基于主成分分析和随机森林的橡胶小苗叶片磷含量高光谱预测.docx

    基于主成分分析和随机森林的橡胶小苗叶片磷含量高光谱预测    郭澎涛+苏艺+茶正早摘 要 为指导橡胶苗施肥管理，通过设置不同磷素水平的橡胶小苗砂培试验，利用高光谱仪测得不同磷处理水平下的橡胶苗叶片光谱反射率，进而运用主成分分析法对原始光谱反射率数据进行压缩及提取主要信息，最后以提取的主要信息为输入变量，结合多重线性回归、偏最小二乘回归和随机森林模型对橡胶苗叶片磷含量进行预测结果表明：不同磷处理水平下橡胶苗叶片磷含量差异显著；在可见光波谱范围401～669 nm内，光谱反射率随施磷量的增加而增加；不论在训练集还是在验证集，随机森林模型的预测精度最高，训练集和验证集中预测值和实测值之间的相关系数r分别为0.985 0和0.988 4，均方根误差RMSE分别为0.016 5和0.018 2，平均相对误差MRE分别为5.74%和5.99%，模型性能指数RPD分别为3.83和4.01，证明高光谱技术可以快速、准确地诊断橡胶苗叶片磷含量关键词 高光谱遥感技术 ；叶片 ；磷素 ；营养诊断分类号 S794.1Prediction of Rubber Seedling Leaf Phosphorus Contents Basedon Hyperspectral Technology and Random Forest ApproachGUO Pengtao SU Yi CHA Zhengzao（Rubber Research Institute，CATAS， Danzhou， Hainan 571737）Abstract The aim of this study was to test the utility of hyperspectral technology in combination with random forest （RF） approach and principal component analysis （PCA） to estimate rubber seedlings leaf phosphorus contents. A sand culture experiment was carried out to grow rubber seedlings. These rubber seedlings were cultivated with Hoagland's nutrient solutions set at five levels of phosphorus concentration. Leaves of rubber seedlings were sampled at 85， 100， 115， 133， 148 and 163 days after the culture， respectively. A total of 150 samples were collected. At each sampling date， collected leaves were sent to laboratory as soon as possible， and then their leaf hyperspectral reflectance was measured by ASD FieldSpec 3 spectrometer. Phosphorus contents of the corresponding leaves were also analyzed using the conventional chemical analysis method. A second order low-pass digital Butterworth filter with normalized cutoff frequency 0.5 was used to the original spectra to filter out the noise information. Next， PCA was applied to the denoising leaf hyperspectral reflectance to extract the principal components （PCs）. Then，these selected PCs were used as input variables， and multiple linear regression （MLR）， partial least-squares regression （PLSR）， as well as RF model were employed to estimate rubber seedlings leaf phosphorus contents， respectively. Results indicated that rubber seedling leaf phosphorus contents at various treatments were significantly different at p<0.01 level. Within the range 401～669 nm， rubber seedling leaf reflectance increased with increasing leaf phosphorus contents. RF model got the best prediction results. Correlation coefficients （r） between predicted leaf phosphorus contents and measured leaf phosphorus contents were 0.9850 and 0.9884 for train dataset and test dataset， respectively； values of root mean squared errors （RMSE） were 0.0165 and 0.0182 for train dataset and test dataset， respectively； values of mean relative error （MRE） were 5.74% and 5.99% for train dataset and test dataset， respectively， and values of ratio of performance to deviation （RPD） were 3.83 and 4.01 for train dataset and test dataset， respectively. The results verified that hyperspectral remote sensing could be used to rapidly， and accurately predict the leaf phosphorus contents for rubber seedlings. Keywords Hyperspectral remote sensing technology ； leaf ； phosphorus ； nutrient diagnosis磷是橡胶树生长过程中必不可少的主要营养元素之一，参与橡胶树体内光合作用、呼吸作用、代谢物质的运输和转运等诸多重要代谢活动。

此外，天然橡胶的合成也必须有磷的参与才能完成缺磷时，橡胶树代谢受阻，茎干增粗变缓，胶乳早凝，严重影响橡胶树的生长和产胶[1]在橡胶树营养管理方面，主要通过叶片营养诊断指导橡胶树施肥[2]传统的橡胶树叶片营养诊断主要依赖实验室化验分析，该方法具有重现性好、准确度高等优点但其缺点也是显而易见的，即花费大、时效性不强，不能快速、实时指导大面积橡胶树施肥为解决此问题，亟需发展一种耗费少且快速、准确的橡胶树叶片营养诊断方法高光谱遥感技术具有这方面的潜力国内外相关学者已在利用高光谱遥感技术快速诊断植物氮素营养方面做了大量研究工作，并已形成一些较为实用的模型[3-7]然而，关于在植物磷素营养方面的研究还较少，目前主要集中在小麦[8-9]、玉米[10-11]、牧草[12-13]、苹果[14-15]和柑橘[16-17]等少数作物上刘炜等[9]通过分析小麦叶片原始光谱及其一阶导数对不同磷处理水平的响应特征，确定了叶片磷素敏感波长范围，同时提取其对应的吸收面积，并以之为输入变量，结合径向基函数神经网络模型预测了小麦叶片磷含量，预测精度满足了建模要求Ramoelo等[12]选择淀粉、氮素和蛋白质的光谱吸收波段以及红边位置、简单比率指数和归一化植被指数，并结合一些环境因子为输入变量，利用偏最小二乘回归预测了南非热带稀树大草原牧草氮、磷含量。

最近，岳学军等[17]开展了不同生长期柑橘叶片磷含量的高光谱预测研究，利用流形算法对去噪后的光谱数据进行降维和特征提取，进而建立了基于支持向量机的柑橘叶片磷含量预测模型结果表明，基于一阶导数的Isomap-SVR建模效果最佳，全生长期校正集和验证集模型决定系数分别为0.943 0和0.894 9就已有文献可知，目前还未见基于高光谱遥感技术的橡胶树叶片磷含量预测研究报道上述有关植物磷素营养高光谱诊断的研究都提出了一些所研究作物的磷素敏感波段，但是不同作物之间敏感波段差异较大，这些敏感波段对指导橡胶树叶片磷含量预测意义不大此外，以单一波段或植被指数为输入变量会造成高光谱信息的损失另一方面，若以全部原始光谱数据为输入变量进行建模，由于高光谱数据维数远大于目标变量个数，且高光谱不同波段之间存在相关性，导致构建的模型不能准确地反映光谱变量和目标变量之间的关系同时，植物生化参数与高光谱数据之间的关系往往是非线性的，传统的基于多重线性回归和偏最小二乘回归的预测方法存在一定的局限性为解决上述问题，本研究引入主成分分析和随机森林法，对砂培培养的橡胶苗叶片磷含量进行预测，以期为高光谱遥感技术在橡胶苗叶片磷素营养诊断方面的应用提供参考依据。

1 材料与方法1.1 材料选用经花药组织培养获得的热研7-33-97，供试品种苗龄为5个月1.2 方法1.2.1 试验设计试验在中国热带农业科学院橡胶研究所5队基地温室大棚进行试验采用砂培，先将石英砂过80目筛，然后用去离子水冲洗干净并晾干；接着再用去离子水清洗橡胶苗根系，除去培养基质；最后将除去根部培养基质的橡胶苗放入圆柱形塑料培养容器（高30 cm，直径10 cm）中，并用晾干后的石英砂进行覆盖橡胶苗用Hoagland营养液进行培养，设置5个磷处理水平： 0（P0）、7.75 mg/kg（P1）、15.5 mg/kg（P2）、23.25 mg/kg（P3）和31 mg/kg（完全Hoagland营养液，P4）每个磷处理水平设置5个重复（5株苗为1个重复），5个磷处理水平共有125株橡胶苗1.2.2 橡胶苗培养供试橡胶苗于2014年3月2日定植，然后用完全Hoagland营养液连续培养2个月培养期间，每株橡胶苗每周浇2次营养液，每次浇200 mL完全营养液培养完毕后，连续14 d用去离子水浇灌橡胶苗，洗去基质内的营养液；接着，利用不同磷处理水平的营养液对橡胶树进行培养，至2014年10月31日结束。

期间，每株橡胶苗每周浇灌2次营养液，每次200 mL1.2.3 叶片采集与光谱测定2014年8月11日进行第一次叶片采集，之后每隔15 d采集一次，至2014年10月26日结束，共采集6次每次采集时，每株橡胶苗取2片稳定期的叶片，每个重复共取10片叶作为1个样本叶片采集完毕后迅速送回实验室进行光谱测定叶片正面光谱反射率用美国ASD。