本發(fā)明涉及棉花檢測領(lǐng)域，更具體而言，本發(fā)明涉及棉花全生育期冠層SPAD(“土壤作物分析儀器開發(fā)”的縮寫，Soil and Plant Analyzer Development)值遙感估算及估算模型構(gòu)建方法。

背景技術(shù)：

葉綠素是植物光合作用中最主要的色素，也是植物與外界進行能量交換的重要物質(zhì)。葉綠素含量與植株光合能力、發(fā)育階段和氮素狀況密切相關(guān)，已經(jīng)成為評價植物長勢的一種有效手段，對植物葉綠素含量的實時監(jiān)測有著重要的意義^[1]。SPAD值是一個相對葉綠素含量讀數(shù)，可用作植物單位面積的葉綠素含量^[2]。通常采用SPAD-502葉綠素儀測量植物SPAD值，該儀器通過測量葉子對兩個波長段里的吸收率，來評估當前葉子中的葉綠素的相對含量，它已成為當前全世界測量葉綠素的常用方法^[3]。研究表明，葉綠素含量與葉片反射率之間存在高度相關(guān)性。因此，近年來，基于高光譜預(yù)測葉綠素含量的研究在國內(nèi)外得到了廣泛地展開。

高光譜遙感具有光譜分辨率高(<10nm)、波段連續(xù)性強、光譜信息量大等特點，其分辨率低于一般地表物質(zhì)的半吸收寬度(約20--40nm)。而逐步成熟的植被高光譜分析算法，為更準確地探測植被精細光譜信息、描述各關(guān)鍵生育時期的光譜變化特征、定量反演棉花SPAD值、建立棉花生長信息定量模型提供了可能。

已有研究表明，對作物的近紅外光譜分析中，偏最小二乘算法方法的預(yù)測效果優(yōu)于一般線性模型，且對連續(xù)光譜分析有明顯的優(yōu)勢^[4,5]。偏最小二乘(PLS)回歸分析方法是集多元線性回歸分析、典型相關(guān)分析和主成分分析的基本功能為一體的一種新型多元統(tǒng)計數(shù)據(jù)分析方法，能有效克服一般最小二乘回歸分析方法無法解決的難題。本發(fā)明運用PLSR構(gòu)建了棉花全生育期冠層光譜的SPAD預(yù)測模型。

目前國內(nèi)外植被高光譜分析算法研究大多集中在水稻^[6]、小麥^[6]、油菜^[3,8]等糧油作物，對棉花研究的相對較少。國內(nèi)對棉花的研究區(qū)主要集中在我國的新疆干旱地區(qū)^[9-11]，而對于渭北旱塬區(qū)棉花冠層葉片葉綠素含量的研究極少見到。渭北旱塬區(qū)地處陜北丘陵溝壑區(qū)的南部、關(guān)中平原的北部，是陜西省重要的農(nóng)業(yè)基地，因此選取渭北旱塬區(qū)的重要的經(jīng)濟作物棉花為對象開展研究工作，這對解決當?shù)丶Z食問題、農(nóng)民增收和加快農(nóng)村經(jīng)濟發(fā)展有著重要的戰(zhàn)略意義。同時，以往對棉花冠層葉綠素的研究由于天氣條件限制和實驗條件有限等因素，往往是針對關(guān)鍵生育期的估測，尚未有全生育期的估測，故本發(fā)明以全生育期詳實的田間棉花基礎(chǔ)數(shù)據(jù)建模，來進一步提高估測模型的可靠性，為棉花長勢的高光譜遙感監(jiān)測提供依據(jù)。

參考文獻

[1]姚霞,吳華兵,朱艷,田永超,周治國,曹衛(wèi)星.棉花功能葉片色素含量與高光譜參數(shù)的相關(guān)性研究[J].棉花學報,2007,19(4):267～272.

[2]趙艷茹,余克強,李曉麗,何勇.基于高光譜成像的南瓜葉片葉綠素分布可視化研究[J].光譜學與光譜分析,2014,34(5):1378～1382

[3]丁希斌,劉飛,張初,何勇.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測[J].光譜學與光譜分析,2015,(2):486～491

[4]楊國棟.基于變量篩選的偏最小二乘回歸方法及其應(yīng)用[D].中南大學,2013.

[5]王紀華,黃文江,勞彩蓮,張錄達,羅長兵,王韜,劉良云,宋曉宇,馬智宏.運用PLS算法由小麥冠層反射光譜反演氮素垂直分布[J].光譜學與光譜分析,2007,27(7):1319～1322

[6]陳君穎,田慶久,施潤和.水稻葉片葉綠素含量的光譜反演研究[J].遙感信息,2005,(6):12～16.

[7]賀可勛,趙書河,來建斌,羅云霄,覃志豪.水分脅迫對小麥光譜紅邊參數(shù)和產(chǎn)量變化的影響[J].光譜學與光譜分析,2013,33(8):2143～2147.

[8]李嵐?jié)?馬驛,魏全全,汪善勤,任濤,李小坤,叢日環(huán),王振,王少華,魯劍巍.基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J].農(nóng)業(yè)工程學報,2015,31(20):147～156

[9]蔣桂英.新疆棉花主要栽培生理指標的高光譜定量提取與應(yīng)用研究[D].湖南農(nóng)業(yè)大學,2004.

[10]黃春燕.基于高光譜數(shù)據(jù)的北疆棉花遙感監(jiān)測研究[D].石河子大學,2005.

[11]王克如，潘文超，李少昆，等.不同施氨量棉花冠層高光譜特征研究[J].光譜學與光譜分析.2011,31(7):1868-1872.

[12]程國鋒，竇慎，許瑋.渭北旱塬區(qū)氣溫變化與冬小麥物候的響應(yīng)[J].干旱地區(qū)農(nóng)業(yè)研究.2014(05):112-115.

[13]祁亞琴,呂新,陳冠文,林海榮,陳燕,楊坤.基于高光譜數(shù)據(jù)提取棉花冠層特征信息的研究[J].棉花學報,2011,23(2):167～171

[14]李粉玲,王力,劉京,常慶瑞.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J].農(nóng)業(yè)機械學報,2015,46(9):273～281

[15]陸洪濤.偏最小二乘回歸數(shù)學模型及其算法研究[D].華北電力大學,2014.

[16]秦占飛，常慶瑞，申健，等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測模型[J].武漢大學學報(信息科學版).2016:1-8.

[17]袁杰.基于高光譜紅邊參數(shù)定量提取棉花冠層特征信息的研究[D].石河子大學,2007.

技術(shù)實現(xiàn)要素：

鑒于此，本發(fā)明提供了一種棉花全生育期冠層SPAD值遙感估算模型構(gòu)建方法，包括以下步驟：選擇多個實驗小區(qū)，在每個實驗小區(qū)選擇多個樣點；分別于棉花的不同成長關(guān)鍵生育期進行冠層光譜測量；每個樣點測多條完整曲線，最后取其均值作為該樣點的平均反射光譜，每個小區(qū)取多個樣點的反射光譜平均值作為該小區(qū)的反射光譜；在測定光譜的樣點處，選擇棉花冠層展開的第二、三片葉片進行測量，每個樣點隨機測量多個SPAD值，取其平均值作為該樣點的冠層葉綠素值；將棉花原始冠層光譜反射率與葉片SPAD值進行單相關(guān)分析；將棉花冠層光譜反射率作一階微分后與葉片SPAD值進行相關(guān)分析；將選取的多種遙感光譜參數(shù)與SPAD值進行相關(guān)分析，選取相關(guān)性最大的遙感光譜參數(shù)進行建模。

優(yōu)選地，將得到的原始光譜進行處理后得到光滑完整的光譜曲線，再對反射光譜做一階微分處理以消除噪聲影響、減小誤差。

優(yōu)選地，測量時避開葉脈部分，SPAD測量時間與光譜數(shù)據(jù)采集同步。

優(yōu)選地，選取對SPAD值相關(guān)性最顯著的特征光譜參數(shù)為自變量，對全生育期SPAD值作線性擬合，構(gòu)建模型。

優(yōu)選地，應(yīng)用預(yù)測模型偏最小二乘回歸法PLSR對全生育期的所有測試樣本的光譜特征參數(shù)建立棉花冠層葉片的SPAD預(yù)測模型。

優(yōu)選地，所述成長關(guān)鍵生育期包括：苗期、盛蕾期、盛花期、盛鈴期、吐絮期。

優(yōu)選地，所述棉花全生育期冠層SPAD值遙感估算模型構(gòu)建方法包括：利用檢驗樣本對不同輸入變量的模型精度進行檢驗，采用決定系數(shù)R²、均方根誤差RMSE和回歸方程斜率三個指標來檢驗全生育期模型的預(yù)測能力，決定系數(shù)R²和斜率絕對值越接近1，RMSE值越小，則預(yù)測模型精度越高。

本發(fā)明還提供了一種棉花全生育期冠層SPAD值遙感估算方法，包括利用根據(jù)上述方法構(gòu)建的模型來估算棉花全生育期冠層SPAD值。

根據(jù)在下文中所描述的附圖和實施例，本發(fā)明的這些和其它方面將是清楚明白的，并且將參考在下文中所描述的實施例而被闡明。

附圖說明

將參考附圖中所說明的優(yōu)選實施例而在下文中更詳細地解釋本發(fā)明。

圖1示出了根據(jù)本發(fā)明實施例的棉花葉片SPAD與冠層原始光譜的相關(guān)性。

圖2示出了根據(jù)本發(fā)明實施例的棉花葉片SPAD與冠層一階微分光譜的相關(guān)性。

圖3示出了根據(jù)本發(fā)明實施例的葉片SPAD預(yù)測值與實測值分布。

具體實施方式

以下結(jié)合附圖詳細描述本發(fā)明的優(yōu)選實施例。

1材料與方法

1.1研究區(qū)概況

試驗于2014-2015年在渭北旱塬區(qū)的乾縣梁山鄉(xiāng)三合村(108°00′13″E～108°24′18″E，34°19′36″N～34°45′05″N)進行，當?shù)貙儆谂瘻貛О敫珊?、半濕潤大陸性季風氣候，年降水量為550-730mm，雨熱同季，干旱威脅大。因水土流失嚴重，導致土壤貧瘠化，使農(nóng)業(yè)基礎(chǔ)特別薄弱，嚴重制約農(nóng)業(yè)可持續(xù)發(fā)展。研究區(qū)前茬作物棉花，供試品種為魯棉研28號。本發(fā)明設(shè)計46個實驗小區(qū)，小區(qū)大小為5m*6m。棉花種植方式為地膜覆蓋壟種。

1.2數(shù)據(jù)獲取

1.2.1棉花冠層高光譜數(shù)據(jù)的測量

采用美國的SVCHR1024i便攜式全波段地物光譜儀，光譜范圍350-2500nm，其中350-1000nm區(qū)間光譜分辨率為1.4nm，1000-1850nm區(qū)間光譜分辨率為3.8nm，1850-2500nm為2.4nm，選擇晴朗無云無風天氣的10:00-14:00，在每個小區(qū)選取3個具有代表性的、均勻的無病蟲危害的樣點，分別在棉花的成長關(guān)鍵生育期(苗期、盛蕾期、盛花期、盛鈴期、吐絮期)進行冠層光譜測量。每次測定均進行參考白板的標定，傳感器探頭垂直向下，距離棉花冠層頂部約50cm，光譜掃描時間設(shè)為3s，每樣點測3-5條完整曲線，最后取其均值作為該樣點的平均反射光譜，每個小區(qū)取三個樣點的反射光譜平均值作為該小區(qū)的反射光譜。

1.2.2 SPAD值的測量

采用SPAD儀進行無破壞性的田間即時測定，測量光譜對應(yīng)的冠層葉綠素。在測定光譜的樣點處，選擇棉花冠層展開的第二、三片葉片進行測量，每個樣點隨機測量10個SPAD值，取其平均值作為該樣點的冠層葉綠素值。為了減小誤差，在每片葉子的中部選取均勻分布的10個點，測量時避開葉脈部分。SPAD測量時間與光譜數(shù)據(jù)采集同步。

1.3數(shù)據(jù)處理

1.3.1高光譜圖像信息選擇

為了剔除背景、大氣散射的影響和提高不同吸收特征的對比度，在實際分析處理高光譜數(shù)據(jù)的過程中，常常需要對原始高光譜數(shù)據(jù)進行各種變換^[13]?；镜淖儞Q形式主要是微分變換、對數(shù)變換和對數(shù)的微分變換。

將得到的原始光譜首先用SVC HR-1024i軟件做Overlap/Matching處理，得到光滑完整的光譜曲線，再采用origin對反射光譜做一階微分處理以消除噪聲影響、減小誤差，其原理：

式中λ_i為通道i處的波長值，R(λ_i)為波長λ_i處的光譜反射值，Δλ為相鄰波長間隔。

1.3.2遙感光譜參數(shù)選擇

遙感植被光譜參數(shù)通過不同波段反射率的線性或非線性組合變化，削弱背景信息對植被光譜特征的干擾，有助于提高遙感數(shù)據(jù)表達葉綠素含量的精度。本發(fā)明提取了22種對葉綠素含量敏感的寬波段光譜指數(shù)和7種紅邊參數(shù)來構(gòu)建棉花冠層葉片SPAD值估算模型。光譜參數(shù)計算方式見表1。

表1 遙感光譜參數(shù)及其計算公式

注：R為原始光譜的反射率，NIR為近紅外范圍內(nèi)第一個拐點對應(yīng)的波長。

1.3.3特征光譜建模預(yù)測

將上述29種光譜參數(shù)與SPAD值進行相關(guān)分析，選取相關(guān)性最大的遙感光譜參數(shù)進行建模。全生育期觀測得到920個樣本，其中800個作為測試樣本，120個留作檢驗樣本。

2結(jié)果與分析

2.1 SPAD值與光譜反射率的相關(guān)性

2.1.1 SPAD值與原始光譜相關(guān)性

將棉花原始冠層光譜反射率與葉片SPAD值進行單相關(guān)分析(樣本數(shù)n＝800)，結(jié)果如圖1所示。由圖可知，棉花葉片SPAD與冠層光譜反射率在紅邊至1250nm的正紅外波段呈極顯著正相關(guān)，在500-715nm的綠-紅波段和1340-2500nm的近紅外波段呈極顯著負相關(guān)，這主要是葉綠素在此光譜區(qū)間的特殊收斂反射性能所決定的。其中，SPAD值的敏感波段出現(xiàn)在708.2nm處，對應(yīng)r＝-0.533，達到99％置信水平顯著相關(guān)。

2.1.2 SPAD與一階微分光譜相關(guān)性

將棉花冠層光譜反射率作一階微分后與葉片SPAD值進行相關(guān)分析，結(jié)果如圖2所示。從圖2可以看出，SPAD值與光譜一階微分的相關(guān)性整體上優(yōu)于原始光譜的相關(guān)性。波長500-760nm的相關(guān)系數(shù)大于0.6，其中反映SPAD含量的敏感波段出現(xiàn)在734.7nm處，r＝0.6992。

2.2棉花葉片光譜參數(shù)與SPAD相關(guān)性

根據(jù)表1計算各種光譜參數(shù)并與SPAD值進行相關(guān)性分析，得到表2。29個光譜參數(shù)中只有6個與SPAD值相關(guān)性較差，未達到顯著相關(guān)水平，多達21個與SPAD值呈極顯著相關(guān)水平。

表2 棉花全生育期各光譜變量與SPAD的相關(guān)性

注：1.**表示在0.01水平上顯著相關(guān)；2.*表示在0.05水平上顯著相關(guān)。

由表2可以看出，與全生育期棉花葉片SPAD相關(guān)性最好的幾個光譜變量其相關(guān)系數(shù)從高到低依次為改進的葉綠素吸收反射指數(shù)MCARI、復(fù)合植被指數(shù)MCARI/OSAVI、抗大氣植被指數(shù)VARI，說明與SPAD值都是顯著負相關(guān)，其中MCARI的相關(guān)系數(shù)最高，達到了-0.679；R紅邊、MERIS陸地葉綠素指數(shù)MTCI與SPAD呈顯著正相關(guān)。這幾個光譜變量的計算都與紅光波段有關(guān)，而紅光波段正是葉綠素的強吸收波段。另外，MCARI、MCARI/OSAVI、MTCI、VARI、R紅邊均通過了99％置信水平的顯著性檢驗，表明這五個光譜變量對SPAD值的變化有較好的表征作用。

2.3棉花冠層SPAD值估算模型構(gòu)建

利用冠層光譜數(shù)據(jù)對SPAD值進行估算時，采用兩種方法建模。1)選取對SPAD值相關(guān)性最顯著的五個特征光譜參數(shù)(MCARI、MCARI/OSAVI、MTCI、VARI和R紅邊)為自變量，對全生育期SPAD值作線性擬合，構(gòu)建的模型見表3。

表3 棉花全生育期葉片SPAD值的回歸預(yù)測模型

由表3可以看出，五種入選變量與SPAD值建立的回歸方程相關(guān)系數(shù)均達到極顯著水平，其中以MCARI為自變量的線性回歸方程擬合的絕對系數(shù)R²和相關(guān)系數(shù)r都最高，分別為0.461和-0.6789。

2)偏最小二乘回歸法(Partial least squares regression，PLSR)是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法，它主要研究的是多因變量對多自變量的回歸建模，特別當各變量內(nèi)部高度線性相關(guān)時，用偏最小二乘回歸法更有效。PLSR集主成分、典型相關(guān)和多元線性回歸分析三種分析方法的優(yōu)點為一體，能夠利用所有有效的光譜參數(shù)構(gòu)建模型，提取出反映數(shù)據(jù)變異的最大信息，具有良好的預(yù)測功能^[4]。應(yīng)用PLSR^[15]對全生育期800個樣本的光譜特征參數(shù)建立棉花冠層葉片的SPAD預(yù)測模型，模型的R²＝0.733，RMSEC＝4.546，各光譜變量與SPAD值的回歸系數(shù)見表4。

表4 棉花各光譜變量與SPAD的回歸系數(shù)

2.4模型檢驗

為了檢驗?zāi)Ｐ托Ч?20個檢驗樣本對不同輸入變量的模型精度進行檢驗，采用決定系數(shù)R²、均方根誤差RMSE和回歸方程斜率三個指標來檢驗全生育期模型的預(yù)測能力，決定系數(shù)R²和斜率絕對值越接近1，RMSE值越小，說明預(yù)測模型精度越高。模型檢驗結(jié)果見表5和圖3。

表5 SPAD估算模型精度檢驗

由表5可知，由光譜特征變量MCARI、MCARI/OSAVI、MTCI、VARI、R紅邊建立的SPAD估算模型預(yù)測全生育期棉花冠層SPAD值的精度較低，除MTCI外，另外四個參數(shù)的估算模型的驗證R²都在0.53左右，都沒有SPAD-PLSR模型的驗證R²大(0.7370)。在所有模型中，SPAD-PLSR模型的驗證R²最大，RMSE最小，分別為0.737和4.135，所以SPAD-PLSR模型相較于其他模型有明顯的優(yōu)勢，能有效地對SPAD值進行估測。比較前五個模型，SPAD-VARI(700)的R²最大，但是其均方根誤差RMSE也最大，同時回歸方程斜率僅0.553，說明該模型預(yù)測精度不高；SPAD-MCARI模型的R²僅次于SPAD-VARI(700)，同時均方根誤差在五個模型中是最小的、回歸方程斜率最接近于1，說明SPAD-MCARI在前五個模型中精度最高、預(yù)測能力最好。

由圖3可知，在以光譜變量為自變量所建立的回歸方程中，以MCARI為自變量的棉花冠層SPAD值估算值與實測值分布最接近于1:1線，進一步驗證了上述SPAD-MCARI在前五個模型中精度最高、對全生育期SPAD值的估測能力最好。而通過SPAD-PLSR模型實測值與預(yù)測值分布圖與SPAD-MCARI模型實測值與預(yù)測值分布圖的比較，可以看到SPAD-PLSR模型優(yōu)勢更明顯，其預(yù)測值與實測值之間的分布更集中、更接近1:1線，因此確定SPAD-PLSR模型為估算棉花全生育期冠層SPAD值的最佳模型。

3結(jié)論與討論

棉花冠層原始光譜反射率數(shù)據(jù)、一階微分光譜數(shù)據(jù)與SPAD的相關(guān)性都較高，可以用來估計SPAD值。一階微分光譜與SPAD的相關(guān)性整體上比原始光譜反射率數(shù)據(jù)做的相關(guān)性結(jié)果更好，這是由于微分消除了背景、大氣散射的影響，并提高了不同吸收特征的對比度。對于原始反射光譜，SPAD值的敏感波段發(fā)生在708.2nm處，對應(yīng)r＝-0.533；對于一階微分光譜，SPAD含量的敏感波段發(fā)生在734.7nm處，r＝0.6992。

利用冠層光譜數(shù)據(jù)對SPAD值進行估算時，通常以原始光譜和一階微分光譜為數(shù)據(jù)源，提取遙感光譜特征參數(shù)，以光譜數(shù)據(jù)變換形式對全生育期SPAD值作線性回歸分析，從而建立基于光譜參數(shù)的SPAD預(yù)測模型^[16]，這與本發(fā)明的第一種建模方法一致，而采用PLSR對全生育期重要光譜變量建模并檢驗，其預(yù)測值與實測值之間的分布更集中、更接近1:1線，說明其模型預(yù)測效果更好更精確，說明SPAD-PLSR估算模型對全生育期棉花冠層SPAD值估測更適用，這對指導棉花種植與生產(chǎn)具有積極指導作用，可為棉花遙感監(jiān)測提供依據(jù)。在SPAD值預(yù)測模型參數(shù)選擇方面，之前的學者應(yīng)用最多的是由一階微分提取的紅邊參數(shù)^[17]，而本發(fā)明中與SPAD值相關(guān)性最好的光譜變量是MCARI、MCARI/OSAVI和R紅邊，造成這種差異的原因可能是地域不同、光照條件不同或是背景復(fù)雜情況不同。本發(fā)明對重要遙感光譜變量做SPAD值的常規(guī)線性回歸模型，其中預(yù)測效果最好的是SPAD-MCARI模型：y＝-64.33x+61.822，R²＝0.461，模型精度檢驗結(jié)果與其它的相比，R²最大、RMSE最小，所以SPAD-MCARI模型相較于其他模型有一定的優(yōu)勢，可以應(yīng)用到精度要求不高的平臺。

本發(fā)明使用的全生育期SPAD-PLSR模型樣本數(shù)量豐富、預(yù)測精度高，以全生育期詳實的田間棉花基礎(chǔ)數(shù)據(jù)建模，提高了估測模型的可靠性，為渭北旱塬區(qū)預(yù)測棉花冠層葉綠素提供了參考方法，為全生育期棉花長勢的高光譜遙感監(jiān)測提供依據(jù)，為解決當?shù)丶Z食問題、農(nóng)民增收和加快農(nóng)村經(jīng)濟發(fā)展有著重要的戰(zhàn)略意義。

上面結(jié)合附圖和實施例對本發(fā)明做了詳細的說明。但是，應(yīng)當理解，本發(fā)明的實施例并不限于所公開的特定實施例，并且對該實施例的修改和其他實施例也意圖被包含在所附權(quán)利要求書的范圍內(nèi)。盡管此處使用了特定術(shù)語，但是它們僅在通用和描述性意義上使用，而非為了限制的目的。