基于無人機多光譜影像反演不同生育期小麥光合參數分析

董德譽,程宇坤,王 睿,雷鈞杰,王 偉,陳傳信,張永強,耿洪偉

(1.新疆農業大學農學院/優質專用麥類作物工程技術研究中心,烏魯木齊 830052;2.新疆農業科學院糧食作物研究所/農業農村部荒漠綠洲作物生理生態與耕作重點實驗室,烏魯木齊 830091)

0 引 言

【研究意義】小麥作為世界三大糧食作物之一,超過30%的糧食來源于小麥[1]。小麥也是我國主栽的糧食作物之一[2]。在整個生育期對作物進行監測,以評估作物的生長狀況,根據作物的實際生長情況做出相應的管理措施對于提高生產效率具有重要作用。光合作用是植株將太陽能轉化為化學能的生理過程,利用植物的暗反應和光反應把外界的二氧化碳(CO2)和水(H2O)等無機物合成糖并釋放出氧氣(O2)[3]。對作物光合作用進行實時監測可以為農業生產和研究提供實踐依據。【前人研究進展】傳統的光合測定方法主要是通過光合儀器在田間進行,但無法實現多點測量和遠程監控,且測量過程費時費力[4]。植物吸收太陽能后有一小部分的光能以葉綠素熒光的形式散失,基于葉綠素熒光和光合作用的這種內在聯系,利用不同波段的葉綠素熒光光譜對玉米、小麥、水稻等農作物的凈光合速率開展了估測[5-7]。有研究利用環境因子(CO2濃度、溫度和光照強度)、植被指數和光化學反射率建立凈光合速率和光能利用效率估測模型[8-9]。但是構建模型過程中存在單一等問題,且用到的葉綠素熒光是基于被動式的太陽誘導[10]。IAN等[11]通過建立高光譜植被指數和總光合作用之間的簡單關系,制作了總光合作用(GP)的田間尺度圖。王娣等[12]利用高光譜植被指數與光和有效輻射(PAR)乘積后的值作為輸入參數,建立凈光合速率的反演模型。苗夢珂等[13]將得到的冬小麥高光譜經過連續小波分析后得到10個波段對應的小波系數,對小波系數利用多元線性回歸建立最大凈光合速率(Amax)估算模型。通常用于獲取高光譜信息的地面光譜儀無法對目標成像,或者成像系統復雜,且無法實現大面積監測,高空光譜遙感則具有地面分辨率低,實驗成本高等缺點[14]。無人機遙感技術可以獲得更高精度的光譜影像和對天氣變化不敏感等優點,在農業作物生長監測過程中得到廣泛應用[15]。陳俊英等[16]利用無人機搭載的多光譜相機采集棉花花蕾期的光譜影像,通過6波段光譜反射率反演4種光合參數。【本研究切入點】以往利用無人機多光譜影像對作物表型的估測研究中很少考慮作物長勢差異對試驗結果的影響,雖然基于無人機多光譜影像反演作物光合作用已應用于棉花等作物研究中,但是在小麥光合參數的反演中還鮮有報道。需研究無人機多光譜影像對冬小麥光合作用實時監測的可行性。【擬解決的關鍵問題】基于無人機多光譜影像對小麥光合作用進行實時監測的可行性,設置不同的施氮量形成小麥長勢差異,比較不同長勢差異模型估測光合參數的精確度,為提高估測模型的可靠性提供依據。

1 材料與方法

1.1 材 料

材料來源于目前在生產上有不同基因型的共16個小麥品種。表1

表1 研究選用的小麥品種

1.2 方 法

1.2.1 試驗設計

在大田滴灌條件下,采用裂區設計,氮肥為主區,品種為副區。播種量為35×104粒/667m2,小區面積18 m2(3.6 m × 5 m),行距20 cm,行長5 m,每小區種18行小麥,每處理3次重復。小區間留40 cm走道,重復間留1.2 m走道,試驗間留1.4 m走道。主區氮肥設2個氮肥水平,分別為0 kg N/667m2(對照)與15 kg N/667m2(正常施氮),基追比4∶6,追肥時期為起身期、拔節期、孕穗期。磷肥(P2O5)10 kg/667m2與鉀肥(K2O)3.5 kg/667m2均做基肥。結合滴灌在不同生育時期(開花期、灌漿前期、灌漿中期)每次滴施磷酸二氫鉀(98%含量)1.0 kg/667m2。副區參試品種共計16個。試驗區四周設置1 m保護行。表2,圖1

圖1 田間試驗設計

表2 滴灌小麥不同施氮肥總量及不同時期追氮量

1.2.2 測定指標

1.2.2.1 無人機影像的獲取

選用大疆精靈4A無人機搭載精靈4多光譜相機,精靈4多光譜包括1個可見光成像的彩色傳感器和5個多光譜成像的單色傳感器,單個傳感器的有效像素為208×104(總像素212×104),單色傳感器分別為藍(B)、綠(G)、紅(R)、紅邊(RE)和近紅外(NIR)5個波段,對應的中心波長分別為(450±16)、(560±16)、(650±16)、(730±16)和(840±26) nm。分別于小麥的孕穗期、開花期和灌漿期獲取試驗田多光譜影像,多光譜影像采集過程中選擇正午晴朗無風的天氣、多光譜相機鏡頭垂直向下。利用PiX 4D mapper軟件對各生育時期獲取的無人機多光譜影像進行幾何校正、拼接和灰板校正,生成正射反射影像。再利用ENVI軟件生成紅光波段(Rred)、藍光波段(Rblue)、綠光波段(Rgreen)、歸一化植被指數波段(Rndvi)、紅邊波段(Rred-edge)和近紅外光波段(Rnir)。最后通過ArcGIS軟件提取各小區的各波段影像的放射率用于計算植被指數。表3

表3 無人機多光譜影像獲取時參數

1.2.2.2 小麥冠層光合參數采集

于小麥孕穗期、開花期和灌漿期利用TARGAS-1便攜式光合儀對小麥旗葉測定凈光合速率(Pn)、胞間CO2濃度(Ci)、氣孔導度(Gs)和蒸騰速率(Ti),每塊試驗田選取3株長勢一致的小麥主莖旗葉采集,重復3次,取平均值作為該小區的實際光合參數測量值。

1.2.2.3 植被指數的提取

將PiX 4D mapper軟件合成的5波段反射率影像導入到ArcDIS 10.4 軟件中。研究選取完全覆蓋土壤、密度一致的冠層作為感興趣區域(region of interest, ROI)監督分類法識別小麥冠層影像,提取18種植被指數和小麥旗葉光合參數做相關分析,最后于每個生育期選用與光合參數相關性最高的5個植被指數作為反演4種光合參數的模型輸入參數。圖1,表4

表4 植被指數

表6 全生育期植被指數和光合參數的相關系數

表7 不同光合參數用于數據建模的植被指數

1.2.3 冬小麥光合參數反演模型建立

分別利用不同長勢差異的開花期和全生育期的數據集用于構建光合參數反演模型。在建立小麥4種光合參數反演模型前,隨機將數據集按訓練集∶測試集等于6∶4的比例分割。利用60%的樣本數據作為訓練集借助梯度增強回歸和嶺回歸方法構建光合參數反演模型,再利用其余40% 的樣本數據作為驗證集,評價光合參數反演模型。

1.2.4 模型評價指標

選用決定系數(coefficient of determination,R2)、均方根誤差(root mean squared error,RMSE)和相對誤差(relative error,RE)綜合評價冬小麥冠層光合參數反演模型,R2越接近于1、RE和RMSE越小,模型的精確度越高、穩定性越強。R2、RMSE和RE的計算公式如下:

(1)

(2)

(3)

1.3 數據處理

采用Windows Excel進行數據處理,用SPSS 23.0 統計軟件對數據統計分析、方差分析、相關性分析和顯著性檢驗,用Python建立小麥旗葉光合參數估算模型。

2 結果與分析

2.1 小麥光合參數的變化

研究表明,小麥旗葉胞間CO2濃度(Ci)、氣孔導度(Gs)、凈光合速率(Pn)和蒸騰速率(Ti)在處理下均表現出了不同生育時期和不同品種具有明顯差異,2種氮素處理水平下,隨著小麥孕穗期至灌漿期變化,小麥旗葉凈光合速率Pn均呈現逐漸降低的趨勢;孕穗期、開花期和灌漿期都呈現出所有品種均是正常施氮處理下小麥旗葉獲得更高的Pn。小麥生育期后期孕穗期后的無氮處理表現出對生長明顯的不利。2種氮素處理水平下,隨著小麥從抽穗期至灌漿期推進,小麥旗葉蒸騰速率Ti均呈現出先升高后降低的趨勢,在開花期升至最高,孕穗期和成熟期所有品種均表現出正常施氮處理下小麥旗葉獲得更高的Ti,而在開花期新冬36號、新冬51號、新冬52號、新冬53號和新糧201在正常施氮處理下的Ti大于無氮處理水平,其余的品種均是無氮處理大于正常施氮處理,在開花期無氮處理下小麥旗葉具有更高的蒸騰速率。小麥孕穗期至灌漿期,2種不同氮素處理水平下旗葉胞間CO2濃度(Ci)呈現先下降后上升的趨勢,在開花期達到最低,孕穗期、開花期和灌漿期都呈現出所有品種均是無氮處理下小麥旗葉獲得更高的Ci。小麥生育期后期即孕穗期后的無氮處理會使小麥旗葉積累更多的CO2。而氣孔導度(Gs)和Pn表現出一樣的變化規律,隨著小麥孕穗期至灌漿期呈現出下降趨勢。增加施氮量會促進葉片氣孔導度和蒸騰速率,減少葉片胞間CO2的積累,增加葉片的凈光合速率。圖2

注：N0和N1分別表示無氮處理水平N0(0 kg N/667m2)和正常施氮處理水平N1(15 kg N/667m2)

2.2 小麥冠層植被指數與光合參數的相關性

研究表明,正常氮處理下,開花期GNDVI、GOSAVI、GRVI、NGBDI和Gs、Pn、Ti均呈顯著負相關,相關系數都小于-0.5,而OSAVI則呈現顯著正相關,相關系數大于0.78。無氮處理下,開花期除了植被指數TVI、REOSAVI、SAVI、NDVI、RVI和Pn呈正顯著相關,相關系數均大于0.5外,其余植被指數均無顯著相關,相關系數均小于0.5。全生育時期,兩種氮素處理水平下,植被指數CARI、DVI、EVI、NDVI、OSAVI、REOSAVI、RVI、SAVI、TVI、VARIred和Ci均表現出顯著負相關。而NGRDI、VARIgreen和無氮處理水平下的Ci顯著負相關,NGBDI和正常施氮處理下的Ci呈顯著負相關。同時在兩種不同施氮處理下與Gs呈顯著相關的植被指數為EXG、GNDVI、GOSAVI、RERDVI,相關系數最高的為REEDVI,均大于0.5。在正常施氮處理下,全生育期只有植被指數CARI、NGRDI、VARIgreen和Pn無顯著相關,其余植被指數和Pn均呈顯著相關,相關系數最高為0.67。在無氮處理下,只有植被指數EXG、GNDVI、GOSAVI、GRVI、RERDVI和Pn呈顯著相關,其余植被指數相關性均表現為不顯著。植被指數與正常施氮處理水平下全生育期的Ti相關性表現不顯著的有EXG,而與無氮處理水平下全生育期的Ti相關性不顯著的有EXG、NGBDI、RERDVI,其余植被指數在兩種氮素處理水平下均有顯著相關。表5-7

2.3 基于植被指數反演光合參數最優回歸模型

研究表明,不同的光合參數間具有不同的反演精確度,在凈光合速率(Pn)的估算時,兩種氮素處理水平下均表型出較高的估測精確度,決定系數(R2)分別為0.82和0.78,均方根誤差(RMSE)分別為5.23和4.99,相對誤差分別為0.26和0.20,雖然該模型的反演精確在無氮處理下較正常施氮處理低,但是RMSE和RE均小于正常施氮處理,利用梯度回歸方法可以較好的估算小麥旗葉Pn,且小麥長勢差異對該模型的影響不大。梯度增強回歸方法在估算正常氮素處理水平下的小麥旗葉Ci、Gs和Ti時,模型估算精確度較低,R2分別為0.44、0.64和0.48,RMSE分別為31.87、55.31和0.88,RE分別為0.12、0.26和0.14,但是該模型在估算無氮處理水平下的Gs和Ti時表現出較高的精度,R2分別為0.78和0.80,RMSE分別為80.74和0.90,RE分別為0.30和0.13,而在Ci的估算上該模型表現出較低的通用性,R2、RMSE和RE分別為0.39、21.93和0.08。構建小麥全生育期不同長勢差異下4種光合參數的反演模型,正常施氮處理下,模型在估算Pn、Ci、Gs和Ti時具有不同的精確度,驗證集的R2分別為0.74、0.22、0.57和0.54,RMSE分別為3.59、17.30、61.51和0.80,RE分別為0.18、0.06、0.24和0.16,無氮處理水平下,模型在估算Pn、Ci、Gs和Ti時具有不同的精確度,驗證集的R2分別為0.54、0.47、0.62和0.16,RMSE分別為4.39、17.85、70.94和1.14,RE分別為0.23、0.06、0.29和0.28,不同長勢差異的小麥會對旗葉4種光合參數產生較大的影響,該模型在估算無氮處理時,4種光合參數的反演精度均比正常施氮處理下的反演精度低,該估算模型的通用性較弱。表8

表8 不同生長勢差異的小麥光合參數對模型影響

3 討 論

3.1 施氮對小麥葉片光合作用的影響

氮素是影響小麥光合作用的生理過程之一,施氮可以有效降低小麥根系合成脫落酸(ABA),促進葉片內部的氣孔交換,使得Gs增大,從而維持小麥葉片一定的氣孔導度,起到促進植物Pn和Ti的作用[24-25]。研究表明,正常施氮處理下3個生育時期冬小麥的Gs和Pn均大于無氮處理;前人研究表明施氮處理可以增加植物葉片氮素含量和葉綠素含量[26];冬小麥葉片氮素濃度與Pn呈顯著正相關[27];與研究Pn表現一致。正常情況下,適量氮素供應會促進葉片和外界的氣體交換。研究結果顯示,在孕穗期、開花期和灌漿期各小麥品種的Ci在無氮處理水平均高于正常施氮處理,研究中孕穗期和灌漿期全部品種的Ti均呈現出施氮處理水平大于無氮處理水平,而在開花期有部分品種表現出無氮處理水平大于正常施氮處理水平,可能是因為植物在受到逆境環境下的自我保護機制,由于缺乏氮素供應,影響植物生長發育和作物冠層蓋度的形成,導致葉片蒸發增加,保水能力下降,水分蒸發增加,進而通過減少葉片氣孔的張開來減少葉片內部的水分蒸發,導致了葉片內部產生的CO2積累增加,可能也是開花期無氮處理水平下Ti大于正常施氮處理的原因[28]。小麥旗葉于全展開日左右凈光合速率(Pn)和氣孔導度(Gs)達到最大,而后隨著生育期的推進,二者均逐漸下降[29];小麥從拔節期至灌漿后期推進的過程中旗葉胞間CO2濃度呈現先減后增,抽穗期最小[30]。與研究變化規律一致。小麥開花后,葉片逐漸衰老,從而導致葉片中的CO2同化速率降低,導致凈光合速率(Pn)也隨著降低,小麥開花后的凈光合速率(Pn)和氣孔導度(Gs)顯著正相關,較高的Gs有利于外界CO2進入葉片,使葉片保持較高的凈光合速率(Pn),可能是Pn和Gs呈現出一致的原因[31]。但研究中小麥從孕穗期至灌漿期推進的過程中旗葉的蒸騰速率(Ti)呈現出先升后降的變化規律,和前人的研究結果不同,可能是試驗地點灌水限制,導致無法進行正常的灌溉,形成了一定的水分脅迫,而水分脅迫會導致葉片的蒸騰加速。

3.2 光合參數反演模型的通用性

單一植被指數不能充分反映作物的生長狀況,但是過多的植被指數作為模型的輸入參數會導致模型的復雜度上升[21,23]。研究選用與光合參數相關性較好的5種植被指數作為模型的輸入參數。研究采用梯度增強回歸和嶺回歸方法作為建模方法主要是由于自變量之間可能存在多重共線性,會降低模型的估算精度,而2種建模方法可以有效消除這些問題[32]。正常施氮處理下,利用梯度增強回歸構建開花期Pn、Ci、Gs和Ti反演模型,模型驗證集的R2分別為0.82、0.44、064和0.48,在無氮處理水平下,該模型反演Ci的精確度也較低,可能是由于2種氮素水平下的植被指數與對應長勢下的Ci相關性較低的原因。這和Holman Fenner等[33]研究小麥株高和生長速率的反演一致。在正常施氮處理水平下,小麥全生育期除了Ci在嶺回歸方法構建的反演模型下沒有較好的估算精度外,Pn、Gs和Ti都表現出較好的預測精度,單一反演模型同時預測不同的作物生長指標是可行的。

3.3 不同長勢差異對反演模型的影響

相比于衛星遙感,利用無人機搭載多光譜相機對作物生長進行大面積監測具有重訪強、地面分辨率高等優點[14]。研究利用梯度增強回歸和嶺回歸方法構建正常施氮處理水平下開花期和全生育期4種光合參數的估算模型,然后利用該模型作為無氮處理水平下小麥旗葉4種光合參數的估算模型。結果顯示,作為開花期4種光合參數反演模型的梯度增強回歸,在無氮處理水平上也有較好的預測精度,Pn、Gs和Ti的估算模型的R2分別為0.78、0.78和0.80,零回歸方法建立的無氮處理水平下4種光合參數反演模型,R2>0.5的有Gs和Ci,2個模型在不同長勢差異下的冬小麥光合參數反演中具有較強的適應性。研究通過設置了2種不同的氮素處理水平形成小麥不同生長差異,同時也構建了可以同時反演多個光合參數的模型,避免了單一生長環境下無法確定模型適用性的缺點,也克服了反演模型只能估算單一生長指標和對環境變化敏感等[16,34]。研究選取的植被指數組合作為模型的輸入參數具有一定的主觀性,仍需要進行更多的植被指數組合去反演作物冠層光合參數,確定特定時期和生長勢下最適的植被指數組合個數。

4 結 論

4種光合參數在正常施氮和缺氮處理下的變化趨勢一致,Ci都表現出先減后增、Ti則是表現出先增后減、Gs和Pn呈現出一直下降的趨勢,但是在缺氮處理環境下,小麥旗葉Ci大于正常施氮,而Pn、Gs和Ti在小麥灌漿期表現出缺氮環境小于正常施氮環境。以與光合參數相關性最高的5個植被指數為多變量構建小麥旗葉4種光和參數估算模型,在開花期利用梯度增強回歸方法構建的反演模型在正常施氮和無氮處理水平下的Pn、Ti和Gs的反演有較好的估算精度,該估算模型對環境變化不敏感,有較強的適應型和通用性。在全生育期利用嶺回歸方法構建的反演模型在正常施氮處理水平下的Gs、Pn和Ti的估算精度大于0.5,但是在無氮處理水平下估算精度大于0.5的只有Gs和Pn,該估算模型的通用性較差、適應性一般。利用梯度增強回歸和嶺回歸方法構建的預測模型能較好的反演不同長勢差異的冬小麥旗葉4種光合參數。