基于高光谱的水稻生物量估测模型研究

陈小芳， 李 军， 李新伟， 周 毅

(安徽科技学院 资源与环境学院，安徽 凤阳 233100)

地上生物量(AGB)对于水稻从育苗到成熟整个生长发育过程具有重大意义,能直接反映水稻的营养状态和有机物积累情况,可作为估测其生长状况的重要指标。国内外学者在生物量估测研究方面做了相关探索。其中于丰华等分析水稻高光谱反射率信息,参考现有高光谱植被指数的构造方法和形式,提出了红边优化指数,结果表明:ORIV植被所建立的叶绿素含量反演模型的决定系数

R

达到了0.73;张静静等利用灌浆期水稻植株叶片的光谱反射率,通过分析水稻叶片重金属铜含量与不同类型光谱指数的相关性,结果表示,水稻叶片铜含量估测的最佳模型是基于二阶微分敏感光谱参数构建的偏最小二乘回归模型;郭正齐等以Sentinel-2A为主要数据源提取3种类型变量,建立基于光谱反射率、植被指数、生物物理参数及提取的3类变量构建生物量估算模型,同时加入高程因子分析地形对估算精度的影响,结果表明,基于Sentinel-2A植被指数与地形特征的针叶林地上生物量反演模型较好,可用于区域生物量估算；康孝岩等为探究无人机高光谱影像对草原牧草AGB预测的适用性,采用一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法,保证牧草AGB的预测精度,结果表明,原始光谱和初构光谱相比,运用Savitzky-Golay滤波对初构光谱优化的结果波段对牧草AGB的预测能力相对较高且最为稳定。以上研究成果比较全面反映了营养状态和有机物积累情况,为生物量估测提供了参考。

研究发现,利用高光谱数据预测水稻地上生物量是可行的,但近几年关于水稻地上生物量的高光谱信息挖掘深度不够。本试验以太阳光作为光源的野外现场监测,采用HH2光谱仪能够获取同时具有高分辨率、高重复性和更低等效辐射噪声的冠层光谱反射率数据,所得数据快速无损,无需送抵实验室处理,大大提高了监测效率。现可以利用同一时间段内高光谱原始数据及经变换得到的1阶和2阶数据,与同时获得的水稻植株干质量进行AGB的估测研究。为此,利用高光谱的0阶、1阶和2阶冠层光谱数据剔除冗余波段、筛选敏感波段、构建敏感波段与实测的水稻地上AGB估测模型,优选出最佳的水稻生物量估测模型。

1 材料与方法

1.1 试验设计

研究区位于安徽科技学院小岗村现代生态农业研究所内(117°46′7″E,32°48′52″N),位置和实验设计如图1所示。研究区属于北亚热带向暖温带渐变的过渡带内,全县年平均气温15.4 ℃,年平均最高气温20.1 ℃,年平均最低气温11.4 ℃,年无霜期210 d,年日照总时数2 073.4 h。

图1 研究区位置和实验设计

本试验小区试验采用氮素梯度试验,分别为:0 kg/hm(N0)、100 kg/hm(N1)、200 kg/hm(N2)、300 kg/hm(N3)。每个梯度下均设3个品种:润珠香占(品一)、润珠银占(品二)、红香糯(品三),3次重复。试验小区大小为8 m×2 m,36个小区,种植密度为0.2 m×0.3 m,人工插秧。磷、钾肥全部作为基肥施用,施用量分别90 kg/hm、135 kg/hm。

1.2 农学参数数据获取

于2020年8月23日上午,在每小区均匀分布的不同位置进行3次采样(采样时期为孕穗后期抽穗前期),选取15株长势一致的水稻植株,将其茎叶分离后,105 ℃杀青30 min,75 ℃烘干至质量恒重,称量孕穗后期抽穗前期各处理茎叶的干质量;于2020年10月1日上午,获取成熟期每小区0.5 m×0.5 m内有效穗数,计算分蘖数。最后利用样本干质量和每小区中的穗数得到每公顷水稻地上部生物量。

1.3 高光谱数据的获取

在水稻孕穗后期抽穗前期,2020年8月23日上午10点使用美国Analytical Spectral Device(ASD)公司生产的HH2光谱仪进行水稻高光谱反射率数据采集,采集的波段范围为350～1 075 nm,光谱分辨率为1 nm。数据采集前使用白板校正,且每2小区重新校正1次;每小区测量3次,设置1次记录15条完整数据;操作时注意面朝太阳,着深色服装以减少来自操作者的反射光;传感器正对水稻冠层,始终保持与冠层0.5 m的距离,使水稻充满整个视场角范围,避免阴影遮盖采集表面;最终获得每小区45条,全区1 620条水稻冠层反射率光谱数据,经配套ViewSpecPro系统处理.asd文件,进行一阶和二阶变化后,以文件(.xlsx)形式重新存储于计算机中。

1.4 统计分析

统计分析和绘图运用Excel 2010、PYTHON、SPSS 25.0、JMP 10.0和Origin 9.0。本文建模集选取24个样本数据,验证集选取12个样本数据来构建水稻AGB的估测模型,用下列算法作为估测模型的评价指标,根据任建强等的研究,判断标准优先考虑式(3)标准均方根误差(Normalized root mean square error,NRMSE),其次为拟合优度(coefficient of determination,

R

),认定NRMSE小于10%时,拟合结果为极好,NRMSE大于10%且小于20%时,拟合结果为好。

(1)

(2)

(3)

2 结果与分析

2.1 原始冠层光谱与生物量的相关性

如图2所示,水稻冠层光谱曲线和绿色植物反射特征一致,在可见光的波段范围内有2个吸收带,分别位于490和680 nm附近,在550 nm附近形成小的反射峰,这种现象因叶片中叶绿素对蓝光和红光有较强的吸收作用而对绿光具有明显的反射作用而造成的。在688～781 nm之间水稻冠层反射率急增,形成典型绿色植被特有的“红边”特征。试验剔除反射率波动明显的区域,选择400～900 nm为研究波段,这与刘杨等的研究基本一致。

图2 不同试验处理的水稻冠层光谱曲线

为了筛选出与水稻AGB相关性较好的原始冠层光谱波段进行相关性分析,得到水稻在孕穗后期抽穗前期原始冠层光谱与AGB的相关性,如图3所示:原始光谱在464～720 nm范围内与水稻呈极显著负相关(

P

<0.01),在720～900 nm范围内与AGB呈极显著正相关。从图3可以看出,波长与相关系数的曲线有一定的波动性,在获得的相关系数的前10%项中,选择绝对相关系数值最大波段和值最小波段在图上显示,结合与AGB相关的光谱波段主要是可见光波段,故选取相关性较大的波长658、635 nm,其相关系数分别是-0.67和-0.63。

图3 水稻孕穗后期抽穗前期原始冠层光谱与AGB相关性

2.2 一阶和二阶微分光谱与生物量相关性分析

为筛选出在该时期与水稻AGB相关性较好的微分光谱波段,绘制出一阶和二阶水稻冠层光谱曲线,通过相关性分析,获得孕穗后期抽穗前期水稻冠层一阶二阶光谱与AGB的相关性,对一阶二阶的微分变化及相关系数的变化进行展示,结果如图4所示。1阶,与AGB呈极显著负相关的波段主要集中在683～709 nm,在可见光范围的极显著正相关主要集中在732～780 nm,对应的前10%的相关系数最大值和最小值为0.79(768 nm)、0.74(752 nm);2阶,在波长763 nm处呈极显著负相关,对应的相关系数为-0.65。

图4 冠层光谱反射率及其与AGB相关系数

根据水稻孕穗后期抽穗前期冠层不同阶数微分光谱与AGB的相关性,得到不同阶数下光谱与AGB相关系数绝对值最大值,绘制0阶、1阶和2阶的光谱与AGB的相关系数绝对值最大值的折线图,结果如图5所示。分析图5可知,在该生育时期,不同阶数的微分光谱间的相关系数绝对值最大值出现的阶数不同,最大阶数出现在1阶微分的情况下,波长位于768 nm;2阶时相关系数绝对值的最大值出现在763 nm;0阶的最大值出现在658 nm。

图5 相关系数绝对值最大值出现的阶数

2.3 敏感波段的确定

为了充分利用不同阶数微分数据,将3种阶数微分下的相关系数绝对值最大值按照从大到小的顺序排列,挑选出与水稻AGB相关的前5个处于可见光范围内的冠层光谱波段,并将其相关系数绘制成热力图,结果如图6所示。在0阶和1阶微分,5个波段都与水稻的AGB达到了0.01的极显著相关水平,但是在2阶微分时,750 nm波长处,与水稻AGB的相关性表现效果较差,故在构建水稻AGB的估测模型时,仅构建0阶和1阶的模型。综合分析每一个阶微分波段与水稻的AGB相关性,能够充分挖掘高光谱的潜在的有效信息,提高估算水稻AGB模型精度的可能性。

图6 水稻AGB与3种阶数微分光谱相关系数热力图

2.4 基于3种微分光谱的水稻生物量最优模型筛选

以水稻地上生物量(AGB)为因变量,根据热力图提供的信息,将筛选出的0、1阶微分冠层光谱波段,按照其与AGB相关系数绝对值最大值从大到小进行排列,确定绝对相关系数最大值的波段为自变量,建立冠层光谱与水稻AGB的指数(Exponential)模型、线性(Linear)模型、线性(Linear)模型、对数(Logarithm)模型、多项式(Polynomial)模型和幂(Power)模型,并验证模型精度,进而挑选出在该时期下最优的估算模型,结果见表1。由表1可知,用五种方法构建的水稻AGB估测模型在0阶中,利用指数最好,多项式最差,建模集的

R

分别0.69、0.64,RMSE分别为1 571.69、1 500.09 kg/hm,NRMSE分别为16.8%、16.0%;验证集

R

分别0.80、0.86,RMSE分别为993.50、1 172.19 kg/hm,NRMSE分别为11.0%、12.9%;1阶,利用幂最好,线性最差,建模集的

R

分别0.80、0.64,RMSE分别为1 371.30、1 611.72 kg/hm,NRMSE分别为14.7%、17.2%;验证集

R

分别0.83、0.77,RMSE分别为890.68、1 315.28 kg/hm,NRMSE分别为9.8%、14.5%。总体来看,采用拟合函数估测AGB模型均是验证效果要优于相应的建模效果,由于验证样本的数量小于建模的数量,所以验证的

R

要高于建模的

R

,但在0阶和1阶中建模和验证中的标准均方根误差NRMSE都处于20%以内,说明模型的稳定性好,预测能力较高,其中1阶幂函数的NRMSE达到9.8%,验证精度极好。

表1 孕穗后期抽穗前期的水稻AGB估测模型精度对比

3 结论与讨论

(1)以水稻为研究对象,利用手持光谱仪收集高光谱数据,通过微分方法进行光谱的微分处理,筛选出绝对相关系数前5个光谱波段,结合地上实测的36个生物量数据,建立估算水稻生物量的拟合模型。

(2)在可见光区域(380～780nm),水稻(孕穗后期抽穗前期)冠层光谱反射率均较低,其光谱曲线存在两个吸收峰,即490 nm(蓝光)和680 nm(红光)。在短波近红外呈强烈反射,主要集中在680～760 nm区域,反射率急剧上升,表现植被光谱最重要的特征。

(3)在孕穗后期抽穗前期,不同阶数的冠层光谱与水稻AGB的显著性相关出现的波段不同。0阶,在可见光范围内,与AGB在464～720 nm呈极显著负相关,在720～780 nm呈极显著正相关;1阶,与AGB呈极显著负相关的波段主要集中在683～709 nm,在可见光范围的极显著正相关主要集中在732～780 nm;2阶,在波长763 nm处呈极显著负相关。

(4)在孕穗后期抽穗前期,不同阶数的冠层光谱与水稻AGB相关系数绝对值最大值出现的阶数不同。0阶,相关系数绝对值最大值在658 nm,相关系数值为0.68;1阶,相关系数绝对值最大值在768 nm,相关系数值为0.79;2阶,相关系数绝对值最大值在763 nm,相关系数值为0.65。

(5)根据不同阶数建立的水稻AGB估算模型可知,在不同的微分情况下，最优的精度模型构建方法不同。0阶,利用指数函数构建的模型验证集的

R

为0.80,RMSE为993.50 kg/hm,NRMSE为11.0%,各拟合方法的建模精度由高到低依次为指数、线性、幂、对数、多项式;1阶,利用幂函数构建的模型验证集的

R

为0.83,RMSE为890.68 kg/hm,NRMSE为9.8%,各拟合方法的建模精度由高到低依次为幂、对数、多项式、指、线性;2阶,利用指数函数构建的模型验证集的

R

为0.68,RMSE为1 235.22 kg/hm,NRMSE为13.6%,各拟合方法的精度由高到低依次为指数、线性、多项式。综上所述,通过水稻AGB与3种变换的冠层光谱波段的相关性分析,表明0阶、1阶和2阶光谱反射率与AGB相关系数最大值出现的波段不同,分别为658 nm(0.67)、768 nm(0.79)、763 nm(0.65);通过水稻AGB与3种变换的冠层敏感光谱波段的拟合分析,表明0阶、1阶和2阶光谱反射率与AGB拟合的最佳模型构建方式不同,对应的建模集

R

分别为0.69、0.80、0.41,RMSE分别为1 571.69、1 371.30、2 039.22 kg/hm,NRMSE分别16.8%、14.7%、21.8%;验证集中

R

分别为0.80、0.83、0.68,RMSE分别为993.50、890.68、1 235.22 kg/hm,NRMSE分别11.0%、9.8%、13.6%。结果表明，0阶和1阶中模型标准均方根误差都处于20%以内,说明模型的稳定性好,预测精度高,其中，采用1阶幂函数可以更好地快速预测水稻地上生物量,其验证精度高达到9.8%。