張 驍 閆 巖 王文輝 鄭恒彪 姚 霞,2 朱 艷 程 濤,2,*

基于小波分析的水稻籽粒直鏈淀粉含量高光譜預(yù)測

張 驍1閆 巖1王文輝1鄭恒彪1姚 霞1,2朱 艷1程 濤1,2,*

1南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心/ 江蘇省信息農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室 / 農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點(diǎn)實(shí)驗(yàn)室/ 智慧農(nóng)業(yè)教育部工程研究中心, 江蘇南京 210095;2江蘇省現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心, 江蘇南京 210095

水稻籽粒直鏈淀粉含量影響稻米的蒸煮食味品質(zhì)。利用遙感技術(shù)及時、準(zhǔn)確地獲取籽粒直鏈淀粉含量可以指導(dǎo)相應(yīng)栽培措施的制定與實(shí)施, 以提高稻米的食味品質(zhì)。小波分析作為光譜敏感特征提取的有效方法, 廣泛應(yīng)用于作物生理生化參數(shù)的估算, 然而基于小波分析的作物品質(zhì)參數(shù)估算, 在米粉、稻穗水平上的應(yīng)用還未見報道。本文以室內(nèi)獲取的水稻米粉與干穗反射光譜為基礎(chǔ)數(shù)據(jù)源, 通過連續(xù)小波光譜變換、敏感小波特征提取、共性特征分析和預(yù)測模型構(gòu)建等4個步驟, 明確不同光譜參數(shù)預(yù)測水稻籽粒直鏈淀粉含量的性能, 最終實(shí)現(xiàn)在器官水平的直鏈淀粉含量高光譜預(yù)測。結(jié)果表明: (1) 相較歸一化光譜指數(shù), 敏感小波特征可有效地提高直鏈淀粉含量預(yù)測精度, 預(yù)測模型更具普適性和魯棒性; (2) 從米粉光譜提取的敏感小波特征WF2037,6, 與籽粒直鏈淀粉含量相關(guān)性較高(2= 0.59), 對獨(dú)立年份的樣本預(yù)測效果較好(RMSE = 1.51%, Bias = 0.44%, RRMSE = 23.50%), 并可直接應(yīng)用于干穗光譜(2= 0.62, RMSE = 1.49%, Bias = ?0.17%, RRMSE = 25.76%)。本文利用連續(xù)小波光譜分析, 提取了米粉和稻穗水平的直鏈淀粉敏感小波特征WF2037,6, 建立了高精度預(yù)測模型, 拓寬了連續(xù)小波光譜分析的應(yīng)用范圍, 為冠層水平水稻籽粒直鏈淀粉含量的高光譜估算奠定基礎(chǔ)。

米粉; 稻穗; 反射光譜; 水稻籽粒直鏈淀粉含量; 光譜指數(shù); 連續(xù)小波光譜分析

水稻籽粒品質(zhì)參數(shù), 尤其是直鏈淀粉含量(grain amylose content, GAC)是影響稻米蒸煮食味的重要因素[1-4]。當(dāng)前我國水稻產(chǎn)量已經(jīng)達(dá)到較高水平[5]。隨著社會生產(chǎn)力的發(fā)展, 老百姓生活水平日益提高, 人們對稻米的食味品質(zhì)提出了更高的要求。若要提高稻米品質(zhì), 優(yōu)化水稻前期栽培管理、科學(xué)運(yùn)籌、精準(zhǔn)調(diào)控水稻的氮素營養(yǎng)狀況和建立分類分級的收獲加工系統(tǒng)尤為重要。在此現(xiàn)實(shí)需求的基礎(chǔ)上, 水稻籽粒直鏈淀粉含量快速、準(zhǔn)確獲取成為不可或缺的重要一環(huán)。近年來, 遙感技術(shù)的迅速發(fā)展為作物品質(zhì)指標(biāo)的實(shí)時監(jiān)測及預(yù)測提供了方便、低廉的手段[6-8]。預(yù)測水稻籽粒品質(zhì)參數(shù)對調(diào)優(yōu)栽培措施, 優(yōu)化水稻分類收獲、分級收購技術(shù)途徑具有重要意義。

作物籽粒品質(zhì)預(yù)測研究主要分為冠層和器官2個水平。目前冠層水平上, 所用到的遙感數(shù)據(jù)獲取平臺主要包括航空、航天及近地面3個層次。就航天和航空平臺而言, 衛(wèi)星和無人機(jī)是目前的主流手段, 通過遙感影像提取的光譜信息建立光譜指數(shù), 利用光譜指數(shù)與作物品質(zhì)參數(shù)直接建立回歸關(guān)系, 從而構(gòu)建預(yù)測模型[9-14]。同時還有研究將遙感技術(shù)與作物生長模型進(jìn)行耦合?；谀Ｐ婉詈戏ǖ淖魑镒蚜．a(chǎn)量和品質(zhì)預(yù)測機(jī)理性較強(qiáng), 但需要考慮的自然環(huán)境因素過多, 使得模型與實(shí)際農(nóng)業(yè)生產(chǎn)還存在著較大距離, 外推應(yīng)用較為困難[15-16]。對于近地面平臺而言主要存在2種預(yù)測方法, 即直接預(yù)測和間接預(yù)測。直接預(yù)測以冠層反射光譜為基礎(chǔ), 利用多種光譜分析方法提取出對品質(zhì)參數(shù)敏感的光譜特征, 直接與品質(zhì)參數(shù)建立回歸關(guān)系, 直接預(yù)測簡單易行, 一直是研究的熱點(diǎn)[17-25]。但這些經(jīng)驗(yàn)性的統(tǒng)計模型均有很強(qiáng)的區(qū)域適用性, 所構(gòu)建的模型依賴于所收集的觀測材料, 同時大部分直接預(yù)測研究無法進(jìn)行獨(dú)立數(shù)據(jù)的驗(yàn)證。間接研究方法以葉片葉綠素含量或氮含量為模型同化耦合點(diǎn), 將植被指數(shù)與籽粒蛋白質(zhì)含量進(jìn)行連接, 間接地預(yù)測籽粒品質(zhì)[26-27]。雖然以往研究中基于冠層光譜的品質(zhì)預(yù)測研究較多, 但敏感波段或光譜指數(shù)與籽粒品質(zhì)參數(shù)的吸收特征缺乏直接關(guān)聯(lián)性, 所用波段多集中在可見光及近紅外區(qū)間, 與淀粉吸收波段(多位于短波紅外區(qū)間)通常難以對應(yīng)[28], 無法從光譜學(xué)角度對所用波段的物理含義進(jìn)行解釋。此外, 前人研究多利用生長旺盛時期(如開花期)的冠層光譜數(shù)據(jù), 進(jìn)行基于作物長勢的品質(zhì)預(yù)測, 忽略作物灌漿后的生理變化[29], 不能直接反應(yīng)籽粒狀態(tài)信息。因此, 冠層光譜難以直接反應(yīng)籽粒品質(zhì)信息, 籽粒品質(zhì)估算方法缺乏機(jī)理性?；谒肫鞴俟庾V的籽粒品質(zhì)參數(shù)預(yù)測, 可以從源頭上揭示籽粒品質(zhì)參數(shù)的光譜響應(yīng)規(guī)律, 對于提升冠層尺度品質(zhì)預(yù)測的機(jī)理性具有重要意義。

在20世紀(jì)90年代, 已經(jīng)有學(xué)者對干燥的植物粉末進(jìn)行研究分析。將遙感數(shù)據(jù)和室內(nèi)化學(xué)分析方法進(jìn)行結(jié)合, 得到了植物葉片內(nèi)部不同物質(zhì)(葉綠素、水、糖、蛋白質(zhì)、淀粉和木質(zhì)素等)的42個吸收波段, 對籽粒品質(zhì)參數(shù)的光譜估算具有重要意義[28,30-31]。利用連續(xù)統(tǒng)去除法計算干燥葉片粉末光譜特定波段位置的“帶深”, 結(jié)合多元逐步回歸法, 能對氮素、木質(zhì)素和纖維素的濃度進(jìn)行估算[32]。近年來, 利用作物器官光譜的品質(zhì)預(yù)測研究逐漸興起, 常用的作物器官主要包括葉、莖、葉鞘、穗層、稻穗等。相關(guān)研究利用室內(nèi)獲取的水稻稻穗、稻谷和谷粉等反射率數(shù)據(jù), 對籽粒蛋白質(zhì)和直鏈淀粉含量進(jìn)行估算[33]。利用精米米粉反射光譜所構(gòu)建的高光譜參數(shù), 能對水稻籽粒蛋白質(zhì)含量、直鏈淀粉含量及總淀粉含量等品質(zhì)參數(shù)進(jìn)行更高精度地預(yù)測[34]。通過稻穗、稻谷、米粒及米粉反射光譜研究對比發(fā)現(xiàn), 稻谷在各形態(tài)稻穗光譜中對水稻籽粒品質(zhì)參數(shù)預(yù)測精度最高[35]。

在光譜分析方法上, 大多研究使用波段篩選或光譜指數(shù)法[36-37], 這些方法未能充分利用高光譜數(shù)據(jù)豐富的光譜信息。近十年來, 通過小波變換光譜分析反演植物生理生化參數(shù)的研究逐漸興起。作物的生理生化參數(shù)在高光譜研究中存在特定光譜信號較弱的問題, 從而捕捉并提取這些參數(shù)在反射光譜上的特征比較困難。連續(xù)小波光譜分析作為最有效的信號處理工具之一, 可應(yīng)用于農(nóng)作物生長參數(shù)敏感波段提取及模型反演。大部分研究利用連續(xù)小波變換對植物的光譜信號進(jìn)行分解, 提取敏感光譜特征, 并構(gòu)建生物化學(xué)參數(shù)反演模型[38-41], 同時還有些研究將小波分析與其他方法進(jìn)行耦合, 例如Li等[42]將PROSPECT與連續(xù)小波變換進(jìn)行耦合, 提出一種新的方法“PROCWT”, 該方法能抑制葉片表面反射效應(yīng), 增強(qiáng)葉片化學(xué)成分的吸收特征。同年, Li等[43]為探究稻麥葉片氮含量估測的物理機(jī)制及短波紅外區(qū)間應(yīng)用的可行性, 將連續(xù)小波變換與去水法進(jìn)行結(jié)合, 結(jié)果表明連續(xù)小波變換與去水法結(jié)合能有效增強(qiáng)短波紅外區(qū)間的吸收特性, 改善反演精度。連續(xù)小波光譜分析為利用光譜數(shù)據(jù)建立植物生理參數(shù)估算模型增加了一個新的維度[44]。

雖然國內(nèi)外對稻麥等作物品質(zhì)參數(shù)遙感研究取得了豐碩的成果, 但研究大多集中在冠層水平, 所提取的品質(zhì)參數(shù)敏感特征或光譜指數(shù), 均未與淀粉吸收波段位置進(jìn)行對比, 缺乏光譜學(xué)機(jī)理及農(nóng)學(xué)基礎(chǔ)。同時, 水稻品質(zhì)參數(shù)高光譜估算研究的重點(diǎn)大部分集中在籽粒蛋白質(zhì)含量上, 對直鏈淀粉含量的研究不夠深入。本文基于水稻米粉及干穗反射光譜數(shù)據(jù), 研究水稻籽粒直鏈淀粉含量高光譜估算的新方法, 旨在提取直鏈淀粉敏感光譜特征, 構(gòu)建器官水平的高精度預(yù)測模型, 為冠層尺度水稻品質(zhì)參數(shù)預(yù)測研究打下重要基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)設(shè)計

數(shù)據(jù)資料來源于連續(xù)2年的水稻田間及室內(nèi)試驗(yàn), 共包括2個田間試驗(yàn), 涉及不同施氮水平、不同播栽方式和不同類型水稻品種, 水稻品種為南粳9108 (V1)和甬優(yōu)2640 (V2), 具體試驗(yàn)設(shè)計如下。

試驗(yàn)1 (2017年): 設(shè)4個施氮水平, 施純氮分別為: 0 (N0)、210 (N1)、300 (N2)、390 kg hm?2(N3), 并設(shè)置3個不同的幼苗播栽方式: 缽苗移栽、毯苗移栽、機(jī)械直播。施肥比例: 基追比=5∶5 (基肥∶分蘗肥∶促花肥∶保花肥=3∶2∶3∶2)。其他肥料施用情況: 鉀肥150 kg hm?2; 磷肥90 kg hm?2。實(shí)驗(yàn)為隨機(jī)區(qū)組排列, 3次重復(fù)。

試驗(yàn)2 (2018年): 設(shè)4個施氮水平, 施純氮分別為: 0 (N0)、135 (N1)、270 (N2)、405 kg hm?2(N3), 并設(shè)置2個播栽方式: 缽苗移栽、毯苗移栽。施肥比例: 基追比=5∶5 (基肥∶分蘗肥∶促花肥∶保花肥=3∶2∶3∶2)。其他肥料施用情況: 鉀肥150 kg hm?2; 磷肥90 kg hm?2。試驗(yàn)為隨機(jī)區(qū)組排列, 3次重復(fù), 其他栽培管理措施同一般高產(chǎn)稻田。

水稻田間的日常栽培管理主要包括: 根據(jù)天氣狀況合理控制田內(nèi)水量, 按期按量施用肥料, 及時拔除雜草, 適時監(jiān)控病蟲害等。

1.2 數(shù)據(jù)獲取

數(shù)據(jù)獲取分為3部分, 分別為米粉光譜獲取、干穗光譜獲取和水稻籽粒品質(zhì)參數(shù)獲取。使用便攜式地物高光譜分析儀FieldSpec Pro FR2500 (Analytical Spectral Devices Inc., USA)進(jìn)行器官反射光譜的獲取。光譜儀探頭視場角為25°, 波段范圍為350~ 2500 nm, 其中350~1000 nm光譜采樣間隔為1.4 nm, 光譜分辨率為3 nm; 1000~2500 nm光譜釆樣間隔為2 nm, 光譜分辨率為10 nm。每次光譜采集前都進(jìn)行白板校正, 每次記錄3條光譜, 變換樣品擺放方向, 每個樣品分別重復(fù)測試3次, 而后求平均光譜。2年試驗(yàn)光譜獲取數(shù)量如表1所示。

1.2.1 米粉光譜 將收獲的稻穗脫粒后, 置于烘干箱中烘干, 將其去除穎殼并磨成粉末, 隨后放入干燥箱備用。測試時, 將米粒干粉鋪平在黑箱底部, 放置在反射率在0.1左右的黑色卡紙上, 利用鹵素?zé)裟M光源(測試前預(yù)熱15 min), 采用便攜式地物光譜儀ASD測試其反射光譜, 光纖垂直向下, 距離樣品15 cm, 如圖1所示。

表1 米粉及干穗光譜獲取數(shù)量

A: 測試環(huán)境; B: 光纖視野場景。

A: testing system; B: visual field of sensor.

1.2.2 稻穗光譜 在水稻灌漿后, 按照成熟期內(nèi)細(xì)分的生育時期(乳熟期、蠟熟期、黃熟期和完熟期)采集新鮮稻穗, 將稻穗自然風(fēng)干48 h以上, 將其平鋪在反射率接近10%的黑色卡紙上。在暗室環(huán)境下利用鹵素?zé)裟M光源(測試前預(yù)熱15 min), 光纖垂直向下, 距離稻穗15 cm, 測試干穗的反射光譜。

A: 測試環(huán)境; B: 光纖視野場景。

A: testing system; B: visual field of sensor.

1.2.3 水稻品質(zhì)指標(biāo) 完熟期室內(nèi)米粉光譜測試結(jié)束后, 進(jìn)行水稻籽粒品質(zhì)指標(biāo)的測定。將籽粒米粉過篩后, 置于烘干箱保存, 供直鏈淀粉含量的測定。籽粒淀粉含量測定采用旋光比色法測定[45]。

1.3 數(shù)據(jù)分析

1.3.1 光譜指數(shù)波段優(yōu)化 本研究采用相關(guān)性分析的方法進(jìn)行特征波段提取, 構(gòu)建歸一化光譜指數(shù)。為了更好地提取品質(zhì)參數(shù)敏感波段, 減少干擾因素, 只對穗器官光譜的1000~2400 nm范圍進(jìn)行相關(guān)性分析。本文定義用于預(yù)測水稻GAC的光譜指數(shù)為Normalized Difference Amylose Index (NDAI), 并建立NDAI與直鏈淀粉含量的回歸關(guān)系。NDAI的具體波段組合方式為: (λ1?λ2)/(λ1+λ2)。本研究利用的各個光譜分析方法、回歸方法及各重要評價指標(biāo)的算法, 在MATLAB 2014a及IDL/ENVI 5.1語言環(huán)境下編程實(shí)現(xiàn)。

1.3.2 連續(xù)小波光譜分析 以連續(xù)小波光譜變換為內(nèi)核的植被反射光譜分析, 其數(shù)學(xué)含義是通過平移和縮放的母小波函數(shù)與反射率光譜數(shù)據(jù)進(jìn)行卷積運(yùn)算, 得到不同尺度下的小波系數(shù):

其中,1和2分別為輸入反射率光譜的起始和終止波段序號,()為波函數(shù),ψ,b()為平移和縮放后的母小波函數(shù),為縮放因子, 也稱為尺度,為平移因子。WF,b為小波系數(shù), 可以看成在尺度和平移因子為時母小波函數(shù)與反射率的相似度, 也可稱為小波特征。

作物生理生化參數(shù)在不同的波段位置上有多個吸收特征, 在反射率光譜上表現(xiàn)為一系列的反射谷和反射峰, 高斯二階導(dǎo)函數(shù)的形狀與反射率光譜中反射谷和反射峰的形狀類似, 因此本文將高斯二階導(dǎo)函數(shù)作為小波變換的母函數(shù), 有助于捕獲各個參數(shù)隱藏在反射率光譜中的吸收特征。另外, 高斯二階導(dǎo)函數(shù)作為高斯函數(shù)的二階導(dǎo)數(shù), 將其作為連續(xù)小波變換的母函數(shù)時, 運(yùn)算的結(jié)果等價于先對反射率光譜進(jìn)行高斯函數(shù)平滑后再求二階導(dǎo)數(shù), 因此連續(xù)小波變換能夠去除部分噪音的干擾, 起到數(shù)據(jù)平滑的作用。圖3展示了米粉反射光譜(A)和不同尺度下的小波系數(shù)(B), 其中, 圖3-C中紅色區(qū)域代表與籽粒直鏈淀粉含量相關(guān)性前1%的敏感小波特征。

1.3.3 建模與驗(yàn)證 為了有效利用上述方法提取出光譜特征, 通過光譜方法來估算水稻的籽粒品質(zhì)參數(shù), 需要建立由水稻器官尺度高光譜來預(yù)測其品質(zhì)參數(shù)的回歸模型和光譜反演模型。本文中使用的建模方法為單因子線性建模。簡單線性回歸模型通常適用于因變量與自變量存在高度的線性相關(guān), 單變量線性模型表達(dá)為:

=+(3)

其中,代表水稻籽粒品質(zhì)參數(shù)的擬合值,代表光譜參數(shù)或植被指數(shù),代表回歸系數(shù),代表回歸常數(shù)。

對基于敏感光譜指數(shù)和小波特征構(gòu)建的預(yù)測模型進(jìn)行獨(dú)立驗(yàn)證。利用2018年的試驗(yàn)數(shù)據(jù)建立預(yù)測模型, 2017年的數(shù)據(jù)對模型進(jìn)行檢驗(yàn)。因試驗(yàn)條件限制, 僅獲取了2018年的干穗光譜, 故利用其60%的數(shù)據(jù)進(jìn)行建模, 40%的數(shù)據(jù)進(jìn)行驗(yàn)證。

模型的預(yù)測精度、對品質(zhì)參數(shù)的敏感性用決定系數(shù)(2)描述。模型的普適性則用實(shí)測值與預(yù)測值之間的均方根誤差(RMSE)、相對均方根誤差(RRMSE)和距離1:1線的偏移值(Bias)來評價。

2 結(jié)果與分析

2.1 水稻各器官氮含量隨生育期的變化趨勢

施氮水平對水稻葉、莖及花后穗的形成造成一定影響。水稻葉片氮含量從抽穗期開始迅速下降, 灌漿期下降速度最快。從孕穗期開始, 莖稈氮含量開始迅速下降, 灌漿期到成熟期趨于穩(wěn)定。穗氮含量從抽穗期到蠟熟期呈現(xiàn)下降趨勢, 而后到完熟期上升(圖4), 此期間葉、莖氮含量的快速下降, 表明籽粒品質(zhì)的積累, 通過灌漿促進(jìn)干物質(zhì)向籽粒充分運(yùn)輸。從莖、葉、穗氮含量的變化趨勢可以看出, 施氮量越高, 水稻葉、莖及穗的氮含量越高。整體上, 水稻生長前期葉、莖所積累的氮素, 在后期逐漸向穗部轉(zhuǎn)移。

2.2 水稻籽粒品質(zhì)參數(shù)特征與反射光譜

2.2.1 籽粒品質(zhì)參數(shù)特性 不同施氮量、播栽方式及水稻品種對水稻籽粒品質(zhì)參數(shù)有不同的影響。表2展示了2個試驗(yàn)季籽粒直鏈淀粉含量的室內(nèi)測試結(jié)果。結(jié)果顯示, 2017年和2018年2個試驗(yàn)季的水稻籽粒品質(zhì)參數(shù)在含量上存在一定的差異。從整體上看, 2018年水稻GAC在最小值、最大值和平均值上均低于2017年。2017年水稻GAC均值為6.27%; 2018年水稻GAC均值為5.65%。

以2018年數(shù)據(jù)為例, 圖5展示了不同處理下水稻籽粒直鏈淀粉含量的變化情況。直鏈淀粉含量與施氮量之間沒有明顯變化規(guī)律, 施氮處理為N0時GAC最高, N2與N3相似, 施氮處理為N1時GAC最低。播栽方式對GAC的影響較小, 毯苗移栽(T1)和缽苗移栽(T2)兩種播栽方式間GAC的差異不明顯。不同品種間GAC差異明顯, 南粳9108 (V1) GAC平均值為3.99%, 遠(yuǎn)小于甬優(yōu)2640 (V2)的7.31%。

N0: 施氮量為0 kg hm–2; N1: 施氮量為210 kg hm–2; N2: 施氮量為300 kg hm–2; N3: 施氮量為390 kg hm–2。

N0: 0 kg hm–2of N fertilizer; N1: 210 kg hm–2of N fertilizer; N2: 300 kg hm–2of N fertilizer; N3: 390 kg hm–2of N fertilizer.

表2 水稻籽粒直鏈淀粉含量統(tǒng)計特征

N0: 施氮量為0 kg hm–2; N1: 施氮量為210 kg hm–2; N2: 施氮量為300 kg hm–2; N3: 施氮量為390 kg hm–2。T1: 毯苗移栽; T2: 缽苗移栽。V1: 南粳9108; V2: 甬優(yōu)2640。

N0: 0 kg hm–2of N fertilizer; N1: 210 kg hm–2of N fertilizer; N2: 300 kg hm–2of N fertilizer; N3: 390 kg hm–2of N fertilizer. T1: blanket seedling transplanting; T2: tray seedling transplanting. V1: Nanjing 9108; V2: Yongyou 2640.

2.2.2 米粉與干穗光譜反射特性 以甬優(yōu)2640 (N1)的米粉及干穗反射光譜為例, 圖6展示了成熟期水稻米粉及干穗的反射光譜。米粉光譜反射率整體較高, 在可見光區(qū)間沒有葉綠素的吸收和反射特征, 近紅外區(qū)間(760~1300 nm)形成“高平臺”, 短波紅外區(qū)間(1300~2400 nm)光譜與干穗差異不大, 蛋白質(zhì)、淀粉、木質(zhì)素等干物質(zhì)成分的吸收特征明顯。干穗光譜在近紅外區(qū)間與米粉光譜類似, 但在650~700 nm之間存在微弱的“紅谷”, 說明干穗體內(nèi)仍存在少量葉綠素。在1600~2000 nm在整體反射率高于米粉的情況下, 出現(xiàn)2段明顯的“凹陷”, 這是由于1690 nm和1820 nm分別為木質(zhì)素和纖維素的吸收波段(表3), 干穗穗粒外表的穎殼含有較多纖維素、木質(zhì)素及灰分, 故此波段相比較米粉反射率更低。同時2000~2400 nm反射率高于米粉光譜, 原因可能是2000~2300 nm范圍內(nèi)主要為蛋白質(zhì)、淀粉的吸收波段, 米粉消除了大部分干擾因素的影響, 對米粉光譜此波段范圍光譜信號吸收更強(qiáng)烈, 致使反射率更低。

表3 短波紅外波段重要化學(xué)物質(zhì)的吸收特征[28]

黑色箭頭代表干物質(zhì)成分的主要吸收波段位置。

The black arrows downward indicate the wavelength locations of absorption features for dry matter constituents.

2.3 基于光譜指數(shù)方法的水稻籽粒直鏈淀粉含量預(yù)測

歸一化光譜指數(shù)與水稻GAC的相關(guān)性結(jié)果如表4所示, 蠟熟—黃熟階段是水稻GAC的最佳預(yù)測時期, 最佳的波段組合大多出現(xiàn)在等值線圖的對角線上。黃熟期干穗光譜的2265 nm和2135 nm兩個波段組成的歸一化光譜指數(shù)與GAC的相關(guān)性最高(2=0.70)。米粉光譜預(yù)測精度低于干穗光譜, 蠟熟期的NDAI1505,1455與GAC的相關(guān)性2=0.61, 樣點(diǎn)分布較為分散。基于米粉光譜預(yù)測GAC的最佳光譜指數(shù)NDAI1505,1455與GAC成正相關(guān)關(guān)系(圖8-A), 而基于干穗光譜預(yù)測GAC的最佳光譜指數(shù)NDAI2265,2135與GAC間則呈現(xiàn)負(fù)相關(guān)關(guān)系(圖8-B)。

2.4 基于小波分析的水稻籽粒直鏈淀粉含量預(yù)測

2.4.1 基于米粉光譜的預(yù)測 米粉光譜直鏈淀粉敏感小波特征總體較分散, 其中, 蠟熟期多數(shù)集中出現(xiàn)在1400~1500 nm之間, 靠近1450 nm的淀粉吸收波段; 而黃熟期和完熟期則較為分散且精度較低, 其敏感小波特征集中在尺度23(圖9)。不同生育時期的直鏈淀粉敏感小波特征不同(表5)。其中, 蠟熟期為水稻GAC最佳預(yù)測時期, 提取的2個敏感特征WF1380,3和WF2037,6預(yù)測精度較高(2=0.59~0.62), 而其余生育時期最優(yōu)小波特征WF1812,3(黃熟期)和WF1600,3(完熟期)與GAC的相關(guān)性僅分別為2=0.43、2=0.45。圖10展示了敏感小波特征與GAC的相關(guān)性。其中, WF1380,3與GAC成正相關(guān)(圖10-A), 而WF2037,6與GAC成負(fù)相關(guān) (圖10-B)。

表4 水稻抽穗后各生育時期米粉或干穗光譜指數(shù)與籽粒直鏈淀粉含量的相關(guān)性

乳熟期籽粒灌漿還未完成, 籽粒內(nèi)部為乳汁狀內(nèi)含物, 無法獲取米粉光譜。**表示在0.1%水平顯著相關(guān)。最優(yōu)結(jié)果以粗體顯示。

The reflectance spectra of dried grain powder could not be collected at milk stage due to the incomplete filling in grains.**indicates significant correlation at the 0.1% probability level. The highest2is shown in bold.

A: 米粉; B: 干穗。A: dried grain powder; B: dried panicle.

表5 水稻灌漿后各生育時期米粉小波系數(shù)與籽粒直鏈淀粉含量的相關(guān)性

**表示在0.1%水平顯著相關(guān);*表示在1%水平顯著相關(guān)。最優(yōu)結(jié)果以粗體顯示。WFa,b代表波長為尺度為的小波特征。

**indicates significant correlation at the 0.1% probability level;*indicates significant correlation at the 1% probability level. The highest2is shown in bold.WF,brepresents the wavelet feature at wavelengthand scale

2.4.2 基于干穗光譜的預(yù)測 隨著水稻逐漸成熟,干穗光譜直鏈淀粉敏感小波特征向長波方向推移, 成熟期內(nèi), 敏感小波特征在2000~2100 nm和2200~2300 nm波段范圍內(nèi)均有出現(xiàn), 與2100 nm和2250 nm的淀粉吸收特征相符合。不同生育時期直鏈淀粉敏感小波特征的分布不同(表6)。其中, 蠟熟期為最佳預(yù)測時期, 提取的最優(yōu)小波特征WF1835,3與米粉光譜(WF1380,3)相比更靠近纖維素吸收波段1820 nm, 與GAC的相關(guān)性最好(2=0.74); 提取的第2個敏感小波特征WF2350,3預(yù)測GAC的精度(2) 亦達(dá)到0.64。乳熟期GAC的預(yù)測精度較低, 最優(yōu)小波特征與GAC的相關(guān)性2僅為0.49。圖12展示了臘熟期2個最佳敏感小波特征與GAC的相關(guān)性, 兩者與GAC均成正相關(guān)關(guān)系。

2.5 米粉與干穗對水稻籽粒品質(zhì)變化的響應(yīng)

圖13分別展示了不同直鏈淀粉含量米粉、干穗在敏感小波特征(WF2037,6)附近的反射光譜及小波系譜。不同直鏈淀粉含量米粉樣品的反射光譜(圖13-A)和小波系譜(圖13-C, E)均能對GAC的變化進(jìn)行響應(yīng), 直鏈淀粉含量越高, 反射光譜在2037 nm附近吸收越強(qiáng)烈, 反射率越低, 小波系數(shù)隨GAC升高而升高。干穗光譜(圖13-B)相比米粉反射光譜在相同波段范圍內(nèi), 反射光譜噪聲更大。原因可能是, 稻谷穎殼中含有大量木質(zhì)素、纖維素、半纖維素、灰分等物質(zhì), 對光譜會產(chǎn)生影響; 而干穗未除去穎殼, 增加了對反射光譜的干擾, 噪音較大。圖13-B, D, F展示了干穗光譜對GAC的響應(yīng)規(guī)律。不同直鏈淀粉含量樣品的干穗反射光譜無明顯規(guī)律, 經(jīng)過連續(xù)小波變換, 光譜得到了平滑, 在直鏈淀粉敏感小波特征WF2037,6附近的小波系譜上表現(xiàn)出明顯規(guī)律, 籽粒直鏈淀粉含量越高, 對應(yīng)的小波系數(shù)數(shù)值越小, 能較好地響應(yīng)水稻GAC變化。

A: 蠟熟期; B: 黃熟期; C: 完熟期; D: 相應(yīng)波長的米粉反射光譜。藍(lán)色方框代表不同時期存在的相同敏感小波特征。藍(lán)色虛線代表對應(yīng)波長。黑色箭頭代表淀粉吸收波段。

A: dough ripening stage; B: yellow ripening stage; C: full ripening stage; D: reflectance spectra of dried grain powder. The blue box represents the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.

表6 水稻抽穗后各生育期干穗小波系數(shù)與籽粒直鏈淀粉含量的相關(guān)性

**表示在0.1%水平顯著相關(guān)。最優(yōu)結(jié)果以粗體顯示。

**indicates significant correlation at the 0.1% probability level. The highest2is shown in bold.

A: 乳熟期; B: 蠟熟期; C: 黃熟期; D: 完熟期; E: 相應(yīng)波長的米粉反射光譜。藍(lán)色方框代表不同時期存在的相同敏感小波特征。黃色方框代表米粉光譜直鏈淀粉敏感小波系數(shù)。藍(lán)色虛線代表對應(yīng)波長。黑色箭頭代表淀粉吸收波段。

A: milking stage; B: dough ripening stage; C: yellow ripening stage; D: full ripening stage; E: reflectance spectra of rice panicles. The blue boxes represent the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The yellow box represents GAC sensitive wavelet coefficient determined at powder level. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.

A, B: 不同直鏈淀粉含量米粉、干穗樣品反射光譜; C, D, E, F: 不同直鏈淀粉含量米粉、干穗樣品小波系譜。藍(lán)色箭頭代表直鏈淀粉敏感小波特征對應(yīng)的波長位置。

A–B: reflectance of dried grain powder and dried panicle with different GAC values; C–F: wavelet features of dried grain powder and dried panicles with different GAC values. The blue arrows represent the wavelength locations corresponding to the sensitive wavelet features of amylose.

2.6 米粉與干穗光譜共性特征分析及預(yù)測精度比較

由結(jié)果分析(2.4.1和2.4.2)可知, 水稻GAC最佳預(yù)測時期在米粉及干穗光譜上均為蠟熟期, 但敏感小波特征較為分散。比較蠟熟期米粉及干穗光譜對直鏈淀粉敏感的小波特征分布圖(圖14), 從米粉光譜提取的小波特征WF2037,6, 雖然不在干穗水平的最佳敏感小波特征之列, 但它與GAC的相關(guān)性仍然較高(2=0.62) (圖14-B中藍(lán)色方框包圍的部分)。表明基于米粉光譜提取的直鏈淀粉敏感小波特征(WF2037,6)亦可應(yīng)用于干穗光譜。

表7展示了基于光譜指數(shù)、小波系數(shù)結(jié)合線性回歸預(yù)測水稻籽粒品質(zhì)參數(shù)的獨(dú)立驗(yàn)證結(jié)果。光譜指數(shù)在訓(xùn)練數(shù)據(jù)集上與直鏈淀粉含量相關(guān)性雖較高, 但是對獨(dú)立年份的樣本驗(yàn)證較差, RMSE、Bias、RRMSE均較高, 而多數(shù)敏感小波特征對獨(dú)立年份樣本的驗(yàn)證效果優(yōu)于光譜指數(shù), 表明相較于光譜指數(shù), 敏感小波特征在不同年份間更具魯棒性?；诟伤牍庾VWF2037,6的水稻GAC預(yù)測模型驗(yàn)證精度最高, 其RMSE為1.49%, Bias為?0.17%, RRMSE為25.76%; 基于米粉光譜WF2037,6的水稻GAC預(yù)測模型驗(yàn)證精度次之, 其RMSE為1.51%, Bias為0.44%, RRMSE為23.50%。在所有小波特征和光譜指數(shù)中, WF2037,6在獨(dú)立驗(yàn)證中表現(xiàn)最好, 表明該敏感特征擁有較大的應(yīng)用潛力。圖16展示了基于最佳光譜指數(shù)和敏感小波特征的水稻GAC實(shí)測值和預(yù)測值在1∶1圖中的分布情況?；诠庾V指數(shù)預(yù)測模型獲取的多數(shù)GAC預(yù)測值偏低, 與實(shí)測值間擬合線均向下偏離1∶1線, 而基于敏感小波特征預(yù)測模型獲取的GAC預(yù)測值與實(shí)測值對應(yīng)的散點(diǎn), 較均勻地分布在1∶1線附近。

3 討論

3.1 連續(xù)小波光譜分析方法的優(yōu)勢

基于高光譜遙感的作物品質(zhì)參數(shù)研究, 大多使用田間或室內(nèi)試驗(yàn)建立的遙感監(jiān)測預(yù)測模型, 預(yù)測精度通常較高, 但也存在一些缺陷。首先, 采用波段優(yōu)化法構(gòu)建的歸一化光譜指數(shù)NDAI的2個波段十分靠近, 預(yù)測模型可移植性較差, 外推應(yīng)用會受到多種因素的限制; 其次, 過多的波段組合結(jié)果使無法聚焦于品質(zhì)參數(shù)真正的敏感光譜波段, 每個指數(shù)只用到2~3個反射率波段, 光譜信息沒有被充分利用?？v觀前人研究所用到的蛋白質(zhì)敏感光譜參數(shù), 例如, 米粉光譜Dλ1199、R987/R553、Dλ793/Dλ367, 稻谷光譜RVI990,550、RVI800,550等[34-35], 使用的波段大多集中在可見光及近紅外波段, 且缺乏生理意義。原因可能是, 短波紅外區(qū)域干物質(zhì)成分的光譜信號互相重合, 導(dǎo)致特定品質(zhì)參數(shù)敏感特征提取較難, 通過反射光譜無法直接獲取真正的水稻籽粒品質(zhì)參數(shù)敏感特征, 因此需要一種更加有效的光譜分析工具。連續(xù)小波光譜分析能更有效地利用光譜信息, 基于其多尺度分解特性來捕獲農(nóng)學(xué)參數(shù)的吸收特征[44], 這個結(jié)論也在本文中得到了驗(yàn)證, 小波系譜相較反射光譜能更有效地對籽粒品質(zhì)參數(shù)的變化進(jìn)行響應(yīng)。

連續(xù)小波光譜分析在應(yīng)用于植被反射光譜的分析及處理時, 可以將單個的光譜信號分解為不同尺度的小波系數(shù), 相比較傳統(tǒng)的分析方法, 能更有效地利用光譜區(qū)間信息及光譜的整體結(jié)構(gòu)特征[46-47], 提取出光譜中微弱的吸收特征, 探索最優(yōu)尺度的信號來監(jiān)測預(yù)測植被的生理生化參數(shù)含量。連續(xù)小波變換與傳統(tǒng)的傅里葉分析相比, 其優(yōu)點(diǎn)在于其能夠突出局部范圍內(nèi)的吸收特征, 也就是說每個小波特征反映了一定光譜范圍內(nèi)信息[48-52]。通過連續(xù)小波光譜分析提取的直鏈淀粉敏感小波特征, 不僅具有生理意義, 且與淀粉的吸收波段位置吻合, 具有光譜學(xué)意義, 能合理地進(jìn)行物理解釋。在普適性方面, 預(yù)測模型在不同年份間的獨(dú)立驗(yàn)證效果優(yōu)于通過相關(guān)性分析構(gòu)建的歸一化光譜指數(shù)。

A: 米粉; B: 干穗。A: dried grain powder; B: dried panicle.

3.2 生育時期對敏感小波特征提取及估算精度的影響

直鏈淀粉敏感小波特征與其他參數(shù)的敏感特征不同, 不同生育時期的直鏈淀粉敏感小波特征在短波紅外區(qū)間的分布相對分散。但在幾個重要的淀粉吸收波段1450、1580、1690、1780、2000和2270 nm[28],均有敏感小波特征聚集。從米粉光譜提取的WF2037,6在大部分時期的干穗光譜上均對GAC敏感, 從干穗光譜提取的直鏈淀粉敏感小波特征隨生育期推進(jìn)逐漸向長波方向移動(圖17)。干穗及米粉光譜對GAC的最佳預(yù)測時期均為蠟熟期, 而非完熟期, 原因可能與水稻籽粒內(nèi)蠟質(zhì)基因的表達(dá)有關(guān)。蠟質(zhì)基因()控制著水稻籽粒直鏈淀粉的合成, 水稻籽粒直鏈淀粉含量不同于蛋白質(zhì)含量, 在乳熟—蠟熟階段就已趨于穩(wěn)定[53-55], 故在蠟熟期就能進(jìn)行較高精度的估算。

表7 水稻籽粒直鏈淀粉含量光譜預(yù)測精度對照表

最優(yōu)結(jié)果以粗體顯示。The lowest RMSE, Bias, and RRMSE values for each level are shown in bold.

(圖16)

A, B: 米粉NDAI1505,1455, WF2037,6-GAC; C, D: 干穗NDAI2265,2135, WF2037,6-GAC。GAC: 籽粒直鏈淀粉含量。

A–B: dried grain powder NDAI1505,1455, WF2037,6-GAC; C–D: dried panicle NDAI2265,2135, WF2037,6-GAC. GAC: grain amylose content.

米粉A~C: 蠟熟期、黃熟期、完熟期; 干穗D~G: 乳熟期、蠟熟期、黃熟期、完熟期。藍(lán)色方框代表不同時期存在的相同敏感小波系數(shù)。藍(lán)色虛線代表對應(yīng)波長。黑色箭頭代表淀粉吸收波段。

Dried grain powder A–C: dough ripening stage, yellow ripening stage, full ripening stage; dry panicle D–G: milking stage, dough ripening stage, yellow ripening stage, full ripening stage. The blue boxes represent the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.

3.3 敏感小波特征的冠層應(yīng)用前景與挑戰(zhàn)

連續(xù)小波光譜分析方法在作物生長參數(shù)監(jiān)測領(lǐng)域有較大的應(yīng)用價值。從應(yīng)用角度看, 利用米粉及干穗光譜2個尺度提取的直鏈淀粉敏感小波特征WF2037,6, 在不同年份間穩(wěn)定性較高, 能夠解釋直鏈淀粉變化的光譜響應(yīng)規(guī)律, 突出淀粉吸收特征, 顯著提高模型精度。本文構(gòu)建的直鏈淀粉估算模型雖然僅利用了單個小波特征, 而單個小波特征代表的不是單一波段信息, 而是某一區(qū)間的光譜信息, 因此穩(wěn)定性較高。由于冠層水平的監(jiān)測預(yù)測更貼近于大田應(yīng)用, 同時考慮到葉和穗器官的光譜信號到冠層光譜信號存在較復(fù)雜的傳輸過程[56-57], 因此下一步工作應(yīng)重點(diǎn)研究器官水平敏感小波特征升尺度到近地面冠層(冠層光譜、無人機(jī)高光譜)及衛(wèi)星(GF-5, 歐比特“珠海1號”等)水平的應(yīng)用[58-59]。

然而, 在尺度拓展的過程中, 觀測環(huán)境會發(fā)生變化。器官水平測試受外界環(huán)境影響較小, 而冠層尺度受到的外界及自身干擾較多, 升尺度應(yīng)用時應(yīng)注意以下問題: (1) 冠層結(jié)構(gòu)對敏感小波特征敏感性和穩(wěn)定性的影響[60]。直鏈淀粉敏感小波特征WF2037,6是在室內(nèi)平鋪稻穗及米粉的情況下獲取的, 而冠層光譜結(jié)構(gòu)更復(fù)雜, 影響因素更多, 故應(yīng)著力構(gòu)建冠層結(jié)構(gòu)消除方法, 提高敏感小波特征的升尺度應(yīng)用性能; (2) 敏感小波特征應(yīng)用的最佳時期。本文利用完熟期的器官光譜獲取敏感小波特征, 但冠層光譜可獲取的時期更多, 應(yīng)分析哪個生育時期應(yīng)用效果更好; (3) 土壤背景的影響。器官光譜在室內(nèi)獲取, 沒有水土背景影響, 而垂直地面的冠層光譜受水土背景影響較大, 敏感小波特征在升尺度應(yīng)用前, 應(yīng)參考優(yōu)化歸一化植被指數(shù)[61]或線性混合分解[62]等方法去除水土背景對冠層光譜的影響。

4 結(jié)論

本研究立足于水稻品質(zhì)參數(shù)敏感光譜特征提取的科學(xué)問題, 從水稻穗器官光譜入手, 利用連續(xù)小波光譜分析提取直鏈淀粉敏感小波特征, 建立了器官水平(米粉和干穗)的水稻籽粒品質(zhì)參數(shù)預(yù)測模型, 利用不同年份數(shù)據(jù)完成獨(dú)立驗(yàn)證, 結(jié)果證明了品質(zhì)參數(shù)敏感小波特征及預(yù)測模型的可靠性和有效性。(1) 相比較光譜指數(shù), 連續(xù)小波光譜分析可得到與GAC更高的相關(guān)性。在米粉光譜上, 小波特征與水稻GAC的相關(guān)性從2=0.61提升到2=0.62, 干穗光譜則從2=0.60提升到2=0.74。(2) 明確了水稻籽粒品質(zhì)參數(shù)的共性敏感小波特征。WF2037,6與品質(zhì)參數(shù)直接相關(guān), 并且具有光譜學(xué)機(jī)理。同時, 基于敏感小波特征構(gòu)建的預(yù)測模型, 能有效消除不同水稻品種間的直鏈淀粉含量差異, 水稻GAC估算模型更合理。(3) 利用WF2037,6構(gòu)建了年際間可移植的高精度模型。基于米粉與干穗光譜WF2037,6估算的GAC與實(shí)測值的RMSE分別為1.51%和1.49%, RRMSE為23.50%和25.76%, 預(yù)測模型穩(wěn)定性相對較高。本研究以水稻米粉和干穗光譜為研究對象, 但未考慮水稻葉、莖對籽粒直鏈淀粉形成的影響。后續(xù)的研究應(yīng)綜合分析葉、莖、穗和冠層的光譜信息, 以進(jìn)一步提升水稻品質(zhì)參數(shù)預(yù)測的機(jī)理性及精度。

[1] Thomas R, Wan-Nadiah W A, Bhat R. Physiochemical properties, proximate composition, and cooking qualities of locally grown and imported rice varieties marketed in Penang, Malaysia., 2013, 20: 1679–1685.

[2] Umemoto T, Nakamura Y, Ishikura N. Activity of starch synthase and the amylose content in rice endosperm., 1995, 40: 1613–1616.

[3] Zhou Z, Robards K, Helliwell S, Blanchard C. Ageing of stored rice: changes in chemical and physical attributes., 2002, 35: 65–78.

[4] Ata-UI-Karim S T, Zhu Y, Cao Q, Rehmani M I A, Cao W X, Tang L. In-season assessment of grain protein and amylose content in rice using critical nitrogen dilution curve., 2017, 90: 139–151.

[5] 韓天富, 馬常寶, 黃晶, 柳開樓, 薛彥東, 李冬初, 劉立生, 張璐, 劉淑軍, 張會民. 基于Meta分析中國水稻產(chǎn)量對施肥的響應(yīng)特征. 中國農(nóng)業(yè)科學(xué), 2019, 52: 1918–1929. Han T F, Ma C B, Huang J, Liu K L, Xue Y D, Li D C, Liu L S, Zhang L, Liu S J, Zhang H M. Variation in rice yield response to fertilization in China: Meta-analysis., 2019, 52: 1918–1929 (in Chinese with English abstract).

[6] Duan S H, Fang R S, Zhu R S, Xian T. Remote estimation of rice yield with unmanned aerial vehicle (UAV) data and spectral mixture analysis., 2019, 10: 169–178.

[7] Raquel A O, Roope N, Oiva N, Laura N, Katja A, Jere K, Lauri J, Niko V, Somayeh N, Lauri M, Teemu H, Eija H. Machine learning estimators for the quality and quality of grass swards used for silage production using drone-based imaging spectrometry and photogrammetry., 2020, 246: 111830.

[8] Berger K, Verrelst J, Fret J, Wang Z, Hank T. Crop nitrogen monitoring: recent progress and principal developments in the context of imaging spectroscopy missions., 2020, 242: 111758.

[9] Basnet B B, Apan A A, Kelly R M, Jensen T A, Strong W M, Butler D G. Relating satellite imagery with grain protein content., 2003, 80: 22–27.

[10] Mutanga O, Skidmore A K. Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa., 2004, 90: 104–115.

[11] Zhao C, Liu L, Wang J, Huang W, Song X, Li C. Predicting grain protein content of winter wheat using remote sensing data based on nitrogen status and water stress., 2005, 7: 1–9.

[12] 宋曉宇, 黃文江, 王紀(jì)華, 劉良云, 李存軍. ASTER衛(wèi)星遙感影像在冬小麥品質(zhì)監(jiān)測方面的初步應(yīng)用. 農(nóng)業(yè)工程學(xué)報, 2006, 22(9): 148–153. Song X Y, Huang W J, Wang J H, Liu L Y, Li C J. Preliminary application of ASTER images in winter wheat quality monitoring., 2006, 22(9): 148–153 (in Chinese with English abstract).

[13] 譚昌偉, 王紀(jì)華, 黃文江, 王君嬋, 朱新開, 郭文善. 基于TM和PLS的冬小麥籽粒蛋白質(zhì)含量預(yù)測. 農(nóng)業(yè)工程學(xué)報, 2011, 27(3): 388–392. Tan C W, Wang J H, Huang W J, Wang J C, Zhu X K, Guo W S. Predicting grain protein content in winter wheat based on TM images and partial least squares regression., 201l, 27(3): 388–392 (in Chinese with English abstract).

[14] 王利民, 劉佳, 楊福剛, 楊玲波, 姚保民, 王小龍. 基于GF-1衛(wèi)星遙感數(shù)據(jù)識別京津冀冬小麥面積. 作物學(xué)報, 2018, 44: 762–773. Wang L M, Liu J, Yang F G, Yang L B, Yao B M, Wang X L. Acguisition of winter wheat area in the Beijing-Tianjin-Hebei region with GF-1 satellite data., 2018, 44: 762–773 (in Chinese with English abstract).

[15] 李衛(wèi)國, 王紀(jì)華, 趙春江, 劉良云, 宋曉宇, 童慶禧. 基于NDVI和氮素積累的冬小麥籽粒蛋白質(zhì)含量預(yù)測模型. 遙感學(xué)報, 2008, 3: 506–514. Li W G, Wang G H, Zhao C J, Liu L Y, Song X Y, Tong Q X. A model for predicting content in winter wheat grain based on Land-Sat TM image and nitrogen accumulation., 2008, 3: 506–514 (in Chinese with English abstract).

[16] 王大成, 張東彥, 李宇飛, 秦其明, 王紀(jì)華, 范聞捷, 陳詩琳. 結(jié)合HJ1A/B衛(wèi)星數(shù)據(jù)和生態(tài)因子的籽粒品質(zhì)監(jiān)測. 紅外與激光工程, 2013, 42: 780–786. Wang D C, Zhang D Y, Li Y M, Qin Q M, Wang J H, Fan W J, Chen S L. Monitoring wheat quality based on HJ1A/B remote sensing data and ecological factors., 2013, 42: 780–786 (in Chinese with English abstract).

[17] 田永超, 朱艷, 曹衛(wèi)星, 范雪梅, 劉小軍. 利用冠層反射光譜和葉片SPAD值預(yù)測小麥籽粒蛋白質(zhì)和淀粉的積累. 中國農(nóng)業(yè)科學(xué), 2004, 37: 808–813. Tian Y C, Zhu Y, Cao W X, Fan X M, Liu X J. Monitoring protein and starch accumulation in wheat grains with Leaf SPAD and canopy spectral reflectance., 37: 808–813 (in Chinese with English abstract).

[18] 薛利紅, 朱艷, 張憲, 曹衛(wèi)星. 利用冠層反射光譜預(yù)測小麥籽粒品質(zhì)指標(biāo)的研究. 作物學(xué)報, 2004, 30: 1036–1041. Xue L H, Zhu Y, Zhang X, Cao W X. Predicting wheat grain quality with canopy reflectance spectra., 2004, 30: 1036–1041 (in Chinese with English abstract).

[19] Pettersson C G, Eckersten H. Prediction of grain protein in spring malting barley grown in northern Europe., 2007, 27: 205–214.

[20] Wang Z J, Wang J H, Liu L Y, Huang W J, Zhao C J, Wang C Z. Prediction of grain protein content in winter wheat (L.) using plant pigment ratio (PPR)., 2004, 90: 311–321.

[21] 宋曉宇, 王紀(jì)華, 楊貴軍, 崔貝, 常紅. 基于葉片及冠層葉綠素參數(shù)的冬小麥籽粒蛋白質(zhì)含量預(yù)測研究. 光譜學(xué)與光譜分析, 2014, 34: 1917–1921. Song X Y, Wang J H, Yang G J, Cui B, Chang H. Winter wheat GPC estimation based on leaf and canopy chlorophyll parameters., 2014, 34: 1917–1921 (in Chinese with English abstract).

[22] 謝曉金, 李秉柏, 朱紅霞. 利用高光譜數(shù)據(jù)估測不同溫度脅迫下的水稻籽粒中粗蛋白和直鏈淀粉含量. 農(nóng)業(yè)現(xiàn)代化研究, 2012, 33: 481–484. Xie X J, Li B B, Zhu H X. Estimating contents of crude protein and amylose content in rice grain by hyper-spectral under different high temperature stress., 2012, 33: 481– 484 (in Chinese with English abstract).

[23] 劉冰峰. 夏玉米不同生育時期生理生態(tài)參數(shù)的高光譜遙感監(jiān)測模型. 西北農(nóng)林科技大學(xué)博士學(xué)位論文, 陜西楊凌, 2016. Liu B F. Monitoring Models of Physiological and Ecological Parameters of Summer Maize Based on Hyperspectral Remote Sensing at Different Growth Stages. PhD Dissertation of Northwest A&F University, Yangling, Shaanxi, China, 2016 (in Chinese with English abstract).

[24] 田容才, 高志強(qiáng), 盧俊瑋. 基于冠層光譜的早秈稻籽粒粗蛋白含量估測. 作物雜志, 2020, (4): 188–194. Tian R C, Gao Z Q, Lu J Q. Estimation of crude protein content in grain of early indica rice based on canopy spectrum., 2020, (4): 188–194 (in Chinese with English abstract).

[25] 謝莉莉, 王福民, 張垚, 黃敬峰, 胡景輝, 王飛龍, 姚曉萍. 基于多生育期光譜變量的水稻直鏈淀粉含量監(jiān)測. 農(nóng)業(yè)工程學(xué)報, 2020, 36(8): 173–181. Xie L L, Wang F M, Zhang Y, Huang J F, Hu J H, Wang F L, Yao X P. Monitoring of amylose content in rice based on spectral variables at the multiple growth stages., 2020, 36(8): 173–181 (in Chinese with English abstract).

[26] 黃文江, 王紀(jì)華, 劉良云, 趙春江, 宋曉宇, 馬智宏. 冬小麥品質(zhì)的影響因素及高光譜遙感監(jiān)測方法. 遙感技術(shù)與應(yīng)用, 2004, 10: 143–148. Huang W J, Wang J H, Liu L Y, Zhao C J, Song X Y, Ma Z H. Study on grain quality effecting factors and monitoring methods by using hyperspectral data in winter wheat., 2004, 10: 143–148 (in Chinese with English abstract).

[27] 王紀(jì)華, 黃文江, 趙春江, 楊敏華, 王之杰. 利用光譜反射率估算葉片生化組分和籽粒品質(zhì)指標(biāo)研究. 遙感學(xué)報, 2003, 7: 277–284. Wang J H, Huang W J, Zhao C J, Yang M H, Wang Z J. The inversion of leaf biochemical components and grain quality indicators of winter wheat with spectral reflectance., 2003, 7: 277–284 (in Chinese with English abstract).

[28] Curran P. Remote sensing of foliar chemistry., 1990, 30: 271–278.

[29] 何理. 水稻葉片氮素含量及產(chǎn)量、相關(guān)品質(zhì)高光譜預(yù)測模型的初步研究. 揚(yáng)州大學(xué)碩士學(xué)位論文, 江蘇揚(yáng)州, 2014. He L. Preliminary Study on Hyperspectral Prediction Model of Leaf Nitrogen Content, Yield and Related Quality in Rice. MS Thesis of Yangzhou University, Yangzhou, Jiangsu, China, 2014 (in Chinese with English abstract).

[30] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies., 2001, 76: 349–359.

[31] Grossman Y L, Ustin S L, Jacquemoud S, Sanderson E W, Schmuck G, Verdebout J. Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data., 1996, 56: 182–193.

[32] Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using Band-Depth analysis of absorption features and stepwise multiple linear regression., 1999, 67: 267–287.

[33] 唐延林, 黃敬峰, 王人潮. 利用高光譜法估測稻穗稻谷的粗蛋白質(zhì)和粗淀粉含量. 中國農(nóng)業(yè)科學(xué), 2004, 37: 1282–1287. Tang Y L, Huang J F, Wang R C. Study on estimating the contents of crude protein and crude starch in rice panicle and paddy by hyperspectra., 2004, 37: 1282–1287 (in Chinese with English abstract).

[34] 劉蕓, 唐延林, 黃敬峰, 蔡紹洪, 樓佳. 利用高光譜數(shù)據(jù)估測水稻米粉中粗蛋白粗淀粉和直鏈淀粉含量. 中國農(nóng)業(yè)科學(xué), 2008, 41: 62–68. Liu L, Tang Y L, Huang J F, Cai S H, Lou J. Contents of crude protein, crude starch and amylose in rice flour by hyperspectral data., 2008, 41: 62–68 (in Chinese with English abstract).

[35] 顏士博. 基于高分?jǐn)?shù)據(jù)的水稻品質(zhì)監(jiān)測方法的研究. 杭州師范大學(xué)碩士學(xué)位論文, 浙江杭州, 2017. Yan S B. Study on Rice Quality Monitoring Method Based on High Resolution Data. MS Thesis of Hangzhou Normal University, Hangzhou, Zhejiang, China, 2017 (in Chinese with English abstract).

[36] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves., 1997, 18: 2691–2697.

[37] 姚霞, 朱艷, 田永超, 馮偉, 曹衛(wèi)星. 小麥葉層氮含量估測的最佳高光譜參數(shù)研究. 中國農(nóng)業(yè)科學(xué), 2009, 42: 2716–2725. Yao X, Zhu Y, Tian Y C, Feng W, Cao W X. Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves., 2009, 42: 2716–2725 (in Chinese with English abstract).

[38] Blackburn G, Ferwerda J. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis., 2008, 112: 1614–1632.

[39] 湯旭光, 宋開山, 劉殿偉, 王宗明, 張柏, 杜嘉, 曾麗紅, 姜廣甲, 王遠(yuǎn)東. 基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較. 光譜學(xué)與光譜分析, 2011, 31: 371–374. Tang X G, Song K S, Liu D W, Wang Z M, Zhang B, Du J, Zeng L H, Jiang G J, Wang Y D. Comparison of methods for estimating chlorophyll content based on visual/near infrared reflection spectra., 2011, 31: 371–374 (in Chinese with English abstract).

[40] Rivard B, Feng J, Gallie A, Sanchez-Azofeifa A G. Continuous wavelets for the improved use of spectral libraries and hyperspectral data., 2008, 112: 2850–2862.

[41] 方美紅, 劉湘南. 小波分析用于水稻葉片氮含量高光譜反演. 應(yīng)用科學(xué)學(xué)報, 2010, 28: 387–393. Fang M H, Liu X N. Estimation of nitrogen content in rice leaves with hyperspectral reflectance measurements using wavelet analysis., 2010, 28: 387–393 (in Chinese with English abstract).

[42] Li D, Cheng T, Jia M, Zhou K, Lu N, Yao X, Tian Y, Zhu Y, Cao W X. PROCWT: Coupling PROSPECT with continuous wavelet transform to improve the retrieval of foliar chemistry from leaf bidirectional reflectance spectra., 2018, 206: 1–14.

[43] Li D, Wang X, Zheng H B, Zhou K, Yao X, Tian Y C, Zhu Y, Cao W X, Cheng T. Estimation of area- and mass-based leaf nitrogen contents of wheat and rice crops from water-removed spectra using continuous wavelet analysis., 2018, 14: 1–20.

[44] Cheng T, Ria?o D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis., 2014, 143: 39–53.

[45] 中國科學(xué)院上海植物生理研究所. 現(xiàn)代植物生理學(xué)實(shí)驗(yàn)指南. 北京, 科學(xué)出版社. 1999. pp 79–85. Shanghai Institute of Plant Physiology, Chinese Academy of Sciences. Guidelines for Modern Plant Physiology Experiments. Beijing: Science Press, 1999. pp 79–85 (in Chinese).

[46] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis., 2014, 87: 28–38.

[47] Cheng T, Rivard B, Sanchez-Azofeifa A G, Feret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169: 1134–1142.

[48] 苗茜. 基于小波變換的蘆葦葉綠素含量的地物高光譜反演研究. 首都師范大學(xué)碩士學(xué)位論文, 北京, 2013. Miao Q. Hyperspectral Inversion of Chlorophyll Content in Phragmites Australis based on Wavelet Transform. MS Thesis of Capital Normal University, Beijing, China, 2013 (in Chinese with English abstract).

[49] 郭洋洋, 張連蓬, 王德高, 馬維維. 小波分析在植物葉綠素高光譜遙感反演中的應(yīng)用. 測繪通報, 2010, (8): 31–33. Guo Y Y, Zhang L P, Wang D G, Ma W W. Application of wavelet analysis for determining chlorophyll concentration in vegetation by hyperspectral reflectance., 2010, (8): 31–33 (in Chinese with English abstract).

[50] 謝巧云, 黃文江, 蔡淑紅, 梁棟, 彭代亮, 張清, 黃林生, 楊貴軍, 張東彥. 冬小麥葉面積指數(shù)遙感反演方法比較研究. 光譜學(xué)與光譜分析, 2014, 34: 1352–1356. Xie Q Y, Huang W J, Cai S H, Liang D, Peng D L, Zhang Q, Huang L S, Yang G J, Zhang D J. Comparative study on remote sensing inversion methods for estimation winter wheat leaf area index., 2014, 34: 1352–1356 (in Chinese with English abstract).

[51] Ghoshal A, Martin W N, Schulz M J, Chattopadhyay A, Prosser W H, Kim H S. Health monitoring of composite plates using acoustic wave propagation, continuous sensors and wavelet analysis., 2015, 26: 95–112.

[52] Huang G, Newchurch M J, Kuang S, Buckley P I, Cantrell W, Wang L. Definition and determination of ozone laminae using continuous wavelet transform (CWT) analysis., 2015, 104: 125–131.

[53] Hsu Y C, Tseng M C, Wu Y P, Lin M Y, Wei F J, Hwu K K. Genetic factors responsible for eating and cooking qualities of rice grains in a recombinant inbred population of an inter-subspecific cross., 2014, 34: 655–673.

[54] Yang F, Chen Y, Tong C, Huang Y, Xu F, Li K. Association mapping of starch physicochemical properties with starch synthesis-related gene markers in nonwaxy rice (L.)., 2014, 34: 1747–1763.

[55] Hirano H Y,Sano Y. Molecular characterization of the waxy locus of rice ()., 1991, 32: 989–997.

[56] Furon A C, Warland J S, Wagner-Riddle C. Analysis of scaling-up resistances from leaf to canopy using numerical simulations., 2007, 99: 135–141.

[57] Read C, Wright I J, Westoby M. Scaling-up from leaf to canopy-aggregate properties in sclerophyll shrub species., 2010, 31: 310–316.

[58] 魏友華, 王瑤, 何雪梅, 郭科, 常睿春. 基于“高分五號”遙感圖像的地物分類方法. 現(xiàn)代電子技術(shù), 2020, (3): 85–88. Wei Y H, Wang Y, He X M, Guo K, Chang R C. Classification method of ground objects based on the remote sensing image of GF-5., 2020, (3): 85–88 (in Chinese with English abstract).

[59] 趙瑞, 崔希民, 劉超. GF-5高光譜遙感影像的土壤有機(jī)質(zhì)含量反演估算研究. 中國環(huán)境科學(xué), 2020, 40: 3539–3545. Zhao R, Cui X M, Liu C. Inversion estimation of soil organic matter content based on GF-5 hyperspectral remote sensing image., 2020, 40: 3539–3545 (in Chinese with English abstract).

[60] 李小朋, 王術(shù), 黃元財, 賈寶艷, 王巖, 曾群云. 株行距配置對齊穗期粳稻冠層結(jié)構(gòu)及產(chǎn)量的影響. 應(yīng)用生態(tài)學(xué)報, 2015, 26: 3329–3336. Li X P, Wang S, Huang Y C, Jia B Y, Wang Y, Zeng Q Y. Effects of spacing on the yields and canopy structure ofrice at full heading stage., 2015, 26: 3329–3336 (in Chinese with English abstract).

[61] 方雨晨, 田慶久. 歸一化植被指數(shù)的土壤背景影響去除. 遙感信息, 2017, (6): 8–13. Fang Y C, Tian Q J. Soil effect removal of NDVI in farmland based on theory of mixing spectral., 2017, (6): 8–13 (in Chinese with English abstract).

[62] 褚旭. 不同覆蓋度條件下水稻葉層氮素營養(yǎng)的高光譜監(jiān)測研究. 南京農(nóng)業(yè)大學(xué)碩士學(xué)位論文, 江蘇南京, 2013. Chu X. Monitoring Leaf Nitrogen Nutrition under Different Vegetation Coverage Conditions Using Hyperspectrum Data in Rice. MS Thesis of Nanjing Agricultural University, Nanjing, Jiangsu, China, 2013 (in Chinese with English abstract).

Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice

ZHANG Xiao1, YAN Yan1, WANG Wen-Hui1, ZHENG Heng-Biao1, YAO Xia1,2, ZHU Yan1, and CHENG Tao1,2,*

1National Engineering and Technology Center for Information Agriculture (NETCIA), Nanjing Agricultural University / Jiangsu Key Laboratory for Information Agriculture / Key Laboratory of Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs / Engineering Research Center of Smart Agriculture, Ministry of Education, Nanjing 210095, Jiangsu, China;2Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095, Jiangsu, China

Grain amylose content (GAC) is a critical factor affecting the cooking and eating quality of rice. Remote sensing technology can be used to obtain amylose content timely and accurately, which are useful for the establishment and implementation of corresponding cultivation to improve the quality of rice taste. As an effective method for spectral feature extraction, continuous wavelet analysis (CWA) has been widely used to estimate crop physiological and biochemical parameters. However, none of previous studies have used CWA for crop quality estimation and investigated the application of CWA to dried grain powder reflectance spectra acquired in the laboratory for absorption feature extraction. The method was conducted in four steps as below: continuous wavelet transforms, extraction of sensitive wavelet features, analysis of common features, and construction of predictive models. Finally, we estimated GAC on grain scale and compared the performance of different spectral features. The results were as follows: (1) The performance of sensitive wavelet features was better vegetation indices and the independent validation confirmed this superiority; (2) The GAC could be estimated from WF2037,6with a high2= 0.59 and the accuracy assessed with validation data from an independent year was RMSE = 1.51%, Bias = 0.44%, RRMSE = 23.50%. The results derived from dried grain powder could be applied to dried panicles (2= 0.62, RMSE = 1.49%, Bias = –0.17%, RRMSE = 25.76%). This study determined the optimal amylose-sensitive wavelet feature WF2037,6. It can provide new insight into GAC estimation with hyperspectral remote sensing and this method would advance the understanding of rice quality estimation from reflectance spectra at grain and canopy levels.

rice powder; rice panicle; reflectance spectra; grain amylose content; spectral index; continuous wavelet analysis

10.3724/SP.J.1006.2021.02063

本研究由國家重點(diǎn)研發(fā)計劃項目(2016YFD0300601)和國家自然科學(xué)基金項目(41871259)資助。

This study was supported by the National Key Research and Development Program of China (2016YFD0300601) and the National Natural Science Foundation of China (41871259).

程濤, E-mail: tcheng@njau.edu.cn

E-mail: 13675139398@163.com

2020-09-01;

2021-01-13;

2021-02-25.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20210225.1537.013.html