基于連續(xù)投影算法和光譜變換的冬小麥生物量高光譜遙感估算

王玉娜，李粉玲，王偉東，陳曉凱，常慶瑞

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100)

作物生物量是指單位面積內(nèi)作物積累有機物質(zhì)的總量[1]，可用于診斷作物的氮素營養(yǎng)狀況，是監(jiān)測作物生長狀況和預(yù)測最終產(chǎn)量的一個重要指標[2-3]。作物生物量測定的傳統(tǒng)方法需要破壞性采樣。近年來，遙感技術(shù)以其快速、實時、無破壞性且大面監(jiān)測的特點在作物生理生化參數(shù)定量監(jiān)測中得到了廣泛應(yīng)用[4-5]。通過高光譜遙感技術(shù)可以獲取目標物非常窄且連續(xù)的光譜信息和圖像，從中得到研究對象在全波段范圍內(nèi)的詳細信息。目前，已有國內(nèi)外學(xué)者基于高光譜遙感技術(shù)對不同作物生物量的快速準確監(jiān)測進行研究[6]。如Hansen等[7]基于歸一化植被指數(shù)(NDVI)和偏最小二乘法(PLS)對小麥地上部生物量進行有效估算，發(fā)現(xiàn)NDVI在680～750 nm中心波長內(nèi)的波段組合與生物量相關(guān)性較高，基于PLS建立的生物量估測模型比NDVI模型的均方根誤差(RMSE)降低22%。Jin等[8]基于高光譜植被指數(shù)對玉米冠層反射率和生物量的關(guān)系進行研究，結(jié)果表明，三波段水指數(shù)(TBWI)是估算玉米生物量的最佳指數(shù)，估算模型決定系數(shù)可以達到 0.76。Gnyp等[9]基于在近紅外和短波紅外區(qū)域光譜具有吸收和反射特征的植被指數(shù)對冬小麥生物量進行估測，發(fā)現(xiàn)氮反射指數(shù)(NRI)和新開發(fā)植被指數(shù)(GnyLi)可解釋81%～89%的生物量變異性，估測精度最佳。柏軍華等[10]研究表明，基于歸一化組合參數(shù)[629,901]的棉花地上部鮮生物量指數(shù)形式估算模型的精度高于基于單波段629 nm一階導(dǎo)數(shù)光譜建立的估算模型。王大成等[11]基于高光譜植被指數(shù)比較了人工神經(jīng)網(wǎng)絡(luò)和對數(shù)回歸模型對冬小麥生物量的估算精度，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型顯著提高了小麥生物量診斷的準確性，其中基于葉綠素吸收植被指數(shù)的模型決定系數(shù)提高幅度最大，為75.9%。吳亞鵬等[12]篩選對冬小麥地上部氮積累量和植株生物量兼容性強的植被指數(shù)，構(gòu)建不同產(chǎn)量水平下的動態(tài)模型，發(fā)現(xiàn)紅邊葉綠素指數(shù)(CIred-edge)、土壤調(diào)整植被指數(shù)(SAVI)和修正型紅邊比率(mRER)擬合精度較高。付元元等[13]結(jié)合波段深度分析與偏最小二乘法對大田冬小麥生物量進行估算，結(jié)果發(fā)現(xiàn)，兩者結(jié)合建立的模型精度優(yōu)于基于代表性植被指數(shù)建立的估算模型。以上研究充分展現(xiàn)了基于高光譜技術(shù)對作物生物量進行估算的優(yōu)勢，但仍然存在一定的問題：(1)原始光譜是作物冠層反射情況的最直接表達，光譜變換可以不同程度地減弱或消除背景噪聲，對于特征波段的優(yōu)選和波段靈敏度的提高有重要作用，當前研究較少討論變換光譜估算地上部生物量的能力；(2)目前的研究主要基于少數(shù)敏感波段進行作物生物量的估算分析，比如利用單一波段反射率或2～3個敏感波段反射率的組合植被指數(shù)來構(gòu)建模型，沒有充分利用高光譜遙感所提供的詳盡光譜信息，而偏最小二乘回歸可以更加有效利用高光譜信息并且防止共線性產(chǎn)生，模型解譯性高?；诖耍狙芯炕诓煌龝r期的冬小麥高光譜反射率信息，首先進行光譜變換，然后從利用冠層高光譜全波段信息和減少波段之間信息冗余的角度出發(fā)，采用連續(xù)投影算法在350～1 350 nm的波段范圍內(nèi)篩選不同變換光譜的敏感波段，利用偏最小二乘法建立冬小麥地上部生物量估算模型，并進行模型檢驗，優(yōu)選出冬小麥關(guān)鍵生育時期地上部生物量的最佳模型，以期為冬小麥長勢監(jiān)測、后期田間管理以及產(chǎn)量預(yù)測提供科學(xué)依據(jù)。

1 材料與方法

1.1 試驗設(shè)計

分別于2016年度在陜西省楊凌農(nóng)業(yè)示范區(qū)西北農(nóng)林科技大學(xué)實驗農(nóng)場(東經(jīng)108°10′，北緯34°14′)和2017年度在陜西省咸陽市乾縣梁山鎮(zhèn)齊南村(東經(jīng)108°07′，北緯34°38′)開展田間試驗。供試品種為關(guān)中地區(qū)主栽品種小偃22。西北農(nóng)林科技大學(xué)實驗農(nóng)場設(shè)20個小區(qū)，小區(qū)面積為33 m2(5.5 m×6 m)；土壤為粉砂粘壤土，0～40 cm耕層有機質(zhì)含量為15.61 g·kg-1，全氮含量為0.56 g·kg-1，堿解氮含量為74.31 mg·kg-1，速效磷含量為30.14 mg·kg-1，速效鉀含量為185.24 mg·kg-1；氮磷肥各設(shè)5個處理，其中氮肥(N)處理的施入量分別為0、45、90、135和180 kg·hm-2，磷肥(P2O5)處理的施入量分別為0、22.5、45、67.5和90 kg·hm-2，每個處理2個重復(fù)。乾縣梁山鎮(zhèn)齊南村設(shè)36個小區(qū)，小區(qū)面積為90 m2(9 m×10 m)；土壤為壤土，0～40 cm耕層有機質(zhì)含量為13.36 g·kg-1，全氮含量為0.48 g·kg-1，速效氮含量為44.86 mg·kg-1，有效磷含量為13.54 mg·kg-1，速效鉀含量為182.88 mg·kg-1；氮、磷、鉀肥各設(shè)6個處理，其中氮肥(N)處理的施入量分別為0、30、60、90、120和150 kg·hm-2，磷肥(P2O5)和鉀肥(K2O)處理的施入量均分別為0、22.5、45、67.5、90和112.5 kg·hm-2，每個處理2個重復(fù)。氮、磷、鉀肥分別為尿素、過磷酸鈣和硫酸鉀肥，均全部底施，小麥生育時期不追肥，田間管理按大田管理方式進行。

1.2 冠層光譜測定

選擇晴朗無風(fēng)的天氣，采用美國SVC HR-1024I型野外光譜輻射儀在冬小麥生長的拔節(jié)期、抽穗期、開花期和灌漿期測定冠層光譜。該光譜儀波段范圍為350～2 500 nm，其中50～1 000 nm、1 000～1 850 nm和1 850～2 500 nm的光譜分辨率分別為3.5 nm、9.5 nm和6.5 nm。每次光譜測定前進行標準白板校正。利用視場角25°鏡頭在距離冬小麥冠層1 m處垂直向下測定冠層反射光譜，設(shè)置一次采樣重復(fù)10次，平均值作為該樣點的冠層光譜反射率。每個小區(qū)選取2個樣點，以樣點光譜反射率平均值作為該樣區(qū)冠層光譜反射率。

1.3 生物量的測定

光譜測定完成后，以光譜測定點為中心，采集各小區(qū)0.5 m×0.5 m范圍內(nèi)的地上小麥植株，迅速密封裝袋帶回實驗室測定地上部生物量鮮重。并從中隨機選取20株樣品稱取其鮮重后，置入牛皮紙袋中，放入烘箱在105 ℃殺青30 min，80 ℃烘干48 h以上，稱取其干重，進而計算干重與鮮重的比值。通過0.25 m2范圍內(nèi)的地上部生物量與干濕比獲取各小區(qū)的地上部生物量樣本56個，其中建模集45個，驗證集11個。

1.4 研究方法

1.4.1 冠層光譜預(yù)處理

由于1 350～2 500 nm是葉片水分吸收的主導(dǎo)波長，可見光-近紅外波段的光譜反射率與作物的色素含量以及冠層結(jié)構(gòu)和地上部生物量密切相關(guān)[14-16]，因而本研究以350～1 350 nm范圍內(nèi)的高光譜反射率數(shù)據(jù)為基礎(chǔ)，進行地上部生物量的估算分析。首先將350～1 350 nm范圍內(nèi)的高光譜反射率數(shù)據(jù)重采樣為1 nm，并對重采樣后的光譜數(shù)據(jù)利用二次多項式和9個平滑點數(shù)進行Savitzky-Golay 平滑濾波處理，剔除依附于冠層高光譜之上的噪聲信息。對去噪后的冠層光譜進行基本變換，獲取冠層一階導(dǎo)數(shù)光譜、對數(shù)光譜(對平滑之后的光譜先求倒數(shù)，然后取對數(shù)的數(shù)學(xué)變換)和連續(xù)統(tǒng)去除光譜。

1.4.2 敏感波段提取

相關(guān)系數(shù)是反映兩個變量線性相關(guān)程度的統(tǒng)計量[17]。首先分析不同生育時期的冬小麥冠層原始光譜、一階導(dǎo)數(shù)光譜、對數(shù)光譜和連續(xù)統(tǒng)去除光譜與地上部生物量之間的相關(guān)性，將相關(guān)系數(shù)滿足0.01水平顯著性檢驗的波段范圍作為各生育時期和各變換光譜的敏感特征區(qū)域。在Matlab環(huán)境下通過編程實現(xiàn)連續(xù)投影算法(SPA)，經(jīng)過反復(fù)抽樣檢查，在RMSE達到最低值時，從敏感特征區(qū)域中提取冬小麥地上部生物量的敏感波段。最后將選擇的敏感波段對應(yīng)的原始光譜、一階導(dǎo)數(shù)光譜、對數(shù)光譜和連續(xù)統(tǒng)去除光譜分別作為自變量，采用偏最小二乘法(PLS)回歸對地上部生物量進行模擬，并與光譜指數(shù)估算模型進行對比，獲取最佳的冬小麥地上部生物量估算模型。

連續(xù)投影算法(SPA)是一種使矢量空間共線性最小化的向前變量選擇法，它利用向量投影分析最大程度地消除光譜中的冗余信息，從全波段中篩選出少數(shù)幾個特征波段，不僅能夠減少參與建模的光譜波段個數(shù)，并且能夠保證特征波段之間的共線性最小，從而提高建模效率，具體算法和意義參見文獻[18]。PLS 是多元線性回歸分析、典型相關(guān)分析和主成分分析的結(jié)合，能夠同時實現(xiàn)回歸建模和數(shù)據(jù)結(jié)構(gòu)簡化。對高光譜數(shù)據(jù)的分析處理表明，PLS方法能夠最大程度利用光譜信息，減少有效信息的丟失并能有效濾除光譜噪音，且對模型自變量具有解釋性，相對于多元逐步回歸等方法穩(wěn)定性更強，建模精度更高[19-20]。主成分個數(shù)是PLS回歸分析的關(guān)鍵因素，本研究利用交叉驗證計算潛在模型預(yù)測能力來權(quán)衡主成分的選取個數(shù)。

1.4.3 光譜指數(shù)選擇

本研究利用Matlab軟件系統(tǒng)構(gòu)建了350～ 1 350 nm波段范圍內(nèi)，任意兩波段組合的歸一化(NDSI)、比值(RSI)、差值(DSI)光譜指數(shù)。通過分析任意兩波段構(gòu)建的窄波段歸一化(NDSI)、比值(RSI)、差值(DSI)光譜指數(shù)與冬小麥地上部生物量間的相關(guān)關(guān)系，構(gòu)建擬合精度r2二維圖，并以r2極大值區(qū)域重心作為高光譜估算地上部生物量的敏感波段中心。所篩選出的最佳窄波段光譜指數(shù)及已報道的對冬小麥地上部生物量相關(guān)性較好的土壤調(diào)整植被指數(shù)(SAVI)和修正型紅邊比率(mRER)的構(gòu)成形式和敏感波段見表1[12,19-20]。

表1 光譜指數(shù)及其計算公式

1.5 模型驗證參數(shù)

分別采用決定系數(shù)(r2)、均方根誤差(RMSE)和相對預(yù)測偏差(RPD)對模型進行檢驗。r2越接近1，RMSE越小，說明模型擬合能力越好，預(yù)測精度越高。RPD通過衡量估測值和實測值之間的偏差程度來表明模型的預(yù)測能力。通常認為RPD<1.5時，模型不具備預(yù)測能力；1.52.0時，模型的預(yù)測能力極好[23]。

RPD=SD/RMSE×[n/(n-1)]1/2

其中，n為建模集或者驗證集的樣本數(shù)目，SD為驗證集標準偏差。

2 結(jié)果與分析

2.1 不同生育時期的冬小麥地上部生物量統(tǒng)計分析及光譜響應(yīng)

2.1.1 地上部生物量隨生育時期的變化規(guī)律

從拔節(jié)期到灌漿期，小麥地上部生物量不斷增加，在灌漿期達到11.07 t·hm-2，各時期平均值為2.94～11.07 t·hm-2(表2)。開花期地上部生物量的離散程度較小，變異系數(shù)為 25.91%，而拔節(jié)期的變異系數(shù)最大，為41.52%。

表2 冬小麥地上部生物量統(tǒng)計描述

2.1.2 地上部生物量與光譜特征的關(guān)系

隨著小麥地上部生物量的增大，可見光-近紅外的冠層光譜反射率總體上均呈增加趨勢，其中近紅外部分的增幅高于可見光部分。不同地上部生物量之間對應(yīng)的光譜差異顯著(圖1)。

圖1 小麥不同地上部生物量的光譜變化

2.2 地上部生物量與冠層變換光譜的相關(guān)性

從各關(guān)鍵生育時期原始光譜(OS)、一階導(dǎo)數(shù)光譜(FD)、對數(shù)光譜(LOG)和連續(xù)統(tǒng)去除光譜(CR)與冬小麥地上部生物量的相關(guān)性(圖2)看，拔節(jié)期原始光譜、一階導(dǎo)數(shù)光譜、對數(shù)光譜和連續(xù)統(tǒng)去除光譜對地上部生物量的敏感區(qū)間(相關(guān)系數(shù)滿足P≤0.01的置信區(qū)間)集中在728～ 1 350 nm；995～1 073 nm、1 121～1 197 nm、1 208～1 256 nm、1 276～1 343 nm；728～1 350 nm和351～758 nm、991～1 075 nm、1 096～ 1 127 nm、1 164～1 257 nm，相關(guān)系數(shù)分別為 0.35～0.60、0.34～0.60、0.49～0.62和0.34～0.52。抽穗期敏感區(qū)間集中在576～703 nm、739～1161 nm；718～806 nm、994～1 068 nm、1 076～1 166 nm、1 209～1 251 nm、1 274～ 1 337 nm；607～699 nm、738～1 304 nm和 351～762 nm、942～1 066 nm、1 134～1 281 nm，相關(guān)系數(shù)分別為0.34～0.54、0.34～0.69、0.34～0.56和0.35～0.56。開花期敏感區(qū)間集中在 1 350 nm；794～799 nm、804～807 nm、825～828 nm；1 118～ 1 125 nm、1 345～1 350 nm和 1 280～1 292 nm、1 309～1 349 nm，相關(guān)系數(shù)分別為0.35、0.34～ 0.57、0.34～0.37和 0.34～0.50。灌漿期僅一階導(dǎo)數(shù)光譜在973 nm與地上部生物量的相關(guān)系數(shù)通過0.01顯著性水平檢驗，相關(guān)系數(shù)為0.42?？傮w上，開花期和灌漿期各光譜變換與地上部生物量的相關(guān)性較低，故以下只對拔節(jié)期和抽穗期的冬小麥地上部生物量進行估算分析。

OS：原始光譜；FD：一階導(dǎo)數(shù)光譜；LOG：對數(shù)變換光譜；CR：連續(xù)統(tǒng)去除光譜。圖中兩條平行線間的相關(guān)系數(shù)達到0.01顯著水平。

2.3 基于SPA法的特征波段提取

在相關(guān)性分析篩選出的敏感特征區(qū)域內(nèi)，進一步利用SPA法分別提取原始光譜、一階導(dǎo)數(shù)光譜、對數(shù)變換光譜和連續(xù)統(tǒng)去除光譜在拔節(jié)期和抽穗期對冬小麥地上部生物量的敏感波段。結(jié)果表明，從冠層光譜350～1 350 nm范圍內(nèi)所包含的1 001個波段中，優(yōu)選出各變換光譜的敏感波段數(shù)目大幅下降，其中拔節(jié)期連續(xù)統(tǒng)去除光譜所對應(yīng)的敏感波段數(shù)相對較多(14個)，而抽穗期原始冠層光譜敏感波段數(shù)僅4個(表3)。

表3 不同變換光譜的冬小麥地上部生物量敏感波段

2.4 基于PLS的冬小麥地上部生物量模型構(gòu)建與驗證

以SPA法優(yōu)選出的冬小麥拔節(jié)期和抽穗期敏感波段作為輸入變量，以地上部生物量作為響應(yīng)變量，構(gòu)建基于PLS的地上部生物量預(yù)測模型。不同生育時期變換光譜所選用的主成分個數(shù)由模擬精度和總方差解釋率綜合確定。拔節(jié)期和抽穗期地上部生物量的模擬結(jié)果見表4。在拔節(jié)期的預(yù)測模型中，基于一階導(dǎo)數(shù)光譜所建模型的擬合精度相對最佳，r2為0.62，RMSE為0.71 t·hm-2；其次為連續(xù)統(tǒng)去除光譜r2和RMSE分別為0.61和0.77 t·hm-2；原始冠層光譜和對數(shù)光譜的地上部生物量預(yù)測模型的r2和RMSE基本相同，分別為0.50和0.87 t·hm-2。抽穗期所建模型的r2由高到低依次為一階導(dǎo)數(shù)光譜(0.78)、對數(shù)光譜(0.61)、連續(xù)統(tǒng)去除光譜(0.49)和原始冠層光譜(0.47)，各變換光譜所建模型的RMSE相應(yīng)依次增加?；谝浑A導(dǎo)數(shù)光譜的預(yù)測模型在拔節(jié)期和抽穗期均獲得了最佳的驗證精度，拔節(jié)期r2為0.66，RMSE為0.83 t·hm-2；抽穗期r2為0.84，RMSE為0.69 t·hm-2。將基于一階導(dǎo)數(shù)光譜的拔節(jié)期和抽穗期地上部生物量估算模型實測值與預(yù)測值的空間分布繪制成散點圖(圖3)，散點分布越接近于1∶1線，模型的估算效果越佳。抽穗期的散點分布更接近于 1∶1線，離散程度較小，對地上部生物量的估算能力較強，實測值與預(yù)測值的散點趨勢線斜率為 1.05，r2為0.89。整體上，抽穗期地上部生物量的預(yù)測精度高于拔節(jié)期。

圖3 基于一階導(dǎo)數(shù)光譜的小麥地上部生物量預(yù)測值與實測值的相關(guān)性

表4 基于PLS的冬小麥地上部生物量預(yù)測模型驗證

2.5 基于光譜指數(shù)的冬小麥地上部生物量估算效果

利用任意兩波段組合的NDSI、DSI、RSI，結(jié)合已報道的SAVI和mRER進行冬小麥地上部生物量估算并進行精度(表5)對比，結(jié)果表明，在拔節(jié)期的預(yù)測模型中，基于NDVI 和DSI所建模型的精度相對最佳，r2分別為0.45和0.47，RMSE分別為0.96 t·hm-2和0.98 t·hm-2；其次為RSI模型，r2和RMSE分別為0.44 t·hm-2和0.98 t·hm-2；SAVI和mRER預(yù)測模型的精度相對較低，r2分別為0.34和 0.35，RMSE均為1.08 t·hm-2。在抽穗期的預(yù)測模型中，基于DSI建立模型的預(yù)測精度最佳，r2為 0.6，RMSE為1.36 t·hm-2。基于RSI、NDVI、SAVI和mRER的預(yù)測模型精度依次降低?；贒SI的預(yù)測模型在拔節(jié)期和抽穗期均獲得了最佳的驗證精度，r2分別為 0.76和 0.45，RMSE分別為0.69 t·hm-2和1.34 t·hm-2。從拔節(jié)期和抽穗期基于DSI的地上部生物量估算模型的實測值和預(yù)測值空間分布(圖4)看，抽穗期的實測值和預(yù)測值更接近1∶1線，散點趨勢線斜率為 0.65。

圖4 基于DSI 的小麥地上部生物量預(yù)測值與實測值相關(guān)性

表5 基于光譜指數(shù)的冬小麥地上部生物量預(yù)測模型

2.6 模型精度對比

為了更好地檢驗本研究中地上部生物量估算模型的精度，對本研究所用光譜指數(shù)構(gòu)建的冬小麥地上部生物量估算模型與基于SPA-PLS構(gòu)建的回歸模型進行對比(表6)。RPD通過衡量估測值和實測值之間的偏差程度來表明模型的預(yù)測能力。在拔節(jié)期中，無具備極好預(yù)測能力的模型；具有粗略估測樣本的能力(1.5

表6 冬小麥地上部生物量估算模型對比

3 討 論

冬小麥在不同生育時期的地上部生物量差異較大，本研究及相關(guān)研究均表明隨著生育時期的推進，有機質(zhì)逐漸積累，冬小麥地上部生物量在灌漿期達到最大[24]。拔節(jié)期和抽穗期的地上部生物量離散程度較大，變異系數(shù)分別為41.52%和 37.30%，而開花期地上部生物量的變化相對較小。冠層光譜反射率對不同生育時期生物量的響應(yīng)同樣顯著，隨著地上部生物量的增加，可見光-近紅外冠層光譜反射率呈增加趨勢，相關(guān)性分析表明冠層光譜對生物量變化的響應(yīng)在拔節(jié)期和抽穗期尤為明顯，敏感特征波段遍布可見光-近紅外波段，最高相關(guān)系數(shù)為0.62，而開花期和灌漿期各光譜變換與地上部生物量的相關(guān)性較低。在本研究中，選用對冬小麥地上部植株生物量兼容性強的SAVI和mRER建立冬小麥地上部生物量模型的預(yù)測樣本能力并不理想，它們對地上部生物量的估算結(jié)果低于任意兩波段篩選出的歸一化光譜指數(shù)、差值光譜指數(shù)和比值光譜指數(shù)。王大成等[11]利用人工神經(jīng)網(wǎng)絡(luò)估算冬小麥生物量的精度顯著高于對數(shù)回歸模型，且基于葉綠素吸收植被指數(shù)的神經(jīng)網(wǎng)絡(luò)模型精度最高，決定系數(shù)為0.37，但這些模型精度同樣低于本研究的任意兩波段光譜指數(shù)。它們的敏感位置主要包括931、944和 1 131 nm，但是這幾個敏感波段的物理意義有待探討。變換光譜可以減少或剔除冠層光譜的噪聲信息，提高高光譜數(shù)據(jù)精度[25]。本研究所采用的一階導(dǎo)數(shù)光譜、對數(shù)變換光譜和連續(xù)統(tǒng)去除光譜建立的模型精度均高于原始光譜以及光譜指數(shù)建立的模型精度。

高光譜數(shù)據(jù)的信息量大，有較強的波段連續(xù)性。連續(xù)投影算法是一種使光譜波段共線性最小化的變量選擇算法，能夠提取全波段的幾個特征波段，消除原始光譜中的冗余信息，避免光譜波段信息之間的重疊[26]。本研究通過相關(guān)分析結(jié)合連續(xù)投影算法對各關(guān)鍵生育時期的變換光譜進行敏感波段提取，提取的敏感波段在可見光和近紅外區(qū)域均有分布，這與賀佳等[27]在冬小麥生物量高光譜遙感監(jiān)測模型研究的結(jié)果一致。但是所提取的敏感波段數(shù)顯著下降，由350～1 350 nm的1 001個波段下降到4～14個波段。偏最小二乘回歸方法進一步對特征波段進行主成分提取，提高了敏感特征波段與地上部生物量之間的相關(guān)性。本研究通過模型精度對比發(fā)現(xiàn)，連續(xù)投影算法和偏最小二乘方法相結(jié)合所構(gòu)建的地上部生物量估算模型要優(yōu)于基于常用光譜指數(shù)的估算模型，并且抽穗期的估算效果優(yōu)于拔節(jié)期，這與付元元等[13]應(yīng)用波段深度分析和偏最小二乘法估算冬小麥生物量的研究結(jié)果一致。基于一階導(dǎo)數(shù)光譜敏感波段建立的抽穗期地上部生物量估算模型精度較高，模型估測能力高于趙鈺等[28]在基于冬小麥冠層高光譜的生物量監(jiān)測模型，優(yōu)于吳芳等[29]基于機器學(xué)習(xí)算法的抽穗期冬小麥不同生育時期生物量高光譜估算模型，可用于地上部生物量的定量估算。在今后的研究后需要進一步探討該方法是否能在全生育期上具有相似的預(yù)測 能力。

4 結(jié) 論

本研究利用不同生育時期冬小麥冠層光譜及變換光譜，基于相關(guān)性分析和連續(xù)投影算法進行敏感波段提取，構(gòu)建了地上部生物量的偏最小二乘回歸估算模型，結(jié)果表明，拔節(jié)期和抽穗期冬小麥地上部生物量對冠層光譜及變換光譜的響應(yīng)較為敏感，且抽穗期的估算精度優(yōu)于拔節(jié)期；利用 SPA結(jié)合PLS方法所構(gòu)建的地上部生物量估算模型結(jié)構(gòu)簡明，其中基于一階導(dǎo)數(shù)光譜的預(yù)測模型精度最高，r2=0.78 t·hm-2，RMSE=0.87，RPD= 2.74，模型具有極好的樣本預(yù)測能力，可用于抽穗期冬小麥地上部生物量的遙感估算。