基于高光谱分数阶微分的烟叶SPAD值估测

doi:10.11924/j.issn.1000-6850.casb2020-0599

中国农学通报 ›› 2021, Vol. 37 ›› Issue (24): 54-59.doi: 10.11924/j.issn.1000-6850.casb2020-0599

所属专题：烟草种植与生产

基于高光谱分数阶微分的烟叶SPAD值估测

吕小艳¹^,²(), 薛琳³(), 竞霞¹, 张超², 徐海清³, 朱启法³

¹西安科技大学测绘科学与技术学院,西安 710054
²中国农业大学土地科学与技术学院,北京 100083
³安徽皖南烟叶有限责任公司,安徽宣城 242000

收稿日期:2020-10-26 修回日期:2021-02-27 出版日期:2021-08-25 发布日期:2021-08-27
通讯作者: 薛琳
作者简介:吕小艳,女,1995年出生,陕西宝鸡人,硕士研究生,研究方向：农业定量遥感。通信地址：710054 陕西省西安市碑林区雁塔中路58号西安科技大学研究生院,E-mail： 1974864431@qq.com。
基金资助:
安徽皖南烟叶有限责任公司科技项目“基于多源卫星数据的烟草长势判断与估产模型构建”(20190563005);国家自然科学基金“反射率与叶绿素荧光协同的小麦白粉病早期探测机理与方法研究”(41601467)

SPAD Value Estimation of Tobacco Leaves Based on Hyperspectral Fractional Differential

Lv Xiaoyan¹^,²(), Xue Lin³(), Jing Xia¹, Zhang Chao², Xu Haiqing³, Zhu Qifa³

¹College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054
²College of Land Science and Technology, China Agricultural University, Beijing 100083
³Anhui Wannan Tobacco Leaf Co., Ltd., Xuancheng Anhui 242000

Received:2020-10-26 Revised:2021-02-27 Online:2021-08-25 Published:2021-08-27
Contact: Xue Lin

摘要/Abstract

摘要：

基于高光谱分数阶微分估测烟叶SPAD值,旨在提升高光谱数据估测烟叶SPAD值的准确度。首先,确定估测烟叶SPAD值的最优变换方式,并进行分数阶微分处理;然后,基于相关性分析、袋外数据(OOB)重要性、随机森林(RF)相结合的方法,筛选特征波长;最后构建烟叶SPAD值估测模型。结果表明：（1）估测烟叶SPAD值的特征波长主要有绿波段(499、500 nm),红边波段(634、636、702、703、732 nm)、近红外波段(972、1286、1289、1295、1298、1316 nm)、短红外波段(1450、1453、1456、1806 nm)。（2）以1.9阶次的特征波长所构建的RF-SPAD模型的精度最高,R²=0.690,较0、1、2阶次分别提高了22.1%、42.6%、87%,RMSE=2.799,比0、1、2阶分别减少了13.5%,20.2%,27.8%。利用1.9阶次特征波长构建的RF-SPAD模型较整数阶次模型有效提高了烟叶SPAD值的估测精度,为高光谱分数阶微分技术估测SPAD值提供了新的思路。

关键词: 高光谱分数阶微分, SPAD值, 烟叶, 袋外数据重要性, 随机森林

Abstract:

Tobacco SPAD value was estimated based on hyperspectral fractional differential, and the aim was to improve the accuracy of hyperspectral data estimating tobacco SPAD value. Firstly, the optimal transformation method was determined to estimate the SPAD value of tobacco leaves, and fractional differential processing was carried out. Then, the characteristic wavelengths were selected based on correlation analysis, out-of-bag(OOB) data importance, and random forest (RF). Finally, the SPAD value estimation model of tobacco leaves was constructed. The results showed that: (1) The characteristic wavelengths used to estimate the SPAD value of tobacco leaves mainly included the green band (499 nm, 500 nm), the red edge band (634 nm, 636 nm, 702 nm, 703 nm, 732 nm), the near-infrared band (972 nm, 1286 nm, 1289 nm, 1295 nm, 1298 nm, 1316 nm), short infrared bands (1450 nm, 1453 nm, 1456 nm, 1806 nm). (2) The RF-SPAD model constructed with the characteristic wavelength of order 1.9 had the highest accuracy, R ²= 0.690, which was 22.1%, 42.6%, 87% higher than the 0, 1 and 2 orders respectively; RMSE= 2.799, which was reduced by 13.5%, 20.2% and 27.8% compared with 0, 1, and 2 orders, respectively. Compared with the integer order model, the RF-SPAD model constructed by using the characteristic wavelength of order 1.9 effectively improved the estimation accuracy of tobacco SPAD value, and provided a new idea for the hyperspectral fractional order differential technology to estimate SPAD value.

Key words: hyperspectral fractional differential, SPAD value, tobacco leaves, importance of out-of-bag data, random forest

中图分类号:

TP79

吕小艳, 薛琳, 竞霞, 张超, 徐海清, 朱启法. 基于高光谱分数阶微分的烟叶SPAD值估测[J]. 中国农学通报, 2021, 37(24): 54-59.

Lv Xiaoyan, Xue Lin, Jing Xia, Zhang Chao, Xu Haiqing, Zhu Qifa. SPAD Value Estimation of Tobacco Leaves Based on Hyperspectral Fractional Differential[J]. Chinese Agricultural Science Bulletin, 2021, 37(24): 54-59.

图/表 5

参考文献 30

[1]	史典义, 刘忠香, 金危危. 植物叶绿素合成、分解代谢及信号调控[J]. 遗传, 2009(7):28-34.
[2]	Grodowitz M J, Harms N E, Freedman J. Use of an inexpensive chlorophyll meter to predict nitrogen levels in leaf tissues of water hyacinth (Eichhornia crassipes)[J]. Journal of Aquatic Plant Management, 2016, 54:106-108.
[3]	Ilkaee M N, Shomeili M, Banitorfizadeh M, et al. Study the affiliation of SPAD and leaf nitrogen with total chlorophyll in Sugarcane[J]. International Journal of Advanced Life Sciences, 2016, 9(1):19-23.
[4]	Lindsey A J, Steinke K, Rutan J, et al. Relationship of DGCI and SPAD values to corn grain yield in the eastern corn belt[J]. Crop, Forage & Turfgrass Management, 2016, 2(1):1-9.
[5]	Asai H, Samson B K, Stephan H M, et al. Biochar amendment techniques for upland rice production in Northern Laos: 1. Soil physical properties, leaf SPAD and grain yield[J]. Field Crops Research, 2009, 111(1-2):81-84. doi: 10.1016/j.fcr.2008.10.008 URL
[6]	由明明, 常庆瑞, 田明璐, 等. 基于随机森林回归的油菜叶片SPAD值遥感估算[J]. 干旱地区农业研究, 2019, 37(03):238-243.
[7]	吕小艳, 竞霞, 薛琳, 等. 遥感技术在烟草长势监测及估产中的应用进展[J]. 中国农学通报, 2020, 36(25):137-141.
[8]	刘露, 彭致功, 张宝忠, 等. 基于高光谱的夏玉米冠层SPAD值监测研究[J]. 水土保持学报, 2019, 33(01):353-360.
[9]	武旭梅, 常庆瑞, 落莉莉, 等. 水稻冠层叶绿素含量高光谱估算模型[J]. 干旱地区农业研究, 2019, 37(03):238-243.
[10]	Othman Y A, Al-Ajlouni M G, St Hilaire R. Using hyperspectral surface reflectance data to detect chlorophyll content in pecans[J]. Fresenius Environmental Bulletin, 2019, 28(8):6117-6124.
[11]	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(02):220-229.
[12]	依尔夏提·阿不来提, 买买提·沙吾提, 白灯莎·买买提艾力, 等. 基于随机森林法的棉花叶片叶绿素含量估算[J]. 作物学报, 2019, 45(01):81-90.
[13]	武改红, 冯美臣, 杨武德, 等. 冬小麦叶片SPAD值高光谱估测的预处理方法[J]. 生态学杂志, 2018, 37(05):1589-1594.
[14]	余蛟洋, 常庆瑞, 班松涛, 等. 猕猴桃叶片SPAD值高光谱估算模型构建[J]. 干旱地区农业研究, 2018, 36(6):168-174.
[15]	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):260-265,272.
[16]	张东, 塔西甫拉提·特依拜, 张飞, 等. 分数阶微分在盐渍土高光谱数据预处理中的应用[J]. 农业工程学报, 2014, 30(24):151-160.
[17]	张亚坤, 罗斌, 潘大宇, 等. 基于分数阶微分算法的大豆冠层氮素含量估测研究[J]. 光谱学与光谱分析, 2018, 38(10):3221-3230.
[18]	王敬哲, 塔西甫拉提·特依拜, 丁建丽, 等. 基于分数阶微分预处理高光谱数据的荒漠土壤有机碳含量估算[J]. 农业工程学报, 2016, 32(21):161-169.
[19]	Lin X, Su Y C, Shang J, et al. Geographically weighted regression effects on soil zinc content hyperspectral modeling by applying the fractional-order differential[J]. Remote Sensing, 2019, 11(6):636. doi: 10.3390/rs11060636 URL
[20]	郑人文, 李子波, 唐荣年. 基于分数阶微分的橡胶树割胶期氮素含量定量检测[J]. 南方农业学报, 2019, 50(04):802-808.
[21]	Fu C, Xiong H, Tian A. Fractional Modeling for Quantitative Inversion of Soil-Available Phosphorus Content[J]. Mathematics, 2018, 6(12):330. doi: 10.3390/math6120330 URL
[22]	王敬哲, 塔西甫拉提·特依拜, 张东. 基于分数阶微分的荒漠土壤铬含量高光谱检测[J]. 农业机械学报, 2017, 48(05):152-158.
[23]	Fu C, Gan S, Yuan X, et al. Impact of fractional calculus on correlation coefficient between available potassium and spectrum data in ground hyperspectral and Landsat 8 image[J]. Mathematics, 2019, 7(6):488. doi: 10.3390/math7060488 URL
[24]	茹克亚·萨吾提, 阿不都艾尼·阿不里, 尼加提·卡斯木, 等. 基于分数阶微分的春小麦叶绿素含量高光谱估算[J]. 麦类作物学报, 2019, 39(06):738-746.
[25]	季学军, 王大州, 沈思灯, 等. 安徽省宣城市特色烟种植潜力定量评价[J]. 土壤, 2010, 42(04):648-651.
[26]	薛定宇, 陈阳泉. 高等应用数学问题的MATLAB求解[M]. 北京: 清华大学出版社, 2008:389-390.
[27]	张春兰, 杨贵军, 李贺丽, 等. 基于随机森林算法的冬小麦叶面积指数遥感反演研究[J]. 中国农业科学, 2018, 51(005):855-867.
[28]	张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J]. 生态学报, 2014, 34(03):650-659.
[29]	林少喆, 彭致功, 张宝忠, 等. 基于光谱变换的冬小麦冠层SPAD值估算模型研究[J]. 中国农村水利水电, 2020, 449(03):38-43.
[30]	武倩雯, 熊黑钢, 王凯龙, 等. 干旱区玉米抽雄期叶绿素含量高光谱最佳模型选择[J]. 干旱地区农业研究, 2015, 33(02):81-86.

阶数	特征波长数量	特征波长/nm
0	5	1806、1805、1320、1795、1503
0.1	16	1316、892、744、1314、745、730、732、1317、1318、1319、1491、1787、700、1520、1521、1492
0.2	20	732、731、1501、1500、734、733、1499、1497、1313、1498、1771、1305、1770、1772、1503、1312、1306、1769、1767、1768
0.3	2	1298、1504
0.4	5	1295、1254、1294、1296、1256
0.5	1	1252
0.6	6	1289、1290、1288、1287、691、1293
0.7	18	1286、1285、1287、1564、972、1288、1562、2066、1563、2067、973、693、692、691、2065、1284、2068、2069
0.8	4	972、2066、692、2067
0.9	11	1458、884、692、1457、1460、1461、690、2066、2067、693、2068
1	11	1456、1455、690、884、693、885、691、2066、692、661、2065
1.1	3	1453、1663、884
1.2	20	636、635、1451、634、1452、500、622、1662、1659、2235、1661、639、1660、637、690、641、691、1658、689、621
1.3	3	1450、501、500
1.4	13	500、1449、501、635、634、499、1223、536、1221、637、636、1063、1651
1.5	12	634、500、635、499、545、637、501、1219、1448、858、1222、688
1.6	4	499、500、705、844
1.7	8	703、499、545、635、500、633、493、494
1.8	6	703、843、499、494、493、1532
1.9	11	702、843、498、499、1531、703、1530、494、500、493、653
2	4	703、702、521、843

阶数	特征波长数量	特征波长/nm
0	5	1806、1805、1320、1795、1503
0.1	16	1316、892、744、1314、745、730、732、1317、1318、1319、1491、1787、700、1520、1521、1492
0.2	20	732、731、1501、1500、734、733、1499、1497、1313、1498、1771、1305、1770、1772、1503、1312、1306、1769、1767、1768
0.3	2	1298、1504
0.4	5	1295、1254、1294、1296、1256
0.5	1	1252
0.6	6	1289、1290、1288、1287、691、1293
0.7	18	1286、1285、1287、1564、972、1288、1562、2066、1563、2067、973、693、692、691、2065、1284、2068、2069
0.8	4	972、2066、692、2067
0.9	11	1458、884、692、1457、1460、1461、690、2066、2067、693、2068
1	11	1456、1455、690、884、693、885、691、2066、692、661、2065
1.1	3	1453、1663、884
1.2	20	636、635、1451、634、1452、500、622、1662、1659、2235、1661、639、1660、637、690、641、691、1658、689、621
1.3	3	1450、501、500
1.4	13	500、1449、501、635、634、499、1223、536、1221、637、636、1063、1651
1.5	12	634、500、635、499、545、637、501、1219、1448、858、1222、688
1.6	4	499、500、705、844
1.7	8	703、499、545、635、500、633、493、494
1.8	6	703、843、499、494、493、1532
1.9	11	702、843、498、499、1531、703、1530、494、500、493、653
2	4	703、702、521、843

阶次	训练集		验证集
阶次	R²	RMSE	R²	RMSE
0.0	0.870	2.779	0.565	3.237
0.1	0.922	2.156	0.402	3.908
0.2	0.920	2.139	0.511	3.525
0.3	0.872	2.660	0.652	3.038
0.4	0.824	2.968	0.583	3.230
0.5	0.919	2.359	0.537	3.382
0.6	0.888	2.544	0.463	3.636
0.7	0.920	2.208	0.499	3.445
0.8	0.853	2.680	0.606	3.056
0.9	0.924	2.088	0.470	3.635
1.0	0.925	2.109	0.484	3.509
1.1	0.893	2.368	0.666	3.105
1.2	0.910	2.290	0.421	3.787
1.3	0.860	2.632	0.453	3.591
1.4	0.910	2.330	0.493	3.456
1.5	0.904	2.322	0.346	3.932
1.6	0.856	2.728	0.539	3.315
1.7	0.905	2.439	0.368	3.859
1.8	0.911	2.303	0.689	2.782
1.9	0.914	2.273	0.690	2.799
2.0	0.875	2.558	0.369	3.878

阶次	训练集		验证集
阶次	R²	RMSE	R²	RMSE
0.0	0.870	2.779	0.565	3.237
0.1	0.922	2.156	0.402	3.908
0.2	0.920	2.139	0.511	3.525
0.3	0.872	2.660	0.652	3.038
0.4	0.824	2.968	0.583	3.230
0.5	0.919	2.359	0.537	3.382
0.6	0.888	2.544	0.463	3.636
0.7	0.920	2.208	0.499	3.445
0.8	0.853	2.680	0.606	3.056
0.9	0.924	2.088	0.470	3.635
1.0	0.925	2.109	0.484	3.509
1.1	0.893	2.368	0.666	3.105
1.2	0.910	2.290	0.421	3.787
1.3	0.860	2.632	0.453	3.591
1.4	0.910	2.330	0.493	3.456
1.5	0.904	2.322	0.346	3.932
1.6	0.856	2.728	0.539	3.315
1.7	0.905	2.439	0.368	3.859
1.8	0.911	2.303	0.689	2.782
1.9	0.914	2.273	0.690	2.799
2.0	0.875	2.558	0.369	3.878

阶数	BP-SPAD		PLS-SPAD
阶数	R²	RMSE	R²	RMSE
0	0.468	3.539	0.551	3.481
0.1	0.437	3.690	0.390	3.815
0.2	0.396	4.083	0.541	3.579
0.3	0.513	3.987	0.473	3.729
0.4	0.387	3.854	0.422	3.908
0.5	0.395	3.974	0.402	4.246
0.6	0.449	3.915	0.522	3.513
0.7	0.454	3.595	0.485	3.477
0.8	0.414	3.880	0.471	3.530
0.9	0.493	3.553	0.463	3.714
1	0.469	3.818	0.466	3.678
1.1	0.589	3.219	0.561	3.440
1.2	0.415	3.869	0.584	3.127
1.3	0.377	3.980	0.460	3.69
1.4	0.523	4.001	0.660	2.870
1.5	0.522	3.832	0.452	3.594
1.6	0.376	3.899	0.389	3.795
1.7	0.504	4.073	0.164	4.556
1.8	0.477	3.525	0.521	3.481
1.9	0.436	3.778	0.559	3.291
2	0.427	3.726	0.269	4.307

基于高光谱分数阶微分的烟叶SPAD值估测

SPAD Value Estimation of Tobacco Leaves Based on Hyperspectral Fractional Differential

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	李冬雪, 王一柳, 郇威威, 卜令铎, 王睿智, 刘浩, 卢殿君, 王火焰, 陈小琴. 枸溶性钾肥对玉溪烟叶及根区土壤养分含量的影响[J]. 中国农学通报, 2022, 38(7): 67-73.
[2]	关罗浩, 杨欣, 李超, 张艳玲, 张广富, 李永亮, 周汉平, 王广山, 钟帅, 戴华鑫. 留叶数对腾冲烟叶产质量的影响[J]. 中国农学通报, 2022, 38(4): 10-15.
[3]	黄磊, 李艺萌, 钟帅, 金保锋, 高晋军, 王晓园, 关罗浩, 王初亮, 黄妧婷, 李敏. 低氧贮存片烟解封后理化指标和质量变化研究[J]. 中国农学通报, 2022, 38(4): 107-112.
[4]	侯建林, 李思军, 何铭钰, 肖汉乾, 向铁军, 黄杰, 李武进, 肖艳松, 江智敏, 徐均华, 邓小华. 不同施肥模式对稻茬烤烟生长和干物质积累及产质量的影响[J]. 中国农学通报, 2022, 38(33): 39-43.
[5]	王政, 刘久羽, 阚宏伟, 黄劭理, 李智, 董树超, 刘杨旭, 李晓婷, 杨晓斌, 李先才. 氮肥运筹对‘红大’烤烟根系形态与烟叶品质的影响[J]. 中国农学通报, 2022, 38(25): 1-7.
[6]	宋钊, 梁栌丹, 黄文茵, 陈潇, 曹健, 何裕志, 张白鸽. 涝渍胁迫下辣椒叶绿素含量与SPAD值相关性模型建立及应用[J]. 中国农学通报, 2022, 38(25): 30-37.
[7]	赵文军, 薛开政, 杨继周, 胡保文, 付利波, 尹梅, 陈检锋, 王伟, 王志远, 王应学, 李延润, 陈华. 烤烟-绿肥轮作对烤烟产量和品质的影响[J]. 中国农学通报, 2022, 38(25): 8-15.
[8]	王祯, 刘晨, 王文婷, 张霞, 朱先约, 朱萍, 宋凯. 醇化烟叶表面细菌筛选及增香效应研究[J]. 中国农学通报, 2022, 38(22): 151-156.
[9]	周东, 张艳, 吕俊, 张建奎, 邓可宣, 宗学凤, 戴秀梅. 烤烟‘渝金香1号’致香物质含量分析[J]. 中国农学通报, 2022, 38(19): 146-151.
[10]	钟秋, 刘涛, 伍骏骞, 陈勇, 徐昊, 易凯, 范丹. 合作社成员资格对雪茄烟叶种植经济效益的影响——以四川什邡为例[J]. 中国农学通报, 2022, 38(17): 134-142.
[11]	刘久羽, 王政, 王柱石, 李发平, 阚宏伟, 李智, 邓泳, 徐茂华. 不同覆盖施用保水剂对土壤物理性状、酶活及烤烟产质量的影响[J]. 中国农学通报, 2022, 38(10): 78-84.
[12]	梁永进, 尚海丽, 盘文政, 赵学通, 李德文, 李建云, 张琪. 微生物菌肥对‘K326’烤烟生长发育及产质量的影响[J]. 中国农学通报, 2021, 37(23): 45-51.
[13]	余垚颖, 王明富, 何佶弦, 张启莉, 陈利平, 蒋豪, 顾会战. NPK用量及基追养分分配对烟叶产质量的影响研究[J]. 中国农学通报, 2021, 37(23): 52-60.
[14]	哈发都曼, 马露露, 印彩霞, 苏维, 李冬梅, 丁怡人, 吕新, 张泽. 基于叶片SPAD的棉花氮营养指数估算研究[J]. 中国农学通报, 2021, 37(18): 31-37.
[15]	沐婵, 钱荣青, 杨绍聪, 张艳军, 姚照兵, 李成春, 胡选江, 申文智, 林姣姣, 蔡述江. 不同成熟度烟株根际土壤无机氮含量与叶片SPAD值及氮含量的相关性分析[J]. 中国农学通报, 2021, 37(1): 21-26.