吉林大学生物与农业工程学院, 吉林 长春 130022
生理信息的准确获取及预测可为种植的精细化管理提供依据。 传统的大豆生理信息反演方法检测效率低、 操作过程繁琐且多为有损检测。 利用高光谱技术建立大豆生理信息的快速无损反演方法。 以大豆开花结荚期叶片为研究对象, 在2个日期(D1和D2)获取高光谱、 叶绿素含量、 净光合速率和光合有效辐射数据。 首先分别采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 一阶导数(FD)、 二阶导数(SD)、 Savitzky-Golay平滑(SG)、 MSC-SG-FD、 MSC-SG-SD、 SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理, 随后结合偏最小二乘法(PLS)建立全波段模型, 比较分析, 选出最优预处理方法。 再分别利用竞争性自适应权重取样法(CARS)、 连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取。 最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析, 以校正集和预测集相关系数Rc和Rp为模型评价指标, 最终优选出与大豆生理信息相关性最高的反演模型。 结果表明: 采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高, 分别为0.909和0.882(D1), 0.909和0.880(D2), 采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的Rc和Rp最高, 分别为0.913和0.894, 0.902和0.869, 与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。 进一步对比3种特征波长提取方法的建模, 发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2), 变量压缩率高达96.09%和95.51%, 同时能将光能利用率反演模型的建模变量数压缩至27个和37个, 变量压缩率高达94.73%和92.77%。 最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS, Rc值为0.944(D1)和0.941(D2), Rp值为0.911和0.903, 反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS, Rc值为0.929(D1)和0.925(D2), Rp值为0.912和0.907, 所建模型精度较高, 可为大面积检测大豆生理信息提供技术支持。
高光谱 大豆 生理信息 特征波长 反演模型 Hyperspectral Soybean Physiological information Characteristic wavelength Inversion model 光谱学与光谱分析
2020, 40(11): 3542
吉林大学生物与农业工程学院, 吉林 长春 130022
大豆胁迫的快速无损检测对提高大豆品质和产量至关重要, 近年来, 通过高光谱技术进行植物胁迫的检测得到广泛应用, 但针对大豆水氮胁迫的应用研究鲜有报道。 针对开花结荚期大豆设置了4种水分和5种氮素水平进行胁迫实验, 获取高光谱、 叶绿素含量和净光合速率生理信息数据, 并通过光谱数据计算了15个光谱植被指数, 最终选取了5种植被指数, 分别为归一化差异植被指数NDVI、 比值植被指数RVI、 绿色归一化差异植被指数GNDVI、 改进红边归一化指数mNDVI705和叶绿素指数LCI以指示水氮胁迫对大豆的影响。 同时通过建立单叶叶绿素含量和净光合速率反演模型进行大豆生理信息的预测, 采用相关分析法提取敏感波段, 所提取的敏感波段分别为520～622和485～664 nm; 采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 一阶导数(FD)、 二阶导数(SD)和Savitzky-Golay平滑(S-G)预处理方法, 同时采用主成分分析(PCR)和偏最小二乘(PLS)2种建模方法, 将其按一定关系组合成多种方法, 以相关系数为模型评价指标, 寻找出最优预处理与建模方法的组合。 结果表明: 未受胁迫和受胁迫大豆的高光谱曲线具有整体变化趋势一致但光谱反射率值不同的特征, 未受胁迫大豆的反射率在500～700 nm波段具有最低值, 在760～900 nm波段具有最高值; 随着水氮胁迫程度的增加, 500～700 nm波段的反射率逐渐增加。 不同水分和氮素水平对植被指数的影响不同, 但变化规律一致, 5种植被指数均表现为未受胁迫大豆大于受胁迫大豆, 且随着水氮胁迫程度的增加, 植被指数值逐渐减小。 建立反演模型所用最优方法组合为MSC+FD+S-G+PLS和SNV+SD+S-G+PLS, 校正集相关系数分别为0.960 6和0.992 7, 预测集相关系数分别为0.972 0和0.970 8, 表明所建模型的精度较高, 可对受胁迫和未受胁迫大豆单叶叶绿素含量和净光合速率生理信息进行精准预测, 为大面积种植时检测其生理信息提供技术支持。
大豆 水氮胁迫 高光谱 光谱植被指数 反演模型 Soybean,Water and nitrogen stress Hyperspectral Spectral vegetation index Inversion model 光谱学与光谱分析
2020, 40(5): 1575
