模型约束与机器学习下的植物类胡萝卜素和叶绿素含量反演方法

作     者：汤馥睿 徐媛媛 耿芫 蔡顾斌 杨帆 李雨晨 季颖 TANG Fu-rui;XU Yuan-yuan;GENG Yan;CAI Gu-bin;YANG Fan;LI Yu-chen;JI Ying

作者机构：江苏大学物理与电子工程学院江苏镇江212000 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2024年第44卷第8期

页      面：2174-2182页

核心收录：

学科分类：07[理学] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：国家自然科学基金项目(11874184)资助 

主　　题：光谱数据 模型约束 小波系数谱 一阶导数谱 叶绿素 类胡萝卜素 精准反演 

摘      要：叶绿素和类胡萝卜素含量是评价植物健康状况的一个重要指标。PROSPECT模型与机器学习耦合反演植被生化特性已得到广泛应用。但由于叶片方向半球反射率因子(DHRF)光谱和二向反射率因子(BRF)光谱之间的差异,耦合模型的应用范围受到限制。为此,以北美地区植物叶片光谱数据库(EcoSIS)作为实验数据集,提出PROSPECT模型作为机器学习的附加约束形成混合数据集,对此混合数据集利用连续小波变换(CWT)产生的小波系数谱和一阶导(FD)产生谱,提出三种全光谱域和VNIR光谱子域下的植物叶片叶绿素、类胡萝卜素的光谱特征变量筛选策略,即是:竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和主成分分析法(PCA)。由此,基于上述2×2×3=12种不同光谱处理方法、特征提取方法组合,分别建立了植物叶片叶绿素和类胡萝卜素含量的人工神经网络(ANN)预测模型。进而开展了不同模型下的预测精度对比分析,结果表明:PROSPECT模型约束下的模拟数据一定程度增强了机器学习的训练集质量;经一阶导、小波变换处理的光谱能较好地减少DHRF模拟光谱和BRF实测光谱间的偏差,并在结合特征提取算法CARS后进一步提升了预测表现。在全光谱域下的FD+CARS组合对叶片叶绿素的反演效果最佳,测试集R2为0.8064,RMSE为2.9114;在VNIR光谱子域下的CWT+CARS组合对叶片类胡萝卜素最佳,测试集R2为0.7972,RMSE为0.4141。该方法可为研究人员从叶片BRF光谱及其他近端反射率图像更精确、高效地提取植物叶片生化特征提供参考。