本發(fā)明涉及一種小麥葉干重監(jiān)測方法，具體涉及一種基于連續(xù)小波分析建立小麥葉干重定量模型的方法。

背景技術(shù)：

小麥?zhǔn)鞘澜缟献钪匾募Z食作物之一。全世界有35％～40％的人口以小麥為主食。我國小麥年產(chǎn)量約為1億噸，占全國糧食總產(chǎn)量的22％，占世界小麥總產(chǎn)量的20％。

葉干重是衡量植被葉層結(jié)構(gòu)是否良好的參數(shù)，對于物質(zhì)生產(chǎn)和產(chǎn)量形成具有重要作用。利用高光譜遙感技術(shù)對作物葉干重進(jìn)行實時、快速、無損監(jiān)測是信息農(nóng)業(yè)的熱點問題。雖然前人利用高光譜遙感對植物地上部干重和葉干重進(jìn)行了大量的研究，但對作物的葉干重研究較少。已有研究表明，基于特定高光譜波段構(gòu)建的植被指數(shù)[(ρNIR/ρRedEdge)-1]和[(ρNIR/ρGreen)-1]可以預(yù)測玉米地上綠葉生物量；基于植被指數(shù)SR(R900，R680)、NDVI(R900，R680)和NDVI(R708，R565)可以預(yù)測小麥(Triticum aestivum)地上部生物量。然而，已有研究大多基于冠層和高空尺度對作物地上部生物量和基于單葉尺度對作物葉片干重研究較多，而對單位土地面積葉干重研究較少。雖然Gitelson等從冠層尺度上預(yù)測了玉米地上部綠葉生物量，但所選波段是位于可見光和近紅外區(qū)域，而這兩個區(qū)域并不是葉片干物質(zhì)的吸收區(qū)域，因而很難從機(jī)理上對其進(jìn)行解釋。同時前人大多對一年或幾年的數(shù)據(jù)進(jìn)行分析，涉及的品種，年份，生態(tài)點和處理往往較少，因而所構(gòu)建的模型的外推性、普適性和通用性往往比較差。因此，有必要采用更全面和精細(xì)的高光譜采樣與分析方法，探索發(fā)現(xiàn)新的敏感波段及其高光譜指數(shù)，從而建立普適性和機(jī)理性兼?zhèn)涞男←溔~干重定量模型。

小波分析法作為一種新的信號處理方法，為精確獲取作物長勢、生理參數(shù)和品質(zhì)信息提供了有效的手段和方法。利用小波分析法挖掘作物、草原和森林高光譜海量信息已有報導(dǎo)。Cheng等基于高光譜信息利用連續(xù)小波分析法來監(jiān)測樹木綠葉蟲害和預(yù)測植物葉片含水量。然而，小波母函數(shù)的選擇對結(jié)果準(zhǔn)確性影響很大，前人大多依據(jù)波形的相似性進(jìn)行小波函數(shù)的選取。目前，應(yīng)用最多是Mexican Hat(墨西哥帽)，但是Mexican Hat是否是最好的用于高光譜信息提取的小波函數(shù)還有待研究；另外，如何確定最佳母函數(shù)的適宜尺度和敏感波段也一直沒有明確定論。因此，有必要采用科學(xué)系統(tǒng)的分析方法選擇比較多種小波母函數(shù)，確定最佳敏感波段和適宜尺度，從而建立解釋性和精確性兼?zhèn)涞男←溔~干重定量模型。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是運(yùn)用最新的高光譜數(shù)據(jù)分析方法，提供一種基于連續(xù)小波分析的冠層高光譜小麥葉干重監(jiān)測方法，利用高光譜數(shù)據(jù)分析方法和技術(shù)，分析108種小波函數(shù)及不同尺度下高光譜350～2500nm波段范圍內(nèi)由原始光譜反射率經(jīng)連續(xù)小波變換后的小波系數(shù)與小麥葉干重的定量關(guān)系，探索指示小麥葉干重的最佳小波函數(shù)及其特征值，并建立基于高光譜參數(shù)的小麥葉干重定量模型，其技術(shù)方案為：

一種基于連續(xù)小波分析建立小麥葉干重定量模型的方法，該方法的步驟如下：

步驟(1)、選擇采樣小區(qū)，獲得小麥冠層高光譜反射率、小麥葉干重(CLB,canopy leaf biomass per ground area)；采樣小區(qū)采自不同試驗點、不同品種、不同施氮水平、不同種植密度和不同年份；

步驟(2)、小波是小區(qū)域、長度有限、均值為0的波形，它具有衰減性和波動性。小波變換是時間(空間)頻率的局部化分析，它通過伸縮平移運(yùn)算對信號(函數(shù))逐步進(jìn)行多尺度變換。小波變換包括離散小波變換(DWT,discrete wavelet transform)和連續(xù)小波變換(CWT,continuous wavelets transform)。DWT雖能減少變換的冗余信息，但容易遺漏有用的信號信息。

本發(fā)明采用公式(1)對步驟(1)獲得的小麥冠層高光譜反射率數(shù)據(jù)進(jìn)行連續(xù)小波變換，獲得特定波長和特定尺度下的小波系數(shù)C：

公式(1)為小波變換的小波函數(shù)公式，其中：

a為尺度(scale)，本發(fā)明中尺度為2³,2⁴,2⁵,2⁶,2⁷,2⁸,2⁹,2¹⁰，為了表述方便，分別用S₃，S₄，S₅，S₆，S₇，S₈，S₉，S₁₀表示；

b為平移因子；在進(jìn)行連續(xù)小波變換時，matlab軟件會自動進(jìn)行平移，進(jìn)而獲得連續(xù)小波系數(shù)；

t為波段350～2500nm；

f(t)為對應(yīng)波段的小麥冠層高光譜反射率；

為小波函數(shù)，選自15個小波族，共108種小波函數(shù)(本發(fā)明的108小波函數(shù)選自Matlab8.1，詳見表2)，本發(fā)明使用了上述的108種小波函數(shù)對小麥冠層高光譜反射率進(jìn)行了變換分析。

C為變換后的小波系數(shù)，表示小麥冠層高光譜反射率經(jīng)過連續(xù)小波變換后得到的某一特定尺度和特定波段下小波系數(shù)；

步驟(3)、數(shù)據(jù)分析與利用：

構(gòu)建定量模型：利用步驟(2)中獲得的小波系數(shù)，分析小麥葉干重與小波系數(shù)的定量關(guān)系，篩選出對小麥葉干重敏感的最佳小波函數(shù)及最佳小波函數(shù)對應(yīng)的特征值，并構(gòu)建基于連續(xù)小波分析的小麥葉干重定量模型；

步驟(4)、檢驗定量模型：使用獨立小麥試驗數(shù)據(jù)評估定量模型的可靠性和適用性，采用預(yù)測值和觀測值之間的決定系數(shù)R²和相對均方根差RRMSE對定量模型進(jìn)行評價，作為最佳模型選擇的判斷指標(biāo)：

采用決定系數(shù)R²相對均方根差RRMSE進(jìn)行分析評價，其中RRMSE計算公式如下：

公式(2)中，O_i為試驗中小麥葉干重的觀測值(observed value)，P_i為根據(jù)定量模型估測的小麥葉干重的預(yù)測值(prcdicted value)，n為測試檢驗?zāi)Ｐ蜆颖緮?shù)。

步驟(1)中，獲取小麥冠層高光譜反射率：利用光譜儀測量小麥冠層高光譜反射率，光譜測定選擇在晴朗無云、無風(fēng)或微風(fēng)時進(jìn)行，測定時間為10：00-14：00；有效波段范圍為350～2500nm，其中350～1050nm光譜采樣間隔為1.4nm，光譜分辨率為3nm；1050～2500nm光譜采樣間隔為2nm，光譜分辨率為10nm；測量時傳感器探頭垂直向下于冠層頂部，光譜儀視場角為25°，儀器距離小麥冠層高度1.0m，地面視場范圍直徑為0.44m，每個采樣小區(qū)測定10個采樣點，每個采樣點重復(fù)測量5次，以其平均值作為該采樣小區(qū)的小麥冠層高光譜反射率。

測定小麥葉干重：與測量小麥冠層高光譜反射率同步，采集該采樣小區(qū)內(nèi)各采樣點內(nèi)所有綠色葉片，烘干后計算獲得小麥葉干重CLB；具體操作為：采集該采樣小區(qū)內(nèi)各采樣點內(nèi)所有綠色葉片，在105℃下殺青并在80℃下烘干至恒重后稱重，以各采樣點的平均值計算獲得該小區(qū)單位土地面積上小麥葉片總干重(kg/m²)，即小麥葉干重CLB。

葉干重的采樣點面積是0.25m²，小麥冠層高光譜反射率的采樣點直徑是0.44m，一個采樣小區(qū)可以選取多個采樣點測光譜，以各采樣點的光譜平均值作為該小區(qū)的平均光譜；同理，CLB的采樣也是測量一個采樣小區(qū)內(nèi)多個采樣點，以各采樣點的平均值作為該小區(qū)的平均CLB。

所述的光譜儀采用背掛式野外高光譜輻射儀。

步驟(3)中，利用步驟(2)獲得的小麥冠層高光譜反射率經(jīng)過連續(xù)小波變換后的小波系數(shù)和小麥葉干重，計算出在不同波段和不同尺度下小波系數(shù)與小麥葉干重CLB的決定系數(shù)R²，篩選出對小麥葉干重敏感的最佳小波函數(shù)及最佳小波函數(shù)對應(yīng)的特征值，并構(gòu)建基于連續(xù)小波分析的小麥葉干重定量模型；

對小麥葉干重敏感的最佳小波函數(shù)為db7，最佳尺度為S₈，最佳小波函數(shù)對應(yīng)的特征值為db7(W₁₁₉₇,S₈)。

基于最佳特征值db7(W₁₁₉₇,S₈)構(gòu)建的小麥葉干重定量模型為CLB＝0.43db7(W₁₁₉₇,S₈)+0.070，小波特征值db7(W₁₁₉₇,S₈)與小麥葉干重CLB決定系數(shù)(R²)為0.75。

步驟(4)中，小麥葉干重定量模型的預(yù)測值和觀測值的決定系數(shù)R²為0.67，相對均方根差RRMSE為27.26％。模型的R²越高，RRMSE越低，模型的精度(準(zhǔn)確度)越好，但有時R²較高，RRMSE不一定較低，如果RRMSE過大，那么三點后過度分散，R²過小散點會過度偏離預(yù)測線，都會造成部分?jǐn)?shù)據(jù)點的預(yù)測嚴(yán)重偏離實際值。

采用本發(fā)明基于連續(xù)小波分析的小麥葉干重定量模型監(jiān)測小麥葉干重的方法，步驟如下：

(1)、選擇采樣點，獲得該小區(qū)的平均小麥冠層高光譜反射率；

(2)、采用公式(1)對步驟(1)獲得的小麥冠層高光譜反射率數(shù)據(jù)進(jìn)行連續(xù)小波變換，獲得特定波段和特定尺度下的小波系數(shù)C，即db7(W₁₁₉₇,S₈)：

(3)、將(2)計算獲得的小波系數(shù)C代入小麥葉干重定量模型CLB＝0.43db7(W₁₁₉₇,S₈)+0.070，獲得該采樣小區(qū)相應(yīng)的小麥葉干重。

本發(fā)明中，小麥冠層高光譜反射率及小麥葉干重數(shù)據(jù)的連續(xù)小波分析和模型的構(gòu)建和選取均在Excel2013和MATLAB8.1(The Math Works，2013)進(jìn)行。

高光譜是相對于傳統(tǒng)的多光譜而言的，指分辨率小于10nm的連續(xù)光譜，具有分辨率高、信息量大的特點，為本領(lǐng)域公知概念。

本發(fā)明的有益效果：

本發(fā)明基于不同年份、不同品種、不同密度、不同氮肥和不同生育時期下的小麥田間試驗，全面分析了350～2500nm范圍內(nèi)小麥冠層光譜反射率經(jīng)連續(xù)小波變換后的小波系數(shù)與小麥葉干重的定量關(guān)系，確定預(yù)測小麥葉干重的小波函數(shù)、敏感波段和適宜尺度，建立了基于小波函數(shù)及其特征值db7(W₁₁₉₇,S₈)的小麥葉干重定量模型。利用獨立試驗數(shù)據(jù)對模型的檢驗結(jié)果顯示，小麥葉干重定量模型的預(yù)測值和觀測值的決定系數(shù)(R²)為0.67，相對均分根誤差(RRMSE)為27.26％，準(zhǔn)確性和穩(wěn)定性較好。這些結(jié)果為小麥葉干重的快速精確診斷、無損監(jiān)測提供了可靠的估測模型，為今后有關(guān)利用高光譜數(shù)據(jù)監(jiān)測作物葉干重提供參考。

附圖說明

圖1是本發(fā)明基于連續(xù)小波分析的小麥葉干重監(jiān)測方法的流程圖；

圖2為小麥葉干重與小波特征值db7(W₁₁₉₇,S₈)之間的關(guān)系圖(n＝1036)；

圖3為基于小波特征值db7(W₁₁₉₇,S₈)的小麥葉干重預(yù)測值與觀測值的1：1關(guān)系圖(n＝466)。

具體實施方式

下面結(jié)合具體附圖與實施例對本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)地說明。

本發(fā)明共進(jìn)行了連續(xù)7年的8個生態(tài)點的10個品種的不同氮肥和不同密度的小麥田間試驗，具體試驗設(shè)計如下表1。

表1試驗數(shù)據(jù)采集的詳細(xì)田間試驗信息表

一種基于連續(xù)小波分析建立小麥葉干重定量模型的方法，具體步驟如下：

步驟(1)、選擇采樣小區(qū)，獲得小麥冠層高光譜反射率、小麥葉干重；

獲得小麥冠層高光譜反射率：光譜測定選擇在晴朗無云、無風(fēng)或微風(fēng)時進(jìn)行，測定時間為10：00-14：00。利用美國Analytical Spectral Device(ASD)公司生產(chǎn)的FieldSpec Pro FR2500型背掛式野外高光譜輻射儀測量小麥冠層高光譜反射率，有效波段范圍為350～2500nm，其中350～1050nm光譜采樣間隔為1.4nm，光譜分辨率為3nm；1050～2500nm光譜采樣間隔為2nm，光譜分辨率為10nm；測量時傳感器探頭垂直向下于冠層頂部，光譜儀視場角為25°，高度約1.0m，地面視場范圍直徑為0.44m，測定10個樣點，每個樣點重復(fù)測量5次(視場)，以其平均值作為該小區(qū)的小麥冠層高光譜反射率。

測定小麥葉干重：與小麥冠層高光譜反射率獲取同步，通過田間采樣測定小麥葉干重CLB：在采樣小區(qū)內(nèi)采集各采樣點內(nèi)的所有綠色葉片，在105℃下殺青并在80℃下烘干至恒重后稱重，以該采樣小區(qū)內(nèi)各采樣點的平均值計算獲得該采樣小區(qū)單位土地面積上小麥葉片的總干重，即小麥葉干重(CLB,單位kg/m²)；

步驟(2)、采用公式(1)對步驟(1)獲得的小麥冠層高光譜反射率數(shù)據(jù)進(jìn)行連續(xù)小波變換，獲得特定波長和特定尺度下的小波系數(shù)C：

公式(1)為小波變換的小波函數(shù)公式，其中：

a為尺度(scale)，本實施例選擇尺度為2³,2⁴,2⁵,2⁶,2⁷,2⁸,2⁹,2¹⁰，分別用S₃，S₄，S₅，S₆，S₇，S₈，S₉，S₁₀；

b為平移因子；

t為波段350～2500nm；

f(t)為對應(yīng)波段的小麥冠層高光譜反射率；

為小波函數(shù)，選自15個小波族，共108種小波函數(shù)(108小波函數(shù)選自Matlab8.1，詳見表2)，使用上述108中小波函數(shù)對小麥冠層高光譜反射率進(jìn)行了變換分析。

C為變換后的小波系數(shù)，表示小麥冠層高光譜反射率經(jīng)過連續(xù)小波變換后得到的某一特定尺度和特定波段下小波系數(shù)；

步驟(3)、構(gòu)建定量模型：

利用試驗2，試驗4，試驗5，試驗7和試驗8(樣本數(shù)共1036)這5年的試驗資料，利用步驟(2)計算出不同波段(350-2500nm)和不同尺度(尺度S₃-S₈)下的所有小波系數(shù)，計算出小波系數(shù)和對應(yīng)的小麥葉干重的決定系數(shù)(R²)，篩選出對小麥葉干重敏感的最佳小波函數(shù)為db7、最佳小波函數(shù)對應(yīng)的最佳特征值為db7(W₁₁₉₇,S₈)，基于最佳特征值db7(W₁₁₉₇,S₈)構(gòu)建小麥葉干重定量模型：CLB＝0.43db7(W₁₁₉₇,S₈)+0.070，小波函數(shù)與小麥葉干重CLB決定系數(shù)(R²)為0.75(參見圖2)。

表2本發(fā)明使用的108種小波函數(shù)詳細(xì)信息

注：參考文獻(xiàn)來源：

1、Daubechies,I.,1992.Ten lectures on wavelets.Vol.61.Philadelphia:Society for Industrial and Applied Mathematics.

2、Teolis,A.,1998.Computational signal processing with wavelets.Birkhauser Boston Inc.

3、Addison,P.S.,2002.The illustrated wavelet transform handbook:introductory theory and applications in science,engineering,medicine and finance.The Chemical Rubber Company Press Boca Raton,Florida.

4、Bernardino,A.；Santos-Victor,J.A real-time Gabor primal sketch for visual attention.Iberian Conference on Pattern Recognition and Image Analysis.Estoril,Portugal,June 2005；335-342.

步驟(4)、為了檢驗小麥葉干重監(jiān)測模型定量模型的可靠性和適用性，利用試驗1，試驗3和試驗6(樣本數(shù)共466)這3年獨立試驗資料對上述模型進(jìn)行測試和檢驗，同時利用構(gòu)建的模型通過高光譜反射率獲得小麥葉干重的預(yù)測值和小麥葉干重的田間實際測量值，即觀測值之間的決定系數(shù)(R²)和相對均方根差(RRMSE)這2個指標(biāo)來綜合考察模型的表現(xiàn)，并挑選結(jié)果較好的作預(yù)測值與觀測值的1:1關(guān)系圖(圖3)，直觀展示模型的預(yù)測能力。

其中RRMSE計算公式如下：

公式(2)中，O_i為試驗中小麥葉干重的觀測值，P_i為根據(jù)定量模型估測的小麥葉干重的預(yù)測值，n為模型測試檢驗樣本數(shù)。

圖3顯示，基于小波特征值db7(W₁₁₉₇,S₈)構(gòu)建的小麥葉干重定量模型測試結(jié)果表現(xiàn)較好，擬合決定系數(shù)(R²)達(dá)到0.67，相對均方根差(RRMSE)為27.26％，通過了模型的測試和檢驗。