宋麗芳 廖桂平 陳敏 何羅馭陽
摘要:含水率是影響光合作用的重要因素之一,為了構(gòu)建效果更好、更具普適性的油菜葉片含水量(leafwater content, LWC)定量監(jiān)測模型,以蕾薹期、初花期油菜葉片為研究對象,采用自然風(fēng)干法去除葉片水分,同步采集葉片質(zhì)量和光譜信息。為了降低干擾以及消除噪聲,采用標準正態(tài)變量變換、Savitzky-Golay卷積平滑算法(SG平滑)、多元散射校正、一階求導(dǎo)和二階求導(dǎo)5種方法對光譜數(shù)據(jù)進行預(yù)處理,并結(jié)合偏最小二乘法(partial least squares, PLS)分析選取最優(yōu)預(yù)處理方法;采用連續(xù)投影算法(successive projections algorithm,SPA)篩選預(yù)處理后的光譜特征變量,獲得對水分含量變化敏感的特征波長;利用支持向量機(support vectorregression, SVR)和BP神經(jīng)網(wǎng)絡(luò)(back-propagation neural network, BPNN)方法,以特征波長建立的光譜指數(shù)為自變量建立油菜葉片水分含量估算模型。結(jié)果表明:采用多元散射校正預(yù)處理綜合表現(xiàn)最好,2個生育期預(yù)測集相關(guān)系數(shù)均達到0.71以上;通過SPA法選擇特征變量,分別篩選出特征波長,其中蕾薹期6個,初花期7個;在蕾薹期和初花期葉片水分含量預(yù)測模型中,基于SVR模型和BPNN模型建立的模型預(yù)測集決定系數(shù)(R2)均在0.800以上,均能實現(xiàn)油菜葉片水分含量的精準監(jiān)測,其中SVR模型預(yù)測效果優(yōu)于BPNN模型,R2 分別為0.857和0.827,RMSE分別為1.791和1.521。因此,利用油菜葉片高光譜建模反演油菜葉片含水率能準確監(jiān)測油菜葉片含水率,可為精準農(nóng)業(yè)水分管理提供理論參考。
關(guān)鍵詞:油菜;葉片含水量;高光譜;機器學(xué)習(xí)
doi:10.13304/j.nykjdb.2022.0977
中圖分類號:S126 文獻標志碼:A 文章編號:10080864(2024)05011010
油菜是我國主要的經(jīng)濟作物,也是我國播種面積和產(chǎn)量最大的油料作物,發(fā)展油菜生產(chǎn)對保障中國食用油安全具有重要意義[1]。我國油菜主產(chǎn)區(qū)位于長江流域及云貴高原,這些地區(qū)降雨豐沛,但季節(jié)分布不均勻,再加上油菜生長周期長,其產(chǎn)量和品質(zhì)極易受氣候變化影響[2]。中國油菜主產(chǎn)區(qū)常常受季節(jié)性干旱危害,9月—翌年2月的秋冬旱和春旱會導(dǎo)致油菜出苗不齊、出葉緩慢、綠葉面積減小、植株矮??;而3月—5月連續(xù)陰雨天,雨水過多,不僅減少光合積累,減慢角果籽粒充實,也加劇了菌核病流行[3],嚴重影響油菜產(chǎn)量及品質(zhì)。因此,研發(fā)快速、無損、可持續(xù)的方法監(jiān)測油菜大田水分是非常必要的,對確保油菜的增產(chǎn)豐收具有現(xiàn)實指導(dǎo)意義。
綠色植物含水量可達80%~90%,水分虧缺會直接或間接影響植物體的形態(tài)結(jié)構(gòu)和生理生化過程,從而影響作物的生長、產(chǎn)量和品質(zhì)[45]。水分作為反映作物生長過程中需水狀況的關(guān)鍵指標[6],及時、準確地監(jiān)測作物水分狀況變化,對水資源的可持續(xù)利用及提高作物產(chǎn)量和品質(zhì)具有重要意義[78]。然而,淡水資源的日益短缺對農(nóng)業(yè)生產(chǎn)中水分利用效率提出了更高的要求,油菜是需水量較大的油料作物[9],植株水分狀況不僅影響油菜生長,還會影響其產(chǎn)量、氮素吸收能力及油菜籽的品質(zhì)[1011]。因此,高光譜遙感監(jiān)測作物水分,實時、快速、無損地獲取大量準確的光譜信息對油菜等作物的生長和產(chǎn)量具有重要作用。目前,基于光譜對水分狀況進行監(jiān)測已廣泛應(yīng)用于小麥、水稻、油菜、棉花等作物 [12-14]以及蘋果、柑橘、核桃等果樹[15-17]的研究中。
在油菜水分狀況監(jiān)測方面,張曉東等[18]基于冠層高光譜數(shù)據(jù),采用逐步回歸法定量分析油菜含水率,模型預(yù)測值與實測值間的相關(guān)系數(shù)為0.87;后續(xù)通過與多光譜圖像和冠層溫度多信息融合,將相關(guān)系數(shù)提高至0.93[19];仝春艷等[20]提出2 種基于水吸收谷改進型角度指數(shù)ANI1450 和ASI1450,發(fā)現(xiàn)在不區(qū)分苗期、蕾薹期的情況下油菜葉片等效水厚度效果最佳,R2均達到0.832;張君等[21]發(fā)現(xiàn),正交信號校正+主成分分析+支持向量回歸模型估測葉片含水率效果最佳,訓(xùn)練集決定系數(shù)與測試集決定系數(shù)分別高達0.901 和0.857。潘月等[22] 發(fā)現(xiàn),通過連續(xù)投影算法、逐步回歸分析(stepwise regression, SR)和競爭自適應(yīng)加權(quán)算法(competitive adaptive reweightedsampling, CARS)篩選的波段變量更多、信息更全面、估測精度普遍優(yōu)于光譜指數(shù),其中,SPA-LR模型、SPA-BP模型和SPA-SVR模型均能實現(xiàn)油菜植株含水率的精確監(jiān)測。已有研究多能對單一生育期實現(xiàn)精確監(jiān)測,對全生育期的普適性有待提高,目前光譜分析方法在油菜水分監(jiān)測方面應(yīng)用較少,且多局限于實驗室條件。因此,光譜信息需要進一步深度挖掘。
在高光譜技術(shù)的實際應(yīng)用中,噪聲、雜散光、基線漂移和平緩背景等干擾不可忽視。數(shù)據(jù)分析前的關(guān)鍵是對數(shù)據(jù)進行預(yù)處理,針對不同干擾因素需要使用不同的光譜預(yù)處理方法,常用的方法包括平滑算法、均值中心化、多元散射校正、標準正態(tài)變量變換、正交信號校正和導(dǎo)數(shù)光譜等。數(shù)據(jù)特征挖掘方面主要有主成分分析、線性判別分析、遺傳算法、競爭性自適應(yīng)重加權(quán)算法和連續(xù)投影算法等。模型建立方面主要采用最小二乘回歸、高斯過程回歸算法、支持向量機算法、神經(jīng)網(wǎng)絡(luò)等方法。連續(xù)投影算法(successiveprojections algorithm,SPA)是一種前向迭代搜索算法,從原始光譜信息中篩選敏感波段,解決變量間共線性問題,提高建模的速度和精度,無損檢測玉米種子活力[23]、棉花LAI(leaf area index, LAI)值[24]、茶葉中咖啡堿[25]和哈密瓜可溶性固形物含量[26]等應(yīng)用都驗證了連續(xù)投影算法能有效篩選特征波長。目前無論是光譜預(yù)處理方法還是數(shù)據(jù)特征挖掘方法或是機器學(xué)習(xí)方法建模都有被廣泛應(yīng)用,但不同作物的光譜響應(yīng)機制不同,油菜葉片光譜對水分的敏感波長、最優(yōu)的光譜處理方法和預(yù)測精度高的建模方法等都需要進一步驗證。
本研究基于甘藍型油菜(Brassica napus L)蕾薹期和初花期葉片高光譜信息建立葉片含水量預(yù)測模型,采用PLS模型對比分析預(yù)處理方法,篩選最佳預(yù)處理方法,通過連續(xù)投影算法篩選水分特征波段構(gòu)建光譜指數(shù)為構(gòu)建監(jiān)測模型提供變量,利用BP神經(jīng)網(wǎng)絡(luò)和支持向量機回歸方法構(gòu)建油菜葉片含水量(leaf water content,LWC)監(jiān)測模型,以進一步提高油菜葉片含水量監(jiān)測精度,為油菜水分診斷和調(diào)控提供依據(jù)。
1 材料與方法
1.1 供試材料
試驗品種湘雜油787、湘雜油518、農(nóng)大410、農(nóng)大2號、農(nóng)大3號、708由湖南農(nóng)業(yè)大學(xué)油料所提供,硒滋圓1號、硒滋圓2號由中國農(nóng)業(yè)科學(xué)院油料作物研究所提供,共8個品種。
1.2 種植條件及取樣
試驗區(qū)位于湖南農(nóng)業(yè)大學(xué)耘園基地(113°08' E、28°18' N),光、熱、水資源豐富,無霜期長,年平均氣溫16~18 ℃,年降水量在1 200~1 700 mL之間,屬亞熱帶季風(fēng)濕潤氣候區(qū)。劃分12個小區(qū),小區(qū)面積為64 m2,2021年9月28日播種,播種方式為條播。
分別于蕾薹期(12月中旬)和初花期(翌年2月下旬)2個發(fā)育階段取樣,蕾薹期選擇從上往下第3片功能葉,初花期從上往下選擇第6~7片功能葉,采樣時每個小區(qū)隨機采集5片代表性葉片,立即用塑封袋密封放入裝有冰塊的泡沫箱30 min內(nèi)帶回實驗室。按照設(shè)定的時間間隔(采樣后的0.5、1.5、3.5、4.5、6.5、7.5、9.5 h),同步測量油菜葉片質(zhì)量和光譜反射率。
1.3 數(shù)據(jù)采集
利用離體植物自然失水的方法來改變?nèi)~片的水分狀況。即在室溫下,將采集的油菜葉片展開平鋪在通風(fēng)的試驗臺上,使其在自然條件下散失水分,然后按照一定的時間間隔,同步測定葉片的質(zhì)量和反射光譜響應(yīng)曲線。
使用手持葉夾式葉片光譜探測器(FieldSpec3Hi-Res便攜式地物光譜儀,美國ASD 公司) 采集光譜數(shù)據(jù),該儀器內(nèi)部自帶鹵化燈,光源穩(wěn)定。光譜波段范圍為350~2 500 nm,光譜分辨率在350~1 000 nm 內(nèi)為3 nm,采樣間隔為1.4 nm;在1 000~2 500 nm內(nèi)為10 nm,采樣間隔為2 nm,每組數(shù)據(jù)測量前均進行標準白板校正。將葉片擦拭干凈,用萬分天平稱量鮮葉質(zhì)量,后立即用手持葉夾式葉片光譜探測器測量葉片光譜反射率,實現(xiàn)稱量和采集準同步。在每片油菜葉片葉尖邊緣處隨機選取5 個區(qū)域測定光譜反射率[27]對這5 個區(qū)域反射率取平均值作為該葉片的反射率。然后按照時間為采樣后的0.5、1.5、3.5、4.5、6.5、7.5、9.5 h,依次重復(fù)上述操作,測定葉片的質(zhì)量信息和反射光譜響應(yīng)曲線。用烘箱烘至恒重,再稱其干質(zhì)量,測定葉片相對含水量(LWC),計算公式為。
式中,Ww代表葉片的每個自然風(fēng)干階段的質(zhì)量;Wd 代表葉片的干重質(zhì)量;Wf 代表葉片采集0.5 h的質(zhì)量,作為葉片的鮮重質(zhì)量。
1.4 光譜數(shù)據(jù)的預(yù)處理
光譜儀性能、目標物本身光譜特性、自然環(huán)境以及人的行為等因素均對光譜反射率有一定的影響,導(dǎo)致獲取的光譜數(shù)據(jù)中既所需的樣品特性外還摻雜著不需要的無關(guān)信息和噪聲,可見光350~620 nm范圍的光譜反射率主要受葉片色素含量的影響,截去容易出現(xiàn)較大噪聲且受水分影響較小的350~500 nm 波段,對500~2 500 nm 光譜數(shù)據(jù)進行分析研究。為了提高葉片含水量估測模型的精度,需要對取得的原始光譜數(shù)據(jù)進行預(yù)處理。本試驗采用標準正態(tài)變量(standardnormal variate, SNV)、SG 平滑、多元散射校正(multiplicative scatter correction, MSC)、一階求導(dǎo)(1st-derivative)、二階求導(dǎo)(2nd-derivative)對原始數(shù)據(jù)進行預(yù)處理,數(shù)據(jù)分析程序在Matlab2021a 中完成。
1.5 光譜特征提取
在使用高光譜建模時,若將整條光譜曲線作為自變量用來構(gòu)建線性、非線性模型,不僅計算復(fù)雜,并且會產(chǎn)生數(shù)據(jù)冗余現(xiàn)象,從而導(dǎo)致模型難以得到最佳效果,因此,需要對光譜進行特征提取,通過一定數(shù)學(xué)變換找到最能反映待測樣本類別的差異特征或敏感特征,從而在提高模型預(yù)測精度的同時簡化計算量。本研究采用連續(xù)投影算法進行敏感波段篩選。
連續(xù)投影算法是一種前向變量選擇算法,運用向量投影分析選擇最大向量,最終通過RMSECV進行修正提取特征波長。該方法從光譜矩陣中選擇最小共線性的變量組合,得到最少的冗余量信息,從而大幅度地降低了模型中的變量數(shù)量,提高模型的預(yù)測速度和準確性。該算法的操作過程如下。
①任意選擇光譜矩陣中的一列向量設(shè)為xn(0),其他的列向量如下式。
W = m,1 ≤ m ≤ j, m ? { n (0),...,n (k - 1) } (2)
②計算其中一列向量xm,對其余的全部列向量投影Yxm。
Yxm =xm -[ xTm xn (k-1) ] xn (k-1) [ xTm xn (k-1) xn (k-1) ]-1 , m∈W(3)
③選擇最大投影向量,提取對應(yīng)波長。
④如果y xn(k){k=0,…,H-1} (5) 式中,j、k 對應(yīng)j 個波段的k 個樣本,H 為特征波段個數(shù)。 以此構(gòu)建模型,均方根差(root mean squareerror,RMSE)的CV值最小時,取得的值為最優(yōu)值。 光譜指數(shù)是光譜反射率通過待測樣本的敏感波段區(qū)域進行組合,從而得到理想的組合特征,通常來說,歸一化植被指數(shù)(normalized differencespectral index, NDSI)、比值植被指數(shù)(ratiospectral index, RSI)、差值植被指數(shù)(differencespectral index, DSI)是3個最重要的光譜指數(shù)。本文中將經(jīng)SPA篩選的特征波長進行兩兩組合,本文中使用的高光譜指數(shù)計算公式如下。 式中,n 和m 分別表示特征篩選的波長,Rn和Rm分別表示波長n 和m 的反射率。 1.6 預(yù)測模型建立及精度驗證 本研究使用支持向量機回歸和BP神經(jīng)網(wǎng)絡(luò)2種機器學(xué)習(xí)方法研究油菜葉片光譜反射率和葉片水分含量的關(guān)系。將經(jīng)SPA算法特征提取的敏感波長組成的光譜指數(shù)作為自變量,葉片含水量為因變量,按照3∶1劃分數(shù)據(jù)集,對420組油菜樣本,其中315個樣本為訓(xùn)練集,105個樣本為測試集,構(gòu)建含水量預(yù)測模型。在模型的建立過程中,由于樣本數(shù)量較小,為了避免發(fā)生過擬合和欠擬合狀態(tài),提高模型的泛化能力,本研究將10折交叉驗證分別嵌入SVR和BP神經(jīng)網(wǎng)絡(luò)模型,然后使用測試集數(shù)據(jù)對油菜葉片水分含量估測模型進行精度評價。模型結(jié)果評價指標采用能夠反映模型穩(wěn)定性的決定系數(shù)(R2)、反映模型預(yù)測能力的均方根誤差RMSE進行評價。R2值越接近1,RMSE越小,說明模型擬合能力越好,預(yù)測精度越高。計算公式如下。 式中,yˉ、y?i 和yi 分別代表葉片水分含量的平均值、預(yù)測值和實測值,n 為總樣本數(shù)。 2 結(jié)果與分析 2.1 不同預(yù)處理結(jié)果對比分析 本研究采用5 種方法對原始數(shù)據(jù)進行預(yù)處理,結(jié)果如圖1所示??梢钥闯觯A導(dǎo)數(shù)表現(xiàn)最差,不適合作為本研究建立油菜葉片水分含量估測模型前的預(yù)處理方法。將以上5種處理數(shù)據(jù)與油菜葉片水分含量結(jié)合PLS模型進行分析,其統(tǒng)計結(jié)果如表1所示。對比5種預(yù)處理方法發(fā)現(xiàn),SG平滑和多元散射校正MSC處理后相關(guān)系數(shù)均大于0.6,其中MSC表現(xiàn)最佳,因此確定在后續(xù)建模處理前使用的光譜預(yù)處理方式為多元散射校正MSC。 2.2 特征變量提取和分析 對經(jīng)過MSC預(yù)處理后的油菜葉片光譜使用SPA算法進行特征提取,以經(jīng)過預(yù)處理后的光譜數(shù)據(jù)作為算法變量x 值,油菜葉片含水量為算法變量的y 值,篩選出光譜波段。 由圖2可知,蕾薹期隨著篩選變量數(shù)量的增加,RMSE先是迅速下降,當(dāng)變量數(shù)為6時,RMSE趨于穩(wěn)定狀態(tài),其值為1.650,通過SPA運算篩選后得到6 個特征波長,僅占全部光譜數(shù)據(jù)的0.30%,極大地縮減了光譜信息中的冗余變量。同理,運用SPA對初花期光譜數(shù)據(jù)進行篩選,最終得到最優(yōu)7 個特征變量,占全部光譜數(shù)據(jù)的0.35%,確定特征波長如表2所示。 2.3 數(shù)學(xué)模型分析 2.3.1 基于BPNN的葉片水分含量預(yù)測模型 BP神經(jīng)網(wǎng)絡(luò)是一種采用誤差反向傳播的算法,具有誤差反向傳播和多層前饋的特點,可以有效地訓(xùn)練多層前向神經(jīng)網(wǎng)絡(luò)。本研究利用BP神經(jīng)網(wǎng)絡(luò)建立葉片水分含量預(yù)測模型,模型的迭代次數(shù)設(shè)置為1 000,學(xué)習(xí)精度為0.01,訓(xùn)練目標為均方根誤差小于0.001。模型內(nèi)嵌10折交叉驗證進行最佳隱含層神經(jīng)元尋優(yōu),經(jīng)過多次循環(huán)訓(xùn)練得到最佳回歸模型。從回歸結(jié)果(圖3)可以看出,蕾薹期和初花期的模型泛化能力較好,擬合系數(shù)分別0.837和0.856,均處于較好預(yù)測水平。 模型訓(xùn)練完成后對隨機產(chǎn)生的測試集光譜數(shù)據(jù)進行仿真測試得到葉片含水量預(yù)測值,將葉片含水量預(yù)測值與真實值進行比較(圖4和5),利用決定系數(shù)R2、RMSE對模型性能進行評價(表3),可以看出,其中蕾薹期的訓(xùn)練集和測試集的決定系數(shù)均高于初花期。 2.3.2 基于SVR的葉片水分含量預(yù)測模型 SVR是以統(tǒng)計學(xué)為基礎(chǔ)的機器學(xué)習(xí)方法,可以分別進行分類(SVC)和回歸(SVR)2種操作,SVR模型主要受到懲罰因子C和核參數(shù)g的影響。本研究基于Matlab軟件的Libsvm 工具包構(gòu)建SVR 模型,ε參數(shù)設(shè)為0.01,核函數(shù)類型為徑向基函數(shù)(RBF),利用內(nèi)嵌10折交叉驗證的SVMcgForRegress函數(shù)進行參數(shù)優(yōu)化,尋找最佳超參組合。將優(yōu)化后的參數(shù)值帶入訓(xùn)練函數(shù)svmtrain中進行模型的訓(xùn)練,使用svmpredict函數(shù)對油菜葉片水分含量進行預(yù)測,從結(jié)果(表4)來看,蕾薹期和初花期訓(xùn)練集樣本的決定系數(shù)分別為0.871、0.888,都處于較好的水平,蕾薹期和初花期測試集樣本的決定系數(shù)分別為0.857、0.827,預(yù)測模型效果均較好,其中蕾薹期的估算模型精度要高于初花期。SVR模型在預(yù)測能力比BPNN有所提升。 3 討論 油菜不同生育階段需水規(guī)律不同,主要分為3個階段。第一階段,即苗前期和苗后期,苗期植株小加之氣溫較低生長緩慢所以耗水量少,僅做培苗階段,結(jié)合追肥澆灌一般能滿足其所需水分[28];第二階段即蕾薹期、抽薹期、初花期、盛花期和終花期,溫度升高,雨水增加,油菜生長快速,薹花期是油菜生長發(fā)育最旺盛的時期,且葉面積日漸增大,日耗水量增大,分化速度加快,花序不斷增長,這個時期的水分狀況對油菜單位面積產(chǎn)量影響很大,此階段光合作用的主要貢獻在蕾薹期-初花期;第三階段角果發(fā)育成熟期由于日平均氣溫升高和葉面積下降,所以耗水量也增大,但由于角果增大,角果皮的光合作用在一定時期內(nèi)日益加強,所以土壤仍需保持適宜的水分狀態(tài),以保證光合作用的正常進行和莖葉營養(yǎng)物質(zhì)向種子中轉(zhuǎn)運,促進增粒、增重[2930];且對水分敏感性表現(xiàn)為蕾薹期、花期>苗期、角果成熟期[31]。本研究就第二階段進行研究分析,探究了蕾薹期和初花期2個時期的油菜葉片含水量與高光譜響應(yīng)機制,實現(xiàn)油菜水分狀況監(jiān)測。苗期對油菜培育壯苗和安全越冬發(fā)揮重要作用,角果期是油菜產(chǎn)量形成的關(guān)鍵時期,其中角果皮對產(chǎn)量貢獻占角果期的70% [32],本研究未對全生育期進行整體研究,后期將會繼續(xù)對苗期葉片和角果成熟期角果的水分含量進行深入研究。 由于數(shù)據(jù)采集過程中受到設(shè)備、人為和環(huán)境等因素的影響,使數(shù)據(jù)存在冗雜、缺失和噪聲等問題,故本研究對數(shù)據(jù)采集環(huán)境(光源、溫度、濕度)都做了控制變量處理。同時為了降低外界因素的影響,本研究通過5種簡單光譜預(yù)處理方法進行分析比較,最終確定基于多元散射校正MSC預(yù)處理方法具有最優(yōu)效果,此方法有效地增強了光譜數(shù)據(jù)與水分含量之間的相關(guān)信息量,提高了模型的準確度和穩(wěn)定性。但不同高光譜預(yù)處理技術(shù)處理原理不一樣,解決的問題和達到的效果也不一樣,本研究對單一預(yù)處理方式進行適用性選擇,對于復(fù)雜數(shù)據(jù)采集環(huán)境,有必要進一步將預(yù)處理方法組合進行分析,以提升預(yù)處理方法的適用性,提高模型準確度。 作物水分狀況的光譜監(jiān)測研究始于20世紀70年代初,Thomas等 [33]用完全飽和的葉片在室溫下逐漸干燥的方法來獲取不同含水量下的反射光譜,發(fā)現(xiàn)葉片在紅外光譜反射率隨葉片含水量的下降而增加,1 450和1 930 nm波段的反射率與葉片的相對含水量呈顯著相關(guān)關(guān)系。后續(xù)眾多學(xué)者在不同植物上的研究結(jié)果都表明,主要水分吸收波段在0.96[34]、1.19[35]及1.45、1.65、1.97、2.35 μm [36]等紅外波段,除了主要的水分吸收波段,也存在其他能反映作物水分差異的敏感波段,如680~780 nm區(qū)域的紅邊光譜,而已有的油菜水分監(jiān)測研究大多是對可見光和近紅外波段,對主要水吸收波段的短波紅外的研究還有待增強,故本研究選取500~2 500 nm波段代表全波段進行分析。本研究通過SPA法提取特征波長,既能極大地降低數(shù)據(jù)維度提高建模速度,又能篩選出含水量敏感波長,提高模型準確度和穩(wěn)定性,通過SPA法提取的敏感波長與前人[17,21]提出的光譜波長相近,說明該方法具有普適性,但具體波長不一樣,這與油菜的品種和生長環(huán)境有關(guān)。 已有油菜水分狀況的監(jiān)測研究大多是運用未優(yōu)化過非線性回歸模型,對于小樣本或分布不均的樣本易出現(xiàn)過擬合現(xiàn)象,本研究采用BP神經(jīng)網(wǎng)絡(luò)和SVR進行非線性擬合,結(jié)合10折交叉驗證進行參數(shù)優(yōu)化,經(jīng)過多次循環(huán)訓(xùn)練尋優(yōu)得到最佳回歸模型,避免出現(xiàn)過擬合現(xiàn)象,預(yù)測模型精度明顯提高,最后通過BPNN和SVR機器學(xué)習(xí)方法和10折交叉驗證結(jié)合構(gòu)建的模型預(yù)測效果都非常好,能夠為油菜水分診斷提供依據(jù)。本研究僅進行了一種降維方法,有必要增加降維方法和機器學(xué)習(xí)方法結(jié)合,通過將不同降維方法與機器學(xué)習(xí)方法結(jié)合進行建模研究,通過對比分析篩選出最佳組合方法,進一步提高含水率的預(yù)測精度。 參考文獻 [1] 白桂萍,謝雄澤,謝捷,等.中國油菜生產(chǎn)布局時空演變及影響因素淺析[J].中國油脂,2022,48(4):1-6. BAI G P, XIE X Z, XIE J, et al .. Analysis on the temporal andspatial evolution and influencing factors ofoilseed rape production layout in China [J]. China Oils Fats,2022,48(4):1-6. [2] 黃杰.氣候變化對中國油菜生產(chǎn)布局的影響研究[D].武漢:華中農(nóng)業(yè)大學(xué),2019. HUANG J. Study on the impact of climate change on thedistribution of Chinese rape production [D]. Wuhan: HuazhongAgricultural University, 2019. [3] 冷博峰,李先容,陳雪婷,等.2008-2019年中國油菜生產(chǎn)性狀變化趨勢[J].中國油料作物學(xué)報,2021, 43 (2):171-185. LENG B F, LI X R, CHEN X T, et al .. Variation trend ofrapeseed production in china from 2008 to 2019 [J]. Chin. J.Oil Crop Sci., 2021,43(2):171-185. [4] 張瑋,王鑫梅,潘慶梅,等.干旱脅迫下雷竹葉片葉綠素的高光譜響應(yīng)特征及含量估算[J].生態(tài)學(xué)報, 2018, 38 (18):6677-6684. ZHANG W, WANG X M, PAN Q M, et al .. Hyperspectralresponse characteristics and chlorophyll content estimation ofPhyllostachys violascens leaves under drought stress [J]. ActaEcol. Sin., 2018,38(18):6677-6684. [5] 張海威,張飛,張賢龍,等. 光譜指數(shù)的植被葉片含水量反演[J].光譜學(xué)與光譜分析,2018,38(5):1540-1546. ZHANG H W, ZHANG F, ZHANG X L, et al .. Inversion ofvegetation leaf water content based on spectral index [J].Spectrosc. Spect. Anal., 2018,38(5):1540-1546. [6] 梁亮,張連蓬,林卉,等.基于導(dǎo)數(shù)光譜的小麥冠層葉片含水量反演[J].中國農(nóng)業(yè)科學(xué),2013,46(1):18-29. LIANG L, ZHANG L P, LIN H, et al .. Estimating canopy leafwater content in wheat based on derivative spectral [J]. Sci.Agric. Sin., 2013,46(1):18-29. [7] ZHANG Q X, LI Q B, ZHANG G J. Rapid determination of leafwater content using VIS/NIR spectroscopy analysis withwavelength selection [J]. J. Spectroscopy.,2012,27(2):93-105. [8] DINESH K M, NITIN B, et al .. Rethinking on the methodologyfor assessing global water and food challenges [J]. Inter. J.Water Resour. Dev., 2020,36(2-3):325-342. [9] 瞿益民,唐合年,葛妹蘭,等.油菜需水量試驗分析[J].江蘇水利,2005,(10):20-21,23. QU Y M, TANG H N, GE M L, et al .. Analysis of rape waterrequirement test [J]. Jiangsu Water Resour., 2005, (10): 20-21,23. [10] 黃純倩,朱曉義,張亮,等.干旱和高溫對油菜葉片光合作用和葉綠素?zé)晒馓匦缘挠绊慬J]. 中國油料作物學(xué)報,2017,39(3):342-350. HUANG C Q, ZHU X Y, ZHANG L, et al .. Effects of droughtand high temperature on photosynthesis and chlorophyllfluorescence characteristics of rapeseed leaves [J]. Chin. J. OilCrop Sci., 2017,39(3):342-350. [11] MAMNABI S, NASROLLAHZADEH S, GHASSEMI-GOLEZANIK, et al.. Improving yield-related physiological characteristics ofspring rapeseed by integrated fertilizer management underwater deficit conditions [J]. J. Saudi Biol. Sci., 2020, 27(3)797-804. [12] 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(xué)報, 2018, 38(7):854-862. LIU X J, CHEN G Q, WANG L, et al .. Monitoring leaf relativewater content of winter wheat based on hyperspectral index atdifferent growth stages [J]. J. Triticeae Crops, 2018, 38(7):854-862. [13] 徐慶,馬驛,蔣琦,等.水稻葉片含水量的高光譜遙感估算[J].遙感信息,2018,33(5):1-8. XU Q, MA Y, JIANG Q, et al .. Estimation of rice leaf watercontent based on hyperspectral remote sensing [J]. RemoteSens. Inform., 2018,33(5):1-8. [14] 馬巖川.基于高光譜遙感的棉花冠層水氮參數(shù)估算[D].北京:中國農(nóng)業(yè)科學(xué)院,2020. MA Y C. Estimation of water and nitrogen parameters of cottonat canopy scale based on hyperspectral remote sensing [D].Beijing: Chinese Academy of Agricultural Sciences,2020. [15] 王浩云,李曉凡,李亦白,等.基于高光譜圖像和3D-CNN的蘋果多品質(zhì)參數(shù)無損檢測[J].南京農(nóng)業(yè)大學(xué)學(xué)報,2020,43(1):178-185. WANG H Y, LI X F, LI Y B, et al .. Non-destructive detectionof apple multi-quality parameters based on hyperspectral imagingtechnology and 3D-CNN [J]. J. Nanjing Agric. Univ., 2020,43(1):178-185. [16] 代秋芳,廖臣龍,李震,等.基于CARS-CNN的高光譜柑橘葉片含水率可視化研究[J]. 光譜學(xué)與光譜分析, 2022,42(9):2848-2854. DAI Q F, LIAO Q L, LI Z, et al .. Hyperspectral visualization ofcitrus leaf moisture content based on CARS-CNN [J].Spectrosc. Spect. Anal., 2022,42(9):2848-2854. [17] 潘慶梅,張勁松,張俊佩,等.不同品種核桃葉片含水量與高光譜反射率的相關(guān)性差異分析[J]. 林業(yè)科學(xué)研究, 2019,32(6):1-6. PAN Q M, ZHANG J S, ZHANG J P, et al .. Analysis ofcorrelation and differences between leaf moisture and hyperspectralreflectance among different walnut varieties [J]. Forest Res.,2019,32(6):1-6. [18] 張曉東,毛罕平,左志宇,等.干旱脅迫下油菜含水率的高光譜遙感估算研究[J]. 安徽農(nóng)業(yè)科學(xué), 2011, 39(30):18451-18452,18487. ZHANG X D, MAO H P, ZUO Z Y, et al .. Study on estimationmodel for rape moisture content under water stress based onhyperspectral remote sensing [J]. J. Anhui Agric. Sci., 2011,39(30):18451-18452,18487. [19] 張曉東,李立,毛罕平,等.基于PCA-BP多特征融合的油菜水分脅迫無損檢測[J].江蘇大學(xué)學(xué)報(自然科學(xué)版),2016,37(2):174-182. ZHANG X D, LIP, MAO H P, et al .. Nondestructive testingmethod for rape water stress with multiple feature informationfusion based on PCA-BP method [J]. J. Jiangsu Univ. (Nat.Sci.), 2016,37(2):174-182. [20] 仝春艷,馬驛,楊振忠,等.基于角度指數(shù)的油菜葉片等效水厚度估算研究[J].核農(nóng)學(xué)報,2019,33(1):187-198. TONG C Y, MA Y, YANG Z Z, et al .. Estimation of equivalentwater thickness of rapeseed leaves based on angle index [J]. J.Nucle. Agric. Sci., 2019,33(1):187-198. [21] 張君,蔡振江,張東方,等.基于機器學(xué)習(xí)與光譜技術(shù)的油菜葉片含水率估測研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報, 2021,44(6):122-127. ZHANG J, CAI Z J, ZHANG D F, et al .. Estimation of watercontent in rape leaves by spectral reflectance combined withmachine learning [J]. J. Hebei Agric. Univ., 2021, 44(6):122-127. [22] 潘月,曹宏鑫,齊家國,等.基于高光譜和數(shù)據(jù)挖掘的油菜植株含水率定量監(jiān)測模型[J].江蘇農(nóng)業(yè)學(xué)報, 2022,38(6):1550-1558. PAN Y, CAO H X, QI J G, et al .. Quantitative monitoringmodels of plant water content in rapeseed based on hyperspectrumand related data mining [J]. J. Jiangsu Agric. Sci., 2022,38(6):1550-1558. [23] 楊冬風(fēng),李愛傳,劉金明,等.耦合平均影響值-連續(xù)投影算法優(yōu)化種子活力近紅外檢測模型[J].光譜學(xué)與光譜分析,2022,42(10):3135-3142. YANG D F, LI A C, LIU J M, et al .. Optimization of seed vigornear-infrared detection by coupling mean impact value withsuccessive projection algorithm [J]. Spectrosc. Spect. Anal.,2022,42(10):3135-3142. [24] 張楠楠,張曉,王城坤,等.基于高光譜和連續(xù)投影算法的棉花葉面積指數(shù)估測[J].農(nóng)業(yè)機械學(xué)報, 2022, 53(S1):257-262. ZHANG N N, ZHANG X, WANG C Q, et al .. Cotton LAIestimation based on hyperspectral and successive projectionalgorithm [J]. Trans. Chin. Soc. Agric. Mach., 2022, 53(S1):257-262. [25] 趙靜遠,熊智新,寧井銘,等.小波變換結(jié)合連續(xù)投影算法優(yōu)化茶葉中咖啡堿的近紅外分析模型[J]. 分 析科學(xué)學(xué)報,2021,37(5):611-617. ZHAO J Y, XIONG Z X, NING J M, et al .. Wavelet tranformcombined with SPA to optimize the near-infrared analysismodel of caffeine in tea [J]. J. Anal. Sci., 2021,37(5):611-617. [26] 郭陽,史勇,郭俊先,等.近紅外光譜技術(shù)結(jié)合反向區(qū)間偏最小二乘算法-連續(xù)投影算法預(yù)測哈密瓜可溶性固形物含量[J].食品與發(fā)酵工業(yè),2022,48(2):248-253. GUO Y, SHI Y, GUO J X, et al .. Prediction of soluble solidscontent in hami melon by combining near-infrared spectroscopyand BiPLS-SPA technology [J]. Food Ferment. Indust., 2022,48(2):248-253. [27] 李錦衛(wèi).基于計算機視覺的水稻、油菜葉色—氮營養(yǎng)診斷機理與建模[D].長沙:湖南農(nóng)業(yè)大學(xué),2010. LI J W. Studies on the diagnosis mechanism and modeling ofleaf color-nitrogen nutrition in rice and rapeseed plant bycomputer vision [D]. Changsha: Hunan Agricultural University,2010. [28] 謝素華,楊明高.人民渠平原灌區(qū)油菜需水量及需水規(guī)律研究[J].四川水利,2001,(1):33-35. [29] 馮鵬.油菜高產(chǎn)灌溉技術(shù)[J].農(nóng)業(yè)開發(fā)與裝備,2011, 6:39.[30] 謝素華,楊明高,張清.油菜需水量及需水規(guī)律的研究[J].四川水利,1996,2:24-25. [31] 王巧娟. 關(guān)中地區(qū)夏大豆—冬油菜的水分產(chǎn)量效應(yīng)及灌溉制度模型模擬研究[D].楊凌:西北農(nóng)林科技大學(xué),2022. WANG Q J. Study on water yield effect of summer soybeanwinter rape and Simulation of irrigation schedule model inGuanzhong Area [D].Yangling: Northwest Agriculture ForestryUniversity, 2022. [32] 李嵐?jié)?冬油菜氮素營養(yǎng)高光譜特異性及定量診斷模型構(gòu)建與推薦追肥研究[D].武漢:華中農(nóng)業(yè)大學(xué),2018. LI L T. Research on hyperspectral characteristics, quantitativediagnostic models, and topdressing for winter oilseed rapenitrogen status [D]. Wuhan: Huazhong Agricultural University,2018. [33] THOMAS J R, NAMKEN L N, OERTHER G F, et al ..Estimating leaf water content by reflectance measurements [J].J. Agron.,1971,63(6):845-847. [34] SHIBAYAMA M, AKIYAMA T. Seasonal visible, near-infraredand mid-infrared spectra of rice canopiesin relation to LAI andabove-ground dryphytomass [J]. Remote Sens. Env.,1989,27(2):119-127. [35] SHIBAYAMA M, TAKAHASHI W, MORINAGA S, et al ..Canopy water deficit detection in paddy rice using a highresolution field spectroradiometer [J].Remote Sens. Env.,1993,45(2):117-126. [36] 黃敬峰,王福民,王秀珍.水稻高光譜遙感實驗研究[M].杭州:浙江大學(xué)出版社,2010:1-315. (責(zé)任編輯:溫小杰) 基金項目:湖南省現(xiàn)代農(nóng)業(yè)(油菜)產(chǎn)業(yè)體建設(shè)系項目(湘農(nóng)發(fā)〔2019〕105號)。