摘要: 水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数(ORVI)。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND528,587、SR440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R2分别为0.672、0.630、0.595和0.574;ORVI植被所建立的叶绿素含量反演模型的决定系数R2为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。
关键词: 植被指数;叶绿素反演;水稻叶片;高光谱遥感;红边优化指数ORVI
1 引言
水稻是中国重要的主粮作物之一，其中辽宁、吉林、黑龙江等东北地区种植的水稻为寒地水稻[1]。寒地水稻特点是由于早春气温低，水稻插秧后气温与土壤温度偏低，养分释放慢[2]，因此在寒地水稻关键生育期需要补充一部分化学肥料[3]。水稻叶绿素含量直接影响叶片颜色，是水稻营养状况最为直接的一种指示器[4]。寒地水稻生产过程中，农业生产者大多通过现场观察水稻叶片叶色变化大致评估水稻营养是否匮缺，进而做出田间管理决策[5]。随着东北地区土地流转不断深入，寒地水稻规模化生产不断扩大，对水稻生产智慧化管理要求越来越高，亟需利用信息化手段对寒地水稻叶绿素含量进行高通量[6]、无损[7]、精准检测[8]，辅助开展水稻营养诊断精准决策，提升寒地水稻规模化生产过程数字化水平。
现有研究表明，水稻叶绿素含量发生变化时，在光谱层面上会引起不同波段反射率的变化[9]。由于高光谱信息具有较高的数据维度，通常需要先对高光谱数据进行降维处理，再进一步与叶绿素含量建立定量反演模型[10]。国内外研究学者在利用高光谱技术估算作物叶绿素含量方面已经取得了一定的研究成果。在水稻方面，曹英丽等[11]研究了基于基函数展开方法对高光谱数据进行降维并以此为输入建立了叶绿素含量的反演模型，模型反演效果能够为水稻叶绿素含量反演提供技术基础;谢凯等[12]研究了稻瘟病胁迫下水稻叶片叶绿素含量的高光谱特征，发现基于光谱特征参数SDr的回归模型预测叶绿素含量具有较高的精度;张建等[13]利用经滤波片改装的单反相机，获取不同波段的相对反射率，分别与叶绿素含量建立回归分析模型，结果表明近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果;Stavrakoudis等[14]采用多光谱传感器，构建了水稻叶绿素宽波段植被指数，实现了水稻孕穗期的营养诊断，为水稻田间精准追肥提供了指导。此外，Kamlesh等[15]通过测量油棕榈叶片高光谱信息，利用偏最小二乘法建立叶片叶绿素含量反演模型，为防治橙斑病提供数据支持;李苑溪等[16]发现玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关，且存在明显的“红边蓝移”现象;冯海宽等[17]分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性，利用统计机器学习算法建立效果较好的叶绿素反演模型等。
为了提升寒地水稻叶绿素含量高光谱遥感诊断精度及管理决策依据，本研究针对寒地水稻叶片叶绿素含量的反演，采用ASD地物光谱仪获取寒地水稻关键生育期叶片高光谱信息，利用高光谱信息特征波段选择法，从所获取的高光谱波段范围内选择具体的特征波段，结合叶绿素吸收系数构建叶绿素含量反演植被指数，运用回归分析方法建立寒地水稻叶绿素含量反演模型。由于获得了植被指数和叶绿素含量明确的定量表达关系，且容易实现检测装置的研发与集成[18]，本研究可为寒地规模化水稻生产过程中叶绿素含量检测与精准管理提供一种高效[19]、可靠[20]、精准[21]的遥感监测技术手段。
2 材料与方法
2.1 试验区域与试验设计
本研究田间试验地点位于辽宁省沈阳市沈北新区柳条河村沈阳农业大学精准农业航空团队试验田(123°63′E，42°01′N，如图1所示)。
试验于2018年6~8月开展，试验寒地水稻品种为“沈农9816”，涉及分蘖期、拔节期、抽穗期等3个水稻关键生育期。本研究设计了4个寒地水稻试验小区氮肥梯度处理，分别为CK、N1、N2、N3，每种处理进行3次重复。其中CK为对照组，即不施用氮肥;N1为当地标准氮肥施用水平，氮肥施用量为45kg/hm²;N2为低氮施肥水平，施用量为N1的0.5倍，即22.5kg/hm²;N3为高氮施肥水平，施用量为N1的1.5倍，即67.5kg/hm²。磷肥和钾肥的施用按照当地标准施用量进行，其中磷肥标准施用量为51.8kg/hm2，钾肥标准施用量为18kg/hm2。CK、N1、N2、N3试验田中0～0.5m耕层土壤中全氮质量分数分别为0.154、0.162、0.159和0.168g/kg，速效氮质量分数分别为104.032、111.109、116.77和127.386mg/kg。其他田间管理参照当地一般生产田进行。
2.2 水稻叶绿素含量测定
水稻田间取样工作在试验小区内长势均匀区域进行，采用3倍标准差分别对各个关键生育期叶绿素含量进行异常值剔除。同时采用蒙特卡洛算法将各关键生育期异常光谱数据剔除，最终得到256个样本。当叶片高光谱采集结束后，将样本叶片取下放入密封袋，并迅速放入移动冰室进行冷藏保鲜。将水稻样品运回实验室后，每个水稻样本取10片叶片，用蒸馏水洗涤干净，去除叶脉，剪碎后混合均匀。称取0.4g，置于50mL由无水乙醇、蒸馏水两种溶液按照9:2的比例配置成的混合溶液中，在实验室遮光环境下静置24h，直至样品完全发白。采用分光光度仪测量645和663nm两个波段处的吸光度值，再根据公式(1)~(3)[22]计算水稻叶片叶绿素a、叶绿素b及叶绿素总量。对每个小区3次重复的水稻叶片叶绿素值采用狄克松检验法去掉因误差引起的离值点，计算剩余水稻叶片叶绿素含量的平均值，作为该小区水稻叶片的叶绿素值。
chla=9.784OD663-0.990OD645 (1)
chlb=21.426OD645-4.650OD663 (2)
chl=5.134OD663+20.436OD645 (3)
其中，chla、chlb分别为叶绿素a、b含量，mg/L;chl为叶绿素总量，mg/L;OD645、OD663分别为叶绿体色素在645和663nm波段下的吸光度。
2.3 水稻叶片高光谱数据获取
采用ASD HandHeld 2手持地物光谱仪结合叶片夹对水稻叶片高光谱进行测量，光谱波段范围为325~1000nm，分辨率为3nm。运用Matlab 2016a对获取的叶片高光谱数据进行处理。由于叶片夹使用的是人工光源，能够保证不同时间测量光谱具有可比较性，最大程度的减少高光谱的测量误差。光谱仪每隔10min进行一次白色标准版(反射率>99%)和背景噪声数据校准。
2.4 特征波段选择与植被指数构建
试验所获取的高光谱信息包含有近200维的高光谱波段，将全部高光谱信息作为反演模型的输入参量，会造成“维数灾难”[23-25]。本研究采用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法等3种特征波长选择方法提取水稻叶片高光谱特征波段，减少高光谱冗余信息，提升植被指数构建效率和精度。
3.2 高光谱特征波段选择
3.2.1 基于相关性分析提取特征波段
利用皮尔森线性相关性分析，分析每一个波段反射率与叶绿素含量之间的相关性，不同波段与叶绿素相关性如图4所示。
由相关性系数可知，相关性系数大于0.5的波段共有74个，而这些波段共处于两个波段范围内，分别为531~643nm和689~721nm。这两个波段范围内叶绿素相关性极大值分别为：703nm相关性系数为0.658，567nm相关性系数为0.577。不同波段之间还存在很强的共线性，因此在与叶绿素含量呈显著性相关的两个波段范围内选择相关性系数最大的703nm作为反演叶绿素含量的特征波段(图5)。
3.2.2 基于连续投影法提取特征波段
连续投影法(Successive Projections Algorithm,SPA)是前向光谱特征选择方法，SPA选择的是含有最少冗余信息及最小共线性的变量组合[32-34]。本研究利用SPA算法共选择了10个特征波段，其中前两个波段为有效波段，分别是507和695nm，SPA特征选择结果如图6所示。
3.2.3 基于邻域粗糙集的特征波段选择
领域粗糙集是为了解决经典粗糙集无法有效处理数值型属性数据而提出的。由于本研究光谱数据条件属性较多，同时样本数量也比较大，因此设定领域调整参数的值为2，重要度下限控制参数为0.01。利用邻域粗糙集算法共选择了2个特征波段，分别是465和705nm。本研究通过相关性分析、连续投影法和邻域粗糙集简约法三种特征波段选择方法，选择的特征波段如表3所示。
由表3结果可知，不同特征波段选择方法的选择结果存在差异，但均与叶绿素含量具有显著相关关系，其中703与705nm是相邻两个波段，存在共线性，最终本研究选择465、507、695和705nm 4个波段作为水稻高光谱的特征波段。
3.4 叶绿素含量反演
针对所提取得4个高光谱特征波段，利用GA-ELM建立叶绿素含量反演模型，经反复测试确定GA-ELM的参数：激活函数为Sigmoid，输出函数为Purelin，训练函数为trainlm，交叉概率为0.6，变异概率为0.3，模型反演结果：R2为0.709，RMSE为2.94。
针对基于特征波段所构建的ORVI，利用线性回归方法建立叶绿素含量反演模型，模型反演结果R2为0.726，RMSE为2.68，ORVI反演结果如图7所示。
相关知识推荐：高级农业职称评审要求发几篇核心论文
本研究为了能够简化实际应用的复杂度，采用特征波段选择构建植被指数的方法降低高光谱数据的维度，构建植被指数物理含义清晰。相比于光谱特征提取，本方法能够明确地找到具体波段，容易集成便携检测仪器。但本研究所用3种特征波段选择方法本质均仅考虑了波段与叶绿素含量之间的关系，虽然最终选择的特征波段构建的植被指数反演模型精度较好，但研究并未考虑其他水稻农学参量变化对高光谱信息的影响。同时本研究所构建的植被指数属于叶片尺度的一种植被指数，若要在田间冠层尺度进一步应用，这需要进一步综合考虑叶面积、株型结构等参量的影响，这些本研究并未涉及。同时在植被指数构建的形式上，主要是参考归一化植被指数的形式，需进一步挖掘不同波段之间的组合形式，突出植被指数与叶绿素含量之间的相关性，提升整体的反演精度和模型的普适性。——论文作者：于丰华 1,2, 许童羽 1,2*, 郭忠辉 1, 杜文 1,2, 王定康 1, 曹英丽 1,2
转载请注明来自：http://www.lunwencheng.com/lunwen/nye/17329.html
