翟麗婷 魏峰遠(yuǎn) 馮海寬 李長春 楊貴軍

摘要：通過單個(gè)指標(biāo)檢測冬小麥長勢的方法很多，但是根據(jù)綜合多個(gè)單個(gè)指標(biāo)分析冬小麥長勢的方法相對較少。利用信息熵將多個(gè)單個(gè)指標(biāo)計(jì)算得到綜合指標(biāo)，進(jìn)而分析冬小麥長勢。通過偏最小二乘回歸反演冬小麥氮素含量、葉綠素含量和水分含量，計(jì)算3個(gè)指標(biāo)的權(quán)重，計(jì)算出綜合長勢指標(biāo)監(jiān)測冬小麥長勢。研究結(jié)果表明，冬小麥冠層葉片氮素、葉綠素、水分反演的r2分別為0.72、0.31、0.61，RMSE分別為0.506、1.303、10.320，NRMSE分別為13%、33%、17%，綜合指標(biāo)的r2、RMSE、NRMSE分別為0.75、0.053、8%。結(jié)果表明，基于光譜指數(shù)冬小麥對冠層葉片氮素和水分反演精度較高，葉綠素反演精度較低，綜合指標(biāo)的反演精度最高。

關(guān)鍵詞：偏最小二乘;氮素;葉綠素;水分;綜合指標(biāo);反演

中圖分類號：S127;S512.1+10.1?文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2020）18-0244-06

收稿日期：2019-08-22

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（編號：2016YFD0300602）;國家自然科學(xué)基金（編號：41601346、41871333）;河南省科技攻關(guān)項(xiàng)目（編號：182102110186）。

作者簡介：翟麗婷（1993—），女，河南偃師人，碩士研究生，研究方向?yàn)榫珳?zhǔn)農(nóng)業(yè)定量遙感。E-mail：842948721@qq.com。

通信作者：馮海寬，助理研究員，主研究方向?yàn)檗r(nóng)業(yè)定量遙感和無人機(jī)。E-mail：fenghaikuan123@163.com。

氮素是直接反映作物營養(yǎng)狀況和代謝的主要組分，葉綠素含量是衡量作物光合能力和作物是否受環(huán)境脅迫的指示器，水分對冬小麥冠層養(yǎng)分等運(yùn)輸具有促進(jìn)作用[1-2]。氮素、葉綠素、水分對冬小麥的生長發(fā)育具有重要的作用[3-4]。楊紹源等利用偏最小二乘算法，利用多角度光譜數(shù)據(jù)估計(jì)冬小麥氮素含量垂直分布，結(jié)果表明，改進(jìn)后的綠光歸一化植被指數(shù)在反演上層、中層、下層葉片氮濃度時(shí)效果最好，達(dá)到了極顯著水平[5]。程曉娟等針對不同形式的歸一化差值水分指數(shù)（NDWI）存在的飽和性問題，引入增強(qiáng)型植被指數(shù)EVI對其加以適當(dāng)改進(jìn)，構(gòu)建新的植被水分指數(shù)NDWI#（即NDWI×EVI）來估測作物水分含量[6]。蔣金豹等將冠層葉綠素密度與高光譜指數(shù)進(jìn)行相關(guān)性分析，選取相關(guān)系數(shù)大于0.7的指數(shù)構(gòu)建反演模型，并對模型進(jìn)行檢驗(yàn)，結(jié)果表明微分指數(shù)（D750 nm-D550 nm）/（D750 nm+D550 nm）反演精度以及穩(wěn)定性最好[7]。王紀(jì)華等研究表明，運(yùn)用偏最小二乘算法可利用垂向觀測的冬小麥冠層光譜來反演不同層次的葉氮濃度[8]。靳彥華等分析了春小麥冠層光譜與葉綠素含量的相關(guān)性，以及對其紅邊拐點(diǎn)位置與葉綠素含量做回歸分析，分別建立了水澆地和旱地春小麥葉綠素含量估測模型并檢驗(yàn)了模型精度[9]。韓茜等提出，利用高光譜植被指數(shù)可實(shí)現(xiàn)作物參量的有效反演，且作物參量的定量反演對不同的指標(biāo)，即中心波長、波段寬度和信噪比具有較強(qiáng)的敏感性[10]。以上研究主要通過單一的生長指標(biāo)進(jìn)行反演。裴浩杰等將氮素、葉綠素、生物量、葉面積指數(shù)等按均等權(quán)重計(jì)算綜合長勢指標(biāo)，用偏最小二乘反演綜合指標(biāo)，進(jìn)行冬小麥長勢分析，發(fā)現(xiàn)綜合長勢指標(biāo)能夠更好地評價(jià)冬小麥的長勢[11]。

目前，大多數(shù)研究都是通過對單一生長指標(biāo)評價(jià)作物長勢，而很多情況下對一些生長指標(biāo)的反演可能受其他因素的影響存在精度低等問題，這對評價(jià)冬小麥生長狀況具有一定的局限性。前人研究多集中于單一生長指標(biāo)的反演，很少考慮綜合生長指標(biāo)對冬小麥生長的影響。本研究主要運(yùn)用熵值法對氮素、葉綠素、水體進(jìn)行歸一化處理計(jì)算各組分的權(quán)重生成綜合指標(biāo)進(jìn)行反演，分析其相關(guān)性，以期通過綜合生長指標(biāo)提高反演精度實(shí)現(xiàn)更精確的作物長勢評價(jià)。

1?材料與方法

1.1?研究區(qū)概況

試驗(yàn)田位于北京市海淀區(qū)，地處40°11′N，116°27′E（圖1），海拔高度為36 m，土地肥沃，地勢平坦，土壤類型為潮土，氣候類型為典型的暖溫帶半濕潤大陸季風(fēng)氣候，農(nóng)作物為9月底至10月初所種植的冬小麥。

1.2?研究設(shè)計(jì)

選擇京9843、農(nóng)大211作為供試品種，試驗(yàn)在北京市農(nóng)林科學(xué)院進(jìn)行，每個(gè)試驗(yàn)區(qū)面積1.5 m×1.2 m。播種密度為600萬株/hm2，播種時(shí)間為2013年9月29日。

1.3?數(shù)據(jù)獲取

1.3.1?葉片氮含量測定

將每個(gè)小區(qū)選取的植株樣品測定光譜后，帶回實(shí)驗(yàn)室，將植株器官分離為葉片、莖和根后分別置于紙袋中，然后在105 ℃下殺青，在80 ℃條件下烘干72 h至恒質(zhì)量，最后稱各個(gè)器官的質(zhì)量。將各個(gè)器官粉碎，采用凱氏定氮法對植株氮含量進(jìn)行測定。

1.3.2?葉片葉綠素含量測定

在樣品取回實(shí)驗(yàn)室后，采用Dualex4氮平衡指數(shù)測量儀對小麥葉片葉綠素含量進(jìn)行測定。

1.3.3?葉片水分含量測定

利用樣本鮮質(zhì)量與干質(zhì)量，計(jì)算葉片含水量。

葉片含水量=葉片鮮質(zhì)量-葉片干質(zhì)量葉片鮮質(zhì)量×100%。

1.3.4?地面冠層光譜數(shù)據(jù)獲取

冬小麥葉片光譜采用美國ASD FiedSpec FR2500（光譜范圍350～2 500 nm，間隔1 nm）高光譜儀和葉片夾（ASD leaf clip）進(jìn)行測定。在350～1 000 nm、1 000～2 500 nm內(nèi)光譜儀分辨率間隔分別為3、10 nm，采樣間隔分別為1.4、2.0 nm，光譜重采樣間隔為1 nm。葉片夾探測器里面安裝有石英鹵化燈，燈的光源穩(wěn)定，冬小麥葉片測量時(shí)為了獲得相同的探測面積，消除背景反射、葉片彎曲引起的光譜波動(dòng)的影響，需要保證葉片是平整放置。冬小麥葉片光譜測量前，用布把葉片表面的浮塵擦去，以減少誤差。冬小麥葉片光譜測量需要用葉片夾自帶的標(biāo)準(zhǔn)白板進(jìn)行校正。

1.4?研究方法

1.4.1?植被指數(shù)的構(gòu)建

為了更準(zhǔn)確地對不同水分處理下冬小麥冠層葉片養(yǎng)分進(jìn)行反演，根據(jù)葉片氮素與原始光譜的相關(guān)性分析，挑選敏感波段計(jì)算NDVI、OSAVI、GNDVI、EVI等植被指數(shù)（表1），將植被指數(shù)作為變量對葉片養(yǎng)分進(jìn)行反演。

1.4.2?偏最小二乘算法

偏最小二乘算法（partial least squares regression，PLSR）是一種新型的多元回歸分析方法，它在回歸建模過程中采用了數(shù)據(jù)降維、信息綜合與篩選技術(shù)，提取對系統(tǒng)有最佳解釋能力的新綜合成分[12-14]。PLSR能夠很好地解釋因變量與自變量的關(guān)系，篩選光譜指數(shù)作為PLSR模型的輸入變量，相應(yīng)的葉片養(yǎng)分含量作為PLSR模型的因變量，建立PLSR模型，進(jìn)行葉片養(yǎng)分含量的反演[15-16]。

1.4.3?熵值法

熵值法是指用來判斷某個(gè)指標(biāo)的離散程度的數(shù)學(xué)方法[17]。離散程度越大，認(rèn)定該指標(biāo)對綜合評價(jià)的影響越大，可根據(jù)各項(xiàng)指標(biāo)的變異程度，利用信息熵計(jì)算出各個(gè)指標(biāo)的權(quán)重，為多指標(biāo)綜合評價(jià)提供依據(jù)[18-20]。

1.4.5?統(tǒng)計(jì)分析

選取2/3的試驗(yàn)樣本進(jìn)行建模，1/3的試驗(yàn)樣本進(jìn)行驗(yàn)證。選取決定系數(shù)r2、均方根誤差RMSE和標(biāo)準(zhǔn)均方根誤差NRMSE作為評價(jià)精度的標(biāo)準(zhǔn)。

r2=（∑ni=1yi-y-）2（∑ni=1xi-y-）2;（1）

RMSE=∑ni=1，j=1（xi-yi）2n;（2）

NRMSE=∑ni=1，j=1（xi-yi）2n/y-。（3）

xi為葉片養(yǎng)分含量的實(shí)測值，yi為葉片養(yǎng)分含量的估計(jì)值，y為葉片養(yǎng)分含量的均值，n為樣本個(gè)數(shù)。其中，r2越大，RMSE越小，表示建模精度越高。NRMSE<10%表示葉片養(yǎng)分實(shí)測值與估計(jì)值一致性較好，10%≤NRMSE<20%時(shí)表示葉片養(yǎng)分實(shí)測值與估計(jì)值一致性為好，20%≤NRMSE<30%時(shí)表示葉片養(yǎng)分實(shí)測值與估計(jì)值一致性中等，NRMSE≥30%表示葉片養(yǎng)分實(shí)測值與估計(jì)值一致性較差。

2?結(jié)果與分析

基于地面高光譜數(shù)據(jù)對冬小麥葉片氮素、葉綠素、水分通過偏最小二乘反演模型進(jìn)行定量反演，分析反演精度。將冬小麥葉片氮素、葉綠素、水分歸一化處理，然后挑選相關(guān)性高的光譜指數(shù)通過偏最小二乘對葉片養(yǎng)分進(jìn)行反演。

2.1?基于光譜指數(shù)的冬小麥葉片水分定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片水分含量進(jìn)行相關(guān)性分析。通過偏最小二乘進(jìn)行葉片水分含量反演，建立預(yù)測葉片水分含量與實(shí)測葉片水分含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMS以評價(jià)反演精度，結(jié)果見圖2。

圖2-A為偏最小二乘反演模型對冬小麥葉片水分反演建模結(jié)果，r2為0.609 2，RMSE為10.32，NRMSE為17%;圖2-B為偏最小二乘反演模型對冬小麥葉片水分反演驗(yàn)證，結(jié)果r2為0.681 8，RMSE為5.199，NRMSE為16%。

2.2?基于光譜指數(shù)的冬小麥葉片葉綠素定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片葉綠素含量進(jìn)行相關(guān)性分析。通過偏最小二乘進(jìn)行葉片葉綠素含量反演，建立預(yù)測葉片葉綠素含量與實(shí)測葉片葉綠素含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMS評價(jià)反演精度，結(jié)果見圖3。

圖3-A為偏最小二乘反演模型對冬小麥葉片葉綠素反演建模結(jié)果，r2為0.305 4，RMSE為1303，NRMSE為33%;圖3-B為偏最小二乘反演模型對冬小麥葉片葉綠素反演驗(yàn)證結(jié)果，r2為 0233 0，RMSE為1.021，NRMSE為32%。冬小麥葉片葉綠素反演精度較低，未能達(dá)到顯著相關(guān)性水平。

2.3?基于光譜指數(shù)的冬小麥葉片氮素定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片氮素含量進(jìn)行相關(guān)性分析。通過偏最小二乘進(jìn)行葉片氮素含量反演，建立預(yù)測葉片氮素含量與實(shí)測葉片氮素含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMSE以評價(jià)反演精度，結(jié)果見圖4。

圖4-A為偏最小二乘反演模型對冬小麥葉片氮素反演建模結(jié)果，r2為0.724 4，RMSE為0.506，NRMSE為13%;圖4-B為偏最小二乘反演模型對冬小麥葉片氮素反演驗(yàn)證結(jié)果，r2為0.728 9，RMSE為0.142，NRMSE為12%。

2.4?基于光譜指數(shù)的冬小麥葉片綜合指標(biāo)定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片綜合指標(biāo)進(jìn)行相關(guān)性分析。通過偏最小二乘進(jìn)行葉片氮素含量反演， 建立預(yù)測葉片綜合指標(biāo)與計(jì)算綜合指標(biāo)線性關(guān)系模型，計(jì)算r2、RMSE、NRMSE以評價(jià)反演精度，結(jié)果見圖5。

圖5-A為偏最小二乘反演模型對冬小麥葉片綜合指標(biāo)反演建模結(jié)果，r2為0.754 1，RMSE為0053，NRMSE為8%;圖5-B為偏最小二乘反演模型對冬小麥葉片綜合指標(biāo)反演驗(yàn)證結(jié)果，r2為0834 7，RMSE為0.021，NRMSE為9%。綜合指標(biāo)的反演精度最高，對氮素和水分的反演結(jié)果雖然可以達(dá)到顯著性相關(guān)但是其反演精度均低于對綜合指標(biāo)的反演，偏最小二乘對冬小麥葉片葉綠素的反演精度最低。

從表2可以看出，反演綜合指標(biāo)的建模r2比反演氮素含量、葉綠素含量、水分含量的r2分別高003、0.44、0.14，NRMSE分別低5、25、9百分點(diǎn);驗(yàn)證r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.11、0.61、0.16，NRMSE分別低3、23、7百分點(diǎn)。綜合指標(biāo)的反演結(jié)果精度最高，葉綠素的反演精度最低。

3?討論與結(jié)論

筆者通過構(gòu)建綜合指標(biāo)，以期提供新的長勢檢測方法。利用光譜指數(shù)構(gòu)建基于PLSR的冬小麥葉片氮素、葉綠素、水分和綜合指標(biāo)的反演模型，其綜合指標(biāo)的反演精度高于對氮素含量、葉綠素含量、水分含量的反演精度，可能是因?yàn)椋海?）綜合指標(biāo)根據(jù)氮素含量、葉綠素含量、水分含量計(jì)算所得，氮素含量、葉綠素含量、水分含量之間可能存在相互關(guān)系，綜合指標(biāo)結(jié)合各自優(yōu)勢，使反演精度提高。（2）挑選出與綜合指標(biāo)相關(guān)性較高的光譜指數(shù)構(gòu)建PLSR模型。

本研究存在的不足之處是綜合指標(biāo)的計(jì)算是根據(jù)信息熵計(jì)算冬小麥葉片氮素含量、葉綠素含量、水分含量的權(quán)重所得，而信息熵在計(jì)算權(quán)重時(shí)根據(jù)數(shù)據(jù)的離散程度分配權(quán)重，這在一定程度上忽略了不同養(yǎng)分在冬小麥的生長過程的重要程度。進(jìn)一步的研究中應(yīng)考慮不同生育時(shí)期葉片不同養(yǎng)分對冬小麥的生長過程的影響程度，根據(jù)對冬小麥生長的重要程度分配權(quán)重。

本研究基于光譜指數(shù)和偏最小二乘反演模型反演冬小麥葉片氮素含量、葉綠素含量、水分含量和綜合指標(biāo)，得出以下結(jié)論：（1）基于光譜指數(shù)，利用偏最小二乘反演模型對冬小麥葉片氮素含量、葉綠素含量、水分含量、綜合指標(biāo)進(jìn)行估測，其中建模r2、RMSE、NRMSE分別為0.72、0.506、13%，031、1.303、33%，0.61、10.320、17%和0.75、0.053、8%;驗(yàn)證r2、RMSE、NRMSE分別為0.73、0.142、12%，023、1.021、32%，0.68、5.199、16%和083、0021、9%。（2）反演綜合指標(biāo)的建模r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.03、044、014，NRMSE分別低5、25、9百分點(diǎn);驗(yàn)證r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.11、0.61、0.16，NRMSE分別低3、23、7百分點(diǎn)。（3）綜合指標(biāo)的反演精度r2均高于氮素含量、葉綠素含量、水分含量;RMSE和NRMSE均低于氮素含量、葉綠素含量、水分含量。綜合考慮冬小麥綜合指標(biāo)的反演精度最高，具有最優(yōu)的估測精度。因此可以通過綜合指標(biāo)去進(jìn)行長勢分析，其效果會(huì)更好。

參考文獻(xiàn)：

[1]Guo J，Tian G L，Yi Z，et al. Evaluation of the grain yield and nitrogen nutrient status of wheat （Triticum aestivum L.） using thermal imaging[J]. Field Crops Research，2016，196：463-472.

[2]Noura Z，Gilles B，Claessens A，et al. Determination of a critical nitrogen dilution curve for spring wheat[J]. Agronomy Journal，2010，102（1）：241-250.

[3]何樹斌，沈禹穎，王冬梅，等. 水分和氮素對隴育216冬小麥氣體交換和葉綠素?zé)晒獾挠绊慬J]. 麥類作物學(xué)報(bào)，2012，32（5）：912-917.

[4]李振山，王?龍. 不同水分條件下施氮對小麥幼苗生長發(fā)育的影響[J]. 種業(yè)導(dǎo)刊，2016（3）：24-26.

[5]楊紹源，黃文江，梁?棟，等. 利用多角度光譜數(shù)據(jù)探測冬小麥氮素含量垂直分布方法研究[J]. 光譜學(xué)與光譜分析，2015，35（7）：1956-1960.

[6]程曉娟，楊貴軍，徐新剛，等. 新植被水分指數(shù)的冬小麥冠層水分遙感估算[J]. 光譜學(xué)與光譜分析，2014，34（12）：3391-3396.

[7]蔣金豹，陳云浩，黃文江. 用高光譜微分指數(shù)估測條銹病脅迫下小麥冠層葉綠素密度[J]. 光譜學(xué)與光譜分析，2010，30（8）：2243-2247.

[8]王紀(jì)華，黃文江，勞彩蓮，等. 運(yùn)用PLS算法由小麥冠層反射光譜反演氮素垂直分布[J]. 光譜學(xué)與光譜分析，2007，27（7）：1319-1322.

[9]靳彥華，熊黑鋼，張?芳，等. 不同地類春小麥拔節(jié)期冠層光譜與葉綠素差異研究[J]. 光譜學(xué)與光譜分析，2013，33（4）：1043-1047.

[10]韓?茜，張瀟元，王樹東，等. 冬小麥典型多參量冠層高光譜反演的光譜指標(biāo)敏感性研究[J]. 科學(xué)技術(shù)與工程，2017，17（25）：89-97.

[11]裴浩杰，馮海寬，李長春，等. 基于綜合指標(biāo)的冬小麥長勢無人機(jī)遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：74-82.

[12]Welman C E，Renato E，Tábata R S，et al. Screening the formation of silver nanoparticles using a new reaction kinetics multivariate analysis and assessing their catalytic activity in the reduction of nitroaromatic compounds[J]. Journal of Physical Chemistry C，2014，118（24）：12962-12971.

[13]Chen P F，Qi J. A comparison of two adaptive multivariate analysis methods （PLSR and ANN） for winter wheat yield forecasting using Landsat-8 OLI images[J]. Advances in Space Research，2017，59（4）：987-995.

[14]Ayvaz H，Adnan B，Giusti M M，et al. Improving the screening of potato breeding lines for specific nutritional traits using portable mid-infrared spectroscopy and multivariate analysis[J]. Food Chemistry，2016，211：374-382.

[15]Bardwell W A，Ziegler M G，Ancoli-Israel A S，et al. Does caffeine confound relationships among adrenergic tone，blood pressure and sleep apnoea？[J]. Journal of Sleep Research，2000，9（3）：269-272.

[16]Goodenough A E，Elliot S L，Adam G H. The challenges of conservation for declining migrants：are reserve-based initiatives during the breeding season appropriate for the Pied Flycatcher Ficedula hypoleuca？[J]. IBIS，2009，151（3）：429-439.

[17]Jiang C，Zhang Y L，Chen Z Y，et al. Improving assessment of groundwater sustainability with analytic hierarchy process and information entropy method：a case study of the Hohhot Plain，China[J]. Environmental Earth Sciences，2015，73（5）：2353-2363.

[18]Kuttner H. The economic impact of rural telecommunications：he greater gains[J]. Veterinary Record，2011，146：634-637.

[19]Furberg D，Ban Y F. Satellite monitoring of urban sprawl and assessment of its potential environmental impact in the greater Toronto area between 1985 and 2005[J]. Environmental Management，2012，50（6）：1068-1088.

[20]Lubbe S J，Bernardo M D，Broderick P，et al. Comprehensive evaluation of the impact of 14 genetic variants on colorectal cancer phenotype and risk[J]. American Journal of Epidemiology，2012，175（1）：1-10.