不同氮运筹模式冬小麦LAI光谱特征波段提取

武改红，冯美臣，杨武德，赵佳佳，王超，孙慧，张松

（山西农业大学旱作工程研究所，山西太谷030801）

不同氮运筹模式冬小麦LAI光谱特征波段提取

武改红，冯美臣，杨武德，赵佳佳，王超，孙慧，张松

（山西农业大学旱作工程研究所，山西太谷030801）

叶面积指数（LAI）是评价作物冠层结构的重要参数之一，利用光谱技术实现冬小麦LAI的快速、准确监测具有重要的意义。连续2 a进行氮素运筹试验，通过测定各生育时期的光谱反射率和LAI，并基于偏最小二乘法-逐步多元线性回归（PLS-SMLR）统计学方法，提取各氮素运筹条件下LAI特征波段。结果表明，不同氮运筹条件下LAI的特征波段存在差异；同一施氮量，低基追肥比，特征波段前移，通过提取的波段预测LAI精度较高。表明利用PLS-SMLR提取不同氮运筹条件下的冬小麦LAI特征波段是可行的。

氮运筹；冬小麦；叶面积指数；多元分析；高光谱

叶面积指数（LAI）是表征作物长势的重要指标，准确获取LAI能精确地预测作物生产力状况[1-2]。高光谱技术具有经济、高效、无损的监测特性，LAI的监测研究是光谱技术研究领域的热点[3-4]。国内外学者在LAI的估算监测方面做了许多研究。HANSEN等[5]研究表明，近红外波段的反射率与LAI的相关性较为密切；也有学者发现，红光波段的反射率与LAI有较好的相关性[6-7]；PU等[8]研究表明，森林作物LAI与光谱反射率红边参数的相关性高。黄文江等[9]研究表明，垂直植被指数（PVI）和比值植被指数（RVI）与玉米LAI互为指数关系；唐延林等[10]也利用RVI反演水稻、玉米和棉花3种作物的LAI。许多学者也从不同的角度采用不同的方法对LAI进行了监测，有学者通过回归分析利用植被指数法反演LAI的普适性有待提高[11-12]，采用物理方法提取的特征波段预测LAI的算法复杂[13-15]，主成分分析、小波变换等方法估测LAI的精度较低[16]。ROSHANAK等[17]、孙华等[18]研究表明，利用偏最小二乘法（PLS）提取波段的效果较好，但在保证精度要求的前提下选择最少波段数有一定困难。在光谱波段的提取研究中，逐步多元线性回归（SMLR）方法也很有效。

目前，利用PLS和SMLR方法提取高光谱信息的研究已有很多，但是单一使用这2种方法时，存在一定的局限性，而将2种方法结合起来提取冬小麦LAI光谱信息特征波段的研究较少。基于冬小麦生育时期反演LAI的研究较多，但是不同氮处理与冬小麦LAI特征波段提取的研究还比较少。

本研究以不同氮运筹模式冬小麦冠层高光谱的差异为基础，尝试通过PLS-SMLR提取LAI特征波段，旨在为监测不同氮运筹条件下的LAI提供理论基础。

1 材料和方法

1.1 试验设计

试验在山西农业大学农作站进行。试验土壤的肥力属中等水平，有机质含量22.01 g/kg，碱解氮53.8 mg/kg，有效磷18.43 mg/kg，速效钾236.9 mg/kg。本试验供试肥料为氮肥（尿素，含N 46.4%）、磷肥（过磷酸钙，含P2O516%）、钾肥（氯化钾，含K2O 60%），磷肥（120 kg/hm2）和钾肥（150 kg/hm2）作为基肥在播前一次性施入。

2012—2013年主区为品种：长4738和晋太9923；副区为4个氮梯度：0，150，225，300 kg/hm2，分别以N0，N1，N2，N3表示；2个基追比为7∶3和5∶5（播种期施基肥、拔节期施追肥），分别以Nn-1，Nn-2表示。小区面积为3 m×3 m，行距为20 cm，3次重复，其余田间管理相同，试验用于构建监测模型。

2013—2014年供试品种为长4738、晋太9923和晋农190，其余试验处理同2012—2013年，试验用于验证监测模型。

1.2 测量指标及方法

1.2.1 冬小麦群体冠层光谱采用ASD FieldSpec 3.0型便携式高光谱仪测定冠层光谱反射率，波段范围350～2 500 nm。测量时间为10：00—14：00，于晴天无风时进行。探头垂直向下，距离冠层垂直高度约1 m[19]。每小区测量3处，每处重复10次，计算平均值作为该小区的光谱测量值。分别于返青期、拔节期、孕穗期、开花期及花后每隔7 d进行田间测定（共7次）。

1.2.2 叶面积指数测定与光谱测量同步，每个样点采集一份行长20 cm的小麦植株，茎叶分离，所有麦叶中随机选择5个叶片，整齐地排成一行，剪下叶片中段4 cm，求得该部分叶片的总叶面积，烘干后称该部分及叶片其余部分质量，得到20 cm× 20 cm土地上的叶片总面积，再依据叶片总面积/土地面积求得LAI，重复3次。

1.3 数据分析方法

偏最小二乘法（PLS）能够在多维变量中提取有效信息，适用于多重线性的数据统计。B系数（B-coefficient）可以反映波段和LAI之间的相关性，变量重要投影（VIP）可以表明波段的影响力[20]。本研究选取B-coefficient和VIP（VIP＞1）较大的区域，得到贡献较大波段，从而较大程度且准确地降低了波段维数。

逐步多元线性回归（SMLR）是按照对LAI的解释作用大小，多个波段逐个引入方程，选取最优组合达到提取波段的目的。PLS-SMLR能充分利用波段信息，并能降低过拟合。

1.4 数据处理

通过ViewSpec Pro进行原始高光谱数据的预处理，Unscramb进行Savitzky-Golay平滑等处理，使用SPSS 19.0和Matlab 7.0进行PLS-SMLR分析，利用Origin 8.0进行制图。

2 结果与分析

2.1 最佳潜在因子数的确定

本研究首先对不同氮运筹条件下的冠层原始光谱进行PLS回归分析，通过交叉验证法，以均方根误差（RMSE）值为依据，提取对应的主成分维数（图1）。

由于模型的潜在变量因子多，易出现过拟合，因子数偏少则拟合不充分，增大误差，因此，在RMSE和潜在因子数间选择一个平衡点至关重要。由图1可知，曲线的拐点处应为最佳因子数，N0， N1-1，N1-2，N2-1，N2-2，N3-1，N3-2处理的最佳波段维数分别为9，8，9，4，8，3，6。不同的氮运筹最佳维数存在差异。

2.2 基于B-coefficient和VIP的波段降维

在相应主成分维数的基础上进行B-coefficient和VIP分析，若B-coefficient和VIP（VIP＞1）较大，表明该波段对估测模型贡献较大，起到了较好的降维效果（图2）。

表1 基于PLS的LAI敏感波段区域

不同氮运筹的各波段B-coefficient和VIP均存在差异，各波段的贡献不同。通过选取VIP＞1，同时B-coefficient较大的光谱曲线区域，得出650～700，740～800，1 335～1 390 nm等波段是不同氮运筹出现频率较高的波段（表1）。从表1可以看出，波段区域对不同氮运筹条件下LAI的贡献率较大，可作为冬小麦LAI新的光谱波段区域进行LAI波段的提取，不同氮运筹模式下波段区域存在差异。通过PLS将1 000多个光谱维数降低为几个波段区域，很大程度地简化了波段。

2.3 基于PLS-SMLR的LAI光谱敏感波段的提取

在利用PLS方法提取LAI光谱敏感区域的基础上，利用SMLR方法通过逐个计算LAI模型中最优组合的波段，达到选择和提取LAI光谱特征波段的目的，经过PLS-SMLR提取的特征波段如表2所示。

表2 不同氮运筹下冬小麦LAI光谱特征波段及精度

由表2可知，不同氮运筹LAI特征波段间存在差异，在可见光和近红外区域都有分布。其中，N1处理的波段数最少，N3-2处理提取的波段数最多。N1-1，N1-2处理估测LAI的RMSE和RE（相对误差）最大，分别为1.959 6，1.733 9和0.428 8，0.378 7，R2值较小，分别为0.599，0.542，造成精度低的原因可能是由于进入模型的波段个数少。其余各处理的RMSE和RE值均较小，分别为0.703 7～1.349 1和0.134 7～0.292 2，R2值均为0.699以上，表明基于PLS-SMLR提取的特征波段准确度较高。其中，N3-2处理的R2最大，为0.926，RMSE和RE最小，精度最高，表明波段个数多，基追比小，有利于提高LAI的精确度。

利用2013—2014年数据，各处理验证集RMSE和RE分别介于0.542～1.876和0.173 3～0.326 9，R2值均大于0.596 0，表明波段提取较为可靠。

3 讨论与结论

3.1 讨论

本研究利用高光谱技术在提取LAI特征波段方面进行了分析，尝试PLS-SMLR提取不同氮运筹LAI光谱特征信息的可行性。有研究表明，与LAI相关性显著的波段为400～1 100 nm[21]。本研究也表明，与LAI高相关性波段在可见光、近红外区域均有分布。不同氮运筹水平LAI特征波段存在差异，不同氮处理的氮积累量不同，导致叶绿素含量差异，植株生理结构不同，冠层光谱反射率也存在差异，引起LAI特征波段的差异。适当的增加追肥比例能促进增产。本研究表明，低基追比，特征波段在可见光发生前移，由于基追比增大能增加叶绿素积累，影响叶肉细胞结构，特征波段发生变化。

不同氮水平条件下提取的潜在因子个数不同。有研究表明，特征波段个数5个左右最佳，可以准确地代表因变量的信息，且可以避免过拟合[22]。本研究结果表明，N1-1，N1-2处理的潜在因子数最少，其余氮处理的特征波段个数为2～7个，而且模型决定系数均达到0.715以上。其中，N1-1和N1-2的因子变量最少，精度最低；N3-2潜在因子数最多，为7，精度最高，这与已有研究一致，增加模型变量会提高预测的精度，但是变量过多又会影响模型的应用[23]。本研究基于PLS-SMLR提取的特征波段预测LAI精度较高，验证集效果较好，表明通过PLS-SMLR降低光谱信息冗余和提取特征波段是有效可行的，对本地区不同氮运筹LAI的监测具有一定的指导意义。

本研究虽然通过PLS-SMLR较为有效、精确地提取了不同氮运筹LAI的特征波段，但只分析了2 a冬小麦的实测及预测数据，数据量是否具有代表性还有待进一步研究；且过程中的偶然因素不可忽视，需要进一步研究，从而为实现冬小麦生产实时监测提供更精确的理论依据。

3.2 结论

本研究表明，基于PLS-SMLR提取不同氮运筹LAI特征波段的数量存在差异，在可见光、近红外波段均有分布，低基追比，特征波段前移。通过提取的波段预测LAI精度较高，验证集R2较大，RMSE，RE较小，表明基于PLS-SMLR提取LAI特征波段是可行的。

［1］MASTRODOMENICO A T，PURCELL L C.Soybean nitrogen fixation and nitrogen remobilization during reproductive development[J]. Crop Science，2012，52（3）：1281-1289.

［2］范闻捷，盖颖颖，徐希孺，等.遥感反演离散植被有效叶面积指数的空间尺度效应[J].中国科学：地球科学，2013，43（2）：280-286.

［3］WUQ，ZHUD，WANG C，et al.Diagnosis of freezingstress in wheat seedlings using hyperspectral imaging[J].Biosystems Engineering，2012，112（4）：253-260.

［4］李子扬，钱永刚，申庆丰，等.基于高光谱数据的叶面积指数遥感反演[J].红外与激光工程，2014，43（3）：944-949.

［5］HANSEN P M，SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote SensingofEnvironment，2003，86：542-553.

［6］PRASAD S T，RONALD B，SMITH，et al.Hyperspectral vegetation indices and their relationship with agricultural crop characteristics [J].Remote SensingEnvironment，2000，71：158-182.

［7］冯伟，朱艳，姚霞，等.基于高光谱遥感的小麦叶干重和叶面积指数监测[J].植物生态学报，2009，33（1）：34-44.

［8］PU R L，GONG P，BIGING G S，et al.Extraction of red edge optical parameters fromhyperion data for estimation of forest leaf area index [J].Transactions on Geoscience and Remote Sensing，2003，41（4）：916-921.

［9］黄文江，黄义德，谭昌伟，等.夏玉米叶面积指数的高光谱遥感植被指数法研究[J].安徽农业大学学报，2004，31（4）：392-397.

［10］唐延林，王秀珍，王福，等.农作物LA1和生物量的高光谱法测定[J].西北农林科技大学学报（自然科学版），2004，32（11）：100-104.

［11］ZHAO D H，YANG T W，AN S Q.Effects of crop residue cover resulting from tillage practices on LAI estimation of wheat canopies usingremote sensing[J].International Journal ofApplied Earth Ob-servation and Geoinformation，2012，14（1）：169-177.

［12］刘占宇，黄敬峰，王福民，等.估算水稻叶面积指数的调节型归一化植被指数[J].中国农业科学，2008，41（10）:330-335.

［13］DAWSON T P，CURRAN P J，PLUMMER S E.Liberty modeling the effects of leaf biochemistry on reflectance spectra[J].Remote SensingofEnvironment，1998，65（1）：50-60.

［14］王强，庞勇，李曾元，等.基于一种简单物理模型的叶面积指数反演[J].中国矿业大学学报，2016，45（3）：623-645.

［15］任哲，陈怀亮，王连喜，等.利用交叉验证的小麦LAI反演模型研究[J].国土资源遥感，2015，27（4）：34-40.

［16］谢巧云，黄文江，蔡淑红，等.冬小麦叶面积指数遥感反演方法比较研究[J].光谱学与光谱分析，2014，34（5）：1352-1356.

［17］ROSHANAK D，ANDREW S，MARTIN S，et al.LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J].ISPRS Journal of Photogrammetry and Remote Sensing，2008，63（4）：409-426.

［18］孙华，鞠洪波，张怀清，等.偏最小二乘回归在Hyperion影像叶面积指数反演中的应用[J].中国农学通报，2012，28（7）：44-52.

［19］宋月荷，冯美臣，尹超，等.不同播期冬小麦地上干物质的光谱监测[J].核农学报，2015，29（6）：1158-1164.

［20］王昶，黄驰超，余光辉，等.近红外光谱结合偏最小二乘法快速评估土壤质量[J].土壤学报，2013，50（5）：881-891.

［21］侯学会，牛铮，黄妮，等.小麦生物量和真实叶面积指数的高光谱遥感估算模型[J].国土资源遥感，2012，24（4）：30-35.

［22］高洪智，卢启鹏，丁海泉，等.基于连续投影算法的土壤总氮近红外特征波长的选取[J].光谱学与光谱分析，2009，29（11）：2951-2954.

［23］WORD S，SJÖSTRÖM M，ERIKSSON L.PLS-regression：a basic tool of chemometrics[J].Chemometrics and Intelligent Laboratory Systems，2001，58（2）：109-130.

LAI Spectral Bands Extraction of Winter Wheat under Different Nitrogen Managements

WUGaihong，FENGMeichen，YANGWude，ZHAOJiajia，WANGChao，SUNHui，ZHANGSong
（Institute ofDryFarmingEngineering，Shanxi Agricultural University，Taigu 030801，China）

Leafarea index（LAI）is one ofthe important parameters to evaluate crop canopy structure,and the rapid,real-time and nondestructive technology of hyperspectral remote sensing is widely applied on monitoring the LAI.In the study,the canopy spectral reflectance and LAI of winter wheat under different nitrogen applications during 2012-2014 were measured.The characteristic wavelengths were extracted byusingmultivariate methods.The results showed that characteristic wavelengths ofLAI were different under different nitrogen managements,and wavebands moved forward with lower proportion of basis and additional fertilizer,the predictive of LAI was high by characteristic wavelengths.It meant that these were feasible for extracting characteristic wavelengths the LAI of winter wheat under different nitrogen applications byPLS-SMLR.

nitrogen managements;winter wheat;LAI;multivariate methods;hyperspectral

S512.1＋1

A

1002-2481（2017）04-0522-05

10.3969/j.issn.1002-2481.2017.04.08

2017-02-16

国家自然科学基金项目（31371572，31201168）；山西省归国人员重点资助项目（2014-重点4）；山西省科学技术发展计划项目（201603D221037-3）

武改红（1992-），女，山西吕梁人，在读硕士，研究方向：作物生态及信息技术。杨武德为通信作者。