無(wú)人機(jī)成像高光譜的馬鈴薯地上生物量估算

劉 楊， 張 涵， 馮海寬， 孫 乾， 黃 玨， 王嬌嬌， 楊貴軍

1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室， 北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097 2. University of New South Wales,Sydney NSW 2052,Australia 3. 南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心， 江蘇 南京 210095 4. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院， 山東 青島 266590 5. 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097

引 言

地上生物量(above ground biomass， AGB)是評(píng)估作物營(yíng)養(yǎng)狀況和長(zhǎng)勢(shì)情況的重要理化參數(shù)， 與品質(zhì)和產(chǎn)量有著密切聯(lián)系， 及時(shí)準(zhǔn)確地估算AGB有助于提高農(nóng)田生產(chǎn)管理和作物監(jiān)測(cè)水平[1]。 傳統(tǒng)的AGB測(cè)量方法需要人工破壞性取樣， 雖能達(dá)到較高精度， 但過(guò)程復(fù)雜， 費(fèi)時(shí)費(fèi)力， 無(wú)法滿足大面積應(yīng)用需求。 然而， 遙感技術(shù)通過(guò)遠(yuǎn)距離、 非接觸式探測(cè)目標(biāo)的電磁波特性， 為無(wú)損高通量估算作物AGB提供了有效途徑。 無(wú)人機(jī)高光譜遙感雖傳感器價(jià)格昂貴， 數(shù)據(jù)后續(xù)處理復(fù)雜， 但因具有操作靈活、 圖譜合一和光譜分辨率高等優(yōu)勢(shì)， 在農(nóng)情監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)等方面得到廣泛關(guān)注[2]。

近年來(lái)國(guó)內(nèi)外學(xué)者應(yīng)用高光譜成像技術(shù)監(jiān)測(cè)作物AGB， 取得了一定的研究進(jìn)展。 如Yue等[3]基于冬小麥冠層光譜數(shù)據(jù)構(gòu)建多種植被指數(shù)， 結(jié)合不同的回歸技術(shù)有效地估算作物多生育AGB。 Tao等[4]利用相關(guān)性分析法(correlation analysis method， CAM)篩選出與冬小麥AGB敏感的光親指數(shù)和紅邊參數(shù)， 使用2種回歸方法準(zhǔn)確地評(píng)價(jià)作物長(zhǎng)勢(shì)情況。 Kanke等[5]分析了紅和紅邊波段組成的植被指數(shù)與水稻AGB的定量關(guān)系， 最終確定了較好估算AGB的敏感光譜波段。 劉斌等[6]研究高光譜數(shù)據(jù)任意兩波段構(gòu)建的NDVI與冬小麥AGB的相關(guān)關(guān)系， 通過(guò)比較模型間的精度， 得出估算AGB最優(yōu)中心波段和波段寬度。 陶惠林等[7]基于無(wú)人機(jī)高光譜數(shù)據(jù)構(gòu)建的多種植被指數(shù)和提取的紅邊參數(shù)， 采用多元線性回歸方法估算冬小麥多生育期AGB， 結(jié)果表明加入紅邊參數(shù)信息能夠較好地改善模型精度。 石雅嬌等[8]基于玉米冠層高光譜數(shù)據(jù)構(gòu)建敏感植被指數(shù)， 結(jié)合BP神經(jīng)網(wǎng)絡(luò)估算玉米AGB， 建模的決定系數(shù)達(dá)到0.99， 估測(cè)效果極好。 這些研究成果表明， 通過(guò)光譜分析技術(shù)能夠很好地估測(cè)冬小麥、 水稻和玉米等作物AGB， 然而馬鈴薯植株形態(tài)結(jié)構(gòu)與上述作物存在顯著差異， 且在作物養(yǎng)分吸收、 輸送和轉(zhuǎn)移等方面表現(xiàn)也明顯不同。 前期地下?tīng)I(yíng)養(yǎng)物質(zhì)往地上供應(yīng)， 促進(jìn)植株莖葉生長(zhǎng)， 而后期地上生殖器官光合作用積累的有機(jī)物向地下塊莖轉(zhuǎn)移， 促進(jìn)果實(shí)膨大， 整個(gè)生育期AGB值呈現(xiàn)先升高后降低的變化趨勢(shì)， 故已有的其他作物AGB監(jiān)測(cè)成果無(wú)法在馬鈴薯作物上直接應(yīng)用。

目前， 馬鈴薯作物多生育期的長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)， 主要集中于冠層氮素含量、 葉面積指數(shù)、 葉綠素和葉片含水量的估測(cè)研究。 如Liu等[9]基于馬鈴薯冠層高光譜影像， 使用偏最小二乘回歸(partial leastsquares regression， PLSR)分別結(jié)合全譜、 可見(jiàn)光-近紅外和短波紅外的光譜反射率估算氮素含量， 結(jié)果表明利用全譜波段信息構(gòu)建的模型效果較好。 Luo等[10]從馬鈴薯冠層高光譜數(shù)據(jù)中提取不同類型的光譜參數(shù)， 分別結(jié)合一元回歸技術(shù)估算不同水分條件的葉面積指數(shù)， 結(jié)果表明水分飽和條件下使用深度面積比指數(shù)估算精度最高。 孫紅等[11-12]基于馬鈴薯冠層高光譜影像， 通過(guò)CAM和隨機(jī)蛙跳算法(random frog algorithm， RFM)分別挑選出與葉綠素和葉片含水量相關(guān)的特征波長(zhǎng)， 結(jié)合PLSR方法有效地實(shí)現(xiàn)馬鈴薯理化參數(shù)的反演。

這些研究成果對(duì)馬鈴薯作物監(jiān)測(cè)有一定的參考和應(yīng)用價(jià)值， 但是， 針對(duì)馬鈴薯多生育期AGB的估測(cè)研究， 鮮有報(bào)道。 因此， 為了探究生長(zhǎng)過(guò)程中AGB的動(dòng)態(tài)光譜響應(yīng)機(jī)制， 本研究采用無(wú)人機(jī)成像高光譜技術(shù)獲取不同生育期的馬鈴薯冠層影像， 同時(shí)為了減少全譜數(shù)據(jù)的冗余度和增強(qiáng)模型的穩(wěn)定性， 通過(guò)CAM， RFM和高斯過(guò)程回歸波長(zhǎng)分析工具(Gaussian process regression-band analysis tool， GPR-BAT)分別對(duì)冠層原始光譜(canopy original spectra， COS)和一階導(dǎo)數(shù)光譜(first derivative spectra， FDS)篩選敏感波長(zhǎng)， 結(jié)合使用PLSR和GPR方法建立AGB估算模型， 從而確定估算AGB的最佳波長(zhǎng)和最優(yōu)反演模型， 以期為通過(guò)無(wú)人機(jī)高光譜遙感快速無(wú)損地監(jiān)測(cè)馬鈴薯長(zhǎng)勢(shì)情況以及分析AGB含量提供方法依據(jù)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)位于北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地， 地處北緯40°10′35″， 東經(jīng)116°26′40″。 馬鈴薯種植試驗(yàn)為小區(qū)完全隨機(jī)試驗(yàn)設(shè)計(jì)， 共設(shè)計(jì)密度試驗(yàn)(N區(qū))、 氮素試驗(yàn)(S區(qū))、 鉀肥試驗(yàn)(K區(qū))3個(gè)試驗(yàn)區(qū)。 試驗(yàn)品種采用早熟的中薯5(Z5)和中薯3(Z3)， 每個(gè)品種進(jìn)行相同的控制試驗(yàn)， 每種試驗(yàn)重復(fù)3次， 每種重復(fù)進(jìn)行不同程度的密度(T1， T2和T3)、 氮素和鉀肥處理， 其中密度、 氮素和鉀肥具體處理詳情見(jiàn)文獻(xiàn)[1]。 小區(qū)總計(jì)48個(gè)， 每個(gè)小區(qū)面積為32.5 m2。 為了更精準(zhǔn)地獲取試驗(yàn)田的位置， 在試驗(yàn)小區(qū)周圍均勻布控11個(gè)地面控制點(diǎn)(G1—G11)， 并用差分GPS測(cè)定其三維空間位置， 詳細(xì)的試驗(yàn)設(shè)計(jì)見(jiàn)圖1所示。

圖1 試驗(yàn)區(qū)域和試驗(yàn)設(shè)計(jì)Fig.1 Experimental area and experimental design

1.2 無(wú)人機(jī)高光譜影像采集及處理

采用八旋翼電動(dòng)無(wú)人機(jī)搭載德國(guó)Cubert公司生產(chǎn)的UHD185成像光譜儀(波長(zhǎng)范圍為450～950 nm， 光譜分辨率4 nm， 共有125個(gè)光譜通道， 光譜采集時(shí)保證儀器垂直向下)， 分別在2019年5月28日(塊莖形成期)、 2019年6月10日(塊莖增長(zhǎng)期)和2019年6月20日(淀粉積累期)進(jìn)行高光譜遙感作業(yè)。 各時(shí)期飛行時(shí)間為12:00—13:00， 此時(shí)天空晴朗， 無(wú)風(fēng)無(wú)云， 飛行高度為50 m， 獲得的影像空間分辨率為13 cm。 每次無(wú)人機(jī)采集數(shù)據(jù)前， 需要在地面利用黑白板進(jìn)行高光譜影像輻射校正。

高光譜數(shù)據(jù)預(yù)處理過(guò)程主要包括兩個(gè)部分： (1)影像拼接和幾何地形糾正， 首先使用Cuber公司生產(chǎn)的Cuber-Pilot軟件融合航帶內(nèi)的灰度影像和高光譜影像， 進(jìn)而形成新的融合后的高光譜影像； 其次通過(guò)PhotoScan軟件利用地面控制點(diǎn)的位置信息進(jìn)行影像地形校正， 各時(shí)期的校正誤差均小于2 cm； 最后基于高密度點(diǎn)云數(shù)據(jù)完成影像拼接， 生成馬鈴薯3個(gè)生育期的數(shù)字正射影像(DOM)和數(shù)字表面模型(DSM)。 (2)提取冠層光譜反射率， 在ArcGIS軟件中根據(jù)各小區(qū)的最大面積矢量數(shù)據(jù)， 通過(guò)IDL語(yǔ)言提取出各小區(qū)平均光譜， 將平均光譜反射率作為不同小區(qū)冠層光譜反射率。

1.3 地面數(shù)據(jù)采集及處理

地面數(shù)據(jù)采集與無(wú)人機(jī)高光譜遙感作業(yè)同步進(jìn)行， 每個(gè)生育期共獲取48組實(shí)測(cè)AGB數(shù)據(jù)， 具體采集過(guò)程見(jiàn)文獻(xiàn)[2]。

1.4 特征波段篩選方法

為了降低光譜數(shù)據(jù)的冗余度， 提高模型的穩(wěn)定性和預(yù)測(cè)能力， 使用相關(guān)性分析法(CAM)、 隨機(jī)蛙跳算法(RFM)和高斯過(guò)程回歸波長(zhǎng)分析工具(GPR-BAT)分別對(duì)馬鈴薯3個(gè)生育期的冠層原始光譜(COS)和一階導(dǎo)數(shù)光譜(FDS)進(jìn)行特征波長(zhǎng)篩選。 CAM是數(shù)據(jù)分析過(guò)程中最為常用的敏感波長(zhǎng)篩選方法， 根據(jù)相關(guān)系數(shù)的大小決定建模的個(gè)數(shù)和最優(yōu)模型參數(shù)。 RFM是一種類似于可逆跳轉(zhuǎn)馬爾科夫鏈蒙特卡洛的變量選擇方法， 通過(guò)迭代的方式計(jì)算變量在每次迭代過(guò)程中被選擇的概率， 根據(jù)概率值的高低來(lái)評(píng)價(jià)變量的重要性[12]。 GPR-BAT通過(guò)光譜數(shù)據(jù)依次迭代， 去除對(duì)模型貢獻(xiàn)最小的波長(zhǎng)， 采用10折交叉驗(yàn)證法進(jìn)行模型內(nèi)部驗(yàn)證， 基于交叉驗(yàn)證均方根誤差RMSECV的最小值來(lái)確定最優(yōu)特征波長(zhǎng)數(shù)。 CAM在Excel2019軟件中進(jìn)行， RFM和GPR-BAT在Matlab R2020b軟件中進(jìn)行。

1.5 建模方法

PLSR是解決模型參數(shù)共線性問(wèn)題最為常用的方法， 在數(shù)據(jù)擬合過(guò)程中通過(guò)對(duì)光譜反射率矩陣和AGB含量矩陣同時(shí)分解， 提取最佳主成分后， 將二者進(jìn)行關(guān)聯(lián)， 建立線性的回歸模型， 從而達(dá)到估算AGB的目的[12]。 GPR是一種非參數(shù)概率統(tǒng)計(jì)模型， 基于貝葉斯定理來(lái)學(xué)習(xí)自變量和因變量之間的關(guān)系， 利用均值和協(xié)方差函數(shù)根據(jù)最大似然估計(jì)法來(lái)訓(xùn)練樣本， 可以提供預(yù)測(cè)及其相關(guān)的置信區(qū)間， 這能夠評(píng)估預(yù)測(cè)結(jié)果的可靠性。 與常規(guī)機(jī)器學(xué)習(xí)法相比， 參數(shù)優(yōu)化更簡(jiǎn)單， 更適合訓(xùn)練小樣本數(shù)據(jù)， 最大的優(yōu)勢(shì)在于能夠通過(guò)GPR-BAT工具箱自動(dòng)識(shí)別最佳光譜特征[13]。

1.6 精度評(píng)價(jià)

選取67%樣本數(shù)據(jù)(32個(gè)， 重復(fù)一和重復(fù)二)作為建模集， 33%樣本數(shù)據(jù)(16個(gè)， 重復(fù)三)作為驗(yàn)證集， 利用PLSR和GPR方法構(gòu)建各生育期馬鈴薯AGB估算模型。 為了評(píng)估不同模型的擬合效果和穩(wěn)定性， 采用決定系數(shù)R2、 均方根誤差RMSE和標(biāo)準(zhǔn)均方根誤差NRMSE作為精度評(píng)價(jià)指標(biāo)。R2越高， RMSE和NRMSE越低， 構(gòu)建的模型精度就越高。

2 結(jié)果與討論

2.1 馬鈴薯冠層高光譜反射率曲線

通過(guò)標(biāo)準(zhǔn)正態(tài)變量(standard normal variable， SNV)校正方法對(duì)馬鈴薯各生育期獲取的冠層高光譜數(shù)據(jù)進(jìn)行修正， 以此減少背景噪聲、 地物紋理等多種因素對(duì)光譜反射率的影響[11]。 以塊莖增長(zhǎng)期為例， n13—n15， s17—s20， k02和k05小區(qū)經(jīng)過(guò)SNV處理后的冠層原始光譜曲線如圖2所示。 由圖可知， 馬鈴薯冠層反射率曲線符合綠色植被特征， 在450和650 nm附近存在吸收谷， 而在550 nm附近存在小的反射峰。 由于葉肉細(xì)胞結(jié)構(gòu)的影響， 在680～750 nm范圍內(nèi)， 光譜反射率急劇增加， 形成植物特有的紅邊特征。 對(duì)處理后的光譜反射率進(jìn)行一階微分， 以及利用CAM， RFM和GPR-BAT篩選與AGB相關(guān)的敏感波長(zhǎng)。

圖2 馬鈴薯塊莖增長(zhǎng)期經(jīng)SNV處理后的光譜反射率曲線Fig.2 Spectral reflectance curves treated with SNV during potato tubergrow period

2.2 CAM篩選特征波長(zhǎng)

將馬鈴薯3個(gè)生育期的COS和FDS分別與AGB作相關(guān)性分析， 得到結(jié)果如圖3所示。 為了避免邊界波長(zhǎng)震蕩效應(yīng)的影響， 只對(duì)458～946 nm波段范圍作進(jìn)一步研究。 以各生育期的相關(guān)系數(shù)絕對(duì)值由大到小依次排列， 基于COS和FDS塊莖形成期分別篩選出相關(guān)系數(shù)大于0.7的特征波長(zhǎng)總數(shù)為28個(gè)和12個(gè)， 塊莖增長(zhǎng)期分別篩選出相關(guān)系數(shù)大于0.7的特征波長(zhǎng)總數(shù)為32個(gè)和18個(gè)， 淀粉積累期基于COS篩選出相關(guān)系數(shù)大于0.7的特征波長(zhǎng)總數(shù)為30個(gè)， 基于FDS篩選出相關(guān)系數(shù)大于0.6的特征波長(zhǎng)總數(shù)為21個(gè)。 各生育期使用CAM得到的具體模型參數(shù)見(jiàn)表1所示。

表1 各生育期基于FDS和COS使用CAM篩選的敏感波長(zhǎng)Table 1 The sensitive wavelengths selected by CAM based on FDS and COS during each growth period

圖3 馬鈴薯各生育期COS和FDS與AGB的相關(guān)系數(shù)圖Fig.3 Correlation coefficient diagrams of COS and FDS with AGB during each growth period of potato

2.3 RFM篩選特征波長(zhǎng)

在MatlabR2020b軟件中， 設(shè)置RFM初始變量個(gè)數(shù)為2個(gè)， 迭代次數(shù)10 000次， 運(yùn)行結(jié)果如圖4所示。 馬鈴薯3個(gè)生育期基于COS和FDS選擇概率值大于0.2的變量為特征波長(zhǎng)， 塊莖形成期選擇的特征波長(zhǎng)數(shù)分別為12個(gè)和23個(gè)， 塊莖增長(zhǎng)期對(duì)應(yīng)為8個(gè)和28個(gè)， 淀粉積累期對(duì)應(yīng)為15個(gè)和33個(gè)。 各生育期使用RFM得到的具體模型參數(shù)見(jiàn)表2所示。

圖4 馬鈴薯各生育期COS和FDS的變量選擇概率Fig.4 Variable selection probabilities of COS and FDS during each growth period of potato

表2 各生育期基于FDS和COS使用RFM篩選的敏感波長(zhǎng)Table 3 The sensitive wavelengths were selected by RFM based on FDS and COS during each growth period

2.4 GPR-BAT篩選特征波長(zhǎng)

通過(guò)ARTMO軟件中MLRA模塊的GPR-BAT對(duì)馬鈴薯3個(gè)生育期的COS和FDS作敏感性分析， 各生育期進(jìn)行內(nèi)部交叉驗(yàn)證的平均RMSECV、 標(biāo)準(zhǔn)差SD以及min-max極值范圍見(jiàn)圖5所示。 根據(jù)RMSECV的最小值確定估算AGB的特征波長(zhǎng)， 塊莖形成期， 基于COS和FDS篩選的敏感波長(zhǎng)個(gè)數(shù)分別為6個(gè)和10個(gè)， 塊莖增長(zhǎng)期分別為2個(gè)和4個(gè)， 淀粉積累期分別為3個(gè)和5個(gè)。 各生育期使用GPR-BAT得到的具體模型參數(shù)見(jiàn)表3所示。

表3 各生育期基于FDS和COS使用GPR-BAT篩選的敏感波長(zhǎng)Table 3 The sensitive wavelengths were selected by GPR-BAT based on FDS and COS during each growth period

圖5 馬鈴薯各生育期使用COS(上)和FDS(下)的交叉驗(yàn)證圖Fig.5 Cross validation maps of using COS (upper) and FDS (lower) during each growth period of potato

2.5 構(gòu)建AGB估算模型

將通過(guò)CAM， RFM和GPR-BAT基于COS和FDS篩選的敏感波長(zhǎng)作為自變量， 馬鈴薯AGB作為因變量， 分別使用PLSR和GPR方法構(gòu)建各生育期的AGB估算模型， 各模型的精度評(píng)價(jià)指標(biāo)見(jiàn)表4和表5所示。 由表可知， 基于不同冠層光譜數(shù)據(jù)， 各生育期通過(guò)3種方法篩選的敏感波長(zhǎng)， 利用PLSR和GPR建立的模型效果表現(xiàn)一致， 均從塊莖形成期到淀粉積累期由好變差， 其中各生育期基于FDS得到的模型變量估算AGB精度更高， 模型較為穩(wěn)定。 基于同種冠層光譜數(shù)據(jù)， 通過(guò)GPR-BAT篩選的敏感波長(zhǎng)使用2種方法估算AGB的效果最優(yōu)， 其次為RFM， 而通過(guò)CAM篩選的特征波長(zhǎng)估算效果最差。 基于不同方法對(duì)COS和FDS篩選的敏感波長(zhǎng)， 各生育期以相同變量使用PLSR構(gòu)建的AGB估算模型效果優(yōu)于相應(yīng)地GPR-AGB估算模型。 基于COS通過(guò)GPR-BAT篩選的特征波長(zhǎng)， 使用PLSR方法估算AGB，建模R2從塊莖形成期到淀粉積累期的變化范圍為0.62～0.71， RMSE變化范圍為211.03～307.31 kg·hm-2， NRMSE變化范圍為16.37%～21.18%， 驗(yàn)證結(jié)果與建模結(jié)果保持一致，R2越大， RMSE和NRMSE值越?。?而使用GPR方法建模R2相對(duì)較小， 變化范圍為0.61～0.67， RMSE和NRMSE值相對(duì)較大， 變化范圍分別為228.30～321.82 kg·hm-2和17.71%～22.18%， 驗(yàn)證效果與建模結(jié)果一致，R2越小， RMSE和NRMSE值越大。 基于FDS通過(guò)GPR-BAT篩選的特征波長(zhǎng)， 使用PLSR方法估算AGB效果最佳， 塊莖形成期到淀粉積累期建模R2從0.65變化到0.73， RMSE從203.07 kg·hm-2變化到301.95 kg·hm-2， NRMSE從15.84%～20.81%， 驗(yàn)證R2也是先增大后減小， RMSE和NRMSE值都是先減小后增大； 使用GPR方法估算AGB的建模R2相應(yīng)地從0.62變化到0.69， RMSE從216.95 kg·hm-2變化到306.30 kg·hm-2， NRMSE從16.83%變化到21.11%， 驗(yàn)證R2， RMSE和NRMSE的變化趨勢(shì)與建模結(jié)果相同，R2先增大后減小， RMSE和NRMSE先減小后增大。

表4 基于COS使用PLSR和GPR估算AGB的建模和驗(yàn)證精度Table 4 Modeling and verification accuracies of estimating AGB based on COS by PLSR and GPR

表5 基于FDS使用PLSR和GPR估算AGB的建模和驗(yàn)證精度Table 5 Modeling and verification accuracies of estimating AGB based on FDS by PLSR and GPR

以往研究通過(guò)無(wú)人機(jī)成像高光譜技術(shù)估算作物AGB， 大多利用全譜數(shù)據(jù)構(gòu)建光譜指數(shù)并結(jié)合不同的回歸技術(shù)實(shí)現(xiàn)AGB含量監(jiān)測(cè)， 但是這樣會(huì)增加模型的復(fù)雜性和降低運(yùn)算效率。 為解決這一問(wèn)題， 本研究通過(guò)CAM， RFM和GPR-BAT3種方法對(duì)馬鈴薯各生育期的COS和FDS分別作敏感性分析， 從而篩選特征波長(zhǎng)結(jié)合PLSR和GPR構(gòu)建AGB反演模型。 結(jié)果顯示， 3個(gè)生育期構(gòu)建的模型中， 塊莖增長(zhǎng)期以不同變量使用同種方法建立的估算模型精度均高于其他生育期， 這是因?yàn)轳R鈴薯植株從塊莖形成期開(kāi)始， 由原來(lái)的營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)變?yōu)樯成L(zhǎng)和物質(zhì)積累， 地上莖葉逐漸發(fā)育完善， 到了塊莖增長(zhǎng)期， 莖葉生長(zhǎng)速度、 葉面積指數(shù)和莖葉鮮重達(dá)到峰值， 此時(shí)植被覆蓋度最大， 提取冠層光譜反射率時(shí)不易受到地面土壤的干擾， 隨后由于地上同化的有機(jī)物向地下塊莖輸送， 造成地上莖葉因營(yíng)養(yǎng)匱乏而枯黃脫落， 此時(shí)馬鈴薯作物長(zhǎng)勢(shì)變差， 間接提取的光譜反射率包括大量的裸土像元， 因此參與建模的變量不能真實(shí)反映AGB的實(shí)際情況。

各生育期分別用基于COS和FDS通過(guò)RFM方法篩選的特征波長(zhǎng)來(lái)估算AGB的效果要優(yōu)于相應(yīng)地CAM方法， 這是因?yàn)镽FM方法篩選的特征波長(zhǎng)間隔大， 跨度廣， 包含信息量豐富， 模型變量自相關(guān)性較弱， 因此構(gòu)建的模型精度較高、 穩(wěn)健性較強(qiáng)， 這與孫紅等[11-12]估算馬鈴薯葉片葉綠素和含水量結(jié)論一致， 但本研究利用RFM和CAM方法篩選的敏感波長(zhǎng)來(lái)估算AGB的精度較低， 主要原因其一可能是估算的理化參數(shù)不同， 其二是傳感器類型和數(shù)據(jù)獲取場(chǎng)景不同， 本研究通過(guò)無(wú)人機(jī)平臺(tái)搭載UHD185成像光譜儀在田間獲取數(shù)據(jù)， 而孫紅等研究在封閉實(shí)驗(yàn)室載物臺(tái)通過(guò)Gaia高光譜成像系統(tǒng)獲取數(shù)據(jù)， 其三是本研究對(duì)馬鈴薯冠層群體植株進(jìn)行AGB監(jiān)測(cè)， 而孫紅等僅以單個(gè)葉片為目標(biāo)實(shí)現(xiàn)作物參數(shù)估算。 為了驗(yàn)證通過(guò)利用GPR-BAT篩選敏感波長(zhǎng)來(lái)估算AGB的效果， 同樣對(duì)COS和FDS作敏感性分析， 結(jié)果發(fā)現(xiàn)， 各生育期基于GPR-BAT篩選波長(zhǎng)運(yùn)行效率較低， 但得到的特征波長(zhǎng)個(gè)數(shù)少， 使用PLSR和GPR建模方法估算AGB效果更優(yōu)， 這一結(jié)論與Fu等[13]研究冬小麥氮素情況相一致， 也表明GPR-BAT篩選的敏感波長(zhǎng)與作物理化參數(shù)聯(lián)系更緊密。 基于同種變量， 各生育期利用PLSR方法構(gòu)建的模型精度更高， 這與Tao等[4]估算冬小麥多生育期AGB結(jié)果一致， 這主要與其自身處理光譜數(shù)據(jù)能力相關(guān)， 可以較好地解決變量間的多重共線性問(wèn)題， 使得能夠準(zhǔn)確地估算作物理化參數(shù)[1-2]。 綜上表明， GPR-BAT篩選的敏感波長(zhǎng)在符合AGB含量與光譜反射率間變化的規(guī)律前提下， 可結(jié)合PLSR方法使用較少波長(zhǎng)來(lái)預(yù)測(cè)各生育期AGB， 以達(dá)到準(zhǔn)確監(jiān)測(cè)的目的。 但是， 本研究并未考慮不同水分灌溉下， 基于馬鈴薯冠層光譜篩選的敏感波長(zhǎng)對(duì)AGB監(jiān)測(cè)結(jié)果的影響， 需要在未來(lái)的研究中進(jìn)行深入探究。

3 結(jié) 論

(1)基于COS和FDS使用CAM， RFM和GPR-BAT方法篩選的特征波長(zhǎng)個(gè)數(shù)在塊莖形成期分別為28， 12， 6個(gè)和12， 23， 10個(gè)， 在塊莖增長(zhǎng)期分別為32， 8， 2個(gè)和18， 28， 4個(gè)， 在淀粉積累期分別為30， 15， 3個(gè)和21， 33， 5個(gè)。

(2)在相同條件下， 各生育期基于FDS篩選的敏感波長(zhǎng)相比于基于COS篩選的敏感波長(zhǎng)更能準(zhǔn)確估算AGB。

(3)各生育期通過(guò)GPR-BAT篩選的特征波長(zhǎng)估算AGB效果最優(yōu)， 其次為RFM方法， 而CAM方法篩選的特征波長(zhǎng)估算效果最差。

(4)各生育期基于FDS通過(guò)GPR-BAT篩選敏感波長(zhǎng)， 并結(jié)合PLSR方法建立的模型精度更高， 塊莖形成期建模R2， RMSE和NRMSE分別為0.67， 203.07 kg·hm-2和16.63%， 塊莖增長(zhǎng)期建模R2， RMSE和NRMSE分別為0.73， 204.19 kg·hm-2和15.84%， 淀粉積累期建模R2， RMSE和NRMSE分別為0.65， 301.95 kg·hm-2和20.81%。