基于冠层高光谱特征的油茶叶片碳氮比估算模型构建

作者：傅根深; 吕海燕; 燕李鹏; 黄庆丰; 程海峰; 王新文; 钱文祺; 高祥; 唐雪海^*

来源：光谱学与光谱分析, 2023, 43(11): 3404-3411.

• 油茶
• 高光谱
• 碳氮比
• 变量组合集群分析
• 机器学习

叶片碳氮比是反映油茶个体养分利用效率的重要指标，基于冠层高光谱特征估算碳氮比可为油茶养分监测及精准施肥提供重要的科学依据。当前，利用高光谱开展经济林理化性质的研究较少，特别是面向具有花果同期生物学特性的油茶，其高光谱数据除面临共线性问题外，复杂的理化性质也对敏感光谱特征的响应及估算模型构建带来极大挑战。以安徽黄山区域的油茶长林系列品种为研究对象，在野外环境下采集了120株油茶的冠层光谱，选取可见光与近红外谱区400～1 000 nm波长范围的高光谱特征进行分析。利用多元散射校正(MSC)和一阶导数(FD)变换对原始高光谱进行处理，并各自构建三种两波段指数(差值指数-DI、比值指数-RI和归一化指数-NDI)。采用相关分析观察不同处理方法下光谱响应特征区域的变化，使用变量组合集群分析(VCPA)提取响应变量并去除共线性得到最优特征变量子集，进一步构建三种机器学习模型(随机森林-RF、支持向量机-SVM和BP神经网络-BPNN)。最后，比较不同处理下光谱参数对模型估算精度的影响，根据模型评价指标得到最优油茶叶片碳氮比估算模型。研究结果表明：(1)经过MSC或FD特征变换的原始光谱协同VCPA能够挖掘更多潜在变量。(2)两波段光谱指数组合扩展了敏感波段的响应区域，进一步增强了VCPA筛选特征变量的能力，FD-RI与FD-NDI处理效果最好。(3)三种机器学习模型整体精度由大到小排序为BPNN>RF>SVM。所有模型中，经过FD-NDI处理的光谱参数构建的BPNN模型预测能力表现最好，训练集和测试集的决定系数(R2)分别为0.71和0.66,其相对分析误差(RPD)达到1.74。该研究建立了一种收获期油茶叶片碳氮比的最优BPNN估算模型，拓展了油茶高光谱应用的范围。

• 单位
  安徽农业大学