本論文的應(yīng)用方向集中于農(nóng)業(yè)中作物葉片生物量的精準(zhǔn)監(jiān)測及高光譜數(shù)據(jù)的特征提取,。通過提出的SIPLS-SPA方法,，有效提取小麥葉片生物量的敏感光譜特征，用于構(gòu)建準(zhǔn)確,、穩(wěn)定的預(yù)測模型,，支持農(nóng)田精準(zhǔn)管理、資源優(yōu)化及作物育種,。同時,，該方法適用于植物性狀的快速檢測，為生態(tài)環(huán)境監(jiān)測中的碳循環(huán)評估和農(nóng)業(yè)信息化提供新思路,。這一成果可廣泛應(yīng)用于未來農(nóng)業(yè)和生態(tài)系統(tǒng)的相關(guān)研究中,。

背景：

葉片生物量不僅是反映作物生長狀況的關(guān)鍵參數(shù)，還能有效指示氣候變化,、食品安全及施肥狀況,。傳統(tǒng)的地面采樣方法雖然精確,，但具有破壞性，且耗時費(fèi)力,，難以在大范圍內(nèi)實(shí)現(xiàn)快速,、有效的空間和時間監(jiān)測。相比之下,，遙感技術(shù)提供了非破壞性,、快速且準(zhǔn)確的解決方案，而高光譜遙感通過獲取連續(xù)的光譜信息,，能更加全面地反映作物特性,。然而，完整波段的高光譜數(shù)據(jù)中包含大量冗余信息和噪聲,，這不僅增加了數(shù)據(jù)處理的負(fù)擔(dān),，還會影響模型的精度和穩(wěn)定性。因此,，選擇少量敏感特征波段,，提取主要信息，成為提升監(jiān)測效率和精度的關(guān)鍵步驟,。

為克服這些缺點(diǎn)并提升高光譜數(shù)據(jù)的特征選擇效果,，作者提出了一種新的混合方法SIPLS-SPA。具體而言,，將所選擇的最佳光譜特征確定為目標(biāo)變量,，用于建立更準(zhǔn)確且穩(wěn)定的模型，以監(jiān)測小麥葉片生物量,。同時,，作者將該方法的性能與SIPLS、SPA及全波段方法分別進(jìn)行了比較,。精度,、可靠性和實(shí)用性被用作評價所選特征及構(gòu)建混合模型的性能指標(biāo)。該研究結(jié)果將為今后農(nóng)業(yè)中作物性狀檢測的相關(guān)研究提供有效的實(shí)證參考,。

實(shí)驗(yàn)設(shè)計(jì)

1.1.材料與方法

(1)麥田試驗(yàn)

本研究在中國東部江蘇省如皋（32°15′N,，120°38′E）開展了兩項(xiàng)田間試驗(yàn)。每個試驗(yàn)均設(shè)置了不同的施氮量,、品種和冬小麥種植密度（即行距）處理,，采用完*隨機(jī)區(qū)組設(shè)計(jì)，設(shè)3個重復(fù),，共36個小區(qū),。每個地塊面積為5m×6m。所有處理均在播種前施用足量的磷酸鈣和氯*鉀,。使用試驗(yàn)田2的標(biāo)定數(shù)據(jù)對葉片生物量估算模型進(jìn)行校準(zhǔn),，利用試驗(yàn)田1的驗(yàn)證數(shù)據(jù)對混合模型的靈敏度和準(zhǔn)確性進(jìn)行評估,。

(2)高光譜圖像的獲取

所有高光譜數(shù)據(jù)均由高光譜成像系統(tǒng)（GaiaField-V10E，四川雙利合譜光譜成像技術(shù)有限公司）采集,。該系統(tǒng)由成像光譜儀探測器V10E和控制模塊組成,。該光譜儀由一個CCD相機(jī)和一個可見光-近紅外（NIR）光譜儀組成，光譜范圍為380~1030nm,?？刂颇K由帶數(shù)據(jù)采集軟件的計(jì)算機(jī)和電動位移平臺構(gòu)成。數(shù)據(jù)采集時間為北京時間10:00至14:00,，選擇在小麥關(guān)鍵生育期的晴天條件下進(jìn)行,，采集高度為冠層上方1.0m（圖1）。

圖1.在小麥重要生長階段采集的圖像示例

(3)高光譜圖像數(shù)據(jù)預(yù)處理

圖像預(yù)處理流程如圖2所示,。首先,，利用標(biāo)準(zhǔn)光強(qiáng)圖像對天氣引起的光強(qiáng)變化進(jìn)行校正。然后,，為了降低反射噪聲,，使用了最小噪聲分?jǐn)?shù)旋轉(zhuǎn)（MNF）。最后,，應(yīng)用支持向量機(jī)方法（SVM）提取小麥感興趣區(qū)域（ROI）,。ROI的平均反射率定義為植被光譜。

圖2.用于高光譜圖像數(shù)據(jù)的預(yù)處理步驟

（4）小麥葉片生物量的測定

在測量了冠層反射率后,，收集30株小麥植株,，立即帶到實(shí)驗(yàn)室測定每個地塊的葉片生物量（kg/m2）。將所有樣品的綠葉與莖分離,，然后在105°C下干燥30分鐘，在80°C下干燥48小時至恒重,。同時,，對所有地塊每平方米（m2）的分蘗數(shù)進(jìn)行了統(tǒng)計(jì)。小麥葉片生物量（kg/m2）通過每株植物的葉片生物量乘以每平方米測得的分蘗數(shù)計(jì)算得出,。

（5）利用SIPLS-SPA方法提取小麥葉片生物量相關(guān)的高光譜特征

首先,，利用SIPLS-SPA從全波長提取敏感光譜區(qū)間，然后,，確定敏感光譜區(qū)間的*優(yōu)變量,。具體步驟如下：

①將全波段（400–1000nm）劃分為P個等間隔（25–50）。例如：如果將波段400–1000nm分為6個區(qū)間,，則每個區(qū)間分別為：400–500nm,、501–600nm、601–700nm,、701–800nm,、801–900nm和901–1000nm,。

②構(gòu)建結(jié)合Q（Q=2，3,，4）個區(qū)間與葉片生物量的PLSR模型,。

③重復(fù)步驟（1）和（2），通過最小的RMSECV（交叉驗(yàn)證均方根誤差）確定P和Q的值,。

④根據(jù)確定的P和Q得到敏感特征的光譜矩陣,，設(shè)為X（N*J，其中N為樣本個數(shù),，J為光譜變量個數(shù)）,。

⑤隨機(jī)選取一列作為Xj；其余的定義為S,。

⑥分別計(jì)算Xj到S的投影,。S的最大投影表示最小相關(guān)性，其對應(yīng)的列定義為Xi,。

⑦設(shè)Xi代替Xj,，重復(fù)步驟⑤、⑥,，直到所選變量的個數(shù)達(dá)到M的設(shè)定值（M為迭代范圍,，M≤J）。M的值是通過對數(shù)據(jù)進(jìn)行多次計(jì)算而確定的,。在這項(xiàng)研究中,，M等于20。

⑧用所選變量和相應(yīng)生物量擬合多元線性回歸（MLR）模型,。最后,，根據(jù)多變量回歸的最小驗(yàn)證均方根誤差（RMSEv）選擇*優(yōu)變量。

（6）SIPLS-SPA的評價及選取的變量

通過將敏感光譜作為輸入變量構(gòu)建生物量模型,，評估變量選擇方法SIPLS-SPA的性能以及所選敏感特征的有效性,。模型性能從精度、可靠性和實(shí)用性三個方面進(jìn)行評估（見下表）,。為了比較精度和可靠性,，我們分別在校準(zhǔn)和驗(yàn)證數(shù)據(jù)集中使用了決定系數(shù)（Rc2，Rv2）,、均方根誤差（RMSEc,，RMSEv）以及相對均方根誤差（RRMSEc，RRMSEv）,。模型的實(shí)用性包括運(yùn)行時間（秒）,、參數(shù)數(shù)量、復(fù)雜性水平和計(jì)算復(fù)雜度,。

1.2.結(jié)果

（1）不同施氮量下小麥冠層反射率的變化及其與葉片生物量的關(guān)系

以Exp.2中不同施氮量下的“生選6號”數(shù)據(jù)為例,，分析了冠層反射率的變化（圖3A）,。結(jié)果顯示，冠層反射率受氮肥用量的顯著影響,。具體而言,，隨著氮肥施用量的增加，由于色素吸收增加,，可見光區(qū)域的反射率降低,；然而，由于水分和冠層結(jié)構(gòu)的影響,，近紅外區(qū)域的反射率上升,。進(jìn)一步分析了小麥葉片生物量與冠層反射率的關(guān)系，如圖3B所示,。在可見光區(qū)域（480–720nm）,，冠層反射率與葉片生物量呈負(fù)相關(guān)，而在近紅外區(qū)域（720–900nm）,，反射率呈正相關(guān),，表現(xiàn)為具有較高相關(guān)系數(shù)（最大相關(guān)系數(shù)為0.6）的平緩曲線。

圖3.(A)Exp.2中在拔節(jié)期“生選6號”在三種施氮水平下的冠層反射率,；(B)小麥葉片生物量與冠層反射率的線性相關(guān)系數(shù)

（2）SIPLS-SPA參數(shù)確定

采用SIPLS-SPA方法提取小麥葉片生物量的敏感性特征,。首先，將全譜劃分為最多50個區(qū)間,，然后對每個病例在Q（Q=2,，3，4）區(qū)間上構(gòu)建PLSR模型,。通過運(yùn)行2.4節(jié)中的步驟①-④,，成功地獲得了每個PLSR模型的RMSECV。結(jié)果表明,，在P=37和Q=4條件下,，獲得了RMSECV*低的最佳PLSR模型（圖4）。這意味著當(dāng)整個光譜區(qū)域平均劃分為37個區(qū)間時,，以22,、24,、30和37這四個區(qū)間構(gòu)建的PLSR模型表現(xiàn)最佳,。

圖4.不同P和Q值下SIPLS模型的RMSEcv

（3）SIPLS-SPA篩選小麥葉片生物量敏感性特征

SIPLS選取的4個區(qū)間對應(yīng)的光譜區(qū)域分別為694~706nm、722~734nm,、806~816nm和890~900nm,，共44個波長變量。然后通過反復(fù)測試,，確定M的值為20,。最后,，再次運(yùn)行步驟⑤-⑧，確定最佳高光譜變量為706,、724,、734、806,、808,、810、812和816nm（圖5）,。這些波段被命名為小麥葉片生物量的“最佳高光譜特征”,。

圖5. SIPLS-SPA提取小麥的最佳光譜變量為706、724,、734,、806、808,、810,、812和816nm

（4）基于*優(yōu)高光譜特征的生物質(zhì)模型標(biāo)定與驗(yàn)證

利用SIPLS-SPA選擇的輸入變量，建立小麥5個生長階段葉片生物量的標(biāo)定模型（圖6A）,。然后用獨(dú)立的Exp1數(shù)據(jù)集對模型進(jìn)行驗(yàn)證,。圖6B顯示了Exp.2中6個重要生育期小麥葉片生物量實(shí)測值與預(yù)測值的散點(diǎn)圖。

圖6.在校準(zhǔn)(A)和驗(yàn)證(B)中,，SIPLS-SPA估算的小麥葉片生物量與預(yù)測值之間的擬合關(guān)系為1:1

（5）與其他特征選擇方法的比較

通過與傳統(tǒng)的SIPLS和SPA方法進(jìn)行比較,，評估了新開發(fā)的SIPLS-SPA方法的有效性。此外,，根據(jù)精度,、可靠性和實(shí)用性（包括變量數(shù)量、訓(xùn)練時間,、復(fù)雜性水平和計(jì)算復(fù)雜度）對基于這些算法提取的不同數(shù)量敏感特征的PLSR模型進(jìn)行了評估,。

下表顯示了從與SIPLS-SPA相同的數(shù)據(jù)集中由SPA和SIPLS提取的敏感變量。結(jié)果表明,，SIPLS為小麥葉片生物量選擇的敏感特征波段為694–706,、722–734、806–816和890–900 nm,，而SPA選擇的敏感特征為726,、744、758,、816和830 nm,。總的來說，SIPLS選擇的敏感特征多于SPA和SIPLS-SPA,。

利用SPA,、SIPLS和SPA-SIPLS選擇的敏感特征作為輸入變量，構(gòu)建小麥葉片生物量的PLSR模型,。下表總結(jié)了它們各自的準(zhǔn)確性和可靠性,。結(jié)果表明，SIPLS模型和全波長模型的Rc2最大（0.84）,，SPA和SIPLS-SPA次之,。而SIPLS-SPA模型的Rv2值最大（Rv2=0.67），SIPLS模型的Rv2值最小,。此外,，利用SIPLS-SPA選擇的敏感特征構(gòu)建的模型獲得了*低的RMSEv（0.059kg/m2）和RRMSEv（38.55%）。

采用時間,、復(fù)雜度和計(jì)算復(fù)雜度三個指標(biāo)評價具有不同敏感特征的PLSR模型的實(shí)用性（見下表）,。結(jié)果表明，SPA模式運(yùn)行時間最短,，SIPLS-SPA次之,，全波長模式運(yùn)行時間最長。SPA和SIPLS-SPA的矩陣復(fù)雜度和計(jì)算復(fù)雜度基本相同,，但全波長模型的矩陣復(fù)雜度和計(jì)算復(fù)雜度在所有估計(jì)模型中最高,。

結(jié)論

本研究提出了一種新的計(jì)算方法SIPLS-SPA，將SIPLS和SPA兩種方法結(jié)合用于從高光譜圖像中提取敏感特征,，以檢測小麥葉片生物量,。通過SIPLS-SPA方法篩選出的8個波段（706、724,、734,、806、808,、810,、812和816 nm）被認(rèn)為是最佳的高光譜特征，作為輸入變量構(gòu)建PLSR模型以估算冬小麥的葉片生物量,。與其他先進(jìn)的特征選擇技術(shù)相比,，所選特征和構(gòu)建的生物量模型在去除不相關(guān)、共線性,、簡單變量方面表現(xiàn)更優(yōu),，且具有較低復(fù)雜度、降低的計(jì)算復(fù)雜性和更短的運(yùn)行時間,?？傮w而言，結(jié)果表明SIPLS-SPA是一種強(qiáng)大的高光譜特征選擇方法,，可用于農(nóng)業(yè)應(yīng)用中植物性狀的估算,。

推薦產(chǎn)品

GaiaField-V10E

作者簡介

通訊作者：姚霞，南京農(nóng)業(yè)大學(xué),，博導(dǎo)

參考文獻(xiàn)

論文引用自一區(qū)文章：Min Jia, Wei Li, Kangkang Wang, Chen Zhou, Tao Cheng, YongChao Tian, Yan Zhu, Wei*ing Cao, Xia Yao. A newly developed method to extract the optimal hyperspectral feature for monitoring leaf biomass in wheat. Computers and Electronics in Agriculture. Volume 165, 2019, 104942.