«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第46卷

期数:

2018年第17期

页码:

224-230

栏目:

农业工程与信息技术

出版日期:

2018-09-05

文章信息/Info

Title:

Comparison of hyperspectral estimation methods for chlorophyll contents of apple based on multiple linear regression and random forest

作者:

裴浩杰¹; 2; 3; 4;  冯海宽²; 3; 4;  李长春¹;  李振海²; 3; 4;  杨贵军²; 3; 4;  王衍安⁵;  郭建华²; 3; 4

1.河南理工大学测绘与国土信息工程学院，河南焦作 454000； 2.国家农业信息化工程技术研究中心，北京 100097； 3.农业部农业信息技术
重点实验室，北京 100097； 4.北京市农业物联网工程技术研究中心，北京 100097； 5.山东农业大学生命科学学院，山东泰安 271018

Author(s):

Pei Haojie; et al

关键词:

苹果叶片; 高光谱; 叶绿素; MLR; RF

Keywords:

-

分类号:

S127

DOI:

-

文献标志码:

A

摘要:

叶绿素含量是果树营养胁迫和光合作用等生理状态的良好指示剂。为快速准确地估测苹果叶片叶绿素含量，利用采集的苹果叶片光谱和叶片叶绿素含量数据，通过分析原始光谱与叶绿素含量的相关性，筛选出554、708、995 nm 3个最佳敏感波段，构建基于原始光谱敏感波段的多元线性回归(multivariable linear regression，简称MLR)模型和随机森林(random forest，简称RF)模型，用于叶绿素含量估测；使用相关系数绝对值(absolute value of correlation coefficient，简称｜r｜)和RF的袋外数据(out of bag，简称OOB)重要性分别对植被指数与叶片叶绿素含量的关联性进行分析，筛选植被指数，然后使用MLR和RF算法构建模型，依次增加植被指数的输入数，筛选出10个植被指数的MLR最优模型和5个植被指数的RF最优模型；比较上述4个模型的估测精度。基于原始光谱的MLR模型和RF模型以及基于植被指数的MLR最优模型和RF最优模型建模的R²分别为0.578、0.527，0.602、0.609，RMSE分别为8.240、8.728，8.004、7.930 μg/cm²，4个模型建模精度相近。在模型验证方面，4个模型的R²分别为0.899、0.411、0.854、0843，RMSE分别为8.297、14.455、11.242、11.034 μg/cm²。基于原始光谱的MLR模型的叶绿素含量估测精度高于其他3个模型，能够精确地估测苹果叶片叶绿素含量。另外，基于植被指数的MLR模型和RF模型对苹果叶片叶绿素含量估测也具有一定的应用潜力。

Abstract:

-

参考文献/References:

［1］蒋金豹，陈云浩，黄文江. 用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度［J］. 光谱学与光谱分析，2010，30(8)：2243-2247.
［2］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)：188-191.
［3］Mark S，Anatoly G，Donald C R. Nondestructive estimation of leaf chlorophyll content in grapes［J］. American Journal of Enology & Viticulture，2008，59(3)：299-305.
［4］张瑶，郑立华，李民赞，等. 基于光谱特征分析的苹果树叶片营养素预测模型构建［J］. 农业工程学报，2013(8)：171-178.
［5］李敏夏. 苹果叶片光谱反射率与叶绿素和全氮含量的相关研究［D］. 杨凌：西北农林科技大学，2009.
［6］李萍. 基于光谱分析的库尔勒香梨叶片全氮、全磷含量估测模型建立［D］. 乌鲁木齐：新疆农业大学，2013.
［7］张蕾蕾. 苹果幼树叶片叶绿素与水分含量的高光谱估测研究［D］. 泰安：山东农业大学，2013.
［8］王丽爱，周旭东，朱新开，等. 基于HJ-CCD数据和随机森林算法的小麦叶面积指数反演［J］. 农业工程学报，2016(3)：149-154.
［9］李粉玲，王力，刘京，等. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算［J］. 农业机械学报，2015，46(9)：273-281.
［10］王丽爱，马昌，周旭东，等. 基于随机森林回归算法的小麦叶片SPAD值遥感估算［J］. 农业机械学报，2015，46(1)：259-265.
［11］韩兆迎，朱西存，房贤一，等. 基于SVM与RF的苹果树冠LAI高光谱估测［J］. 光谱学与光谱分析，2016，36(3)：800-805.
［12］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［J］. 农业工程学报，2016(18)：175-182.
［13］Lichtenthaler H K. Chlorophylls and carotenoids：pigments of photosynthetic biomembranes［J］. Methods in Enzymology，1987，148：350-382.
［14］Peuelas J，Gamon J A，Fredeen A L，et al. Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves［J］. Remote Sensing of Environment，1994，48(2)：135-146.
［15］Peuelas J，Filella I，Lloret P，et al. Reflectance assessment of mite effects on apple trees［J］. International Journal of Remote Sensing，1995，16(14)：2727-2733.
［16］Daughtry C S T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74(2)：229-239.
［17］Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］. Remote Sensing of Environment，2004，90(3)：337-352.
［18］Haboudane D，Miller J R，Tremblay N，et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture［J］. Remote Sensing of Environment，2002，81(2)：416-426.
［19］Dash J，Curran P J. The MERIS terrestrial chlorophyll index［J］. International Journal of Remote Sensing，2004，25(23)：5403-5413.
［20］Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages［J］. Remote Sensing of Environment，2002，81(2/3)：337-354.
［21］Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sensing of Environment，1979，8(2)：127-150.
［22］Gitelson A A，Merzlyak M N，Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves［J］. Photochemistry and Photobiology，2001，74(1)：38-45.
［23］Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］. Remote Sensing of Environment，1995，51(3)：375-384.
［24］Qi J，Chehbouni A，Huete A R，et al. A modified soil adjusted vegetation index［J］. Remote Sensing of Environment，1994，48(2)：119-126.
［25］Horler D N H，Dockray M，Barber J. The red edge of plant leaf reflectance［J］. International Journal of Remote Sensing，1983，4(2)：273-288.
［26］Vincini M，Frazzi E，DAlessio P. Narrow-band vegetation indexes from hyperion and directional chris/proba data for canopy chlorophyll density［C］//Envisat Symposium 2007.Montr eux，Switzerland，2007.
［27］Gitelson A A，Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves［J］. International Journal of Remote Sensing，1997，18(12)：2691-2697.
［28］Vogelmann J E，Rock B N，Moss D M. Red edge spectral measurements from sugar maple leaves［J］. International Journal of Remote Sensing，1993，14(8)：1563-1575.
［29］Zarco-Tejada P J，Miller J R，Noland T L，et al. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data［J］. IEEE Transactions on Geoscience & Remote Sensing，2001，39(7)：1491-1507.
［30］Mahlein A K，Steiner U，Dehne H W，et al. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases［J］. Precision Agriculture，2010，11(4)：413-431.
［31］Zarco-Tejada P J，Pushnik J C，Dobrowski S，et al. Steady-state chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects［J］. Remote Sensing of Environment，2003，84(2)：283-294.
［32］Kim M S，Daughtry C T，Chapelle E W. The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation(Apar.)［C］//Proceedingsof the Sixth Symposium on Physical Measurements and Signatures in Remote Sensing.Val DIsure，France，1994：299.
［33］Chen P F，Haboudane D，Tremblay N，et al. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat［J］. Remote Sensing of Environment，2010，114(9)：1987-1997.
［34］Jin X，Li Z，Feng H，et al. Newly combined spectral indices to improve estimation of total leaf chlorophyll content in cotton［J］. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2014，7(1)：4589-4600.
［35］Breiman L. Random forests［J］. Machine Learning，2001，45(1)：5-32.
［36］Breiman L. Bagging predictors［J］. Machine Learning，1996，24(2)：123-140.
［37］王惠文，孟洁. 多元线性回归的预测建模方法［J］. 北京航空航天大学学报，2007，33(4)：500-504.
［38］李旭青，刘湘南，刘美玲，等. 水稻冠层氮素含量光谱反演的随机森林算法及区域应用［J］. 遥感学报，2014，18(4)：923-945.
［39］Verikas A，Gelzinis A，Bacauskiene M. Mining data with random forests：a survey and results of new tests［J］. Pattern Recognition，2011，44(2)：330-349.

相似文献/References:

[1]赵文,刘国顺,贾方方,等.烤烟烟碱含量的高光谱预测模型[J].江苏农业科学,2014,42(03):275.
　Zhao Wen,et al.Hyperspectral prediction model of nicotine content in flue-cured tobacco[J].Jiangsu Agricultural Sciences,2014,42(17):275.
[2]孙俊,金夏明,毛罕平,等.基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究[J].江苏农业科学,2014,42(05):227.
　Sun Jun,et al.Study on detection of hyperspectral data of lettuce leaves with pesticide residue based on supervised feature extraction method[J].Jiangsu Agricultural Sciences,2014,42(17):227.
[3]王有宁,赵丽艳,章爱群,等.花生高光谱叶片营养诊断研究[J].江苏农业科学,2014,42(12):129.
　Wang Youning,et al.Study on nutrition diagnosis of peanut leaves based on hyperspectral data[J].Jiangsu Agricultural Sciences,2014,42(17):129.
[4]杨粉团,顾晓鹤,李刚,等.吐丝期玉米倒伏后地面高光谱特征参数分析[J].江苏农业科学,2016,44(03):85.
　Yang Fentuan,et al.Analysis of hyper-spectral characteristic parameters of lodging corn at silking stage[J].Jiangsu Agricultural Sciences,2016,44(17):85.
[5]田敏,周杰,张泽,等.基于高光谱植被指数对棉花叶绿素含量的估算[J].江苏农业科学,2017,45(02):216.
　Tian Min,et al.Estimation of cotton chlorophyll contents based on hyperspectral vegetation index[J].Jiangsu Agricultural Sciences,2017,45(17):216.
[6]喻俊,李晓敏,张权,等.基于实测高光谱数据的太湖湖滨带典型植被分类[J].江苏农业科学,2017,45(05):240.
　Yu Jun,et al.Classification of typical vegetation zones of Taihu Lake based on measured hyperspectral data[J].Jiangsu Agricultural Sciences,2017,45(17):240.
[7]杨荣超,田海清,李斐,等.基于甜菜冠层高光谱红边参数的SPAD值诊断[J].江苏农业科学,2017,45(11):153.
　Yang Rongchao,et al.SPAD value diagnosis based on red edge parameters of sugarbeet canopy hyperspectral[J].Jiangsu Agricultural Sciences,2017,45(17):153.
[8]张城芳,董恒.基于高光谱数据的作物净初级生产力估算方法[J].江苏农业科学,2017,45(22):260.
　Zhang Chengfang,et al.Estimation method of crop net primary productivity based on hyperspectral data[J].Jiangsu Agricultural Sciences,2017,45(17):260.
[9]向佳琳,姚鑫锋,刘倩,等.基于高光谱的温室网纹甜瓜不同叶位叶片含水率监测[J].江苏农业科学,2018,46(04):105.
　Xiang Jialin,et al.Hyperspectral monitoring of leaf water content in different leaf position of muskmelon in greenhouse[J].Jiangsu Agricultural Sciences,2018,46(17):105.
[10]叶春,李艳大,舒时富,等.基于高光谱的柑橘叶片氮素营养监测模型[J].江苏农业科学,2018,46(07):223.
　Ye Chun,et al.Study on nitrogen nutrition monitoring model of citrus leaves based on hyperspectrum[J].Jiangsu Agricultural Sciences,2018,46(17):223.

备注/Memo

备注/Memo:

收稿日期：2017-12-10
基金项目：国家自然科学基金(编号：41601346、41471285、41301475)；国家高技术研究发展计划(编号：2011AA100703)。
作者简介：裴浩杰(1991—)，男，河南郑州人，硕士研究生，主要从事农业定量遥感研究。E-mail：xmljphj@163.com。
通信作者：冯海宽，硕士，助理研究员，主要从事农业定量遥感研究，E-mail：fenghaikuan123@163.com；李长春，博士，副教授，主要从事农业遥感长势监测与评估研究工作，E-mail：lichangchun610@126.com。

常用功能

更新日期/Last Update: 2018-09-05