引用本文
朱玉晨, 王延仓, 李笑芳, 刘星宇, 顾晓鹤, 赵起超. 基于离散小波技术定量反演冬小麦叶片含水量的研究[J]. 光谱学与光谱分析, 2023,43(9): 2902-2909.
ZHU Yu-chen, WANG Yan-cang, LI Xiao-fang, LIU Xing-yu, GU Xiao-he, ZHAO Qi-chao. Study on Quantitative Inversion of Leaf Water Content of Winter Wheat Based on Discrete Wavelet Technique[J]. Spectroscopy and Spectral Analysis, 2023,43(9): 2902-2909.
Doi:10.3964/j.issn.1000-0593(2023)09-2902-08  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于离散小波技术定量反演冬小麦叶片含水量的研究
朱玉晨1,2, 王延仓3,4,5, 李笑芳6, 刘星宇3, 顾晓鹤4,*, 赵起超3,4,5
1.中国地质科学院水文地质环境地质研究所, 河北 石家庄 050061
2.福建省水循环与生态地质过程重点实验室, 福建 厦门 361000
3.北华航天工业学院, 河北 廊坊 065000
4.北京市农林科学院信息技术研究中心, 北京 100097
5.河北省航天遥感信息处理与应用协同创新中心, 河北 廊坊 065000
6.廊坊师范学院, 河北 廊坊 065000
*通讯作者 e-mail: guxh@nercita.org.cn

作者简介: 朱玉晨, 1986年生, 中国地质科学院水文地质环境地质研究所助理研究员 e-mail: zhuyuchen413@163.com

收稿日期: 2022-05-17 修回日期: 2022-11-22 接受日期: 2022-11-22
基金: 河北省重点研发计划项目(31327001D), 高分辨率对地观测系统重大专项(30-Y30F06-9003-20/22)资助
摘要

受大田环境的影响, 田间采集的冬小麦冠层光谱内含有大量与目标信息无关的噪声, 这制约了高光谱数据对冬小麦植株信息的估测能力。 为制约噪声信息对光谱信息的影响, 探寻提升光谱对冬小麦植株水分供给信息估测能力的方法, 通过野外地面实验获取大田冬小麦高光谱数据及其叶片含水量信息, 采用离散小波算法处理分析高光谱数据, 结合相关性分析算法、 偏最小二乘算珐, 定量分析5类小波基对离散小波算法分离光谱信息的影响规律, 离散小波算法在分离可用光谱信息与噪声中的普适规律及小波基对信息分离的影响进行探讨, 从而为田间光谱数据的处理与分析提供理论与方法支撑。 结果表明: (1)与冬小麦含水量敏感的波段多分布于D1-D5尺度, 且敏感波段在各小波基内的分布区间相对一致, 但波段位置与相关强度均存在一定差异, 这表明小波基的选择能影响高频信息与冬小麦叶片含水量的相关强度与波段位置。 (2)可用的光谱信息与噪声信息均随分解尺度的增加而呈先升后降的规律, 噪声信息对高频信息估测能力的干扰强度随尺度的增加而降低, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低。 (3)模型的精度与稳定性是可用光谱信息与噪声信息综合作用的结果, 其中基于meyer小波基的D5尺度构建的估测模型为最优模型, 其建模精度的 R2=0.625、 RMSE=1.562, 验证精度的 R2=0.767、 RMSE=1.828。 本研究的结论可为基于离散小波算法的光谱处理与分析提供指导, 并为受噪声影响较重的光谱信息的处理与分析提供一定参考, 同时也可为我国西南、 南部等全年水汽含量较高区域内或北方夏季作物叶片含水量的检测提供基础支撑。

关键词: 冬小麦; 叶片含水量; 离散小波; 噪声信息; 高光谱
中图分类号:S667.9 文献标志码:A
Study on Quantitative Inversion of Leaf Water Content of Winter Wheat Based on Discrete Wavelet Technique
ZHU Yu-chen1,2, WANG Yan-cang3,4,5, LI Xiao-fang6, LIU Xing-yu3, GU Xiao-he4,*, ZHAO Qi-chao3,4,5
1. Institute of Hydrogeology and Environmental Geology, Chinese Academy of Geological Sciences, Shijiazhuang 050061, China
2. Fujian Provincial Key Laboratory of Water Cycling and Eco-Geological Processes, Xiamen 361000, China
3. North China Institute of Aerospace Engineering, Langfang 065000, China
4. Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
5. Aerospace Remote Sensing Information Processing and Application Collaborative Innovation Center of Hebei Province, Langfang 065000, China
6. Langfang Normal University, Langfang 065000, China
*Corresponding author
Abstract

Due to the influence of the field environment, winter wheat canopy spectra collected in the field contain a large amount of noise unrelated to the target information, which limits the ability of hyperspectral data to estimate the information of winter wheat plants. In order to limit the influence of noise information on spectral information and explore the methods to improve the estimation ability of spectral information on the water supply of winter wheat plants, this study obtained the hyperspectral data of winter wheat and its leaf water content information through field experiments, processed and analyzed the hyperspectral data by discrete wavelet algorithm, combined with correlation analysis algorithm and partial least squares algorithm, and quantitatively analyzed the influence of five types of wavelet bases on the discrete wavelet algorithm to separate The results show that: (1) the discrete wavelet algorithm can be used to separate the available spectral information from noise, and (2) the wavelet bases can be used to separate the available spectral information from noise, to provide theoretical and methodological support for the processing and analysis of the spectral data in the field. The results show that (1) the sensitive bands are mostly distributed in D1—D5 scales, and the distribution intervals of sensitive bands are relatively consistent among wavelet bases. However, there are some differences in band positions and correlation strengths, which indicates that the choice of wavelet bases can influence the correlation strengths and band positions of high-frequency information and winter wheat leaf water content. (2) The available spectral information and noise information both show a pattern of increasing and then decreasing with the increase of decomposition scale. The interference strength of noise information on the estimation ability of high-frequency information decreases with the increase of scale, and the estimation ability of high-frequency information on the water content of winter wheat leaves decreases with the increase of scale. (3) The accuracy and stability of the model are the results of the combined effect of available spectral information and noise information, in which the estimation model constructed based on the D5 scale of Meyer wavelet basis is the optimal model with R2=0.625 and RMSE=1.562 for modeling accuracy and R2=0.767 and RMSE=1.828 for validation accuracy. Spectral processing and analysis, and provide some reference for the processing and analysis of spectral information that is heavily influenced by noise, and also provide basic support for the detection of the water content of crop leaves within regions with high annual water vapor content, such as southwest and south China, or in the north in summer.

Keyword: Winter wheat; Leaf water content; Discrete wavelet; Noise information; Hyperspectral
引言

作为我国北方重要的粮食作物, 冬小麦能否正常生长发育直接关系到我国国家粮食安全[1], 而水分的正常供给是冬小麦健康生长发育的重要物质基础。 实时、 快速、 准确获取区域冬小麦植株水分供给信息具有重要的现实需求与理论价值[2, 3]。 华北平原在3月至6月时段内, 地表温度持续升高, 作物蒸腾作用不断增强, 土壤-作物-大气内的水汽交换速率加快, 冬小麦冠层顶部与大气的水汽含量持续增高, 而水汽是野外光谱噪声的重要来源, 这加剧了水汽对冬小麦冠层光谱信息的干扰作用, 进而增加了获取冬小麦水分供给信息的难度。 故, 抑制噪声干扰, 分离可用光谱信息对于提升冬小麦水分供给信息的检测精度具有重要意义。

叶片是冬小麦植株进行光能吸收、 转化、 固定的重要器官, 其含水量是评估冬小麦植株水分供给状态的重要指标[4, 5], 也是大田灌溉措施决策的基础数据。 通过田间地面实验监测与辐射传输模型的定量分析确认了叶片含水量与其冠层光谱间具有较强的响应特征[6], 二者间存在较强的内在关联, 与冬小麦叶片含水量相关性较强的敏感波段多位于近红外区域[7, 8]; 基于模拟宽波段数据构建的植被指数可应用于冬小麦叶片含水量的估测[9, 10, 11]; 基于光谱技术冬小麦水分供给信息的估测正由适用于单一物候期冬小麦供给信息的估测向多生育期、 多年限的方向发展[12]; 针对冬小麦叶片含水量监测的应用研究趋势明显, 然而, 由于外界不可控因素较多且复杂, 致使大田内采集的光谱数据内含大量无关噪声, 而无关噪声信息的增加会降低光谱的信噪比, 减弱光谱对冬小麦含水量的估测能力, 制约了遥感技术在检测区域冬小麦水分供给信息中的应用, 无法及时为农田的生产管理提供支撑。 因此, 可用光谱信息与噪声信息的分离是提升光谱对冬小麦含水量估测能力的重要途径; 然而当前少见针对野外光谱数据内可用光谱信息与噪声信息分离的研究。

目前已有大量研究表明: 在离散小波算法下, 高频信息在增强光谱数据信息信噪比、 敏感性、 模型精度与稳定性等方面的优势明显高于低频信息, 且低频信息的分离规律稳定[13, 14]; 因此, 为研究分析小波基的选用对光谱信息分离规律的影响, 明确小波基在抑制或削弱噪声影响方面的作用, 以野外采集的冬小麦冠层光谱数据为数据源, 选用Coif2、 db5、 meyer、 rbio3.7、 sym2等5类小波基分别处理冬小麦冠层光谱数据, 并通过对比分析各小波基对冬小麦冠层光谱信息分离的影响特征, 分析各小波基在处理分析光谱数据中存在的共性与差异, 研究小波基对可用光谱信息与噪声信息的分离规律, 以期为野外光谱数据的处理分析提供一定参考。

1 实验部分
1.1 样本采集与处理

以河北省安平县为研究区, 该研究区地处华北平原中部, 主要作物为冬小麦、 夏玉米; 本研究实验对象为冬小麦, 品种为济麦22, 田间实验分别于2018年5月5日至6日、 5月23日— 25日开展, 此时冬小麦分别处于扬花期、 灌浆期。 为开展冬小麦叶片含水量精准监测的研究提供丰富的实验材料, 在大田内进行野外实验, 采集冬小麦植株样品与冬小麦冠层光谱数据。 冬小麦样品采集时, 首先将叶片与植株进行分离, 并立刻采用英时精密电子秤测定叶片含水量, 然后将叶片置于样品袋内; 待完成野外样品采集试验后, 将样本置于烘箱内进行烘干处理; 待冬小麦叶片样本烘至恒重时, 再利用电子秤测定叶片干重, 并采用常规公式计算各冬小麦样本的叶片含水量数据。

1.2 光谱测定与处理

选在光照强度稳定的时间段10:00— 15:00进行冬小麦冠层光谱的采集, 光谱测定仪器选用美国ASD公司生产的便携式地物光谱仪; 该光谱仪可测定冬小麦冠层350~2 500 nm区间光谱数据, 其光谱分辨率为1 nm。 冬小麦冠层光谱采集时, 将光谱探头置于冠层垂直上方50 cm处, 且探头方向为垂直向下; 光谱采集前, 先利用白板对光谱仪进行优化, 每个实验点测量10条光谱, 取其均值作为该试验点的光谱数据。

在大田内测定的冬小麦冠层光谱数据易受外界不可控因子的影响, 而使光谱内含大量噪声信息, 该噪声信息会对光谱内的可用信息产生干扰, 甚至掩盖, 降低了野外光谱数据的信噪比, 因而须对冬小麦冠层光谱数据进行平滑处理, 并删除无效光谱数据; 选用海明窗低通滤波器对冬小麦冠层光谱进行去噪处理, 并删除1 500~2 500 nm区间的数据。

1.3 离散小波算法

离散小波算法是小波变换中的一种, 是重要的光谱信号处理方法之一, 其可借助高通滤波器、 低通滤波器与降采样滤波器将光谱信息分离为高频信息、 低频信息, 且每分解1尺度, 光谱的分辨率降低1倍[14]; 为避免光谱分辨率的降低对可用光谱信息与噪声信息分离规律的影响, 本研究利用重构函数将各尺度小波系数逐尺度进行重构。 为探寻离散小波算法在处理分析野外光谱数据中的作用, 探明离散小波算法及各小波基在分离可用信息与噪声信息的作用与规律, 选用Coif2、 db5、 meyer、 rbio3.7、 sym2等5类小波作为小波基, 分解尺度为10。

图1 离散小波算法处理光谱数据的流程Fig.1 The flowchart of discrete wavelet algorithm for processing spectral data

其中, S为野外冬小麦冠层光谱数据; Di是基于离散小波算法分离的i分解尺度的高频信息; Ai是基于离散小波变换分离的i分解尺度的低频信息。

1.4 模型精度验证

为客观、 公正、 科学评价在离散小波算法下, 可用光谱信息、 噪声信息的分布规律及估测模型的变化规律, 采用决定系数(R2)、 均方根误差(RMSE)对估测模型进行评价, 二者具体计算公式如式(1)和式(2)

R2=1-∑i=1n(WCi-WCPi)2∑i=1n(WCi-WC¯)2(1)RMSE=∑i=1n(WCi-WCPi)2n(2)

式中, WCi是第i份冬小麦样本叶片含水量的实测值, WCPi是模型对第i份冬小麦样本的估测值, WC¯是实测冬小麦叶片含水量的均值。

2 结果与讨论
2.1 基于小波基的光谱分析

冬小麦冠层光谱经离散小波变换算法处理后, 冬小麦冠层光谱被依频率高低逐尺度分离为高频与低频信息, 然而冬小麦冠层光谱的分离受小波基影响较大, 小波基的选择对光谱信息分离的影响较大, 因此选用已有且可用于离散小波变换算法的小波基作为研究对象, 采用的小波基分别为Coif2、 db5、 meyer、 rbio3.7、 sym2等5类小波基对冬小麦冠层光谱进行处理。

图2为冬小麦冠层光谱经5类小波基分离后的1— 10尺度高频信息图。 由图2可知, 从各小波基分离的高频信息对比分析可知, 在1— 10尺度内, 随分解尺度的增加高频信息曲线的振幅呈增加趋势, 曲线的频率呈降低趋势, 这表明小波基对1— 10尺度高频信息曲线的变化趋势的影响相对一致; 小波基的选择可直接影响1— 10尺度高频信息的曲线特征, 其中, 基于coif2或Sym2分离的高频信息以折线形式呈现, 而利用Db5、 Meyer、 rbio3.7分离的高频信息则多为光滑曲线。 综上可知, 小波基对1— 10尺度高频信息曲线的变化趋势的影响相对一致, 而对高频信息曲线的形状特征的影响却存在较大差异。

图2 基于5类小波基分离的高频信息图Fig.2 High frequency information graphs based on five types of wavelet base separation

2.2 相关性分析

截止目前已有大量研究表明: 基于离散小波提取的高频信息在提升光谱信息信噪比、 敏感性、 模型精度与稳定性等方面具有独特优势, 而低频信息则相对较差且稳定; 因此, 为研究分析小波基对光谱信息分离规律的影响, 明确小波基在抑制或削弱噪声影响方面的作用, 以基于各小波基分离的高频信息为研究对象, 通过对比分析Coif2、 db5、 meyer、 rbio3.7、 sym2小波基对冬小麦冠层光谱信息分离的影响, 分析各小波基在处理分析光谱数据中存在的共性与差异, 研究小波基对可用光谱信息与噪声信息的分离规律, 从而为野外光谱数据的处理分析提供基础理论与方法参考。

图3为基于各小波基分离的高频信息与叶片含水量的决定系数(R2)矩阵图, 横轴为波段(350~2 500 nm), 纵轴为分解尺度(D1— D10)。 从对比分析图3内高频信息与冬小麦叶片含水量的决定系数矩阵可知: (1)与冬小麦叶片含水量相关性较强的敏感波段在各小波基内的分布区间相对稳定, 但区间内的敏感波段与冬小麦含水量的相关强度与波段位置却存在一定差异, 究其原因主要是离散小波算法是依频率将光谱信息逐尺度分离, 从光谱信息中分离的高频信息已非光谱反射率, 进而导致敏感波段的波段位置产生差异。 (2)与冬小麦叶片含水量敏感的波段多位于D1— D5分解尺度内, 且敏感波段在D1— D5分解尺度的分布较为离散化, 而位于D6— D10分解尺度内的敏感波段的分布则较为集中且决定系数的变化较为平缓, 这主要是因为随着分解尺度的增加, 被分离的高频信息曲线频率持续降低, 而振幅则持续升高, 曲线更为平缓、 光滑(见图2), 高频信息内涵的信息量持续减少。 (3)位于各小波基内的敏感波段与冬小麦含水量的相关强度在D6— D10分解尺度内均随尺度的增加而呈先升后降的趋势, 究其原因主要是水分在光谱中响应特征较强, 而D6— D10的高频信息包涵的光谱信息主要为中、 强吸收特征[15], 但高频信息内涵的信息量却在持续减少, 故而位于D6— D10的决定系数呈现先升后降的现象。 (4)各小波基对敏感波段的波段位置与相关强度均具有较大影响, 且在提升光谱与冬小麦叶片含水量间敏感性方面存在较大差异。 综上可知, 与冬小麦含水量敏感的波段多分布于D1— D5尺度, 且敏感波段在各小波基内的分布区间相对一致, 但波段位置与相关强度均存在一定差异, 这表明小波基的选择能影响高频信息与冬小麦叶片含水量的相关强度与波段位置。

图3 高频信息与冬小麦叶片含水量的决定系数(R2)矩阵图Fig.3 Determination coefficient (R2) matrix diagram of high frequency information and leaf water content of winter wheat

2.3 基于各小波基构建冬小麦叶片含水量估测模型

为更好提取、 筛选特征波段, 构建最优特征子集, 提升光谱对冬小麦叶片含水量的估测精度, 研究先采用相关性分析算法定量分析高频信息与冬小麦叶片含水量的敏感性, 并提取与冬小麦含水量敏感的特征波段, 同时为避免特征波段间的共线问题, 特征波段间的间隔至少50 nm。 然后, 利用最优特征子集算法构建最佳特征波段集, 其中波段数量均控制在2个以内, 以更客观、 评估小波基对离散小波处理分析光谱的影响。 最后, 采用偏最小二乘算法构建冬小麦叶片含水量估测模型。

表1为基于各小波基构建的冬小麦叶片含水量诊断模型。 从表2进行对比分析可知: (1)在各小波基构建的估测模型内, 基于D1、 D2分解尺度分别构建的模型的验证精度均较差, 而模型的建模精度却较高, 究其原因主要是D1、 D2分解尺度内的可用信息与高频随机噪声信息均较多, 进而导致模型的建模精度与验证精度存在较大差异, 因此该分解尺度无法用于区域大田内冬小麦含水量的监测, 为无效分解; (2)基于D5或附近尺度构建的模型的建模精度与验证精度均较高且稳定性较强, 这表明经离散小波算法分解后, 可用光谱信息与噪声信息在D5尺度或附近的分布较最为合理, 即信噪比较高; (3)从各小波基建模精度随分解尺度的变化分析可知, 基于小波基估测模型的建模精度整体随分解尺度的增加而呈先升后降趋势, 建模精度R2的变化区间为[0.146, 0.825]; (4)基于各小波基构建的模型的验证精度整体随分解尺度的增加而呈先升后降的规律, 其R2的变化区间为[0, 0.767]; 基于各小波基构建的模型的稳定性整体随分解尺度的增加而呈先升后降的规律。 综上可知: 受噪声信息影响, D1— D2尺度构建的模型为无效模型; 基于D5或附近尺度构建的模型的建模精度与验证精度均较高且稳定性较强; 基于小波基估测模型的建模精度、 验证精度与稳定性整体均随分解尺度的增加而呈先升后降趋势。

表1 基于小波基构建冬小麦叶片含水量预测模型 Table 1 Prediction model of leaf water content of winter wheat based on wavelet basis
2.4 基于各小波基模型的精度分析

为更好评估原光谱内可用信息与噪声在各分解尺度内的分布与相互作用规律, 并着重分析噪声信息在各尺度的分布规律及其对光谱估测能力的干扰作用, 利用模型的建模精度、 验证精度及二者差值的绝对值综合对离散小波分解后各尺度信息的进行评价。

图4为基于5类小波基构建的冬小麦叶片含水量估测模型的建模精度(R2)矩阵图。 从图4可知, (1)从建模精度的对比分析可知: ①随分解尺度的增加, 基于各小波基分别构建的模型的建模精度整体呈先升后降的规律, 这表明可用光谱信息的分布随分解尺度的增加而减少, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低; ②各小波基构建的模型的建模精度间随分解尺度的变化存在差异, 建模精度较高区域主要分布于D1— D5分解尺度内, 而位于D5— D10分解尺度内的建模精度均明显偏低, 这表明可用信息的分布主要分布于D1— D5分解尺度内。 (2)从验证精度的分析可知: ①模型的验证精度整体随分解尺度的增加而呈先升后降的规律, 这表明噪声信息对模型的干扰作用随分解尺度的增加呈先降后升的规律; ②位于D1— D2尺度内的模型的验证精度均明显偏低, 而位于D3— D10区间内的模型的验证精度整体较高。 (3)从模型的建模精度与验证精度差值的绝对值进行分析可知: 建模精度与验证精度的差异随分解尺度的增加而呈降低的趋势; (4)从验证精度、 建模精度与验证精度差值的绝对值进行综合分析可知: 高频信息对冬小麦叶片含水量的估测能力随分解尺度的增加而降低, 噪声信息对高频信估测能力的干扰作用随分解尺度的增加而降低, 从而导致基于D5或附近尺度构建的模型的建模精度与验证精度均相对较好, 其中基于meyer小波基的D5尺度构建的估测模型为最优模型, 其建模精度的R2=0.625、 RMSE=1.562, 验证精度的R2=0.767、 RMSE=1.828; 综上可知: 可用的光谱信息随分解尺度的增加而呈先升后降低的规律, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低; 噪声在各尺度的分布整体呈降低的趋势, 噪声信息对高频信息估测能力的干扰强度随尺度的增加而降低; 模型的精度与稳定性是可用光谱信息与噪声信息综合作用的结果, 其中基于meyer小波基的D5尺度构建的估测模型为最优模型, 其建模精度的R2=0.625、 RMSE=1.562, 验证精度的R2=0.767、 RMSE=1.828。

图4 1— 10分解尺度各小波函数估测模型的建模精度的决定系数(R2)矩阵Fig.4 Determination coefficient (R2) matrix of the modeling accuracy of the wavelet function estimation model on the decomposition scale of 1— 10

野外采集的光谱数据易受外界不可控因素的影响, 使野外光谱内含有大量噪声信息; 噪声信息的加入严重干扰了光谱信息对冬小麦叶片含水量的估测能力, 削弱了估测模型的稳定性, 因此抑制或消除噪声信息的影响是将光谱技术应用于冬小麦叶片含水量信息检测的重要基础。 与前人研究相比[1, 16, 17], 本研究通过研究分析基于各小波基分离的高频信息及高频信息对冬小麦叶片含水量的敏感性与估测能力, 研究了离散小波算法在分离光谱信息与噪声信息的普适规律, 明确了可用于冬小麦叶片含水量估测的分解尺度区间([D4, D6]), 探寻了各小波基在光谱信息处理分析中的差异, 并得出如下结论: (1)与冬小麦含水量敏感的波段多分布于D1— D5尺度, 且敏感波段在各小波基内的分布区间相对一致, 但波段位置与相关强度均存在一定差异, 这表明小波基的选择能影响高频信息与冬小麦叶片含水量的相关强度与波段位置。 (2)模型的精度与稳定性是可用光谱信息与噪声信息综合作用的结果, 可用的光谱信息与噪声信息均随分解尺度的增加而呈先升后降低的规律, 噪声信息对高频信息估测能力的干扰强度随尺度的增加而降低, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低。 研究结论可为受噪声影响较重的光谱信息的处理与分析提供一定参考, 也可为我国西南、 南部等水汽含量较高区域内或北方夏季作物叶片含水量的检测提供基础支撑。

与其他相关研究相比, 本研究构建的冬小麦叶片含水量估测模型的精度相对较低, 究其原因主要是夏季大气内的水汽含量的时空分布差异较大, 而水汽是野外光谱噪声的主要来源之一, 在进行光谱采集时外界空气的含水量偏高, 进而导致采集的冬小麦冠层光谱的信噪比较低, 这一制约了光谱对冬小麦叶片含水量的估测精度, 然而本研究的相关结论具有较强的可靠性, 可为相关研究提供参考。 尽管本研究进一步明确了离散小波在处理分析光谱数据中的规律, 但仍需开展如下研究:

(1)如何实现D1— D3尺度内可用光谱信息与噪声信息的分离, 提高可用光谱信息的信噪比, 进一步提升光谱对冬小麦叶片含水量估测能力仍需进一步深入研究。

(2)3月— 6月外界不可控因子对野外光谱的影响规律, 及噪声信息对光谱信息干扰作用随时间的变化规律均尚未明确, 须进一步研究确认。

3 结论

受外界不可控因子对野外光谱数据的干扰是影响光谱技术对地表信息观测的重要因素, 为探寻离散小波变换在处理分析野外光谱数据时, 可用光谱信息与噪声信息在高频信息中的分布规律及二者相互作用规律, 研究选用Coif2、 db5、 meyer、 rbio3.7、 sym2等5类小波基, 结合相关性分析算法与偏最小二乘算法构建冬小麦叶片含水量估测模型, 结论如下:

(1)与冬小麦含水量敏感的波段多分布于D1— D5尺度, 且敏感波段在各小波基内的分布区间相对一致, 但波段位置与相关强度均存在一定差异, 这表明小波基的选择能影响高频信息与冬小麦叶片含水量的相关强度与波段位置。

(2)可用的光谱信息与噪声信息均随分解尺度的增加而呈先升后降低的规律, 噪声信息对高频信息估测能力的干扰强度随尺度的增加而降低, 高频信息对冬小麦叶片含水量的估测能力随尺度的增加而降低。

(3)模型的精度与稳定性是可用光谱信息与噪声信息综合作用的结果, 其中基于meyer小波基的D5尺度构建的估测模型为最优模型, 其建模精度的R2=0.625、 RMSE=1.562, 验证精度的R2=0.767、 RMSE=1.828。

参考文献
[1] Chen J, Zhao C, Jones G, et al. Artificial Intelligence in Agriculture, 2022, 6: 1. [本文引用:2]
[2] Pervez M S, Budde M, Rowland J. Remote Sensing of Environment, 2014, 149: 155. [本文引用:1]
[3] Chen Y, Lu D, Luo L, et al. Remote Sensing of Environment, 2018, 204: 197. [本文引用:1]
[4] Verrelst J, Camps-Valls G, Munoz-Mari J, et al. Isprs Journal of Photogrammetry & Remote Sensing, 2015, 108(Oct. ): 273. [本文引用:1]
[5] Wang J H, Zhao C J, Huang W J, et al. Journal of Triticeae Crops, 2001, (4): 42. [本文引用:1]
[6] Gerber F, Marion R, Olioso A, et al. Remote Sensing of Environment, 2011, 115(2): 404. [本文引用:1]
[7] Casas A, RiaÑO D, Ustin S L, et al. Remote Sensing of Environment, 2014, 148: 28. [本文引用:1]
[8] Liu L, Zhang S, Zhang B. International Journal of Remote Sensing, 2016, 37(14): 3384. [本文引用:1]
[9] JIN Ning, ZHANG Dong-yan, LI Zhen-hai, et al(靳宁, 张东彦, 李振海, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2020, 51(11): 243. [本文引用:1]
[10] Pasqualottoa N, Delegidoa J, Wittenberghea S, et al. International Journal of Applied Earth Observation and Geoinformation, 2018, 67: 69. [本文引用:1]
[11] Zhang F, Zhou G. Remote Sensing, 2015, 7(11): 15203. [本文引用:1]
[12] CHEN Xiu-qing, YANG Qi, HAN Jing-ye, et al(陈秀青, 杨琦, 韩景晔, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(3): 891. [本文引用:1]
[13] LI Chen, WANG Yan-cang, LI Xu-qing, et al(李辰, 王延仓, 李旭青, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(3): 193. [本文引用:1]
[14] LI Chen, WANG Yan-cang, LI Xu-qing, et al(李辰, 王延仓, 李旭青, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(3): 193. [本文引用:2]
[15] Gu X, Wang Y, Sun Q, et al. Computers and Electronics in Agriculture, 2019, 167: 105053. [本文引用:1]
[16] MA Chun-yan, WANG Yi-lin, ZHAI Li-ting, et al(马春艳, 王艺琳, 翟丽婷, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2022, 53(5): 1. [本文引用:1]
[17] LI Chang-chun, LI Ya-cong, WANG Yi-lin, et al(李长春, 李亚聪, 王艺琳, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2021, 52(12): 191. [本文引用:1]