摘要:本研究旨在理解不同缺水脅迫下10個水稻基本型的表現。記錄了不同脅迫水平下植物的相對含水量(RWC)以及在350-2500 nm范圍內的高光譜數據。通過光譜指數,多元技術和神經網絡技術確定最佳波段,并建立預測模型。建立了新的水敏感光譜指數,并就RWC評估了現有的水帶光譜指數。這些基于指數的模型可以有效地預測RWC,R2值為0.73至0.94。在350-2500 nm范圍內的所有可能組合中,使用比率光譜指數(RSI)和歸一化光譜指數(NDSI)繪制等高線,并量化與RWC的相關性以確定最佳指數。光譜反射率數據(ASD Field Spec3 spectroradiometer測量)還用于建立偏最小二乘回歸(PLSR),然后進行多元線性回歸(MLR)和人工神經網絡(ANN),支持向量機回歸(SVR)和隨機森林(RF)模型來計算植物RWC。在這些多元模型中,PLSR-MLR被認為是預測RWC的最佳模型,校正和驗證的R2分別為0.98和0.97,預測的均方根誤差(RMSEP)為5.06。結果表明,PLSR是鑒定作物缺水脅迫的可靠技術。盡管PLSR是可靠的技術,但如果將PLSR提取的最佳波段饋入MLR,則結果會得到顯著改善。使用所有光譜反射帶建立了ANN模型。建立的模型未取得令人滿意的結果。因此,使用PLSR選擇的最佳波段作為獨立x變量開發了模型,發現PLSR-ANN模型比單獨的ANN模型更好。該研究成功地在各種建模方法之間進行了分析比較,以量化缺水脅迫。通過預測農作物的RWC,開發出的方法可通過預測農作物的RWC而更準確地識別缺水脅迫。
本研究的目標是:(1)評估現有水帶指數以及開發新的有效水帶指數;(2)確定對作物的RWC敏感的最佳波段;(3)使用多元技術和神經網絡開發各種RWC預測模型,并彼此之間進行比較;(4)評估PLSR-MLR模型以測試其功效是否優于僅通過PLS回歸開發的模型。
缺水脅迫下光譜反射率的變化
通常,特定作物表現出相似的反射光譜。但是缺水脅迫帶來了反射光譜的顯著變化。該研究顯示了不同缺水脅迫下植物的反射率模式。新鮮植物的反射率較低,而干燥植物的反射率較高。RWC降低,SWIR區域反射率反而增加,原因是1400 nm和1900 nm處水吸收特征減弱。在350-700 nm波長區域觀察到了類似的變化模式。藍色和紅色區域(葉綠素a和b的吸收范圍)中光譜顯示出隨著RWC降低,反射率增加。隨著葉片的干燥,1400-1925 nm波長向較短波長移動,且光譜反射率增加。隨著RWC的降低,1400-1500 nm和1850-1900 nm處的吸收特征變淺。吸收率下降的原因是RWC降低而使水吸收特性減弱。在810-1350 nm的海綿狀葉肉中的散射也反映出反射率隨RWC降低而增加的類似趨勢。此外,在中紅外(1100-2500 nm)處的吸收也是一個強烈的吸收區域,隨著RWC降低,葉片枯萎主要通過新鮮葉片中的水,其次是通過干物質(例如蛋白質,木質素和纖維素)而變得更加明顯。
?
圖2顯示了水稻葉片隨相對含水量降低,其基因型的平均光譜反射率結果,顯示了相對含水量的百分比以及不同時間間隔的響應光譜。
圖8顯示了從偏最小二乘回歸模型中提取的潛在變量。光譜的波峰和波谷用于相對含水量預測的最佳波段。右下圖顯示了三個潛在變量的覆蓋。
圖13顯示了使用校準和驗證的R2和RMSEP進行多元模型和神經網絡模型的性能評估。
結論:這項研究成功地評估了基于指數,多元技術和神經網絡的方法,準確地預測了水稻基因型缺水脅迫條件下的相對含水量(RWC)。評估了現有的水帶指數,并提出了對水分脅迫敏感的新水帶指數。發現MDWI是所有常規現有指數中最好的指數。新提出的指數優于所有其他指數。對于水稻作物的RWC的估算,MLR技術(PLSR-MLR模型)是最好的(產生高R2和低RMSEP),其次是通過PLSR和ANN技術開發的模型(PLSR-ANN模型)。因此,從這項研究中可以得出結論,及時發現缺水脅迫對于精準農業非常重要。通過這項研究開發的模型和指數可以有效地檢測水分虧缺脅迫。使用高光譜反射率測量作物不同階段的相對含水量(RWC)可以及時檢測出水分虧缺脅迫。與基于地面的光譜輻射儀數據相比,高光譜成像可以提供大面積覆蓋,并且將更加適合。研究區域無法獲得高光譜圖像,這限制了在區域尺度上評估缺水脅迫。在未來的研究中使用機載/衛星傳播的高光譜數據可能會大大增強此類研究的實用性。為預測RWC而開發的方法可利用作物反射光譜更準確地識別缺水脅迫,并可用于開發抗旱品種。
高光譜遙感監測水稻缺水脅迫的各種建模方法的比較.pdf