李軍玲，李夢(mèng)夏，李樹(shù)巖*，田宏偉

（1.中國(guó)氣象局 河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室，鄭州 450003；2.河南省氣象科學(xué)研究所，鄭州 450003）

0 引 言

【研究意義】花生的用途非常廣泛，包括油用、食用和深加工食品用等，并且發(fā)展花生產(chǎn)業(yè)符合供給側(cè)結(jié)構(gòu)性改革的需求。葉面積指數(shù)（LAI）與作物光合作用和蒸騰作用關(guān)系密切，是反映作物群體長(zhǎng)勢(shì)的重要指標(biāo)[1-2]。掌握作物L(fēng)AI 及其動(dòng)態(tài)變化對(duì)于作物生長(zhǎng)監(jiān)測(cè)[3]和作物估產(chǎn)[4]等有重要意義?！狙芯窟M(jìn)展】傳統(tǒng)LAI 測(cè)量方法為手工測(cè)量，之后又有LAI 2200冠層分析儀進(jìn)行測(cè)量，這些方法均只能獲取離散點(diǎn)上的LAI 信息，難以獲取大尺度、長(zhǎng)時(shí)序數(shù)據(jù)，其有效性難以保障[5]。遙感監(jiān)測(cè)技術(shù)具有大面積實(shí)時(shí)觀測(cè)、客觀性強(qiáng)和成本低等特點(diǎn)[6]，已被越來(lái)越多地應(yīng)用在農(nóng)業(yè)研究和生產(chǎn)管理中。高光譜遙感能夠區(qū)分地物微弱光譜差異，在植被覆蓋度、LAI、生物量、葉綠素、冠層含氮量等估算研究方面有明顯優(yōu)勢(shì)[7-9]。劉軻等[10]研究表明，光譜分辨率較高的數(shù)據(jù)表現(xiàn)出更優(yōu)的LAI反演精度與穩(wěn)定性。很多研究利用植被指數(shù)進(jìn)行LAI反演，針對(duì)高光譜遙感數(shù)據(jù)則專門(mén)提出了使用高光譜波段反射率計(jì)算的高光譜植被指數(shù)[11]，或利用波形分析技術(shù)構(gòu)建的新型指數(shù)[12]。但不同的植被指數(shù)對(duì)不同因素和干擾的抵抗性有明顯差異，因此對(duì)于LAI 反演需要找到最優(yōu)植被指數(shù)。也有學(xué)者利用光譜特征邊參量進(jìn)行LAI 的估測(cè)，如紅谷位置、紅邊位置[13]、紅邊峰值面積、紅邊振幅[14]、綠峰峰度[15]等。Herrmann等[16]利用紅邊特征估算小麥LAI，結(jié)果顯示比NDVI估算LAI 更有效。另外還有學(xué)者認(rèn)為和NDVI 相比，作物冠層的高光譜反射率及其導(dǎo)數(shù)等變換形式更適于LAI 反演[17-18]。以上這3 種基于植被指數(shù)、光譜特征邊及光譜反射率的光譜特征參量各有優(yōu)劣。陳江魯?shù)萚19]分別利用這3 種光譜特征參量研究棉花冠層光譜對(duì)不同葉面積指數(shù)的響應(yīng)，建立棉花葉面積指數(shù)光譜參數(shù)最佳估測(cè)模型。李軍玲等[20]通過(guò)對(duì)高光譜數(shù)據(jù)進(jìn)行不同形式的變換以及高光譜特征變量的計(jì)算，與葉面積指數(shù)進(jìn)行相關(guān)分析，獲得進(jìn)行冬小麥不同生育期葉面積指數(shù)高光譜估測(cè)的敏感波段或指數(shù)。郭建彪等[21]對(duì)小麥LAI 和冠層光譜變化特點(diǎn)、估算模型及其品種間的差異等進(jìn)行了系統(tǒng)分析，認(rèn)為可以通過(guò)建立單品種模型來(lái)提高估算精度?！厩腥朦c(diǎn)】以往多是針對(duì)小麥、棉花進(jìn)行的研究，很少有針對(duì)花生進(jìn)行的LAI 估測(cè)研究?！緮M解決的關(guān)鍵問(wèn)題】為獲得花生LAI最優(yōu)估算模型，在原始光譜基礎(chǔ)上進(jìn)行了導(dǎo)數(shù)等變換，選取高光譜特征邊變量和高光譜植被指數(shù)進(jìn)行建模，并通過(guò)比較模型精度選擇出最優(yōu)估算模型；另外針對(duì)花生果實(shí)為地下果的實(shí)際情況，花生發(fā)育前期出苗期、幼苗期和后期成熟期葉面積指數(shù)并不能反映花生長(zhǎng)勢(shì)情況，因此選取花生結(jié)莢期—飽果期進(jìn)行研究。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于 2019 年在鄭州市農(nóng)業(yè)氣象試驗(yàn)站（34°43′N，113°39′E，海拔111.3 m）進(jìn)行，土壤類型為砂壤土，供試花生品種為豫花40。2019 年6 月5 日播種，株距10 cm，行距60 cm，常規(guī)管理。設(shè)置3 個(gè)不同氮素水平T1、T2、T3，施氮量分別為45、80、135 kg/hm2，每個(gè)處理設(shè)3 個(gè)重復(fù)，共9 個(gè)小區(qū)，每個(gè)小區(qū)2.7 m×4 m。在試驗(yàn)站內(nèi)大田（0.067 hm2）選取2 個(gè)固定觀測(cè)點(diǎn)作為對(duì)照。選取9 個(gè)小區(qū)的試驗(yàn)數(shù)據(jù)建立模型，選取2 個(gè)大田觀測(cè)點(diǎn)數(shù)據(jù)對(duì)所建立的模型進(jìn)行檢驗(yàn)。

花生冠層光譜數(shù)據(jù)的測(cè)定應(yīng)選擇晴朗無(wú)云或少云的天氣。因此，選擇典型晴天分別于7 月2 日、13 日和22 日，8 月5 日、15 日和29 日，9 月6 日和20 日測(cè)定8 次光譜數(shù)據(jù)，并于同1 d 測(cè)定相應(yīng)葉面積指數(shù)。

1.2 測(cè)量方法

1.2.1 花生冠層光譜測(cè)定

花生冠層光譜數(shù)據(jù)的采集使用便攜式光譜儀ASD HandHeld 2（美國(guó)）進(jìn)行，其波長(zhǎng)范圍325～1 075 nm，光譜采樣間隔約1.5 nm?；ㄉL(zhǎng)期內(nèi)選擇晴天，在10:00—13:00 之間測(cè)定。測(cè)點(diǎn)距冠層頂部垂直高度約1 m，每個(gè)小區(qū)隨機(jī)選取5 個(gè)生長(zhǎng)均勻且無(wú)病蟲(chóng)害的樣本點(diǎn)進(jìn)行測(cè)定，每個(gè)樣本點(diǎn)測(cè)定5 次。

1.2.2 花生LAI 測(cè)定

使用LAI2200 冠層分析系統(tǒng)（美國(guó)）進(jìn)行花生LAI 采集，測(cè)量日期和光譜采集日期相同，取5 個(gè)生長(zhǎng)均勻且無(wú)病蟲(chóng)害的樣本點(diǎn)測(cè)5 次求平均。

1.3 分析方法

首先使用ASD 光譜儀自帶的ViewSpecPro 程序計(jì)算每個(gè)小區(qū)的光譜反射率。然后對(duì)原始光譜反射率進(jìn)行倒數(shù)對(duì)數(shù)、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等不同形式變換，并進(jìn)行高光譜特征變量的計(jì)算，在SPSS 數(shù)理統(tǒng)計(jì)軟件中進(jìn)行LAI 和光譜相關(guān)參數(shù)的相關(guān)分析。9 個(gè)小區(qū)測(cè)量數(shù)據(jù)作為訓(xùn)練樣本建立葉面積指數(shù)與高光譜變量的擬合模型，2 處大田觀測(cè)點(diǎn)測(cè)量數(shù)據(jù)作為驗(yàn)證樣本，模型的模擬精度利用均方根誤差（RMSE）進(jìn)行評(píng)價(jià)[16-17]。

1）倒數(shù)對(duì)數(shù)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的計(jì)算

整理并計(jì)算9 個(gè)小區(qū)和2 個(gè)大田觀測(cè)點(diǎn)的花生冠層反射率數(shù)據(jù)，并計(jì)算其相應(yīng)的倒數(shù)對(duì)數(shù)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

2）高光譜特征變量

選擇基于高光譜面積變量、位置變量和植被指數(shù)變量3 種類型共20 個(gè)高光譜特征變量[13]（表2）。

3）模型構(gòu)建及檢驗(yàn)

以9 個(gè)小區(qū)測(cè)量數(shù)據(jù)為訓(xùn)練樣本進(jìn)行建模。首先進(jìn)行高光譜特征變量[14-15]與LAI 的相關(guān)分析，選擇出顯著相關(guān)的光譜特征變量，利用這些變量建立LAI 單變量估算模型；再利用這些光譜特征變量進(jìn)行多元逐步回歸分析，建立LAI 的多元回歸模型。

大田觀測(cè)點(diǎn)數(shù)據(jù)作為驗(yàn)證樣本，利用均方根誤差（RMSE）和決定系數(shù)（R2）等統(tǒng)計(jì)指標(biāo)評(píng)價(jià)LAI 估算模型精度。

2 結(jié)果與分析

2.1 花生生育期葉面積指數(shù)和光譜的變化特征

圖1 為不同處理花生葉面積指數(shù)隨時(shí)間的變化情況。由圖1 可見(jiàn)，不同處理花生長(zhǎng)勢(shì)有較明顯的差異，8 月29 日前差異明顯，特別是T3 處理葉面積指數(shù)明顯高于T1、T2 處理，T2 處理大部分時(shí)間都高于T1 處理，可能是T2 處理雖然比T1 處理氮素水平高，但T1、T2 處理的氮素水平仍不足以滿足花生生長(zhǎng)需要，T3 處理已經(jīng)達(dá)到花生生長(zhǎng)所需要的氮素水平。

9 月6 日之后，3 個(gè)處理葉面積指數(shù)相差不大，可能是花生生長(zhǎng)后期葉面積指數(shù)已經(jīng)不能反映出花生長(zhǎng)勢(shì)，對(duì)以后建立葉面積指數(shù)估算模型、利用模型結(jié)果反映花生長(zhǎng)勢(shì)等有一定的參考價(jià)值。圖1 顯示3個(gè)處理在7 月13 日和8 月5 日的葉面積指數(shù)差異最為明顯，9 月6 日和20 日差異最小。

3 個(gè)處理在7 月13 日和9 月6 日花生冠層的光譜特征如圖2。圖2 顯示葉面積指數(shù)差異明顯的7 月13 日，冠層光譜反射率也存在顯著差異，T1、T2 處理差異較小，但T3 處理和T1、T2 處理的差異較大；9月6日3 種處理的冠層光譜反射率也幾乎沒(méi)有差異。表明花生冠層光譜反射率可以揭示花生葉面積指數(shù)的差異，利用冠層光譜特征進(jìn)行花生葉面積指數(shù)估算有一定的科學(xué)意義。

2.2 葉面積指數(shù)與冠層光譜的相關(guān)性分析

從圖1 可以看出，9 月6 日和20 日花生成熟期葉面積指數(shù)已經(jīng)不能反映花生長(zhǎng)勢(shì)，而7 月2 日和13 日由于處于花生生長(zhǎng)早期，也難以反映花生后期長(zhǎng)勢(shì)和產(chǎn)量。因此選取7 月22 日，8 月5 日、15 日和29 日數(shù)據(jù)建立葉面積指數(shù)的估算模型。共9 個(gè)小區(qū)4 次觀測(cè)36 組數(shù)據(jù)。導(dǎo)數(shù)變換可以減弱或消除背景、大氣散射的影響，原始光譜的倒數(shù)對(duì)數(shù)可以有效反映地物的吸收特征[17]。故利用花生冠層高光譜反射率及其倒數(shù)對(duì)數(shù)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)與LAI 進(jìn)行相關(guān)分析（圖3）。

由圖3 可見(jiàn)，在近紅外波段范圍內(nèi)LAI 與原始光譜反射率正相關(guān)，在400～710 nm 的可見(jiàn)光范圍內(nèi)負(fù)相關(guān)，倒數(shù)對(duì)數(shù)光譜則相反。由圖3 選擇LAI 估算敏感波段，即662 nm 處倒數(shù)對(duì)數(shù)光譜、582 nm 處一階導(dǎo)數(shù)光譜、753 nm 處二階導(dǎo)數(shù)光譜，這些波段與LAI的相關(guān)系數(shù)均通過(guò)0.01 水平的顯著性檢驗(yàn)，且相關(guān)系數(shù)最大。

表1 花生冠層LAI 與高光譜變量間的關(guān)系Table 1 The correlation between peanut LAI and hyperspectral variables

2.3 葉面積指數(shù)與高光譜特征變量的相關(guān)性分析

計(jì)算LAI 與各高光譜變量間的相關(guān)系數(shù)（表1）。從表1 可以看出，LAI 與除藍(lán)邊位置、紅邊位置、綠峰反射率、SDr/SDy外的所有高光譜變量間的相關(guān)均通過(guò)0.05 水平的顯著性檢驗(yàn)。其中，LAI 與綠峰反射率和紅谷反射率構(gòu)成的植被指數(shù)VI1、VI2、SDy的相關(guān)系數(shù)絕對(duì)值大于0.70，除此之外LAI 與藍(lán)邊幅值、黃邊位置、紅邊幅值、綠峰位置、紅谷反射率、藍(lán)邊面積、紅邊面積、VI5、VI6之間的相關(guān)系數(shù)均通過(guò)0.01 水平的顯著性檢驗(yàn)。表明可以通過(guò)光譜變量來(lái)估算LAI，從而揭示花生的長(zhǎng)勢(shì)。故選取Db、λy、Dr、Rg、Rr、SDb、SDy、SDr、VI1、VI2、VI5、VI6作為模型自變量。

表2 花生冠層LAI 模型參數(shù)Table 2 Model parameters for LAI of peanut canopy

2.4 花生LAI 估算模型

2.4.1 單變量模型

基于2.3 節(jié)分析，選擇波段662 nm 倒數(shù)對(duì)數(shù)光譜、波段582 nm 一階導(dǎo)數(shù)光譜、波段753 nm 二階導(dǎo)數(shù)光譜、Db、λy、Dr、Rg、Rr、SDb、SDy、SDr、VI1、VI2、VI5、VI6，建立單變量LAI 模型（表2），除Rg外方程均通過(guò)0.05 水平的顯著性檢驗(yàn)，其中Rr、SDy、SDr、VI1、VI2方程均通過(guò)0.01 水平的顯著性檢驗(yàn)，同時(shí)預(yù)測(cè)值的RMSE 相對(duì)較小。VI2的指數(shù)模型R2最大，為0.751，且RMSE 最小，為1.06。因此認(rèn)為以VI2為自變量的指數(shù)模型為最優(yōu)估算模型，其次為以VI1為自變量的指數(shù)模型。

因此，花生葉面積指數(shù)單變量最優(yōu)模型為：

式中：y 為估算的LAI；x 為VI2。

2.4.2 LAI 估算的多元回歸模型

作物葉片中不同生化物質(zhì)都有其特定的光譜特征，僅用單一波段估測(cè)其物理或生化特征有其局限性，需要選擇多個(gè)波段組合使用[19-20]。根據(jù)表1選擇和LAI呈極顯著相關(guān)的Db、λy、Dr、Rg、Rr、SDb、SDy、SDr、VI1、VI2、VI5、VI612個(gè)變量進(jìn)行多元逐步回歸分析，以9個(gè)小區(qū)測(cè)量數(shù)據(jù)作為訓(xùn)練樣本構(gòu)建LAI的多元回歸模型，以2處大田觀測(cè)點(diǎn)測(cè)量數(shù)據(jù)作為驗(yàn)證樣本，利用均方根誤差（RMSE）對(duì)模型進(jìn)行驗(yàn)證。模型如下：

式中：y 為估算的LAI。該模型決定系數(shù)（R2）為0.813，大于單變量LAI 估算模型的決定系數(shù)，說(shuō)明該模型擬合效果最好；均方根誤差（RMSE）為0.702，小于單變量LAI 估算模型的均方根誤差，說(shuō)明其模擬精度優(yōu)于單變量估算模型。

3 討 論

利用高光譜遙感數(shù)據(jù)估算小麥、棉花和水稻的LAI 研究很多[18-21]，但針對(duì)花生的LAI 估算研究還不多見(jiàn)，在河南地區(qū)利用高光譜遙感估算花生冠層LAI的研究尚未見(jiàn)報(bào)道。本文設(shè)置不同氮素水平的花生試驗(yàn)，對(duì)花生冠層高光譜數(shù)據(jù)進(jìn)行倒數(shù)對(duì)數(shù)、導(dǎo)數(shù)變換，并選取常見(jiàn)高光譜特征指數(shù)建立了花生LAI 估算模型，通過(guò)模型精度比較從中選擇出最優(yōu)估算模型。結(jié)果表明葉面積指數(shù)差異明顯的時(shí)段，冠層光譜反射率也存在明顯差異，葉面積指數(shù)差異不明顯的時(shí)段，3種氮素處理的冠層光譜反射率也幾乎沒(méi)有差異。說(shuō)明花生冠層光譜反射率可以揭示花生葉面積指數(shù)的差異，利用冠層光譜特征進(jìn)行花生葉面積指數(shù)估算有一定的科學(xué)意義，有學(xué)者進(jìn)行了相關(guān)研究[22-24]?；诖耍瑢?duì)花生葉面積指數(shù)與冠層光譜及其變換形式進(jìn)行了相關(guān)性分析。結(jié)果表明，花生LAI 與662 nm 處倒數(shù)對(duì)數(shù)光譜、582 nm 處一階導(dǎo)數(shù)光譜、753 nm 處二階導(dǎo)數(shù)光譜的相關(guān)系數(shù)均通過(guò)0.01 水平的顯著性檢驗(yàn)，且相關(guān)系數(shù)最大，呂曉等[23]研究認(rèn)為花生LAI 和684 nm 處倒數(shù)對(duì)數(shù)光譜、793 nm 處一階導(dǎo)數(shù)光譜的相關(guān)系數(shù)最大，和本文結(jié)果有一定差異，可能是因?yàn)樵囼?yàn)分別在鄭州和沈陽(yáng)進(jìn)行，水熱條件差異較大導(dǎo)致?；ㄉ鶯AI 與藍(lán)邊幅值、黃邊位置、紅邊幅值、綠峰位置、紅谷反射率、黃邊面積、紅邊面積、VI1、VI2、VI5、VI6之間的相關(guān)系數(shù)均通過(guò)0.01 水平的顯著性檢驗(yàn)，其中，LAI 與VI1、VI2及SDy的相關(guān)系數(shù)絕對(duì)值大于0.70，表明可以通過(guò)光譜變量變化來(lái)估算LAI，從而揭示花生的長(zhǎng)勢(shì)情況。利用篩選出來(lái)的敏感參數(shù)建模并驗(yàn)證后顯示，以VI2（即綠峰反射率Rg與紅谷反射率Rr的歸一化指數(shù)）為自變量的指數(shù)模型最優(yōu)。呂曉等[23]是利用敏感波段構(gòu)建常用植被指數(shù)RVI、DVI、NDVI等進(jìn)行花生LAI 的估算，張曉艷等[22]在花生結(jié)莢期-飽果期利用花生冠層反射光譜紅邊參數(shù)估算了花生LAI。本文考慮了更多的光譜特征參數(shù)和光譜植被指數(shù)，通過(guò)研究表明VI2相比紅邊參數(shù)有更高的模擬精度，也表明有從不同曲線特征進(jìn)行高光譜位置、面積和植被指數(shù)變量分析的必要性，與只分析常用植被指數(shù)和單一特征參數(shù)相比，考慮得更加直接和全面[25-27]。

本文選擇和花生LAI 呈極顯著相關(guān)的Db、λy、Dr、Rg、Rr、SDb、SDy、SDr、VI1、VI2、VI5、VI612個(gè)變量進(jìn)行了多元逐步回歸分析，構(gòu)建了LAI 的多元回歸模型，并利用均方根誤差（RMSE）對(duì)模型進(jìn)行驗(yàn)證。多元回歸模型決定系數(shù)（R2）明顯大于單變量LAI 估算最優(yōu)模型，均方根誤差（RMSE）小于單變量LAI 估算最優(yōu)模型，因此認(rèn)為在光譜指數(shù)均能計(jì)算獲取的基礎(chǔ)上，應(yīng)選擇多元回歸模型對(duì)花生LAI 進(jìn)行計(jì)算。以往未見(jiàn)利用多元回歸模型對(duì)花生LAI 進(jìn)行估算的研究。李軍玲等[20]證實(shí)了冬小麥分發(fā)育期建立LAI 估算模型的必要性。但對(duì)于花生而言，一是發(fā)育期更短；二是由于地下果的原因，導(dǎo)致發(fā)育后期葉面積指數(shù)難以反映花生長(zhǎng)勢(shì)的好壞；三是7 月中上旬花生處于生長(zhǎng)早期，也難以反映花生后期長(zhǎng)勢(shì)和產(chǎn)量。因此，本文對(duì)7 月22 日—8 月29 日4 次觀測(cè)數(shù)據(jù)進(jìn)行建模發(fā)現(xiàn)，分2 個(gè)發(fā)育期和不分發(fā)育期的建模精度差別不大。因此對(duì)于花生而言，選擇能夠反映花生長(zhǎng)勢(shì)的觀測(cè)日期比分發(fā)育期更重要。但也可能是本文用了1 年試驗(yàn)數(shù)據(jù)，樣本有限，今后將繼續(xù)進(jìn)行相關(guān)試驗(yàn)，在對(duì)模型不斷進(jìn)行驗(yàn)證和改進(jìn)的同時(shí)，進(jìn)行更多時(shí)次的觀測(cè)研究分發(fā)育期建模是否必要，同時(shí)對(duì)比單變量估算模型和多元回歸模型的優(yōu)劣。

4 結(jié) 論

1）花生LAI 估算的敏感波段為662 nm 處倒數(shù)對(duì)數(shù)光譜、582 nm 處一階導(dǎo)數(shù)光譜、753 nm 處二階導(dǎo)數(shù)光譜。

2）花生LAI 估算的敏感參數(shù)為Db、λy、Dr、Rg、Rr、SDb、SDy、SDr、VI1、VI2、VI5、VI612 個(gè)變量。可以通過(guò)VI2（即綠峰反射率Rg與紅谷反射率Rr的歸一化指數(shù)）變量來(lái)估算LAI，從而揭示花生的長(zhǎng)勢(shì)。

3）選擇和花生LAI 呈極顯著相關(guān)的12 個(gè)敏感參數(shù)進(jìn)行多元逐步回歸分析，構(gòu)建花生LAI 的多元回歸模型，其模擬精度優(yōu)于單變量估算模型，認(rèn)為多種光譜參數(shù)均可獲取的情況下，優(yōu)先選用多元回歸模型對(duì)花生冠層LAI 進(jìn)行估算。