基于离散小波算法定量反演贵州百香果叶片叶绿素含量的研究

童倩倩，李莉婕，赵泽英，岳延滨，刘 海

(贵州省农业科技信息研究所，贵州 贵阳 550006)

【研究意义】叶绿素是作物捕获、转化、固定太阳能的重要物质基础，植株叶绿素含量的高低是评价作物生长发育状况的重要指标[1]，当作物受到病虫害、水分、高温等不利因子胁迫时，叶绿素含量均会发生不同程度变化[2-3]，因此，实时、准确获取作物叶绿素含量具有重要的理论与现实意义。【前人研究进展】作为一种地表信息观测的重要手段，遥感技术已逐步成为区域尺度作物植株叶绿素含量精准检测的重要技术。植株叶绿素含量快速诊断的物理基础是叶绿素在光谱内的可见光、部分近红外区域具有较强的响应特征，利用辐射传输机理模型研究叶绿素的光谱响应机理，为叶片叶绿素含量的估测提供了物理基础理论[4-5]。高亚利等[6]研究不同截形叶螨(TetranychustruncatusEhara)危害枣叶片等级(0级、1级、2级、3级、4级)的高光谱特征，构建了基于一阶微分光谱的不同截形叶螨危害等级枣叶片叶绿素含量高光谱线性回归估测模型。李凯等[7]通过对不同光谱数据集进行波长筛选，建立了虫害胁迫下竹叶叶绿素含量的高光谱估算模型。田军仓等[8-9]进行无人机多光谱影像的番茄冠层SPAD预测研究表明，作物冠层上层、中层、下层叶片的叶绿素含量存在变异，采用无人机多光谱数据可实现作物冠层叶绿素含量的准确估测。神经网络、随机森林、支持向量机等算法常用于构建植被生化组分含量诊断的模型[10-11]。【本研究切入点】尽管针对农作物植株生化组分的研究较多[12]，且取得了一定研究成果，但当前研究大多针对平原区域作物，少见针对山区经济作物的研究。为带动贫困群众脱贫致富，贵州将建成我国南方重要的精品水果产区。百香果作为贵州精品水果发展的重要经济作物之一，对其不同垂直位置叶绿素含量的精确预测是及时精准施肥、田间管理及防控病虫危害的重要基础。【拟解决的关键问题】以光谱技术为主要技术手段，利用相关分析算法将处理后的百香果光谱数据与其叶片叶绿素含量进行相关性分析，提取敏感波段，构建百香果叶片叶绿素含量的估测模型。

1 材料与方法

1.1 研究区概况

试验在贵州省惠水县王佑镇和平村和红星村的百香果种植基地进行。和平村百香果种植区海拔904 m，位于东经106°30′54″，北纬25°45′47″。红心村百香果种植区海拔973 m，位于东经106°27′54″，北纬25°49′20″。试验区属亚热带季风气候，年降水量为1154 mm，年平均气温为16.3 ℃，≥10 ℃积温为4797.5 ℃，全年日照时数为1000～1325 h；最热月(7月)平均温度23.9 ℃，最冷月(1月)平均气温5.8 ℃，无霜期278 d。

1.2 研究方法

1.2.1 光谱和叶绿素含量测定 于2020年8月20日在百香果园选健康、无机械损伤的百香果冠层成熟叶片进行叶片光谱测定，叶片光谱用美国ASD公司生产的便携式光谱仪进行的测定，仪器光谱测定范围为350～2500 nm，输出光谱数据的分辨率为1 nm。由于试验区地处西南区，地理环境、气候条件复杂，为减弱外界复杂环境对光谱测量的影响，提升光谱数据的信噪比，选用ASD公司生产的卤光灯作为光源。光谱共测3次，取平均值。测定后随机取相应部位叶片采用无水乙醇萃取法进行叶绿素含量测定。

1.2.2 光谱数据处理 作为一类传统光谱数据处理方法，数学变换通过利用数学方法处理分析光谱数据，可有效凸显光谱内的可用信息，压制无用信息，其中对数、倒数等非微分变换有助凸显光谱内的低频信息，一阶微分、对数的一阶微分、倒数的一阶微分等微分变换有助于凸显光谱内细微信息，弓曲差变换有助于不同波段信息的耦合。小波变换是在傅里叶算法的基础上发展而来的一种新的信号处理算法，该算法可对信号进行局部、多尺度处理，有助于挖掘信号内的可用信息。近年来，随着小波算法的应用发展，逐步被应用于地物光谱信息的处理与分析。小波变换算法对地物光谱的分解方法有助于对光谱内的混合信息进行有效分离，从而有助于可用光谱信息的分离。小波变换可分为连续小波变换、离散小波变换两类，其中离散小波变换可将光谱内的低频信息、高频信息逐尺度分离，该分离方法有助于分离原光谱信息内的噪声信息[13]，提升低频信息的信噪比，离散小波变换法的小波基选用haar，其分解过程见图1。为更好研究分析离散小波变换在提升光谱对百香果叶片叶绿素含量的估测能力，研究选用对数、倒数、一阶微分、对数的一阶微分、倒数的一阶微分、弓曲差变换作为参照方法开展研究分析。

图1 离散小波算法对光谱数据的分解过程

1.2.3 百香果叶片叶绿素含量估测模型构建及模型精度的验证 叶片光谱经数学变换与离散小波算法处理后，选用偏最小二乘算法(Partial Least Squares Regression，PLS)构建百香果叶片叶绿素含量的估测模型。为正确反映叶绿素含量的估测特点，研究选用随机取样法将样本分为建模组(20份)与检验组(9份)，利用建模组构建百香果叶片叶绿素含量估测模型，采用检验组样本数据评价模型的性能。为对估测模型进行客观综合评价，选用决定系数(R2)和均方根误差(RMSE)对叶绿素含量估测模型进行综合评估。

(1)

(2)

2 结果与分析

2.1 光谱数据处理与百香果叶绿素含量的相关性

2.1.1 数学变换的光谱与百香果叶绿素含量的相关性 经测定，百香果叶片叶绿素含量最小值为7.427 %，最大值为15.310 %，平均11.592 %。

图2为原光谱数据(R)与5种数学变换(弓曲差变换(GQC)、倒数变换(1/R)、对数变换[LOG(R)]、一阶微分变换(R’)、倒数的一阶微分变换[(1/R)’]、对数的一阶微分变换[(LOG(R))’)]与叶片叶绿素含量的决定系数(R2)矩阵图。由图2可知，位于倒数变换、对数变换中的敏感区域与原始光谱一致，且位于蓝光区域的敏感区域整体均相对粗糙，二者在敏感性方面无明显提升。弓曲差变换在提升光谱对叶绿素含量的敏感性方面相对较弱，且其敏感波段的分布区域主要位于近红外区域，而在叶绿素作用较强的可见光部分相对较弱。敏感波段在一阶微分、倒数的一阶微分、对数的一阶微分变换内的分布较分散，几乎无集中分布区域，其在可见光与近红外区域均有分布，且在近红外区域的位置分布基本一致。综上可知，经弓曲差变换的光谱与百香果叶绿素含量的相关性最差，位于倒数变换、对数变换的敏感区域较为集中，而在微分变换中则比较分散。

2.1.2 离散小波变换的光谱与百香果叶绿素含量的相关性 由图3可知，光谱数据经经离散小波变换处理后，随分解尺度的增加，决定系数矩阵图的粗糙度逐步增加，这是由于离散小波对光谱数据的处理每增加1尺度，光谱分辨率降低1倍所致。对叶绿素含量敏感的波段在L1～L5尺度分布主要集中于可见光区域内的蓝、红光附近，该敏感区域随分解尺度的增加无明显变动，但位于蓝光区域的敏感区域纹理趋于平滑，原因主要是经离散小波处理后其光谱分辨率会逐尺度降低，从而有助于抑制噪声信息的影响，提升低频信息的信噪比。敏感波段在H1～H5尺度的分布则相对分散，其在可见光、近红外区域均有分布，且各敏感区间随分解尺度的增加而存在小幅移动的现象。综上可知，经离散小波变换的光谱与百香果叶绿素含量的相关性较高，离散小波变换有助于抑制噪声对低频信息的影响，提升光谱信息信噪比。

图2 数学变换与百香果叶片叶绿素含量的决定系数矩阵(R2)

图3 离散小波变换与百香果叶片叶绿素含量决定系数矩阵(R2)

表1 基于数学变换百香果叶片叶绿素含量估测模型列表

2.2 百香果叶片叶绿素含量的估测模型

2.2.1 基于数学变换构建百香果叶片叶绿素含量的估测模型 由表1可知，基于一阶微分、弓曲差、倒数的一阶微分、对数的一阶微分构建模型的稳定性极差，为无效模型。在原光谱数据、对数变换、倒数变换中，以基于对数变换构建模型的精度相对较高且稳定性较好，为最优模型，其估测精度的R2=0.601，RMSE=0.931。从入选有效模型的特征波段多位于可见光区域，即该区域为叶绿素光谱响应的主要区域。综上可知，在数学变换中，仅对数变换有助于提升光谱对百香果叶片叶绿素含量的估测能力，入选有效模型的特征波段主要位于可见光区域，该区域为叶绿素作用的主要区域。

2.2.2 基于离散小波变换构建百香果叶片叶绿素含量的诊断模型 由表2可知，基于低频信息构建的模型的稳定性明显高于高频信息，基于高频信息构建的模型的稳定性差。在L1～L5内，模型的建模精度随分解尺度的增加呈逐步降低的趋势，而模型对百香果叶片叶绿素含量的估测精度则呈先升高后降低的趋势(其在L2尺度达最大0.656)。原因一方面是随着尺度的增加，原光谱内的信息逐步被分离，保留在低频信息内部的可用信息逐步减少，另一方面随着尺度的增加，原光谱内的噪声信息也被逐步分离，从而提升了低频信息内的信噪比，有助于模型稳定性的提升。从模型的建模精度与估测精度的对比分析可知，基于L1构建的模型精度与估测精度相对较高，且稳定性较好，为最优模型，其估测精度R2=0.578，RMSE=1.104。从入选模型的特征波段进行分析可知，特征波段多为位于可见光区域的蓝、红区，该区域为叶绿素在光谱中的强吸收区域。H1～H5模型的建模精度随分解尺度的增加呈先降低后升高的趋势，模型的估测精度则呈先升后降趋势；根据模型的建模精度与估测精度，基于H1～H5构建的模型稳定性极差，表明基于高频信息构建的模型为无效模型。原因主要为研究区空气湿度较大，由水分引起的噪声较多，噪声信息随可用信息逐步被分解至各高频信息内。综上可知，受试验区大气水分噪声的影响，基于高频信息构建的模型的稳定性极差，为无效模型；基于低频信息构建的模型的稳定性较强，以L1构建的模型为最优。

表2 基于离散小波技术百香果叶片叶绿素含量估测模型

图4 L1尺度百香果实测值与预测值散点

3 讨 论

目前，针对山区经济作物的遥感监测研究偏少，本研究选取位于贵州省经济作物百香果作为对象，研究分析遥感技术估测百香果叶片叶绿素含量的特点，研究结果有助于弥补针对西南区经济作物研究的不足，为后续相关研究提供基础理论支撑。前人研究表明，数学变换、小波变换能明显提升植被光谱对叶绿素含量的敏感性[14-15]，尤其是数学变换中的微分变换与小波变换中的高频信息，然而本研究发现微分变换与小波变换分离的高频信息在提升光谱对百香果叶片叶绿素含量的敏感性方面较差，究其原因主要是受地理环境、气候条件的影响，百香果叶片光谱数据内包含大量噪声，降低了光谱信息的信噪比，从而导致微分变换、离散小波变换中的高频信息内含大量噪声，进而导致模型稳定性较差，严重影响高频信息在估测百香果叶片叶绿素含量的估测精度，表明高频信息的提取算法不适用于西南区域植被光谱信息的处理与分析，需要进一步研究分析新的处理方法。与倒数变换、对数变换、弓曲差变换相比，基于离散小波分离的低频信息构建百香果叶片叶绿素含量的估测模型的稳定性较强，可用于西南高原、山区作物植株生化组分的检测。综上表明与平原地区相比，西南高原、山区作物的光谱数据处理更为复杂，需要进一步深入研究。

针对贵州百香果叶片叶绿素的快速诊断方法进行研究，取得一定进展，可为利用遥感技术精准检测西南区植被信息提供一定理论与技术支撑，但该研究存在如下不足：①尽管研究采用离散小波变换算法处理光谱数据，提升了光谱数据对百香果叶片叶绿素含量的估测能力，但模型整体精度相对较低，仍需进一步探索新的分析算法。②本研究是以地面高光谱数据为数据源，非卫星影像数据，而卫星影像数据是开展区域尺度陆表信息精准检测的主要手段，因此有必要在该研究基础上进一步深入探索利用卫星影像数据精准检测西南区域植被信息的方法。

4 结 论

研究选用百香果叶片叶绿素含量为研究对象，以实测百香果叶片光谱及相应叶绿素含量数据为数据源，先选用离散小波算法处理分析叶片光谱数据，然后将处理后的光谱数据与实测叶绿素含量数据进行相关性分析，并提取特征波段，最后利用偏最小二乘算法构建百香果叶片叶绿素含量估测模型。

(1)受复杂地理环境、气候条件影响，百香果叶片光谱数据内涵大量噪声，由数学变换、离散小波变换提取的高频信息对百香果叶片叶绿素含量的估测能力较弱。

(2)与高频信息相比，低频信息对百香果叶片叶绿素含量的估测能力较强。

(3)数学变换中对数变换与离散小波变换分离的低频信息，能明显提升光谱对百香果叶片叶绿素含量的估测能力，其中基于离散小波变换L1尺度构建的模型为最优模型，具有较高的估测精度与稳定性，其R2=0.578，RMSE=1.104。