不同水肥處理下夏玉米株高、生物量響應特征及光譜反演

陳 震,程 千,徐洪剛,黃修橋

(中國農業科學院農田灌溉研究所/河南省節水農業重點實驗室,河南 新鄉 453002)

截至2020年,我國農業綜合機械化率達到71.25%,較“十二五”計劃末期提高7.43%,但機械化主要集中在耕種收方面,作物水肥管理的機械化、精準化程度不高。水肥對作物的正常生長發育至關重要,因此水肥自動化精準管理是農業發展的重要方向[1]。隨著農業現代化的發展,精準灌溉、智慧灌溉已可以有效實現水肥自動化、精準化管理,也是當前研究熱點[2-4]。如何方便、快速、準確、可靠地獲取作物灌溉信息、助力實施智慧灌溉是當前急需解決的關鍵問題之一。不少研究表明光譜可以有效提取作物冠層信息,光譜植被指數能夠反演作物生長生理指標[5-6],進而判斷田間水肥情況[7-9]。無人機遙感系統可以精準獲取作物的表型信息,為農田信息獲取提供了新手段。通過作物冠層表型信息反演水肥狀況及其潛在影響,可為大田精準化、信息化灌溉施肥提供技術和理論支撐。

株高一般指植株根部至主莖頂端之間的距離,是反映作物長勢主要的個體指標之一。日本學者Watanabe等[10]采用無人機遙感可見光和多光譜影像提取大豆株高,結合人工測量值,提出了消減因低矮植株受高大植株遮擋導致的株高提取不準確問題的方法,發現擬合模型R2在0.6左右。Holman等[11]計算冬小麥不同生育時期各試驗小區的株高并與人工測量值擬合,發現無人機影像提取的株高值與地面觀測株高值相關性顯著,R2均高于0.95,表明采用數字表面模型(Digital surface model,DSM)計量株高是可行的。玉米植株高大、無分蘗,這一形態特征導致株高對其長勢的影響顯著,玉米株高的監測對于農田生產管理意義重大。楊進等[12]利用高清RGB圖像點云反演和多光譜DEM提取玉米群體的高度,發現RGB和多光譜圖像均能反映玉米株高差異。生育階段不同對玉米株高監測精度具有較大影響,生育前期和生育后期群體株高被嚴重低估。Ji等[13]研究基于無人機可見光的蠶豆株高反演精度,結果表明可見光圖像提取的株高最大值中,80%的數據集規格與地面測量值的擬合程度最好,其相關性系數(R)、均方根誤差(RMSE)和歸一化均方根誤差(NRMSE)分別為0.9915、1.4411 cm和5.02%。隨著研究的深入,研究手段從最初的激光雷達獲取三維點云發展到消費級無人機光譜影像獲取DSM,株高得以僅通過影像的DSM提取[14],作物冠層高度也能被高效精準估算,農業管理成本大大降低,為農業領域相關研究提供了切實有效的數據支撐。

植株生物量按部位分為地上生物量和地下生物量,地上生物量(Above ground biomass, AGB)指作物地上部分積累的物質總量,用于表征作物生長狀況和預測作物產量,狹義的生物量既可以是地上部分鮮質量也可以是干質量。目前通過光譜估算AGB的模型主要有經驗模型、作物生長模型和半機理模型[15]。任建強等[16]篩選出對冬小麥地上干生物量敏感的光譜波段中心,并在此基礎上構建反演模型,結果表明波段B18、波段B82構建的模型精度最高。劉明星等[17]采用植被指數反演冬小麥LAI進而估算地上生物量,2年數據模擬地上生物量的R2均在0.8以上。Lu等[18]基于無人機RGB影像,利用逐步多元線性回歸和3種機器學習算法評價了植被指數、冠層高度及其組合在小麥AGB預測中的表現,結果發現兩者組合提高了小麥AGB的預測準確度。鄧江等[19]通過分析無人機近紅外影像的植被指數在棉花各生育時期的AGB估算效果,得出了不同生育時期的最佳二元線性擬合模型,相關系數R2均在0.79以上。Kross等[15]對估算玉米和大豆葉面積指數和生物量的植被指數進行評估,發現累積植被指數在估算地上總干生物量方面表現突出,尤其是玉米(CV≤ 20%)。陶惠林等[20]利用可見光指數構建了多生育時期融合的生物量估算模型,結果表明多生育時期融合模型反演精度優于單生育時期模型,逐步回歸生物量估算模型估算效果最佳。

綜上可知,無人機光譜反演作物生物量精度較高,通過無人機光譜感知冠層株高、生物量,探尋不同水肥處理情景下作物生理生長響應特征,為精準灌溉、智慧灌溉提供可靠的信息數據支撐,具有非常重要的研究意義。本研究以華北地區夏玉米為研究對象,借助無人機遙感平臺獲取光譜數據,重點探究不同水肥處理下大田夏玉米光譜反演模型精度,以期為判斷該地區水肥虧缺程度提供數據支持,為制定合理的水肥管理制度提供理論依據。

1 材料與方法

1.1 研究區概況

試驗于2020—2021年在河南省新鄉市中國農業科學院七里營綜合試驗基地(35°13′N,113°76′E)進行,該基地處于華北平原的人民勝利渠灌區,農業種植結構以冬小麥-夏玉米輪作為主,是夏玉米的重要種植區。該地區為溫帶大陸性季風氣候,多年平均降水量600 mm左右,夏季高溫多雨,7—9月降水量占全年降水量的65%～75%。試驗區土壤類型為輕質壤土,表層土壤體積質量1.47 g·cm-3,0～1 m土層平均田間體積持水率為30.98%。試驗田灌溉水源為地下水,埋深超過10 m。為保證同一種植年份播種時土壤養分的一致性,兩年試驗選擇不同地塊(圖1,見202頁)。

圖1 試驗區地理位置

1.2 試驗設計

夏玉米于2020年6月20日播種,供試品種為‘太玉339’;2021年6月10日播種,供試品種為‘農大108’。種植行距0.60 m,株距0.25 m,行向為南北方向。兩年收獲時間均為9月27日,2020年全生育期96 d,2021年全生育期106 d。兩年試驗設置相同的灌溉處理,地塊面積和施肥處理略有不同。播種后各處理大水漫灌一次,以保證玉米的出苗率。苗期以后灌溉方式為滴灌,設置3個灌溉梯度,灌水定額分別為0(W0)、30 mm(W1)和70 mm(W2)。灌水量由支管上的水表控制。在夏玉米的拔節期、喇叭口期、抽雄期和灌漿期,分別灌水一次。

2020年,每個灌溉梯度下設置5種施肥方式:CK(基施復合肥600 kg· hm-2,追肥0 kg· hm-2)、N(全生育期氮肥N 250 kg· hm-2)、K(全生育期鉀肥K2O 120 kg· hm-2)、NK(全生育期氮肥N 250 kg· hm-2+鉀肥K2O 120 kg· hm-2)、NPK(全生育期氮肥N 250 kg· hm-2+磷肥P2O530 kg ·hm-2+鉀肥K2O 120 kg· hm-2),共15個處理,每個處理1個小區,3次重復,隨機區組排列,共45個小區;小區面積為12 m2(4.0 m×3.0 m),間距1.2 m(圖2a)。CK小區僅施基肥,其余小區按設置的施肥量50%基施,50%追施。基施使用復合肥,施用量均為600 kg· hm-2;追施使用尿素CO(NH2)2、過磷酸鈣Ca(H2PO4)2·H2O、氯化鉀KCL,拔節期和抽雄期各追肥1次,每次追肥量占各處理全生育期施肥量的25%,將肥料水溶后均勻噴灑在試驗小區內。

2021年,每個灌溉梯度下設置4種施肥方式:CK、N、PK和NPK,同一元素的施肥量與2020年相同,12個處理,每個處理5次重復,共60個小區;小區面積為3.6 m2(2.0 m×1.8 m),間距為1.2 m(圖2b)。玉米整個生長期分3次施肥,播種、喇叭口期、抽雄期各施一次,各處理每次施用其生育期總量的1/3,將肥料水溶后均勻噴灑在試驗小區內。

1.3 數據獲取與處理

選擇晴朗無風的天氣進行無人機圖像以及地面數據的采集,以降低天氣對影像獲取的影響,具體采集日期見表1。無人機數據采集時間集中在北京時間的11∶00—14∶00,地面數據采集時間集中在9∶00—14∶00。每個小區選擇6株玉米測量株高,其平均值代表該小區實際株高。生物量測定玉米地上部植株鮮質量。

圖2 試驗區布置示意圖

表1 無人機飛行采集日期

1.3.1 光譜影像獲取 多光譜相機選用美國MicaSense RedEdge-MX五通道多光譜相機,相機質量232 g,焦距5.5 mm,視場角47.2°,地物分辨率位于離地高度120 m可達8 cm。RedEdge-MX多光譜相機波段信息見表2。搭載平臺選擇DJI M210V2型無人機,無人機飛行高度30 m,重疊度80%,利用DJI Pilot和DJI GSPro規劃航線控制無人機自主飛行作業。于每次起飛前和降落后對相機自帶輻射標定板拍照,用以圖像拼接時的輻射定標作業。

1.3.2 光譜影像預處理 借助Pix4D mapper完成多光譜以及熱紅外圖像拼接以及輻射定標作業。不同時期的影像在地理位置上有所差別,利用ArcGis 10.2對拼接完成的圖像進行地理配準,方便批量化處理。由于圖像中包含試驗區以外的區域,需繪制試驗小區的掩膜文件,疊加于配準后的光譜影像上批量提取出所有的試驗小區。

1.3.3 光譜植被指數提取 植被指數是指通過波段的組合形成的增強植被信息,反映植被在可見光、近紅外等波段反射與土壤背景之間差異的指標。其原理是綠色植被或者農作物在可見光紅、藍光波段表現為強吸收特性,在近紅外、綠波段則表現為強反射。植被指數的構建能夠實現植被生長狀況的定量表達。本研究借鑒前人成果[21-22],選取并計算5種植被指數,各指數及其計算公式見表3。

1.3.4 株高提取 在無人機遙感中,植株的上限可利用數字表面模型(Digital surface model,DSM)確定,地面高程變化則依靠裸土時的光譜圖像數字表面模型確定。首先通過無人機可見光影像生成試驗田的DSM,記作DSM0,得到試驗田地表高程的變化情況,作為之后株高提取的地表基準面,在ti(i=1,2,3,4)時期生成的DSMi(i=1,2,3,4),與DSM0作差可以得到對應ti時期玉米的高度變化情況,計算公式如下:

H=DSMi-DSM0

(1)

由于光譜DSM記錄的是整個試驗區的高程信息,較低位置的葉片以及雜草等其他地物的高程信息對冠層上限的提取影響較大。為消除這一影響,對比可見光確定上部冠層的最低高程,利用ArcGis獲得各試驗小區上部冠層DSM圖像。對提取后的圖像分區統計均值,代表各小區冠層上限。

1.4 數據分析流程

本研究數據從獲取到可視化展示的流程及使用的軟件如圖3所示。第1步,通過DJI Pilot和DJI GSPro控制無人機獲取圖像;第2步,借助Pix4D和Argisoft Photoscan完成圖像拼接及輻射校正;第3步利用ENVI、ArcGis、QGIS處理光譜并提取數據;第4步結合地面觀測數據在ArcGis、QGIS、Excel、Spass、R語言中進行相應的統計分析;第5步主要借助R語言編程實現文中相關模型的構建;最后,通過ArcGis、Excel、R語言及Origin對所有分析結果進行可視化表達。另外,文中所展示的各類流程圖及示意圖通過Inkscape、Visio和PhotoShop繪制。

表2 Rededge MX多光譜相機光譜波段

表3 多光譜植被指數

2 結果與分析

2.1 不同處理下夏玉米株高變化

表4為3個灌溉處理情境下不同時期夏玉米株高均值及標準差。2020年,隨著生育時期的推進,夏玉米株高不斷增加,7月30日平均值已增至200.00 cm左右。夏玉米各生育時期株高均隨灌水量的增加而增加,W2處理株高均值4個時期分別比W0處理高6.96、9.13、17.49、28.69 cm,比W1處理高3.74、7.65、10.84、11.92 cm;W1處理株高均值4個時期分別比W0處理高3.23、1.48、6.66、16.77 cm。2021年7月15日各處理株高變化規律與上年度基本相同。但7月15日后連續暴雨導致試驗中斷,至7月30日采集數據時規律有所變化,W0處理株高均值為137.69 cm,略高于W1處理株高(135.00 cm);此后,隨生育時期推進,W1處理夏玉米平均高度逐漸接近W0處理,8月4日兩處理差值縮小到了0.13 cm;8月11日(吐絲期)W1處理株高均值較W0處理提高了0.13 cm。兩年不同灌水處理情景下的株高變化表明,水分虧缺程度顯著影響夏玉米植株的生長發育,株高一定程度上反映了灌水量能否滿足作物生長所需。

圖3 數據處理流程

表4 3 個灌溉處理情境下不同時期玉米株高均值及標準差

隨著生育時期的進行,3個灌溉水平下株高標準差有增加的趨勢,可能是施肥處理不同導致各小區間株高出現差異。為驗證這一結論,將各生育時期玉米株高隨施肥處理的變化情況作圖,以散點表示每個時期株高分布情況,柱表示每個時期株高平均值。從圖4可以看出,2020年施肥處理小區株高均高于CK,且NPK處理最高。2021年7月30日CK處理的株高最大,表現異于其他時期,可能是因為暴雨導致此階段未進行灌溉追肥,水分充足情境下植株生長發育受限因素減少,株高與施肥的相關性減弱。但是8月份以后,施肥處理小區的株高均值逐漸接近并最終高于CK。以上結果進一步表明玉米株高受施肥的影響,其變化情況可以作為夏玉米肥料虧缺的判斷依據。

2.2 不同生育時期株高提取分析

圖5為不同生育時期夏玉米株高地面觀測值與多光譜DSM計算值對比圖,吐絲期以后株高增量較小,因此本研究僅討論吐絲期之前的株高變化。對比同一生育時期兩種方法得到的株高值發現,大部分小區株高DSM計算值低于地面觀測值,2020年各生育時期觀測值與計算值平均差值分別為25.95、5.03、38.04、29.54 cm,2021年平均差值分別為8.97、8.58、33.00、68.86 cm;可能是因為地面觀測時測量莖基部到植株最高點的高度,而光譜計算的是整個上部冠層的平均高度。此外,抽雄吐絲期地面觀測時記錄的為莖基部到雄穗最高點的高度,而光譜計算時雄穗所占像元較少,大部分像元為植株葉片區域,這可能是造成2021年8月11日株高地面觀測值與多光譜DSM計算值差異較大的主要原因。對比不同生育時期的株高,光譜計算值與地面觀測值具有相似的變化趨勢,初步表明多光譜影像能夠用于表征夏玉米植株高度。

圖4 5 個施肥處理下不同生育時期玉米株高

圖5 不同時期玉米株高地面觀測值與影像計算值

2.3 光譜計量株高的準確性分析

為驗證多光譜DSM計量夏玉米株高的準確性,對株高的地面觀測值和DSM計算值進行一元線性擬合。圖6為夏玉米株高地面觀測值與光譜計算值之間的相關性散點圖。由圖6可以看出,光譜計算值與地面觀測值之間表現出很強的相關性,2020年4個時期兩者的相關系數R2分別達到了0.354、0.483、0.672、0.702,2021年則分別為0.314、0.410、0.426、0.466。2021年兩者相關性低于2020年,可能是兩年觀測株高時采用了同一標準,而兩年種植玉米品種不同造成株型差異,2020年玉米植株為緊湊型,2021年為披散型,株型不同導致影像提取效果有所不同。隨生育時期推進,光譜計算值與地面觀測值相關程度不斷增大,說明隨著玉米的生長,同一小區不同植株的高度趨向于統一,符合客觀規律。不同生育時期光譜計算值與地面觀測值的相關性分析表明,影像計算出的株高具有較高的可靠性和精準度,可用于大田株高的觀測以及田間作物管理。圖7為生育時期融合后兩種計量方法所得株高的相關關系,由圖7可知,生育時期融合后株高觀測值與光譜計算值呈指數相關,相關性顯著提升,兩年的R2分別為0.946和0.906。此規律表明生育時期融合可以顯著地增加地面觀測值與光譜數據之間的相關性。

2.4 夏玉米生物量與植被指數相關性分析

為分析植被指數與夏玉米生物量的相關關系,建立不同時期植被指數與生物量的一元線性回歸模型,并統計各回歸模型間相關性(表5)。從表5可以看出,2020年7月24日各植被指數均與生物量在P<0.0001水平上顯著相關,相關系數不小于0.625;2020年8月26日和9月24日植被指數均與生物量在P<0.01水平上顯著相關,相關系數絕對值不小于0.412。3個時期相關系數絕對值最大的指數分別為GOSAVI(7月24日)、NNIR(8月26日)、MCARI(9月24日)。綜合來看,2020年植被指數與生物量之間的相關性不高,可能是每個小區取樣量偏少,結果隨機性較大。因此,對2021年的試驗進行了改進,即每處理固定1個取樣小區,共計12個小區,每小區取3株玉米測量地上部分鮮質量,其均值代表該小區實際生物量,結果表明,2021年各植被指數和生物量間相關性較2020年有所提升,相關系數均高于0.587。

圖7 生育時期融合后地面測量株高與光譜影像提取株高間相關關系

表5 植被指數與生物量皮爾遜相關系數

2.5 不同處理下夏玉米生物量反演

采用SVR、Cubist、RF這3種機器學習算法,將5種植被指數作為輸入變量,生物量作為輸出變量,構建夏玉米不同生育時期生物量反演模型,反演結果如表6、7、8所示。其中,2021年單生育時期數據集樣本量未達到機器學習算法建模的要求,因此將其3個生育時期融合為一個數據集。由此,兩年用于模型構建的數據集具有相近的規模,同時可以觀察生育時期融合對生物量反演精度的影響。

由表6、7、8可知,3種算法構建的模型生物量擬合精度相較于單一植被指數均有不同程度的提升。Cubist模型樹算法在2020年不同生育時期的測試集上具有最優的表現,模型R2分別為0.542、0.511、0.346,對應的RMSE分別為87.41、135.77、154.06;7月24日模型反演精度明顯優于其余2個生育時期,且隨著生育時期的進行,模型穩定性逐漸降低(表7)。2021年生育時期融合后,模型精度大幅度提升,3個模型在測試集上的R2達到了0.942、0.941、0.934,RMSE低至59.47、64.43、65.53,表明生育時期融合對模型精度的影響極為顯著。這與株高表現出了相同的變化規律,單一生育時期各小區差距相對較小,而生育時期之間各指標差異大,擴大數據跨度可以降低小范圍誤差的影響,這是導致生育時期融合后模型精度大幅提升的主要原因。以上分析表明基于無人機多光譜數據反演不同水肥條件下的夏玉米生物量的方法具有可行性。

表6 SVR模型反演夏玉米生物量結果

表7 Cubist模型反演夏玉米生物量結果

表8 RF模型反演夏玉米生物量結果

3 討 論

本研究發現,通過多光譜點云數據DSM提取的夏玉米株高與地面觀測值相關程度較高,可以滿足評估夏玉米長勢差異的要求。光譜數據提取的株高普遍小于地面觀測值,可能是由于株高光譜計算值為冠層高度平均值,而地面觀測值為植株高度最大值,即植株自地表至最高點的高度。這一差異在2021年玉米抽雄期表現更加明顯,因為此時地面觀測記錄的是莖基部到雄穗的高度。光譜提取的株高稱為冠層高度更為合理,光譜記錄的冠層高度信息更加適用于農田生產管理,因為其不僅可以快速高效獲取整片農田中作物的長勢差異、體現作物冠層異質性,還能規避人工記錄導致的隨機誤差,同時還提高了光譜圖像的利用程度,節約生產管理成本,更加適應農田現代化精準管理,可以作為一種有效反演株高的方法推廣使用[12,20]。

本研究發現,不同灌溉和施肥處理會對夏玉米株高、生物量產生影響。由于夏玉米采用的灌溉方式為滴灌且每次灌水量并未達到田間持水量,因此所有試驗小區都存在不同程度的水分虧缺現象,水分虧缺程度W2

本文通過不同的機器學習算法構建了夏玉米生物量反演模型,比較模型之間的反演精度,最終發現Cubist模型樹算法具有最好的預測精度。未來試驗中應增加樣本量以擴大數據集規模,從而驗證集成學習算法在反演夏玉米生物量上的表現。同時,生育時期融合后各模型的反演精度大幅提升,實際生產中應積累不同時期的數據,增加模型穩定性,不斷提高光譜監測效果。

4 結 論

1)不同灌溉施肥處理顯著影響夏玉米株高,DSM計算的株高值與田間觀測值均在P<0.0001水平極顯著相關,2020年不同時期決定系數R2分別為0.354、0.483、0.672、0.702,2021年不同時期R2分別為0.314、0.410、0.426、0.466。

2)生育時期融合能大幅提高光譜反演株高的精度,兩年的擬合優度分別為0.946和0.906。

3)多光譜植被指數與不同水肥處理下的夏玉米生物量相關性較好,利用Cubist算法構建的2020年玉米生物量反演模型表現最優,3個日期測試集R2分別為0.542、0.511、0.346。生育時期融合可以顯著提高模型的反演精度,3種算法構建的模型(SVR模型、Cubist模型和RF模型)在2021年生育時期融合數據集上均表現較優,在測試集上的R2分別達到0.942、0.941、0.934。