田间试验设在北京市昌平区小汤山国家精准农业研究示范基地(北纬40° 00'— 40° 21', 东经116° 34'— 117° 00'), 海拔平均高度36 m, 该区域地势西北高东南低。 土壤类型以褐土和潮土为主, 气候类型为暖温带半湿润大陆性季风气候, 年平均气温为13.3~14.1 ℃, 年平均降雨量为650 mm。 研究区地理位置如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区地理位置Fig.1 The geographic location of the study area

试验时间为2016年夏玉米生长季, 选用紧凑型的京华8号玉米为供试品种。 播种时间为2016年6月25日, 种植密度3 500株· 亩^-1, 纯氮用量12 kg· 亩^-1。 采用大田人工模拟倒伏的方式, 在预设处理时间前一天对大田进行灌水处理, 或在暴雨之后, 使大田40 cm土层田间持水量达到饱和, 便于次日进行模拟倒伏处理。 倒伏时间设置为2个: 抽雄期(8月10日)和灌浆期(9月6日); 倒伏类型设置3个, 根据胁迫程度从强到弱依次为: 根倒, 茎折, 茎倒。 不同倒伏类型的实地照片如图2所示。 每种倒伏处理5个重复, 另外设置3个对照小区, 共计33个小区, 每个小区面积为10 m× 10 m。 为了持续监测玉米冠层结构变化以及玉米自我恢复程度, 每隔1~2周选择晴朗天气进行群体参数(叶面积总量、 LAI、 株高等)和冠层高光谱数据测量, 具体观测时间与数据获取情况见表1。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 抽雄期(a)及灌浆期(b)不同倒伏处理下玉米叶面积密度Fig.2 The maize leaf area density of different lodging types at the tasseling (a) and filling stage (b)

表1

Table 1

表1(Table 1)

表1 实验数据获取 Table 1 The acquisition of experimental data 生育期 观测时间 观测项目 8月12日 冠层光谱、 叶面积总量、 LAI、 株高 抽雄期 8月18日 冠层光谱、 叶面积总量、 LAI、 株高 8月31日 冠层光谱、 叶面积总量、 LAI、 株高 9月8日 冠层光谱、 叶面积总量、 LAI、 株高 灌浆期 9月16日 冠层光谱、 叶面积总量、 LAI、 株高 9月22日 冠层光谱、 叶面积总量、 LAI、 株高

表1 实验数据获取 Table 1 The acquisition of experimental data

采用美国ASD Fieldspec Pro3 光谱仪在田间测量玉米冠层光谱反射率数据, 其波谱覆盖范围为350~2 500 nm, 光谱重采样间隔为1 nm。 测量时间为10:00— 14:00, 天气晴朗、 无云无风。 测量时探头垂直于冠层上方1 m, 测定前后均用白板进行标定, 每个样本区测量10次, 取平均值作为该样本的冠层光谱反射率。 为了消除大气、 水分、 臭氧等对原始光谱造成的影响, 剔除噪声波段(三个水汽吸收带1 350~1 400, 1 800~1 950和2 450~2 500 nm), 考虑到1 950~2 450 nm易受到植株水分的影响, 整体反射率偏低且跳动较明显, 最终研究波段选取为350~1 350和1 400~1 800 nm。

玉米叶面积测量采用Montgomery法^[11]。 针对每一样本小区, 在测量高光谱的相同位置量取玉米倒伏冠层高度, 选取具有代表性的植株进行取样, 将取样植株放入取样袋密封, 迅速带回实验室, 测量植株每个叶片的叶长和最大叶宽, 结合株高计算叶面积密度, 计算公式如式(1)

LAD=0.75∑j=1nab/(sh)(1)

其中, LAD为样本小区的叶面积密度, 单位为m²· m^-3, 0.75为转换系数, a和b为样本植株叶片的长和宽, 单位为m, j和n分别为采样玉米的第j片叶和总共叶片数, s为采样玉米占地面积, 单位为m², h为倒伏玉米小区平均冠层高度, 单位为m。

对去除噪声后的倒伏玉米冠层光谱数据进行7种数学变换, 变换形式分别为: 倒数、 对数、 微分、 倒数的微分、 对数的微分、 弓曲差、 连续小波变换(continuous wavelet transform, CWT)。 通过7种数学变换后的冠层光谱数据与倒伏玉米LAD进行相关性分析, 根据相关系数大小选择7个敏感波段, 然后在minitab16软件中, 根据统计回归最佳子集R²大小从7个波段中优选出2个最优敏感光谱参量, 利用随机森林法(random forest, RF)构建玉米LAD光谱响应模型。 将实测样本随机分为建模组与验证组, 2/3样本用于构建模型, 共计102个样本, 未参与建模的1/3样本用于模型精度检验, 共计51个样本。 采用决定系数(R²)和均方根误差(RMSE)评价模型精度。

小波变换是源于傅里叶算法的信号处理技术, 可从时间与频率上同时开展数据分析, 因此可从数据中分离出更多有效信息^[12]。 连续小波变换技术可将冠层高光谱数据分解为不同尺度的小波系数。 本研究对倒伏玉米的冠层光谱进行1~10尺度小波变换分解, 根据相关系数大小来筛选最优分解层与小波系数, 并对原始光谱数据进行重采样(5, 10, 20, 40和80 nm), 来分析光谱分辨率对冠层LAD的光谱响应能力的影响, 进而构建并优选玉米倒伏冠层结构光谱响应模型。

φa, b=1aφλ-ba(2()Wf(a, b)=(f, φa, b)=∫-∞+∞f(λ)φa, b(λ)d(3)

其中, a为伸缩系数, b为平移系数, λ 为波段数; W_f(a, b)为基于小波变换的玉米冠层高光谱不同尺度的小波系数, 其由波长和分解尺度构成的二维矩阵; f(λ )为冠层光谱数据。

随机森林(random forest, RF)是由Breiman于2001年提出的一种基于多决策树分类的新型机器学习算法^[13]。 随机森林算法对目标数据集的适应能力强, 具有很好的抗噪性能和极强的拟合能力但不会产生过拟合现象。 鉴于玉米倒伏且LAD与冠层光谱的响应关系不明, 本文基于随机森林法来构建光谱参量与玉米倒伏冠层LAD的光谱响应模型。

由于倒伏胁迫直接影响了叶片之间的重叠度和株高, 单位面积内的叶面积总量没有发生变化, 但单位体积内的叶面积总量发生了较大改变, 采用叶面积密度来表示不同强度倒伏下的玉米冠层结构变化和自我恢复能力。 玉米抽雄期和灌浆期的茎倒、 茎折、 根倒依次用CX-JD, CX-JS, CX-GD, GJ-JD, GJ-JS和GJ-GD表示, 正常未倒伏的对照组使用CK表示。

由图2(a)分析可知: 抽雄期不同倒伏处理下的LAD整体表现为: CX-JS> CX-GD> CX-JD> CK, 这是由于玉米抽雄期为营养生长旺盛期, 具有较高的自我恢复能力, 其恢复能力与倒伏强度密切相关, 倒伏强度越小, 自我恢复能力越强。 由图2(b)分析可知: (1)灌浆期相同类型倒伏处理的LAD远高于抽雄期, 且随着时间推移变化不大, 这是由于玉米灌浆期处于生殖生长阶段, 光合作用能量主要向籽粒转移, 植株自身的恢复能力远低于抽雄期; (2)从倒伏类型来看, 灌浆期茎折倒伏的LAD降低幅度高于根倒和茎倒, 说明灌浆期的茎折倒伏自我恢复能力最好; (3)整体上看, 灌浆期LAD表现为GJ-GD> GJ-JS> GJ-JD> CK。

玉米倒伏发生后, 光谱探测视场内的茎叶比及受光条件发生变化, 直接反映于冠层光谱反射率。 图3(a)和(b)分别为玉米抽雄期和灌浆期不同倒伏类型的冠层光谱曲线, 可以得出以下规律: (1)不同倒伏类型的冠层光谱在抽雄期和灌浆期具有相似的形态特征, 波谷和波峰所在波段位置大致相同, 在可见光波段(350~700 nm), 由于叶绿素a、 b的强吸收, 形成两个吸收谷(450 nm蓝光和660 nm红光附近)和一个反射峰(550 nm的绿光处), 说明倒伏胁迫虽然改变了玉米冠层结构, 但仍保留了绿色植被所应有的基本光谱特征; (2)在整个波段区间内, 两生育期光谱反射率均表现为: 根倒> 茎折> 茎倒> 未倒伏, 这是由于倒伏强度越大, 玉米植株自我恢复能力越差, 匍匐程度越高, 茎秆暴露比例越高, 导致光谱反射率越高; (3)不同倒伏类型的冠层反射率与正常玉米相比均呈现不同程度的增大, 其中根倒反射率的增幅最大, 抽雄期在可见光波段增幅为58%, 灌浆期在可见光波段增幅为150%, 抽雄期在近红外波段增幅为41%, 灌浆期在近红外波段增幅为67%, 说明灌浆期的冠层光谱反射率受倒伏胁迫的影响要高于抽雄期。 总的来看, 玉米冠层反射率随着倒伏强度表现出明显的梯度变化, 在变化幅度上与不同生育期的自我恢复能力密切相关。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同倒伏类型的夏玉米冠层光谱反射率 (a): 玉米抽雄期; (b): 玉米灌浆期Fig.3 The canopy spectral reflectance of summer maize with different lodging types (a): Corn tesseling period; (b): Corn gruling period

为了对比分析不同光谱变换算法对LAD光谱响应模型的影响, 通过相关系数大小和minitab16软件的统计回归最佳子集R²大小, 筛选出各种变换形式所对应的最优敏感光谱参量, 利用随机森林方法构建倒伏玉米LAD光谱响应模型, 随机选取2/3野外样本用于建模, 1/3样本用于验证, 结果见表2。 结果表明, 各种光谱变换形式的玉米倒伏LAD光谱响应模型均得到了很高的建模精度, 决定系数均约为0.95, RMSE约为1.3, 这是由于不同倒伏类型的LAD差异较大, 随机森林算法采用Bagging抽样技术, 对复杂的数据集具有较强的适应能力, 抗噪性能和拟合能力得到较大提高; 虽然从建模精度看, 7种传统光谱变换形式的R²和RMSE差别不大, 但从验证精度看, 微分变换所构建的LAD光谱响应模型最优, 验证R²为0.704, RMSE为1.848。

表2

Table 2

表2(Table 2)

表2 基于传统光谱变换形式的倒伏夏玉米LAD估测模型 Table 2 The LAD estimation model of lodging summer maize based on traditional spectral transformation 光谱变换形式 建模R2 建模RMSE 验证R2 验证RMSE R 0.950 1.259 0.645 2.466 1/R 0.942 1.354 0.649 2.409 Log(R) 0.948 1.284 0.634 2.489 R' 0.953 1.234 0.704 1.848 (1/R)' 0.953 1.245 0.662 1.984 (Log(R))' 0.952 1.268 0.535 2.773 Gqc 0.948 1.297 0.645 2.417

表2 基于传统光谱变换形式的倒伏夏玉米LAD估测模型 Table 2 The LAD estimation model of lodging summer maize based on traditional spectral transformation

2.4.1 小波分解尺度分析及敏感小波系数筛选

为了连续小波变换技术对于倒伏玉米冠层光谱的信号增强能力, 分析了1~10小波分解尺度的玉米冠层光谱信号变化状况。 玉米高光谱数据经小波技术处理后获得小波系数(如图5所示), 1~10尺度的夏玉米冠层光谱曲线起伏变化较大且整体形态相似有明显规律, 分解后不同尺度的小波系数均将原始冠层光谱的波峰和波谷不同程度放大, 与原始光谱相比, 光谱曲线整体变化增强, 且随着尺度的增加, 小波系数也逐渐增大, 光谱信号强度也逐渐增加; 与原光谱特征位置相比, 位于672 nm(2G), 1 072 nm(4F), 1 262 nm(5F), 1 667 nm(6F)的峰(谷)的位置均呈现蓝移现象, 且随分解尺度的增加而持续向蓝波方向移动; 与原光谱特征波段相比, 而位于552 nm(2F), 822 nm(3F), 972 nm(3G), 1 192 nm(4G)的峰(谷)的位置呈现红移, 且随着分解尺度的增加而持续向近红外波段方向移动; 峰(谷)位置的蓝移与红移交替分布, 与原始光谱反射峰与吸收谷的交替分布较为相似。 综上分析可知利用小波技术处理玉米高光谱数据有助于凸显微弱光谱信息, 进一步增强光谱的反射、 吸收特征, 从而更有利于开展玉米倒伏对光谱响应特征的分析。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同分解尺度的小波系数分析 1— 10分别代表小波分解尺度Fig.4 The analysis of wavelet coefficients with different decomposition scales 1— 10 represent the wavelet decomposition scale, respectively

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 不同分解尺度下的小波系数与LAD的相关性分析Fig.5 The correlation Analysis between wavelet coefficient and LAD with different decomposition scales

冠层高光谱数据经连续小波处理后与玉米倒伏LAD进行相关性分析, 如图6所示。 从图中可以看出, 玉米冠层LAD的敏感波段主要集中在可见光波段(350~520和620~690 nm)、 近红外波段(1 350~1 450 nm)及短波红外波段(1 770~1 800 nm); 随着小波分解尺度的增加, LAD与敏感波段的相关性越强, 其中10尺度相关系数最高, 达0.74。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 叶面积密度实测值与预测值的散点图Fig.6 The Scatter plot of measured and predicted value of leaf area density

2.4.2 基于连续小波变换的LAD光谱响应模型

为了探索光谱分辨率对倒伏玉米LAD的影响, 将原始光谱数据重采样至5, 10, 20, 40和80 nm间隔, 在连续小波变换后, 利用随机森林法构建倒伏玉米LAD光谱响应模型, 并采用实测样本验证模型精度, 如表3所示。 结果表明: (1)经连续小波变换后的冠层光谱所构建的模型精度均较高, 验证精度随光谱分辨率的降低整体呈现下降趋势, 其中原始光谱构建的模型精度最高, 总体精度为97.12%, 5, 10, 20, 40和80 nm依次降低, 这是由于表征LAD的有效光谱信息随着光谱分辨率的降低而减少, 但80 nm时仍能得到较高的LAD预测精度(验证R²为0.616), 对于以后利用多光谱卫星影像监测玉米倒伏灾情具有一定的参考意义; 从原始光谱小波变换后所建模型的玉米LAD预测值与实测值的散点图(图6)来看, 建模样本与验证样本均匀分布在直线y=x两侧, 建模样本的R²为0.965, RMSE为1.078, 检验样本的R²为0.811, RMSE为1.763; 与常规光谱变换中的最优方法微分变换相比精度有所提高, 其中建模R²提高了2%, RMSE提高了12%, 验证R²提高了5%, RMSE提高了16%; 连续小波变换所构建的模型精度普遍优于传统光谱变换, 这表明传统光谱变换技术抑制噪声作用较弱, 说明了连续小波变换技术可使隐藏于光谱内的有效信息得到充分利用, 可有效提升冠层光谱对倒伏玉米冠层结构变化的响应能力。

表3

Table 3

表3(Table 3)

表3 基于小波变换与随机森林相结合的倒伏玉米LAD光谱响应模型 Table 3 The LAD spectral response model of lodging maize based on wavelet transform and random forest 光谱分辨率 建模R2 建模RMSE 验证R2 验证RMSE 原始光谱 0.965 1.078 0.811 1.763 5 nm 0.960 1.148 0.770 1.944 10 nm 0.956 1.198 0.800 1.835 20 nm 0.961 1.120 0.736 2.074 40 nm 0.951 1.309 0.632 2.446 80 nm 0.941 1.413 0.616 2.501

表3 基于小波变换与随机森林相结合的倒伏玉米LAD光谱响应模型 Table 3 The LAD spectral response model of lodging maize based on wavelet transform and random forest