吳劍飛

摘 要：為探討實際應(yīng)用中高光譜技術(shù)快速準確獲取農(nóng)作物葉片含水量，本文以拔節(jié)期冬小麥含水量為研究對象，對冬小麥原始光譜進行三種光譜變換處理，采用雙波段光譜指數(shù)和競爭性自適應(yīng)重加權(quán)采樣（Competitive Adaptive Reweighted Sampling， CARS）獲取高光譜數(shù)據(jù)中與LWC高度相關(guān)的波段組合，進行多種LWC建模并對比預(yù)測精度。結(jié)果表明：由CARS篩選的波段組合壓縮率達98%以上，結(jié)合偏最小二乘回歸（Partial Least Squares Regression， PLSR）構(gòu)建的含水量預(yù)測模型擬合精度最高，所建模型中最高預(yù)測決定系數(shù)為0.8441，模型預(yù)測精度均高于以雙波段組合所建模型的預(yù)測精度。CARS在篩選與冬小麥葉片含水量相關(guān)的光譜波段組合方面較為適用，可為估算冬小麥種植區(qū)干旱情況和水分管理提供技術(shù)支持。

關(guān)鍵詞：冬小麥;葉片含水量;高光譜技術(shù);競爭性自適應(yīng)重加權(quán)采樣算法

中圖分類號：S512.1;S314 ?文獻標識碼：A ?文章編號：1673-260X（2021）07-0022-05

引言

作物含水量是體現(xiàn)作物生長狀況的重要品質(zhì)指標，直接影響作物對光能的利用和營養(yǎng)供給水平，最終影響其生長質(zhì)量、品質(zhì)及產(chǎn)量[1]。冬小麥在中國國民飲食結(jié)構(gòu)中占主導地位，對高產(chǎn)穩(wěn)產(chǎn)有著重要意義。傳統(tǒng)的烘干法檢測精度較高，但難以滿足生產(chǎn)實踐中對大范圍冬小麥含水量實時、無損的檢測需求，且存在時效性差、有損檢測等弊端[2]。遙感技術(shù)為冬小麥含水量的動態(tài)無損監(jiān)測提供了新的技術(shù)手段，其中高光譜分析技術(shù)具有快速、高效、無損的優(yōu)點，能夠獲取豐富的地物光譜信息，估算作物生化參數(shù)進而診斷其健康狀態(tài)[3]。

相對于其他遙感技術(shù)，高光譜遙感屬于前沿領(lǐng)域，具有波段數(shù)目多、精度高等特點。國內(nèi)外學者針對高光譜技術(shù)的在農(nóng)業(yè)方面的應(yīng)用開展了大量研究。如王玉娜等[4]利用FD-SPA建模獲取了多個時期冬小麥生物量與高光譜數(shù)據(jù)的響應(yīng)關(guān)系，模型預(yù)測決定系數(shù)達0.78，得出抽穗期是估算冬小麥地上部生物量的較佳生育時期。任怡等[5]采用CARS算法對香蔥含水量和葉綠素含量的高光譜敏感變量優(yōu)選，壓縮率達3.24%和1.78%，采用偏最小二乘法和支持向量回歸建立了定量分析模型，預(yù)測決定系數(shù)達0.9046和0.9143。

本研究以淮南阜陽地區(qū)拔節(jié)期冬小麥為實驗材料，通過對冬小麥高光譜數(shù)據(jù)和含水量的測定，采用原始光譜（Original Spectrum， OS）和一階導數(shù)（First Derivative， FD）、二階導數(shù)（Seconder Derivative，SD）和多元散射校正（Multiplicative Scatter Correction， MSC）處理后的共4種光譜數(shù)據(jù)形式，采用差值光譜指數(shù)（Difference Spectral Index，DSI）、比值光譜指數(shù)（Ratio Spectral Index， RSI）、歸一化光譜指數(shù)（Normalized Spectral Index， NDSI）、競爭性自適應(yīng)重加權(quán)采樣（Competitive Adaptive Reweighted Sampling， CARS）共四種波段篩選方法獲取與葉片含水量（Leaf Water Content， LWC）高度相關(guān)的波段組合，結(jié)合支持向量回歸（Support Vector Regression，SVR）、BP神經(jīng)網(wǎng)絡(luò)和偏最小二乘回歸（Partial Least Squares Regression， PLSR）建立波段組合和含水量的關(guān)系模型，對比分析預(yù)測精度，以期為實際應(yīng)用中高光譜技術(shù)獲取作物含水量提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于安徽省阜陽市潁上縣謝橋鎮(zhèn)（東經(jīng)115°56′-116°38′、北緯32°27′-32°4′）。該地區(qū)屬于北溫帶與亞熱帶之間過渡型氣候，地勢平坦，土壤肥沃;主要分布的土地類型為砂礓黑土;主要種植小麥、稻谷、玉米等作物，該地區(qū)是“農(nóng)業(yè)綠色發(fā)展先行先試支撐體系建設(shè)試點縣”。選擇該地為研究區(qū)域，是考慮到該地的土壤和降水條件，且該地區(qū)小麥種植產(chǎn)量超過農(nóng)作物總產(chǎn)量的一半，有著豐富的小麥資源和適宜的實驗條件。

1.2 光譜數(shù)據(jù)獲取

2019年4月15日，在當?shù)匦←湴喂?jié)期分多次采集光譜數(shù)據(jù)，采樣時間為10：30—13：30，測量時天氣晴朗，采用ASD FieldSpec4便攜式地物光譜儀共采集96組冬小麥冠層高光譜數(shù)據(jù)。儀器波長范圍為350～2500nm，其中350～1000nm波長的采樣間隔為1.4nm，1000～2500nm波長的采樣間隔為2nm，每個樣本測得30條光譜，剔除異常光譜后取平均值作為該樣本的光譜，每組數(shù)據(jù)采樣前均進行標準白板校正。

1.3 樣本采集與測試

在對應(yīng)光譜測定位置選取10-15株小麥連根拔起，裝入取樣袋后迅速運回實驗室。在實驗室分離出葉片和莖，并稱取其飽和鮮重，放入烘箱105℃殺青1h后放置于75℃下烘干至恒重，測定干重。葉片含水量（Leaf Water Content，LWC）的計算公式如下：

式中，F(xiàn)Wleaf和DWleaf分別表示葉片鮮重和干重（g）。表1為冬小麥樣本中葉片含水量的統(tǒng)計特征。

1.4 光譜數(shù)據(jù)處理

利用ViewSpecPro對采集的光譜數(shù)據(jù)進行處理，保留與LWC相關(guān)性較高的400～1350nm波段、1400～1800nm波段和1950～2400nm波段[6]。采用MATLAB 2017a軟件對OS進行預(yù)處理，并利用Origin 2019b軟件制圖。預(yù)處理包括FD、SD和MSC[7，8]。預(yù)處理結(jié)果如圖1所示。圖1（a）展示了拔節(jié)期冬小麥樣品的原始反射光譜曲線。光譜曲線有明顯的綠色植物的輪廓特征。

1.5 數(shù)據(jù)分析方法

光譜指數(shù)被認為是增強植被光譜信息的重要方法。其中最常見的形式是RSI、DSI和NDSI[9]。在數(shù)據(jù)范圍內(nèi)，組合任意兩波段構(gòu)成雙波段光譜指數(shù)，建立估算模型。

其中Rλ1和Rλ2分別為λ1和λ2兩個波段對應(yīng)的光譜反射率。

1.6 CARS競爭性自適應(yīng)重加權(quán)采樣算法

CARS是以達爾文進化論的“適者生存“為指導理論，采用蒙特卡洛采樣以及偏最小二乘回歸法的特征波段優(yōu)選方法。CARS法的每個采樣周期可分為4個連續(xù)的步驟[12，13]：首先采用蒙特卡洛采樣法從校正集中選取樣本，進行PLSR建模;然后計算波段回歸系數(shù)的絕對值權(quán)重，經(jīng)衰減指數(shù)法計算后，剔除絕對值較小的波段變量;接著采用自適應(yīng)加權(quán)算法在剩余波段變量中選取波段，進行PLSR建模;最后選取交叉驗證的均方根誤差最小的模型對應(yīng)的波段變量作為選擇的特征波段變量。

1.7 模型構(gòu)建與精度檢驗

采用SVR、BP神經(jīng)網(wǎng)絡(luò)和PLS建立光譜數(shù)據(jù)與葉片含水量的預(yù)測模型，由決定系數(shù)R2、均方根誤差RMSE作為模型精度評價指標。其中，R2越大估算效果越好;RMSE越小，模型估算效果越好，反之則越差。

2 結(jié)果與討論

2.1 雙波段植被指數(shù)回歸建模

基于OS、FD、SD和MSC構(gòu)建的雙波段光譜指數(shù)與葉片含水量的等勢圖進行敏感波段組合篩選如圖2所示，等勢圖中每個坐標x和y分別對應(yīng)λ1和λ2波段，坐標值對應(yīng)于與葉片含水量的相關(guān)系數(shù)。模型預(yù)測結(jié)果匯總于表2。

圖2和表2顯示，同一光譜變換處理后的數(shù)據(jù)所建立的高光譜指數(shù)等勢圖類似，相同敏感波段組合下，RSI與LWC的相關(guān)系數(shù)高于NDSI與LWC的相關(guān)系數(shù)。對比不同光譜處理類型可知，MSC處理后光譜所建模型的R2較為穩(wěn)定。OS的敏感波段組合主要分布2180～2390nm;FD的敏感波段組合主要分布在2050～2390nm;SD的敏感波段組合主要分布在2050～2390nm以及900～1300nm;MSC的敏感波段組合主要分布在1420～1430nm。

由表2可知，拔節(jié)期中OS-DSI-PLSR模型預(yù)測精度最高，R2為0.7987，RMSE為1.7689%。

2.2 CARS法篩選特征波段組合

基于CARS算法提取冬小麥LWC反演模型的特征波段的運行過程如圖3所示。由于CARS隨著采樣次數(shù)的不同呈現(xiàn)不同的運算結(jié)果，所以本文通過設(shè)定不同的采樣次數(shù)后分別進行運算以選取相對較優(yōu)的波段變量組合[14]。

如圖3所示，采樣次數(shù)較少時，由于衰減指數(shù)的作用，CARS法選取的波段變量數(shù)在較短時間內(nèi)由總波段變量數(shù)快速下降到較低水平，隨著采樣次數(shù)增加，選取變量數(shù)的降低幅度減緩，交叉驗證均方根誤差呈現(xiàn)出下降與上升交替進行的趨勢，圖中“*”豎線標出最小RMSECV值對應(yīng)的采樣次數(shù)，為欠擬合與過擬合的交匯點，故選取該點處的最優(yōu)波段。“*”豎線之后RMSECV開始增大，是由于有效變量被刪除了。以O(shè)S為例，在OS-CARS中最終選取了1411、1412、1424、1425、1426、1427、1959、2020、2021、2064、2071、2176、2177、2190、2207、2208、2259、2260、2261、2306、2316、2317、2334、2335、2338、2351、2358、2377、2385、2391、2395、2400共32個特征波段用于LWC的預(yù)測。選取總量分別僅占全波段總數(shù)的1.77%。

結(jié)合表2、表3，對比不同方法可知，CARS與提取了有效波段，剔除了無效信息，降低了模型的復雜度，避免了高光譜數(shù)據(jù)建模中有效信息“丟失”問題，表明CARS在篩選與冬小麥葉片含水量相關(guān)的光譜波段組合方面較為適用。

3 結(jié)論

本研究對拔節(jié)期的冬小麥同步進行了高光譜數(shù)據(jù)采集和葉片含水量測定，對獲取的高光譜數(shù)據(jù)進行了光譜變換和特征波段提取，通過分析得出以下結(jié)論：

（1）與冬小麥葉片含水量相關(guān)的波段主要集中在900～1300nm、1420nm～1430nm和2050～2390nm。

（2）由雙波段指數(shù)和優(yōu)選波段組合偏最小二乘構(gòu)建的模型預(yù)測精度高于支持向量回歸和BP神經(jīng)網(wǎng)絡(luò)回歸，其中拔節(jié)期冬小麥葉片含水量的最佳估測模型為FD-CARS-PLSR。

（3）CARS算法有效減少了建模所需變量數(shù)，提取的特征波段主要分布在1410～1430nm、1950～2400nm，使用低于總波段數(shù)2%的光譜數(shù)據(jù)獲得了很好的建模效果，極大降低了數(shù)據(jù)冗余度，所建拔節(jié)期冬小麥葉片含水量估算模型的預(yù)測決定系數(shù)達0.8441。

參考文獻：

〔1〕Peng Z， Lin S， Zhang B， et al. Winter Wheat Canopy Water Content Monitoring Based on Spectral Transforms and "Three-edge" Parameters[J]. Agricultural Water Management，2020， 240：106306.

〔2〕劉曉靜，陳國慶，王良，等.不同生育時期冬小麥葉片相對含水量高光譜監(jiān)測[J].麥類作物學報，2018，38（07）：854-862.

〔3〕王紀華，趙春江，郭曉維，等.用光譜反射率診斷小麥葉片水分狀況的研究[J].中國農(nóng)業(yè)科學，2001， 40（01）：104-107.

〔4〕王玉娜，李粉玲，王偉東，等.基于連續(xù)投影算法和光譜變換的冬小麥生物量高光譜遙感估算[J].麥類作物學報，2020，40（11）：1389-1398.

〔5〕任怡，王成全，Bonah Ernest，等.高光譜成像技術(shù)預(yù)測香蔥貯藏品質(zhì)研究[J/OL].食品工業(yè)科技：1-15[2021-04-03].

〔6〕陳秀青，楊琦，韓景曄，等.基于葉冠尺度高光譜的冬小麥葉片含水量估算[J].光譜學與光譜分析，2020，40（03）：891-897.

〔7〕第五鵬瑤，卞?；?，王姿方，等.光譜預(yù)處理方法選擇研究[J].光譜學與光譜分析，2019，39（09）：2800-2806.

〔8〕張東輝，趙英俊，秦凱，等.光譜變換方法對黑土養(yǎng)分含量高光譜遙感反演精度的影響[J].農(nóng)業(yè)工程學報，2018，34（20）：141-147.

〔9〕王偉東，常慶瑞，王玉娜.基于UHD185成像光譜儀的冬小麥葉綠素監(jiān)測[J].干旱區(qū)研究，2020，37（05）：1362-1369.

〔10〕Galv？觓o， R K Harrop， Araújo， et al. Cross-validation for the selection of spectral variables using the successive projections algorithm[J]. Journal of the Brazilian Chemical Society，2007，18（08）.

〔11〕MCU Araújo， T C B Saldanha， R K H Galv？觓o， et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J].Chemometrics and Intelligent Laboratory Systems， 2001， 57（02）.

〔12〕H D Li， Y Z Liang， Q S Xu， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta，2009，648（01）.

〔13〕D Wu， D W Sun. Potential of time series-hyperspectral imaging （TS-HSI） for non-invasive determination of microbial spoilage of salmon flesh[J]. Talanta，2013，111.

〔14〕王海龍，楊國國，張瑜，等.競爭性自適應(yīng)重加權(quán)算法和相關(guān)系數(shù)法提取特征波長檢測番茄葉片真菌病害[J].光譜學與光譜分析，2017，37（07）：2115-2119.