本論文的應用方向集中于農業中作物葉片生物量的精準監測及高光譜數據的特征提取。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，用于構建準確、穩定的預測模型，支持農田精準管理、資源優化及作物育種。同時，該方法適用于植物性狀的快速檢測，為生態環境監測中的碳循環評估和農業信息化提供新思路。這一成果可廣泛應用于未來農業和生態系統的相關研究中。
背景：
葉片生物量不僅是反映作物生長狀況的關鍵參數，還能有效指示氣候變化、食品安全及施肥狀況。傳統的地面采樣方法雖然精確，但具有破壞性，且耗時費力，難以在大范圍內實現快速、有效的空間和時間監測。相比之下，遙感技術提供了非破壞性、快速且準確的解決方案，而高光譜遙感通過獲取連續的光譜信息，能更加全面地反映作物特性。然而，完整波段的高光譜數據中包含大量冗余信息和噪聲，這不僅增加了數據處理的負擔，還會影響模型的精度和穩定性。因此，選擇少量敏感特征波段，提取主要信息，成為提升監測效率和精度的關鍵步驟。
為克服這些缺點并提升高光譜數據的特征選擇效果，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變量，用于建立更準確且穩定的模型，以監測小麥葉片生物量。同時，作者將該方法的性能與SIPLS、SPA及全波段方法分別進行了比較。精度、可靠性和實用性被用作評價所選特征及構建混合模型的性能指標。該研究結果將為今后農業中作物性狀檢測的相關研究提供有效的實證參考。
實驗設計
1.1.材料與方法
(1)麥田試驗
本研究在中國東部江蘇省如皋（32°15′N，120°38′E）開展了兩項田間試驗。每個試驗均設置了不同的施氮量、品種和冬小麥種植密度（即行距）處理，采用完*隨機區組設計，設3個重復，共36個小區。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。使用試驗田2的標定數據對葉片生物量估算模型進行校準，利用試驗田1的驗證數據對混合模型的靈敏度和準確性進行評估。
(2)高光譜圖像的獲取
所有高光譜數據均由高光譜成像系統（GaiaField-V10E，四川雙利合譜光譜成像技術有限公司）采集。該系統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相機和一個可見光-近紅外（NIR）光譜儀組成，光譜范圍為380~1030nm。控制模塊由帶數據采集軟件的計算機和電動位移平臺構成。數據采集時間為北京時間10:00至14:00，選擇在小麥關鍵生育期的晴天條件下進行，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)高光譜圖像數據預處理
圖像預處理流程如圖2所示。首先，利用標準光強圖像對天氣引起的光強變化進行校正。然后，為了降低反射噪聲，使用了最小噪聲分數旋轉（MNF）。最后，應用支持向量機方法（SVM）提取小麥感興趣區域（ROI）。ROI的平均反射率定義為植被光譜。
圖2.用于高光譜圖像數據的預處理步驟
（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，立即帶到實驗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）的分蘗數進行了統計。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計算得出。
（5）利用SIPLS-SPA方法提取小麥葉片生物量相關的高光譜特征
首先，利用SIPLS-SPA從全波長提取敏感光譜區間，然后，確定敏感光譜區間的*優變量。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個區間，則每個區間分別為：400–500nm、501–600nm、601–700nm、701–800nm、801–900nm和901–1000nm。
②構建結合Q（Q=2，3，4）個區間與葉片生物量的PLSR模型。
③重復步驟（1）和（2），通過最小的RMSECV（交叉驗證均方根誤差）確定P和Q的值。
④根據確定的P和Q得到敏感特征的光譜矩陣，設為X（N*J，其中N為樣本個數，J為光譜變量個數）。
⑤隨機選取一列作為Xj；其余的定義為S。
⑥分別計算Xj到S的投影。S的最大投影表示最小相關性，其對應的列定義為Xi。
⑦設Xi代替Xj，重復步驟⑤、⑥，直到所選變量的個數達到M的設定值（M為迭代范圍，M≤J）。M的值是通過對數據進行多次計算而確定的。在這項研究中，M等于20。
⑧用所選變量和相應生物量擬合多元線性回歸（MLR）模型。最后，根據多變量回歸的最小驗證均方根誤差（RMSEv）選擇*優變量。
（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、可靠性和實用性三個方面進行評估（見下表）。為了比較精度和可靠性，我們分別在校準和驗證數據集中使用了決定系數（Rc2，Rv2）、均方根誤差（RMSEc，RMSEv）以及相對均方根誤差（RRMSEc，RRMSEv）。模型的實用性包括運行時間（秒）、參數數量、復雜性水平和計算復雜度。
1.2.結果
（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系
以Exp.2中不同施氮量下的“生選6號"數據為例，分析了冠層反射率的變化（圖3A）。結果顯示，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，可見光區域的反射率降低；然而，由于水分和冠層結構的影響，近紅外區域的反射率上升。進一步分析了小麥葉片生物量與冠層反射率的關系，如圖3B所示。在可見光區域（480–720nm），冠層反射率與葉片生物量呈負相關，而在近紅外區域（720–900nm），反射率呈正相關，表現為具有較高相關系數（最大相關系數為0.6）的平緩曲線。
圖3.(A)Exp.2中在拔節期“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系數
（2）SIPLS-SPA參數確定
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個區間，然后對每個病例在Q（Q=2，3，4）區間上構建PLSR模型。通過運行2.4節中的步驟①-④，成功地獲得了每個PLSR模型的RMSECV。結果表明，在P=37和Q=4條件下，獲得了RMSECV*低的最佳PLSR模型（圖4）。這意味著當整個光譜區域平均劃分為37個區間時，以22、24、30和37這四個區間構建的PLSR模型表現最佳。
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個區間對應的光譜區域分別為694~706nm、722~734nm、806~816nm和890~900nm，共44個波長變量。然后通過反復測試，確定M的值為20。最后，再次運行步驟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*優高光譜特征的生物質模型標定與驗證
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定模型（圖6A）。然后用獨立的Exp1數據集對模型進行驗證。圖6B顯示了Exp.2中6個重要生育期小麥葉片生物量實測值與預測值的散點圖。
圖6.在校準(A)和驗證(B)中，SIPLS-SPA估算的小麥葉片生物量與預測值之間的擬合關系為1:1
（5）與其他特征選擇方法的比較
通過與傳統的SIPLS和SPA方法進行比較，評估了新開發的SIPLS-SPA方法的有效性。此外，根據精度、可靠性和實用性（包括變量數量、訓練時間、復雜性水平和計算復雜度）對基于這些算法提取的不同數量敏感特征的PLSR模型進行了評估。
下表顯示了從與SIPLS-SPA相同的數據集中由SPA和SIPLS提取的敏感變量。結果表明，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，構建小麥葉片生物量的PLSR模型。下表總結了它們各自的準確性和可靠性。結果表明，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選擇的敏感特征構建的模型獲得了*低的RMSEv（0.059kg/m2）和RRMSEv（38.55%）。
采用時間、復雜度和計算復雜度三個指標評價具有不同敏感特征的PLSR模型的實用性（見下表）。結果表明，SPA模式運行時間最短，SIPLS-SPA次之，全波長模式運行時間最長。SPA和SIPLS-SPA的矩陣復雜度和計算復雜度基本相同，但全波長模型的矩陣復雜度和計算復雜度在所有估計模型中最高。
結論
本研究提出了一種新的計算方法SIPLS-SPA，將SIPLS和SPA兩種方法結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）被認為是最佳的高光譜特征，作為輸入變量構建PLSR模型以估算冬小麥的葉片生物量。與其他先進的特征選擇技術相比，所選特征和構建的生物量模型在去除不相關、共線性、簡單變量方面表現更優，且具有較低復雜度、降低的計算復雜性和更短的運行時間。總體而言，結果表明SIPLS-SPA是一種強大的高光譜特征選擇方法，可用于農業應用中植物性狀的估算。
推薦產品
GaiaField-V10E
作者簡介
通訊作者：姚霞，南京農業大學，博導
參考文獻
論文引用自一區文章：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.
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服