基于多元統(tǒng)計(jì)分析的冬小麥干旱綜合指標(biāo)構(gòu)建及監(jiān)測(cè)研究

謝永凱 馮美臣 秦明星 楊武德 劉敏 孟萬(wàn)忠

摘? ? 要：為了實(shí)現(xiàn)水分脅迫后冬小麥干旱指標(biāo)綜合表現(xiàn)的定量監(jiān)測(cè)，以2017—2018、2018—2019年的冬小麥水分脅迫試驗(yàn)為基礎(chǔ)，選擇冬小麥葉片含水量（LWC）、葉綠素密度（ChD）、游離脯氨酸含量（Pro）以及抗氧化物酶中的超氧化物歧化（SOD）、過(guò)氧化氫酶（CAT）和過(guò)氧化物酶（POD）活性等生理參數(shù)作為研究對(duì)象，利用主成分分析方法（PCA）構(gòu)建了冬小麥干旱綜合指標(biāo)（Comprehensive drought index，CDI）。結(jié)合相關(guān)分析法和逐步多元線性回歸（CA+SMLR）、偏最小二乘法和逐步多元線性回歸（PLS+SMLR）及連續(xù)投影算法（SPA）對(duì)光譜反射率進(jìn)行了特征波段提取，綜合利用化學(xué)計(jì)量學(xué)方法，對(duì)冬小麥生理生化及CDI指標(biāo)監(jiān)測(cè)展開(kāi)了研究。結(jié)果表明：通過(guò)CA+SMLR提取的特征波段個(gè)數(shù)較少，并且所構(gòu)建的SMLR模型表現(xiàn)一般；利用SPA構(gòu)建的監(jiān)測(cè)模型表現(xiàn)優(yōu)于CA+SMLR和PLS+SMLR 2種方法，可以實(shí)現(xiàn)對(duì)冬小麥CDI指標(biāo)優(yōu)化目的。利用多元回歸分析方法構(gòu)建的模型對(duì)比，發(fā)現(xiàn)基于全譜建立的PLSR模型表現(xiàn)（R2=0.885，RMSEC=0.221，RPD=2.772；R2=0.631，RMSEP=0.441，RPD=1.625），其預(yù)測(cè)效果最好；SPA方法提取特征波段建立的MLR模型表現(xiàn)（R2=0.647，RMSEC=0.387，RPD=1.355；R2=0.672，RMSEP=0.376，RPD=1.500）次之。綜上，通過(guò)CDI模型的構(gòu)建，為實(shí)現(xiàn)水分脅迫后冬小麥生理參數(shù)綜合表現(xiàn)的高光譜監(jiān)測(cè)提供了參考。

關(guān)鍵詞：主成分分析；干旱綜合指標(biāo)；特征波段；模型表現(xiàn)

中圖分類號(hào)：S512.1+1? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? DOI 編碼：10.3969/j.issn.1006－6500.2023.05.004

Abstract：The study was based on tests of winter wheat after water stress that from 2017—2018 and 2018— 2019 to realize the quantitative monitoring of drought index. By selecting physiological parameters such as leaf water content （LWC）， chlorophyll density （ChD）， free proline content （Pro） and superoxide dismutase （SOD）， catalase （CAT） and peroxidase （POD） activities of antioxidant enzymes of winter wheat as a comprehensive drought index （CDI） for winter wheat was constructed using principal component analysis （PCA）. Combined with correlation analysis and stepwise multiple linear regression（CA+SMLR）， partial least square method and stepwise multiple linear regression（PLS+SMLR） and successive projections algorithm （SPA）， the important band extraction was carried out， comprehensive use of stoichiometry methods， physiological and biochemical and CDI? monitoring of winter wheat were studied. The results showed that the number of important bands extracted by CA+SMLR was low and the performance of the SMLR model was average. The model constructed using SPA outperformed both CA+SMLR and PLS+SMLR， and could achieve the purpose of optimizing the CDI indicators for winter wheat. Comparing the models constructed using multiple regression analysis methods， it was found that the performance of the PLSR model built based on the full spectrum （R2=0.885， RMSEC=0.221， RPD=2.772; R2=0.631，RMSEP=0.441， RPD=1.625） was best performance， and the performance of the MLR model built by the SPA method of extracting the important bands （R2=0.647， RMSEC=0.387， RPD=1.355; R2=0.672， RMSEP=0.376， RPD=1.500） was the second performance. The construction of the CDI model provides a reference for achieving hyperspectral monitoring of the integrated performance of physiological parameters of winter wheat after water stress.

Key words： principal component analysis; comprehensive drought index; important bands; performance of model

干旱是影響農(nóng)業(yè)生產(chǎn)最具破壞性的災(zāi)害之一，是影響糧食產(chǎn)量穩(wěn)定性的重要非生物因子。干旱災(zāi)害發(fā)生后，作物產(chǎn)量會(huì)發(fā)生不同程度的下降[1-2]。干旱災(zāi)害造成的產(chǎn)量損失，并不是單一指標(biāo)的影響，而是多參數(shù)共同作用導(dǎo)致的。水分脅迫下，作物體內(nèi)的生理生化指標(biāo)都會(huì)發(fā)生相關(guān)的變化，其中部分指標(biāo)對(duì)脅迫響應(yīng)是敏感的，部分指標(biāo)脅迫的響應(yīng)情況是較弱的。雖然響應(yīng)較弱的指標(biāo)在一定條件或時(shí)期內(nèi)與干旱相關(guān)性較低，但其在表征作物受災(zāi)的嚴(yán)重程度方面具有一定的實(shí)際意義。

目前，利用高光譜技術(shù)構(gòu)建作物單一指標(biāo)的研究較多，研究人員利用高光譜技術(shù)實(shí)現(xiàn)了對(duì)作物單一田間形態(tài)指標(biāo)[3-4]、生理生化指標(biāo)[5-6]等的研究結(jié)果證明，利用高光譜遙感技術(shù)可以實(shí)現(xiàn)對(duì)作物單一指標(biāo)的定量監(jiān)測(cè)，并且監(jiān)測(cè)效果較好。近年來(lái)，國(guó)內(nèi)外學(xué)者利用不同的方法和途徑，構(gòu)建能夠綜合反應(yīng)作物生長(zhǎng)指標(biāo)的研究也逐步增多[7-8]。Juhos等[9]利用Varimax旋轉(zhuǎn)的主成分分析進(jìn)行變量分析，提取了3個(gè)主成分（PCs），通過(guò)主成分的提取可以很好地解釋復(fù)雜指標(biāo)，進(jìn)而線性組合的其他變量一起有效地解釋作物產(chǎn)量的可變性。Qaiser等[10]利用遙感和觀測(cè)氣象數(shù)據(jù)集，建立干旱綜合指數(shù)，用于監(jiān)測(cè)和評(píng)估巴基斯坦Potwar高原雨養(yǎng)地區(qū)季節(jié)性干旱給作物產(chǎn)生的影響。孟慶立等[11]使用主成分分析和模糊聚類的方法，建立了谷子的抗旱性綜合評(píng)價(jià)體系，并且指出對(duì)谷子進(jìn)行抗旱性綜合評(píng)價(jià)可以有效避免單一指標(biāo)的片面性，揭示了谷子抗旱相關(guān)指標(biāo)和其抗旱性之間的聯(lián)系。張玉芳等[12]選取能全面、真實(shí)反映干旱特征的指標(biāo)進(jìn)行統(tǒng)計(jì)學(xué)分析，構(gòu)建了在業(yè)務(wù)層面對(duì)冬小麥干旱監(jiān)測(cè)預(yù)警系統(tǒng)及模型。李貴全等[13]通過(guò)測(cè)定大豆的相關(guān)抗旱生理生態(tài)指標(biāo)，利用主成分分析將抗旱系數(shù)進(jìn)行融合得到新的抗旱指標(biāo)，并使用隸屬函數(shù)得到隸屬值，從而實(shí)現(xiàn)對(duì)大豆干旱程度的評(píng)價(jià)并用于抗旱品種的選擇。在指標(biāo)融合和綜合評(píng)價(jià)方面，高光譜技術(shù)已經(jīng)廣泛的應(yīng)用于作物品種的篩選工作，并取得了明顯的成效。

雖然研究者們對(duì)作物綜合評(píng)價(jià)體系的研究較為廣泛，但是，基于高光譜定量分析技術(shù)進(jìn)行綜合評(píng)價(jià)指標(biāo)的研究較少。所以，將受到脅迫后多種冬小麥指標(biāo)進(jìn)行融合，構(gòu)建特定的、能體現(xiàn)脅迫后冬小麥生理生化綜合變化的指標(biāo)是具有一定的研究意義。Pearson[14]在很早就對(duì)非隨機(jī)變量引入形成了主成分分析方法的雛形，后來(lái)經(jīng)過(guò)不斷的完善和發(fā)展[15]得以運(yùn)用于實(shí)際，認(rèn)為在多變量分析過(guò)程中可以實(shí)現(xiàn)最佳綜合簡(jiǎn)化。近年來(lái)，多變量統(tǒng)計(jì)分析方法在光譜領(lǐng)域的廣泛應(yīng)用，極大地促進(jìn)了光譜學(xué)在農(nóng)業(yè)領(lǐng)域的發(fā)展[16]。為了實(shí)現(xiàn)對(duì)水分脅迫后冬小麥相關(guān)生理生化指標(biāo)的綜合評(píng)價(jià)，本研究基于葉片含水量（LWC）、葉綠素密度（ChD）、脯氨酸含量（Pro）、超氧化物歧化酶（SOD）活性、過(guò)氧化氫酶（CAT）活性和過(guò)氧化物（POD）6個(gè)生理生化指標(biāo)，利用主成分分析方法構(gòu)建了冬小麥干旱綜合指標(biāo)（Comprehensive drought index，CDI）。通過(guò)對(duì)冬小麥生理生化參數(shù)的相關(guān)性分析，驗(yàn)證綜合指標(biāo)對(duì)生理生化變化的表征效果。對(duì)CDI指標(biāo)進(jìn)行特征波段的提取，建立CDI的監(jiān)測(cè)模型，并對(duì)比所構(gòu)建監(jiān)測(cè)模型的表現(xiàn)，通過(guò)數(shù)學(xué)變化和統(tǒng)計(jì)學(xué)分析方法對(duì)不同的變量進(jìn)行信息提取和壓縮，探索構(gòu)建綜合指標(biāo)的有效途徑和方法。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

本試驗(yàn)于2017—2019年在山西農(nóng)業(yè)大學(xué)試驗(yàn)站電動(dòng)控制玻璃鋼化旱棚進(jìn)行。第1生長(zhǎng)期于2017年10月7日播種，2018年6月6日收獲；第2生長(zhǎng)期于2018年10月9日播種，2019年6月9日收獲。

供試小麥為國(guó)審麥2011018‘中麥175?！宣?75是中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所用‘BPM 27和‘京411選育的小麥品種，審定編號(hào)為國(guó)審麥2011018。供試小麥屬于冬性中早熟品種，全生育期251 d左右。平均穗數(shù)682.5萬(wàn)穗·hm-2，穗粒數(shù)31.6粒，千粒質(zhì)量41.0 g，具有中等抗旱性。冬小麥種植密度為6×106 ind·hm-2，行間距為20 cm。試驗(yàn)共設(shè)置5個(gè)水分梯度處理，采用隨機(jī)區(qū)組設(shè)計(jì)。分別為W1（對(duì)照）：田間持水量的80％（17.504％）；W2（輕度干旱）：田間持水量的60％（13.12％）；W3（干旱）：田間持水量的45％（9.846％）；W4（重度干旱）：田間持水量的35％（7.658％）；W5（極度干旱）：田間持水量的30％（6.564％）。每個(gè)處理3次重復(fù)，共計(jì)15個(gè)試驗(yàn)小區(qū)。冬小麥返青期開(kāi)始控水處理，每間隔5 d測(cè)定1次土壤質(zhì)量含水量，然后根據(jù)目標(biāo)田間持水量對(duì)每個(gè)小區(qū)進(jìn)行差異化灌溉。其余田間管理等各處理相同。

1.2 冬小麥冠層光譜測(cè)定

采用美國(guó)Analytical Spectral Device（ASD）公司生產(chǎn)的FieldSpec Pro FR2500背掛式野外高光譜輻射儀型獲取光譜數(shù)據(jù)。每次測(cè)量前需進(jìn)行標(biāo)準(zhǔn)白板校正。測(cè)量波段范圍350～2 500 nm，視場(chǎng)角度為25°。第1生長(zhǎng)周期試驗(yàn)分別在播后193、208、221、229、241 d進(jìn)行光譜數(shù)據(jù)采集，第2生長(zhǎng)周期試驗(yàn)分別在播后202、210、217、227、235 d進(jìn)行光譜數(shù)據(jù)采集。由于實(shí)際生育時(shí)期與天氣狀況等原因，導(dǎo)致2個(gè)生長(zhǎng)周期測(cè)定冠層光譜播后天數(shù)不同，但都處于冬小麥關(guān)鍵生育時(shí)期，2個(gè)生長(zhǎng)周期播后天數(shù)分別對(duì)應(yīng)拔節(jié)期、孕穗期、抽穗期、開(kāi)花期和灌漿期。冠層光譜測(cè)量時(shí)，選擇晴朗、無(wú)風(fēng)天氣，測(cè)定時(shí)間段均在10：00－11：00之間。測(cè)量時(shí)傳感器探頭垂直向下，對(duì)準(zhǔn)冬小麥冠層，距離冠層1 m。每次測(cè)量記錄光譜值曲線8條，取平均值，作為原始光譜反射率數(shù)據(jù)。

1.3 主成分分析

主成分分析（Principal component analysis， PCA）是一種多元統(tǒng)計(jì)分析方法，基本思路是將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量，常用于高維數(shù)據(jù)的降維[17-18]。本研究借助SPSS 19.0進(jìn)行主成分分析，首先選取進(jìn)行主成分的合適指標(biāo)，并進(jìn)行標(biāo)準(zhǔn)化處理（SPSS自動(dòng)完成），然后通過(guò)相關(guān)系數(shù)矩陣判斷變量間的相關(guān)性，求相關(guān)系數(shù)矩陣的特征值和特征向量。依據(jù)統(tǒng)計(jì)學(xué)中累計(jì)貢獻(xiàn)率≥85%，變量不出現(xiàn)丟失情況下進(jìn)行主成分個(gè)數(shù)確定[19-20]，從而實(shí)現(xiàn)對(duì)綜合指標(biāo)CDI指標(biāo)主成分的提取，將所提取主成分的得分根據(jù)主成分的權(quán)重進(jìn)行綜合得分計(jì)算，本研究將綜合得分作為CDI，具體計(jì)算公式如下：

式中，PCn為第n個(gè)主成分得分；FACn為第n個(gè)公因子得分；λn為第n個(gè)特征根。

1.4 模型評(píng)價(jià)

決定系數(shù)R2用來(lái)度量因變量的總變差（變量波動(dòng)大?。┲锌捎勺宰兞拷忉尣糠炙嫉谋壤?，即預(yù)測(cè)值的總變差與真實(shí)值的總變差的比值，可以表示預(yù)測(cè)值與實(shí)測(cè)值的擬合程度[21]。均方根誤差（RMSE）是用來(lái)衡量觀測(cè)值同真實(shí)值之間的偏差，且RMSE越小說(shuō)明模型質(zhì)量越好，預(yù)測(cè)越準(zhǔn)確[22]。預(yù)測(cè)殘差（RPD）可以用來(lái)表示所構(gòu)建模型預(yù)測(cè)能力和穩(wěn)定性[23]，模型評(píng)價(jià)參數(shù)（R2、RMSE、RPD）計(jì)算公式如下：

1.5 數(shù)據(jù)分析軟件

使用SPSS 19.0軟件進(jìn)行主成分分析，構(gòu)建CDI。進(jìn)而利用SMLR進(jìn)行特征波段的篩選。利用Matblab 7.0進(jìn)行CA、PLS和SPA特征區(qū)域及波段的提取，并進(jìn)行定量監(jiān)測(cè)模型的構(gòu)建。

2 結(jié)果與分析

2.1 基于主成分分析的冬小麥CDI指標(biāo)的構(gòu)建2.1.1 水分脅迫下冬小麥生理生化指標(biāo)相關(guān)分析? 將6個(gè)生理生化指標(biāo)作為構(gòu)建因子，經(jīng)過(guò)KMO和巴特利特球形度檢驗(yàn)后結(jié)果為：KMO統(tǒng)計(jì)量值=0.668，KMO統(tǒng)計(jì)量值>0.50，且巴特利特球形度檢驗(yàn)Sig值<0.05，球形假設(shè)被拒絕，說(shuō)明原始變量之間存在相關(guān)性，適合做主成分分析。

由表1可以看出，LWC與Pro、CAT相關(guān)性最強(qiáng)（r=-0.677，r=-0.611），呈極顯著負(fù)相關(guān)，Pro和CAT呈極顯著正相關(guān)（r=0.521）。除SOD與LWC、ChD、CAT相關(guān)系數(shù)及POD與LWC、ChD、Pro的相關(guān)系數(shù)較低外，其余指標(biāo)之間的相關(guān)系數(shù)都達(dá)到了顯著或極顯著水平，說(shuō)明選取的6個(gè)生理生化指標(biāo)之間相關(guān)性較高，可以進(jìn)行主成分分析。

2.1.2 水分脅迫下冬小麥生理生化指標(biāo)主成分提取? 由表2可知，第一主成分特征根為2.567，方差貢獻(xiàn)率為42.783%，其中LWC、Pro和CAT載荷較大，表明第一主成分主要包含LWC、Pro和CAT的相關(guān)信息；第二主成分方差貢獻(xiàn)率為22.187%，其中SOD和POD載荷較大，相關(guān)性較強(qiáng)；第三主成分方差貢獻(xiàn)率為12.720%，載荷最大的是POD；第四主成分的累積方差達(dá)到了89.081%，說(shuō)明第四主成分可以解釋冬小麥水分脅迫后6個(gè)生理生化指標(biāo)89.081%的信息，其中ChD載荷最大，說(shuō)明第四主成分主要與ChD相關(guān)；抗氧化酶活性的SOD、CAT和POD相對(duì)較小，說(shuō)明第四主成分與抗氧化酶活性的相關(guān)性最差。根據(jù)統(tǒng)計(jì)學(xué)要求，一般認(rèn)為當(dāng)累積方差達(dá)到85%以上提取主成分個(gè)數(shù)可以對(duì)因子的表征達(dá)到良好的效果，所以提取4個(gè)主成分進(jìn)行CDI指標(biāo)構(gòu)建。

2.1.3 CDI指標(biāo)與冬小麥生理生化指標(biāo)的相關(guān)關(guān)系? 將構(gòu)建的CDI指標(biāo)和研究中所涉及全部生理生化指標(biāo)進(jìn)行相關(guān)性分析，見(jiàn)表3。從表3可以看出，CDI指標(biāo)與LWC和ChD指標(biāo)呈極顯著負(fù)相關(guān)，和Pro、SOD、CAT、POD呈正相關(guān)，并達(dá)到了極顯著水平。

2.2 冬小麥CDI指標(biāo)描述性統(tǒng)計(jì)分析

利用主成分分析法實(shí)現(xiàn)了反映水分脅迫下LWC、ChD、Pro、SOD、CAT、POD 6個(gè)生理生化指標(biāo)變化的冬小麥CDI構(gòu)建，并對(duì)其進(jìn)行描述性統(tǒng)計(jì)分析。從表4中可以看出，利用主成分分析方法構(gòu)建的CDI指標(biāo)的全距為3.191，標(biāo)準(zhǔn)差為0.649，偏度為0.666，符合-1<偏度<1，認(rèn)為所構(gòu)建的CDI指標(biāo)基本符合正態(tài)分布，符合統(tǒng)計(jì)學(xué)要求。將150個(gè)樣本按照2∶1分為校正集與驗(yàn)證集用于模型的建立和驗(yàn)證，校正集和驗(yàn)證集的全距比較接近，說(shuō)明對(duì)校正集和驗(yàn)證集進(jìn)行分類比較合理。從樣本偏度值來(lái)看，2組數(shù)據(jù)都屬于正偏，由于-1<偏度<1，說(shuō)明2組樣本也基本符合正態(tài)分布，可以進(jìn)行相關(guān)統(tǒng)計(jì)學(xué)分析。

2.3 光譜特征區(qū)域選擇

2.3.1 基于CA方法特征區(qū)域選擇 為了提取光譜特征區(qū)域，對(duì)冬小麥CDI和冠層光譜數(shù)據(jù)進(jìn)行相關(guān)性分析。從圖1可以看出，入選特征區(qū)域是Vis的400～727 nm處和NIR的1 341～1 350 nm處，CDI在2個(gè)特征區(qū)域范圍內(nèi)與冠層光譜反射率的相關(guān)系數(shù)絕對(duì)值大于閾值0.196 6。

2.3.2 基于PLS方法特征區(qū)域選擇 如圖2-A所示，PLS模型的的均方根誤差在不同潛在因子數(shù)的表現(xiàn)；圖2-B為在選定好潛在因子個(gè)數(shù)后PLS方法中VIP和B-coefficient的具體表現(xiàn)。

從圖2可以看出，當(dāng)潛在因子個(gè)數(shù)為19個(gè)時(shí)，CDI指標(biāo)達(dá)到了最小值0.443，但潛在因子數(shù)為20時(shí)又開(kāi)始出現(xiàn)了一定程度的增加，因此選擇因子個(gè)數(shù)19。根據(jù)特征區(qū)域提取原則最終入選CDI敏感光譜區(qū)域?yàn)?00～419 nm、484～504 nm、692～730 nm、737～752 nm、758～766 nm、922～929 nm、931～957 nm、976 nm、1 260～1 273 nm、1 069～1 071 nm、1 114～1 159 nm、1 320～1 350 nm共計(jì)12個(gè)特征波段區(qū)域。

2.4 光譜特征波段提取

2.4.1 基于SMLR特征波段提取 利用CA方法對(duì)相關(guān)系數(shù)絕對(duì)值大于閾值的特征區(qū)域進(jìn)行選擇，然后利用SMLR方法進(jìn)行特征波段的提取，結(jié)果顯示，423、427、438、486、516、575、607 nm共計(jì)7個(gè)波段認(rèn)為是CDI指標(biāo)的相應(yīng)敏感波段；利用PLS方法中VIP和B-coefficient提取特征光譜區(qū)域后，利用SMLR進(jìn)行特征波段的提取，共計(jì)提取15個(gè)波段（489、501、697、759、761、929、939、976、1 069、1 125、1 128、1 147、1 152、1 345、1 350 nm）。

2.4.2 基于SPA特征波段提取 圖3為不同變量個(gè)數(shù)條件下的冬小麥CDI均方根誤差。從圖3可知，隨著變量個(gè)數(shù)的增加，RMSE逐漸降低，為選擇較少變量而達(dá)到較高的模型精度，綜合考慮模型表現(xiàn)，最終選擇變量個(gè)數(shù)為16。通過(guò)提取SPA特征波段提取，共有16個(gè)（400、407、520、557、672、693、719、737、760、869、934、939、1 065、1 099、1 124、1 127 nm）特征波段入選。

2.5 特征區(qū)域及波段分布分析

通過(guò)CA和PLS方法進(jìn)行了冬小麥CDI特征區(qū)域的選擇，并利用SMLR方法和SPA方法進(jìn)行了征波段的提取。由圖4可知，基于CA方法提取的特征區(qū)域集中在Vis區(qū)域，位于NIR范圍的特征區(qū)域僅占3%。通過(guò)SMLR特征波段提取后，所有特征波段位于Vis區(qū)域范圍；利用PLS方法選擇的特征區(qū)域分布較為廣泛，基于SMLR提取的特征波段也分布在不同光譜反射率區(qū)域；利用SPA進(jìn)行特征波段提取，結(jié)果顯示，約有31%的特征波段集中在紅邊區(qū)域，其余特征波段在Vis和近紅外反射平臺(tái)均有分布。

2.6 冬小麥CDI指標(biāo)監(jiān)測(cè)模型評(píng)價(jià)

利用PLSR構(gòu)建了基于全波段的PLSR監(jiān)測(cè)模型，為了達(dá)到簡(jiǎn)化模型的目的，通過(guò)不同的特征區(qū)域選擇和波段提取方法，對(duì)冬小麥的CDI響應(yīng)的光譜反射率進(jìn)行了特征變量的選擇，以降低較多波段信息的維度?；谔崛〉奶卣鞑ǘ危肧MLR和MLR方法構(gòu)建了水分脅迫后冬小麥CDI指標(biāo)預(yù)測(cè)模型（表5）。不同建模方法構(gòu)建的水分脅迫后冬小麥CDI定量監(jiān)測(cè)模型中，基于全波段建立的PLSR監(jiān)測(cè)模型表現(xiàn)最好，表現(xiàn)次之的是基于PLS+SMLR方法提取15個(gè)特征波段構(gòu)建的校正集模型，但是，此方法的驗(yàn)證集模型表現(xiàn)是較差的。相比基于16個(gè)特征波段構(gòu)建的SPA+MLR模型有著較好的預(yù)測(cè)效果。表現(xiàn)最差的為基于7個(gè)特征波段構(gòu)建的CA+SMLR監(jiān)測(cè)模型。

3 討論與結(jié)論

冬小麥在水分脅迫發(fā)生后，植株體內(nèi)的生理參數(shù)都會(huì)發(fā)生相關(guān)的變化[24-26]，相關(guān)的生理生化變化是由于冬小麥脅迫后失水嚴(yán)重導(dǎo)致的冬小麥產(chǎn)生的應(yīng)激反應(yīng)[27-28]。單一生理生化指標(biāo)在表征水分脅迫影響時(shí)，可能會(huì)存在一定的局限性。通過(guò)不同的途徑、不同的方法可以實(shí)現(xiàn)綜合指標(biāo)的構(gòu)建[29-30]，以達(dá)到利用綜合指標(biāo)對(duì)水分脅迫后冬小麥長(zhǎng)勢(shì)的整體評(píng)價(jià)。本研究利用主成分分析方法，對(duì)水分脅迫后冬小麥6個(gè)生理生化參數(shù)進(jìn)行數(shù)據(jù)壓縮和融合，提取了4個(gè)主成分，相比較不同主成分中包含生理生化指標(biāo)信息量不同，POD在第二和三主成分中載荷較大，說(shuō)明這2個(gè)主成分與POD的相關(guān)性較強(qiáng)；從ChD來(lái)看，在第一和四主成分中載荷均比較高，說(shuō)明第一和四主成分與ChD相關(guān)性較強(qiáng)。通過(guò)生理生化參數(shù)與所構(gòu)建的CDI相關(guān)性分析，發(fā)現(xiàn)與SOD的相關(guān)系數(shù)較低，但相關(guān)性均達(dá)到了極顯著水平，進(jìn)而計(jì)算不同主成分因子得分的權(quán)重，進(jìn)行了綜合得分的計(jì)算，從而構(gòu)建了冬小麥CDI指標(biāo)。通過(guò)統(tǒng)計(jì)學(xué)分析，構(gòu)建的CDI指標(biāo)近似正態(tài)分布。所以，利用主成分分析構(gòu)建的CDI指標(biāo)是可以在一定程度上起到表征并融合生理生化參數(shù)信息的作用。

通過(guò)對(duì)CDI指標(biāo)特征波段區(qū)域的選擇，發(fā)現(xiàn)基于CA方法提取的特征區(qū)域主要集中在Vis區(qū)域，少部分集中在NIR區(qū)域，利用CA+SMLR方法提取的7個(gè)波段，全部位于Vis區(qū)域，說(shuō)明在Vis區(qū)域的部分波段具有CDI指標(biāo)的重要信息；利用PLS選擇的特征區(qū)域分布沒(méi)有明顯規(guī)律，在全波段范圍均有分布，而利用SMLR方法提取特征波段后，發(fā)現(xiàn)15個(gè)特征波段中，20%的波段位于紅邊區(qū)域，大約53.3%的特征波段集中在NIR區(qū)域，有研究曾報(bào)導(dǎo)干旱脅迫后，Vis[31]區(qū)域和NIR[32]區(qū)域是干旱脅迫最敏感的譜段[33]。利用SPA方法提取的特征波段31.3%集中在紅邊區(qū)域內(nèi)，說(shuō)明紅邊區(qū)域同樣包含了水分脅迫后冬小麥CDI的重要信息，這與紅邊區(qū)域包含重要作物長(zhǎng)勢(shì)信息[34-35]的觀點(diǎn)一致。CA方法則在區(qū)域選擇過(guò)程中丟失了對(duì)紅邊波段的關(guān)鍵信息，在一定程度上造成了信息的損失。

利用多元回歸方法進(jìn)行CDI定量監(jiān)測(cè)模型的建立。結(jié)果顯示：模型建立過(guò)程基于全波段的PLSR監(jiān)測(cè)模型表現(xiàn)最好，校正集和驗(yàn)證集的R2分別為0.885、0.631，說(shuō)明校正集模型的擬合度很高，驗(yàn)證集的擬合度也達(dá)到了中等水平；RMSE分別為0.221、0.441，說(shuō)明定量監(jiān)測(cè)模型的誤差較小，預(yù)測(cè)準(zhǔn)確；RPD為2.772、1.625，均大于1.4，說(shuō)明CDI高光譜監(jiān)測(cè)模型具有一定普適性和穩(wěn)健度。但是，由于過(guò)多的波段引入模型，使模型既包含了有效信息，同樣也存在部分的無(wú)效和冗余信息，會(huì)導(dǎo)致模型的復(fù)雜度變高現(xiàn)象。為達(dá)到優(yōu)化和簡(jiǎn)化模型的效果，對(duì)光譜反射率的特征波段進(jìn)行提取，但是在特征波段提取過(guò)程中，由于方法的不同，同樣可能會(huì)導(dǎo)致可以表征冬小麥干旱信息的丟失[36]，出現(xiàn)模型精度降低等狀況。根據(jù)基于特征波長(zhǎng)所構(gòu)建的監(jiān)測(cè)模型表現(xiàn)來(lái)看，CA+SMLR監(jiān)測(cè)模型表現(xiàn)最差，這與特征區(qū)域提取過(guò)程中范圍較小，且忽略了紅邊等關(guān)鍵區(qū)域有一定的關(guān)聯(lián)性。構(gòu)建的PLS+SMLR校正集模型表現(xiàn)最好，R2為0.719，說(shuō)明校正集的擬合度較高，但是驗(yàn)證集模型的擬合度出現(xiàn)了下降，僅為0.432，說(shuō)明在模型的準(zhǔn)確性上有待提高；而基于SPA特征波段建立的CDI監(jiān)測(cè)模型預(yù)測(cè)效果較好，RPD=1.500，符合RPD>1.4，說(shuō)明利用SPA提取的特征波段構(gòu)建的CDI監(jiān)測(cè)模型的具有較好的預(yù)測(cè)效果。

通過(guò)不同方法對(duì)冬小麥CDI指標(biāo)進(jìn)行特征區(qū)域選擇和特征波段提取，所提取的特征波段在Vis區(qū)域，紅邊以及NIR區(qū)域均有分布。通過(guò)分析建立的冬小麥水分脅迫下CDI的監(jiān)測(cè)模型，冬小麥CDI的PLSR模型（R2=0.885，RMSEC=0.221，RPD=2.772；R2=0.631，RMSEP=0.441，RPD=1.625）預(yù)測(cè)較為準(zhǔn)確，具有較高穩(wěn)健性和普適性；基于提取特征波段建立SPA+MLR模型（R2=0.647，RMSEC=0.387，RPD=1.355；R2=0.672，RMSEP=0.376，RPD=1.500）和PLS+SMLR模型（R2=0.719，RMSEC=0.345，RPD=1.601；R2=0.432，RMSEP=0.551，RPD=1.249）也達(dá)到了較好的預(yù)測(cè)效果。所構(gòu)建CDI指標(biāo)從多角度、多層次對(duì)水分脅迫后冬小麥生理生化現(xiàn)象進(jìn)行了有效表征，根據(jù)所構(gòu)建的定量監(jiān)測(cè)模型表現(xiàn)，認(rèn)為利用高光譜技術(shù)可以實(shí)現(xiàn)對(duì)冬小麥CDI的快速、有效監(jiān)測(cè)。

參考文獻(xiàn)：

[1] BOYER J S. Plant productivity and environment[J]. Science， 1982， 218（4571）： 443-448.

[2] 余慧倩， 張強(qiáng)， 孫鵬， 等. 干旱強(qiáng)度及發(fā)生時(shí)間對(duì)華北平原五省冬小麥產(chǎn)量影響[J]. 地理學(xué)報(bào)， 2019， 74（1）： 87-102.

[3] JACKSON R D， PINTER P J， Jr， IDSO S B， et al. Wheat spectral reflectance： interactions between crop configuration， sun elevation， and azimuth angle[J]. Applied Optics， 1979， 18（22）： 3730-3732.

[4] XAVIER A C， RUDORFF B F T， MOREIRA M A， et al. Hyperspectral field reflectance measurements to estimate wheat grain yield and plant height[J]. Scientia Agricola， 2006， 63（2）： 130-138.

[5] OPPELT N， MAUSER W. Hyperspectral monitoring of physiological parameters of wheat during a vegetation period using AVIS data[J]. International Journal of Remote Sensing， 2004， 25（1）： 145-159.

[6] APARICIO N， VILLEGAS D， CASADESUS J， et al. Spectral vegetation indices as nondestructive tools for determining durum wheat yield[J]. Agronomy Journal， 2000， 92（1）： 83-91.

[7] 何斌. 陜西省農(nóng)業(yè)干旱風(fēng)險(xiǎn)評(píng)估方法研究[D]. 西安： 西安理工大學(xué)， 2017.

[8] WU D， LI Z H， ZHU Y C， et al. A new agricultural drought index for monitoring the water stress of winter wheat[J]. Agricultural Water Management， 2021， 244： 106599.

[9] JUHOS K， SZAB？譫 S， LAD？魣NYI M. Explore the influence of soil quality on crop yield using statistically-derived pedological indicators[J]. Ecological Indicators， 2016， 63： 366-373.

[10] QAISER G， TARIQ S， ADNAN S， et al. Evaluation of a composite drought index to identify seasonal drought and its associated atmospheric dynamics in Northern Punjab， Pakistan[J]. Journal of Arid Environments， 2021， 185： 104332.

[11] 孟慶立， 關(guān)周博， 馮佰利， 等. 谷子抗旱相關(guān)性狀的主成分與模糊聚類分析[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2009， 42（8）： 2667-2675.

[12] 張玉芳， 王明田， 王素艷. 四川盆地冬小麥干旱監(jiān)測(cè)預(yù)警技術(shù)研究及應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)， 2010， 38（19）： 10154-10155， 10329.

[13] 李貴全， 張海燕， 季蘭， 等. 不同大豆品種抗旱性綜合評(píng)價(jià)[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 2006， 17（12）： 2408-2412.

[14] PEARSON K. LIII. On lines and planes of closest fit to systems of points in space[J]. The London， Edinburgh， and Dublin Philosophical Magazine and Journal of Science， 1901， 2（11）： 559-572.

[15] HOTELLING H. Analysis of a complex of statistical variables into principal components[J]. Journal of Educational Psychology， 1933， 24（6）： 417-441.

[16] YANG H， KUANG B， MOUAZEN A M. Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction[J]. European Journal of Soil Science， 2011， 63（3）： 410-420.

[17] BAKSHI B R. Multiscale PCA with application to multivariate statistical process monitoring[J]. AIChE Journal， 1998， 44（7）： 1596-1610.

[18] 李靖華， 郭耀煌. 主成分分析用于多指標(biāo)評(píng)價(jià)的方法研究——主成分評(píng)價(jià)[J]. 管理工程學(xué)報(bào)， 2002， 16（1）： 39-43.

[19] 林海明， 張文霖. 主成分分析與因子分析的異同和SPSS軟件——兼與劉玉玫、盧紋岱等同志商榷[J]. 統(tǒng)計(jì)研究， 2005（3）： 65-69.

[20] NAGELKERKE N J D. A note on a general definition of the coefficient of determination[J]. Biometrika， 1991， 78（3）： 691-692.

[21] OHTANI K. Bootstrapping R2 and adjusted R2 in regression analysis[J]. Economic Modelling， 2000， 17（4）： 473-483.

[22] CHAI T， DRAXLER R R. Root mean square error （RMSE） or mean absolute error（MAE）-Arguments against avoiding RMSE in the literature[J]. Geoscientific Model Development， 2014， 7（3）： 1247-1250.

[23] KLEIN G A. A recognition-primed decision （RPD） model of rapid decision making[M]//KLEIN GA， ORASANU J， CALDERWOOD R， et al. Decision Making in Action： Models and Methods. Norwood： Ablex Publishing， 1993： 138-147.

[24] WU X L， BAO W K. Statistical analysis of leaf water use efficiency and physiology traits of winter wheat under drought condition[J]. Journal of Integrative Agriculture， 2012， 11（1）： 82-89.

[25] BAR？魣NYIOV？魣 I， KLEM K. Effect of application of growth regulators on the physiological and yield parameters of winter wheat under water deficit[J]. Plant， Soil and Environment， 2016， 62（3）： 114-120.

[26] 封富， 黃桂榮， 王雅靜， 等. 拔節(jié)期干旱脅迫下冬小麥品種間產(chǎn)量及生理響應(yīng)的差異[J]. 中國(guó)農(nóng)業(yè)氣象， 2020， 41（1）： 43-50.

[27] 曹衛(wèi)星. 小麥品質(zhì)生理生態(tài)及調(diào)優(yōu)技術(shù)[M]. 北京： 中國(guó)農(nóng)業(yè)出版社， 2005.

[28] KEIM D L， KRONSTAD W E. Drought response of winter wheat cultivars grown under field stress conditions[J]. Crop Science， 1981， 21（1）： 11-15.

[29] 蘇為華. 多指標(biāo)綜合評(píng)價(jià)理論與方法問(wèn)題研究[D]. 廈門(mén)： 廈門(mén)大學(xué)， 2000.

[30] G？譫MEZ-LIM？譫N J A， RIESGO L. Alternative approaches to the construction of a composite indicator of agricultural sustainability： an application to irrigated agriculture in the Duero basin in Spain[J]. Journal of Environmental Management， 2009， 90（11）： 3345-3362.

[31] 王小平， 趙傳燕， 郭鈮， 等. 黃土高原半干旱區(qū)春小麥冠層光譜對(duì)不同程度水分脅迫的響應(yīng)[J]. 蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 50（3）： 417-423.

[32] 宋曉宇， 王紀(jì)華， 閻廣建， 等. 基于多時(shí)相航空高光譜遙感影像的冬小麥長(zhǎng)勢(shì)空間變異研究[J]. 光譜學(xué)與光譜分析， 2010， 30（7）： 1820-1824.

[33] 趙俊芳， 房世波， 郭建平. 受蚜蟲(chóng)危害與干旱脅迫的冬小麥高光譜判別[J]. 國(guó)土資源遙感， 2013， 25（3）： 153-158.

[34] LIU L Y， WANG J H， HUANG W J， et al. Estimating winter wheat plant water content using red edge parameters[J]. International Journal of Remote Sensing， 2004， 25（17）： 3331-3342.

[35] WANG X P， GUO N， ZHAO C Y， et al. Hyperspectral reflectance characteristics for Spring Wheat in different drought intimidate[C]//2010 18th International Conference on Geoinformatics. Piscataway， NJ： IEEE， 2010： 1-4.

[36] HUANG R， HE M Y. Band selection based on feature weighting for classification of hyperspectral data[J]. IEEE Geoscience and Remote Sensing Letters， 2005， 2（2）： 156-159.

基金項(xiàng)目：山西省基礎(chǔ)研究計(jì)劃項(xiàng)目（202203021212188，20210302123411）；山西省高等學(xué)?？萍紕?chuàng)新項(xiàng)目（2021L444）；太原師范學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（CXCY2208）；國(guó)家自然科學(xué)基金項(xiàng)目（31871571）

作者簡(jiǎn)介：謝永凱（1992—），男，山西太原人，講師，碩士生導(dǎo)師，博士，主要從事農(nóng)業(yè)地理及作物生態(tài)信息研究。

通訊作者簡(jiǎn)介：楊武德（1960—），男，山西太原人，教授，博士生導(dǎo)師，博士，主要從事3S技術(shù)與作物生產(chǎn)及旱作栽培與作物生態(tài)研究。