冬小麦生物量高光谱敏感波段提取及监测

王 凡，李敏阳

（山西农业大学农学院，山西太谷030801）

高光谱遥感即高光谱分辨率遥感初现于20世纪80年代，是指利用许多电磁波狭窄波段（一般＜10 nm）连续获得地物有关数据信息的高精度遥感方法[1]，其是遥感技术的典型代表之一，也是当今遥感发展的一个重要趋势[2]，并已应用于农业领域[3]。

生物量通常是指植物利用自身光合作用产生的有机物质的数量，是反映作物生长状况的重要指标之一[4-5]。徐改花等[6]利用数码相片对冬小麦生物量进行了反演，结果显示，在植被良好的情况下，可以用数码相片有效推算冬小麦的生物量，这为实测和遥感估算冬小麦生物量和监测长势提供了理论参考依据。傅玮东等[7]建立了冬小麦生物量的光谱监测模型和气象卫星遥感监测模型，为监测冬小麦长势提供了理论参考依据。孙慧等[8]利用高光谱技术对水旱地冬小麦植株氮素含量进行监测，为冬小麦氮素含量的高光谱监测提供了理论参考依据。武改红等[9]通过对冬小麦叶片氮含量的时空分布的光谱监测进行研究，为用高光谱技术实现冬小麦氮素分布监测提供了一定的理论依据。

由于高光谱数据波段变量多、维度高、波段间共线性严重等问题，实现光谱波段降维的同时，还需要尽可能多地保留有用的信息[10]。目前，越来越多的数理统计学方法应用于光谱波段提取和模型研究中[11]。偏最小二乘法在降低维度、波段冗余方面具有一定的应用潜力，并与其他线性回归常用于变量信息提取和模型构建中，得到了较好的效果[12-13]。

前人在研究冬小麦生物量敏感波段提取时，多以生物量的估测与监测、生物量预计作物长势、生物量估计小麦单产等为主，并且研究方法比较传统和单一，以相关分析方法估算生物量最为常见[14]。

本研究结合高光谱原始反射率数据信息，以相关性分析方法为比对和参考，利用偏最小二乘法和逐步多元线性回归法对冬小麦生物量敏感波段进行更进一步的精确分析与建模，提取冬小麦生物量敏感波段。利用多元统计分析方法，对冬小麦生物量的敏感波段进行提取，可为高光谱遥感在冬小麦长势动态、产量预测以及科学的田间管理方面提供理论依据。

1 材料和方法

1.1 试验设计

1.1.1 试验一 试验时间2011年9月至 2012年7月，地点设在山西农业大学农学院农作站，供试土壤为黄土母质发育而成的石灰性褐土，土壤肥力水平中等。按照单因素随机区组设计，小麦品种为京 9549，氮肥梯度为 0，75，150，225，300 kg/hm2，钾肥和磷肥作基肥一次性施入土壤，氮肥的追肥时期为拔节期，基追比为6∶4，小区面积为4 m×5 m＝20 m2，采用当地农户的田间措施进行管理。

1.1.2 试验二 试验时间 2012年7月至 2013年9月，地点设在山西农业大学农学院农作战，试验设计为裂区试验，主区为品种：长4738、晋农190、晋太9923；副区为氮素梯度（0，75，150，225，300 kg/hm2），基肥为钾肥和磷肥，氮肥的追肥时期为返青期和拔节期，基追比为6∶2∶2，小区面积为4 m×5 m＝20 m2。采用当地农户的田间措施进行管理。

1.1.3 试验三 2013年3—7月，在山西省闻喜县县域内（N34°35′～35°39′，E110°13′～112°4′）随机选择20个样本点，20个样本中包括灌溉田和非灌溉田。此试验通过验证多元统计分析模型对于生物量的适用性和稳健性，进一步证实敏感波段提取的精确度。

1.2 冠层光谱及生物量的测定

1.2.1 冠层光谱的测定 其采用美国AnalyticalSpectral Device（ASD）公司生产的 FieldSpec Pro FR2500型背挂式野外高光谱仪进行。波段350～2 500 nm，其中，350～1 000 nm光谱采样间隔1.4 nm，光谱分辨率为3 nm；1 000～2 500 nm光谱采样间隔2 nm，光谱分辨率为10nm。冠层光谱测定选择在10：00—14：00，天气晴朗、无风或风速很小的条件下进行。测量时传感器探头垂直向下，光谱仪视场角25°，距冠层顶垂直高度约1.0 m。每小区选择3个采样点，每个观测点采集10次，以其平均值作为该观测点的光谱反射值。测量过程中需要及时进行标准白板校正。

1.2.2 生物量的测定 以光谱的测定点为中心，采集1 m2的地上小麦植株，进行称质量，地上鲜生物量单位为×104kg/m2。

1.3 光谱数据预处理

利用异常光谱剔除、平均处理光谱、拼接校正对原始光谱反射率进行处理。然后，用Savitzky-Golay方法中的8点平滑法来消除噪音和背景信息对光谱反射率的影响。本研究主要关注包含作物生长状态信息的光谱区（350～1 400 nm），并将每5个波段平均为1个波段处理，最终将1 051个波段减少到211个。

微课的出现与兴起克服了传统教学的枯燥与单调，迎合了“微”时代人们娱乐与终身学习的需要，同时也要求教师具备一定的微课制作技术。官渡区基础教育科学研究中心为官渡区初中化学教师搭建了学习平台，进行了微课制作技术培训，带领教师学习微课设计的方法及技巧，帮助教师制作微课。

1.4 多元统计分析方法

1.4.1 偏最小二乘法 （PLS） 偏最小二乘法由WOLD[15]在1994年提出，是一种结合主成分分析与多重回归特性的方法。PLS分析过程中，B-系数可以表现自变量与因变量间的相关性。同时，B-系数能够表明高光谱波段下作物变量模型的重要性和影响程度。自变量的B-系数越大，则总是被认为对模型的贡献越大。VIP参数是另外一种能够表明自变量分布和影响的变量[16]，本研究中使用B-系数和VIP参数进行敏感波段的选择。

1.4.2 逐步多元线性回归法（SMLR） 逐步多元线性回归法是当前比较实用和有效的分析方法。首先，基于自变量对因变量的影响程度、作用大小及分布状况，将自变量导入回归方程。然后在每一步中，保留通过显著性检验（0.05）的变量，同时舍弃显著性检验大于10%的所有变量。若是显著，则保留在模型中；若不显著，则舍弃该自变量。自变量逐个导入流程，直到没有更多变量导入或舍弃，流程便会停止。进入模型中的自变量和因变量关系密切，其也可用于提取作物的敏感波段。

1.5 验证参数

本研究使用验证参数TC值、均方根误差RMSE、平均绝对误差MAE对所构建的模型进行验证，其中，TC的取值范围为0～1，TC值越小，表明预测值和实测值越吻合，预测效果越好；相反，TC值越大，表明预测值和实测值越不吻合，预测效果越差。

2 结果与分析

2.1 不同试验条件下冬小麦生物量的描述性统计分析

从表1可以看出，3种试验方法所得到的标准差均较小，并且较为相近；试验一、三的偏度较小，表明各试验所有样本数据呈近似正态分布，所有数据可以进行进一步统计学分析。

表1 不同试验条件下冬小麦生物量的描述性统计分析 ×104kg/m2

2.2 冬小麦生物量与原始光谱反射率的相关分析

由图1可知，生物量与光谱反射率在可见光波段相关性较高，在近红外光区也有较好的相关性；其中，600，870，1 045，1 285，1 400 nm 的相关关系较高，均可达到0.7以上，可知，冬小麦生物量的敏感波段在近红外光谱区较为集中。这与李燕强[17]研究所得的波段较为相似。

2.3 基于PLS法的最佳因子提取

冬小麦生物量与原始光谱反射率进行PLS分析，并利用验证参数进行PLS模型最佳因子的提取（表2）。从表2可以看出，基于PLS方法提取的冬小麦长势指标和产量与原始光谱反射率的最佳因子个数有4个，其中，验证参数TC为0.229，均方根误差 RMSE 为 0.351，平均绝对误差 MAE 为 0.305，决定系数为 0.809。

表2 冬小麦生物量PLS模型的最佳因子提取

图2结果显示，B-系数分别在400，600，870，1 100，1 400 nm处达到峰值，VIP参数分别在350～895，1 000～1 130，1 180～1 300，1 400 nm 处达到0.8。基于B-系数和VIP参数下提取冬小麦生物量的敏感波段区域为350～470，545～730，775～895，1 010～1 400 nm，主要集中在近红外波段。THENKABAI等[18]研究表明，在 500～550，650～700 nm波段范围与生物量关系较好，与表4得到的结果所吻合，与王备战等[19]研究结果也相同，都表明地上生物量在近红外波段反应最为敏感。

2.4 基于SMLR的冬小麦长势指标和产量的敏感波段提取

用逐步多元线性回归（SMLR）得到的敏感波段更为精确，说明此方法是一种较为精准和实用的统计方法。利用逐步多元线性回归提取的冬小麦生物量的敏感波段有 8 个，分别是 470，570，870，895，1 170，1 285，1 355，1 360 nm，主要集中在近红外波段。张霞等[20]研究结果表明，在组合（915～965，890～920 nm）和（915～965，841～876 nm）模型下，生物量呈现高度敏感性。这与本研究结果相近，并且都集中在近红外波段。本研究中，基于提取的敏感波段所建立的冬小麦生物量的监测模型为：

2.5 基于敏感波段的冬小麦生物量模型验证

图3为基于敏感波段的冬小麦生物量实测值与预测值1∶1拟合结果。从图3可以看出，经验证参数验证后的决定系数达到0.870，均方根误差和平均绝对误差较小，说明实测值与预测值拟合效果较好，所构建的模型可靠，并且正确性较高。证明在提取生物量敏感波段的实践应用中运用该方法是可行的。

3 结论与讨论

3.1 结论

基于多元统计分析的方法，结合高光谱原始数据，对冬小麦生物量敏感波段进行提取，通过建模与分析可知，利用相关分析法提取敏感波段较为可靠，具有一定的参考与对比性。敏感波段与生物量总体上近红外大于可见光，但是敏感波段的选取结果较为粗糙。

偏最小二乘法能够较好地发挥其在冬小麦生物量敏感波段提取上的潜在能力[27]，验证模型所得到验证参数达到 0.229，决定系数达到 0.809，均方根误差达到0.351，达到较高的估算精度。并且较为全面地提取了生物量的敏感波段。逐步多元线性回归法是一种有较高精度的提取方法，并提取了8个冬小麦生物量敏感波段，而且波段具有代表性和精确性。运用多元统计分析所得到的结果说明，冬小麦生物量敏感波段主要集中在近红外光区。通过验证说明，利用多元统计分析提取冬小麦生物量敏感波段具有一定的可参照性和实践性。

3.2 讨论

本试验利用偏最小二乘法在降低光谱维度的同时，也会造成某些光谱信息的丢失，而这些波段是否为敏感波段无法得到验证和确定，还有待进一步的研究与证明。

本研究采用多元统计分析方法，较为有效、准确地提取了冬小麦生物量敏感波段和基于敏感波段构建了其光谱监测模型，但是由于试验样本较少，加之试验过程存在一些偶然因素，模型的稳定性和普适性还有待进一步研究。

参考文献：

［1］吴见，彭道黎.高光谱遥感林业信息提取技术研究进展[J].光谱学与光谱分析，2011，31（9）：2305-2312.

［2］赵春江，薛绪掌，王秀，等.精准农业技术体系的研究进展与展望[J].农业工程学报，2003，19（4）：7-12.

［3］武改红，冯美臣，杨武德，等.不同氮运筹模式冬小麦LAI光谱特征波段提取[J].山西农业科学，2017，45（4）：522-525.

［4］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，2013，33（5）：1315-1319.

［5］乔星星，冯美臣，杨武德，等.SG平滑处理对冬小麦地上干生物量 光 谱 监 测 的 影 响 [J].山 西 农 业 科 学 ，2016，44（10）：1450-1454.

［6］徐改花，张福平，周正朝，等.利用数码相片对冬小麦生物量的试算[J].资源开发与市场，2011，27（3）：193-196.

［7］傅玮东，刘绍民，黄敬峰.冬小麦生物量遥感监测模型的研究[J].干旱区资源与环境，1997，1（11）：84-89.

［8］孙慧，冯美臣，杨武德，等.水旱地冬小麦植株氮素含量的高光谱监测[J].山西农业科学，2015，43（3）：273-276.

［9］武改红，冯美臣，杨武德，等.冬小麦叶片氮含量的时空分布及光谱监测研究[J].山西农业科学，2018，46（3）：330-334.

［10］于雷，洪永胜，周勇，等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报，2016，32（13）：95-102.

［11］贺佳，刘冰锋，李军.不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J].农业工程学报，2014，30（24）：141-150.

［12］李栓明，郭银巧，王克如，等.小麦籽粒蛋白质光谱特征变量筛选方法研究[J].中国农业科学，2015，48（12）：2317-2326.

［13］孙华，鞠洪波，张怀清，等.偏最小二乘回归在Hyperion影像叶面积指数反演中的应用 [J].中国农学通报，2012，28（7）：44-52.

［14］李方舟，冯美臣，杨武德，等.水旱地冬小麦叶绿素含量高光谱监测[J].生态学杂志，2013，32（12）：3213-3218.

［15］WOLDS.PLS for multivariate linear modeling[M]//VANDE WATERBEEMDH.Chemometric methods in molecular design.Weinheim，Germany：VCHVerlagsgesellschaft mbH，1995：195-218.

［16］ WANG C，FENG M C，YANG W D，et al.Extraction of sensitive bands for monitoring the winter wheat（Triticum aestivum）growth status and yields based on the spectral reflectance[J].PLoS One，2017，12（1）：e0167679.

［17］李燕强.不同冬小麦品种冠层光谱特征及其与农学参数关系研究[D].郑州：河南农业大学，2015.

［18］THENKABAI P S，SMITH RB，PAUWE D.Hyperspectral vegetation and their relationship with agricultural crop characteristics[J].Remote Sensing of Environment，2000，71（2）：158-182.

［19］王备战，杨武德，冯晓，等.基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测 [J].中国农业科学，2012，45（15）：3049-3057.

［20］张霞，张兵，卫征，等.MODIS光谱指数监测小麦长势变化研究[J].中国图像图形学报，2005，4（10）：421-424.