基于高光譜的春小麥抽穗期葉綠素含量估算方法

亞森江·喀哈爾 尼加提·卡斯木 茹克亞·薩吾提 尼格拉·塔什甫拉提 張飛 師慶東

摘要：對高光譜數據進行預處理是提升高光譜建模精度十分必要且有效的途徑。利用高光譜技術分析春小麥作物光譜及其葉綠素含量的變化，對原始光譜反射率及對應的對數、倒數、平方根、對數倒數等4種數學變換及其一階、二階微分進行預處理運算，分析春小麥葉片葉綠素含量與預處理后的光譜數據相關性，基于選取的敏感波段對春小麥抽穗期葉綠素含量進行偏最小二乘回歸法、BP神經網絡2種方法建模并進行模型驗證及比較。結果表明：對原始光譜數據數學變換的微分預處理可以明顯提高春小麥葉片葉綠素含量與光譜反射率的相關性;通過顯著性檢驗的敏感波段數量經一階、二階微分預處理呈現明顯增加趨勢，對應數學變換的波段數量有所不同;對數變換的二階微分處理所建立的PLSR模型為最優模型，該模型精度參數為決定系數R2c=0.93，校正均方根誤差RMSEc=2.53，預測決定系數R2p=0.91，預測均方根誤差RMSEp=2.41，相對分析誤差RPD=3.20。說明數學變換的微分預處理過后的模型精度和穩健性有了大幅度的提升，并且運用在高光譜遙感反演春小麥抽穗期葉片葉綠素含量上是可行的。

關鍵詞：春小麥;葉綠素;抽穗期;光譜分析;高光譜;估算精度;傳感器設計;精準農業

中圖分類號： S512.1+20.1;S127文獻標志碼： A

文章編號：1002-1302（2019）18-0266-05

收稿日期：2018-05-29

基金項目：國家自然科學基金（編號：41671348、41761077）。

作者簡介：亞森江·喀哈爾（1993—），男，新疆阿拉爾人，碩士研究生，從事干旱區遙感應用研究，E-mail：ysj_0801@163.com;尼加提·卡斯木（1991—），男，新疆伊寧人，博士研究生，從事生態規劃與管理研究。E-mail：NejatKasim@126.com。

通信作者：尼格拉·塔什甫拉提，博士，講師，從事地圖學與地理信息系統研究，E-mail：ngr.t@hotmail.com;張?飛，博士，副教授，從事干旱區遙感應用研究，E-mail：zhangfei3s@163.com。

小麥作為總產量位居世界第二的糧食作物，對于人類生活有著重大意義。中國的小麥總產量占世界糧食作物總產量的25%以上，種植面積約3×107 hm2，是中國口糧中最重要的一個，因此小麥產業發展情況會直接影響國家糧食安全及社會穩定。其中，干旱區、半干旱區小麥的產量占全國小麥生產總量的50%以上[1]，具有極其重要的地位，在保障國家糧食安全方面始終發揮著重要的作用。過去以盲目開荒增加耕地面積滿足對糧食日益增長需求的方式導致生態環境的破壞，十九大以來生態文明建設被提到了新的高度，對農業發展模式提出了新的要求，實施區域精準農業成為大勢所趨。

作物營養狀況與其光譜特性之間具有密切的聯系[2]，作為精準農業中重要組成部分的遙感技術（特別是高光譜遙感技術）可以達到實時監測作物營養狀況與長勢的目的，從而指導農田管理與決策[3-4]。作物生長發育和營養狀況可以通過葉綠素含量這一重要指標[5-6]來作出評價，于是針對大田作物的葉綠素含量遙感反演成為精準農業的熱點研究問題之一[7]。抽穗期是春小麥發展各階段中最需要生產以及追肥管理的關鍵時期[8]，在這一時期快速、準確、無損監測春小麥葉綠素含量是非常必要的。

該研究將新疆大學阜康試驗基地內種植的春小麥作為研究對象，利用55個采樣區的野外高光譜數據以及實測春小麥葉片葉綠素含量數據，研究分析基于4種數學變換及其一階、二階微分預處理在高光譜數據估算葉綠素含量的可行性，運用PLSR（partial least-squares regression）、BP神經網絡（BP neural network）等2種方法建立估算模型并進行模型比較，以期提高春小麥葉綠素含量的高光譜估算精度，為高光譜傳感器的設計、區域精準農業的發展提供科學支持與應用參考。

1?材料與方法

1.1?研究區概況

阜康市[9-10]地處準噶爾盆地南緣、天山東段（博格達山）北麓，位于沖洪積扇的上部，是開墾歷史較為悠久的老綠洲;地形南高北低，由東南向西北傾斜，呈長條狀，地貌總輪廓由北向南分為沙漠、平原、山地三大部分，北部沙漠區為古爾班通古特沙漠的一部分;屬中溫帶大陸性干旱氣候，冬季時間長，春秋季節不明顯，夏季酷熱，晝夜溫差大，年均氣溫6.7 ℃，年無霜期可達175 d，年均降水量205 mm，春夏降水量約占全年降水量的2/3。新疆大學阜康試驗基地位于新疆維吾爾自治區阜康市滋泥泉子鎮以北，地理坐標87°34′5″～88°34′10″E、44°23′12″～44°23′15″N，平均海拔577 m;試驗基地周邊均為大型農場，主要播種作物為冬小麥、春小麥和玉米。

1.2?數據采集與測量

小型試驗田播種總面積為50 m×150 m的春小麥，采樣區以2 m×2 m為樣方，共設置55個采樣區。2017年6月4日進行采樣，此時研究區春小麥的生育階段處于抽穗期早期。在該測量日，天空晴朗，無云無風，適合野外采集數據，并且春小麥葉片沒有明顯的天氣因素造成的損害。使用美國ASD公司（Analytical Spectral Devices，Inc.）生產的FieldSpec 3型光譜儀（波段范圍350～2 500 nm）獲得春小麥葉片的光譜反射率數據，每個采樣區使用五點取樣法，實地測量是在當地時間10：00—14：00進行。在采樣區進行測量時，每個活體樣品由多張葉片組成，探頭的天頂角為15°，距植株葉片10 cm左右，重復測量10次，取光譜曲線的算術平均值作為該樣區的冠層光譜反射率，每個采樣區光譜測定之前均進行白板標定。與此同時，使用SPAD-502型便攜式葉綠素儀測得春小麥葉片葉綠素含量，葉綠素含量采樣點與光譜采樣點重合，每個采樣點分別對同植株倒一、倒二葉片進行測定，對每張葉片的葉尖、葉中、葉基3個部位各測定3次[11-12]，同一張葉片共測得9個SPAD值并取平均值為整個葉片的相對葉綠素含量，最終取平均值作為該采樣點春小麥葉片相對葉綠素含量，該研究共采集（55×5）個春小麥葉綠素含量數據。

1.3?數據處理

計算各個采樣區的平均葉綠素含量，將55個樣本按照葉綠素含量從高到低進行排序，等間距選取建模和驗證2個數據集。表1為春小麥抽穗期葉片相對葉綠素含量的描述性統計特征，經分析發現，建模集和驗證集葉綠素含量均值分別為48.9和49.6，最小值分別為28.8和38.8，最大值分別為58.8 和57.2，變異系數分別為14.7%和10.7%;全部采樣區葉綠素含量平均值為49.5，變異系數為11.6%，介于建模集與驗證集對應葉綠素含量的均值和變異系數之間，呈中等變異性。

利用ViewSpec Pro軟件對獲取的高光譜數據進行數據平均，之后為減少噪聲影響，易受大氣中水汽影響的噪聲波段（1 800～2 000、1 350～1 500 nm）以及信噪比較低的邊緣波段（350～399、2 401～2 500 nm）均被剔除，對55個采樣區的401～2 400 nm的反射光譜利用Savitzky-Golay濾波法進行平滑去噪，去噪后的光譜曲線如圖1-a所示。由光譜曲線分析發現，可見光波段400～760 nm范圍內光譜曲線呈上升趨勢，在近紅波段760～900 nm范圍內呈現平緩趨勢。整個光譜曲線變化分析結果顯示，除了700～800 nm波段范圍內外，不同葉綠素含量小麥的光譜反射率曲線較為容易區分。葉綠素是小麥重要的賦色成分，其含量對小麥反射光譜產生一定的影響[13-14]。本研究選取4個具有代表性的春小麥抽穗期葉片葉綠素含量的高光譜數據，繪制不同葉綠素含量的光譜曲線，結果如圖1-b所示。春小麥葉片不同葉綠素含量的光譜反射曲線變化趨勢基本一致，且小麥的光譜反射率與其葉綠素含量基本上成相反關系，即葉綠素含量越高，春小麥葉片反射率越低，反之同理。

1.4?建模方法

高光譜建模應用中包括偏最小二乘回歸法、多元線性逐步回歸法、遺傳算法、支持向量機回歸以及蟻群算法等常用的方法，其中主成分分析、典型相關分析和多元線性回歸等方法的優點都包含在偏最小二乘回歸法中，在建模過程中通過降維、信息的綜合與篩選等處理方法，極大地提高了系統對綜合成分的提取能力，因而在光譜數據建模中得以廣泛應用[15]。平滑后的野外光譜數據通過DPS（Version 16.05）軟件對55個采樣區春小麥的光譜反射率R及其對應的對數（lgR）、倒數（1/R）、平方根（sqrt-R）、對數倒數（1/lgR）等4種數學變換進行一、二階微分處理。利用PLSR、BP神經網絡2種方法建立葉綠素含量的估算模型，結合比較模型之間的決定系數R2c、校正均方根誤差RMSEc、預測決定系數R2p、預測均方根誤差RMSEp、相對分析誤差RPD，篩選穩健性最突出的模型用以研究區春小麥抽穗期葉片葉綠素含量的反演。模型的穩定性通過R2p可以判定，其值越接近于1，模型的穩定性越強;模型的準確性通過RMSEp可以說明，其值越小，模型的精度越高。相對分析誤差RPD<1.4，模型的可用性差;1.4≤RPD<2，模型估算能力一般;RPD≥2，模型定量估算能力良好[16-17]。

2?結果與分析

2.1?數學變換及其一階、二階微分對波段顯著性的影響

春小麥冠層高光譜數據建模過程中，通過葉綠素含量與光譜反射率的相關性來確定敏感波段的選取，結合相關性程度決定波段是否可能入選為敏感波段。因此，將春小麥葉片葉綠素含量與光譜各波段反射率R的數學變換（1/R、lgR、1/lgR、sqrt-R）及其一階、二階微分進行相關性分析，并在0.01水平上進行顯著性檢驗（閾值0.34），結果如圖2所示。對原始光譜反射率R進行預處理后，對通過顯著性檢驗的敏感波段數量分別進行統計分析（圖3）。原始光譜反射率R在4種數學變換后，其相關系數通過顯著性檢驗的波段數量少。但是在光譜數據4種變換的基礎上進行一階、二階微分處理，通過顯著性檢驗的波段數量明顯增加，基于倒數變換一階微分處理的波段數可達50個。在600～2 400 nm處的相關系數呈降低趨勢的波段范圍，進行微分處理后，通過顯著性檢驗的趨勢更為突出。此表征經一階、二階微分預處理過后的光譜數據的變化趨勢發生細化并能夠呈現更多的光譜信息，減少光譜信息的忽略。

2.2?葉綠素含量建模

利用PLSR方法、BP神經網絡法，通過DPS（Version 16.05）軟件計算，對高光譜反射率R及其對應4種數學變換的一階、二階微分處理數據進行葉綠素含量的高光譜估算建模，建模參數見表2、表3。結合建立的20個估算模型精度參數篩選后發現，相對分析誤差RPD值超過2的估算模型僅2個，分別是基于lgR二階微分的PLSR和BP-NN所建立的模型，其余模型的相對分析誤差RPD未超過2。將光譜原數據微分與4種數學變換后微分處理相比較發現，原數據一階、二階微分處理進行2種方法建模發現，基于偏最小二乘回歸法（PLSR）建立模型的精度參數分別為：RPD=1.06、1.72，RMSEp=5.11、4.14，R2p=0.63、0.72;而基于BP神經網絡建立模型的精度參數分別為：RPD=1.93、1.01，RMSEp=5.84、5.13，R2p=0.52、0.62。原數據經過數學變換后一階、二階微分處理發現，在建模的波段范圍為400～2 268 nm時，基于lgR二階微分建立BP神經網絡模型的精度參數為：RPD=1.02、2.98，RMSEp=5.40、3.24，R2p=0.64、0.84;而同樣數據處理建立PLSR模型的精度參數為：RPD=1.22、3.20，RMSEp=4.63、2.41，R2p=0.75、0.91。上述分析可得，基于數學變換處理后建立PLSR模型的決定系數R2分別提高0.12、0.19，校正均方根誤差RMSE分別下降0.48、1.73;而利用BP神經網絡建立模型的決定系數R2分別提高0.12、0.22，校正均方根誤差RMSE分別下降0.44、1.89。2種模型都具有一定的預測能力，結合模型的精度參數及穩健性，基于偏最小二乘回歸法的模型預測能力高于BP神經網絡建模;對原數據的數學變換后一階、二階微分處理而言，二階微分處理增強了原數據的敏感性以及建模能力。表征原始光譜數據的對數lgR二階微分一定程度上可以增強光譜對葉綠素含量的敏感性程度，并利用PLS回歸法對春小麥葉片葉綠素含量具有較好的定量反演能力，且計算量及過程相對簡易，該估算模型最佳，其R2c=0.93，RMSEc=2.53，R2p=0.91，RMSEp=2.41，RPD=3.20。選擇具有最優反演能力的模型來檢驗樣本的實測值與估測值散點圖及模型各個波段的系數，結果如圖4所示。

3?結論與討論

對于具有豐富光譜信息的高光譜數據而言，僅利用單個波段反射率建立的估算模型無法充分利用高光譜數據，從而在一定程度上限制反演模型的精度[18]。基于此，該研究不單對于光譜細節變換，而且考慮了利用去除噪聲波段的多個敏感波段綜合建模，研究分析基于4種數學變換及其一階、二階微分預處理在高光譜數據估算葉綠素含量的可能性，且對抽穗期的春小麥葉片葉綠素含量的相關性進行了初步探討，結合應用PLSR、BP神經網絡對春小麥抽穗期葉片葉綠素含量進行高光譜建模，得出以下結論：（1）采用Savitzky-Golay濾波對采樣區春小麥葉片反射率光譜曲線進行平滑去噪處理，將預處理后的光譜反射率數據進行4種數學變換，再進行一階、二階微分處理;其中，微分處理（一階、二階微分）可以對春小麥葉綠素含量與其光譜反射率相關性的變化趨勢進行細化，在700～1 350、1 500～1 800、2 000～2 400 nm等波段范圍內明顯地增加了通過0.01顯著性檢驗的波段數量，其相關性系數得到了增強，并呈現出更多的未表達的信息。（2）分別比較經過數據變換及其一階、二階微分預處理所建立的20個春小麥葉綠素含量的高光譜PLSR和BP-NN估算模型及其精度驗證結果，基于數學變換處理后建立PLSR模型的決定系數Rp2分別提高了0.12、0.19，校正均方根誤差RMSEp分別下降了0.48、1.73;而利用BP神經網絡建立模型的決定系數Rp2分別提高了0.12、0.22，校正均方根誤差RMSEp分別下降了0.44、1.89。對2種建模方法而言，2種模型都具有一定的預測能力，結合模型的精度參數及穩健性，基于偏最小二乘回歸法的模型預測能力高于BP神經網絡建模。（3）對原數據的數學變換后一階、二階微分處理而言，二階微分處理增強了原數據的敏感性以及建模能力。表征原始光譜數據的對數lgR二階微分一定程度上可以增強光譜對葉綠素含量的敏感性程度，并利用偏最小二乘回歸法對研究區春小麥葉綠素含量具有較好的定量反演能力，且計算量及過程相對簡易，因而決定該預測模型為最優模型，其R2c=0.93，RMSEc=2.53，R2p=0.91，RMSEp=2.41，RPD=3.20，實測值與預測值擬合方程y=0.92x+3.7，r2=0.91。數據經數學變換及微分預處理后對模型精度和穩健性有明顯的提高，并達到了春小麥葉綠素含量高光譜估算的精度要求。

以往的研究[19-22]往往對小麥光譜數據沒有充分利用，僅利用單個光譜特征參數進行建模，對于光譜細節變換及利用多個敏感波段綜合建模的研究相對較少，且主要以各個生長時期的冬小麥為研究對象，而受生長周期、播種時間等因素的限制對于春小麥葉片葉綠素含量的研究相對較少。該研究利用小型系統性試驗田內處于抽穗期早期春小麥的野外高光譜數據及其對應的實測葉片葉綠素含量進行葉綠素含量定量估算。但因為該研究樣本的數量相對有限，且抽穗期持續時間也較短，所以建立的葉綠素含量高光譜估算模型的穩健性還有待進一步驗證。因此，擴大播種面積及樣本數量，并針對春小麥不同重要生育期進行細化研究，完善春小麥葉片高光譜數據庫，進一步提高模型的穩健性將是后續研究的努力方向。

參考文獻：

[1]張?凱，王潤元，馮?起，等. 模擬增溫和降水變化對半干旱區春小麥生長及產量的影響[J]. 農業工程學報，2015，31（s1）：161-170.

[2]張?建，孟?晉，趙必權，等. 消費級近紅外相機的水稻葉片葉綠素（SPAD）分布預測[J]. 光譜學與光譜分析，2018，38（3）：737-744.

[3]姚云軍，秦其明，張自力，等. 高光譜技術在農業遙感中的應用研究進展[J]. 農業工程學報，2008，24（7）：301-306.

[4]Yuan Z F，Ata-Ul-Karim S T，Cao Q，et al. Indicators for diagnosing nitrogen status of rice based on chlorophyll meter readings[J]. Field Crops Research，2016，185（185）：12-20.

[5]宋?莎，江旭生，韓秀梅，等. 不同蘋果砧木葉綠素含量與光合速率研究[J]. 江蘇農業科學，2015，43（3）：149-150.

[6]尼加提·卡斯木，師慶東，王敬哲，等. 基于高光譜特征和偏最小二乘法的春小麥葉綠素含量估算[J]. 農業工程學報，2017，33（22）：208-216.

[7]梁?亮，楊敏華，張連蓬，等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農業工程學報，2012，28（20）：162-171.

[8]茹京娜，于?洋，董凡凡，等. 小麥抽穗期QTL及其與環境的互作[J]. 麥類作物學報，2014，34（9）：1185-1190.

[9]曾慶敏，劉新平. 天山北坡經濟帶宜耕未利用地開發潛力分區及評價——以新疆阜康市為例[J]. 中國生態農業學報，2016，24（6）：819-828.

[10]張?超，孫?林，韓留生，等. 新疆阜康地區徑流及植被覆蓋變化研究[J]. 測繪地理信息，2016，41（3）：79-81.

[11]宋廷宇，陳赫楠，常?雪，等. 2個薄皮甜瓜葉片SPAD值與葉綠素含量的相關性分析[J]. 江蘇農業科學，2014，42（4）：127-129.

[12]何麗斯，蘇家樂，劉曉青，等. 高山杜鵑葉片葉綠素含量測定及其與SPAD值的關系[J]. 江蘇農業科學，2012，40（11）：190-191.

[13]姜海玲，楊?杭，陳小平，等. 利用光譜指數反演植被葉綠素含量的精度及穩定性研究[J]. 光譜學與光譜分析，2015，35（4）：975-981.

[14]羅?丹，常慶瑞，齊雁冰，等. 基于光譜指數的冬小麥冠層葉綠素含量估算模型研究[J]. 麥類作物學報，2016，36（9）：1225-1233.

[15]楊建昌，杜?永，劉?輝. 長江下游稻麥周年超高產栽培途徑與技術[J]. 中國農業科學，2008，41（6）：1611-1621.

[16]Shi Z，Wang Q L，Peng J，et al. Development of a National VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Science China Earth Sciences，2014，57（7）：1671-1680.

[17]Li X C，Zhang Y J，Bao Y S，et al. Exploring the best hyperspectral features for LAI estimation using partial least squares regression[J]. Remote Sensing，2014，6（7）：6221-6241.

[18]姚付啟，張振華，楊潤亞，等. 基于紅邊參數的植被葉綠素含量高光譜估算模型[J]. 農業工程學報，2009，25（13）：123-129.

[19]孫?紅，李民贊，趙?勇，等. 冬小麥生長期光譜變化特征與葉綠素含量監測研究[J]. 光譜學與光譜分析，2010，30（1）：192-196.

[20]李粉玲，常慶瑞. 基于連續統去除法的冬小麥葉片全氮含量估算[J]. 農業機械學報，2017，48（7）：174-179.

[21]王?偉，彭彥昆，馬?偉，等. 冬小麥葉綠素含量高光譜檢測技術[J]. 農業機械學報，2010，41（5）：172-177.

[22]郭?燕，程永政，黎世民，等. 區域尺度冬小麥葉綠素含量的高光譜預測和空間變異研究[J]. 麥類作物學報，2017，37（7）：970-977.