基于高光譜特征波長的冬小麥水分含量估測模型

李天勝，崔 靜，王海江，楊 晉

(新疆生產建設兵團綠洲生態農業重點實驗室/石河子大學農學院，新疆石河子 832003)

0 引 言

【研究意義】水是作物生長發育的重要限制因子之一，含水量作為作物重要指標之一，對作物的生理和生化過程及形態結構都有重要影響，因此和作物產量及品質息息相關[1]。快速、準確的估算葉片水分含量一直是作物長勢監測和有效灌溉急需解決的難題[2]。傳統植株含水量測定方法，主要是干重法或通過測量作物葉片的氣孔導度、葉水勢、冠層溫度、蒸騰速率、植株莖稈直徑的變化等指標獲得[3]，存在測試時間長、具有破壞性等缺陷，也難以測量水分的動態變化[4]。遙感技術的發展為作物水分的快速估算帶來了新方法。【前人研究進展】國內外學者對植物葉片水分的快速測定進行了較多的研究。研究表明：葉片原始光譜對其水分含量具有較為明顯的光譜響應特征，1 450、1 870、2 130、2 180、1 820、2 350和2 120 nm對鮮葉水分含量響應高，且波段975 nm對鮮葉含水量響應最高[5-7]；選取與植物水分含量相關的特征波長反射率進行運算也能夠反映出植物葉片的屬性特征，如運用R1450/R1940可以較好的估測植物水分狀況[8]，R1600/R820的比值與葉片等效水分厚度相關性顯著[9-10]，光譜曲線中吸收谷深度及面積對作物葉片含水量更敏感[11]，1 450 nm附近水的特征吸收深度和面積有線性正相關關系[12]；導數光譜DR1647/DR1133和DR1653/DR1687與棉花EWT和可燃物含水量FMC有較高的擬合精度[13]。由于不同研究區域、不同作物生長環境的差異性，往往在水分光譜特征波段的確定上存在差異，通過光譜指數的計算能夠在一定程度上克服環境因素對光譜特征的影響，水波段指數(WBI)[14]、差值指數(DSI)[15]、歸一化差值水分指數(NDSI)[16]的構建在作物葉片水分含量的估測上表現出較高的擬合精度[17]。此外，用偏最小二乘法建立全波段和特征波長下的水分預測模型，發現SG卷積平滑處理可以提高建模精度[18]。劉明博等[19]使用多種方法對水稻葉片光譜進行預處理，使用SPA挑選有效波長并建立模型，對比發現以全波段建立的 PCR 及 PLSR 模型精度最好，以SPA有效波長建立的模型精度次之，兩者的精度均明顯高于光譜指數模型。【本研究切入點】利用葉片光譜特征進行葉片水分狀況的無損估測是可行的，但前人的研究結果表明用于估算葉片含水量的特征光譜及植被指數一般因區域、種植方式、小麥品種的不同而產生較大差異。研究構建基于高光譜特征波長的冬小麥水分含量估測模型。【擬解決的關鍵問題】以新疆滴灌小麥為研究對象，分別在小麥的不同生育期獲取光譜反射率和植株水分含量數據，分析不同水分處理小麥特征波長與水分指數的擬合比較，構建基于高光譜的新疆滴灌小麥水分狀況反演模型。

1 材料與方法

1.1 材 料

試驗位于新疆石河子大學農學院試驗站(44°18′N,6°03′E，海拔440 m)進行，平均年降雨量為154 mm，年均氣溫7℃，無霜期130～180 d，≥10℃積溫2 700～3 700℃。試驗區在1 m深土層內土壤質地為沙壤土，0～60 cm土層土壤含有機質 22.08 mg/kg、堿解氮 60.5 mg/kg、速效磷 24.56 mg/kg、速效鉀 194.3 mg/kg，pH 7.65。供試小麥品種為新冬22號(V1)、新冬43號(V2)。

1.2 方 法

1.2.1 試驗設計

播種密度為525×104粒/hm2，全生育期基施尿素150 kg/hm2，磷酸二銨375 kg/hm2，分別于越冬期、拔節期、孕穗期、抽穗期、灌漿期按照10%、30%、20%、30%、10%的比例隨水滴施。分別于拔節期和抽穗期追施磷酸二氫鉀60 kg/hm2，其他田間管理措施與當地大田種植保持一致。

隨機區組設計，小區面積 5 m × 8 m = 40 m2，重復3次。設3個灌水定額處理，分別是375 mm(W1)、600 mm(W2)、750 mm(W3)，每個處理設置3個重復，通過水表控制滴灌量。整個生育期灌水10次，各處理播種后均滴出苗水60 mm(一水)，冬前灌越冬水35、92和138 mm(二水)，返青后到成熟這一階段灌水8次，每10 d一次，分別灌35、56 、69 mm。表1

表1 不同灌溉處理灌溉量
Table 1 Different irrigation treatments

處理Treatment灌水定額Irrigationquota(mm)12345678910總計W160353535353535353535375W260925656565656565656600W3601386969696969696969750

1.2.2 樣品采集與測試

分別于小麥生育期拔節期、抽穗期、揚花期、灌漿初期、灌漿中期進行植株的采樣和光譜測定，每個處理重復3次，冠層光譜測定完成后，對應光譜測定位置選取5～10株小麥連根拔起，去掉根部后，將整株小麥分離為葉片和莖，分別裝入可密封的塑料袋，放入冰盒中迅速運回實驗室。植株含水量測定采用干重法，在實驗室分離出的葉片、莖稱取鮮重，放入烘箱105℃殺青1 h后置于75℃ 下烘干至恒重，測定干重。

葉片含水量(Y)和植株含水量(Z)的計算公式如下：

Y=(FWleaf-DWleaf)/FWleaf× 100%.

Z=(FWstem-DWstem)/FWstem× 100%.

式中，FWleaf和DWleaf分別表示葉片鮮重和干重(g)；FWstem和DWstem分別表示整個植株的鮮重和干重(g)。

2個小麥品種，取樣重復3次，每個生育期獲取18個樣本。表2

表2 不同處理下冬小麥水分含量描述性統計
Table 2 Descriptive statistical analysis of water content of winter wheat under different treatments

1.2.3 光譜數據

使用美國ASD(Analytical Spectral Device)公司的ASD-FieldSpec Pro FRTM光譜儀，波段值為350～2 500 nm，其中350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 001～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。光譜測定選擇在晴朗無風的天氣進行，測定時間為12:00～16:00。冠層光譜測定前后進行參考板反射率校正，冠層光譜測量時探頭垂直向下，距冠層垂直高度約1 m，25°視場角，地面視場范圍直徑為0.44 m。光譜采樣以15條光譜為一采樣光譜，即每次記錄15條光譜，取平均值作為該樣點的冠層光譜反射值。

1.2.4 光譜數據處理與建模

為了有效提取的小麥水分含量的光譜特征信息，通過對原始光譜數據預處理可達到消除光譜噪聲的目的，盡量消除或降低光照等環境背景因素和隨機誤差等儀器因素的影響[10]。對原始光譜進行SG平滑、一階求導和二階求導。

將5個生育時期采集的90個樣本用于小麥水分含量光譜估測的模型構建，其中60個建模數據，30個作為模型檢驗。表3

1.3 數據處理

使用Excel和R軟件，對小麥冠層水分含量、表征植被指數和對應的光譜反射率進行統計分析。通過對原始光譜曲線進行SG平滑、一階求導和二階求導處理，分析與小麥植株、葉片水分含量的關系，找出特征波段，建立估測模型。模型的準確性和適用性采用預測值和實測值的預測精度(P-R2)和根均方誤差(RMSE)進行評定。

其中，n為樣本數，Pi和Oi分別為第i個樣本的觀測值和實測值。

表3 冬小麥水分含量描述性統計
Table 3 Descriptive statistical analysis of water content of winter wheat

表征指數Moistureindex樣本Sample樣本數量Number最大值Maximum(%)最小值Minimum(%)平均值Mean(%)標準偏差Standdeviation變異系數Coefficientofvariation(%)葉片含水量Y(LeafmoisturecontentY)總樣本Totalsample900.890.450.720.100.13建模集Modilingsample600.890.460.720.090.12驗證集Validationsample300.890.450.720.110.15植株含水量Z(PlantmoisturecontentZ)總樣本Totalsample900.930.490.750.090.12建模集Modilingsample600.920.530.760.080.11驗證集Validationsample300.930.490.730.100.14

注：A:拔節期；B：孕穗期；C：揚花期；D：灌漿前期；E:灌漿后期

Note:A:Jointing stage；B: Booting stage；C: Flowering period；D: Early grain filling stage；E: End filling stage

圖1 不同時期小麥冠層光譜變化
Fig.1 Variation characteristics of wheat canopy spectrum at different times

2 結果與分析

2.1 不同水分處理下冬小麥葉片光譜反射特性

研究表明,5個生育期中每條光譜曲線在可見光550 nm附近有一個小反射峰，在450和650 nm附近有兩個明顯的吸收谷，在700～800 nm存在一個陡坡，反射率急劇增高，在800～1300 nm是一個高的反射峰，在1 450、1 950 nm處有吸收谷。在1 000 nm左右的吸收谷處，拔節期新冬22號品種在W1、W2、W3灌水量處理下對應光譜反射率依次為0.467 5、0.681 7、0.662 6，抽穗期依次為0.428 2、0.526 7、0.431 5，揚花期依次為0.790 4、0.764 2、0.732 1，灌漿初期依次為0.543 1、0.459 2、0.389 3，灌漿中期依次為0.480 4、0.501 8、0.532 4，不同灌水量處理下新冬22號品種在1 000 nm左右光譜反射率在拔節期、抽穗期先隨灌水量增大而增大，之后隨灌水量的增大而減小，在揚花期、灌漿初期隨灌水量的增大而減小，在灌漿中期隨灌水量的增大而增大；在1 950 nm左右的反射峰處，拔節期新冬22號品種在W1、W2、W3灌水量處理下對應光譜反射率依次為0.020 7、0.033 2、0.032 9，抽穗期依次為0.018 6、0.018 8、0.017 3，揚花期依次為0.050 7、0.030 7、0.028，灌漿初期依次為0.043 1、0.024 4、0.023 9，和灌漿中期依次為0.062 9、0.046 4、0.053 5，不同灌水量處理下在2 000 nm左右光譜反射率在拔節期、抽穗期先隨灌水量增大而增大，之后隨灌水量的增大而減小，在揚花期、灌漿初期隨灌水量的增大而減小，在灌漿中期先隨灌水量的增大而減小，之后隨灌水量的增大而增大。圖1

土壤水分狀況對冬小麥葉片的光譜反射特征有明顯的調節作用，但原始光譜反射率變化與灌水量之間并沒有很好的一致性規律。

2.2 光譜反射率與植被冠層水分表征指數的相關性

研究表明,小麥葉片含水量和植株含水量的原始光譜相關系數均存在3個極值，葉片含水量的極值波段分別為650、1 456、1 939 nm，其相關系數分別為-0.778 7、-0.606 8、-0.808 2。植株含水量的極值波段分別為664、1 456、1 940 nm，其相關系數分別為-0.781 0、-0.489 2、-0.735 1。通過對原始光譜進行SG平滑處理，相關系數變化不大，葉片含水量的極值波段分別為654、1 457、1 944 nm，其相關系數分別為-0. 780 8、-0.605 8、-0.790 8，植株含水量的極值波段分別為663、1 456、1 977 nm，其相關系數分別為-0.823 2、-0.488 4、-0.707 5。一階導數處理后，相關系數有了大幅提升，葉片含水量在456 nm波長處達到了最大負相關，相關系數為-0.870 0，在1 081、1 681、1 941 nm處相關系數分別為-0.711 2、0.772 8、0.730 0；植株含水量在457 nm波長處達到了最大負相關，相關系數為-0.890 9，在840、1 081、1 680 nm處相關系數分別為-0.760 5、-0.755 6、0.730 4；二階導數處理后，葉片含水量在681 nm波長處達到了最大負相關，相關系數為-0.801 7，在731、1 266、1 680 nm處存在相關性極值，相關系數分別為0.782 7、0.645 4、0.665 5；植株含水量在681 nm波長處達到了最大負相關，相關系數為-0.8173，在731、1 200、1 680 nm處存在相關性極值，相關系數分別為0.781 4、-0.728 3、0.674 6。圖2

注：A為葉片，B為植株

Note: A is leaf and B is plant

圖2 小麥水分含量與光譜及不同處理間反射率相關性
Fig.2 Correlation analysis of wheat moisture content with spectra and reflectance between different treatments

2.3 小麥冠層水分表征指數與光譜特征參量回歸模型

研究表明,采用單波段估測葉片含水量與光譜原始數據的R2最高達到0.653 4，RMSE達到0.065 7，經過SG平滑處理后的光譜數據與葉片含水量的R2最高達到0.603 2，RMSE為0.066 6，精度有所降低；一階導數處理后，R2最高達到0.775 4，RMSE為0.047 3，模型的精度大幅提高；二階導數處理后，R2最高達到0.650 1，RMSE為0.063 8，模型的精度較其他處理有所降低。植株含水量與光譜原始數據的R2最高達到0.608 0，RMSE達到0.062 7，經過SG平滑處理后的光譜數據與植株含水量的R2最高達到0.660 3，RMSE為0.053 4，精度有所降低；一階導數處理后,R2最高達到0.787 1，RMSE為0.047 2，模型的精度大幅提高；二階導數處理后，R2最高達到0.712 8，RMSE為0.054 2，模型的精度較一階導數有所降低，但顯著高于原始數據與SG處理后的數據。基于多個特征波長建立的模型中，多元線性回歸和偏最小二乘回歸模型的驗證精度(RMSE)均顯著高于單波段模型。葉片含水量和植株含水量的多元線性回歸模型和偏最小二乘回歸模型在一階導數處理后精度最高，多元線性回歸模型的R2分別為0.826 3和0.888 6，RMSE分別為0.044 1和0.033 1，偏最小二乘回歸模型的R2分別為0.886 3和0.892 5，RMSE分別為0.003 2和0.001 3；偏最小二乘回歸模型要優于多元線性回歸模型。

表4 各特征波長的小麥含水量反演模型
Table 4 Inversion model of wheat water content for each characteristic wavelength

表征指數Moistureindex處理Treatment特征波段Characteristicbands直線回歸Linearregression多元線性回歸(MLR)Multiplelinearregression偏最小二乘回歸(PLSR)PartialleastsquaresregressionR2RMSER2RMSER2RMSE葉片含水量Y(LeafmoisturecontentY)原始Original平滑SGsmoothing一階導數Firstorderderivative二階導數SecondorderderivativeR6500.64740.0641R14560.37990.0845R19390.65340.0657SG6540.60320.0673SG14570.38330.0845SG19440.61450.0666R′4560.77540.0473R′10810.48950.066R′16810.5070.0641R′19410.60070.0611R″6810.65010.0638R″7310.6150.0681R″12660.4310.0812R″16800.45960.07930.73260.05480.87110.01930.67980.05990.79190.02920.82630.04410.88630.00320.8160.04540.87670.0065植株含水量Z(PlantmoisturecontentZ)原始Original平滑SGsmoothing一階導數Firstorderderivative二階導數SecondorderderivativeR6640.6080.0627R14560.22920.0876R19400.53340.0708SG6630.66030.0534SG14560.28690.0777SG19770.48630.0655R'4570.78710.0472R'8400.56610.0683R'10810.6260.0632R'16810.51580.0725R″6810.71280.0542R″7310.63340.0621R″12000.49940.0716R″16800.4660.07360.72830.05170.86190.02730.72160.05230.87980.01950.88860.03310.89250.00130.8780.03460.88990.0019

在所有建立的模型中，一階導數處理下建立的模型決定系數R2均高于其他處理，偏最小二乘回歸模型的精度要高于多元線性回歸的精度；光譜數據經過一階導數處理，可以較好的反映葉片、植株含水量情況。表4

2.4 模型檢驗

研究表明,基于多個特征波長建立的估測模型，多元線性回歸和偏最小二乘回歸模型的決定系數高于直線回歸，RMSE要低于直線回歸模型。對多元線性回歸和偏最小二乘回歸最優模型進行外部檢驗表明，采用葉片和植株含水量估算的4個模型中，R2分別達到0.803 2、0.867 0、0.854 0、0.885 6，RMSE分別為0.046 4、0.036 8、0.013 4、0.005 6，顯示出預測值和實測值之間存在良好的擬合關系，其中偏最小二乘回歸模型驗證精度要優于多元線性回歸驗證模型。圖3

A：多元線性回歸-Y；C：偏最小二乘回歸-Y;B：多元線性回歸-Z；D：偏最小二乘回歸-Z

圖3 不同表征指數下驗證模型實測值與預測值1∶1關系
Fig.3 The 1∶1 relationship between the measured and predicted of the model of different moisture indexes

3 討 論

光譜反射率數據是表征植被營養狀況的綜合反映。研究發現，光譜原始數據與一階導數的相關性最好的波段位置基本保持不變，這與前人的相關研究相似[20-25]。賀婷等[26]對玉米葉片原始光譜反射率數據進行處理，作了微分、倒數、對數等變換，發現變換后的數據可以增強與理化數據的相關性，安靜等[27]對蘋果葉片原始光譜反射率數據做了類似研究，得出同樣結論，這與研究相符。研究對光譜原始數據進行SG平滑、一階導數及二階導數處理，發現一階導數處理下的數據建立的模型精度顯著優于其他處理；不同處理后光譜的相關性變化不大，大多集中在可見光波段；在建立的多元線性回歸模型和偏最小二乘回歸模型發現，偏最小二乘回歸模型精度較高，誤差較低，優于其他模型。

表5 前人植被指數的小麥含水量反演模型及其評價指標
Table 5 Previous inversion model of wheat water content based on vegetation indexes and its evaluation indexes

表征指數Moistureindex光譜指數Spectralindex擬合模型Fittedmodel驗證模型VerificationmodelRegressionequationR2InversionmodelR2RMSE葉片含水量Y(LeafmoisturecontentY)WBI(900,970)y=1.1883x-0.69180.2650y=0.2547+0.53860.20140.0864NDWI(857,1241)y=-1.0336x-0.06990.5134y=0.5273+0.33460.49460.0778MSI(1599,819)y=-1.4338x+1.14880.3758y=0.3846+0.44680.29570.0818NDII(819,1649)y=1.1486x+0.14780.3494y=0.3508+0.47110.27620.0826NDVI(810,680)y=1.3805x-0.49540.5351y=0.5626+0.30790.50670.0782RVI(810,680)y=0.0081x+0.55930.4077y=0.4092+0.41740.34970.079EVI2(800,660)y=0.3118x+0.45490.1276y=0.1174+0.63440.06000.0959NDVI(750,705)y=0.951x+0.09160.4979y=0.5142+0.34580.48360.0783PRI(531,570)y=3.7538x+0.68270.4170y=0.5994+0.27460.40020.0819PSRI(680,500,750)y=-9.6202x+0.65690.4072y=0.5777+0.29510.33230.0891VARI(555,645,469)y=0.6431x+0.41510.5084y=0.605+0.27220.46160.0748植株含水量Z(PlantmoisturecontentZ)WBI(900,970)y=1.1511x-0.65240.3104y=0.2704+0.52160.23930.0926NDWI(857,1241)y=-0.8288x+0.0910.6573y=0.549+0.32130.60260.0636MSI(1599,819)y=-1.2067x+1.08150.3883y=0.3641+0.45680.35160.0847NDII(819,1649)y=1.0361x+0.20410.3779y=0.3541+0.46460.32890.0862NDVI(810,680)y=1.0319x-0.18220.6400y=0.543+0.32570.60950.0648RVI(810,680)y=0.007x+0.58010.5048y=0.4304+0.40510.48120.0757EVI2(800,660)y=0.3476x+0.43390.2523y=0.2394+0.5550.24410.0906NDVI(750,705)y=0.7532x+0.22670.5986y=0.5157+0.34610.56650.0678PRI(531,570)y=2.7783x+0.69990.6118y=0.4959+0.36380.55990.0671PSRI(680,500,750)y=-6.0418x+0.69110.4832y=0.4313+0.41090.47290.0762VARI(555,645,469)y=0.5204x+0.4790.6693y=0.5774+0.30130.62360.0619

高光譜的測定方法簡單、快速、非破壞性，蘊含著大量可供選擇的波段和光譜指數，但敏感的光譜信息往往容易受植物類型、品種、葉片結構、外界環境等因素的影響，其屬性估測的光譜敏感波段和指數也因不同區域差異較大[28-29]，直接應用已有的11種植被水分指數對試驗中小麥葉片和冠層水分含量的擬合，基于葉片含水量Y的擬合模型中，NDWI(857，124 1)、 NDVI(810，680)、 NDVI(750，705)及VARI(555，645，469)的擬合精度較好，擬合模型的R2均大于0.5，最大為0.5351；基于植株含水量Z的擬合模型中，NDWI(857，1241)、NDVI(810，680)、RVI(810，680)、VARI(555，645，469)、NDVI(750，705)、PRI(531，570)及VARI(555，645，469)的擬合精度較好，擬合模型R2最大為0.669 3，各個水分指數的擬合精度存在較大差異，一方面或許是由于不同植物種類或亞種的葉片表面和葉肉結構存在一定差異，另一方面，這些指數都涉及到可見光-近紅外區域的光譜波段，該區域的反射光譜特征還受到葉片結構如木質素、纖維素的影響，從而導致其估測精度不同[17]。研究采用單波段估測葉片含水量與光譜原始數據的R2最高達到0.653 4，一階微分處理后R2最高達到0.775 4，選用多個特征波段構建的偏最小二乘回歸線性模型預測小麥葉片和冠層水分含量，其R2最高達到0.886 3和0.892 5，也說明了受其內在因素和外部環境因素的影響，植被水分光譜特征波段和光譜指數具有一定的區域性，不同水分估測的指紋波段和擬合模型需要一定的修正和優化。表5

4 結 論

4.1 小麥不同水分處理和不同生育期原始光譜反射率具有一定的差異，600～691 nm和1 931～2 063 nm是反演冬小麥冠層葉片含水率的最佳波段。

4.2 采用數據轉換普遍能夠提高冬小麥葉片光譜反射率和葉片含水量間的相互關系，一階導數處理的光譜數據相關性最好，葉片含水量在456 nm波長處達到了最大負相關，相關系數為0.87，植株含水量在457 nm波長處達到了最大負相關，相關系數為0.890 9。

4.3 小麥葉片和植株含水率的光譜估測模型中，PLSR模型的估測精度最高，R2分別為0.886 3和0.892 5，RMSE分別為0.003 2和0.001 3。