冬小麥葉面積指數的品種差異性與高光譜估算研究

郭建彪，馬新明,3，時 雷，張娟娟，杜 盼，魏欽欽

(1.河南糧食作物協同創新中心，河南鄭州 450002；2.河南農業大學農學院，河南鄭州 450002；3.河南農業大學信息與管理科學學院，河南鄭州 450002)

近年來，高光譜遙感技術獲得了快速發展，成為農作物生長快速監測與診斷的重要方法之一。高光譜遙感具有較高的光譜分辨率，通常達到10-2λ數量級，可以準確反映田間農作物的光譜特征，更加精準地獲取農作物長勢信息，如作物氮含量、葉綠素含量、葉面積指數(LAI)等生理生態參數，可應用其預測結果對作物的長勢狀況進行綜合分析，便于輔助合理地制定和實施大田管理措施，實現作物優質高產的目的[1-3]。

LAI是作物冠層結構的一個重要參數，它不僅與作物的多個生理生態過程有關，還起著表征作物生長動態信息的作用[4]，同時它也是作物生長模型和決策支持系統的重要輸入參數[5-6]，因此國內外均比較重視對LAI的研究[7-10]。研究發現，紅邊位置、紅邊斜率與紅邊面積和LAI存在極顯著相關關系[11-12]。通過比較高光譜植被指數與水稻和小麥LAI之間的關系，確定估算兩種作物LAI的最佳植被指數[13]。在冬小麥不同生育時期選擇不同的植被指數構建LAI的分段反演模型，可以改善冬小麥LAI的反演精度[14]。另外，也有大量新的建模算法被運用到其中，如小波變換[15]、BP神經網絡[16]、非線性支持向量機[17]、多核支持向量機[18]、隨機森林算法[19]等，使得LAI估測模型在預測穩定性和精度方面有了很大的提升。然而，由于影響作物光譜特性的因素眾多，不同條件下作物光譜特性變異的機理不明確，特別是現有模型應用到生產中存在精度不高等問題，尚需要去研究解決。此外，已有的小麥LAI估算模型多是利用特定品種進行建模，而當用于其他區域不同品種進行估測時會存在較大偏差。因此，基于不同品種建立LAI的敏感區域及估算模型是否存在較大差異，需要進一步明確。

本研究以河南省主推的四個小麥品種為研究對象，系統分析LAI與冠層光譜反射率的相關性，明確LAI監測的敏感波段，并分別建立四個品種的單品種模型及綜合模型。在此基礎上，對不同模型在不同品種上的性能表現進行分析，以期為高光譜技術在小麥LAI的估算及管理調控提供理論依據和技術支持。

1 材料與方法

1.1 試驗設計

試驗1：試驗于2015-2016年在河南農業大學許昌校區(113°48′14.9″E ,34°8′1″N)進行，土壤有機質含量為16.53 g·kg-1，全氮含量為1.22 g·kg-1，堿解氮含量為73.14 mg·kg-1，速效磷含量為40.14 mg·kg-1，速效鉀含量為208.75 mg·kg-1。供試品種為周麥27、鄭麥366、矮抗58和豫麥49-198。試驗設120、225和330 kg·hm-23個施氮水平，分別用N120、N225、N330表示，氮肥50%基施，50%拔節期追施。各處理均基施P2O5134.9 kg·hm-2和KCl 104.9 kg·hm-2。試驗采用裂區設計，2次重復，每個小區面積為14 m2(7 m×2 m)，基本苗為3×106株·hm-2，于2015年10月中下旬播種，其他栽培管理措施同一般高產麥田。

試驗2：試驗于2013-2014年在河南省許昌市許昌縣(113°54′46″E，34°3′33″N)進行，土壤有機質含量為13.53 g·kg-1，全氮含量為1.05 g·kg-1，堿解氮含量為63.14 mg·kg-1，速效磷含量為30.14 mg·kg-1，速效鉀含量為198.75 mg·kg-1。供試品種和施肥量同試驗1，小區面積為33.6 m2(7 m×2 m)，基本苗3×106株·hm-2，于2013年10月中旬播種，其他栽培管理措施同一般高產麥田。

1.2 冠層光譜及LAI測定

小麥冠層光譜測量使用美國分析光譜儀器公司(Analytical Spectral Devices，ASD公司)生產的ASD FieldSpec 野外便攜式高光譜儀測定。該儀器能在325～1 075 nm波長范圍內連續測量，采樣間隔為1.4 nm，光譜分辨率為3 nm，視場角為25°，所有的觀測均選擇在晴朗無風天氣，每次測定時間為10:00至14:00。 測量時，光譜儀傳感器探頭垂直向下，距冠層垂直高度約1 m。每個小區內選定兩處位置，以10個光譜為1個采樣間隔，每次記錄20個光譜，以其平均值作為該小區的冠層光譜反射值，測量過程中及時進行標準白板校正。試驗1的田間光譜測試時期為2月29日(返青期)、3月27日(拔節期)、4月28日(開花期)、5月8日(花后10 d)和5月20日(花后20 d)。試驗2的田間光譜測試時期為3月16日(拔節期)、4月22日(開花期)和5月2日(灌漿期)。

與光譜測量同步，每小區在拔節期選取有代表性小麥20株，開花期以后選取小麥10株，采用比葉重法測定LAI[20]。

1.3 數據分析與處理

以試驗1為建模樣本，系統分析400～900 nm范圍內任意兩波段組合的比值光譜指數(RSI)、歸一化差值光譜指數(NDSI)和差值光譜指數(DSI)與不同品種冬小麥LAI的相關性，光譜指數計算參見公式(1)、(2)和(3)。利用模型決定系數(r2)篩選與LAI顯著相關的光譜指數，同時使用調整決定系數(adjustedr2，公式4)以去除樣本數對模型的影響。以試驗1中單一品種的試驗數據為基礎建立四個單品種模型，然后應用試驗1中全部試驗數據建立綜合模型。以試驗2為預測樣本，采用預測決定系數(r2)和均方根誤差(RMSE)來驗證模型的精度和穩定性。

RSI(λ1,λ2) =Rλ1/Rλ2

(1)

NDSI(λ1,λ2) =(Rλ1-Rλ2)/(Rλ1+Rλ2)

(2)

DSI(λ1,λ2) =Rλ1-Rλ2

(3)

adjustedr2= 1-(1-r2)(n-1)/(n-p-1)

(4)

式中λ1、λ2分別表示光譜波段；Rλ1、Rλ2分別表示光譜波段的反射率；n表示樣本數，本試驗的每個品種樣本數均為30個，綜合數為120個；p表示自變量個數。

2 結果與分析

2.1 不同小麥品種LAI的變化特征

不同冬小麥品種的LAI隨生育時期的變化趨勢基本一致，均呈拋物線變化。從返青期到開花期，小麥LAI不斷增長，在開花期達到最大，而后隨生育期的推進，小麥從營養生長逐漸轉變為生殖生長，下層葉片逐漸衰老脫落，LAI也隨之逐步下降(圖1)。不同品種的LAI在開花期及其以后生育時期中表現出了較為明顯的差異。在開花期，不同品種的LAI表現為豫麥49-198>周麥27>矮抗58>鄭麥366；在花后10 d，豫麥49-198和周麥27的LAI大小趨近；到花后20 d，不同品種LAI表現為鄭麥366>豫麥49-198>周麥27>矮抗58。這可能是由于不同冬小麥品種對碳氮的花后轉運效率不同，導致葉片衰老脫落的快慢不同所引起的。

RS：返青期；JS：拔節期；FS：開花期；AF10：花后10 d；AF20：花后20 d。下圖同。

RS:Returning green stage; JS:Jointing stage; FS:Flowering stage; AF10:10 d after flowering; AF20:20 d after flowering.

圖1不同冬小麥品種LAI隨生育時期的變化特征

Fig.1LAIcharacteristicsalongwithdifferentgrowthstagesofdifferentwinterwheatcultivars

2.2 不同冬小麥品種冠層光譜的變化特征

不同冬小麥品種冠層光譜反射率隨生育時期推移的變化特征基本一致(圖2)。在350～700 nm波段，不同品種的冠層光譜反射率均是在返青期達到最高，然后在拔節期降到最低，而后反射率又小幅升高，在開花期、花后10 d和花后20 d差異不太明顯。在700～1 050 nm波段，不同品種的光譜反射率均隨生育進程的推進呈先升后降的變化趨勢，在開花期達到最高，花后20 d降到最低；在四個品種中，豫麥49-198的光譜反射率在不同時期間差異比較明顯，周麥27和矮抗58的光譜反射率在返青期與花后20 d間差異不明顯，鄭麥366的光譜反射率在花后10 d與拔節期、返青期與花后20 d間差異均不明顯。

A：周麥27；B：鄭麥366；C：豫麥49-198；D：矮抗58。

a:Zhoumai 27; B:Zhengmai 366;C:Yumai 49-198;D:Aikang 58.

圖2不同冬小麥品種的冠層光譜反射率變化

Fig.2Canopyspectralreflectancechangeofdifferentwinterwheatcultivarsinthegrowthperiod

2.3 相同LAI下不同冬小麥品種的冠層光譜變化特征

在相同LAI(LAI=6.92，花后10 d)條件下，在350～700 nm波段，鄭麥366和矮抗58的冠層光譜反射率基本相同，均明顯高于周麥27和豫麥49-198，周麥27和豫麥49-198之間沒有明顯差異；在700～1 050 nm波段，四個品種的光譜反射率基本表現為豫麥49-198>鄭麥366、矮抗58>周麥27(圖3)。這種光譜反射率的差異可能是由于不同品種的株型差異造成的。

2.4 不同冬小麥品種LAI與冠層光譜反射率的相關性

利用試驗1中不同小麥品種LAI與單波段反射率進行相關分析，結果(圖4)表明，當波長≤731 nm，冠層光譜反射率與不同品種LAI呈負相關，在690 nm處相關性最強，相關系數為-0.86；當波長≥732 nm，二者呈正相關，且在763～928 nm之間存在一個較高的平臺(r>0.65)。四個品種間LAI與冠層光譜反射率的相關性沒有明顯差異，均是冠層光譜反射率與LAI在波長400～729 nm范圍內呈負相關，在波長為732～1 055 nm時呈正相關，相關性最大的波段均在690 nm附近，相關系數分別是-0.88(周麥27)、-0.85(鄭麥366)、-0.90(豫麥49-198)和-0.84(矮抗58)。

2.5 基于冠層光譜反射率的冬小麥LAI監測模型

從400～900 nm范圍內冬小麥冠層光譜反射率任意兩波段組合的比值光譜指數(RSI)、歸一化差值光譜指數(NDSI)和差值光譜指數(DSI)與LAI的相關關系(圖5)看，與LAI相關性較好的最優光譜指數分別為RSI(R730，R850)、NDSI(R575，R665)和DSI(R705，R535)，可以基于此建立冬小麥LAI的定量關系模型(表1)。

由表1可以看出，單品種模型的r2和調整r2均優于綜合模型。其中單品種模型r2均在0.87以上，較綜合模型高3.1%～4.8%；調整r2均在0.86以上，較綜合模型高2.0%～4.2%。由此可看出，單品種模型和綜合模型都可以較好地估算冬小麥LAI，前者與后者相比，精度有所提高。

圖3 不同冬小麥品種在相同LAI(LAI=6.92)時的冠層光譜反射率

圖4 不同冬小麥品種LAI與冠層光譜反射率的相關性

圖中A、B和C分別表示冠層光譜反射率兩波段組合的比值光譜指數、歸一化差值光譜指數和差值光譜指數。

A, B and C indicate spectral reflectance radio spectral indices, normalized difference spectral indices and difference spectral indices based on two wavebands combination, respectively.

圖5任意兩波段組合的光譜指數監測LAI的決定系數(r2)等勢圖

Fig.5Two-dimensionalcorrelationplotsillustratingthedeterminationcoefficient(r2)ofLAIreflectedbyspectralindicesbasedontwowavebandscombination

2.6 模型驗證

利用2013-2014年的小麥LAI數據對模型進行驗證，采用預測決定系數(r2)和均方根誤差(RMSE)對上述不同小麥品種的估算模型進行定量評價。通過對單品種模型和綜合模型進行比較，結果(表2)表明，單品種模型在預測冬小麥LAI時具有更高的精度和穩定性，其r2提高了0.6%～11.0%，RMSE較綜合模型降低了10.0%～37.0%。由此可看出，單品種模型具有更高的預測精度。

3 討 論

LAI是作物長勢評估的一個重要指標，利用遙感技術進行LAI模型構建和預測已有較多研究[7-10]。近年來，一些新方法被運用到冬小麥LAI的高光譜遙感建模中，在預測穩定性和精準度方面有了較大提升[15-19]。但是，由于不同生長條件會對冬小麥的光譜特征產生一定的影響，用于作物生理參數監測的適宜光譜指標也會因作物生長條件的不同而有所差異[21]。因此，已有研究建立的模型在不同條件下應用時可能會存在精度下降的現象。為此，一些學者對不同條件下構建的模型進行了比較，如趙 娟等[14]和賀 佳等[23]分別對不同生育時期的冬小麥LAI采用不同的植被指數建立估算模型，其預測結果比綜合所有生育時期數據所建模型的精度高；翟清云等[22]通過研究不同土壤質地下小麥葉片氮含量的高光譜差異，發現基于不同質地構建的模型要優于綜合數據建立的模型。品種是作物的重要特征，不同的品種不僅產量潛力和品質不同，生理形態特征也會有明顯差異。周麗麗等[24]基于單品種試驗數據建立玉米葉片氮含量估算模型，其預測結果優于綜合模型。本研究在綜合分析不同冬小麥品種冠層光譜反射率變化趨勢的基礎上，分別以單品種數據和綜合數據構建LAI高光譜估算模型。結果表明，基于單品種數據建立的估算模型較綜合模型的預測決定系數提高了0.6%～11.0%，均方根誤差降低了10.0%～37.0%，與上述研究結果一致。因此，在利用高光譜遙感技術估算冬小麥LAI時，建立單品種模型可以提高模型精度。

表1 不同品種冬小麥LAI與光譜指數的定量關系Table 1 Quantitative relationship between LAI of different winter wheat cultivars and vegetation index

表2 不同冬小麥品種LAI估算模型的差異比較Table 2 Comparison of the LAI estimation models for different winter wheat cultivars

每個品種的樣本數均為9個。

The sample number is nine for each variety.

本研究盡管考慮了品種及氮肥兩個因素的影響，但由于冬小麥冠層光譜及生長狀況還受天氣條件、栽培措施、生態環境等許多因素的影響，所建模型是否適用于其他生產區域還有待于進一步探討；另外，在本研究中只討論了單品種模型和綜合模型之間的差異，未能明確造成此差異的原因，有待于在今后的研究中進一步改進和完善。

本研究基于兩年試驗四個冬小麥品種，在分析不同品種的冠層光譜反射特征的基礎上，基于單品種數據和綜合數據分別建立了其LAI高光譜估算模型。結果表明，以單品種數據建立的估測模型和綜合數據建立的估測模型決定系數都在0.84以上，均可以用來估算LAI，單品種估測模型表現優于綜合模型；在模型檢驗中，以本品種數據建立的估測模型預測結果較好，利用綜合模型則會使誤差增大。因此，若在生產應用中利用高光譜遙感技術估測冬小麥LAI，應該考慮品種差異。

參考文獻：

[1] LILLESAND T M,KIEFER R W.Remote sensing and image interpretation(3rd edition)[M].New York:John Wiley & Sons,1994:750．

[2] 姚云軍,秦其明,張自力,等.高光譜技術在農業遙感中的應用研究進展[J].農業工程學報,2008,24(7):301.

YAO Y J,QIN Q M,ZHANG Z L,etal.Research progress of hyperspectral technology applied in agricultural remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2008,24(7):301.

[3] 馬新明,張娟娟,席 磊,等.小麥生產數字化技術[M].北京:科學出版社,2014:171.

MA X M,ZHANG J J,XI L,etal.Wheat production digital technology [M].Beijing:Science Press,2014:171.

[4] DOBERMANN A,PAMPOLINO M F.Indirect leaf area index measurement as a tool for characterizing rice growth at the field scale [J].CommunicationsonSoilScienceandPlantAnalysis,1995,26:1507.

[5] RUNNING S W,NEMANI R R,PETERSON D L,etal.Mapping regional forest evapotranspiration and photosynthesis by coupling satellite data with ecosystem simulation [J].Ecology,1989,70:1090.

[6] 黃敬峰,王 淵,王福民,等.油菜紅邊特征及其LAI的高光譜估算模型[J].農業工程學報,2006,22(8):22.

HUANG J F,WANG Y,WANG F M,etal.Red edge characteristics and leaf area index estimation model using hyperspectral data for rape [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2006,22(8):22.

[7] WU M Q,WU C Y,HUANG W J,etal.High-resolution leaf area index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model [J].ComputersandElectronicsinAgriculture,2015,115:1.

[8] KROSS A,MCnAIRN H,LAPEN D,etal.Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2015,34:235.

[9] TAVAKOLI H,MOHTASEBI S S,ALIMARDANI R,etal.Evaluation of different sensing approaches concerning to nondestructive estimation of leaf area index for winter wheat [J].InternationalJournalonSmartSensingandIntelligentSystems,2014,7(1):337.

[10] 趙春江.農業遙感研究與應用進展 [J].農業機械學報,2014,45(12):277.

ZHAO C J.Advances of research and application in remote sensing for agriculture [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2014,45(12):277.

[11] 唐延林,王秀珍,王福民,等.農作物LAI和生物量的高光譜法測定[J].西北農林科技大學學報(自然科學版),2004,32(11):100.

TANG Y L,WANG X Z,WANG F M,etal.Study on the determination of LAI and biomass of crop by hyperspectral [J].JournalofNorthwestA&FUniversity(NaturalScienceEdition),2004,32(11):100.

[12] 代 輝,胡春勝,程一松.冬小麥冠層光譜紅邊特征分析[J].中國生態農業學報,2007,15(5):80.

DAI H,HU C S,CHENG Y S.Red-edge characteristics of winter wheat canopy spectra [J].ChineseJournalofEco-Agriculture,2007,15(5):80.

[13] 楊 峰,范亞民,李建龍,等.高光譜數據估測稻麥LAI和葉綠素密度[J].農業工程學報,2010,26(2):237.

YANG F,FAN Y M,LI J L,etal.Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2010,26(2):237.

[14] 趙 娟,黃文江,張耀鴻,等.冬小麥不同生育時期LAI反演方法[J].光譜學與光譜分析,2013,33(9):2546.

ZHAO J,HUANG W J,ZHANG Y H,etal.Inversion of leaf area index during different growth stages in winter wheat [J].SpectroscopyandSpectralAnalysis,2013,33(9):2546.

[15] HUANG Y,TIAN Q J,WANG L,etal.Estimating canopy leaf area index in the late stages of wheat growth using continuous wavelet transform [J].JournalofAppliedRemoteSensing,2014,8(1):134.

[16] 夏 天,吳文斌,周清波,等.冬小麥LAI高光譜遙感反演方法對比[J].農業工程學報,2013,29(3):139.

XIA T,WU W B,ZHOU Q B,etal.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2013,29(3):139.

[17] 謝巧云,黃文江,蔡淑紅,等.冬小麥LAI遙感反演方法比較研究[J].光譜學與光譜分析,2014,34(5):1352.

XIE Q Y,HUANG W J,CAI S H,etal.Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index [J].SpectroscopyandSpectralAnalysis,2014,34(5):1352.

[18] 王麗愛,周旭東,朱新開,等.基于HJ-CCD數據和隨機森林算法的小麥LAI反演[J].農業工程學報,2016,32(3):149.

WANG L A,ZHOU X D,ZHU X K,etal.Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2016,32(3):149.

[19] 王麗愛,譚昌偉,楊 昕,等.基于MK-SVR模型的小麥LAI遙感反演[J].農業機械學報,2015,46(5):245.

WANG L A,TAN C W,YANG X,etal.Monitoring wheat leaf area index using MK-SVR algorithmic model and remote sensing data [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(5):245.

[20] 劉镕源,王紀華,楊貴軍,等.冬小麥LAI地面測量方法的比較[J].農業工程學報,2011,27(3):220.

LIU R Y,WANG J H,YANG G J,etal.Comparison of ground-based LAI measuring methods on winter wheat [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2011,27(3):220.

[21] 李映雪,朱 艷,戴廷波,等.小麥LAI與冠層反射光譜的定量關系[J].應用生態學報,2006,17(8):1443.

LI Y X,ZHU Y,DAI T B,etal.Quantitative relationships between leaf area index and canopy reflectance spectra of wheat [J].ChineseJournalofAppliedEcology,2006,17(8):1443.

[22] 翟清云,張娟娟,熊淑萍,等.基于不同土壤質地的小麥葉片氮含量高光譜差異及監測模型構建[J].中國農業科學,2013,46(13):2655.

ZHAI Q Y,ZHANG J J,XIONG S P,etal.Research on hyperspectral differences and monitoring model of leaf nitrogen content in wheat based on different soil textures [J].ScientiaAgriculturaSinica,2013,46(13):2655.

[23] 賀 佳,劉冰鋒,李 軍.不同生育時期冬小麥LAI高光譜遙感監測模型[J].農業工程學報,2014,30(24):141.

HE J,LIU B F,LI J.Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2014,30(24):141.

[24] 周麗麗,馮漢宇,閻忠敏,等.玉米葉片氮含量的高光譜估算及其品種差異[J].農業工程學報,2010,26(8):195.

ZHOU L L,FENG H Y,YAN Z M,etal.Hyperspectral diagnosis of leaf N concentration of maize and variety difference [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2010,26(8):195.