基于冠層光譜的冬油菜光合性狀監測模型研究

雷利琴，李倩，唐利平，，黃益國，李小芳?，官春云

(1 衡陽市農業科學院，湖南衡陽 421101；2 湖南農業大學，長沙 410128)

光合作用是生物界賴以存在的基礎，也是作物生命存在、繁榮和發展的源泉[1]，在農業生產中具有重大意義。開展作物光合性狀的無損實時監測研究可為作物的生長實時監測[2]、生產力[3]及品質的預測預報[4]提供相應理論依據。傳統的作物光合性狀監測方法一般是在田間隨機抽取植株進行相應的生理指標測試，雖然結果較為可靠，但費時費力，且不能實現對作物光合性狀的實時、快速、全面監測[5]。

農作物信息的無損獲取技術能更準確地預報作物產量因地區和栽培條件不同而發生的變異狀況，大大降低大區域估產成本，使農產品品質分級、分類收獲和加工方案的制定更合理，確保糧食生產的安全和優質優價。綠色植物具有典型的光譜特性。而在作物生長過程中，不同的肥水管理、栽培措施及品種類型導致作物生長狀況發生變化，會形成獨特的光譜特征[6]，通過篩選對作物農學參數敏感的波段，挖掘其相應光譜反射率或演生指數與作物農學參數的相關關系及內在規律，基于其定量化的規律性關系可實現對農作物信息的準確監測[7]。越來越多的科學家開始利用地面監測如光譜數字技術來研究農情信息的實時無損獲取，且葉面積指數[8]、干物質[9]、品質[10，11]等指標的光譜監測技術已趨于成熟。

目前，國內外油菜光合作用的研究大多仍集中在對生理指標特性的認識層面[12]。就油菜而言，影響光合作用的性狀指標主要有光合速率、葉綠素含量和葉面積指數[13]等。基于此，本研究以冬油菜連續兩個試驗季的不同施肥量和密度試驗為基礎，綜合利用油菜光合性狀與冠層敏感波段植被指數的定量關系，探索建立油菜光合性狀的監測模型，并利用不同年份的油菜光合性狀和冠層光譜數據進行模型的檢驗，以期為光譜無損診斷技術在冬油菜光合作用預測上的適宜性和大范圍的遙感評估提供試驗基礎和理論參考。

1 材料與方法

1.1 材料

在湖南農業大學試驗基地進行連續兩個油菜生長季(2009—2010 年度和2010—2011 年度)的不同施肥量和密度試驗。供試油菜品種為雜1613，施肥量水平設N3(高肥，1 875 kg/hm2)、N2(中肥，1 125 kg/hm2)、N1(低肥，375 kg/hm2)、N0(對照，0 kg/hm2)4 個，密度水平設M1(15 萬株/hm2)、M2(30 萬株/hm2)、M3(45萬株/hm2)、M4(60 萬株/hm2)、M5(75 萬株/hm2)5 個。兩因素水平隨機區組排列，共20 個處理，3 次重復。供試肥料為湖南農業大學提供的控釋肥，氮磷鉀的含量比例(N∶P2O5∶K2O)為12∶5∶7，做基肥一次施用，小區面積為12 m2，行距為0.2 m，每個小區20行，其他管理措施同高產大田。

1.2 方法

1.2.1 凈光合速率測定

在油菜抽薹期、現蕾期、開花期和角果期，于上午10:00—11:00，選取油菜健壯主莖，用Li－6400XT測定頂部第一完全展開葉片和角果的凈光合速率，每個小區測3 張葉片或3 個角果，取平均值作為該區葉片、角果的凈光合速率。

1.2.2 葉片葉綠素含量測定

使用SPAD－502 測定SPAD 值。SPAD 值測定與冠層光譜測量同步進行，測定的樣品與進行光譜測定的樣品一致。由于測定部位對讀數影響較大，測定部位應盡量保持一致并避開葉脈。一般選取最大綠葉，在距葉邊緣約2 cm 處進行測定，測定8 個葉片，每個樣品測5 個值，取總的平均值計算該小區葉片葉綠素含量。

1.2.3 葉面積指數測定

與光譜測量同步，計算葉面積及葉面積指數。每個小區取有代表性的10 株油菜測定綠色葉片長和寬，每片葉的葉面積＝葉長×葉寬×系數(系數值為0.683 4[14])，單株葉面積為所有綠色葉片葉面積之和。根據下面公式計算綠色面積和綠色面積指數。

綠色面積＝小區總株數×單株葉面積(或角果面積)；

綠色面積指數＝綠色面積/小區面積[15]。

1.2.4 光譜數據測定

在測定油菜光合參數時，同步測定油菜冠層光譜。使用的儀器為Field Spec Pro FR2500 型背掛式野外高光譜輻射儀(美國ASD 公司)，其測試波段為350～2 500 nm。選擇天氣晴朗、無風或風速很小的時候進行冠層光譜測定，測定時間一般為10:00—14:00。每個小區重復測量5 次，取平均值。測量時，傳感器的探頭垂直向下，視場角度為25°，距冠層頂部的垂直高度約為1 m，地面視場范圍直徑為0.44 m。在測量過程中，及時對每組目標的觀測值進行標準白板校正(標準白板反射率為1，因此所得目標物光譜為無量綱的反射率)。為提高光譜分析精確性，綜合分析年度試驗光譜噪聲產生區域，刪除受噪聲影響較大的波段:1 356～1 399、1 828～1 963和2 350～2 500 nm，剔除后共有1 820 個有效波段數據(圖1)。

1.2.5 數據處理與分析

所有步驟都在MATLAB 平臺中自編程序完成。

第一步，利用2010—2011 年度的油菜各光合生理指標和相應冠層光譜反射率的試驗數據，計算由任意兩波段矩陣形式組合的光譜指數，歸一化光譜指數(normalized spectral index，NDSI)為任意兩波段數值之差和它們數值之和的比值，即NDSI＝(Rλ1－Rλ2)/(Rλ1＋Rλ2)，比值光譜指數(ratio spectral index，RSI)為任意兩波段數值的比值，即RSI＝Rλ1/Rλ2[16]，并利用350～2 500 nm 波段范圍內任意光譜指數與油菜的各光合參數計算相應擬合曲線的決定系數(R2)。

第二步，用R2與相應的波段作等高線圖，先采用降采樣法每隔50、25、10 個波段采樣，可以顯示出決定系數大的敏感波段范圍，然后在敏感波段范圍內，采用精細采樣法每隔1 個波段采樣，運行程序得出最優決定系數(R2)。

第三步，利用最優決定系數(R2)對應的油菜各光合參數和敏感波段組成的最佳光譜指數進行定量分析，建立相應的擬合方程監測模型。

第四步，利用2009—2010 年度的油菜試驗數據對監測模型進行檢驗。檢驗結果采用國際上通用的均方差根(root mean square error，RMSE)和相對誤差(relative error，RE)表示。

2 結果與分析

2.1 冬油菜冠層敏感波段篩選

利用350～2 500 nm 波段范圍內任意光譜指數(圖1)與油菜各光合參數(表1、表2、表3)計算相應的擬合曲線的決定系數(R2)。

圖1 不同年度冬油菜冠層光譜信息Fig.1 Spectral information of winter rape canopy in different years

表1 不同處理油菜光合速率Table 1 Photosynthetic rate of rape under different treatments

表2 不同處理油菜葉片葉綠素含量Table 2 Chlorophyll content of rape leaves in different treatments

續表2

表3 不同處理油菜葉面積指數Table 3 Leaf area index of rape under different treatments

采用降采樣法，通過運行程序得出敏感波段范圍的決定系數R2等高線圖，冬油菜葉片凈光合速率與NDSI(Rλ1，Rλ2)的擬合曲線的敏感波段范圍都位于762～810 nm 和756～762 nm 組合(圖2－A)、350～510 nm 和1 410～1 810 nm 組合(圖2－B)；與RSI(Rλ1，Rλ2)的擬合曲線的敏感波段范圍都位于758～760 nm 和760～832 nm 組合(圖2－C)。冬油菜角果凈光合速率與NDSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍分別位于945～960 nm 和941～956 nm 組合(圖2－D)、1 180～1 200 nm和1 170～1 190 nm 組合(圖2－E)、925～947 nm 和998～1 022 nm 組合(圖2－F)；與RSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍分別位于980～1 120 nm 和904～1 066 nm 組合(圖2－J)、1 180～1 200 nm 和1 170～1 190 nm 組合(圖2－H)、1 188～1 200 nm 和1 170～1 188 nm 組合(圖2－I)。

圖2 冬油菜凈光合速率與光譜指數的擬合曲線的決定系數(R2)等高線圖Fig.2 Determination coefficient(R2)contour map of fitting curve between net photosynthetic rate and spectral index of winter rape

冬油菜葉片葉綠素含量與NDSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍分別位于1 950～2 350 nm 和510～750 nm 組合(圖3－A)、1 910～2 300 nm 和500～700 nm 組合(圖3－B)、480～522 nm 和440～520 nm 組合(圖3－C)；與RSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍分別位于2 000～2 350 nm 和550～734 nm 組合(圖3－D)、2 000～2 350 nm 和540～780 nm 組合(圖3－E)、2 000～2 350 nm 和550～734 nm 組合(圖3－F)。

圖3 冬油菜葉片葉綠素含量與光譜指數的擬合曲線的決定系數(R2)等高線圖Fig.3 Determination coefficient(R2)contour map of fitting curve between chlorophyll content and spectral index in winter rape leaves

冬油菜葉面積指數與NDSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍都位于680～1 110 nm 和450～750 nm 組合(圖4－A、B、C)；與RSI(Rλ1，Rλ2)的線性函數、指數函數和冪函數的敏感波段范圍分別位于700～1 160 nm 和1 400～1 550 nm 組合(圖4－D)、700～950 nm 和450～650 nm 組合(圖4－E)、1 400～1 550 nm 和700～1 180 nm 組 合(圖4－F)。

圖4 冬油菜葉面積指數與光譜指數的擬合曲線的決定系數(R2)等高線圖Fig.4 Determination coefficient(R2)contour map of fitting curve between leaf area index and spectral index of winter rapeseed

2.2 冬油菜光合生理指標與光譜指數的定量模型

在敏感波段范圍內采用精細采樣法每隔1 個波段采樣，運行程序得出最優決定系數(R2)，其對應的波段即為該光合生理指標的敏感波段。將不同敏感波段組成的光譜參數與油菜各光合生理指標進行相關回歸分析，分別得出它們的回歸方程、擬合決定系數(R2)及標準誤(SE)。

根據表4，由RSI(R760，R766)建立的油菜葉片凈光合速率線性函數監測模型y＝326.420x＋347.140表現最好。該模型擬合決定系數(R2) 最大(0.840)，標準誤(SE)最小(1.88)(圖5－A)；由NDSI(R951，R948)建立的油菜角果凈光合速率線性函數監測模型y＝413.580x＋0.390 表現最好，模型擬合決定系數(R2)最大(0.760)，標準誤(SE)最小(0.36)(圖5－B)；由NDSI(R2207，R618)建立的油菜葉片葉綠素含量指數函數監測模型y＝43.652e－0.822x表現最好，模型擬合決定系數(R2)最大(0.704)，標準誤(SE)小(3.63)(圖5－C)；由NDSI(R722，R721)建立的油菜葉面積指數指數函數監測模型y＝0.1950e189.660x表現最好，模型擬合決定系數(R2)最大(0.522)，標準誤(SE)比較小(1.51)(圖5－D)。

圖5 基于光譜指數的光合生理指標最佳監測模型Fig.5 The best monitoring model of photosynthetic physiological indexes based on the spectral index

表4 光合生理指標與敏感波段NDSI 和RSI 光譜指數的相關回歸分析Table 4 The correlation regression equation between photosynthetic physiological indexes and sensitive band NDSI and RSI spectral indices

續表4

2.3 光合生理指標監測模型的檢驗與分析

采用決定系數R2、相對誤差RE和相對均方差根(relative root mean square error，RRMSE)統計方法，利用2009—2010 年度試驗季的冬油菜光合參數和相應冠層光譜反射率數據對以上4 個最佳油菜光合生理指標的監測模型分別進行檢測，結果顯示:基于光譜指數的冬油菜光合性狀的監測模型的實測值與預測值的擬合決定系數R2都大于0.5，相對均方差根RRMSE小，即在對不同施肥量和密度條件下生長的冬油菜光合性狀的預測精度上，檢驗達到了顯著水平(表5)。

表5 冬油菜光合生理指標監測模型的檢驗結果Table 5 Test of monitoring models for photosynthetic physiological indexes of winter rape

用實測值與預測值作圖比較(圖6)，散點分布越接近1∶1線表明基于敏感波段的植被指數所構建的方程監測準確度越高。

圖6 基于敏感波段的冬油菜田間光合性狀監測模型精度檢驗Fig.6 Accuracy test of monitoring model for photosynthetic characteristics of winter rape field based on sensitive bands

3 討論

目前，比值植被指數(ratio vegetation index，RVI)、歸一化植被指數(normalized vegetation index，NDVI)是葉片光合監測預報中常用的植被指數。劉聰[18]認為，使用植被指數NDVI 與入射光合有效輻射的乘積對單植被類型葉片凈光合速率反演是可行的。邵佩佩等[19]利用高光譜植被指數反演葉片總初級生產力(gross primary productivity，GPP)的模型發現，小麥NDVI 模型效果最優。孫少波等[20]在對毛竹林葉片高光譜反射率數據進行小波變換的基礎上，找到由小波分解第一層高頻系數構建的NDVI和RVI 與葉片的凈光合速率間相關性最好。本研究獲取的光譜數據為全波段，將得到的光譜數據進行兩兩波段矩陣形式組合，以波段組合計算得到的比值光譜指數(RSI)和歸一化光譜指數(NDSI)為基礎，建立了最佳冬油菜光合性狀監測模型檢驗，其擬合度都達到了顯著水平，且誤差值較低，為實時、迅速、無損監測油菜生長狀況提供了便捷可靠的方法，也為實現精準農業提供了理論參考。

大量研究表明，預測作物生長狀況的敏感波段主要處于近紅外波段區域。陳俊英等[21]發現蒸騰速率(Tr)和胞間二氧化碳濃度(Ci)的最優反演模型分別為15:00 的基于紅光波段反射率的一元線性模型和15:00 的基于紅光波段反射率的一元線性模型。王娣等[22]在分析植被光譜指數、光合有效輻射與凈光合速率關系中，發現750 和705 nm 波段組合的NDVI(R750，R705)、750 和700 nm 波段組合的RVI(R750，R700)植被指數與SPAD 值相關性較高，利用高光譜遙感技術可以了解和掌握植物葉片的光合效應，以此評價植物的固碳、釋氧能力以及估測農作物產量是完全可行的。在研究甜菜葉綠素含量與高光譜植被遙感的定量關系中，李宗飛等[23]發現，原始光譜反射率和一階微分反射率與葉綠素含量均具有較好的相關性，其最大正相關分別位于902 和676 nm 附近，最大負相關分別位于611 和1 138 nm 附近。本試驗提出的油菜光合性狀生理指標的監測模型，RSI(R760，R766)、NDSI(R951，R948)可以很好地分別預測冬油菜的葉片、角果的光合速率，NDSI(R722，R721)可以較好地預測葉面積指數，而760、766、951、948、722 和721 nm 都處于近紅外波段區域，這與前人研究的結果基本一致。

作物生產中最為重要的措施之一就有作物水分調控與管理。因為水是植物生命活動的必要條件，植株含水量的變化直接影響植物營養物質的吸收和運輸以及一系列生理生化反應，從而影響植物生長，如葉綠素含量。Carter[24]發現，1 300～2 500 nm 波段范圍內光譜反射率的變化由葉片水分吸收造成，是水分對植被光譜的初級影響，葉片含水量的變化也導致了葉片內部結構產生差異，最終使1 300～2 500 nm 波段范圍內光譜反射率發生改變，是水分對光譜的次級影響。本試驗結果建立的冬油菜葉綠素含量監測模型中的最佳模型的敏感波段是2 207和618 nm，對波段2 207 nm 的敏感性在一定程度上驗證了葉片含水量對植株葉綠素含量的次級影響。

農作物光譜監測模型的應用與生理指標特性和光譜指數的特性密切相關，具有不同特點和適用波段范圍的各種光譜指數在結合敏感波段組合時需要更深層次的精確改善，和大量試驗反復深入的論證和檢驗。需要指出的是:(1)本試驗是在同一品種、同一環境的大田基礎上進行的，因而建立的油菜光合性狀生理指標監測模型存在著品種間的應用差異性及地域局限性。有研究表明作物生理指標與冠層結構之間、不同生態系統之間具有聯動關系，因此同一作物在不同生態系統間所建立的光譜指數與生理指標之間的吻合度可能會存在一定的差異[25，26]。(2)本試驗建立的油菜光合性狀生理指標監測模型是基于全生育期采集的數據樣本，因而不同生育期的油菜光合性狀生理指標最佳監測模型還需進一步論證。高開秀等[27]研究表明，寬波段植被指數與氮營養指標的相關性在冬油菜不同生育期差異明顯，且得出冬油菜蕾薹期的紅光標準值和藍光標準值均與氮營養指標相關性最好。由明明等[28]研究發現，基于光譜指數構建的分生育期和全生育期油菜葉片SPAD 值估算模型雖然均通過顯著性檢驗，但最好的模型及驗證精度均表現在各生育期。

如果要在今后的油菜光合效率評價、健康狀況監測及氮素營養管理中提供更可靠的理論基礎，必須不斷在品種間和不同生態環境對監測模型進行廣泛檢驗，若能將本研究結果與低空無人飛機、衛星數據相融合[29]，從更大范圍和更高水平上針對不同類型的品種進行反復監測檢驗，可最終實現模型通用的預測可靠性和普適性。

4 結論

本試驗在不同施肥量和密度條件下，研究了油菜冠層光譜與油菜凈光合速率(Pn)、葉片葉綠素含量(SPAD)、葉面積指數(LAI)的定量關系，建立了冬油菜光合性狀監測模型，得出冬油菜全生育期的葉片凈光合速率的最佳監測模型為基于RSI(R760，R766)的線性函數y＝326.420x＋347.140，預測精度為0.836，擬合精度為0.884；角果凈光合速率的最佳監測模型為基于NDSI(R951，R948)的線性函數y＝413.580x＋0.390，預測精度為0.760，擬合精度為0.915；葉片葉綠素含量的最佳監測模型為基于NDSI(R2207，R618)的指數函數y＝43.652e－0.822x，預測精度為0.704，擬合精度為0.900；葉面積指數的最佳監測模型為基于NDSI(R722，R721)的指數函數y＝0.195e189.660x，預測精度為 0.522，擬合精度 為0.521。基于本研究結果建立的監測模型預測精度好，擬合檢驗均達顯著水平。