干旱脅迫下冬小麥植株含水量的高光譜監(jiān)測

張 月，張 煊，閆曉斌，楊武德，馮美臣，肖璐潔，宋曉彥，張美俊，王 超

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

植株含水量（Plant water content，PWC）是表征植物水分狀況最直接的指標(biāo)，也是農(nóng)戶進(jìn)行田間灌溉的重要參考。當(dāng)前，干旱已經(jīng)成為影響作物生產(chǎn)的重要農(nóng)業(yè)災(zāi)害之一[1-2]，干旱發(fā)生后，能否實(shí)時、快速、無損地掌握干旱條件下作物水分含量，是進(jìn)行有效農(nóng)田灌溉管理從而減緩干旱對作物生產(chǎn)影響的關(guān)鍵，同時也可為監(jiān)測大田作物的長勢狀況提供一定參考。

高光譜技術(shù)具有快速、無損、高效獲取目標(biāo)屬性的優(yōu)點(diǎn)[3]。近年來，眾多研究者利用高光譜技術(shù)致力于構(gòu)建植株生理指標(biāo)的高光譜準(zhǔn)確診斷模型，從融合植被指數(shù)建立反演模型[4]、尋找最優(yōu)建模方法預(yù)測生理指標(biāo)[5]、發(fā)掘新的變量選擇方法[6]和構(gòu)建綜合指標(biāo)[7]等多種角度進(jìn)行了研究。已有研究開展了灌溉處理下作物水分特性及長勢的光譜估算，證實(shí)了在適宜水分處理下高光譜與作物水分的響應(yīng)特性及定量監(jiān)測效果[8]。在干旱脅迫下，作物生長發(fā)育進(jìn)程會受阻，同時作物冠層結(jié)構(gòu)、葉片顏色、細(xì)胞結(jié)構(gòu)、酶活等生理生化特性也會發(fā)生相應(yīng)變化[9]。而干旱脅迫下高光譜技術(shù)能否響應(yīng)作物水分狀態(tài)、有何響應(yīng)特性、能否定量估算是值得進(jìn)一步探究的。但提高目標(biāo)屬性的光譜監(jiān)測精度一直是光譜領(lǐng)域研究的核心和熱點(diǎn)，同時也是限制光譜技術(shù)能否應(yīng)用于生產(chǎn)實(shí)踐的關(guān)鍵。孫乾等[10]研究中提到光譜數(shù)據(jù)獲取過程中極易受到雜散光、樣品背景、周圍環(huán)境等因素的影響，從而降低光譜信息的準(zhǔn)確性和有效性，且高光譜數(shù)據(jù)信息多和波段變量之間冗余情況嚴(yán)重，都會對模型的估算精度產(chǎn)生干擾和影響。JIANG等[11]研究證實(shí)，對高光譜數(shù)據(jù)進(jìn)行預(yù)處理可以在一定程度上降低噪音影響和提高信噪比，這是提高模型精度的有效途徑之一。而當(dāng)前光譜預(yù)處理方法眾多，最優(yōu)預(yù)處理結(jié)果和效果各異。此外，HE等[12]研究證實(shí)，挖掘和提取目標(biāo)屬性的高光譜敏感特征波段，有助于揭示和解釋目標(biāo)屬性的高光譜響應(yīng)機(jī)理，同時實(shí)現(xiàn)光譜數(shù)據(jù)降維，也是建立高精度模型和實(shí)踐應(yīng)用性模型的主要思路。就估算模型類型來講，基于全譜信息的估算模型一般具有較好的估算效果，但SEQUEIRA等[13]研究指出，因其包含了許多無效信息，不可避免地影響到模型估算精度，同時，全譜模型因其變量多、信息量大，其運(yùn)算效率對實(shí)踐應(yīng)用構(gòu)成了一定的挑戰(zhàn)?；诠庾V特征的估算模型雖可以克服以上缺點(diǎn)[14]，但是模型精度有待進(jìn)一步提升。

本研究以冬小麥干旱脅迫試驗(yàn)為基礎(chǔ)，采用不同高光譜預(yù)處理結(jié)合不同建模方法，實(shí)現(xiàn)對干旱脅迫下冬小麥植株含水量的監(jiān)測和預(yù)測，主要包括：干旱脅迫下冬小麥植株含水量的高光譜特征及響應(yīng)特性；光譜預(yù)處理對高光譜監(jiān)測冬小麥植株含水量的影響；構(gòu)建冬小麥植株含水量的高光譜監(jiān)測模型，從而實(shí)現(xiàn)干旱脅迫下冬小麥植株含水量的高效、準(zhǔn)確監(jiān)測。

1 材料和方法

1.1 試驗(yàn)材料

供試小麥品種為長6878（V2）和長4738（V1）。

1.2 試驗(yàn)設(shè)計

本試驗(yàn)在農(nóng)業(yè)部華北黃土高原作物栽培與耕地保育科學(xué)觀測實(shí)驗(yàn)站進(jìn)行。該地區(qū)屬于溫帶大陸性氣候，年平均無霜期為179 d，年平均降水量為397.1 mm，年平均氣溫為10.4℃。試驗(yàn)地設(shè)有可移動電動防雨棚，可避免自然降雨的影響，棚內(nèi)小區(qū)面積9 m2（3 m×3 m），每個小區(qū)四周安裝深度為2 m的PVC防滲板。試驗(yàn)采用完全隨機(jī)區(qū)組設(shè)計，設(shè)計小區(qū)分布如圖1所示。分別在拔節(jié)期—抽穗期和開花期—灌漿期進(jìn)行干旱脅迫處理：田間持水量在拔節(jié)期—抽穗期為75%，在開花期—灌漿期分別保持65%（T1）、55%（T2）和45%（T3）；在開花灌漿期為75%時，在拔節(jié)期—抽穗期分別保持65%（T4）、55%（T5）和45%（T6）；以2個時期處理均保持正常灌溉75%的持水量作為對照（圖1）?？厮幚磉^程中，為盡可能保證各處理小區(qū)中的土壤水分狀況處于目標(biāo)水分處理?xiàng)l件，針對每一處理水平，每隔2 d測定該處理中0～20 cm的土壤含水量一次，并換算為當(dāng)前土壤水分占田間持水量的百分比，然后根據(jù)該處理的目標(biāo)田間持水量，計算當(dāng)前該處理?xiàng)l件下需要灌溉的水量。全生育期預(yù)防自然降水，其他管理措施相同。

圖1 試驗(yàn)設(shè)計的小區(qū)分布及控水處理方案Fig.1 Plot distribution map and water control treatment details of experimental design

1.3 數(shù)據(jù)獲取

根據(jù)冬小麥干旱脅迫試驗(yàn)中控水處理的時期，在冬小麥抽穗末期（第1期控水結(jié)束時）、灌漿中期（第2期控水期間）和灌漿末期（第2期控水結(jié)束時）采集其冠層光譜和獲取PWC。

1.3.1 高光譜數(shù)據(jù)采用美國ASD公司生產(chǎn)的FieldSpec 3型背掛式野外光譜儀獲取冬小麥冠層高光譜數(shù)據(jù)，波長范圍為350～2 500 nm。350～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm，在1 000～2 500 nm采樣間隔與光譜分辨率分別為2、10 nm。光纖視場角度為25°。冬小麥冠層高光譜的測定需選擇天氣晴朗、風(fēng)力小于3級的天氣條件。測定時間為11：00—13：00，測定時光譜探頭垂直向下，距目標(biāo)冠層的垂直高度為1 m。每次測量獲取9個光譜數(shù)據(jù)，各小區(qū)選擇3個測量樣點(diǎn)，測量過程中，需用標(biāo)準(zhǔn)白板進(jìn)行不間斷校正。

1.3.2 PWC數(shù)據(jù)在獲取冠層光譜的位置，采集冬小麥植株樣本。取0.02 m2樣方內(nèi)的冬小麥植株，去除根部后迅速裝入密封袋內(nèi)，稱取鮮生物量（AGFB），之后放入已稱質(zhì)量的牛皮紙袋中，于105℃烘箱中殺青0.5 h，然后于80℃烘箱中干燥至恒質(zhì)量，迅速稱其干生物量（AGDB），計算植株含水量（PWC）。

1.4 數(shù)據(jù)處理與分析

共獲取126個樣本數(shù)據(jù)，其中，5個樣本的冠層光譜數(shù)據(jù)不具備綠色植被的典型光譜特性，另外2個樣本的PWC數(shù)據(jù)為負(fù)值，因此，在研究分析中特將該7個樣本數(shù)據(jù)進(jìn)行刪除，最終得到119個樣本數(shù)據(jù)。

此外，冠層光譜數(shù)據(jù)獲取過程中，大氣水汽等環(huán)境因素會造成1 350～1 400、1 800～1 950 nm光譜區(qū)域數(shù)據(jù)的劇烈無規(guī)則波動，同時由于光譜儀噪音和背景的存在，會影響到首末端350～399、2 451～2 500 nm光譜信息[15]，因此，從原始光譜數(shù)據(jù)中刪除以上4個光譜區(qū)域用于進(jìn)一步數(shù)據(jù)分析。

1.4.1 預(yù)處理方法當(dāng)前較為廣泛的預(yù)處理方法可以分為散射校正方法（MSC、NC、SNV等）和微分處理方法（1st、2nd等）2類，其中，多元散射校正（MSC）主要用于消除顆粒分布不均勻產(chǎn)生的散射影響；歸一化處理（NC）常用于微小光程差異引起的光譜變化；標(biāo)準(zhǔn)正態(tài)變量（SNV）作用與MSC相似；一階微分（1st）、二階微分（2nd）可以有效消除基線和背景因素的干擾[16]。故本研究采用MSC、NC、SNV、1st、2nd等5種預(yù)處理方法對原始光譜數(shù)據(jù)進(jìn)行處理。

1.4.2 連續(xù)投影算法（SPA）SPA是用矢量投影分析來最大程度地消除頻譜中的冗余信息，并經(jīng)過反復(fù)采樣和檢查，當(dāng)估算誤差（RMSE）最小時，進(jìn)入模型中的自變量就被認(rèn)為與因變量具有重要的關(guān)系。在高光譜分析中常采用SPA方法來提取和選擇能夠表征目標(biāo)屬性的波段，該波段一般被認(rèn)為是目標(biāo)屬性的特征波段。

采用SPSS 26.0進(jìn)行描述性統(tǒng)計分析，采用MATLAB 2010a進(jìn)行相關(guān)性、特征波段提取和建模分析，采用Origin 2020b作圖。

1.5 模型構(gòu)建方法

1.5.1 偏最小二程回歸（PLSR）PLSR通過輸入所有光譜波段，從解釋變量的矩陣中選擇不相關(guān)變量，因其能夠有效克服數(shù)據(jù)的共線性、頻帶重疊和交互等常見問題，而廣泛應(yīng)用于高光譜數(shù)據(jù)的定量分析中[17]。通過MATLAB 2010a中使用pls庫編寫的程序進(jìn)行PLSR建模，綜合考慮因子個數(shù)及標(biāo)準(zhǔn)偏差確定最佳因子個數(shù)，并得出該因子個數(shù)下PLSR模型的決定系數(shù)（R2）、標(biāo)準(zhǔn)偏差（RMSE）和預(yù)測均方根誤差比（RPD）。

1.5.2 多元線性回歸（MLR）MLR是通過確定因變量和多個自變量以及他們之間的關(guān)系，設(shè)定自變量參數(shù)的回歸方程進(jìn)行預(yù)測，其所建模型簡單、易于解釋，但受變量共線性的影響較大。在MATLAB 2010a中進(jìn)行特征波段提取后，利用Excel的數(shù)據(jù)分析功能構(gòu)建校正集和驗(yàn)證集的MLR模型。

使用決定系數(shù)（R2）、標(biāo)準(zhǔn)偏差（RMSE）和預(yù)測均方根誤差比（RPD）來作為模型的評價指標(biāo)。模型預(yù)測精度采用R2和RMSE進(jìn)行表征，R2越大、RMSE越小，說明模型預(yù)測精度越高；模型穩(wěn)定性采用RPD來檢驗(yàn)，一般認(rèn)為RPD小于1.4時，模型難以對樣本進(jìn)行有效預(yù)測；RPD介于1.4～2.0時，模型可以對樣本進(jìn)行粗略地預(yù)測；RPD大于等于2時，模型預(yù)測效果極好。

式中，n代表數(shù)據(jù)樣本個數(shù)，Y'i、Yi和分別表示預(yù)測值、實(shí)測值和平均值，SD表示實(shí)測值的標(biāo)準(zhǔn)誤差。

2 結(jié)果與分析

2.1 冬小麥PWC的描述性統(tǒng)計分析

將119個植株含水量樣本數(shù)據(jù)從低到高進(jìn)行排序，按照2∶1分配標(biāo)準(zhǔn)劃分為校正集（n=80）和驗(yàn)證集（n=39），各數(shù)據(jù)集PWC的描述性統(tǒng)計分析如表1所示。

表1 冬小麥PWC的描述性統(tǒng)計分析Tab.1 Description statistical analysis of winter wheat PWC

由表1可知，總樣本的PWC最小值和最大值分別為55.7%和86.8%，樣本數(shù)據(jù)的全距較大，標(biāo)準(zhǔn)差為8.00%，變異系數(shù)10.5%，表明數(shù)據(jù)樣本的整體異質(zhì)性較大；驗(yàn)證集樣本PWC全距基本包含在校正集中，為建立冬小麥PWC高光譜監(jiān)測模型奠定了數(shù)據(jù)基礎(chǔ)。且各數(shù)據(jù)集偏度處于-0.88附近，具有一定的負(fù)偏性，但呈近似正態(tài)分布型，可對數(shù)據(jù)進(jìn)行進(jìn)一步分析和建模。

2.2 預(yù)處理冠層高光譜與冬小麥PWC的相關(guān)性分析

將原始光譜進(jìn)行MSC、NC、SNV、1st、2nd等5種預(yù)處理，分析冬小麥PWC與原始光譜（R）和預(yù)處理光譜之間的相關(guān)關(guān)系，并進(jìn)行顯著性和極顯著性水平的檢驗(yàn)，以更好地凸顯不同預(yù)處理光譜條件下光譜波段與冬小麥PWC的相關(guān)關(guān)系，以及對比和評價預(yù)處理方法對預(yù)處理光譜和冬小麥PWC相關(guān)性的影響，結(jié)果如圖2所示。

圖2 冬小麥PWC與不同預(yù)處理冠層高光譜的相關(guān)分析Fig.2 Correlation analysis between the PWC of winter wheat and the different preprocessed canopy hyperspectra

由圖2可知，原始光譜（R）與冬小麥PWC的相關(guān)性整體呈負(fù)相關(guān)關(guān)系，最大相關(guān)系數(shù)為-0.626，極大負(fù)相關(guān)系數(shù)出現(xiàn)在690、1 410、2 000 nm；MSC的預(yù)處理光譜在720～1 170 nm范圍內(nèi)與PWC呈正相關(guān)關(guān)系，其他波段區(qū)域呈負(fù)相關(guān)，極大正相關(guān)和負(fù)相關(guān)系數(shù)分別為0.767和-0.780，出現(xiàn)在740、1 510 nm；NC的預(yù)處理光譜在710～1 340 nm范圍內(nèi)與PWC呈正相關(guān)關(guān)系，其他波段區(qū)域呈負(fù)相關(guān)關(guān)系，極大正相關(guān)和負(fù)相關(guān)系數(shù)分別為0.784和-0.771，出現(xiàn)在735、1 495 nm；對于SNV來講，400～1 060 nm光譜區(qū)域與PWC呈正相關(guān)，而1 060～2 450 nm光譜與PWC呈負(fù)相關(guān)，其中，正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值分別為0.751和-0.789，分別出現(xiàn)在740、1 510 nm；而對于1st和2nd微分處理光譜，其相關(guān)性隨著波長的波動性較為劇烈，其中1st預(yù)處理光譜的正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值分別出現(xiàn)在0.479和-0.780，對應(yīng)波長分別為970、680 nm，而且在光譜區(qū)域400～880 nm與冬小麥PWC的相關(guān)性要優(yōu)于其他預(yù)處理光譜和原始光譜；2nd預(yù)處理光譜的正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值則分別為0.692和-0.705，出現(xiàn)在570、680 nm；以上各預(yù)處理光譜條件下的相關(guān)系數(shù)出現(xiàn)極值所對應(yīng)的光譜波段都達(dá)到了顯著或者極顯著水平，且整體來看，與冬小麥PWC相關(guān)性較高的光譜波段出現(xiàn)在：570、680、740、970、1 410、1 510、2 000 nm，且這些波段都達(dá)到極顯著水平，以上結(jié)果可為進(jìn)一步定量化提取的冬小麥PWC光譜特征波段提供另一個角度的參考；此外，與原始光譜相比，預(yù)處理光譜明顯提高了其與冬小麥PWC的相關(guān)性水平。

2.3 冬小麥PWC的高光譜特征提取

采用SPA方法進(jìn)一步定量挖掘和提取冬小麥PWC的光譜重要波段，結(jié)果如圖3所示。

由圖3可知，不同預(yù)處理下最優(yōu)波段個數(shù)和提取的重要波段位置存在一定的差異，考慮到所提取的光譜信息更具有一定的普適性和可參考性。本研究通過對比各預(yù)處理光譜條件下所提取的光譜波段位置及其分布特點(diǎn)，凝練和匯總出不同預(yù)處理?xiàng)l件下冬小麥PWC的重要光譜區(qū)域：650～800、950～1 200、1 400～1 500、1 900～2 200 nm（圖3）。而且，對比利用相關(guān)分析法所提取光譜波段可知，除了570 nm外，其他光譜波段都位于所確定的光譜區(qū)域中，表明所確定的光譜區(qū)域與冬小麥PWC存在緊密的關(guān)系。

圖3 基于SPA方法的冬小麥PWC預(yù)處理光譜特征區(qū)域分布Fig.3 Distributions for the preprocessed sensitive spec?tral regions for the PWC of winter wheat based on SPA

2.4 冬小麥PWC的高光譜定量監(jiān)測

針對各類預(yù)處理光譜，分別建立基于全譜和特征波段的冬小麥PWC的PLSR和MLR模型，以實(shí)現(xiàn)干旱脅迫下冬小麥PWC的高光譜定量監(jiān)測和評價預(yù)處理方法對冬小麥PWC高光譜監(jiān)測模型表現(xiàn)的影響研究，各類校正和驗(yàn)證模型的表現(xiàn)如表2所示。

從表2可以看出，基于全譜的PLSR模型中，所有預(yù)處理?xiàng)l件下的驗(yàn)證模型優(yōu)于基于原始光譜（R）條件下的模型表現(xiàn)，其中，基于1st處理下的冬小麥PWC監(jiān)測模型表現(xiàn)最優(yōu)?；诠庾V特征的SPA-MLR模型中，除二階微分光譜模型的表現(xiàn)最差外，其他預(yù)處理光譜的模型表現(xiàn)整體優(yōu)于原始光譜模型，其中，基于MSC預(yù)處理光譜條件下的冬小麥PWC的SPA-MLR模型整體表現(xiàn)最好。以上結(jié)果表明，無論是PLSR模型還是SPA-MLR模型，對原始光譜進(jìn)行預(yù)處理，在一定程度上可以提高干旱條件下冬小麥PWC的模型估算精度。

表2 不同預(yù)處理光譜條件下冬小麥PWC的PLSR和SPA-MLR高光譜監(jiān)測模型表現(xiàn)Tab.2 Hyperspectral monitoring model performance of PLSR and SPA-MLR of winter wheat PWC under different preprocessed spectral conditions

同時，就干旱脅迫下冬小麥PWC模型構(gòu)建類型來看（基于全譜的PLSR模型和基于光譜特征波段的SPA-MLR模型），相同預(yù)處理?xiàng)l件下的PLSR模型整體優(yōu)于SPA-MLR模型，其中，基于1st-PLSR模型在本研究中表現(xiàn)最優(yōu)（Rc2=0.957、RMSEv=0.033、RPDv=2.370），MSC-SPA-MLR模型也取得了不錯的估算精度（Rc2=0.814、RMSEv=0.332、RPDv=2.359）。為了直觀的展示兩類建模方法下冬小麥PWC的最優(yōu)模型表現(xiàn)效果，繪制基于1st-PLSR和SPA-MLR校正模型和驗(yàn)證模型的預(yù)測值和實(shí)測值1∶1擬合圖，結(jié)果如圖4所示。

圖4 基于1st-PLSR和SPA-MLR校正模型和驗(yàn)證模型的預(yù)測值和實(shí)測值1∶1擬合結(jié)果Fig.4 1∶1 fitting lines for the predictive and measured values based on the calibrated and validated models of 1st-PLSR和SPA-MLR

3 討論

3.1 干旱脅迫下冬小麥冠層光譜特性分析

一般認(rèn)為，相關(guān)系數(shù)極值所對應(yīng)的光譜波段與目標(biāo)屬性存在緊密的關(guān)系[18]，本研究根據(jù)這一原則，從相關(guān)分析和特征波段定量提取的角度確定高光譜對干旱脅迫下冬小麥PWC的敏感響應(yīng)特性確定了光譜波段570、680、740、970、1410、1 510、2 000 nm；同時對比各預(yù)處理光譜條件下所提取的光譜波段位置及其分布特點(diǎn)，凝練和匯總出不同預(yù)處理?xiàng)l件下冬小麥PWC的重要光譜區(qū)域：650～800、950～1 200、1 400～1 500、1 900～2 200 nm；發(fā)現(xiàn)除了光譜波段570 nm外，所有相關(guān)分析確定的光譜波段基本位于SPA所確定的光譜敏感區(qū)域中，而MAGNEY等[19]認(rèn)為，570 nm是光化學(xué)植被指數(shù)PRI的組成波段，常用于表征遠(yuǎn)程估計葉黃素色素相互轉(zhuǎn)換的動態(tài)。光譜波段680 nm是表征植被葉綠素吸收的吸收位置，是眾多植被指數(shù)構(gòu)建的重要組成波段[20]。740 nm位于紅邊區(qū)域內(nèi)，該區(qū)域被證明能夠敏感響應(yīng)作物遭受的生物和非生物脅迫[21]?？芍捎谒崛」庾V波段570、680、740 nm與葉綠素等農(nóng)藝形狀的直接關(guān)系，使得其與干旱脅迫下冬小麥PWC的響應(yīng)是一種間接關(guān)系。對于光譜波段970 nm，其是水分指數(shù)WI的關(guān)鍵組成波段，能夠較好地表征葉片、冠層水平上的作物水分含量。SERRANO等[22]研究也證實(shí)，由于其能夠敏感響應(yīng)蒸騰作用，而與作物冠層水分含量關(guān)系密切。此外，研究者也形成共識，即1 410、1 510 nm是重要的水分吸收波段，已經(jīng)被用于監(jiān)測作物水分狀況[23]。

3.2 干旱條件下冬小麥PWC冠層光譜監(jiān)測

構(gòu)建準(zhǔn)確、穩(wěn)健的冬小麥PWC定量模型，是實(shí)現(xiàn)干旱條件下冬小麥PWC的高光譜監(jiān)測前提。因此，本研究兼顧模型的準(zhǔn)確性和簡易性需求，針對干旱條件下冬小麥PWC，構(gòu)建了基于全譜的PLSR模型和基于光譜特征波段的MLR模型；綜合對比冬小麥PWC的PLSR和SPA-MLR模型類型可知，基于全譜所構(gòu)建的冬小麥PWC模型表現(xiàn)整體優(yōu)于基于光譜特征波段所構(gòu)建的模型，這主要是由于PLSR模型是全譜的模型，模型所含有的信息量多于SPA-MLR模型，縱然全譜信息之間存在一定的過擬合現(xiàn)象。而ZOU等[24]研究認(rèn)為，PLSR具有有效克服數(shù)據(jù)共線性、頻帶重疊和交互的作用，廣泛應(yīng)用于高光譜數(shù)據(jù)的定量分析中，此外，PLSR還融合了主成分回歸（PCR）和多元線性回歸（MLR）的優(yōu)點(diǎn)和功能，可實(shí)現(xiàn)在盡可能少的損失光譜信息前提下，實(shí)現(xiàn)最優(yōu)模型構(gòu)建，其模型預(yù)測能力要優(yōu)于PCR和MLR。針對MLR模型來講，因其模型中僅由較少波段構(gòu)成，易導(dǎo)致部分重要信息的丟失，這也是本文中MLR模型整體略遜于PLSR模型的主要原因之一。但是，VOHLAND等[14]研究認(rèn)為，MLR模型中因其變量較少，模型的復(fù)雜度會降低，從而有利于提高模型的穩(wěn)健性，同時VOHLAND等[25]提出，實(shí)現(xiàn)這一前提必須通過準(zhǔn)確挖掘和提取能夠表征目標(biāo)屬性的光譜特征波段，盡可能減少重要信息的丟失。本研究中，基于1st-PLSR模 型 表 現(xiàn) 最 優(yōu)（Rc2=0.957、RMSEc=0.017、RPDc=4.788；Rv2=0.882、RMSEv=0.033、RPDv=2.370、Fn=4），可以實(shí)現(xiàn)干旱脅迫下冬小麥PWC的準(zhǔn)確估算，而MSC-SPA-MLR模型也取得了不錯的估算精度（Rc2=0.814、RMSEc=0.036、RPDc=2.243；Rv2=0.825、RMSEv=0.332、RPDv=2.359、Fn=5），且達(dá)到了統(tǒng)計學(xué)的要求，考慮到模型構(gòu)成的復(fù)雜性和穩(wěn)健性，及其對后期模型在軟件平臺時的運(yùn)行速度和效率[26]，本研究中的冬小麥PWC的SPA-MLR模型仍具有潛在的實(shí)踐應(yīng)用價值。

3.3 光譜預(yù)處理對干旱條件下冬小麥PWC光譜監(jiān)測的影響

高光譜數(shù)據(jù)采集過程中極易受到環(huán)境因素、電磁輻射、儀器自身背景等因素的影響，對原始光譜數(shù)據(jù)進(jìn)行預(yù)處理可有效去除以上背景的影響，也是構(gòu)建光譜監(jiān)測模型的前提[27]。為了探究光譜預(yù)處理對干旱條件下冬小麥PWC監(jiān)測的影響，本研究分析了原始光譜及5類常規(guī)光譜預(yù)處理方法對光譜和冬小麥PWC之間的相關(guān)性，以及對冬小麥PWC監(jiān)測模型的影響，結(jié)果表明，光譜預(yù)處理可以明顯提高其與冬小麥PWC的相關(guān)性，其中微分處理（1st、2nd）效果較為明顯。尼珍等[28]研究證實(shí)，微分處理能有效突出光譜吸收峰、減小噪音和減緩背景的干擾。BUDDENBAUM等[29]研究進(jìn)一步指出，微分處理可以凸顯可見光區(qū)域的吸收和反射特性，這也是本研究基于微分處理所提取的重要光譜波段全部位于可見光位置的可能原因（1st：480、667 nm；2nd：575、812 nm）。而MSC及NC預(yù)處理光譜則較為明顯地提高了近紅外區(qū)域的相關(guān)性。張進(jìn)等[30]研究認(rèn)為，主要是由于該區(qū)域光譜變量數(shù)多且共線性嚴(yán)重，而采用MSC和NC預(yù)處理可實(shí)現(xiàn)對該光譜區(qū)域有效降維和優(yōu)化。

此外，針對光譜預(yù)處理對冬小麥PWC監(jiān)測模型的影響，結(jié)果證實(shí)，無論是PLSR模型還是SPAMLR模型，對原始光譜進(jìn)行預(yù)處理，一定程度上可以提高干旱條件下冬小麥PWC的模型估算精度，表明對原始光譜進(jìn)行預(yù)處理，一定程度上可以對所構(gòu)建模型表現(xiàn)起到積極作用，但并非所有預(yù)處理都會提升模型估算精度（2st-SPA-MLR）。同時，對比2類模型的表現(xiàn)可知，PLSR模型整體優(yōu)于SPAMLR模型，且針對同一類模型，光譜預(yù)處理雖在一定程度上提高模型估算精度，但是，同光譜預(yù)處理的提升效果相比，模型構(gòu)建方法似乎在一定程度上提升的效果更為明顯。BUDDENBAUM等[24]在其研究中也證實(shí)了這一結(jié)論。

4 結(jié)論

綜上所述，預(yù)處理光譜明顯提高了其與冬小麥PWC的相關(guān)性水平，且本研究分析發(fā)現(xiàn)，與冬小麥PWC相關(guān)性較高的光譜波段出現(xiàn)在570、680、740、970、1 410、1 510、2 000 nm，同時證實(shí)光譜區(qū)域650～800、950～1 200、1 400～1 500、1 900～2 200 nm與冬小麥PWC存在緊密關(guān)系，表明利用相關(guān)分析和連續(xù)投影變換尋找水分敏感波段具有可靠性且所得波段區(qū)域相似。此外，本研究證實(shí)，光譜預(yù)處理在一定程度上可以提高與PWC相關(guān)關(guān)系和影響監(jiān)測模型表現(xiàn)，而構(gòu)建模型方法可能對模型估算精度產(chǎn)生更為積極的效果。其中，基于1st的PLSR模型可以實(shí)現(xiàn)對冬小麥PWC的準(zhǔn)確監(jiān)測（Rv2=0.882、RMSEv=0.033、RPDv=2.370），而 基 于MSC的SPA-MLR模型仍具有潛在的實(shí)踐應(yīng)用價值（Rv2=0.825、RMSEv=0.332、RPDv=2.359，F(xiàn)n=5）。研究結(jié)果可為干旱條件下冬小麥植株水分狀況的監(jiān)測診斷提供一定的理論依據(jù)和實(shí)踐探索。