基于機器學習的春小麥葉片水分含量高光譜估算

熱依拉·艾合買提,吾木提·艾山江,阿不都艾尼·阿不里,尼加提·卡斯木

(1.伊犁師范大學生物與地理科學學院,新疆伊寧 835000;2.浙江大學農業遙感與信息技術應用研究所，杭州 310058;3.浙江省農業遙感與信息技術重點研究實驗室，浙江杭州 310058;4.新疆大學資源與環境科學學院，新疆烏魯木齊 830046)

水分對植物生長發育不可或缺。葉片水分含量(leaf water content,LWC)是反映作物生理動態的重要指標之一，可為作物長勢、旱情、抗病性等評估提供參考依據。因此，快速準確地提取作物葉片水分含量對干旱半干旱地區作物旱情診斷具有重要的指導意義。

隨著高光譜遙感技術的迅速發展，其因為快速、無損、高效等特點被廣泛用于地上生物量、葉片氮磷含量、LAI等作物重要參數的定量估算，并體現了明顯的優勢。高光譜技術也被用于作物水分快速監測。研究表明，小麥LWC對近紅外(NIR)波段光譜吸收特征參量存在一定的影響。作物水分的吸收光譜主要在970、1 200、1 450、1 940和2 500 nm周邊，利用光譜數據的一階導數變換能提升小麥葉片水分相對含量與吸收光譜的相關性。作物LWC的估算通常采用植被指數的經驗模型。王延倉等結合野外高光譜數據進行連續小波變換預處理，并篩選特征敏感波段和光譜指數計算(NDVI、PWI、RVI等)，基于偏最小二乘法(partial least squares regression,PLSR)構建了冬小麥LWC定量反演模型；陳秀青等在冬小麥葉片和冠層兩種尺度下，將競爭自適應重加權采樣方法與PLSR回歸方法相結合，采用兩波段植被指數如NDSI和RSI對LWC進行估算，且取得較好的估算效果。劉曉靜等對RVI、NDVI、R/ND、OSAVI、冠氣溫差等5種光譜參數與冬小麥不同生育時期LWC進行擬合分析，并得到較好的擬合效果。目前，作物LWC的高光譜估算主要是基于高光譜數據不同預處理方式的單一波段反射率和傳統植被指數為數據源，結合多種回歸模型來構建最佳監測模型，而利用對高光譜數據構建的植被指數進行組合并進行優化有待研究，且在植被指數波段優化模式下，對不同機器學習算法效果的對比分析研究較少。

由于環境因素的影響，作物水分狀況會發生變化，也表現出不同的冠層光譜反射特征。在不同環境條件下，作物冠層結構會有所不同，從而引起單一波段或固定波長植被指數在不同區域對作物葉片含水量的敏感程度存在一定的差異，使作物水分監測模型的普適性和適應性變差。因此，有必要對作物冠層高光譜反射率全波段信息進行自由組合，進而構建適宜植被指數，以增加模型參數的敏感性。因此，本研究選取春小麥抽穗期葉片水分數據及高光譜數據，分析基于春小麥LWC與單一波段反射率、水分植被指數及兩波段組合植被指數之間的定量關系，比較其擬合效果，篩選最佳波段組合植被指數，并比較三種機器學習算法(SVM、ANN和KNN)估算模型的預測精度，以期為干旱區域田間尺度春小麥水分狀況快速、準確評估提供參考依據。

1 材料與方法

1.1 研究區概況

研究區屬于科學實驗基地，位于新疆阜康市上戶溝鄉滋泥泉子鎮北部(88°22′～88°29′E，44°23′～44°22′N)，占地面積為480 hm，周圍均為主要播種小麥、玉米等農作物的大型農場。該地區是典型的旱作農業區，也是新疆主要糧食基地。氣候類型屬于典型的中溫帶大陸性干旱氣候，其特點是四季分明,冬天冷夏天熱，春秋氣溫變化較劇烈,降水量少、季節分配不均勻且主要集中在春夏季,光熱條件充足。圖1為研究區春小麥播種區域和采樣部分，播種區域均勻鋪設滴灌設施，水肥管理參照當地春小麥施肥灌溉方案；黃色部分為正方形采樣區(1 m×1 m)，共154個。在小方框范圍內進行春小麥冠層葉片光譜反射率測定和葉片取樣，每個小區光譜測定重復10次。

圖1 數據采樣區域

1.2 數據獲取與處理

春小麥不同葉位中，頂部葉片含水量與反射光譜之間的定量關系較好。因此，2017年6月對春小麥頂一葉和頂二葉進行采樣，并立刻放于密封塑料袋中且做好標簽，保證其水分不受到損失，每個小區重復采樣10次。樣品采集和冠層高光譜數據同時進行。樣品先用電子天平(0.000 1 g)稱取鮮重(fresh weight,FW)，再在105 ℃下殺青30 min后，放入烘干箱(溫度為80 ℃)烘干36 h，最后稱取干重(dry weight,DW)，并計算葉片含水量[LWC=(FW-CW)/FW×100%]。

利用美國的ASD FieldSpec-3光譜儀(波段范圍為350～2 500 nm)采集小麥冠層高光譜數據，數據在350～1 000 nm和1 000～2 500 nm范圍內分別間隔為1.4 nm和2.0 nm重采樣后可達到1 nm。數據采集當日天氣晴朗無云，時間為12:00-14:00，每隔5 min進行白板校正。每個樣品重復采集10次光譜曲線，取其平均值作為樣品的冠層光譜數據。

1.3 兩波段植被指數的篩選

兩波段植被指數包括兩波段組合植被指數和傳統水分植被指數，通過對光譜全波段信息兩兩組合計算，并進行波段組合優化獲得。本研究選取了3種兩波段組合植被指數(表1)。兩波段組合計算過程通過Java平臺上開發的軟件(two-band combination of optimized indices,V1.0.登記號：2018SR281300)實現。本研究通過文獻統計方法選取了12個傳統水分植被指數(表2)。

表1 兩波段組合植被指數

表2 傳統水分植被指數

1.4 估算模型的建立與驗證

本研究把154個點的采樣數據隨機分為建模集(123個，占總數據的80%)和驗證集(31個，占總數據的20%)。

利用人工神經網絡(artificial neural network,ANN)、K近鄰(K-nearest neighbors,KNN)和支持向量回歸(support vector regression,SVR)三種機器學習算法構建模型。ANN是指由大量的處理單元(神經元)互相連接而形成的復雜網絡結構，是對人腦組織結構和運行機制的某種抽象、簡化和模擬，以數學模型模擬神經元活動，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。KNN是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。該方法的思路非常簡單直觀：如果一個樣本在特征空間中的個最相似(即特征空間中最鄰近)的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。SVR是支持向量機(support vector machine,SVM)算法來計算出來的回歸方法，是輸入標簽是連續值時選取的模式。

利用決定系數()、均方根誤差(root mean square error,RMSE)和相對偏差百分比(relative percent deviation,RPD)對所建立的模型進行穩定性和預測能力檢驗。越高，表明模型的線性關系越強。RMSE越小，表明測量數據和預測數據之間的誤差低。RPD是標準偏差(SD)與估計標準誤差(SEP)之間的比率。RPD的值超過 2.0，說明該模型具有較好的預測能力；RPD值在 1.4到 2.0之間，說明模型具有一般的預測能力；RPD值小于1.4，說明模型的預測能力較差。

RPD=SD/SEP

2 結果與分析

2.1 LWC統計分析及其對高光譜的響應

經統計分析，總數據集、建模集和驗證集的LWC變化范圍分別為64.94%～91.54%、64.94%～85.26%、69.56%～91.34%，標準差分別為3.56%、3.15%和4.83%；變異系數分別為 4.58%、4.06%和6.15%，三個數據集的變異系數相近(圖2)。

圖2 春小麥葉片含水量(LWC)統計分析

Pearson相關性分析(圖3)發現，春小麥冠層光譜反射率與LWC呈極顯著相關(<0.01)，相關系數()為-0.2～0.23。其中，在400～720 nm波段范圍內二者呈負相關，在720～1 300 nm波段范圍內則呈正相關。相關系數通過0.05顯著性檢驗的波段范圍分別為400～410 nm、760～980 nm和1 020～1 120 nm，而相關系數通過 0.01顯著性檢驗的波段主要集中在780～930 nm。從上分析可知，對春小麥LWC敏感的光譜波段區域主要為400～1 300 nm，單波段反射率信息雖然明顯存在敏感波段區域，但與春小麥葉片水分含量的相關程度較弱。因此，需要通過植被指數的波段優化計算來進一步探討其對LWC之間的關聯程度。

圖3 小麥LWC與光譜反射率之間的相關性

2.2 水分含量與植被指數的相關性

對12種傳統植被指數與LWC進行相關性分析，結果(表3)表明，植被指數與LWC顯著相關，均通過了0.05或0.01顯著性水平，相關系數為-0.22～0.30。其中，FWBI與LWC的相關系數最大，為0.30。這表明傳統光譜指數對LWC的敏感性較低。

表3 傳統植被指數與小麥LWC的相關性

在400～1 300 nm波段范圍內，通過對兩波段光譜植被指數(比值植被指數RVI、歸一化植被指數NDVI和差值植被指數RVI)進行組合運算，并借助MATLAB環境分別繪制了小麥LWC與DVI、NDVI和RVI之間的二維Pearson相關性可視化熱圖，結果(圖4)表明,三種光譜指數對小麥LWC的敏感波段區域比較相似，相關性大致在近紅外(800～1 000 nm)波段區域表現突出，相關系數的絕對值均達到了0.60(<0.01)，相關程度較傳統的水分植被指數明顯提高，因此可通過兩波段光譜指數的運算尋找對小麥LWC更加敏感的波段組合。

a：DVI; b:NDVI; c:RVI.

2.3 模型建立與驗證效果

從相關分析結果看，原始光譜、傳統水分植被指數和兩波段組合植被指數對LWC敏感性存在一定的差異，其中波段組合植被指數的敏感性最高，而原始光譜數據最低。但為了更全面反映相關信息，3種數據均參與建模過程，并對參與變量進行了篩選，數據分別包括波長769～924 nm對應的154個原始光譜反射率信息、12種水分植被指數及最佳波段組合的植被指數(DVI、RVI、NDVI)。

從建模效果(表4)看，在同一種算法下，利用3種數據所建的模型的和RMSE存在明顯的差異，其中基于原始光譜數據敏感波段和12種傳統水分植被指數的較低，RMSE較高，建模效果較差，而基于兩波段組合植被指數的建模效果相對較好。對于同一類數據而言，三種算法中，KNN算法的建模效果最好。

表4 春小麥LWC估測建模與驗證

利用獨立數據對模型驗證的結果(表4和圖5)表明，三種數據所建模型的預測精度也存在差異，也是基于兩波段組合植被指數的預測效果好于其他兩類數據，且以KNN算法較好，其= 0.64，RMSE=2.35%，RPD=2.01。

圖5 春小麥LWC的觀測值與預測值散點圖

3 討 論

抽穗期是小麥對水分需求的臨界期，也是決定小麥小花數量以及小花發育程度的重要時期，它對后期的麥穗和籽粒形成起著決定性作用。水分的調節狀況直接影響到春小麥品質和產量，因此快速準確地監測春小麥葉片含水量具有重要的理論和現實意義。目前為止，諸多研究通過數學的方法對高光譜數據進行不同的預處理，并進行多種植被指數的計算，采用統計學分析方法完成敏感波段和植被指數的篩選，結合不同的回歸算法構建了冬小麥葉片含水量的估算模型。由于高光譜的數據量大，連續性強，而且不同植被指數具有各自不同的特點。因此，以往研究對高光譜植被指數的波段優化計算和最為有效合理植被指數的篩選較少，尤其是基于波段優化計算和機器學習算法的春小麥葉片含水量監測模型研究方面少見。

本研究選取抽穗期春小麥葉片水分含量為研究對象，基于野外葉片冠層高光譜數據，提取和篩選光譜特征波段和敏感水分植被指數，對DVI、RVI、NDVI等植被指數進行波段組合優化計算，采用SVM、ANN和KNN等機器學習算法，構建了春小麥葉片水分含量高光譜定量估算模型。結果表明，春小麥抽穗期葉片含水量與冠層高光譜反射率()、12種傳統水分植被指數均顯著相關(<0.01)，這與前人研究結果一致；與傳統水分植被指數相比，通過波段組合和有效優化，在800～1 000 nm區間兩波段自由組合的光譜參數(RVI、NDVI、DVI)對葉片含水量的敏感性明顯提升；與原始光譜(，共154個反射率信息)、傳統12種水分植被指數相比，以RVI、NDVI、DVI為自變量，利用KNN算法構建的春小麥葉片含水量估算模型的擬合效果最佳，決定系數為為 0.64,RMSE為2.35，RPD為2.01，說明兩波段光譜指數的有效計算和KNN算法在作物葉片水分高光譜遙感估算領域具有一定的優勢。

雖然本研究以春小麥冠層高光譜數據為數據源，選取最佳波段組合的植被指數，建立了基于機器學習算法的春小麥葉片水分含量估算模型，并取得了較好的預測效果，但研究中仍存在不足之處：基于1 nm分辨率的高光譜數據，通過自由波段組合運算能夠有效地獲得最佳敏感植被指數，而春小麥葉片含水量敏感指數在其他的生長階段也有所差異，構建的最佳波段范圍可能會發生變化。本研究數據僅局限于春小麥抽穗期，需要進一步獲取其他生長階段的葉片水分和高光譜冠層數據，進而對春小麥葉片含水量估算模型進一步驗證與修正，以提高估算模型的普適性與實用性。