張 月，張 煊，閆曉斌，楊武德，馮美臣，肖璐潔，宋曉彥，張美俊，王 超

（山西農(nóng)業(yè)大學(xué) 農(nóng)學(xué)院，山西 太谷 030801）

植株含水量（Plant water content，PWC）是表征植物水分狀況最直接的指標(biāo)，也是農(nóng)戶(hù)進(jìn)行田間灌溉的重要參考。當(dāng)前，干旱已經(jīng)成為影響作物生產(chǎn)的重要農(nóng)業(yè)災(zāi)害之一[1-2]，干旱發(fā)生后，能否實(shí)時(shí)、快速、無(wú)損地掌握干旱條件下作物水分含量，是進(jìn)行有效農(nóng)田灌溉管理從而減緩干旱對(duì)作物生產(chǎn)影響的關(guān)鍵，同時(shí)也可為監(jiān)測(cè)大田作物的長(zhǎng)勢(shì)狀況提供一定參考。

高光譜技術(shù)具有快速、無(wú)損、高效獲取目標(biāo)屬性的優(yōu)點(diǎn)[3]。近年來(lái)，眾多研究者利用高光譜技術(shù)致力于構(gòu)建植株生理指標(biāo)的高光譜準(zhǔn)確診斷模型，從融合植被指數(shù)建立反演模型[4]、尋找最優(yōu)建模方法預(yù)測(cè)生理指標(biāo)[5]、發(fā)掘新的變量選擇方法[6]和構(gòu)建綜合指標(biāo)[7]等多種角度進(jìn)行了研究。已有研究開(kāi)展了灌溉處理下作物水分特性及長(zhǎng)勢(shì)的光譜估算，證實(shí)了在適宜水分處理下高光譜與作物水分的響應(yīng)特性及定量監(jiān)測(cè)效果[8]。在干旱脅迫下，作物生長(zhǎng)發(fā)育進(jìn)程會(huì)受阻，同時(shí)作物冠層結(jié)構(gòu)、葉片顏色、細(xì)胞結(jié)構(gòu)、酶活等生理生化特性也會(huì)發(fā)生相應(yīng)變化[9]。而干旱脅迫下高光譜技術(shù)能否響應(yīng)作物水分狀態(tài)、有何響應(yīng)特性、能否定量估算是值得進(jìn)一步探究的。但提高目標(biāo)屬性的光譜監(jiān)測(cè)精度一直是光譜領(lǐng)域研究的核心和熱點(diǎn)，同時(shí)也是限制光譜技術(shù)能否應(yīng)用于生產(chǎn)實(shí)踐的關(guān)鍵。孫乾等[10]研究中提到光譜數(shù)據(jù)獲取過(guò)程中極易受到雜散光、樣品背景、周?chē)h(huán)境等因素的影響，從而降低光譜信息的準(zhǔn)確性和有效性，且高光譜數(shù)據(jù)信息多和波段變量之間冗余情況嚴(yán)重，都會(huì)對(duì)模型的估算精度產(chǎn)生干擾和影響。JIANG等[11]研究證實(shí)，對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理可以在一定程度上降低噪音影響和提高信噪比，這是提高模型精度的有效途徑之一。而當(dāng)前光譜預(yù)處理方法眾多，最優(yōu)預(yù)處理結(jié)果和效果各異。此外，HE等[12]研究證實(shí)，挖掘和提取目標(biāo)屬性的高光譜敏感特征波段，有助于揭示和解釋目標(biāo)屬性的高光譜響應(yīng)機(jī)理，同時(shí)實(shí)現(xiàn)光譜數(shù)據(jù)降維，也是建立高精度模型和實(shí)踐應(yīng)用性模型的主要思路。就估算模型類(lèi)型來(lái)講，基于全譜信息的估算模型一般具有較好的估算效果，但SEQUEIRA等[13]研究指出，因其包含了許多無(wú)效信息，不可避免地影響到模型估算精度，同時(shí)，全譜模型因其變量多、信息量大，其運(yùn)算效率對(duì)實(shí)踐應(yīng)用構(gòu)成了一定的挑戰(zhàn)。基于光譜特征的估算模型雖可以克服以上缺點(diǎn)[14]，但是模型精度有待進(jìn)一步提升。

本研究以冬小麥干旱脅迫試驗(yàn)為基礎(chǔ)，采用不同高光譜預(yù)處理結(jié)合不同建模方法，實(shí)現(xiàn)對(duì)干旱脅迫下冬小麥植株含水量的監(jiān)測(cè)和預(yù)測(cè)，主要包括：干旱脅迫下冬小麥植株含水量的高光譜特征及響應(yīng)特性；光譜預(yù)處理對(duì)高光譜監(jiān)測(cè)冬小麥植株含水量的影響；構(gòu)建冬小麥植株含水量的高光譜監(jiān)測(cè)模型，從而實(shí)現(xiàn)干旱脅迫下冬小麥植株含水量的高效、準(zhǔn)確監(jiān)測(cè)。

1 材料和方法

1.1 試驗(yàn)材料

供試小麥品種為長(zhǎng)6878（V2）和長(zhǎng)4738（V1）。

1.2 試驗(yàn)設(shè)計(jì)

本試驗(yàn)在農(nóng)業(yè)部華北黃土高原作物栽培與耕地保育科學(xué)觀測(cè)實(shí)驗(yàn)站進(jìn)行。該地區(qū)屬于溫帶大陸性氣候，年平均無(wú)霜期為179 d，年平均降水量為397.1 mm，年平均氣溫為10.4℃。試驗(yàn)地設(shè)有可移動(dòng)電動(dòng)防雨棚，可避免自然降雨的影響，棚內(nèi)小區(qū)面積9 m2（3 m×3 m），每個(gè)小區(qū)四周安裝深度為2 m的PVC防滲板。試驗(yàn)采用完全隨機(jī)區(qū)組設(shè)計(jì)，設(shè)計(jì)小區(qū)分布如圖1所示。分別在拔節(jié)期—抽穗期和開(kāi)花期—灌漿期進(jìn)行干旱脅迫處理：田間持水量在拔節(jié)期—抽穗期為75%，在開(kāi)花期—灌漿期分別保持65%（T1）、55%（T2）和45%（T3）；在開(kāi)花灌漿期為75%時(shí)，在拔節(jié)期—抽穗期分別保持65%（T4）、55%（T5）和45%（T6）；以2個(gè)時(shí)期處理均保持正常灌溉75%的持水量作為對(duì)照（圖1）。控水處理過(guò)程中，為盡可能保證各處理小區(qū)中的土壤水分狀況處于目標(biāo)水分處理?xiàng)l件，針對(duì)每一處理水平，每隔2 d測(cè)定該處理中0～20 cm的土壤含水量一次，并換算為當(dāng)前土壤水分占田間持水量的百分比，然后根據(jù)該處理的目標(biāo)田間持水量，計(jì)算當(dāng)前該處理?xiàng)l件下需要灌溉的水量。全生育期預(yù)防自然降水，其他管理措施相同。

圖1 試驗(yàn)設(shè)計(jì)的小區(qū)分布及控水處理方案Fig.1 Plot distribution map and water control treatment details of experimental design

1.3 數(shù)據(jù)獲取

根據(jù)冬小麥干旱脅迫試驗(yàn)中控水處理的時(shí)期，在冬小麥抽穗末期（第1期控水結(jié)束時(shí)）、灌漿中期（第2期控水期間）和灌漿末期（第2期控水結(jié)束時(shí)）采集其冠層光譜和獲取PWC。

1.3.1 高光譜數(shù)據(jù)采用美國(guó)ASD公司生產(chǎn)的FieldSpec 3型背掛式野外光譜儀獲取冬小麥冠層高光譜數(shù)據(jù)，波長(zhǎng)范圍為350～2 500 nm。350～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm，在1 000～2 500 nm采樣間隔與光譜分辨率分別為2、10 nm。光纖視場(chǎng)角度為25°。冬小麥冠層高光譜的測(cè)定需選擇天氣晴朗、風(fēng)力小于3級(jí)的天氣條件。測(cè)定時(shí)間為11：00—13：00，測(cè)定時(shí)光譜探頭垂直向下，距目標(biāo)冠層的垂直高度為1 m。每次測(cè)量獲取9個(gè)光譜數(shù)據(jù)，各小區(qū)選擇3個(gè)測(cè)量樣點(diǎn)，測(cè)量過(guò)程中，需用標(biāo)準(zhǔn)白板進(jìn)行不間斷校正。

1.3.2 PWC數(shù)據(jù)在獲取冠層光譜的位置，采集冬小麥植株樣本。取0.02 m2樣方內(nèi)的冬小麥植株，去除根部后迅速裝入密封袋內(nèi)，稱(chēng)取鮮生物量（AGFB），之后放入已稱(chēng)質(zhì)量的牛皮紙袋中，于105℃烘箱中殺青0.5 h，然后于80℃烘箱中干燥至恒質(zhì)量，迅速稱(chēng)其干生物量（AGDB），計(jì)算植株含水量（PWC）。

1.4 數(shù)據(jù)處理與分析

共獲取126個(gè)樣本數(shù)據(jù)，其中，5個(gè)樣本的冠層光譜數(shù)據(jù)不具備綠色植被的典型光譜特性，另外2個(gè)樣本的PWC數(shù)據(jù)為負(fù)值，因此，在研究分析中特將該7個(gè)樣本數(shù)據(jù)進(jìn)行刪除，最終得到119個(gè)樣本數(shù)據(jù)。

此外，冠層光譜數(shù)據(jù)獲取過(guò)程中，大氣水汽等環(huán)境因素會(huì)造成1 350～1 400、1 800～1 950 nm光譜區(qū)域數(shù)據(jù)的劇烈無(wú)規(guī)則波動(dòng)，同時(shí)由于光譜儀噪音和背景的存在，會(huì)影響到首末端350～399、2 451～2 500 nm光譜信息[15]，因此，從原始光譜數(shù)據(jù)中刪除以上4個(gè)光譜區(qū)域用于進(jìn)一步數(shù)據(jù)分析。

1.4.1 預(yù)處理方法當(dāng)前較為廣泛的預(yù)處理方法可以分為散射校正方法（MSC、NC、SNV等）和微分處理方法（1st、2nd等）2類(lèi)，其中，多元散射校正（MSC）主要用于消除顆粒分布不均勻產(chǎn)生的散射影響；歸一化處理（NC）常用于微小光程差異引起的光譜變化；標(biāo)準(zhǔn)正態(tài)變量（SNV）作用與MSC相似；一階微分（1st）、二階微分（2nd）可以有效消除基線和背景因素的干擾[16]。故本研究采用MSC、NC、SNV、1st、2nd等5種預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理。

1.4.2 連續(xù)投影算法（SPA）SPA是用矢量投影分析來(lái)最大程度地消除頻譜中的冗余信息，并經(jīng)過(guò)反復(fù)采樣和檢查，當(dāng)估算誤差（RMSE）最小時(shí)，進(jìn)入模型中的自變量就被認(rèn)為與因變量具有重要的關(guān)系。在高光譜分析中常采用SPA方法來(lái)提取和選擇能夠表征目標(biāo)屬性的波段，該波段一般被認(rèn)為是目標(biāo)屬性的特征波段。

采用SPSS 26.0進(jìn)行描述性統(tǒng)計(jì)分析，采用MATLAB 2010a進(jìn)行相關(guān)性、特征波段提取和建模分析，采用Origin 2020b作圖。

1.5 模型構(gòu)建方法

1.5.1 偏最小二程回歸（PLSR）PLSR通過(guò)輸入所有光譜波段，從解釋變量的矩陣中選擇不相關(guān)變量，因其能夠有效克服數(shù)據(jù)的共線性、頻帶重疊和交互等常見(jiàn)問(wèn)題，而廣泛應(yīng)用于高光譜數(shù)據(jù)的定量分析中[17]。通過(guò)MATLAB 2010a中使用pls庫(kù)編寫(xiě)的程序進(jìn)行PLSR建模，綜合考慮因子個(gè)數(shù)及標(biāo)準(zhǔn)偏差確定最佳因子個(gè)數(shù)，并得出該因子個(gè)數(shù)下PLSR模型的決定系數(shù)（R2）、標(biāo)準(zhǔn)偏差（RMSE）和預(yù)測(cè)均方根誤差比（RPD）。

1.5.2 多元線性回歸（MLR）MLR是通過(guò)確定因變量和多個(gè)自變量以及他們之間的關(guān)系，設(shè)定自變量參數(shù)的回歸方程進(jìn)行預(yù)測(cè)，其所建模型簡(jiǎn)單、易于解釋?zhuān)茏兞抗簿€性的影響較大。在MATLAB 2010a中進(jìn)行特征波段提取后，利用Excel的數(shù)據(jù)分析功能構(gòu)建校正集和驗(yàn)證集的MLR模型。

使用決定系數(shù)（R2）、標(biāo)準(zhǔn)偏差（RMSE）和預(yù)測(cè)均方根誤差比（RPD）來(lái)作為模型的評(píng)價(jià)指標(biāo)。模型預(yù)測(cè)精度采用R2和RMSE進(jìn)行表征，R2越大、RMSE越小，說(shuō)明模型預(yù)測(cè)精度越高；模型穩(wěn)定性采用RPD來(lái)檢驗(yàn)，一般認(rèn)為RPD小于1.4時(shí)，模型難以對(duì)樣本進(jìn)行有效預(yù)測(cè)；RPD介于1.4～2.0時(shí)，模型可以對(duì)樣本進(jìn)行粗略地預(yù)測(cè)；RPD大于等于2時(shí)，模型預(yù)測(cè)效果極好。

式中，n代表數(shù)據(jù)樣本個(gè)數(shù)，Y'i、Yi和分別表示預(yù)測(cè)值、實(shí)測(cè)值和平均值，SD表示實(shí)測(cè)值的標(biāo)準(zhǔn)誤差。

2 結(jié)果與分析

2.1 冬小麥PWC的描述性統(tǒng)計(jì)分析

將119個(gè)植株含水量樣本數(shù)據(jù)從低到高進(jìn)行排序，按照2∶1分配標(biāo)準(zhǔn)劃分為校正集（n=80）和驗(yàn)證集（n=39），各數(shù)據(jù)集PWC的描述性統(tǒng)計(jì)分析如表1所示。

表1 冬小麥PWC的描述性統(tǒng)計(jì)分析Tab.1 Description statistical analysis of winter wheat PWC

由表1可知，總樣本的PWC最小值和最大值分別為55.7%和86.8%，樣本數(shù)據(jù)的全距較大，標(biāo)準(zhǔn)差為8.00%，變異系數(shù)10.5%，表明數(shù)據(jù)樣本的整體異質(zhì)性較大；驗(yàn)證集樣本PWC全距基本包含在校正集中，為建立冬小麥PWC高光譜監(jiān)測(cè)模型奠定了數(shù)據(jù)基礎(chǔ)。且各數(shù)據(jù)集偏度處于-0.88附近，具有一定的負(fù)偏性，但呈近似正態(tài)分布型，可對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步分析和建模。

2.2 預(yù)處理冠層高光譜與冬小麥PWC的相關(guān)性分析

將原始光譜進(jìn)行MSC、NC、SNV、1st、2nd等5種預(yù)處理，分析冬小麥PWC與原始光譜（R）和預(yù)處理光譜之間的相關(guān)關(guān)系，并進(jìn)行顯著性和極顯著性水平的檢驗(yàn)，以更好地凸顯不同預(yù)處理光譜條件下光譜波段與冬小麥PWC的相關(guān)關(guān)系，以及對(duì)比和評(píng)價(jià)預(yù)處理方法對(duì)預(yù)處理光譜和冬小麥PWC相關(guān)性的影響，結(jié)果如圖2所示。

圖2 冬小麥PWC與不同預(yù)處理冠層高光譜的相關(guān)分析Fig.2 Correlation analysis between the PWC of winter wheat and the different preprocessed canopy hyperspectra

由圖2可知，原始光譜（R）與冬小麥PWC的相關(guān)性整體呈負(fù)相關(guān)關(guān)系，最大相關(guān)系數(shù)為-0.626，極大負(fù)相關(guān)系數(shù)出現(xiàn)在690、1 410、2 000 nm；MSC的預(yù)處理光譜在720～1 170 nm范圍內(nèi)與PWC呈正相關(guān)關(guān)系，其他波段區(qū)域呈負(fù)相關(guān)，極大正相關(guān)和負(fù)相關(guān)系數(shù)分別為0.767和-0.780，出現(xiàn)在740、1 510 nm；NC的預(yù)處理光譜在710～1 340 nm范圍內(nèi)與PWC呈正相關(guān)關(guān)系，其他波段區(qū)域呈負(fù)相關(guān)關(guān)系，極大正相關(guān)和負(fù)相關(guān)系數(shù)分別為0.784和-0.771，出現(xiàn)在735、1 495 nm；對(duì)于SNV來(lái)講，400～1 060 nm光譜區(qū)域與PWC呈正相關(guān)，而1 060～2 450 nm光譜與PWC呈負(fù)相關(guān)，其中，正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值分別為0.751和-0.789，分別出現(xiàn)在740、1 510 nm；而對(duì)于1st和2nd微分處理光譜，其相關(guān)性隨著波長(zhǎng)的波動(dòng)性較為劇烈，其中1st預(yù)處理光譜的正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值分別出現(xiàn)在0.479和-0.780，對(duì)應(yīng)波長(zhǎng)分別為970、680 nm，而且在光譜區(qū)域400～880 nm與冬小麥PWC的相關(guān)性要優(yōu)于其他預(yù)處理光譜和原始光譜；2nd預(yù)處理光譜的正相關(guān)系數(shù)和負(fù)相關(guān)系數(shù)的極值則分別為0.692和-0.705，出現(xiàn)在570、680 nm；以上各預(yù)處理光譜條件下的相關(guān)系數(shù)出現(xiàn)極值所對(duì)應(yīng)的光譜波段都達(dá)到了顯著或者極顯著水平，且整體來(lái)看，與冬小麥PWC相關(guān)性較高的光譜波段出現(xiàn)在：570、680、740、970、1 410、1 510、2 000 nm，且這些波段都達(dá)到極顯著水平，以上結(jié)果可為進(jìn)一步定量化提取的冬小麥PWC光譜特征波段提供另一個(gè)角度的參考；此外，與原始光譜相比，預(yù)處理光譜明顯提高了其與冬小麥PWC的相關(guān)性水平。

2.3 冬小麥PWC的高光譜特征提取

采用SPA方法進(jìn)一步定量挖掘和提取冬小麥PWC的光譜重要波段，結(jié)果如圖3所示。

由圖3可知，不同預(yù)處理下最優(yōu)波段個(gè)數(shù)和提取的重要波段位置存在一定的差異，考慮到所提取的光譜信息更具有一定的普適性和可參考性。本研究通過(guò)對(duì)比各預(yù)處理光譜條件下所提取的光譜波段位置及其分布特點(diǎn)，凝練和匯總出不同預(yù)處理?xiàng)l件下冬小麥PWC的重要光譜區(qū)域：650～800、950～1 200、1 400～1 500、1 900～2 200 nm（圖3）。而且，對(duì)比利用相關(guān)分析法所提取光譜波段可知，除了570 nm外，其他光譜波段都位于所確定的光譜區(qū)域中，表明所確定的光譜區(qū)域與冬小麥PWC存在緊密的關(guān)系。

圖3 基于SPA方法的冬小麥PWC預(yù)處理光譜特征區(qū)域分布Fig.3 Distributions for the preprocessed sensitive spec?tral regions for the PWC of winter wheat based on SPA

2.4 冬小麥PWC的高光譜定量監(jiān)測(cè)

針對(duì)各類(lèi)預(yù)處理光譜，分別建立基于全譜和特征波段的冬小麥PWC的PLSR和MLR模型，以實(shí)現(xiàn)干旱脅迫下冬小麥PWC的高光譜定量監(jiān)測(cè)和評(píng)價(jià)預(yù)處理方法對(duì)冬小麥PWC高光譜監(jiān)測(cè)模型表現(xiàn)的影響研究，各類(lèi)校正和驗(yàn)證模型的表現(xiàn)如表2所示。

從表2可以看出，基于全譜的PLSR模型中，所有預(yù)處理?xiàng)l件下的驗(yàn)證模型優(yōu)于基于原始光譜（R）條件下的模型表現(xiàn)，其中，基于1st處理下的冬小麥PWC監(jiān)測(cè)模型表現(xiàn)最優(yōu)?；诠庾V特征的SPA-MLR模型中，除二階微分光譜模型的表現(xiàn)最差外，其他預(yù)處理光譜的模型表現(xiàn)整體優(yōu)于原始光譜模型，其中，基于MSC預(yù)處理光譜條件下的冬小麥PWC的SPA-MLR模型整體表現(xiàn)最好。以上結(jié)果表明，無(wú)論是PLSR模型還是SPA-MLR模型，對(duì)原始光譜進(jìn)行預(yù)處理，在一定程度上可以提高干旱條件下冬小麥PWC的模型估算精度。

表2 不同預(yù)處理光譜條件下冬小麥PWC的PLSR和SPA-MLR高光譜監(jiān)測(cè)模型表現(xiàn)Tab.2 Hyperspectral monitoring model performance of PLSR and SPA-MLR of winter wheat PWC under different preprocessed spectral conditions

同時(shí)，就干旱脅迫下冬小麥PWC模型構(gòu)建類(lèi)型來(lái)看（基于全譜的PLSR模型和基于光譜特征波段的SPA-MLR模型），相同預(yù)處理?xiàng)l件下的PLSR模型整體優(yōu)于SPA-MLR模型，其中，基于1st-PLSR模型在本研究中表現(xiàn)最優(yōu)（Rc2=0.957、RMSEv=0.033、RPDv=2.370），MSC-SPA-MLR模型也取得了不錯(cuò)的估算精度（Rc2=0.814、RMSEv=0.332、RPDv=2.359）。為了直觀的展示兩類(lèi)建模方法下冬小麥PWC的最優(yōu)模型表現(xiàn)效果，繪制基于1st-PLSR和SPA-MLR校正模型和驗(yàn)證模型的預(yù)測(cè)值和實(shí)測(cè)值1∶1擬合圖，結(jié)果如圖4所示。

圖4 基于1st-PLSR和SPA-MLR校正模型和驗(yàn)證模型的預(yù)測(cè)值和實(shí)測(cè)值1∶1擬合結(jié)果Fig.4 1∶1 fitting lines for the predictive and measured values based on the calibrated and validated models of 1st-PLSR和SPA-MLR

3 討論

3.1 干旱脅迫下冬小麥冠層光譜特性分析

一般認(rèn)為，相關(guān)系數(shù)極值所對(duì)應(yīng)的光譜波段與目標(biāo)屬性存在緊密的關(guān)系[18]，本研究根據(jù)這一原則，從相關(guān)分析和特征波段定量提取的角度確定高光譜對(duì)干旱脅迫下冬小麥PWC的敏感響應(yīng)特性確定了光譜波段570、680、740、970、1410、1 510、2 000 nm；同時(shí)對(duì)比各預(yù)處理光譜條件下所提取的光譜波段位置及其分布特點(diǎn)，凝練和匯總出不同預(yù)處理?xiàng)l件下冬小麥PWC的重要光譜區(qū)域：650～800、950～1 200、1 400～1 500、1 900～2 200 nm；發(fā)現(xiàn)除了光譜波段570 nm外，所有相關(guān)分析確定的光譜波段基本位于SPA所確定的光譜敏感區(qū)域中，而MAGNEY等[19]認(rèn)為，570 nm是光化學(xué)植被指數(shù)PRI的組成波段，常用于表征遠(yuǎn)程估計(jì)葉黃素色素相互轉(zhuǎn)換的動(dòng)態(tài)。光譜波段680 nm是表征植被葉綠素吸收的吸收位置，是眾多植被指數(shù)構(gòu)建的重要組成波段[20]。740 nm位于紅邊區(qū)域內(nèi)，該區(qū)域被證明能夠敏感響應(yīng)作物遭受的生物和非生物脅迫[21]?？芍捎谒崛」庾V波段570、680、740 nm與葉綠素等農(nóng)藝形狀的直接關(guān)系，使得其與干旱脅迫下冬小麥PWC的響應(yīng)是一種間接關(guān)系。對(duì)于光譜波段970 nm，其是水分指數(shù)WI的關(guān)鍵組成波段，能夠較好地表征葉片、冠層水平上的作物水分含量。SERRANO等[22]研究也證實(shí)，由于其能夠敏感響應(yīng)蒸騰作用，而與作物冠層水分含量關(guān)系密切。此外，研究者也形成共識(shí)，即1 410、1 510 nm是重要的水分吸收波段，已經(jīng)被用于監(jiān)測(cè)作物水分狀況[23]。

3.2 干旱條件下冬小麥PWC冠層光譜監(jiān)測(cè)

構(gòu)建準(zhǔn)確、穩(wěn)健的冬小麥PWC定量模型，是實(shí)現(xiàn)干旱條件下冬小麥PWC的高光譜監(jiān)測(cè)前提。因此，本研究兼顧模型的準(zhǔn)確性和簡(jiǎn)易性需求，針對(duì)干旱條件下冬小麥PWC，構(gòu)建了基于全譜的PLSR模型和基于光譜特征波段的MLR模型；綜合對(duì)比冬小麥PWC的PLSR和SPA-MLR模型類(lèi)型可知，基于全譜所構(gòu)建的冬小麥PWC模型表現(xiàn)整體優(yōu)于基于光譜特征波段所構(gòu)建的模型，這主要是由于PLSR模型是全譜的模型，模型所含有的信息量多于SPA-MLR模型，縱然全譜信息之間存在一定的過(guò)擬合現(xiàn)象。而ZOU等[24]研究認(rèn)為，PLSR具有有效克服數(shù)據(jù)共線性、頻帶重疊和交互的作用，廣泛應(yīng)用于高光譜數(shù)據(jù)的定量分析中，此外，PLSR還融合了主成分回歸（PCR）和多元線性回歸（MLR）的優(yōu)點(diǎn)和功能，可實(shí)現(xiàn)在盡可能少的損失光譜信息前提下，實(shí)現(xiàn)最優(yōu)模型構(gòu)建，其模型預(yù)測(cè)能力要優(yōu)于PCR和MLR。針對(duì)MLR模型來(lái)講，因其模型中僅由較少波段構(gòu)成，易導(dǎo)致部分重要信息的丟失，這也是本文中MLR模型整體略遜于PLSR模型的主要原因之一。但是，VOHLAND等[14]研究認(rèn)為，MLR模型中因其變量較少，模型的復(fù)雜度會(huì)降低，從而有利于提高模型的穩(wěn)健性，同時(shí)VOHLAND等[25]提出，實(shí)現(xiàn)這一前提必須通過(guò)準(zhǔn)確挖掘和提取能夠表征目標(biāo)屬性的光譜特征波段，盡可能減少重要信息的丟失。本研究中，基于1st-PLSR模 型 表 現(xiàn) 最 優(yōu)（Rc2=0.957、RMSEc=0.017、RPDc=4.788；Rv2=0.882、RMSEv=0.033、RPDv=2.370、Fn=4），可以實(shí)現(xiàn)干旱脅迫下冬小麥PWC的準(zhǔn)確估算，而MSC-SPA-MLR模型也取得了不錯(cuò)的估算精度（Rc2=0.814、RMSEc=0.036、RPDc=2.243；Rv2=0.825、RMSEv=0.332、RPDv=2.359、Fn=5），且達(dá)到了統(tǒng)計(jì)學(xué)的要求，考慮到模型構(gòu)成的復(fù)雜性和穩(wěn)健性，及其對(duì)后期模型在軟件平臺(tái)時(shí)的運(yùn)行速度和效率[26]，本研究中的冬小麥PWC的SPA-MLR模型仍具有潛在的實(shí)踐應(yīng)用價(jià)值。

3.3 光譜預(yù)處理對(duì)干旱條件下冬小麥PWC光譜監(jiān)測(cè)的影響

高光譜數(shù)據(jù)采集過(guò)程中極易受到環(huán)境因素、電磁輻射、儀器自身背景等因素的影響，對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理可有效去除以上背景的影響，也是構(gòu)建光譜監(jiān)測(cè)模型的前提[27]。為了探究光譜預(yù)處理對(duì)干旱條件下冬小麥PWC監(jiān)測(cè)的影響，本研究分析了原始光譜及5類(lèi)常規(guī)光譜預(yù)處理方法對(duì)光譜和冬小麥PWC之間的相關(guān)性，以及對(duì)冬小麥PWC監(jiān)測(cè)模型的影響，結(jié)果表明，光譜預(yù)處理可以明顯提高其與冬小麥PWC的相關(guān)性，其中微分處理（1st、2nd）效果較為明顯。尼珍等[28]研究證實(shí)，微分處理能有效突出光譜吸收峰、減小噪音和減緩背景的干擾。BUDDENBAUM等[29]研究進(jìn)一步指出，微分處理可以凸顯可見(jiàn)光區(qū)域的吸收和反射特性，這也是本研究基于微分處理所提取的重要光譜波段全部位于可見(jiàn)光位置的可能原因（1st：480、667 nm；2nd：575、812 nm）。而MSC及NC預(yù)處理光譜則較為明顯地提高了近紅外區(qū)域的相關(guān)性。張進(jìn)等[30]研究認(rèn)為，主要是由于該區(qū)域光譜變量數(shù)多且共線性嚴(yán)重，而采用MSC和NC預(yù)處理可實(shí)現(xiàn)對(duì)該光譜區(qū)域有效降維和優(yōu)化。

此外，針對(duì)光譜預(yù)處理對(duì)冬小麥PWC監(jiān)測(cè)模型的影響，結(jié)果證實(shí)，無(wú)論是PLSR模型還是SPAMLR模型，對(duì)原始光譜進(jìn)行預(yù)處理，一定程度上可以提高干旱條件下冬小麥PWC的模型估算精度，表明對(duì)原始光譜進(jìn)行預(yù)處理，一定程度上可以對(duì)所構(gòu)建模型表現(xiàn)起到積極作用，但并非所有預(yù)處理都會(huì)提升模型估算精度（2st-SPA-MLR）。同時(shí)，對(duì)比2類(lèi)模型的表現(xiàn)可知，PLSR模型整體優(yōu)于SPAMLR模型，且針對(duì)同一類(lèi)模型，光譜預(yù)處理雖在一定程度上提高模型估算精度，但是，同光譜預(yù)處理的提升效果相比，模型構(gòu)建方法似乎在一定程度上提升的效果更為明顯。BUDDENBAUM等[24]在其研究中也證實(shí)了這一結(jié)論。

4 結(jié)論

綜上所述，預(yù)處理光譜明顯提高了其與冬小麥PWC的相關(guān)性水平，且本研究分析發(fā)現(xiàn)，與冬小麥PWC相關(guān)性較高的光譜波段出現(xiàn)在570、680、740、970、1 410、1 510、2 000 nm，同時(shí)證實(shí)光譜區(qū)域650～800、950～1 200、1 400～1 500、1 900～2 200 nm與冬小麥PWC存在緊密關(guān)系，表明利用相關(guān)分析和連續(xù)投影變換尋找水分敏感波段具有可靠性且所得波段區(qū)域相似。此外，本研究證實(shí)，光譜預(yù)處理在一定程度上可以提高與PWC相關(guān)關(guān)系和影響監(jiān)測(cè)模型表現(xiàn)，而構(gòu)建模型方法可能對(duì)模型估算精度產(chǎn)生更為積極的效果。其中，基于1st的PLSR模型可以實(shí)現(xiàn)對(duì)冬小麥PWC的準(zhǔn)確監(jiān)測(cè)（Rv2=0.882、RMSEv=0.033、RPDv=2.370），而 基 于MSC的SPA-MLR模型仍具有潛在的實(shí)踐應(yīng)用價(jià)值（Rv2=0.825、RMSEv=0.332、RPDv=2.359，F(xiàn)n=5）。研究結(jié)果可為干旱條件下冬小麥植株水分狀況的監(jiān)測(cè)診斷提供一定的理論依據(jù)和實(shí)踐探索。