冬小麥生物量高光譜敏感波段提取及監測

王 凡，李敏陽

（山西農業大學農學院，山西太谷030801）

高光譜遙感即高光譜分辨率遙感初現于20世紀80年代，是指利用許多電磁波狹窄波段（一般＜10 nm）連續獲得地物有關數據信息的高精度遙感方法[1]，其是遙感技術的典型代表之一，也是當今遙感發展的一個重要趨勢[2]，并已應用于農業領域[3]。

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

由于高光譜數據波段變量多、維度高、波段間共線性嚴重等問題，實現光譜波段降維的同時，還需要盡可能多地保留有用的信息[10]。目前，越來越多的數理統計學方法應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用潛力，并與其他線性回歸常用于變量信息提取和模型構建中，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，多以生物量的估測與監測、生物量預計作物長勢、生物量估計小麥單產等為主，并且研究方法比較傳統和單一，以相關分析方法估算生物量最為常見[14]。

本研究結合高光譜原始反射率數據信息，以相關性分析方法為比對和參考，利用偏最小二乘法和逐步多元線性回歸法對冬小麥生物量敏感波段進行更進一步的精確分析與建模，提取冬小麥生物量敏感波段。利用多元統計分析方法，對冬小麥生物量的敏感波段進行提取，可為高光譜遙感在冬小麥長勢動態、產量預測以及科學的田間管理方面提供理論依據。

1 材料和方法

1.1 試驗設計

1.1.1 試驗一 試驗時間2011年9月至 2012年7月，地點設在山西農業大學農學院農作站，供試土壤為黃土母質發育而成的石灰性褐土，土壤肥力水平中等。按照單因素隨機區組設計，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，氮肥的追肥時期為拔節期，基追比為6∶4，小區面積為4 m×5 m＝20 m2，采用當地農戶的田間措施進行管理。

1.1.2 試驗二 試驗時間 2012年7月至 2013年9月，地點設在山西農業大學農學院農作戰，試驗設計為裂區試驗，主區為品種：長4738、晉農190、晉太9923；副區為氮素梯度（0，75，150，225，300 kg/hm2），基肥為鉀肥和磷肥，氮肥的追肥時期為返青期和拔節期，基追比為6∶2∶2，小區面積為4 m×5 m＝20 m2。采用當地農戶的田間措施進行管理。

1.1.3 試驗三 2013年3—7月，在山西省聞喜縣縣域內（N34°35′～35°39′，E110°13′～112°4′）隨機選擇20個樣本點，20個樣本中包括灌溉田和非灌溉田。此試驗通過驗證多元統計分析模型對于生物量的適用性和穩健性，進一步證實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）公司生產的 FieldSpec Pro FR2500型背掛式野外高光譜儀進行。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、無風或風速很小的條件下進行。測量時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。每小區選擇3個采樣點，每個觀測點采集10次，以其平均值作為該觀測點的光譜反射值。測量過程中需要及時進行標準白板校正。

1.2.2 生物量的測定 以光譜的測定點為中心，采集1 m2的地上小麥植株，進行稱質量，地上鮮生物量單位為×104kg/m2。

1.3 光譜數據預處理

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

微課的出現與興起克服了傳統教學的枯燥與單調，迎合了“微”時代人們娛樂與終身學習的需要，同時也要求教師具備一定的微課制作技術。官渡區基礎教育科學研究中心為官渡區初中化學教師搭建了學習平臺，進行了微課制作技術培訓，帶領教師學習微課設計的方法及技巧，幫助教師制作微課。

1.4 多元統計分析方法

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-系數可以表現自變量與因變量間的相關性。同時，B-系數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-系數越大，則總是被認為對模型的貢獻越大。VIP參數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-系數和VIP參數進行敏感波段的選擇。

1.4.2 逐步多元線性回歸法（SMLR） 逐步多元線性回歸法是當前比較實用和有效的分析方法。首先，基于自變量對因變量的影響程度、作用大小及分布狀況，將自變量導入回歸方程。然后在每一步中，保留通過顯著性檢驗（0.05）的變量，同時舍棄顯著性檢驗大于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。自變量逐個導入流程，直到沒有更多變量導入或舍棄，流程便會停止。進入模型中的自變量和因變量關系密切，其也可用于提取作物的敏感波段。

1.5 驗證參數

本研究使用驗證參數TC值、均方根誤差RMSE、平均絕對誤差MAE對所構建的模型進行驗證，其中，TC的取值范圍為0～1，TC值越小，表明預測值和實測值越吻合，預測效果越好；相反，TC值越大，表明預測值和實測值越不吻合，預測效果越差。

2 結果與分析

2.1 不同試驗條件下冬小麥生物量的描述性統計分析

從表1可以看出，3種試驗方法所得到的標準差均較小，并且較為相近；試驗一、三的偏度較小，表明各試驗所有樣本數據呈近似正態分布，所有數據可以進行進一步統計學分析。

表1 不同試驗條件下冬小麥生物量的描述性統計分析 ×104kg/m2

2.2 冬小麥生物量與原始光譜反射率的相關分析

由圖1可知，生物量與光譜反射率在可見光波段相關性較高，在近紅外光區也有較好的相關性；其中，600，870，1 045，1 285，1 400 nm 的相關關系較高，均可達到0.7以上，可知，冬小麥生物量的敏感波段在近紅外光譜區較為集中。這與李燕強[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行PLS分析，并利用驗證參數進行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和產量與原始光譜反射率的最佳因子個數有4個，其中，驗證參數TC為0.229，均方根誤差 RMSE 為 0.351，平均絕對誤差 MAE 為 0.305，決定系數為 0.809。

表2 冬小麥生物量PLS模型的最佳因子提取

圖2結果顯示，B-系數分別在400，600，870，1 100，1 400 nm處達到峰值，VIP參數分別在350～895，1 000～1 130，1 180～1 300，1 400 nm 處達到0.8?；贐-系數和VIP參數下提取冬小麥生物量的敏感波段區域為350～470，545～730，775～895，1 010～1 400 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系較好，與表4得到的結果所吻合，與王備戰等[19]研究結果也相同，都表明地上生物量在近紅外波段反應最為敏感。

2.4 基于SMLR的冬小麥長勢指標和產量的敏感波段提取

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和實用的統計方法。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，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，生物量呈現高度敏感性。這與本研究結果相近，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測模型為：

2.5 基于敏感波段的冬小麥生物量模型驗證

圖3為基于敏感波段的冬小麥生物量實測值與預測值1∶1擬合結果。從圖3可以看出，經驗證參數驗證后的決定系數達到0.870，均方根誤差和平均絕對誤差較小，說明實測值與預測值擬合效果較好，所構建的模型可靠，并且正確性較高。證明在提取生物量敏感波段的實踐應用中運用該方法是可行的。

3 結論與討論

3.1 結論

基于多元統計分析的方法，結合高光譜原始數據，對冬小麥生物量敏感波段進行提取，通過建模與分析可知，利用相關分析法提取敏感波段較為可靠，具有一定的參考與對比性。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果較為粗糙。

偏最小二乘法能夠較好地發揮其在冬小麥生物量敏感波段提取上的潛在能力[27]，驗證模型所得到驗證參數達到 0.229，決定系數達到 0.809，均方根誤差達到0.351，達到較高的估算精度。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個冬小麥生物量敏感波段，而且波段具有代表性和精確性。運用多元統計分析所得到的結果說明，冬小麥生物量敏感波段主要集中在近紅外光區。通過驗證說明，利用多元統計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踐性。

3.2 討論

本試驗利用偏最小二乘法在降低光譜維度的同時，也會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證和確定，還有待進一步的研究與證明。

本研究采用多元統計分析方法，較為有效、準確地提取了冬小麥生物量敏感波段和基于敏感波段構建了其光譜監測模型，但是由于試驗樣本較少，加之試驗過程存在一些偶然因素，模型的穩定性和普適性還有待進一步研究。

參考文獻：

［1］吳見，彭道黎.高光譜遙感林業信息提取技術研究進展[J].光譜學與光譜分析，2011，31（9）：2305-2312.

［2］趙春江，薛緒掌，王秀，等.精準農業技術體系的研究進展與展望[J].農業工程學報，2003，19（4）：7-12.

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

［4］付元元，王紀華，楊貴軍，等.應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平滑處理對冬小麥地上干生物量 光 譜 監 測 的 影 響 [J].山 西 農 業 科 學 ，2016，44（10）：1450-1454.

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

［7］傅瑋東，劉紹民，黃敬峰.冬小麥生物量遙感監測模型的研究[J].干旱區資源與環境，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測[J].山西農業科學，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空分布及光譜監測研究[J].山西農業科學，2018，46（3）：330-334.

［10］于雷，洪永勝，周勇，等.高光譜估算土壤有機質含量的波長變量篩選方法[J].農業工程學報，2016，32（13）：95-102.

［11］賀佳，劉冰鋒，李軍.不同生育時期冬小麥葉面積指數高光譜遙感監測模型[J].農業工程學報，2014，30（24）：141-150.

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

［13］孫華，鞠洪波，張懷清，等.偏最小二乘回歸在Hyperion影像葉面積指數反演中的應用 [J].中國農學通報，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測[J].生態學雜志，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，FENG 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.不同冬小麥品種冠層光譜特征及其與農學參數關系研究[D].鄭州：河南農業大學，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，楊武德，馮曉，等.基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測 [J].中國農業科學，2012，45（15）：3049-3057.

［20］張霞，張兵，衛征，等.MODIS光譜指數監測小麥長勢變化研究[J].中國圖像圖形學報，2005，4（10）：421-424.