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(cè)模型

潘 月， 曹宏鑫， 齊家國(guó)， 吳 菲，3， 韓旭杰， 丁昊迪， 葛道闊， 張玲玲， 張偉欣， 張文宇

(1.南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院/亞洲農(nóng)業(yè)研究中心，江蘇南京210095；2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京210014；3.揚(yáng)州大學(xué)農(nóng)學(xué)院，江蘇揚(yáng)州225009)

油菜是中國(guó)種植面積最大的油料作物之一和國(guó)產(chǎn)植物油第一大油源，2020年中國(guó)油菜種植面積約6.80×106hm2，油菜籽產(chǎn)量1.400×107t，僅次于加拿大，居世界第二，發(fā)展油菜生產(chǎn)是保障中國(guó)食用油供給安全的根本途徑[1]。油菜是需水量較大的作物[2-4]，植株水分狀況不僅影響油菜生長(zhǎng)[5]，還會(huì)影響其產(chǎn)量、氮素吸收能力以及油菜籽的品質(zhì)[6-9]。而伴隨水資源日益緊張，傳統(tǒng)的“豐水高產(chǎn)”農(nóng)業(yè)生產(chǎn)模式逐漸向現(xiàn)代“節(jié)水高產(chǎn)”模式轉(zhuǎn)變，水分動(dòng)態(tài)定量診斷與調(diào)控是實(shí)現(xiàn)這個(gè)轉(zhuǎn)變的關(guān)鍵技術(shù)，其基礎(chǔ)則是植株水分狀況的定量監(jiān)測(cè)。高光譜手段能夠采集精細(xì)的光譜信息，其在監(jiān)測(cè)植物水分狀況中的應(yīng)用十分廣泛。運(yùn)用遙感技術(shù)監(jiān)測(cè)植物中的水分，學(xué)者更傾向于選擇冠層和葉片指示水分狀況[10]。隨著傳感傳輸技術(shù)的快速發(fā)展，遙感技術(shù)能夠改變以往費(fèi)時(shí)費(fèi)力、破壞性大的診斷方法，實(shí)現(xiàn)植物水分實(shí)時(shí)監(jiān)測(cè)、精確診斷。在單葉尺度方面，楊玉清等[11]用偏最小二乘法(Partial least squares, PLS)及逐步多元線性回歸(Stepwise multiple linear regression, SMLR)法對(duì)玉米葉片水分含量進(jìn)行建模分析，驗(yàn)證集決定系數(shù)分別為0.975和0.980；Krishna等[12]研究了10個(gè)水稻基因型在不同水分脅迫下的表現(xiàn)，通過(guò)光譜指數(shù)、多元技術(shù)和神經(jīng)網(wǎng)絡(luò)篩選最優(yōu)波段，建立預(yù)測(cè)模型，結(jié)果表明,偏最小二乘回歸-多元線性回歸(PLSR-MLR)是預(yù)測(cè)葉片含水率(RWC)的最優(yōu)模型，驗(yàn)證R2為0.97。在冠層尺度方面，劉曉靜等[13]的研究結(jié)果表明，在拔節(jié)期、抽穗期、開(kāi)花期、灌漿前期和灌漿后期，冬小麥葉片相對(duì)含水量與歸一化差值植被指數(shù)(NDVI)、優(yōu)化土壤調(diào)整植被指數(shù)(OSAVI)、比值/歸一化植被指數(shù)(R/ND)、冠氣溫差(TDC-a)和冠氣溫差(TDC-a)擬合效果較好，決定系數(shù)分別為0.842、0.884、0.831、0.864和0.945。精確監(jiān)測(cè)作物水分狀況的主要步驟包括分析光譜響應(yīng)規(guī)律、篩選模型變量、構(gòu)建監(jiān)測(cè)模型和檢驗(yàn)監(jiān)測(cè)模型。在油菜水分狀況監(jiān)測(cè)方面，張曉東等[14-15]基于高光譜數(shù)據(jù)，采用區(qū)間分段逐步回歸法定量分析油菜含水率，模型預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)為0.87，后續(xù)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；仝春艷等[16]提出2種改進(jìn)型角度指數(shù)ANI1 450和ASI1 450，在不區(qū)分苗期、蕾薹期的情況下估算葉片等效水厚度效果最好，R2均達(dá)到0.832；張君等[17]的研究結(jié)果表明，正交信號(hào)校正(OSC)+主成分分析(PCA)+SVR模型估測(cè)葉片含水率效果最好，訓(xùn)練集決定系數(shù)(Rc2)與測(cè)試集決定系數(shù)(Rv2)分別高達(dá)0.901和0.857?？梢?jiàn)，已有研究多能夠在單一生育期實(shí)現(xiàn)精確監(jiān)測(cè)，而對(duì)于整個(gè)生育期的普適性有待提高，目前光譜分析方法在作物水分監(jiān)測(cè)方面運(yùn)用得較少，高光譜信息有待深度挖掘，機(jī)器學(xué)習(xí)方法在模型構(gòu)建上應(yīng)用得較少，且局限于實(shí)驗(yàn)室條件。本研究旨在基于不同品種、氮素與水分處理下的油菜池栽田間試驗(yàn)，利用逐步回歸分析法(Stepwise regression, SR)、連續(xù)投影算法(Successive projection algorithm, SPA)和競(jìng)爭(zhēng)自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling, CARS)篩選最優(yōu)波段組合，并利用減量精細(xì)采樣法(Reduced precise sampling method, RPSM)篩選最優(yōu)歸一化差值光譜指數(shù)(NDSI)和比值光譜指數(shù)(RSI)，為監(jiān)測(cè)模型提供變量，利用線性回歸(Linear regression, LR)、BP神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network, BPNN)和支持向量機(jī)回歸(Support vector regression, SVR)方法構(gòu)建油菜植株含水率(PWC)監(jiān)測(cè)模型，以進(jìn)一步提高油菜PWC監(jiān)測(cè)精度，為油菜水分診斷調(diào)控提供依據(jù)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2019-2020年和2020-2021年在江蘇省農(nóng)業(yè)科學(xué)院實(shí)驗(yàn)農(nóng)場(chǎng)(32.03°N, 118.87°E)進(jìn)行，前茬為休閑，兩季試驗(yàn)的基本情況如表1所示。供試品種3個(gè)，分別為浙雜903(C1)、寧油22(C2)和寧雜1818(C3)，施肥水平分別為不施肥(N0)、施純氮180 kg/hm2(N2)，移栽密度統(tǒng)一為1 hm21.2×105株(行距40 cm,株距20 cm)。土壤基礎(chǔ)養(yǎng)分：有機(jī)質(zhì)含量31.4 g/kg，全氮含量2.03 g/kg，速效磷含量20.3 mg/kg，速效鉀含量139 mg/kg，pH 7.31。

2019-2020年供試品種為浙雜903(C1)和寧雜1818(C3)，2020-2021年供試品種為寧油22(C2)和寧雜1818(C3)。采用裂區(qū)設(shè)計(jì)，主區(qū)為施肥，設(shè)為不施肥(N0)和施肥(N2，于移栽前施入有機(jī)肥60 kg/hm2，于抽薹期葉面噴硼15 kg/hm2，氮肥180 kg/hm2按基肥∶臘肥∶薹肥=5∶3∶2分配)處理，副區(qū)為水分與品種處理，水分處理設(shè)澆水2 min(約小區(qū)水層4.87 mm)(W1)、3 min(約小區(qū)水層7.31 mm)(W2)、4 min(約小區(qū)水層9.75 mm)(W3) 3個(gè)水平。2020-2021年澆水后不同處理0～10 cm耕層土壤體積含水率變化情況如圖1所示，共12個(gè)處理，重復(fù)3次，隨機(jī)排列。小區(qū)面積3.77 m×2.77 m≈10.44 m2，行距0.4 m, 株距20.0 cm。分別于2019年10月1日、2020年10月7日播種，分別于2019年11月2日、2020年11月11日移栽，其他栽培措施同高產(chǎn)大田管理。

表1 2個(gè)生長(zhǎng)季試驗(yàn)的基本情況

圖1 2020-2021年不同處理0～10 cm耕層土壤體積含水率變化Fig.1 Variation of volume water content of 0-10 cm topsoil under different treatments in 2020-2021

1.2 測(cè)定項(xiàng)目與方法

1.2.1 冠層光譜反射率 選擇晴朗無(wú)云無(wú)風(fēng)天氣，分別于各個(gè)生育時(shí)期當(dāng)天10:00-14:00在每個(gè)小區(qū)選3個(gè)代表植株并掛牌標(biāo)記序號(hào)，每個(gè)植株測(cè)定5個(gè)數(shù)據(jù)，取平均值代表該小區(qū)的光譜數(shù)據(jù)。用美國(guó)ASD(Analytical Spectral Device)公司的ASD Handheld 2型手持式光譜分析儀距油菜冠層上方50 cm測(cè)定冠層光譜反射率，光譜儀視角為25°，測(cè)定波段為325～1 075 nm，光譜采樣間隔為1.0 nm，光譜分辨率為3 nm，每次測(cè)量前用白板校正。

1.2.2 油菜植株含水率(PWC) 基本與光譜測(cè)定同步，分別在2019-2020年越冬期(移栽后77 d)、2020-2021年苗期(移栽后7 d、19 d、34 d、53 d)、越冬期(移栽后69 d)、終花期(移栽后149 d)取樣，每小區(qū)取上述掛牌標(biāo)記植株3株。鮮質(zhì)量利用稱質(zhì)量法，樣本稱量鮮質(zhì)量后，恒溫105 ℃殺青30 min，之后恒溫80 ℃烘干至恒質(zhì)量，分別稱量樣本干質(zhì)量。計(jì)算植株含水率，PWC=(PWF-PWD)/PWF×100%，式中PWF為植株地上部鮮質(zhì)量總和，PWD為植株地上部干質(zhì)量總和。取3株平均值代表該小區(qū)油菜植株含水率。

1.3 數(shù)據(jù)處理與分析

1.3.1 監(jiān)測(cè)模型變量的篩選 本研究主要選用特征波段反射率和光譜指數(shù)為模型變量，運(yùn)用Matlab軟件計(jì)算，用Origin作圖。

1.3.1.1 SR分析 SR分析以線性回歸方程為基礎(chǔ)，采用雙檢驗(yàn)原則，在建立“最優(yōu)”回歸方程的過(guò)程中按照貢獻(xiàn)度由大到小的順序，逐步引入對(duì)油菜PWC影響顯著的波段，剔除影響不顯著的波段，即每一步都進(jìn)行F檢驗(yàn)，保留F≥4時(shí)引入的波段，剔除F≤3.8時(shí)引入的波段，以篩選出最優(yōu)波段組合。

1.3.1.2 SPA法 首先設(shè)定波長(zhǎng)數(shù)(N)，然后根據(jù)不同波長(zhǎng)數(shù)下的均方根誤差(RMSE值)確定最佳的建模波長(zhǎng)數(shù)量。每次向前循環(huán)選擇時(shí)，都計(jì)算新引入的波長(zhǎng)在剩余波長(zhǎng)變量上的投影，保證它在選擇的前一個(gè)波長(zhǎng)變量正交子空間上具有最大投影值，從而最大限度地消除共線性信息[18]。

1.3.1.3 CARS法 首先利用蒙特卡羅采樣法(Monte Carlo sampling, MSC)采樣50次，運(yùn)用指數(shù)衰減函數(shù)(Exponentially decreasing function, EDF)去掉權(quán)重較低的變量，運(yùn)用自適應(yīng)重加權(quán)采樣技術(shù)(Adaptive reweighted sampling, ARS)篩選出偏最小二乘回歸(Partial least regression, PLSR)模型回歸系數(shù)絕對(duì)值大的變量，每次產(chǎn)生的新變量組合會(huì)再構(gòu)建PLS回歸模型并計(jì)算交叉驗(yàn)證均方差(RMSECV)，RMSECV最小的變量子集即為最優(yōu)子集[19]。

1.3.1.4 RPSM法 采取RPSM法[20]，在680～1 075 nm波段范圍內(nèi)，首先每10 nm取光譜反射率均值，構(gòu)建任意兩波段組合的歸一化光譜指數(shù)(NDSI)和比值光譜指數(shù)(RSI)，結(jié)合油菜植株含水率建立線性模型，計(jì)算決定系數(shù)，繪制等高線圖以確定核心波段。對(duì)核心波段精細(xì)采樣，以1 nm為間隔構(gòu)建光譜指數(shù)。重復(fù)上述操作，選擇決定系數(shù)最高的光譜指數(shù)作為模型變量。

NDSI=(Rλ1-Rλ2)/(Rλ1+Rλ2)

(1)

RSI=Rλ1/Rλ2

(2)

其中，Rλ1、Rλ2為680～1 075 nm范圍內(nèi)任意波段的光譜反射率。

1.3.2 監(jiān)測(cè)模型的構(gòu)建

1.3.2.1 線性回歸 以篩選的光譜指數(shù)或敏感波段反射率作為自變量，油菜PWC作為因變量，運(yùn)用最小二乘逼近擬合它們的定量關(guān)系，構(gòu)建一元或多元線性回歸方程。

1.3.2.2 BP神經(jīng)網(wǎng)絡(luò) 本研究定義隱藏層神經(jīng)元數(shù)量為10，使用Levenberg-Marquardt反向傳播算法進(jìn)行訓(xùn)練。它是使用最廣泛的非線性最小二乘算法，運(yùn)用模型函數(shù)對(duì)估測(cè)數(shù)據(jù)在其領(lǐng)域內(nèi)作線性近似分析，利用泰勒公式，忽略二階以上導(dǎo)數(shù)項(xiàng)，能夠使BP神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力、容錯(cuò)性和較強(qiáng)的泛化能力。

1.3.2.3 支持向量機(jī)回歸(SVR) 本研究使用支持向量機(jī)算法庫(kù)LIBSVM[21]，SVM模型類型為epsilon-SVR，選用RBF核函數(shù)，損失函數(shù)P值為0.01，懲罰參數(shù)(c)和核函數(shù)參數(shù)(g)由窮舉法確定。

1.3.3 監(jiān)測(cè)模型的檢驗(yàn) 采用常用的決定系數(shù)(R2)、均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和平均絕對(duì)誤差占觀測(cè)值的比值(Dap)對(duì)模型的精度進(jìn)行評(píng)估，R2為監(jiān)測(cè)值與實(shí)際值的決定系數(shù)，RMSE為監(jiān)測(cè)的誤差變幅，R2越高，RMSE、MAE和Dap越低，表明模型監(jiān)測(cè)效果越理想。計(jì)算公式如下：

(3)

(4)

(5)

其中,n為模型測(cè)試的樣本數(shù)，Pi為模型的估測(cè)值，Qi為試驗(yàn)的實(shí)測(cè)值。

2 結(jié)果與分析

2.1 油菜植株含水率與冠層光譜反射率的相關(guān)性

2個(gè)生長(zhǎng)季油菜PWC與冠層光譜反射率的相關(guān)系數(shù)隨波長(zhǎng)的變化如圖2所示。油菜PWC與冠層光譜反射率在325～1 075 nm波段大部分呈現(xiàn)極顯著負(fù)相關(guān)性，即隨著PWC增大冠層反射率降低，符合水分吸收太陽(yáng)輻射使得光譜反射率降低的遙感原理，可見(jiàn)油菜冠層光譜反射率對(duì)PWC具有良好的指示作用。由于紅邊區(qū)域的680～780 nm反射率對(duì)水分有間接響應(yīng)，近紅外波段反射率對(duì)水分有直接響應(yīng)，故選取紅邊波段和近紅外波段進(jìn)行后續(xù)分析。

圖2 油菜植株含水率與冠層光譜反射率的相關(guān)系數(shù)隨波長(zhǎng)的變化Fig.2 Variation of the correlation coefficient between rapeseed plant water content and canopy spectral reflectance as the wavelength changes

2.2 油菜植株含水率監(jiān)測(cè)模型變量的選擇

2.2.1 基于SR分析的特征波段反射率 針對(duì)油菜PWC利用全波段數(shù)據(jù)進(jìn)行SR分析，結(jié)果如表2所示。共建立了3個(gè)回歸模型，模型R2隨著波長(zhǎng)數(shù)的增多逐漸增大，標(biāo)準(zhǔn)誤差逐漸減小，所有模型均達(dá)到0.01顯著性水平。第3個(gè)模型引入1 071 nm、986 nm和730 nm波長(zhǎng)的光譜反射率，構(gòu)建的回歸模型R2為0.824，擬合度最佳，因此，將模型3作為最優(yōu)波段組合用于構(gòu)建油菜PWC監(jiān)測(cè)模型。

表2 基于逐步回歸分析篩選的油菜植株含水率(PWC)敏感波段

2.2.2 基于SPA的特征波段反射率 對(duì)油菜PWC運(yùn)行SPA算法，其RMSE值隨模型變量數(shù)(波長(zhǎng)數(shù))的變化趨勢(shì)如圖3所示，先上升后下降，波長(zhǎng)數(shù)量大于7個(gè)時(shí)，RMSE值的變化不再顯著，此時(shí)RMSE為1.33%。因此選取7個(gè)波長(zhǎng)作為特征波長(zhǎng)組合，分別為686 nm、695 nm、707 nm、746 nm、964 nm、1 065 nm和1 069 nm，其中4個(gè)位于可見(jiàn)光波段，3個(gè)位于近紅外波段。

RMSE：均方根誤差。圖3 基于SPA算法的油菜植株含水率(PWC)的均方根誤差(RMSE)隨模型變量數(shù)變化趨勢(shì)Fig.3 Variation trend of root mean square error (RMSE) for rapeseed plant water content (PWC) with number of model variables based on SPA algorithm

2.2.3 基于CARS的特征波段反射率 對(duì)油菜PWC運(yùn)行CARS算法的篩選過(guò)程如圖4所示。隨著采樣次數(shù)增加，在粗選過(guò)程中RMSE值迅速下降，然后下降速度逐漸變緩,轉(zhuǎn)換到精選過(guò)程。剔除了與油菜PWC無(wú)關(guān)的波長(zhǎng)，在35次采樣后RMSECV逐漸增大，說(shuō)明在篩選過(guò)程中丟失了有關(guān)信息。因此選擇第35次采樣篩選的10個(gè)波長(zhǎng)為最優(yōu)波長(zhǎng)組合，分別為694 nm、695 nm、696 nm、863 nm、864 nm、893 nm、973 nm、986 nm、1 050 nm和1 071 nm，其中，3個(gè)波長(zhǎng)位于可見(jiàn)光波段且十分集中，7個(gè)波長(zhǎng)位于近紅外波段。

2.2.4 基于RPSM的光譜指數(shù)比較 基于油菜PWC與任意兩波段組合的NDSI決定系數(shù)如圖5所示。初步采樣全波段循環(huán)的決定系數(shù)如圖5a所示，NDSI決定系數(shù)最大值均為0.716，近紅外波段880～1 000 nm的部分決定系數(shù)超過(guò)0.500，因此選取880～1 000 nm的光譜反射率進(jìn)行精細(xì)采樣，結(jié)果如圖5b所示，NDSI(R981,R894)為監(jiān)測(cè)油菜PWC所得最優(yōu)NDSI，決定系數(shù)為0.787。RSI決定系數(shù)情況與NDSI相似，RSI(R981,R894)為最優(yōu)RSI，決定系數(shù)為0.786，略低于NDSI(R981,R894)，選其作為變量構(gòu)建油菜PWC監(jiān)測(cè)模型。

a：模型交叉驗(yàn)證均方根誤差變化趨勢(shì)；b：各波長(zhǎng)回歸系數(shù)隨采樣次數(shù)變化趨勢(shì)。RMSECV:交叉驗(yàn)證均方差。圖4 基于CARS篩選植株含水率(PWC)監(jiān)測(cè)模型變量的過(guò)程Fig.4 Process of selecting variables of plant water content (PWC) monitoring model based on CARS

a：在680～1 075 nm范圍內(nèi)每隔10 nm采樣；b：在880～1 000 nm范圍內(nèi)每隔1 nm采樣。圖5 油菜植株含水率(PWC)與任意兩波段組合的歸一化差值光譜指數(shù)(NDSI)的線性模型決定系數(shù)等高線Fig.5 Contour map of linear model determination coefficient (R2) of rapeseed plant water content (PWC) and normalized difference spectral index (NDSI) by any two band combinations

2.3 油菜植株含水率監(jiān)測(cè)模型的構(gòu)建及檢驗(yàn)

2.3.1 線性回歸模型 對(duì)于采集的60個(gè)油菜樣本，42個(gè)用于線性回歸模型構(gòu)建，18個(gè)用于檢驗(yàn)，模型效果如表3所示,建模R2由高到低依次為SPA、CARS、SR、RPSM-NDSI、RPSM-RSI?；贜DSI、RSI構(gòu)建的模型建模和檢驗(yàn)效果均相似，有較好的監(jiān)測(cè)能力，但相比于SR、SPA、CARS篩選的敏感波段反射率略有不足，因?yàn)閰⑴c的波段數(shù)較少，丟失了一些有效信息。SPA-LR的建模R2和檢驗(yàn)R2最高，分別為0.878和0.693，檢驗(yàn)RMSE和Dap分別為1.623%和7.530%。

表3 油菜植株含水率(PWC)的線性回歸模型及檢驗(yàn)

建模R2為模型擬合度的決定系數(shù)，r為相關(guān)系數(shù)，R2為決定系數(shù)，RMSE為均方根誤差，MAE為平均絕對(duì)誤差，Dap為平均絕對(duì)誤差占觀測(cè)值的比值。**表示在0.01水平影響顯著，r(0.01,16)=0.59 。SR:逐步回歸分析；SPA：連續(xù)投影算法；CARS：競(jìng)爭(zhēng)自適應(yīng)加權(quán)算法；RPSM-NDSI：減量精細(xì)采樣法-歸一化差值光譜指數(shù)；RPSM-RSI：減量精細(xì)采樣法-比值光譜指數(shù)。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)模型 對(duì)于采集的60個(gè)油菜樣本，42個(gè)用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，9個(gè)用于驗(yàn)證，9個(gè)用于測(cè)試，模型效果如表4所示，訓(xùn)練R2由高到低依次為SPA、RPSM-NDSI、RPSM-RSI、SR及CARS。以SPA-BP模型的訓(xùn)練R2最高，為0.964，SR-BP模型的驗(yàn)證R2最高，為0.977，SPA-BP模型的測(cè)試R2最高，為0.940，RMSE和Dap分別為1.836%和17.566%。

表4 油菜植株含水率(PWC)的BP神經(jīng)網(wǎng)絡(luò)模型及檢驗(yàn)

2.3.3 SVR模型 對(duì)于采集的60個(gè)油菜樣本，42個(gè)用于SVR模型訓(xùn)練，18個(gè)用于檢驗(yàn)，模型效果如表5所示，訓(xùn)練R2由高到低依次為SPA、CARS、SR、RPSM-NDSI和RPSM-RSI。SPA-SVR模型的訓(xùn)練R2最高，為0.910，檢驗(yàn)R2亦最高，為0.841，RMSE和Dap分別為1.227%和5.368%。

表5 油菜植株含水率(PWC)的SVR模型及檢驗(yàn)

3 討論

作物水分狀況的光譜監(jiān)測(cè)研究始于20世紀(jì)70年代，Thomas等[22]的研究結(jié)果表明，植物葉片的光譜反射率隨葉片含水量下降而增加，1 450 nm和1 930 nm波段的光譜反射率和葉片含水量呈顯著相關(guān)(P=0.01)。后續(xù)Holben等[23]、Jackson等[24]以及很多學(xué)者在不同植物上的研究結(jié)果都表明，主要水分吸收波段為0.97 μm、1.19 μm、1.45 μm、1.97 μm和2.70 μm[25]。高光譜能夠更加精細(xì)地體現(xiàn)光譜的變化，因此除了主要水分吸收波段，亦存在其他能夠反映作物水分差異的敏感波段，例如680～780 nm區(qū)域的紅邊光譜，PWC越低近紅外波段反射率越高，紅邊區(qū)域的光譜反射曲線會(huì)更陡峭[26]，將這些波段加以利用，可以實(shí)現(xiàn)作物水分狀況的精確監(jiān)測(cè)，故本研究選取具備理論支撐的680～1 075 nm波段進(jìn)行分析。然而高光譜數(shù)據(jù)量大，需要采取合適的手段提取關(guān)鍵波段，隨著光譜分析技術(shù)的發(fā)展，全波段光譜快速分析成為可能。SR分析通過(guò)逐一引入光譜變量，剔除對(duì)監(jiān)測(cè)目標(biāo)影響不顯著的變量，保留影響顯著的變量，來(lái)篩選最優(yōu)光譜變量集。SPA法是一種前向變量選擇算法，能夠使矢量空間共線性最小化，消除原始光譜數(shù)據(jù)中的冗余信息，該方法在葉綠素、生物量的高光譜定量監(jiān)測(cè)中廣泛應(yīng)用[27-30]。CARS法基于“適者生存”的原則，以迭代和競(jìng)爭(zhēng)的方式篩選最優(yōu)波段組合。這些方法均能夠在降低數(shù)據(jù)維度、篩選最優(yōu)波段組合的同時(shí)充分挖掘數(shù)據(jù)、提取有效信息，從而監(jiān)測(cè)并診斷作物水分狀況[31-33]。光譜指數(shù)簡(jiǎn)單且具有較好的推廣性，其中NDSI和RSI廣泛用于獲取植被生物物理特征屬性[34]，減量精細(xì)采樣法能夠有效融合降采樣法和精細(xì)采樣法篩選最優(yōu)光譜指數(shù)[20]。已有研究大多是運(yùn)用一個(gè)方法篩選敏感波段，這些方法遵循的篩選原則不同，適配的建模方法不同，有必要和不同的建模方法組合，尋找篩選變量-建模效果最好的組合。

前述3個(gè)方法篩選的波段反射率變量更多、更分散，因此蘊(yùn)含的信息更全面，在建模效果中即有體現(xiàn)，光譜指數(shù)構(gòu)建模型的建模效果、檢驗(yàn)效果低于全波段光譜分析。本研究旨在提高油菜水分狀況的監(jiān)測(cè)精度以及普適性，所用SR、SPA和CARS 3種全波段分析方法篩選的變量數(shù)量有所不同，但擬合精度最高，研究更側(cè)重于比較不同變量篩選方法搭配不同建模方法構(gòu)建的油菜PWC定量監(jiān)測(cè)模型，今后的研究中可以采用更多的光譜分析方法，采集全波段有效信息，實(shí)現(xiàn)光譜數(shù)據(jù)的充分利用。

已有油菜水分狀況的監(jiān)測(cè)研究大多是運(yùn)用線性或者非線性普通回歸模型，在監(jiān)測(cè)單一生育期作物水分狀況時(shí)效果較好，而對(duì)全生育期的普適性有待提高。本研究引入BP神經(jīng)網(wǎng)絡(luò)、SVR進(jìn)行非線性擬合，與線性回歸模型相比較，模型擬合優(yōu)度明顯提高，能夠?yàn)橛筒怂衷\斷提供依據(jù)。本研究設(shè)置的水分梯度處理為常規(guī)油菜生存環(huán)境所面臨的干旱、正常和漬水情況，對(duì)于特殊氣候地區(qū)，有必要進(jìn)一步擴(kuò)大油菜PWC范圍，以擴(kuò)大模型的監(jiān)測(cè)適應(yīng)性。

4 結(jié)論

本研究基于不同品種、氮素與水分處理的油菜池栽田間試驗(yàn)，運(yùn)用RPSM法、SR分析法、SPA法和CARS算法篩選監(jiān)測(cè)模型變量，充分挖掘高光譜數(shù)據(jù)，構(gòu)建線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、SVR模型監(jiān)測(cè)油菜PWC，模型的估測(cè)值和實(shí)測(cè)值均呈現(xiàn)極顯著相關(guān)關(guān)系。其中SPA-LR模型估測(cè)值與實(shí)測(cè)值的檢驗(yàn)R2為0.693，模型的RMSE為1.623%；SPA-BP模型估測(cè)值與實(shí)測(cè)值的檢驗(yàn)R2為0.940，模型的RMSE為1.836%；SPA-SVR模型估測(cè)值與實(shí)測(cè)值的檢驗(yàn)R2為0.841，模型的RMSE為1.227%。上述模型均能夠?qū)崿F(xiàn)油菜PWC的精確監(jiān)測(cè)，以SPA-SVR模型的監(jiān)測(cè)效果為最好，這可為油菜水分診斷提供依據(jù)。

致謝: 本研究所用試驗(yàn)材料寧油22和寧雜1818由江蘇省農(nóng)業(yè)科學(xué)院經(jīng)濟(jì)作物研究所張潔夫老師和浦惠明老師提供, 浙雜903由江蘇省興化市農(nóng)業(yè)技術(shù)推廣中心王潔站長(zhǎng)提供,特致謝忱！