鄭智康, 常慶瑞, 符欣彤, 張子娟, 李 鎧, 姜時雨, 宋子怡

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

葉片含水率(LWC)是作物重要的生長指標(biāo),是作物光合作用和蒸騰作用等生理生化過程的關(guān)鍵限制因素,直接影響作物生長發(fā)育及產(chǎn)量的形成[1]?？焖俑咝Ч浪阕魑锶~片含水率對作物長勢監(jiān)測、水資源合理利用以及農(nóng)田水分管理有著重大意義。傳統(tǒng)的烘干稱質(zhì)量法測定作物葉片含水率不僅耗時費力,且難以實現(xiàn)大范圍作物葉片含水率的持續(xù)監(jiān)測。高光譜技術(shù)的出現(xiàn)與發(fā)展為作物葉片含水率的遙感監(jiān)測提供了新的手段。

目前,利用高光譜遙感估算作物葉片含水率已成為研究熱點[2],國內(nèi)外大量眾多學(xué)者的研究結(jié)果表明光譜反射率與作物葉片含水率之間存在顯著相關(guān),作物葉片含水率的特征光譜位于近紅外波段和短波紅外波段[3-4]。光譜的各種變換和不同光譜指數(shù)的構(gòu)建,提高了特征光譜與葉片含水率之間的響應(yīng)水平及相關(guān)估算模型的精度[5-9]。劉小軍等[10]綜合分析任意兩波段構(gòu)成的比值光譜指數(shù)(RSI)、差值光譜指數(shù)(DSI)和歸一化光譜指數(shù)(NDSI)與水稻葉片含水率的相關(guān)關(guān)系,證明了利用光譜指數(shù)估算水稻葉片含水率是可行的。

截至目前,利用高光譜估算作物葉片含水率大多集中在水稻、小麥、枸杞等作物,對玉米的研究相對較少。本研究以關(guān)中地區(qū)夏玉米為研究對象,基于原始光譜和變換光譜構(gòu)建任意兩波段的差值光譜指數(shù)(DSI)、比值光譜指數(shù)(RSI)和歸一化光譜指數(shù)(NDSI),并結(jié)合人工智能算法,分析窄波段光譜指數(shù)與夏玉米葉片含水率之間的關(guān)系,構(gòu)建夏玉米葉片含水率的單因素和多因素估算模型,為關(guān)中地區(qū)夏玉米長勢監(jiān)測和農(nóng)田灌溉提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 研究地點與試驗設(shè)計

試驗于2017年在陜西省咸陽市乾縣齊南村(108°07′04″E,34°38′32″N)進行。該村位于黃土高原與關(guān)中平原的過渡地帶,試驗田位置如圖1所示。本研究以陜單226為試驗材料,開展氮磷鉀配施試驗和純氮肥試驗。氮磷鉀配施試驗共設(shè)18個處理,各處理的施肥方案如表1所示。

表1 氮磷鉀配施試驗設(shè)計

上述18個處理設(shè)置2次重復(fù),小區(qū)面積為90 m2。純氮肥試驗設(shè)4個水平,施氮量分別為0 kg/hm2、60 kg/hm2、120 kg/hm2、180 kg/hm2,不施磷肥和鉀肥,小區(qū)面積為153 m2。上述肥料均于播種前一次性施入,水分管理與當(dāng)?shù)乇３忠恢隆Ｃ啃^(qū)設(shè)2個采樣點,共80個采樣點。于夏玉米拔節(jié)期開展葉片含水率和高光譜測定。

圖1 研究區(qū)玉米試驗田位置Fig.1 Location of maize test field in the study area

1.2 數(shù)據(jù)獲取與處理

1.2.1 葉片高光譜測定 于玉米拔節(jié)期,選取晴朗無風(fēng)日(7月3日)采用非成像全光譜地物波譜儀SVC HR-1024i(美國Spectrum Vista公司產(chǎn)品)獲取夏玉米葉片高光譜數(shù)據(jù)。測定時間為10:00-12:00,每隔30 min進行一次白板校正。光譜測定范圍350～2 500 nm,其中350～1 000 nm光譜分辨率為3.5 nm,1 001～1 850 nm光譜分辨率為9.5 nm,1 851～2 500 nm光譜分辨率為6.5 nm。測量前使用紙巾將葉片表面擦拭干凈,在玉米葉片尖部、中部、基部各測量3次,每片葉片測9次,每個樣點測3張葉片,共獲得測27條光譜曲線。

1.2.2 玉米葉片含水率測定 采用烘干法進行玉米葉片含水率測定:首先稱取光譜測定后的玉米葉片鮮質(zhì)量,然后將鮮葉置于烘箱中105 ℃殺青30 min,殺青結(jié)束后80 ℃烘72 h至質(zhì)量恒定。玉米葉片含水率計算公式為:

(1)

式中:LWC表示葉片含水率,Wf表示葉片鮮質(zhì)量,Wd表示葉片干質(zhì)量。

1.2.3 高光譜數(shù)據(jù)處理和光譜指數(shù)構(gòu)建 利用SVC HR-1024i光譜儀自帶的軟件對原始光譜數(shù)據(jù)進行350～2 500 nm重采樣,采樣間隔為1 nm,取每個樣點重采樣之后的27條光譜曲線平均值為該樣點的原始光譜(PS)曲線。進一步利用Excel 2019和MATLAB R2019b軟件對原始光譜分別進行一階導(dǎo)數(shù)(FDS)和標(biāo)準(zhǔn)正態(tài)分布(SNV)的變換。

為了分析光譜指數(shù)與玉米葉片含水率之間的相關(guān)關(guān)系,本研究利用原始光譜、一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜分別構(gòu)建任意兩波段差值光譜指數(shù)(DSI)[11]、比值光譜指數(shù)(RSI)[12]和歸一化光譜指數(shù)(NDSI)[13],其計算公式如下:

DSI=Ri-Rj

(2)

(3)

(4)

式中,i和j分別表示波長,Ri和Rj分別表示波長為i和j時對應(yīng)的光譜反射率。

1.3 模型構(gòu)建和精度檢驗

以原始光譜、一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜構(gòu)建的任意兩波段3種光譜指數(shù)(RSI、DSI、NDSI)分別與夏玉米葉片含水率進行相關(guān)性分析,選取3種光譜下相關(guān)性最高的光譜指數(shù)為參數(shù),分別建立玉米葉片含水率的指數(shù)、線性、對數(shù)、乘冪和多項式估算模型,比較篩選得到夏玉米葉片含水率單因素估算優(yōu)化模型;進一步以相關(guān)性最高的光譜指數(shù)為參數(shù),基于支持向量回歸算法(SVR)、反向傳播神經(jīng)網(wǎng)絡(luò)回歸算法(BPNN)和麻雀搜索優(yōu)化隨機森林回歸算法(SSA-RFR),構(gòu)建玉米葉片含水率多因素估算模型。單因素模型和多因素模型分別利用Excel 2019和MATLAB R2019b軟件建立與實現(xiàn)。

本研究對80個樣本按3∶1比例進行隨機抽樣,分為建模樣本60個,驗證樣本20個。采用決定系數(shù)(R2)、均方根誤差(RMSE)和相對誤差(RE)來評價模型精度,計算算法如下:

(5)

(6)

(7)

2 結(jié)果與分析

2.1 夏玉米葉片含水率與高光譜特征分析

不同數(shù)據(jù)集葉片含水率的統(tǒng)計特征如表2所示。由表2可知,總數(shù)據(jù)集玉米葉片含水率最大值為80.67%,最小值為72.62%,極差為8.05個百分點。采用等距離方式將含水率劃分為5個等級,分別統(tǒng)計5個等級的樣本數(shù),結(jié)果如圖2所示。

由圖2可知,玉米葉片含水率的分布近似于標(biāo)準(zhǔn)正態(tài)分布,含水率75.85%～77.45%的樣本數(shù)最多,占總樣本數(shù)的32.5%。不同含水率玉米葉片的高光譜曲線如圖3所示。其中,在可見光波段(390～780 nm)和近紅外波段(781～1 300 nm),反射率最高和反射率最低分別對應(yīng)含水率最低和含水率最高的梯度范圍,含水率74.24%～79.06%時,光譜曲線變化與含水率之間沒有明顯變化規(guī)律,說明在上述波段范圍內(nèi)玉米葉片含水率不是導(dǎo)致光譜變化的主導(dǎo)因子。在短波紅外波段(1 301～2 500 nm),則嚴格遵循隨著葉片含水率的降低光譜反射率逐漸升高這一規(guī)律,因此該波段對玉米葉片水分含量變化更為敏感,是估算玉米葉片含水率的理想波段。以玉米葉片含水率中位數(shù)(76.07%)的原始光譜為依據(jù)繪制的玉米葉片一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜如圖4所示。其中一階導(dǎo)數(shù)光譜相較于原始光譜變化明顯,反射率大多集中于(-0.001,0.001);標(biāo)準(zhǔn)正態(tài)分布光譜與原始光譜變化趨勢相同,但是反射率的變化區(qū)間發(fā)生了較大變化,反射率最小值為-1.37,最大值為1.53。

表2 不同數(shù)據(jù)集玉米葉片含水率統(tǒng)計特征

a:72.62%～74.23%;b:74.24%～75.84%;c:75.85%～77.45%;d:77.46%～79.06%;e:79.07%～80.67%。圖2 玉米葉片含水率樣本分布Fig.2 Sample distribution of maize leaf moisture content

圖3 不同含水率玉米葉片高光譜變化特征Fig.3 Hyperspectral variation characteristics of maize leaves with different moisture contents

a:一階導(dǎo)數(shù)光譜; b:標(biāo)準(zhǔn)正態(tài)分布光譜。圖4 玉米葉片變換光譜特征Fig.4 Characteristics of transformed spectrum of maize leaves

2.2 不同光譜與玉米葉片含水率相關(guān)性分析

原始光譜、一階導(dǎo)數(shù)光譜及標(biāo)準(zhǔn)正態(tài)分布光譜與玉米葉片含水率相關(guān)性如圖5所示。由圖5可知,原始光譜在全波段都與葉片含水率呈負相關(guān),僅在400 nm和1 000 nm附近與玉米葉片含水率相關(guān)性沒有達到極顯著水平(P>0.01),相關(guān)性達到極顯著性水平(P<0.01)的敏感波段數(shù)為1 869個,相關(guān)系數(shù)絕對值最大值出現(xiàn)在1 878 nm處,對應(yīng)相關(guān)系數(shù)為-0.76。一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜與玉米葉片含水率相關(guān)性達到極顯著性水平的敏感波段數(shù)分別為1 480個和1 944個,相關(guān)系數(shù)絕對值最大值分別出現(xiàn)在1 888 nm和1 399 nm處,對應(yīng)的相關(guān)系數(shù)分別為0.77和-0.75。與原始光譜相比,一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜與葉片含水率的相關(guān)系數(shù)波動性增加;一階導(dǎo)數(shù)光譜中相關(guān)性達到極顯著水平的敏感波段數(shù)比原始光譜有所減少,而標(biāo)準(zhǔn)正態(tài)分布光譜敏感波段數(shù)最多?？傮w來看,經(jīng)過光譜變換后,開始出現(xiàn)正相關(guān)和負相關(guān),整體相關(guān)性都較好。

a:原始光譜; b:一階導(dǎo)數(shù)光譜; c:標(biāo)準(zhǔn)正態(tài)分布光譜。圖5 不同光譜與玉米葉片含水率的相關(guān)性Fig.5 Correlation between different spectra and moisture content of maize leaves

2.3 不同光譜指數(shù)與玉米葉片含水率相關(guān)性分析

原始光譜、一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜下,不同光譜指數(shù)與葉片含水率相關(guān)系數(shù)絕對值最大值及其對應(yīng)波長如表3所示。3種光譜指數(shù)與葉片含水率的相關(guān)系數(shù)絕對值范圍在0.79至0.83之間,且入選波長相對集中,主要分布在1 300～1 500 nm、1 700～1 900 nm和2 300～2 500 nm。與原始光譜相比,基于一階導(dǎo)數(shù)光譜和標(biāo)準(zhǔn)正態(tài)分布光譜得到的相關(guān)系數(shù)絕對值均有所提高,一階導(dǎo)數(shù)光譜提升較大,RSI和NDSI與葉片含水率的相關(guān)系數(shù)絕對值均達到0.83;標(biāo)準(zhǔn)正態(tài)分布光譜下,NDSI的相關(guān)性提升不明顯,DSI的最大相關(guān)系數(shù)達到0.82。3種光譜相比,基于一階導(dǎo)數(shù)光譜構(gòu)建的光譜指數(shù)與葉片含水率相關(guān)性更好,說明一階導(dǎo)數(shù)光譜為最優(yōu)光譜變換類型。

2.4 夏玉米葉片含水率單因素模型構(gòu)建及精度評價

3種光譜下,基于表3得到的最優(yōu)光譜指數(shù)分別構(gòu)建夏玉米葉片含水率的指數(shù)、線性、對數(shù)、乘冪和多項式估算模型,篩選出的最佳模型如表4所示。由表4可知,原始光譜和一階導(dǎo)數(shù)光譜均以RSI為自變量的線性函數(shù)為最佳模型,而標(biāo)準(zhǔn)正態(tài)分布光譜則以歸一化光譜指數(shù)(NDSI)為自變量的一元二次函數(shù)為最佳模型。基于一階導(dǎo)數(shù)光譜和RSI構(gòu)建的線性模型建模集決定系數(shù)(R2)最高,RMSE和RE均為最低。但該模型驗證集的決定系數(shù)和RMSE均不及原始光譜和標(biāo)準(zhǔn)正態(tài)分布光譜構(gòu)建的模型。綜合建模集和驗證集結(jié)果來看,以標(biāo)準(zhǔn)正態(tài)分布光譜和歸一化光譜指數(shù)(NDSI)構(gòu)建的一元二次函數(shù)模型為玉米葉片含水量最優(yōu)估算模型。

表3 不同光譜指數(shù)最佳波段組合

2.5 夏玉米葉片含水率多因素估算模型構(gòu)建及精度評價

由于多因素模型的模擬效果一般要優(yōu)于單因素模型[14-16],因此,以表3中的9個光譜指數(shù)為自變量,玉米葉片含水率為因變量,構(gòu)建基于支持向量回歸算法(SVR)、反向傳播神經(jīng)網(wǎng)絡(luò)回歸算法(BPNN)和麻雀搜索隨機森林回歸算法(SSA-RFR)的玉米葉片含水率多因素估算模型。3種算法下構(gòu)建的多因素模型精度如表5所示。結(jié)果顯示,基于麻雀搜索隨機森林回歸算法構(gòu)建的模型精度最高,決定系數(shù)(R2)達到0.78,RMSE和RE分別為1.14%和1.09%,均為最低,基于反向傳播神經(jīng)網(wǎng)絡(luò)回歸算法和支持向量回歸算法構(gòu)建的模型建模精度稍低。綜合來看,基于麻雀搜索隨機森林回歸算法構(gòu)建的模型為最優(yōu)模型,其次為基于反向傳播神經(jīng)網(wǎng)絡(luò)回歸算法構(gòu)建的模型,基于支持向量回歸算法構(gòu)建的模型相對較差。

表4 不同光譜曲線及最優(yōu)光譜指數(shù)構(gòu)建的玉米葉片含水率單因素估算模型及精度

表5 基于不同算法的玉米葉片含水率多因素估算模型的精度比較

2.6 模型驗證

最優(yōu)單因素模型和基于3種算法的多因素模型驗證結(jié)果如圖6所示。綜合來看,3種多因素模型的模擬效果都優(yōu)于單因素模型。基于麻雀搜索隨機森林回歸算法模型實測值與預(yù)測值擬合線更接近1∶1線,因此該模型預(yù)測能力最好,精度最高。當(dāng)玉米葉片含水量實測值低時,4個模型的預(yù)測結(jié)果一般比實際值大,而當(dāng)實際含水量高時,預(yù)測結(jié)果比實際值小。

3 討 論

本研究發(fā)現(xiàn)玉米葉片光譜反射率在短波紅外波段較可見光波段和近紅外波段對葉片水分含量波動更為敏感,且隨著葉片水分含量的減少光譜反射率逐漸升高,這與前人研究結(jié)果一致[17-18]。其原因在于,隨著葉片水分含量的減少,葉片細胞質(zhì)壁分離度逐步增加,進而導(dǎo)致短波紅外波段光譜反射率的上升。受葉片表面物理特征(葉片粗糙度、角質(zhì)層等)和內(nèi)部結(jié)構(gòu)(葉綠素含量等)因素的影響,單一波段原始光譜難以全面反映玉米葉片含水率的狀況。高光譜數(shù)據(jù)具有波段多且窄的特點,信息量大,同時冗余多,光譜變換和光譜指數(shù)的構(gòu)建能降低背景噪聲和增強光譜信息的響應(yīng)強度,提高光譜信息的利用率及估算模型精度[19-20]。基于變換光譜構(gòu)建的光譜指數(shù)與玉米葉片含水率相關(guān)系數(shù)絕對值得到了提高,這與Tucher[21]和李永梅等[22]的研究結(jié)果一致。本研究構(gòu)建DSI、RSI和NDSI等指標(biāo)所用波段集中在1 300～1 500 nm、1 700～1 900 nm和2 300～2 500 nm等波段,與Yu等[23]研究結(jié)果類似,這說明利用短波紅外波段的光譜數(shù)據(jù)構(gòu)建光譜指數(shù)估算作物葉片含水率是可靠的。

a:基于標(biāo)準(zhǔn)正態(tài)分布光譜和歸一化光譜指數(shù)的葉片含水量估算模型;b: 基于支持向量回歸算法的葉片含水率估算模型;c: 基于反向傳播神經(jīng)網(wǎng)絡(luò)回歸算法的葉片含水率估算模型;d: 基于麻雀搜索隨機森林回歸算法的葉片含水率估算模型。R2:決定系數(shù);RMSE:均方根誤差;RE:相對誤差。圖6 不同模型模擬效果比較Fig.6 Comparison of simulation effects of different models

本研究利用單因素模型和基于機器學(xué)習(xí)的多因素模型對玉米葉片含水率進行估算,其中多因素模型的模擬效果明顯優(yōu)于單因素模型,這與前人研究結(jié)果[24]基本一致。主要由于單因素模型所用信息少,沒有涵蓋影響玉米葉片含水率的眾多要素,因此模型精度不如多因素模型。多因素模型中以基于麻雀搜索隨機森林回歸算法(SSA-RFR)構(gòu)建的模型效果最好。隨機森林回歸算法中的隨機性使得該方法不易出現(xiàn)過擬合現(xiàn)象,且抗噪能力和泛化能力強,是處理非線性問題的一種良好選擇。麻雀搜索算法(SSA)的應(yīng)用,能快速優(yōu)化隨機森林模型內(nèi)部參數(shù),從而提高模型估算精度。目前,麻雀搜索算法和隨機森林回歸算法在農(nóng)業(yè)遙感中集合應(yīng)用還未有報道,本研究中首次將2種算法結(jié)合應(yīng)用于玉米葉片含水率估算,取得了較好的效果。然而,本研究建立的模型普遍存在低值高估和高值低估的現(xiàn)象,這可能與處理中玉米葉片水分含量差異較小有關(guān)。一般來說,數(shù)據(jù)集的變異較小時,估算模型的精度會受到一定影響[25-26]。因此,在后續(xù)研究中尚需進一步優(yōu)化模型,以提高模型的估算精度。

玉米拔節(jié)期開始出現(xiàn)雌雄穗分化,特別是雄穗形成后,雌穗開始小花、小穗分化,對水分要求較大[27]。對該時期玉米葉片含水量的遙感監(jiān)測,可更好地指導(dǎo)田間水分管理。本研究中僅對關(guān)中地區(qū)夏玉米拔節(jié)期的葉片含水率進行了監(jiān)測,在將來的研究中,可結(jié)合無人機進行全生長期的葉片含水率監(jiān)測及玉米葉片適宜含水率的分析,進而實現(xiàn)精確的區(qū)域農(nóng)田水分管理。