基于反射光谱的PCA及BP神经网络法预测甘蔗叶片叶绿素含量

陈晓 李修华 周永华 丁永军 刘小阳 马绍对 赵立安

摘要：叶绿素是植物進行光合作用的重要色素，叶绿素含量可以作为评价植物生长状况的重要参数。本研究基于甘蔗叶片的反射光谱，利用PCA及BP神经网络算法，建立了甘蔗叶片的叶绿素含量预测模型。PCA算法可以在尽可能少地丢失有用光谱信息的前提下，降低输入光谱矩阵的维数，最大限度地减少冗余信息。BP神经网络算法因其良好的非线性逼近能力可大大提高该模型的预测精度。研究发现：基于PCA和BP算法建立的叶绿素含量预测模型，其预测值与实测值之间的R2达0.8929，表明该模型具有较高的预测能力。

关键词：甘蔗叶片；光谱反射率；叶绿素含量；PCA算法；BP神经网络

中图分类号：O657.3； TP722.4文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.008

1引言

甘蔗是广西地区最重要的经济作物，新台糖22号甘蔗是广西蔗区种植面积最广的品种。但是与发达地区相比，广西的甘蔗生产水平相对较低，生产成本偏高，产品的国际竞争力不强。了解甘蔗的生长状况，建立与作物长势有关的作物生化指数（这里指的是叶绿素含量）的预测模型是精细农业研究的重要内容。叶片叶绿素含量植物的状态，而光谱为无损估算叶片叶绿素含量提供了[1-4]。

Gitelson等[5]通过对不同作物的冠层反射光谱进行研究，发现在波长550 nm和700 nm附近的光谱与叶绿素的含量相关性显著；Hansena and Schjoerring[6]通过比较预先假设的NDVI的两个长波段的预测模型，采用偏最小二乘法选择相关性最高的波段组合，结果发现用于估算叶片叶绿素含量的模型准确度高；赵春江、张金恒等[7-8]研究认为利用红边波段的反射光谱可以估算叶片叶绿素含量。

BP（Back Propagation）神经网络通常是指基于误差反向传播算法的多层前向神经网络。目前BP神经网络已成为近红外光谱定量分析中应用最广的非线性多元校正方法。刘建学等[9-12]基于BP神经网络建立了大米淀粉含量的预测模型；王艳斌[7]等针对不同馏程柴油的近红外光谱进行校正，认为人工神经网络具有较好的准确性和抗干扰性；张钦礼等[13]针对矿岩可爆性进行预测分析，建立了基于主成分析（Principal Component Analysis，PCA）和BP组合的矿岩可爆性分级评价模型，预测值与期望值之间的相对误差控制在6%以内；陈建宏等[14]建立了基于PCA和BP相结合的采矿方法优选模型了数据处理速度较慢的缺陷。王栋等[15]研究发现基于灰色关联和BP神经网络的汽车保有量预测模型具有较高的精度，最大相对误差为2.2%，平均相对误差为1.5%。

人工神经网络方法具有很强的非线性逼近能力，已经在近红外分析中得到广泛的应用。针对甘蔗作物光谱特性进行研究的文献少，研究基于PCA和BP神经网络算法，建立了甘蔗叶片叶绿素含量的预测模型。

2实验数据获取

该实验是在2015年5月26日，在广西大学农学院试验田进行。甘蔗品种选择新台糖22号（ROC22）。采用“3414”施肥方案，肥料选择尿素（N）、氯化钾（K）和钙镁磷肥（P）。此次试验是在每个小区，共42个样本。实验使用的是岛津紫外可见分光光度计UV-2600，其测量的测波长范围是220-1400 nm，分辨率为0.1 nm。可用于测量甘蔗叶片的反射光谱和叶绿素含量

a和Cb分别为叶绿素a、b的浓度，叶绿素浓度。A645与A663分别为645 nm与663 nm波长下的萃取液吸光度。3基于PCA和BP神经网络的叶绿素含量预测模型设计

本实验利用甘蔗叶片在可见光-近红外区域的反射率数据作为该模型的输入，光谱矩阵X，叶绿素的含量值作为其输出。本研究主要基于BP算法的思想建立预测叶绿素含量的模型。但是直接将光谱矩阵X作为神经元的输入，导致BP网的规模比较大，训练也较为复杂。我们首先利用PCA消除光谱数据之间的多重共线性，对原始光谱矩阵进行降维处理，提取出主成分。进一步确定最终主成分的数目，并将这些主成分作为BP网的输入。另外，根据BP神经网络理论，编写BP算法的程序，建立叶绿素含量的预测模型。

3.1PCA算法和BP神经网络算法的原理

PCA是对多变量数据进行统计处理的一种数据线性投影方法，它在尽可能保留原有信息的基础上将高维空间中的样本映射到较低维的主成分空间中。其基本思路是以一种最优的方法把相互相关的一组数据，通过正交变换使其变为一组相互无关的变量，以达到简化光谱矩阵，降低维数的目的。对于一个具有n个样本p个波长点光谱矩阵

以上测试结果表明：在一定的误差范围内，利用经过改进的BP神经网络模型能较好预测叶绿素含量。这主要是因为前5个主成分几乎原始光谱信息另外BP神经网络自身的结构特点也决定了其具有较好的预测能力。

4结语

本论文主要研究了处于分蘖初期的甘蔗叶片在可见-近红外波段的光谱特性对其叶绿素含量的预测能力。首先对光谱范围为400 nm～1000 nm的甘蔗叶片反射率进行了主成分分析，以尽可能地减少冗余信息；接下来，采用前5个主成分作为BP神经网络的输入，建立了叶绿素的预测模型。研究发现，采用PCA及BP神经网络算法相结合的方法建立的预测模型具有较强的预测能力（R2=0.8929，pvalue=0.0016）。但是，利用全波段的光谱信息来作为预测模型的输入，数据量较大，数据获取成本较高，增加了模型的复杂性及应用成本，不利于后期推广。另外，由于研究中用到的样本数据较少，该模型仍存在一定的不稳定因素，后期可通过增加训练样本数量集，进一步增加模型的鲁棒性。

参考文献

[1]THENKABAIL P S， SMITH R B， DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment， 2001，71：158-182.

[2]FILELLA I， SERRANO I， SERRA J，et al.Evaluating wheat nitrogen status with canopy relfectance indices and discriminant analysis[J]. Crop Sci，1995，35：1400-1405.

[3]RICHARDSON A D， DUIGAN S P， BERLYN G P. An evaluation of noninvasive methods to estimate foliar chlorophyll content[J]. New Phytol，2002，153：185-194.

[4]李修华， 陈晓， 周永华，等. 不同施肥情况下甘蔗叶片光谱特性分析及其叶绿素含量预测[J].农业工程学报，2015，31：118-123.

[5]GITELSON A A， MERZLYAK M N J. PhotochemPhotobiol， Quantitative estimation of chlorophyll a using reflectance spectra： Experiments with autumn chestnut and maple leaves. J Photochem Photobiol，1994a，（B） 22：247-252.

[6]HANSENA P M.，SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment，2003，86： 542-553.

[7]赵春江，黄文江，王纪华，等.不同品种和肥水条件下冬小麦光谱红边参数研究[A]. 成像光谱技术与应用研讨会论文集[C]. 2002，69-73.

[8]张金恒，王珂，王人潮. 高光谱评价植被叶绿素含量的研究进展[J].上海交通大学学报， 2003， 21（4）： 349-360.

[9]RIAR A. In： Bhullar GS， Bhullar NKA （eds） Agricultural Sustainability Progress and Prospects in Crop Research[J]， 1st edn. Jamestown Road， London. 2013.

[10]CRAMARIUC R，NISIPARU L，TANASE G.Test for the electrostatic crop spraying as a method of treatment with vctra low volume，the modern problems of electrostatics with applications in environment protection[J].NATO ASI Seriea，1998，118：33-38，379-392.

[11]孫红，李民赞，周志艳，等.玉米生长期叶片叶绿素含量检测研究.光谱学与光谱分析，2010，4： 1080-1083.

[12]APARICIO N，VILLEGAS D，CASADESUS J，et al.Spectral vegetation indices as non-destructive Curran PJ[J]， Agronomy Journal，2000，92： 83-91.

[13]张钦礼，刘伟军，杨伟，等. 基于PCA和改进BP组合预测模型的矿岩可爆性研究[J]. 爆破， 2016，33（1）：19-30.

[14]陈建宏， 刘浪， 周智勇， 等. 基于主成分分析与神经网络的采矿方法优选[J]. 中南大学学报：自然科学版，2010，41（5）：1967-1974.

[15]王栋，邓北川. 山区高速公路直线段车速预测方法[J]. 交通科学与工程，2014，30（2）：81-86.

[16]LI X， LI M， LEE W S，et al.VisibleNIR Spectral Feature of Citrus Greening Disease[J]. Spectroscopy and Spectral Analysis，2014，34（6）：1553-1559.

第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7第36卷第1期2017年3月计算技术与自动化Computing Technology and AutomationVol36，No1Mar. 2 0 1 7