论文部分内容阅读
我国苹果产量位居世界第一,黄土高原由于丰富的光照资源、独特的物候特征和深厚的土壤剖面,为苹果生长提供了优越的生态环境,成为全球苹果优势主产区之一。快速准确获取果园长势信息,是实现果园精准管理和果品优质生产的前提。本研究以构建叶片长势信息估测模型为基础,以探索区域果园长势信息反演方法及应用潜力评估为目标,选择陕西省扶风县典型果园为研究对象,进行多年（2016-2018）连续观测试验,探究基于光谱处理（重采样、光谱变换和分数阶微分）技术的特征光谱和优化光谱指数构建机器学习模型的方法;应用支持向量机（SVR）和随机森林（RF）估测不同生育期的苹果叶片叶绿素含量（LCC）、叶片氮平衡指数（NBI）和叶片水分含量（LWC）;在此基础上模拟GF-6、Landsat-8（Ls-8）和Sentinel-2（Sn-2）三种卫星光谱反射率,估测不同生育期苹果叶片生长参数。本研究的实施能够为高光谱技术在苹果长势信息的监测上提供技术支撑,为实现果园的精准管理提供保障。得到的主要结果如下:（1）叶片LCC、NBI以及LWC的含量分别在25.45～63.40、6.04～99.76和39.02～87.09之间,终花期到采收成熟期（1st-5th）苹果叶片LCC、NBI以及LWC含量均随着生育期的递进呈现先增加后减小的趋势。不同光谱处理方法能够改变叶片光谱曲线形态和细节信息。随着重采样间隔的增大,所含光谱波段信息量逐渐减少;√R、sin R和tan R处理与原始光谱（R）的光谱曲线形态基本相似,而1/R、log R、1/log R和cos R等处理光谱曲线均发生了明显的变化;分数阶微分光谱变换可以放大苹果叶片光谱的细节信息。（2）重采样、光谱变换和分数阶微分变换后的特征光谱与苹果叶片LCC、NBI以及LWC呈现极显著相关。1 nm重采样光谱与叶片LCC、NBI以及LWC相关系数绝对值最高;光谱变换及分数阶微分均能不同程度提高特征波段与叶片生长参数的相关性,最优的光谱变换形式下特征波段与LCC、NBI和LWC的相关系数绝对值可增加0.03、0.07和0.01;最佳的分数阶微分阶数处理下特征波段与LCC、NBI以及LWC的相关系数绝对值可增加0.11、0.21和0.25。（3）基于特征波段建立苹果叶片LCC、NBI和LWC估测模型,1 nm重采样光谱模型估测精度最优,SVR模型估测精度分别在0.26～0.69、0.19～0.71和0.35～0.46之间,RF模型估测精度分别在0.81～0.94、0.79～0.93和0.64～0.79之间;光谱变换能够不同程度的提高模型的估测精度,最优变换光谱的SVR模型估测精度可提高0.04、0.07和0.03,RF模型估测精度可提高0.04、0.03和0.07;随着分数阶微分阶数的增加,SVR和RF模型的估测精度均呈现先增加而后降低的趋势;多变量SVR模型估测精度分别为0.78、0.76和0.62,而RF模型估测精度均达到0.85以上,表明RF模型具有较高的估测精度。基于特征波段的多变量RF模型稳定性优于单变量估测模型。（4）各生育时期不同光谱处理方法构建的波段优化光谱指数不同。1 nm重采样间隔光谱的优化光谱指数与苹果叶片LCC、NBI以及LWC的R~2最高,与优化前相比,R~2可提高0.18、0.05和0.31;光谱变换及分数阶微分能进一步提高其R~2,最优的光谱变换形式下R~2可增加0.05、0.05和0.02,最佳的分数阶微分处理下R~2可增加0.06、0.14和0.09。（5）基于优化光谱指数建立叶片LCC、NBI和LWC的SVR和RF估测模型,1nm重采样光谱的模型精度相对较高,SVR模型估测精度分别为0.40～0.77、0.22～0.74和0.24～0.60,RF模型估测精度分别为0.89～0.96、0.84～0.96和0.76～0.89;光谱变换及分数阶微分能够进一步提高模型估测精度,最优光谱变换形式下SVR模型估测精度可提高0.12、0.09和0.04,RF模型估测精度可提高0.04、0.03和0.07;随着分数阶微分阶数的增加,SVR和RF模型的估测精度均呈现先增加而后降低的趋势;多变量的SVR模型估测精度分别为0.51～0.83、0.31～0.88和0.17～0.79,RF模型估测精度均大于0.85,RF模型具有较好的估测精度。基于优化光谱指数的多变量RF模型稳定性优于单变量估测模型。（6）通过卫星光谱响应函数模拟GF-6、Ls-8和Sn-2三种卫星的光谱反射率,并基于相关性最高的波段通道构建SVR和RF估测模型,其估测精度分别在0.19～0.72和0.78～0.95之间;利用不同生育期优选光谱指数方程形式计算优化光谱指数,光谱指数与苹果叶片生长参数的R~2范围在0.04～0.77之间;基于优化光谱指数建立叶片LCC、NBI和LWC含量的SVR和RF估测模型,RF模型具有较高的建模精度,且与波段通道构建的估测模型相比,基于优化光谱指数的估测模型具有更高的估测精度。从生育期来看,在3rd时期（果实膨大期）叶片LCC、NBI和LWC含量的估测模型精度最高。三种卫星模拟光谱数据估测模型精度整体上表现出Sn-2＞GF-6＞Ls-8的趋势。综上所述,不同光谱处理方法可以提高叶片长势信息的估测精度,且在果实膨大期（3rd）具有较高的估测精度。与单变量估测模型相比,多变量估测模型稳定性得以提升。根据地面实测高光谱数据,模拟GF-6、Ls-8和Sn-2三种卫星光谱反射率,构建的SVR和RF估测模型能较好的预测苹果长势信息,其中Sn-2具有较高的估测精度,尤其是基于优化光谱指数的RF估测模型苹果叶片LCC、NBI和LWC估测精度在不同生育期均达到0.87、0.84和0.81以上。表明基于优化光谱指数构建的RF模型在区域尺度叶片长势信息反演上具有较好的应用潜力。