SG平滑處理對冬小麥地上干生物量光譜監(jiān)測的影響

喬星星，馮美臣，楊武德，李廣信,2，王超，孫慧，張雪茹，武改紅

（1.山西農(nóng)業(yè)大學旱作農(nóng)業(yè)工程研究所，山西太谷030801；2.山西省農(nóng)業(yè)科學院作物科學研究所，山西太原030031）

SG平滑處理對冬小麥地上干生物量光譜監(jiān)測的影響

喬星星1，馮美臣1，楊武德1，李廣信1,2，王超1，孫慧1，張雪茹1，武改紅1

（1.山西農(nóng)業(yè)大學旱作農(nóng)業(yè)工程研究所，山西太谷030801；2.山西省農(nóng)業(yè)科學院作物科學研究所，山西太原030031）

Savitzky-Golay（SG）方法是高光譜數(shù)據(jù)預處理的重要方法之一，為研究SG平滑處理對冬小麥地上干生物量（AGDB）光譜監(jiān)測模型的影響，對冬小麥冠層光譜進行6種程度的平滑處理：無平滑（SM0）、3點平滑（SM3）、5點平滑（SM5）、9點平滑（SM9）、13點平滑（SM13）和17點平滑（SM17），并分別構(gòu)建各預處理光譜條件下的冬小麥AGDB的偏最小二乘法（PLSR）模型，對比各PLSR模型的表現(xiàn)，研究平滑程度對模型的影響。結(jié)果表明，SM9平滑處理后的冬小麥冠層光譜可以提高光譜與AGDB的相關(guān)性，相關(guān)系數(shù)接近0.5；所構(gòu)建的冬小麥AGBD的光譜監(jiān)測模型中，SM9處理的模型表現(xiàn)最好（R2＝0.771，RMSE＝0.564，RPD＝1.912，LV＝19）。研究結(jié)果可為利用冠層光譜研究冬小麥AGDB的無損監(jiān)測提供一定的光譜預處理方法與技術(shù)探索。

冬小麥；光譜；平滑處理；模型

冬小麥是我國的主要糧食作物，地上干生物量是冬小麥光合作用的產(chǎn)物之一，它不僅是衡量冬小麥生產(chǎn)力和物質(zhì)循環(huán)的基礎(chǔ)，也常作為表征冬小麥生長狀態(tài)的重要參考[1]。當前，近紅外光譜技術(shù)為快速、無損、大面積監(jiān)測作物長勢提供了有效的手段和方法，并取得了一定的研究結(jié)果[2-4]。

當前研究表明，利用光譜技術(shù)雖能較為精確而快速地測出冬小麥的地上干生物量，但在獲取光譜數(shù)據(jù)時，會受到周圍環(huán)境因素、樣品自身反射的內(nèi)在因素和光譜儀的電噪聲、雜散光、儀器本身所帶誤差的影響[5]。這些內(nèi)外因素不僅與目標的特性無關(guān)，而且對有效光譜特征信息的提取和后期定量模型的構(gòu)建產(chǎn)生不利影響[6-8]。因此，如何消除背景和噪音影響，挖掘和提取目標光譜信息一直是當前研究的重點和難點[9]。研究證實，對光譜數(shù)據(jù)進行預處理對于準確挖掘光譜信息和構(gòu)建高精度估測模型具有重要作用[10]。Savitzky-Golay算法是較為經(jīng)典的一種平滑濾波算法，并成為光譜定量分析過程中光譜數(shù)據(jù)處理的必需步驟[11]。但Barnes等[12]研究指出，SG平滑方法在一定程度上可消除高頻隨機誤差，提高信噪比，但在平滑時，如果平滑窗口過小，去噪效果較差，仍然會影響所建分析模型的質(zhì)量；如果窗口過大，平滑過度，也會丟失大量的光譜信息。王曉艷[13]在對玉米磷、鉀施肥量近紅外光譜預測模型的研究中對光譜數(shù)據(jù)進行預處理后，經(jīng)過多種處理方法的比較與分析，發(fā)現(xiàn)3點平滑的預處理方法效果最好。因此，眾多研究者在對光譜數(shù)據(jù)進行SG平滑處理時，出現(xiàn)不同程度平滑處理的現(xiàn)象[14-16]。

本研究對冬小麥冠層光譜進行6種程度的平滑處理，并分別構(gòu)建各預處理光譜的冬小麥AGDB的偏最小二乘法（PLSR）模型，對比各模型的表現(xiàn)，研究平滑程度對模型的影響，以期探索利用光譜技術(shù)監(jiān)測冬小麥AGDB時的最佳SG平滑。

1 材料和方法

1.1 試驗設(shè)計

試驗地點位于山西農(nóng)業(yè)大學農(nóng)作站（N37°25′，E112°33′），土壤為黃土母質(zhì)發(fā)育而成的石灰性褐土。土壤理化性質(zhì)為堿性氮含量53.82 mg/kg，磷含量18.44 mg/kg，有機質(zhì)含量22.01 g/kg，鉀含量236.91 mg/kg，肥力中等水平。供試肥料為粉狀過磷酸鈣（含P2O5≥12%）和尿素（含總N≥46%）。試驗一：試驗時間為2012年9月至2013年6月，該試驗為氮肥運籌試驗，采用隨機區(qū)組設(shè)計。氮肥施入量分別為0，75，150，225，300 kg/hm2。供試品種為京9549。小區(qū)面積28 m2（4 m×7 m），行距為20 cm，重復3次，田間管理等各處理相同。該試驗用于模型驗證。

試驗二：試驗時間為2013年9月至2014年6月，該試驗為氮肥運籌試驗，采用裂區(qū)區(qū)組設(shè)計。主區(qū)品種為長4738、晉農(nóng)190、晉太9923；副區(qū)施氮肥量分別為0，75，150，225，300 kg/hm2。小區(qū)面積28 m2（4 m×7 m），行距為20 cm，重復3次，田間管理等各處理相同。該試驗用于模型構(gòu)建。

1.2 冬小麥冠層光譜的測定

采用美國Analytical Spectral Device（ASD）公司生產(chǎn)的FieldSpec Pro FR2500型背掛式野外高光譜輻射儀。波段范圍為350～2 500 nm，視場角度為25°，其中，350～1 000 nm光譜采樣間隔1.4 nm，光譜分辨率3 nm；1 000～2 500 nm光譜采樣間隔2 nm，光譜分辨率10 nm，所用的儀器在每季度用白色標準版校準一次。冬小麥冠層光譜測定選擇在10：00—14：00，天氣晴朗、無風或風速很小的條件下進行。測量時傳感器探頭垂直向下，距冠層頂垂直高度約1.0 m。每個小區(qū)測量3個點，每個點的測量重復10次。測量過程中，及時在每組目標觀測前后進行標準白板校正。

1.3 冬小麥地上干生物量的測定

在獲取冠層光譜的位置采集冬小麥植株。每個樣點采集2份20 cm長的冬小麥植株，將其放入牛皮紙袋后，放入烘箱，105℃殺青30 min，之后在80℃條件下烘24 h至恒質(zhì)量（每隔2 h前后2次測量質(zhì)量差值為0.5%），稱冬小麥烘干后質(zhì)量（g），并換算成單位面積冬小麥干生物量（AGDB，kg/m2）。

1.4 偏最小二乘法（PLSR）

PLSR方法是將多元線性回歸、主成分和相關(guān)分析法綜合在一起的定量分析方法，它可以反映自變量集和因變量集整體的相關(guān)性關(guān)系，通過提取出最強的解釋因變量，以達到克服自變量之間的共線性和過擬合性的缺點，提高模型的預測能力和穩(wěn)健度。該方法是當前近紅外光譜領(lǐng)域應(yīng)用最為廣泛的定量分析方法之一，在利用光譜技術(shù)監(jiān)測土壤屬性方面具有廣泛研究[17-19]。

1.5 模型評價

本研究引入模型評價參數(shù)決定系數(shù)（R2）、均方根誤差（RMSE）[20]、預測殘差（RPD）來選擇變量和評定模型表現(xiàn)。

式中，n是樣本個數(shù)；Y′i和Yi是預測值和實測值；SD是實測值的標準差。

1.6 數(shù)據(jù)分析

采用Excel 2007處理試驗數(shù)據(jù)，用Matlab7.0（Math works，Natick，MA，USA）和Unscrambler10.3（CAMO，USA）等軟件進行數(shù)據(jù)分析，用Origin8.0（OriginLab，USA）軟件制圖。

2 結(jié)果與分析

2.1 冬小麥冠層預處理光譜

由圖1可知，與SM0（未平滑處理）光譜圖相比，平滑后的光譜圖并沒有明顯改變光譜圖的變化趨勢和反射率值。唯一不同的是，平滑處理后的光譜圖在部分“峰”和“谷”發(fā)生了變化，例如，在SM0和SM3的光譜圖中，波段1 450 nm的谷比較“圓潤”，而平滑處理后的該位置谷則變得越來越“尖”，并且隨著平滑程度的加大，該谷變得愈加尖銳，也可能伴隨著有效光譜信息的丟失。表明，SG平滑方法難以明顯地改變光譜的整體變化趨勢和反射率值，適當?shù)钠交幚砜梢韵尘昂驮胍粲绊?，但過度的平滑可能會造成有效光譜信息的丟失。因此，僅根據(jù)平滑后的光譜圖評估和決定最佳的平滑程度是比較困難的。

2.2 冬小麥冠層SG平滑光譜與AGDB的相關(guān)性分析

為了進一步分析SG平滑處理對光譜的影響，對不同程度的SG平滑光譜與AGDB進行了相關(guān)性分析，結(jié)果如圖2所示。

從圖2可以看出，所有平滑光譜與AGDB的相關(guān)系數(shù)具備相似曲線，光譜區(qū)域：450～518，654～686，1 350～2 450 nm與AGDB呈負相關(guān)，519～653，687～1 349 nm與AGDB呈正相關(guān)。其中，724～1 185 nm為高相關(guān)系數(shù)區(qū)域。SM0點平滑光譜中，923 nm處的相關(guān)系數(shù)最高，為0.456，經(jīng)過3點、5點、9點、13點和17點平滑后，光譜圖線的總體變化規(guī)律與原始光譜圖線基本一致，但相同波長對應(yīng)的相關(guān)系數(shù)與原始光譜在該波長下對應(yīng)的相關(guān)系數(shù)相比都有所提高，并且所有平滑處理后的922 nm處的相關(guān)系數(shù)都達到最高，為0.470，高于原始光譜圖的最高相關(guān)系數(shù)。表明，平滑處理可以提高光譜與AGDB的相關(guān)性。

2.3 平滑處理的冬小麥AGDB的PLSR模型表現(xiàn)

通過構(gòu)建不同SG平滑程度下冬小麥AGDB的光譜模型，定量研究SG平滑處理對光譜監(jiān)測模型的影響（表1）。

表1 基于平滑處理的冬小麥長勢指標的PLSR模型表現(xiàn)

從表1可以看出，驗證模型中，這6種處理方法的潛變量（LV）大小接近，均為19或20；9點平滑處理和13點平滑處理的R2較大，分別為0.771和0.783，且它們的RMSE較小，分別為0.564和0.549。所以，可以考慮從這2種方法中選出最佳平滑點數(shù)。而從表1還可以看出，9點平滑處理的RPD最大，為1.912，說明9點平滑處理的預測能力最高。

3 討論與結(jié)論

本研究表明，平滑處理后的光譜圖在部分“峰”和“谷”發(fā)生了變化，并且隨著平滑程度的加大，部分“峰”與“谷”的變化會越來越明顯，與此同時，可能伴隨著有效光譜信息的丟失。造成這種現(xiàn)象的原因可能是不同平滑點數(shù)的預處理方法對光譜信息的獲取會有所不同，一般情況下，平滑點數(shù)較大在一定程度上可以提高信噪比，但同時也會導致部分信號失真[21]；冬小麥冠層SG平滑光譜與AGDB相關(guān)性分析的結(jié)果中，經(jīng)過平滑后相同波長對應(yīng)的相關(guān)系數(shù)較無平滑光譜在該波長下對應(yīng)的相關(guān)系數(shù)都有所提高，并且平滑處理后的光譜圖中922 nm處的相關(guān)系數(shù)最高，為0.470，高于原始光譜圖的最高相關(guān)系數(shù)0.456，雖然相關(guān)系數(shù)的變化不是很大，至少說明平滑處理在提高光譜信噪比方面具有一定的作用[21]，對光譜數(shù)據(jù)進行SG預處理是必要的。在分析基于平滑處理的冬小麥長勢指標的PLSR模型表現(xiàn)時發(fā)現(xiàn)，9點平滑處理模型表現(xiàn)較好（R2＝0.771，RMSE＝0.564，RPD＝1.912，LV＝19）。SM13模型中R2＝0.783，RMSE＝0.549，因其RPD＝1.874，模型的穩(wěn)健性低于SM9。經(jīng)過綜合比較與分析得出，9點平滑處理效果最佳。

據(jù)此可以得出，光譜的SG平滑處理在一定程度上可以提高AGDB與預處理光譜的相關(guān)性，但是提高的程度有限。分析SG平滑處理對冬小麥AGDB光譜監(jiān)測模型的影響可知，9點SG處理后的PSLR模型表現(xiàn)最好（R2＝0.771，RMSE＝0.564，RPD＝1.912，LV＝19），本研究證實光譜的9點SG平滑處理為監(jiān)測冬小麥AGDB的最佳平滑處理方法，但是真正提高光譜監(jiān)測模型的預測精度還需在9點SG平滑處理的基礎(chǔ)上，再結(jié)合其他預處理方法和化學計量學模型的優(yōu)化方法，以期提高光譜技術(shù)在作物領(lǐng)域的更廣泛應(yīng)用。

［1］龐琪偉，賈黎明，鄭士光.基于多譜輻射儀的檸條地上干生物量估算模型研究[J].北京林業(yè)大學學報，2010（4）：81-85.

［2］付元元，王紀華，楊貴軍，等.應(yīng)用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J].光譜學與光譜分析，2013，33（5）：1315-1319.

［3］王超，馮美臣，楊武德，等.麥田耕作層土壤有機質(zhì)的高光譜監(jiān)測[J].山西農(nóng)業(yè)科學，2014，42（8）：869-873.

［4］Eitel J U H，Magney T S，Vierling L A，et al.LiDAR based biomass and crop nitrogen estimates for rapid，non-destructive assessment of wheat nitrogen status[J].Field Crops Research，2014，159：21-32.

［5］Ge Y，Morgan C L S，Grunwald S，et al.Comparison of soil reflectance spectra and calibration models obtained using multiple spectrometers[J].Geoderma，2011，161（3）：202-211.

［6］Dunn B W，Batten G D，Beecher H G，et al.The potential of near-infrared reflectance spectroscopy for soil analysis-a case study fromthe Riverine Plain of south-eastern Australia[J].Animal Production Science，2002，42（5）：607-614.

［7］Stenberg B，Rossel R A V，Mouazen A M，et al.Visible and near infrared spectroscopy in soil science[M].Burlington：Academic Press，2010.

［8］王磊，白由路，盧艷麗，等.光譜數(shù)據(jù)變換對玉米氮素含量反演精度的影響[J].遙感技術(shù)與應(yīng)用，2011，26（2）：220-225.

［9］Stenberg B，Rossel R A V，Mouazen A M，et al.Chapter five-visible and near infrared spectroscopy in soil science[J].Advances in A-gronomy，2010，107：163-215.

［10］Mashimbye Z E，Cho MA，Nell J P，et al.Model-based integrated methods for quantitative estimation of soil salinity from hyperspectral remote sensing data：A case study of selected South African soils[J].Pedosphere，2012，22（5）：640-649.

［11］潘文超，李少昆，王克如，等.基于棉花冠層光譜的土壤氮素監(jiān)測研究[J].棉花學報，2010，23（1）：70-76.

［12］Barnes R J，Dhanoa MS，Lister S J.Standard normal variate transformation and de-trending of near-infrared diffuse reflectance spectra[J].Applied Spectroscopy，1989，43（5）：772-777.

［13］王曉艷.玉米磷、鉀施肥量近紅外光譜預測模型研究[D].太谷：山西農(nóng)業(yè)大學，2014.

［14］趙婷婷，張麗珍，鄭淑華，等.黍稷籽粒淀粉含量的近紅外光譜分析[J].華北農(nóng)學報，2011，26（1）：234-238.

［15］季江，高鵬飛，賈南南，等.自適應(yīng)多尺度窗口平均光譜平滑[J].光譜學與光譜分析，2015，35（5）：67.

［16］易璟.基于近紅外光譜的土壤氮碳估算研究[D].武漢：華中農(nóng)業(yè)大學，2013.

［17］于雷，洪永勝，周勇，等.高光譜估算土壤有機質(zhì)含量的波長變量篩選方法[J].農(nóng)業(yè)工程學報，2016，32（13）：95-102.

［18］Feng Y，Li X，Xu K，et al.Qualitative and simultaneous quantitative analysis of cimetidine polymorphs by ultraviolet-visible and shortwave near-infrared diffuse reflectance spectroscopy and multivariate calibration models[J].Journal of Pharmaceutical and Biomedical Analysis，2015，104：112-121.

［19］楊一，張淑娟，薛建新.輕微損傷郎棗近紅外光譜檢測[J].山西農(nóng)業(yè)科學，2014，42（11）：1175-1177.

［20］Wold S.PLS for multivariate linear modeling[J].Chemometric Methods in Molecular Design，1995（2）：195.

［21］鄭詠梅，張鐵強，張軍，等.平滑、導數(shù)、基線校正對近紅外光譜PLS定量分析的影響研究[J].光譜學與光譜分析，2004，24（12）：1546-1548.

Effect of SG Smoothing Processing on Predicting the above Ground Dry Biomass of Winter Wheat

QIAOXingxing1，F(xiàn)ENGMeichen1，YANGWude1，LI Guangxin1，2，WANGChao1，SUNHui1，ZHANGXueru1，WUGaihong1
（1.Institute of Dry Farming Engineering，Shanxi Agricultural University，Taigu 030801，China；2.Institute ofCrop Sciences，Shanxi Academy of Agricultural Sciences，Taiyuan 030031，China）

Savitzky-Golay（SG）is one ofthe most important methods of spectral pretreatments.To study the effect ofSG smoothing processing on predicting the above ground dry biomass（AGDB）of winter wheat,the different degrees of SG smoothing processing, including 0 points（SM0）,3 points（SM3）,5 points（SM5）,9 points（SM9）,13 points（SM13）and 17 points（SM17）were employed toprocess the rawspectra,and the PLSR predictive models of AGDB under different SG pretreatments were also constructed to select the optimal point of SG smoothing.The results showed that the canopy spectra dealt with SM9 SG smoothing could improve the correlation between spectrum and AGDB and the correlation coefficient of the model was close to 0.5.The performance of the SM9 model of all monitoring models of winter wheat AGBD was the best,with R2＝0.771,RMSE＝0.564,RPD＝1.912 and LV＝19.This study can provide a certain spectral pretreatment method and technical guidance for the nondestructive monitoring of winter wheat AGDB using canopyspectral.

winter wheat;spectrum;smoothing processing;model

S512.1＋1

A

1002-2481（2016）10-1450-05

10.3969/j.issn.1002-2481.2016.10.07

2016-07-27

國家自然科學基金項目（31371572，31201168）；山西省科學技術(shù)發(fā)展計劃項目（201603D221037-3）；山西省歸國人員重點資助項目（2014-重點4）

喬星星（1989-），女，山西長治人，在讀碩士，研究方向：作物生態(tài)和信息技術(shù)。馮美臣為通信作者。