競 霞， 張 杰，， 王嬌嬌， 明世康， 傅友強(qiáng)， 馮海寬， 宋曉宇*

1. 西安科技大學(xué)測繪科學(xué)與技術(shù)學(xué)院， 陜西 西安 710054

2. 北京市農(nóng)林科學(xué)院信息技術(shù)研究中心， 北京 100094

3. 廣東省農(nóng)業(yè)科學(xué)院水稻研究所, 廣東 廣州 510640

引 言

水稻是我國種植面積最大、 覆蓋范圍最廣的糧食作物。 獲取高產(chǎn)、 高品質(zhì)的水稻是我國實(shí)施精準(zhǔn)農(nóng)業(yè)的新要求[1]。 基于高光譜信息的作物生長參數(shù)監(jiān)測， 是農(nóng)業(yè)遙感的研究熱點(diǎn)。 建立水稻收獲前的產(chǎn)量監(jiān)測模型， 是精準(zhǔn)制定田間管理措施、 快速評(píng)估水稻產(chǎn)量的可靠依據(jù)[2]。

大量學(xué)者已利用高光譜遙感對(duì)水稻等作物產(chǎn)量預(yù)測進(jìn)行了深入研究[3]。 薛利紅等在實(shí)測水稻高光譜反射率的基礎(chǔ)上， 構(gòu)建了基于光譜植被指數(shù)-葉面積氮指數(shù)的復(fù)合水稻產(chǎn)量估測模型， 取得了較好的估測精度[4]。 宋紅燕等發(fā)現(xiàn)水稻植株氮含量的敏感波段是552和890 nm， 并基于氮素敏感波段構(gòu)建了比值植被指數(shù)(ratio vegetation index， RVI)和綠色歸一化植被指數(shù)(green normalized vegetation index， GNDVI)， 依此構(gòu)建的產(chǎn)量監(jiān)測模型決定系數(shù)(R2)達(dá)到0.724[5]。 Kawamura等使用迭代逐步消除偏最小二乘法(iterative stepwise elimination partial least squares， ISE-PLS)對(duì)400～930 nm之間的波段進(jìn)行逐步消除選擇產(chǎn)量預(yù)測敏感波段， 建立水稻收獲前產(chǎn)量估算模型， 模型最大決定系數(shù)為0.873， 認(rèn)為水稻孕穗期為最佳估算時(shí)期[6]。 馮偉等對(duì)水稻葉片氮素參數(shù)、 冠層光譜等參數(shù)進(jìn)行多時(shí)期相關(guān)性分析， 認(rèn)為灌漿前期葉片氮素積累量和葉面積氮指數(shù)能夠反映水稻籽粒產(chǎn)量狀況， 實(shí)驗(yàn)結(jié)果表明利用水稻灌漿前期特征光譜參數(shù)和拔節(jié)—成熟期特征光譜指數(shù)的累積值能夠穩(wěn)定預(yù)報(bào)水稻成熟期籽粒產(chǎn)量[7]。 目前關(guān)于高光譜數(shù)據(jù)的研究大多通過相關(guān)性分析等方法實(shí)現(xiàn)對(duì)數(shù)據(jù)的特征降維， 去除高光譜數(shù)據(jù)中的冗余信息， 以較少的特征參數(shù)參與模型的構(gòu)建， 在降低模型構(gòu)建難度的同時(shí)， 可能會(huì)丟失部分有效信息。 而機(jī)器學(xué)習(xí)模型具備強(qiáng)大的處理高維數(shù)據(jù)與冗余數(shù)據(jù)的能力， 能夠有效抵抗高維數(shù)據(jù)中存在的噪聲， 基于更高效益的數(shù)學(xué)方法與數(shù)據(jù)處理方式實(shí)現(xiàn)對(duì)數(shù)據(jù)中有效信息的提取[8-9]。 Bao等在小麥品種的快速分類模型的構(gòu)建中， 使用連續(xù)投影算法(successive projections algorithm， SPA)、 主成分分析算法(principal component analysis， PCA)和隨機(jī)蛙跳(random frog， RF)三種特征提取方法， 從數(shù)百個(gè)光譜波段中篩選可用于建立分類模型的光譜變量， 使用線性判別分析(linear discriminant analysis， LDA)支持向量機(jī)(support vector machine, SVM)、 極限學(xué)習(xí)機(jī)(extreme learning machine， ELM)三種機(jī)器學(xué)習(xí)算法分別以全波段和經(jīng)過特征篩選的波段作為輸入變量進(jìn)行小麥品種分類模型構(gòu)建， 以全波段作為輸入變量的ELM算法分類精度最優(yōu)[10]。

水稻生長過程中， 植株本身在生長過程中水分供應(yīng)、 光熱吸收、 土壤養(yǎng)分固定等都會(huì)影響水稻的產(chǎn)量[11]。 本文根據(jù)前人研究， 選擇水稻分化期與抽穗期冠層全波段光譜數(shù)據(jù)， 篩選與產(chǎn)量相關(guān)的植株地上生物量、 葉面積指數(shù)， 土壤養(yǎng)分參數(shù)等影響因子， 利用貝葉斯嶺回歸(Bayesian ridge regression， BRR)、 支持向量回歸(support vector regression， SVR)、 偏最小二乘回歸(partial least square regression， PLSR)， 分別構(gòu)建： (1)基于全波段光譜信息的產(chǎn)量監(jiān)測模型； (2)基于全波段光譜信息協(xié)同長勢參數(shù)的產(chǎn)量監(jiān)測模型； (3)基于全波段光譜信息協(xié)同長勢參數(shù)、 作物養(yǎng)分吸收量的產(chǎn)量監(jiān)測模型。 探索不同算法在不同的輸入?yún)?shù)下的適應(yīng)性， 篩選最優(yōu)變量因子， 為水稻產(chǎn)量遙感監(jiān)測提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)設(shè)計(jì)

2019年—2020年在廣東省廣州市白云區(qū)鐘落潭試驗(yàn)基地(23°23′24″N—23°23′59″N, 113°25′48″E—113°26′24″E)開展水稻變量施肥的小區(qū)實(shí)驗(yàn)。 試驗(yàn)基地內(nèi)， 2019年的試驗(yàn)品種為美香占2號(hào)(V1)， 插秧時(shí)間2019年8月8日， 插秧密度為20 cm×20 cm。 共設(shè)計(jì)15個(gè)小區(qū)采樣測試； 每個(gè)小區(qū)插秧規(guī)格為16穴×16穴。 2020年的試驗(yàn)品種為美香占2號(hào)(V1)和五豐優(yōu)615(V2)， 插秧時(shí)間為2020年8月8日， 共30個(gè)小區(qū)， 插秧密度為20 cm×20 cm， 根據(jù)插秧規(guī)格， 每個(gè)小區(qū)16穴×20穴。

2019年及2020年試驗(yàn)共設(shè)計(jì)5個(gè)氮素水平(N0, N1, N2, N3, N4)， 分別為0， 60， 120， 180和240 kg N·ha-1， 設(shè)3次重復(fù)； 其中基肥、 分蘗肥、 穗肥的施用比例為5∶2∶3； 磷、 鉀肥用量分別為54和144 kg·ha-1。

2019年和2020年分別于分化期(2019-09-13， 2020-09-10)和抽穗期(2019-10-11， 2020-10-09)進(jìn)行水稻地上生物量(above ground biomass, AGB)、 葉面積指數(shù)(LAI)、 土壤營養(yǎng)參數(shù)及其他水稻品質(zhì)相關(guān)數(shù)據(jù)的田間采集， 其中2019年每時(shí)期獲取15個(gè)樣本， 2020年每時(shí)期獲取30個(gè)樣本。 數(shù)據(jù)獲取情況見表1。

表1 試驗(yàn)數(shù)據(jù)獲取

1.2 光譜測定與預(yù)處理

水稻冠層高光譜數(shù)據(jù)采集使用美國ASD Filed Spec Pro 2500背掛式野外光譜儀， 光譜范圍為350～2 500 nm。 根據(jù)前人的研究， 作物光譜的可見光與近紅外范圍已能夠反映作物的生長狀況， 因此本次實(shí)驗(yàn)采用454～950 nm的冠層光譜數(shù)據(jù)， 重采樣后間隔為4 nm[12-13]。 測量時(shí)間為北京時(shí)間10：00—14：00， 期間天氣晴朗， 在每一個(gè)采樣點(diǎn)測量前后均用標(biāo)準(zhǔn)白板對(duì)冠層輻亮度數(shù)據(jù)進(jìn)行校正。 探頭距離冠層高度約1 m， 垂直向下， 探頭角度為25°； 每個(gè)采樣點(diǎn)取10次測量平均值作為該樣方的冠層輻亮度值。 同一年的試驗(yàn)中， 記錄采樣點(diǎn)的位置， 保證不同生育期同一小區(qū)在相同位置采集數(shù)據(jù)。 對(duì)測定的冠層輻亮度和白板輻亮度利用式(1)計(jì)算目標(biāo)的光譜反射率。

(1)

式(1)中，R為冠層反射率，Ltarget為冠層輻亮度(μW·cm-2·nm-1·sr-1)，Lboard為白板輻亮度(μW·cm-2·nm-1·sr-1)，Rboard為白板反射率。

1.3 葉面積指數(shù)與生物量

測量光譜后， 在小區(qū)內(nèi)隨機(jī)選擇6穴水稻植株樣本， 去根并逐叢計(jì)數(shù)莖蘗數(shù)， 分化期莖葉分離， 抽穗期將莖葉和穗分離， 測定葉面積2 000 cm2(S)左右， 將其烘干后記錄重量(w1)， 余葉也一并烘干稱重(w2)， 利用以式(2)計(jì)算葉面積指數(shù)(LAI)

(2)

式(2)中，γ為取樣植株樣品穴數(shù)，D為種植密度， 由小區(qū)內(nèi)水稻種植穴數(shù)除以小區(qū)面積得到。

根據(jù)采樣點(diǎn)種植密度和水稻樣本的干重計(jì)算單位面積植株的地上生物量(above ground biomass， AGB, g·m-2)， 計(jì)算公式如式(3)

(3)

式(3)中，WL，WS和WE分別為水稻測試樣本葉片、 莖、 穗的干重(g)，γ為取樣植株樣品穴數(shù)，D為種植密度。

1.4 土壤養(yǎng)分測定及作物養(yǎng)分吸收量計(jì)算

2020年水稻抽穗期(2020年10月10日)及收獲后(2020年11月25日)分別于不同氮肥處理小區(qū)獲取田間0～20 cm土樣， 測試土壤理化性質(zhì)， 根據(jù)2020年試驗(yàn)小區(qū)施肥量、 土壤殘留養(yǎng)分含量計(jì)算了不同小區(qū)作物可吸收養(yǎng)分量， 如式(4)所示

作物氮(磷、 鉀)肥養(yǎng)分吸收量=施肥氮(磷、 鉀)肥養(yǎng)分總量-土壤氮(磷、 鉀)養(yǎng)分殘留量

(4)

其中施肥養(yǎng)分量由試驗(yàn)中所施用氮、 磷、 鉀肥料中有效養(yǎng)分含量百分比折算， 本試驗(yàn)中氮肥尿素中N含量46%， 鉀肥氧化鉀中K含量60%， 磷肥磷酸鈣中P含量12%； 土壤養(yǎng)分殘留量由土壤養(yǎng)分測試指標(biāo)與耕層土質(zhì)量相乘得到， 本研究中耕層土質(zhì)量按照耕層厚度20 cm計(jì)算， 研究中未考慮肥料揮發(fā)及淋濾損失量。

1.5 產(chǎn)量測定

于成熟期逐小區(qū)實(shí)收125叢稻株(5 m2)測產(chǎn)， 將稻谷風(fēng)干， 取100 g左右于105 ℃下烘干48 h， 測定含水量， 然后將稻谷轉(zhuǎn)換成含水量為14%的稻谷產(chǎn)量。

1.6 數(shù)據(jù)分析方法

偏最小二乘回歸(partial least square regression， PLSR)通過最小化誤差的平方和， 尋找一組新的潛在變量來解釋自變量X與因變量Y之間的統(tǒng)計(jì)關(guān)系， 并且可以在建模過程中實(shí)現(xiàn)對(duì)數(shù)據(jù)的主成分分析、 典型相關(guān)性分析和回歸分析， 是一種常見的對(duì)數(shù)據(jù)進(jìn)行降維處理、 解決數(shù)據(jù)多重共線性問題、 簡化建模過程的線性回歸方式[14-15]。 貝葉斯嶺回歸(Bayesian ridge regression， BRR)是基于貝葉斯方法與最小二乘法的改進(jìn)而提出的， 通過對(duì)線性貝葉斯回歸模型加入L2正則化， 結(jié)合相關(guān)參數(shù)的先驗(yàn)信息形成先驗(yàn)分布并給出預(yù)估數(shù)值[16]。 支持向量回歸(support vector regression， SVR)的基本思想是通過尋找最優(yōu)劃分超平面， 忽略小于偏差ε的的樣本， 對(duì)其他樣本進(jìn)行回歸； 偏差ε的引入是SVR區(qū)別于傳統(tǒng)回歸模型的地方， 即以預(yù)測y值為中心， 與真實(shí)y值之間存在一個(gè)寬度為2ε的區(qū)域， 在此區(qū)域內(nèi)， 預(yù)測y值與真實(shí)y值的差別認(rèn)為是0。 其回歸模型為f(x)=wTx+b，w和b為模型待確定參數(shù)[17]。 它能夠較好的完成自變量與因變量之間的非線性回歸。

1.7 模型驗(yàn)證方法

利用PLSR， BRR和SVR三種算法構(gòu)建水稻產(chǎn)量估算模型時(shí)， 采用k-fold交叉驗(yàn)證方法進(jìn)行建模， 即將樣本集隨機(jī)分為k組子數(shù)據(jù)集， 輪流使用其中的k-1份子數(shù)據(jù)集建模， 另一份作為驗(yàn)證，k次建模后的均值為模型的精度。 采用決定系數(shù)(R2)和歸一化均方根誤差(normalized root mean square error， NRMSE)兩個(gè)指標(biāo)聯(lián)合驗(yàn)證模型預(yù)測精度,R2越大， 代表模型擬合度更高， NRMSE越小， 模型穩(wěn)定性越好， NRMSE<10%表示模型具有較好的穩(wěn)定性。

2 結(jié)果與討論

2.1 水稻產(chǎn)量的關(guān)鍵影響因子分析

2.1.1 水稻產(chǎn)量與不同生育期AGB、 LAI的相關(guān)性分析

2019年與2020年合并后的水稻產(chǎn)量與AGB和LAI進(jìn)行相關(guān)性分析可知， AGB， LAI與產(chǎn)量在分化期相關(guān)系數(shù)分別為0.809和0.678， 抽穗期AGB和LAI與產(chǎn)量的相關(guān)性則是有所下降， 分別為0.635， 0.590， 但都達(dá)到了0.001水平顯著(r(0.001)=0.474，n=45)。 2020年水稻產(chǎn)量與AGB、 LAI進(jìn)行相關(guān)性分析， 分化期與抽穗期所有長勢參量均達(dá)到了0.001水平顯著(r(0.001)=0.570，n=30)， 兩時(shí)期比較， 分化期相關(guān)系數(shù)高于抽穗期， AGB、 LAI與產(chǎn)量在分化期相關(guān)系數(shù)分別為0.596和0.839， 抽穗期相關(guān)系數(shù)分別為0.586， 0.696。 同時(shí)， LAI與AGB同樣具有較高的相關(guān)性， LAI代表葉片尺度植株的生理狀態(tài)， AGB可表示植株地上部分整體的發(fā)育狀況； 由于水稻產(chǎn)量的形成是一個(gè)動(dòng)態(tài)且復(fù)雜的生物學(xué)過程， 在同一生育時(shí)期， 不同的長勢參數(shù)可能對(duì)水稻的產(chǎn)量形成具備不同的作用機(jī)理， 故建模過程中同時(shí)加入AGB和LAI兩個(gè)長勢參量探究其對(duì)產(chǎn)量形成的影響。

2.1.2 水稻產(chǎn)量作物養(yǎng)分吸收量的相關(guān)性分析

于2020年10月10日， 水稻分化肥施用1個(gè)月之后， 以及11月23日， 水稻成熟收獲后， 分別采集不同氮肥處理小區(qū)土壤數(shù)據(jù)， 進(jìn)行土壤養(yǎng)分測試， 獲取小區(qū)土壤堿解氮(mg·kg-1)、 速效鉀(mg·kg-1)及有效磷(mg·kg-1)含量數(shù)據(jù)。 根據(jù)小區(qū)施肥量數(shù)據(jù)及土壤養(yǎng)分殘留含量數(shù)據(jù)， 分別計(jì)算了作物養(yǎng)分吸收量， 并分析了水稻抽穗期及成熟期養(yǎng)分吸收量與AGC、 LAI及產(chǎn)量的相關(guān)關(guān)系， 結(jié)果如表2所示。

表2 2020年AGB、 LAI及產(chǎn)量與作物養(yǎng)分吸收量的相關(guān)性(n=30)

抽穗期作物養(yǎng)分吸收量與產(chǎn)量的相關(guān)系數(shù)分別為0.713， -0.086和0.526; 成熟期作物養(yǎng)分吸收量與產(chǎn)量的相關(guān)系數(shù)分別為0.723， -0.242和0.402， 其中兩時(shí)期作物吸收N與作物吸收K和產(chǎn)量具有較好的相關(guān)性， 作物吸收P則與產(chǎn)量線性關(guān)系不顯著, 但不能排除是否存在其他關(guān)系； 分化期與抽穗期的AGB、 LAI和兩時(shí)期作物吸收N均達(dá)到了極顯著相關(guān)， 最大相關(guān)系數(shù)為0.818。 由于成熟期作物吸收N， P和K量在水稻成熟后才可獲取， 難以實(shí)現(xiàn)水稻產(chǎn)量早期監(jiān)測， 故模型中土壤養(yǎng)分參數(shù)僅使用至抽穗期作物吸收N， P和K量。

2.1.3 冠層光譜與水稻長勢參數(shù)的相關(guān)性分析

如圖1、 圖2所示， 對(duì)水稻分化期與抽穗期冠層光譜與長勢參數(shù)進(jìn)行相關(guān)性分析， 2019年與2020年所有長勢參數(shù)在兩生育期相關(guān)系數(shù)有所不同， 但均具有相似的變化趨勢， 近紅外部分均保持在某一值持平， 整體變化幅度很小且以正相關(guān)為主， 可見光部分則以負(fù)相關(guān)為主。 所有長勢參數(shù)在550 nm附近出現(xiàn)相關(guān)性“低谷”， 相關(guān)系數(shù)低于其他可見光部分。 在可見光區(qū)域與近紅外區(qū)域的交界處， 光譜反射率受葉片內(nèi)細(xì)胞間隙折射率不同的影響， 反射率急劇增加， 相關(guān)系數(shù)迅速由負(fù)轉(zhuǎn)正， 有明顯的降低后再抬升的趨勢。

圖1(a)和(b)是將2019年與2020年數(shù)據(jù)分生育期合并后的冠層光譜與長勢參數(shù)的相關(guān)系數(shù)， LAI與AGB在兩時(shí)期具有相似的變化趨勢， 在可見光部分， 抽穗期LAI與AGB同冠層光譜的相關(guān)性較差， 均未超過0.4， 分化期明顯優(yōu)于抽穗期， 尤其在602～690 nm之間， 冠層光譜與LAI最大相關(guān)系數(shù)達(dá)到-0.685(666 nm)， 與AGB最大相關(guān)系數(shù)達(dá)到-0.762(662 nm)， 在近紅外部分， 則是抽穗期優(yōu)于分化期且LAI與冠層光譜的相關(guān)性更高， LAI與AGB的最大相關(guān)系數(shù)分別為0.708(922 nm)、 0.584(922 nm)。 圖2(a)和(b)為2020年兩生育期冠層光譜與長勢參數(shù)的相關(guān)性， LAI與冠層反射率相關(guān)性全波段抽穗期高于分化期， 在近紅外區(qū)域相差0.1左右， 分化期最大相關(guān)系數(shù)-0.623(666 nm)， 抽穗期最大相關(guān)系數(shù)為0.753(886 nm)， AGB與冠層反射率相關(guān)性在可見光區(qū)域分化期高于抽穗期， 而在近紅外區(qū)域抽穗期更高， 分化期最大相關(guān)系數(shù)為-0.665(662 nm)， 抽穗期最大相關(guān)系數(shù)為0.616(878 nm)。

圖1 2019年與2020年水稻不同生育期冠層光譜與長勢參數(shù)相關(guān)性

圖2 2020年水稻不同生育期冠層光譜與長勢參數(shù)相關(guān)性

LAI與AGB在冠層光譜的大部分區(qū)域均表現(xiàn)出較強(qiáng)的相關(guān)性， 可以認(rèn)為LAI與AGB參數(shù)能夠被冠層光譜較好的表達(dá)， 而LAI與AGB和產(chǎn)量的相關(guān)性達(dá)到極顯著水平， 故利用作物生長前期的光譜數(shù)據(jù)進(jìn)行產(chǎn)量監(jiān)測是可行的。

2.2 水稻產(chǎn)量模型構(gòu)建與分析

分別使用BRR， SVR和PLSR構(gòu)建水稻產(chǎn)量預(yù)測模型， 基于2019年與2020年合并后分化期(n=45)和抽穗期(n=45)數(shù)據(jù)， 構(gòu)建基于全波段光譜、 全波段光譜+AGB、 LAI的產(chǎn)量預(yù)測模型； 基于2020年分化期(n=30)和抽穗期(n=30)數(shù)據(jù)， 構(gòu)建基于全波段光譜、 全波段光譜+AGB、 LAI， 全波段光譜+AGB、 LAI+作物養(yǎng)分吸收量的產(chǎn)量預(yù)測模型； 表3為三種方法使用2019年與2020年數(shù)據(jù)建模的決定系數(shù)(R2)與歸一化均方根差(NRMSE)， 表4為三種方法使用2020年數(shù)據(jù)建模的決定系數(shù)(R2)與歸一化均方根差(NRMSE)。

表3 基于2019與2020年數(shù)據(jù)的模型精度(n=45)

表4 基于2020年數(shù)據(jù)的模型構(gòu)建精度(n=30)

2.2.1 基于光譜信息與農(nóng)學(xué)參量的水稻產(chǎn)量預(yù)測

由表3可知， 以全波段光譜作為輸入?yún)?shù)時(shí)， 三種方法所建立的產(chǎn)量預(yù)測模型， 分化期精度優(yōu)于抽穗期， BRR模型在分化期R2達(dá)到了0.897 1， NRMSE為6.76%， 較抽穗期R2高0.032 4， NRMSE低1%； SVR模型在分化期R2為0.877 6， NRMSE為7.59%， 抽穗期R2為0.865 5， 兩時(shí)期預(yù)測精度與模型穩(wěn)定性接近， 而PLSR模型在分化期的R2較抽穗期相差較大， 相差0.199, NRMSE相差3.6%。 以全波段光譜+AGB、 LAI作為輸入?yún)?shù)時(shí)， BRR模型與SVR模型抽穗期精度則優(yōu)于分化期， 其中BRR模型在分化期R2為0.903 0， NRMSE為6.57%， 在抽穗期R2為0.915 2， NRMSE為6.24%，R2均達(dá)到0.9以上； SVR模型在分化期較僅輸入全波段的模型精度反而有所下降，R2降低0.027 5， 抽穗期模型較僅輸入全波段的模型精度有提升， 但提升不大； PLSR模型則是在分化期表現(xiàn)較好， 但仍未能超過BRR模型與SVR模型的預(yù)測精度。 從整體來看， BRR模型在僅使用全波段作為輸入?yún)⒘繒r(shí)已取得較好的預(yù)測精度， 加入長勢參數(shù)時(shí)， 離群點(diǎn)變的更少， 所有點(diǎn)基本位于0誤差線兩側(cè)， 對(duì)產(chǎn)量中的較大與較小值均有較好的預(yù)測效果。

圖3 基于全波段光譜的產(chǎn)量預(yù)測模型

圖4 基于全波段光譜—長勢參數(shù)的產(chǎn)量預(yù)測模型

2.2.2 基于光譜信息-農(nóng)學(xué)參量及作物養(yǎng)分吸收量的水稻產(chǎn)量預(yù)測

基于2020年分化期與抽穗期數(shù)據(jù)所建的產(chǎn)量預(yù)測模型， 以全波段光譜作為輸入?yún)?shù)時(shí)， 三種模型在分化期的模型精度優(yōu)于抽穗期模型精度； 以全波段光譜+AGB、 LAI作為輸入?yún)?shù)時(shí)， 分化期BRR模型R2提高至0.925 0， 抽穗期BRR模型R2提高至0.905 7， SVR模型與PLSR模型較僅輸入全波段時(shí)未有較大提升， 但SVR模型仍具有良好的估測精度； 以全波段+AGB、 LAI+作物養(yǎng)分吸收量作為輸入?yún)⒘繒r(shí)， BRR模型在分化期R2達(dá)到最大， 為0.940 3， NRMSE為4.34%， 抽穗期模型R2為0.922 4， NRMSE為4.95%， 散點(diǎn)分布均勻， 在分化期模型估算精度更好， SVR模型則是在抽穗期模型估算精度更好。 PLSR模型在分化期與抽穗期表現(xiàn)均低于BRR模型與SVR模型， 且離群點(diǎn)更明顯。

3 結(jié) 論

分別以2019年與2020年分化期與抽穗期水稻全波段光譜、 全波段光譜+作物長勢參數(shù)、 全波段光譜+作物長勢參數(shù)+作物養(yǎng)分吸收量作為自變量， 采用BRR， SVR和PLSR三種回歸模型對(duì)水稻產(chǎn)量進(jìn)行建模估計(jì)， 選取最佳估算模型與最佳估算時(shí)期。 實(shí)驗(yàn)結(jié)果表明， 利用分化期與抽穗期冠層光譜監(jiān)測當(dāng)季水稻產(chǎn)量是可行的； 三種方法中， BRR模型能夠更有效的對(duì)水稻產(chǎn)量進(jìn)行估計(jì)， 各生育期估算均達(dá)到最優(yōu)， 基于2019年與2020年數(shù)據(jù)的模型， 最大R2為0.915 2， 基于2020年數(shù)據(jù)， 最大R2為0.940 3， 在僅輸入全波段光譜的時(shí)候也取得了較好的估算結(jié)果； 加入水稻長勢參數(shù)、 作物氮素吸收量后， 能夠有效提高模型的擬合優(yōu)度與穩(wěn)定性， 這是由于水稻產(chǎn)量與作物不同時(shí)期吸收和轉(zhuǎn)化來自土壤和環(huán)境的養(yǎng)分存在密切關(guān)系， 合理優(yōu)化作物養(yǎng)分吸收能夠有效提高作物產(chǎn)量。 綜合對(duì)比下， 水稻產(chǎn)量的最佳估算時(shí)期是分化期； BRR和SVR兩種機(jī)器學(xué)習(xí)模型的估算精度在兩種監(jiān)測模型中均優(yōu)于PLSR， 雖然PLSR選取了較少的參數(shù)， 降低了模型復(fù)雜度， 但是也丟失了部分可用來估算水稻產(chǎn)量的信息波段， 而兩種機(jī)器學(xué)習(xí)模型利用所有信息進(jìn)行回歸建模， 較大程度的保留了與水稻產(chǎn)量相關(guān)的信息， 且簡化了數(shù)據(jù)處理流程； 在不同時(shí)期與不同輸入?yún)?shù)下， 基于先驗(yàn)分布的BRR模型能夠更好的解決高光譜數(shù)據(jù)中的多重共線性問題， 對(duì)于數(shù)據(jù)中存在的噪聲能夠有效抵抗， 在具有上百個(gè)波段的高光譜數(shù)據(jù)的輸入下， 保持了模型的穩(wěn)定性， 有利于模型的推廣。

圖5 基于全波段光譜的產(chǎn)量預(yù)測模型

圖6 基于全波段光譜—長勢參數(shù)的產(chǎn)量預(yù)測模型

圖7 基于全波段光譜—長勢參數(shù)—作物養(yǎng)分吸收量的產(chǎn)量預(yù)測模型

本工作僅選用了BRR， SVR和PLSR三種方法構(gòu)建水稻產(chǎn)量的模型， 未能選用更多的方法進(jìn)行監(jiān)測模型建立， 若增加其他方法， BRR方法是否還能保持最優(yōu)還有待研究。 此外， 將不同參數(shù)作為自變量進(jìn)行輸入時(shí)只是簡單拼接， 未考慮不同參數(shù)的權(quán)重分布， 不同參數(shù)與產(chǎn)量是否存在最優(yōu)映射的關(guān)系有待下一步研究。 全波段建模方法需要算法具有良好的噪聲抵抗能力， 進(jìn)一步提高算法的噪聲抵抗能力以及穩(wěn)定性， 有利于獲取更好的監(jiān)測精度。