冬小麥生物量高光譜遙感監測模型研究

賀佳，劉冰峰，郭燕，王來剛，鄭國清，李軍*

（1 西北農林科技大學農學院，陜西楊凌 712100；2 河南省農業科學院農業經濟與信息研究所，河南鄭州 450002）

冬小麥生物量高光譜遙感監測模型研究

賀佳1,2，劉冰峰1，郭燕2，王來剛2，鄭國清2，李軍1*

（1 西北農林科技大學農學院，陜西楊凌 712100；2 河南省農業科學院農業經濟與信息研究所，河南鄭州 450002）

【目的】高光譜遙感能快速、實時、無損監測作物長勢。研究不同氮磷水平下冬小麥不同生育時期地上部生物量高光譜遙感監測模型，可提高地上部生物量高光譜監測精度。【方法】在西北農林科技大學連續進行了 5 年田間定位試驗，設置 5 個施氮水平 (N, 0, 75, 150, 225 和 300 kg/hm2) 和 4 個磷施用水平 (P2O5, 0, 60, 120 和180 kg/hm2)，選用不同抗旱類型冬小麥品種，測定了從拔節期至成熟期生物量與冠層光譜反射率，通過相關分析、回歸分析等統計方法，建立并篩選基于不同植被指數的冬小麥不同生育時期生物量分段遙感監測模型?！窘Y果】冬小麥生物量與光譜反射率在 670 nm 和 930 nm 附近具有較高相關性，在可見光和近紅外波段處均有敏感波段；在拔節期、孕穗期、抽穗期、灌漿期、成熟期，生物量與歸一化綠波段差值植被指數 (GNDVI)、比值植被指數 (RVI)、修正土壤調節植被指數 (MSAVI)、紅邊三角植被指數 (RTVI) 和修正三角植被指數Ⅱ(MTVIⅡ) 均 達 極 顯 著 相 關 性 (P ＜ 0.01)， 相 關 系 數(r) 范 圍 為 0.923～0.979； 在 不 同 生 育 時 期 ， 分 別 基 于GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 能建立較好的生物量分段監測模型，決定系數 (R2) 分別為 0.987、0.982、0.981、0.985、0.976；估計標準誤差 SE 分別為 0.157、0.153、0.163、0.133、0.132；預測值與實測值間相對誤差 (RE) 分別為 8.47%、7.12%、7.56%、8.21%、8.65%；均方根誤差 (RMSE), 分別為 0.141 kg/m2、0.113 kg/m2、0.137 kg/m2、0.176 kg/m2、0.187 kg/m2。【結論】在拔節期、孕穗期、抽穗期、灌漿期、成熟期可以用GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 監測冬小麥生物量，具有較好的年度間重演性和品種間適用性。同時，分段監測模型較統一監測模型具有較好的監測效果及驗證效果，能有效改善高光譜遙感監測模型精度。

農作物；冬小麥；生物量；高光譜遙感；監測模型

生物量是反映作物長勢狀況的重要指標，是作物重要的生態生理參數之一，與作物群體初級凈生產力和最終產量密切相關[1-2]。高光譜遙感憑借其波段連續性強、光譜數據量大的優勢，能及時有效地宏觀監測作物群體信息，在農業定量遙感研究中有廣 泛 應 用 ， 是 觀 測 地 表 植 被 狀 況 的 強 有 力 工 具[3-4]。Wessman 等[5]指出導數光譜與生物量密切相關，Ian等[6]指出高光譜遙感技術能夠精確估算植被生物量。Casanova 等[7]通過實測光譜數據建立水稻地上部生物量高光譜監測模型，實現了水稻生物量的高光譜遙感監測。Lukina 等[8]通過光譜處理圖像估測小麥冠層生物量。Thenkabail 等[9]指出 650～700 nm，500～550 nm 及 900～940 nm 等波段光譜反射率對地上部干生物量較為敏感。Gitelson 等[10]指出基于紅邊位置的植被指數能有效估測作物生物量。Hansen 等[11]利用歸一化差值植被指數通過偏最小二乘法精確估算小麥地上部生物量。Mutanga 等[12]用高光譜波段深度指數估測草地生物量，具有較好的估算效果。Nguyen 等[13]指出 1100～1650 nm、1100～1200 nm 可以精確估算水稻地上部干生物量。此外，還有學者構建許多不同植被指數反演作物生物量，都在不同程度上推動著高光譜遙感技術對生物量估測研究的發展[14-17]。王秀珍等[18]建立了水稻鮮生物量高光譜遙感模型。譚昌偉等[19]研究表明拔節期基于歸一化植被指數能有效估測冬小麥生物量，實現了冬小麥生物量空間分布量化表達。唐延林等[20]提出比值植被指數及紅邊參數與水稻、玉米和棉花等作物葉鮮重和葉干重均存在極顯著相關關系。宋開山等[21]指出比值植被指數可以抑制背景對目標的影響，進而提高光譜遙感估算作物生物量的精度。王大成等[22]通過人工神經網絡方法提高小麥生物量估算精度，比傳統回歸模型估測作物生物量有明顯優勢，可以擴展應用于作物其他生態生理參數的估算。馮偉等[23]以不同植被指數建立冬小麥葉干重監測模型。陳鵬飛等[24]提出紅邊三角植被指數在較高生物量水平下對生物量變化具有較高的敏感性，且不易受作物冠層結構影響，是估測小麥玉米等作物生物量的最佳植被指數。付元元等[25]將波段深度分析和偏最小二乘回歸兩種方法相結合能克服生物量較大時模型的飽和性問題，能提高模型估算精度。劉冰峰等[26]指出在不同生育時期選擇最佳植被指數能較好地監測玉米地上部干生物量，并能有效提高模型的監測精度和驗證效果。

由于作物生物量在不同生育時期、不同營養狀況下具有一定差異，在作物不同發育階段，大田觀測視場內作物冠層結構和背景信息的差異引起冠層光譜反射率不斷變化，導致所構建植被指數對生物量的敏感程度存在差異。同時，由于高光譜反演模型精度受冬小麥不同生育時期影響[27]，諸多因素導致高光譜遙感監測模型預測精度不高。本文通過連續5年大田試驗，定位研究不同氮磷耦合水平下，不同生育時期、不同抗旱類型冬小麥冠層光譜反射率與地上部干生物量，分析不同生育時期生物量與植被指數的定量關系，建立基于不同植被指數的不同生育時期生物量高光譜遙感監測模型，為實現不同肥力水平下冬小麥不同生育時期長勢精確診斷提供理論依據和技術支撐。

1 材料與方法

1.1 試驗地概況

試驗設于西北農林科技大學北校區 (108°10′E、34°10′N)，海拔 454.8 m，溫帶大陸性季風型氣候，年平均溫度 12～14℃，無霜期 220 d，年蒸發量1400 mm，年平均降水量 621.6 mm。試驗地為粉砂粘壤土，0—20 cm 土層土壤養分含量為有機質 14.26 g/kg，全氮 0.90 g/kg，堿解氮 36.00 mg/kg，速效磷17.64 mg/kg；20—40 cm 土層養分含量為有機質10.04 g/kg，全氮 0.62 g/kg，堿解氮 25.29 mg/kg，速效磷 23.85 mg/kg。

1.2 試驗設計

試驗于 2009～2014 年實施，采取隨機區組設計，每年設置 2 個抗旱程度不同的冬小麥品種，共 8個品種，依據該地區小麥生產措施，設置 5 個氮素水平，4 個磷肥水平，3 組重復。小區面積為 30 m2(3 m × 10 m)。5 個氮肥 (46% N 尿素) 水平分別為 N 0 (N0)、75 (N1)、150 (N2)、225 (N3) 和 300 kg/hm2(N4)，總氮肥 60% 作為基肥，40% 作為追肥，于返青后拔節前施入。4 個磷肥[16% Ca(H2PO4)2]水平分別為 P2O50 (P0)、60 (P1)、120 (P2)、180 kg/hm2(P3)，磷肥作為底肥一次性施入。不施鉀肥，其他田間管理按照黃土高原高產田措施進行良好管理。播種量均為187.50 kg/hm2，每小區播種量約 0.56 kg。不同年份供試品種、播種、收獲及數據采集日期見表 1。

表1 不同年份田間試驗基本情況Table 1 Basic information for the experiment in different years

1.3 測定指標及方法

1.3.1 冠層光譜反射率測量 冬小麥冠層光譜反射率采集用美國 Analytical Spectral Devices (ASD) 公司Field-spec Pro FR-2500 型背掛式野外高光譜輻射測量儀，波段為 350～2500 nm，350～1000 nm 光譜采樣間隔為 1.4 nm，光譜分辨率為 3 nm；1000～2500 nm，光譜采樣間隔為 2 nm，光譜分辨率為 10 nm。冠層光譜反射率在天氣晴朗、無風時測量，適宜時間為每天 10：00～14：00。測量時傳感器探頭垂直向下，光譜儀視場角為 7.5°，探頭距冠層頂部垂直高度約 30 cm，地面視場范圍直徑為 0.5 m。分別于冬小麥拔節期、孕穗期、抽穗期、灌漿期、成熟期測量。每個觀測點記錄 10 個采樣光譜，每小區測 3 次重復，取平均值作為該觀測點冠層光譜反射率。每一處理測量完畢后，及時進行標準白板校正 (標準白板反射率為 1，因此所得目標物光譜反射率為相對光譜反射率)，以便于準確測量下一處理。

1.3.2 地上部干生物量測定 與冠層光譜反射率測量同步，在冠層光譜反射率測定范圍內，選取長勢均勻 一 致 冬 小 麥 植 株 20 株 ， 不 同 植 株 按 器 官(莖 、葉、穗) 分離，在 105℃ 殺青 30 min，85℃ 烘干至恒重，將各器官分別稱重，加和為植株干物質重，記作單株地上部干重，據密度計算單位土地面積上的干生物量。

1.4 植被指數及擬合模型的選擇

本文在前人研究基礎上，對大量植被指數進行優選，選取修正土壤調節植被指數 (modified soil adjusted vegetation index，MSAVI)[27]，紅邊三角植被指數 (red edge triangular vegetation index，RTVI)[24]，修正三角植被指數Ⅱ (modified triangular vegetationindex Ⅱ，MTVIⅡ)[28]，比值植被指數 (ratio vegetation index，RVI)[29]，歸一化綠波段差值植被指數 (green normalized difference vegetation index，GNDVI)[30]5種植被指數，于不同生育時期監測冬小麥地上部干生物量，以生物量為因變量，不同類型植被指數為自變量，選擇不同生育時期最佳植被指數，建立不同生育時期生物量分段遙感監測模型。不同植被指數計算公式及來源見表 2。

表2 本文采用的高光譜植被指數Table 2 Hyperspectral vegetation indices used in this article

1.5 數據處理與分析

將試驗所得數據，依據不同年份、不同氮磷耦合水平、不同生育時期、不同冬小麥品種將生物量和冠層光譜反射率數據分別匯總。用 ViewSpec 軟件對冠層光譜反射率進行預處理。以 2012～2013 年抽穗期小偃 22 冠層光譜反射率為例，分析不同氮磷水平下冬小麥冠層光譜反射率的變化；綜合 2009～2014年獨立數據，按不同年份、不同氮磷水平、不同品種、不同生育時期分類，分析冠層光譜反射率與其相對應生物量的相關性，以 2010～2013 年建立生物量統一監測模型，并以 2009～2010 和 2013～2014 年獨立數驗證之；將 2010～2013 年連續 3 年不同品種、同一生育時期冬小麥生物量與相應植被指數進行相關性分析，并建立不同生育時期生物量分段監測模型；以 2009～2010 和 2013～2014 年獨立數據為實測值，對擬合模型預測值進行驗證。統一監測模型和分段監測模型均通過分析實測值與預測值的均方根誤差(root mean square error，RMSE) 和相對誤差 (relative error，RE)，評價監測模型的穩定性和可靠性。

2 結果與分析

2.1 不同氮磷施肥水平對冬小麥冠層光譜反射率的影響

以 2012～2013 年抽穗期小偃 22 冠層光譜反射率為例，分析不同氮磷水平下冬小麥冠層光譜反射率的變化 (圖 1)。為降低噪聲干擾，將原始光譜反射率 數 據350～2500 nm 范 圍 內 受 水 汽 影 響 的 波 段1350、1850 和 2450 nm 附近數據剔除，以便于進行數學分析及建模。由圖 1 可知，不同氮磷水平下，冬小麥冠層光譜反射率趨勢相似。在可見光波段 550 nm 附近有一反射峰，光譜反射率隨氮磷供應量的增加，呈降低趨勢；650 nm 附近有一吸收谷，不同氮磷供應水平下，反射率差異不顯著；650～760 nm 波段之間，光譜反射率隨波長急劇增加。在近紅外反射平臺 (760～1300 nm) 光譜反射率達最大值，為25.0%～45.0%，隨著氮磷供應水平的增加，光譜反射率呈遞增趨勢，不同處理間有較大差異；970 nm附近光譜反射率出現一個吸收谷。短波紅外波段(1400～2500 nm) 光譜反射率又呈降低趨勢，不同處理間反射率為 2.0%～18.0%，不同氮磷供應水平下，呈現較大差異。

圖1 抽穗期不同氮磷水平下冬小麥冠層光譜反射率的變化 (2012～2013 年，小偃 22)Fig. 1 Changes of canopy spectral reflectances of winter wheat under different N and P application rates at the heading stage (2012-2013, Xiaoyan 22)

由圖 1a 可知，在適量磷水平下 (P2O5120 kg/hm2)，隨著施氮量的增加 (N0P2、N1P2、N2P2、N3P2、N4P2)，不同處理間有相似趨勢。在可見光波段 (380～760 nm)， 隨著施氮量的增加，光譜反射率呈遞減趨勢，N1P2、N2P2、N3P2、N4P2較 N0P2降低 2.0%～5.0% (P＜ 0.05) ；在近紅外反射平臺 (760～1400 nm) 處，隨施氮量的增加，光譜反射率呈遞增趨勢，N1P2、 N2P2、N3P2、N4P2較 N0P2增加 6.0%～21.0% (P ＜0.05) ；在短波紅外波段 (1400～2500 nm)，光譜反射率與近紅外波段有相似趨勢，隨著施氮量的增加呈顯著遞增趨勢 (P ＜ 0.05)。由圖 1b 可知，在適量氮水平下 (N 150 kg/hm2)，隨著施磷量的增加 (N2P0、N2P1、N2P2、N2P3)，不同處理間趨勢相似。在可見光波段 (380～760 nm) 隨著施磷量的增加，光譜反射率呈遞減趨勢，N2P1、N2P2、N2P3較 N2P0降低 1.0%～2.0% (P ＜ 0.05)，不同肥力梯度下差異較??；在近紅外反射平臺 (760～1400 nm) 處隨施磷量的增加，光譜反射率呈遞增趨勢，N2P1、N2P2、N2P3較 N2P0顯著增加 3.0%～13.0% (P ＜ 0.05)，在短波紅外波段(1400～2500 nm)，隨著施磷量的增加呈顯著遞增(P ＜ 0.05)。總之，隨著氮磷供應量的增加，冬小麥冠層光譜反射率在可見光波段呈降低趨勢，降低幅度為 2.0%～5.0% (P ＜ 0.05)，在近紅外及短波紅外波段均隨氮磷供應量的增加呈顯著遞增趨勢，增加幅度為 3.0%～21.0%。

2.2 冠層光譜反射率與生物量的相關性

圖2 冬小麥冠層光譜反射率與生物量的相關性(2009～2014)Fig. 2 Correlation between canopy hyperspectral reflectances and biomass of winter wheat (2009-2014)[注 (Note):0.05 表示達到 5% 顯著水平0.05 indicates significant at the 0.05 levels.]

綜合 2009～2014 年獨立數據，按不同年份、不同氮磷水平、不同品種、不同生育時期分類，分析冠層光譜反射率與其相對應生物量的相關性 (圖 2)。由圖 2 可知，從拔節期到成熟期，在不同光譜波段光譜反射率與生物量的相關性趨勢相似，不同生育時期間具有一定差異。在可見光波段呈現顯著負相關 (P ＜ 0.05)，近紅外波段呈顯著正相關 (P ＜ 0.05)，短波紅外波段呈顯著負相關 (P ＜ 0.05)?？梢姽獠ǘ危瑥陌喂澠谥脸墒炱冢庾V反射率與生物量的相關系數差異較小，670 nm 附近有較大相關系數 0.69～0.76；隨著波長的增加，至 710～740 nm 波段，相關性急劇上升，730 nm 附近相關性最小，約為 0，相關性較差；730～1100 nm 之間有一個相對穩定的相關性平臺，孕穗期至成熟期冠層光譜反射率與生物量間相關性較好，930 nm 附近有較大相關系數0.55～0.61；拔節期相關系數較低，約 0.33 左右；1120～1300 nm 波段，相關性開始降低；在短波紅外波段，1400～1800 nm 和 1950～2400 nm 之間，光譜反射率與生物量呈顯著負相關 (P ＜ 0.05)，不同生育時期間相關性差異較小。總之，冬小麥生物量的敏感波段在對可見光 (670 nm) 和近紅外波段 (930 nm)的敏感性較短紅外波段好。

2.3 拔節期至成熟期冬小麥生物量統一監測模型的建立與驗證

2.3.1 拔節期至成熟期植被指數與生物量的相關性通過分析不同年份、不同氮磷水平、不同品種、不同生育期冠層光譜反射率與相應處理生物量的相關性，依據表 2 公式計算不同類型植被指數，分析拔節期至成熟期植被指數與生物量的相關性，分析表明，不同類型植被指數均與生物量達極顯著相關水平，相關系數 r 范圍為 0.754～0.801。按照統計學規定 : 相 關 系 數|r|≥ 0.8 時 為 高 度 相 關 ；0.5 ≤|r| ＜ 0.8 時為中度相關；0.3 ≤ |r| ＜ 0.5 時為低度相關。所以，從拔節期至成熟期 MSAVI、RTVI、MTVIⅡ、RVI、GNDVI 等植被指數與生物量達中度相 關(r 分 別 為 0.754**、 0.801**、0.773** 、0.762**、 0.787**) ，表明所選 5 種植被指數均能用來監測拔節期至成熟期冬小麥生物量，可作為構建冬小麥生物量監測模型的參數。

2.3.2 拔節期至成熟期生物量統一監測模型的建立與驗證 通過對拔節期至成熟期植被指數與生物量的相關性分析，選擇 2010～2013 年冬小麥生物量與對應植被指數 (n = 600)，建立基于拔節期至成熟期冬小麥生物量統一監測模型，并以 2009～2010 年和 2013～2014 年實測數據 (n = 400) 對模型預測值進行驗證(表 3)。由表 3 擬合模型可知，所選 MSAVI、RTVI、MTVIⅡ、RVI、GNDVI 等 5 種植被指數，均能與生物量建立較好的擬合模型，擬合精度 R2為 0.569～0.642，標準誤差 SE 為 0.197～0.235；由驗證模型可知:通過不同年度間獨立數據對模型預測值具有較好的驗證效果，實測值與預測值間相對誤差 RE 為 17.83%～24.07%，均方根誤差 RMSE 為 0.213～0.637 kg/m2。

2.4 不同生育期冬小麥生物量分段監測模型的建立與驗證

2.4.1 不同生育時期植被指數與生物量的相關性 將2010～2013 年連續 3 年不同品種、同一生育時期冬小麥生物量與相應植被指數進行相關性分析 (n = 120)。由表 4 可知，不同生育時期冬小麥生物量與植被指數均達極顯著相關性 (P ＜ 0.01)，相關系數范圍為 0.923～0.979，較拔節期至成熟期生物量與植被指數 相 關 性(r = 0.754 ～ 0.801) 有 所 提 高 ， 表 明MSAVI、RTVI、MTVIⅡ、RVI、GNDVI 等植被指數可以用來監測從拔節期至成熟期不同生育時期冬小麥生物量，可以作為構建冬小麥生物量分段監測模型的參數。

表3 拔節期至成熟期生物量統一監測模型的擬合與驗證Table 3 Fitting and performance of monitoring models of biomass of winter wheat from the jointing to maturity stages

表4 不同生育時期植被指數與生物量的相關系數 (r)Table 4 Correlation coefficients between vegetation indices and biomass at different growth stages

2.4.2 不同生育時期生物量分段監測模型的建立與驗證 通過分析不同生育時期植被指數與生物量的相關性，在 2010～2013 年連續 3 年獨立數據的基礎上，建立基于最佳植被指數的不同生育時期生物量分段監測模型，選擇擬合度 (R2) 較高，標準誤差 (SE) 較小的擬合模型作為不同生育時期生物量最佳監測模型。同時，以 2009～2010 年和 2013～2014 年獨立數據為實測值，對擬合模型預測值進行驗證，通過分析實測值與預測值的 RE 和 RMSE 評價監測模型的可靠性 (表 5)。

由表 5 擬合模型 (n = 120) 可知，在不同生育時期，MSAVI、RTVI、MTVIⅡ、RVI、GNDVI 等植被指數均與生物量具有較好的線性關系，同時具有較高的擬合精度 (R2= 0.885～0.987) 和較小的估計標準誤差 (SE = 0.132～0.185)。在不同生育時期均具有基于最佳植被指數的最佳擬合模型。這一結果較拔節期至成熟期生物量統一監測模型預測精度 (R2= 0.569～0.642) 和估計標準誤差 (SE = 0.197～0.235) 有所改善。在拔節期基于 GNDVI 建立的監測模型 R2和 SE 分別為 0.987 和 0.157；在孕穗期基于 RVI 建立的監測模型 R2和 SE 分別為 0.982 和 0.153；在抽穗期基于 MSAVI 建立的監測模型 R2和 SE 分別為0.981 和 0.163；在灌漿期基于 RTVI 建立的監測模型R2和 SE 分別為 0.985 和 0.133；在成熟期基于 MTVIⅡ建立的監測模型 R2和 SE 分別為 0.976 和 0.132。

表5 不同生育時期生物量監測模型擬合及驗證Table 5 Fitting and performance of the monitoring models of biomass of winter wheat at different growth stages

基于不同年份不同品種的實測獨立數據對不同生育時期生物量分段監測模型進行驗證，通過分析實測值與模型預測值間 RMSE 和 RE 對分段模型進行綜合評價，篩選不同生育時期最佳植被指數及最佳擬合模型。由表 5 驗證模型 (n = 80) 可知，基于不同植被指數建立的監測模型預測值與獨立樣本實測值具有較小的相對誤差 (RE 為 7.12%～9.83%) 和均方根誤差 (RMSE 為 0.111～0.214 kg/m2)。這一驗證結果較拔節期至成熟期生物量統一監測模型驗證效果的相對誤差 (RE 為 17.83%～24.07%) 和均方根誤差 (RMSE 為 0.213～0.637 kg/m2) 均有一定程度的提高 (表 3)。拔節期基于 GNDVI 對生物量監測，模型預測值與實測值間 RE 和 RMSE 分別為 8.47% 和0.141 kg/m2；孕穗期基于 RVI 對生物量監測，模型預測值與實測值間 RE 和 RMSE 分別為 7.12% 和0.113 kg/m2；抽穗期基于 MSAVI 對生物量監測，模型預測值與實測值間 RE 和 RMSE 分別為 7.56% 和0.137 kg/m2；灌漿期基于 RTVI 對生物量監測，模型預測值與實測值間 RE 和 RMSE 分別為 8.21% 和0.176 kg/m2；成熟期基于 MTVIⅡ 對生物量監測，模型預測值與實測值間 RE 和 RMSE 分別為 8.65% 和0.187 kg/m2。

3 討論

3.1 不同氮磷水平對生物量及冠層光譜反射率的影響

本研究通過連續 5 年定位研究不同氮磷水平下不同抗旱類型冬小麥生物量及冠層光譜反射率，于不同生育時期隨機選取大田樣本，通過分析不同氮磷水平對冠層光譜反射率及生物量的影響，確立了不同生育期冬小麥生物量與冠層光譜反射率的定量關系，明確不同生育時期生物量與冠層光譜反射率在可見光波段呈現顯著負相關，近紅外波段呈顯著正相關，短波紅外波段呈顯著負相關，拔節期冬小麥生物量與冠層光譜反射率間相關性較其他生育時期差，不同生育時期冬小麥生物量與 670 nm 及 930 nm 附近光譜反射率具有較好的相關性。所以，可以利用可見光及近紅外波段冠層光譜反射率反映冬小麥在不同生育時期的生物量變化。

3.2 拔節期至成熟期生物量統一監測模型

本研究結合前人對不同作物冠層光譜反射率及生物量的研究，基于冬小麥生物量對冠層光譜反射率的敏感波段，選擇并優化不同類型植被指數，在連續多年大田實測數據的基礎上，分析從冬小麥拔節期至成熟期 MSAVI、RTVI、MTVIⅡ、RVI、GNDVI等植被指數與生物量的相關性，發現不同類型植被指數均與生物量具有極顯著相關性 (P ＜ 0.01)，且達中度相關水平，說明可以利用不同類型植被指數構建從拔節期至成熟期冬小麥生物量的統一監測模型，這一結果與前人研究結果一致[24,32]。但是由于冬小麥生物量在不同氮磷水平下、不同生育時期變化幅度較大，大田冠層光譜反射率容易受土壤背景狀況及作物殘茬影響，使不同植被指數在建立連續生育時期生物量統一監測模型時，樣本數量過大，建模數據飽和，模型預測精度不高 (R2= 0.569～0.642)，實測值與預測值間相對誤差較大 (RE = 17.83%～24.07%)。鑒于此，本文將生育時期按時間序列分段，使建模樣本分布更加合理，針對不同生育時期生物量狀況，選擇最佳植被指數，提高光譜反射率對生物量的敏感性，建立不同生育時期生物量分段監測模型，以提高監測模型的預測精度及驗證精度。

3.3 不同生育時期生物量分段監測模型

在不同生育時期，MSAVI、RTVI、MTVIⅡ、RVI、GNDVI 等植被指數與生物量達極顯著相關性(P ＜ 0.01)，在不同生育時期均具有較高的相關系數(r = 0.923～0.979)。不同生育時期生物量分段監測模型具有較高的預測精度 (R2= 0.885～0.987) 和較小的估計標準誤差 (SE 為 0.132～0.185)。通過不同年份獨立數據對分段監測模型進行驗證，大田實測值與模型預測值間具有較小的相對誤差 (RE 為 7.12%～9.83%) 和 均 方 根 誤 差(RMSE 為 0.111～0.214 kg/m2)。在拔節期、孕穗期、抽穗期、灌漿期和成熟期分別基于 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ等植被指數建立的監測模型具有較高的預測精度，并且具有較好的驗證效果。不同生育時期生物量分段監測模型的預測精度和驗證效果均較拔節期至成熟期統一監測模型有所改善。本文分段監測模型的建立與驗證，均包括了不同生長季的不同類型冬小麥品種，所以該模型具有較好的年度間重演性和品種間的適用性。本文從時間尺度上將冬小麥按拔節期至成熟期劃分，在不同生育期取樣，使樣本分布更加合理，同時可以避免建模數據的飽和性，對改善模型監測精度不失為一種較好的方法。

植被指數將不同波長范圍的光譜反射率通過不同方式的運算組合，增強植被冠層的特征或細節。根據冬小麥不同生育時期的長勢狀況，選擇最佳植被指數，建立生物量分段模型，充分利用不同生育時期植被指數特性。在拔節期，作物群體覆蓋度較小，生物量相對較低，冠層光譜反射率易受土壤背景影響，而綠波段歸一化植被指數 (GNDVI) 是對歸一化植被指數 (NDVI) 的優化[33]，能有效降低冠層背景因素對冠層光譜反射率的影響，提高光譜反射率與生物量的相關性，故而能較好地監測該階段冬小麥生物量。在孕穗期，生物量逐漸增加，但光譜反射率在一定程度上仍受來自土壤背景的影響，比值植被指數 (RVI) 能減少植被指數在植被覆蓋度較低條件下光譜反射率受土壤背景的影響[34]。隨著生育時期的延長，冬小麥生物量逐漸增加。在抽穗期，冠層郁閉，修正土壤調節植被指數 (MSAVI) 在降低土壤調整植被指數 (SAVI) 中土壤背景對冠層光譜反射率影響的同時，將近紅外波段與紅光波段結合，所以能更好地監測中度生物量水平下冬小麥群體[28]。在灌漿期，冬小麥植株各部分營養逐漸轉向籽粒，該階段生物量達一生中最大值，而紅邊三角植被指數(RTVI) 在比值植被指數的基礎上將其比例化，使其對作物群體冠層結構不敏感，同時保持對較高的生物量有較高的敏感性，所以 RTVI 能較好地監測該階段的生物量[24]。在成熟期，冬小麥群體植株變黃，修正三角植被指數 Ⅱ (MTVIⅡ) 可充分降低光譜反射率對葉綠素變化的敏感性[29]，且對葉面積指數也有較高的敏感性，而葉面積指數與生物量又具有較好的相關性，所以 MTVIⅡ 能較好地監測該階段生物量。

3.4 生物量高光譜遙感監測模型展望

高光譜數據波段連續性強，信息量大，不同植被指數的產生及應用各具特點，如何篩選更為合理有效的植被指數，建立冬小麥生物量更加精確的監測模型，仍需不斷探索研究。由于本試驗長期定位于黃土高原半干旱氣候區，供試小麥品種也是該區域內較為廣泛應用的抗旱型品種，受試驗條件局限，該模型在其他區域不同類型小麥品種、耕作措施、生態環境等條件下的預測精度，需要更為廣泛的檢驗和完善。實現不同耕作措施、品種類型、生態環境等條件下，模型監測精度和適應范圍的結合，促進冬小麥大田生產實時監測和動態調控。

4 結論

1) 隨著氮磷供應量的增加，冬小麥冠層光譜反射率在可見光波段顯著降低 2.0%～5.0% (P ＜ 0.05)，在近紅外及短波紅外波段均隨氮磷供應量的增加顯著增加 3.0%～21.0% (P ＜ 0.05)，生物量與冠層光譜反射率在可見光波段呈負相關，在近紅外波段呈正相關，在短紅外波段呈負相關，生物量的敏感波段主要位于 670 nm 和 930 nm 附近。

2) 在拔節期、孕穗期、抽穗期、灌漿期、成熟期，冬小麥生物量分別與 GNDVI、RVI、MSAVI、RTVI、MTVIⅡ 呈較高的極顯著相關，相關系數 (r)分別為 0.959、0.964、0.977、0.971、0.979；基于GNDVI、RVI、MSAVI、RTVI、MTVIⅡ 分別建立拔節期、孕穗期、抽穗期、灌漿期、成熟期冬小麥生物量監測模型，決定系數 (R2) 分別為 0.987、0.982、0.981、0.985、0.976；估計標準誤差 (SE) 分別為0.157、0.153、0.163、0.133、0.132；模型預測值與大田實測值間相對誤差 (RE) 分別為 8.47%、7.12%、7.56%、8.21%、8.65%；均方根誤差 (RMSE) 分別為0.141、0.113、0.137、0.176、0.187。分段模型不僅具有較好的年度間重演性和品種間適用性，同時模型的預測精度和驗證效果也較統一監測模型有所改善。

[1]柏軍華, 李少昆, 王克如, 等. 基于近地高光譜棉花生物量遙感估算模型[J]. 作物學報, 2007, 33(2)： 311-316. Bai J H, Li S K, Wang K R, et al. Estimation models of cotton aboveground fresh biomass based on field hyperspectral remote sensing[J]. Acta Agronomica Sinica, 2007, 33(2)： 311-316.

[2]李衛國, 趙春江, 王紀華, 等. 遙感和生長模型相結合 的小麥長勢監測研究現狀與展望[J]. 國土資源遙感, 2007, (2)： 6-9. Li W G, Zhao C J, Wang J H, et al. Research situation and prospects of wheat condition monitoring based on growth model and remote sensing [J]. Remote Sensing for Land &Resources, 2007, (2)： 6-9.

[3]馮偉, 朱艷, 姚霞, 等. 小麥葉片色 素含量的高 光譜監測[J]. 應用生態學報, 2008, 19 (5)： 992-999. Feng W, Zhu Y, Yao X, et al. Monitoring of wheat leaf pigment concentration with hyperspectral remote sensing [J]. Chinese Journal of Applied Ecology, 2008, 19 (5)： 992-999.

[4]童慶禧, 鄭蘭芬, 王晉年, 等. 濕地植被成 像光譜遙感 研究[J]. 遙感學報, 1997, 1(1)： 50-57. Tong Q X, Zheng L F, Wang J N, et al. Study on imaging spectrometer remote sensing information for wetland vegetation[J]. Journal of Remote Sensing, 1997, 1(1)： 50-57.

[5]Wessman A A, Aber J D, Peterson D L, et al. Remote sensing of canopy chemistry and nitrogen cycling in temperate forest ecosystems [J]. Nature, 1988, 335： 154-156.

[6]Ian B S, Elizabeth P, Johanne B B. Impact of nitrogen and environmental conditions on corn as detected by hyperspectral reflectance [J]. Remote Sensing of Environment, 2002, 80： 213-224.

[7]Casanova D, Epema G F, Goudriaan J. Monitoring rice reflectance at field level for estimating biomass and LAI [J]. Field Crops Research, 1998, 55： 83-92.

[8]Lukina E, Stone M, Raun W. Estimating vegetation coverage in wheat using digital images [J]. Journal of Plant Nutrition, 1999, 22(2)： 341-350.

[9]Thenkabail P S, Smith R B, Pauw E D. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics [J]. Remote Sensing of Environment, 2000, 71(2)： 158-182.

[10]Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction [J]. Remote Sensing of Environment, 2002, 80(1)： 76-87.

[11]Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression [J]. Remote Sensing of Environment, 2003, 86(4)： 542-553.

[12]Mutanga O, Prins H H T, Skidmore A K, et al. Explaining grassnutrient patterns in a savanna rangeland of southern Africa[J]. Journal of Biogeography, 2004, 31(5)： 819-829.

[13]Nguyen H T, Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. Europe Journal of Agronomic, 2006, 24(4)： 349-356.

[14]Gitelson A A, Merzlyak M N. Signature analysis of leaf reflectance spectra： algorithm development for remote sensing [J]. Journal of Plant Physiology, 1996, 148(3-4)： 494-500.

[15]Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture [J]. Remote Sensing of Environment, 2002, 81(2)： 416-426.

[16]Penuelas J, Filella I, Gamon J A. Assessment of photosynthetic radiation-use efficiency with spectral reflectance [J]. New Phytologist, 1995, 131(3)： 291-296.

[17]Shibayama M, Akiyama T. Estimating grain yield of maturing rice canopies using high spectral resolution reflectance measurements [J]. Remote Sensing of Environment, 1991, 36(1)：45-53.

[18]王秀珍, 黃敬峰, 李云梅, 等.水稻地上鮮生物量的高光譜遙感估算模型研究[J]. 作物學報, 2003, 29(6)： 815-821. Wang X Z, Huang J F, Li Y M, et al. Study on hyperspectral remote sensing estimation models for the ground fresh biomass of rice [J]. Acta Agronomica Sinca, 2003, 29(6)： 815-821.

[19]譚昌偉, 王紀華, 朱新開, 等. 基于 Landsat TM 影像的冬小麥拔節期 主 要 長 勢 參 數 遙 感 監 測 [J]. 中 國 農 業 科 學, 2011, 44(7)：1358-1366. Tan C W, Wang J H, Zhu X K, et al. Monitoring main growth status parameters at jointing stage in winter wheat based on Landsat TM images[J]. Scientia Agricultura Sinica, 2011, 44(7)： 1358-1366.

[20]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)：100-104. Tang Y L, Wang X Z, Wang F M, et al. Study on the determination of LAI and biomass of crop by hyperspectral [J]. Journal of Northwest A&F University (Natural Science Edition), 2004, 32(11)：100-104.

[21]宋開山, 張柏, 李方, 等.高光譜反射率與大豆葉面積及地上鮮生物量的相關分析[J]. 農業工程學報, 2005, 21(1)： 36-40. Song K S, Zhang B, Li F, et al. Correlative analyses of hyperspectral reflectance with soybean LAI and aboveground biomass [J]. Transactions of the CSAE, 2005, 21(1)： 36-40.

[22]王大成, 王紀華, 靳寧, 等. 用神經網絡和高光譜植被指數估算小麥生物量[J]. 農業工程學報, 2008, 24(增刊 2)： 196-201. Wang D C, Wang J H, Jin N, et al. ANN-based wheat biomass estimation using canopy hyperspectral vegetation indices [J]. Transactions of the CSAE, 2008, 24(Supp.2)： 196-201.

[23]馮偉, 朱艷, 姚霞, 等. 基于高光譜遙感的小麥葉干重和葉面積指數監測[J]. 植物生態學報, 2009, 33 (1) ： 34-44. Feng W, Zhu Y, Yao X, et al. Monitoring leaf dry weight and leaf area index in wheat with hyperspectral remote sensing[J]. Chinese Journal of Plant Ecology, 2009, 33 (1) ： 34-44.

[24]陳鵬飛, Nicolas T, 王紀華, 等. 估測作物冠層生物量的新植被指數的研究[J].光譜學與光譜分析, 2010, 30(2)： 512-517. Cheng P F, Nicolas T, Wang J H, et al. New index for crop canopy fresh biomass estimation [J]. Spectroscopy and Spectral Analysis, 2010, 30(2)： 512-517.

[25]付元元, 王紀華, 楊貴軍, 等. 應用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J]. 光譜學與光譜分析, 2013, 33(5)：1315-1319. Fu Y Y, Wang J H, Yang G J, et al. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements [J]. Spectroscopy and Spectral Analysis, 2013, 33(5)： 1315-1319.

[26]劉冰峰, 李軍, 賀佳, 等. 基于高光譜植被指數的夏玉米地上干物質量估算模型研究[J]. 農業機械學報, 2016, 47(3)： 254-262. Liu B F, Li J, He J, et al. Estimation models of above-ground dry matter accumulation of summer maize based on vegetation indexes of hyperspectral remote sensing [J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3)： 254-262.

[27]王圓圓, 李貴才, 張立軍, 等. 利用偏最小二乘回歸從冬小麥冠層光譜提取葉片含水量[J]. 光譜學與光譜分析, 2010, 30(4)： 1070-1074. Wang Y Y, Li G C, Zhang L J, et al. Retrieval of leaf water content of winter wheat from canopy hyperspectral data using partial least square regression [J]. Spectroscopy and Spectral Analysis, 2010,30(4)： 1070-1074.

[28]Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS [A]. Proceedings of 3rd Earth Resources Technology Satellite-1 Symposium, Greenbelt, NASA SP-351 [C]. Washington, DC, USA, 1974, 1： 309-317.

[29]Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture [J]. Remote Sensing of Environment, 2004, 90 (3)：337-352.

[30]Pearson R L, Miller D L. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass prairie [J]. Remote Sensing of Enriroment, Ⅷ, 1972, 45： 7-12.

[31]Gitelson A A, Kaufman Y, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS [J]. Remote Sensing of Environment, 1996, 58(3)： 289-298.

[32]Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index [J]. Remote Sensing of Environment, 1994, 48(2)：119-126.

[33]Wang F, Huang J, Tang Y, et al. New vegetation index and its application in estimating leaf area index of rice [J]. Rice Science, 2007, 14(3)： 195-203.

[34]Haboudane D, Tremblay N, Miller J R, et al. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2)： 423-437.

Biomass estimation model of winter wheat (Triticum aestivum L.) using hyperspectral reflectances

HE Jia1,2, LIU Bing-feng1, GUO Yan2, WANG Lai-gang2, ZHENG Guo-qing2, LI Jun1*
( 1 College of Agronomy, Northwest A&F University, Yangling, Shaanxi 712100, China; 2 Agricultural Economy and Information Research Institution, Henan Academy of Agricultural Sciences, Zhengzhou, Henan 450002, China )

【Objectives】Hyperspectral remote sensing can rapidly and nondestructively acquire vegetation canopy information. The objectives of this study were to establish wheat biomass estimation model based on winter wheat (Triticum aestivum L.) canopy hyperspectral reflectances with different rates of nitrogen or phosphorus application, and to improve the forecast precision of the biomass estimation model at different growth stages of winter wheat in the Loess Plateau of China.【Methods】Field experiments were carried out during 2009-2014 at Northwest A&F University, Yangling, China. Winter wheat cultivars were used as tested materials, and five N application rates (0, 75, 150, 225 and 300 kg/ hm2) and four P2O5application rates (0, 60, 120 and 180 kg/ hm2) were set. Biomass and canopy hyperstpectral reflectances were measured at the jointing, booting, heading, grain filling and maturity stages, respectively. The biomass monitoring models were constructed using correlation and regression methods.【Results】The biomass of wheat from the jointing to maturityshowed a parabolic curve, and the maximum biomass was at the seed filling stage. When nitrogen or phosphorus application was sufficient, the canopy hyperspectral reflectances of wheat were reduced by 2.0%-5.0% in the visible wavelength (P ＜ 0.05), and increased by 3.0%-21.0% in the near infrared wavelength (P ＜ 0.05). There were significant (P ＜ 0.01) correlations between the biomass and green normalized difference vegetation index (GNDVI), ratio vegetation index (RVI), modified soil adjusted vegetation index (MSAVI), red edge triangular vegetation index (RTVI) and modified triangular vegetation indexⅡ(MTVIⅡ), the range of the correlation coefficient was from 0.923 to 0.979 at different growth stages. The monitoring models based on GNDVI, RVI, MSAVI, RTVI and MTVIⅡ produced better estimation for biomass at the jointing, booting, heading, grain filling and maturity, respectively, and precision values of prediction R2were respectively 0.987, 0.982, 0.981, 0.985 and 0.976 (P ＜ 0.01), and standard errors (SE) were respectively 0.157, 0.153, 0.163, 0.133 and 0.132. Meanwhile, the relative errors (RE) of the measured values and predicted values were 8.47%, 7.12%, 7.56%, 8.21% and 8.65%, and the root mean square errors (RMSE) were 0.141, 0.113, 0.137, 0.176 and 0.187 kg/m2at the jointing, booting, heading, grain filling and maturity stages, respectively. Therefore, vegetation indices of GNDVI, RVI, MSAVI, RTVI and MTVIⅡwere the most suitable indexes for monitoring winter wheat biomass at the jointing, booting, heading, grain filling and maturity stages, respectively.【Conclusions】The five tested vegetation indices show high precision in predicting the biomass of winter wheat at different growth stages, which means they can be used for monitoring biomass of winter wheat in large areas of the Loess Plateau.

crop; winter wheat; biomass; hyperspectral remote sensing; monitoring model

2016-04-26 接受日期：2016-09-23

國家高技術研究發展計劃（863計劃）資助項目（2013AA102902）；國家自然科學基金（31071374，30771280，41601213）；河南省農業科學院優秀青年基金項目（2016YQ21）資助。

賀佳（1985—），男，河南陜縣人，博士研究生，主要從事高效農作制度與農業遙感應用研究。E-mail:hejia2011@163.com

* 通信作者 E-mail:junli@nwsuaf.edu.cn