不同氮運籌模式冬小麥LAI光譜特征波段提取

武改紅，馮美臣，楊武德，趙佳佳，王超，孫慧，張松

（山西農(nóng)業(yè)大學旱作工程研究所，山西太谷030801）

不同氮運籌模式冬小麥LAI光譜特征波段提取

武改紅，馮美臣，楊武德，趙佳佳，王超，孫慧，張松

（山西農(nóng)業(yè)大學旱作工程研究所，山西太谷030801）

葉面積指數(shù)（LAI）是評價作物冠層結構的重要參數(shù)之一，利用光譜技術實現(xiàn)冬小麥LAI的快速、準確監(jiān)測具有重要的意義。連續(xù)2 a進行氮素運籌試驗，通過測定各生育時期的光譜反射率和LAI，并基于偏最小二乘法-逐步多元線性回歸（PLS-SMLR）統(tǒng)計學方法，提取各氮素運籌條件下LAI特征波段。結果表明，不同氮運籌條件下LAI的特征波段存在差異；同一施氮量，低基追肥比，特征波段前移，通過提取的波段預測LAI精度較高。表明利用PLS-SMLR提取不同氮運籌條件下的冬小麥LAI特征波段是可行的。

氮運籌；冬小麥；葉面積指數(shù)；多元分析；高光譜

葉面積指數(shù)（LAI）是表征作物長勢的重要指標，準確獲取LAI能精確地預測作物生產(chǎn)力狀況[1-2]。高光譜技術具有經(jīng)濟、高效、無損的監(jiān)測特性，LAI的監(jiān)測研究是光譜技術研究領域的熱點[3-4]。國內(nèi)外學者在LAI的估算監(jiān)測方面做了許多研究。HANSEN等[5]研究表明，近紅外波段的反射率與LAI的相關性較為密切；也有學者發(fā)現(xiàn)，紅光波段的反射率與LAI有較好的相關性[6-7]；PU等[8]研究表明，森林作物LAI與光譜反射率紅邊參數(shù)的相關性高。黃文江等[9]研究表明，垂直植被指數(shù)（PVI）和比值植被指數(shù)（RVI）與玉米LAI互為指數(shù)關系；唐延林等[10]也利用RVI反演水稻、玉米和棉花3種作物的LAI。許多學者也從不同的角度采用不同的方法對LAI進行了監(jiān)測，有學者通過回歸分析利用植被指數(shù)法反演LAI的普適性有待提高[11-12]，采用物理方法提取的特征波段預測LAI的算法復雜[13-15]，主成分分析、小波變換等方法估測LAI的精度較低[16]。ROSHANAK等[17]、孫華等[18]研究表明，利用偏最小二乘法（PLS）提取波段的效果較好，但在保證精度要求的前提下選擇最少波段數(shù)有一定困難。在光譜波段的提取研究中，逐步多元線性回歸（SMLR）方法也很有效。

目前，利用PLS和SMLR方法提取高光譜信息的研究已有很多，但是單一使用這2種方法時，存在一定的局限性，而將2種方法結合起來提取冬小麥LAI光譜信息特征波段的研究較少。基于冬小麥生育時期反演LAI的研究較多，但是不同氮處理與冬小麥LAI特征波段提取的研究還比較少。

本研究以不同氮運籌模式冬小麥冠層高光譜的差異為基礎，嘗試通過PLS-SMLR提取LAI特征波段，旨在為監(jiān)測不同氮運籌條件下的LAI提供理論基礎。

1 材料和方法

1.1 試驗設計

試驗在山西農(nóng)業(yè)大學農(nóng)作站進行。試驗土壤的肥力屬中等水平，有機質(zhì)含量22.01 g/kg，堿解氮53.8 mg/kg，有效磷18.43 mg/kg，速效鉀236.9 mg/kg。本試驗供試肥料為氮肥（尿素，含N 46.4%）、磷肥（過磷酸鈣，含P2O516%）、鉀肥（氯化鉀，含K2O 60%），磷肥（120 kg/hm2）和鉀肥（150 kg/hm2）作為基肥在播前一次性施入。

2012—2013年主區(qū)為品種：長4738和晉太9923；副區(qū)為4個氮梯度：0，150，225，300 kg/hm2，分別以N0，N1，N2，N3表示；2個基追比為7∶3和5∶5（播種期施基肥、拔節(jié)期施追肥），分別以Nn-1，Nn-2表示。小區(qū)面積為3 m×3 m，行距為20 cm，3次重復，其余田間管理相同，試驗用于構建監(jiān)測模型。

2013—2014年供試品種為長4738、晉太9923和晉農(nóng)190，其余試驗處理同2012—2013年，試驗用于驗證監(jiān)測模型。

1.2 測量指標及方法

1.2.1 冬小麥群體冠層光譜采用ASD FieldSpec 3.0型便攜式高光譜儀測定冠層光譜反射率，波段范圍350～2 500 nm。測量時間為10：00—14：00，于晴天無風時進行。探頭垂直向下，距離冠層垂直高度約1 m[19]。每小區(qū)測量3處，每處重復10次，計算平均值作為該小區(qū)的光譜測量值。分別于返青期、拔節(jié)期、孕穗期、開花期及花后每隔7 d進行田間測定（共7次）。

1.2.2 葉面積指數(shù)測定與光譜測量同步，每個樣點采集一份行長20 cm的小麥植株，莖葉分離，所有麥葉中隨機選擇5個葉片，整齊地排成一行，剪下葉片中段4 cm，求得該部分葉片的總?cè)~面積，烘干后稱該部分及葉片其余部分質(zhì)量，得到20 cm× 20 cm土地上的葉片總面積，再依據(jù)葉片總面積/土地面積求得LAI，重復3次。

1.3 數(shù)據(jù)分析方法

偏最小二乘法（PLS）能夠在多維變量中提取有效信息，適用于多重線性的數(shù)據(jù)統(tǒng)計。B系數(shù)（B-coefficient）可以反映波段和LAI之間的相關性，變量重要投影（VIP）可以表明波段的影響力[20]。本研究選取B-coefficient和VIP（VIP＞1）較大的區(qū)域，得到貢獻較大波段，從而較大程度且準確地降低了波段維數(shù)。

逐步多元線性回歸（SMLR）是按照對LAI的解釋作用大小，多個波段逐個引入方程，選取最優(yōu)組合達到提取波段的目的。PLS-SMLR能充分利用波段信息，并能降低過擬合。

1.4 數(shù)據(jù)處理

通過ViewSpec Pro進行原始高光譜數(shù)據(jù)的預處理，Unscramb進行Savitzky-Golay平滑等處理，使用SPSS 19.0和Matlab 7.0進行PLS-SMLR分析，利用Origin 8.0進行制圖。

2 結果與分析

2.1 最佳潛在因子數(shù)的確定

本研究首先對不同氮運籌條件下的冠層原始光譜進行PLS回歸分析，通過交叉驗證法，以均方根誤差（RMSE）值為依據(jù)，提取對應的主成分維數(shù)（圖1）。

由于模型的潛在變量因子多，易出現(xiàn)過擬合，因子數(shù)偏少則擬合不充分，增大誤差，因此，在RMSE和潛在因子數(shù)間選擇一個平衡點至關重要。由圖1可知，曲線的拐點處應為最佳因子數(shù)，N0， N1-1，N1-2，N2-1，N2-2，N3-1，N3-2處理的最佳波段維數(shù)分別為9，8，9，4，8，3，6。不同的氮運籌最佳維數(shù)存在差異。

2.2 基于B-coefficient和VIP的波段降維

在相應主成分維數(shù)的基礎上進行B-coefficient和VIP分析，若B-coefficient和VIP（VIP＞1）較大，表明該波段對估測模型貢獻較大，起到了較好的降維效果（圖2）。

表1 基于PLS的LAI敏感波段區(qū)域

不同氮運籌的各波段B-coefficient和VIP均存在差異，各波段的貢獻不同。通過選取VIP＞1，同時B-coefficient較大的光譜曲線區(qū)域，得出650～700，740～800，1 335～1 390 nm等波段是不同氮運籌出現(xiàn)頻率較高的波段（表1）。從表1可以看出，波段區(qū)域?qū)Σ煌\籌條件下LAI的貢獻率較大，可作為冬小麥LAI新的光譜波段區(qū)域進行LAI波段的提取，不同氮運籌模式下波段區(qū)域存在差異。通過PLS將1 000多個光譜維數(shù)降低為幾個波段區(qū)域，很大程度地簡化了波段。

2.3 基于PLS-SMLR的LAI光譜敏感波段的提取

在利用PLS方法提取LAI光譜敏感區(qū)域的基礎上，利用SMLR方法通過逐個計算LAI模型中最優(yōu)組合的波段，達到選擇和提取LAI光譜特征波段的目的，經(jīng)過PLS-SMLR提取的特征波段如表2所示。

表2 不同氮運籌下冬小麥LAI光譜特征波段及精度

由表2可知，不同氮運籌LAI特征波段間存在差異，在可見光和近紅外區(qū)域都有分布。其中，N1處理的波段數(shù)最少，N3-2處理提取的波段數(shù)最多。N1-1，N1-2處理估測LAI的RMSE和RE（相對誤差）最大，分別為1.959 6，1.733 9和0.428 8，0.378 7，R2值較小，分別為0.599，0.542，造成精度低的原因可能是由于進入模型的波段個數(shù)少。其余各處理的RMSE和RE值均較小，分別為0.703 7～1.349 1和0.134 7～0.292 2，R2值均為0.699以上，表明基于PLS-SMLR提取的特征波段準確度較高。其中，N3-2處理的R2最大，為0.926，RMSE和RE最小，精度最高，表明波段個數(shù)多，基追比小，有利于提高LAI的精確度。

利用2013—2014年數(shù)據(jù)，各處理驗證集RMSE和RE分別介于0.542～1.876和0.173 3～0.326 9，R2值均大于0.596 0，表明波段提取較為可靠。

3 討論與結論

3.1 討論

本研究利用高光譜技術在提取LAI特征波段方面進行了分析，嘗試PLS-SMLR提取不同氮運籌LAI光譜特征信息的可行性。有研究表明，與LAI相關性顯著的波段為400～1 100 nm[21]。本研究也表明，與LAI高相關性波段在可見光、近紅外區(qū)域均有分布。不同氮運籌水平LAI特征波段存在差異，不同氮處理的氮積累量不同，導致葉綠素含量差異，植株生理結構不同，冠層光譜反射率也存在差異，引起LAI特征波段的差異。適當?shù)脑黾幼贩时壤艽龠M增產(chǎn)。本研究表明，低基追比，特征波段在可見光發(fā)生前移，由于基追比增大能增加葉綠素積累，影響葉肉細胞結構，特征波段發(fā)生變化。

不同氮水平條件下提取的潛在因子個數(shù)不同。有研究表明，特征波段個數(shù)5個左右最佳，可以準確地代表因變量的信息，且可以避免過擬合[22]。本研究結果表明，N1-1，N1-2處理的潛在因子數(shù)最少，其余氮處理的特征波段個數(shù)為2～7個，而且模型決定系數(shù)均達到0.715以上。其中，N1-1和N1-2的因子變量最少，精度最低；N3-2潛在因子數(shù)最多，為7，精度最高，這與已有研究一致，增加模型變量會提高預測的精度，但是變量過多又會影響模型的應用[23]。本研究基于PLS-SMLR提取的特征波段預測LAI精度較高，驗證集效果較好，表明通過PLS-SMLR降低光譜信息冗余和提取特征波段是有效可行的，對本地區(qū)不同氮運籌LAI的監(jiān)測具有一定的指導意義。

本研究雖然通過PLS-SMLR較為有效、精確地提取了不同氮運籌LAI的特征波段，但只分析了2 a冬小麥的實測及預測數(shù)據(jù)，數(shù)據(jù)量是否具有代表性還有待進一步研究；且過程中的偶然因素不可忽視，需要進一步研究，從而為實現(xiàn)冬小麥生產(chǎn)實時監(jiān)測提供更精確的理論依據(jù)。

3.2 結論

本研究表明，基于PLS-SMLR提取不同氮運籌LAI特征波段的數(shù)量存在差異，在可見光、近紅外波段均有分布，低基追比，特征波段前移。通過提取的波段預測LAI精度較高，驗證集R2較大，RMSE，RE較小，表明基于PLS-SMLR提取LAI特征波段是可行的。

［1］MASTRODOMENICO A T，PURCELL L C.Soybean nitrogen fixation and nitrogen remobilization during reproductive development[J]. Crop Science，2012，52（3）：1281-1289.

［2］范聞捷，蓋穎穎，徐希孺，等.遙感反演離散植被有效葉面積指數(shù)的空間尺度效應[J].中國科學：地球科學，2013，43（2）：280-286.

［3］WUQ，ZHUD，WANG C，et al.Diagnosis of freezingstress in wheat seedlings using hyperspectral imaging[J].Biosystems Engineering，2012，112（4）：253-260.

［4］李子揚，錢永剛，申慶豐，等.基于高光譜數(shù)據(jù)的葉面積指數(shù)遙感反演[J].紅外與激光工程，2014，43（3）：944-949.

［5］HANSEN P M，SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote SensingofEnvironment，2003，86：542-553.

［6］PRASAD S T，RONALD B，SMITH，et al.Hyperspectral vegetation indices and their relationship with agricultural crop characteristics [J].Remote SensingEnvironment，2000，71：158-182.

［7］馮偉，朱艷，姚霞，等.基于高光譜遙感的小麥葉干重和葉面積指數(shù)監(jiān)測[J].植物生態(tài)學報，2009，33（1）：34-44.

［8］PU R L，GONG P，BIGING G S，et al.Extraction of red edge optical parameters fromhyperion data for estimation of forest leaf area index [J].Transactions on Geoscience and Remote Sensing，2003，41（4）：916-921.

［9］黃文江，黃義德，譚昌偉，等.夏玉米葉面積指數(shù)的高光譜遙感植被指數(shù)法研究[J].安徽農(nóng)業(yè)大學學報，2004，31（4）：392-397.

［10］唐延林，王秀珍，王福，等.農(nóng)作物LA1和生物量的高光譜法測定[J].西北農(nóng)林科技大學學報（自然科學版），2004，32（11）：100-104.

［11］ZHAO D H，YANG T W，AN S Q.Effects of crop residue cover resulting from tillage practices on LAI estimation of wheat canopies usingremote sensing[J].International Journal ofApplied Earth Ob-servation and Geoinformation，2012，14（1）：169-177.

［12］劉占宇，黃敬峰，王福民，等.估算水稻葉面積指數(shù)的調(diào)節(jié)型歸一化植被指數(shù)[J].中國農(nóng)業(yè)科學，2008，41（10）:330-335.

［13］DAWSON T P，CURRAN P J，PLUMMER S E.Liberty modeling the effects of leaf biochemistry on reflectance spectra[J].Remote SensingofEnvironment，1998，65（1）：50-60.

［14］王強，龐勇，李曾元，等.基于一種簡單物理模型的葉面積指數(shù)反演[J].中國礦業(yè)大學學報，2016，45（3）：623-645.

［15］任哲，陳懷亮，王連喜，等.利用交叉驗證的小麥LAI反演模型研究[J].國土資源遙感，2015，27（4）：34-40.

［16］謝巧云，黃文江，蔡淑紅，等.冬小麥葉面積指數(shù)遙感反演方法比較研究[J].光譜學與光譜分析，2014，34（5）：1352-1356.

［17］ROSHANAK D，ANDREW S，MARTIN S，et al.LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J].ISPRS Journal of Photogrammetry and Remote Sensing，2008，63（4）：409-426.

［18］孫華，鞠洪波，張懷清，等.偏最小二乘回歸在Hyperion影像葉面積指數(shù)反演中的應用[J].中國農(nóng)學通報，2012，28（7）：44-52.

［19］宋月荷，馮美臣，尹超，等.不同播期冬小麥地上干物質(zhì)的光譜監(jiān)測[J].核農(nóng)學報，2015，29（6）：1158-1164.

［20］王昶，黃馳超，余光輝，等.近紅外光譜結合偏最小二乘法快速評估土壤質(zhì)量[J].土壤學報，2013，50（5）：881-891.

［21］侯學會，牛錚，黃妮，等.小麥生物量和真實葉面積指數(shù)的高光譜遙感估算模型[J].國土資源遙感，2012，24（4）：30-35.

［22］高洪智，盧啟鵬，丁海泉，等.基于連續(xù)投影算法的土壤總氮近紅外特征波長的選取[J].光譜學與光譜分析，2009，29（11）：2951-2954.

［23］WORD S，SJ?STR?M M，ERIKSSON L.PLS-regression：a basic tool of chemometrics[J].Chemometrics and Intelligent Laboratory Systems，2001，58（2）：109-130.

LAI Spectral Bands Extraction of Winter Wheat under Different Nitrogen Managements

WUGaihong，F(xiàn)ENGMeichen，YANGWude，ZHAOJiajia，WANGChao，SUNHui，ZHANGSong
（Institute ofDryFarmingEngineering，Shanxi Agricultural University，Taigu 030801，China）

Leafarea index（LAI）is one ofthe important parameters to evaluate crop canopy structure,and the rapid,real-time and nondestructive technology of hyperspectral remote sensing is widely applied on monitoring the LAI.In the study,the canopy spectral reflectance and LAI of winter wheat under different nitrogen applications during 2012-2014 were measured.The characteristic wavelengths were extracted byusingmultivariate methods.The results showed that characteristic wavelengths ofLAI were different under different nitrogen managements,and wavebands moved forward with lower proportion of basis and additional fertilizer,the predictive of LAI was high by characteristic wavelengths.It meant that these were feasible for extracting characteristic wavelengths the LAI of winter wheat under different nitrogen applications byPLS-SMLR.

nitrogen managements;winter wheat;LAI;multivariate methods;hyperspectral

S512.1＋1

A

1002-2481（2017）04-0522-05

10.3969/j.issn.1002-2481.2017.04.08

2017-02-16

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

武改紅（1992-），女，山西呂梁人，在讀碩士，研究方向：作物生態(tài)及信息技術。楊武德為通信作者。