陳小芳， 李 軍， 李新偉， 周 毅

(安徽科技學(xué)院 資源與環(huán)境學(xué)院，安徽 鳳陽 233100)

地上生物量(AGB)對于水稻從育苗到成熟整個(gè)生長發(fā)育過程具有重大意義,能直接反映水稻的營養(yǎng)狀態(tài)和有機(jī)物積累情況,可作為估測其生長狀況的重要指標(biāo)。國內(nèi)外學(xué)者在生物量估測研究方面做了相關(guān)探索。其中于豐華等分析水稻高光譜反射率信息,參考現(xiàn)有高光譜植被指數(shù)的構(gòu)造方法和形式,提出了紅邊優(yōu)化指數(shù),結(jié)果表明:ORIV植被所建立的葉綠素含量反演模型的決定系數(shù)

R

達(dá)到了0.73;張靜靜等利用灌漿期水稻植株葉片的光譜反射率,通過分析水稻葉片重金屬銅含量與不同類型光譜指數(shù)的相關(guān)性,結(jié)果表示,水稻葉片銅含量估測的最佳模型是基于二階微分敏感光譜參數(shù)構(gòu)建的偏最小二乘回歸模型;郭正齊等以Sentinel-2A為主要數(shù)據(jù)源提取3種類型變量,建立基于光譜反射率、植被指數(shù)、生物物理參數(shù)及提取的3類變量構(gòu)建生物量估算模型,同時(shí)加入高程因子分析地形對估算精度的影響,結(jié)果表明,基于Sentinel-2A植被指數(shù)與地形特征的針葉林地上生物量反演模型較好,可用于區(qū)域生物量估算；康孝巖等為探究無人機(jī)高光譜影像對草原牧草AGB預(yù)測的適用性,采用一種兼顧數(shù)據(jù)簡化和光譜保真的牧草冠層光譜重建優(yōu)化方法,保證牧草AGB的預(yù)測精度,結(jié)果表明,原始光譜和初構(gòu)光譜相比,運(yùn)用Savitzky-Golay濾波對初構(gòu)光譜優(yōu)化的結(jié)果波段對牧草AGB的預(yù)測能力相對較高且最為穩(wěn)定。以上研究成果比較全面反映了營養(yǎng)狀態(tài)和有機(jī)物積累情況,為生物量估測提供了參考。

研究發(fā)現(xiàn),利用高光譜數(shù)據(jù)預(yù)測水稻地上生物量是可行的,但近幾年關(guān)于水稻地上生物量的高光譜信息挖掘深度不夠。本試驗(yàn)以太陽光作為光源的野外現(xiàn)場監(jiān)測,采用HH2光譜儀能夠獲取同時(shí)具有高分辨率、高重復(fù)性和更低等效輻射噪聲的冠層光譜反射率數(shù)據(jù),所得數(shù)據(jù)快速無損,無需送抵實(shí)驗(yàn)室處理,大大提高了監(jiān)測效率?，F(xiàn)可以利用同一時(shí)間段內(nèi)高光譜原始數(shù)據(jù)及經(jīng)變換得到的1階和2階數(shù)據(jù),與同時(shí)獲得的水稻植株干質(zhì)量進(jìn)行AGB的估測研究。為此,利用高光譜的0階、1階和2階冠層光譜數(shù)據(jù)剔除冗余波段、篩選敏感波段、構(gòu)建敏感波段與實(shí)測的水稻地上AGB估測模型,優(yōu)選出最佳的水稻生物量估測模型。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

研究區(qū)位于安徽科技學(xué)院小崗村現(xiàn)代生態(tài)農(nóng)業(yè)研究所內(nèi)(117°46′7″E,32°48′52″N),位置和實(shí)驗(yàn)設(shè)計(jì)如圖1所示。研究區(qū)屬于北亞熱帶向暖溫帶漸變的過渡帶內(nèi),全縣年平均氣溫15.4 ℃,年平均最高氣溫20.1 ℃,年平均最低氣溫11.4 ℃,年無霜期210 d,年日照總時(shí)數(shù)2 073.4 h。

圖1 研究區(qū)位置和實(shí)驗(yàn)設(shè)計(jì)

本試驗(yàn)小區(qū)試驗(yàn)采用氮素梯度試驗(yàn),分別為:0 kg/hm(N0)、100 kg/hm(N1)、200 kg/hm(N2)、300 kg/hm(N3)。每個(gè)梯度下均設(shè)3個(gè)品種:潤珠香占(品一)、潤珠銀占(品二)、紅香糯(品三),3次重復(fù)。試驗(yàn)小區(qū)大小為8 m×2 m,36個(gè)小區(qū),種植密度為0.2 m×0.3 m,人工插秧。磷、鉀肥全部作為基肥施用,施用量分別90 kg/hm、135 kg/hm。

1.2 農(nóng)學(xué)參數(shù)數(shù)據(jù)獲取

于2020年8月23日上午,在每小區(qū)均勻分布的不同位置進(jìn)行3次采樣(采樣時(shí)期為孕穗后期抽穗前期),選取15株長勢一致的水稻植株,將其莖葉分離后,105 ℃殺青30 min,75 ℃烘干至質(zhì)量恒重,稱量孕穗后期抽穗前期各處理莖葉的干質(zhì)量;于2020年10月1日上午,獲取成熟期每小區(qū)0.5 m×0.5 m內(nèi)有效穗數(shù),計(jì)算分蘗數(shù)。最后利用樣本干質(zhì)量和每小區(qū)中的穗數(shù)得到每公頃水稻地上部生物量。

1.3 高光譜數(shù)據(jù)的獲取

在水稻孕穗后期抽穗前期,2020年8月23日上午10點(diǎn)使用美國Analytical Spectral Device(ASD)公司生產(chǎn)的HH2光譜儀進(jìn)行水稻高光譜反射率數(shù)據(jù)采集,采集的波段范圍為350～1 075 nm,光譜分辨率為1 nm。數(shù)據(jù)采集前使用白板校正,且每2小區(qū)重新校正1次;每小區(qū)測量3次,設(shè)置1次記錄15條完整數(shù)據(jù);操作時(shí)注意面朝太陽,著深色服裝以減少來自操作者的反射光;傳感器正對水稻冠層,始終保持與冠層0.5 m的距離,使水稻充滿整個(gè)視場角范圍,避免陰影遮蓋采集表面;最終獲得每小區(qū)45條,全區(qū)1 620條水稻冠層反射率光譜數(shù)據(jù),經(jīng)配套ViewSpecPro系統(tǒng)處理.asd文件,進(jìn)行一階和二階變化后,以文件(.xlsx)形式重新存儲于計(jì)算機(jī)中。

1.4 統(tǒng)計(jì)分析

統(tǒng)計(jì)分析和繪圖運(yùn)用Excel 2010、PYTHON、SPSS 25.0、JMP 10.0和Origin 9.0。本文建模集選取24個(gè)樣本數(shù)據(jù),驗(yàn)證集選取12個(gè)樣本數(shù)據(jù)來構(gòu)建水稻AGB的估測模型,用下列算法作為估測模型的評價(jià)指標(biāo),根據(jù)任建強(qiáng)等的研究,判斷標(biāo)準(zhǔn)優(yōu)先考慮式(3)標(biāo)準(zhǔn)均方根誤差(Normalized root mean square error,NRMSE),其次為擬合優(yōu)度(coefficient of determination,

R

),認(rèn)定NRMSE小于10%時(shí),擬合結(jié)果為極好,NRMSE大于10%且小于20%時(shí),擬合結(jié)果為好。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 原始冠層光譜與生物量的相關(guān)性

如圖2所示,水稻冠層光譜曲線和綠色植物反射特征一致,在可見光的波段范圍內(nèi)有2個(gè)吸收帶,分別位于490和680 nm附近,在550 nm附近形成小的反射峰,這種現(xiàn)象因葉片中葉綠素對藍(lán)光和紅光有較強(qiáng)的吸收作用而對綠光具有明顯的反射作用而造成的。在688～781 nm之間水稻冠層反射率急增,形成典型綠色植被特有的“紅邊”特征。試驗(yàn)剔除反射率波動(dòng)明顯的區(qū)域,選擇400～900 nm為研究波段,這與劉楊等的研究基本一致。

圖2 不同試驗(yàn)處理的水稻冠層光譜曲線

為了篩選出與水稻AGB相關(guān)性較好的原始冠層光譜波段進(jìn)行相關(guān)性分析,得到水稻在孕穗后期抽穗前期原始冠層光譜與AGB的相關(guān)性,如圖3所示:原始光譜在464～720 nm范圍內(nèi)與水稻呈極顯著負(fù)相關(guān)(

P

<0.01),在720～900 nm范圍內(nèi)與AGB呈極顯著正相關(guān)。從圖3可以看出,波長與相關(guān)系數(shù)的曲線有一定的波動(dòng)性,在獲得的相關(guān)系數(shù)的前10%項(xiàng)中,選擇絕對相關(guān)系數(shù)值最大波段和值最小波段在圖上顯示,結(jié)合與AGB相關(guān)的光譜波段主要是可見光波段,故選取相關(guān)性較大的波長658、635 nm,其相關(guān)系數(shù)分別是-0.67和-0.63。

圖3 水稻孕穗后期抽穗前期原始冠層光譜與AGB相關(guān)性

2.2 一階和二階微分光譜與生物量相關(guān)性分析

為篩選出在該時(shí)期與水稻AGB相關(guān)性較好的微分光譜波段,繪制出一階和二階水稻冠層光譜曲線,通過相關(guān)性分析,獲得孕穗后期抽穗前期水稻冠層一階二階光譜與AGB的相關(guān)性,對一階二階的微分變化及相關(guān)系數(shù)的變化進(jìn)行展示,結(jié)果如圖4所示。1階,與AGB呈極顯著負(fù)相關(guān)的波段主要集中在683～709 nm,在可見光范圍的極顯著正相關(guān)主要集中在732～780 nm,對應(yīng)的前10%的相關(guān)系數(shù)最大值和最小值為0.79(768 nm)、0.74(752 nm);2階,在波長763 nm處呈極顯著負(fù)相關(guān),對應(yīng)的相關(guān)系數(shù)為-0.65。

圖4 冠層光譜反射率及其與AGB相關(guān)系數(shù)

根據(jù)水稻孕穗后期抽穗前期冠層不同階數(shù)微分光譜與AGB的相關(guān)性,得到不同階數(shù)下光譜與AGB相關(guān)系數(shù)絕對值最大值,繪制0階、1階和2階的光譜與AGB的相關(guān)系數(shù)絕對值最大值的折線圖,結(jié)果如圖5所示。分析圖5可知,在該生育時(shí)期,不同階數(shù)的微分光譜間的相關(guān)系數(shù)絕對值最大值出現(xiàn)的階數(shù)不同,最大階數(shù)出現(xiàn)在1階微分的情況下,波長位于768 nm;2階時(shí)相關(guān)系數(shù)絕對值的最大值出現(xiàn)在763 nm;0階的最大值出現(xiàn)在658 nm。

圖5 相關(guān)系數(shù)絕對值最大值出現(xiàn)的階數(shù)

2.3 敏感波段的確定

為了充分利用不同階數(shù)微分?jǐn)?shù)據(jù),將3種階數(shù)微分下的相關(guān)系數(shù)絕對值最大值按照從大到小的順序排列,挑選出與水稻AGB相關(guān)的前5個(gè)處于可見光范圍內(nèi)的冠層光譜波段,并將其相關(guān)系數(shù)繪制成熱力圖,結(jié)果如圖6所示。在0階和1階微分,5個(gè)波段都與水稻的AGB達(dá)到了0.01的極顯著相關(guān)水平,但是在2階微分時(shí),750 nm波長處,與水稻AGB的相關(guān)性表現(xiàn)效果較差,故在構(gòu)建水稻AGB的估測模型時(shí),僅構(gòu)建0階和1階的模型。綜合分析每一個(gè)階微分波段與水稻的AGB相關(guān)性,能夠充分挖掘高光譜的潛在的有效信息,提高估算水稻AGB模型精度的可能性。

圖6 水稻AGB與3種階數(shù)微分光譜相關(guān)系數(shù)熱力圖

2.4 基于3種微分光譜的水稻生物量最優(yōu)模型篩選

以水稻地上生物量(AGB)為因變量,根據(jù)熱力圖提供的信息,將篩選出的0、1階微分冠層光譜波段,按照其與AGB相關(guān)系數(shù)絕對值最大值從大到小進(jìn)行排列,確定絕對相關(guān)系數(shù)最大值的波段為自變量,建立冠層光譜與水稻AGB的指數(shù)(Exponential)模型、線性(Linear)模型、線性(Linear)模型、對數(shù)(Logarithm)模型、多項(xiàng)式(Polynomial)模型和冪(Power)模型,并驗(yàn)證模型精度,進(jìn)而挑選出在該時(shí)期下最優(yōu)的估算模型,結(jié)果見表1。由表1可知,用五種方法構(gòu)建的水稻AGB估測模型在0階中,利用指數(shù)最好,多項(xiàng)式最差,建模集的

R

分別0.69、0.64,RMSE分別為1 571.69、1 500.09 kg/hm,NRMSE分別為16.8%、16.0%;驗(yàn)證集

R

分別0.80、0.86,RMSE分別為993.50、1 172.19 kg/hm,NRMSE分別為11.0%、12.9%;1階,利用冪最好,線性最差,建模集的

R

分別0.80、0.64,RMSE分別為1 371.30、1 611.72 kg/hm,NRMSE分別為14.7%、17.2%;驗(yàn)證集

R

分別0.83、0.77,RMSE分別為890.68、1 315.28 kg/hm,NRMSE分別為9.8%、14.5%?？傮w來看,采用擬合函數(shù)估測AGB模型均是驗(yàn)證效果要優(yōu)于相應(yīng)的建模效果,由于驗(yàn)證樣本的數(shù)量小于建模的數(shù)量,所以驗(yàn)證的

R

要高于建模的

R

,但在0階和1階中建模和驗(yàn)證中的標(biāo)準(zhǔn)均方根誤差NRMSE都處于20%以內(nèi),說明模型的穩(wěn)定性好,預(yù)測能力較高,其中1階冪函數(shù)的NRMSE達(dá)到9.8%,驗(yàn)證精度極好。

表1 孕穗后期抽穗前期的水稻AGB估測模型精度對比

3 結(jié)論與討論

(1)以水稻為研究對象,利用手持光譜儀收集高光譜數(shù)據(jù),通過微分方法進(jìn)行光譜的微分處理,篩選出絕對相關(guān)系數(shù)前5個(gè)光譜波段,結(jié)合地上實(shí)測的36個(gè)生物量數(shù)據(jù),建立估算水稻生物量的擬合模型。

(2)在可見光區(qū)域(380～780nm),水稻(孕穗后期抽穗前期)冠層光譜反射率均較低,其光譜曲線存在兩個(gè)吸收峰,即490 nm(藍(lán)光)和680 nm(紅光)。在短波近紅外呈強(qiáng)烈反射,主要集中在680～760 nm區(qū)域,反射率急劇上升,表現(xiàn)植被光譜最重要的特征。

(3)在孕穗后期抽穗前期,不同階數(shù)的冠層光譜與水稻AGB的顯著性相關(guān)出現(xiàn)的波段不同。0階,在可見光范圍內(nèi),與AGB在464～720 nm呈極顯著負(fù)相關(guān),在720～780 nm呈極顯著正相關(guān);1階,與AGB呈極顯著負(fù)相關(guān)的波段主要集中在683～709 nm,在可見光范圍的極顯著正相關(guān)主要集中在732～780 nm;2階,在波長763 nm處呈極顯著負(fù)相關(guān)。

(4)在孕穗后期抽穗前期,不同階數(shù)的冠層光譜與水稻AGB相關(guān)系數(shù)絕對值最大值出現(xiàn)的階數(shù)不同。0階,相關(guān)系數(shù)絕對值最大值在658 nm,相關(guān)系數(shù)值為0.68;1階,相關(guān)系數(shù)絕對值最大值在768 nm,相關(guān)系數(shù)值為0.79;2階,相關(guān)系數(shù)絕對值最大值在763 nm,相關(guān)系數(shù)值為0.65。

(5)根據(jù)不同階數(shù)建立的水稻AGB估算模型可知,在不同的微分情況下，最優(yōu)的精度模型構(gòu)建方法不同。0階,利用指數(shù)函數(shù)構(gòu)建的模型驗(yàn)證集的

R

為0.80,RMSE為993.50 kg/hm,NRMSE為11.0%,各擬合方法的建模精度由高到低依次為指數(shù)、線性、冪、對數(shù)、多項(xiàng)式;1階,利用冪函數(shù)構(gòu)建的模型驗(yàn)證集的

R

為0.83,RMSE為890.68 kg/hm,NRMSE為9.8%,各擬合方法的建模精度由高到低依次為冪、對數(shù)、多項(xiàng)式、指、線性;2階,利用指數(shù)函數(shù)構(gòu)建的模型驗(yàn)證集的

R

為0.68,RMSE為1 235.22 kg/hm,NRMSE為13.6%,各擬合方法的精度由高到低依次為指數(shù)、線性、多項(xiàng)式。綜上所述,通過水稻AGB與3種變換的冠層光譜波段的相關(guān)性分析,表明0階、1階和2階光譜反射率與AGB相關(guān)系數(shù)最大值出現(xiàn)的波段不同,分別為658 nm(0.67)、768 nm(0.79)、763 nm(0.65);通過水稻AGB與3種變換的冠層敏感光譜波段的擬合分析,表明0階、1階和2階光譜反射率與AGB擬合的最佳模型構(gòu)建方式不同,對應(yīng)的建模集

R

分別為0.69、0.80、0.41,RMSE分別為1 571.69、1 371.30、2 039.22 kg/hm,NRMSE分別16.8%、14.7%、21.8%;驗(yàn)證集中

R

分別為0.80、0.83、0.68,RMSE分別為993.50、890.68、1 235.22 kg/hm,NRMSE分別11.0%、9.8%、13.6%。結(jié)果表明，0階和1階中模型標(biāo)準(zhǔn)均方根誤差都處于20%以內(nèi),說明模型的穩(wěn)定性好,預(yù)測精度高,其中，采用1階冪函數(shù)可以更好地快速預(yù)測水稻地上生物量,其驗(yàn)證精度高達(dá)到9.8%。