基于EFAST方法的苹果叶片叶绿素含量估算

杨福芹，沙从术，冯海宽，韩瑞芳，徐 平

(1.河南工程学院 土木工程学院，河南 郑州 451191； 2.国家农业信息化工程技术研究中心，北京 100097)

基于EFAST方法的苹果叶片叶绿素含量估算

杨福芹1,2，沙从术1*，冯海宽2，韩瑞芳1，徐 平1

(1.河南工程学院 土木工程学院，河南 郑州 451191； 2.国家农业信息化工程技术研究中心，北京 100097)

为了快速、准确地估算叶绿素含量，使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据，利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段，然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测。结果表明：以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高，其决定系数(R2)分别为0.71和0.69，均方根误差(RMSE)分别为1.14、1.17 mg/dm2，相对误差(RE)分别为-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好，为利用高光谱技术监测苹果长势提供了理论依据。

苹果叶片； 高光谱； 叶绿素含量； PROSPECT模型； EFAST方法； 随机森林

叶绿素含量是监测果树长势的主要生化参数，其变化不仅可以评价果树的光合作用，而且是评价果树是否受病害胁迫的指示剂[1-2]。利用高光谱反射特征快速、无损和准确监测叶绿素含量已成为监测果树长势的重要研究内容[3-4]。房贤一等[5]分别利用单变量和多元逐步回归方法估算了苹果盛果期冠层叶绿素含量，结果表明，用多元逐步回归方法建立的模型可以更好地监测叶绿素含量。李敏夏等[6]研究发现，筛选出的对苹果叶绿素含量敏感的一阶微分波段为694 nm，其决定系数为0.59。梁爽等[7]分析了一阶微分、红边位置和苹果叶面叶绿素指数与叶绿素含量之间的相关性，结果表明，以叶面叶绿素指数为变量的估测模型拟合精度最高。朱西存等[8]利用高光谱红边参数信息，建立了不同物候期苹果叶片的SPAD值估算模型，结果表明，以红边位置参数与叶片SPAD值之间的相关性最为显著。冀荣华等[9]研究发现，华北地区苹果叶片叶绿素a含量与反射光谱在515～590 nm和688～715 nm波段内高度相关。邓小蕾等[10]利用小波变换技术建立了基于反射光谱的苹果叶片叶绿素含量估算模型。刘京等[11]利用支持向量机建立了苹果叶片叶绿素含量高光谱遥感估算模型。韩兆迎等[12]利用连续统去除法对原始光谱进行处理，采用逐步回归法和主成分分析法提取主成分，构建了基于支持向量机算法的苹果树冠SPAD值高光谱估算模型。这些研究利用高光谱手段监测苹果叶片叶绿素含量，取得了一定的研究成果，但这些方法筛选的敏感波段比较多，为了提高模型的预测能力和稳健性，本研究尝试利用PROSPECT模型和EFAST方法整合筛选敏感波段，进而利用高光谱技术估算苹果叶片叶绿素含量，以期为利用高光谱技术开展果树长势及营养诊断提供新的思路和方法。

1 材料和方法

1.1 研究区概况和供试材料

田间试验分别于2012年和2013年在山东省肥城市潮泉镇下寨村的国家农业信息化工程技术研究中心的2个示范基地的果园(116°50′22″E，36°14′01″N)进行。主栽品种为富士和嘎啦，树高约3.0 m，果树树干高约0.5 m，树形为纺锤形。在树冠东西南北4个方向的树冠外围中部当年延长枝中部叶(带叶柄)中分别取8片叶，每株共32片。将样品迅速放入自封袋中，并将其放在移动保温冰箱中，以减少因呼吸导致的叶片变化。

1.2 苹果叶片光谱测定

苹果叶片光谱测定具体方法参考文献[13-14]。

1.3 苹果叶片叶绿素含量测定

用直径0.6 cm的打孔器从测量光谱的4片苹果叶片切取32小片样品，样品质量0.2 g左右，然后将样品放入95%无水乙醇溶液中，并在黑暗的环境下静置24 h，叶片变成白绿色，最后采用紫外分光光度计测定苹果叶片的叶绿素含量。

1.4 PROSPECT模型

著名的PROSPECT模型用于模拟叶片的反射率和透射率[15-16]，光谱范围为400～2 500 nm，间隔1 nm，该模型主要包括6个输入参数：叶片结构参数(N)、叶绿素含量(Cab)、等效水厚度(Cw)、类胡萝卜素含量(Car)、叶黄素含量(Cbrown)和干物质含量(Cm)，输出参数为叶片的反射率和透射率。PROSPECT模型6个输入参数的取值范围如表1所示。

表1 PROSPECT模型输入参数的取值范围

1.5 EFAST方法

全局敏感性分析方法主要采用扩展傅里叶幅度敏感性检验方法(extended Fourier amplitude sensitivity，EFAST)[17]，它是经典傅里叶振幅灵敏度测试[18-19]方法的扩展，由Jacquemoud等[20-21]首先应用于遥感领域。EFAST方法考虑了模型参数的变化范围对输出参量一阶敏感性指数和总体敏感性指数的影响。一阶敏感性指数指的是模型输入参数xi的方差占总体方差的百分比，而总体敏感性指数指的是输入参数xi以及所有输入参数xm之间的相互作用的方差占总体方差的百分比。

1.6 统计分析

选取决定系数(R2)、均方根误差(RMSE)、相对误差(RE)作为评价建模与验证精度高低的指标。R2表示模拟值与实测值的拟合程度，R2越接近于1，表明该拟合曲线精度越高；RMSE和RE反映了模拟值与实测值的偏离程度，其值越小，模型精度越高。

2 结果与分析

2.1 利用EFAST方法筛选叶绿素含量敏感波段

为了研究苹果叶片反射光谱与叶绿素含量之间的关系，采用PROSPECT模型随机模拟了2 000组叶片光谱反射率数据，采用EFAST方法对PROSPECT模型各个参数在400～2 500 nm波段范围的叶片反射光谱进行敏感性分析，利用SimLab软件实现定量一阶敏感性分析，PROSPECT模型中各参数变化按照表1中的参数范围，并在取值范围内认定为均匀分布，模拟结果如图1所示。从图1可以看出，在400～760 nm可见光范围内，叶绿素含量对叶片反射率的影响非常大，一阶敏感指数大于0.4的波段范围分别为417～497 nm和532～726 nm，其中，叶绿素含量的反射光谱一阶敏感指数较大值分别出现在蓝波段(440 nm)、红波段(571 nm)和近红外波段(697 nm)。在660 nm附近叶绿素对叶片反射率的影响在可见光区域最低。综上，波段440、571、697 nm处的反射光谱参数对叶绿素含量最为敏感。

图1 叶绿素含量反射光谱的敏感指数

2.2 估算模型的构建

利用2013年采集的180个苹果叶片叶绿素含量及对应的光谱数据，采用经验回归方法建立了3个单波段反射光谱敏感波段的叶片叶绿素含量估算模型。结果表明，处于440 nm波段的光谱参数与

叶绿素含量完全不相关，这是由于受环境因素的影响以及吸收的强度不一样。从表2可以看出，处于571 nm和697 nm波段处的光谱参数与叶绿素含量都达到了极显著相关水平(P<0.01)，其R2分别为0.71和0.69，RMSE分别为1.14、1.17 mg/dm2，RE分别为-1.07%和-1.01%，预测值与实测值具有较高的一致性，建模精度较为理想，表明采用571 nm和697 nm波段处的光谱参数进行叶绿素含量估算具有较好的可靠性。

2.3 估算模型的验证

为了进一步验证模型的可靠性，利用2012年采集的297个山东地区苹果相关数据进行可靠性检验，如表2和图2所示，571 nm和697 nm单波段算法的R2分别为0.11和0.19，RMSE分别为1.33、1.55 mg/dm2，RE分别为5.92%和13.20%。571 nm波段处的光谱参数估算的叶绿素含量与实测值之间存在很好的关系，预测值和实测值均匀分布在1∶1线的两侧,但决定系数为0.11，仅达到显著相关水平(P<0.05)。697 nm波段处的预测值和实测值之间的关系较好，其决定系数为0.19，达到极显著相关水平(P<0.01)，预测值和实测值多数处于1∶1线之上，预测值存在高估现象，可能由于气候原因，2012年采集苹果数据生育期与2013年采集苹果数据生育期不完全一致，导致实测值普遍小于预测值。

表2 基于EFAST方法的叶绿素含量建模及验证

注：x—反射光谱(nm)；y—叶绿素含量(mg/dm2)。

a.571 nm； b.697 nm

3 结论

本研究使用2012年和2013年地面实测的全生育期苹果叶片叶绿素含量和相应的叶片光谱数据，首先采用PROSPECT模型随机模拟了2 000组数据，然后采用EFAST方法筛选出对叶片叶绿素含量的敏感波段分别为440、571、697 nm，根据选择的敏感波段利用经验统计方法建立了3个单波段线性回归方程，估算叶片叶绿素含量。结果表明，571、697 nm所建立的模型可以提高苹果叶片叶绿素含量的估算精度，增加模型的实用性，具有一定的应用前景。该估算模型的R2分别为0.71和0.69，RMSE分别为1.14、1.17 mg/dm2，RE分别为-1.07%和-1.01%。验证结果同样表明，叶片叶绿素含量的预测值与实测值具有较好的一致性，其RMSE分别为1.33、1.55 mg/dm2，验证模型的RE分别为5.92%和13.20%，验证模型都具有较高的精度与可靠性。本试验结果表明，用PROSPECT模型和EFAST方法整合筛选的敏感波段可以较好地估算苹果叶片叶绿素含量，这为利用高光谱特征参数监测苹果长势情况提供了新的理论依据。

[1] 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.

[2] 牛鲁燕,孙家波,刘延忠,等.基于成像高光谱的小麦叶片叶绿素含量估测模型研究[J].河南农业科学,2016,45(4):150-154.

[3] 王秀珍,王人潮,黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究[J].农业工程学报,2002,18(1):9-13.

[4] 刘伟东,项月琴.高光谱数据与水稻指数及叶绿素密度的相关分析[J].遥感学报,2000,4(4):279-283.

[5] 房贤一,朱西存,王凌,等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J].中国农业科学,2013,46(16):3504-3513.

[6] 李敏夏,张林森,李丙智,等.苹果叶片高光谱特性与叶绿素含量和 SPAD 值的关系[J].西北林学院学报,2010,25(2):35-39.

[7] 梁爽,赵庚星,朱西存.苹果树叶片叶绿素含量高光谱估测模型研究[J].光谱学与光谱分析,2012,32(5):1367-1370.

[8] 朱西存,赵庚星,姜远茂,等.基于高光谱红边参数的不同物候期苹果叶片的SPAD值估测[J].红外,2011,32(12):31-38.

[9] 冀荣华,郑立华,邓小蕾,等.基于反射光谱的苹果叶片叶绿素和含水率预测模型[J].农业机械学报,2014,45(8):269-275.

[10] 邓小蕾,李民赞,郑立华,等.基于反射光谱预处理的苹果叶片叶绿素含量预测[J].农业工程学报,2014,30(14):140-147.

[11] 刘京，常庆瑞,刘淼,等.基于SVR算法的苹果叶片叶绿素含量高光谱反演[J].农业机械学报,2016,47(8):260-265.

[12] 韩兆迎,朱西存,王凌,等.基于连续统去除法的苹果树冠 SPAD 高光谱估测[J].激光与光电子学进展,2016,53(2):214-223.

[13] 冯海宽,杨福芹,李振海,等.最优权重组合模型和高光谱估算苹果叶片全磷含量[J].农业工程学报,2016,32(7):173-180.

[14] 冯海宽,李振海,金秀良,等.基于EFAST和PLS的苹果叶片等效水厚度高光谱估算[J].农业工程学报,2016,32(12):165-171.

[15] Jacquemoud S,Ustin S L,Verdebout J,etal.Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J].Remote Sensing of Environment,1996,56(3):194-202.

[16] Ustin S L,Roberts D A,Pinzon J,etal.Estimating canopy water content of chaparral shrubs using optical methods[J].Remote Sensing of Environment,1998,65(3):280-291.

[17] Cukier R I,Levine H B,Shuler K E.Nonlinear sensitivity analysis of multiparameter model systems[J].Journal of Computational Physics,1978,26(1):1-42.

[18] Ceccato P,Flasse S,Tarantola S,etal.Detecting vegetation leaf water content using reflectance in the optical domain[J].Remote Sensing of Environment,2001,77(1):22-33.

[19] Ceccato P,Gobron N,Flasse S,etal.Designing a spectral index to estimate vegetation water content from remote sensing data:Part 1:Theoretical approach[J].Remote Sensing of Environment,2002,82(2):188-197.

[20] Jacquemoud S,Baret F.PROSPECT:A model of leaf optical properties spectra[J].Remote Sensing of Environment,1990,34(2):75-91.

[21] Jacquemoud S,Baret F,Andrieu B,etal.Extraction of vegetation biophysical parameters by inversion of the PROSPECT+SAIL models on sugar beet canopy reflectance data.Application to TM and AVIRIS sensors[J].Remote Sensing of Environment,1995,52(3):163-172.

Estimation of Chlorophyll Content in Apple Leaves Using Hyperspectral Data Based on EFAST Method

YANG Fuqin1,2,SHA Congshu1*,FENG Haikuan2,HAN Ruifang1,XU Ping1

(1.College of Civil Engineering,Henan Institute of Engineering,Zhengzhou 451191,China; 2.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China)

In order to estimate chlorophyll content quickly and exactly,chlorophyll content parameters and the concurrent spectral reflectance of apple leaves were acquired in Chaoquan town,Feicheng city,Shandong province,during 2012 and 2013 apple growth seasons.Sensitive wavebands to chlorophyll content were selected using PROSPECT model and EFAST(extended Flourier amplitude sensitivity test) method,and then estimation models of chlorophyll content were built using empirical statistical methods.Results showed that the fitting accuracy of the estimation models using wavebands of 571 nm and 697 nm was higher.The determination coefficients(R2) were 0.71 and 0.69,the root mean square errors(RMSE) were 1.14,1.17 mg/dm2,and the relative errors(RE) were -1.07% and -1.01%.The model established by using PROSPECT model and EFAST method can predict the apple leaf chlorophyll content better,providing a theoretical basis for monitoring apple growth conditions by using hyperspectral technology.

apple leaves; hyperspectra; chlorophyll content; PROSPECT model; extended Flourier amplitude sensitivity test; random forest

2016-11-25

国家自然科学基金项目(41601346)；北京市自然科学基金项目(4141001)；国家高技术研究发展计划863课题(2011AA100703)

杨福芹(1979-)，女，河南安阳人，讲师，博士，主要从事农业定量遥感研究。E-mail：yangfuqin0202@163.com

*通讯作者：沙从术(1964-)，男，安徽霍邱人，教授，硕士，主要从事测绘工程方面的教学与研究。 E-mail：shacongshu123@126.com

S661.1

A

1004-3268(2017)05-0157-04