冬小麥生物量高光譜敏感波段提取及監(jiān)測

王 凡，李敏陽

（山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，山西太谷030801）

高光譜遙感即高光譜分辨率遙感初現(xiàn)于20世紀(jì)80年代，是指利用許多電磁波狹窄波段（一般＜10 nm）連續(xù)獲得地物有關(guān)數(shù)據(jù)信息的高精度遙感方法[1]，其是遙感技術(shù)的典型代表之一，也是當(dāng)今遙感發(fā)展的一個(gè)重要趨勢[2]，并已應(yīng)用于農(nóng)業(yè)領(lǐng)域[3]。

生物量通常是指植物利用自身光合作用產(chǎn)生的有機(jī)物質(zhì)的數(shù)量，是反映作物生長狀況的重要指標(biāo)之一[4-5]。徐改花等[6]利用數(shù)碼相片對(duì)冬小麥生物量進(jìn)行了反演，結(jié)果顯示，在植被良好的情況下，可以用數(shù)碼相片有效推算冬小麥的生物量，這為實(shí)測和遙感估算冬小麥生物量和監(jiān)測長勢提供了理論參考依據(jù)。傅瑋東等[7]建立了冬小麥生物量的光譜監(jiān)測模型和氣象衛(wèi)星遙感監(jiān)測模型，為監(jiān)測冬小麥長勢提供了理論參考依據(jù)。孫慧等[8]利用高光譜技術(shù)對(duì)水旱地冬小麥植株氮素含量進(jìn)行監(jiān)測，為冬小麥氮素含量的高光譜監(jiān)測提供了理論參考依據(jù)。武改紅等[9]通過對(duì)冬小麥葉片氮含量的時(shí)空分布的光譜監(jiān)測進(jìn)行研究，為用高光譜技術(shù)實(shí)現(xiàn)冬小麥氮素分布監(jiān)測提供了一定的理論依據(jù)。

由于高光譜數(shù)據(jù)波段變量多、維度高、波段間共線性嚴(yán)重等問題，實(shí)現(xiàn)光譜波段降維的同時(shí)，還需要盡可能多地保留有用的信息[10]。目前，越來越多的數(shù)理統(tǒng)計(jì)學(xué)方法應(yīng)用于光譜波段提取和模型研究中[11]。偏最小二乘法在降低維度、波段冗余方面具有一定的應(yīng)用潛力，并與其他線性回歸常用于變量信息提取和模型構(gòu)建中，得到了較好的效果[12-13]。

前人在研究冬小麥生物量敏感波段提取時(shí)，多以生物量的估測與監(jiān)測、生物量預(yù)計(jì)作物長勢、生物量估計(jì)小麥單產(chǎn)等為主，并且研究方法比較傳統(tǒng)和單一，以相關(guān)分析方法估算生物量最為常見[14]。

本研究結(jié)合高光譜原始反射率數(shù)據(jù)信息，以相關(guān)性分析方法為比對(duì)和參考，利用偏最小二乘法和逐步多元線性回歸法對(duì)冬小麥生物量敏感波段進(jìn)行更進(jìn)一步的精確分析與建模，提取冬小麥生物量敏感波段。利用多元統(tǒng)計(jì)分析方法，對(duì)冬小麥生物量的敏感波段進(jìn)行提取，可為高光譜遙感在冬小麥長勢動(dòng)態(tài)、產(chǎn)量預(yù)測以及科學(xué)的田間管理方面提供理論依據(jù)。

1 材料和方法

1.1 試驗(yàn)設(shè)計(jì)

1.1.1 試驗(yàn)一 試驗(yàn)時(shí)間2011年9月至 2012年7月，地點(diǎn)設(shè)在山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院農(nóng)作站，供試土壤為黃土母質(zhì)發(fā)育而成的石灰性褐土，土壤肥力水平中等。按照單因素隨機(jī)區(qū)組設(shè)計(jì)，小麥品種為京 9549，氮肥梯度為 0，75，150，225，300 kg/hm2，鉀肥和磷肥作基肥一次性施入土壤，氮肥的追肥時(shí)期為拔節(jié)期，基追比為6∶4，小區(qū)面積為4 m×5 m＝20 m2，采用當(dāng)?shù)剞r(nóng)戶的田間措施進(jìn)行管理。

1.1.2 試驗(yàn)二 試驗(yàn)時(shí)間 2012年7月至 2013年9月，地點(diǎn)設(shè)在山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院農(nóng)作戰(zhàn)，試驗(yàn)設(shè)計(jì)為裂區(qū)試驗(yàn)，主區(qū)為品種：長4738、晉農(nóng)190、晉太9923；副區(qū)為氮素梯度（0，75，150，225，300 kg/hm2），基肥為鉀肥和磷肥，氮肥的追肥時(shí)期為返青期和拔節(jié)期，基追比為6∶2∶2，小區(qū)面積為4 m×5 m＝20 m2。采用當(dāng)?shù)剞r(nóng)戶的田間措施進(jìn)行管理。

1.1.3 試驗(yàn)三 2013年3—7月，在山西省聞喜縣縣域內(nèi)（N34°35′～35°39′，E110°13′～112°4′）隨機(jī)選擇20個(gè)樣本點(diǎn)，20個(gè)樣本中包括灌溉田和非灌溉田。此試驗(yàn)通過驗(yàn)證多元統(tǒng)計(jì)分析模型對(duì)于生物量的適用性和穩(wěn)健性，進(jìn)一步證實(shí)敏感波段提取的精確度。

1.2 冠層光譜及生物量的測定

1.2.1 冠層光譜的測定 其采用美國AnalyticalSpectral Device（ASD）公司生產(chǎn)的 FieldSpec Pro FR2500型背掛式野外高光譜儀進(jìn)行。波段350～2 500 nm，其中，350～1 000 nm光譜采樣間隔1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔2 nm，光譜分辨率為10nm。冠層光譜測定選擇在10：00—14：00，天氣晴朗、無風(fēng)或風(fēng)速很小的條件下進(jìn)行。測量時(shí)傳感器探頭垂直向下，光譜儀視場角25°，距冠層頂垂直高度約1.0 m。每小區(qū)選擇3個(gè)采樣點(diǎn)，每個(gè)觀測點(diǎn)采集10次，以其平均值作為該觀測點(diǎn)的光譜反射值。測量過程中需要及時(shí)進(jìn)行標(biāo)準(zhǔn)白板校正。

1.2.2 生物量的測定 以光譜的測定點(diǎn)為中心，采集1 m2的地上小麥植株，進(jìn)行稱質(zhì)量，地上鮮生物量單位為×104kg/m2。

1.3 光譜數(shù)據(jù)預(yù)處理

利用異常光譜剔除、平均處理光譜、拼接校正對(duì)原始光譜反射率進(jìn)行處理。然后，用Savitzky-Golay方法中的8點(diǎn)平滑法來消除噪音和背景信息對(duì)光譜反射率的影響。本研究主要關(guān)注包含作物生長狀態(tài)信息的光譜區(qū)（350～1 400 nm），并將每5個(gè)波段平均為1個(gè)波段處理，最終將1 051個(gè)波段減少到211個(gè)。

微課的出現(xiàn)與興起克服了傳統(tǒng)教學(xué)的枯燥與單調(diào)，迎合了“微”時(shí)代人們娛樂與終身學(xué)習(xí)的需要，同時(shí)也要求教師具備一定的微課制作技術(shù)。官渡區(qū)基礎(chǔ)教育科學(xué)研究中心為官渡區(qū)初中化學(xué)教師搭建了學(xué)習(xí)平臺(tái)，進(jìn)行了微課制作技術(shù)培訓(xùn)，帶領(lǐng)教師學(xué)習(xí)微課設(shè)計(jì)的方法及技巧，幫助教師制作微課。

1.4 多元統(tǒng)計(jì)分析方法

1.4.1 偏最小二乘法 （PLS） 偏最小二乘法由WOLD[15]在1994年提出，是一種結(jié)合主成分分析與多重回歸特性的方法。PLS分析過程中，B-系數(shù)可以表現(xiàn)自變量與因變量間的相關(guān)性。同時(shí)，B-系數(shù)能夠表明高光譜波段下作物變量模型的重要性和影響程度。自變量的B-系數(shù)越大，則總是被認(rèn)為對(duì)模型的貢獻(xiàn)越大。VIP參數(shù)是另外一種能夠表明自變量分布和影響的變量[16]，本研究中使用B-系數(shù)和VIP參數(shù)進(jìn)行敏感波段的選擇。

1.4.2 逐步多元線性回歸法（SMLR） 逐步多元線性回歸法是當(dāng)前比較實(shí)用和有效的分析方法。首先，基于自變量對(duì)因變量的影響程度、作用大小及分布狀況，將自變量導(dǎo)入回歸方程。然后在每一步中，保留通過顯著性檢驗(yàn)（0.05）的變量，同時(shí)舍棄顯著性檢驗(yàn)大于10%的所有變量。若是顯著，則保留在模型中；若不顯著，則舍棄該自變量。自變量逐個(gè)導(dǎo)入流程，直到?jīng)]有更多變量導(dǎo)入或舍棄，流程便會(huì)停止。進(jìn)入模型中的自變量和因變量關(guān)系密切，其也可用于提取作物的敏感波段。

1.5 驗(yàn)證參數(shù)

本研究使用驗(yàn)證參數(shù)TC值、均方根誤差RMSE、平均絕對(duì)誤差MAE對(duì)所構(gòu)建的模型進(jìn)行驗(yàn)證，其中，TC的取值范圍為0～1，TC值越小，表明預(yù)測值和實(shí)測值越吻合，預(yù)測效果越好；相反，TC值越大，表明預(yù)測值和實(shí)測值越不吻合，預(yù)測效果越差。

2 結(jié)果與分析

2.1 不同試驗(yàn)條件下冬小麥生物量的描述性統(tǒng)計(jì)分析

從表1可以看出，3種試驗(yàn)方法所得到的標(biāo)準(zhǔn)差均較小，并且較為相近；試驗(yàn)一、三的偏度較小，表明各試驗(yàn)所有樣本數(shù)據(jù)呈近似正態(tài)分布，所有數(shù)據(jù)可以進(jìn)行進(jìn)一步統(tǒng)計(jì)學(xué)分析。

表1 不同試驗(yàn)條件下冬小麥生物量的描述性統(tǒng)計(jì)分析 ×104kg/m2

2.2 冬小麥生物量與原始光譜反射率的相關(guān)分析

由圖1可知，生物量與光譜反射率在可見光波段相關(guān)性較高，在近紅外光區(qū)也有較好的相關(guān)性；其中，600，870，1 045，1 285，1 400 nm 的相關(guān)關(guān)系較高，均可達(dá)到0.7以上，可知，冬小麥生物量的敏感波段在近紅外光譜區(qū)較為集中。這與李燕強(qiáng)[17]研究所得的波段較為相似。

2.3 基于PLS法的最佳因子提取

冬小麥生物量與原始光譜反射率進(jìn)行PLS分析，并利用驗(yàn)證參數(shù)進(jìn)行PLS模型最佳因子的提?。ū?）。從表2可以看出，基于PLS方法提取的冬小麥長勢指標(biāo)和產(chǎn)量與原始光譜反射率的最佳因子個(gè)數(shù)有4個(gè)，其中，驗(yàn)證參數(shù)TC為0.229，均方根誤差 RMSE 為 0.351，平均絕對(duì)誤差 MAE 為 0.305，決定系數(shù)為 0.809。

表2 冬小麥生物量PLS模型的最佳因子提取

圖2結(jié)果顯示，B-系數(shù)分別在400，600，870，1 100，1 400 nm處達(dá)到峰值，VIP參數(shù)分別在350～895，1 000～1 130，1 180～1 300，1 400 nm 處達(dá)到0.8?；贐-系數(shù)和VIP參數(shù)下提取冬小麥生物量的敏感波段區(qū)域?yàn)?50～470，545～730，775～895，1 010～1 400 nm，主要集中在近紅外波段。THENKABAI等[18]研究表明，在 500～550，650～700 nm波段范圍與生物量關(guān)系較好，與表4得到的結(jié)果所吻合，與王備戰(zhàn)等[19]研究結(jié)果也相同，都表明地上生物量在近紅外波段反應(yīng)最為敏感。

2.4 基于SMLR的冬小麥長勢指標(biāo)和產(chǎn)量的敏感波段提取

用逐步多元線性回歸（SMLR）得到的敏感波段更為精確，說明此方法是一種較為精準(zhǔn)和實(shí)用的統(tǒng)計(jì)方法。利用逐步多元線性回歸提取的冬小麥生物量的敏感波段有 8 個(gè)，分別是 470，570，870，895，1 170，1 285，1 355，1 360 nm，主要集中在近紅外波段。張霞等[20]研究結(jié)果表明，在組合（915～965，890～920 nm）和（915～965，841～876 nm）模型下，生物量呈現(xiàn)高度敏感性。這與本研究結(jié)果相近，并且都集中在近紅外波段。本研究中，基于提取的敏感波段所建立的冬小麥生物量的監(jiān)測模型為：

2.5 基于敏感波段的冬小麥生物量模型驗(yàn)證

圖3為基于敏感波段的冬小麥生物量實(shí)測值與預(yù)測值1∶1擬合結(jié)果。從圖3可以看出，經(jīng)驗(yàn)證參數(shù)驗(yàn)證后的決定系數(shù)達(dá)到0.870，均方根誤差和平均絕對(duì)誤差較小，說明實(shí)測值與預(yù)測值擬合效果較好，所構(gòu)建的模型可靠，并且正確性較高。證明在提取生物量敏感波段的實(shí)踐應(yīng)用中運(yùn)用該方法是可行的。

3 結(jié)論與討論

3.1 結(jié)論

基于多元統(tǒng)計(jì)分析的方法，結(jié)合高光譜原始數(shù)據(jù)，對(duì)冬小麥生物量敏感波段進(jìn)行提取，通過建模與分析可知，利用相關(guān)分析法提取敏感波段較為可靠，具有一定的參考與對(duì)比性。敏感波段與生物量總體上近紅外大于可見光，但是敏感波段的選取結(jié)果較為粗糙。

偏最小二乘法能夠較好地發(fā)揮其在冬小麥生物量敏感波段提取上的潛在能力[27]，驗(yàn)證模型所得到驗(yàn)證參數(shù)達(dá)到 0.229，決定系數(shù)達(dá)到 0.809，均方根誤差達(dá)到0.351，達(dá)到較高的估算精度。并且較為全面地提取了生物量的敏感波段。逐步多元線性回歸法是一種有較高精度的提取方法，并提取了8個(gè)冬小麥生物量敏感波段，而且波段具有代表性和精確性。運(yùn)用多元統(tǒng)計(jì)分析所得到的結(jié)果說明，冬小麥生物量敏感波段主要集中在近紅外光區(qū)。通過驗(yàn)證說明，利用多元統(tǒng)計(jì)分析提取冬小麥生物量敏感波段具有一定的可參照性和實(shí)踐性。

3.2 討論

本試驗(yàn)利用偏最小二乘法在降低光譜維度的同時(shí)，也會(huì)造成某些光譜信息的丟失，而這些波段是否為敏感波段無法得到驗(yàn)證和確定，還有待進(jìn)一步的研究與證明。

本研究采用多元統(tǒng)計(jì)分析方法，較為有效、準(zhǔn)確地提取了冬小麥生物量敏感波段和基于敏感波段構(gòu)建了其光譜監(jiān)測模型，但是由于試驗(yàn)樣本較少，加之試驗(yàn)過程存在一些偶然因素，模型的穩(wěn)定性和普適性還有待進(jìn)一步研究。

參考文獻(xiàn)：

［1］吳見，彭道黎.高光譜遙感林業(yè)信息提取技術(shù)研究進(jìn)展[J].光譜學(xué)與光譜分析，2011，31（9）：2305-2312.

［2］趙春江，薛緒掌，王秀，等.精準(zhǔn)農(nóng)業(yè)技術(shù)體系的研究進(jìn)展與展望[J].農(nóng)業(yè)工程學(xué)報(bào)，2003，19（4）：7-12.

［3］武改紅，馮美臣，楊武德，等.不同氮運(yùn)籌模式冬小麥LAI光譜特征波段提取[J].山西農(nóng)業(yè)科學(xué)，2017，45（4）：522-525.

［4］付元元，王紀(jì)華，楊貴軍，等.應(yīng)用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算 [J].光譜學(xué)與光譜分析，2013，33（5）：1315-1319.

［5］喬星星，馮美臣，楊武德，等.SG平滑處理對(duì)冬小麥地上干生物量 光 譜 監(jiān) 測 的 影 響 [J].山 西 農(nóng) 業(yè) 科 學(xué) ，2016，44（10）：1450-1454.

［6］徐改花，張福平，周正朝，等.利用數(shù)碼相片對(duì)冬小麥生物量的試算[J].資源開發(fā)與市場，2011，27（3）：193-196.

［7］傅瑋東，劉紹民，黃敬峰.冬小麥生物量遙感監(jiān)測模型的研究[J].干旱區(qū)資源與環(huán)境，1997，1（11）：84-89.

［8］孫慧，馮美臣，楊武德，等.水旱地冬小麥植株氮素含量的高光譜監(jiān)測[J].山西農(nóng)業(yè)科學(xué)，2015，43（3）：273-276.

［9］武改紅，馮美臣，楊武德，等.冬小麥葉片氮含量的時(shí)空分布及光譜監(jiān)測研究[J].山西農(nóng)業(yè)科學(xué)，2018，46（3）：330-334.

［10］于雷，洪永勝，周勇，等.高光譜估算土壤有機(jī)質(zhì)含量的波長變量篩選方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（13）：95-102.

［11］賀佳，劉冰鋒，李軍.不同生育時(shí)期冬小麥葉面積指數(shù)高光譜遙感監(jiān)測模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（24）：141-150.

［12］李栓明，郭銀巧，王克如，等.小麥籽粒蛋白質(zhì)光譜特征變量篩選方法研究[J].中國農(nóng)業(yè)科學(xué)，2015，48（12）：2317-2326.

［13］孫華，鞠洪波，張懷清，等.偏最小二乘回歸在Hyperion影像葉面積指數(shù)反演中的應(yīng)用 [J].中國農(nóng)學(xué)通報(bào)，2012，28（7）：44-52.

［14］李方舟，馮美臣，楊武德，等.水旱地冬小麥葉綠素含量高光譜監(jiān)測[J].生態(tài)學(xué)雜志，2013，32（12）：3213-3218.

［15］WOLDS.PLS for multivariate linear modeling[M]//VANDE WATERBEEMDH.Chemometric methods in molecular design.Weinheim，Germany：VCHVerlagsgesellschaft mbH，1995：195-218.

［16］ WANG C，F(xiàn)ENG M C，YANG W D，et al.Extraction of sensitive bands for monitoring the winter wheat（Triticum aestivum）growth status and yields based on the spectral reflectance[J].PLoS One，2017，12（1）：e0167679.

［17］李燕強(qiáng).不同冬小麥品種冠層光譜特征及其與農(nóng)學(xué)參數(shù)關(guān)系研究[D].鄭州：河南農(nóng)業(yè)大學(xué)，2015.

［18］THENKABAI P S，SMITH RB，PAUWE D.Hyperspectral vegetation and their relationship with agricultural crop characteristics[J].Remote Sensing of Environment，2000，71（2）：158-182.

［19］王備戰(zhàn)，楊武德，馮曉，等.基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測 [J].中國農(nóng)業(yè)科學(xué)，2012，45（15）：3049-3057.

［20］張霞，張兵，衛(wèi)征，等.MODIS光譜指數(shù)監(jiān)測小麥長勢變化研究[J].中國圖像圖形學(xué)報(bào)，2005，4（10）：421-424.