林业科学  2014, Vol. 50 Issue (4): 55-59   PDF    
DOI: 10.11707/j.1001-7488.20140408
0

文章信息

李文敏, 魏虹, 李昌晓, 陈存根
Li Wenmin, Wei Hong, Li Changxiao, Chen Cungen
基于高光谱参数的枫杨叶绿素含量估算模型优化
Optimization of a Model for Estimating Pterocarya stenoptera Chlorophyll Concentration with Hyperspectral Parameters
林业科学, 2014, 50(4): 55-59
Scientia Silvae Sinicae, 2014, 50(4): 55-59.
DOI: 10.11707/j.1001-7488.20140408

文章历史

收稿日期：2013-04-24
修回日期：2013-06-13

作者相关文章

李文敏
魏虹
李昌晓
陈存根

引用本文
李文敏, 魏虹, 李昌晓, 陈存根. 2014. 基于高光谱参数的枫杨叶绿素含量估算模型优化[J]. 林业科学, 50(4): 55-59.
Li Wenmin, Wei Hong, Li Changxiao, Chen Cungen. 2014. Optimization of a Model for Estimating Pterocarya stenoptera Chlorophyll Concentration with Hyperspectral Parameters. Scientia Silvae Sinicae, 50(4): 55-59.  DOI: 10.11707/j.1001-7488.20140408
基于高光谱参数的枫杨叶绿素含量估算模型优化
李文敏1, 2, 魏虹3, 李昌晓3, 陈存根1, 2    
1. 西北农林科技大学林学院杨凌 712100;
2. 西北农林科技大学理学院杨凌 712100;
3. 西南大学生命科学学院重庆 400715
收稿日期：2013-04-24；修回日期：2013-06-13
基金项目：国家林业公益性行业科研专项(201004039)。
通讯作者：陈存根
摘要：采用ASD Fieldspec 光谱仪测定不同土壤水分条件下枫杨叶片高光谱反射率，并给出对应的枫杨叶绿素含量。研究不同土壤水分条件下枫杨幼苗叶片叶绿素含量的变化规律；综合分析9个常见光谱植被指数与枫杨叶片叶绿素含量的相关性与回归方程，利用主成分分析对光谱数据进行降维，将得到的主成分得分作为BP人工神经网络模型的输入变量进行枫杨叶片叶绿素含量的估算。结果表明：不同水分处理均显著影响枫杨幼苗叶绿素含量。在所列举的9个常用植被指数中，VOG1植被指数与叶绿素含量的关系最密切，相关系数R达到0.865。用主成分分析-BP神经网络模型进行叶绿素含量的估算，预测值与实测值之间的线性回归的相关系数R=0.934，是一种良好的植被叶绿素含量高光谱估算模式。
关键词： 高光谱    叶绿素含量    敏感光谱指数    主成分分析    BP神经网络    
Optimization of a Model for Estimating Pterocarya stenoptera Chlorophyll Concentration with Hyperspectral Parameters
Li Wenmin1, 2, Wei Hong3, Li Changxiao3, Chen Cungen1, 2     
1. College of Forestry, Northwest A&F University Yangling 712100;
2. College of Science, Northwest A&F University Yangling 712100;
3. School of Life Science, Southwest University Chongqing 400715
Abstract: In this study, hyperspectral reflectance of Pterocarya stenoptera leaves was measured with an ASD portable spectrometer under different soil water condition. The corresponding chlorophyll concentration was a lso measured. The effects of soil water condition on chlorophyll concentration of P. stenoptera are discussed. In order to estimate chlorophyll content and establish the best estimation model,, and the corresponding correlation coefficient and regression equation between 9 hyperspectral indices and chlorophyll concentration were established. The principal component analysis (PCA) was used to reduce the dimensions of data, while maintaining the data characteristic effectively. The principal component scores were used as the input variable of ANN-BP to estimate chlorophyll concentration. The results showed that different water treatments significantly affected the chlorophyll content of P. stenoptera seedlings. VOG1 had the closest relation to chlorophyll concentration out of the nine hyperspectral indices in this article and the corresponding correlation coefficient was 0.865. The ANN-BP based on PCA containing more band information was used to estimate chlorophyll content, and the correlation coefficient between the predicted and the measured P. stenoptera chlorophyll content was 0.934. Thus, the ANN-BP based on PCA in this article is a good method to be applied to hyperspectral data for estimating P. stenoptera chlorophyll concentration.
Key words: hyperspectrum    chlorophyll concentration    hyperspectral indexes    PCA    ANN-BP    

举世瞩目的三峡大坝建成以后，对原有植被和物种的生存环境产生了极大的影响; 同时，季节性的裸露和淹没、流水的反复冲刷、人类的频繁活动使三峡库区消落带成为生态脆弱区，严重影响三峡库区的安全、健康和可持续发展。研究表明筛选适生树种进行生态修复是一种行之有效的方式(王勇等，2005)，其中乡土树种在维持库区的生态环境、确保库岸生态系统生态功能的正常发挥等方面具有重要意义。作为我国亚热带地区的乡土树种———枫杨(Pterocarya stenoptera)是胡桃科(Jugl and aceae)枫杨属(Pterocarya)落叶速生乔木(彭镇华，2005)，常见于河岸带和消落带(徐有明等，2002)。有研究表明枫杨能够耐受较长时间的水淹胁迫，可以作为三峡库区库岸修复的备选物种(贾中民等，2009)，因此，研究枫杨在水淹胁迫下的生理特性及生长状况具有重要的理论和实践意义。由于叶绿素含量是光合作用能力和植被发育阶段(特别是衰老阶段)的指示剂(Minolta，1989)，同时也是反映植物生理功能、受害程度和其他矿质营养的重要指标(Strachan et al.，2002)。为了解枫杨在不同水分下的适应性，开展其在水淹胁迫下叶绿素含量的研究显得十分必要。

与传统的色素分析法需要破坏性取样，且在时间上和空间上难以满足实时、快速、无损、精确诊断的要求相比，近年来发展起来的高光谱遥感技术，可以实时、快速、无损地从叶片水平、群体水平以及生态系统等多个层面研究植物在各种环境条件下的生理生态变化，因而在植被研究方面具有巨大的应用价值和广阔的发展前景(杨哲海等，2003)，不少学者还开展了利用高光谱遥感进行树木叶片叶绿素含量估算的研究(刘秀英等，2011; 张永贺等，2013;宋晓东等，2008; 伍南等，2008)。大量研究表明，植被的生物物理、化学参数与光谱反射率之间的关系基本上是非线性的，而神经网络对非线性问题的拟合有着无可比拟的优势(Kokaly et al.，1999)，因此有部分研究者开始把神经网络引入到高光谱数据分析的叶绿素估算(Combal et al.，2003; Gong et al.，1999; 宋开山等，2006)中来。

目前对于枫杨的研究主要集中于其木材解剖学特征、水淹对枫杨生理生态的影响以及在水淹胁迫下枫杨叶片的高光谱反射率变化等方面(汪佑宏等，2003; 王振夏等，2013; 吕茜等，2010; 衣英华等，2006; 谢小红等，2011)，而对于在水淹胁迫下利用高光谱数据对枫杨幼苗叶片叶绿素含量估算的研究至今尚未见报道。本文应用主成分分析-BP神经网络模型反演枫杨叶绿素含量，并对比研究不同植被指数构建的回归模型与主成分分析-BP神经网络模型在反演枫杨叶绿素含量变化的精度，以相关系数和模型预测值与实测值的均方根误差(RMSE)作为模型的评价标准来寻找最优反演模型。

1 材料与方法 1.1 材料和地点

试验地点位于西南大学三峡库区生态环境教育部重点实验室试验基地(海拔249 m)，2010年3月播种，2010年6月选取长势一致的80株幼苗移栽入盆，每盆1株，进行常规田间管理，2010年7月23日，选取65盆长势一致的枫杨进行水分处理。

1.2 试验设计

将试验用苗随机分为3组，即对照组CK(不进行水淹，但保证正常供水)、T1(根部水淹-干旱)、T2(根部水淹)。CK 组保持常规管理，根部水淹处理为淹水至土壤表面5 cm。干旱处理通过Wescor水势仪对植株叶片进行检测(叶水势位置在-0.5 MPa)，并及时补充水分。试验从2010年7月23日开始，取样时间分别为0，12，24，36，48天，试验处理开始时取5株用于0天测量，以后每组每次取5株用于测量，每组重复测量5次。

1.3 叶片反射光谱的测定

采用便携式光谱仪FieldSpec 3 Hi-Res，在350～2 500 nm波长范围内进行连续测量，350～1 100 nm采样间隔为1.4 nm，1 000～2 500 nm 采样间隔为2 nm。350～1 100 nm 光谱分辨率为3 nm，1 000～1900 nm 光谱分辨率为8.5 nm，1 700～2 500 nm光谱分辨率为6.5 nm。利用叶片夹持器固定叶片，使用植被探头测定叶片光谱，每一植株选择顶端完全展开的3片叶进行测量，每一植株重复测量10次，以其平均值作为该植株叶片反射率，每一处理重复5次。

1.4 叶片叶绿素含量的测定

采用浸提法(高俊凤，2006)，对每一植株选择顶端完全展开的3片叶用岛津2550分光光度计测定浸提液的浓度，再依据公式将其转为含量(mg·g-1)，每一处理重复5次。

1.5 光谱指数

依据目前文献中比较能反映植物叶绿素含量的光谱指数，列举常见的光谱指数(表 1)。

表 1 常用的叶绿素敏感高光谱指数 Tab.1 Hyperspectral indices for estimating leaf chlorophyll concentrations
1.6 主成分分析-BP神经网络法

BP神经网络是最具代表性、使用最多、应用最广、发展最迅速的误差反向传播多层前馈式网络(back-propagation network，简称BP网络)，80%～90% 的模型都采用这种网络或它的变化形式(朱瑜馨等，2005)。在应用BP神经网络时，若将光谱仪生成的成百上千个采样数据直接输入BP神经网，即使建一个只含3层结点的网，其计算量之大目前微机难以承受，而且这样建成的模型会对输出产生“过拟合”，其预测的适应能力反而大大下降。如果舍弃其中一些因素，势必会造成某些有用信息的丢失。而主成分分析是利用降维思路，把多指标转化为少数几个综合指标的一种常用分析方法，既保留数据原有的绝大部分信息，又大大降低了数据的维数。因此，利用主成分分析法把所取得的高光谱数据进行降维，在保留有效的数据信息的条件下，以所得主成分的得分作为BP神经网络的输入数据，这样既保留了原有的信息，又大大降低了BP神经网络输入数据的维数。本文中以65株枫杨幼苗为研究对象，利用便携式光谱仪FieldSpec 3 Hi-Res 采集得到64组有效高光谱数据，其中对照组25组、根部水淹-干旱组20组、根部水淹组19组。

2结果与分析 2.1土壤水分处理对叶片叶绿素含量的影响

由表 2可知，随着处理时间的延长，T1，T2组叶绿素含量均显著低于对照。T1组叶绿素含量先下降后上升，在24天呈最低值1.93 mg·g-1，仅为对照的67.48%，在48天达最大值2.21 mg·g-1 ; T2组的变化趋势与T1组一致，在24天呈最低值2.07mg·g-1，仅为对照的72.38%。这可能是植物受到水淹胁迫后，各种生理过程受到干扰，造成膜系统结构破坏、有害代谢产物积累、蛋白质合成下降等后果，直接或间接地影响了叶绿素的含量。

表 2 不同土壤水分处理下枫杨叶片叶绿素总浓度的动态变化(平均值±标准误) Tab.2 Change of total chlorophyll concentration under different flooding-depths (mean ± SE)
2.2 枫杨叶片叶绿素含量的高光谱估算模型

以表 1所列举的常用叶绿素敏感光谱指数为自变量，枫杨叶片叶绿素含量为因变量，进行一元线性回归，所得的结果如表 3所示。以回归模型的相关系数(R)和预测值与实测值的均方根误差(RMSE)作为模型的评价标准。从表 3可知，以VOG1为自变量所得的回归模型的相关系数在这9个叶绿素敏感光谱指数中最大，为0.865，而相应的均方根误差为0.041 8，低于其余叶绿素敏感光谱指数的均方根误差。因此，以VOG1为自变量所得的回归模型来预测枫杨叶片叶绿素含量的效果为最好。

表 3 枫杨的叶片叶绿素含量(y)与光谱参数(x)的回归分析(n=64) Tab.3 The regression analysis between the hyperspectral indices and chlorophyll in leaves of P． stenoptera(n=64)
2.3 基于主成分分析-BP神经网络的叶绿素含量估算

在本研究中，利用Matlab 7.01对原始光谱350～2 500 nm 数据进行主成分分析，提取λ ＞ 1的作为主成分，共12个，累积贡献率达到99.70%。具体的贡献率见表 4，同时也给出相应主成分载荷矩阵(表 5)，进而求出每个样本各个主成分得分(表 6)。

表 4 主成分的贡献率 Tab.4 Contribution rate of the principal component
表 5 主成分载荷矩阵 Tab.5 Loading matrix of principal component

本研究的BP神经网络由Matlab 的NeuralNet2work Toolbox 提供，网络共有3层，依次为输入层、隐含层和输出层。将主成分得分(表 6)作为神经网络的输入层神经元，以相对应样本叶绿素含量为输出层神经元。根据Kolmogorov 定理，本研究设定网络的中间层神经元个数为11。隐含层的激活函数为tansig，输出层为purelin，网络的训练函数为traingd，网络的学习函数learngdm，网络的性能函数采用均方根误差性能函数rmse。

表 6 主成分得分矩阵 Tab.6 Score matrix of principal component

在所得到的64个枫杨在水淹胁迫下的叶绿素数据中随机选取40个数据作为BP神经网络训练样本的学习目标，将训练样本的主成分得分作为BP神经网络的输入数据，设置网络学习的精度为0.001，最大迭代次数为1 000。当网络训练完毕后，将所有样本的光谱数据作为输入矢量，进行模拟所得的预测值与实测值进行拟合，其结果如图 1所示。

图 1 枫杨幼苗叶片的叶绿素BP 神经网络的模拟值与实测值的效果 Fig. 1 Renderings of the simulation values by BP neural network and measured values of chlorophyll 实线表示实测值和模拟值完全一致时的直线。The solid line standsfor straight line when simulation values of chlorophyll is in accord withthe corresponding measured values．虚线表示测值与利用本文的方法得出的预测值的拟合直线。The dotted line stands for fitting linebetween measured values and simulation values．圆圈表示实测值与利用本文的方法得出的预测值的拟合效果。The circles stands forfitting effect between measured values and simulation values．

由图 1可知，用主成分分析-BP神经网络方法来拟合枫杨的叶绿素含量时，其预测值与实测值的一元线性回归模型的相关系数为0.934，其均方根误差为0.022 9。

3 结论

本文研究了在水淹胁迫下枫杨幼苗叶片叶绿素含量的估算模型，通过对9个叶绿素敏感光谱指数的回归分析和基于主成分分析-BP神经网络模拟，得出以下结论。

1)在所列举的9个常用叶绿素敏感光谱指数中，VOG1指数与枫杨幼苗叶绿素含量的线性回归模型最好，其相关系数达到0.865。所以在应用光谱敏感指数对枫杨幼苗的叶绿素含量进行反演时，应优先考虑这个叶绿素敏感光谱指数。

2)将主成分分析-BP神经网络应用到枫杨幼苗的叶绿素含量反演中，预测值与实测值之间的线性回归的相关系数为0.934，预测值与实测值均方根误差为0.022 9。相比较前面用叶绿素敏感光谱指数所得回归模型的结果，无论是回归的相关系数还是在所得预测值与实测值的均方根误差都是最好的，预测精度大大提高，达到了理想的效果。

参考文献(References)
[1] 高俊凤.2006.植物生理学实验指导.北京: 高等教育出版社, 74-77.(1)
[2] 贾中民, 魏虹, 田晓峰, 等.2009.长期水淹对枫杨幼苗光合生理和叶绿素荧光持性的影响.西南大学学报:自然科学版, 31(5):124-129.(1)
[3] 吕茜, 魏虹, 李昌晓.2010.土壤水分条件对枫杨幼苗光合生理的影响.西南大学学报, 32(3): 116-123.(1)
[4] 刘秀英, 熊建利, 林辉.2011.基于高光谱特征参数的樟树叶绿素含量的估算模型研究. 广东农业科学, (5): 1-4.(1)
[5] 彭镇华.2005.中国长江三峡植物大全(上卷).北京: 科学出版社, 861.(1)
[6] 宋开山, 张柏, 王宗明, 等.2006. 大豆叶绿素含量高光谱反演模型研究. 农业工程学报, 22(8): 16-21.(1)
[7] 宋晓东, 江洪, 余树全, 等.2008.亚热带典型常绿阔叶树种叶片叶绿素含量与其高光谱特征间的关系.生态学报, 28(5): 1959-1963.(1)
[8] 汪佑宏, 曹仁忠, 徐斌, 等.2003.水淹程度对滩地枫杨主要力学性质的影响.安徽农业大学学报, 31(2): 168-172.(1)
[9] 王勇, 刘义飞, 刘松柏, 等.2005.三峡库区消涨带植被重建.植物学通报, 22(5):513-522.(1)
[10] 王振夏, 魏虹, 吕茜, 等. 2013.枫杨幼苗对土壤水分"湿-干"交替变化的光合及叶绿素荧光响应. 生态学报, 33(3): 888-897.(1)
[11] 伍南, 刘君昂, 闫瑞坤. 2012.利用光谱特征参数估算病害胁迫下杉木叶绿素含量.植物保护, 38(4): 72-76.
[12] 谢小红, 魏虹, 李昌晓, 等. 2011.水淹胁迫下枫杨(Pterocarya stenoptera C.DC.)幼苗叶片高光谱特征的研究. 西南大学学报: 自然科学版, 33(4): 93-98.(1)
[13] 徐有明, 邹明宏, 史玉虎, 等.2002.枫杨的生物学特性及其资源利用的研究进展.东北林业大学学报, 30(3): 42-48.(1)
[14] 杨哲海, 韩建锋, 宫大鹏, 等.2003.高光谱遥感技术的发展与应用.海洋测绘, 23(6): 55-81.(1)
[15] 衣英华, 樊大勇, 谢宗强, 等.2006.模拟淹水对枫杨和栓皮栎气体交换、叶绿素荧光和水势的影响.植物生态学报, 30(6): 960-968.(1)
[16] 张永贺, 陈文惠, 郭乔影, 等. 2013.桉树叶片光合色素含量高光谱估算模型. 生态学报, 33(3): 876-887.(1)
[17] 朱瑜馨, 张锦宗, 赵军. 2005.基于人工神经网络的森林资源预测模型研究. 干旱区资源与环境, 19(1): 101-104.(1)
[18] Blackburn G A. 1998. Quantifying chlorophylls and carotenoids at leaf and canopy scales: An evaluation of some hyperspectral approaches. Remote Sensing of Environment, 66(3): 273-285.(1)
[19] Combal B, Baret F, Weiss M, et al.2003. Retrieval of canopy biophysical variables from bi-directional reflectance: using prior information to solve the ill-posed inverse problem. Remote Sensing of Environment, 84(1): 1-15.(1)
[20] Gitelson A A, Kaufman Y J, Merzlyak M N. 1996a. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3): 289-298.(1)
[21] Gitelson A A, Merzlyak M N. 1996b. Signature analysis of leaf reflectance spectra: Algorithm development for remote sensing. Journal of Plant Physiology. 148(3/4): 494-500.(1)
[22] Gitelson A A, Merzlyak M N. 1997. Remote estimation of chlorophyll content in higher plant leaves. Internal Journal of Remote Sensing, 18(12): 2691-2697.(1)
[23] Gong P, Wang, D X, Liang S. 1999. Inverting a canopy reflectance model suing a neural network. International Journal of Remote Sensing, 20(1): 111-122.(1)
[24] Kokaly R F, Clark R N. 1999. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 67(3): 267-287.(1)
[25] Minolta C. 1989. Chlorophyll SPAD-502 instruction manual. Osaka, Japan: Radiometric Instruments Operation, 17-21.(1)
[26] Peñuelas J, Filella I, Lloret P, et al. 1995. Reflectance assessment of mite effects on apple trees. International Journal of Remote Sensing, 16(14): 2727-2733.(1)
[27] Peñuelas J, Gamon J, Fredeen A L, et al. 1994. Reflectance indices associated with physiological changes in nitrogen and water-limited sunflower leaves. Remote Sensing of Environment, 48(2): 135-146.(1)
[28] Strachan I B, Pattey P, Boisvert J B.2002.Impact of nitrogen and environmental conditions on corn as detected by hyper spectral reflectance. Remote Sensing of Environment, 80(2): 213-224.(1)
[29] Vogelmann J E, Rock B N, Moss D M. 1993. Red-edge spectral measurement from sugar maple leaves. Internal Journal of Remote Sensing, 14(8): 1563-1575.(1)
[30] Zarco-Tejada P J, Miller J R, Noland T L, et al.2001. Scaling-up and model inversion methods with narrow-band optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1491-1507.(1)