陳智芳，宋妮，王景雷，孫景生

?

基于高光譜遙感的冬小麥葉水勢估算模型

陳智芳，宋妮，王景雷，孫景生

（中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所/農(nóng)業(yè)部作物需水與調(diào)控重點實驗室，河南新鄉(xiāng) 453002）

【目的】采用高光譜技術(shù)，建立快速、無損與準(zhǔn)確獲取冬小麥葉水勢的估算模型，為小麥灌溉的精確管理提供科學(xué)依據(jù)?！痉椒ā坷貌煌痔幚淼拇筇镌囼?，于小麥主要生育期同步測定冠層光譜反射率、葉水勢、土壤水分等信息，并探討高光譜植被指數(shù)與冬小麥葉水勢之間的定量關(guān)系。通過相關(guān)性分析、回歸分析等方法，基于不同水分處理，構(gòu)建4種植被指數(shù)與冬小麥葉水勢的估算模型?！窘Y(jié)果】不同水分處理和不同生育期的冬小麥，其冠層光譜反射率具有顯著的變化特征。在可見光波段，冬小麥冠層反射率隨著水分含量的增加而逐漸降低，而在近紅外波段，其冠層反射率則隨著土壤水分含量的增加而升高。隨著小麥生育期的推進(jìn)，在近紅外波段，抽穗期的冠層反射率比拔節(jié)期的高，在灌漿期之后，紅波段（670 nm）、藍(lán)波段（450 nm）的反射率上升加快；4種植被指數(shù)與葉水勢顯著相關(guān)（＜0.05），相關(guān)系數(shù)||均在0.711以上，四者均可用于冬小麥葉片水勢的定量監(jiān)測。在充分供水條件下（70% FC），植被指數(shù)OSAVI和EVI2與葉水勢的相關(guān)系數(shù)||（分別為0.75和0.771）均低于植被指數(shù)NDVI和RVI與葉水勢的相關(guān)系數(shù)||（分別為0.808和0.896），而在重度水分虧缺條件下（50% FC），植被指數(shù)OSAVI和EVI2與葉水勢的相關(guān)系數(shù)||（分別為0.857和0.853）均高于植被指數(shù)NDVI和RVI與葉水勢的相關(guān)系數(shù)||（分別為0.711和0.792）；所建模型對45個未知樣的預(yù)測結(jié)果與實測值相似度較高，其回歸模型2、驗證模型、的范圍分別為0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70% FC水分處理下，基于EVI2（enhanced vegetation index）所得葉水勢估算模型的2最高，為0.922,而在60% FC和50% FC水分處理下，由于考慮了土壤背景的影響，基于OSAVI所建模型的2最高，分別為0.922和0.856?！窘Y(jié)論】4種植被指數(shù)均可用于冬小麥葉水勢的定量監(jiān)測。但是，在構(gòu)建不同水分處理的葉水勢估算模型時，應(yīng)考慮土壤背景對冠層光譜的影響。研究結(jié)果可以為小麥精準(zhǔn)灌溉管理提供技術(shù)依據(jù)，為星載數(shù)據(jù)的參數(shù)反演提供模型支持。

高光譜遙感；冬小麥；植被指數(shù)；葉水勢；估算

0 引言

【研究意義】水勢是指示植物水分狀況的一個重要生理指標(biāo)，其變化規(guī)律是對植物外界環(huán)境條件變化的綜合反映，它直接體現(xiàn)植物在生長季節(jié)各種生理活動受環(huán)境條件的制約程度，并能夠提供作物生長過程中對干旱最直接的反應(yīng)[1-2]。由于葉水勢的變化除了受水文條件、作物布局、作物特點、生長狀況、耕作制度等因素的影響外，還隨著氣象條件的變化而變化。同時，監(jiān)測過程費時、費力，目前僅限于小范圍的點上觀測。因此，尋求一種快速監(jiān)測作物葉片水勢的方法，對于提高水分利用效率，優(yōu)化灌溉方案顯得十分必要?！厩叭搜芯窟M(jìn)展】高光譜遙感技術(shù)是精準(zhǔn)農(nóng)業(yè)生產(chǎn)體系的重要組成部分，憑借其波段連續(xù)性強，光譜分辨率高的優(yōu)勢，為快速檢測作物生態(tài)生理參數(shù)的實時無損監(jiān)測提供了可能。目前，利用高光譜遙感技術(shù)，國內(nèi)外學(xué)者主要針對葉綠素[3-5]、氮含量[6-12]、磷含量[13-15]、覆蓋度[16-17]、葉面積指數(shù)[18-20]、光合有效輻射[21-22]、生物量[23-24]等參數(shù)進(jìn)行了研究，而對于葉片水勢估算方面的研究較少。國內(nèi)外學(xué)者，利用高光譜信息已經(jīng)建立了水稻、甘蔗、葡萄的葉水勢估算模型。其中，利用比值指數(shù)與歸一化指數(shù)的比值，田永超等[25]實現(xiàn)了水稻葉水勢的估算和植株水分狀況的實時、快速監(jiān)測，并定量確定了水稻的水分狀況。利用冠層光譜反射率，陳海波等[26-27]基于RVI/NDVI、VI1和NDVI1植被指數(shù)建立了甘蔗葉水勢估算模型，并對模型的預(yù)測效果進(jìn)行檢驗。文中雖然設(shè)置了水分處理，但是沒有建立不同水分處理下的葉水勢估算模型。綜合考慮溫度的影響，Vila 等[28]利用高光譜遙感技術(shù)對葡萄葉水勢進(jìn)行了估算，通過反射率計算得到NDVI和WI，建立了葉水勢的多元回歸模型。Rodríguez-Pérez等[29]利用光譜反射率，計算得到四種植被指數(shù)MDB970、BA1600、RGI（R695/R554）和SIPI（structure intensive pigment index），建立了葉水勢的線性回歸模型，決定系數(shù)2在0.477—0.619之間。除了利用高光譜信息進(jìn)行葉水勢的反演外，為了獲取大面積的植株葉水勢狀況，張杰等[30]利用中分辨率成像光譜儀MODIS數(shù)據(jù)，采用能量平衡原理，估算出了蒸騰速率，并結(jié)合大氣水勢和葉、氣阻抗的估算，建立了葉水勢的遙感估算模型。但是，估算模型所需參數(shù)較多，并且模型中的參數(shù)也是通過估算得到，反演過程中的累計誤差，可能會影響葉片水勢的估算精度?！颈狙芯壳腥朦c】上述研究表明，利用光譜測量技術(shù)和植株的光譜特征進(jìn)行葉片水勢的無損估測是可行的。但前人提出的估算葉片水勢的適宜特征光譜及參數(shù)，因作物及試驗條件的不同而有所差異，同時，這些敏感指數(shù)的可靠性及其在冬小麥作物上的適應(yīng)性還需要進(jìn)一步測試和驗證。此外，已有研究雖然已建立了區(qū)域尺度上的小麥葉水勢估算模型，但是采用高光譜信息進(jìn)行小麥葉水勢的估算，并充分考慮水分的影響還需進(jìn)一步研究?！緮M解決的關(guān)鍵問題】本研究以不同水分處理下的小麥大田試驗為基礎(chǔ)，綜合分析小麥葉片高光譜參數(shù)與葉片水勢之間的定量關(guān)系，以期構(gòu)建具有一定普適性的小麥葉片水勢估算模型，為小麥精準(zhǔn)灌溉管理提供技術(shù)依據(jù)和星載數(shù)據(jù)的參數(shù)反演提供模型支持，并為小麥水分脅迫探測提供新途徑，以便為及時、準(zhǔn)確地采取田間管理措施提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)域概況

試驗于2015—2016年在中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所七里營試驗基地進(jìn)行（35°18′N，113°54′E）。該區(qū)域地勢平坦，海拔73.2 m，年均氣溫為14.1℃，年均降雨量582 mm，年均蒸發(fā)量2 000 mm，日照時數(shù)2 398.8 h，無霜期210 d。試驗基地土壤類型為壤土類，0—1 m土層平均土壤容重1.51 g·cm-3，田間持水量20.5%（質(zhì)量含水量），地下水埋深大于5 m。該區(qū)域光熱資源豐富，耕作制度以一年兩熟為主。

供試作物為冬小麥，品種為“百農(nóng)207”，于2015年10月22日播種，2016年6月6日收獲。采用機械播種，基本苗為225萬株/hm2，行距為20 cm，前茬作物為夏玉米。播前玉米秸稈還田，深耕25—30 cm，施磷酸二胺（純N量為135 kg?hm-2，純P2O5量為345 kg?hm-2）作為底肥，施用量為750 kg?hm-2。拔節(jié)期后追施尿素（純N量為139.2 kg?hm-2），施用量為300 kg?hm-2。于拔節(jié)期后開始進(jìn)行控水處理，直至冬小麥?zhǔn)斋@。灌水水平以占田間持水量百分比控制，當(dāng)EM50土壤水分監(jiān)測數(shù)據(jù)達(dá)到下限時（分別為70% FC、60% FC 和 50% FC），則開始灌水，灌溉方式采用地面畦灌，灌水量用水表計量。試驗小區(qū)面積為54 m2（15 m×3.6 m），保護(hù)行寬度為3.6 m，每個處理重復(fù)3次。

1.2 測定項目與方法

1.2.1 土壤含水量的測定 土壤含水量采用EM50（Decagon公司，美國）土壤水分傳感器進(jìn)行實時、連續(xù)采集。每一個生育期，采用取土烘干法測定 0—100 cm土層的土壤含水量，每20 cm為一層，利用取土數(shù)據(jù)對采集的傳感器數(shù)據(jù)進(jìn)行校正。

1.2.2 冠層高光譜測定 以Field Spec Handheld地物光譜儀（ASD公司產(chǎn)品，光譜范圍350 nm—1 075 nm；分辨率3.5 nm，采樣間隔 1.6 nm，視場角為25°）采集拔節(jié)后至乳熟期小麥的冠層光譜。光譜采集時間安排在10：00—12：00，選擇晴朗無云，風(fēng)力小于3級的天氣進(jìn)行；工作人員著深色服裝，面向太陽立于目標(biāo)區(qū)后方；傳感器采用25°視場角探頭，置于冠層上方1.0 m處，與冠層面保持垂直；每一處理重復(fù)測量15次，每隔0.5 h 用參考板對儀器進(jìn)行一次校正。光譜采集完畢后均采用小波閾值去噪法消噪。共采集樣本195 份，隨機選取150 份用于建立模型（訓(xùn)練集），剩下的45 份用于檢驗?zāi)Ｐ停A(yù)測集）。

1.2.3 葉水勢的測定 采用植物水勢儀（Model 600，美國）測定葉片水勢，在小麥抽穗前測倒二葉，抽穗后測倒一葉，測定時間為早上6：00—7：00，每個處理測定15 片。

1.3 植被指數(shù)及擬合模型的選擇

本文選取以下4種植被指數(shù)，以葉片水勢為因變量，植被指數(shù)為自變量，建立冬小麥葉片水勢高光譜遙感估算模型。不同植被指數(shù)計算公式及來源見表1。

表1 高光譜植被指數(shù)計算公式

R810、R800、R680、R670、R660分別為 810、800、680、670、660 nm 波段的光譜反射率

R810、R800、R680、R670、R660 is spectral reflectance of 810, 800, 680, 670, 660 nm, respectively

1.4 數(shù)據(jù)處理與分析

將試驗所得數(shù)據(jù)，依據(jù)不同水分處理，利用Excel 2010將葉片水勢和冠層光譜反射率數(shù)據(jù)分別匯總。用ViewSpec軟件對冠層光譜反射率進(jìn)行預(yù)處理，在325—1 075 nm波段范圍內(nèi)，構(gòu)建由任意兩個波段的原始光譜組合而成的光譜指數(shù)，用DPS軟件分析它們與葉片水勢的關(guān)系，建立監(jiān)測模型。采用相關(guān)系數(shù)、確定性系數(shù)2、平均相對誤差（）和均方根誤差（），對估算模型和驗證模型的效果進(jìn)行統(tǒng)計檢驗。

（2）

式中，x為葉水勢模擬值；y為葉水勢實測值；為樣本序數(shù)，=1,2,…,；、分別為葉水勢模擬值和實測值的均值；為樣本數(shù)。

2 結(jié)果

2.1 不同水分處理下冬小麥葉水勢的變化特征

不同水分處理下，2016年4月26日和2016年5月11日冬小麥葉片水勢的日變化如圖1所示。由圖1可知，不同水分處理下，2016年4月26日葉水勢的日變化趨勢相似，早晨和傍晚較大，中午前后較小，基本呈拋物線型，9：00左右葉水勢最高，隨著太陽輻射的增強和氣溫的升高，空氣相對濕度逐漸下降，葉水勢下降，于13：00左右降到最低，此后隨著太陽輻射的減弱和氣溫的降低，大氣蒸發(fā)減小，葉水勢逐漸回升。2016年5月11日的葉水勢，在9：00—10：00左右降到最低。

圖1 冬小麥不同水分處理下葉水勢日變化曲線

2.2 不同水分處理下的冬小麥冠層光譜反射率

不同水分處理顯著影響冬小麥植株的生長，雖然其光譜特征的總體趨勢一致，但其冠層反射率存在差異。由圖2可知，隨著水分含量的增加，在可見光波段（400—700 nm），冬小麥冠層反射率逐漸降低；在近紅外波段（750—950 nm），冬小麥冠層反射率則隨著土壤水分含量的增加而升高。在冬小麥的不同生育期，其冠層光譜反射率也不盡相同。從拔節(jié)期到抽穗期，隨著生物量的增多，冠層結(jié)構(gòu)差異性的增大，在近紅外波段，抽穗期的冠層反射率比拔節(jié)期的反射率高。在灌漿期之后，葉片已經(jīng)不能進(jìn)行較強的光合作用，下部葉片不斷衰老、死亡，LAI持續(xù)下降，綠色葉片內(nèi)的營養(yǎng)物質(zhì)向穗部轉(zhuǎn)移，葉綠素分解，葉片轉(zhuǎn)黃，而且繼續(xù)向穗部提供養(yǎng)分，冠層葉綠素迅速減少，紅波段（670 nm）、藍(lán)波段（450 nm）的反射率上升加快。此時，小麥在綠色波段（550 nm）的反射率仍然比在紅光和藍(lán)光波段的反射率大，在可見光區(qū)域仍有一個小的反射峰，隨小麥生育進(jìn)程的推進(jìn)，紅光與藍(lán)光波段的反射率逐漸增加，在550 nm 的綠色反射峰逐漸變得不明顯。

2.3 冬小麥光譜指數(shù)與葉水勢的相關(guān)性

依據(jù)表1中的公式計算植被指數(shù)，并將試驗數(shù)據(jù)按照不同水分處理，分析拔節(jié)期至乳熟期植被指數(shù)與葉水勢的相關(guān)性（=195），如表2所示，4種植被指數(shù)與葉水勢的相關(guān)性均達(dá)到了顯著相關(guān)水平（＜0.05），||在0.711—0.857范圍內(nèi)，按照統(tǒng)計學(xué)規(guī)定，相關(guān)系數(shù)在0.5≤||＜0.8范圍，植被指數(shù)與葉水勢達(dá)到中度相關(guān)，相關(guān)系數(shù)||≥0.8，植被指數(shù)與葉水勢達(dá)到高度相關(guān)。表明4種植被指數(shù)均能用來估算冬小麥葉水勢，可作為構(gòu)建冬小麥葉水勢估算模型的參數(shù)。

圖2 冬小麥不同生育期及不同水分處理下的冠層光譜反射率

表2 植被指數(shù)與葉水勢的相關(guān)性

**和*分別表示在0.01和0.05水平上顯著

**and*indicate significant at 0.01 and 0.05 levels

2.4 葉水勢估算模型的擬合與驗證

利用OSAVI、EVI2、NDVI和RVI四種植被指數(shù)構(gòu)建的葉水勢估算模型可知（表3），基于4種植被指數(shù)建立的葉水勢估算模型，70% FC的2在0.819—0.922范圍內(nèi)，60% FC的2在0.890—0.922范圍內(nèi)，50%FC的2在0.616—0.856范圍內(nèi)。驗證模型的范圍為-17.50%—-12.52%，的范圍為0.102—0.214?；?種植被指數(shù)構(gòu)建的葉水勢估算模型，其2大部分都在0.8以上，只有在50% FC水分處理下，利用EVI2、NDVI和RVI建立的估算模型，其2低于0.8，分別為0.765、0.616和0.724。在70% FC水分處理下，基于EVI2所得葉水勢估算模型的2最高，為0.922，而在60% FC和50% FC水分處理下，2最高的都是基于OSAVI所建模型，分別為0.922和0.856。

3 討論

利用植被指數(shù)估算冬小麥葉水勢，是定量遙感和小麥精準(zhǔn)灌溉管理的重要研究方向。本文對黃淮海地區(qū)冬小麥實地測量，對比分析了多種植被指數(shù)估算葉水勢的效果。由于葉水勢參數(shù)估算受土壤水分、植被類型、冠層結(jié)構(gòu)及土壤下墊面等多因素的影響，國內(nèi)外研究結(jié)果有一定的差異。

2016年5月11日的葉水勢在9：00—10：00左右降到最低，其原因可能是不同季節(jié)的日照時間和晝夜溫差等氣象因子，使得不同時期葉水勢日變化曲線的坡度峰值出現(xiàn)時間略有不同[35-36]。

表3 冬小麥葉水勢估算模型的擬合與驗證

不同水分處理影響冬小麥植株的生長，進(jìn)而影響其冠層反射率。隨著水分含量的增加，在可見光波段（400—700 nm），冬小麥冠層反射率逐漸降低，而在近紅外波段（750—950 nm），則隨著土壤水分含量的增加而升高。其主要原因是，干旱脅迫導(dǎo)致葉面積減少，葉綠素遭到破壞，細(xì)胞代謝失調(diào)，細(xì)胞膜系統(tǒng)受到損傷，使其膜透性增高。同時，土壤水分供應(yīng)不足時，植物不同器官或不同組織間的水分，按各部分水勢大小重新分配，幼葉從老葉中奪取水分，促使老葉的枯萎死亡[37]，光合面積下降，造成植株早衰和葉片冠層結(jié)構(gòu)發(fā)生變化，進(jìn)而引起冠層反射率發(fā)生變化[38]。在冬小麥的不同生育期，其冠層光譜反射率也不盡相同。從拔節(jié)期到抽穗期，隨著生物量的增多，在近紅外波段，抽穗期的冠層反射率比拔節(jié)期的反射率高，而在灌漿期之后，葉片逐漸衰老、死亡，冠層葉綠素減少，紅波段（670 nm）、藍(lán)波段（450 nm）的反射率上升加快，這與谷艷芳[39]、Smith等[40]、姚付啟[41]的研究結(jié)果一致。

不同水分處理下，植被指數(shù)OSAVI和EVI2與葉水勢呈現(xiàn)顯著正相關(guān)，相關(guān)系數(shù)的范圍為0.750—0.857，NDVI和RVI與葉水勢呈現(xiàn)顯著負(fù)相關(guān)，相關(guān)系數(shù)||的范圍為0.711—0.896。在充分供水條件下（70% FC），植被指數(shù)OSAVI和EVI2與葉水勢的相關(guān)系數(shù)||（分別為0.75和0.771）均低于植被指數(shù)NDVI和RVI與葉水勢的相關(guān)系數(shù)||（分別為0.808和0.896），而在重度水分虧缺條件下（50% FC），植被指數(shù)OSAVI和EVI2與葉水勢的相關(guān)系數(shù)||（分別為0.857和0.853）均高于植被指數(shù)NDVI和RVI與葉水勢的相關(guān)系數(shù)||（分別為0.711和0.792）。并且，隨著土壤水分的減少，OSAVI和EVI2與葉水勢的相關(guān)系數(shù)則依次增加，而NDVI與葉水勢的相關(guān)系數(shù)||則正好相反，RVI與葉水勢的相關(guān)系數(shù)||除了60% FC 處理外，二者的相關(guān)系數(shù)也是隨著土壤水分的減少而減少。這可能是因為干旱脅迫導(dǎo)致冬小麥地上部分干物質(zhì)積累量和葉面積減小，作物生長受到抑制，葉綠素減少，葉片冠層結(jié)構(gòu)變小，群體覆蓋度較低，此時土壤背景噪聲為主要噪聲來源，大氣、太陽角等噪聲來源為次要噪聲來源，OSAVI和EVI2能比較好的濾除土壤背景噪聲，NDVI和RVI植被指數(shù)對主要噪聲來源濾除不夠，這與前人研究結(jié)果相同[42]。同時也說明，采用不同水分處理及作物處于不同生育期，土壤背景及其變化對冬小麥葉水勢的反演將產(chǎn)生一定的影響。因此，在反演葉水勢時，尤其是當(dāng)植被覆蓋度較低時需要考慮土壤背景的影響[43]。

基于4種植被指數(shù)建立的葉水勢估算模型，均具有較高的預(yù)測精度（0.616—0.922），驗證模型的均在-20%以內(nèi)（-17.50%—-12.52%）。其中，在70% FC和60% FC水分處理下，利用OSAVI、EVI2、NDVI和RVI建立的葉水勢估算模型，其2均在0.819以上。但是，在50% FC水分處理下，基于NDVI和RVI構(gòu)建的葉水勢估算模型，其2（分別為0.616和0.724）低于基于OSAVI和EVI2所建模型的2（0.856和0.765）。分析其原因，可能是由于植被指數(shù)NDVI對綠色植被表現(xiàn)敏感，常被用來監(jiān)測區(qū)域或全球植被狀態(tài)變化，是植被豐度、長勢的靈敏指示參數(shù)，植被指數(shù)RVI在植被高密度覆蓋情況下，對植被比較敏感，與生物量的相關(guān)性最好。但是，當(dāng)作物受到水分脅迫時，植被密度低于一定程度時，特別是孕穗后，冬小麥由營養(yǎng)生長的旺盛時期開始向生殖生長時期過渡，葉片的養(yǎng)分開始向穗部轉(zhuǎn)移，之后下部葉片衰老、脫落[44]。此時，植被與土壤背景之間的光譜響應(yīng)差異逐漸被拉大，NDVI和RVI的分辨能力顯著下降。同時，水分虧缺時，冬小麥葉面積較小，群體覆蓋度較低，冠層光譜反射率易受土壤背景的影響，而OSAVI可在一定程度上消除土壤背景的影響[45]。EVI2對大氣溶膠和土壤的綜合作用有較好的消除作用[46]，并且在測量過程中，天氣晴朗無風(fēng)，能見度較高，可以排除氣溶膠的影響。綜上所述，在70% FC 和60% FC水分處理下，4種植被指數(shù)（OSAVI、EVI2、NDVI和RVI）均可用于冬小麥葉水勢的估算，而在50% FC水分處理下，應(yīng)優(yōu)先考慮土壤特征的植被指數(shù)（OSAVI和EVI2），其估算效果會更理想。

高光譜數(shù)據(jù)波段信息量大、連續(xù)性強，不同植被指數(shù)的產(chǎn)生及應(yīng)用各具特點。我們在如何篩選更為有效、合理的植被指數(shù)，建立估算模型方面，仍需要不斷探索和研究。由于本試驗以黃淮海地區(qū)冬小麥為研究對象，受試驗條件限制，所建模型在其他區(qū)域的適用性還有待進(jìn)一步驗證。因此，在今后的工作中需進(jìn)一步研究更大區(qū)域尺度的光譜特性，為小麥精準(zhǔn)灌溉管理提供技術(shù)依據(jù)和水分脅迫探測提供新途徑。

4 結(jié)論

4.1 不同水分處理及不同生育期的冬小麥冠層光譜特征差異明顯。隨著水分含量的增加，在可見光波段，其冠層反射率逐漸降低，在近紅外波段，其冠層反射率則隨著土壤水分含量的增加而升高。從拔節(jié)期到抽穗期，在近紅外波段，抽穗期的冠層反射率比拔節(jié)期的反射率高，而在灌漿期之后，葉片逐漸衰老、死亡，冠層葉綠素減少，紅波段（670 nm）、藍(lán)波段（450 nm）的反射率上升加快。

4.2 不同水分處理下，植被指數(shù)OSAVI和EVI2與葉水勢呈現(xiàn)顯著正相關(guān)，NDVI和RVI與葉水勢呈現(xiàn)顯著負(fù)相關(guān)，4種植被指數(shù)與葉水勢的相關(guān)性均達(dá)到顯著相關(guān)水平（＜0.05）。

4.3 4種植被指數(shù)（OSAVI、EVI2、NDVI和RVI）均可用于冬小麥葉水勢的估算，當(dāng)水分虧缺時，應(yīng)考慮土壤背景對反演結(jié)果的影響，優(yōu)先使用基于土壤特征的植被指數(shù)（OSAVI和EVI）估算效果會更理想。

References

[1] Kramer P J.. New York: Academic Press, 1983.

根據(jù)2.3.2所得ISQ值與HU值的回歸方程，對此20名患者種植體植入后即刻(y0=0.0245x+47.984)及12周(y12=0.0285x+48.984)的ISQ值進(jìn)行預(yù)測，分別記為ISQ0p、ISQ12p；經(jīng)Spearman相關(guān)分析，植入后即刻及12周的ISQ預(yù)測值與實際測量值的相關(guān)系數(shù)分別為0.791和0.699(P<0.05)，提示預(yù)測值與實際測量值間均呈顯著相關(guān)性。

[2] Turner N C. Techniques and experimental approaches for the measurement of plant water status., 1981, 58(1): 339-366.

[3] 楊海清, 姚建松, 何勇. 基于反射光譜技術(shù)的植物葉片SPAD值預(yù)測建模方法研究. 光譜學(xué)與光譜分析, 2009, 29(6): 1607-1610.

Yang H Q, Yao J S, He Y. SPAD prediction of leave based on reflection spectroscopy., 2009, 29(6): 1607-1610. (in Chinese)

[4] 楊峰, 范亞民, 李建龍, 錢育蓉, 王艷, 張潔. 高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度. 農(nóng)業(yè)工程學(xué)報, 2010, 26(2): 237-243.

Yang F, Fan Y M, Li J L, Qian Y R, Wang Y, Zhang J. Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data.,2010, 26(2): 237-243. (in Chinese)

[5] 潘蓓, 趙庚星, 朱西存, 劉海騰, 梁爽, 田大德. 利用高光譜植被指數(shù)估測蘋果樹冠層葉綠素含量. 光譜學(xué)與光譜分析, 2013, 33(8): 2203-2206.

Pan B, Zhao G X, Zhu X C, Liu H T, Liang S, Tian D D. Estimation of chlorophyll content in apple tree canopy based on hyperspectral parameters., 2013, 33(8): 2203-2206. (in Chinese)

[6] 李穎, 薛利紅, 潘復(fù)燕, 楊林章. 氮磷互作對水稻冠層光譜的影響及其PNN識別. 中國農(nóng)業(yè)科學(xué), 2014, 47(14): 2742-2750.

[7] 覃夏, 王紹華, 薛利紅. 江西鷹潭地區(qū)早稻氮素營養(yǎng)光譜診斷模型的構(gòu)建與應(yīng)用. 中國農(nóng)業(yè)科學(xué), 2011, 44(4): 691-698.

Tan X, Wang S H, Xue L H. Nitrogen nutrition diagnosis of early rice with NDVI and its application for nitrogen topdressing recommendation at Yingtan, Jiangxi province., 2011, 44(4): 691-698. (in Chinese)

[8] 梁亮, 楊敏華, 鄧凱東, 張連蓬, 林卉, 劉志霄. 一種估測小麥冠層氮含量的新高光譜指數(shù). 生態(tài)學(xué)報, 2011, 31(21): 6594-6605.

Liang L, Yang M H, Deng K D, Zhang L P, Lin H, Liu Z X. A new hyperspectral index for the estimation of nitrogen contents of wheat canopy., 2011, 31(21): 6594-6605. (in Chinese)

[9] 翟清云, 張娟娟, 熊淑萍, 劉娟, 楊陽, 馬新明. 基于不同土壤質(zhì)地的小麥葉片氮含量高光譜差異及監(jiān)測模型構(gòu)建. 中國農(nóng)業(yè)科學(xué), 2013, 46(13): 2655-2667.

Zhai Q Y, Zhang J J, Xiong S P, Liu J, Yang Y, Ma X M. Research on hyperspectral differences and monitoring model of leaf nitrogen content in wheat based on different soil textures., 2013, 46(13): 2655-2667. (in Chinese)

[10] 劉冰峰, 李軍, 趙剛峰, Naveed Tahir, 賀佳. 夏玉米葉片全氮含量高光譜遙感估算模型研究. 植物營養(yǎng)與肥料學(xué)報, 2012, 18(4): 813-824.

Liu B F, Li J, Zhao G F, Naveed Tahir, He J. Total nitrogen content estimation models of summer maize leaves using hyperspectral remote sensing., 2012, 18(4): 813-824. (in Chinese)

[11] 周麗麗, 馮漢宇, 閻忠敏, 劉克, 周順利. 玉米葉片氮含量的高光譜估算及其品種差異. 農(nóng)業(yè)工程學(xué)報, 2010, 26(8): 195-199.

Zhou L L, Feng H Y, Yan Z M, Liu K, Zhou S L. Hyperspectral diagnosis of leaf N concentration of maize and variety difference., 2010, 26(8): 195-199. (in Chinese)

[12] 劉煒, 常慶瑞, 郭曼, 邢東興, 員永生. 夏玉米可見/近紅外光小波主成分提取與氮素含量神經(jīng)網(wǎng)絡(luò)檢測. 紅外與毫米波學(xué)報, 2011, 30(1): 48-54.

Liu W, Chang Q R, Guo M, Xing D X, Yuan Y S. Detection of leaf nitrogen content of summer corn using visible/near infrared spectra., 2011, 30(1): 48-54. (in Chinese)

[13] 潘蓓, 趙庚星, 朱西存, 王娜娜. 基于高光譜的蘋果樹冠層磷素狀況估測模型研究. 紅外, 2012, 33(6): 27-31.

Pan B, Zhao G X, Zhu X C, Wang N N. Estimation of phosphorus content in apple tree canopy based on hyperspectrum., 2012, 33(6): 27-31. (in Chinese)

[14] Chen M, Glaz B, Gilbert A R, Daroub H S, Barton E F, Wan Y S. Near-infrared reflectance spectroscopy analysis of phosphorus in sugarcane leaves., 2002, 94(6): 1324-1331.

[15] 林芬芳, 丁曉東, 付志鵬, 鄧勁松, 沈掌泉. 基于互信息理論的 水稻磷素營養(yǎng)高光譜診斷. 光譜學(xué)與光譜分析, 2009, 29(9): 2467-2470.

Lin F F, Ding X D, Fu Z P, Deng J S, Shen Z Q. Application of mutual information to variable selection in diagnosis of phosphorus nutrition in rice., 2009, 29(9): 2467-2470. (in Chinese)

[16] Vaesen K, Gilliams S, Nackaerts K, Coppin P. Ground-measured spectral signatures as indicators of ground cover and leaf area index: The case of paddy rice., 2001, 69(1): 13-25.

[17] 姚付啟, 蔡煥杰, 王海江, 張倩, 王健. 基于平穩(wěn)小波變換的冬小麥覆蓋度高光譜監(jiān)測. 農(nóng)業(yè)機械學(xué)報, 2012, 43(3): 173-180.

Yao F Q, Cai H J, Wang H J, Zhang Q, Wang J. Monitoring winter wheat percentage vegetation cover based on stationary wavelet transformation derived from hyperspectral reflectance., 2012, 43(3): 173-180. (in Chinese)

[18] Patel N, Patnaik C, Dutta S, Shekh A, Dave A. Study of crop growth parameters using airborne imaging spectrometer data., 2001, 22(12): 2401-2411.

[19] 夏天, 吳文斌, 周清波, 周勇, 于雷. 基于高光譜的冬小麥葉面積指數(shù)估算方法. 中國農(nóng)業(yè)科學(xué), 2012, 45(10): 2085-2092.

Xia T, Wu W B, Zhou Q B, Zhou Y, Yu L. An estimation method of winter wheat leaf area index based on hyperspectral data., 2012, 45(10): 2085-2092. (in Chinese)

[20] 劉軻, 周清波, 吳文斌, 陳仲新, 唐華俊. 基于多光譜與高光譜遙感數(shù)據(jù)的冬小麥葉面積指數(shù)反演比較. 農(nóng)業(yè)工程學(xué)報, 2016, 32(3): 155-162.

Liu K, Zhou Q B, Wu W B, Chen Z X, Tang H J. Comparison between multispectral and hyperspectral remote sensing for LAI estimation., 2016, 32(3): 155-162. (in Chinese)

[21] 楊飛, 張柏, 宋開山, 王宗明, 劉殿偉, 徐京萍. 玉米光合有效輻射分量高光譜估算的初步研究. 中國農(nóng)業(yè)科學(xué), 2008, 41(7): 1947-1954.

Yang F, Zhang B, Song K S, Wang Z M, Liu D W, Xu J P. Hyperspectral estimation of corn fraction of photosynthetically active radiation., 2008, 41(7): 1947-1954. (in Chinese)

[22] 李宗南. 基于光能利用率模型和定量遙感的玉米生長監(jiān)測方法研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2014.

Li Z N. Research on method of maize growth monitoring using light use efficiency model and quantitative remote sensing[D]. Beijing: Chinese Academy of Agricultural Sciences, 2014. (in Chinese)

[23] 夏天. 基于高光譜遙感的區(qū)域冬小麥生物量模擬及糧食安全評價[D]. 武漢: 華中師范大學(xué), 2010.

Xia T. Regional wheat biomass simulation and food safety evaluation that based on hyperspectral remote sensing[D]. Wuhan: Central China Normal University, 2010. (in Chinese)

[24] 王備戰(zhàn), 馮曉, 溫暖, 鄭濤, 楊武德. 基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測. 中國農(nóng)業(yè)科學(xué), 2012, 45(15): 3049-3057.

Wang B Z, Feng X, Wen N, Zheng T, Yang W D. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images., 2012, 45(15): 3049-3057. (in Chinese)

[25] 田永超, 曹衛(wèi)星, 姜東, 朱艷. 不同水氮條件下水稻冠層反射光譜與葉片水勢關(guān)系的研究. 水土保持學(xué)報, 2003, 17(3): 178-180.

Tian Y C, Cao W X, Jiang D, Zhu Y. Relationship between canopy reflectance and leaf water potential in rice under different soil water and nitrogen conditions., 2003, 17(3): 178-180. (in Chinese)

[26] 陳海波, 李就好, 余長洪, 劉德燦. 基于冠層光譜反射特征的甘蔗葉水勢模型. 灌溉排水學(xué)報, 2014, 33(3): 92-96.

Chen H B, Li J H, Yu Z H, Liu D C. Sugarcane leaf water potential model based on canopy spectral signature., 2014, 33(3): 92-96. (in Chinese)

[27] Chen H B, Wang P, Li J H, Zhang J D, Zhong L X. Canopy spectral reflectance feature and leaf water potential of sugarcane inversion., 2012, 25: 595-600.

[28] VILA H, HUGALDE I, DI FILIPPO M. Estimation of leaf water potentialby by thermographic and spectral measurements in grapevine., 2011, 37(1): 46-52.

[29] Rodríguez-Pérez J R, Ria?o D, Carlisle E, Ustin S, Smart D R. Evaluation of hyperspectral reflectance indexes to detect grapevine water status in vineyards., 2007, 58(3): 302-317.

[30] 張杰, 張強, 趙宏, 張平蘭. 定量遙感反演作物水勢的原理及其應(yīng)用. 生態(tài)學(xué)雜志, 2008, 27(6): 916-923.

Zhang J, Zhang Q, Zhao H, Zhang P L. Theory and application of leaf water potential retrieved from remote sensing., 2008, 27(6): 916-923. (in Chinese)

[31] Rondeaux G, Steven M, Baret F. Optimization of soil adjusted vegetation indices., 1996, 55(2): 95-107.

[32] Jiang Z, Huete A R, Didan K,Miura T. Development of a two-band enhanced vegetation index without a blue band., 2008, 112(10): 3833-3845.

[33] Rouse J W, Haas R H, Schell J A, Harlan J C. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[R], 1974.

[34] 高林, 李長春, 王寶山, 楊貴軍, 王磊, 付奎. 基于多源遙感數(shù)據(jù)的大豆葉面積指數(shù)估測精度對比. 應(yīng)用生態(tài)學(xué)報, 2016, 27(1): 191-200.

GAO L, LI C C, WANG B S, YANG G J, WANG L, FU K. Comparison of precision in retrieving soybean leaf area index based on multi-source remote sensing data., 2016, 27(1): 191-200. (in Chinese)

[35] 張喜英. 葉水勢反映冬小麥和夏玉米水分虧缺程度的試驗(簡報). 植物生理學(xué)通訊, 1997, 33(4): 249-253.

Zhang X Y. A report on diagnosis of soil water deficiency of wheat and maize using leaf water potential., 1997, 33(4): 249-253. (in Chinese)

[36] 康紹忠, 劉曉明, 王振鎰. 冬小麥葉片水勢、氣孔阻力、蒸騰速率與環(huán)境因素的關(guān)系. 灌溉排水, 1991, 10(3): 1-6.

Kang S Z, Liu X M, Wang Z Y. Relations between leaf water potential, stomatal resistance and transpiration rate of winter wheat, and environmental factors., 1991, 10(3): 1-6. (in Chinese)

[37] 李合生. 現(xiàn)代植物生理學(xué). 2版. 北京: 高等教育出版社, 2006: 353-354.

Li H S.. Beijing: Higher Education Press, 2006: 353-354. (in Chinese)

[38] Rock B N, Vogelmann J E, Williams D L, Vogelmann A F, Hoshizaki T. Remote detection of forest damage., 1986, 36(7): 439-445.

[39] 谷艷芳. 不同水分處理下冬小麥光合產(chǎn)物分配格局、過程及調(diào)控機制的研究[D]. 開封: 河南大學(xué), 2008.

Gu Y F. Partition pattern, process and regulation mechanisms of photosynthate of winter wheat under different water treatments[D]. Kaifeng: Henan University, 2008. (in Chinese)

[40] Smith K L, Steven M D, Colls J J. Use of hyperspectral derivative ratios in the red-edge region to indentify plant stress responses to gas leaks., 2004, 92(2): 207-217.

[41] 姚付啟. 冬小麥高光譜特征及其生理生態(tài)參數(shù)估算模型研究[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2012.

Yao F Q. Hyperspectral characteristics and estimating models about physiological ecological parameters of winter wheat[D]. Yangling: Northwest A & F University, 2012. (in Chinese)

[42] Phillips S B, Keahey D A, Warren J G, Mulins G L. Estimating winter wheat tiller density using spectral reflectance sensors for early-spring, variable-rate nitrogen applications., 2004, 96(3): 591-600.

[43] 姜海玲, 楊杭, 陳小平, 王樹東, 李雪軻, 劉凱, 岑奕. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究. 光譜與光譜學(xué)分析, 2015, 35(4): 975-981.

Jiang H L, Yang H, Chen X P, Wang S D, Li X K, Liu K, Cen Y. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method., 2015, 35(4): 975-981. (in Chinese)

[44] 張俊華, 張佳寶. 不同生育期冬小麥光譜特征對葉綠素和氮素的響應(yīng)研究. 土壤通報, 2008, 39(3): 586-592.

Zhang J H, Zhang J B. Response of winter wheat spectral reflectance to leaf chlorophyll, total nitrogen of above ground., 2008, 39(3): 586-592. (in Chinese)

[45] 昝亞玲. 氮磷對旱地冬小麥產(chǎn)量、養(yǎng)分利用及籽粒礦質(zhì)營養(yǎng)品質(zhì)的影響[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2012.

Zan Y L. Effect of nitrogen and phosphorus fertilizer rate on yield, nutrient utilization and grain mineral nutrient quality of wheat in dryland[D]. Yangling: Northwest A&F University, 2012. (in Chinese)

[46] Hutte A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices., 2002, 83: 195-213.

（責(zé)任編輯 楊鑫浩）

Leaf Water Potential Estimating Models of Winter Wheat Based on Hyperspectral Remote Sensing

CHEN Zhifang, SONG Ni, WANG Jinglei, SUN Jingsheng

(Farmland Irrigation Research Institute, Chinese Academy of Agricultural Sciences/Key Laboratory of Crop Water Use and Regulation, Ministry of Agriculture, Xinxiang 453002, Henan)

【Objective】A model for fast, non-destructive and accurately monitoring leaf water potential of winter wheat was established with hyperspectra technology, it will provide a scientific basis for the precision irrigation management of winter wheat.【Method】Using the field trials of different water treatments, the canopy spectral reflectance, leaf water potential and soil moisture were synchronously determined in the growth period of winter wheat. Then the correlation between the hyperspectral vegetation indices and leaf water potential was analyzed. Using correlation analysis, regression analysis and other methods，four inversion models were constructed for estimating leaf water potential based on different water treatments.【Result】The canopy spectral reflectance of winter wheat had significant change characteristics in different water treatments and growth periods. In the visible wave band, the canopy reflectance of winter wheat was reduced gradually along with the increase of soil water content. But, in the near-infrared wave band, the canopy reflectance was increased with the increase of soil water content. With the development of wheat growth period, in the near-infrared wave band, the canopy reflectance at heading stage was higher than the reflectance at jointing stage. And after the filling stage, the reflectance of red and blue band was rose faster. The correlation between four vegetation indices and leaf water potential was all reached the significant level (<0.05), and its absolute values of correlation coefficient were all above 0.711. Four vegetation indices could be used for quantitative monitoring leaf water potential of winter wheat. Under the field capacity of 70%, the absolute values of correlation coefficient| between the vegetation indexes of OSAVI and EVI and the leaf water potential were 0.75 and 0.771, respectively, they were lower than the || between the vegetation indexes of NDVI and RVI and leaf water potential, which the values of || were 0.808 and 0.896, respectively. But, under the field capacity of 50%, the results were just the opposite. The || between the vegetation indexes of OSAVI and EVI2 and the leaf water potential were 0.857 and 0.853, respectively, which were higher than the || between the vegetation indexes of NDVI and RVI and the leaf water potential, which the values of || were 0.711 and 0.792, respectively. The estimation values of 45 samples in prediction set were close to the measured values, the range of2,, andwere 0.616-0.616, -17.50%—-12.52% and 0.102-0.133, respectively. Under the 70% FC water treatment, the estimating model of leaf water potential based on EVI2 had the highest2, the value of2was 0.922, and under the 60% FC and 50% FC water treatments, because of considering the influence of soil background, the inversion models of leaf water potential based on OSAVI had the highest2, the values of2were 0.922 and 0.856, respectively.【Conclusion】All the four vegetation indices could be used for quantitative monitoring leaf water potential of winter wheat. But, when the leaf water potential estimating models were built for different water treatments, the influence of soil background on canopy spectral should be considered. The research results could provide a technical basis for wheat precision irrigation management and also provide supporting models for the parametric inversion of the onboard data.

hyperspectral remote sensing; winter wheat; vegetation index; leaf water potential; estimation

2016-08-01；接受日期：2016-11-23

國家自然科學(xué)基金（51609245）、水利部公益性行業(yè)科研專項經(jīng)費項目（201501016-2）、國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項（CARS-3-1 -30）、國家公益性行業(yè)（農(nóng)業(yè)）科研專項（201203077）

陳智芳，E-mail：czf1010@126.com。 通信作者孫景生，E-mail：jshsun623@163.com