基于連續小波變換估測干旱脅迫下玉米籽粒產量

鄒佳琪 王仲林,2 譚先明 陳燎原 楊文鈺 楊 峰,*

基于連續小波變換估測干旱脅迫下玉米籽粒產量

鄒佳琪1王仲林1,2譚先明1陳燎原1楊文鈺1楊 峰1,*

1四川農業大學農學院 / 農業農村部西南作物生理生態與耕作重點實驗室 / 四川省作物帶狀復合種植工程技術研究中心, 四川成都 611130;2四川農業大學水稻研究所, 四川成都 611130

利用高光譜遙感技術監測作物水分狀況和籽粒產量, 對于調控作物生長、優化水分管理和改善產量形成具有重要意義。本研究玉米品種選用正紅505, 于2018—2019年在四川雅安和仁壽的試驗田設置4個水分處理(正常水分、輕度、中度和重度干旱), 分析玉米在拔節期(V6)、抽雄期(VT)和灌漿期(R2)的冠層含水量(canopy water content, CWC)與籽粒產量的定量關系, 利用植被指數和連續小波變換對光譜反射率數據進行處理, 采用線性回歸方法構建CWC定量反演模型, 進一步探索以CWC為橋梁建立的玉米籽粒產量的預測模型效果。結果表明, (1) 利用小波特征構建的CWC估測模型的預測效果高于植被指數, V6、VT和R2期分別以小波特征gaus3770,64、rbio3.31635,2和rbio3.3838,2構建的線性回歸模型檢驗精度較高,2分別為0.770、0.291和0.233。(2) CWC與玉米籽粒產量間建立的線性回歸模型均達極顯著水平(<0.01), V6、VT和R2期的2分別為0.596、0.366和0.439。(3) 基于光譜反射率構建的產量預測模型以V6期小波特征gaus3770,64的驗證效果最好(2= 0.577, RMSE = 1.625 t hm–2), 可作為預測玉米籽粒產量的最佳時期。因此, 本研究提出的“光譜反射率—冠層含水量—產量”建模方法能夠實現對玉米籽粒產量的精確估測, 為未來大面積監測玉米生產力提供了理論依據。

玉米; 籽粒產量; 冠層含水量; 植被指數; 小波特征

水分是影響作物生長發育和產量形成的重要因素之一。作物植株的水分含量與物質運輸、光合作用和蒸騰作用等生理生化過程密切相關。水分虧缺會抑制作物光合速率, 阻礙干物質的累積和分配, 降低作物產量[1-2]。冠層含水量(canopy water content, CWC)是群體水平上監測作物水分脅迫的最佳指標, 對不同水分虧缺處理較為敏感, 不同程度的水分缺失均有可能造成作物減產[3]。研究表明, 重度干旱脅迫會顯著降低作物籽粒產量, 適當的水分虧缺反而會促進作物生長。輕度干旱脅迫下作物光合速率得以維持, 水分利用效率提高, 有利于改善作物生長, 提高作物籽粒產量[4-5]。因此, 實時、準確的監測作物水分狀況對于調控田間水分運籌、促進作物生長發育和改善籽粒產量具有重要意義。

高光譜遙感技術作為一種能夠快速、精準、無損監測作物長勢及營養狀況的技術, 已被廣泛應用于現代農業。植被指數(vegetation indices, VIs)可以特征化植被的覆蓋程度和生長狀況, 消除土壤背景和大氣散射等信息干擾, 進而增強植被水分的光譜信號。因此, 前人采用VIs可以精確地估測作物水分含量, 但不同水分敏感波段構建的VIs估測水分含量的性能有所差異。傳統的水分敏感VIs中, 水分脅迫指數(moisture stress index, MSI)和歸一化差異水分指數(normalized difference water index, NDWI)反演作物水分含量的模型精度較高, 估測效果最佳[6-7]。江海英等報道基于不同水分敏感波段組合構成的NDWI反演CWC的模型精度以NDWI860,1640最高, 表明860 nm和1640 nm可作為水分吸收的強敏感波段[8]。連續小波變換(continuous wavelet transform, CWT)是一種有效的數學分析和光譜信號處理工具, 能夠將光譜反射率分解為多個尺度分量, 消除光譜信息中的噪聲[9], 剔除無用的光譜信息以獲取更多高效的光譜特征[10]。小波分析可以解釋作物在葉片水平和冠層水平上更全面的光譜變化, 從而選擇最優的光譜特征構建反演模型, 在作物含水量[11]、葉綠素含量[12]和生物量[13]等生理參數估測上的性能優于VIs[14-15]。

傳統的產量測量方法耗時耗力, 難以在大面積農業生產中應用, 而在智慧農業的農情監測中, 作物籽粒產量的精準預測相關研究還處于較薄弱環節[16-17]。大量研究表明, 利用高光譜遙感技術預測作物產量具有可行性和可靠性, 可有效緩解大面積農業生產的問題。統計經驗模型是光譜估測作物生理參數最典型的建模方法, 模型簡單實用且精確性高[18-19]。通過重要光譜變量建立的籽粒產量線性回歸、偏最小二乘回歸和多元線性回歸等模型往往表現出較高的預測精度。由此表明, 統計經驗模型在作物籽粒產量預測上發揮著重要作用。目前, 基于VIs建立的經驗模型的決定系數(coefficient of determination,2)大多在0.6以上, 估產效果較好[20-22], 但基于小波變換開展作物估產的研究較少, 且大部分研究是利用光譜反射率直接建立籽粒產量的預測模型, 其準確性會受到環境、生物和物理等因素影響[23], 缺乏機制解釋性。

為進一步提高玉米籽粒產量的估測精度, 本研究利用VIs和CWT對光譜反射率數據進行分析, 在確定關鍵生育時期CWC與光譜參數(VIs和小波特征)以及籽粒產量定量關系的基礎上, 提出了“光譜反射率-冠層含水量-產量”的玉米籽粒產量建模方法, 將CWC作為連接光譜反射率與產量的橋梁, 建立線性回歸估測模型來間接估測籽粒產量, 并探索這種建模方法對于籽粒產量光譜估測的可行性和可靠性, 為玉米籽粒產量的精確預測提供理論依據和技術參考。

1 材料與方法

1.1 試驗材料與設計

本研究于2018年和2019年在四川雅安和仁壽開展3個田間試驗, 試驗載體、供試玉米品種和試驗處理如表1所示。試驗1和試驗3分別于2018年和2019年在四川農業大學雅安現代農業試驗站(29°59′N, 102°59′E)設置自動防雨棚區域的干旱池內進行試驗。試驗2于2018年在仁壽縣四川省現代作物生產示范基地(30°04′N, 104°12′E)進行田間試驗。所有試驗的玉米品種均選用半緊湊型品種正紅505。

試驗1設置4個水分等級(占田間持水量百分比):正常水分(60%～70%)、輕度干旱(45%～55%)、中度干旱(30%～40%)和重度干旱(15%～25%), 玉米于4月2日播種, 8月14日收獲; 試驗2玉米種植于3個坡度的傾斜農田: 斜坡頂部、斜坡中間和斜坡下方, 傾斜農田的土壤含水量隨農田坡度的增加而降低, 玉米于4月11日播種, 8月20日收獲; 試驗3設置4個水分等級: 正常水分(70%～80%)、輕度干旱(55%～ 65%)、中度干旱(40%～50%)和重度干旱(25%～35%), 玉米于4月8日播種, 8月18日收獲。玉米種植方式均為寬窄行種植, 窄行行距為40 cm, 株距為17 cm, 密度為60,000株 hm–2。試驗設計采用單因素隨機區組設計, 每個處理設置3個重復。所有試驗在玉米播種時于行間開溝施用氮肥(尿素, 46.7% N)約60 kg hm?2, 另外60 kg hm?2氮肥在拔節期施用。磷鉀肥作為底肥一次施用, 分別為: 五氧化二磷72 kg hm–2(過磷酸鈣)和氧化鉀90 kg hm–2(氯化鉀), 其他管理程序按照當地玉米生產的標準做法進行。

試驗1和試驗3采用池栽控水的方法, 在玉米拔節期(V6)、抽雄期(VT)和灌漿期(R2)分別設置4個干旱脅迫處理, 1個干旱池(面積為4.5 m2, 深為1.8 m)作為一個小區, 移栽于36個干旱池內。采用土壤剖面水分測定儀(Profile Probe2, Delta-T, 英國)測定土壤容積含水量, 土壤剖面水分測定儀按層次定位測定10 cm、20 cm、30 cm、40 cm、60 cm、100 cm土層的容積含水量, 每個測量位點重復測3次, 以平均值作為該位點的容積含水量。每隔7 d左右測定1次, 每個時期灌溉前后加測, 并取土用烘干法測定的土壤含水量對土壤剖面水分測定儀的數據進行校正。灌水量使用水表進行控制, 灌水量(irrigation amount,)計算公式如下:

式中,表示土壤容重,表示灌水深度,表示灌水面積,max表示設定的土壤含水量上限,θ表示灌水前實際測量的土壤含水量。

1.2 數據獲取

1.2.1 冠層光譜反射率的測量 在玉米V6、VT和R2期(植物高度分別為80～120、270～290和290～310 cm)使用荷蘭Avafield田間光譜輻射計(AvaSpec-2048, Avantes, 荷蘭)測定玉米冠層光譜反射率。光譜輻射計安裝25°視場光纖探頭, 光譜區域在350～2500 nm之間, 采樣間隔為0.6 nm@350～ 1100 nm, 6 nm@1100～2500 nm。光譜測定選擇在晴朗、無風、少云的天氣下進行, 測量時間為北京時間的10:00—14:00之間, 光纖探頭垂直于玉米冠層上方1 m處(冠層覆蓋直徑約44.5 cm)獲取冠層光譜反射率。每個小區選擇4個觀測點, 每個觀測點測量冠層反射率7次, 取平均值作為觀測點的光譜反射率值, 使用25π cm2BaSO4校準板校準測量前后的光譜反射率。

表1 3個試驗年份、地點、試驗載體、品種及處理

WW: 正常水分; MD: 輕度干旱; ID: 中度干旱; SD: 重度干旱。

WW: well-watered; MD: mild drought; ID: intermediate drought; SD: severe drought.

1.2.2 冠層含水量的計算 在V6、VT和R2期, 從光譜視場范圍內選取玉米植株材料, 每個水分處理下設置6個小區, 每小區取2株。將玉米葉片莖稈分離, 測量葉片長度(從葉基到葉尖, 不含葉柄)和寬度(葉片上與主脈垂直方向上的最寬處), 采用葉面積系數法(長×寬×0.75)計算玉米葉片葉面積, 進而轉換為葉面積指數(Leaf Area Index, LAI)。LAI計算公式如下:

使用千分之一電子秤(誤差為±0.01 g)稱量葉片鮮重并記錄, 然后裝入紙袋在105℃下殺青1 h后80℃烘干至恒重, 稱量葉片干重并記錄, 計算葉片的等效水厚度(equivalent water thickness, EWT)。EWT計算公式如下:

式中, FW和DW分別代表葉片的鮮重和干重(g),代表葉片的葉面積(m2)。

CWC即單位土地面積上的作物含水量, 能夠反映作物群體的水分狀態, 揭示冠層水平作物對水分豐缺的反應[24]。將EWT與單位土地面積的LAI相乘即可得到CWC[25]。CWC計算公式如下:

CWC (kg m–2) = EWT×LAI(4)

1.2.3 玉米產量的測量 在玉米成熟期, 每個小區連續選取20株玉米, 晾干至籽粒含水量約10%左右, 獲取籽粒曬干后在室內進行考種, 測量穗行數、行粒數、穗粒重和千粒重等產量構成因素, 采用電子秤稱量籽粒的重量并計算籽粒產量(t hm–2)。

1.3 數據分析與利用

1.3.1 光譜數據預處理 本研究在進行數據分析前在Origin 2021 (OriginLab, 美國)中對原始光譜數據進行Savitaky-Golay平滑處理, 消除噪聲對光譜反射率和水分敏感光譜信號的影響。由于田間測量光譜時光譜反射率容易受到土壤背景和大氣吸收影響, 剔除了V6期1324～1385 nm、1788～1908 nm、2453～ 2503 nm, VT期1318～1398 nm、1782～1908 nm、2387～ 2503 nm和R2期1318～1405 nm、1776～1914 nm、2415～2503 nm有關波段所對應的光譜反射率(圖1), 因此V6、VT和R2這3個時期的波段數不同。

圖1 剔除波段后正常水分處理下玉米光譜反射率

A: 拔節期; B: 抽雄期; C: 灌漿期。

A: jointing stage; B: tasseling stage; C: filling stage.

1.3.2 小波分析 小波分析是一種極具應用前景的光譜信號處理與分析工具, 本研究選擇CWT對光譜信號進行重構和降噪, 能夠獲取更多的光譜特征有效信息[26-27]。利用MATLAB R2017b (MathWorks, Inc., 美國)軟件運行小波程序包以此進行小波分析。本研究選擇db3、bior1.5、rbio3.3和gaus3共4種母小波函數在1～256尺度下對光譜反射率數據進行分解, 但1～256尺度分解的數據量過大, 在此基礎上提取出20, 21, 22, 23, 24, 25, 26, 27和28共9個特定尺度(這些尺度在后續部分標記為1, 2, 4, 8, …, 256)下對應的小波系數來進行分析和構建模型[28]。圖2闡明了CWT的具體工作流程。母小波函數的變換公式如下:

1.3.3 植被指數 如表2所示, 本研究選取了水分指數(water index, WI)和MSI兩種對水分敏感的VIs, 采用比值植被指數(ratio vegetation index, RVI)、差值植被指數(difference vegetation index, DVI)和歸一化差值植被指數(normalized difference vegetation index, NDVI) 3種波段自由組合VIs對光譜反射率進行兩兩自由組合, 分析其與CWC的定量關系。在MATLAB R2017b中運行波段自由組合植被指數程序包。將5種VIs與玉米CWC進行相關性分析并獲得顯著性, 篩選出效果較好的VIs構建模型。

圖2 CWT的流程圖

CWT: 冠層含水量。CWT: canopy water content.

表2 本文采用的植被指數

代表光譜反射率,和代表波長(nm),R和R代表在波長和處的光譜反射率。

represents spectral reflectance,andrepresent wavelengths (nm), andRandRrepresent the spectral reflectance at wavelengthsand.

1.4 模型構建及精度驗證

本研究采用2019年的數據構建CWC和籽粒產量的估測模型, 2018年的數據用于估測模型驗證。校準和驗證數據集的統計結果見表3。首先, 分析VIs和小波特征與CWC的相關性, 建立CWC的“光譜反射率-水分”線性回歸模型并檢驗。其次, 在確定玉米V6、VT和R2期CWC和產量的相關性基礎之上, 采取線性回歸模型建立具有生理解釋性的“水分-籽粒產量”預測模型。最后, 將CWC作為橋梁連接光譜反射率數據與籽粒產量, 并檢驗籽粒產量預測模型的準確性。采用2和均方根誤差(Root Mean Square Error, RMSE)評價模型的準確性和預測性能。2值介于0～1之間, 當2值越大, RMSE值越小時, 表明估測模型的預測效果越好, 精度越高。2和RMSE的計算公式如下:

表3 玉米冠層含水量和籽粒產量的描述性統計

V6: 拔節期; VT: 抽雄期; R2: 灌漿期。

V6: jointing stage; VT: tasseling stage; R2: filling stage.

2 結果與分析

2.1 玉米冠層含水量與VIs的相關性分析

將選取的3種波段自由組合VIs分別與CWC進行相關性分析, 得到相關系數矩陣圖, 如圖3所示。表4展示了V6、VT和R2期玉米CWC與所有VIs的相關性分析結果, 除R2期的WI和MSI與CWC的相關性沒有達到顯著水平外, 其余VIs與CWC均呈極顯著相關(<0.01)。在V6、VT和R2期, WI和MSI與玉米CWC的相關性均低于DVI、RVI和NDVI, 表明波段自由組合VIs比傳統水分敏感的VIs更能有效捕捉CWC的變化。不同生育時期間CWC與VIs的相關性隨生育時期的推進逐漸降低, V6期最高, 其次為VT期, R2期最低。V6期以1471 nm和1209 nm組合的NDVI1471,1209與CWC的相關性最好, 相關系數最高(= 0.937); VT期以807 nm和761 nm組合的RVI807,761與CWC的相關性達到極顯著水平(<0.01), 相關系數最高(=-0.831); R2期RVI和NDVI的敏感波段位置相同, 相關系數相同, 因而以855 nm和856 nm組合的RVI855,856和NDVI855,856與CWC的相關性最好(= 0.538), 達到極顯著水平。此外, CWC的敏感波段主要分布在近紅外和短波紅外區域, 少數分布在紅邊區域。

2.2 玉米冠層含水量與小波特征的相關性分析

使用4種小波函數對原始光譜數據進行1～256尺度分解獲取小波系數, 圖4所示為CWC與小波特征的相關系數矩陣圖。在此基礎上提取20～28共9個分解尺度下的小波特征與CWC進行相關性分析, 篩選出相關性最好的敏感波段和分解尺度, 如表5所示。與VIs相比, 小波特征與CWC的相關性有顯著提升, 256尺度分解下的小波特征均與CWC呈極顯著相關(<0.01)。不同生育期間CWC與小波特征的相關性也隨生育期的推進呈下降趨勢。同一生育期不同小波特征之間小波系數與CWC的相關性差異較小, 保持在穩定水平。V6期4種小波特征與CWC均具有很強的相關性, 相關系數達到0.9以上, 以小波函數rbio3.3在波段795 nm下分解尺度為128時具有最好的相關性, 相關系數為-0.933; VT期的CWC與小波函數db3在波段1524 nm下分解尺度為1時具有最好的相關性, 相關系數為-0.805; R2期小波特征與CWC的相關性最低, 以小波函數db3在波段840 nm下分解尺度為2時具有最好的相關性, 相關系數為-0.596。小波分析所篩選出來的光譜特征敏感波段主要集中于可見光和近紅外波段。

2.3 基于VIs和小波特征的冠層含水量預測模型構建

根據V6、VT和R2期CWC與VIs和小波特征的相關性, 選擇3種波段自由組合VIs和4種小波特征作為自變量, 建立玉米CWC的線性回歸估測模型(表6), 確定最佳估測玉米CWC的光譜參數。表6中所有回歸方程的關系都達到極顯著性(<0.01)。V6期所有模型均呈現較高的2和較低的RMSE,2值處于0.8左右, 以NDVI1471,1209為自變量建立的線性回歸模型估測能力最好,2和RMSE分別為0.877 kg m–2和0.040 kg m–2; VT期所有模型的2均在0.6以上, 預測能力較好, 以NDVI761,807為自變量建立的線性回歸模型估測能力最好,2和RMSE分別為0.689 kg m–2和0.120 kg m–2; R2期所有預測模型的2呈現較低的水平, 相較于前兩個時期下降幅度較大, 以db3840,2為自變量建立的線性回歸模型估測能力最好,2和RMSE分別為0.355 kg m–2和0.121 kg m–2。

圖3 玉米冠層含水量與VIs之間相關系數(r)矩陣圖

A: 拔節期; B: 抽雄期; C: 灌漿期。DVI：差值植被指數；RVI：比值植被指數；NDVI：歸一化差值植被指數。

A: jointing stage; B: tasseling stage; C: filling stage. DVI: difference vegetation index; RVI: ratio vegetation index; NDVI: normalized difference vegetation index.

表4 不同生育期玉米冠層含水量與VIs的相關性

**表示在0.01概率水平差異顯著。WI: 水分指數; MSI: 水分脅迫指數; DVI: 差值植被指數; RVI: 比值植被指數; NDVI: 歸一化差值植被指數。V6: 拔節期; VT: 抽雄期; R2: 灌漿期。

W: wavelengths.**means significant difference at the 0.01 probability level. WI: water index; MSI: moisture stress index; DVI: difference vegetation index; RVI: ratio vegetation index; NDVI: normalized difference vegetation index. V6: jointing stage; VT: tasseling stage; R2: filling stage.

圖4 玉米冠層含水量與小波特征之間相關系數(r)矩陣圖

A: 拔節期; B: 抽雄期; C: 灌漿期。A: jointing stage; B: tasseling stage; C: filling stage.

表5 玉米冠層含水量與特定尺度小波特征之間的相關性

V6: 拔節期; VT: 抽雄期; R2: 灌漿期。**表示在0.01概率水平差異顯著。

V6: jointing stage; VT: tasseling stage; R2: filling stage. W: wavelength.**means significant difference at the 0.01 probability level.

表6 不同生育期冠層含水量的預測模型

代表VIs或小波特征,代表冠層含水量。**表示在0.01概率水平差異顯著。DVI750,751代表波段750 nm和751 nm處的DVI，其他相同。db3718,64代表在波段718 nm 64尺度處的小波特征db3，其他相同。V6: 拔節期; VT: 抽雄期; R2: 灌漿期。

represents the VIs or wavelet features,represents the canopy water content.**means significant difference at the 0.01 probability level. DVI750,751represents the DVI at wavebands 750 nm and 751 nm. Others are the same as it. db3718,64represents the db3 of wavelet features at waveband 718 nm and scale 64. Others are the same as it. V6: jointing stage; VT: tasseling stage; R2: filling stage.

2.4 冠層含水量預測模型的檢驗

利用2018年雅安和仁壽的數據來驗證CWC模型的預測性能, 圖5選擇的光譜參數具有最佳的驗證準確度。檢驗結果顯示, 2尺度和64尺度下模型擬合效果最優。V6期驗證集的精度與建模集差異較小, 以小波特征gaus3770,64為自變量建立的線性回歸模型驗證精度最高, 實測值與預測值間擬合的2為0.770, RMSE為0.112 kg m–2; VT期驗證集的精度下降幅度較大, CWC估算效果較差, 小波特征rbio3.31635,2在驗證集中具有最高的精度(2= 0.291, RMSE = 1.314 kg m–2); R2期驗證集與建模集的精度均處于較低水平, 二者間差異較小, 利用小波特征rbio3.3838,2建立的線性回歸模型在驗證集中精度最高(2= 0.233, RMSE = 0.511 kg m–2)。相比于波段自由組合VIs, 利用小波特征可以對玉米CWC進行更加準確且有效的定量動態監測。

2.5 冠層含水量與籽粒產量間的關系

為進一步探討不同生育時期玉米CWC對籽粒產量的解釋能力, 分析了CWC與籽粒產量的相關性, 建立玉米V6、VT和R2期CWC與產量的線性回歸估測模型, 為間接建立產量的光譜估測模型奠定基礎。圖6所示的產量估測模型的2均達到了極顯著水平(<0.01), 表明V6、VT和R2期的CWC能較好地解釋籽粒產量的變化。不同生育時期的CWC與成熟期產量關系存在差異, 隨生育時期的推進,2呈先降低后升高的趨勢, RMSE則相反, 其中V6期基于CWC估測玉米籽粒產量的效果最佳,2和RMSE分別為0.596和0.348 t hm–2, 其次為R2期,2和RMSE分別為0.439和0.620 t hm–2, VT期產量估測能力最低,2和RMSE分別為0.366和0.678 t hm–2。以上結果表明, 在本試驗條件下, V6期可作為玉米籽粒產量預測的最佳時期。

圖5 冠層含水量實測值與預測值的關系

A: 拔節期; B: 抽雄期; C: 灌漿期；CWC: 冠層含水量。

A: jointing stage; B: tasseling stage; C: filling stage; CWC: canopy water content.

圖6 利用冠層含水量預測玉米籽粒產量的模型

A: 拔節期; B: 抽雄期; C: 灌漿期。A: jointing stage; B: tasseling stage; C: filling stage.

2.6 基于光譜反射率的籽粒產量預測模型構建及驗證

由于各生育期的CWC與籽粒產量間存在顯著的定量關系, 且與VIs和小波特征構建的模型存在顯著相關性。因此, 根據“光譜反射率-冠層含水量-產量”這一技術路線, 以CWC為光譜數據與產量的連接橋梁將估測模型進行有機結合, 間接建立玉米籽粒產量的光譜估測模型, 圖7顯示了籽粒產量預測值和實測值的1∶1散點圖。結果表明, 在玉米的V6期以小波特征gaus3770,64為變量構建的產量模型具有最高的2和最低的RMSE, 預測能力最好(2= 0.577, RMSE = 1.625 t hm–2)。R2期的2雖達到0.5以上, 但RMSE值偏高(2= 0.534, RMSE = 4.973 t hm–2), 估產效果較差。此外, VT期的線性擬合結果顯示2為0, 說明此時期預測產量的效果不佳, 如公式(7)所示, 此時的SSE有可能大于SST, RMSE大于實測樣本標準差, 導致2為負。為避免歧義, 將負值2賦值為0, 可能是由于數據量太少或者數據分布不平衡所導致。因此在本研究方法下, 在玉米V6期通過CWC連接光譜反射率與籽粒產量可以實現對產量的動態監測。

圖7 基于光譜反射率數據的玉米籽粒產量估測模型的檢驗

A: 拔節期; B: 抽雄期; C: 灌漿期。A: jointing stage; B: tasseling stage; C: filling stage.

3 討論

3.1 小波分析估測冠層含水量的優勢

本研究分析了VIs和小波特征與CWC之間的定量關系。在同一生育時期, 小波分析的相關性比VIs的相關性較高, 主要原因是小波分析在光譜重構和降噪方面比VIs更具優勢, 能夠提取出更為準確的光譜信息。相似的, 利用小波特征構建的玉米CWC反演模型的擬合效果優于VIs, 進一步證實了小波分析在光譜反射率數據分析中的優勢。同時, 小波分析更容易識別出光譜差異, 增強玉米冠層光譜信息對水分的敏感性, 模型預測精度提高, 從而提升玉米CWC估測模型的預測能力與穩定性。

3.2 小波函數估測冠層含水量的敏感波段分析

連續小波變換能夠對光譜反射率數據進行多函數多尺度分析, 本研究提取了不同小波函數和不同分解尺度下的小波特征, 小波函數db3、bior1.5、rbio3.3和gaus3與CWC之間的相關性差異較小, 據此我們可以推測小波特征與CWC之間的關系達到了穩定的狀態。利用小波分析得出的CWC敏感波段主要集中在紅邊和近紅外區域。研究表明, 紅邊和近紅外波段對作物葉綠素含量是極其敏感的[35-36],而水分的敏感波段主要處于短波紅外范圍[37]。因此, 葉綠素信息可能干擾了CWC的估測精度。未來的研究有必要通過消除葉綠素信息對水分的干擾, 提高對CWC的估測精度。同時, 近紅外波段蘊含了豐富的作物結構信息, 與作物體內物質組成和生長特性有關的敏感波段多處于近紅外范圍, 有研究證明了近紅外區域的820 nm和960 nm可作為植株干旱時水分狀況的較好指示器[38-39]。因而, 本研究在770 nm、838 nm和1635 nm處確定了對水分的敏感波段。

3.3 基于光譜參數的冠層含水量和籽粒產量估測

在玉米CWC的估測中, CWC估測模型的驗證集精度與建模集精度相比有所下降, 總體的擬合精度沒有達到很好的效果。原因可能是線性回歸作為單變量模型, 用來建模的光譜信息量較少, 模型不夠穩定。V6和VT期估測模型的2均達到了0.6以上, R2期2值處于0.3左右, 低于前2個時期, 說明不同生育時期玉米CWC對VIs和小波特征的敏感程度存在差異, R2期光譜指數反演CWC的能力有所下降, 可能是因為隨著生育時期的推進, 玉米受干旱脅迫加強加快了葉片衰老, 光譜變化無法真實反映CWC的變化。

在玉米產量估測中, V6期構建的模型2值高于VT期和R2期, 這與蘇濤等[40]研究得出玉米在營養生長期估產模型相關性最強, 模擬效果較好一致。同時在玉米整個生長發育過程中, V6期是需水關鍵期之一, 生理代謝比較旺盛, 此時期干旱脅迫會造成營養器官不同程度的損傷, 對株高、葉面積等會產生一定影響, 導致植株矮小, 葉片生長受阻, 影響后期對籽粒的正常供應[41]。因此, V6期CWC的狀況可能會對后期籽粒產量形成造成一定的影響。此外, VT期的2值下降趨勢較大, 這可能與產量構成因素之間不平衡有關, 穗粒數的減少是玉米VT期干旱脅迫下產量降低的主要限制因子[42], 此時期干旱脅迫會導致穗粒數下降而造成產量損失。相反, R2期產量估測的2值有所上升, 因為穗粒數的降低導致玉米籽粒庫相對減少, 此時源大于庫, 庫充分調動源中的同化物向籽粒中運輸, 使得每個籽粒都能得到較為充分的灌漿[43]。

構建準確、可靠的CWC估測模型, 是實現玉米籽粒產量的光譜監測前提。因此, 本研究基于簡易性的需求下建立了CWC和籽粒產量的線性回歸模型, 提出的“光譜反射率-冠層含水量-產量”建模方法更少受到環境因素的影響, 依靠CWC構建的產量預測模型可以從水分方面解釋產量差異。本研究所采用的間接估測模型比直接估測模型更簡單, 機理性強。目前, 涉及單變量和多變量模型的方法已廣泛應用于估測農學參數和作物產量[44-46], 其中多變量回歸和機器學習算法比單變量模型包含更多具有解釋力的變量, 模型足夠穩定, 受外界因素影響也較小[47-48]。此外, 本研究只選用了單一玉米品種, 模型的預測性能可能會因不同品種間差異有所變化。因此, 未來研究可探討不同建模方法以及不同品種對玉米籽粒產量預測精度的影響, 同時本研究是選取晴朗天氣進行的監測, 研究結果適用于晴朗天氣下的產量估測, 未來還應著重考慮不同天氣變化等因素的影響。

4 結論

本研究評價了VIs和小波特征在估測玉米CWC方面的性能, 間接建立了預測玉米籽粒產量的光譜反演模型。在V6、VT和R2期, 光譜反射率與CWC呈顯著相關性, 且V6期相關性最高。小波分析在估算CWC方面優于VIs, 使用1～256尺度下小波分解光譜反射率得到的小波系數能夠生成CWC與產量的有效預測模型, 2尺度和64尺度分解下的小波系數能夠提供最優解。在本研究方法下, 利用小波特征gaus3770,64和rbio3.3838,2構建的“光譜反射率-冠層含水量-產量”定量模型, 可以在V6期精準預測玉米籽粒產量, 為玉米水分狀況的監測及其在精準生產管理中的應用提供理論依據。

[1] 王延倉, 張蕭譽, 金永濤, 顧曉鶴, 馮華, 王闖. 基于連續小波變換定量反演冬小麥葉片含水量研究. 麥類作物學報, 2020, 40: 503–509. Wang Y C, Zhang X Y, Jin Y T, Gu X H, Feng H, Wang C. Quantitative retrieval of water content in winter wheat leaves based on continuous wavelet transform., 2020, 40: 503–509 (in Chinese with English abstract).

[2] Ren B, Zhang J, Li X, Fan X, Dong S, Liu P, Zhao B. Effects of waterlogging on the yield and growth of summer maize under field conditions., 2014, 94: 23–31.

[3] Zhou H, Zhou G, Song X, He Q. Dynamic characteristics of canopy and vegetation water content during an entire maize growing season in relation to spectral-based indices., 2022, 14: 584.

[4] 任傳友, 姜卓群, 蘇小琁, 米前川, 王婧, 李玥, 高西寧. 水分脅迫/復水對谷子光合特性及產量影響. 應用氣象學報, 2021, 32: 456–467. Ren C Y, Jiang Z Q, Su X X, Mi Q C, Wang J, Li Y, Gao X N. Effect of water stress/rewatering on photosynthetic characteristics and yield of cereals., 2021, 32: 456–467 (in Chinese with English abstract).

[5] 馬雅麗, 郭建平, 欒青, 劉文平, 李蕊. 持續性水分脅迫對冬小麥光合特性及產量的影響. 氣象, 2022, 48: 1303–1311. Ma Y L, Guo J P, Luan Q, Liu W P, Li R. Effects of persistent water stress on photosynthetic characteristics and yield of winter wheat., 2022, 48: 1303–1311 (in Chinese with English abstract).

[6] 唐源, 王小平, 魯聰聰, 趙傳燕. 基于PROSAIL模型與光譜指數的紫花苜蓿冠層含水量估算. 蘭州大學學報(自然科學版), 2023, 59: 55–62. Tang Y, Wang X P, Lu C C, Zhao C Y. Estimating the canopy water content of alfalfa based on the PROSAIL model and spectral index.(Nat Sci Edn), 2023, 59: 55–62 (in Chinese with English abstract).

[7] Zhang F, Zhou G. Estimation of vegetation water content using hyperspectral vegetation indices: a comparison of crop water indicators in response to water stress treatments for summer maize., 2019, 19: 18.

[8] 江海英, 柴琳娜, 賈坤, 劉進, 楊世琪, 鄭杰. 聯合PROSAIL模型和植被水分指數的低矮植被含水量估算. 遙感學報, 2021, 25: 1025–1036. Jiang H Y, Chai L N, Jia K, Liu J, Yang S Q, Zheng J. Estimation of water content for short vegetation based on PROSAIL model and vegetation water indices., 2021, 25: 1025–1036 (in Chinese with English abstract).

[9] Wang Z L, Chen J X, Fan Y F, Cheng Y J, Wu X L, Zhang J W, Wang B B, Wang X C, Yong T W, Liu W G, Liu J, Du J B, Yang W Y, Yang F. Evaluating photosynthetic pigment contents of maize using UVE-PLS based on continuous wavelet transform., 2020, 169: 105160.

[10] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169: 1134–1142.

[11] Cheng T, Ria?o D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis., 2014, 143: 39–53.

[12] Liu H J, Li M Z, Zhang J Y, Gao D H, Sun H, Yang L W. Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method., 2018, 11: 132–137.

[13] Liu Y, Sun Q, Feng H K, Yang F Q. Estimation of above-ground biomass of potato based on wavelet analysis., 2021, 41: 1205–1212.

[14] Liu M, Liu X, Ding W, Wu L. Monitoring stress levels on rice with heavy metal pollution from hyperspectral reflectance data using wavelet-fractal analysis., 2010, 13: 246–255.

[15] Chen J X, Li F, Wang R, Fan Y F, Ali Raza M, Liu Q L, Wang Z L, Cheng Y J, Wu X L, Yang F, Yang W Y. Estimation of nitrogen and carbon content from soybean leaf reflectance spectra using wavelet analysis under shade stress., 2019, 156: 482–489.

[16] Tao H L, Feng H K, Xu L J, Miao M K, Yang G J, Yang X D, Fan L L. Estimation of the yield and plant height of winter wheat using UAV-based hyperspectral images., 2020, 20: 1231.

[17] Yue J B, Feng H K, Yang G J, Li Z H. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy., 2018, 10: 66.

[18] Zhang F, Zhou G S. Estimation of canopy water content by means of hyperspectral indices based on drought stress gradient experiments of maize in the North Plain China., 2015, 7: 15203–15223.

[19] Atzberger C, Darvishzadeh R, Immitzer M, Martin S, Andrew S, Guerric I M. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy., 2015, 43: 19–31.

[20] 陶惠林, 徐良驥, 馮海寬, 楊貴軍, 楊小冬, 牛亞超. 基于無人機高光譜遙感數據的冬小麥產量估算. 農業機械學報, 2020, 51(7): 146–155. Tao H L, Xu L J, Feng H K, Yang G J, Yang X D, Niu Y C. Winter wheat yield estimation based on UAV hyperspectral remote sensing data., 2020, 51(7): 146–155 (in Chinese with English abstract).

[21] 韓文霆, 彭星碩, 張立元, 牛亞曉. 基于多時相無人機遙感植被指數的夏玉米產量估算. 農業機械學報, 2020, 51(1): 148–155. Han W T, Peng X S, Zhang L Y, Niu Y X. Summer maize yield estimation based on vegetation index derived from multi- temporal UAV remote sensing., 2020, 51(1): 148–155 (in Chinese with English abstract).

[22] Jiang Y, Wei H, Hou S, Yin X, Wei S, Jiang D. Estimation of maize yield and protein content under different density and N rate conditions based on UAV multi-spectral images., 2023, 13: 421.

[23] Li Z H, Jin X L, Zhao C J, Wang J H, Xu X G, Yang G J, Li C J, Shen J X. Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing., 2015, 71: 53–62.

[24] Zhang C, Liu J G, Shang J L, Cai H J. Capability of crop water content for revealing variability of winter wheat grain yield and soil moisture under limited irrigation., 2018, 631–632: 677–687.

[25] Clevers J G P W, Kooistra L, Schaepman M E. Estimating canopy water content using hyperspectral remote sensing data., 2010, 12: 119–125.

[26] Blackburn G A, Ferwerda J G. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis., 2008, 112: 1614–1632.

[27] Nourani V, Baghanam A H, Adamowski J, Gebremichael M. Using self-organizing maps and wavelet transforms for space-time pre-processing of satellite precipitation and runoff data in neural network based rainfall-runoff modeling., 2013, 476: 228–243.

[28] Rivard B, Feng J, Gallie A, Sanchez-Azofeifa A. Continuous wavelets for the improved use of spectral libraries and hyperspectral data., 2008, 112: 2850–2862.

[29] Penuelas J, Filella I, Biel C S, Serrano L, Save R. The reflectance at the 950–970 nm region as an indicator of plant water status., 1993, 14: 1887–1905.

[30] Ceccato P, Gobron N, Flasse S, Pinty B, Tarantola S. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach., 2002, 82: 188–197.

[31] Ceccato P, Flasse S, Grégoire J M. Designing a spectral index to estimate vegetation water content from remote sensing data: part 2. Validation and applications., 2002, 82: 198–207.

[32] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie. In: Proceeding of the 8th International Symposium on Remote Sensing of the Environment, Michigan, Ann Arbor, Michigan USA,1972. pp 1355–1397.

[33] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor., 1969, 50: 663–666.

[34] Rouse J W, Haas R H, Schell J A, Deering D W. Monitoring vegetation systems in the great plains with erts., 1974, 351: 309–313.

[35] Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies., 2007, 62: 34–42.

[36] Oki K, Yasuoka Y. Estimation of chlorophyll-concentration in rich chlorophyll water area from near-infrared and red Spectral signature., 2009, 16: 315–323.

[37] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis., 2010, 115: 659–670.

[38] 林波, 楊玉靜. 利用連續統去除方法遙感反演冠層水分含量的比較研究. 氣象研究與應用, 2012, 33: 181–184. Lin B, Yang Y J. A comparative study of remote sensing inversion of canopy moisture content using the continuum removal method., 2012, 33: 181–184 (in Chinese with English abstract).

[39] Sims D A, Gamon J A. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features., 2003, 84: 526–537.

[40] 蘇濤, 王鵬新, 劉翔舸, 楊博. 基于熵值組合預測和多時相遙感的春玉米估產. 農業機械學報, 2011, 42(1): 186–192. Su T, Wang P X, Liu X G, Yang B. Spring maize yield estimation based on combination of forecasting of entropy method and multi-temporal remotely sensed data., 2011, 42(1): 186–192 (in Chinese with English abstract).

[41] 任麗雯, 劉明春, 王興濤, 丁文魁, 王潤元. 拔節和抽雄期水分脅迫對春玉米生長和產量的影響. 中國農學通報, 2019, 35(1): 17–22. Ren L W, Liu M C, Wang X T, Ding W K, Wang R Y. Water stress at jointing and tasseling stage: effect on growth and yield of spring maize., 2019, 35(1): 17–22 (in Chinese with English abstract).

[42] 白向歷, 孫世賢, 楊國航, 劉明, 張振平, 齊華. 不同生育時期水分脅迫對玉米產量及生長發育的影響. 玉米科學, 2009, 17(2): 60–63. Bai X L, Sun S X, Yang G H, Liu M, Zhang Z P, Qi H. Effect of water stress on maize yield during different growing stages., 2009, 17(2): 60–63 (in Chinese with English abstract).

[43] 李葉蓓, 陶洪斌, 王若男, 張萍, 吳春江, 雷鳴, 張巽, 王璞. 干旱對玉米穗發育及產量的影響. 中國生態農業學報, 2015, 23: 383–391. Li Y B, Tao H B, Wang R N, Zhang P, Wu C J, Lei M, Zhang X, Wang P. Effect of drought on ear development and yield of maize., 2015, 23: 383–391 (in Chinese with English abstract).

[44] 郭松, 常慶瑞, 鄭智康, 蔣丹垚, 高一帆, 宋子怡, 姜時雨. 基于無人機高光譜影像的玉米葉綠素含量估測. 江蘇農業學報, 2022, 38: 976–984. Guo S, Chang Q R, Zheng Z K, Jiang D Y, Gao Y F, Song Z Y, Jiang S Y. Estimation of maize chlorophyll content based on unmanned aerial vehicle (UAV) hyperspectral images., 2022, 38: 976–984 (in Chinese with English abstract).

[45] Mirzaie M, Darvishzadeh R, Shakiba A, Matkan A A, Atzberger C, Skidmore A. Comparative analysis of different uni-and multi-variate methods for estimation of vegetation water content using hyper-spectral measurements., 2014, 26: 1–11.

[46] Jiang Y, Wei H J, Hou S X, Yin X B, Wei S S, Jiang D. Estimation of maize yield and protein content under different density and N rate conditions based on UAV multi-spectral images., 2023, 13: 421.

[47] 祝榛, 李天勝, 崔靜, 陳建華, 史曉艷, 姜孟豪, 王海江. 基于高光譜成像估測冬小麥不同生育時期水分狀況. 新疆農業科學, 2022, 59: 521–532.Zhu Z, Li T S, Cui J, Chen J H, Shi X Y, Jiang M H, Wang H J. Study on estimation of water status of winter wheat in different growth stages based on hyperspectral imaging., 2022, 59: 521–532 (in Chinese with English abstract).

[48] Zhang Y, Yang Y Z, Zhang Q W, Duan R Q, Liu J Q, Qin Y C, Wang X Z. Toward multi-stage phenotyping of soybean with multimodal UAV sensor data: a comparison of machine learning approaches for leaf area index estimation., 2022, 15: 7.

Estimation of maize grain yield under drought stress based on continuous wavelet transform

ZOU Jia-Qi1, WANG Zhong-Lin1,2, TAN Xian-Ming1, CHEN Liao-Yuan1, YANG Wen-Yu1, and YANG Feng1,*

1College of Agronomy, Sichuan Agricultural University / Key Laboratory of Crop Ecophysiology and Farming System in Southwest, Ministry of Agriculture and Rural Affairs / Sichuan Engineering Research Center for Crop Strip Intercropping System, Chengdu 611130, Sichuan, China;2Rice Research Institute, Sichuan Agricultural University, Chengdu 611130, Sichuan, China

The use of hyperspectral remote sensing technology to monitor crop water status and grain yield is important for regulating crop growth, optimizing water management and improving yield formation. Zhenghong 505 was selected as the maize variety in this study, to analyze the quantitative relationship between canopy water content (CWC) and grain yield of maize at jointing stage (V6), tasseling stage (VT), and filling stage (R2), four drought stress treatments (well-watered, mild, intermediate and severe drought) were conducted in the experimental fields of Ya’an and Renshou in Sichuan Province from 2018 to 2019. The spectral reflectance data were processed using vegetation indices and continuous wavelet transform, and a linear regression method was used to construct a quantitative CWC inversion model to explore the effectiveness of CWC as a bridge to establish a spectral inversion model for maize grain yield estimation. The results showed that the CWC estimation models using wavelet features was better than that of vegetation indices, and the linear regression models constructed with wavelet features gaus3770,64, rbio3.31635,2and rbio3.3838,2at the V6, VT, and R2 stages had high test accuracy with the2of 0.770, 0.291, and 0.233, respectively. The linear regression models established between CWC and maize grain yield all reached highly significant levels (< 0.01), with2of 0.596, 0.366 and 0.439 at the V6, VT, and R2 stages, respectively. The yield prediction model based on the basis of spectral reflectance was the best validated with the wavelet feature gaus3770,64(2= 0.577, RMSE = 1.625 t hm–2) at V6 stage, which can be used as the best period for predicting maize grain yield. Therefore, the “spectral reflectance-canopy water content-yield” modeling method proposed in this study can achieve an accurate estimation of maize grain yield and provide a theoretical basis for future large-scale monitoring of maize productivity.

maize; grain yield; canopy water content; vegetation indices; wavelet features

10.3724/SP.J.1006.2024.33030

本研究由國家重點研發計劃項目(2022YFD2300902)資助。

This study was supported by the National Key Research and Development Program of China (2022YFD2300902).

楊峰, E-mail: f.yang@sicau.edu.cn, Tel: 028-86290867

E-mail: 987732088@qq.com

2023-05-13;

2023-10-23;

2023-11-15.

URL: https://link.cnki.net/urlid/11.1809.S.20231115.1151.006

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).