李靖言　顏安　寧松瑞　孫萌　范君　左筱筱

摘要：快速、準(zhǔn)確地獲取春小麥生長特征及產(chǎn)量對科學(xué)施肥有重要意義。為探索高光譜估測不同施肥處理春小麥葉面積指數(shù)（LAI）、葉綠素相對含量（SPAD值）和產(chǎn)量的方法，本研究采用盆栽試驗，以不施肥（CK）和常規(guī)施肥（CF，常規(guī)施氮量120 kg/hm2）處理為對照，設(shè)置常規(guī)施肥減氮處理（N1，常規(guī)施氮量減少15%；N2，常規(guī)施氮量減少30%）與生物有機肥處理（2種類型：A和B，2個施量：1 125、2 250 kg/hm2）配施試驗，分析春小麥LAI、SPAD值和產(chǎn)量及其冠層高光譜特征。主要結(jié)論：（1）B處理春小麥LAI、SPAD值的平均值和產(chǎn)量均高于A處理，N2B1處理的春小麥LAI、SPAD值及產(chǎn)量均最高。（2）在可見光波段下，施生物有機肥處理的“綠峰”和“紅谷”特征差異比CK顯著增強。隨施氮量、生物有機肥施量的升高，近紅外波段下春小麥冠層高光譜反射率也隨之升高；建議用500～550 nm和670～800 nm 波段的春小麥冠層一階微分高光譜特征識別春小麥的LAI和SPAD值。（3）優(yōu)選與春小麥LAI、SPAD值指標(biāo)較為敏感的不同植被指數(shù)構(gòu)建4種［決策樹回歸（decision tree regression）、隨機森林回歸（random forest regression）、梯度提升回歸（gradient boosting regression）以及線性支持向量機回歸（Linear SVR）］機器學(xué)習(xí)模型，結(jié)果表明，采用線性支持向量機回歸模型反演春小麥葉面積指數(shù)的效果最好（r2=0.723 3，RMSE=0.256 9），采用梯度提升回歸模型反演春小麥SPAD值的效果最好（r2=0.759 4，RMSE=2.332 9），采用決策樹回歸模型反演春小麥產(chǎn)量的效果最好（r2=0.809 8，RMSE=597.842 4 kg/hm2）。

關(guān)鍵詞：春小麥；生物有機肥；氮肥減施；高光譜特征；機器學(xué)習(xí)

中圖分類號：S127；TP79文獻標(biāo)志碼：A

文章編號：1002-1302（2023）20-0201-10

春小麥作為新疆最主要的糧食作物之一，其播種面積為2.4×105 hm2、產(chǎn)量達65億kg［1-2］。合理施氮對促進春小麥生長及增產(chǎn)具有不可替代的作用。當(dāng)前，小麥田過量施氮現(xiàn)象普遍存在［3］，不僅增加了小麥種植成本，也加劇了環(huán)境污染［4］?？焖俦O(jiān)測春小麥的生長生理指標(biāo)及產(chǎn)量，對指導(dǎo)小麥田合理施氮及保障糧食安全至關(guān)重要［5］。

葉面積指數(shù)（LAI）和葉綠素相對含量（SPAD值）是反映作物長勢的重要生長生理指標(biāo)［6］。黃藝華等研究了5個氮肥基追比處理對春小麥LAI的影響，發(fā)現(xiàn) 3 ∶7 的基追比處理對春小麥LAI的促進作用最優(yōu)［7］；Janusauskaite等對比不耕作和常規(guī)耕作2種條件下施用不同濃度常規(guī)化肥（氮、磷、鉀）對春小麥SPAD值的影響，結(jié)果表明在不同耕種條件下春小麥隨施肥濃度的增大SPAD值也隨之增大［8］。

近年來，高光譜遙感憑借其波段數(shù)量多、分辨率高以及波譜特征敏感等優(yōu)勢在作物光譜特征變化和生長生理指標(biāo)監(jiān)測以及估產(chǎn)方面發(fā)揮重要作用［9-10］。目前光譜遙感估算作物生理指標(biāo)和產(chǎn)量的經(jīng)驗?zāi)Ｐ头譃榫€性回歸和非線性回歸。邵國敏等利用無人機獲取夏玉米光譜數(shù)據(jù)，通過光譜植被指數(shù)對夏玉米葉面積指數(shù)進行反演研究，結(jié)果表明，植被指數(shù)的多元線性回歸模型可以較好地估算LAI［11］；雖然線性回歸模型可以有效降低估算植被物理結(jié)構(gòu)參數(shù)中的不確定性，但是很難在數(shù)據(jù)冗余的情況下進行很好的預(yù)測［12］。目前機器學(xué)習(xí)算法已用于作物的生理指標(biāo)和產(chǎn)量估算研究［13-15］。Reisi等采用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）和支持向量機回歸（support vectors regression，SVR）對作物L(fēng)AI進行估算，發(fā)現(xiàn)SVR模型是估算LAI的最佳模型（均方根誤差RMSE=0.51）［16］；Yang等在無人機高光譜數(shù)據(jù)下采用k均值聚類算法（k-means clustering algorithm）作為聚類方法，使用隨機森林（random forests）和極端梯度提升（XGBoost）作為回歸算法構(gòu)建冬小麥SPAD值估算模型，結(jié)果表明XGBoost模型對小麥SPAD值的估計略優(yōu)于隨機森林模型［17］。

常規(guī)施肥氮肥減施（減氮）技術(shù)及無機肥配施有機肥技術(shù)作為化肥零增長戰(zhàn)略的重要措施，在肥料效率提高、作物高產(chǎn)和土壤改良等方面發(fā)揮了重要作用［18］。朱榮等通過田間試驗研究常規(guī)施肥減氮處理對稻田氨揮發(fā)、氮素利用率和產(chǎn)量的影響，結(jié)果表明：減氮處理在其肥料成分和稻田氨揮發(fā)相較于常規(guī)施肥處理表現(xiàn)出明顯優(yōu)勢，產(chǎn)量隨氮素的增加而增大［19］。與施無機化肥的處理相比，有機肥配施無機肥處理的作物產(chǎn)量（7.4%）顯著提高且氮肥偏生產(chǎn)力提高32.5%［20］。陳崇怡等借助高光譜研究水稻在不同增密減肥處理下對其冠層光譜的影響，在中、高密度條件下，減肥處理的水稻冠層原始及一階微分光譜反射率低于常規(guī)施肥［21］。

現(xiàn)有研究主要分析常規(guī)施肥（無機肥）處理的光譜特征和作物生長生理特征（LAI、SPAD值）之間的關(guān)系，而基于不同生物有機肥（類型及施量）處理的作物冠層光譜特征以及通過多種反演方法對比作物冠層光譜特征與其生長生理特征和產(chǎn)量之間定量關(guān)系的研究相對較少［22-24］。為此，本研究通過盆栽試驗研究不同施肥處理的春小麥LAI、SPAD值、產(chǎn)量及冠層光譜特征，利用4種機器學(xué)習(xí)方法（決策樹回歸、隨機森林回歸、梯度提升回歸以及線性支持向量機回歸）分別建立春小麥LAI、SPAD值和產(chǎn)量反演模型，以期為快速、無損估測春小麥的長勢和估產(chǎn)提供有效手段。

1 材料與方法

1.1 試驗區(qū)概況與試驗設(shè)計

試驗于2021年4—7月在新疆維吾爾自治區(qū)烏魯木齊市新疆農(nóng)業(yè)大學(xué)生物實驗樓室外（地理位置43°49′6″N，87°35′32″E）開展。試驗區(qū)屬于溫帶大陸性半干旱氣候，年平均氣溫 2.8～13.0 ℃，年降水量 120～178 mm，年蒸發(fā)量 2 500～2 750 mm，年日照時長 2 200～2 348 h。供試春小麥品種為新春29號。試驗用土壤為鹽堿土，基本理化性質(zhì)pH值、電導(dǎo)率及有機質(zhì)、堿解氮、速效磷、速效鉀含量分別為8.30、1.18 mS/cm、15.50 g/kg、93.20 mg/kg、15.30 mg/kg、144.70 mg/kg。供試化肥為尿素（N≥46%）、過磷酸鈣（P2O5≥46%）、硫酸鉀（K2O≥50%）；供試2種液體型生物有機肥分別為：A（沼澤紅假單胞菌 ∶肉桂褐鏈霉菌 ∶膠凍樣芽孢桿菌 ∶枯草芽孢桿菌體積比為1 ∶3 ∶2 ∶1）和B（沼澤紅假單胞菌 ∶肉桂褐鏈霉菌 ∶膠凍樣芽孢桿菌 ∶枯草芽孢桿菌體積比為2 ∶3 ∶3 ∶3），A和B均滿足有效活菌數(shù)≥2.0×108個/mL，有機質(zhì)含量≥40%。

試驗設(shè)10個處理：不施肥（CK）、常規(guī)施肥（CF，施用供試化肥）處理、常規(guī)施肥減氮處理（N1，施氮量比CF減少15%；N2，施氮量比CF減少30%）與生物有機肥處理（A和B 2個類型、1 125 kg/hm2和2 250 kg/hm2 2個施肥水平），常規(guī)施肥減氮處理與生物有機肥處理配施試驗；每個處理重復(fù)5次，試驗處理見表1。試驗前，將生物有機肥與過磷酸鈣和硫酸鉀作基肥一次性施入，尿素分3次施用（基施40%，在拔節(jié)期、孕穗期分別施入40%、20%）。

1.2 數(shù)據(jù)的采集與處理

1.2.1 春小麥生理指標(biāo)和產(chǎn)量測定

在春小麥拔節(jié)期、孕穗期、抽穗期、灌漿期和成熟期采用LAI-2200C型植物冠層分析儀測定長勢均勻的春小麥植株的葉面積指數(shù)（LAI）。于14：00—16：00、光線充足時測量，測量LAI的鏡頭始終保持水平且盡量避免太陽光直射；同時采用YS-SPAD型手持葉綠素儀測定春小麥旗葉中部SPAD值。春小麥成熟后取樣，籽粒風(fēng)干后稱質(zhì)量并計算產(chǎn)量。

1.2.2 春小麥光譜測定

利用美國SVC HR-768便攜式地物光譜儀對研究區(qū)均勻布置的春小麥隨機抽取30個采樣點進行光譜測定。其波長范圍為350～2 500 nm，其中350～1 000 nm波段間隔 1.5 nm，1 000～1 850 nm波段間隔7.5 nm，1 850～2 500 nm 波段間隔5.0 nm。選擇14：00—16：00、光線充足、無風(fēng)時測量，測量時面向太陽光照射方向。每次儀器開機時，利用儀器配置的白板進行光譜定標(biāo)校正，得到基線后對目標(biāo)作物進行光譜反射率數(shù)據(jù)測定。光纖探頭距離春小麥冠層30 cm，光纖探頭與地面始終保持垂直，每盆春小麥測定3次，并取算術(shù)平均值為該樣點春小麥的光譜反射率。

1.2.3 光譜數(shù)據(jù)處理及植被指數(shù)計算

高光譜數(shù)據(jù)在采集過程中易受噪音、散射光以及背景環(huán)境等因素的干擾，并且在尋找曲線的波峰、波谷時，由于數(shù)據(jù)幀數(shù)多的原因，導(dǎo)致生成的曲線圖噪聲很大，不易尋找規(guī)律。因此需要對原始光譜數(shù)據(jù)進行光譜預(yù)處理。本研究采用SG卷積平滑和一階微分處理來去除噪聲、散射光以及背景信息對光譜反射率的干擾。

SG卷積平滑是利用多項式并基于最小二乘法擬合卷積方法對曲線進行平滑處理，能夠保留光譜中有用的信息，且滿足公式（1）：

式中：Ym為第m點平滑處理后的數(shù)值；i為多項式的階數(shù)；ai-1表示多項式中的第i-1階系數(shù)。通過多個公式（1）來構(gòu)建矩陣方程，用最小二乘法來擬合確定權(quán)重a集合，預(yù)測值的最終公式如下：

式中：Y^為預(yù)測光譜值；A為多項式權(quán)重a集合；X為一段區(qū)間等波長間隔的點集合；Y為原始光譜值。

采用公式（3）對原始光譜進行一階微分計算：

式中：R′為一階導(dǎo)數(shù)光譜；R為反射率；λ為波長；i為光譜通道。

在作物高光譜研究中，常以特定波段的反射率構(gòu)建植被指數(shù)來減少大氣水汽、太陽照射角度以及土壤背景等因素的影響。本研究以春小麥生理指標(biāo)及不同生物有機肥等因素為基礎(chǔ)綜合考慮下，選取26種植被指數(shù)（表2），并對其進行特征選取和相關(guān)系數(shù)分析，選擇相關(guān)性顯著的植被指數(shù)對春小麥生理指標(biāo)進行估測。

1.3 春小麥光譜特征參數(shù)

光譜特征參數(shù)中的紅邊波段是反映植物生長狀態(tài)的敏感波段，基于一階導(dǎo)數(shù)處理后的光譜提取對應(yīng)的紅邊參數(shù)包括：紅邊位置（λred），在紅光波段（680～760 nm）內(nèi)一階導(dǎo)數(shù)最大值所對應(yīng)的光譜波長；紅邊幅值（Dλred），在紅光波段內(nèi)一階導(dǎo)數(shù)最大值；紅邊峰值面積（Sλred），在紅光波段內(nèi)一階導(dǎo)數(shù)光譜所圍成的面積。利用光譜儀自帶軟件SVC HR-768 對原始高光譜曲線進行均值處理后得到樣本點的光譜數(shù)據(jù)，并通過一階導(dǎo)數(shù)公式對光譜進行預(yù)處理，利用Origin 2021b、Excel、PyCharm軟件進行數(shù)據(jù)處理。

1.4 春小麥生理指標(biāo)預(yù)測模型構(gòu)建與評價指標(biāo)

大量研究表明，春小麥抽穗期LAI和SPAD值與其產(chǎn)量關(guān)系密切［44-45］。本研究通過分析不同施肥處理春小麥冠層LAI和SAPD值的變化特征，并將春小麥抽穗期的LAI和SPAD值與冠層高光譜植被指數(shù)做遞歸特征消除法（RFE），選取與LAI、SPAD值和產(chǎn)量相關(guān)性較高的植被指數(shù)為自變量，分別以春小麥LAI、SPAD值和產(chǎn)量為因變量，采用決策樹回歸（decision tree regression）、隨機森林回歸（random forest regression）、梯度提升回歸（gradient boosting regression）以及線性支持向量機（linear SVR）4種機器學(xué)習(xí)回歸方法來構(gòu)建反演模型。數(shù)據(jù)集中75%樣本為訓(xùn)練集，25%為驗證集；利用決定系數(shù)（r2）和均方根誤差（RMSE）評價反演模型的精度。

2 結(jié)果與分析

2.1 春小麥LAI、SPAD值及產(chǎn)量

2.1.1 春小麥LAI

由圖1-A可知，不同處理的春小麥LAI隨生育期推進呈先增后降趨勢，在抽穗期或灌漿期達到最大值。在拔節(jié)期、孕穗期、抽穗期、灌漿期、成熟期，CK處理的LAI均最小，N1B2處理的春小麥LAI均為最大。抽穗期，相較于CK，CF、N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的春小麥LAI分別增加了33.57%、61.02%、81.51%、46.37%、63.73%、64.12%、83.50%、54.18%、71.23%。結(jié)果表明，A處理的LAI均值比B處理的LAI均值低3.12%，說明施B生物有機肥有助于增加春小麥的LAI。N1施量的春小麥LAI均值比N2處理的LAI均值增加8.60%，這表明春小麥的LAI隨著施氮量增加而增加。

2.1.2 春小麥SPAD值

由圖1-B可知，春小麥的SPAD值隨著生育期延長大致呈現(xiàn)先增后降的趨勢。拔節(jié)期，CK處理的SPAD值最小，N1A2處理的SPAD值最大，比CK顯著增加了70.72%（P<0.05）。孕穗期、抽穗期、灌漿期、成熟期，CK處理的SPAD值均最小，N1B2處理的春小麥SPAD值均最大且分別較CK顯著增加86.56%、62.39%、107.87%、63.82%（P<0.05）。此外，抽穗期，相較于CK，CF、N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的春小麥SPAD值分別增加了30.10%、34.11%、41.01%、30.42%、37.71%、45.77%、62.39%、43.99%、56.83%。灌漿期，N1A2、N1B1、N1B2、N2B2處理的SPAD值相較于抽穗期出現(xiàn)增大，分別提升13.92%、6.58%、7.48%、4.03%；不同處理春小麥的SPAD值在成熟期均達到最小值。結(jié)果表明，A處理的SPAD值平均值比B處理的SPAD值平均值低9.21%，說明施加B生物有機肥處理有助于增加春小麥的SPAD值。N1施量的春小麥SPAD值平均值比N2處理的SPAD值平均值增加4.87%，這表明春小麥的SPAD值隨著施氮量的增加而增加。

2.1.3 產(chǎn)量

由表3可知，CK的春小麥產(chǎn)量最低（僅3 136 kg/hm2），CF、N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的春小麥產(chǎn)量比CK分別增加71.0%、96.9%、111.3%、72.5%、85.1%、110.2%、120.4%、86.5%和106.9%；其中N1B2處理的產(chǎn)量最高，達6 911 kg/hm2。此外，B處理的平均產(chǎn)量較A處理的平均產(chǎn)量提高7.6%，說明施加B生物有機肥有助于增加春小麥的產(chǎn)量。N1施量的春小麥平均產(chǎn)量比N2處理的平均產(chǎn)量提高12.0%，表明春小麥產(chǎn)量隨施氮量增加而增加。此外，生物有機肥施量為1 125 kg/hm2的春小麥平均產(chǎn)量較施量為2 250 kg/hm2的春小麥平均產(chǎn)量降低7.5%，即表明春小麥產(chǎn)量隨生物有機肥施肥的增大而增大。

2.2 不同施肥處理的春小麥冠層光譜特征

為消除1 337～1 421 nm和1 858～1 939 nm處大氣水汽吸收以及低頻噪音形成的噪音干擾波段（圖2-a），對春小麥抽穗期原始光譜反射率進行平滑處理（圖2-b）。在可見光區(qū)（400～760 nm）分別形成以500、670 nm為中心的藍光和紅光的吸收谷和以波段556 nm為中心的綠光反射峰特征，這是因為春小麥在可見光范圍內(nèi)，對藍光和紅光吸收較多，對綠光吸收較少導(dǎo)致的［45］。在紅外波段出現(xiàn)高反射形成植物光譜最重要的“紅邊”，由于光譜反射中包含空氣中水和氧氣的窄吸收帶，因此在750～1 300 nm 波段具有波狀起伏的特點。在短紅外波段，以1 451～1 459 nm和1 749～1 778 nm為中心波段附近受到水分強吸收作用形成2個吸收谷。

抽穗期，不同處理春小麥的光譜特征存在明顯差異。在400～569 nm波段下，施用生物有機肥處理的春小麥反射率均高于CK、CF處理。在“綠峰”位置，隨春小麥的LAI和SPAD值升高，反射率隨之升高；在“紅谷”處，施肥處理下的春小麥冠層紅谷均較不施肥處理明顯。CK處理的綠峰反射率（CK556 nm）和紅谷反射率（CK670 nm）分別為8.03%和7.75%，CF處理的綠峰反射率（CF556 nm）和紅谷反射率（CF670 nm）為8.96%和8.03%。N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的綠光反射率分別比CK556增長了15.08%、33.33%、14.30%、14.50%、22.94%、37.61%、19.64%、26.31%，分別比CF556增長了3.15%、19.52%、2.50%、2.64%、10.20%、23.35%、7.24%、13.22%；CF、N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的紅谷反射率分別為CK的103.78%、96.61%、119.01%、107.51%、98.01%、105.26%、96.84%、104.82%、104.12%。在近紅外波段（760～975 nm）形成一個高反射峰，隨著春小麥LAI和SPAD值的升高，反射率也隨之升高；在974 nm附近，N1A1、N1A2、N2A2、N1B1、N1B2、N2B2處理均較CK、CF出現(xiàn)不同程度的“紅移”現(xiàn)象，而N2A1和N2B1未出現(xiàn)“紅移”現(xiàn)象。

2.3 不同施肥處理的春小麥冠層一階微分光譜及紅邊參數(shù)分析

2.3.1 春小麥冠層一階微分光譜分析

原始光譜在一階微分處理下，分別在500～550 nm和670～800 nm 波段之間出現(xiàn)2個反射峰（圖3）。施肥處理下的第1個反射峰值均高于CK，相較于CK，CF、N1A1、N1A2、N2A1、N2A2、N1B1、N1B2、N2B1、N2B2處理的峰值反射率分別增長了[KG*3]32.26%、38.66%、60.65%、21.91%、27.11%、41.80%、88.45%、39.08%、56.29%；不同處理在第2個反射峰（670～800 nm）出現(xiàn)明顯差異，2種生物有機肥處理下的峰值位置較CF處理向長波方向發(fā)生偏移且峰值反射率均高于CF處理，N1A1、N1A2、N2A1、N2A2處理下的峰值反射率相較于CF處理的峰值反射率分別增長30.66%、46.90%、16.61%、33.53%；N1B1、N1B2、N2B1、N2B2處理相較于CF處理分別增長25.89%、98.36%、21.71%、34.39%。結(jié)果表明，B生物有機肥的平均峰值反射率比A處理的平均峰值反射率高10.76%。此外，隨生物有機肥施量的增加，峰值反射率也隨之升高；隨氮肥施量的增加，峰值反射率也隨之升高。這可能是隨生物有機肥施量和氮肥施量的增加，春小麥的LAI和SPAD值均隨之增大所致。因此，可通過500～550 nm和670～800 nm波段識別農(nóng)田不同施肥處理對春小麥冠層LAI和SPAD值的影響。

2.3.2 春小麥冠層紅邊參數(shù)分析

不同處理的春小麥抽穗期紅邊參數(shù)見表4。相同施肥處理下的春小麥紅邊位置相對穩(wěn)定，這與趙春江等的研究結(jié)果［46］一致。2種生物有機肥處理的春小麥紅邊位置在720～723 nm處，較CK和CF處理出現(xiàn)不同程度的“紅移”。在常規(guī)施肥減氮處理下，隨生物有機肥施量增多，紅邊幅值和紅邊面積隨之增大；在生物有機肥施量相同時，隨氮肥減量程度的增加，紅邊幅值和紅邊面積隨之降低。

A處理的春小麥紅邊幅值和紅邊面積依次分別呈現(xiàn)為N1A2>N1A1>N2A2>CF>N2A1>CK、N1A2>N2A2>N1A1>N2A1>CF>CK；B處理春小麥的紅邊幅值和紅邊面積依次呈現(xiàn)為N1B2>N2B2>N2B1>N1B1>CF>CK、N1B2>N2B2>N1B1>N2B1>CF>CK，其中最大值為N1B2處理。B處理的春小麥的紅邊幅值和紅邊面積平均值分別比A處理的紅邊幅值和紅邊面積平均值增加11.02%、10.19%；紅邊幅值和紅邊面積均隨生物有機肥施量的升高呈增加趨勢，隨施氮量的增加而增大。

2.4 春小麥LAI、SPAD值及產(chǎn)量反演模型

2.4.1 LAI反演模型

對所選取的26種高光譜植被指數(shù)與春小麥抽穗期LAI數(shù)據(jù)進行RFE特征選取，優(yōu)選出與春小麥抽穗期LAI相關(guān)性較強的6種高光譜植被指數(shù)，并進行皮爾遜相關(guān)性分析計算相關(guān)系數(shù)進行驗證，得到相關(guān)系數(shù)矩陣圖（圖4-a）。通過RFE特征選取后的6種高光譜植被指數(shù)與LAI之間相關(guān)系數(shù)絕對值均達到0.60以上，其中與高光譜指數(shù)NDI-1的相關(guān)系數(shù)達到0.81，這說明優(yōu)選出6種高光譜植被指數(shù)與春小麥抽穗期LAI的相關(guān)性較強，因此可構(gòu)建以DDI、MCARI、MSR705、NDI-1、NDI-2和DVI為自變量，以春小麥抽穗期LAI為因變量，通過多變量機器學(xué)習(xí)方法構(gòu)建春小麥LAI反演模型。

由圖5-a可知，使用春小麥抽穗期高光譜植被指數(shù)反演LAI的精度較高，4種模型（決策樹回歸、隨機森林回歸、梯度提升回歸和線性支持向量機）驗證集的決定系數(shù)（r2）均高于0.58，且均方根誤差（RMSE）均小于0.32。結(jié)果表明使用線性支持向量機模型反演春小麥抽穗期冠層LAI的精度最高（r2=0.723 3，RMSE=0.259 6）。

2.4.2 SPAD值反演模型

參考利用不同植被指數(shù)反演LAI的模型構(gòu)建方法，通過RFE特征優(yōu)選出與抽穗期實測SPAD值相關(guān)性較好的6種高光譜植被指數(shù)，并進行皮爾遜相關(guān)性分析進行驗證，得到相關(guān)系數(shù)矩陣圖（圖4-b）。通過RFE特征選取后的6種高光譜植被指數(shù)與LAI相關(guān)系數(shù)絕對值均達到0.60上，其中與高光譜指數(shù)NDI-2的相關(guān)系數(shù)高于0.81，這說明優(yōu)選出6種高光譜植被指數(shù)與春小麥抽穗期SPAD值的相關(guān)性較強，因此可構(gòu)建以6種高光譜植被指數(shù)（DDI、MCARI、MSR705、NDI-2、SRI-4和NIR/G）為自變量，以春小麥抽穗期的SPAD值為因變量，通過多變量機器學(xué)習(xí)方法構(gòu)建春小麥SPAD值預(yù)測模型。

由圖5-b可知，使用6種高光譜植被指數(shù)反演SPAD值的精度較高，4種模型（決策樹回歸、隨機森林回歸、梯度提升回歸和線性支持向量機）的r2>0.60，RMSE<3.00。結(jié)果表明使用梯度提升回歸模型預(yù)測春小麥SPAD值的效果最好（r2=0.759 4，RMSE=2.332 9）。

2.4.3 產(chǎn)量反演模型

與反演LAI、SPAD值相似，通過RFE特征優(yōu)選出與實測產(chǎn)量相關(guān)性較好的6種高光譜植被指數(shù)，并進行皮爾遜相關(guān)性分析進行驗證，得到相關(guān)系數(shù)矩陣圖（圖4-c）。通過RFE特征選取后的6種高光譜植被指數(shù)與產(chǎn)量相關(guān)系數(shù)絕對值均達到0.5以上，其中與高光譜指數(shù)SRI-2的相關(guān)系數(shù)達到0.61，這說明優(yōu)選出6種高光譜植被指數(shù)與春小麥產(chǎn)量的相關(guān)性較強，因此可構(gòu)建以6種高光譜植被指數(shù)（NDI-1、NDI-2、SRI-2、DVI、EVI、NPCI）為自變量，以春小麥實測產(chǎn)量為因變量，通過多變量機器學(xué)習(xí)方法構(gòu)建春小麥估產(chǎn)模型。

由圖5-c可知，使用6種高光譜植被指數(shù)反演春小麥產(chǎn)量的精度較高，4種模型（決策樹回歸、隨機森林回歸、梯度提升回歸和線性支持向量機）的r2>0.65，RMSE<770.00 kg/hm2。結(jié)果表明使用決策樹回歸模型估測春小麥產(chǎn)量的效果最好（r2=0.809 8，RMSE=597.842 4 kg/hm2）。

3 討論與結(jié)論

春小麥的LAI、SPAD值等生長生理指標(biāo)隨生育期延長而改變，其光譜特征也隨之發(fā)生變化。通過光譜技術(shù)監(jiān)測春小麥冠層光譜特征以及分析春小麥LAI、SPAD值和產(chǎn)量分別與冠層光譜特征之間的定量關(guān)系，是現(xiàn)代遙感技術(shù)和智慧農(nóng)業(yè)發(fā)展的主流發(fā)展趨勢［47-48］。

3.1 不同處理對春小麥冠層光譜特征的影響

不同處理的春小麥抽穗期冠層光譜特征均呈現(xiàn)相同的特征：不同施肥處理的春小麥冠層原始光譜反射率在“綠峰”和“紅谷”處均比CK的春小麥冠層光譜反射率明顯；在近紅外波段（760～975 nm）隨著生物有機肥施量和施氮量的提升，反射率也明顯升高。李映雪等研究發(fā)現(xiàn)近紅外波段下反射率隨著施氮水平的提高而上升，且差異顯著［49］。因此植物的光譜反射率會因自身的養(yǎng)分和長勢情況等因素存在明顯差別。本研究發(fā)現(xiàn)，經(jīng)過一階微分處理后的光譜，在500～800 nm波段之間出現(xiàn)2個反射峰，在不同處理條件下第2個反射峰的差異較為明顯，因此可以通過500～550 nm和670～800 nm 2個波段下的峰值監(jiān)測春小麥冠層LAI和SPAD值的變化特征；紅邊幅值和紅邊面積對于春小麥LAI和SPAD值變化關(guān)聯(lián)度較高。這與耿石英等的研究結(jié)果［50-51］相似，不同處理冠層紅邊光譜反射率一階微分處理后的紅邊形狀均出現(xiàn)雙峰現(xiàn)象，第2個峰值高于第1個峰值，并且通過670～740 nm冠層一階微分光譜值可識別農(nóng)田不同施肥處理對春小麥冠層LAI和SPAD值的影響；姚付啟等也發(fā)現(xiàn)生理指標(biāo)與紅邊幅值和紅邊面積呈單調(diào)遞增的關(guān)系［52］。此外，本研究表明，不同處理的原始光譜在近紅外波段（974 nm）附近相較于CK和CF處理出現(xiàn)明顯“紅移”情況，有研究指出當(dāng)植物生長狀況良好時，會在紅邊附近發(fā)生“紅移”情況［53］。

3.2 基于光譜指數(shù)的春小麥抽穗期LAI、SPAD值及產(chǎn)量反演模型

本研究通過篩選26種光譜植被指數(shù)后優(yōu)選出DDI、MCARI、MSR705、NDI-1、NDI-2和DVI共6種植被指數(shù)與春小麥抽穗期LAI的相關(guān)性較好，DDI、MCARI、MSR705、NDI-2、SRI-4和NIR/G與春小麥抽穗期SPAD值相關(guān)性較好。不同學(xué)者對生理指標(biāo)反演和產(chǎn)量估測所選取的植被指數(shù)會有所差別，這可能是由于不同環(huán)境以及外界因素的干擾導(dǎo)致的。本研究顯示采用使用線性支持向量機回歸模型預(yù)測春小麥LAI的模擬效果最好（r2=0.723 3，RMSE=0.259 6），這與梁棟等研究結(jié)果［54］相似。春小麥SPAD值預(yù)測精度較高的模型為梯度提升回歸模型（r2=0.759 4，RMSE=2.332 9），李怡靜等表明梯度提升模型在環(huán)境參數(shù)遙感反演中精度較高，這是因為梯度提升模型通過合并多個簡單模型來構(gòu)建一個更強大的模型，通過不斷迭代來提高模型精度［55］。春小麥估產(chǎn)模型精度較高的是決策樹回歸模型（r2=0.809 8，RMSE=597.842 4 kg/hm2），有學(xué)者指出決策樹模型考慮了不同環(huán)境因素和農(nóng)業(yè)氣象資源，通過輸入最少的參數(shù)使其增加了模型的通用性及適用于不同自然和農(nóng)業(yè)條件的多功能性［56］。

4 結(jié)論

施用B生物有機肥處理的春小麥LAI、SPAD值和產(chǎn)量均高于施用A生物有機肥，N2B1處理的春小麥LAI、SPAD值及產(chǎn)量為最高。

DDI、MCARI、MSR705、NDI-1、NDI-2和DVI植被指數(shù)與不同處理春小麥抽穗期LAI的相關(guān)性較好，DDI、MCARI、MSR705、NDI-2、SRI-4和NIR/G植被指數(shù)與春小麥抽穗期SPAD值的相關(guān)性較好，NDI-1、NDI-2、SRI-2、DVI、EVI和NPCI植被指數(shù)與春小麥產(chǎn)量的相關(guān)性較好。

通過4種機器學(xué)習(xí)回歸模型進行預(yù)測，線性支持向量機回歸模型對抽穗期春小麥LAI的預(yù)測精度較高，梯度提升回歸模型對抽穗期春小麥SPAD值的預(yù)測精度較高，決策樹回歸模型對估測春小麥產(chǎn)量的效果最好。

參考文獻：

［1］王冀川，高 山，徐雅麗，等. 新疆小麥滴灌技術(shù)的應(yīng)用與存在問題［J］. 節(jié)水灌溉，2011（9）：25-29.

［2］高 峰. 新疆夏糧喜獲豐收［N］. 新疆日報，2022-07-25（1）.

［3］于 飛，施衛(wèi)明. 近10年中國大陸主要糧食作物氮肥利用率分析［J］. 土壤學(xué)報，2015，52（6）：1311-1324.

［4］王朝輝. 糧食作物養(yǎng)分管理與農(nóng)業(yè)綠色發(fā)展［J］. 中國農(nóng)業(yè)科學(xué)，2018，51（14）：2719-2721.

［5］李 偉.中國小麥生產(chǎn)的時空演變特征及其影響因素分析［J］. 中國農(nóng)業(yè)資源與區(qū)劃，2019，40（10）：49-57.

［6］劉 濤，張 寰，王志業(yè)，等. 利用無人機多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報，2021，37（19）：65-72.

［7］黃藝華，蔣桂英，王海琪，等. 氮肥基追比對滴灌春小麥群體質(zhì)量及產(chǎn)量的影響［J］. 西北農(nóng)業(yè)學(xué)報，2021，30（6）：807-818.

［8］Janusauskaite D，F(xiàn)eiziene D，F(xiàn)eiza V. The effect of tillage，fertilization and residue management on winter wheat and spring wheat physiological performance［J］. Acta Physiologiae Plantarum，2022，44（7）：75.

［9］李盛陽，劉志文，劉 康，等. 航天高光譜遙感應(yīng)用研究進展［J］. 紅外與激光工程，2019，48（3）：9-23.

［10］凌成星，劉 華，鞠洪波，等. 地面成像和非成像地物光譜儀在不同水分環(huán)境下濕地植被光譜特征對比研究：以東洞庭湖濕地區(qū)域苔草植被光譜特征為例［J］. 測繪與空間地理信息，2018，41（4）：1-4，7.

［11］邵國敏，王亞杰，韓文霆. 基于無人機多光譜遙感的夏玉米葉面積指數(shù)估算方法［J］. 智慧農(nóng)業(yè)（中英文），2020，2（3）：118-128.

［12］Lin C Y，Lin C.Using ridge regression method to reduce estimation uncertainty in chlorophyll models based on worldview multispectral data［C］//IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama：IEEE，2019：1777-1780.

［13］Peichl M，Thober S，Samaniego L，et al. Machine-learning methods to assess the effects of a non-linear damage spectrum taking into account soil moisture on winter wheat yields in Germany［J］. Hydrology and Earth System Sciences，2021，25（12）：6523-6545.

［14］Bhadra S，Sagan V，Maimaitijiang M，et al. Quantifying leaf chlorophyll concentration of sorghum from hyperspectral data using derivative calculus and machine learning［J］. Remote Sensing，2020，12（13）：2082.

［15］Liang L A，Geng D，Yan J A，et al. Estimating crop LAI using spectral feature extraction and the hybrid inversion method［J］. Remote Sensing，2020，12（21）：3534.

［16］Reisi Gahrouei O，McNairn H，Hosseini M，et al. Estimation of crop biomass and leaf area index from multitemporal and multispectral imagery using machine learning approaches［J］. Canadian Journal of Remote Sensing，2020，46（1）：84-99.

［17］Yang X，Yang R，Ye Y，et al. Winter wheat SPAD estimation from UAV hyperspectral data using cluster-regression methods［J］. International Journal of Applied Earth Observation and Geoinformation，2021，105：102618.

［18］李浩然，李雁鳴，李瑞奇. 灌溉和施氮對小麥產(chǎn)量形成及土壤肥力影響的研究進展［J］. 麥類作物學(xué)報，2022，42（2）：196-210.

［19］朱 榮，柳麗麗，齊永波，等. 稻田氨揮發(fā)和水稻產(chǎn)量對增效復(fù)合肥減氮施用的響應(yīng)［J］. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2021，40（9）：1935-1943.

［20］魏文良，劉 路，仇恒浩. 有機無機肥配施對我國主要糧食作物產(chǎn)量和氮肥利用效率的影響［J］. 植物營養(yǎng)與肥料學(xué)報，2020，26（8）：1384-1394.

［21］陳崇怡，石 楠，文雙雅，等. 雜交稻增密減肥處理的SPAD值光譜估算模型［J］. 激光生物學(xué)報，2021，30（3）：250-258.

［22］郭建彪，馬新明，時 雷，等. 冬小麥葉面積指數(shù)的品種差異性與高光譜估算研究［J］. 麥類作物學(xué)報，2018，38（3）：340-347.

［23］王嘉盼，武紅旗，王德俊，等. 基于無人機可見光影像與生理指標(biāo)的小麥估產(chǎn)模型研究［J］. 麥類作物學(xué)報，2021，41（10）：1307-1315.

［24］張 松，馮美臣，楊武德，等. 基于高光譜植被指數(shù)的冬小麥產(chǎn)量監(jiān)測［J］. 山西農(nóng)業(yè)科學(xué)，2018，46（4）：572-575.

［25］Hayati D，Prasetyo S Y J. Prediksi spasial wilayah resiko tanah longsor di jawa tengah berdasarkan SAVI，OSAVI，DVI，NDVI menggunakan krigging［J］. Indonesian Journal of Computing and Modeling，2018，1（2）：80-86.

［26］Jiang Z Y，Huete A R，Didan K，et al. Development of a two-band enhanced vegetation index without a blue band［J］. Remote Sensing of Environment，2008，112（10）：3833-3845.

［27］Wilson N R，Norman L M. Analysis of vegetation recovery surrounding a restored wetland using the normalized difference infrared index （NDII） and normalized difference vegetation index （NDVI）［J］. International Journal of Remote Sensing，2018，39（10）：3243-3274.

［28］le Maire G，F(xiàn)ranois C，Dufrêne E.Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements［J］. Remote Sensing of Environment，2004，89（1）：1-28.

［29］Yuki H，Zumpf C R，Cacho Jules F，et al. Remote sensing-based estimation of advanced perennial grass biomass yields for bioenergy［J］. Land，2021，10（11）：1221.

［30］Wu C Y，Niu Z，Tang Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices：modeling and validation［J］. Agricultural and Forest Meteorology，2008，148（8/9）：1230-1241.

［31］Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages［J］. Remote Sensing of Environment，2002，81（2/3）：337-354.

［32］Dash J，Curran P J. The MERIS terrestrial chlorophyll index［J］. International Journal of Remote Sensing，2004，25（23）：5403-5413.

［33］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（4）：542-553.

［34］Chu X，Guo Y J，He J Y，et al. Comparison of different hyperspectral vegetation indices for estimating canopy leaf nitrogen accumulation in rice［J］. Agronomy Journal，2014，106：1911-1920.

［35］Datt B.Remote sensing of chlorophyll a，chlorophyll b，chlorophyll a+b，and total carotenoid content in Eucalyptus leaves［J］. Remote Sensing of Environment，1998，66（2）：111-121.

［36］Steddom K，Heidel G，Jones D，et al. Remote detection of rhizomania in sugar beets［J］. Phytopathology，2003，93（6）：720-726.

［37］Gitelson A，Merzlyak M N. Quantitative estimation of chlorophyll-a using reflectance spectra：experiments with autumn chestnut and maple leaves［J］. Journal of Photochemistry and Photobiology B：Biology，1994，22（3）：247-252.

［38］Din M，Ming J，Hussain S，et al. Estimation of dynamic canopy variables using hyperspectral derived vegetation indices under varying N rates at diverse phenological stages of rice［J］. Frontiers in Plant Science，2019，9：1883.

［39］薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等. 小麥葉片氮素狀況與光譜特性的相關(guān)性研究［J］. 植物生態(tài)學(xué)報，2004，28（2）：172-177.

［40］Shibayama M，Akiyama T. Seasonal visible，near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass［J］. Remote Sensing of Environment，1989，27（2）：119-127.

［41］賈學(xué)勤，馮美臣，楊武德，等. 基于多植被指數(shù)組合的冬小麥地上干生物量高光譜估測［J］. 生態(tài)學(xué)雜志，2018，37（2）：424-429.

［42］Nejatian A，Makian M，Gheibi M，et al. A novel viewpoint to the green city concept based on vegetation area changes and contributions to healthy days：a case study of Mashhad，Iran［J］. Environmental Science and Pollution Research，2022，29（1）：702-710.

［43］Serrano L，Peuelas J，Ustin S L. Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data［J］. Remote Sensing of Environment，2002，81（2/3）：355-364.

［44］劉 靜，馬力文，張學(xué)藝. 寧夏灌區(qū)春小麥LAI與生長性狀和產(chǎn)量的關(guān)系［J］. 干旱氣象，2017，35（3）：358-366.

［45］茹京娜，于 洋，董凡凡，等. 小麥抽穗期QTL及其與環(huán)境的互作［J］. 麥類作物學(xué)報，2014，34（9）：1185-1190.

［46］趙春江，黃文江，王紀(jì)華，等. 不同品種、肥水條件下冬小麥光譜紅邊參數(shù)研究［J］. 中國農(nóng)業(yè)科學(xué)，2002，35（8）：980-987.

［47］趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進展［J］. 農(nóng)業(yè)機械學(xué)報，2014，45（12）：277-293.

［48］時 鳴，競 霞，史曉亮. 基于高光譜和GA-BP神經(jīng)網(wǎng)絡(luò)模型的冬小麥葉綠素含量反演［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（20）：56-62.

［49］李映雪，朱 艷，曹衛(wèi)星. 不同施氮條件下小麥冠層的高光譜和多光譜反射特征［J］. 麥類作物學(xué)報，2006，26（2）：103-108.

［50］耿石英，孫華林，王小燕，等. 不同氮肥處理下小麥冠層和葉片光譜特征及產(chǎn)量分析［J］. 光譜學(xué)與光譜分析，2018，38（11）：3534-3540.

［51］盧艷麗，李少昆，白由路，等. 冬小麥冠層光譜紅邊參數(shù)的變化及其與氮素含量的相關(guān)分析［J］. 遙感技術(shù)與應(yīng)用，2007，22（1）：1-7.

［52］姚付啟，蔡煥杰，李亞龍，等. 基于紅邊參數(shù)的冬小麥SPAD高光譜遙感監(jiān)測［J］. 中國農(nóng)村水利水電，2015（3）：84-87.

［53］高雨茜. 夏玉米葉綠素、葉面積指數(shù)高光譜估測研究［D］. 楊凌：西北農(nóng)林科技大學(xué)，2016.

［54］梁 棟，管青松，黃文江，等. 基于支持向量機回歸的冬小麥葉面積指數(shù)遙感反演［J］. 農(nóng)業(yè)工程學(xué)報，2013，29（7）：117-123.

［55］李怡靜，孫曉敏，郭玉銀，等. 基于梯度提升決策樹算法的鄱陽湖水環(huán)境參數(shù)遙感反演［J］. 航天返回與遙感，2020，41（6）：90-102.

［56］Kalichkin V K，Alsova O K，Maksimovich K Y. Application of the decision tree method for predicting the yield of spring wheat［J］. Earth and Environmental Science，2021，839（3）：032042.

收稿日期：2023-01-12

基金項目：新疆維吾爾自治區(qū)重點研發(fā)任務(wù)專項計劃（編號：2022B02003）；國家自然科學(xué)基金（編號：42007008、32160527）。

作者簡介：李靖言（1995—），男，黑龍江勃利人，碩士，主要從事無人機遙感研究。E-mail：2225435607@qq.com。

通信作者：顏 安，博士，教授，主要從事數(shù)字農(nóng)業(yè)與生態(tài)環(huán)境遙感監(jiān)測研究。E-mail：yanan@xjau.edu.cn。