高光譜遙感技術具有快速、準確、無損、連續獲取作物生長狀況和環境脅迫各種信息的優點,已廣泛應用于作物水分監測,并取得了一系列成果。目前高光譜水份監測模型多以敏感波段或光譜指數等單一類型的估測因子作為參數,而結合多種特征光譜參數構建的水分監測模型及其精度穩定性方面的研究鮮見,尤其基于多種光譜特征參數共同建立的馬鈴薯關鍵生育時期水份實時監測模型研究未見報道。

本工作為提高高光譜水份監測模型精度和普適性,在馬鈴薯全生育期開展了不同灌水量試驗,以葉片含水量表征馬鈴薯植株水分狀況,采用目前較為先進的高光譜儀取馬鈴薯冠層高光譜數據,針對馬鈴薯整個生育時期植株含水量表征參數和冠層光譜反射率的變化規律進行特征光譜參數篩選,建立多種估測因子構成的馬鈴薯塊莖形成期植株水分狀況實時監測模型,為高產高效的馬鈴薯高光譜水份診斷體系構建提供堅實可靠的理論依據和技術支持。

01實驗部分

高光譜反射率的測定時間與植株含水量一致;即在苗期、塊莖形成期、塊莖膨大期、淀粉積累期和收獲期各取一次樣,隨機選取八個點進行測定,每個點測定5個數據。高光譜數據的采集使用便攜式,該儀器的光譜范圍337～2521nm。在數據處理過程中,為了保證模型對馬鈴薯整個生育期的普適性,選擇2020年全生育時期不同灌溉處理的試驗數據篩選表征葉片含水量的特征光譜參數(波段、一階導數、指數),以2021年—2022年塊莖形成期不同灌溉處理下得到的試驗數據建立該生育時期葉片含水量的監測模型。采用獨立驗證樣本,將其實測值與模型預測值進行回歸擬合,以驗證模決定系數(R2)和均方根誤差(RMSE)作為指標評價模型的預測能力和遷移性;綜合建模和驗證模精度檢驗結果,選擇推薦最優估算模型。共提取300組高光譜數據以及與之對應的300個馬鈴薯冠層葉片含水量數據,將數據集以7:3比例劃分為訓練集和測試集,具體的樣本劃分結果如表1所示。

表1樣本劃分

采用連續投影算法(SPA)對馬鈴薯冠層光譜反射率的原 始波段進行篩選,得到均方根誤差(RMSE)和葉片含水量的 敏感波段選定數量,如圖1所示。

圖1均方根誤差和葉片含水量的敏感波段選定數量

02結果與討論

2.1模型預測結果比較

三種模型的預測結果比較如表2所示。由模型參數的比較結果,BP神經網絡模型預測效果最佳,其次為支持向量機,而偏最小二乘回歸模型的預測精度最低。

表2三種模型預測結果比較

圖2光譜與葉片含水量的 BP神經網絡回歸模型擬合效果

(a):訓練集預測結果;(b):測試集預測結果;(c):驗證集預測結果;(d):總預測結果

2.2模型遷移性比較

將BP神經網絡模型、支持向量機回歸模型和偏最小二乘回歸模型的葉片含水量預測值分別與相同獨立樣本的葉片含水量實測值進行擬合并列出了不同估算模型的驗證結果,如表2所示。模型檢驗效果表明,3種模型的預測精度都比較高,決定系數均超過0.96,RMSE值的范圍在0.202%～0.266%;進一步說明了塊莖形成期葉片含水量的高光譜監測模型遷移性較好。

表3不同估算模型的遷移性比較

03結論

針對馬鈴薯整個生育時期葉片含水量和冠層光譜信息提取了光譜特征參數,將其運用到馬鈴薯塊莖形成期的葉片含水量估算模型構建。三種模型預測精度較好,由敏感波段反射率、特征光譜一階導數和特征光譜指數構成的光譜特征參數組合,創建關鍵生育時期馬鈴薯植株含水量的定量監測方法具有較高穩定性。

特征光譜一階導數和特征光譜指數均與葉片含水量的相關性較好,MSI和NDII與葉片含水量的相關系數在0.05水平顯著相關,其余均在0.01水平極顯著相關;

以上述特征光譜參數為自變量建立的BP神經網絡模型預測效果明顯優于支持向量機回歸模型和偏最小二乘回歸模型,其建模精度最高,可作為估算馬鈴薯塊莖形成期葉片含水量的最優模型;支持向量機回歸模型和偏最小二乘回歸模型也能夠滿足馬鈴薯塊莖形成期葉片含水量的精確估測。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇