Inversion model of chlorophyll content in japonica rice canopy based on PSO-ELM and hyper-spectral remote sensing
-
摘要:目的
叶绿素含量是表征粳稻生长状态的重要指示信息，利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。
方法以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础，利用连续投影算法(SPA)进行有效波段的提取，提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入，利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中，针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C1、C2)、速度位置相关系数(m)这5个参数进行了优化。
结果确定了最优参数：p为80，w为0.9~0.3线性递减，C1和C2分别为2.80和1.10，m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887，均方根误差分别为1.824和0.783。
结论利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型，前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。
-
关键词:
- 无人机 /
- 叶绿素含量 /
- 粳稻 /
- 高光谱遥感 /
- 粒子群优化极限学习机
Abstract:ObjectiveChlorophyll content is an important indicator of the growth status of japonica rice. This study was aimed at obtaining chlorophyll content of japonica rice in a regional scale in time with UAV hyper-spectral remote sensing technology.
MethodThis study was based on the UAV remote sensing test data of japonica rice in Liaozhong Experiment Station of Shenyang Agricultural University from 2016 to 2017. The successive projection algorithm (SPA) was used to extract the effective bands including 410, 481, 533, 702 and 798 nm. The extracted characteristic bands were used as the input, and the inversion models of chlorophyll contents in japonica rice canopy were established respectively using the extreme learning machine (ELM) and particle swarm optimization-extreme learning machine (PSO-ELM). In the PSO-ELM model, five parameters of PSO algorithm including proportion of population (p), inertial weight (w), learning factors (C1, C2), and velocity position correlation coefficient (m) were optimized.
ResultThe optimal parameters were determined: p was 80, w was from 0.9 to 0.3 with a linear decline, C1 and C2 were 2.80 and 1.10 respectively, and m was 0.60. For the established models of chlorophyll content in japonica rice using the optimized ELM and PSO-ELM, the determination coefficients were 0.734 and 0.887 respectively, and the mean square error were 1.824 and 0.783 respectively.
ConclusionThe inversion model for chlorophyll content in japonica rice based on the optimized PSO-ELM has higher precision compared with the model based on ELM, and has better inversion ability of chlorophyll content in japonica rice. This study provides data support and application basis for the diagnosis of chlorophyll content in japonica rice by UAV hyper-spectral remote sensing technology in Northeast China.
-
Keywords:
- UAV /
- chlorophyll content /
- japonica rice /
- hyperspectral remote sensing /
- PSO-ELM
-
香菇Lentinus edodes又称花菇、香信、香蕈、冬菇、香菌，为侧耳科植物香蕈的子实体，作为世界第2大食用菌，在我国食用菌种植产业中占有很大比例[1]，在民间素有“山珍”之称。香菇具有提高免疫、降血压、降血脂、降胆固醇、防癌抗癌等功效，且适合加工和烹调，受到消费者的极大青睐。当前除了直接烹调食用外，香菇还被制成香菇酱、脆片等食品[2]。但是香菇中含有大量水分，储藏时间短，难以运输，干制香菇可以很好地解决这个问题。
干燥过程对香菇的口感和储藏稳定性有很大影响，因此研究干燥工艺显得尤为重要。目前，普遍使用的干燥加工方法为热泵干燥，此干燥方式热效率高[3]，常用于胡萝卜[4]、毛竹笋[5]、红枣[6]、杏鲍菇[7]等果蔬，但其存在多种缺陷，如微生物以及细菌总数易超标[4]等；真空干燥虽干燥时间长、成本高[8]，但其干燥品质明显高于热泵干燥，故常用于对品质要求较高果蔬，如野生软枣猕猴桃[9]、黄秋葵[10]、雪莲果粉[11]、桑葚[12]等。目前，关于香菇的热泵–真空联合干燥还鲜有报道。本文将这2种干燥方式结合起来，进行分阶段干燥，期望优势互补，得到品质与真空干燥相近，能耗又低于真空干燥的干制香菇。另外，本文还利用响应面法优化香菇热泵–真空联合干燥工艺参数，建立动力学模型，并将试验结果与单一热泵干燥、单一真空干燥对比，为联合干制香菇实际生产提供参考依据。
1. 材料与方法
1.1 试验材料
新鲜香菇购于农贸批发市场，挑选大小、菇头厚度相近且表面无明显破损的香菇作为试验样品。试验测定新鲜香菇的初始湿基含水率(w)为(89.27±1)%。简单冲洗后，放入冰箱内4 ℃条件下保存待用。
1.2 试验方法
1.2.1 工艺流程
新鲜香菇→热泵干燥(热泵干燥机：LAD-060型，徐州市海涛制冷设备有限公司)→真空干燥(真空干燥机：LABCONCO FreeZone型，上海珂淮仪器有限公司)，最终湿基含水率(w)在13%以下[7]→测定指标。
1.2.2 确定试验因素
香菇的热泵–真空联合干燥产品品质与很多因素有关，如热泵干燥的风速、湿度、温度和真空干燥的真空度(以下简称真空度)、温度以及装载量、转换点含水率等[13-16]。由于试验设备限制，很多参数都不可调，所以固定热泵干燥风速为1.6 m·s–1，湿度为10%，真空干燥冷阱温度为–50 ℃。根据王安建等[17]的研究，1 176 g·m–2为热泵干燥的最优装载量，本试验修正固定装载量为1.2 kg·m–2。每次试验物料质量为1.2 kg，当热泵干燥结束，转为真空干燥时，真空干燥铺料总面积为0.25 m2。
综上所述，确定热泵温度、真空度和转换点含水率为试验的3个因素，分别分析其对单位能耗、感官评分、复水比和硬度的影响。
1.2.3 单因素试验
用单因素试验法来确定因素(热泵温度、真空度和转换点含水率)的0水平。在装载量为1.2 kg·m–2，热泵干燥风速为1.6 m·s–1，湿度为10%，真空干燥冷阱温度为–50 ℃的条件下，分别进行试验，记录各组的4项指标。试验分为3组，共计12次联合干燥试验：
1)先进行热泵干燥，将热泵温度设置为30、40、50、60 ℃，待含水率降至55%，停止热泵干燥，转为真空干燥，设置真空度为100 Pa；
2)先进行热泵干燥，设置热泵温度为50 ℃，待含水率降至55%，停止热泵干燥，转为真空干燥，将真空度设置为50、75、100、125 Pa；
3)先进行热泵干燥，设置热泵温度为50 ℃，待含水率降至25、40、55、70%，转为真空干燥，真空度设置为100 Pa。
1.2.4 响应面优化试验设计
采用Box-Behnken Design(BBD)试验设计方法，以热泵温度(A)、真空度(B)、转换点含水率(C)为自变量，进一步研究这3个因素与联合干燥香菇产品单位能耗、感官评分、复水比和硬度的关系。试验因素水平见表1。
表 1 试验因素水平表Table 1. Factor levels of the test水平
Levelθ热泵/℃
Heat pump temperature
(A)真空度/Pa
Vacuum degree
(B)转换点含水率(w)/%
Conversion point moisture content
(C)–1 45 90 45 0 50 100 55 1 55 110 65 1.2.5 对比试验
分别进行3次单独的热泵干燥(温度49 ℃)和真空干燥试验(真空度110 Pa)，取均值得出单位能耗、感官评分、复水比和硬度，并与联合干燥进行对比。
1.3 指标测定方法
1.3.1 含水率
含水率根据GB 5009.3—2016[18]测得，所用仪器为电热鼓风干燥箱(101-A型，上海锦昱科学仪器有限公司)。
1.3.2 单位能耗
单位能耗为香菇每损失1个单位质量水分所消耗的电能。从经济效益出发，单位能耗越小越好。根据电表读数来计算，计算公式[19]为：
$$C=3\,600({W_2}-{W_1})/M,$$ (1) 式中，C为单位能耗，kJ·g–1；W1和W2分别为试验开始时和结束后的电表读数，kW·h；M为干燥去除水分总质量，g。
1.3.3 复水比
复水比用质量的增加程度表示，其值越大越好。将装有蒸馏水的烧杯放入40 ℃的恒温水浴锅(HH-1型，金坛市城东超韵实验仪器厂)中，10 min后将联合干燥后的香菇样品浸没入蒸馏水30 min(料液质量比为1∶30)，快速沥干，测质量，复水比(R)计算公式[20]为：
$$R={m_{\rm f}}/{m_{\rm g}},$$ (2) 式中，mg、mf分别为香菇复水前、后的质量，g。
1.3.4 感官评分
表 2 香菇感官品质评价标准Table 2. Evaluation standard of Lentinus edodes sensory quality评分
Score厚薄
Thickness色泽
Color肉质
Quality香气
Aroma8~10 内外均一 淡黄色，色泽均匀 肉质紧密，有脆感，软硬适中 菇香浓郁，气味怡人 4~8 内外基本均一 黄褐色，色泽均匀 肉质紧密，略有脆感 菇香一般，气味不足 0~4 内外严重不均，有薄有厚 深褐色，色泽不均 肉质较软，无脆感，或口感较硬 菇香不明显，有炭化味 1.3.5 硬度
将质构仪(TMS—PRO型，美国食品特性研究开发机构FTC)设置为TPA测量模式，测前和测后速度为8 mm·s–1，测试最大距离为20 mm，测试速度为2 mm·s–1，每组测10次，每次间隔时间为5 s，求平均值，得硬度指标[22]。
1.4 数据处理
运用Excel、Spss和Design-Expert.8.05b软件对香菇热泵–真空干燥试验数据进行分析。
2. 结果与分析
2.1 单因素试验
2.1.1 不同热泵温度对香菇干燥效果的影响
单因素第1组试验结果如图1所示。由图1可以看出，热泵温度从30 ℃增加到60 ℃，单位能耗和复水比显著降低，感官评分下降，硬度显著提高。温度过高，香菇的内部结构受到破坏，出现干燥不均匀现象，故在60 ℃时，香菇的感官评分和复水比下降，并且部分产品会因酶促和非酶促反应而出现褐变，产生褐色硬荚，导致硬度上升，质量变差。这与Jayaraman等[23]的结论相符，其研究发现在干燥过程中，果蔬因内部结构遭到破坏而吸水性能减弱，复水比下降。50 ℃时的单位能耗与60 ℃时相近，而且其他3项指标明显优于后者，因此选择50 ℃作为热泵温度的0水平。
![]()
图 1 热泵温度对香菇单位能耗、感官评分、复水比和硬度的影响各图中，柱子上方的不同小写字母表示差异显著 (P<0.05, Duncan’s法)Figure 1. The influences of heat pump temperature on unit energy consumption, sensory score, rehydration ratio and hardness of Lentinus edodesIn each figure, different lowercase letters on the bars indicated significant difference (P<0.05, Duncan’s test)2.1.2 不同真空度对香菇干燥效果的影响
单因素第2组试验结果如图2所示。由图2可以看出，真空度从50 Pa增加到100 Pa，单位能耗下降，但增加到125 Pa时，干燥罐内的气压过小，空气过于稀薄，影响了水分传递进程，导致单位能耗显著上升；随着真空度加大，感官评分和复水比增加，硬度下降(真空度为75 Pa时，其硬度与50和100 Pa时无显著差异性，但是50和100 Pa之间差异显著)，这是因为干燥罐内气压下降，空气含量减少，减轻了香菇的氧化程度，香菇也较易形成疏松多孔的结构[24]。虽然真空度为125 Pa时的感官评分和复水比最高，硬度小，但是单位能耗为本研究最先考虑指标，因此选择100 Pa作为真空度的0水平。
![]()
图 2 真空度对香菇单位能耗、感官评分、复水比和硬度的影响各图中，柱子上方的不同小写字母表示差异显著 (P<0.05, Duncan’s法)Figure 2. The influences of vacuum degree on unit energy consumption, sensory score, rehydration ratio and hardness of Lentinus edodesIn each figure, different lowercase letters on the bars indicated significant difference (P<0.05, Duncan’s test)2.1.3 不同转换点含水率对香菇干燥效果的影响
单因素第3组试验结果如图3所示。由图3可以看出，随着转换点含水率的增加，单位能耗显著增大。这是因为热泵干燥的能耗远小于真空干燥，真空干燥时间越长，其单位能耗也越大；其次，转换点含水率越大，说明香菇由热泵转为真空干燥的水分比例就越大，这对感官评分、复水比和硬度都有积极的影响(各自组内都具有显著差异性)。虽然转换点含水率为70%时的复水比和感官评分都达到最高值，表面无明显硬荚，硬度小，但其单位能耗也最大，然而转换点含水率为55%时的感官评分、复水比和硬度与70%时相近且单位能耗低，因此选择55%作为转换点含水率的0水平。
![]()
图 3 转换点含水率对香菇单位能耗、感官评分、复水比和硬度的影响各图中，柱子上方的不同小写字母表示差异显著 (P<0.05, Duncan’s法)Figure 3. The influences of conversion point moisture content on unit energy consumption, sensory score, rehydration ratio and hardness of Lentinus edodesIn each figure, different lowercase letters on the bars indicated significant difference (P<0.05, Duncan’s test)2.2 香菇联合干燥工艺参数的优化
为了得到更加精确的干燥工艺条件，使用Design-Expert.8.05b软件，设计了3因素3水平响应面分析试验，试验设计及结果如表3所示。由表3可以看出，第12组试验条件下的单位能耗最低，第11组试验条件下的感官评分最高，第3组试验条件下的复水比最大，第3组试验条件下的硬度最小。
表 3 试验设计及结果Table 3. Experimental design and result序号
No.θ热泵/℃
Heat pump temperature
(A)真空度/Pa
Vacuum degree (B)转换点含水率(w)/%
Conversion point moisture content
(C)单位能耗/(kJ·g–1)
Unit energy consumption (Y1)感官评分
Sensory
score
(Y2)复水比
Rehydration ratio
(Y3)硬度/N
Hardness
(Y4)1 50 100 55 333.54 7.7 2.59 3.62 2 50 90 60 356.09 8.1 2.70 3.34 3 45 100 60 375.56 8.3 2.84 3.27 4 50 100 55 330.68 7.7 2.62 3.63 5 50 100 55 336.35 7.8 2.58 3.62 6 55 90 55 329.19 7.3 2.50 3.74 7 55 110 55 336.17 7.5 2.54 3.70 8 45 90 55 343.52 7.6 2.65 3.69 9 50 110 50 320.37 7.1 2.57 3.79 10 50 100 55 337.21 7.9 2.61 3.64 11 50 110 60 365.84 8.5 2.76 3.31 12 55 100 50 315.88 7.0 2.41 3.86 13 45 110 55 350.33 7.9 2.67 3.63 14 45 100 50 343.81 7.5 2.56 3.75 15 50 90 50 321.55 7.3 2.42 3.82 16 50 100 55 330.62 7.8 2.60 3.65 17 55 100 60 358.85 8.0 2.61 3.39 2.2.1 单响应指标回归分析
通过Design-Expert.8.05b软件，对单位能耗(Y1)、感官评分(Y2)、复水比(Y3)和硬度(Y4)进行回归分析，得到各自的二次回归方程(表4)。分析表4中的数据可知：单位能耗(Y1)回归方程的显著性F值为42.94，对应的PF <0.000 1，说明此模型拟合性极显著；失拟性 FLf为1.39，对应的
${P_{F_{\rm Lf}}}$ 为0.368 2(${P_{F_{\rm Lf}}}$ >0.05)，说明失拟性不显著，在试验范围内误差较小，回归模型与实际情况拟合程度很高。 R2越接近1，模型拟合度越好，单位能耗(Y1)回归方程的R2为0.982 2，表明此模型可以解释响应值98.22%的变化。综上所述，此模型方程可以很好地分析和预测单位能耗指标。同理，对其他3个模型方程进行PF、${P_{F_{\rm Lf}}}$ 和R2分析，可知，这3个模型方程都可以对感官评分、复水比和硬度进行很好地预测和分析。表 4 单指标回归方程及分析结果Table 4. The regression equation of single index and analysis result指标
Indicator模型方程1)
Model equationF PF 失拟项 Lack of fit R2 FLf ${P_{F_{\rm Lf}}}$ 单位能耗
Unit energy consumption (Y1)Y1=333.68−9.14X1+2.80X2+19.34X3+0.042X1X2+
2.81X1X3+2.73X2X3+6.84X12−0.72X22+8.00X3242.94 <0.000 1 1.39 0.368 2 0.982 2 感官评分 Sensory score(Y2) Y2=7.71−0.19X1+0.088X2+0.50X3 38.03 <0.000 1 3.79 0.106 0 0.897 7 复水比 Rehydration ratio(Y3) Y3=2.60−0.082X1+0.034X2+0.12X3 77.42 <0.000 1 3.94 0.099 7 0.947 0 硬度 Hardness(Y4) Y4=3.63+0.044X1−0.020X2−0.24X3+0.005X1X2+
0.002 5X1X3+0.030X12+0.028X22−0.095X32167.40 <0.000 1 3.38 0.134 9 0.995 4 1) X1：θ热泵/℃；X2：真空度/Pa；X3：转换点含水率 (w)/%
1) X1: Heat pump temperature; X2: Vacuum degree; X3: Conversion point moisture content另外，通过比较各模型方程回归系数绝对值的大小可以得出结论：转换点含水率(C)、热泵温度(A)、真空度(B)对单位能耗(Y1)影响的主次顺序为C > A >B；对感官评分( Y2)影响的主次顺序为C > A > B；对复水比( Y3)影响的主次顺序为C > A > B；对硬度( Y4)影响的主次顺序为C > A > B。
利用Design-Expert.8.05b软件可以对相关数据进行优化，要求单位能耗(Y1)和硬度(Y4)在试验条件下达到最小值，感官评分(Y2)和复水比(Y3)在试验条件下达到最大值，各指标的单指标优化结果如表5所示。
表 5 指标回归方程优化结果Table 5. The optimization result of index regression equation项目
Item工艺参数优化组合
Optimized combination of technology parameters优化结果
Optimized resultθ热泵/℃
Heat pump temperature
(A)真空度/Pa
Vacuum
degree
(B)转换点含水率(w)/%
Conversion pointmoisture content
(C)单位能耗/(kJ·g–1)
Unit energy
consumption
(Y1)感官评分
Sensory score
(Y2)复水比
Rehydration ratio
(Y3)硬度/N
Hardness
(Y4)单指标
Single index54.35 90.00 50.00 316.31 45.00 110.00 60.00 8.5 45.00 110.00 60.00 2.84 46.01 104.37 60.00 3.28 综合指标
Comprehensive index49.26 110.00 56.48 344.35 8.0 2.68 3.55 由表5可知：较高的热泵温度，较低的真空度以及较低的转换点含水率可以降低单位能耗，当热泵温度为54.35 ℃、真空度为90.00 Pa、转换点含水率为50%时，单位能耗最低，为316.31 kJ·g–1；较低的热泵温度，较高的真空度以及较高的转换点含水率可以提高感官评分，当热泵温度为45 ℃、真空度为110 Pa、转换点含水率为60%时，感官评分最高，为8.5；较低的热泵温度，较高的真空度以及较高的转换点含水率可以提高复水比，当热泵温度为45 ℃、真空度为110 Pa、转换点含水率为60%时，复水比最高，为2.84；较低的热泵温度，较高的真空度以及较高的转换点含水率可以减小硬度，当热泵温度为46.01 ℃、真空度为104.37 Pa、转换点含水率为60%时，硬度最低，为3.28 N。
2.2.2 综合工艺参数优化
分析表5可知，较高的热泵温度虽然可以降低单位能耗，但是不能保证高感官评分、高复水比和低硬度；真空度和转换点含水率对这4个指标也有类似的影响。所以，需对这4个指标函数进行综合优化分析，寻找最佳工艺条件。
本文以降低加工成本为主要目的，其次，考虑到干制香菇在销售过程中消费者对感官品质的要求，故单位能耗最重要，感官评分次之；复水比和硬度在评价干制产品品质中也十分重要，但略次于前2个指标。所以将这4个指标的重要性设置为4∶3∶2∶1。优化后的工艺条件为：热泵温度49.26 ℃，真空度110 Pa，转换点含水率56.48%。在此条件下，单位能耗为344.35 kJ·g–1，感官评分为8.0，复水比为2.68，硬度为3.55 N (表5)。
为了便于实际生产，将工艺条件修正为热泵温度49 ℃，真空度110 Pa和转换点含水率56%。按照优化修正后的工艺条件进行3组平行验证试验，取平均值，测得单位能耗为345.01 kJ·g–1，感官评分为8.3，复水比为2.72，硬度为3.61 N，与预测值相近，相对误差分别为0.19%、3.61%、1.47%和1.66%。因此，上述工艺条件可行。
2.3 香菇的单一干燥和联合干燥比较
由表6可知，联合干燥的单位能耗比真空干燥减少37.69%，但高于热泵干燥；单一热泵干燥后的香菇皱缩，边缘出现焦化，内部结构受到破坏[25-28]，导致其感官评分低、复水比低、硬度高，而单一真空干燥和联合干燥尽可能地保证了香菇内部结构的完整，故这2种干燥方式的复水比相近且高于热泵干燥；另外，联合干燥前期为热泵干燥，热泵干燥中的美拉德反应使香菇散发出香味[29]，再经过真空干燥，颜色和硬荚变得均匀，所以联合干燥的感官评分得以提高。
表 6 各干燥方式比较1)Table 6. Comparison of different drying methods干燥方式
Drying method单位能耗 /(kJ·g–1)
Unit energy consumption
(Y1)感官评分
Sensory score
(Y2)复水比
Rehydration ratio
(Y3)硬度 /N
Hardness
(Y4)热泵干燥
Heat pump drying289.22±2.92a 6.4±0.05a 1.45±0.02a 4.50±0.03c 真空干燥
Vacuum drying553.67±2.59c 8.5±0.82c 2.62±0.03b 3.21±0.03a 联合干燥
Combined drying345.01±1.63b 8.3±0.47b 2.72±0.02b 3.61±0.03b 1) 同列数据后的不同小写字母表示差异显著 (P<0.05，Duncan’s 法)
1) Different lowercase letters in the same column indicated significant difference (P<0.05, Duncan’s test)综上所述，联合干燥可以得到能耗低于真空干燥，品质与真空干燥相近的干制香菇。
3. 讨论与结论
香菇在干燥过程中的水分扩散分为外扩散和内扩散，这2种扩散方式同时进行，既相辅相成，也相互制约，其扩散速度差影响着干燥品质[30]。热泵干燥后期水分分布不均，香菇内外水分扩散速度相差较大，内部水分未能及时转移到物料表面，使表面较易形成硬荚；真空干燥的单位能耗较高，排湿效果差，设备成本决定了其规模难以扩大，但在干燥过程中内外水分分布均匀，干燥后的香菇品质较好。热泵−真空联合干燥结合了2种干燥方式的优点，降低了干燥中的内外扩散速度差，不易形成硬荚，很好地保留了香菇的色、香、味，减少了单位能耗。本试验在固定的冷阱温度、热泵风速和湿度下进行，具有一定的局限性。
本研究确定最佳联合干燥工艺为热泵温度49 ℃，真空度110 Pa和转换点含水率56%，在此条件下实测得单位能耗345.01 kJ·g–1，感官评分8.3，复水比2.72，硬度3.61 N，与预测值相近，相对误差分别为0.19%、3.61%、1.47%和1.66%。联合干燥的单位能耗比真空干燥减少37.69%，但高于热泵干燥；其感官评分和复水比与真空干燥相近，高于热泵干燥；其硬度略大于真空干燥，小于热泵干燥。热泵干燥和真空干燥相结合，充分利用两者的优点，得到了能耗低、质量好的干制香菇。解决了热泵干燥品质不佳、真空干燥能耗高等问题，本研究可为香菇的热泵–真空联合干燥提供理论依据。
-
![]()
图 2 无人机高光谱成像系统
1：M600 PRO六旋翼无人机；2：GaiaSky-mini高光谱成像系统
Figure 2. UAV hyperspectral imaging system
1: M600 PRO six-rotor UAV; 2: GaiaSky-mini hyperspectral imaging system
![]()
图 3 PROSPECT模型输入参数全局敏感性分析
Figure 3. Overall sensitivity analysis of input parameters in PROSPECT model
![]()
图 5 不同方法的单波段相关性分析性结果
Figure 5. Single band correlation analysis results of different methods
![]()
图 6 样本模型最佳光谱变量个数
红色方框处表示交叉验证根均方误差 (RMSECV)达到最低
Figure 6. Number of the best spectral variable for sample model
Root mean square error of cross validation (RMSECV) reaches the minimum at the position indicated by a red square
![]()
图 7 基于连续投影算法(SPA)的粳稻冠层高光谱特征波段选择
红色方框处表示最佳特征波段
Figure 7. Selection of characteristic hyperspectral bands for japonica rice canopy based on successive projection algorithm (SPA)
The best characteristic bands are at the positions indicated by red squares
![]()
图 8 ELM和PSO-ELM模型的粳稻叶绿素含量反演模型检验结果
Figure 8. Test results of the inversion models for the chlorophyll contents in japonica rice using ELM and PSO-ELM
表 1 试验小区粳稻叶绿素含量统计特征
Table 1 Statistical characteristics of chlorophyll content in japonica rice in experimental plot
样本集
Sample set样本数
No. of samplesρ(叶绿素)/(mg·L−1) Chlorophyll content 变异系数/%
CVMax. Min. $ \overline X$ SD 整体 Overall 780 15.92 1.01 6.76 2.86 42.3 建模集 Modeling set 702 15.92 1.01 6.74 2.85 42.2 验证集 Validation set 78 15.48 1.11 6.82 2.91 42.7 
下载: 导出CSV
表 2 ELM和PSO-ELM建立粳稻叶绿素含量反演模型
Table 2 Inversion models of chlorophyll contents in japonica rice established by ELM and PSO-ELM
序号
Serial
number模型类别
Model
category水平
Level种群规模
Population
size (p)惯性权重
Inertia
weight(w)学习因子1
Learning
factor 1(C1)学习因子2
Learning
factor 2(C2)速度位置相关系数
Speed position
correlation coefficient(m)R2 1 ELM 0.734 2 PSO-ELM 1 40 0.3 2.80 1.30 1.00 0.852 3 PSO-ELM 2 40 0.9 1.30 1.30 0.02 0.867 4 PSO-ELM 3 40 1.5 2.80 1.10 0.06 0.807 5 PSO-ELM 4 40 0.9~0.3 3.50 3.50 0.20 0.873 6 PSO-ELM 5 40 0.3~1.5 1.65 1.65 0.60 0.872 7 PSO-ELM 1 50 0.3 2.80 1.30 1.00 0.873 8 PSO-ELM 2 50 0.9 1.30 1.30 0.02 0.858 9 PSO-ELM 3 50 1.5 2.80 1.10 0.06 0.821 10 PSO-ELM 4 50 0.9~0.3 3.50 3.50 0.20 0.873 11 PSO-ELM 5 50 0.3~1.5 1.65 1.65 0.60 0.873 12 PSO-ELM 1 60 0.3 2.80 1.30 1.00 0.873 13 PSO-ELM 2 60 0.9 1.30 1.30 0.02 0.865 14 PSO-ELM 3 60 1.5 2.80 1.10 0.06 0.821 15 PSO-ELM 4 60 0.9~0.3 3.50 3.50 0.20 0.873 16 PSO-ELM 5 60 0.3~1.5 1.65 1.65 0.60 0.873 17 PSO-ELM 1 70 0.3 2.80 1.30 1.00 0.873 18 PSO-ELM 2 70 0.9 1.30 1.30 0.02 0.873 19 PSO-ELM 3 70 1.5 2.80 1.10 0.06 0.838 20 PSO-ELM 4 70 0.9~0.3 3.50 3.50 0.20 0.873 21 PSO-ELM 5 70 0.3~1.5 1.65 1.65 0.60 0.873 22 PSO-ELM 1 80 0.3 2.80 1.30 1.00 0.873 23 PSO-ELM 2 80 0.9 1.30 1.30 0.02 0.862 24 PSO-ELM 3 80 1.5 2.80 1.10 0.06 0.833 25 PSO-ELM 4 80 0.9~0.3 3.50 3.50 0.20 0.873 26 PSO-ELM 5 80 0.3~1.5 1.65 1.65 0.60 0.873
下载: 导出CSV
表 3 PSO-ELM参数正交试验分析结果1)
Table 3 Analysis results of orthogonal test of PSO-ELM parameters
参数 Parameter W1j W2j W3j W4j W5j 种群规模(j=1) Population size (p) 4.271 4.299 4.307 4.332 4.315 惯性权重(j=2) Inertia weight (w) 4.345 4.325 4.120 4.367 4.365 学习因子1(j=3) Learning factor 1 (C1) 4.299 4.320 4.285 4.306 4.313 学习因子2(j=4) Learning factor 2 (C2) 4.297 4.309 4.300 4.316 4.301 速度位置相关系数(j=5) Speed position correlation coefficient (m) 4.293 4.326 4.292 4.303 4.309 1) Wij为参数j的i水平对应的叶绿素含量反演模型的模型决定系数(R2)之和
1) Wij is the sum of the model determination coefficient (R2) of the chlorophyll content inversion model corresponding to the i level of the parameter j
下载: 导出CSV
-
[1] 高继平, 隋阳辉, 张文忠, 等. 生物炭对水稻秧苗生长及内源激素的影响[J]. 沈阳农业大学学报, 2017, 48(2): 145-151. [2] ROMERO M, LUO Y C, SU B F, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Comput Electron Agr, 2018, 147: 109-117. doi: 10.1016/j.compag.2018.02.013
[3] KONG W P, HUANG W J, ZHOU X F, et al. Off-nadir hyperspectral sensing for estimation of vertical profile of leaf chlorophyll content within wheat canopies[J]. Sensors, 2017, 17(12): 2711. doi: 10.3390/s17122711.
[4] 尼加提·卡斯木, 师庆东, 王敬哲, 等. 基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算[J]. 农业工程学报, 2017, 33(22): 208-216. doi: 10.11975/j.issn.1002-6819.2017.22.027 [5] 毛博慧, 李民赞, 孙红, 等. 冬小麦苗期叶绿素含量检测光谱学参数寻优[J]. 农业工程学报, 2017, 33(S1): 164-169. doi: 10.11975/j.issn.1002-6819.2017.z1.025 [6] 孙红, 郑涛, 刘宁, 等. 高光谱图像检测马铃薯植株叶绿素含量垂直分布[J]. 农业工程学报, 2018, 34(1): 149-156. doi: 10.11975/j.issn.1002-6819.2018.01.20 [7] 裴浩杰, 冯海宽, 李长春, 等. 基于综合指标的冬小麦长势无人机遥感监测[J]. 农业工程学报, 2017, 33(20): 74-82. doi: 10.11975/j.issn.1002-6819.2017.20.010 [8] YU F H, XU T Y, DU W, et al. Radiative transfer models (RTMs) for field phenotyping inversion of rice based on UAV hyperspectral remote sensing[J]. Int J Agr Biol Eng, 2017, 10(4): 150-157.
[9] YU F H, XU T Y, CAO Y L, et al. Models for estimating the leaf NDVI of japonica rice on a canopy scale by combining canopy NDVI and multisource environmental data in Northeast China[J]. Int J Agr Biol Eng, 2016, 9(5): 132-142.
[10] 姜海玲, 杨杭, 陈小平, 等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J]. 光谱学与光谱分析, 2015, 35(4): 975-981. doi: 10.3964/j.issn.1000-0593(2015)04-0975-07 [11] KJÆR A, NIELSEN G, STÆRKE S, et al. Detection of glycoalkaloids and chlorophyll in potatoes (Solanum tuberosum L.) by hyperspectral imaging[J]. Am J Potato Res, 2017, 94(6): 573-582. doi: 10.1007/s12230-017-9595-z
[12] 姚云军, 秦其明, 张自力, 等. 高光谱技术在农业遥感中的应用研究进展[J]. 农业工程学报, 2008, 24(7): 301-306. doi: 10.3321/j.issn:1002-6819.2008.07.063 [13] 牛庆林, 冯海宽, 杨贵军, 等. 基于无人机数码影像的玉米育种材料株高和 LAI 监测[J]. 农业工程学报, 2018, 34(5): 73-82. doi: 10.11975/j.issn.1002-6819.2018.05.010 [14] 赵晓庆, 杨贵军. 基于无人机载高光谱空间尺度优化的大豆育种产量估算[J]. 农业工程学报, 2017, 33(1): 110-116. doi: 10.11975/j.issn.1002-6819.2017.01.015 [15] 谢凯, 蒋蘋, 罗亚辉, 等. 稻瘟病胁迫下水稻叶片叶绿素含量与光谱特征参数的相关性研究[J]. 中国农学通报, 2017, 33(17): 117-122. doi: 10.11924/j.issn.1000-6850.casb17030124 [16] 落莉莉, 常庆瑞, 武旭梅, 等. 夏玉米叶片光合色素含量高光谱估算[J]. 干旱地区农业研究, 2019, 37(4): 178-183. doi: 10.7606/j.issn.1000-7601.2019.04.24 [17] 王洋, 肖文, 邹焕成, 等. 基于PROSPECT模型的植物叶片干物质估测建模研究[J]. 沈阳农业大学学报, 2018, 49(1): 121-127. [18] 许童羽, 郭忠辉, 于丰华, 等. 采用GA-ELM的寒地水稻缺氮量诊断方法[J]. 农业工程学报, 2020, 36(2): 209-218. doi: 10.11975/j.issn.1002-6819.2020.02.025 [19] DE ALMEIDA V E, DE ARAÚJO GOMES A, DE SOUSA FERNANDES D D, et al. Vis-NIR spectrometric determination of Brix and sucrose in sugar production samples using kernel partial least squares with interval selection based on the successive projections algorithm[J]. Talanta, 2018, 181: 38-43. doi: 10.1016/j.talanta.2017.12.064
[20] 刘明博, 唐延林, 李晓利, 等. 水稻叶片氮含量光谱监测中使用连续投影算法的可行性[J]. 红外与激光工程, 2014, 43(4): 1265-1271. doi: 10.3969/j.issn.1007-2276.2014.04.044 [21] 于丰华, 许童羽, 郭忠辉, 等. 基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究[J]. 智慧农业, 2020, 2(1): 77-86. [22] 刘燕德, 肖怀春, 孙旭东, 等. 柑桔叶片黄龙病光谱特征选择及检测模型[J]. 农业工程学报, 2018, 34(3): 180-187. doi: 10.11975/j.issn.1002-6819.2018.03.024 [23] 张新乐, 于滋洋, 李厚萱, 等. 东北水稻叶片SPAD遥感光谱估算模型[J]. 中国农业大学学报, 2020, 25(1): 66-75. [24] SUN Y, WANG Y, XIAO H, et al. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content[J]. Food Chem, 2017, 235: 194-202. doi: 10.1016/j.foodchem.2017.05.064
[25] IRTEZA S M, NICHOL J E. Measurement of sun induced chlorophyll fluorescence using hyperspectral satellite imagery[J]. Int Arch Photogramm Remote Sens Spatial Inf Sci, 2016, 8: 911-913.
[26] 付元元, 王纪华, 杨贵军, 等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析, 2013, 32(5): 1315-1319. doi: 10.3964/j.issn.1000-0593(2013)05-1315-05 [27] 孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3): 1-17. doi: 10.6041/j.issn.1000-1298.2018.03.001 [28] 张建, 孟晋, 赵必权, 等. 消费级近红外相机的水稻叶片叶绿素(SPAD)分布预测[J]. 光谱学与光谱分析, 2018, 38(3): 737-744. [29] 刘科, 陆键, 高梦涛, 等. 施氮量对杂交水稻叶片光谱特征、SPAD值和光能拦截率关系的影响[J]. 核农学报, 2018, 32(2): 362-369. doi: 10.11869/j.issn.100-8551.2018.02.0362 [30] 张建, 李勇, 谢静, 等. 针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究[J]. 光谱学与光谱分析, 2017, 37(12): 3749-3757. [31] 徐晋, 蒙继华. 农作物叶绿素含量遥感估算的研究进展与展望[J]. 遥感技术与应用, 2016, 31(1): 74-85. [32] 张金恒, 王娟, 韩超. 基于吸收、透射和反射光谱预测水稻叶绿素含量研究[J]. 中国农学通报, 2010, 26(7): 78-83. -
期刊类型引用(6)
1. 邱心洋，袁惠君，李梅，程建新，田世龙，李志忠. 马铃薯营养特性及其功能性产品开发研究进展. 中国食品添加剂. 2024(01): 272-278 . 
百度学术
2. 张露，王新惠，冉凌云，杨婷婷，赵乐乐，吴明阳. 富含花青素紫马铃薯汁护色研究及酶解工艺优化. 中国酿造. 2024(02): 238-242 . 百度学术
3. 樊玉婷，李智昊，李月垣，张俊霞，张李一如，王璐，周鹏辉，李进，陈可钦，房玉林，张克坤. 不同品种葡萄添加量对果啤香气、理化指标及抗氧化活性的影响. 食品科学. 2024(13): 164-172 . 百度学术
4. 王蕾，赵进修，刘明亮，李博鹏，卢庆华，张玲，李雅丽. 响应面法优化百香果艾尔精酿啤酒发酵工艺. 中国酿造. 2024(11): 187-193 . 百度学术
5. 王琼，吴晓杰，郭华春，李俊，肖继坪. 滇紫甘薯新品种抗氧化物质含量及活性测定. 江苏农业科学. 2023(17): 179-185 . 百度学术
6. 庞莹莹，陈亮，徐绍丝，黄鹭强. 精酿啤酒特色辅料的应用概况. 福建轻纺. 2021(07): 2-6+10 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 876
- HTML全文浏览量: 2
- PDF下载量: 839
- 被引次数: 8
