基于高光譜植被指數的冬小麥產量監測

張 松，馮美臣，楊武德，王 超，孫 慧，賈學勤，武改紅

（山西農業大學農學院，山西太谷 030801）

冬小麥是我國主要的糧食作物之一，快速、準確地監測冬小麥產量能夠為國家糧食安全提供一定的技術保障[1]。傳統的測產方式耗時費力，而高光譜遙感技術為快速、準確地監測作物產量提供了有效的技術途徑[2]。曹偉等[3]利用Green Seeker獲取的植被指數NDVI和RVI建立了冬小麥產量的預測模型。王爽等[4]研究發現，利用冬小麥灌漿期的歸一化植被指數及產量構成因素進行產量預測的結果最好。TENNAKOON等[5]利用遙感數據中多個波段的反射率，建立了水稻估產模型。QUARMAY等[6]利用累積NDVI分別監測了冬小麥、玉米和水稻等作物的產量。王長耀等[7]利用植被指數NDVI和EVI對美國的冬小麥產量進行了預測。

利用高光譜遙感估產主要有3種方法：經驗模型法、機理模型法和半機理模型法。其中，經驗模型主要是選取能夠表現冬小麥長勢的高光譜特征參數，建立與冬小麥產量的回歸模型，計算簡單，模型明了；機理模型法和半機理模型法主要以DSSAT，APSIM，SWAP，WOFOST等[8-11]作物生長模型為基礎，結合遙感技術對模型進行優化，該方法適用范圍較廣，但使用時需要校正相關參數，在極端條件下一些參數的校正會比較困難。

統計模型由于其操作簡單，廣泛應用于預測冬小麥產量上，但主要是建立單一的植被指數與冬小麥籽粒產量的回歸方程，或是基于全生育時期的冬小麥籽粒產量模型。而基于多植被指數或是不同生育時期的冬小麥估產研究較少。

本研究針對不同栽培條件下的冬小麥，采集不同生育時期的冠層光譜數據，建立適合的冬小麥產量監測模型，對比不同生育時期的模型精度，以期為冬小麥產量監測提供一定的理論依據。

1 材料和方法

1.1 試驗地概況

試驗于山西省太谷縣山西農業大學農業部華北黃土高原地區作物栽培與耕地保育科學觀測實驗站（E112°34′16.96″，N37°25′19.81″）和巨鑫生態園區（E112°29′31.96″，N37°23′40.44″）進行。

1.2 試驗材料

本研究共選擇7個冬小麥品種，分別為：長4738、京冬 12、晉太 9923、魯麥 14、濟麥 22、京冬 17和6902。供試氮肥為尿素，磷肥為過磷酸鈣，鉀肥為硫酸鉀。

1.3 試驗設計

冬小麥不同肥料試驗設計如表1所示。

表1 冬小麥不同肥料試驗設計

1.4 冬小麥產量測定

冬小麥成熟后，每個小區取1 m2的冬小麥進行產量測定。收獲后的冬小麥脫粒、風干后，稱其籽粒質量。

1.5 冬小麥冠層光譜測定

本研究采用美國ASD公司的FieldSpec 3光譜儀進行冬小麥冠層光譜測定，在冬小麥拔節期、孕穗期、抽穗期、灌漿期、成熟期5個時期進行冠層光譜的定點采集。每個小區采集15條光譜數據，剔除異常值后，取平均值作為該小區的光譜數據。

1.6 植被指數的選擇

在前人研究的基礎上，選擇與冬小麥產量相關性較大的植被指數，通過相關性分析，選取多個植被指數建立冬小麥產量的預測模型。本研究主要采用的植被指數及其來源列于表2。

表2 植被指數計算公式及來源

1.7 數據分析

利用Excel計算各個生育時期的植被指數及相關性分析，采用SPSS 22對各生育時期的植被指數與冬小麥產量進行回歸分析，并建立多元線性方程。利用校正均方根誤差（RMSEC）、驗證均方根誤差（RMSEV）和決定系數（RC2和 RV2）來評價模型。

2 結果與分析

2.1 冬小麥籽粒產量數據分析

將132個樣本按照2∶1分為校正集和驗證集，其中，校正集樣本數為88個，驗證集樣本數為44個。冬小麥籽粒產量的描述性統計分析結果列于表3。

由表3可知，本研究中冬小麥樣本的產量最高為 10 227.00 kg/hm2，最低為 1 063.43 kg/hm2，變異系數為42.68%。表明該樣本集具有一定的代表性。

表3 冬小麥籽粒產量的描述性統計分析

2.2 冬小麥籽粒產量和植被指數的相關性分析

由表4可知，在拔節期、孕穗期、抽穗期和灌漿期，本研究所選的所有植被指數與冬小麥籽粒產量均呈極顯著相關（P＜0.01），其中，SIPI與冬小麥籽粒產量呈極顯著負相關（P＜0.01）；在成熟期，mNDVI與冬小麥籽粒產量沒有顯著相關（P＞0.05），NDCI，NDI，TVIBL，MCARI1，GREEN-NDVI，REP，mSRI和PPR與冬小麥籽粒產量呈極顯著相關（P＜0.01），其中，REP與冬小麥籽粒產量呈極顯著負相關（P＜0.01），NDVI705和SIPI與冬小麥籽粒產量呈顯著正相關（P＜0.05）。

表4 不同生育時期植被指數與籽粒產量的相關性分析（n＝132）

2.3 冬小麥產量的光譜監測

建立11個植被指數與產量的多元線性回歸模型，不同時期的植被指數建立冬小麥籽粒產量監測模型的表現列于表5。

表5 冬小麥產量監測模型的評價

由表5可知，不同生育時期植被指數所建立的冬小麥籽粒產量預測模型效果差異較為明顯，其中，孕穗期和抽穗期的模型效果相對較優，校正集RC2分別為0.78和0.77，RMSEC分別為1 131.42和1 015.59，驗證集 RV2分別為 0.76 和 0.79，RMSEV分別為1 062.57和1 104.64。拔節期建立的預測模型次之，灌漿期和成熟期植被指數建立的預測模型R2較差，RMSEC和RMSEV均低于拔節期、孕穗期和抽穗期。但從作物生產角度考慮，應選擇拔節期監測冬小麥產量。拔節期監測冬小麥產量能夠為冬小麥整個生育期提供快速、準確的田間管理決策。

3 討論與結論

3.1 討論

糧食產量的監測對于保障國家糧食安全至關重要，冬小麥作為我國主要糧食作物之一，提高冬小麥產量監測的精度具有重要意義。本研究采集不同肥料處理下、不同生育時期的植被指數，通過多元線性方程建立植被指數與冬小麥籽粒產量的預測模型，結果表明，利用拔節期植被指數能夠更好的監測冬小麥籽粒產量。

從作物生產角度考慮，植被指數在一定程度上能夠反映植株的生長狀況，拔節期監測的冬小麥產量能夠反映出冬小麥植株氮素營養狀況，從而制定相應的水肥施用計劃，改善冬小麥長勢狀況，達到增產增收的目的。

從生育時期考慮，在拔節期由于冬小麥還未封壟，植被覆蓋度較低，土壤背景很大程度上影響了冠層光譜，從而影響植被指數的準確性[20]。孕穗期和抽穗期的冬小麥已經封壟，冠層光譜信息幾乎全部來自于植株冠層，植被指數能夠較好地反映出冬小麥長勢。冬小麥在灌漿期由于部分葉片開始發黃，或是病蟲害的影響，植被指數不能較好反映植株的長勢情況[21]。成熟期的冬小麥葉片完全變黃萎蔫，裸露的土壤對高光譜采集有一定的影響。

多植被指數預測冬小麥籽粒產量比單一的植被指數預測效果要好，是由于多植被指數能夠實現對冬小麥長勢信息的互補[2]，多植被指數的選擇也是影響冬小麥估產精度的重要原因之一，主要選擇與冬小麥籽粒產量相關性較大的植被指數，后續研究中應對多植被指數種類及個數的選擇做進一步的研究。

3.2 結論

本研究比較了不同生育時期的植被指數監測冬小麥籽粒產量，結果表明，不同時期的多植被指數均能監測冬小麥籽粒產量，從生育時期考慮，孕穗期和抽穗期植被指數的監測效果較優，拔節期的監測效果次之，灌漿期和成熟期的監測效果較差；從作物生產角度考慮，拔節期植被指數能夠更好地監測冬小麥籽粒產量。

參考文獻：

［1］董飛，黨建友，王姣愛，等.播種方式對冬小麥產量構成、品質及水分利用率的影響[J].山西農業科學，2017，45（6）：944-948.

［2］王愷寧，王修信.多植被指數組合的冬小麥遙感估產方法研究[J].干旱區資源與環境，2017，31（7）：44-49.

［3］曹偉，張娜.基于Green Seeker對小麥植被指數與產量形成模型的研究[J].華北農學報，2015，30（Z）：383-389.

［4］王爽，黃沖，孫振宇，等.基于高光譜遙感監測條銹病下的混種小麥產量分析[J].農業工程學報，2010，26（7）：199-204.

［5］ TENNAKOON S B，MURTY V VN，EIUMNOH A.Estimation of cropped area and grain yield of rice using remote sensing data[J].International Journal ofRemote Sensing，1992，13（3）：427-439．

［6］QUARMAY N A，MILNES M，HINDLE T L，et al.The use of multi-temporal NDVI measurement from AVHRR data for crop yield estimation and prediction[J].International Journal of Remote Sensing，1993，14（2）：199-210.

［7］王長耀，林文鵬.基于MODISEVI的冬小麥產量遙感預測研究[J].農業工程學報，2005，21（10）：90-94.

［8］黃健熙，馬鴻元，田麗燕，等.基于時間序列LAI和ET同化的冬小麥遙感估產方法比較 [J].農業工程學報，2015，31（4）：197-203.

［9］黃健熙，李昕璐，劉帝佑，等.順序同化不同時空分辨率LAI的冬小麥估產對比研究[J].農業機械學報，2015，46（1）：240-248.

［10］ PADILLA F L M，MAAS S J，GONZALEZ-DUGO M P，et al．Monitoringregional wheat yield in Southern Spain usingthe GRAMI model and satellite imagery [J].Field Crops Research，2012，130（3）：145-154.

［11］HUANG JIANXI，SEDANO FERNANDO，HUANG YANBO，et al.Assimilatinga synthetic Kalman filter leafarea indexseries intothe WOFOST model to improve regional winter wheat yield estimation[J].Agricultural and Forest Meteorology，2016，216（1）：188-202.

［12］SIMDA，GAMONJ A.Relationships between leafpigment content and spectral reflectance across a wide range of species leaf structures and developmental stages[J].Remote SensingofEnvironment，2002，81（2/3）：331-354.

［13］ MISHRA S，MISHRA D R.Normalized difference chlorophyll index：A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J].Remote SensingofEnvironment，2012，117：394-406.

［14］BROGE N H，LEBLANC E.Comparing prediction power and stabilityofbroadband and hyperspectral vegetation indices for estimation ofgreen leafarea indexand canopychlorophyll density[J].Remote SensingofEnvironment，2001，76（2）：156-172.

［15］ HABOUDANE D，MILLER J R，TREMBLAY N，et al.Integrated narrow-band vegetation indices for prediction of cropchlorophyll content for application toprecision agriculture[J].Remote Sensing ofEnvironment，2002，81（2/3）：416-426.

［16］GITELSON A A，MERZLYAK MN.Signature analysis of leaf reflectance spectra：Algorithm development for remote sensing of chlorophyll[J].Journal of Plant Physiology，1996，148（3/4）：494-500.

［17］MISTELE B，SCHMIDHALTER U.Estimating the nitrogen nutrition index using spectral canopy reflectance measurements[J].European Journal ofAgronomy，2008，29（4）：184-190.

［18］ PENUELAS J，BARET F，FILELLA I.Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J].Photosynthetica，1995，31：221-230.

［19］METTERNICHT G.Vegetation indices derived from high-resolution airborne videography for precision crop management[J].International Journal ofRemote Sensing，2003，24（14）：2855-2877.

［20］陳曉娜，趙庚星，周雪，等.基于高光譜的小麥冠層葉綠素（SPAD值）估測模型[J].天津農業科學，2018，24（2）：60-65，79.

［21］李冰，黎世民，周磊，等.基于多生育期MODIS-NDVI的區域冬小麥遙感估產研究 [J].河南農業科學，2017，46（6）：150-155.