钾（K）是植物生长所需的关键营养元素，缺钾会通过减少叶面积和CO2净固定量来降低对植物光合作用的影响，也会限制植物的新陈代谢和同化物运输。棉花作为世界级重要的经济作物，其生长过程中需要吸收大量的钾以保证产量和纤维品质的形成。由于钾在棉株体内易转移和再分配，因此生长早期棉株易处于“隐性缺钾”状态，到了生育中、后期才表现出缺钾的严重症状。确定棉花叶片缺钾状态的光谱反射特征是快速、准确判别棉花是否需要调整养分管理措施的重要依据。因此，本研究基于叶片尺度，利用高光谱成像技术构建了棉花叶片钾含量（LKC，%）的定量化监测与诊断模型，为进一步提高棉花LKC丰缺状态的科学评估提供新思路。
研究分别采集了棉花三个关键生育时期（蕾期、花期和铃期）共1519片主茎叶样本的高光谱成像数据。利用一阶导数（First derivative，FD）、连续小波变换（Continuous wavelet transform，CWT）对原始光谱（Original spectrum，OS）进行预处理；采用相关性分析（Pearson correlation coefficient，PCC）、竞争性自适应重加权采样（Competitive adaptive reweighted sampling，CARS）以及随机蛙跳算法（Random frog algorithm，RFA）筛选棉花LKC的光谱和图像特征；运用偏最小二乘回归（Partial least squares regression，PLSR）、随机森林回归（Random forest regression，RFR）及支持向量回归（Support vector regression，SVR）构建基于“多特征”的棉花LKC监测模型；运用随机森林（Random forest，RF）、支持向量机（Support vector machine，SVM）及K-近邻算法（K-nearest neighbor，KNN）构建基于“多特征”的棉花LKC分级诊断模型。
结果表明：（1）利用连续小波变换对原始光谱预处理能够明显提高棉花LKC与光谱的相关性，蕾期、花期和铃期最佳分解尺度分别是CWT-1、CWT-3及CWT-9。基于小波系数谱进一步融合图像颜色、纹理特征后，蕾期最佳监测模型为CWT-1+纹理、花期CWT-3+颜色以及铃期CWT-9+纹理。较单一原始光谱模型精度R2val分别提高了0.2、0.1及0.2。基于“光谱+图像”特征监测棉花LKC的最佳生育时期为铃期，其R2val和均方根误差（The root-mean-square error，RMSE）分别为0.89和0.20。
表1 不同特征组合下叶片钾含量的PLSR估计模型
Table 5-5 PLSR estimation models of the LKC with different combinations of features |
| 生长阶段 |
方法 |
特征组合 |
校正集 |
验证集 |
| R2cal |
RMSEcal |
R2val |
RMSEval |
| 蕾期 |
CARS |
原始光谱 |
0.8003 |
0.3578 |
0.6613 |
0.5292 |
| CWT-1 |
0.8104 |
0.3485 |
0.7918 |
0.3680 |
| CWT-1+颜色 |
0.8124 |
0.3467 |
0.8127 |
0.3488 |
| CWT-1+纹理 |
0.8017 |
0.3564 |
0.8652 |
0.3009 |
| CWT-1+颜色+纹理 |
0.8344 |
0.3258 |
0.7980 |
0.3602 |
| 花期 |
CARS |
原始光谱 |
0.8397 |
0.1789 |
0.7530 |
0.2202 |
| RF |
CWT-3 |
0.8405 |
0.1785 |
0.7900 |
0.1987 |
| CARS |
CWT-3+颜色 |
0.8530 |
0.1714 |
0.8261 |
0.1821 |
| CWT-3+纹理 |
0.8400 |
0.1788 |
0.8012 |
0.1952 |
| CWT-3+颜色+纹理 |
0.8621 |
0.1660 |
0.7960 |
0.2007 |
| 铃期 |
CARS |
原始光谱 |
0.6487 |
0.3274 |
0.6643 |
0.3405 |
| CWT-9 |
0.6310 |
0.3356 |
0.8080 |
0.2508 |
| CWT-9+颜色 |
0.6333 |
0.3345 |
0.8111 |
0.2463 |
| CWT-9+纹理 |
0.6948 |
0.3052 |
0.8952 |
0.2019 |
| CWT-9+颜色+纹理 |
0.7603 |
0.2704 |
0.8272 |
0.2450 |
（2）基于553 nm、672 nm及740 nm合成的特征图像能够较好的显示和提取棉花缺钾叶片的局部特征。缺钾叶片叶色随生育时期的变化表现出“绿色-黄色-褐色”的渐变过程。其中，叶片黄色和褐色像素面积随钾含量的降低而扩大，局部特征与LKC表现为极显著高相关关系。最优特征集包括band2672 nm/band1553 nm、叶片总像素面积（Total pixel area，TPA）、黄色区域像素面积（Yellow pixel area，YPA）、褐色区域像素面积（Brown pixel area，BPA）、黄色区域占总叶片总像素面积比值（Yellow pixel area ratio，YPAR）以及褐色区域占总叶片总像素面积比值（Brown pixel area ratio，BPAR）。基于“局部+整体”特征构建的诊断模型准确率、Kappa系数及召回率均大于0.7，能够较好的诊断出棉花LKC水平。
| 表2 基于RF、SVM和KNN算法的棉花叶片钾含量分类诊断模型精度评价（验证集） |
| 特征 |
RF |
SVM |
KNN |
| Acc |
Kappa |
Re |
ACC |
Kappa |
Re |
ACC |
Kappa |
Re |
| 单一特征 |
VI6 |
0.278 |
0.039 |
0.278 |
0.330 |
0.110 |
0.332 |
0.480 |
0.310 |
0.480 |
| TPA |
0.540 |
0.374 |
0.532 |
0.435 |
0.244 |
0.432 |
0.490 |
0.320 |
0.490 |
| BPA |
0.704 |
0.606 |
0.703 |
0.461 |
0.280 |
0.458 |
0.720 |
0.632 |
0.720 |
| BPAR |
0.617 |
0.490 |
0.617 |
0.652 |
0.536 |
0.650 |
0.700 |
0.598 |
0.700 |
| YPA |
0.670 |
0.560 |
0.671 |
0.478 |
0.307 |
0.481 |
0.640 |
0.518 |
0.640 |
| YPAR |
0.600 |
0.467 |
0.601 |
0.609 |
0.478 |
0.608 |
0.670 |
0.564 |
0.670 |
| 综合特征 |
综合特征5 |
0.565 |
0.420 |
0.564 |
0.374 |
0.170 |
0.375 |
0.710 |
0.609 |
0.710 |
| 综合特征4 |
0.678 |
0.571 |
0.675 |
0.357 |
0.147 |
0.357 |
0.740 |
0.655 |
0.740 |
| 综合特征3 |
0.626 |
0.501 |
0.623 |
0.322 |
0.102 |
0.325 |
0.750 |
0.667 |
0.750 |
| 综合特征2 |
0.644 |
0.525 |
0.642 |
0.304 |
0.079 |
0.308 |
0.760 |
0.678 |
0.760 |
| 综合特征1 |
0.617 |
0.489 |
0.614 |
0.313 |
0.091 |
0.317 |
0.710 |
0.609 |
0.710 |
| 综合特征6 |
0.957 |
0.942 |
0.964 |
0.783 |
0.713 |
0.804 |
0.983 |
0.977 |
0.982 |
关键词：棉花；钾含量；多特征；高光谱成像；监测诊断模型
发表评论