李嵐?jié)?任 濤 汪善勤 明 金 劉秋霞 魯劍巍

(1.華中農(nóng)業(yè)大學(xué)微量元素研究中心， 武漢 430070； 2.農(nóng)業(yè)部長(zhǎng)江中下游耕地保育重點(diǎn)實(shí)驗(yàn)室， 武漢 430070)

基于角果期高光譜的冬油菜產(chǎn)量預(yù)測(cè)模型研究

李嵐?jié)?,2任 濤1,2汪善勤2明 金2劉秋霞1,2魯劍巍1,2

(1.華中農(nóng)業(yè)大學(xué)微量元素研究中心， 武漢 430070； 2.農(nóng)業(yè)部長(zhǎng)江中下游耕地保育重點(diǎn)實(shí)驗(yàn)室， 武漢 430070)

以連續(xù)3 a田間氮肥水平試驗(yàn)為基礎(chǔ)，研究基于高光譜估產(chǎn)的可行性，明確最佳光譜監(jiān)測(cè)方式和有效波段，降低光譜分析維數(shù)，提高產(chǎn)量估測(cè)時(shí)效性。2013—2016年分別于湖北省武穴市和沙洋縣進(jìn)行大田試驗(yàn)，通過(guò)測(cè)試角果期冠層光譜反射率、產(chǎn)量構(gòu)成因子(單株角果數(shù)、每角粒數(shù)和千粒質(zhì)量)和成熟期產(chǎn)量，利用偏最小二乘回歸(PLS)分別對(duì)油菜原初光譜(RSR)和一階微分光譜(FDR)與其產(chǎn)量及構(gòu)成因子間構(gòu)建定量分析模型并篩選有效波段。結(jié)果表明，基于全波段的FDR-PLS模型預(yù)測(cè)精度顯著優(yōu)于R-PLS，其最佳監(jiān)測(cè)指標(biāo)是冬油菜產(chǎn)量和角果數(shù)，驗(yàn)證集決定系數(shù)(R2)分別為0.90和0.91，均方根誤差(RMSE)分別為379 kg/hm2和66個(gè)/株，相對(duì)分析誤差(RPD)分別為3.11和3.12?；诟鞑ǘ巫兞恐匾酝队?VIP)值，確定冬油菜產(chǎn)量有效波段分別為628、753、882、935、1 061、1 224 nm；角果數(shù)有效波段分別為628、758、935、1 063、1 457、1 600 nm。此后，再次構(gòu)建基于上述有效波段的冬油菜產(chǎn)量和角果數(shù)監(jiān)測(cè)模型，決定系數(shù)分別為0.91和0.87，均方根誤差分別為504 kg/hm2和82個(gè)/株，相對(duì)分析誤差分別為2.34和2.52，估算精度較為理想。

冬油菜； 角果期； 產(chǎn)量； 預(yù)測(cè)模型； 高光譜； 偏最小二乘回歸

引言

相比傳統(tǒng)的作物估產(chǎn)措施，高光譜技術(shù)以其實(shí)用性強(qiáng)、波段信息豐富且能融合衛(wèi)星遙感以實(shí)現(xiàn)區(qū)域化的產(chǎn)量監(jiān)測(cè)而得以快速發(fā)展，已廣泛應(yīng)用于小麥[1]、玉米[2]和棉花[3]等多種農(nóng)作物。目前，基于高光譜的作物產(chǎn)量估測(cè)技術(shù)主要有植被指數(shù)法和數(shù)學(xué)統(tǒng)計(jì)法(如偏最小二乘回歸)[4]。植被指數(shù)法一般利用2個(gè)或3個(gè)特征波段通過(guò)計(jì)算其比值、差值或歸一化值來(lái)定量評(píng)估作物產(chǎn)量時(shí)空變化，其特點(diǎn)是計(jì)算方便、形式簡(jiǎn)潔。由于作物冠層高光譜是其生長(zhǎng)信息的綜合反映，受各種復(fù)雜因素影響，如生態(tài)環(huán)境、營(yíng)養(yǎng)脅迫以及病蟲草害等；此外，高光譜技術(shù)具有波段維數(shù)多、波段連續(xù)性強(qiáng)，且波段間具有嚴(yán)重的多重共線性。因此，基于簡(jiǎn)單波段的植被指數(shù)法難以有效表征作物群體信息，穩(wěn)定性和解釋性差，預(yù)測(cè)能力不強(qiáng)[5]。偏最小二乘回歸(Partial least square, PLS)是WORD于1983年提出的一種多元統(tǒng)計(jì)數(shù)據(jù)分析技術(shù)。PLS集典型相關(guān)分析、多元線性回歸分析和主成分分析的主要功能為一體，可有效克服環(huán)境因子間存在的多重共線性問(wèn)題，使所構(gòu)建模型具有較強(qiáng)的魯棒性和穩(wěn)定性[6]，目前已廣泛應(yīng)用于作物營(yíng)養(yǎng)診斷和產(chǎn)量監(jiān)測(cè)[7-9]。

冬油菜是一種對(duì)氮素敏感且需氮量較多的作物，整個(gè)生育期需氮量一般在200～300 kg/hm2之間[10]，合理氮肥運(yùn)籌不僅可優(yōu)化其對(duì)氮素吸收利用，同時(shí)增強(qiáng)了葉片和角果的光合作用，并最終提高籽粒產(chǎn)量。研究表明，我國(guó)油菜施氮增產(chǎn)量和增產(chǎn)率均值分別高達(dá)1 044 kg/hm2和87.4%，每千克氮肥平均增收油菜籽約6.2 kg[11]。在生產(chǎn)實(shí)際中，農(nóng)民雖較重視氮肥施用，但氮肥用量不足及過(guò)量現(xiàn)象均普遍存在，嚴(yán)重制約著油菜高產(chǎn)及對(duì)氮素的高效利用。角果期是油菜生殖生長(zhǎng)階段進(jìn)行養(yǎng)分積累和物質(zhì)合成的關(guān)鍵時(shí)期，綠色角果皮可提供給籽粒約2/3的干物質(zhì)[12]。對(duì)油菜來(lái)講，決定其產(chǎn)量形成的關(guān)鍵因子主要有3個(gè)：?jiǎn)沃杲枪麛?shù)、每角粒數(shù)和千粒質(zhì)量。目前，利用高光譜技術(shù)定性或定量分析冬油菜氮素營(yíng)養(yǎng)豐缺狀況或品質(zhì)構(gòu)成的研究主要集中于品質(zhì)評(píng)估[13]、營(yíng)養(yǎng)診斷[14]和酶活性評(píng)價(jià)等[15]，而系統(tǒng)研究田間原位條件下基于角果期冠層高光譜特性和油菜產(chǎn)量與產(chǎn)量因子之間關(guān)系的報(bào)道則相對(duì)較少?；诖?，本文以連續(xù)3 a冬油菜田間氮肥水平試驗(yàn)為基礎(chǔ)，綜合各生態(tài)區(qū)、種植方式和油菜品種，綜合利用光譜分析技術(shù)和PLS模型較為系統(tǒng)地分析利用角果期光譜預(yù)測(cè)冬油菜產(chǎn)量及其構(gòu)成因子的可行性，確定最佳預(yù)測(cè)指標(biāo)和有效波段，以期為高光譜無(wú)損診斷技術(shù)在冬油菜產(chǎn)量預(yù)測(cè)上的適宜性和大范圍的遙感評(píng)估提供試驗(yàn)基礎(chǔ)和理論參考。

1 材料與方法

1.1 試驗(yàn)材料

分別于湖北省武穴市從政村(2013—2015年)和沙洋縣張池村(2015—2016年)設(shè)置不同氮素水平冬油菜田間試驗(yàn)。通過(guò)測(cè)試角果期冠層光譜反射率和成熟期產(chǎn)量及其構(gòu)成因子，探究利用高光譜技術(shù)進(jìn)行冬油菜提早(約20 d)估產(chǎn)的可行性與精準(zhǔn)性。試驗(yàn)內(nèi)容包含不同試驗(yàn)?zāi)攴?、生態(tài)區(qū)域、油菜品種、栽培方式和氮素水平(表1)。

所有試驗(yàn)處理均設(shè)3次重復(fù)，隨機(jī)區(qū)組排列。2013—2014年小區(qū)面積20 m2(10 m×2 m)，2014—2016年小區(qū)面積為30 m2(15 m×2 m)。除氮肥外，磷、鉀和硼肥分別按P2O590 kg/hm2、K2O 120 kg/hm2和B 15 kg/hm2施入。氮、磷、鉀和硼肥品種分別為尿素(含N 46%)、過(guò)磷酸鈣(含P2O512%)、氯化鉀(含K2O 60%)和十水硼砂(含B 11%)，所有肥料均在油菜播種或移栽前1 d做基肥一次性施入，以避免肥料追施對(duì)油菜生長(zhǎng)發(fā)育及光譜測(cè)試連續(xù)性的影響。

1.2 測(cè)定項(xiàng)目與方法

1.2.1 角果期冠層光譜測(cè)定

分別于2014年4月28日、2015年4月10日和2016年4月17日，利用美國(guó)Analytical Spectral Devices (ASD)公司生產(chǎn)的FieldSpec Pro FR型背掛式野外高光譜儀測(cè)試角果期冬油菜冠層光譜反射率。該時(shí)期距油菜收獲約20 d，葉片基本全部黃化、脫落，角果呈傘狀分布于油菜冠層，其厚度約40～60 cm，角果皮面積指數(shù)在1.5以上。同時(shí)，該時(shí)期油菜群體覆蓋度較高，冠層光譜受土壤背景、葉片和莖稈(莖稈已被角果所掩蓋)影響較小，能較為專一地反映油菜角果光譜時(shí)空變化。光譜儀波段范圍為350～2 500 nm，光譜分辨率為3 nm(350～1 000 nm)和10 nm(1 000～2 500 nm)，視場(chǎng)角為25°。選取天氣晴朗、無(wú)風(fēng)或風(fēng)速較小的10:00～14:00進(jìn)行測(cè)定，測(cè)試時(shí)將光譜儀探頭垂直向下，距離油菜冠層約1.0 m，各小區(qū)選取有代表性觀測(cè)點(diǎn)5處，每處采集5條光譜曲線，以其平均值作為該小區(qū)冠層光譜測(cè)試值。各小區(qū)在測(cè)試前均采用標(biāo)準(zhǔn)白板校正、優(yōu)化，以降低云層或太陽(yáng)高度角變化對(duì)冠層光譜測(cè)試結(jié)果準(zhǔn)確性的影響。在測(cè)試過(guò)程中，由于難免受到環(huán)境噪聲和儀器本身等因素干擾，使得不同波段間光譜反射值對(duì)能量響應(yīng)產(chǎn)生差異，因此光譜曲線含有一些噪聲。為提高光譜分析精確性，綜合各試驗(yàn)?zāi)攴莨庾V噪聲產(chǎn)生區(qū)域，刪除受噪聲影響較大的波段：350～399 nm、1 351～1 419 nm、1 801～2 019 nm和2 371～2 500 nm，剔除后共有1 683個(gè)有效波段數(shù)據(jù)。

表1 試驗(yàn)季基本信息狀況Tab.1 Details of five field experiments

1.2.2 冬油菜產(chǎn)量構(gòu)成因子調(diào)查

于油菜收獲前5 d左右(收獲時(shí)間見(jiàn)表1)，各小區(qū)選取有代表性移栽油菜20株或直播油菜樣方0.25 m2，調(diào)查其單株角果數(shù)(植株上所有角果個(gè)數(shù))；同時(shí)，每株隨機(jī)選取40個(gè)角果，調(diào)查每角粒數(shù)(角果中油菜籽粒個(gè)數(shù))。油菜收獲后，采用油菜千粒板隨機(jī)選取各小區(qū)油菜籽粒1 000粒，稱量，計(jì)算千粒質(zhì)量。

1.2.3 冬油菜產(chǎn)量測(cè)試

分別于各試驗(yàn)?zāi)攴萦筒耸斋@期，對(duì)試驗(yàn)田直播和移栽油菜的所有小區(qū)進(jìn)行單打單收，測(cè)得實(shí)產(chǎn)。

1.3 數(shù)據(jù)處理與分析

1.3.1 建模集和驗(yàn)證集的劃分

分別于2013—2014年、2014—2015年和2015—2016年獲得15、48和48個(gè)共計(jì)111個(gè)田間數(shù)據(jù)樣本。綜合分析油菜種植方式、產(chǎn)量及其構(gòu)成因子數(shù)據(jù)變化范圍，同時(shí)考慮到模型應(yīng)用的普適性和精確性，以2013—2015年試驗(yàn)數(shù)據(jù)(n=63)作為建模集，以2015—2016年試驗(yàn)數(shù)據(jù)(n=48)為驗(yàn)證集。

1.3.2 FDR光譜變換

FDR變換是目前光譜分析中應(yīng)用最多且十分有效的光譜分析方法。光譜經(jīng)FDR變換后可以減弱或消除背景、大氣散射與吸收的影響，提高不同吸收特征的對(duì)比度。此外，F(xiàn)DR處理對(duì)光譜信噪比十分敏感，可去除部分線性或接近線性的背景、噪聲光譜對(duì)目標(biāo)光譜的影響，同時(shí)對(duì)某些重疊光譜進(jìn)行分解以便于識(shí)別[16]。本試驗(yàn)FDR處理利用高光譜儀自帶ViewSpecPro Version 6.0軟件進(jìn)行，光譜間隔設(shè)置為5。

1.3.3 模型建立與應(yīng)用

偏最小二乘回歸(PLS)是集典型相關(guān)分析、主成分分析和多元線性回歸分析為一體的多元統(tǒng)計(jì)分析方法，能夠有效利用所有自變量信息(x，光譜反射率)建立模型，并提取出對(duì)因變量(y，產(chǎn)量及其構(gòu)成因子)貢獻(xiàn)較大的主控因子，使新建模型具有較好的魯棒性。此外，PLS可有效消除多個(gè)自變量間的共線性問(wèn)題，優(yōu)化變量信息，最大化x和y之間的共線性，提取對(duì)模型最優(yōu)解釋能力的新綜合成分。

本試驗(yàn)以油菜角果期冠層原初光譜和一階微分光譜為自變量，成熟期產(chǎn)量及其構(gòu)成因子為因變量，利用PLS模型研究?jī)烧咧g的關(guān)系，確立最佳預(yù)測(cè)模型。同時(shí)，在確保模型精度條件下，降低光譜維數(shù)，篩選有效特征波段，為油菜提早和精確估產(chǎn)提供支撐。PLS模型預(yù)測(cè)精準(zhǔn)性采用實(shí)測(cè)值與預(yù)測(cè)值間的決定系數(shù)(R2)、均方根誤差(RMSE)和相對(duì)分析誤差(RPD)來(lái)衡量，其分布范圍見(jiàn)表2[17]。利用留一交叉驗(yàn)證法(Leave-one-out method)來(lái)確定回歸模型最優(yōu)因子數(shù)(主成分?jǐn)?shù))，即交互驗(yàn)證均方根誤差(Root mean squared error of cross-validation, RMSECV)最小時(shí)對(duì)應(yīng)的主成分?jǐn)?shù)。

表2 模型評(píng)價(jià)范圍Tab.2 Classification of performances of models in terms of R2 and RPD

1.3.4 有效波段選擇與應(yīng)用

從大量高光譜數(shù)據(jù)中篩選出有效波段并能精確預(yù)測(cè)油菜產(chǎn)量及其構(gòu)成因子，對(duì)降低光譜分析維度，提高分析時(shí)效性具有重要意義。本研究利用PLS模型中的無(wú)量綱評(píng)價(jià)指標(biāo)變量重要性投影(VIP)從全波段高光譜范圍內(nèi)篩選出冬油菜產(chǎn)量及其構(gòu)成因子的有效波段。VIP值可以直觀和定量地表征每一個(gè)波段在解釋因變量時(shí)的重要性，其臨界閾值為1.0，VIP值越大，則對(duì)因變量的預(yù)測(cè)能力越高。有效波段的選擇需要滿足以下2個(gè)條件：① 有效波段需具有較高的代表性并符合作物營(yíng)養(yǎng)和生長(zhǎng)特性。②與全波段光譜監(jiān)測(cè)效果相比，基于有效波段評(píng)估精度需與此相當(dāng)或略有差異但不甚明顯。

此外，為進(jìn)一步研究所確定有效波段的精確性和普適性，采用降維后的冬油菜產(chǎn)量及其構(gòu)成因子有效波段對(duì)其再次進(jìn)行精度檢驗(yàn)，同時(shí)繪制1∶1效應(yīng)圖來(lái)直觀表征實(shí)測(cè)值和預(yù)測(cè)值之間的關(guān)系。

1.4 數(shù)據(jù)處理與分析

采用Excel 2003進(jìn)行基礎(chǔ)數(shù)據(jù)的輸入和分析；利用Matlab R2012a中PLS插件進(jìn)行模型的定量評(píng)價(jià)和有效波段選擇；采用Origin 8.5軟件繪圖。

2 結(jié)果與討論

2.1 不同氮營(yíng)養(yǎng)水平下建模集油菜產(chǎn)量及其構(gòu)成因子

圖1 不同氮素水平下建模集冬油菜產(chǎn)量及其構(gòu)成因子Fig.1 Seed yield and yield components of winter oilseed rape under various nitrogen rates for calibration dataset

施氮顯著影響冬油菜成熟期產(chǎn)量及其構(gòu)成因子(圖1)。對(duì)于產(chǎn)量，隨施氮量增加，各試驗(yàn)?zāi)攴萦筒水a(chǎn)量均呈先增加后降低趨勢(shì)，分別在270 kg/hm2(2013—2014年)和225 kg/hm2(2014—2015年)時(shí)達(dá)最大。油菜全生育期氮肥用量和產(chǎn)量間關(guān)系可用典型的一元二次方程進(jìn)行擬合，模型準(zhǔn)確度(R2分別為0.954、0.860和0.955)和精確度(RMSE分別為135、285、150 kg/hm2)均較好；對(duì)該擬合方程求偏導(dǎo)，可以得到最高產(chǎn)量對(duì)應(yīng)施氮量分別為253、318、275 kg/hm2。結(jié)果表明本研究所設(shè)置氮肥梯度能夠滿足油菜氮不足、適宜和過(guò)量需求，可以用于光譜模型構(gòu)建和產(chǎn)量預(yù)測(cè)。對(duì)于產(chǎn)量構(gòu)成因子，油菜角果數(shù)變化趨勢(shì)和產(chǎn)量較為一致，氮肥效應(yīng)顯著；角粒數(shù)整體隨氮肥用量增加而提高，千粒質(zhì)量則與此相反，但兩者變化趨勢(shì)均不明顯，此試驗(yàn)結(jié)果與WANG等[18]的研究相一致。

圖2 不同氮素水平下建模集冬油菜冠層光譜反射率Fig.2 Canopy hyperspectral reflectance of winter oilseed rape under various nitrogen rates for calibration dataset

2.2 不同氮營(yíng)養(yǎng)水平下建模集油菜冠層光譜反射率

不同氮水平下冬油菜冠層光譜反射率具有明顯差異，且各試驗(yàn)?zāi)攴莺推贩N間變化趨勢(shì)一致(圖2)。可見(jiàn)光波段(400～730 nm)油菜冠層光譜反射率整體隨氮肥用量升高而下降，其原因是該區(qū)域反射光譜主要受葉綠素和其他色素吸收而決定；短波近紅外區(qū)域(730～1 350 nm)冠層光譜反射率則隨施氮量增加而顯著提高，這是由于該范圍光譜反射率主要受葉片(細(xì)胞排列、胞間空隙等)和作物冠層(葉面積指數(shù)、生物量和葉傾角等)結(jié)構(gòu)影響[19]。此外，不同氮素處理間短波中紅外區(qū)域(1 420～2 370 nm)光譜反射率并無(wú)顯著差異，且規(guī)律不盡一致，原因是此區(qū)域光譜受葉片水分吸收所主導(dǎo)[20]。本試驗(yàn)條件下，油菜角果含水率一般在78%～80%之間，且氮素處理間并無(wú)顯著差異。

2.3 基于全波段的PLS模型構(gòu)建

2.3.1 最佳因子數(shù)確定

分別以冬油菜冠層原初光譜和一階微分光譜為自變量(x)，以成熟期產(chǎn)量及其構(gòu)成因子為因變量(y)，采用留一(Leave-one-out)交叉驗(yàn)證法來(lái)確定回歸模型的最佳因子數(shù)(圖3)。因子數(shù)偏多，PLS模型易出現(xiàn)過(guò)擬合現(xiàn)象，因子數(shù)偏少，則模型擬合不充分。因此，模型的充分和有效擬合須在RMSECV和因子數(shù)之間找到一個(gè)平衡點(diǎn)，即RMSECV最小時(shí)對(duì)應(yīng)的因子數(shù)為最佳因子數(shù)。由圖3可知，折線的拐點(diǎn)處即為最佳因子數(shù)，故油菜產(chǎn)量、角果數(shù)、角粒數(shù)和千粒質(zhì)量的原初光譜PLS模型最佳因子數(shù)分別為6、8、3和3；一階微分光譜最佳因子數(shù)分別為8、6、3和2。

圖3 交叉驗(yàn)證均方根誤差(RMSECV)隨因子數(shù)的變化曲線Fig.3 Changes of RMSECV with number of LVs based on raw spectral reflectance and the first derivative reflectance

2.3.2 PLS回歸分析

明確最優(yōu)因子數(shù)之后，分別利用R-PLS和FDR-PLS模型對(duì)建模集和驗(yàn)證集油菜產(chǎn)量及構(gòu)成因子進(jìn)行整體回歸分析，對(duì)比分析光譜變換方式預(yù)測(cè)精準(zhǔn)性，確定最優(yōu)監(jiān)測(cè)指標(biāo)(表3)。結(jié)果表明，相對(duì)于R-PLS，F(xiàn)DR-PLS可顯著提高模型預(yù)測(cè)準(zhǔn)確度和精確性(RPD)，油菜產(chǎn)量、角果數(shù)和角粒數(shù)RPD值分別提高36.4%、33.3%和13.0%，效果顯著。不同于前者，F(xiàn)DR-PLS并未提高油菜千粒質(zhì)量預(yù)測(cè)精度(R-PLS同樣較差)，RPD值為0.22，主要原因是油菜千粒質(zhì)量受氮素影響較小，且處理間無(wú)明顯變化規(guī)律，而角果期冠層光譜反射率變化趨勢(shì)則與此相反。本試驗(yàn)條件下，以FDR-PLS為油菜產(chǎn)量及其構(gòu)成因子監(jiān)測(cè)的最佳模型。不同預(yù)測(cè)指標(biāo)間，基于FDR-PLS模型的油菜產(chǎn)量和角果數(shù)診斷精度較高，RPD分別為3.11和3.12(大于2.0)，可以較好反映該指標(biāo)時(shí)空變化。角粒數(shù)和千粒質(zhì)量RPD整體偏低，分別為0.52和0.22(小于1.4)，模型性能較差，難以做出準(zhǔn)確評(píng)估和預(yù)測(cè)。角果數(shù)作為影響油菜產(chǎn)量的關(guān)鍵構(gòu)成因子，如能從高光譜遙感技術(shù)層面對(duì)其進(jìn)行精確和提早(最高可提早油菜產(chǎn)量30 d左右)監(jiān)測(cè)與評(píng)估，對(duì)發(fā)展油菜生產(chǎn)、掌握產(chǎn)量效能具有重要實(shí)際和應(yīng)用意義。

研究表明，角果皮是油菜發(fā)育成熟期進(jìn)行光合作用的最關(guān)鍵器官，顯著影響油菜冠層光譜的時(shí)空變化，既是庫(kù)也是重要的源[21]，其自身光合產(chǎn)物約占增重物質(zhì)的70%左右[22]。角果數(shù)是角果皮的量化指標(biāo)和承載物質(zhì)，其變幅最大也最關(guān)鍵，對(duì)產(chǎn)量和光譜(光能吸收利用)形成影響也最大；每角粒數(shù)是油菜籽粒的表現(xiàn)形式，位于角果皮內(nèi)，其光能吸收利用情況則相對(duì)較弱，但對(duì)產(chǎn)量貢獻(xiàn)同樣較大，增加每角粒數(shù)同樣可以提高油菜產(chǎn)量，但應(yīng)在保持適宜角果數(shù)的基礎(chǔ)上。油菜千粒質(zhì)量表現(xiàn)一般比較穩(wěn)定，無(wú)顯著變化，其對(duì)產(chǎn)量的影響也相對(duì)最低，同時(shí)對(duì)光譜變化無(wú)直接效應(yīng)。本試驗(yàn)中，對(duì)比基于3個(gè)產(chǎn)量構(gòu)成因子的FDR-PLS模型預(yù)測(cè)效果發(fā)現(xiàn)，油菜角果數(shù)預(yù)測(cè)精度最高，角粒數(shù)次之，千粒質(zhì)量最差，這與其對(duì)光譜影響的重要程度相一致。

表3 基于原初光譜和一階微分光譜的冬油菜產(chǎn)量及其構(gòu)成因子PLS模型Tab.3 PLS model for seed yield and yield components of winter oilseed rape based on raw spectral reflectance and the first derivative reflectance

圖4 基于FDR-PLS回歸模型的油菜產(chǎn)量和角果數(shù)有效波段確定Fig.4 VIP for each wavelength based on FDR-PLS model

2.4 基于FDR-PLS分析的冬油菜產(chǎn)量和角果數(shù)有效波段確定

明確了冬油菜最佳光譜診斷模型(FDR-PLS)和監(jiān)測(cè)指標(biāo)(產(chǎn)量和角果數(shù))之后，為進(jìn)一步確定冬油菜產(chǎn)量和角果數(shù)監(jiān)測(cè)的有效波段，降低光譜分析維度，提高光譜診斷時(shí)效性和簡(jiǎn)潔性，采用PLS回歸模型的無(wú)量綱評(píng)價(jià)指標(biāo)變量重要性投影(VIP)的分析方法，分別計(jì)算各波段對(duì)油菜產(chǎn)量和角果數(shù)影響程度的VIP值(圖4)。VIP計(jì)算了PLS模型中解釋因變量的回歸平方和與總離差平方的比值，是一種有效的波段選擇方法。前人研究多以VIP等于1為臨界閾值，本試驗(yàn)條件下高于該臨界值波段數(shù)仍較多且難以區(qū)分，而VIP大于3.5波段則相對(duì)較少且分布范圍具有代表性，考慮到模型的簡(jiǎn)明性和準(zhǔn)確性，以VIP等于3.5為油菜產(chǎn)量和角果數(shù)有效波段選取的臨界值。基于此，確定油菜產(chǎn)量有效波段分別為628 nm(紅光)、753 nm(紅邊)和882、935、1 061、1 224 nm(近紅外)；角果數(shù)有效波段分布范圍在可見(jiàn)光(628 nm和758 nm)與近紅外(935 nm和1 063 nm)區(qū)域基本一致，另有兩波段則位于中紅外區(qū)域(1 457 nm和1 600 nm)。該結(jié)果為基于角果期高光譜技術(shù)的油菜提早估產(chǎn)(通過(guò)角果數(shù))提供了試驗(yàn)參考和理論依據(jù)。

分析發(fā)現(xiàn)，油菜產(chǎn)量和角果數(shù)特征波段主要位于近-中紅外區(qū)域，此范圍冠層光譜反射率主要受作物群體結(jié)構(gòu)(如角果皮面積指數(shù)和生物量等)影響。角果期油菜進(jìn)行體內(nèi)光合產(chǎn)物形成和分配的主要器官是角果皮(此時(shí)葉片已基本黃化、脫落，角果呈傘狀分布于油菜冠層)，其光合產(chǎn)物的大小則直接決定光合產(chǎn)物的形成。光合色素、角果皮面積指數(shù)(PAI)和生物量均與作物群體光合效率緊密相關(guān)，是反映作物群體動(dòng)態(tài)、決定最終產(chǎn)量的關(guān)鍵指標(biāo)。以2013—2014年角果期油菜田間試驗(yàn)為例(其他年份結(jié)果與此一致)，0、90、180、270、360 kg/hm2處理油菜角果皮色素含量分別平均為0.20、0.21、0.23、0.23、0.23 mg/g；PAI分別平均為1.6、2.7、5.4、6.1和4.7；地上部生物量分別平均為3.85、8.74、14.68、17.81、13.40 t/hm2。該結(jié)果表明，作為影響油菜冠層光譜變化的主要因子，處理間油菜角果皮色素含量并無(wú)明顯變化，而色素對(duì)光譜的影響主要集中于可見(jiàn)光波段；同時(shí)，PAI和生物量的顯著差異使得其對(duì)冠層光譜的影響主要位于近-中紅外區(qū)域，這與本試驗(yàn)結(jié)果相一致。另外，與油菜產(chǎn)量特征波段分布略有不同的是，油菜角果數(shù)特征波長(zhǎng)1 457 nm和1 600 nm則位于中紅外的水分吸收區(qū)，這主要是由于角果期光譜測(cè)試時(shí)，油菜角果含有較高的水分(2013—2014年上述各處理含水率分別平均為78.7%、78.0%、79.5%、80.7%、80.4%)，而產(chǎn)量的測(cè)試則是于油菜收獲風(fēng)干去除水分后進(jìn)行，這與生產(chǎn)實(shí)際相符合，同時(shí)進(jìn)一步反映了高光譜進(jìn)行油菜估產(chǎn)的準(zhǔn)確性和代表性。

2.5 基于有效波段的模型檢驗(yàn)

通過(guò)VIP技術(shù)確定油菜產(chǎn)量和角果數(shù)有效波段，使光譜維數(shù)由1 683個(gè)降為6個(gè)，極大簡(jiǎn)化了模型分析的復(fù)雜性。為進(jìn)一步評(píng)估基于上述有效波段所構(gòu)建新FDR-PLS模型的預(yù)測(cè)能力，利用2015—2016年獨(dú)立試驗(yàn)數(shù)據(jù)對(duì)該模型再次進(jìn)行檢驗(yàn)，以RPD、R2和RMSE來(lái)綜合表征模型的精準(zhǔn)性，并繪制實(shí)測(cè)值和預(yù)測(cè)值1∶1效應(yīng)圖來(lái)直觀展示新FDR-PLS模型的可靠性和穩(wěn)定性(圖5)。

圖5 基于有效波段的冬油菜產(chǎn)量和角果數(shù)田間試驗(yàn)?zāi)Ｐ途葯z驗(yàn)Fig.5 Verification of models for yield and pod number from field experiment based on effective wavelengths

由圖5可知，采用有效波段不僅顯著降低了光譜分析的復(fù)雜性，同時(shí)對(duì)油產(chǎn)量和角果數(shù)仍具有較高的預(yù)測(cè)能力，其RPD值分別為2.340和2.522。此外，相對(duì)于全波段FDR-PLS模型而言，新構(gòu)建模型預(yù)測(cè)精度略微下降(R2降低和RMSE升高)，其原因是光譜維數(shù)降低其所含信息有效性受到抑制，但仍滿足實(shí)時(shí)和精準(zhǔn)診斷的需求。圖5b和圖5d中散點(diǎn)分布越接近1∶1 線表明基于有效波段所構(gòu)建方程預(yù)測(cè)準(zhǔn)確度越高。結(jié)果顯示，驗(yàn)證集油菜產(chǎn)量(y=1.060x+150.244)和角果數(shù)(y=1.012x+9.979)的回歸方程斜率均高于1，說(shuō)明新FDR-PLS模型高估了實(shí)測(cè)值。因此，進(jìn)一步提高建模集數(shù)據(jù)容量，優(yōu)化建模集數(shù)據(jù)范圍，使之具有更大和更準(zhǔn)確的代表性，對(duì)提高模型診斷能力具有重要意義。

本研究雖然綜合了油菜不同試驗(yàn)?zāi)攴?、地點(diǎn)、種植方式和氮素水平下的油菜冠層光譜反射率、產(chǎn)量及其構(gòu)成因子，所篩選特征波段和構(gòu)建模型也獲得了相對(duì)較為理想的結(jié)果，但研究主要是基于小區(qū)尺度開展，如能將本研究結(jié)果與低空無(wú)人飛機(jī)、衛(wèi)片數(shù)據(jù)相融合，從更大范圍、更高水平提早進(jìn)行油菜產(chǎn)量的區(qū)域化預(yù)測(cè)和評(píng)估。同時(shí)，本結(jié)論是在田間產(chǎn)量實(shí)測(cè)及其因子調(diào)查的基礎(chǔ)上開展的，如能將光譜監(jiān)測(cè)與油菜產(chǎn)量形成模型(如基于分配指數(shù)的油菜地上部器官干物質(zhì)分配動(dòng)態(tài)模擬模型[23])結(jié)合起來(lái)，通過(guò)模型擬合的措施定量化、精細(xì)化研究?jī)烧咧g關(guān)系，對(duì)提高光譜估產(chǎn)的說(shuō)服力和代表性具有更大的促進(jìn)作用。另外，結(jié)合作物生長(zhǎng)模型動(dòng)態(tài)研究角果形成過(guò)程并探究光譜監(jiān)測(cè)和估產(chǎn)的準(zhǔn)確性，仍需要開展進(jìn)一步的研究。

3 結(jié)論

(1)施氮顯著影響冬油菜角果數(shù)和成熟期產(chǎn)量，兩者均隨氮肥用量增加而顯著升高；不同氮素水平下角果期油菜冠層光譜反射率在可見(jiàn)光波段(400～730 nm)隨氮肥用量增加而降低，近紅外波段(730～1 350 nm)變化趨勢(shì)與此相反，中紅外波段(1 420～2 370 nm)則未表現(xiàn)出明顯或一致性規(guī)律。

1 XUE Lihong, CAO Weixing, YANG Linzhang. Predicting grain yield and protein content in winter wheat at different N supply levels using canopy reflectance spectra[J]. Pedosphere, 2007, 17(5): 646-653.

2 WEBER V S, ARAUS J L, CAIRNS J E, et al. Prediction of grain yield using reflectance spectra of canopy and leaves in maize plants grown under different water regimes[J]. Field Crops Research, 2012, 128: 82-90.

3 ZHAO D L, RAJA REDDY K, GOPAL KAKANI V, et al. Canopy reflectance in cotton for growth assessment and lint yield prediction [J]. European Journal of Agronomy, 2007, 26(3): 335-344.

4 LI Lantao, REN Tao, MA Yi, et al. Evaluating chlorophyll density in winter oilseed rape (BrassicanapusL.) using canopy hyperspectral red-edge parameters [J]. Computers and Electronics in Agriculture, 2016, 126: 21-31.

5 韓兆迎，朱西存，房賢一，等. 基于SVM與RF的蘋果樹冠LAI高光譜估測(cè)[J].光譜學(xué)與光譜分析，2016，36(3)：800-805. HAN Zhaoying, ZHU Xicun, FANG Xianyi, et al. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression [J].Spectroscopy and Spectral Analysis, 2016, 36(3): 800-805. (in Chinese)

6 王紀(jì)華，黃文江，勞彩蓮，等. 運(yùn)用PLS 算法由小麥冠層反射光譜反演氮素垂直分布[J]. 光譜學(xué)與光譜分析，2007，27(7)：1319-1322. WANG Jihua, HUANG Wenjiang, LAO Cailian, et al. Inversion of winter wheat foliage vertical distribution based on canopy reflected spectrum by partial least squares regression method [J]. Spectroscopy and Spectral Analysis, 2007, 27(7): 1319-1322. (in Chinese)

7 劉秀英，申健，常慶瑞，等. 基于可見(jiàn)/近紅外光譜的牡丹葉片花青素含量預(yù)測(cè)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(9)：319-324. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150947&flag=1. DOI：10.6041/j.issn.1000-1298.2015.09.047. LIU Xiuying, SHEN Jian, CHANG Qingrui, et al. Prediction of anthocyanin content in peony leaves based on visible/near-infrared spectra [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 319-324. (in Chinese)

8 黃雙萍，洪添勝，岳學(xué)軍，等. 基于高光譜的柑橘葉片磷含量估算模型實(shí)驗(yàn)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(4)：202-207.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130435&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2013.04.035. HUANG Shuangping, HONG Tiansheng, YUE Xuejun, et al. Hyperspectral estimation model of total phosphorus content for citrus leaves [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4): 202-207. (in Chinese)

9 ZHANG Xiaolei, HE Yong. Rapid estimation of seed yield using hyperspectral images of oilseed rape leaves [J]. Industrial Crops and Products, 2013, 42: 416-420.

10 REN Tao, ZOU Juan, WANG Yin, et al. Estimating nutrient requirements for winter oilseed rape based on QUEFTS analysis [J]. Journal of Agricultural Science, 2016, 154(3): 425-437.

11 李慧，馬常寶，魯劍巍，等. 中國(guó)不同區(qū)域油菜氮磷鉀肥增產(chǎn)效果[J].中國(guó)農(nóng)業(yè)科學(xué)，2013，46(9)：1837-1847. LI Hui, MA Changbao, LU Jianwei, et al. Increasing effect of N, P and K fertilizer on rapeseed in different regions of China [J]. Scientia Agricultura Sinica, 2013, 46(9): 1837-1847. (in Chinese)

12 馬霓，張春雷，李俊，等. 種植密度對(duì)直播油菜結(jié)實(shí)期源庫(kù)關(guān)系及產(chǎn)量調(diào)節(jié)的研究[J].中國(guó)油料作物學(xué)報(bào)，2009，31(2)：180-184.

13 PETISCO C, GARCIA-CRIADO B, VAZQUEZ-DE-ALDANA B R, et al. Measurement of quality parameters in intact seeds ofBrassicaspecies using visible and near-infrared spectroscopy [J]. Industrial Crops and Products, 2010, 32: 139-146.

14 方慧，宋海燕，曹芳，等. 油菜葉片的光譜特征與葉綠素含量之間的關(guān)系研究[J]. 光譜學(xué)與光譜分析，2007，27(9)：1731-1734. FANG Hui, SONG Haiyan, CAO Fang, et al. Study on the relationship between spectral properties of oilseed rape leaves and their chlorophyll content [J]. Spectroscopy and Spectral Analysis, 2007, 27(9): 1731-1734. (in Chinese)

15 LIU Fei, ZHANG Fan, JIN Zonglai, et al. Determination of acetolactate synthase activity and protein content of oilseed rape (BrassicanapusL.) leaves using visible/near-infrared spectroscopy [J]. Analytica Chimica Acta, 2008, 629(1-2): 56-65.

16 黃敬峰，王福民，王秀珍. 水稻高光譜遙感實(shí)驗(yàn)研究[M]. 杭州：浙江大學(xué)出版社，2010: 22.

17 WANG Shanqin, LI Weidong, LI Jing, et al. Prediction of soil texture using FT-NIR spectroscopy and PXRF spectrometry with data fusion [J]. Soil Science, 2013, 178(11): 626-638.

18 WANG Yin, LIU Tao, LI Xiaokun, et al. Nutrient deficiency limits population development, yield formation, and nutrient uptake of direct sown winter oilseed rape [J]. Journal of Integrative Agriculture, 2015, 14(4): 670-680.

19 HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression [J]. Remote Sensing of Environment, 2003, 86: 542-553.

20 SAHOO R N, RAY S S, MANJUNATH K R. Hyperspectral remote sensing in agriculture [J]. Current Science, 2015, 108(5): 848-859.

21 胡立勇，單文燕，王維金. 油菜結(jié)實(shí)特性與庫(kù)源關(guān)系的研究[J]. 中國(guó)油料作物學(xué)報(bào)，2002，24(2): 37-42.

22 周可金，官春云，肖文娜，等. 催熟劑對(duì)油菜角果光合特性、品質(zhì)及產(chǎn)量的影響[J]. 作物學(xué)報(bào)，2009,35(7)：1369-1373. ZHOU Kejin, GUAN Chunyun, XIAO Wenna, et al. Effects of chemical ripeners on photosynthetic characteristics of pods and rapeseed quality and yield [J]. Acta Agronomica Sinica, 2009, 35(7): 1369-1373. (in Chinese)

23 湯亮，朱艷，鞠昌華，等. 油菜地上部干物質(zhì)分配與產(chǎn)量形成模擬模型[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2007,18(3)：526-530.

Prediction Models of Winter Oilseed Rape Yield Based on Hyperspectral Data at Pod-filling Stage

LI Lantao1,2REN Tao1,2WANG Shanqin2MING Jin2LIU Qiuxia1,2LU Jianwei1,2

(1.MicroelementResearchofCenter,HuazhongAgciculturalUniversity,Wuhan430070,China2.KeyLaboratoryofArableLandConservation(MiddleandLowerReachesofYangtseRiver),MinistryofAgriculture,Wuhan430070,China)

winter oilseed rape; pod-filling stage; yield; prediction model; hyperspectral; partial least square (PLS)

10.6041/j.issn.1000-1298.2017.03.028

2016-07-11

2016-08-08

國(guó)家自然科學(xué)基金項(xiàng)目(31471941)和國(guó)家油菜產(chǎn)業(yè)體系建設(shè)專項(xiàng)(CARS-13)

李嵐?jié)?1987—)，男，博士生，主要從事作物營(yíng)養(yǎng)光譜診斷研究，E-mail: lilantao@webmail.hzau.edu.cn

魯劍巍(1967—)，男，教授，博士生導(dǎo)師，主要從事作物營(yíng)養(yǎng)與現(xiàn)代施肥技術(shù)研究，E-mail: lunm@mail.hzau.edu.cn

S565.4； S127

A

1000-1298(2017)03-0221-09