李 辰 王延倉(cāng) 李旭青 楊秀峰 顧曉鶴

(1.北京空間機(jī)電研究所，北京 100076； 2.北華航天工業(yè)學(xué)院遙感信息工程學(xué)院，廊坊 065000；3.航天遙感信息應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心，廊坊 065000；4.河北省航天遙感信息處理與應(yīng)用協(xié)同創(chuàng)新中心，廊坊 065000； 5.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097)

0 引言

水是冬小麥植株的重要構(gòu)成成分，是冬小麥植株吸收、運(yùn)輸、轉(zhuǎn)化礦物元素的主要載體，也是冬小麥植株生理生化反應(yīng)的主要介質(zhì)[1]。因此，水分的持續(xù)、適量供給是冬小麥正常生長(zhǎng)、發(fā)育的關(guān)鍵。河北省中部5月上旬與5月中下旬的冬小麥分別處于揚(yáng)花期、灌漿期，該時(shí)期的區(qū)域氣溫持續(xù)升高、土壤-作物蒸騰量不斷增大、冬小麥光合作用強(qiáng)度高，是冬小麥生長(zhǎng)發(fā)育和產(chǎn)量形成的關(guān)鍵時(shí)期。因此，實(shí)時(shí)、精準(zhǔn)監(jiān)測(cè)該時(shí)期冬小麥水分供給狀態(tài)具有重要的現(xiàn)實(shí)與理論意義。近年來(lái)，憑借快速、準(zhǔn)同步、大尺度、精準(zhǔn)等優(yōu)點(diǎn)，遙感技術(shù)已成為精準(zhǔn)檢測(cè)冬小麥水分供給信息的重要技術(shù)手段[2-3]。

借助遙感技術(shù)監(jiān)測(cè)冬小麥植株組分含水率是開(kāi)展區(qū)域麥田土壤墑情監(jiān)測(cè)的重要途徑[4-6]，國(guó)內(nèi)外學(xué)者在利用光譜技術(shù)監(jiān)測(cè)冬小麥植株組分含水率方面進(jìn)行了大量研究，并取得了一定研究成果。研究表明：位于水分子內(nèi)的O—H鍵通過(guò)伸展、彎曲會(huì)在光譜中的970、1 200、1 450、1 940 nm波長(zhǎng)附近形成較強(qiáng)的吸收特征，該光譜區(qū)域同時(shí)也是纖維素、淀粉、木質(zhì)素、糖內(nèi)O—H鍵的作用區(qū)域[7]，故該區(qū)域的光譜特征是多種組分共同作用的體現(xiàn)。冬小麥植株水分虧缺會(huì)導(dǎo)致其葉片理化參量的改變，進(jìn)而導(dǎo)致冠層光譜發(fā)生變化[8-9]。受冬小麥生化組分疊加作用及外界不可控因素的影響，冬小麥冠層含水率在冠層光譜中的敏感區(qū)間主要在780～1 350 nm之間，該區(qū)間隨冬小麥冠層含水率的變化而發(fā)生明顯改變[10]。利用數(shù)學(xué)變換、小波技術(shù)[11]等方法處理分析光譜數(shù)據(jù)可提升光譜對(duì)冬小麥植株組分含水率的敏感性，采用高光譜反射率[12]或短波近紅外形態(tài)參量[13]構(gòu)建水分敏感指數(shù)能有效用于單一生育期內(nèi)作物含水率的監(jiān)測(cè)[14]。遺傳算法[15]、偏最小二乘算法、隨機(jī)森林算法等多用于冬小麥含水率估測(cè)模型的構(gòu)建。冬小麥葉片含水率可直接或間接反映冬小麥的水分供給與耕層土壤墑情[4]，然而，位于抽穗-蠟黃期的冬小麥冠層光譜的主控因素為麥穗，葉片為次要因素，這增大了冬小麥水分供給與土壤墑情的監(jiān)測(cè)難度。目前，針對(duì)該生育期內(nèi)冬小麥水分供給狀態(tài)監(jiān)測(cè)的研究相對(duì)較少。與傳統(tǒng)數(shù)學(xué)變換相比，小波技術(shù)能更有效地提升光譜對(duì)植物生化參量的敏感性[16-17]，小波技術(shù)對(duì)光譜信息的分離特性是提升光譜對(duì)植被生化參量敏感性的重要基礎(chǔ)。因此該技術(shù)逐步應(yīng)用于基于遙感技術(shù)定量反演植被理化參量的研究中。但大多數(shù)研究?jī)H限于光譜數(shù)據(jù)的基礎(chǔ)處理[18-20]，鮮見(jiàn)分析小波技術(shù)在光譜信息分離規(guī)律方面的研究。

本文以冬小麥冠層光譜數(shù)據(jù)及相應(yīng)參量為數(shù)據(jù)源，采用小波技術(shù)分解光譜信息，并利用偏最小二乘算法構(gòu)建冬小麥植株組分含水率估測(cè)模型，研究小波技術(shù)對(duì)冬小麥冠層光譜的分離規(guī)律，分析小波技術(shù)估測(cè)冬小麥各植株組分含水率的能力，探討小波技術(shù)在精準(zhǔn)探測(cè)冬小麥植株組分含水率方面的應(yīng)用效果，以期為快速、精準(zhǔn)旱情監(jiān)測(cè)提供基礎(chǔ)技術(shù)支撐。

1 材料與方法

1.1 樣本采集與處理

以河北省衡水市安平縣為試驗(yàn)區(qū)，其地理位置如圖1所示。試驗(yàn)區(qū)內(nèi)的作物主要以冬小麥、夏玉米為主。于2014年5月5—6日、5月26—27日開(kāi)展田間冬小麥樣本采集，選擇面積較大且平坦的地塊進(jìn)行冬小麥樣本采集。每個(gè)樣塊在樣本采集時(shí)，即刻采用英衡精密電子秤進(jìn)行冬小麥麥穗、葉片、莖稈等組分鮮質(zhì)量的測(cè)定，然后立刻置于保鮮袋內(nèi)；當(dāng)日野外試驗(yàn)完成后，立刻在實(shí)驗(yàn)室內(nèi)進(jìn)行樣本的干燥處理；將冬小麥各組分分開(kāi)置于干燥箱內(nèi)，當(dāng)樣本質(zhì)量無(wú)變化時(shí)停止干燥，并取出樣本，進(jìn)行冬小麥組分干質(zhì)量的測(cè)定。采用常規(guī)植被含水率測(cè)定方法進(jìn)行冬小麥各組分含水率的測(cè)定，各組分統(tǒng)計(jì)量見(jiàn)表1。

表1 冬小麥各組分含水率統(tǒng)計(jì)結(jié)果Tab.1 Statistics results of water content of each component of winter wheat

1.2 光譜測(cè)定與處理

選用ASD公司生產(chǎn)的便攜式地物光譜儀進(jìn)行冬小麥冠層光譜的測(cè)定，該儀器可測(cè)定冬小麥冠層波段350～2 500 nm范圍內(nèi)的光譜數(shù)據(jù)，光譜輸出分辨率為1 nm。選擇太陽(yáng)輻射相對(duì)穩(wěn)定的時(shí)間區(qū)間(10：00—15：00)進(jìn)行測(cè)定；光譜測(cè)定時(shí)，將探頭置于冬小麥冠層垂直上方50 cm處并垂直向下，光譜測(cè)定前須利用白板進(jìn)行標(biāo)定，每個(gè)樣本采集10條光譜并取均值作為最終光譜。

受外界大氣水分、氣溶膠等懸浮物的擾動(dòng)及儀器本身暗電流、傳感器敏感差異等因素的影響，室外光譜的測(cè)定必然含有一定噪聲，會(huì)對(duì)光譜內(nèi)的可用信息產(chǎn)生負(fù)面作用，甚至導(dǎo)致原光譜信息全部受損。為避免噪聲對(duì)光譜信息的干擾，提升冬小麥冠層光譜數(shù)據(jù)的信噪比，采用海明窗低通濾波器[21]進(jìn)行光譜去噪、平滑處理，而對(duì)于噪聲信息過(guò)大、信噪比低的1 538～2 500 nm光譜區(qū)間則采用刪除方式處理。

1.3 小波技術(shù)

冬小麥冠層光譜是探測(cè)器視域內(nèi)物質(zhì)與光作用的綜合體現(xiàn)，冬小麥冠層信息是多種物質(zhì)信息的混合，因此光譜信息分離是提升光譜估測(cè)冬小麥植株組分信息精度的重要途徑。小波技術(shù)是一種信號(hào)處理分析算法，其具有多尺度分解的優(yōu)勢(shì)，能通過(guò)多尺度分解逐步分離光譜信息[22-24]。小波技術(shù)中二進(jìn)制小波技術(shù)可利用高通、低通濾波器逐層將光譜信息中的高頻信息與低頻信息分離[25]，其對(duì)光譜信息分離過(guò)程如圖2所示，圖中，S為經(jīng)預(yù)處理后的光譜數(shù)據(jù)；Li為經(jīng)小波技術(shù)分解后的第i分解水平的低頻信息；Hi為經(jīng)小波技術(shù)分解后的第i分解水平的高頻信息。高頻信息是原光譜中的細(xì)節(jié)信息，低頻信息為原光譜中的宏觀信息，故二進(jìn)制小波是一種重要的地物光譜信息分離算法。為分析小波技術(shù)對(duì)冬小麥冠層光譜的分離規(guī)律，研究小波技術(shù)算法在估測(cè)冬小麥植株組分含水率方面的潛力，本文采用二進(jìn)制小波處理分析冬小麥冠層光譜數(shù)據(jù)，小波基為bior3.7，分解水平為10。

1.4 模型精度驗(yàn)證

本研究利用小波技術(shù)對(duì)冬小麥冠層光譜進(jìn)行處理，并采用偏最小二乘算法構(gòu)建冬小麥植株組分含水率的估測(cè)模型。采用隨機(jī)抽樣法從總樣本中抽取2/3樣本作為建模組(44份)，1/3的樣本為驗(yàn)證組(20份)；建模組用于模型的構(gòu)建，驗(yàn)證組用于模型的檢驗(yàn)。為更好地對(duì)模型的估測(cè)精度與穩(wěn)定性進(jìn)行準(zhǔn)確評(píng)估，選用決定系數(shù)(R2)、均方根誤差(RMSE)及相對(duì)分析誤差(RPD)共同進(jìn)行評(píng)價(jià)。

2 結(jié)果與分析

2.1 基于小波技術(shù)的冬小麥光譜分析

圖3為冬小麥冠層光譜經(jīng)小波技術(shù)分解后的各分解水平重構(gòu)數(shù)據(jù)圖，為揭示小波技術(shù)對(duì)冬小麥冠層光譜信息的分離規(guī)律，將低頻信息進(jìn)行吸收峰深度變換。為便于分析冬小麥冠層光譜的變異規(guī)律，依據(jù)各吸收峰的分布區(qū)間將冬小麥冠層光譜分為A(350～544 nm)、B(545～772 nm)、C(773～878 nm)、D(879～1 078 nm)、E(1 079～1 292 nm)、F(1 293～1 537 nm)等6個(gè)光譜區(qū)間。由圖3可知，分解水平L1～L5吸收峰深度曲線(xiàn)整體光滑且相似，在光譜區(qū)間A～D內(nèi)相鄰分解水平間存在微弱差異，即無(wú)明顯差異，而在區(qū)間E～F有明顯光譜變異且變化幅度隨分解水平的增加而增強(qiáng)。在L6～L10內(nèi)，相鄰分解水平的低頻信息的吸收峰深度變化非常明顯，其中位于區(qū)間A、B的吸收峰在分解水平L8、L9內(nèi)合并，位于區(qū)間C、D、E的吸收峰在分解水平L8～L10消失；位于區(qū)間A、B的吸收峰深度隨分解水平的增加呈先升高后降低的趨勢(shì)，區(qū)間C～F整體呈逐步下降趨勢(shì)；吸收峰深度的曲線(xiàn)變化頻率隨分解水平的增加而逐步降低，這表明隨分解水平的增加，單分解水平低頻信息內(nèi)涵的信息量逐步減小。在H1～H5內(nèi)，隨分解水平的增加，高頻信息的振幅逐步增加，振動(dòng)頻率逐步降低；由L1～L5與H1～H5對(duì)比分析可知，由于經(jīng)小波技術(shù)處理后，冬小麥冠層光譜內(nèi)涵的信息總量不變，該信息被重新二次分配于各個(gè)分解水平內(nèi)，H1～H5高頻信息的波動(dòng)區(qū)域與低頻信息的變化區(qū)域大致一致。在H6～H10內(nèi)，隨分解水平的增加，高頻信息的振動(dòng)頻率整體呈逐步降低趨勢(shì)，高頻信息的振幅整體呈逐步加大趨勢(shì)，單分解水平高頻信息內(nèi)涵的信息量逐步減弱。綜上可知，分解水平1～5的高頻信息主要反映地物的細(xì)微吸收特征，分解水平6～10主要為地物的中、強(qiáng)吸收特征。

2.2 小波系數(shù)與冬小麥植株組分含水率的相關(guān)性分析

圖4為小波系數(shù)與冬小麥葉片含水率的決定系數(shù)(R2)矩陣。由圖4可知，H1～H10與冬小麥葉片含水率的相關(guān)性相對(duì)較高，L1～L10明顯較低，這表明在揚(yáng)花期、灌漿期內(nèi)，對(duì)冬小麥葉片含水率敏感的信息多為高頻信息。在分解水平H1～H10內(nèi)，對(duì)冬小麥葉片含水率敏感的光譜信息的波段位置的分布相對(duì)分散，無(wú)明顯集聚特征，且冬小麥冠層光譜對(duì)葉片含水率的敏感性相對(duì)較弱，其R2最高為0.481(分解水平3)。與冬小麥葉片含水率相關(guān)性較高的信息主要分布于H1～H7，其中對(duì)冬小麥葉片含水率敏感的波段多呈零星分布(無(wú)明顯集中區(qū)域)，而位于波長(zhǎng)1 350 nm附近(H1～H3)及波段1 100～1 400 nm(H6～H7)區(qū)域的敏感信息則相對(duì)集中。位于分解水平H8～H10、L1～L10的光譜信息對(duì)冬小麥葉片含水率的敏感性較差。綜上可知，對(duì)位于揚(yáng)花期、灌漿期的冬小麥葉片含水率的敏感信息多為高頻信息，且敏感性相對(duì)較弱，加大了處于該時(shí)期的冬小麥葉片含水率的檢測(cè)難度。

冬小麥麥穗含水率與小波系數(shù)的決定系數(shù)(R2)矩陣如圖5所示。由圖可知，位于分解水平H1～H10的光譜信息對(duì)冬小麥麥穗含水率的敏感性明顯高于L1～L10，表明對(duì)冬小麥麥穗敏感的光譜信息多為高頻信息。在分解水平H1～H10內(nèi)，對(duì)冬小麥麥穗含水率敏感的光譜信息的波段位置主要呈集中分布，且隨分解水平的增加，敏感波譜區(qū)域持續(xù)拓寬，在分解水平H9時(shí)敏感波譜區(qū)域?qū)挾冗_(dá)到最高。經(jīng)小波技術(shù)處理后，光譜對(duì)冬小麥麥穗含水率的敏感性整體較強(qiáng)，其決定系數(shù)R2最高可達(dá)0.725(分解水平5)。在分解水平H1～H10內(nèi)，光譜對(duì)冬小麥麥穗含水率的敏感性隨分解水平的增加呈先升后降的規(guī)律。在分解水平L1～L10內(nèi)，與冬小麥麥穗含水率敏感的波譜區(qū)域相對(duì)穩(wěn)定，主要分布于742～978 nm(L1～L7)、590～666 nm(L7)、350～510 nm(L8)。隨分解水平的增加，光譜對(duì)冬小麥麥穗含水率的敏感性整體呈先升高后降低的趨勢(shì)。綜上可知，冬小麥冠層光譜對(duì)處于揚(yáng)花期、灌漿期的冬小麥麥穗含水率的敏感性較強(qiáng)，敏感波譜信息多為高頻信息。

小波系數(shù)與冬小麥莖稈含水率的決定系數(shù)(R2)矩陣如圖6所示。由圖可知，分解水平H1～H10的敏感性明顯高于分解水平L1～L10，且與冬小麥莖稈含水率相關(guān)性高的波譜信息多位于H1～H10，表明高頻信息對(duì)冬小麥莖稈含水率的敏感性較強(qiáng)，適用于冬小麥莖稈含水率的檢測(cè)。在分解水平H1～H10內(nèi)，與冬小麥莖稈含水率敏感的波譜區(qū)域主要呈集中分布，且波譜分布區(qū)域的寬度隨分解水平的增加而逐步變寬(H1～H9)。光譜對(duì)冬小麥莖稈含水率的敏感性整體相對(duì)較高，其R2最高為0.639(分解水平5)，且該敏感性隨分解水平的增加呈先升高后降低的規(guī)律。在分解水平L1～L10內(nèi)，光譜對(duì)冬小麥莖稈含水率的敏感性整體較低，敏感波譜區(qū)域的分布具有一定的穩(wěn)定性，主要分布于746～977 nm。綜上可知，與冬小麥莖稈含水率敏感的光譜主要位于分解水平H1～H10內(nèi)，且敏感性相對(duì)較高。

由圖4～6對(duì)比分析可知，經(jīng)小波技術(shù)處理分析后，冬小麥冠層光譜對(duì)冬小麥麥穗含水率的敏感性最高，莖稈次之，葉片最?。粚?duì)冬小麥葉片含水率敏感的波段呈分散分布，而對(duì)冬小麥麥穗含水率、莖稈含水率敏感的波段則集中分布。對(duì)冬小麥莖稈含水率敏感的波段的分布特征與冬小麥麥穗含水率敏感波段的分布特征極為相似，究其原因主要為麥穗水分由莖稈直接輸入所致。冬小麥葉片含水率在冠層光譜上的響應(yīng)特征多為細(xì)微信息，而麥穗、莖稈為中、強(qiáng)吸收特征。

2.3 基于小波技術(shù)的冬小麥各組分含水率診斷模型

為構(gòu)建估測(cè)模型，首先利用決定系數(shù)篩選敏感性較高且波段位置間距至少50 nm的10～12個(gè)特征波段；然后利用最佳特征集提取算法篩選最佳特征波段組合，并依據(jù)特征波段對(duì)模型預(yù)測(cè)精度的貢獻(xiàn)決定特征波段的數(shù)量(研究選用0.05為閾值，即當(dāng)增加一個(gè)波段，模型預(yù)測(cè)精度的R2增加幅度在0.05以?xún)?nèi)時(shí)停止增加特征波段數(shù)量)；最后利用偏最小二乘算法構(gòu)建估測(cè)模型。

表2為基于小波技術(shù)的冬小麥葉片含水率估測(cè)模型。由表2可知，在高頻信息分解水平H1～H10內(nèi)，隨分解水平的增加，各模型的建模精度與驗(yàn)證精度均呈先升后降的規(guī)律，其中模型的建模精度在分解水平H4達(dá)到最高，而驗(yàn)證精度則在H8達(dá)到最高。從模型的建模精度與驗(yàn)證精度綜合分析可知，在分解水平H1～H10內(nèi)，冬小麥葉片含水率的估測(cè)模型的穩(wěn)定性均相對(duì)較差，尤其是H1～H4、H6，究其原因主要為冬小麥葉片在冠層光譜中貢獻(xiàn)率相對(duì)較低，且受冬小麥冠層上方空氣含水率的影響，冠層光譜內(nèi)的水分噪聲影響較大，加之冬小麥冠層頂部麥穗、莖稈的干擾，進(jìn)而導(dǎo)致冠層光譜內(nèi)的葉片信息受損。從入選模型的特征波段分析可知，特征波段多位于可見(jiàn)光-近紅外區(qū)域(350～1 497 nm)，且位于近紅外區(qū)域的特征波段明顯多于可見(jiàn)光區(qū)域。在低頻信息分解水平L1～L10內(nèi)，隨分解水平的增加，各模型的建模精度呈持續(xù)降低的規(guī)律，驗(yàn)證精度則呈先升后降的規(guī)律，其中驗(yàn)證精度在L3時(shí)達(dá)到最高。從模型建模精度與驗(yàn)證精度綜合分析可知，在分解水平L1～L10內(nèi)，估測(cè)模型的穩(wěn)定性相對(duì)較差，尤其是分解水平L1～L5。從模型入選特征波段分析可知，特征波段多位于可見(jiàn)光-近紅外區(qū)域(489～1 417 nm)，且位于近紅外區(qū)域的特征波段明顯多于可見(jiàn)光區(qū)域。

表2 基于小波技術(shù)的冬小麥葉片含水率估測(cè)模型Tab.2 Estimation model of leaf water content of winter wheat based on wavelet technology

表3為冬小麥麥穗含水率估測(cè)模型。由表3可知，在高頻信息分解水平H1～H10內(nèi)，模型的建模精度隨分解水平的增加而呈先升后降的趨勢(shì)，其在分解水平H6時(shí)模型的建模精度達(dá)到最高。模型的驗(yàn)證精度則呈先降后升再降的趨勢(shì)。從模型建模精度與驗(yàn)證精度綜合分析可知，基于分解水平H6構(gòu)建的模型為最優(yōu)模型，其驗(yàn)證精度的R2為0.947，RMSE為2.121%，RPD為4.345，其散點(diǎn)圖如圖7a所示。在分解水平H1～H10內(nèi)，入選模型的特征波段多位于紅、部分近紅外區(qū)域(370～1 260 nm)。在低頻信息分解水平L1～L10內(nèi)，模型的建模精度與驗(yàn)證精度均隨分解水平的增加而呈先升后降的規(guī)律，其中建模精度在分解水平L5達(dá)到最高，驗(yàn)證精度在分解水平L6達(dá)到最高。從建模精度與驗(yàn)證精度綜合分析可知，基于分解水平L5構(gòu)建的模型為最優(yōu)模型，其驗(yàn)證精度的R2為0.878，RMSE為3.621%，RPD為2.644，其散點(diǎn)圖如圖7b所示。從模型入選特征波段分析可知，在分解水平L1～L10內(nèi)，特征波段主要位于350～1 256 nm。

表3 基于小波技術(shù)的冬小麥麥穗含水率估測(cè)模型Tab.3 Estimation model of ear water content of winter wheat based on wavelet technology

基于小波技術(shù)的冬小麥莖稈含水率估測(cè)模型結(jié)果如表4所示。由表4可知，在高頻信息分解水平H1～H10內(nèi)，模型的建模精度整體呈降低的趨勢(shì)，模型驗(yàn)證精度則呈先升高后降低的趨勢(shì)，且在H7時(shí)達(dá)到最高。從建模精度與驗(yàn)證精度進(jìn)行綜合分析可知，基于分解水平H7構(gòu)建的模型為分解水平H1～H10內(nèi)的最優(yōu)模型，其驗(yàn)證精度的R2為0.730，RMSE為4.738%，RPD為1.600。從模型入選波段分析可知，模型多由位于可見(jiàn)光、近紅外區(qū)域的特征波段共同構(gòu)建，且特征波段主要位于500～1 300 nm。

表4 基于小波技術(shù)的冬小麥莖稈含水率估測(cè)模型Tab.4 Estimation model of stem water content of winter wheat based on wavelet technology

在低頻信息分解水平L1～L10內(nèi)，模型的建模精度與驗(yàn)證精度隨著分解水平的增加而呈先升后降的趨勢(shì)，其中建模精度在分解水平L4達(dá)到最高，驗(yàn)證精度則在分解水平L6達(dá)到最高。從建模精度與驗(yàn)證精度進(jìn)行綜合分析可知，由分解水平L5構(gòu)建的模型為最優(yōu)模型，其驗(yàn)證精度的R2為0.614，RMSE為5.542%，RPD為1.322。從模型入選特征波段分析可知，在分解水平L1～L10內(nèi)，入選模型的特征波段主要位于370～1 300 nm。

2.4 冬小麥各組分含水率的估測(cè)模型分析

由表1～3可知，與冬小麥葉片含水率相比，冬小麥麥穗、莖稈含水率的估測(cè)模型的入選特征波段的波段位置明顯偏短。冬小麥冠層光譜對(duì)冬小麥植株各組分含水率的估測(cè)能力存在差異，光譜對(duì)冬小麥麥穗含水率的估測(cè)能力最強(qiáng)，莖稈次之，葉片最差，這是由于處于揚(yáng)花期、灌漿期的冬小麥的冠層構(gòu)成成分已由挑旗期前的葉片主導(dǎo)轉(zhuǎn)換為麥穗主導(dǎo)。受水分噪聲、麥穗、麥芒等因素的干擾，光譜對(duì)冬小麥葉片含水率的估測(cè)精度與穩(wěn)定性，明顯低于麥穗；莖稈與麥穗直接相連，麥穗內(nèi)的水分由莖稈直接輸送，因此，光譜對(duì)莖稈含水率的估測(cè)精度與穩(wěn)定性也高于冬小麥葉片。綜上可知，在小波技術(shù)下，揚(yáng)花期-灌漿期內(nèi)，冬小麥的水分供給狀態(tài)已不適于通過(guò)監(jiān)測(cè)葉片含水率實(shí)現(xiàn)。

3 討論

冬小麥在郁閉后到挑旗期，冬小麥冠層光譜的主控因素為葉片，而挑旗期至蠟黃期，冬小麥冠層光譜的主控因素由葉片逐步轉(zhuǎn)變?yōu)辂溗?，尤其是抽穗后。而位于揚(yáng)花期、灌漿期的冬小麥植株對(duì)水分的需求量較大，加之宏觀氣候處于溫度上升期，水分蒸騰量迅速增加，因此，及時(shí)、準(zhǔn)確了解田間冬小麥植株水分供給現(xiàn)狀非常重要。該時(shí)期冠層光譜的主控因素已由葉片轉(zhuǎn)換為麥穗，通過(guò)精準(zhǔn)監(jiān)測(cè)冬小麥葉片含水率是否可行，利用光譜技術(shù)監(jiān)測(cè)冬小麥其他植株組分含水率是否可行，仍是一個(gè)尚待解決的科學(xué)問(wèn)題。本文以冬小麥冠層光譜及相應(yīng)冬小麥植株組分含水率為基礎(chǔ)數(shù)據(jù)，采用小波技術(shù)分解冬小麥冠層光譜，旨在研究分析利用光譜技術(shù)監(jiān)測(cè)抽穗-蠟黃期內(nèi)的冬小麥植株各組分含水率的可行性，及小波技術(shù)分離光譜信息的規(guī)律。研究表明，冬小麥麥穗含水率的估測(cè)精度較高，莖稈次之，葉片含水率估測(cè)精度最差；冬小麥麥穗含水率估測(cè)模型的穩(wěn)定性較強(qiáng)，莖稈次之，葉片穩(wěn)定性最差。這是由于一方面該生育期下的冬小麥冠層光譜的主控因素為麥穗，而葉片次之，莖稈占比最低。另一方面該時(shí)期區(qū)域氣溫升高，田間蒸騰量相對(duì)較高，冠層上部氣體含水率相對(duì)較高，水分干擾作用較強(qiáng)，加之冬小麥冠層頂部組分為麥穗，麥芒也對(duì)光譜內(nèi)的葉片信息產(chǎn)生一定的干擾作用，進(jìn)而導(dǎo)致葉片含水率的估測(cè)精度低且模型穩(wěn)定性差，表明揚(yáng)花期后的冬小麥植株供給狀態(tài)已不再適合僅采用葉片含水率來(lái)進(jìn)行評(píng)定，應(yīng)增加評(píng)價(jià)指標(biāo)。與冬小麥葉片含水率相關(guān)性最高的波段位于高頻信息中的分解水平3內(nèi)，與莖稈含水率相關(guān)性最高的波段位于高頻信息的分解水平5內(nèi)，與麥穗含水率相關(guān)性最高的波段位于分解水平5內(nèi)，這表明經(jīng)小波技術(shù)分解后，對(duì)冬小麥各植株組分含水率的敏感波段多位于高頻信息內(nèi)，究其原因主要為高頻信息是從低頻信息逐步分離得到，即高頻信息源于低頻信息，且從2.1節(jié)可知，冬小麥冠層光譜的吸收特征信息逐步由低頻轉(zhuǎn)至高頻信息內(nèi)，而位于低頻信息內(nèi)的水分吸收特征(879～1 078 nm、1 079～1 292 nm等)也逐步轉(zhuǎn)至高頻信息內(nèi)。在二進(jìn)制小波技術(shù)下，冬小麥冠層光譜內(nèi)含的吸收特征信息按強(qiáng)度依次分布于高頻信息內(nèi)的分解水平1～10內(nèi)，這可從2.1節(jié)的分析進(jìn)行佐證，究其原因主要是光譜吸收峰的高度、寬度能可代表原光譜中的吸收特征的強(qiáng)度，光譜吸收峰高度、寬度的降低可代表光譜吸收特征信息的減少。

4 結(jié)論

(1)經(jīng)小波技術(shù)分解后，冬小麥冠層光譜內(nèi)的吸收特征逐分解水平分離至高頻信息內(nèi)，且各分解水平所代表的吸收特征按強(qiáng)度依次分布于高頻信息的分解水平H1～H10內(nèi)。

(2)冬小麥麥穗含水率估測(cè)模型的精度與穩(wěn)定性較強(qiáng)，莖稈次之，葉片穩(wěn)定性最差，說(shuō)明揚(yáng)花期后的冬小麥水分供給已不再適合只采用葉片含水率進(jìn)行評(píng)定，應(yīng)增加或替換檢測(cè)指標(biāo)。