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
 

棉花；钾含量；多特征；高光谱成像；监测诊断模型