張玉萍， 馬占鴻

(1.北京交通大學(xué)中國產(chǎn)業(yè)安全研究中心博士后科研工作站，北京 100044;2.中國農(nóng)業(yè)大學(xué)植物病理學(xué)系，北京 100193)

小麥?zhǔn)侵袊匾Z食作物之一，其產(chǎn)量對保障中國糧食安全有重要意義，及時掌握小麥估產(chǎn)信息可以輔助政府相關(guān)部門進行科學(xué)管理及決策。由于中國小麥種植面積大，統(tǒng)計上報比較費時，而遙感技術(shù)以其大尺度、信息量大等特點，在農(nóng)作物面積、長勢的宏觀監(jiān)測和估產(chǎn)方面有廣泛應(yīng)用［1-5］，在小麥估產(chǎn)方面的研究也越來越多。

選取與產(chǎn)量相關(guān)性高的光譜指數(shù)在小麥遙感估產(chǎn)模型研究中至關(guān)重要。已有關(guān)于小麥遙感估產(chǎn)的研究多是在均一種植條件下進行的，并且也取得不少研究成果。例如，有研究者發(fā)現(xiàn)，歸一化差值光譜指數(shù)與產(chǎn)量在各個生育期都達到了顯著或極顯著相關(guān)水平［6］。但是在小麥實際生長過程中，天氣、土壤、水分［7-8］、氮肥［9］、病害［10-11］等都會對小麥的長勢造成影響。馮偉等研究發(fā)現(xiàn)葉片氮含量和氮積累量及葉面積氮指數(shù)在拔節(jié)至成熟期的累積值與成熟期籽粒產(chǎn)量的回歸擬合效果最好［12］。在綜合小麥產(chǎn)量形成過程與氣候環(huán)境條件關(guān)系的基礎(chǔ)上，可以建立較為簡化的基于遙感信息的小麥估產(chǎn)模型［13］?；旆N小麥在條銹病脅迫條件下可以利用歸一化植被指數(shù)(NDVI)進行產(chǎn)量估計［14］。由于小麥生態(tài)環(huán)境的復(fù)雜性，有必要研究多變量下小麥估產(chǎn)模型。本研究中，通過人為設(shè)置小麥條銹病病情及施氮量差異，研究條銹病及施氮量不均一條件下，一階微分參數(shù)和植被指數(shù)在小麥遙感估產(chǎn)中的應(yīng)用，評估利用單個小麥品種和3個小麥品種數(shù)據(jù)構(gòu)建的小麥估產(chǎn)模型的適用情況。

1 材料與方法

1.1 田間設(shè)計

試驗田位于北京市海淀區(qū)上莊試驗站。2009—2010年試驗，采用小麥品種京冬8號，氮素(純氮)水平為0 kg/hm2(N1)、75 kg/hm2(N2)、150 kg/hm2(N3)、225 kg/hm2(N4)、300 kg/hm2(N5)，小區(qū)面積為4 m×2 m，每個處理3次重復(fù)，隨機區(qū)組排列。2010-2011年試驗，采用小麥品種京冬8號、京0045、中麥12，氮素(純氮)水平為0 kg/hm2(N1)、150.0 kg/hm2(N2)、300.0 kg/hm2(N3)、450.0 kg/hm2(N4)，每個處理2次重復(fù)，隨機區(qū)組排列。氮肥選用尿素，分3次施入，分別為播種前撒施60%，返青期、拔節(jié)期各施20%。

1.2 光譜測定方法

于晴天上午9∶00-12∶00進行光譜數(shù)據(jù)采集，采用ASD Field spec PR1075(325～1 075 nm)手持式野外光譜儀。光譜儀距地面1.3 m，光譜儀探頭視場角為25°，每個小區(qū)光譜數(shù)據(jù)采集后還要采集白板的光譜數(shù)據(jù)以便校正。

1.3 產(chǎn)量測定方法

每個小區(qū)隨機選取3個點，每點剪取面積0.5 m×0.5 m的小麥植株，脫粒后稱質(zhì)量，估算小麥產(chǎn)量。

1.4 光譜數(shù)據(jù)計算

采用7個一階微分參數(shù)，分別為SDr(紅光一階微分參數(shù)總和)、SDg(綠光一階微分參數(shù)總和)、SDb(藍光一階微分參數(shù)總和)、SDr/SDg(紅光波段一階微分參數(shù)總和與綠光波段一階微分參數(shù)總和的比值)、SDr/SDb(紅光波段一階微分參數(shù)總和與藍光波段一階微分參數(shù)總和的比值)、(SDr-SDb)/ (SDr+SDb)(紅光與藍光波段一階微分參數(shù)總和的歸一化值)、(SDr-SDg)/(SDr+SDg)(紅光與綠光波段一階微分參數(shù)總和的歸一化值)，另外還采用了6個植被指數(shù)，分別為REIP(紅邊拐點)、NDVI(歸一化植被指數(shù))、RVI(比值植被指數(shù))、IRG(紅外綠光植被指數(shù))、IRI(紅外指數(shù))、GR(綠光紅光比指數(shù))。根據(jù)光譜反射率計算各波段的一階微分參數(shù)值，某一波段的一階微分參數(shù)值是下一波段與前一波段的反射率之差再除以2倍采樣間隔，本研究中光譜儀的采樣間隔是1 nm，植被指數(shù)的計算方法參照文獻［15］。

1.5 模型構(gòu)建

在本研究中，主要采用氮素水平、產(chǎn)量數(shù)據(jù)，以及小麥抽穗期、開花期、灌漿期、乳熟期的光譜數(shù)據(jù)。由于小麥產(chǎn)量是小麥多個生育時期長勢的綜合結(jié)果，所以在模型構(gòu)建中，將產(chǎn)量同時與4個生育時期(抽穗期、開花期、灌漿期、乳熟期)的7個一階微分參數(shù)和6個植被指數(shù)進行回歸分析?；貧w分析采用SAS軟件中的向前回歸分析模塊，根據(jù)回歸分析結(jié)果進行因子挑選及估產(chǎn)模型的構(gòu)建，除此之外，為了研究氮素對估產(chǎn)模型的影響，將氮素作為一個變量。建模數(shù)據(jù)來源分別是:2011年京冬8號、京0045、中麥12單一品種的產(chǎn)量及光譜數(shù)據(jù)，以及2011年京冬8號、京0045、中麥12 3個品種的產(chǎn)量及光譜數(shù)據(jù)。在SAS軟件中所應(yīng)用的程序語句如下:

上述程序語句中，y表示產(chǎn)量，a、b、c、d分別代表小麥抽穗期、開花期、灌漿期、乳熟期，1、2、3、4、5、6、7、8、9、10、11、12、13分別代表6個植被指數(shù)REIP、NDVI、RVI、IRG、IRI、GR及7個一階微分參數(shù)SDb、SDg、SDr、SDr/SDb、SDr/SDg、(SDr-SDb)/ (SDr+SDb)、(SDr-SDg)/(SDr+SDg)，n表示氮素。

2 結(jié)果與分析

2.1 小麥估產(chǎn)回歸模型

經(jīng)過回歸分析，以P≤0.05，建模因子少于3個為標(biāo)準(zhǔn)挑選模型，利用2011年單一品種京冬8號和2011年3個品種京冬8號、京0045、中麥12的相關(guān)數(shù)據(jù)各構(gòu)建了1個模型，利用2011年京0045、中麥12的單一品種相關(guān)數(shù)據(jù)各構(gòu)建了2個模型，共構(gòu)建了6個估產(chǎn)模型(表1)。從表1可以看出6個估產(chǎn)模型中均沒有氮素因子，說明氮素對估產(chǎn)模型沒有影響，或者影響沒有達到顯著水平。6個模型中，R2最高的是3號模型，同時其P值最小;R2最低的是6號模型，其P值也較大。

表1 小麥估產(chǎn)回歸模型Table 1 Wheat yield estimation regression models

2.2 模型檢驗

為了檢驗表1中的6個估產(chǎn)模型的適用性情況，分別檢驗了模型的擬合效果及預(yù)測效果，擬合效果的檢驗采用構(gòu)建模型的數(shù)據(jù)，預(yù)測效果的檢驗采用2010年京冬8號的相關(guān)數(shù)據(jù)。6個模型的擬合效果如圖1所示，從圖1中可以看出6個模型中，模型6的擬合曲線R2最低(0.170)，其余模型的R2均較高。

對6個模型采用2010年京冬8號的相關(guān)數(shù)據(jù)進行預(yù)測效果檢驗，6個估產(chǎn)模型的預(yù)測效果如圖2所示。與擬合效果相比較，6個模型整體的預(yù)測效果沒有擬合效果好，但是模型6的預(yù)測效果比起擬合效果好，模型1的預(yù)測效果雖然沒有其擬合效果好，但是在6個模型中其R2最高，其余4個模型的預(yù)測效果與其擬合效果相比有較大差異。由于模型1的建模數(shù)據(jù)來源于2011年京冬8號，而6個模型預(yù)測效果檢驗所采用的數(shù)據(jù)均為2010年京冬8號的數(shù)據(jù)，所以模型的預(yù)測效果檢驗結(jié)果說明估產(chǎn)模型品種間適用性較差，而模型6采用了3個品種的數(shù)據(jù)，一定程度上提高了模型的預(yù)測效果。

3 討論

圖1 小麥估產(chǎn)模型擬合效果Fig.1 Fitting result of wheat yield estimation models

圖2 小麥估產(chǎn)模型預(yù)測效果Fig.2 Forecast results of wheat yield estimation models

本研究通過設(shè)置不同小麥條銹病病情和施氮量水平的處理，研究小麥遙感估產(chǎn)模型，共建立6個小麥估產(chǎn)模型，擬合效果(R2)普遍較高，但模型的預(yù)測效果整體上沒有擬合效果好，這是由于擬合效果檢驗采用了模型構(gòu)建的數(shù)據(jù)，但是預(yù)測效果更能顯示模型的適用范圍。預(yù)測效果檢驗結(jié)果顯示，構(gòu)建的估產(chǎn)模型預(yù)測效果存在品種間差異。當(dāng)建模及檢驗的數(shù)據(jù)來自同一品種(京冬8號)時，所構(gòu)建的模型1擬合效果(R2=0.655)和預(yù)測效果(R2= 0.419)較穩(wěn)定，特別是預(yù)測效果在6個模型中是最好的;而利用京0045、中麥12的數(shù)據(jù)構(gòu)建的模型2和模型5，擬合效果和預(yù)測效果差別較大，尤其以模型3的產(chǎn)量擬合效果(R2=0.966)、預(yù)測效果(R2= 0.152)以及模型5的產(chǎn)量擬合效果(R2=0.915)、預(yù)測效果(R2=0.077)差異較大。說明利用不同品種數(shù)據(jù)構(gòu)建的模型，品種間適用性不佳。而利用3個品種數(shù)據(jù)構(gòu)建的模型6擬合效果(R2=0.170)較差，可能是由于挑選的因子過少(只有1個)，雖然這個因子對模型的影響是顯著的，但是并不能完全反映小麥長勢，如果增加模型因子也許會提高模型擬合效果。模型6的預(yù)測效果(R2=0.405)僅次于模型1，一定程度上說明采用多品種數(shù)據(jù)構(gòu)建估產(chǎn)模型，可以提高預(yù)測效果。

預(yù)測效果較好的模型1采用了灌漿期紅邊一階微分參數(shù)(SDr)和乳熟期植被指數(shù)紅邊拐點(REIP)，模型6采用了乳熟期植被指數(shù)紅外指數(shù)(IRI)，相對于普遍采用的歸一化植被指數(shù)(NDVI)［16-17］，我們在利用一階微分參數(shù)進行估產(chǎn)方面進行了探索性研究。本研究還探討了在條銹病發(fā)病程度及施氮量差異的情況下構(gòu)建估產(chǎn)模型，為研究多種栽培條件下的小麥估產(chǎn)模型、提高估產(chǎn)模型的適用范圍進行了初步研究。本研究的估產(chǎn)模型沒有挑選到氮素因子，可能是氮素對估產(chǎn)模型影響不顯著。當(dāng)然遙感估產(chǎn)最終是要在高空甚至衛(wèi)星層面上應(yīng)用，在采用高空甚至衛(wèi)星遙感進行估產(chǎn)時有沒有必要研究氮素因子的影響還需進一步研究，建議在進行高空、衛(wèi)星遙感估產(chǎn)研究時評估氮素、病蟲害、品種等對估產(chǎn)模型的影響，以提高模型的適用范圍。在實際生產(chǎn)過程中，小麥生長會受到多種因素的影響，本研究中模型估產(chǎn)效果說明，估產(chǎn)模型在品種間還存在適用差異。本研究的估產(chǎn)模型是在有限數(shù)據(jù)基礎(chǔ)上建立的，模型的可靠性還有待進一步檢驗，模型還有待優(yōu)化?？傊←湽喇a(chǎn)模型普適性研究是一個復(fù)雜的工作，需要考慮多種因素。

［1］ 王麗愛，譚昌偉，馬 昌，等.農(nóng)情信息遙感監(jiān)測預(yù)報模型構(gòu)建算法研究進展［J］.江蘇農(nóng)業(yè)科學(xué)，2013，41(11):1-5..

［2］ 熊德蘭.基于遙感的農(nóng)作物長勢模板數(shù)據(jù)庫構(gòu)建［J］.江蘇農(nóng)業(yè)科學(xué)，2014，42(8):411-414.

［3］ 李章成，李源洪，魏 來，等.基于SPOT5影像分析植被指數(shù)與水稻葉面積指數(shù)和產(chǎn)量的相關(guān)性［J］.江蘇農(nóng)業(yè)科學(xué)，2014，42(1):284-286.

［4］ 陳燕麗，鐘仕全，莫建飛，等.HJ-1星水稻生育期長勢動態(tài)監(jiān)測研究［J］.江蘇農(nóng)業(yè)科學(xué)，2013，41(7):339-342.

［5］ 王慶林，李衛(wèi)國，王榮富.基于不同時相遙感的冬小麥種植面積的提?。跩］.江蘇農(nóng)業(yè)學(xué)報，2014，30(6):1286-1291.

［6］ 劉良云，宋曉宇，李存軍，等.冬小麥病害與產(chǎn)量損失的多時相遙感監(jiān)測［J］.農(nóng)業(yè)工程學(xué)報，2009，25(1):137-143.

［7］ 姚付啟，蔡煥杰，孫金偉，等.不同水氮條件下冬小麥高光譜特征差異性分析［J］.長江科學(xué)院院報，2015，32(3):95-98.

［8］ TILLING A K，O LEARY G J，F(xiàn)ERWERDA J G，et al.Remote sensing of nitrogen and water stress in wheat［J］.Field Crops Research，2007，104(1):77-85.

［9］ 馮 偉，朱 艷，姚 霞，等.利用紅邊特征參數(shù)監(jiān)測小麥葉片氮素積累狀況［J］.農(nóng)業(yè)工程學(xué)報，2009，25(11):194-201.

［10］張競成，李建元，楊貴軍，等.基于光譜知識庫的TM影像冬小麥條銹病監(jiān)測研究［J］.光譜學(xué)與光譜分析，2010，30(6): 1579-1585.

［11］王 爽，馬占鴻，孫振宇，等.基于高光譜遙感的小麥條銹病脅迫下的產(chǎn)量損失估計［J］.中國農(nóng)學(xué)通報，2011，27(21): 253-258.

［12］馮 偉，朱 艷，田永超.基于高光譜遙感的小麥籽粒產(chǎn)量預(yù)測模型研究［J］.麥類作物學(xué)報，2007，27(6):1076-1084.

［13］李衛(wèi)國，王紀(jì)華，趙春江，等.基于遙感信息和產(chǎn)量形成過程的小麥估產(chǎn)模型［J］.麥類作物學(xué)報，2007，27(5):904-907.

［14］王 爽，黃 沖，孫振宇，等.基于高光譜遙感估測條銹病下的混種小麥產(chǎn)量分析［J］.農(nóng)業(yè)工程學(xué)報，2010，26(7): 199-204.

［15］張玉萍，馬占鴻.氮素和小麥條銹病脅迫下小麥高光譜遙感估產(chǎn)模型研究［J］.中國農(nóng)學(xué)通報，2014，30(36):133-140.

［16］李衛(wèi)國，趙麗花.中高分辨率遙感影像在小麥監(jiān)測中的比較［J］.江蘇農(nóng)業(yè)學(xué)報，2011，27(4):736-739.

［17］朱再春，陳聯(lián)裙，張錦水，等.基于信息擴散和關(guān)鍵期遙感數(shù)據(jù)的冬小麥估產(chǎn)模型［J］.農(nóng)業(yè)工程學(xué)報，2011，27(2): 187-193.