基于综合指标的冬小麦长势监测

翟丽婷 魏峰远 冯海宽 李长春 杨贵军

摘要：通过单个指标检测冬小麦长势的方法很多，但是根据综合多个单个指标分析冬小麦长势的方法相对较少。利用信息熵将多个单个指标计算得到综合指标，进而分析冬小麦长势。通过偏最小二乘回归反演冬小麦氮素含量、叶绿素含量和水分含量，计算3个指标的权重，计算出综合长势指标监测冬小麦长势。研究结果表明，冬小麦冠层叶片氮素、叶绿素、水分反演的r2分别为0.72、0.31、0.61，RMSE分别为0.506、1.303、10.320，NRMSE分别为13%、33%、17%，综合指标的r2、RMSE、NRMSE分别为0.75、0.053、8%。结果表明，基于光谱指数冬小麦对冠层叶片氮素和水分反演精度较高，叶绿素反演精度较低，综合指标的反演精度最高。

关键词：偏最小二乘;氮素;叶绿素;水分;综合指标;反演

中图分类号：S127;S512.1+10.1 文献标志码： A

文章编号：1002-1302（2020）18-0244-06

收稿日期：2019-08-22

基金项目：国家重点研发计划（编号：2016YFD0300602）;国家自然科学基金（编号：41601346、41871333）;河南省科技攻关项目（编号：182102110186）。

作者简介：翟丽婷（1993—），女，河南偃师人，硕士研究生，研究方向为精准农业定量遥感。E-mail：842948721@qq.com。

通信作者：冯海宽，助理研究员，主研究方向为农业定量遥感和无人机。E-mail：fenghaikuan123@163.com。

氮素是直接反映作物营养状况和代谢的主要组分，叶绿素含量是衡量作物光合能力和作物是否受环境胁迫的指示器，水分对冬小麦冠层养分等运输具有促进作用[1-2]。氮素、叶绿素、水分对冬小麦的生长发育具有重要的作用[3-4]。杨绍源等利用偏最小二乘算法，利用多角度光谱数据估计冬小麦氮素含量垂直分布，结果表明，改进后的绿光归一化植被指数在反演上层、中层、下层叶片氮浓度时效果最好，达到了极显著水平[5]。程晓娟等针对不同形式的归一化差值水分指数（NDWI）存在的饱和性问题，引入增强型植被指数EVI对其加以适当改进，构建新的植被水分指数NDWI#（即NDWI×EVI）来估测作物水分含量[6]。蒋金豹等将冠层叶绿素密度与高光谱指数进行相关性分析，选取相关系数大于0.7的指数构建反演模型，并对模型进行检验，结果表明微分指数（D750 nm-D550 nm）/（D750 nm+D550 nm）反演精度以及稳定性最好[7]。王纪华等研究表明，运用偏最小二乘算法可利用垂向观测的冬小麦冠层光谱来反演不同层次的叶氮浓度[8]。靳彦华等分析了春小麦冠层光谱与叶绿素含量的相关性，以及对其红边拐点位置与叶绿素含量做回归分析，分别建立了水浇地和旱地春小麦叶绿素含量估测模型并检验了模型精度[9]。韩茜等提出，利用高光谱植被指数可实现作物参量的有效反演，且作物参量的定量反演对不同的指标，即中心波长、波段宽度和信噪比具有较强的敏感性[10]。以上研究主要通过单一的生长指标进行反演。裴浩杰等将氮素、叶绿素、生物量、叶面积指数等按均等权重计算综合长势指标，用偏最小二乘反演综合指标，进行冬小麦长势分析，发现综合长势指标能够更好地评价冬小麦的长势[11]。

目前，大多数研究都是通过对单一生长指标评价作物长势，而很多情况下对一些生长指标的反演可能受其他因素的影响存在精度低等问题，这对评价冬小麦生长状况具有一定的局限性。前人研究多集中于单一生长指标的反演，很少考虑综合生长指标对冬小麦生长的影响。本研究主要运用熵值法对氮素、叶绿素、水体进行归一化处理计算各组分的权重生成综合指标进行反演，分析其相关性，以期通过综合生长指标提高反演精度实现更精确的作物长势评价。

1 材料与方法

1.1 研究区概况

试验田位于北京市海淀区，地处40°11′N，116°27′E（图1），海拔高度为36 m，土地肥沃，地势平坦，土壤类型为潮土，气候类型为典型的暖温带半湿润大陆季风气候，农作物为9月底至10月初所种植的冬小麦。

1.2 研究设计

选择京9843、农大211作为供试品种，试验在北京市农林科学院进行，每个试验区面积1.5 m×1.2 m。播种密度为600万株/hm2，播种时间为2013年9月29日。

1.3 数据获取

1.3.1 叶片氮含量测定

将每个小区选取的植株样品测定光谱后，带回实验室，将植株器官分离为叶片、茎和根后分别置于纸袋中，然后在105 ℃下杀青，在80 ℃条件下烘干72 h至恒质量，最后称各个器官的质量。将各个器官粉碎，采用凯氏定氮法对植株氮含量进行测定。

1.3.2 叶片叶绿素含量测定

在样品取回实验室后，采用Dualex4氮平衡指数测量仪对小麦叶片叶绿素含量进行测定。

1.3.3 叶片水分含量测定

利用样本鲜质量与干质量，计算叶片含水量。

葉片含水量=叶片鲜质量-叶片干质量叶片鲜质量×100%。

1.3.4 地面冠层光谱数据获取

冬小麦叶片光谱采用美国ASD FiedSpec FR2500（光谱范围350～2 500 nm，间隔1 nm）高光谱仪和叶片夹（ASD leaf clip）进行测定。在350～1 000 nm、1 000～2 500 nm内光谱仪分辨率间隔分别为3、10 nm，采样间隔分别为1.4、2.0 nm，光谱重采样间隔为1 nm。叶片夹探测器里面安装有石英卤化灯，灯的光源稳定，冬小麦叶片测量时为了获得相同的探测面积，消除背景反射、叶片弯曲引起的光谱波动的影响，需要保证叶片是平整放置。冬小麦叶片光谱测量前，用布把叶片表面的浮尘擦去，以减少误差。冬小麦叶片光谱测量需要用叶片夹自带的标准白板进行校正。

1.4 研究方法

1.4.1 植被指数的构建

為了更准确地对不同水分处理下冬小麦冠层叶片养分进行反演，根据叶片氮素与原始光谱的相关性分析，挑选敏感波段计算NDVI、OSAVI、GNDVI、EVI等植被指数（表1），将植被指数作为变量对叶片养分进行反演。

1.4.2 偏最小二乘算法

偏最小二乘算法（partial least squares regression，PLSR）是一种新型的多元回归分析方法，它在回归建模过程中采用了数据降维、信息综合与筛选技术，提取对系统有最佳解释能力的新综合成分[12-14]。PLSR能够很好地解释因变量与自变量的关系，筛选光谱指数作为PLSR模型的输入变量，相应的叶片养分含量作为PLSR模型的因变量，建立PLSR模型，进行叶片养分含量的反演[15-16]。

1.4.3 熵值法

熵值法是指用来判断某个指标的离散程度的数学方法[17]。离散程度越大，认定该指标对综合评价的影响越大，可根据各项指标的变异程度，利用信息熵计算出各个指标的权重，为多指标综合评价提供依据[18-20]。

1.4.5 统计分析

选取2/3的试验样本进行建模，1/3的试验样本进行验证。选取决定系数r2、均方根误差RMSE和标准均方根误差NRMSE作为评价精度的标准。

r2=（∑ni=1yi-y-）2（∑ni=1xi-y-）2;（1）

RMSE=∑ni=1，j=1（xi-yi）2n;（2）

NRMSE=∑ni=1，j=1（xi-yi）2n/y-。（3）

xi为叶片养分含量的实测值，yi为叶片养分含量的估计值，y为叶片养分含量的均值，n为样本个数。其中，r2越大，RMSE越小，表示建模精度越高。NRMSE<10%表示叶片养分实测值与估计值一致性较好，10%≤NRMSE<20%时表示叶片养分实测值与估计值一致性为好，20%≤NRMSE<30%时表示叶片养分实测值与估计值一致性中等，NRMSE≥30%表示叶片养分实测值与估计值一致性较差。

2 结果与分析

基于地面高光谱数据对冬小麦叶片氮素、叶绿素、水分通过偏最小二乘反演模型进行定量反演，分析反演精度。将冬小麦叶片氮素、叶绿素、水分归一化处理，然后挑选相关性高的光谱指数通过偏最小二乘对叶片养分进行反演。

2.1 基于光谱指数的冬小麦叶片水分定量反演

依据光谱指数NDVI、OSAVI、GNDVI、EVI与冬小麦叶片水分含量进行相关性分析。通过偏最小二乘进行叶片水分含量反演，建立预测叶片水分含量与实测叶片水分含量线性关系模型，计算r2、RMSE、NRMS以评价反演精度，结果见图2。

图2-A为偏最小二乘反演模型对冬小麦叶片水分反演建模结果，r2为0.609 2，RMSE为10.32，NRMSE为17%;图2-B为偏最小二乘反演模型对冬小麦叶片水分反演验证，结果r2为0.681 8，RMSE为5.199，NRMSE为16%。

2.2 基于光谱指数的冬小麦叶片叶绿素定量反演

依据光谱指数NDVI、OSAVI、GNDVI、EVI与冬小麦叶片叶绿素含量进行相关性分析。通过偏最小二乘进行叶片叶绿素含量反演，建立预测叶片叶绿素含量与实测叶片叶绿素含量线性关系模型，计算r2、RMSE、NRMS评价反演精度，结果见图3。

图3-A为偏最小二乘反演模型对冬小麦叶片叶绿素反演建模结果，r2为0.305 4，RMSE为1303，NRMSE为33%;图3-B为偏最小二乘反演模型对冬小麦叶片叶绿素反演验证结果，r2为 0233 0，RMSE为1.021，NRMSE为32%。冬小麦叶片叶绿素反演精度较低，未能达到显著相关性水平。

2.3 基于光谱指数的冬小麦叶片氮素定量反演

依据光谱指数NDVI、OSAVI、GNDVI、EVI与冬小麦叶片氮素含量进行相关性分析。通过偏最小二乘进行叶片氮素含量反演，建立预测叶片氮素含量与实测叶片氮素含量线性关系模型，计算r2、RMSE、NRMSE以评价反演精度，结果见图4。

图4-A为偏最小二乘反演模型对冬小麦叶片氮素反演建模结果，r2为0.724 4，RMSE为0.506，NRMSE为13%;图4-B为偏最小二乘反演模型对冬小麦叶片氮素反演验证结果，r2为0.728 9，RMSE为0.142，NRMSE为12%。

2.4 基于光谱指数的冬小麦叶片综合指标定量反演

依据光谱指数NDVI、OSAVI、GNDVI、EVI与冬小麦叶片综合指标进行相关性分析。通过偏最小二乘进行叶片氮素含量反演， 建立预测叶片综合指标与计算综合指标线性关系模型，计算r2、RMSE、NRMSE以评价反演精度，结果见图5。

图5-A为偏最小二乘反演模型对冬小麦叶片综合指标反演建模结果，r2为0.754 1，RMSE为0053，NRMSE为8%;图5-B为偏最小二乘反演模型对冬小麦叶片综合指标反演验证结果，r2为0834 7，RMSE为0.021，NRMSE为9%。综合指标的反演精度最高，对氮素和水分的反演结果虽然可以达到显著性相关但是其反演精度均低于对综合指标的反演，偏最小二乘对冬小麦叶片叶绿素的反演精度最低。

从表2可以看出，反演综合指标的建模r2比反演氮素含量、叶绿素含量、水分含量的r2分别高003、0.44、0.14，NRMSE分别低5、25、9百分点;验证r2比反演氮素含量、叶绿素含量、水分含量的r2分别高0.11、0.61、0.16，NRMSE分别低3、23、7百分点。综合指标的反演结果精度最高，叶绿素的反演精度最低。

3 讨论与结论

笔者通过构建综合指标，以期提供新的长势检测方法。利用光譜指数构建基于PLSR的冬小麦叶片氮素、叶绿素、水分和综合指标的反演模型，其综合指标的反演精度高于对氮素含量、叶绿素含量、水分含量的反演精度，可能是因为：（1）综合指标根据氮素含量、叶绿素含量、水分含量计算所得，氮素含量、叶绿素含量、水分含量之间可能存在相互关系，综合指标结合各自优势，使反演精度提高。（2）挑选出与综合指标相关性较高的光谱指数构建PLSR模型。

本研究存在的不足之处是综合指标的计算是根据信息熵计算冬小麦叶片氮素含量、叶绿素含量、水分含量的权重所得，而信息熵在计算权重时根据数据的离散程度分配权重，这在一定程度上忽略了不同养分在冬小麦的生长过程的重要程度。进一步的研究中应考虑不同生育时期叶片不同养分对冬小麦的生长过程的影响程度，根据对冬小麦生长的重要程度分配权重。

本研究基于光谱指数和偏最小二乘反演模型反演冬小麦叶片氮素含量、叶绿素含量、水分含量和综合指标，得出以下结论：（1）基于光谱指数，利用偏最小二乘反演模型对冬小麦叶片氮素含量、叶绿素含量、水分含量、综合指标进行估测，其中建模r2、RMSE、NRMSE分别为0.72、0.506、13%，031、1.303、33%，0.61、10.320、17%和0.75、0.053、8%;验证r2、RMSE、NRMSE分别为0.73、0.142、12%，023、1.021、32%，0.68、5.199、16%和083、0021、9%。（2）反演综合指标的建模r2比反演氮素含量、叶绿素含量、水分含量的r2分别高0.03、044、014，NRMSE分别低5、25、9百分点;验证r2比反演氮素含量、叶绿素含量、水分含量的r2分别高0.11、0.61、0.16，NRMSE分别低3、23、7百分点。（3）综合指标的反演精度r2均高于氮素含量、叶绿素含量、水分含量;RMSE和NRMSE均低于氮素含量、叶绿素含量、水分含量。综合考虑冬小麦综合指标的反演精度最高，具有最优的估测精度。因此可以通过综合指标去进行长势分析，其效果会更好。

参考文献：

[1]Guo J，Tian G L，Yi Z，et al. Evaluation of the grain yield and nitrogen nutrient status of wheat （Triticum aestivum L.） using thermal imaging[J]. Field Crops Research，2016，196：463-472.

[2]Noura Z，Gilles B，Claessens A，et al. Determination of a critical nitrogen dilution curve for spring wheat[J]. Agronomy Journal，2010，102（1）：241-250.

[3]何树斌，沈禹颖，王冬梅，等. 水分和氮素对陇育216冬小麦气体交换和叶绿素荧光的影响[J]. 麦类作物学报，2012，32（5）：912-917.

[4]李振山，王 龙. 不同水分条件下施氮对小麦幼苗生长发育的影响[J]. 种业导刊，2016（3）：24-26.

[5]杨绍源，黄文江，梁 栋，等. 利用多角度光谱数据探测冬小麦氮素含量垂直分布方法研究[J]. 光谱学与光谱分析，2015，35（7）：1956-1960.

[6]程晓娟，杨贵军，徐新刚，等. 新植被水分指数的冬小麦冠层水分遥感估算[J]. 光谱学与光谱分析，2014，34（12）：3391-3396.

[7]蒋金豹，陈云浩，黄文江. 用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度[J]. 光谱学与光谱分析，2010，30（8）：2243-2247.

[8]王纪华，黄文江，劳彩莲，等. 运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J]. 光谱学与光谱分析，2007，27（7）：1319-1322.

[9]靳彦华，熊黑钢，张 芳，等. 不同地类春小麦拔节期冠层光谱与叶绿素差异研究[J]. 光谱学与光谱分析，2013，33（4）：1043-1047.

[10]韩 茜，张潇元，王树东，等. 冬小麦典型多参量冠层高光谱反演的光谱指标敏感性研究[J]. 科学技术与工程，2017，17（25）：89-97.

[11]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.

[12]Welman C E，Renato E，Tábata R S，et al. Screening the formation of silver nanoparticles using a new reaction kinetics multivariate analysis and assessing their catalytic activity in the reduction of nitroaromatic compounds[J]. Journal of Physical Chemistry C，2014，118（24）：12962-12971.

[13]Chen P F，Qi J. A comparison of two adaptive multivariate analysis methods （PLSR and ANN） for winter wheat yield forecasting using Landsat-8 OLI images[J]. Advances in Space Research，2017，59（4）：987-995.

[14]Ayvaz H，Adnan B，Giusti M M，et al. Improving the screening of potato breeding lines for specific nutritional traits using portable mid-infrared spectroscopy and multivariate analysis[J]. Food Chemistry，2016，211：374-382.

[15]Bardwell W A，Ziegler M G，Ancoli-Israel A S，et al. Does caffeine confound relationships among adrenergic tone，blood pressure and sleep apnoea？[J]. Journal of Sleep Research，2000，9（3）：269-272.

[16]Goodenough A E，Elliot S L，Adam G H. The challenges of conservation for declining migrants：are reserve-based initiatives during the breeding season appropriate for the Pied Flycatcher Ficedula hypoleuca？[J]. IBIS，2009，151（3）：429-439.

[17]Jiang C，Zhang Y L，Chen Z Y，et al. Improving assessment of groundwater sustainability with analytic hierarchy process and information entropy method：a case study of the Hohhot Plain，China[J]. Environmental Earth Sciences，2015，73（5）：2353-2363.

[18]Kuttner H. The economic impact of rural telecommunications：he greater gains[J]. Veterinary Record，2011，146：634-637.

[19]Furberg D，Ban Y F. Satellite monitoring of urban sprawl and assessment of its potential environmental impact in the greater Toronto area between 1985 and 2005[J]. Environmental Management，2012，50（6）：1068-1088.

[20]Lubbe S J，Bernardo M D，Broderick P，et al. Comprehensive evaluation of the impact of 14 genetic variants on colorectal cancer phenotype and risk[J]. American Journal of Epidemiology，2012，175（1）：1-10.