病害脅迫下棉花植株鮮生物量的高光譜提取

張 鑫，陳 兵，劉立峰，李天南，，王 瓊，王方永，韓煥勇，肖春華

(1.新疆農墾科學院/農業部西北內陸區棉花生物學與遺傳育種重點實驗室，新疆石河子 832003；2.中國農業大學，北京 100081； 3.石河子大學，新疆石河子 832000)

隨著遙感技術的發展，高光譜監測植被參數的相關研究越來越多，其中不乏對植株生物量的光譜識別和反演研究。由于植株生物量是作物經濟產量的基礎，因此以遙感方式準確、方便、快捷地獲取生物量參數對長勢監測和產量估計具有重要意義。前人的相關研究多針健康作物植株進行生物量監測，且綜合運用高光譜數據、衛星和航空影像數據、雷達數據和作物生長模型等多種數據[1]。Casanova等利用植被指數反射模型計算凈吸收光合有效輻射(The fraction of absorbed photosynthetically active radiation，簡稱fAPAR)，精確預測了水稻生育期的生物量[2]。Thenkabail等運用窄波段歸一化植被指數建立棉花、馬鈴薯、大豆和玉米的鮮生物量估算方程[3]。Hansena等計算了438～884 nm范圍內所有2波段間相關關系，構建了多種歸一化指數，對小麥地上鮮生物量進行光譜提取[4]。Basuki等利用微波雷達遙感數據對森林生物量等結構參數進行估算[5]。Koppe等對水稻生物量進行研究，運用三江平原拔節期的遙感數據對水稻地上生物量進行預測[6]。

宋開山等建立多個高光譜比值植被指數模型對大豆地上鮮生物量進行提取[7]。黃春燕等通過采集新疆棉花多時相高光譜數據對棉花生育時期的地上鮮生物量進行估算[8]。孫小艷等運用單變量線性和非線性回歸分析建立4種歸一化差異植被指數(normalized difference vegetation index，簡稱NDVI)模型，對甘肅河西綠洲小麥地上干生物量(aboveground net primary production，簡稱ANPP)進行提取[9]。任廣波等對HJ-1高光譜遙感影像進行分析，建立7種常用的窄波段植被指數和2種紅邊指數對黃河口蘆葦和堿蓬生物量進行估測，結果發現，單植被指數(single ratio index，簡稱SRI)和線性插值紅邊指數紅邊位置(red edge position，簡稱REP)的估測精度最高[10]。王新云等綜合全極化波段雷達數據、HJ1B影像及野外調查的數據，有效監測了荒漠草原人工檸條灌木林地上生物量[11]。劉明等從中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer，簡稱M0DIS)中提取10種植被指數，分別結合回歸分析法和人工神經網絡法對春玉米葉面積指數(leaf area index，簡稱LAI)和地上鮮生物量進行模擬，不同方法組合的植被指數不同，效果也不同，其中利用人工神經網絡法的反演精度高于回歸分析法[12]。王紅巖等利用BJ-1、HJ數據及Landsat TM數據，結合地面同步實測草地生物量數據，系統比較它們對草地生理參數估算方面的差異與能力，其中自主國產遙感數據有其特色，應用潛力很大[13]。丁蕾等采集了春季黃河口濕地蘆葦光譜和生物量數據，并運用修改型土壤調節植被指數(modified soil adjusted vegetation index，簡稱MSAVI)構建了基于現場光譜的蘆葦生物量診斷模型[14]。陳鵬飛等通過創建一種新的植被指數(紅邊三角植被指數)對玉米、小麥冠層生物量進行估算發現，與現有的植被指數相比，在較高生物量條件下該植被指數仍可保持其對生物量變化的高敏感性，具有較好的估測效果[15]。目前，多數研究僅從相關系數或者統計估算模型決定系數方面分析了光譜變量對生物量估算的可行性，而模型精度檢驗及比較分析較少，且針對病蟲害條件下植株生物量的提取研究較少，尤其棉花黃萎病發生后植株生物量的提取模型尚未見系統報道。

本研究旨在分析黃萎病棉株鮮生物量的光譜響應特征，找到黃萎病棉株鮮生物量光譜識別的敏感波段，據此建立光譜特征參數對黃萎病棉株地上鮮生物量進行光譜提取，以期為棉花黃萎病發生后的植株鮮生物量提取提供新的方法，并為大面積的病害衛星遙感監測提供技術支撐。

1 材料與方法

1.1 試驗地種植情況

2013—2014年同步開展小區和大田試驗。小區試驗在新疆農墾科學院棉花所病圃田進行。試驗區土壤肥力中等，面積約23.5 m2，隨機區組設計，每處理3個重復。以新陸早45號(XLZ-45)和金墾86-29為試驗品種。小區理論種植密度為24萬株/hm2，播種窄行行距為20 cm，寬行行距為 40 cm，寬窄行交替種植，株距為 9.5 cm。2013年4月18日播種，膜上點播，膜下滴灌，灌水量為5 600 m3/hm2，全生育期灌溉10次，每9～10 d 灌溉1次。2/3磷肥、2/3鉀肥和1/3氮肥被用作基肥，1/3磷肥、1/3鉀肥和2/3氮肥隨水滴施，全生育期施肥量為 400 kg/hm2純氮、200 kg/hm2P2O5和 80 kg/hm2K2O。2014年4月21日播種，管理和2013年相同，其他按當地高產栽培模式管理。大田試驗在石河子墾區143團、149團自然發病棉田進行，試驗品種為合信14和 XLZ-45，試驗處理與小區相似。

1.2 病情指數調查及嚴重度分級

在黃萎病發病的高峰期，用5點調查法調查測試點病情指數(disease index，簡稱DI)，每個測試點測試10株棉花。陳兵等將調查點棉花冠層病害嚴重度分為5級，即正常(b0)、輕度(b1)、中度(b2)、嚴重(b3)、極嚴重(b4)[16]。

1.3 數據采集

用野外光譜輻射儀(美國ASD公司生產，型號為Field Spec Pro 2500 RS3)測定測試點棉花冠層光譜，具體方法見參考文獻[10]。分別于2013年7月18日、7月31日、8月20日、9月19日及2014年7月26日、8月11日、8月23日和9月6日測定棉花冠層光譜，并同步取樣檢測棉花黃萎病植株的地上鮮生物量，共獲取93組高光譜與棉花地上鮮生物量同步數據。

地上鮮生物量的檢測方法為在測定光譜后立即拔出代表性棉株5株，稱量子葉節以上部分鮮生物量，然后計算每個光譜測試點對應的單位土地面積鮮生物量。

1.4 數據分析方法

將Viewspec Program軟件中光譜數據導出到Excel 2007中，計算鮮生物量平均值，將鮮生物量和光譜反射率進行相關分析，篩選最佳波段并構建新的光譜指數，最后進行回歸分析，應用SPSS 19.0軟件進行數據統計分析。選取2013年的50個樣本進行建模，2014年的43個樣本進行提取模型的檢驗。

2 結果與分析

2.1 棉花黃萎病植株鮮生物量變化

由表1可知，不同時期的棉株鮮生物量在2年內都隨著棉株黃萎病嚴重度的增加而減小，且病情越嚴重，減小的幅度越大，說明病害棉株鮮生物量的減小不受年份和時期的影響。隨著棉花的生長(2013年7月18日至9月19日，2014年7月26日至9月6日)，病害等級正常到輕度(b0～b2)的棉株鮮生物量在鈴期以前(2013年7月18日至8月20日，2014年7月26日至8月23)均呈逐漸增長的趨勢，但吐絮期(2013年9月19日，2014年9月6日)有所不同，2013年9月19日b1棉株鮮生物量略微增加，其他嚴重度均減小；而2014年9月6日重度病害(b3、b4)呈逐漸下降的趨勢，其他嚴重度均增加。由方差分析結果可知，2013、2014年病害等級為 b1～b4的棉株鮮生物量均與正常(b0)成顯著差異，不同病害嚴重度的植株鮮生物量存在一定的差異性；從病害嚴重度來看，病害相鄰處理鮮生物量差異顯著性存在交叉，但b4與其他病害程度(除b3外)鮮生物量均存在極顯著差異，說明7月底到8月中下旬和b4對發病棉株鮮生物量的影響較大。

表1 棉株鮮生物量變化特征

注：同列數據后不同的大寫字母分別表示差異極顯著(P<0.01)。

2.2 棉花黃萎病植株鮮生物量光譜敏感波段選擇

對2013年不同時期不同嚴重度棉花黃萎病的植株鮮生物量與光譜反射率進行相關分析。由圖1可知，黃萎病棉花植株鮮生物量與反射率值在400～582 nm、704～1369 nm、1627～1729 nm波段呈顯著正相關關系，其中432～467nm、517～573 nm、706～1368 nm波段兩者呈極顯著正相關關系，除紅邊(680～780 nm)波段外，單波段545 nm(r=0.786)、939 nm(r=0.866)、1 676 nm(r=0.506)處兩者的正相關性較高。因此，400～582 nm、704～1 369 nm、1 627～1 729 nm為黃萎病棉株鮮生物量識別的光譜敏感波段區域，432～467 nm、517～573 nm、706～1 368 nm為黃萎病棉株鮮生物量的光譜敏感波段，單波段545、939、1 676 nm為黃萎病棉株鮮生物量的最佳光譜波段。

2.3 棉花黃萎病植株鮮生物量的光譜提取

對2013年棉花黃萎病植株光譜敏感波段區域正相關度最高的545、939、1 676 nm進行組合，構建新的黃萎病棉株鮮生物量估測光譜指數，包括R545、R939、R1 676、R939-R554、R939/R554、(R939-R554)/(R939+R554)、R1 676-R554、R1 676/R554、(R1 676-R554)/(R1 676+R554)、R939-R1 676、R939/R1 676、(R939-R1 676)/(R939+R1 676)，并建立黃萎病棉株鮮生物量估算模型。在12個估測參數所建立的線性、多項式和指數方程中，同一參數所建立的3種方程的決定系數差異很小，同時考慮到線性模型最簡單實用，因此以線性方程作為病害棉株鮮生物量的診斷模型。由表2可知，除R939/R554、(R939-R554)/(R939+R554)、R1 676-R545外，其余線性提取方程決定系數R2均達到極顯著水平。其中單波段R545、R939建立的估算模型決定系數較高，分別為0.628、0.720；在組合波段中，新建光譜指數R939-R545、R939-R1 676建立的估算模型決定系數較高，分別為 0.685、0.684，可作為黃萎病棉株鮮生物量識別的最佳光譜模型。

以2014年的獨立試驗數據對表2中極顯著的診斷方程進行檢驗。由表2可知，單波段R545、R939、R1 676檢驗決定系數較高，分別為0.688、0.718、0.741，而新建光譜指數R939-R545的檢驗決定系數較高，為0.683；對建立的達到顯著水平的模型進行均方根誤差(RMSE)檢驗得到，R939、R1 676、R939-R545光譜指數對應的RMSE較低，分別為2.168、1.622、2.128。綜上所述，R939和新建光譜指數R939-R545的檢驗決定系數較高，分別為0.718、0.683，均方根較小，分別為2.168、2.128，相對誤差較小，分別為0.32、0.28，表明二者為棉花黃萎病植株鮮生物量光譜識別的最佳模型。

表2 棉花黃萎病植株鮮生物量估算模型

注：“**”表示P<0.01極顯著水平；建模樣本數、檢驗樣本數分別為50、43；“*”表示新建光譜指數；“—”表示沒有數值。

3 討論

本研究提出一種利用光譜技術提取病害棉株鮮生物量的方法。首先對棉花黃萎病植株鮮生物量變化特征進行分析，受黃萎病的影響，2013、2014年的棉株鮮生物量在同一病害嚴重度水平總體隨生育期的延長在鈴期前呈逐漸增長的趨勢，之后有增有減。主要原因可能是2年的種植品種不同和吐絮期病害棉株產生2次生長所致。2013年秋季霜凍來得比較早，導致同一病害嚴重度水平下的棉花在吐絮期因受到霜凍影響，鮮生物量有所下降，而2014年秋季霜凍來得比較晚，導致棉花在吐絮期正常生長，受害輕的植株有返青現象明顯，生物量輕微增加，但受害重的植株已經死亡或接近死亡，鮮生物量不在明顯增加。通過分析棉花黃萎病嚴重度與植株鮮生物量的相關性，選出400～582、704～1 369、1 627～1 729 nm 為黃萎病棉花植株的鮮生物量光譜識別的敏感波段區域，432～467、517～573、706～1 368 nm為黃萎病棉花植株的鮮生物量光譜的敏感波段，單波段545、939、1 676 nm為黃萎病棉花植株鮮生物量光譜的最佳波段，與相關研究存在差異。Hansena等認為，438～884 nm范圍可作為敏感波段來估算小麥地上鮮生物量[4]；王秀珍等研究發現，波長為376～722、754～917 nm光譜反射率和水稻地上鮮生物量之間的相關系數可達到顯著性檢驗水平，不同的研究結果可能是由研究作物不同和作物生長狀況不同敏感波段范圍發生變化所致[17]。本研究推薦以光譜指數R939、(R939-R545)為自變量建立的模型是黃萎病棉株鮮生物量光譜識別的最佳模型，與宋開山等建立的作物生物量估算模型種類[7-8]不同。宋開山等認為，多個高光譜比值植被建立的模型是大豆地上鮮生物量估算的最佳模型，可能是由于棉花品種、生長狀態等的差異導致[7]；黃春燕等認為，比值植被指數(ratio vegetation index，簡稱RVI)建立的指數函數是反演棉花地上鮮生物量的最佳模型[8]。在運用高光譜技術監測棉花黃萎病植株鮮生物量時要注意，因為地面支持模型往往是在單個品種、某個區域、單一栽培措施條件下建立的，所以這種模型的普遍性、適用性及精確性在不同條件下有所不同。