2020年、 2021年和2022年5月— 9月在内蒙古呼和浩特市赛罕区南舍必崖村(41° 27'N, 112° 63'E)的塑料大棚内进行田间试验。 试验点属温带大陆性季风气候, 多年平均气温3.3 ℃, 无霜期约118~128天, 田间土壤类型为栗钙土, 0~60 cm土壤基本理化性状: pH 8.10、 有机质15.60 g· kg^-1、 全氮0.72 g· kg^-1、 有效磷38.50 mg· kg^-1、 速效钾193.70 mg· kg^-1。 2020年的供试品种为克新1号和斯潘特; 2021年和2022年的供试品种为克新1号; 全部由内蒙古乌兰察布马铃薯繁育基地提供。 三年播种的种薯大小均约为45 g。

2020年于5月10日播种, 2021年和2022年分别于5月15日和5月12日播种。 试验采用滴灌方式进行灌溉, 灌溉量人为控制。 滴灌带为双孔, 间距20 cm。 播种前, 为保证出苗率, 灌水至最大田间持水量。 2020年田间最大持水量为28.64%; 2021年和2022年的田间最大持水量相同, 均为39.34%。 表1为2020年度在马铃薯整个生育时期设置的5个灌水梯度, 即过量灌溉(excessive irrigation, EI)、 充足灌溉(adequate irrigation, AI)、 适度干旱(moderate drought, MD)、 严重干旱(severe drought, SD)和极度干旱(extreme drought, ED); 以最大田间持水量的百分比表示, 各生育时期在不同处理下的供水情况如表1所示。 表2为2021年和2022年度选择块茎形成期设置的5个水分梯度处理, 分别为最大田间持水量的85%, 75%, 60%, 45%和35%, 处理同上的具体试验设计见表2。 出苗后开始, 每隔3~4 d, 测定1次土壤含水量, 当土壤的实际含水量低于设定的目标含水量时进行灌水, 灌水量由前后两次灌水间的水分损耗量决定; 通过水表保证浇水至目标土壤含水量, 计划湿润深度为60 cm。 试验过程中, 各年度不同供水处理下的灌水次数及灌水量信息如表3所示。

表1

Table 1

表1(Table 1)

表1 2020年的试验设计 Table 1 Test design for 2020 品种 处理 灌溉梯度 苗期 块茎形成期 块茎膨大期 后期 克新1号 EI 75% 85% 95% 80% AI 65% 75% 85% 70% MD 50% 60% 70% 55% SD 35% 45% 55% 40% ED 25% 35% 45% 30% 斯潘特 EI 75% 85% 95% 80% AI 65% 75% 85% 70% MD 50% 60% 70% 55% SD 35% 45% 55% 40% ED 25% 35% 45% 30%

表1 2020年的试验设计 Table 1 Test design for 2020

表2

Table 2

表2(Table 2)

表2 2021年— 2022年的试验设计 Table 2 Test design for 2021— 2022 年份 处理 灌溉梯度 苗期 块茎形成期 块茎膨大期 后期 2021 EI 65% 85% 85% 70% AI 65% 75% 85% 70% MD 65% 60% 85% 70% SD 65% 45% 85% 70% ED 65% 35% 85% 70% 2022 EI 65% 85% 85% 70% AI 65% 75% 85% 70% MD 65% 60% 85% 70% SD 65% 45% 85% 70% ED 65% 35% 85% 70%

表2 2021年— 2022年的试验设计 Table 2 Test design for 2021— 2022

表3

Table 3

表3(Table 3)

表3 不同年度灌水信息统计 Table 3 Statistics of irrigation information for different years 年份 灌水 不同供水梯度 EI AI MD SD ED 2020 次数 20 17 12 7 3 灌水量/(m3· 小区-1) 31.18 21.11 13.96 5.77 1.50 2021 次数 5 5 4 3 1 灌水量/(m3· 小区-1) 8.91 6.25 3.64 1.42 0.38 2022 次数 6 6 5 3 1 灌水量/(m3· 小区-1) 9.84 7.43 4.89 1.50 0.42 注: 2020年共浇20次水, 不同处理的灌水次数及灌水量均不同; 2021年— 2022年块茎形成期灌溉次数和灌溉量不同, 其余生育时期均为充足灌溉, 因此只统计了块茎形成期的灌溉信息 Note: There were 20 times of irrigation in 2020, and the irrigation times and amount were different between the five treatments; However, the irrigation frequency and amount in 2021— 2022 were only different at the tuber formation period, so only provides the irrigation information for this growth stage in this table

表3 不同年度灌水信息统计 Table 3 Statistics of irrigation information for different years

试验小区随机排列, 每小区面积为36.0 m²(6.0 m× 6.0 m), 每个处理3 次重复。 为防止倒伏烂根, 人工进行起垄, 垄高30 cm, 行距70 cm, 株距20 cm, 相邻小区间保护行为1 m, 种植密度为5 000株· 亩^-1。 所有处理施肥量一致, 均对照当地施肥水平决定, 即基施氮肥(尿素, 6.78 kg N· 亩^-1), 磷肥(过磷酸钙, 31.25 kg P₂O₅· 亩^-1), 钾肥(硫酸钾, 8.32 kg K₂O· 亩^-1); 追施氮肥(尿素, 70.85 kg N· 亩^-1), 追施磷肥(过磷酸钙, 125 kg P₂O₅· 亩^-1), 追施钾肥(硫酸钾, 91.68 kg K₂O· 亩^-1)。 2020年— 2022年追肥时间分别在6月26日、 6月24日和6月28日, 将肥料溶于水, 分别流入每个试验小区。

1.2.1 土壤含水量和灌水量

出苗后整个生育时期, 每隔三天一次进行土壤含水量的测定。 每次在去除保护行的其他行S型选定位置, 随机在滴灌带的中间和两侧滴灌口的正下方分别取土样。 每个小区取五个位置, 0~60 cm的土层, 每20 cm为一层, 分别装至铝盒中, 称其鲜重, 随后放置烘箱105 ℃烘干至恒重, 称其干重, 计算土壤实际含水量。

土壤实际含水量(%)=(土壤鲜重-土壤干重)/土壤干重× 100

灌水量=灌水面积× 灌水深度× 土壤容重× (土壤目标含水量-土壤实际含水量)

1.2.2 马铃薯冠层叶片含水量

与光谱测定同步, 2020年分别在出苗后18、 37、 52、 73和90 d进行植株含水量的测定; 2021年试验, 分别在出苗后17、 34、 53、 71和89 d进行植株含水量的测定; 在2022年的试验中, 取样时间分别为出苗后19、 37、 54、 70和82 d, 每个处理8次重复, 既取8株。 取样后, 对马铃薯植株的叶片、 地上茎、 地下茎、 根和块茎进行分离, 称鲜重; 随后放至烘箱105 ℃杀青30 min, 在80 ℃的环境下烘干至恒重, 称取干重; 通过烘干法计算叶片含水量。

叶片含水量(%)=(叶鲜重-叶干重)/ 叶鲜重× 100

1.2.3 高光谱数据的测定与处理、 模型构建及检验

高光谱反射率的测定时间与植株含水量一致; 即在苗期、 块茎形成期、 块茎膨大期、 淀粉积累期和收获期各取一次样, 随机选取八个点进行测定, 每个点测定5个数据。 高光谱数据的采集使用SVC1024i光谱仪, 该仪器的光谱范围337~2 521 nm。 测定时必须在晴朗无云的环境条件下, 时间为上午10点到下午2点之间, 测定时选取具备代表性、 没有病害的植株样本, 将传感器的探头方向垂直向下, 光纤视场角的度数为25° , 距离冠层顶端的垂直距离大约为45 cm, 测量过程中用标准白板及时对每组目标的观测前后进行校正。

在数据处理过程中, 为了保证模型对马铃薯整个生育期的普适性, 选择2020年全生育时期不同灌溉处理的试验数据筛选表征叶片含水量的特征光谱参数(波段、 一阶导数、 指数), 以2021年— 2022年块茎形成期不同灌溉处理下得到的试验数据建立该生育时期叶片含水量的监测模型。 采用独立验证样本(2020年数据), 将其实测值与模型预测值进行回归拟合, 以验证模决定系数(R²)和均方根误差(RMSE)作为指标评价模型的预测能力和迁移性; 综合建模和验证模精度检验结果, 选择推荐最优估算模型。 共提取300组高光谱数据以及与之对应的300个马铃薯冠层叶片含水量数据, 将数据集以7∶ 3比例划分为训练集和测试集, 具体的样本划分结果如表4所示。

表4

Table 4

表4(Table 4)

表4 样本划分 Table 4 Sample division 分组 样本数 量/个 年份 用途 训练集 测试集 105 45 2021、 2022 建模 验证 独立样本集 150 2020 筛选特征光谱参数; 独立验证构建的3种模型

表4 样本划分 Table 4 Sample division

敏感波段的筛选采用连续投影算法(successive projections algorithm, SPA)^[15]。 具体步骤: 用矩阵X(NS, G)代表最原始的数据, NS表示样本的个数, G为每一个样本的维度。 初始化: 设置需要筛选的变量个数N, 从矩阵中的G列向量中任选一列xg作为初始迭代向量。 未被选择的列向量的位置被记录在集合M中, M可以表示为(1); 计算xg对集合T中包括的向量投影(2)。 选择投影中最大的列向量作为新的投影向量xk(n), 并从集合M中删除。 判断此时已选择列向量的个数, 若小于N, 则返回第二步, 负责停止计算。 设置不同的xk(0)和 N, 循环得到不同的变量集合, 通过运算得到的误差分析图, 其均方根误差(RMSE), 选出最好的xk(0)和N。

M={g, 1> g> G, g{k(0), …, k(n), …, k(N-1)}}(1)

Pxg=xg-[xTgxk(n)]xk(n)[xTk(n)xk(n)]-1(2)

通过对马铃薯冠层光谱的一阶导数和水分光谱指数与植株含水量的相关分析, 选择特征光谱一阶导数和特征光谱指数, 共同作为自变量构建偏最小二乘回归模型、 支持向量机和BP神经网络模型。 模型创建分别参照了王桂增^[16]、 钱飞^[17]和程嘉蔚^[18]的算法及步骤。 相关的水分光谱指数及其计算公式如表5所示。

表5

Table 5

表5(Table 5)

表5 光谱指数及算法公式 Table 5 Spectral index and algorithm formula 光谱指数 公式 MSI(水分胁迫指数) R1 599/R819 NDII(归一化红外指数) (R819-R1 649)/(R819+R1 649) PSRI(植被衰减指数) (R680-R500)/R750 EVI(增强植被指数) 2.5(R800-R680)/(R800+6R680-7.5R450+1) ρ r(红谷反射率) 波长650~690 nm范围内最小的波段反射率 ρ g(绿峰反射率) 波长510~560 nm范围内最大波段反射率 SDr/SDy(红边面积/黄边面积) (R780-R680)/(R640-R560)

表5 光谱指数及算法公式 Table 5 Spectral index and algorithm formula

本试验所得到的数据运用Microsoft Excel 2013进行数据整理; 采用SPSS18.0进行方差分析; 用Matlab2016软件自编程进行模型构建及制图。 2021年和2022两个年度试验中, 块茎形成期不同灌水量梯度下的叶片含水量(LWC)和冠层高光谱反射率的变化趋势基本一致。

图1(a, b)分别为马铃薯克新1号和斯潘特品种在不同灌溉梯度下的冠层高光谱反射率变化。 由图可以看出, 马铃薯冠层光谱反射率在可见光波段(400~700 nm)范围内先升高后降低, 在700~1 350 nm波段范围内随着灌水量的增加而明显上升, 不同灌溉处理之间的差异也较为明显; 在1 350~2 521 nm波段, 水分供应充足的处理冠层光谱反射率则略高于干旱胁迫处理。 在整个波段范围内, 光谱曲线总体变化比较明显, 具有多个波峰、 波谷。 不同土壤供水条件下的两个马铃薯品种冠层光谱特征变化趋势基本一致, 克新1号和斯潘特品种各生育时期的光谱曲线峰值均在红边区域达到最高峰; 出苗后18和37 d的冠层光谱反射率均随水分胁迫程度的加重而降低; 而在出苗后52、 73和90 d, 克新1号品种在极度干旱处理下的冠层光谱反射率明显低于过量灌溉、 充足灌溉、 适度干旱和严重干旱处理, 而斯潘特品种在极度干旱和严重干旱处理下明显低于其他三个处理。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 不同灌溉处理下的高光谱反射率变化 (a): 克新1号; (b): 斯潘特(1): 出苗后18 d; (2): 出苗后37 d; (3): 出苗后52 d; (4): 出苗后73 d; (5): 出苗后90 dFig.1 Changes in the hyperspectral reflectance under different irrigation treatments (a): Kexin No.1; (b): Spunta(1): 18 days after emergence; (2): 37 days after emergence; (3): 52 days after emergence; (4): 73 days after emergence; (5): 90 days after emergence

采用连续投影算法(SPA)对马铃薯冠层光谱反射率的原始波段进行筛选, 得到均方根误差(RMSE)和叶片含水量的敏感波段选定数量, 如图2所示。 在第13次迭代中, RMSE=1.919 4, 变化趋于稳定, 因而选择13个敏感波段; 分别为R₇₂₅、 R₈₅₆、 R_{1 000}、 R_{1 899}、 R_{1 915}、 R_{1 923}、 R_{2 464}、 R_{2 473}、 R_{2 479}、 R_{2 485}、 R_{2 490}、 R_{2 494}、 R_{2 499}。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 均方根误差和叶片含水量的敏感波段选定数量Fig.2 Root mean square error and the number of selected sensitive bands for leaf moisture content

对马铃薯冠层光谱一阶导数及水分光谱指数与叶片含水量进行相关分析, 其相关系数大小如表6。 依据相关系数较大的原则, 分别选取了11个光谱一阶导数及7个水分光谱指数。 分析表6可知, 特征光谱一阶导数及特征光谱指数均与叶片含水量的相关性较好; 特征光谱指数与叶片含水量的相关系数介于0.16~0.50之间, 除MSI和NDII与叶片含水量的相关系数在0.05水平上相关外, 其余指数均达到了0.01水平极显著相关; 而特征光谱一阶导数与叶片含水量的相关系数介于0.44~0.68之间, 均通过了0.01极显著性检验。 选择这13个特征波段光谱、 11个特征波段一阶导数和7个特征光谱指数共同参与马铃薯叶片含水量估算模型的构建。

表6

Table 6

表6(Table 6)

表6 叶片含水量与光谱一阶导数和水分光谱指数之间的相关性 Table 6 Correlation between the leaf water content and first derivative, spectral index 一阶导数 相关系数 光谱指数 相关系数 D521 0.484 9* * MSI 0.172* D555 -0.573 1* * NDII -0.163* D570 -0.530 7* * PSRI -0.212* * D707 0.548 8* * EVI -0.278* * D716 0.595 3* * ρ r 0.432* * D720 0.548 2* * ρ g 0.496* * D1 519 0.682 3* * SDr/SDy 0.249* * D1 550 0.624 2* * / / D1 600 0.562 9* * / / D1 810 0.453 1* * / / D2 104 0.442 6* * / / 注: * * 表示在0.01水平(双尾)上极显著相关; * 表示在 0.05 水平(双尾)上显著相关 Note: * * indicates very significantly correlated at 0.01 level; * indicates significant correlation at 0.05 level

表6 叶片含水量与光谱一阶导数和水分光谱指数之间的相关性 Table 6 Correlation between the leaf water content and first derivative, spectral index

2.3.1 叶片含水量的偏最小二乘回归模型

采用31个特征光谱参数与叶片含水量的估算模型并进行验证。 偏最小二乘回归模型为: Y=19.092 6+0.029 9X₁-0.146 3X₂+0.284 4X₃-0.167 5X₄+0.048 9X₅-0.043 5X₆+0.055 5X₇+0.029 7X₈+0.038 9X₉-0.094 6X₁₀-0.069 9X₁₁+0.183 1X₁₂+0.017 1X₁₃-0.124 2X₁₄+5.821 8X₁₅-8.093 3X₁₆+1.476 2X₁₇-0.761 8X₁₈+0.017 7X₁₉-8.969 8X₂₀+14.232 6X₂₁-5.182 4X₂₂+0.185 8X₂₃-1.285 2X₂₄+30.714 3X₂₅+20.035 1X₂₆-223.159 0X₂₇+2.310 3X₂₈+14.316 7X₂₉-4.262 5X₃₀+11.564 0X₃₁。

X₁— X₁₃、 X₁₄— X₂₄和X₂₅— X₃₁分别为筛选的叶片含水量特征波段、 一阶导数波段和水分光谱指数。 提取31个成分时解释因变量的百分比如图3(a)所示, 达到了50.375 2%, 表现出稳定趋势; 由图3(b, c)的PLSR模型训练集与测试集的预测结果可以看出, 建立的偏最小二乘回归模型的拟合效果不佳。 该模型训练集R²=0.503 8, RMSE=11.576 6, 测试集R²=0.407 9。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 PLSR模型主成分贡献百分比及光谱与叶片含水量之间的回归模型拟合效果 (a): 主成分贡献百分比; (b): 训练集预测结果; (c): 测试集预测结果Fig.3 PLSR model principal component contribution percentage and the fitting effect of the regression model between the spectrum and LWC (a): Principal component contribution percentage; (b): Training set prediction result; (c): Test set prediction result

2.3.2 叶片含水量的支持向量机回归模型

还使用SVM模型中常用的径向基核函数(radial basis function)及粒子群算法。 粒子群优化算法(particle swarm optimization, PSO)作为进化计算的一个分支, 具有进化算法的特点和搜索优化能力。 SVM模型有两个重要参数C与gamma。 C为惩罚系数, 即对误差的宽容度, 其值过大或过小均导致拟合能力变差; gamma是选择RBF函数作为kernel, 该函数自带的一个参数, 隐含地决定了数据映射到新的特征空间后的分布, gamma越大, 支持向量越少, gamma越小, 支持向量越多。

图4为高光谱与马铃薯叶片含水量的SVM回归模型拟合效果, 经过PSO验证, 径向基核函数的最优参数组合为(C 7.665 1, g 0.031 8)。 采用Matlab编程进行支持向量机模型训练, 由图4(a), 该模型训练集R²=0.605 1, RMSE=10.415 1; 由图4(b), 该模型测试集R²=0.528 8, 建模效果较好。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 光谱与LWC的SVM回归模型拟合效果 (a): 训练集预测结果; (b): 测试集预测结果Fig.4 Fitting effect of the spectrum and the LWC SVM regression models (a): Training set prediction result; (b): Test set prediction result

2.3.3 叶片含水量的BP神经网络预测模型

以31个光谱特征参数作为输入层, 马铃薯块茎形成期实测叶片含水量作为输出层, 选择了8~16个隐含节点数目进行试验。 表7为高光谱与马铃薯叶片含水量的BP神经网络回归模型选择结果, 通过多次训练后选出的最佳隐含节点数为9。 通过图5的BP神经网络回归模型拟合效果可以看出, 建立的该模型训练集相关系数为0.841 1[图5(a)], RMSE为0.303 0, 测试集相关系数为0.504 2[图5(b)], 模拟结果很好; 由图5(c)可以看出, 预测值和实测值相关系数达到0.806 1, 模型预测效果也非常好; BP神经网络模型的建模及验证精度均高, 可进行马铃薯块茎形成期叶片含水量的精确估算, 见图5(d)。

表7

Table 7

表7(Table 7)

表7 光谱与叶片含水量的BP神经网络回归模型结果 Table 7 The BP neural network model results of the spectrum and the LWC 隐含节点数目 R2 隐含节点数目 R2 8 0.568 1 13 0.421 8 9 0.841 1 14 0.783 0 10 0.676 1 15 0.782 4 11 0.832 8 16 0.740 3 12 0.789 0

表7 光谱与叶片含水量的BP神经网络回归模型结果 Table 7 The BP neural network model results of the spectrum and the LWC

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 光谱与叶片含水量的BP神经网络回归模型拟合效果 (a): 训练集预测结果; (b): 测试集预测结果; (c): 验证集预测结果; (d): 总预测结果Fig.5 Fitting effect of the spectrum and the LWC BP neural network regression models (a): Training set prediction result; (b): Test set prediction result; (c): Validation set prediction result; (d): Total prediction result

2.3.4 模型预测结果比较

以上三种模型的预测结果比较如表8所示。 偏最小二乘回归、 支持向量机和BP神经网络模型R²分别为0.503 8、 0.605 1和0.841 1; RMSE分别为11.576 6、 10.415 1和0.303 0。 由模型参数的比较结果, BP神经网络模型预测效果最佳, 其次为支持向量机, 而偏最小二乘回归模型的预测精度最低。

表8

Table 8

表8(Table 8)

表8 三种模型预测结果比较 Table 8 Comparison of prediction results of three models 模型参数 PLSR SVM BPNN R2 0.503 8 0.605 1 0.303 0 RMSE/% 11.576 6 10.415 1 0.841 1

表8 三种模型预测结果比较 Table 8 Comparison of prediction results of three models

2.3.5 模型迁移性比较

将BP神经网络模型、 支持向量机回归模型和偏最小二乘回归模型的叶片含水量预测值分别与相同独立样本的叶片含水量实测值进行拟合并列出了不同估算模型的验证结果, 如表9所示。 模型检验效果表明, 3种模型的预测精度都比较高, 决定系数均超过0.96, RMSE值的范围在0.202%~0.266%; 进一步说明了块茎形成期叶片含水量的高光谱监测模型迁移性较好。

表9

Table 9

表9(Table 9)

表9 不同估算模型的迁移性比较 Table 9 Comparison of transferability between different estimation models 预测模型 PLSR SVM BPNN 验证模样本 R2 0.969 0.974 0.962 RMSE/% 0.203 0.202 0.266

表9 不同估算模型的迁移性比较 Table 9 Comparison of transferability between different estimation models

作物及其内部生化组分具有光谱特性, 采用物体光谱反射特征识别物体的遥感技术使作物水分实时监测和快速诊断成为可能, 也是实现大面积农田作物水分状况非接触和无损监测方法的开拓。 王进采用高光谱研究了不同灌水量和不同品种的棉花冠层反射特征, 发现棉花不同品种以及生育期间光谱反射率存在明显差异, 其冠层光谱反射率在近红外波长范围随灌水量的增加而升高^[19]。 不同水分处理下冬小麦冠层光谱也有明显差异, 在近红外波段平台区域(750~1 075 nm)冠层光谱反射率随植株含水率的增加而提高^[9]。 本研究发现, 在700~1 350 nm波段范围内马铃薯冠层光谱反射率随着灌水量的增加而明显上升, 不同灌溉处理之间的差异也较为明显; 在1 350~2 521 nm波段, 水分供应充足的处理冠层光谱反射率也明显高于干旱胁迫处理[图1(a, b)], 与前人的研究结果吻合。

作物水分的光谱监测以作物水分含量为基础, 常用叶片或植株的含水量指标与光谱参数的相关关系表征水分状况, 即通过寻找作物水分敏感波段、 一阶导数或光谱指数等特征光谱参数, 建立作物水分的光谱监测模型。 高光谱数据量大, 需要采取合适的手段提取关键波段。 连续投影(SPA)是一种前向变量选择算法, 能够使矢量空间共线性最小化, 消除原始光谱数据中的冗余信息, 该方法在叶绿素、 生物量的高光谱定量监测中应用广泛^[20]。 有研究表明, 导数光谱能降低光、 大气散射、 大气吸收和土壤背景的影响^[21], 用其建立的模型预测效果更好^[22]。 本研究通过SPA法筛选出了马铃薯叶片含水量的敏感波长13个(图2); 通过相关分析选择了在0.01水平极显著相关的11个特征光谱一阶导数(表5), 有利于构建较高精度且具有普适性的马铃薯块茎形成期叶片含水量估测模型, 光谱指数简单且具有较好的推广性。 本研究通过相关分析选定了相关系数较大的7个特征水分光谱指数, 发现MSI、 NDII、 PSRI、 EVI、 ρ _r、 ρ _g及SD_r/SD_y与马铃薯叶片含水量的相关性较好, 在马铃薯叶片含水量的高光谱监测中具有重要的应用价值。 以特征波长、 特征光谱一阶导数和特征光谱指数构成的组合光谱特征参数共同匹配的马铃薯叶片含水量监测方法较单一光谱特征参数匹配具有更高的稳定性, 能够有效提高马铃薯植株水分监测模型精度, 进一步证明前人研究结果^[23]。 今后研究中, 无人机搭载筛选获得的特征光谱, 探索大面积的马铃薯田植株水分监测方法创建, 可为寒旱区马铃薯精准灌溉提供可靠依据, 同时能够大大减少水资源浪费。

通过比较偏最小二乘回归(PLSR)、 支持向量机(SVM)和BP神经网络(BPNN)方法建立的马铃薯块茎形成期叶片含水量估算模型结果发现, BPNN模型的预测精度最高, 可作为优先选择的估算方法; 其次为SVM模型, 其建模及验证模参数均高于偏最小二乘回归模型; 与其他研究者的结论相似^{[22, 23]}。 多元回归模型可以实现降维和剔除冗余信息, 明显提升光谱分析的精度和可靠性, 从而使模型的预测精度相对较高^{[24, 25]}。 表征马铃薯叶片含水量的特征光谱参数为马铃薯的整个生育时期进行不同土壤供水处理时, 根据其叶片含水量和冠层光谱信息(2020年)的变化规律筛选获得; 该年度水分处理时间长, 严格控制各处理的灌水量, 能够更加准确地体现马铃薯冠层光谱信息与叶片含水量之间的关系, 因此选定的特征光谱参数可能更具代表性和普适性。 采用2021年和2022年的块茎形成期叶片含水量与光谱信息构建了马铃薯该生育时期的冠层叶片含水量预测模型, 结果较好。 三种模型精度均低于独立样本集的预测结果, 主要原因在于建模用的特征光谱参数均由独立样本集(2020年)中的叶片含水量和光谱数据中选取, 并采用其对相同测试环境中的叶片含水量实测值进行了预测, 从而导致拟合效果大幅提升。 表8的主要目的是运用独立样本集验证块茎形成期叶片含水量的三种预测模型迁移性较好, 并进一步证明了基于混合特征光谱参数的马铃薯块茎形成期植株水分监测模型具有较大可行性。

内蒙古地区主要属于温带大陆性气候, 马铃薯种植区域土壤类型为沙壤土, 灌溉量的梯度处理由马铃薯各生育时期最大田间持水量的不同百分比来表征生长环境的干旱、 充足和渍水程度; 对于特殊气候地区, 有必要进一步扩大马铃薯叶片含水量范围, 以扩大模型的监测适应性。 克新1号和斯潘特均为马铃薯中晚熟品种, 为了验证所建模型的实用性, 不同熟性的马铃薯品种归一化水分诊断研究有待深入开展。