基于高光譜的冬小麥不同生育時期地上部生物量監測

李嵐濤，郭宇龍，韓 鵬，王丹丹，王宜倫

(1.河南農業大學資源與環境學院，河南鄭州 450002；2.博愛縣農業農村局，河南博愛 454450)

目前，利用高光譜技術定量監測作物地上部生物量主要采用機理模型法和經驗統計法[1]。機理模型法雖具有較高的機理性和通用性，但因模型輸入參數多、區域范圍內個別關鍵參數難以準確獲取以及所固有的病態反演問題，其應用受到了限制[2-3]。經驗統計法則直接利用高光譜反射率與生物量間構建定量統計關系，雖方法本身涉及生物量的形成機理較少，但因計算簡單、便捷和易于操作，可及時準確反演作物生物量動態變化[4]。目前，基于光譜變量的多元統計分析技術是應用較多的經驗模型分析方法，如支持向量機、偏最小二乘回歸等[5-6]。相較于光譜指數法，多元統計分析技術以全波段光譜反射率為自變量構建定量監測模型，波譜信息全面，模型魯棒性強，準確度高[6]。Hansen等[7]利用偏最小二乘法對冬小麥地上部生物量實現了精準預測，確定了基于冠層高光譜技術的小麥生物量特征光譜指數。付元元等[8]將偏最小二乘回歸和波段深度分析技術相融合，克服了小麥生物量過高時模型監測的飽和性問題，提高了光譜估算精度。徐小強和王德華[9]研究認為，采用支持向量機方法可實現森林生物量的精準估算，模型預測精度高達91.85%。修曉敏等[10]利用機器學習方法建立了Landsat 8 OLI與地面草地地上部生物量間的關系，發現利用支持向量機法可獲得較高的預測精度，決定系數和預測精度分別為0.59和75.74%。

氮素營養和生育時期是影響作物地上部生物量變化的兩個核心因子。對于冠層高光譜而言，其可見光區域光譜反射率主要受葉片色素吸收影響，而近紅外區域則受冠層結構等因素影響[11-12]。冬小麥是一種生長周期較長、生育時期間地上部生物量變化較大且氮營養“稀釋效應”十分顯著的典型作物。因此，田間條件下基于冠層高光譜遙感的冬小麥地上部生物量監測受生育時期和施氮水平影響顯著，導致不同生育時期或不同氮素營養條件下所構建估算模型對生物量的敏感程度和預測精度存在差異。目前，前人利用高光譜遙感技術開展作物地上部生物量監測大都將不同生育時期效應綜合分析，缺乏分析上述因子聯動變化對高光譜及高光譜動態監測冬小麥地上部生物量精度的影響。本研究通過2017-2019年3個冬小麥氮肥田間試驗，利用支持向量機和偏最小二乘回歸的全波段光譜分析技術，系統分析不同氮素營養條件下冬小麥不同生育時期地上部生物量與冠層高光譜反射率間的內在關系，明確光譜監測地上部生物量的關鍵時期和有效波段，同時構建不同生育時期地上部生物量的高光譜定量監測模型，并評價其對氮營養和生育時期的適用性，以期為實現基于氮肥效應的冬小麥不同生育時期長勢有效監測提供理論依據和試驗參考。

1 材料與方法

1.1 試驗設計

田間試驗2017-2019年分別于在河南省鶴壁市(2017-2018年)、原陽縣(2017-2018年)和溫縣(2018-2019年)共開展3個冬小麥氮肥梯度田間試驗。其中，鶴壁點的供試品種為鄭麥369，試驗田土壤有機質、全氮、速效磷和速效鉀含量分別為19.7、1.14、0.029、0.152 g·kg-1,pH值為7.4，設置0、75、150、225和300 kg·hm-25個氮素水平；原陽的供試品種為平安11號，試驗田土壤有機質、全氮、速效磷和速效鉀含量分別為17.9、1.02、0.029、0.145 g·kg-1,pH值為 7.3，設置0、90、180、270和360 kg·hm-25個氮素水平；溫縣點的供試品種為平安11號，試驗田土壤有機質、全氮、速效磷和速效鉀含量分別為18.4、1.06、0.033、0.159 g·kg-1,pH值為7.1，設置0、60、120、180、240、300 kg·hm-26個氮素水平。各試驗點均于分蘗期、拔節期(營養生長期)、抽穗期、灌漿期(生殖生長期)開展光譜監測。各試驗處理均設3次重復，隨機區組排列。鶴壁點的小區面積為64.8 m2(7.2 m×9.0 m)，原陽和溫縣點均為36.0 m2(7.2 m×5.0 m)。除氮肥外，磷、鉀肥分別按120 kg·hm-2(P2O5)和90 kg·hm-2(K2O)施入。供試肥料品種分別為控釋尿素(含N 44%)、過磷酸鈣(含P2O512%)和氯化鉀(含K2O 60%)。所有肥料均在小麥播種前做基肥一次性施入，以避免肥料多次追施對小麥生長發育及冠層高光譜測試連續性影響。

1.2 測量項目與方法

1.2.1 冠層高光譜測定

采用美國ASD公司生產的HandHeld 2手持式地物光譜儀測定冬小麥冠層高光譜反射率。每個觀測時期各小區選取代表性小麥樣方6處，每處采集10條光譜曲線，以其平均值作為該小區冠層高光譜測定值。測定時，將光譜儀探頭距小麥冠層約1.0 m處，于天氣晴朗且太陽高度角變幅較小的11:00-14:00之間進行。各小區測定前后均采用30×30 cm BaSO4型標準白板進行光譜校正，以降低儀器自身和大氣環境噪聲干擾。HandHeld 2波段范圍325～1 075 nm，波長準確度為1 nm，光譜分辨率< 3.0 nm @ 700 nm，視場角為25°。為提高光譜監測準確度，刪除了信噪比較低的325～399 nm和951～1 075 nm波段范圍，采用400～950 nm光譜區間開展冬小麥地上部生物量高光譜定量反演與精度分析。

1.2.2 地上部生物量測定

冬小麥冠層高光譜測定結束后，各小區于光譜測試點選取1 m雙行地上部植株樣方2處(行距20 cm)，即取樣樣方面積為0.20 m2。將上述2個樣方鮮樣分別獨立裝袋，全部帶回實驗室后先置于105 ℃烘箱中殺青 30 min, 后置于65 ℃烘箱中烘至恒重, 稱重計算樣方內冬小麥地上部生物量并換算群體地上部生物量。

1.3 數據處理與分析

1.3.1 建模集與驗證集劃分

綜合試驗年份、生態區域、小麥品種及地上部生物量數據，同時考慮到模型構建及預測的穩定性和魯棒性，將2017-2018鶴壁點和2018-2019溫縣點數據作為建模集(各生育時期樣本數n=33)，2017-2018年原陽點數據作為驗證集 (n=15)。

1.3.2 模型構建與應用

為精確分析冬小麥各生育時期地上部生物量與其冠層原位高光譜反射率間定量關系，本研究以各時期冠層原初光譜為自變量和地上部生物量為因變量，分別采用支持向量機(support vector machine, SVM)和偏最小二乘回歸(partial least square, PLS)的分析方法研究兩者關系，明確生育期間光譜監測異同效應及有效時間節點。

SVM分析是一種以結構風險最小化為核心思想的有效監督學習模式識別算法，由Vapnik等于1995年提出。該方法通過核函數把輸入性不可分的低維度數據映射到高維空間以構建最優化分類超平面，使得不同監測樣本間的類間隔最大，類內間隔最小，具有適應性強、全局最優、結構簡單等優點，對小樣本、非線性與高維數據的估測具有良好的精度，現已廣泛應用于近地高光譜分析與反演中[13-14]。本研究采用Matlab R2012a中epsilon-SVR模型類型和徑向基函數作為核函數，利用交叉驗證法選取最優化核函數g和懲罰參數c進行建模。

PLS分析是一種多元線性統計分析方法，可有效解決自變量間具有多重共線性的高光譜數據。PLS集典型相關性分析、主成分分析和多元線性回歸分析為一體，不僅可以有效實現光譜降維，同時還可以從多重光譜數據中確定影響因變量的關鍵因子，使所構建模型具有更高的精準度和穩定性[15]。此外，在基于PLS模型分析基礎上，為進一步明確不同生育時期間冬小麥地上部生物量特征光譜波段變化差異性，降低光譜監測維度，利用PLS無量綱評價指標變量重要性投影值(variable importance in projection, VIP)從400～950 nm范圍內篩選出指示生物量時空變異性的有效波段。VIP值可以定量、直觀反映各波段在反演因變量時的重要性，其臨界值為1.0，VIP值越高，表明該波段對因變量預測性能越強。

1.3.3 模型檢驗

SVM和PLS模型魯棒性采用實測值與預測值間決定系數(r2)、均方根誤差(RMSE)和相對分析誤差(RPD)來評估。其中，r2反映模型擬合度，其值越高，表示預測值越接近實測值；RMSE表示模型精確度，值越小，說明模型誤差越低，精度越高；RPD(RPD為樣本標準差與RMSE的比值)則是表征模型魯棒性的通用指標，RPD<1.4表示魯棒性過低，1.42.0則表示模型魯棒性較好，預測精度高[16]。基礎數據處理和分析采用Excel 2007軟件進行；小麥各生育時期地上部生物量與冠層高光譜反射率間相關性分析采用SAS 8.0軟件進行；SVM和PLS分析采用MatlabR2012a軟件進行；Origin 2019軟件制圖。

2 結果與分析

2.1 不同生育時期冬小麥地上部生物量與冠層高光譜的相關性

從建模集冬小麥地上部生物量與冠層原位高光譜反射率的相關性分析結果(圖1)看，各生育時期兩者間相關性變化趨勢在可見光區(400～715 nm)和近紅外區(715～950 nm)均相一致，即在可見光區呈顯著負相關，而在近紅外區呈正相關。此外，隨生育期的推進，冬小麥地上部生物量與其冠層高光譜間相關性呈“線性+平臺”變化趨勢，至抽穗期時達至最大，抽穗期與灌漿期間趨于穩定。其中，分蘗期、拔節期、抽穗期和灌漿期在可見光區的平均相關系數分別為-0.556、 -0.634、-0.693和-0.604，在近紅外區則分別為 0.495、0.627、0.635和0.624。

2.2 不同生育時期冬小麥地上部生物量的SVM模型構建

基于SVM對冬小麥地上部生物量各生育時期核函數g和懲罰參數c進行尋優，結果(圖2)顯示，分蘗期、拔節期、抽穗期和灌漿期最佳核函數g分別為10、10、10和0.1，懲罰參數c分別為31.6、3.2、31.6和31.6。從建模結果(表1)看，SVM監測模型的RPD在分蘗期、拔節期、抽穗期和灌漿期分別為1.906、2.268、2.831和2.636，雖然模型擬合精度均較理想(RPD>1.40)，但生育時期間表現出較大的差異性，生殖生長期明顯優于營養生長期，以分蘗期擬合精度最低，抽穗期最高，且抽穗期至灌漿期趨于穩定。生育時期間模型驗證精度的變化趨勢與建模集相同，與分蘗期相比，拔節期、抽穗期和灌漿期RPD分別提高91.7%、128.5%和127.3%，變化顯著。

表1 冬小麥不同生育時期地上部生物量SVM分析Table 1 Analysis of shoot biomass of winter wheat with SVM model at different growth stages

2.3 不同生育時期地上部生物量PLS分析

基于PLS分析建立不同生育時期冬小麥地上部生物量預測模型并進行驗證(表2)。結果表明，不同生育時期間，無論是建模集亦或驗證集，模型的擬合和預測精度仍然表現為分蘗期<拔節期<灌漿期≤抽穗期。抽穗期時建模集r2和RPD分別高達0.864和2.867，驗證集分別為 0.859和2.340，擬合和預測精準度均較高，魯棒性強。此外，PLS模型的監測精度與SVM模型具有高度的一致性，SVM模型和PLS模型的建模r2平均值分別為0.802和0.819，RPD分別為 1.986和1.812，表明無論采用監督學習模式識別算法還是回歸算法，均可有效實現冬小麥地上部生物量的高光譜精準監測，其差異性主要表現在因生育時期地上部群體長勢不同所引起的光譜反演精度不同。

表2 冬小麥不同生育時期地上部生物量PLS分析Table 2 Analysis of shoot biomass of winter wheat with PLS model at different growth stages

2.4 基于PLS的不同生育時期地上部生物量有效波段確定

為進一步提高PLS模型的預測精度，對冬小麥不同生育時期生物量的冠層高光譜有效波段進行了篩選。從PLS模型中變量重要性投影值(VIP)(圖3)看，400～950 nm全波段高光譜的VIP臨界值為1.0，由于大于1.0特征波段較多且高度集中，不易有效區分與篩選，因此將不同生育時期地上部生物量有效波段確定的臨界VIP值調整為1.2。結果表明，地上部生物量有效波段在分蘗期分別位于紅光區(685和709 nm)、紅邊區(780 nm)和近紅外區(840、890和940 nm)，在拔節期有效波段則有明顯的“藍移”現象，分別位于綠光區(515和585 nm)、紅光區(655和709 nm)、紅邊區(778 nm)和近紅外區(847 nm)；抽穗期“藍移”現象則更明顯，有效波段向藍光區(464 nm)偏移，且指示作物冠層結構和群體長勢的近紅外區特征波段分布更均勻(880和940 nm)；灌漿期有效波段則產生了明顯的“紅移”現象，僅位于紅光-近紅外區(655、770、820和920 nm)。因此，需要利用這些有效波段重新構建地上部生物量不同生育時期PLS模型(表3)。

表3 基于PLS有效波段的冬小麥不同生育時期地上部生物量監測模型Table 3 Quantitative regression equation between shoot biomass at different growth stages and the effective wavelengths indicated by PLS model

2.5 基于有效波段的模型再驗證

為進一步評估上述優選波段對冬小麥不同生育期地上部生物量預測的精準性，再次利用驗證集獨立試驗數據對上述SVM和PLS模型進行測試和檢驗(表4)。結果表明，利用有效波段不僅可以顯著降低光譜分析的維度，同時對不同生育期地上部生物量的預測仍具有較高的精確度和普適性，r2和RPD均較理想(r2>0.72，RPD> 1.40)，滿足生物量的快速診斷需求。與全波段光譜監測模型精度規律相似，SVM和PLS均表現為抽穗期最優，灌漿期次之，分蘗期最低。綜上分析，本試驗所確定冬小麥各生育時期地上部生物量有效波段具有較強的監測精度，可用于開展作物生物量的實時和無損監測。

表4 基于有效波段的冬小麥不同生育時期地上部生物量SVM和PLS模型精度再驗證Table 4 Revalidation of SVM and PLS models for shoot biomass at different growth stages of winter wheat prediction based on effective wavelengths

3 討 論

氮素營養和生育期變化是影響農作物地上部生物量產生規律性變化的兩大關鍵因子，同時也是造成作物冠層結構和光合色素指標異同性的核心因素[17]。對于冠層高光譜(400～950 nm)而言，其可見光區(400～715 nm)受葉片色素吸收，而近紅外區(715～950 nm)則受冠層群體結構影響[12]。研究表明，氮供應充足比氮缺乏下作物群體長勢和光譜變化更劇烈[18]。隨氮肥用量的增加，作物地上部生物量和冠層光譜反射率差異性則顯著提高[19]。相比于其他營養元素，冬小麥對氮肥的響應則更敏感，如缺氮時宏觀上表現為長勢瘦弱，莖稈纖細；氮肥過多時葉片呈深綠色，莖稈粗壯，覆蓋度高；微觀上表現出葉片變薄、葉肉柵欄組織和海綿組織排列緊密、胞間隙減少等特征[11,20]。上述癥狀的發生均會引起某些波長處的光譜反射和吸收產生差異，繼而產生了不同的光譜反射率，表現為反射率不同的波形曲線，并且這些波長的光譜反射率變化對氮素的變化十分敏感[21]。同時，冬小麥是一種生長周期長、不同生育時期間地上部生物量變化大且氮營養“稀釋”效應十分顯著的典型作物，繼而造成不同生育時期間冠層光譜反射率差異較大[18,22]。生物量是表征作物冠層結構特性的重要指標，而冠層結構和葉片生理生化參數又是影響冠層光譜反射率變化的關鍵因素[23-24]。對于冬小麥而言，分蘗期至拔節期時作物群體覆蓋度較低，生物量相對較小，大部分太陽光可透過地上部群體進入到下部而被土壤吸收，因此光譜反射率易受土壤背景值影響且對生物量敏感度降低；抽穗期其地上部生物量較高，冠層群體較密閉，各器官生物量逐漸積累，冠層光譜反射率對作物群體生物量較為敏感，因此該時期不同氮水平下光譜反射率變化較明顯；至灌漿期，小麥由營養生長進入生殖生長，地上部生物量呈下降趨勢，中下部葉片逐漸衰老死亡，葉片葉綠素含量顯著降低，冠層光譜反射率對生物量變化響應的敏感度下降[25-27]。作物地上部生物量因生育時期不同而產生明顯差異，繼而使其對光能的截獲、折射和反射特性各不相同，造成基于冠層高光譜的作物地上部生物量定量監測受其生長發育狀況和環境影響。因此在利用高光譜技術開展作物地上部生物量實時估算時，應充分考慮氮素營養與生育時期差異所引起的模型估算精度問題[28]。

在明確光譜差異性影響因子之后，選擇適宜的光譜數據分析方法是提高光譜監測精度，構建普適性強、穩定性高的反演模型的基礎與前提。目前，高光譜降維的方法主要為基于植被指數的經驗統計法和數學統計分析法。植被指數法雖然被廣泛采用，但因其在定量估算作物營養參數方面存在飽和性問題，單純的植被指數法在作物生物量估算時往往造成較大誤差[24,28]。因此近年來以作物氮營養為出發點，采用垂向觀測的冠層高光譜測試數據并同步結合全波段光譜分析技術(偏最小二乘回歸、支持向量機等)動態和精準分析作物氮營養豐缺狀況，已成功應用于作物地上部生物量的定量估算與精確反演。王紀華等[29]、Casa等[30]和Li等[19]先后采用偏最小二乘回歸、輻射傳輸模型(PROSPECT+SAIL)和支持向量機等方法深入分析了不同氮營養下冬小麥、玉米或油菜氮濃度與冠層光譜間內在關系，初步明確了利用高光譜監測氮營養豐缺狀況的可行性和提高分析準確度的措施。前人研究主要以作物全生育期綜合分析為主，但針對于冬小麥不同生育時期構建高光譜估算模型的報道卻十分有限。基于此，本研究首先利用支持向量機整體評估不同生育時期冬小麥地上部生物量高光譜監測的精度和可行性，繼而進一步利用偏最小二乘回歸定量構建冬小麥地上部生物量監測模型，并且獲得了較好的預測精度，這與吳 芳等[24]和Wang等[31]對冬小麥生物量的估算精度相一致(不同生育時期決定系數均高于0.60)。雖然，目前對冬小麥地上部生物量的高光譜估測還不能實現高精度和普適化，但本研究對增強高光譜技術在作物營養和長勢參數的定量估測方面提供一個思路和技術參考，這也為我們后期進一步優化模型奠定基礎，進而滿足農業生產需求，為冬小麥精確管理提供基礎信息和技術支持。

高光譜數據具有波段維數多及波段連續性強等特點，因此在數據分析和模型構建過程中，降低光譜分析維度，尋求能有效指示氮營養指標變化的有效波段，對揭示光譜監測營養學機制，提高光譜分析時效性具有重要意義。本研究中，冬小麥地上部生物量有效波段在不同生育時期具表現出明顯的異同性(圖3)，主要原因在于分蘗期時冬小麥地上部生物量低，冠層光譜反射率易受土壤和大氣噪音干擾。同時，由于該時期小麥長勢較弱，氮肥“稀釋”效應不甚顯著，而植株體內光合色素含量在全生育期間相對較高且表征其冠層結構指標如葉生物量、面積指數、葉傾角等在光譜維方向上均有所響應，因此該生育時期特征波段在可見光-近紅外均有明顯分布[32-33]。拔節期時小麥地上部生物量逐漸升高且中下層葉片均平鋪于地，降低了外界因素的干擾，因此可有效反映色素變化的綠光區有效波段(515和585 nm)進一步增強，特征波段產生“藍移”。抽穗期時小麥冠層郁閉，小麥立體效應顯現，除頂層麥穗外中下層葉片對冠層光譜影響更為明顯，因此其有效波段除產生“藍移”外，近紅外區波段分布變寬，可用于有效地監測中高氮梯度下的生物量[34]。在灌漿期，冬小麥植株各部分營養向籽粒轉移，該階段生物量達一生中最高值，小麥群體郁閉度進一步增大，中下層葉片產生明顯的下垂發黃現象，體內色素含量顯著降低，影響光譜變化的有效波段主要體現在反映冠層結構特性的紅光-近紅外區，因此該時期有效波段產生明顯的“紅移”現象[35]。冬小麥不同生育時期地上部生物量有效波段之所以產生差異明顯且符合其生長發育和營養特性的區分性差異，說明冠層高光譜技術可以實現作物長勢和氮素營養的精準監測，但應確定有效的光譜監測時期。同時，在利用高光譜技術構建定量監測模型時，應分時段甚至分層次進行，盡可能獲取作物生長和營養的最大信息，提高光譜估算精度。

4 結 論

冬小麥地上部生物量與冠層高光譜反射率在可見光區(400～715 nm)呈負相關，近紅外區(715～950 nm)正相關，且相關性表現為分蘗期<拔節期<灌漿期≤抽穗期。利用支持向量機和偏最小二乘回歸模型均可實現冬小麥地上部生物量的高光譜快速估測，但生育期間模型精度差異較大，抽穗期效果最優，灌漿期次之，分蘗期最低。