基于高光谱成像估测冬小麦不同生育时期水分状况

2022-04-12李天胜陈建华史晓艳姜孟豪王海江

新疆农业科学 2022年3期

祝榛，李天胜，崔静，陈建华，史晓艳，姜孟豪，王海江

(石河子大学农学院/新疆生产建设兵团绿洲生态农业重点实验室，新疆石河子 832003)

0 引言

【研究意义】水分含量的高低直接影响小麦的产量与品质[1, 2]，传统获取作物水分状况通常采用“烘干法”，该方法耗时费力，且对作物具有破坏性。实时、快速获取作物水分状况，对监测作物水分盈亏和制定合理灌溉制度具有重要意义。【前人研究进展】无损监测手段中的高光谱成像技术高分辨率、多波段，可以避免“同谱异物”和“同物异谱”等问题，具有“图谱合一”的优势，是较为高效的一种监测手段[3, 4]。利用高光谱成像技术可监测农田土壤和作物水分状况、营养状况、生物量等农艺参数，但是由于外界环境因素和作物自身的影响，利用作物的原始光谱反射率构建的估测模型往往预测精度较低，通常需要对作物的原始光谱反射率进行预处理[5-8]。Qi等[9]对近地高光谱成像原始数据进行66种数据变换，对比分析了估测土壤N、P、K含量的准确度。曹晓兰等[10]对苎麻叶片高光谱数据采用SG平滑、一阶导数、归一化、正交信号校正OSC等多种光谱预处理方法，结果表明，OSC变换构建的模型具有最佳预测效果。不同的建模方法因其算法和目标的应用上存在差异，会导致模型的估测精度有一定的差异。许英超等[7]构建主成分回归(PCR)、支持向量机回归(SVMR)和偏最小二乘回归(PLSR)高光谱估测模型快速检测马铃薯中干物质，发现PLSR模型的预测效果最优，预测集决定系数为0.849。王凌等[11]利用高光谱数据构建苹果盛果期冠层组分特征的定量估测模型，发现BP人工神经网络回归(BPANN)和支持向量机回归(SVMR)等非线性模型预测精度整体上要优于线性模型，尤以支持向量机回归模型预测效果最佳。Eekinbaev等[12]运用近地高光谱成像技术对小麦硬度进行预测，发现人工神经网络(ANN)模型的预测效果比PLSR模型较好。刘燕德等[13]利用高光谱成像技术，结合自适应重加权算法(CARS)和连续投影算法(SPA)筛选特征光谱变量，构建脐橙叶片叶绿素含量的PLS回归模型，结果表明CARS-PLS和SPA-PLS模型的估测精度要优于变量筛选前的PLS模型。【本研究切入点】利用高光谱成像技术对农田作物进行监测是可行的，但由于作物的水分状况与其生育时期有着密不可分的关系，作物冠层的光谱反射率会随着生育期的推进存在一定的差异，导致在不同生育时期构建的高光谱估测模型的精度存在差异。亟需研究实时、快速估测冬小麦不同生育时期水分状况，并构建水分含量估测模型。【拟解决的关键问题】比较12种光谱数据变换，采用3种线性模型(SLR、PCR、PLSR)估测小麦植株水分含量精度，利用连续投影算法(SPA)优化特征波段，构建冬小麦植株水分最优估测模型，以及精准普适的冬小麦不同生育时期植株水分含量的最优高光谱估测模型，为农田作物水分状况的实时监测、精准诊断和定量管理提供理论依据。

1 材料与方法

1.1 材料

试验于2017年9月至2019年6月在石河子大学农学院试验站(45°19' N，86°03' E，海拔440 m)进行。供试品种为新冬22号和新冬43号，其中新冬43号为新疆农垦科学院选育品种，为水分敏感品种。

1.2 方法

1.2.1 试验设计

试验共15个小区，每个小区面积为40 m2(5 m×8 m)，播种密度为525×103粒/hm2，播种采用人工条播，行距15 cm，播种日期分别为2017年9月23日和2018年9月30日。共设置5个水分处理，全生育期灌溉量分别为150 mm(W1)、300 mm(W2)、450 mm(W3)、600 mm(W4)和750 mm(W5)，每个处理设置3次重复。播种后各处理均滴出苗水60 mm，冬前均灌越冬水90 mm，各处理从返青后开始进行水分处理，W1处理不灌水，其他水分处理在返青至成熟共灌水8次，每10 d灌1次，每次灌水量通过水表控制。采用滴灌带间距为60 cm，毛管配置为1管4行，各处理间均埋有1 m深防渗膜隔开。全生育期基施尿素150 kg/hm2、磷酸二铵375 kg/hm2，追施尿素300 kg/hm2，分别在越冬期、拔节期、孕穗期、抽穗期、灌浆期按照10%-30%-20%-30%-10%的比例随水滴施。追施磷酸二氢钾60 kg/hm2，分别于拔节期和抽穗期均匀滴施。表1

表1 不同灌溉处理灌水量

1.2.2 指标测定

1.2.2.1 冠层光谱

利用SOC710VP可见近红外成像光谱仪(Surface Optics Corporation, USA)和SOC710SWIR短波红外成像光谱仪(Surface Optics Corporation, USA)，采集拔节期至灌浆期冬小麦冠层的高光谱图像，共采集5次。SOC710VP可见近红外成像光谱仪的光谱分辨率为1.3 nm，图像分辨率为1 392×1 040，光谱范围376～1 044 nm，包含128个波段；SOC710SWIR短波红外成像光谱仪光谱分辨率为2.75 nm，图像分辨率为640×568，光谱范围916～1 699 nm，包含288个波段。图像采集选择晴朗、无风和无云时进行，测定时间为12：00～16：00。

测定时高光谱成像仪放置在高度可调、角度可变的便携式多功能野外观测架上，通过自带的水平仪调平，镜头垂直向下，距离冠层垂直高度1.5 m，每个处理测量3次，取平均值作为该处理光谱测量值，测量时用参考板标定(冠层和参考板要在相同的光照条件和环境状态下测定)。

1.2.2.2 植株水分

与光谱测量同步，在每个处理的小区内随机采集可表征平均长势的3株单茎，快速分样后立即装入己称重的自封袋(可密封)并放入冰盒，带回室内用万分之一精度电子天平称取各部分鲜重后，在105℃下杀青30 min后于80℃烘干至恒重称其干重。计算植株水分含量(Plant Water Content，PWC)。

(1)

式中PFW(Plant Fresh Weight)为植株鲜重(g)，PDW(Plant Dry Weight)为植株干重(g)。

1.2.2.3 光谱数据变换

1.2.3 模型构建与检验

1.2.3.1 建模集与预测集划分

共采集2019年冬小麦拔节期、抽穗期、扬花期、灌浆前期和灌浆中期植株样本各30个，测定其水分含量。按照浓度梯度法[10, 14]，将每组的30个样本分为2部分，其中22个样本作为建模集，8个样本作为预测集，并用2018年的样本作为独立样本对构建的模型进行普适性检验。表2

表2 冬小麦不同生育时期植株水分含量变化

1.2.3.2 模型构建

利用全波段和特征波段分别构建偏最小二乘回归(Partial least squares regression，PLSR)模型、主成分回归(Principal components regression，PCR)模型和一元线性回归(Simple linear regression，SLR)模型，以光谱反射率作为输入量，构建冬小麦植株水分含量估测模型。

1.2.3.3 特征波段提取

采用连续投影算法(Successive projection algorithm，SPA)对经过预处理后得到的多种变换光谱进行特征波段选取。设置SPA算法选取特征波段数的范围为5～30，提取的特征波段作为建立估测模型的输入参数[15]，采用交叉验证以避免过度拟合问题[16]。

1.2.3.4 模型检验

模型预测精度评价参数主要有决定系数(Determination coefficients，R2)、均方根误差(Root mean squared error，RMSE)以及残差预测偏差(Residual prediction deviation，RPD)，其计算公式分别为式(2)～(4)，其中决定系数越大，标准误差越小，模型估测精度越高。当RPD<1.0时，模型估测能力极差；当1.03.0时，模型具有极好的估测能力，模型RPD值越高，估测能力越强[6, 17]。

(2)

(3)

(4)

SDp——预测集的标准偏差，

RMSEp——预测集的均方根误差。

1.3 数据处理

光谱图像采集以线扫描方式进行，用HypeersScanner2.0软件(Surface Optics Corporation, USA)进行采集，计算机控制曝光时间和图像校正。一阶微分和二阶微分变换采用Origin 2018(OriginLab Corp., Northampton, MA, USA)软件计算，其他数据变换采用Microsoft Excel 2013(Microsoft Corp., Redmond, WA, USA)软件计算，利用SigmaPlot 12.5(Systat Software, Inc., USA)软件制图。建模采用The Unscrambler 9.7软件(CAMO Software AS, OSLO, Norway)。相关计算用Matlab R2016a软件实现。

2 结果与分析

2.1 冬小麦冠层光谱反射特征

研究表明，所有样本的光谱反射率变化趋势基本一致，在451～672 nm呈现先升后降的趋势，在451～553 nm呈现升高的趋势，在553 nm处有一反射峰，反射率极大值为0.075 9，在553～672 nm反射率持续下降，至672 nm形成一处吸收谷，反射率极小值为0.011 9；在672～777 nm光谱反射率呈现急剧升高的趋势，而后至896 nm光谱反射率波段幅度不大。在967～1 660 nm范围内光谱反射率较高，在1 125和1 273 nm处形成反射峰，反射率极大值分别为0.374 9和0.273 9，在1 469 nm处形成一个强吸收谷，反射率极小值为0.032 5。冬小麦冠层光谱反射率与植株水分含量的高低并不呈规律性变化，水分含量高的样本冠层光谱反射率并不一定低。T1、T2、T3和T4变换与植株水分含量之间的相关性无明显提高；T5、T6、T7、T8、T9、T10、T11、T12变换与植株水分含量的相关性明显增强，最大相关系数分别出现在波长558、492、486、492、558、589、558和584 nm处，最大相关系数分别为-0.811 0、-0.641 4、-0.823 4、-0.656 1、0.815 7、-0.739 9、-0.893 0、0.841 6。图1，图2

图1 不同水分条件下冬小麦冠层光谱反射率变化特征

图2 植株含水量与不同变换光谱的相关性

2.2 全生育时期冬小麦植株水分含量的光谱估测模型

表3 冬小麦植株水分含量估测模型的构建

2.3 不同生育时期冬小麦植株水分含量的估测模型

表4 基于SPA的冬小麦植株水分含量不同生育时期的PLSR估测模型

2.4 模型的普适性检验

图3 不同生育时期植株水分含量估测模型的验证Fig.3 Estimation model checking of plant moisture content in different growth stages

3 讨论

研究利用高光谱成像技术获取冬小麦冠层光谱特征，发现在553、1 125和1 273 nm附近有反射峰的形成，在672、1 469 nm附近形成吸收谷，与前人的研究结果基本一致[18, 19]，主要是因为550 nm附近是叶绿素的反射峰区，在730～1 300 nm植物的透射率较高，而吸收率较低，650～700 nm是叶绿素的强吸收带，1 360～1 470 nm是水和二氧化碳的强吸收带[20]。而冬小麦冠层原始光谱反射率与植株水分含量并未呈现较高的相关性，或许是由于地物目标和外界环境的共同作用，掩盖了植株水分含量呈现的光谱特征，使原始光谱反射率与水分含量不呈规律性变化[21, 22]。对原始光谱反射率进行不同形式的数据变换可以消除背景干扰，提高光谱反射率与目标属性的相关关系[6]，研究对冬小麦冠层原始光谱进行平滑、开方、对数、倒数、微分等12种数据变换，结果表明，T5、T6、T7、T8、T9、T10、T11、T12变换与植株水分含量的相关系数均有不同程度的提高，但其最大相关性出现的波段位置并不一致。或许是因为T5、T6、T7、T8、T9、T10、T11、T12处理均对原始光谱特征进行了微分变换，而微分变换可以提取出目标属性隐藏的光谱信息，提高不同吸收特征的对比度[23, 24]，经微分变换以后的光谱特征与目标属性的相关性有明显的提高。

不同的建模方法因其算法、模型结构的不同会导致构建的模型预测精度差异较大。张筱蕾等[25]利用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)构建高光谱估测模型估测油菜叶片氮含量，发现LS-SVM模型的预测精度要优于PLS，其预测相关系数为0.836。李丹等[26]建立PLSR和PCR模型对灵武长枣糖度和水分含量进行预测，结果表明，PLSR模型的效果较好，均优于PCR模型。研究利用SLR、PCR、PLSR 3种建模方法构建冬小麦植株水分含量高光谱估测模型，3种建模方法中，SLR的建模效果相对较差，PCR和PLSR的建模效果要优于SLR，PLSR的建模效果最佳，要整体优于PCR和SLR，其中，T3-PLSR模型的估测精度最高，模型RPD值为2.934 3，此时模型对植株水分含量具有很好的估测能力。可能是因为SLR是单变量模型，其建模的光谱信息较少，模型不够稳定，容易受到较大的外界因素影响；PCR和PLSR均为多变量回归模型，其建模的光谱信息较多，模型足够稳定，受外界因素影响较小，而PLSR则包含了PCR等线性回归模型的优势，还可以克服过度拟合、多重共线性等问题[26, 27]，研究构建的PLSR模型的预测效果要优于PCR和SLR模型。但多变量模型波段数量较多，不利于对目标属性进行快速、高效的估测，研究利用SPA对T3-PLSR进行特征波段的筛选。

贺佳等[28]利用植被指数对不同生育时期的冬小麦叶面积指数(LAI)进行监测，同一植被指数在不同生育时期与LAI的拟合效果有明显的差异。马驿等[29]以冬油菜为研究对象，利用12个光谱特征参数和11个植被指数建立不同生育时期LAI的定量反演模型，结果表明，难以用统一的植被指数和光谱特征参数估测油菜全生育期的LAI，不同生育时期需选择合适的植被指数和光谱参数来进行估测。哈布热等[18]对冬小麦不同生育时期的冠层含水率进行高光谱估测研究，同样认为不同生育时期的估测模型精度有明显的差异。研究对不同生育时期的冬小麦植株水分含量构建PLSR估测模型，不同生育时期的PLSR模型估测精度有较为明显的差异，生育前期的估测模型精度较低，生育后期的估测模型精度相对较高，其中灌浆中期的估测模型精度最高，其模型RPD值为3.454 7，大于3.0，模型可以对植株含水量进行极好的估测。这可能是因为生育前期的小麦植株矮小，叶面积指数较小，采集的高光谱图像受土壤、阴影等外界环境因素的影响；而生育后期，冬小麦植株较大，植株覆盖度有较为明显的提高，采集的高光谱图像受外界影响较小，且植株水分含量较低时，对各波长的光谱信息吸收较弱，能更好的表达植株水分光谱特征信息，所以生育后期的估测模型精度相对较高[30-32]。研究对不同生育时期冬小麦植株水分含量的PLSR估测模型进行普适性检验，不同生育时期的检验模型R2随生育进程的推进呈现上升的趋势，但均低于全生育期的检验模型R2，这或许是受样本量的影响，各个生育时期的检验样本均为25个，全生育期的检验样本为125个，而检验模型是预测值与实测值构建的单因素线性模型，受样本量影响较大，样本量较少时，模型不够稳定[33, 34]。