目的
籽粒蛋白含量是衡量小麦品质优劣的重要标准，快速准确预测小麦GPC有利于其品质评价和分级管理。
方法
文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素，并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测，最终构建及评价基于不同自变量和不同方法的GPC预测模型。
结果
（1）小麦开花期氮素参数，小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关，影响小麦籽粒蛋白品质的关键性气象因子包括5月26—30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和；（2）以卫星光谱参数、农学氮素参数和气象因子为自变量，分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型；其中，基于多元线性回归模型构建的GPC模型决定系数
R2 为0.598，验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36%、1.091，验证结果较稳定；基于ELM构建的GPC模型R2 为0.483，验证nRMSE和MAE分别为10.895、1.111；基于GWR的GPC模型建模精度及验证精度相对最优，其建模R2 为0.616，验证nRMSE及MAE分别为8.58%、0.956，为最优选择。结论
综合分析模型的精度评价指标可知，考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好，能更加准确地预测冬小麦籽粒蛋白含量，为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据，具有广泛的应用前景。
Purpose
Grain protein content （GPC） is an important indicator to evaluate the quality of wheat.Predicting the GPC quickly and accurately is beneficial to quality evaluation and hierarchical management.
Method
In this study，several factors that correlated with GPC evaluation，including meteorological factors in study area，wheat plant nitrogen parameters in flowering stage，and satellite spectral parameters for wheat samples，were analyzed using multi-linear regression （MLR），extreme learning machine algorithm（ELM） and geographical weighted regression （GWR） methods.Then the GPC prediction models based on different independent variables and methods were built and evaluated.
Result
The results showed that：（1） The nitrogen parameters at wheat flowering stage and the wheat canopy spectral parameters have significant correlations with wheat GPC.The key meteorological factors affecting the GPC of wheat include rainfall from 26 May to 30 May，sunshine time from mid-May to early June and accumulated temperature from early March to early June. （2） The coefficient of determination （
R2 ） of MLR model is 0.598，while the accuracies of Normalized root mean squared error （nRMSE） and Mean absolute error （MAE） are 10.36% and 1.091 respectively，which are stable.TheR2 of the GPC model based on ELM is 0.483，while the standard nRMSE and MAE are 10.895% and 1.111 respectively.TheR2 of the GPC GWR model is 0.616，while the standard nRMSE and MAE are 8.58% and 0.956 respectively，which are the optimal.Conclusion
According to the precision evaluation indicator of the comprehensive analysis model，the multivariate parameter model is superior to the univariate parameter model.The multivariate parameter GWR model that takes the instability of spatial data into account has the best prediction accuracy and can predict the GPC more accurately.This study provides a reliable basis for accurately predicting the GPC in different regions and years，which has a broad application prospect in the future.
0 引言
小麦是世界上最主要的粮食作物之
一［1］ ，同时在全球范围内约有1/3人口以小麦为主要的粮食来源。随着社会经济的快速发展及人民生活水平的提高，农产品的品质受到了越来越多的关注，逐渐由农作物的增产研究转变到品质研究。小麦籽粒蛋白含量（Grain Protein Content，GPC）是小麦最主要的营养参数之一，也是衡量小麦品质优劣的主要标准。遥感技术对现代农业的高效发展有着重要作用，如何快速准确地预测小麦品质成为当前我国现代农业小麦研究的重要方向。因此，小麦GPC的精确估算对小麦品质的评价及管理具有重要意义。研究发现，同一品种小麦在不同年份、不同地区或不同管理措施下，其籽粒品质表现出较大变异，反映出环境条件对小麦籽粒品质具有较大的影响。对小麦品质生产影响的环境因素一般包括自然因素和人为栽培措施两大方面。自然因素中，气候是较为重要的因子。Jenner［2］ 等指出，在籽粒灌浆期间，降水量和温度以及灌溉和养分条件会影响蛋白含量。Akiko［3］ 等研究表明，气候和土壤因素对籽粒蛋白含量的变化有重要作用，特别是在作物的籽粒灌浆期，温度和湿度对籽粒蛋白品质的形成起很大作用，此时若出现高温或水分不足会促使形成大量的籽粒优质蛋白质，籽粒蛋白含量可以通过改进农业管理技术来提高。范雪梅［4］ 研究指出，小麦品质在品种间及地区间存在较大差异，并且受温度、降水、土壤肥力水平、管理措施和栽培条件的影响。陈光斗［5］ 分析了陕西省小麦品质与生态条件的关系，同时指出生态条件对小麦品质具有重大影响。综上所述，作物的籽粒蛋白品质受品种遗传特性、栽培生态环境以及管理方式等多种因素共同影响，所以不论品种是否相同，其籽粒品质在不同区域之间都会有较大差异。近年来，随着无损检测技术的发展和航空航天技术的提高，使得利用遥感信息反演作物生理生化参数进而监测作物品质成为可能，国内外在基于遥感技术进行稻麦品质监测预测方面也取得了一些探索性进展，特别是以小区试验为对象的稻麦品质监测。Song
等［6］ 通过分析冬小麦挑旗期的QuickBird影像，根据其相关性选择与GPC相关的植被指数GNDVI最终用于GPC的预测。谭昌伟［7］ 研究利用多植被指数构建了基于偏最小二乘法的GPC预测模型，模型决定系数为0.642，均方根误差为0.307%，得到较高的预测精度。此类模型经验性比较强，模型在区域间以及年际间的应用扩展性较差。Wang等［8］ 、李映雪等［9］ 通过构建叶片含氮量（Leaf nitrogen content，LNC）和小麦籽粒蛋白含量的预测模型，并耦合相关性较高的光谱参量，实现籽粒蛋白含量的预测，结果较为理想。Huang等［10］ 通过植株氮素含量（Plant nitrogen content，PNC）构建GPC的预测模型，研究得到较高的预测精度。王纪华等［11］ 通过分析不同生育期LNC与敏感波段820~1 100 mm、1 150~1 300 mm光谱反射率的关系构建回归模型，且模型的可靠性达到显著性水平，结果表明利用开花期LNC反演GPC能达到更高的预测精度。针对籽粒蛋白质含量遥感预测年际转移及空间扩展的问题，研究者尝试对籽粒氮素运转原理进行模拟，并且加入生态因子实现年际与空间差异的校正。Orlandini等［12］ 和Guasconi［13］ 等研究结果表明降雨量与GPC呈负相关，温度和日照与GPC呈正相关，因此结合气象数据实现对大面积冬小麦GPC预测具有可行性。王大成等［14］ 综合利用遥感数据和生态因子构建籽粒蛋白质含量经验模型，研究表明结合遥感数据和生态因子的监测结果比单独利用遥感数据或单独利用生态因子的精度高。区域尺度上小麦GPC的遥感监测数据通常是在多个不同地理位置获取的样本数据，以往研究中一般将这些样本数据当作全局变量进行分析，假定回归参数和样本数据的地理位置无关，而在实际问题研究中，经常发现回归参数随地理位置变化而变化，此时若仍采用全局回归模型，那么得到的回归参数是其在整个研究区域内的平均值，不能反映回归参数的空间特征。为了解决这一问题，Fortheringham
等［15］ 在前人研究局域回归参数的基础上，提出的地理加权回归（Geographically Weighted Regression，GWR）模型。该模型将采样数据的空间位置信息嵌入到回归参数中，利用局部加权最小二乘方法进行逐点参数估计，其中“权”是回归点所在的地理空间位置到其他各观测点的地理空间位置之间距离的函数。根据各空间位置上参数估计值随空间位置的变化情况，可以探测空间关系的非平稳性。这种方法因其简单易行和能进行统计检验的特性，得到了广泛关注与研究，成为探测空间关系非平稳性的一种主要方法，目前已被应用于社会经济学、城市地理学、气象学、森林学等诸多学科领域。Paez［16］ 采用地理加权回归模型研究日本仙台市城市热岛效应的空间变化情况，研究结果表明城市温度呈现明显的空间变化；Brundon［17］ 用地理加权回归模型分析英国年平均降雨量与海拔高度之间的关系，模型估计的精度相对较高；Zhang［18］ 用地理加权回归模型构建树的生长和直径之间关系的局域多元模型，研究树在环境竞争中生长的变化情况；苏方林［19］ 应用地理加权回归模型分析县域经济发展的空间特征，研究表明地理加权回归能够更好地反映经济量的空间依赖性。闾妍宇等［20］ 分别基于普通最小二乘模型和地理加权回归模型的方法构建思茅松生物量遥感估测模型，结果表明地理加权回归模型比普通最小二乘模型具有更好的拟合效果。综上所述，冬小麦籽粒蛋白含量的反演预测已经取得了一定的进展，但是目前国内外的模型研究大多基于单一年限试验数据，在同一研究区域及同一年际数据验证时具有较好的稳定性，很难实现模型在区域尺度上的扩展应用；此外，小麦蛋白品质模型构建过程中大都没有考虑温度、降雨等气象因素的影响，使得相关或仅考虑某一种生态因子，地域依赖性较强，模型稳定性存在一定的偏差；同样造成在区域扩展过程中模型的普适性较差。文章以2008—2010年北京地区冬小麦品质遥感监测试验为基础，综合研究区多年、多源数据展开研究，以小麦籽粒蛋白品质为研究目标，分析、筛选影响小麦籽粒蛋白品质的气象、小麦开花期氮素农学参数、遥感光谱参数等多因素指标，在进行传统回归分析的基础上，引入极限学习机（Extreme Learning Machine，ELM）和地理加权回归的方法，开展冬小麦籽粒蛋白含量的预测研究，对比分析不同影响因子的相关性及不同建模方法对小麦GPC预测的影响。研究结果可为利用遥感技术监测预测区域冬小麦蛋白品质和指导小麦分级收割提供理论参考和技术支持。
1 材料和方法
1.1 研究区域概况
该文研究区域为北京地区的代表性农田所在地，地理位置范围为东经115°25′~117°30′，北纬39°38′~40°51′。夏季高温多雨，冬季寒冷干燥，春秋两季持续时间较短，气候特征属于典型的暖温带半湿润季风型大陆性气候。全年无霜期180~200 d，年平均气温8~12℃，年平均降水量空间分布不均，大约为500~700 mm，且降雨季节分配很不均匀，夏季降水量约占全年降水量的80%，主要集中在6—8月3个月份，年平均日照时数在2 000~2 800 h之间。研究区域地块平坦，长势均匀，均为北京地区优质小麦订单生产基地。试验于2008—2010年小麦主要生长季节进行，9月底至10月初播种，翌年6月中旬收获。冬小麦种植采用常规的肥水管理，未进行特殊处理，能够充分反映研究区域冬小麦的长势和品质特征。小麦品种主要为“京9428”，“中优9507”和“京冬8号”3种。
1.2 数据获取与处理
2008—2010年小麦开花期，根据卫星过境周期以及北京当地的气候情况，开展小麦卫星遥感准同步地面实验，地面实验一般在卫星过境当天完成，地面试验包括作物田间调查及取样。
1.2.1 小麦氮素及籽粒品质数据
小麦开花期在北京通州、顺义、昌平区选取合适地块进行小麦植株采样以获取小麦农学氮素参数，3年试验共计田间采样66个。与卫星过境时间准同步，在每个实验地块中间位置，选取长势均匀的植株，取4行，每行60 cm，所有植株样品连根拔起放入样品袋中密封并送入试验室进行进一步处理，所有取样位置均用手持式GPS进行定位。从每一样点植株样中选取20株小麦，进行茎、茎叶分离，分器官装入纸袋，烘箱105℃杀青30 min，用烘箱80℃烘24~48 h至恒重，称重测量各器官的干物质重量，最后用凯氏定氮仪（Buchi B-399，Switzerland）测量各个器官的全氮含量，包括叶片氮含量、茎氮含量、穗氮含量；同时获取叶片生物量、茎生物量、穗生物量等参数，以便于计算该地块小麦的氮素农学参数。在小麦成熟后，每个研究地块内取有代表性的5个1
m2 小麦，经过晒干脱粒，利用FOSS公司的Infratec TM 1241近红外谷物分析仪来测定小麦GPC。研究中3年GPC的范围为9.91%~18.62%，籽粒蛋白含量在年际与区域之间存在较小差异，建模集GPC的范围为9.91%~18.62%，验证集GPC的范围为10.78%~18.06%。1.2.2 卫星遥感影像数据
研究中获取的遥感影像包括北京地区冬小麦开花期的遥感影像数据：2009年5月17日的Landsat5 TM影像、2008年5月13日和2010年5月20日的北京一号卫星影像。在遥感影像的获取过程中，受到大气辐射、地形起伏变化、系统误差等因素的影响，因此在对遥感影像提取光谱特征之前，对遥感影像进行辐射定标、大气校正、几何校正等预处理步骤，消除或减弱在数据获取中产生的客观误差，以期利用遥感影像的波段信息计算出更加精确的光谱特征参数。该研究中Landsat5 TM及北京一号卫星影像的辐射定标及大气校正是利用ENVI软件Quick Atmospheric Correction模块完成，几何纠正利用北京地区实测道路交叉、水坝等明显的GPS控制点进行的，纠正后，精度优于1个像元。
1.2.3 气象数据
2008—2010年研究区气象数据来源于北京地区顺义、密云、怀柔、平谷、通州、大兴、房山和昌平8个气象站点的观测数据，气象因子包括逐日平均温度、逐日最低温度、逐日最高温度、逐日平均日照时数及逐日降雨量等数据。考虑到小麦关键生长期的气象因子对冬小麦籽粒蛋白含量形成具有重要的影响，如小麦籽粒中积累的干物质，约有80%以上来源于小麦生育后期的光合产物。为了寻找关键的气象因子，结合其他研究学者的一些研究观点，该文通过数据整合运算，将2008—2010年小麦关键生育期的气象数据温度、降水和日照时数等与小麦籽粒蛋白的形成相关性高的因子进行处理，按照一定的时间段进行整理，尤其是在小麦品质形成最关键的灌浆中后期至乳熟期按照每5 d、10 d细化。其中关键期的温度数据同时做求和或求差处理，如大于0℃积温、温差、日均最高温、日均最低温、温度大于32 d的天数等。按照不同站点的经纬度信息，利用3年的各个气象因子数据，在软件ArcGIS中采用反向距离插值法得到北京地区区域气象因子数据。研究中采用的部分气象组合因子如表1所示。
表1 研究中采用的部分气象组合因子
Table 1 Some meteorological combination factors used in this study
气象组合因子 简写 气象组合因子 简写 降雨5月下旬—6月上旬和 rain5x6s 5月下旬—6月上旬日照和 sun5x6s 5月21日—5月25日降雨和 rain521 5月26日—5月30日照和 sun526 5月26日—5月30日降雨和 rain526 3月上旬—5月上旬积温和 jiwen3s5s 6月6日—6月10日降雨和 rain606 3月上旬—6月上旬积温和 jiwen3s6s 6月11日—6月15日降雨和 rain611 6月6日—6月10日温度和 jiwen606 3月上旬—5月上旬日照和 sun3s5s 6月6日—6月10日温度均值 junwen606 3月上旬—6月上旬日照和 sun3s6s 5月下旬—6月上旬日温差 wencha5x6s 5月中旬—6月上旬日照和 sun5z6s 注：上旬为每月1—10日，中旬为每月11—20日，下旬为每月21—30日，n=66。
1.3 方法
1.3.1 关键影响因子分析
根据分析的需要，于地面采集试验样点的农学数据以及气象数据，并依据采样点的经纬度提取对应遥感影像的光谱参数，采用传统分析法分别同冬小麦籽粒蛋白含量进行相关性分析。通过Excel数据分析模块对数据进行统计分析后，以相关系数绝对值的大小作为评价标准，对分析结果进行排序，筛选出与小麦籽粒蛋白含量相关的敏感光谱参数、最佳农学参数和气象组合因子。
1.3.2 全局回归分析
全局回归分析（Global Regression，GR）假定回归参数与样本数据的地理位置无关，或者说样本数据在整个空间研究区域内保持稳定一致，在不同地理位置上获取的样本数据，等同于在同一地理位置上获取的多个样本，其回归模型与普通线性回归模型相同，如下所示：
yi =β0 +β1 x1 +β2 x2 +…+βn xn +ε （1）式（1）中，
β0 、β1 、β2 …βn 是n+1个未知参数，β0 为回归常数，β1 、β2 …βn 为回归系数，yi 称为因变量，而x1 ，x2 ，xn 自变量，ε是随机误差。普通线性回归方程未知参数β0 、β1 、β2 …βn 的估计一般采用误差平方和最小的普通最小二乘算法估计，既是该点的最优无偏估计，也是研究区域内所有点上的最优无偏估计。其中，基于光谱参数的预测模型是以GPC为因变量，最佳光谱参数为自变量，构建单变量一元线性回归模型；基于光谱参数—农学参数的预测模型，是以冬小麦籽粒蛋白含量为因变量，最佳光谱参数和农学氮素参数为自变量，构建多变量多元线性回归模型。
1.3.3 极限学习机回归
极限学习机（ELM）是机器学习方法的一个研究热点，是一种有效的单隐层前馈神经网络的算法，具有学习速度快、结构简单、泛化性能好的特
点［21,22］ ，目前ELM算法已经在众多领域得到广泛关注和应用，并且都取得了较大进展［23,24,25,26］ 。设隐层神经元的激活函数f（x），有N个不同样本（xi ，yi ），xi ∈Rn ，yi ∈Rm （i=1，2，…，N）隐含层节点个数为L，则极限学习机的数学表达式为：式（2）中，
wi =［wi1 ，wi2 ，win ］T 为输入节点与第i个隐层节点的输入权值；βi =［βi1 ，βi2 ，βmi ］T 为第i个隐层节点与输出节点的输出权值；bi 为第i个隐层节点的偏置值；yi =［βi1 ，βi2 ，βmi ］T 为第j个输入样本的输出值。该算法主要用于解决分类问题和回归拟合问题。该研究以最佳光谱参数、农学参数、气象因子为自变量，基于ELM对冬小麦籽粒蛋白含量进行训练和检验。文中的ELM回归是在ARTMO软件中实现回归和预测
的［27］ 。1.3.4 地理加权回归模型
传统的全局回归模型假定在整个研究区域内参数是恒定不变的，但实际上小麦籽粒蛋白含量各影响因素的参数（如温度、日照）在空间分布上是不一致的。采样点的数据在空间位置上一般存在较大差异，具有空间非稳定性，随着地理位置的变化因变量与自变量之间的回归参数也会发生变化，Fortheringham
等［15］ 在前人研究局域回归参数的基础上，提出的地理加权回归模型（GWR）。地理加权回归模型是一般线性回归模型的扩展形式，将数据在空间区域上的变化嵌入到回归参数中，使扩展后模型的参数成为观测点地理位置的函数。地理加权回归模型的一般表达式如下：式（3）中，这里（
ui ，vi ）是指第i个采样点的坐标信息（如地理坐标或投影坐标），β0 （ui ，vi ）是第i个采样点上的第k个回归参数，回归参数是采样点坐标位置的函数，yi 为因变量（冬小麦籽粒蛋白含量），其中εi ~N（0，σ2 ），Cov（εi ，εj ）=0（i≠j）。该研究冬小麦GPC地理加权回归模型的构建是在GWR4软件中实现和预测的，以不同数量的自变量来构建更加精准的冬小麦GPC模型。在模型构建时，选择对应的自变量，因变量以及对应的地理位置信息。该研究的空间权函数选择自适应截尾型（Adaptivebi-square）函数，更适应采样点分布不均的情况。带宽优化的方法选择黄金分割搜索法，可以自动识别最优带宽，从而提高地理加权回归模型建模精度。结合该次研究数据的特点，选用AICc准则作为模型拟合度的评估准则，该准则是小样本偏差校正的AIC准则。研究中以光谱参数、农学氮素参数、气象因子作为自变量，GPC作为因变量运用GWR方法进行训练和预测。
1.3.5 统计分析
文中试验数据共计66个，随机抽取2/3的样本（n=44）用于模型构建，1/3的样本（n=22）用于模型验证。针对不同的变量选用不同的建模方法，对模型的精度评价采用的指标为建模集的决定系数
R2 及验证集的均方根误差（Root Mean Squared Error，RMSE）、标准均方根误差（Normalized Root Mean Squared Error，nRMSE）、平均绝对误差（Mean Absolute Error，MAE），用来评价预测值和实测值之间误差的标准。在描述验证模型的精度时，按照给定的差异显著性界限，比如：RMSE<10%为无差异，10%≤RMSE≤20%为较小差异，20%≤RMSE≤30%为中等差异，RMSE≥30%为较大差异，其计算公式分别为［28,29,30,31,32］ ：式（4）~（6）中
yi （%）为GPC实测值，yj （%）为GPC预测值，（%）为GPC实测值的平均值，为GPC预测值的平均值，n为样本数目。2 结果与分析
2.1 小麦氮素LNC及GPC数据特点分析
由于分区域大量均匀的采样小麦数据成本很高，缺乏最近几年的观测数据，研究通过分析3年历史数据所得，2008—2010年冬小麦叶片氮素含量及籽粒蛋白含量的最大值、最小值、均值、方差的数据统计结果如表2所示，其中小麦籽粒蛋白含量在不同年际间存在较大的差异，2010年GPC的最大值、最小值以及均值均大于2008年和2009年，说明本年度小麦籽粒蛋白含量整体数据范围较前两年存在较大的差异，小麦氮素农学指标LNC值也比前两年偏高。根据结果可以看出，同一年度各采样点空间区域上及不同年度年际间存在一定差异，数据在空间关系上存在不稳定性。
表2 2008—2010年小麦氮素及GPC的数据特征分析
Table 2 Analysis of data characteristics of nitrogen and grain protein content of wheat from 2008 to 2010
年份 名称 最大值 最小值 均值 标准差 2008 LNC 4.830 3.871 4.407 13.585 GPC 13.588 12.126 12.767 13.338 2009 LNC 4.933 3.029 4.233 0.429 GPC 17.3 9.91 12.508 1.629 2010 LNC 5.538 3.706 4.780 0.377 GPC 18.619 13.035 15.277 1.533 注：n=66，籽粒蛋白含量（GPC）%，叶片氮素含量（LNC）%
2.2 影响小麦GPC的关键影响因子相关性分析
根据卫星遥感影像计算出的各光谱参数，对3年的各光谱参数与冬小麦GPC进行相关性分析，初步探究光谱参数对籽粒蛋白含量的影响，部分卫星光谱参数于籽粒蛋白含量间的相关性分析结果见表3。
表3 部分光谱参数与籽粒蛋白含量间的相关性
Table 3 Correlation between partial spectral parameters and grain protein content
光谱参数 名称 公式 参考文献 相关系数（r） GI 绿度指数 B2/B3 ［33］ -0.425 NRI 氮反射指数 （B2-B3）/（B2+B3） ［34］ -0.424 MSAVI 修正土壤调整植被指数 ［35］ 0.352 SAVI 土壤调节植被指数 1.5（B4-B3）/（B4+B3+0.5） ［36］ 0.320 NDVI 归一化植被指数 （B4-B3）/（B4+B3） ［37］ 0.252 注：上述公式中B2为绿光波段，B3为红光波段，B4为近红外波段
根据表3各光谱参数与冬小麦GPC的相关性分析结果，并结合各光谱参数与GPC的一元线性回归精度，相关性最大的光谱参数为GI，相关系数为r=-0.425，相关性从大到小依次为：GI、NRI、MSAVI、SAVI、NDVI，选取GI为敏感光谱参数。根据大量学者的研究结论以及该研究的数据基础，选用叶片氮含量作为关键农学参数变量。根据利用气象数据构建的气象组合因子，通过反距离空间插值的方法获得66个采样点的气象数据，分析3年气象数据与冬小麦GPC的相关性，部分气象组合因子与籽粒蛋白含量间的相关性分析结果见表4。
表4 部分气象组合因子与籽粒蛋白含量间的相关性
Table 4 Correlation between some meteorological composition factors and grain protein content
气象组合因子 简写 相关系数（r） 降雨5月下旬—6月上旬和 rain5x6s -0.430 5月21日—5月25日降雨和 rain521 -0.541 5月26日—5月30日降雨和 rain526 0.699 6月6日—6月10日降雨和 rain606 -0.576 6月11日—6月15日降雨和 rain611 0.451 3月上旬—5月上旬和日照 sun3s5s -0.526 3月上旬—6月上旬日照和 sun3s6s -0.558 5月中旬—6月上旬日照和 sun5z6s -0.594 5月下旬—6月上旬日照和 sun5x6s -0.641 5月26日—5月30日照和 sun526 -0.615 3月上旬—5月上旬积温和 jiwen3s5s -0.698 3月上旬—6月上旬积温和 jiwen3s6s -0.715 6月6日—6月10温度和 jiwen606 0.621 6月6日—6月10温度均值 junwen606 0.622 5月下旬—6月上旬日温差 wencha5x6s -0.610 注：上旬为每月1—10日，中旬为每月11—20日，下旬为每月21—30日，n=66
由表4各气象因子与冬小麦GPC的相关性分析结果可知大部分气象因子都和GPC存在极显著的相关关系，相关性最大的气象组合因子为jiwen3s6s，相关系数为r=-0.715，相关性从大到小前5的依次为：jiwen3s6s、rain526、jiwen3s5s、sun5x6s、junwen606，结果表明温度，降雨，光照与冬小麦GPC都有较好的相关性，小麦不同生育期及不同类别的气象因子对籽粒蛋白含量的影响各异，因此在气象因子的选择上，为了综合考虑不同的温度、不同降雨量和不同光照时长对GPC的影响，兼顾相关性及气象因子的类别选择相关性最大的温度因子、降雨因子和光照因子。该文最终选取相关性最大的光谱参数GI，农学氮素参数LNC，气象因子rain526、sun5x6s、jiwen3s6s作为自变量构建冬小麦籽粒蛋白含量的预测模型。
2.3 基于光谱参数的GPC预测模型
利用卫星光谱参数反演冬小麦籽粒蛋白含量，根据所选的敏感光谱参数GI直接构建GPC的单变量反演模型y=20.618-7.027x，其中x表示光谱参数指标，y表示小麦GPC，其结果如图2所示：建模集
R2 为0.226，验证集R2 为0.008。根据建模集的检验精度nRMSE=13.4%，RMSE=1.831，验证集的检验精度nRMSE=16.69%，RMSE=2.276，属于较小差异。根据MAE显示，建模集MAE=1.398，验证集MAE=1.763，模型在模拟时产生较大的偏差。综合建模集和验证集的精度验证指标可以看出，通过分析冬小麦关键生育期遥感信息直接构建的籽粒蛋白含量预测模型，该模型稳定性较差，且机理解释性不强，并且在年际间及区域间很难实现扩展，预测产生较大的偏差。2.4 基于光谱参数—农学氮素参数的GPC预测模型
结合卫星光谱参数和农学氮素参数反演冬小麦籽粒蛋白含量，根据所选的敏感光谱参数GI和农学参数LNC构建GPC的双变量反演模型y=7.263-3.276
x1 +2.148x2 ，其中x1 表示光谱参数指标，x2 表示农学氮素参数，y表示小麦GPC，其结果如图3所示：建模集R2 为0.374，验证集R2 为0.312，整体都达到差异显著水平。根据建模集的检验精度nRMSE=11.77%，RMSE=1.607，验证集的检验精度nRMSE=10.87%，RMSE=1.482，属于较小差异。根据MAE显示，建模集MAE=1.169，验证集MAE=1.121，模型在模拟时产生一定的偏差。该模型主要是通过分析遥感信息及关键农学参数与籽粒蛋白含量之间的定量关系，实现籽粒蛋白含量的预测，根据建模集和验证集的精度验证指标，与前者比较差异性较有所减小，建模精度提高，考虑了农学参数与籽粒蛋白含量的定量关系，机理解释性有所提高，但冬小麦籽粒蛋白含量不仅受到品种遗传因素的控制，更受到温度、日照、降水等生态气象因子的影响，因此，综合考虑其他因素对籽粒蛋白含量的影响对实现其综合预测有一定的必要性。2.5 基于光谱参数—农学参数—气象因子的多元线性回归模型
结合卫星光谱参数、农学参数和气象因子反演冬小麦籽粒蛋白含量，根据所选的敏感光谱参数GI、农学参数LNC和气象因子rain526、sun5x6s、jiwen3s6s，构建GPC的5变量多元线性回归模型y=22.972+2.925
x1 +0.848x2 +0.013x3 +0.003x4 -0.01x5 ，其中x1 表示光谱参数指标，x2 表示农学氮素参数，x3 表示日照时数，x4 降雨量，x5 表示积温，y表示小麦GPC，其结果如图4所示：建模集R2 为0.598，验证集R2 为0.411，差整体都达到差异显著水平。根据建模集的检验精度nRMSE=9.44%，RMSE=1.288，验证集的检验精度nRMSE=10.36%，RMSE=1.412，属于较小差异。根据MAE显示，建模集MAE=0.995，验证集MAE=1.091，模型在模拟时产生一定的偏差。该模型主要是通过分析遥感信息、关键农学参数和气象生态因子对籽粒蛋白含量的影响，实现籽粒蛋白含量的预测，根据建模集和验证集的精度验证指标，与前者比较差异性有所减小，建模精度提高，模型稳定性较前两种模型大幅提高，综合考虑农学参数与籽粒蛋白含量的定量关系以及温度、日照、降水等生态气象因子对籽粒蛋白含量的影响，机理解释性有所提高，但该模型依然采用线性模型构建，虽然操作简单容易实现，但是该模型不具备对空间数据非平稳性的探测能力，无法探测各主导因子对籽粒蛋白含量空间分布的影响。2.6 基于光谱参数—农学参数—气象因子的极限学习机回归模型
近年来，极限学习机由于其较快的收敛速率和良好的学习性能在许多领域得到广泛应用。该研究将ELM回归应用到籽粒蛋白含量的反演建模中，根据所选的敏感光谱参数GI、农学参数LNC和气象因子rain526、sun5x6s、jiwen3s6s构建基于机器学习方法的极限学习机回归模型。该研究主要利用ARTMO软件实现回归和预测，根据所选的5个参数构建GPC的反演模型，其结果如图5所示：建模集
R2 为0.483，验证集R2 为0.329，整体都达到差异显著水平，较前两种线性模型有更好的预测性，但低于基于5参数构建的多元线性回归模型。根据建模集的检验精度nRMSE=10.71%，RMSE=1.461，验证集的检验精度nRMSE=10.89%，RMSE=1.484，属于较小差异。根据MAE显示，建模集MAE=1.126，验证集MAE=1.111，模型在模拟时产生较小的偏差，与前两种模型相比较得出，根据5个参数构建的ELM回归模型稳定性有所提高，但低于基于相同参数构建的多元线性回归模型。
2.7 基于光谱参数—农学参数—气象因子的地理加权回归模型
采用地理加权回归算法，根据所选的卫星光谱参数、农学参数和气象因子作为自变量分别构建不同自变量个数的冬小麦籽粒蛋白含量的反演模型。该研究选择敏感光谱参数GI、叶片氮含量LNC以及气象因子rain526、sun5x6s、jiwen3s6s，并加入采样点的地理位置信息，构建GPC的地理加权回归模型，用于模型预测结果的评价指标有AICc、
R2 、模型调整拟合优度AdjustedR2 以及残差平方和（Residual Sum of Squares，RSS）。地理加权回归模型在软件GWR4中完成构建，且该软件为每一种模型提供两种反演结果：地理加权回归模型和全局回归模型，最终得到多种变量不同回归模型对籽粒蛋白含量的反演结果。该文所选取的构建地理加权回归模型的自变量的分配见表5。表5 多元地理加权回归模型因变量与自变量对应表
Table 5 Corresponding table of dependent variable and independent variable
回归模型 GPC V1 GI V2 GI、LNC V3 GI、LNC、sun5x6s V4 GI、LNC、sun5x6s、rain526 V5 GI、LNC、sun5x6s、rain526、jiwen3s6s 注：
V1 -V4 分别代表单变量、双变量、三变量、四变量回归模型，下同按照不同自变量个数构建的全局回归模型和地理加权回归模型精度见表6。
表6 GR模型与GWR模型的小麦GPC反演精度对比
Table6 Comparison of GPC inversion accuracy between GR model and GWR model
回归模型 GR模型 GWR模型 AICc R2 RSS（g） AICc R2 Adjusted R2 RSS（g） V1 268.844 0.181 206.108 265.960 0.276 0.213 182.261 V2 254.866 0.360 161.134 254.048 0.438 0.364 141.528 V3 244.129 0.475 132.164 240.401 0.576 0.501 106.685 V4 239.475 0.528 118.723 238.594 0.602 0.523 100.276 V5 239.618 0.545 114.546 239.592 0.616 0.529 96.646 根据表6所示，针对冬小麦籽粒蛋白含量的反演预测，在全局回归模型中，随着自变量个数的增加，模型的决定系数
R2 不断增加，AICc的值整体呈减小趋势，RSS不断减小，且多变量回归模型的预测精度要高于单变量回归模型；在地理加权回归模型中，随着自变量个数的增加，模型的决定系数R2 也不断增加，同时AICc的值和RSS不断减小，且多变量回归模型的预测精度要高于单变量回归模型。通过比较分析全局回归模型和地理加权回归模型的评价指标可知，当自变量的个数为V1 时，全局回归模型的建模精度评价指标R2 、AICc、RSS分别为0.181，268.844，206.108，地理加权回归模型的精度评价指标R2 、AICc、RSS分别为0.213，265.960，182.261，地理加权回归模型的R2 和RSS的精度明显高于全局回归模型，且AICc的值低于全局回归模型；当自变量的个数增加为V2 时，全局回归模型和地理加权回归模型的精度都在增加，且地理加权回归模型的精度评价指标均优于全局回归模型，并且地理加权回归模型的模型调整拟合度AdjustedR2 由0.213增大到0.364，说明随着自变量个数的增加，模型没有发生过度拟合的现象，并且模型的精度随之同时增加；当自变量的个数增加到V3 、V4 时，构建模型获得的结果与结果V2 相同，地理加权回归模型的预测精度高于全局回归模型，同时模型AdjustedR2 分别增加到0.501、0.523，结果表明当自变量的个数增加到4个时，模型的精度依然没有出现过度拟合的现象；当自变量的个数增加到V5 时，全局回归模型的建模精度评价指标R2 ，AICc，RSS分别为0.545，239.618，114.546，地理加权回归模型的精度评价指标R2 ，AICc，RSS分别为0.616，239.592，96.646，此时全局回归模型和地理加权回归模型的精度R2 和RSS均为最高，模型AdjustedR2 增加到0.529，没有出现过度拟合现象，同时地理加权回归模型的精度仍然高于全局回归模型。综合分析两种模型的精度评价指标可知：对于相同自变量个数的不同模型，地理加权回归模型的AICc值小于全局回归模型，
R2 的值大于全局回归模型，且RSS都小于全局回归模型；对于相同方法不同自变量个数构建的模型，适当个数的多变量模型精度优于单变量模型精度。所以，地理加权回归模型的精度优于全局回归模型，能更加准确的预测冬小麦籽粒蛋白含量。软件的反演结果可以获得各点自变量的回归系数预测值、GPC预测值及其残差，实测值与预测值的1：1结果如图6所示：建模集精度
R2 为0.616，验证集精度R2 为0.571，整体都达到差异显著水平。根据均方根误差及标准均方根误差，建模集的检验精度nRMSE=9.01%，RMSE=1.230，验证集的检验精度nRMSE=8.58%，RMSE=1.169，属于无差异。根据MAE显示，建模集MAE=0.978，验证集MAE=0.956，模型在模拟时产生较小的偏差。结果表明，通过地理加权回归算法，结合卫星光谱参数、农学参数、气象因子以及采样点的地理信息，能充分的探测数据之间的空间差异性，从而实现冬小麦籽粒蛋白含量的高精度反演预测。3 结论
该文以北京地区多年冬小麦品质遥感监测试验为基础，研究获取小麦开花期氮素农学参数及小麦籽粒蛋白含量，同步获取同时期北京地区8个气象站点的气象数据和遥感影像，进行遥感影像预处理。研究基于开花期氮素参数、光谱参数及气象数据构建籽粒蛋白含量的反演预测模型，首先筛选与小麦GPC相关的敏感光谱参数、最佳农学参数和气象因子，然后以不同自变量个数及不同模型分别构建关于GPC的预测反演模型，比较这5个预测模型的精度。研究主要结论如下。
（1）通过关键影响因子与GPC的相关性分析可知，GPC与大多数的卫星光谱参数、农学参数和气象因子都能达到显著性相关水平，根据相关性分析结果选择相关性最大的光谱参数GI，农学氮素参数LNC，气象因子rain526、sun5x6s、jiwen3s6s作为自变量构建冬小麦籽粒蛋白含量的预测模型。
（2）利用不同的自变量参数采用线性回归的方法反演小麦GPC，各预测模型都有较高的建模精度及验证精度，所以，利用卫星光谱参数、农学氮素参数和气象因子反演小麦GPC是可行的；其中基于光谱参数—农学参数—气象因子的多元线性回归模型的建模集
R2 为0.598，验证集检验精度nRMSE=10.36%，RMSE=1.412和MAE=1.091，综合考虑，相比较于基于卫星光谱参数的GPC预测模型和基于卫星光谱参数-农学氮素参数的GPC预测模型，为较优的反演预测模型。（3）以卫星光谱参数、农学氮素参数和气象因子为自变量，分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型。在3个回归模型中，地理加权回归模型的建模集
R2 为0.616，验证集nRMSE=8.58%，RMSE=1.169和MAE=0.956，为3个模型中建模和验证精度最高的一个，所以GPC的反演模型中，地理加权回归算法为最优的选择。（4）综合分析全局回归模型和地理加权回归模型的精度评价指标可知，相同方法不同自变量个数构建的模型，适当个数的多变量模型精度优于单变量模型精度，相同自变量个数的不同模型，地理加权回归模型的预测精度高于全局回归模型。所以，在GPC模型构建时加入地理位置信息，能更加准确的预测冬小麦籽粒蛋白含量，实现冬小麦GPC区域上和年际间的预测。
上述研究证明了利用地理加权回归算法实现区域冬小麦蛋白品质的可行性，今后可将研究扩展到其他区域研究并利用遥感影像实现大面积GPC预测。
4 讨论
当前，针对作物籽粒蛋白含量的遥感预测研究已经开展了一些工作，并构建了一系列的模型与方法，针对其年际扩展和空间差异的问题，研究者尝试对籽粒氮素运转原理进行模拟，并加入生态因子实现年际与空间差异的校正。大量研究采用经验模型建立小麦籽粒蛋白品质反演模型并取得了较高精度，但相关研究大多基于单一年限的试验数据，在同一研究区域及同一年际数据验证时具有较好的稳定性，但很难实现由田块尺度到区域尺度的应用扩展。该研究以小麦籽粒蛋白含量为研究目标，针对多年、多源数据展开研究，研究结果可为今后利用遥感影像进行大面积区域小麦蛋白品质的监测预测及其他农业领域的研究提供借鉴。该研究分析了基于不同自变量采用不同建模方法进行区域尺度GPC开展预测研究。对比各个模型精度，使用最佳光谱参数建立的单自变量模型未达到理想的预测效果，多变量的回归模型精度要高于单变量模型。对比同种变量构建的回归模型之间的精度，地理加权回归模型高于极限学习机模型和多元回归模型。利用卫星光谱参数、农学氮素参数和气象因子构建的地理加权回归模型是所有模型中精度最高的，研究结果体现了空间差异性及气象因子对GPC含量预测的重要性。
利用地理加权回归的方法实现区域冬小麦GPC含量空间分布的反演预测，为指导小麦合理分级收割提供理论参考和技术支持。然而研究尚存在一些不足之处，由于该文主要利用卫星光谱参数，农学氮素参数和气象因子构建GPC预测模型，没有考虑到土壤养分因素对冬小麦籽粒蛋白含量的影响，而事实上，氮磷钾等土壤养分对冬小麦籽粒蛋白含量会有很大的影响，所以，在今后的研究中要加入土壤因子，进一步运用不同的预测模型进行验证，得到最优的冬小麦GPC预测模型。此外，在基于卫星遥感影像进行作物长势及品质监测试验中，像元尺度往往远远大于农田采样尺度，如研究中所使用Landsat5影像，其空间分辨率为30 m，影像中一个像元中往往包含植被、土壤等多种信息，混合像元对作物长势信息尤其是养分信息的准确提取具有一定影响，影像的质量也受到大气气溶胶及传感器本身信噪比等因素的影响，这也是利用模型反演卫星数据时反演结果产生误差的主要原因之一。因此，在今后的研究中，在进行遥感影像预处理的过程中，有必要进一步开展基于影像的混合像元分解，获取高精度作物长势遥感信息，最终实现冬小麦籽粒蛋白含量在区域上的准确预测研究。
参考文献
- 1
丛振涛, 王舒展, 倪广恒, 等. 气候变化对冬小麦潜在产量影响的模型模拟分析. 清华大学学报: 自然科学版, 2008, 48(9): 1426~1430.
- 2
Jenner C F, Ugalde T D, Aspinall D. The physiology of starch and protein deposition in the endosperm of wheat. Australian Journal of Plant Physiology , 1999, 18: 211~226.
- 3
Akiko S, Miwako K, Shingo N, et al. The effect of timing of nitrogen dressing on the baking quality of winter wheat. Japanese Journal of Crop Science , 1999, 68: 217~223.
- 4
范雪梅, 姜东, 戴廷波, 等. 花后干旱和渍水对不同品质类型小麦籽粒品质形成的影响. 植物生态学报 , 2004(5): 680~685.
- 5
陈光斗. 陝西省小麦品质与生态条件的关系. 陕西农业科学 , 1987(3): 4~5, 27.
- 6
Song Xiaoyu, Wang Jihua, Huang Wenjiang. Winter wheat growth and grain protein uniformity monitoring through remotely sensed data. Proceedings of SPIE - The International Society for Optical Engineering , 2010, 7824: 78242G1~78242G8.
- 7
谭昌伟, 王纪华, 黄文江, 等. 基于TM和PLS的冬小麦籽粒蛋白质含量预测. 农业工程学报 , 2011, 27(3) : 388~392.
- 8
Wang ZhiJie, Wang Jihua, Liu Liangyun, et al. Prediction of grain protein content in winter wheat (Triticum aestivum, L. ) using plant pigment ratio (PPR). Field Crops Research , 2004, 90(2): 311~321.
- 9
李映雪, 朱艳, 田永超, 等. 小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系. 中国农业科学 , 2005, 38(7): 1332~1338.
- 10
Huang Wenjiang, Wang Jihua, Liu Lingyun, et al. Study on grain quality forecasting method and indicators by using hyperspectral data in wheat. Proceedings of SPIE-The International Society for Optical Engineering , 2005, 5655: 291~300.
- 11
王纪华, 黄文江, 赵春江, 等. 利用光谱反射率估算叶片生化组分和籽粒品质指标研究. 遥感学报 , 2003, 7(4): 277~284.
- 12
Orlandini S, Mancini M, Grifoni D, et al. Integration of metro-climatic and remote sensing information for the analysis of durum wheat quality in Vald’Oroia ( Italy). Idojaras , 2011, 115(4): 233~245.
- 13
Guasconi F, Dally M A, Grifoni D, et al. Influence of climate on durum wheat production and use of remote sensing data and weather date to predict quality and quantity of harvests. Italian Journal of Agrometeorology , 2011, 16(3): 21~28.
- 14
王大成, 张东彦, 李宇飞, 等. 结合HJ1A/B卫星数据和生态因子的籽粒品质监测. 红外与激光工程 , 2013, 42(3): 780~786.
- 15
A. S. Fotheringham , M. Charlon , C. Brunsdon . Measuring spatial variations in relationships with geographically weighted regression . In Recent Development in Spatial Analysis , 1996, 17(7): 27~35.
- 16
Antonio Paez , Takashi Uchida , Kazuaki Miyamoto . A general framework for estimation and inference of geographically weighted regression models: 2. Spatial association and model specification test. Environment and Planning A , 2002, 34(5): 883~904.
- 17
Brunsdon C. , Fotheringham A. S. , Charlton M. Geographically weighted regression as a statistical model. Proceedings of the 40th Annual Meeting of the Western Regional Science association, Palm Springs, California, February , 2001: 25~28.
- 18
Lianjun Zhang, Haijin Shi. Local modeling of tree growth by geographically weighted regression. Forest Science , 2004, 50(20): 225~244.
- 19
苏方林. 基于地理加权回归模型的县域经济发展的空间因素分析. 学术论坛 , 2005, 5(5): 81~84.
- 20
闾妍宇, 李超, 欧光龙, 等. 基于地理加权回归模型的思茅松生物量遥感估测. 林业资源管理 , 2017(1): 82~90.
- 21
Feng G, Huang G B, Lin Q, et al. Error minimized extreme learning machine with growth of hidden nodes and incremental learning. IEEE Transactions on Neural Networks , 2009(8): 1352~1357.
- 22
C. W. Deng G . B. Huang J. Xu,et al. Extreme learning machines: new trends and applications. Science China Information Sciences, 2015, 58(2): 1~16.
- 23
周召娣. 极限学习机相关算法的优化及应用研究. 南京: 南京信息工程大学, 2016: 5~7.
- 24
Huang G B, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2012(2): 513~529.
- 25
谢倩雯. 改进的极限学习机在辨识及分类中的应用. 北京: 北京化工大学, 2016: 14~15.
- 26
Yang Y M, Jonathan, Wu Q M. Extreme learning machine with subnetwork hidden nodes for regression and classification. IEEE Transactions on Cybernetics , 2016(12): 2885~2898.
- 27
Rivera J P, Verrelst J, Muñoz-Marí J, et al. Toward a semiautomatic machine learning retrieval of biophysical parameters. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing , 2014, 7 (4): 1249~1259.
- 28
Chang C C, Lin Chih-Jen. LIBSVM: A library for support vector machines. Software available at http: //www. csie. ntu. edu. tw/~cjlin/libsvm.
- 29
姜志伟, 武雪萍, 华珞, 等. 洛阳旱地夏玉米生产潜力长周期定量模拟与评价. 生态学报 , 2009, 29(1): 315~324.
- 30
Timsina J, Humphreys E. Performance of CERES－Rice and CERES－Wheat models in rice-wheat systems: A review. Agric. Syst , 2006, 90: 5~31.
- 31
Biernath C, Gayler S, Bittner S, et al. Evaluating the ability of four crop models to predict different environmental impacts on spring wheat grown in open-top chambers. Eur. J. Agron , 2011, 35: 71~82.
- 32
Liu H L, Yang J Y, Drury C Fet al. Using the DSSAT－CERES－Maize model to simulate crop yield and nitrogen cycling in fields under long-term continuous maize production. Nutrient Cycling in Agroecosystems , 2011, 89(3): 313~328.
- 33
P. J. Zarco-Tejada , A. Berjón , R. López-Lozano , et al. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment , 2005, 99(3): 271~287.
- 34
Schleicher T. D. , Bausch W. C. , Delgado J. A,et al. Evaluation and refinement of the nitrogen reflectance index (NRI) for site-specific fertilizer management. In 2001 ASAE Annual International Meeting , 2001.
- 35
Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index. Remote sensing of environment , 1994, 48(2): 119~126.
- 36
Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS. Remote Sens. Environ , 1994, 48(2): 224~234.
- 37
Rouse J W. Monitoring the vernal advancement and retrogradation (greenwave, effect) of natural vegetation. Nasa , 1974.
- 1
区域冬小麦籽粒蛋白含量遥感预测研究
1. 农业部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心 北京 100097； 2. 山东农业大学，泰安 271018； 3. 国家农业信息化工程技术研究中心，北京 100097； 4. 北京市农业物联网工程技术研究中心，北京 100097
DOI:10.12105/j.issn.1672-0423.20180604
Remote sensing prediction of grain protein content in regional winter wheat
1. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture，Beijing Research Center for Information Technology in Agriculture Beijing 100097，China； 2. Shandong Agricultural University，Taian 271018，China； 3. National Engineering Research Center for Information Technology in Agriculture，Beijing 100097，China； 4. Beijing Engineering Research Center for Agriculture Internet of Things，Beijing 100097，China
DOI:10.12105/j.issn.1672-0423.20180604
基本信息
DOI:10.12105/j.issn.1672-0423.20180604
引用信息
基金信息
稿件历史
纸刊出版
: 2018-12-25
收稿日期
: 2018-10-25
角 色：第一作者
Role：First author
作者简介：王琦（1993—），女，汉族，山东日照人，硕士研究生。研究方向：作物品质遥感监测。Email：xinxiwangqi@163.com
角 色：通讯作者
Role：Corresponding author
作者简介：宋晓宇（1973—），女，汉族，湖北远安人，副研究员，博士。研究方向：农业定量遥感技术研究与应用。 Email：Songxy@nercita.org.cn
| 气象组合因子 | 简写 | 气象组合因子 | 简写 |
|---|---|---|---|
| 降雨5月下旬—6月上旬和 | rain5x6s | 5月下旬—6月上旬日照和 | sun5x6s |
| 5月21日—5月25日降雨和 | rain521 | 5月26日—5月30日照和 | sun526 |
| 5月26日—5月30日降雨和 | rain526 | 3月上旬—5月上旬积温和 | jiwen3s5s |
| 6月6日—6月10日降雨和 | rain606 | 3月上旬—6月上旬积温和 | jiwen3s6s |
| 6月11日—6月15日降雨和 | rain611 | 6月6日—6月10日温度和 | jiwen606 |
| 3月上旬—5月上旬日照和 | sun3s5s | 6月6日—6月10日温度均值 | junwen606 |
| 3月上旬—6月上旬日照和 | sun3s6s | 5月下旬—6月上旬日温差 | wencha5x6s |
| 5月中旬—6月上旬日照和 | sun5z6s |
| 年份 | 名称 | 最大值 | 最小值 | 均值 | 标准差 |
|---|---|---|---|---|---|
| 2008 | LNC | 4.830 | 3.871 | 4.407 | 13.585 |
| GPC | 13.588 | 12.126 | 12.767 | 13.338 | |
| 2009 | LNC | 4.933 | 3.029 | 4.233 | 0.429 |
| GPC | 17.3 | 9.91 | 12.508 | 1.629 | |
| 2010 | LNC | 5.538 | 3.706 | 4.780 | 0.377 |
| GPC | 18.619 | 13.035 | 15.277 | 1.533 |
| 气象组合因子 | 简写 | 相关系数（r） |
|---|---|---|
| 降雨5月下旬—6月上旬和 | rain5x6s | -0.430 |
| 5月21日—5月25日降雨和 | rain521 | -0.541 |
| 5月26日—5月30日降雨和 | rain526 | 0.699 |
| 6月6日—6月10日降雨和 | rain606 | -0.576 |
| 6月11日—6月15日降雨和 | rain611 | 0.451 |
| 3月上旬—5月上旬和日照 | sun3s5s | -0.526 |
| 3月上旬—6月上旬日照和 | sun3s6s | -0.558 |
| 5月中旬—6月上旬日照和 | sun5z6s | -0.594 |
| 5月下旬—6月上旬日照和 | sun5x6s | -0.641 |
| 5月26日—5月30日照和 | sun526 | -0.615 |
| 3月上旬—5月上旬积温和 | jiwen3s5s | -0.698 |
| 3月上旬—6月上旬积温和 | jiwen3s6s | -0.715 |
| 6月6日—6月10温度和 | jiwen606 | 0.621 |
| 6月6日—6月10温度均值 | junwen606 | 0.622 |
| 5月下旬—6月上旬日温差 | wencha5x6s | -0.610 |
| 回归模型 | GPC |
|---|---|
| GI | |
| GI、LNC | |
| GI、LNC、sun5x6s | |
| GI、LNC、sun5x6s、rain526 | |
| GI、LNC、sun5x6s、rain526、jiwen3s6s |
| 回归模型 | GR模型 | GWR模型 | |||||
|---|---|---|---|---|---|---|---|
| AICc | RSS（g） | AICc | Adjusted | RSS（g） | |||
| 268.844 | 0.181 | 206.108 | 265.960 | 0.276 | 0.213 | 182.261 | |
| 254.866 | 0.360 | 161.134 | 254.048 | 0.438 | 0.364 | 141.528 | |
| 244.129 | 0.475 | 132.164 | 240.401 | 0.576 | 0.501 | 106.685 | |
| 239.475 | 0.528 | 118.723 | 238.594 | 0.602 | 0.523 | 100.276 | |
| 239.618 | 0.545 | 114.546 | 239.592 | 0.616 | 0.529 | 96.646 | |
图1 研究区域概况
Fig.1 The overview of the study region
表1 研究中采用的部分气象组合因子
Table 1 Some meteorological combination factors used in this study
表2 2008—2010年小麦氮素及GPC的数据特征分析
Table 2 Analysis of data characteristics of nitrogen and grain protein content of wheat from 2008 to 2010
表3 部分光谱参数与籽粒蛋白含量间的相关性
Table 3 Correlation between partial spectral parameters and grain protein content
表4 部分气象组合因子与籽粒蛋白含量间的相关性
Table 4 Correlation between some meteorological composition factors and grain protein content
图2 光谱参数—籽粒蛋白含量的实测值与预测值的关系
Fig.2 Relationship between measured values and predicted values of GI-GPC model
图3 光谱参数—农学氮素参数—籽粒蛋白含量的实测值与预测值的关系
Fig.3 Relationship between measured values and predicted values of GI-LNC-GPC model
图4 基于多元线性回归方法的实测值与预测值的关系
Fig.4 Relationship between measured values and predicted values of MLR model
图5 基于极限学习机模型的实测值与预测值的关系
Fig.5 Relationship between measured values and predicted values of ELM model
表5 多元地理加权回归模型因变量与自变量对应表
Table 5 Corresponding table of dependent variable and independent variable
表6 GR模型与GWR模型的小麦GPC反演精度对比
Table6 Comparison of GPC inversion accuracy between GR model and GWR model
图6 基于地理加权回归模型的实测值与预测值的关系
Fig.6 Relationship between measured values and predicted values of GWR model
无注解
上旬为每月1—10日，中旬为每月11—20日，下旬为每月21—30日，n=66。
n=66，籽粒蛋白含量（GPC）%，叶片氮素含量（LNC）%
上述公式中B2为绿光波段，B3为红光波段，B4为近红外波段
上旬为每月1—10日，中旬为每月11—20日，下旬为每月21—30日，n=66
无注解
无注解
无注解
无注解
无注解
无注解
参考文献
- 1
丛振涛, 王舒展, 倪广恒, 等. 气候变化对冬小麦潜在产量影响的模型模拟分析. 清华大学学报: 自然科学版, 2008, 48(9): 1426~1430.
- 2
Jenner C F, Ugalde T D, Aspinall D. The physiology of starch and protein deposition in the endosperm of wheat. Australian Journal of Plant Physiology , 1999, 18: 211~226.
- 3
Akiko S, Miwako K, Shingo N, et al. The effect of timing of nitrogen dressing on the baking quality of winter wheat. Japanese Journal of Crop Science , 1999, 68: 217~223.
- 4
范雪梅, 姜东, 戴廷波, 等. 花后干旱和渍水对不同品质类型小麦籽粒品质形成的影响. 植物生态学报 , 2004(5): 680~685.
- 5
陈光斗. 陝西省小麦品质与生态条件的关系. 陕西农业科学 , 1987(3): 4~5, 27.
- 6
Song Xiaoyu, Wang Jihua, Huang Wenjiang. Winter wheat growth and grain protein uniformity monitoring through remotely sensed data. Proceedings of SPIE - The International Society for Optical Engineering , 2010, 7824: 78242G1~78242G8.
- 7
谭昌伟, 王纪华, 黄文江, 等. 基于TM和PLS的冬小麦籽粒蛋白质含量预测. 农业工程学报 , 2011, 27(3) : 388~392.
- 8
Wang ZhiJie, Wang Jihua, Liu Liangyun, et al. Prediction of grain protein content in winter wheat (Triticum aestivum, L. ) using plant pigment ratio (PPR). Field Crops Research , 2004, 90(2): 311~321.
- 9
李映雪, 朱艳, 田永超, 等. 小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系. 中国农业科学 , 2005, 38(7): 1332~1338.
- 10
Huang Wenjiang, Wang Jihua, Liu Lingyun, et al. Study on grain quality forecasting method and indicators by using hyperspectral data in wheat. Proceedings of SPIE-The International Society for Optical Engineering , 2005, 5655: 291~300.
- 11
王纪华, 黄文江, 赵春江, 等. 利用光谱反射率估算叶片生化组分和籽粒品质指标研究. 遥感学报 , 2003, 7(4): 277~284.
- 12
Orlandini S, Mancini M, Grifoni D, et al. Integration of metro-climatic and remote sensing information for the analysis of durum wheat quality in Vald’Oroia ( Italy). Idojaras , 2011, 115(4): 233~245.
- 13
Guasconi F, Dally M A, Grifoni D, et al. Influence of climate on durum wheat production and use of remote sensing data and weather date to predict quality and quantity of harvests. Italian Journal of Agrometeorology , 2011, 16(3): 21~28.
- 14
王大成, 张东彦, 李宇飞, 等. 结合HJ1A/B卫星数据和生态因子的籽粒品质监测. 红外与激光工程 , 2013, 42(3): 780~786.
- 15
A. S. Fotheringham , M. Charlon , C. Brunsdon . Measuring spatial variations in relationships with geographically weighted regression . In Recent Development in Spatial Analysis , 1996, 17(7): 27~35.
- 16
Antonio Paez , Takashi Uchida , Kazuaki Miyamoto . A general framework for estimation and inference of geographically weighted regression models: 2. Spatial association and model specification test. Environment and Planning A , 2002, 34(5): 883~904.
- 17
Brunsdon C. , Fotheringham A. S. , Charlton M. Geographically weighted regression as a statistical model. Proceedings of the 40th Annual Meeting of the Western Regional Science association, Palm Springs, California, February , 2001: 25~28.
- 18
Lianjun Zhang, Haijin Shi. Local modeling of tree growth by geographically weighted regression. Forest Science , 2004, 50(20): 225~244.
- 19
苏方林. 基于地理加权回归模型的县域经济发展的空间因素分析. 学术论坛 , 2005, 5(5): 81~84.
- 20
闾妍宇, 李超, 欧光龙, 等. 基于地理加权回归模型的思茅松生物量遥感估测. 林业资源管理 , 2017(1): 82~90.
- 21
Feng G, Huang G B, Lin Q, et al. Error minimized extreme learning machine with growth of hidden nodes and incremental learning. IEEE Transactions on Neural Networks , 2009(8): 1352~1357.
- 22
C. W. Deng G . B. Huang J. Xu,et al. Extreme learning machines: new trends and applications. Science China Information Sciences, 2015, 58(2): 1~16.
- 23
周召娣. 极限学习机相关算法的优化及应用研究. 南京: 南京信息工程大学, 2016: 5~7.
- 24
Huang G B, Zhou H, Ding X, et al. Extreme learning machine for regression and multiclass classification. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2012(2): 513~529.
- 25
谢倩雯. 改进的极限学习机在辨识及分类中的应用. 北京: 北京化工大学, 2016: 14~15.
- 26
Yang Y M, Jonathan, Wu Q M. Extreme learning machine with subnetwork hidden nodes for regression and classification. IEEE Transactions on Cybernetics , 2016(12): 2885~2898.
- 27
Rivera J P, Verrelst J, Muñoz-Marí J, et al. Toward a semiautomatic machine learning retrieval of biophysical parameters. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing , 2014, 7 (4): 1249~1259.
- 28
Chang C C, Lin Chih-Jen. LIBSVM: A library for support vector machines. Software available at http: //www. csie. ntu. edu. tw/~cjlin/libsvm.
- 29
姜志伟, 武雪萍, 华珞, 等. 洛阳旱地夏玉米生产潜力长周期定量模拟与评价. 生态学报 , 2009, 29(1): 315~324.
- 30
Timsina J, Humphreys E. Performance of CERES－Rice and CERES－Wheat models in rice-wheat systems: A review. Agric. Syst , 2006, 90: 5~31.
- 31
Biernath C, Gayler S, Bittner S, et al. Evaluating the ability of four crop models to predict different environmental impacts on spring wheat grown in open-top chambers. Eur. J. Agron , 2011, 35: 71~82.
- 32
Liu H L, Yang J Y, Drury C Fet al. Using the DSSAT－CERES－Maize model to simulate crop yield and nitrogen cycling in fields under long-term continuous maize production. Nutrient Cycling in Agroecosystems , 2011, 89(3): 313~328.
- 33
P. J. Zarco-Tejada , A. Berjón , R. López-Lozano , et al. Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment , 2005, 99(3): 271~287.
- 34
Schleicher T. D. , Bausch W. C. , Delgado J. A,et al. Evaluation and refinement of the nitrogen reflectance index (NRI) for site-specific fertilizer management. In 2001 ASAE Annual International Meeting , 2001.
- 35
Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index. Remote sensing of environment , 1994, 48(2): 119~126.
- 36
Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS. Remote Sens. Environ , 1994, 48(2): 224~234.
- 37
Rouse J W. Monitoring the vernal advancement and retrogradation (greenwave, effect) of natural vegetation. Nasa , 1974.