基于高光谱的冬小麦不同生育时期地上部生物量监测
2021-09-16李岚涛郭宇龙王丹丹王宜伦
李岚涛，郭宇龙，韩 鹏，王丹丹，王宜伦
(1.河南农业大学资源与环境学院，河南郑州 450002；2.博爱县农业农村局，河南博爱 454450)
目前，利用高光谱技术定量监测作物地上部生物量主要采用机理模型法和经验统计法[1]。机理模型法虽具有较高的机理性和通用性，但因模型输入参数多、区域范围内个别关键参数难以准确获取以及所固有的病态反演问题，其应用受到了限制[2-3]。经验统计法则直接利用高光谱反射率与生物量间构建定量统计关系，虽方法本身涉及生物量的形成机理较少，但因计算简单、便捷和易于操作，可及时准确反演作物生物量动态变化[4]。目前，基于光谱变量的多元统计分析技术是应用较多的经验模型分析方法，如支持向量机、偏最小二乘回归等[5-6]。相较于光谱指数法，多元统计分析技术以全波段光谱反射率为自变量构建定量监测模型，波谱信息全面，模型鲁棒性强，准确度高[6]。Hansen等[7]利用偏最小二乘法对冬小麦地上部生物量实现了精准预测，确定了基于冠层高光谱技术的小麦生物量特征光谱指数。付元元等[8]将偏最小二乘回归和波段深度分析技术相融合，克服了小麦生物量过高时模型监测的饱和性问题，提高了光谱估算精度。徐小强和王德华[9]研究认为，采用支持向量机方法可实现森林生物量的精准估算，模型预测精度高达91.85%。修晓敏等[10]利用机器学习方法建立了Landsat 8 OLI与地面草地地上部生物量间的关系，发现利用支持向量机法可获得较高的预测精度，决定系数和预测精度分别为0.59和75.74%。
氮素营养和生育时期是影响作物地上部生物量变化的两个核心因子。对于冠层高光谱而言，其可见光区域光谱反射率主要受叶片色素吸收影响，而近红外区域则受冠层结构等因素影响[11-12]。冬小麦是一种生长周期较长、生育时期间地上部生物量变化较大且氮营养“稀释效应”十分显著的典型作物。因此，田间条件下基于冠层高光谱遥感的冬小麦地上部生物量监测受生育时期和施氮水平影响显著，导致不同生育时期或不同氮素营养条件下所构建估算模型对生物量的敏感程度和预测精度存在差异。目前，前人利用高光谱遥感技术开展作物地上部生物量监测大都将不同生育时期效应综合分析，缺乏分析上述因子联动变化对高光谱及高光谱动态监测冬小麦地上部生物量精度的影响。本研究通过2017-2019年3个冬小麦氮肥田间试验，利用支持向量机和偏最小二乘回归的全波段光谱分析技术，系统分析不同氮素营养条件下冬小麦不同生育时期地上部生物量与冠层高光谱反射率间的内在关系，明确光谱监测地上部生物量的关键时期和有效波段，同时构建不同生育时期地上部生物量的高光谱定量监测模型，并评价其对氮营养和生育时期的适用性，以期为实现基于氮肥效应的冬小麦不同生育时期长势有效监测提供理论依据和试验参考。
1 材料与方法
1.1 试验设计
田间试验2017-2019年分别于在河南省鹤壁市(2017-2018年)、原阳县(2017-2018年)和温县(2018-2019年)共开展3个冬小麦氮肥梯度田间试验。其中，鹤壁点的供试品种为郑麦369，试验田土壤有机质、全氮、速效磷和速效钾含量分别为19.7、1.14、0.029、0.152 g·kg-1,pH值为7.4，设置0、75、150、225和300 kg·hm-25个氮素水平；原阳的供试品种为平安11号，试验田土壤有机质、全氮、速效磷和速效钾含量分别为17.9、1.02、0.029、0.145 g·kg-1,pH值为 7.3，设置0、90、180、270和360 kg·hm-25个氮素水平；温县点的供试品种为平安11号，试验田土壤有机质、全氮、速效磷和速效钾含量分别为18.4、1.06、0.033、0.159 g·kg-1,pH值为7.1，设置0、60、120、180、240、300 kg·hm-26个氮素水平。各试验点均于分蘖期、拔节期(营养生长期)、抽穗期、灌浆期(生殖生长期)开展光谱监测。各试验处理均设3次重复，随机区组排列。鹤壁点的小区面积为64.8 m2(7.2 m×9.0 m)，原阳和温县点均为36.0 m2(7.2 m×5.0 m)。除氮肥外，磷、钾肥分别按120 kg·hm-2(P2O5)和90 kg·hm-2(K2O)施入。供试肥料品种分别为控释尿素(含N 44%)、过磷酸钙(含P2O512%)和氯化钾(含K2O 60%)。所有肥料均在小麦播种前做基肥一次性施入，以避免肥料多次追施对小麦生长发育及冠层高光谱测试连续性影响。
1.2 测量项目与方法
1.2.1 冠层高光谱测定
采用美国ASD公司生产的HandHeld 2手持式地物光谱仪测定冬小麦冠层高光谱反射率。每个观测时期各小区选取代表性小麦样方6处，每处采集10条光谱曲线，以其平均值作为该小区冠层高光谱测定值。测定时，将光谱仪探头距小麦冠层约1.0 m处，于天气晴朗且太阳高度角变幅较小的11:00-14:00之间进行。各小区测定前后均采用30×30 cm BaSO4型标准白板进行光谱校正，以降低仪器自身和大气环境噪声干扰。HandHeld 2波段范围325～1 075 nm，波长准确度为1 nm，光谱分辨率< 3.0 nm @ 700 nm，视场角为25°。为提高光谱监测准确度，删除了信噪比较低的325～399 nm和951～1 075 nm波段范围，采用400～950 nm光谱区间开展冬小麦地上部生物量高光谱定量反演与精度分析。
1.2.2 地上部生物量测定
冬小麦冠层高光谱测定结束后，各小区于光谱测试点选取1 m双行地上部植株样方2处(行距20 cm)，即取样样方面积为0.20 m2。将上述2个样方鲜样分别独立装袋，全部带回实验室后先置于105 ℃烘箱中杀青 30 min, 后置于65 ℃烘箱中烘至恒重, 称重计算样方内冬小麦地上部生物量并换算群体地上部生物量。
1.3 数据处理与分析
1.3.1 建模集与验证集划分
综合试验年份、生态区域、小麦品种及地上部生物量数据，同时考虑到模型构建及预测的稳定性和鲁棒性，将2017-2018鹤壁点和2018-2019温县点数据作为建模集(各生育时期样本数n=33)，2017-2018年原阳点数据作为验证集 (n=15)。
1.3.2 模型构建与应用
为精确分析冬小麦各生育时期地上部生物量与其冠层原位高光谱反射率间定量关系，本研究以各时期冠层原初光谱为自变量和地上部生物量为因变量，分别采用支持向量机(support vector machine, SVM)和偏最小二乘回归(partial least square, PLS)的分析方法研究两者关系，明确生育期间光谱监测异同效应及有效时间节点。
SVM分析是一种以结构风险最小化为核心思想的有效监督学习模式识别算法，由Vapnik等于1995年提出。该方法通过核函数把输入性不可分的低维度数据映射到高维空间以构建最优化分类超平面，使得不同监测样本间的类间隔最大，类内间隔最小，具有适应性强、全局最优、结构简单等优点，对小样本、非线性与高维数据的估测具有良好的精度，现已广泛应用于近地高光谱分析与反演中[13-14]。本研究采用Matlab R2012a中epsilon-SVR模型类型和径向基函数作为核函数，利用交叉验证法选取最优化核函数g和惩罚参数c进行建模。
PLS分析是一种多元线性统计分析方法，可有效解决自变量间具有多重共线性的高光谱数据。PLS集典型相关性分析、主成分分析和多元线性回归分析为一体，不仅可以有效实现光谱降维，同时还可以从多重光谱数据中确定影响因变量的关键因子，使所构建模型具有更高的精准度和稳定性[15]。此外，在基于PLS模型分析基础上，为进一步明确不同生育时期间冬小麦地上部生物量特征光谱波段变化差异性，降低光谱监测维度，利用PLS无量纲评价指标变量重要性投影值(variable importance in projection, VIP)从400～950 nm范围内筛选出指示生物量时空变异性的有效波段。VIP值可以定量、直观反映各波段在反演因变量时的重要性，其临界值为1.0，VIP值越高，表明该波段对因变量预测性能越强。
1.3.3 模型检验
SVM和PLS模型鲁棒性采用实测值与预测值间决定系数(r2)、均方根误差(RMSE)和相对分析误差(RPD)来评估。其中，r2反映模型拟合度，其值越高，表示预测值越接近实测值；RMSE表示模型精确度，值越小，说明模型误差越低，精度越高；RPD(RPD为样本标准差与RMSE的比值)则是表征模型鲁棒性的通用指标，RPD<1.4表示鲁棒性过低，1.4
2 结果与分析
2.1 不同生育时期冬小麦地上部生物量与冠层高光谱的相关性
从建模集冬小麦地上部生物量与冠层原位高光谱反射率的相关性分析结果(图1)看，各生育时期两者间相关性变化趋势在可见光区(400～715 nm)和近红外区(715～950 nm)均相一致，即在可见光区呈显著负相关，而在近红外区呈正相关。此外，随生育期的推进，冬小麦地上部生物量与其冠层高光谱间相关性呈“线性+平台”变化趋势，至抽穗期时达至最大，抽穗期与灌浆期间趋于稳定。其中，分蘖期、拔节期、抽穗期和灌浆期在可见光区的平均相关系数分别为-0.556、 -0.634、-0.693和-0.604，在近红外区则分别为 0.495、0.627、0.635和0.624。
2.2 不同生育时期冬小麦地上部生物量的SVM模型构建
基于SVM对冬小麦地上部生物量各生育时期核函数g和惩罚参数c进行寻优，结果(图2)显示，分蘖期、拔节期、抽穗期和灌浆期最佳核函数g分别为10、10、10和0.1，惩罚参数c分别为31.6、3.2、31.6和31.6。从建模结果(表1)看，SVM监测模型的RPD在分蘖期、拔节期、抽穗期和灌浆期分别为1.906、2.268、2.831和2.636，虽然模型拟合精度均较理想(RPD>1.40)，但生育时期间表现出较大的差异性，生殖生长期明显优于营养生长期，以分蘖期拟合精度最低，抽穗期最高，且抽穗期至灌浆期趋于稳定。生育时期间模型验证精度的变化趋势与建模集相同，与分蘖期相比，拔节期、抽穗期和灌浆期RPD分别提高91.7%、128.5%和127.3%，变化显著。
表1 冬小麦不同生育时期地上部生物量SVM分析Table 1 Analysis of shoot biomass of winter wheat with SVM model at different growth stages
2.3 不同生育时期地上部生物量PLS分析
基于PLS分析建立不同生育时期冬小麦地上部生物量预测模型并进行验证(表2)。结果表明，不同生育时期间，无论是建模集亦或验证集，模型的拟合和预测精度仍然表现为分蘖期<拔节期<灌浆期≤抽穗期。抽穗期时建模集r2和RPD分别高达0.864和2.867，验证集分别为 0.859和2.340，拟合和预测精准度均较高，鲁棒性强。此外，PLS模型的监测精度与SVM模型具有高度的一致性，SVM模型和PLS模型的建模r2平均值分别为0.802和0.819，RPD分别为 1.986和1.812，表明无论采用监督学习模式识别算法还是回归算法，均可有效实现冬小麦地上部生物量的高光谱精准监测，其差异性主要表现在因生育时期地上部群体长势不同所引起的光谱反演精度不同。
表2 冬小麦不同生育时期地上部生物量PLS分析Table 2 Analysis of shoot biomass of winter wheat with PLS model at different growth stages
2.4 基于PLS的不同生育时期地上部生物量有效波段确定
为进一步提高PLS模型的预测精度，对冬小麦不同生育时期生物量的冠层高光谱有效波段进行了筛选。从PLS模型中变量重要性投影值(VIP)(图3)看，400～950 nm全波段高光谱的VIP临界值为1.0，由于大于1.0特征波段较多且高度集中，不易有效区分与筛选，因此将不同生育时期地上部生物量有效波段确定的临界VIP值调整为1.2。结果表明，地上部生物量有效波段在分蘖期分别位于红光区(685和709 nm)、红边区(780 nm)和近红外区(840、890和940 nm)，在拔节期有效波段则有明显的“蓝移”现象，分别位于绿光区(515和585 nm)、红光区(655和709 nm)、红边区(778 nm)和近红外区(847 nm)；抽穗期“蓝移”现象则更明显，有效波段向蓝光区(464 nm)偏移，且指示作物冠层结构和群体长势的近红外区特征波段分布更均匀(880和940 nm)；灌浆期有效波段则产生了明显的“红移”现象，仅位于红光-近红外区(655、770、820和920 nm)。因此，需要利用这些有效波段重新构建地上部生物量不同生育时期PLS模型(表3)。
表3 基于PLS有效波段的冬小麦不同生育时期地上部生物量监测模型Table 3 Quantitative regression equation between shoot biomass at different growth stages and the effective wavelengths indicated by PLS model
2.5 基于有效波段的模型再验证
为进一步评估上述优选波段对冬小麦不同生育期地上部生物量预测的精准性，再次利用验证集独立试验数据对上述SVM和PLS模型进行测试和检验(表4)。结果表明，利用有效波段不仅可以显著降低光谱分析的维度，同时对不同生育期地上部生物量的预测仍具有较高的精确度和普适性，r2和RPD均较理想(r2>0.72，RPD> 1.40)，满足生物量的快速诊断需求。与全波段光谱监测模型精度规律相似，SVM和PLS均表现为抽穗期最优，灌浆期次之，分蘖期最低。综上分析，本试验所确定冬小麦各生育时期地上部生物量有效波段具有较强的监测精度，可用于开展作物生物量的实时和无损监测。
表4 基于有效波段的冬小麦不同生育时期地上部生物量SVM和PLS模型精度再验证Table 4 Revalidation of SVM and PLS models for shoot biomass at different growth stages of winter wheat prediction based on effective wavelengths
3 讨 论
氮素营养和生育期变化是影响农作物地上部生物量产生规律性变化的两大关键因子，同时也是造成作物冠层结构和光合色素指标异同性的核心因素[17]。对于冠层高光谱(400～950 nm)而言，其可见光区(400～715 nm)受叶片色素吸收，而近红外区(715～950 nm)则受冠层群体结构影响[12]。研究表明，氮供应充足比氮缺乏下作物群体长势和光谱变化更剧烈[18]。随氮肥用量的增加，作物地上部生物量和冠层光谱反射率差异性则显著提高[19]。相比于其他营养元素，冬小麦对氮肥的响应则更敏感，如缺氮时宏观上表现为长势瘦弱，茎秆纤细；氮肥过多时叶片呈深绿色，茎秆粗壮，覆盖度高；微观上表现出叶片变薄、叶肉栅栏组织和海绵组织排列紧密、胞间隙减少等特征[11,20]。上述症状的发生均会引起某些波长处的光谱反射和吸收产生差异，继而产生了不同的光谱反射率，表现为反射率不同的波形曲线，并且这些波长的光谱反射率变化对氮素的变化十分敏感[21]。同时，冬小麦是一种生长周期长、不同生育时期间地上部生物量变化大且氮营养“稀释”效应十分显著的典型作物，继而造成不同生育时期间冠层光谱反射率差异较大[18,22]。生物量是表征作物冠层结构特性的重要指标，而冠层结构和叶片生理生化参数又是影响冠层光谱反射率变化的关键因素[23-24]。对于冬小麦而言，分蘖期至拔节期时作物群体覆盖度较低，生物量相对较小，大部分太阳光可透过地上部群体进入到下部而被土壤吸收，因此光谱反射率易受土壤背景值影响且对生物量敏感度降低；抽穗期其地上部生物量较高，冠层群体较密闭，各器官生物量逐渐积累，冠层光谱反射率对作物群体生物量较为敏感，因此该时期不同氮水平下光谱反射率变化较明显；至灌浆期，小麦由营养生长进入生殖生长，地上部生物量呈下降趋势，中下部叶片逐渐衰老死亡，叶片叶绿素含量显著降低，冠层光谱反射率对生物量变化响应的敏感度下降[25-27]。作物地上部生物量因生育时期不同而产生明显差异，继而使其对光能的截获、折射和反射特性各不相同，造成基于冠层高光谱的作物地上部生物量定量监测受其生长发育状况和环境影响。因此在利用高光谱技术开展作物地上部生物量实时估算时，应充分考虑氮素营养与生育时期差异所引起的模型估算精度问题[28]。
在明确光谱差异性影响因子之后，选择适宜的光谱数据分析方法是提高光谱监测精度，构建普适性强、稳定性高的反演模型的基础与前提。目前，高光谱降维的方法主要为基于植被指数的经验统计法和数学统计分析法。植被指数法虽然被广泛采用，但因其在定量估算作物营养参数方面存在饱和性问题，单纯的植被指数法在作物生物量估算时往往造成较大误差[24,28]。因此近年来以作物氮营养为出发点，采用垂向观测的冠层高光谱测试数据并同步结合全波段光谱分析技术(偏最小二乘回归、支持向量机等)动态和精准分析作物氮营养丰缺状况，已成功应用于作物地上部生物量的定量估算与精确反演。王纪华等[29]、Casa等[30]和Li等[19]先后采用偏最小二乘回归、辐射传输模型(PROSPECT+SAIL)和支持向量机等方法深入分析了不同氮营养下冬小麦、玉米或油菜氮浓度与冠层光谱间内在关系，初步明确了利用高光谱监测氮营养丰缺状况的可行性和提高分析准确度的措施。前人研究主要以作物全生育期综合分析为主，但针对于冬小麦不同生育时期构建高光谱估算模型的报道却十分有限。基于此，本研究首先利用支持向量机整体评估不同生育时期冬小麦地上部生物量高光谱监测的精度和可行性，继而进一步利用偏最小二乘回归定量构建冬小麦地上部生物量监测模型，并且获得了较好的预测精度，这与吴 芳等[24]和Wang等[31]对冬小麦生物量的估算精度相一致(不同生育时期决定系数均高于0.60)。虽然，目前对冬小麦地上部生物量的高光谱估测还不能实现高精度和普适化，但本研究对增强高光谱技术在作物营养和长势参数的定量估测方面提供一个思路和技术参考，这也为我们后期进一步优化模型奠定基础，进而满足农业生产需求，为冬小麦精确管理提供基础信息和技术支持。
高光谱数据具有波段维数多及波段连续性强等特点，因此在数据分析和模型构建过程中，降低光谱分析维度，寻求能有效指示氮营养指标变化的有效波段，对揭示光谱监测营养学机制，提高光谱分析时效性具有重要意义。本研究中，冬小麦地上部生物量有效波段在不同生育时期具表现出明显的异同性(图3)，主要原因在于分蘖期时冬小麦地上部生物量低，冠层光谱反射率易受土壤和大气噪音干扰。同时，由于该时期小麦长势较弱，氮肥“稀释”效应不甚显著，而植株体内光合色素含量在全生育期间相对较高且表征其冠层结构指标如叶生物量、面积指数、叶倾角等在光谱维方向上均有所响应，因此该生育时期特征波段在可见光-近红外均有明显分布[32-33]。拔节期时小麦地上部生物量逐渐升高且中下层叶片均平铺于地，降低了外界因素的干扰，因此可有效反映色素变化的绿光区有效波段(515和585 nm)进一步增强，特征波段产生“蓝移”。抽穗期时小麦冠层郁闭，小麦立体效应显现，除顶层麦穗外中下层叶片对冠层光谱影响更为明显，因此其有效波段除产生“蓝移”外，近红外区波段分布变宽，可用于有效地监测中高氮梯度下的生物量[34]。在灌浆期，冬小麦植株各部分营养向籽粒转移，该阶段生物量达一生中最高值，小麦群体郁闭度进一步增大，中下层叶片产生明显的下垂发黄现象，体内色素含量显著降低，影响光谱变化的有效波段主要体现在反映冠层结构特性的红光-近红外区，因此该时期有效波段产生明显的“红移”现象[35]。冬小麦不同生育时期地上部生物量有效波段之所以产生差异明显且符合其生长发育和营养特性的区分性差异，说明冠层高光谱技术可以实现作物长势和氮素营养的精准监测，但应确定有效的光谱监测时期。同时，在利用高光谱技术构建定量监测模型时，应分时段甚至分层次进行，尽可能获取作物生长和营养的最大信息，提高光谱估算精度。
4 结 论
冬小麦地上部生物量与冠层高光谱反射率在可见光区(400～715 nm)呈负相关，近红外区(715～950 nm)正相关，且相关性表现为分蘖期<拔节期<灌浆期≤抽穗期。利用支持向量机和偏最小二乘回归模型均可实现冬小麦地上部生物量的高光谱快速估测，但生育期间模型精度差异较大，抽穗期效果最优，灌浆期次之，分蘖期最低。
