本论文的应用方向集中于农业中作物叶片生物量的精准监测及高光谱数据的特征提取。通过提出的SIPLS-SPA方法，有效提取小麦叶片生物量的敏感光谱特征，用于构建准确、稳定的预测模型，支持农田精准管理、资源优化及作物育种。同时，该方法适用于植物性状的快速检测，为生态环境监测中的碳循环评估和农业信息化提供新思路。这一成果可广泛应用于未来农业和生态系统的相关研究中。
背景：
叶片生物量不仅是反映作物生长状况的关键参数，还能有效指示气候变化、食品安全及施肥状况。传统的地面采样方法虽然精确，但具有破坏性，且耗时费力，难以在大范围内实现快速、有效的空间和时间监测。相比之下，遥感技术提供了非破坏性、快速且准确的解决方案，而高光谱遥感通过获取连续的光谱信息，能更加全面地反映作物特性。然而，完整波段的高光谱数据中包含大量冗余信息和噪声，这不仅增加了数据处理的负担，还会影响模型的精度和稳定性。因此，选择少量敏感特征波段，提取主要信息，成为提升监测效率和精度的关键步骤。
为克服这些缺点并提升高光谱数据的特征选择效果，作者提出了一种新的混合方法SIPLS-SPA。具体而言，将所选择的最佳光谱特征确定为目标变量，用于建立更准确且稳定的模型，以监测小麦叶片生物量。同时，作者将该方法的性能与SIPLS、SPA及全波段方法分别进行了比较。精度、可靠性和实用性被用作评价所选特征及构建混合模型的性能指标。该研究结果将为今后农业中作物性状检测的相关研究提供有效的实证参考。
实验设计
1.1.材料与方法
(1)麦田试验
本研究在中国东部江苏省如皋（32°15′N，120°38′E）开展了两项田间试验。每个试验均设置了不同的施氮量、品种和冬小麦种植密度（即行距）处理，采用完*随机区组设计，设3个重复，共36个小区。每个地块面积为5m×6m。所有处理均在播种前施用足量的磷酸钙和氯*钾。使用试验田2的标定数据对叶片生物量估算模型进行校准，利用试验田1的验证数据对混合模型的灵敏度和准确性进行评估。
(2)高光谱图像的获取
所有高光谱数据均由高光谱成像系统（GaiaField-V10E，四川双利合谱光谱成像技术有限公司）采集。该系统由成像光谱仪探测器V10E和控制模块组成。该光谱仪由一个CCD相机和一个可见光-近红外（NIR）光谱仪组成，光谱范围为380~1030nm。控制模块由带数据采集软件的计算机和电动位移平台构成。数据采集时间为北京时间10:00至14:00，选择在小麦关键生育期的晴天条件下进行，采集高度为冠层上方1.0m（图1）。
图1.在小麦重要生长阶段采集的图像示例
(3)高光谱图像数据预处理
图像预处理流程如图2所示。首先，利用标准光强图像对天气引起的光强变化进行校正。然后，为了降低反射噪声，使用了最小噪声分数旋转（MNF）。最后，应用支持向量机方法（SVM）提取小麦感兴趣区域（ROI）。ROI的平均反射率定义为植被光谱。
图2.用于高光谱图像数据的预处理步骤
（4）小麦叶片生物量的测定
在测量了冠层反射率后，收集30株小麦植株，立即带到实验室测定每个地块的叶片生物量（kg/m2）。将所有样品的绿叶与茎分离，然后在105°C下干燥30分钟，在80°C下干燥48小时至恒重。同时，对所有地块每平方米（m²）的分蘖数进行了统计。小麦叶片生物量（kg/m²）通过每株植物的叶片生物量乘以每平方米测得的分蘖数计算得出。
（5）利用SIPLS-SPA方法提取小麦叶片生物量相关的高光谱特征
首先，利用SIPLS-SPA从全波长提取敏感光谱区间，然后，确定敏感光谱区间的*优变量。具体步骤如下：
①将全波段（400–1000nm）划分为P个等间隔（25–50）。例如：如果将波段400–1000nm分为6个区间，则每个区间分别为：400–500nm、501–600nm、601–700nm、701–800nm、801–900nm和901–1000nm。
②构建结合Q（Q=2，3，4）个区间与叶片生物量的PLSR模型。
③重复步骤（1）和（2），通过最小的RMSECV（交叉验证均方根误差）确定P和Q的值。
④根据确定的P和Q得到敏感特征的光谱矩阵，设为X（N*J，其中N为样本个数，J为光谱变量个数）。
⑤随机选取一列作为Xj；其余的定义为S。
⑥分别计算Xj到S的投影。S的最大投影表示最小相关性，其对应的列定义为Xi。
⑦设Xi代替Xj，重复步骤⑤、⑥，直到所选变量的个数达到M的设定值（M为迭代范围，M≤J）。M的值是通过对数据进行多次计算而确定的。在这项研究中，M等于20。
⑧用所选变量和相应生物量拟合多元线性回归（MLR）模型。最后，根据多变量回归的最小验证均方根误差（RMSEv）选择*优变量。
（6）SIPLS-SPA的评价及选取的变量
通过将敏感光谱作为输入变量构建生物量模型，评估变量选择方法SIPLS-SPA的性能以及所选敏感特征的有效性。模型性能从精度、可靠性和实用性三个方面进行评估（见下表）。为了比较精度和可靠性，我们分别在校准和验证数据集中使用了决定系数（Rc²，Rv²）、均方根误差（RMSEc，RMSEv）以及相对均方根误差（RRMSEc，RRMSEv）。模型的实用性包括运行时间（秒）、参数数量、复杂性水平和计算复杂度。
1.2.结果
（1）不同施氮量下小麦冠层反射率的变化及其与叶片生物量的关系
以Exp.2中不同施氮量下的“生选6号”数据为例，分析了冠层反射率的变化（图3A）。结果显示，冠层反射率受氮肥用量的显著影响。具体而言，随着氮肥施用量的增加，由于色素吸收增加，可见光区域的反射率降低；然而，由于水分和冠层结构的影响，近红外区域的反射率上升。进一步分析了小麦叶片生物量与冠层反射率的关系，如图3B所示。在可见光区域（480–720nm），冠层反射率与叶片生物量呈负相关，而在近红外区域（720–900nm），反射率呈正相关，表现为具有较高相关系数（最大相关系数为0.6）的平缓曲线。
图3.(A)Exp.2中在拔节期“生选6号”在三种施氮水平下的冠层反射率；(B)小麦叶片生物量与冠层反射率的线性相关系数
（2）SIPLS-SPA参数确定
采用SIPLS-SPA方法提取小麦叶片生物量的敏感性特征。首先，将全谱划分为最多50个区间，然后对每个病例在Q（Q=2，3，4）区间上构建PLSR模型。通过运行2.4节中的步骤①-④，成功地获得了每个PLSR模型的RMSECV。结果表明，在P=37和Q=4条件下，获得了RMSECV*低的最佳PLSR模型（图4）。这意味着当整个光谱区域平均划分为37个区间时，以22、24、30和37这四个区间构建的PLSR模型表现最佳。
图4.不同P和Q值下SIPLS模型的RMSEcv
（3）SIPLS-SPA筛选小麦叶片生物量敏感性特征
SIPLS选取的4个区间对应的光谱区域分别为694~706nm、722~734nm、806~816nm和890~900nm，共44个波长变量。然后通过反复测试，确定M的值为20。最后，再次运行步骤⑤-⑧，确定最佳高光谱变量为706、724、734、806、808、810、812和816nm（图5）。这些波段被命名为小麦叶片生物量的“最佳高光谱特征”。
图5. SIPLS-SPA提取小麦的最佳光谱变量为706、724、734、806、808、810、812和816nm
（4）基于*优高光谱特征的生物质模型标定与验证
利用SIPLS-SPA选择的输入变量，建立小麦5个生长阶段叶片生物量的标定模型（图6A）。然后用独立的Exp1数据集对模型进行验证。图6B显示了Exp.2中6个重要生育期小麦叶片生物量实测值与预测值的散点图。
图6.在校准(A)和验证(B)中，SIPLS-SPA估算的小麦叶片生物量与预测值之间的拟合关系为1:1
（5）与其他特征选择方法的比较
通过与传统的SIPLS和SPA方法进行比较，评估了新开发的SIPLS-SPA方法的有效性。此外，根据精度、可靠性和实用性（包括变量数量、训练时间、复杂性水平和计算复杂度）对基于这些算法提取的不同数量敏感特征的PLSR模型进行了评估。
下表显示了从与SIPLS-SPA相同的数据集中由SPA和SIPLS提取的敏感变量。结果表明，SIPLS为小麦叶片生物量选择的敏感特征波段为694–706、722–734、806–816和890–900 nm，而SPA选择的敏感特征为726、744、758、816和830 nm。总的来说，SIPLS选择的敏感特征多于SPA和SIPLS-SPA。
利用SPA、SIPLS和SPA-SIPLS选择的敏感特征作为输入变量，构建小麦叶片生物量的PLSR模型。下表总结了它们各自的准确性和可靠性。结果表明，SIPLS模型和全波长模型的Rc2最大（0.84），SPA和SIPLS-SPA次之。而SIPLS-SPA模型的Rv2值最大（Rv2=0.67），SIPLS模型的Rv2值最小。此外，利用SIPLS-SPA选择的敏感特征构建的模型获得了*低的RMSEv（0.059kg/m2）和RRMSEv（38.55%）。
采用时间、复杂度和计算复杂度三个指标评价具有不同敏感特征的PLSR模型的实用性（见下表）。结果表明，SPA模式运行时间最短，SIPLS-SPA次之，全波长模式运行时间最长。SPA和SIPLS-SPA的矩阵复杂度和计算复杂度基本相同，但全波长模型的矩阵复杂度和计算复杂度在所有估计模型中最高。
结论
本研究提出了一种新的计算方法SIPLS-SPA，将SIPLS和SPA两种方法结合用于从高光谱图像中提取敏感特征，以检测小麦叶片生物量。通过SIPLS-SPA方法筛选出的8个波段（706、724、734、806、808、810、812和816 nm）被认为是最佳的高光谱特征，作为输入变量构建PLSR模型以估算冬小麦的叶片生物量。与其他先进的特征选择技术相比，所选特征和构建的生物量模型在去除不相关、共线性、简单变量方面表现更优，且具有较低复杂度、降低的计算复杂性和更短的运行时间。总体而言，结果表明SIPLS-SPA是一种强大的高光谱特征选择方法，可用于农业应用中植物性状的估算。
推荐产品
GaiaField-V10E
作者简介
通讯作者：姚霞，南京农业大学，博导
参考文献
论文引用自一区文章：Min Jia, Wei Li, Kangkang Wang, Chen Zhou, Tao Cheng, YongChao Tian, Yan Zhu, Wei*ing Cao, Xia Yao. A newly developed method to extract the optimal hyperspectral feature for monitoring leaf biomass in wheat. Computers and Electronics in Agriculture. Volume 165, 2019, 104942.
