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(fā)了模型，發(fā)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(fā)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(fā)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(fā)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(yōu)于僅通過PLS回歸開發(fā)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(qū)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(qū)域觀察到了類似的變化模式。藍色和紅色區(qū)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(qū)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(fā)現MDWI是所有常規(guī)現有指數中最好的指數。新提出的指數優(yōu)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(fā)的模型（PLSR-ANN模型）。因此，從這項研究中可以得出結論，及時發(fā)現缺水脅迫對于精準農業(yè)非常重要。通過這項研究開發(fā)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(qū)域無法獲得高光譜圖像，這限制了在區(qū)域尺度上評估缺水脅迫。在未來的研究中使用機載/衛(wèi)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(fā)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(fā)抗旱品種。
高光譜遙感監(jiān)測水稻缺水脅迫的各種建模方法的比較.pdf