无人机高光谱数据的辣椒SPAD值反演

doi:10.16178/j.issn.0528-9017.20230980

浙江农业科学 ›› 2024, Vol. 65 ›› Issue (10): 2323-2337.DOI: 10.16178/j.issn.0528-9017.20230980

无人机高光谱数据的辣椒SPAD值反演

王宇¹(), 杨坤²^,^*(), 饶维冬¹, 冯第飞¹, 汪泓³, 肖玖军⁴, 张胜国¹

1.中国电建集团贵阳勘测设计研究院有限公司,贵州贵阳 550081
2.贵州省测绘资料档案馆,贵州贵阳 550004
3.贵州大学矿业学院,贵州贵阳 550025
4.贵州科学院山地资源研究所,贵州贵阳 550001

收稿日期:2023-10-08 出版日期:2024-10-11 发布日期:2024-10-25
通讯作者: 杨坤(1974—),男,正高级工程师,硕士,主要从事地理信息应用与卫星遥感技术应用,E-mail:413135739@qq.com。
作者简介:王宇(1998—),女,助理工程师,硕士,主要从事农业摄影测量研究,E-mail:2029807592@qq.com。
基金资助:
国家重点研发计划(2017YFD0101702);贵州省科技支撑计划(黔科合支撑〔2020〕1Y172号);贵州省科技支撑计划(黔科合支撑〔2021〕1Y173号);贵州省科技支撑计划(黔科合支撑〔2021〕一般496号);遥感大数据智能挖掘与应用服务关键技术研究(黔科合重大专项〔2022〕001)

Inversion of pepper SPAD values from UAV hyperspectral data

WANG Yu¹(), YANG Kun²^,^*(), RAO Weidong¹, FENG Difei¹, WANG Hong³, XIAO Jiujun⁴, ZHANG Shengguo¹

1. China Power Construction Group Guiyang Survey and Design Research Institute Co., Ltd., Guiyang 550081, Guizhou
2. Guizhou Provincial Surveying and Mapping Data Archives, Guizhou 550004, Guiyang
3. School of Mining, Guizhou University, Guiyang 550025, Guizhou
4. Institute of Mountain Resources, Guizhou Academy of Sciences, Guiyang 550001, Guizhou

Received:2023-10-08 Online:2024-10-11 Published:2024-10-25

摘要/Abstract

摘要：

为了建立更加稳定、预测能力更强的辣椒叶绿素含量反演模型,该研究基于无人机高光谱数据和实测叶绿素相对含量(SPAD值),分别利用原始光谱及其他变换光谱与SPAD值进行相关性分析,用最大相关系数法(MCC)选取相关性较好的特征波段生成特征波段数据集,再用遗传算法-偏最小二乘法(GAPLS)进行降维得到最优特征波段组合,采用偏最小二乘法(PLSR)、反向传播神经网络(BPNN)、随机森林(RF)、最小二乘支持向量机(LSSVM)和遗传算法优化的最小二乘支持向量机(GA-LSSVM)5种机器学习算法构建辣椒叶绿素含量反演模型。结果表明:辣椒叶片SPAD值与高光谱反射率成反比;辣椒叶绿素的敏感波段主要集中在400~700 nm;经过一阶微分处理后的光谱与SPAD值相关性最好,671 nm波长下一阶微分光谱与叶绿素含量呈最大负相关,相关系数为-0.69;基于倒数对数光谱建立的模型普遍精度较高;模型中表现最好的为基于微分光谱搭建的GA-LSSVM模型,其决定系数(R²)、均方根误差(RMSE)和相对分析误差(RPD)值分别为0.84、1.41、2.24,其次是基于倒数对数光谱的RF模型,其R²、RMSE和RPD值分别为0.83、1.57、2.13。

关键词: 辣椒, 叶绿素, 冠层叶片, 无人机高光谱, 组合算法

Abstract:

In order to establish a more stable and predictive inversion model of chlorophyll content in pepper, this study analyzed the correlation between the original spectrum and other transformation spectra and the chlorophyll relative content (SPAD value) based on the UAV hyperspectral data and SPAD value. The maximum correlation coefficient method (MCC) was used to select the feature bands with good correlation to generate the feature band dataset, and then the genetic algorithm-partial least squares method (GAPLS) was used to reduce the dimension to obtain the optimal feature band combination. Five machine learning algorithms, namely partial least squares (PLSR), backpropagation neural network (BPNN), random forest (RF), least squares support vector machine (LSSVM) and genetic algorithm optimized least squares support vector machine (GA-LSSVM), were used to construct a chlorophyll content inversion model of pepper. The results showed that the SPAD value of pepper leaves was inversely proportional to the hyperspectral reflectance. The sensitive band of chlorophyll in pepper was mainly concentrated in 400~700 nm. The first-order differential spectra had the best correlation with the SPAD value, and the second-order differential spectra at 671 nm wavelength had the largest negative correlation with chlorophyll content, with a correlation coefficient of -0.69. The models based on reciprocal logarithmic spectra generally had high accuracy. The best performance of the model was the GA-LSSVM model based on differential spectroscopy, with the coefficient of determination (R²), root mean square error (RMSE) and relative analysis error (RPD) values of 0.84, 1.41 and 2.24, respectively, followed by the RF model based on reciprocal logarithmic spectroscopy, with R², RMSE and RPD values of 0.83, 1.57 and 2.13, respectively.

Key words: pepper, chlorophyll, canopy leaf, UAV hyperspectral, combined algorithm

中图分类号:

S641.3

王宇, 杨坤, 饶维冬, 冯第飞, 汪泓, 肖玖军, 张胜国. 无人机高光谱数据的辣椒SPAD值反演[J]. 浙江农业科学, 2024, 65(10): 2323-2337.

WANG Yu, YANG Kun, RAO Weidong, FENG Difei, WANG Hong, XIAO Jiujun, ZHANG Shengguo. Inversion of pepper SPAD values from UAV hyperspectral data[J]. Journal of Zhejiang Agricultural Sciences, 2024, 65(10): 2323-2337.

图/表 31

图1 不同SPAD值对应的光谱反射率

Fig.1 Spectral reflectance corresponding to different SPAD values

图2 原始光谱与SPAD值的相关系数

Fig.2 Correlation coefficient between original spectrum and SPAD value

图3 倒数对数光谱与SPAD值的相关系数

Fig.3 Correlation coefficient between reciprocal logarithmic spectrum and SPAD value

图4 MSC光谱与SPAD值的相关系数

Fig.4 Correlation coefficient between MSC spectra and SPAD values

图5 连续统去除光谱与SPAD值的相关系数

Fig.5 Correlation coefficient between continuum removal spectrum and SPAD value

图6 一阶微分光谱与SPAD值的相关系数

Fig.6 Correlation coefficient between first order differential spectrum and SPAD value

表1 基于原始光谱的贡献率及RMSECV表

Table 1 Contribution rate and RMSECV table based on the original spectrum

选择变量数	主成分数	贡献率/%	RMSECV
1	1	94.75	0.172 9
2	2	97.82	0.213 4
3	2	99.75	0.018 7
4	4	99.82	0.001 3
5	4	99.81	0.001 4
…	…	…	…

表2 基于原始光谱的筛选波段与其对应选用频次顺序表

Table 2 The frequency sequence of selected bands based on the original spectrum

排序	波段	被选用频次
1	20	100
2	4	51
3	1	46
4	2	45
…	…	…

图7 倒数对数光谱波段被选用频次

Fig.7 The frequency of the reciprocal logarithmic spectral band

表3 基于倒数对数光谱的贡献率及RMSECV表

Table 3 Contribution rate and RMSECV table based on reciprocal logarithmic spectra

选择变量数	主成分数	贡献率/%	RMSECV
1	1	91.75	0.256 2
2	2	93.82	0.167 1
4	3	99.77	0.001 6
6	5	99.85	0.001 2
7	5	99.73	0.002 1
…	…	…	…

表4 基于倒数对数光谱的筛选波段与其对应选用频次顺序表

Table 4 Screening bands based on reciprocal logarithmic spectra and their corresponding selection frequency sequences

排序	波段	被选用频次
1	19	82
2	3	52
3	5	41
4	4	40
5	6	39
6	8	39
…	…	…

图8 倒数对数光谱波段被选用频次

Fig.8 The frequency of reciprocal logarithmic spectral bands

表5 基于多元散射矫正光谱贡献率及RMSECV表

Table 5 Contribution rate and RMSECV based on multivariate scattering correction spectra

选择变量数	主成分数	贡献率/%	RMSECV
1	1	93.35	0.372 7
2	2	95.74	0.187 2
3	2	99.29	0.073 1
4	4	99.93	0.006 8
5	4	99.82	0.007 1
…	…	…	…

表6 基于多元散射矫正光谱筛选波段与其对应选用频次顺序表

Table 6 Screening bands based on multivariate scattering correction spectra and their corresponding selection frequency sequence

排序	波段	被选用频次
1	20	79
2	4	52
3	3	48
4	6	41
…	…	…

图9 多元散射校正光谱波段被选用频次

Fig.9 The frequency of multivariate scattering correction spectral bands

表7 基于连续统去除光谱贡献率及RMSECV表

Table 7 Contribution rate and RMSECV table based on remove envelope spectrum

选择变量数	主成分数	贡献率/%	RMSECV
1	1	84.45	0.342 3
2	2	91.45	0.135 6
3	3	98.54	0.021 2
5	3	98.34	0.024 5
…	…	…	…

表8 基于连续统去除光谱筛选波段与其对应选用频次顺序表

Table 8 The sequence of bands screened based on remove envelope spectrum and their corresponding selection frequencies

排序	波段	被选用频次
1	20	77
2	15	58
3	19	58
…	…	…

图10 连续统去除光谱波段被选用频次图

Fig.10 Frequency diagram of the selection of spectral bands for remove envelope spectrum

表9 基于一阶微分光谱贡献率及RMSECV表

Table 9 Contribution rate and RMSECV table based on first-order differential spectroscopy

选择变量数	主成分数	贡献率/%	RMSECV
1	1	68.18	0.559 8
4	3	99.29	0.124 8
5	4	99.56	0.010 7
7	4	99.86	0.010 6
8	4	99.67	0.010 8
…	…	…	…

表10 基于一阶微分光谱筛选波段与其对应选用频次顺序表

Table 10 The screening bands based on the first-order differential spectroscopy and the corresponding frequency sequence

排序	波段	被选用频次/次
1	2	94
2	12	53
3	13	41
4	14	37
5	3	36
6	4	35
7	15	26
…	…	…

图11 一阶微分光谱波段被选用频次图

Fig.11 Frequency diagram of the selection of the first-order differential spectral band

表11 基于PLSR的SPAD值反演模型

Table 11 SPAD value inversion model based on PLSR

参数	建模集			验证集
参数	R²	RMSE	RPD	R²	RMSE	RPD
R	0.44	6.37	1.35	0.48	2.28	1.39
lg(1/R)	0.63	5.20	1.65	0.66	1.80	1.76
M(R)	0.54	5.94	1.44	0.48	2.26	1.40
RE	0.56	6.03	1.42	0.54	2.49	1.27
R'	0.69	4.74	1.81	0.71	2.22	1.42

图12 PLSR预测模型的SPAD值拟合分析图

Fig.12 Fitting analysis of SPAD values for PLSR prediction model

表12 基于RF的SPAD值反演模型

Table 12 SPAD value inversion model based on RF

参数	建模集			验证集
参数	R²	RMSE	RPD	R²	RMSE	RPD
R	0.53	6.14	1.40	0.58	2.51	1.26
lg(1/R)	0.81	4.21	2.04	0.83	1.57	2.13
M(R)	0.60	6.05	1.42	0.59	2.22	1.43
RE	0.67	5.16	1.66	0.64	2.57	1.23
R'	0.68	4.97	1.73	0.70	2.55	1.24

图13 RF预测模型的SPAD值拟合分析图

Fig.13 Fitting analysis of SPAD values for RF prediction model

表13 基于BPNN的SPAD值反演模型

Table 13 SPAD value inversion model based on BPNN

参数	建模集			验证集
参数	R²	RMSE	RPD	R²	RMSE2	RPD
R	0.41	6.52	1.32	0.46	2.35	1.36
lg(1/R)	0.71	4.78	1.78	0.77	1.67	1.90
M(R)	0.64	5.27	1.63	0.46	2.63	1.20
RE	0.70	4.71	1.82	0.79	1.54	2.05
R'	0.74	4.34	1.98	0.57	2.12	1.49

图14 BPNN预测模型的SPAD值拟合分析图

Fig.14 Fitting analysis of SPAD values for BPNN prediction model

表14 基于LSSVM的SPAD值反演模型

Table 14 SPAD value inversion model based on LSSVM

参数	建模集			验证集
参数	R²	RMSE	RPD	R²	RMSE	RPD
R	0.51	5.98	1.43	0.36	2.77	1.14
lg(1/R)	0.74	4.63	1.85	0.68	1.85	1.71
M(R)	0.70	5.27	1.63	0.61	2.02	1.57
RE	0.60	5.48	1.57	0.49	2.40	1.32
R'	0.72	4.63	1.85	0.71	2.58	1.23

图15 LSSVM预测模型的SPAD值拟合分析图

Fig.15 SPAD value fitting analysis of LSSVM prediction model

表15 基于GA-LSSVM的SPAD值反演模型

Table 15 SPAD value inversion model based on GA-LSSVM

参数	建模集			验证集
参数	R²	RMSE	RPD	R²	RMSE	RPD
R	0.59	5.82	1.47	0.52	2.36	1.34
lg(1/R)	0.70	4.73	1.81	0.77	1.67	1.89
M(R)	0.58	5.90	1.45	0.66	1.90	1.66
RE	0.58	5.72	1.50	0.56	2.47	1.28
R'	0.81	3.57	2.40	0.84	1.41	2.24

图16 GA-LSSVM预测模型的SPAD值拟合分析图

Fig.16 SPAD value fitting analysis of GA-LSSVM prediction model

参考文献 32

[1]	张沛健, 尚秀华, 吴志华. 基于图像处理技术的5种红树林叶片形态特征及叶绿素相对含量的估测[J]. 热带作物学报, 2020, 41(3): 496-503.
[2]	JANG S, HWANG Y, LEE H J, et al. Selecting significant wavelengths to predict chlorophyll content of grafted cucumber seedlings using hyperspectral images[J]. Journal of Remote Sensing, 2018, 34: 681-692.
[3]	陈澜, 常庆瑞, 高一帆, 等. 猕猴桃叶片叶绿素含量高光谱估算模型研究[J]. 西北农林科技大学学报(自然科学版), 2020, 48(6): 79-89, 98.
[4]	马春艳, 王艺琳, 翟丽婷, 等. 冬小麦不同叶位叶片的叶绿素含量高光谱估算模型[J]. 农业机械学报, 2022, 53(6): 217-225, 358.
[5]	徐若涵, 杨再强, 申梦吟, 等. 苗期低温胁迫对 “红颜” 草莓叶绿素含量及冠层高光谱的影响[J]. 中国农业气象, 2022, 43(2): 148-158.
[6]	冯海宽, 陶惠林, 赵钰, 等. 利用无人机高光谱估算冬小麦叶绿素含量[J]. 光谱学与光谱分析, 2022, 42(11): 3575-3580.
[7]	李宗飞, 苏继霞, 费聪, 等. 基于高光谱数据的滴灌甜菜叶片全氮含量估算[J]. 作物学报, 2020, 46(4): 557-570.
[8]	GITELSON A A, GRITZ Y, MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003, 160(3): 271-282.
[9]	吕晓, 战莘晔, 于海秋, 等. 花生冠层APAR和FAPAR高光谱遥感估测模型研究[J]. 中国油料作物学报, 2020, 42(5): 878-887.
[10]	童庆禧, 张兵, 郑兰芬. 高光谱遥感: 原理、技术与应用[M]. 北京: 高等教育出版社, 2006.
[11]	翁海勇. 基于光学成像技术的柑橘黄龙病快速检测方法研究[D]. 杭州: 浙江大学, 2019.
[12]	刘燕德, 张光伟, 蔡丽君. 基于高光谱的GA和SPA算法对赣南脐橙叶绿素定量分析[J]. 光谱学与光谱分析, 2012, 32(12): 3377.
[13]	尼格拉·吐尔逊, 苏磊·乃比, 高健, 等. GWLS-SVR模型的红枣树叶片叶绿素含量估算[J]. 光谱学与光谱分析, 2021, 41(6): 1730-1736.
[14]	DARVISHZADEH R, SKIDMORE A, SCHLERF M, et al. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(4): 409-426.
[15]	刘涛, 张寰, 王志业, 等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量[J]. 农业工程学报, 2021, 37(19): 65-72.
[16]	NAUŠ J, PROKOPOVÁ J, REBÍČEK J, et al. SPAD chlorophyll meter reading can be pronouncedly affected by chloroplast movement[J]. Photosynthesis Research, 2010, 105(3): 265-271.
[17]	付波霖, 邓良超, 张丽, 等. 联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演[J]. 遥感学报, 2022, 26(6): 1182-1205.
[18]	李胜, 张培林, 李兵, 等. 量子GA-PLS特征选择算法及其应用[J]. 量子电子学报, 2014, 31(2): 194.
[19]	JIA W K, ZHAO D A, DING L. An optimized RBF neural network algorithm based on partial least squares and genetic algorithm for classification of small sample[J]. Applied Soft Computing, 2016, 48: 373-384.
[20]	SONG K S, LI L, LI S, et al. Hyperspectral retrieval of phycocyanin in potable water sources using genetic algorithm-partial least squares (GA-PLS) modeling[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 368-385.
[21]	纪文君. 基于野外vis-NIR高光谱的土壤属性预测及田间水分影响去除研究[D]. 杭州: 浙江大学, 2014.
[22]	彭晓伟, 张爱军, 杨晓楠, 等. 谷子叶绿素含量高光谱特征分析及其反演模型构建[J]. 干旱地区农业研究, 2022, 40(2): 69-77.
[23]	ZHOU W, YANG H, XIE L J, et al. Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model[J]. CATENA, 2021, 202: 105222.
[24]	郭云开, 许敏, 张晓炯, 等. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020(3): 21-24.
[25]	SHAO Y H, LI C N, HUANG L W, et al. Joint sample and feature selection via sparse primal and dual LSSVM[J]. Knowledge-Based Systems, 2019, 185: 104915.
[26]	王国辉, 张宝栋, 李向荣. 基于遗传算法的BP神经网络火炮身管烧蚀磨损量预测[J]. 火炮发射与控制学报, 2019, 40(4): 6-10, 15.
[27]	CHANG C W, LAIRD D A, MAUSBACH M J, et al. Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties[J]. Soil Science Society of America Journal, 2001, 65(2): 480-490.
[28]	罗靖, 杨再强, 杨立, 等. 基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型[J]. 中国农业气象, 2022, 43(10): 832-845.
[29]	方慧, 宋海燕, 曹芳, 等. 油菜叶片的光谱特征与叶绿素含量之间的关系研究[J]. 光谱学与光谱分析, 2007, 27(9): 1731-1734.
[30]	蔡建楠, 刘海龙, 姜波, 等. 基于GA-PLS算法的河网水体化学需氧量高光谱反演[J]. 灌溉排水学报, 2020, 39(9): 126-131.
[31]	WANG C, FENG M C, YANG W D, et al. Extraction of sensitive bands for monitoring the winter wheat (Triticum aestivum) growth status and yields based on the spectral reflectance[J]. PLoS One, 2017, 12(1): e0167679.
[32]	张严, 赵忠盖, 刘飞. 黄酒总酚含量检测: 一种基于GA-LSSVM的近红外光谱波段选择方法[J]. 红外技术, 2015, 37(7): 613-617.

无人机高光谱数据的辣椒SPAD值反演

Inversion of pepper SPAD values from UAV hyperspectral data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 31

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价

[1]	陆秀琴, 杨爽, 刘伟, 文西强. 减氮配施液体牛粪对辣椒生长、产量及品质的影响[J]. 浙江农业科学, 2024, 65(5): 1051-1055.
[2]	方萍萍, 张婷, 韦静, 王雪艳, 李朝森, 刘慧琴, 万红建, 郭勤卫. 64份白辣椒种质资源的遗传多样性分析[J]. 浙江农业科学, 2024, 65(5): 1056-1063.
[3]	王勇, 向媛, 许微. 不同浓度磷对地枇杷生长及其锑吸收分布的影响[J]. 浙江农业科学, 2024, 65(3): 592-599.
[4]	杨小苗, 张世才, 李怡斐, 段敏杰, 王春萍, 黄启中, 黄任中. 我国机采辣椒机械和育种现状研究进展[J]. 浙江农业科学, 2024, 65(10): 2311-2315.
[5]	赵博, 裘劼人, 柴伟国. 7种独蒜兰属植物光合特性比较研究[J]. 浙江农业科学, 2023, 64(9): 2210-2213.
[6]	孙勰, 姜春月, 陆芳, 李月明, 沈思言. 脲酶或硝化抑制剂在线椒施肥减量中的应用效果[J]. 浙江农业科学, 2023, 64(7): 1644-1647.
[7]	史伟, 张丽霞, 高晓静, 王珊珊, 杨帆, 王琦, 郭晓霞, 苏文斌. 微生态制剂对辣椒促生防病作用及土壤酶活性的影响[J]. 浙江农业科学, 2023, 64(7): 1749-1752.
[8]	郑佳秋, 万红建, 王薇薇, 刁卫平, 吴永成, 祖艳侠, 刘哲, 张丽娜, 梅燚. 辣椒品种耐盐鉴定方法研究及耐盐性比较[J]. 浙江农业科学, 2023, 64(5): 1177-1180.
[9]	王振军, 李梦姣, 王泽, 董彦琪, 郭振营, 郭志刚, 雷晓天. Fe-EDTA与柠檬酸钼混用对花生根系活力、叶绿素含量及产量指标的影响[J]. 浙江农业科学, 2023, 64(3): 603-606.
[10]	赵战马, 徐晞晟, 池委洪, 吕佳, 蒲占湑. 设施栽培条件下异色瓢虫对辣椒桃蚜防控效果研究[J]. 浙江农业科学, 2023, 64(11): 2734-2737.
[11]	程菊芬, 谢传奇, 徐杏, 周昕, 丁林豪, 周卫东. 辣椒秸秆粉对獭兔生长性能、养分消化率及皮张质量的影响[J]. 浙江农业科学, 2023, 64(10): 2544-2548.
[12]	李朝森, 张婷, 刘慧琴, 郭勤卫, 项小敏, 王雪艳, 韦静, 赵东风. 单株坐果数和坐果节位对衢椒5号种子质量及产量的影响[J]. 浙江农业科学, 2023, 64(1): 68-70.
[13]	刘慧琴, 李朝森, 郭勤卫, 张婷, 项小敏, 章心惠, 赵东风, 王雪艳. 鲜辣型辣椒新品种衢椒3号的选育[J]. 浙江农业科学, 2022, 63(9): 2021-2023.
[14]	周星, 陈洁, 陈许兵, 金何玉, 王升. 缓释肥在扬麦23小麦上的应用[J]. 浙江农业科学, 2022, 63(6): 1188-1191.
[15]	曹春信, 刘新华, 王东飞, 鄢继琼, 张伟春. 高辣度辣椒品种金辣1号的选育及应用[J]. 浙江农业科学, 2022, 63(5): 1004-1005.