱数据进行预处理, 突出光谱数据中有用信息。其次, 每条光谱曲线通常包含几百甚至上千个数据点, 其中包含大量冗余信息, 且使用全部的数据预测叶绿素含量会造成模型过拟合, 从而降低精度, 因此本研究对光谱数据进行特征波段提取。最后, 采用机器学习模型完成叶绿素含量的反演。采用Microsoft Excel 2019整理数据, Origin2019进行统计分析和作图, 使用Python对数据进行建模与验证。

1.4.1 高光谱数据预处理

为了降低干扰信息的影响, 需要对光谱数据进行预处理。使用Savitzky-Golay卷积, 变量标准化(standard normal variate, SNV), 多元散射校正(multiplicative scatter correction, MSC), 一阶导数(first derivative, 1^st D), 二阶导数(second derivative, 2^nd D)五种光谱变换预处理方法。

1.4.2 特征波段提取方法

特征波段的提取可以降低数据维度, 减少冗余数据的影响。使用相关系数法、连续投影算法、随机森林算法, 构建最优特征波段的提取方法。

各分析方法原理如下: 相关系数法^[15]: 计算光谱中每一个波段的反射率与特定物质含量的相关系数, 相关系数绝对值越大, 则表明该波段反射率包含的有效信息越多, 则该波段可能被选为特征波段。连续投影算法(successive projection algorithm, SPA)^[16]: 一种前向特征变量选择方法。 SPA利用向量的投影分析, 然后将波段投影到其他波段上, 比较投影向量大小, 以投影向量最大的波段为待选波段, 然后基于校正模型选择最终的特征波段。随机森林算法(random forests, RF): 一种测量每个特征值对预测结果的相对重要性的方法。高维度的特征互相之间可能具有相似性, 继而对模型能力贡献少, 并且影响计算效率。基尼^[17](Gini)系数通常可以作为衡量输入特征对随机森林算法贡献度大小的评价标准, 对样本中所有特征变量来说, 基于系数的变量重要性评分能直观量化各个特征对模型的贡献大小, 值越高特征重要性越高。

1.4.3 机器学习方法与模型验证

在BP神经网络(back propagation neural networks, BPNN)、支持向量回归(support vector regression, SVR)、 K最邻近法(K-nearest neighbors, KNN)^{[12, 13, 14]}三种机器学习方法中筛选出最优模型。 BPNN是一种具有输入层、隐含层和输出层的典型多层前向型神经网络, 可以实现输入和输出间的任意非线性映射, 具有较好的非线性映射逼近能力和预测能力。 SVR是支持向量机非线性回归问题上的推广, 能在保证数据逼近精度的同时降低逼近函数的复杂度, 特别对有限样本、非线性问题等方面具有诸多优势。 KNN是一种直观的数据挖掘分类计数方法。除了用于分类, 该方法也适用于回归预测问题。当进行回归预测时, 使用K个临近的均值作为预测结果。

以决定系数(R²), 均方根误差(RMSE)作为不同回归模型的评价指标。模型的R²越大, RMSE越小(训练集的结果为 $R_{c}^{2}$ 、 RMSE_c, 测试集的结果为 $R_{p}^{2}$ 、 RMSE_p), 说明该模型的预测效果越好, 计算公式如式(4)和式(5)

$\begin{array}{l} R^{2} = 1 - \frac{\overset{N}{\sum_{i = 1}} (y_{i} - {\dot{y}}_{i})^{2}}{\overset{N}{\sum_{i = 1}} (y_{i} {- \overset{̅}{y})}^{2}} (4) \\ RMSE = \sqrt[]{\frac{1}{N} \overset{N}{\sum_{i = 1}} (y_{i} - {\overset{̅}{y}}_{i})^{2}} (5) \end{array}$

式中, N为样本数, y_i为第个样本的实际值, ${\overset{̅}{y}}_{i}$ 为第个样本的预测值, $\overset{̅}{y}$ 为所有样本实际值的平均值。

2 结果与讨论

2.1 花叶病对甘蔗叶片的影响

通过图2可以发现, 花叶病叶片的叶绿素含量明显低于健康叶片的叶绿素含量。花叶病叶片的叶绿素含量为5.69~7.43 mg· cm^-2, 均值为6.27 mg· cm^-2, 标准差为0.45。健康叶片的叶绿素含量为11.72~14.01 mg· cm^-2, 均值为12.86 mg· cm^-2, 标准差为0.71。通过Welch's 检验得到表2结果。由于t Stat大于t双尾临界, 因此拒绝假设, 健康叶片和花叶病叶片叶绿素含量均值有显著的差异。究其原因, 是花叶病破坏了叶片的叶绿素, 因此花叶病叶片的叶绿素含量险著低于健康叶片的叶绿素含量。

	Figure Option View Download New Window
	图2 感染花叶病叶片和健康叶片的叶绿素含量的平均值及标准差, * * * p< 0.05Fig.2 Mean and standard deviation values of chlorophyll content in infected mosaic and healthy leaves, * * * p< 0.05

表2 Welch's检验结果 Table 2 Welch's test result

感染花叶病的叶片和健康叶片的光谱曲线具有相同的趋势, 在520~600 nm间有一个反射峰, 600~700 nm间有一个吸收谷(图3)。但在520~650和700~850 nm这两个区间, 花叶病叶片的反射率是要高于健康叶片的反射率。通过图3发现甘蔗叶片在感染花叶病后, 其红边位置出现了“ 蓝移” 。由于甘蔗叶片感染花叶病, 大量叶绿素被破坏, 因此在光谱特征上与健康叶片会有较大的差异。

	Figure Option View Download New Window
	图3 感染花叶病叶片与健康叶片在520~920 nm的平均光谱曲线Fig.3 Average spectral curves of infected mosaic leaves and healthy leaves at 520~920 nm

通过上述分析, 花叶病影响甘蔗叶片的叶绿素生成, 从而导致光谱曲线变化。因此利用光谱反射率, 预测甘蔗叶片的叶绿素含量的方案是可行的。

2.2 最优预处理的选择

对原始光谱使用不同的预处理方法, 结果如图4所示, 经SG处理后的光谱变得更加平滑, 经SNV、 MSC、 SG+SNV、 SG+MSC处理后, 原光谱曲线在700~850 nm的差异被消除, 曲线变得更集中。经SG+1^stD处理后, 将原始光谱在700~850 nm间的差异放大。经1^stD、 2^ndD处理后, 噪音被放大。经SG+2^ndD处理后, 光谱差异不明显。

	Figure Option View Download New Window
	图4 光谱不同预处理的结果 (a): Original; (b): SG; (c): SNV; (d): SG+SNV; (e): MSC; (f): SG+MSC; (g): 1^st D; (h): SG+1^st D; (i): 2^nd D; (j): SG+2^nd DFig.4 Pretreated spectra by different methods (a): Original; (b): SG; (c): SNV; (d): SG+SNV; (e): MSC; (f): SG+MSC; (g): 1^st D; (h): SG+1^st D; (i): 2^nd D; (j): SG+2^nd D

利用不同光谱数据预处理方法与偏最小二乘法(PLSR)结合, 建立不同的甘蔗叶片叶绿素含量模型。不同模型预测结果如表3所示。不同模型的 $R_{c}^{2}$ 和 $R_{p}^{2}$ 均在0.85以上, 均可用于甘蔗叶片的叶绿素含量检测。但只有SG预处理建立的模型精度高于原始光谱模型, $R_{p}^{2}$ 提高了0.002 5, RMSE_p降低了0.055 4 mg· cm^-2, 因此后续将使用SG预处理过的光谱进行分析。

表3 不同预处理与原始光谱的PLSR模型对比分析 Table 3 Comparative analysis of PLSR models using the pretreated spectra with it based on the original spectrum

预处理方法	主成分数	$R_{c}^{2}$	RMSE_c/ (mg· cm^-2)	$R_{p}^{2}$	RMSE_p/ (mg· cm^-2)
Original	6	0.997 7	0.157 5	0.992 7	0.290 7
SG	7	0.996 4	0.194 9	0.995 2	0.235 3
SNV	5	0.995 7	0.213 3	0.986 6	0.393 7
MSC	5	0.995 7	0.212 3	0.986 5	0.395 6
1^st D	2	0.974 7	0.517 9	0.969 5	0.595 3
2^st D	6	0.998 2	0.138 1	0.861 4	1.268 3
SG+SNV	10	0.997 8	0.151 8	0.992 7	0.290 3
SG+MSC	9	0.997 3	0.168 6	0.992 7	0.291 2
SG+1^st D	9	0.999 5	0.075 9	0.978 1	0.504 5
SG+2^nd D	2	0.972 5	0.539 6	0.964 2	0.644 3

表3 不同预处理与原始光谱的PLSR模型对比分析 Table 3 Comparative analysis of PLSR models using the pretreated spectra with it based on the original spectrum

2.3 特征波段提取结果

通过计算各个波段的反射率与叶绿素含量的相关系数, 可知520~649和691~829 nm两区间内波段的反射率与叶绿素含量的相关系数绝对值大于0.8(图5), 说明在这两个区间内波段的反射率与叶绿素含量具有强相关性。而花叶病叶片和健康叶片的光谱曲线在这两个区间具有较大的差异(图3)。由于相关系数绝对值大于0.8的波段有269个, 为了减少计算量, 选择了相关系数绝对值前15的波段(图6), 选取的波段详见表4。

	Figure Option View Download New Window
	图5 各个波段反射率与叶绿素含量的相关系数Fig.5 Correlation coefficient between reflectance and chlorophyll content in each band

	Figure Option View Download New Window
	图6 相关系数法筛选出的波段Fig.6 The bands selected by the correlation coefficient method

表4 不同方法选取的特征波段 Table 4 Feature bands selected by different methods

通过连续投影算法筛选出特征波段(图7), 最终筛选出15个特征波段, 占总波段的3.7%, 选取的具体波段见表4。其中筛选出的波段在可见光范围内占33.3%, 在近红外范围内占66.7%。但在520~650和700~850 nm这两个区间的波段, 花叶病叶片和健康叶片的光谱曲线具有较大的差异(图3), SPA却在这两个区间筛选出较少特征波段。这与相关系数法选择的波段差异较大。

	Figure Option View Download New Window
	图7 连续投影算法筛选出的波段Fig.7 The bands selected by the successive projection algorithm

通过随机森林算法得到每个波段对叶绿素预测的重要性(图8)。其中重要性较高的波段主要集中在520~650和700~830 nm之间, 总共有262个波段。为了减少计算量, 选择特征重要性前15的波段(图9), 选取的波段见表4。

	Figure Option View Download New Window
	图8 各波段重要性分布图Fig.8 Variable importance vs. wavelength

	Figure Option View Download New Window
	图9 随机森林算法筛选出的波段Fig.9 The bands selected by the random forest algorithm

2.4 基于不同机器学习方法和不同特征波段选择方法的预测结果

将全波段和提取出的特征波段作为不同机器学习方法的输入变量(表5)。其中M1为全波段(401个波段), M2、 M3、 M4分别为相关系数法、连续投影算法、随机森林算法筛选出的15个特征波段。由于相关系数法和随机森林、连续投影法选择的特征波段差异较大。因此, 增加两组输入变量, 分别为M5和M6, 其中M5为M2与M3相结合的波段, M6为M2与M4相结合的波段。

表5 叶绿素含量预测模型输入变量分组 Table 5 Input variables grouping for chlorophyll content prediction model

将不同的变量组合作为不同机器学习的输入, 叶片的叶绿素含量作为输出, 最终结果见表6。从表可知, 当机器学习方法为BPNN时, 输入变量为全波段M1时 $R_{p}^{2}$ =0.995 3, RMSE_p=0.233 8 mg· cm^-2。相较于输入变量为M1, 除M4以外特征波段作为输入变量时, 都降低了 $R_{p}^{2}$ , 提高了RMSE_p。当机器学习方法为SVR时, 输入变量为全波段M1时 $R_{p}^{2}$ =0.994 6, RMSE_p=0.250 7 mg· cm^-2。相较于输入变量为M1, 使用M4、 M6特征波段作为输入变量时, 提高了 $R_{p}^{2}$ , 降低了RMSE_p。当机器学习方法为KNN时, 输入变量为全波段M1时 $R_{p}^{2}$ =0.995 7, RMSE_p=0.223 2 mg· cm^-2。相较于输入变量为M1, 除M4以外特征波段组合作为输入变量都降低了 $R_{p}^{2}$ , 提高了RMSE_p。不管使用哪种机器学习方法, 当输入变量为M4时, 叶片叶绿素预测精度最高, $R_{p}^{2}$ 最高, 综合预测性能最佳。因此可知, M4为最优的输入变量。

表6 甘蔗叶片叶绿素含量预测模型结果 Table 6 Prediction results of chlorophyll content in sugarcane leaves

输入变量	建模方法	$R_{c}^{2}$	RMSE_c/ (mg· cm^-2)	$R_{p}^{2}$	RMSE_p/ (mg· cm^-2)
	BPNN	0.997 5	0.164 1	0.995 3	0.233 8
M1	SVR	0.996 0	0.206 0	0.994 6	0.250 7
	KNN	0.997 1	0.176 4	0.995 7	0.223
	BPNN	0.979 5	0.466 1	0.980 4	0.477 0
M2	SVR	0.981 0	0.448 4	0.982 3	0.453 2
	KNN	0.991 1	0.306 8	0.985 2	0.413 8
	BPNN	0.996 1	0.204 5	0.994 0	0.264 5
M3	SVR	0.992 4	0.284 4	0.992 2	0.301 1
	KNN	0.996 6	0.189 5	0.992 6	0.292 6
	BPNN	0.996 3	0.198 9	0.996 4	0.205 8
M4	SVR	0.995 8	0.209 7	0.995 0	0.240 5
	KNN	0.997 3	0.168 1	0.995 9	0.218 1
	BPNN	0.996 3	0.197 9	0.994 6	0.251 3
M5	SVR	0.994 6	0.239 5	0.993 2	0.281 2
	KNN	0.996 7	0.187 3	0.993 3	0.278 6
	BPNN	0.997 1	0.174 6	0.995 2	0.235 5
M6	SVR	0.996 4	0.195 2	0.995 2	0.236 6
	KNN	0.997 2	0.172 8	0.995 1	0.238 4

表6 甘蔗叶片叶绿素含量预测模型结果 Table 6 Prediction results of chlorophyll content in sugarcane leaves

当输入变量为M1、 M2时, 使用KNN机器学习方法的预测精度最高; 当输入变量为M3、 M4、 M5、 M6时, 使用 BPNN机器学习方法的预测精度最高。由此可知KNN 和BPNN对于叶绿素的预测优于SVR。将M4分别与KNN和BPNN结合, M4+KNN的 $R_{p}^{2}$ =0.995 9, RMSE_p=0.218 1 mg· cm^-2。 M4+BPNN的 $R_{p}^{2}$ =0.996 4, RMSE_p=0.205 8 mg· cm^-2, 具有最优预测性能。因此, M4与BPNN结合的模型为所有模型中的最优模型。

M4与BPNN结合建立的模型, 相较于M1与BPNN结合建立的模型。 $R_{p}^{2}$ 提高了0.001 1, RMSE_p降低了0.028。输入机器学习的变量从401减少到15(减少了96.26%), 使模型的复杂程度显著降低。经M4与BPNN结合建立的模型, 不仅提高了模型的精度, 还降低了叶片叶绿素含量检测的复杂度, 减少模型计算时间, 最优模型的预测结果如图10所示。

	Figure Option View Download New Window
	图10 基于M4和BPNN结合的模型预测叶绿素含量值与实测值比较Fig.10 Prediction values of chlorophyll content compared with measured values based on the model combined with M4 and BPNN

3 结论

提出了一种使用高光谱数据预测花叶病胁迫下甘蔗叶片叶绿素的方法, 该方法对叶片的高光谱数据进行不同的预处理和降维, 最终使用机器学习对叶绿素含量进行预测。通过分析实验结果可得到如下结果:

(1) 感染了花叶病的叶片相较于健康叶片, 叶片的叶绿素含量会显著降低。且感染花叶病的叶片与健康叶片的光谱也有较大的差异。染病叶片在520~650和700~850 nm之间的光反射率要高于健康叶片。因此利用光谱数据, 反演叶片叶绿素含量是可行的。

(2) 通过SG、 MSC、 SNV、 1^stD、 2^ndD这些方法对原始光谱进行预处理, 通过偏最小二乘回归反演叶绿素含量, 发现SG预处理过后的光谱相较于原始光谱可以提高叶绿素反演的精度。

(3) 将基于随机森林筛选出的特征波段与BPNN算法结合, 构建出花叶病胁迫下甘蔗叶片叶绿素含量的最优预测模型。模型的决定系数 $R_{p}^{2}$ =0.996 4, RMSE_p=0.205 8 mg· cm^-2, 具有较高的预测精度和预测可重复性。

本研究为光谱遥感监测花叶病胁迫下甘蔗叶片生长状况建立了理论与技术基础。此模型于田间的适应性将在后续工作中进一步验证。

参考文献

文献列表

[1]	Aguiar N O, Medici L O, Olivares F L, et al. Annals of Applied Biology, 2016, 168(2): 203. [本文引用:1]
[2]	Lipps P E. Mycologia, 1990, 82(5): 663. [本文引用:1]
[3]	YUE Xue-jun, QUAN Dong-ping, HONG Tian-sheng, et al(岳学军, 全东平, 洪添胜, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(1): 294. [本文引用:1]
[4]	Yamashita H, Sonobe R, Hirono Y, et al. Scientific Reports, 2020, 10(1): 17360. [本文引用:2]
[5]	SUN Hong, ZHENG Tao, LIU Ning, et al(孙红, 郑涛, 刘宁, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(1): 149. [本文引用:1]
[6]	DONG Zhe, YANG Wu-de, ZHU Hong-fen, et al(董哲, 杨武德, 朱洪芬, 等). Journal of Shangxi Agricultural Sciences(山西农业科学), 2019, 47(5): 751. [本文引用:1]
[7]	An G, Xing M, He B, et al. Remote Sensing, 2020, 12(18): 3104. [本文引用:1]
[8]	Bhadra S, Sagan V, Maimaitijiang M, et al. Remote Sensing, 2020, 12(13): 2082. [本文引用:1]
[9]	LI Chang-chun, SHI Jin-Jin, MA Chun-yan, et al(李长春, 施锦锦, 马春艳, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(8): 172. [本文引用:1]
[10]	TANG Yan-lin, WANG Ren-chao, WANG Xiu-zhen, et al(唐延林, 王人潮, 王秀珍, 等). Journal of Sounth China Agricultural University(华南农业大学学报), 2003, 24(1): 4. [本文引用:1]
[11]	Baffi G, Martin E B, Morris A J. Computers and Chemical Engineering, 1999, 23(9): 1293. [本文引用:1]
[12]	Khoshhal J, Mokarram M. International Journal of Environmental Sciences, 2012, 3(3): 1000. [本文引用:2]
[13]	Cover T M, Hart P E. IEEE Transactions on Information Theory, 1967, 13(1): 21. [本文引用:2]
[14]	Fan J, Yue W, Wu L, et al. Agricultural and Forest Meteorology, 2018, 263: 225. [本文引用:2]
[15]	WANG Hai-long, YANG Guo-guo, ZHANG Yu, et al(王海龙, 杨国国, 张瑜, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(7): 2115. [本文引用:1]
[16]	Araújo M C U, Saldanha T C B, Galvão R K H, et al. Chemometrics and Intelligent Laboratory Systems, 2001, 57(2): 65. [本文引用:1]
[17]	Byland er T. Machine Learning, 2002, 48(1-3): 287. [本文引用:1]

2016

0.0

... 目前, 甘蔗作为原料生产的糖量约占全球糖供应量的85%^[1] ...

1990

0.0

... 甘蔗感染花叶病后, 叶片的叶绿素被破坏, 叶片出现黄色或浅绿色的条纹^[2] ...

2015

0.0

... 常用的预处理方法有: 小波去噪^[3]、 MSC^[4]、 SNV^[4]、一阶导数等 ...

2020

0.0

... 常用的预处理方法有: 小波去噪^[3]、 MSC^[4]、 SNV^[4]、一阶导数等 ...

2018

0.0