冬小麦叶片光合特征高光谱遥感估算模型的比较研究

张卓，龙慧灵，王崇倡，杨贵军



冬小麦叶片光合特征高光谱遥感估算模型的比较研究

张卓1,2,3,4，龙慧灵1,2,3，王崇倡4，杨贵军1,2,3

（1北京农业信息技术研究中心/农业部农业遥感机理与定量遥感重点实验室，北京 100097；2国家农业信息化工程技术研究中心，北京 100097；3北京市农业物联网工程技术研究中心，北京 100097；4辽宁工程技术大学测绘与地理科学学院，辽宁阜新 123000）

【目的】光合作用是农作物产量和品质形成的基础，农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况，还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量，本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型，探讨高光谱反演冬小麦光合参数的可行性，对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验，获取不同叶位叶片的最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）、光化学猝灭系数（qP）和高光谱反射率，并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果，筛选显著性水平优于0.01的波段作为输入变量，采用偏最小二乘（PLS）、支持向量机（SVM）、多元线性回归（MLR）和人工神经网络（ANN）等方法建立冬小麦叶片光合参量反演模型，以建模和验证的决定系数（2）和均方根误差（）为依据，对不同模型的模拟精度进行比较分析。【结果】（1）3种光合参数和4种光谱的相关性分析结果表明，原始、倒数和对数光谱对3种光合参数（Amax、Fv′/Fm′和qP）的敏感谱区均集中在400—750 nm波谱区间，一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。（2）Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模2分别为0.75、0.65和0.65，验证2分别为0.73、0.59和0.44，表明基于高光谱模拟Amax和Fv′/Fm′切实可行，模拟qP的有效性需要进一步验证。（3）不同变换的光谱表现能力不同，以PLS模拟Amax为例，光谱的表现能力顺序为原始光谱＞倒数光谱＞对数光谱＞一阶导数光谱。（4）不同模型的估算能力也存在明显差异，以基于原始光谱的Amax模拟为例，不同模型的估算能力顺序为MLR＞PLS＞ANN＞SVM。【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现，Amax和Fv′/Fm′可以很好通过高光谱进行模拟，而高光谱对qP解释能力偏低，有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性，同时受光谱类型和模拟方法的影响，可以用来监测冬小麦光合能力的动态变化，为把握农作物生长状况提供依据。

光合参量；偏最小二乘；支持向量机；多元线性回归；神经网络；高光谱

0 引言

【研究意义】光合作用是地球上最重要的化学反应，更是作物能量代谢和产物形成的基础，占有十分重要的地位[1]。作物光合能力有效监测对于深入理解农田生态系统碳交换和产量形成过程具有重要的作用[2]。传统作物光合作用监测技术以气体交换，或是以群体尺度干物质累积量的观测为基础，大都耗时费力，空间代表性差[3]。近年来，随着遥感技术的发展，为作物生理生化参数定量监测带来了更多的可能性，以遥感手段辅助农作物光合参数的定量监测也得到了越来越深入的研究与应用。【前人研究进展】近年来基于高光谱反演光合参数已成为研究热点。Dechant等[4]基于叶片反射光谱，利用偏最小二乘模型估算光合特征参量最大羧化率（Vcmax,25）、最大电子传导速率（Jmax,25）、叶面积（LMA）和单位面积含氮量（Na），并得到了较好的精度。吕玮等[5]基于冬小麦高光谱反射率的一阶倒数，利用二次多项式逐步回归、偏最小二乘和BP神经网络3种方法构建旗叶净光合速率反演模型，发现3种模型对模拟净光合速率都是可行的。王娣等[6]采用9种常用植被指数，构建线性模型、对数模型和指数模型，反演武汉市常见4种叶片的净光合速率，结果证明利用高光谱植被指数反演叶片净光合速率是可行的。张峰等[7]基于玉米冠层反射率对光合能力参数和光合效率参数进行了多光谱遥感反演能力研究，结果表明基于两波段组合的植被指数NDVI、WDRVI、EVI2和CI中EVI2对冠层光合速率与光合能力参数的反演结果最佳。Serbin等[8]利用冠层成像光谱和叶片尺度的光合观测数据，对冠层尺度上光合能力进行了估算。【本研究切入点】已有研究大都针对单一光合参数和单一模拟方法开展工作，鲜有考虑光谱变换方法和模拟方法对不同光合参数的适用性，本文拟通过综合对比分析不同光谱变换方法和不同模拟方法在不同光合参数高光谱模拟上的适用性。【拟解决的关键问题】本研究以实测的冬小麦叶片气体交换和光谱数据为基础，选取3种常用的光合作用参数——最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）和光化学猝灭系数（qP），综合原始光谱、3种传统光谱变换技术（倒数、对数和一阶微分）和4种模拟方法（PLS、SVM、MLR和ANN）构建冬小麦光合参数的高光谱反演模型，深入分析不同光合参量的光谱模拟可行性及不同模型的适用性。

1 材料与方法

1.1 研究区概况

本试验于冬小麦拔节期、挑旗期和灌浆期（2018年4—6月）在北京市昌平区小汤山国家精准农业研究示范基地（北纬40°00′—40°21′，东经116°34′—117°00′，海拔高度36 m）进行，该地区以亚湿润大陆季风气候为主，年平均降雨量508 mm，年平均气温13°C。前茬作物为玉米，土壤类型为潮土，0—0.3 m土层中铵态氮含量10.02—12.32 mg·kg-1；有机质含量15.84—20.62 g·kg-1；硝态氮含量3.16—14.82 mg·kg-1；速效钾含量86.83—120.62 mg·kg-1；有效磷磷含量3.14—21.18 mg·kg-1。冬小麦播种时间为10月，收获时间为6月，种植的冬小麦品种为京东18，试验设置4个施氮水平，分别为无氮处理N0（无尿素）、缺氮处理N1（195 kg·hm-2尿素）、正常氮处理N2（390 kg·hm-2尿素）、过量氮处理N3（585 kg·hm-2尿素），每个处理3次重复，基肥：拔节追肥=1﹕1。每个小区面积为135 m2（15 m×9 m），分别在拔节期、挑旗期和灌浆期进行冬小麦叶片光合作用和反射率光谱测定。

1.2 光合数据获取

在设置的12个小区内，选取不同叶龄和光照条件的叶片，采用LI-6800便携式光合仪测量冬小麦叶片的气体交换和叶绿素荧光。该仪器配备荧光叶室，可同时完成气体交换与叶绿素荧光参数的测量。本研究选取3种能反映光适应条件下光合作用强度的参数作为主要研究对象，包括叶片最大净光合速率（Amax）、PSⅡ有效光化学量子产量（Fv′/Fm′）和光化学猝灭系数（qP）。Amax是指植物光合作用积累的有机物，是总光合速率与呼吸速率的差值，本文中所用的Amax是利用FARQUHAR等人1980年提出的光合光响应模型——非矩形双曲线模型（NRHM）对实测光合-光响应数据进行拟合得到的[9]；Fv′/Fm′是由DEMMING等人1996年提出的，利用其来估计光合机构吸收的光能被用于光化学反应和天线的热耗散的相对分额[10]；qP是PSⅡ反映中心中开放的反应中心所占比例的指标，也是捕获的光子能量用于光化学反应能力的指标[1]。

1.3 叶片光谱数据获取

叶片光合测量结束后，将所测冬小麦整株带回试验室测量叶片光谱，叶片光谱测量采用美国ASD（analytical spectral devices）公司Fieldspec FR2500型野外光谱辐射谱仪和叶片夹（ASD leaf clip）进行测定。光谱仪波段范围350—2 500 nm，其中光谱分辨率在350—1 000 nm内间隔为3 nm，在1 000—2 500 nm内间隔为10 nm，在350—1 000 nm范围内采样间隔为1.4 nm，在1 000—2 500 nm 范围内采样间隔为2 nm。叶片夹带有内部光源，可以保证不同叶片的光照条件一致和试验结果不受光照影响。测量之前先用叶片夹自带的标准白板进行校正并记录白板的辐亮度值，每片叶片用黑板夹住中间位置测定其辐亮度值（RAD），每个叶片测量10次然后求其平均值，计算光谱反射率。

反射率计算公式表达为：

R=RAD1/RAD2×R1（1）

式中，R为冠层反射率，R1为参考板反射率，RAD1为测得的冬小麦的辐照度值，RAD2为参考板的辐照度值。

1.4 光合参量高光谱模拟方法

首先对冬小麦叶片光谱进行基本变换，分别计算光谱的倒数、光谱的对数和光谱的一阶微分。然后分析原始光谱、倒数光谱、对数光谱和一阶导数光谱和各个光合参量（Amax、Fv′/Fm′和qP）的相关性。由于波长1 350—2 500 nm是叶片水分主导，本文重点分析350—1 350 nm波段，相关性分析结果用相关系数来评定，每个光合参量相关系数满足0.01显著性水平的波段范围作为敏感波段。最后将选择的敏感波长所对应的原始光谱、倒数光谱、对数光谱和一阶导数光谱分别作为自变量，采用MLR、ANN、PLS和SVM 4种方法对3种光合特征参量进行模拟。其中，PLS是新型的多元统计数据分析方法，能够同时实现回归建模和数据结构简化，是多元线性回归分析、典型相关分析和主成分分析的结合[11]。SVM是一种基于统计学习理论的模式识别方法，由Vladimir Vapnik开发出来的用于分类或回归的机器学习算法，包括线性回归和非线性回归，本研究使用支持向量机线性回归功能[12]。MLR是基于多个自变量对因变量进行解释的回归方法，利用线性回归方程的最小平方函数对多个自变量和因变量之间的关系进行建模，这种最小平方函数是多个称为回归系数的模型参数的线性组合[13]。ANN回归是基于梯度学习的方法，它是一个非参数非线性模型，利用神经网络在层间传播，模拟人脑接收器和信息处理[14]。其中建模样本48个，验证样本24个。

1.5 精度评价

分别用决定系数2、均方根误差（）来评价各个模型的精度。较大的2值对应较小的可视为模拟结果具有更高的精度。2表示相关的密切程度，是用来衡量估值与真值之间的偏差程度，越小表示偏差越小。

2、计算公式表达为[15]：

2 结果

2.1 不同光谱特征与光合特征参量的相关性分析

原始光谱、倒数光谱、对数光谱和一阶导数光谱与Amax、Fv′/Fm′和qP相关性结果分别如图1—3所示，挑选出光谱与光合参量相关系数满足＞0.01等级置信区间的敏感波谱区间，不同光谱类型与光合参量的相关性大小不同，最终结果如表1所示。原始光谱、倒数光谱、对数光谱和一阶微分对Amax的敏感谱区分别集中在399—737、400—727、399—737 nm和470—552、678—701、711—764 nm；对Fv′/Fm′的敏感谱区分别为431—724、442—720、435—722 nm和480—551、631—673、709—765 nm；对qP的敏感谱区分别为459—718、485—710、466—714 nm和480—522、632—673、710—758 nm。

a：原始光谱，b：倒数光谱，c：对数光谱，d：一阶导数光谱；图中直线表示0.01等级显著性水平。下同

图2 原始光谱、倒数光谱、对数光谱和一阶导数光谱与PSⅡ有效光化学量子产量Fv′/Fm′相关性

图3 原始光谱、倒数光谱、对数光谱和一阶导数光谱与光化学猝灭系数qP相关性

2.2 光合特征参量估算结果分析

2.2.1 光合特征参量估算模型自变量的选取 根据图1—3和表1中的敏感波谱信息，在＞0.01的显著性水平波谱区间内，选取MLR模型的输入变量，综合考虑相关性的大小和所用光谱的光谱分辨率，选择12个波段为MLR模型输入的自变量。ANN、SVM和PLS模型在满足＞0.01显著性水平的波谱区间内的所有波段作为输入变量。PLS方法模拟3种光合参量主成分选择的个数不同，不同主成分个数模拟精度不同，本文综合考虑模拟精度和总方差解释百分比确定主成分个数。

2.2.2 光合特征参量模拟结果分析 分别采用MLR、ANN、PLS和SVM 4种方法对3种光合特征参量进行模拟，模拟结果如表2所示。根据表2中3种光合参量基于4种光谱类型的模拟结果，从每个参量的每种模拟方法中选取建模和验证综合精度最高的模拟组合，绘制成散点图（图4—6）。综合表2和图4­—6分析利用不同方法基于不同输入变量类型模拟光合参量的精度。

考虑建模和验证的精度与误差，Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型，模型的建模2分别为0.75、0.65和0.65，验证2分别为0.73、0.59和0.44，表明基于高光谱模拟Amax和Fv′/Fm′切实可行，模拟qP的有效性需要进一步验证。仅考虑建模精度时，Fv′/Fm′的模拟结果存在明显差异，基于一阶微分的ANN模型（2=0.75）和基于原始光谱的SVM模型（2=0.94）均优于MLR模型的结果。MLR模型的模拟结果受所选取自变量个数的影响，以基于原始光谱模拟Amax 为例，改变MLR的输入变量个数，发现建模和验证2随着输入变量个数的减少而降低，当输入变量从12个逐渐减少到2个时，建模2从0.75降低到0.47，由5.1上升到7.4。

表1 不同类型光谱与各个光合参量的敏感区间及相关性

表2 利用MLR、ANN、PLS和SVM模拟光合特征参量结果

表3 基于原始光谱的PLS模型对Amax的模拟结果（不同叶位）

表4 基于原始光谱的PLS模型对Amax模拟结果（不同生育期）

图中黑线：Y=X；MLR—倒数光谱：基于倒数光谱利用MLR方法对Amax的模拟结果，其他同理

不同变换的光谱表现能力不同。综合建模和验证精度2与，Amax模拟结果显示，用MLR模型模拟时，光谱的表现能力顺序为倒数光谱＞对数光谱＞原始光谱＞一阶导数光谱；ANN模型模拟时，光谱的表现能力顺序为对数光谱＞倒数光谱＞原始光谱＞一阶导数光谱；SVM模型模拟时，光谱的表现能力为一阶导数光谱＞原始光谱＞倒数光谱＞对数光谱；PLS模型模拟时，光谱的表现能力顺序为原始光谱＞倒数光谱＞对数光谱，一阶导数光谱结果最差，验证2为0.47，不适合在该方法下模拟Amax。Fv′/Fm′模拟结果显示，MLR模型模拟时，基于一阶导数光谱的表现能力最优，其次是对数光谱，原始光谱次之，倒数光谱最差，其验证2小于0.5，说明倒数光谱在该方法下不适合用来模拟Fv′/Fm′；ANN模型模拟时，基于原始光谱的精度最高，其次是一阶导数光谱，对数光谱次之，倒数光谱结果最差，但是建模和验证2都大于0.5；SVM模型模拟时，基于一阶微分光谱的结果最优，原始光谱、倒数光谱和对数光谱的验证2均小于0.5，在该方法下，3种光谱不适合用来模拟Fv′/Fm′；PLS模型模拟时，基于对数光谱的结果最优，其次是一阶导数光谱，倒数光谱最差，而原始光谱的验证2为0.44，不适合用来模拟Fv′/Fm′。

图中黑线：Y=X；MLR—一阶导数光谱：基于一阶导数光谱利用MLR方法对Fv′/Fm′的模拟结果，其他同理

不同模型的估算能力也存在明显差异。Amax模拟结果中，基于原始光谱的不同模型的估算能力顺序为PLS＞ANN＞MLR＞SVM，基于倒数光谱和对数光谱模型估算能力顺序相同，均为MLR＞ANN＞PLS＞SVM，基于一阶导数光谱模型估算能力顺序为SVM＞MLR＞ANN＞PLS。Fv′/Fm′模拟结果中，基于原始光谱ANN的估算能力最优，MLR次之，SVM和PLS模型不适合用原始光谱模拟Fv′/Fm′，基于倒数光谱PLS估算能力最优，其次是ANN，MLR和SVM不适合用倒数光谱模拟Fv′/Fm′，基于对数光谱不同模型估算能力顺序为MLR＞PLS＞ANN，SVM模型不适合用对数光谱模拟Fv′/Fm′，基于一阶导数光谱的不同模型模拟顺序为MLR＞ANN＞PLS＞SVM。

2.2.3 不同生育期和不同叶位冬小麦叶片Amax模拟结果分析 本文在构建模型的过程中，为了构建对所有叶龄叶片均适用的模型，未对叶位和生育期进行详细的分类。为了研究叶位和生育期对模拟结果是否存在影响，利用原始光谱350—1 350 nm波谱区间反射率和PLS模型分别模拟不同生育期和不同叶位的冬小麦叶片Amax，研究不同叶位和不同生育期对模拟结果影响，结果如表3—4所示。表3建模精度结果可看出模拟精度最高的是第二层叶片，其中2为0.89，为3.54，其次是第三层叶片，最差的是第一层叶片。表4结果显示，精度最高的是挑旗期，其2为0.91，为1.73，其次是拔节期，精度最差的是灌浆期，2为0.56。

3 讨论

3.1 基于高光谱模拟光合参数的可行性机理

光合作用是绿色植物吸收光能，把二氧化碳和水合成富能有机物的过程，光合作用强度依赖于吸收光能的多少，吸收的光能主要受叶片色素含量影响，而叶片色素含量又直接影响反射率光谱的大小。农作物光合器官中色素和氮素含量等因素直接影响光合作用过程中吸收光能和有机物合成的多少。众所周知，植被的各种理化参数与光谱的变化密切相关，色素和氮素含量作为中间变量搭起了光合参数与光谱之间的桥梁，将二者紧密联系在一起，是反射光谱响应与内部光合活动之间的主导机制[16]。目前，利用反射率光谱模拟光合参数的研究已逐步开展。前人研究中发现利用植被指数CIrededge、NDVI705、RVI700模拟农作物叶片净光合速率（n）的2均小于0.6，将3种植被指数与光合有效辐射（PAR）的乘积后模拟农作物叶片n精度有显著提升，2最高为0.64[17]。基于冠层无人机遥感图像提取的冠层反射率，根据相关系数大小筛选敏感波段，利用PLS方法模拟棉花净光合速率的最大2达到0.73[18]。在模拟冬小麦旗叶净光合速率研究中，选择6个敏感波段做一阶微分变换后，利用二次多项式逐步回归（QPSR）、偏最小二乘回归（PLSR）和BP 神经网络（BPNN）方法模拟n，3种方法2分别为0.821、0.723和0.759，QPSR方法的精度最高[5]，综合前人研究发现光合参数适合用光谱来模拟。因此，本文首先分析了光合特征参量与4种光谱的相关性，挑选敏感波段模拟光合特征参量，以原始光谱与Amax相关性为例，敏感波谱区间为399—737 nm。前人研究结果表明，玉米叶片冠层715 nm处反射率与叶绿素浓度相关性最好[19]，在基于高光谱反演冬小麦叶绿素含量时选取的波段范围为350—1 060 nm时模型精度最佳[20]。前人研究中也证明了作物在波长560—710 nm处反射率与净光合速率n、蒸腾速率r、气孔导度s有一定相关关系[21]。由此可见，敏感波段体现了色素对光合作用的影响。

图中黑线：Y=X；MLR—原始光谱：基于原始光谱利用MLR方法对qP的模拟结果，其他同理

3.2 MLR模型中自变量个数对模拟结果的影响

由表2中不同方法的模拟结果可见，在本研究中MLR模型的模拟能力相比其他3种方法优势较为明显，在此我们分析了形成这种结果的原因。文中MLR模型输入的自变量是根据光合参量与不同类型光谱的相关系数大小和光谱仪的光谱分辨率选取的，表2中显示的结果为自变量个数为12个的模拟结果。为了分析自变量个数对结果的影响，以基于原始光谱模拟Amax为例，改变MLR的输入变量个数，发现建模和验证2随着输入变量个数的减少而降低，当输入变量从12个逐渐减少到2个时，建模2从0.75降低到0.47，由5.1上升到7.4，验证2和变化不大。前人研究中在基于植被指数利用MLR方法估测苹果叶片叶绿素含量时，当MLR输入的植被指数个数从1个增加到10个时，模型的精度2从0.538上升到0.602[22]。由此可见，MLR模型的模拟结果受自变量个数的影响很大。已有研究中使用MLR方法建模时，所选取的自变量的个数大多为3—10个，本文选取了12个自变量，因此得到了较好的模拟结果。

3.3 不同叶位和生育期对模拟结果的影响

根据文中不同生育期和不同叶位的模拟结果分析，区分叶位后的模拟精度相比未区分的结果有明显的提升，可见叶位对光合参量的高光谱模拟结果有明显的影响。在不区分叶位的情况下，模拟的精度最低，但2能达到0.68，并且小于6，说明光合参量的高光谱模拟切实可行，可以通过详细区分叶位的方法，提高模拟的精度。生育期对模拟结果也有一定影响，所有生育期的模拟精度较拔节期和挑旗期差，但是比灌浆期精度高，说明灌浆期影响了使用全生育期光谱时的模拟精度。

4 结论

本文以不同施氮条件下冬小麦叶片气体交换和高光谱田间试验支持下的实测数据为基础，获取不同生育期不同叶龄叶片的Amax、Fv′/Fm′、qP和高光谱反射率，并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果，分别筛选显著性水平优于0.01的原始光谱、倒数光谱、对数光谱和一阶导数光谱的敏感波段作为输入变量，采用偏最小二乘（PLS）、支持向量机（SVM）、多元线性回归（MLR）和人工神经网络（ANN）方法建立冬小麦叶片光合参量反演模型，对冬小麦叶片光合特征参量——Amax、Fv′/Fm′和qP进行模拟，并对不同模型的模拟精度进行了适用性评价比较分析。Amax和Fv′/Fm′可以很好地通过高光谱进行模拟，而高光谱对qP解释能力偏低，有待进一步研究。虽然可能受到光谱处理方法、模型选择、模型输入变量类型和采样叶片叶位等因素的影响，高光谱信息对冬小麦光合参量具有较强的敏感性，可以用来监测冬小麦光合能力的动态变化，为把握农作物生长状况提供依据。

[1] 许大全. 光合作用学. 第一版. 北京: 科学出版社, 2013: 3-5.

XU D Q.. Beijing: Science Press, 2013: 3-5. (in Chinese)

[2] 周磊, 何洪林, 孙晓敏, 张黎, 于贵瑞, 任小丽, 闵程程, 赵凤华. 基于数字相机的冬小麦物候和碳交换监测. 生态学报, 2012, 32(16): 5146-5153.

ZHOU L, HE H L, SUN X M, ZHANG L, YU G R, REN X L, MIN C C, ZHAO F H. Using digital repeat photography to model winter wheat phenology and photosynthetic CO2uptake., 2012, 32(16): 5146-5153. (in Chinese)

[3] 李少昆. 作物光合作用研究方法. 石河子大学学报(自然科学版), 2000, 4(4): 321-330.

LI S K. Survey of research method of crop photosynthesis., 2000, 4(4): 321-330. (in Chinese)

[4] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E, DOKTOR D. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[5] 吕玮, 李玉环, 毛伟兵, 宫雪, 陈世更. 基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究. 农业资源与环境学报, 2017, 34(6): 582-586.

Lü W, LI Y H, MAO W B, GONG X, CHEN S G. Comparison of estimation methods for net photosynthetic rate of wheat’s flag leaves based on hyperspectrum., 2017, 34 (6): 582-586. (in Chinese)

[6] 王娣, 佃袁勇, 乐源, 黄春波.基于高光谱植被指数的叶片净光合速率Pn反演. 地理与地理信息科学, 2016, 32(4): 42-48.

WANG D, DIAN Y Y, LE Y, HUANG C B. Net photosynthetic rate inversion based on hyperspectral vegetation indices., 2016, 32(4): 42-48. (in Chinese)

[7] 张峰, 周广胜. 玉米农田冠层光合参数的多光谱遥感反演. 植物生态学报, 2014, 38(7): 710-719.

ZHANG F, ZHOU G S. Estimating canopy photosynthetic parameters in maize field based on multi-spectral remote sensing., 2014, 38(7): 710-719. (in Chinese)

[8] SERBIN S P, SINGH A, DESAI A, DUBOIS S. Remotely estimating photosynthetic capacity, and its response to temperature, in vegetation canopies using imaging spectroscopy., 2015, 167: 78-87.

[9] FARQUHAR G D, CAEMMERER S V, BERRY J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3 species., 1980, 149: 78-90.

[10] DEMMIG-ADAMS B. Using chlorophyll fluorescence to assess the fraction of absorbed light allocated to thermal dissipation of excess excitation., 1996, 98(2): 253-264.

[11] WOLD H. Estimation of principal components and related models by iterative least squares., 1966, 1: 391-420.

[12] WU S, AMARI S I. Conformal transformation of Kernel functions: A data-dependent way to improve support vector machine classifiers., 2002, 15(1): 59-67.

[13] ZELTERMAN D. Multivariable linear regression, applied multivariate statistics with R., 2015: 231-256.

[14] PARK D C, ELSHARKAWI M A, MARKS R J I. Electric load forecasting using an artificial neural network., 1991, 6(2): 442-449.

[15] YUE J, FENG H, YANG G, LI Z. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy., 2018, 10(1): 66-89.

[16] DECHANT B, CUNTZ M, VOHLAND M, SCHULZ E. Estimation of photosynthesis traits from leaf reflectance spectra: Correlation to nitrogen content as the dominant mechanism., 2017, 196: 279-292.

[17] 李婷, 季宇寒, 张漫, 沙莎, 李民赞. 基于PLSR和BPNN方法的番茄光合速率预测比较. 农业工程学报, 2015, 31(S2): 222-229.

LI T, JI Y H, ZHANG M, SHA S, LI M Z. Comparison of photosynthesis prediction methods with BPNN and PLSR in different growth stages of tomato., 2015, 31(S2): 222-229. (in Chinese)

[18] 陈俊英, 陈硕博, 张智韬, 付秋萍, 边江, 崔婷. 无人机多光谱遥感反演花蕾期棉花光合参数研究. 农业机械学报, 2018, 49(10): 230-239.

CHEN J Y, CHEN S B, ZHANG Z T, FU Q P, BIAN J, CUI T. Investigation on photosynthetic parameters of cotton during budding period by multi-spectral remote sensing of unmanned aerial vehicle., 2018, 49(10): 230-239. (in Chinese)

[19] DAUGHTRY C S T, WALTHALL C L, KIM M S, MCMURTREY J E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance., 2000, 74(2): 229-239.

[20] 赵祥, 刘素红, 王培娟, 王锦地, 田振坤. 基于高光谱数据的小麦叶绿素含量反演. 地理与地理信息科学, 2004, 20(3): 36-39.

ZHAO X, LIU S H, WANG P J, WANG J D, TIAN Z K. A method for inverting chlorophyll content of wheat using hyperspectral., 2004, 20(3): 36-39.

[21] ZHAO D L, BARRY G, MICHAEL I, CHEN J H. Sugarcane genotype variation in leaf photosynthesis properties and yield as affected by mill mud application., 2015, 107(2): 1831-1849.

[22] 裴浩杰, 冯海宽, 李长春, 李振海, 杨贵军, 王衍安, 郭建华. 基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较. 江苏农业科学, 2018, 46(17): 224-230.

PEI H J, FENG H K, LI C C, LI Z H, YANG G J, WANG Y A, GUO J H. Comparison of hyperspectral estimation methods for chlorophyll content of apple based on multiple linear regression and stochastic forest., 2018, 46(17): 224-230. (in Chinese)

[23] 孙少波, 杜华强, 李平衡, 周国模, 徐小军, 高国龙, 李雪建. 基于小波变换的毛竹叶片净光合速率高光谱遥感反演. 应用生态学报, 2016, 27(1): 49-58.

SUN S B, DU H Q, LI P H, ZHOU G M, XU X J, GAO G L, LI X J. Retrieval of leaf net photosynthetic rate of moso bamboo forests using hyperspectral remote sensing based on wavelet transform.2016, 27(1): 49-58. (in Chinese)

[24] 王惠文, 孟洁. 多元线性回归的预测建模方法. 北京航空航天大学学报, 2007, 33(4): 500-504.

WANG H W, MENG J. Predictive modeling on multivariate linear regression., 2007, 33(4): 500-504. (in Chinese)

[25] 岳继博, 杨贵军, 冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比. 农业工程学报, 2016, 32(18): 175-182.

YUE J B, YANG G J, FENG H K. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm., 2016, 32(18): 175-182. (in Chinese)

[26] 王奕涵, 石铁柱, 刘会增, 王竣杰, 邬国锋. 水稻叶片氮含量反演偏最小二乘模型设计. 遥感信息, 2015, 30(6): 42-47.

WANG Y H, SHI T Z, LIU H Z, WANG J J, WU G F. Partial least squares regression model for retrieving paddy rice nitrogen content with band depth analysis and genetic algorithm., 2015, 30(6): 42-47. (in Chinese)

[27] 宋丰萍, 蒙祖庆. 干旱胁迫下作物光合参数研究进展.高原农业, 2018, 2(2): 138-144, 212.

SONG F P, MENG Z Q. Research progress on photosynthetic parameters of crops in drought stress., 2018, 2(2): 138-144, 212. (in Chinese)

[28] 丁世飞, 齐丙娟, 谭红艳.支持向量机理论与算法研究综述. 电子科技大学学报, 2011, 40(1): 2-10.

DING S F, QI B J, TAN H Y. An overview on theory and algorithm of support vector machines., 2011, 40(1): 2-10. (in Chinese)

[29] 高林, 杨贵军, 于海洋, 徐波, 赵晓庆, 董锦绘, 马亚斌.基于无人机高光谱遥感的冬小麦叶面积指数反演. 农业工程学报, 2016, 32(22): 113-120.

GAO L,YANG G J,YU H Y, XU B, ZHAO X Q, DONG J H, MA Y B. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing.2016, 32(22): 113-120. (in Chinese)

[30] LI D, WANG C, LIU W, WEI L, SHUI S C. Estimation of litchi (Sonn.) leaf nitrogen content at different growth stages using canopy reflectance spectra., 2016, 80: 182-194.

[31] 李粉玲, 常庆瑞. 基于连续统去除法的冬小麦叶片全氮含量估算. 农业机械学报, 2017, 48(7): 174-179.

LI F L, CHANG Q R. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra., 2017, 48(7): 174-179. (in Chinese)

[32] YUAN H H, YANG G J, LI C C, WANG Y J, LIU J G, YU H Y, FENG H K. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models., 2017, 9(4): 309-325.

（责任编辑 杨鑫浩）

Comparison of Hyperspectral remote Sensing estimation models based on photosynthetic characteristics of Winter Wheat leaves

ZHANG Zhuo1,2,3,4, LONG HuiLing1,2,3, WANG ChongChang4, YANG GuiJun1,2,3

(1Beijing Research Center for Information Technology in Agriculture/Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture, Beijing 100097;2National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;3Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097;4School of Mapping and Geographical Science, Liaoning Technical University, Fuxin 123000, Liaoning)

【Objective】Photosynthesis is the basis of crop yield and quality formation. Accurate quantitative remote sensing inversion of crop photosynthetic parameters can not only understand the growth and development of crops and the accumulation of organic matter, but also can provide reference for the ecosystem process model based on remote sensing. In order to estimate the photosynthetic characteristic parameters quickly and accurately, the hyperspectral inversion model of three photosynthetic parameters of winter wheat was constructed by combining the original spectrum, three traditional spectral transformation techniques and four simulation methods. The feasibility of hyperspectral inversion of photosynthetic parameters of winter wheat was discussed, and the applicability of different spectra and simulation methods were compared. 【Method】The maximum net photosynthetic rate (Amax), PSⅡ effective photochemical quantum yield (Fv'/Fm') of different leaf ages was obtained under the support of gas exchange and hyperspectral field experiments of winter wheat under different nitrogen application conditions. The photochemical quenching coefficient (qP) and hyperspectral reflectivity were obtained, and the reciprocal, logarithmic and first-order differential transformations of the original hyperspectrum were carried out. According to the results of correlation analysis of three photosynthetic parameters and four spectra, the band whose significant level was better than 0.01 was selected as input variable, and then the partial least square (PLS), support vector machine (SVM), multivariate linear regression (MLR) and artificial neural network (ANN) were used to establish the inversion model of photosynthetic parameters of winter wheat leaves. Based on the determination coefficient (2) and root mean square error) of modeling and validation process, the simulation accuracy of different models was compared and analyzed.【Result】(1) The correlation analysis of the three photosynthetic parameters and four spectra showed that the sensitive spectral regions of the primitive, reciprocal and logarithmic spectra to the three photosynthetic parameters (Amax, Fv′/Fm′ and qp) were concentrated in the 400-750 nm spectrum range. The sensitive spectral regions of the first derivative spectrum to the three photosynthetic parameters were 470-560, 630-700 and 700-770 nm, respectively. (2) The optimal inversion model of Amax, Fv'/Fm' and qP was composed of MLR model based on reciprocal spectrum, MLR model based on first derivative spectrum and MLR model based on original spectrum, respectively. The2of the modeling was 0.75, 0.65 and 0.65, respectively, and the2of the validation was 0.73, 0.59 and 0.44, respectively. The results showed that the simulation of Amax and Fv'/Fm' based on hyperspectral method was feasible, the effectiveness of simulated qP needed further be verified. (3) The spectral performance of different transformations was different. Taking PLS simulation Amax as an example, the order of spectral performance was original spectrum > reciprocal spectrum > logarithmic spectrum > first derivative spectrum. (4) The estimation ability of different models was also different. Taking Amax simulation based on original spectrum as an example, the order of estimation ability of different models was MLR > PLS > ANN > SVM.【Conclusion】By comparing four spectra and four simulation methods, the hyperspectral inversion results of three photosynthetic parameters of winter wheat showed that Amax and Fv'/Fm' could be well simulated by hyperspectral method, but hyperspectral interpretation ability to qP was low and further study was needed. The hyperspectral information was sensitive to the photosynthetic parameters of winter wheat and affected by spectral types and simulation methods. It could be used to monitor the dynamic changes of photosynthetic capacity of winter wheat and to provide a basis for understanding the growth of crops.

photosynthetic parameters; partial least squares; support vector machine; multivariate linear regression; neural network; hyperspectral

10.3864/j.issn.0578-1752.2019.04.004

2018-09-25；

2018-12-20

国家重点研发计划（2018YFF0213602）、国家自然科学基金（41571323）和北京市农林科学院博士后基金

张卓，E-mail：cehuizhangzhuo@163.com。通信作者龙慧灵，E-mail：longhl@nercita.org.cn