陳崇怡，石 楠，文雙雅，胡海燕，高志強

（湖南農(nóng)業(yè)大學農(nóng)學院，長沙410128）

水稻機械化、輕簡化栽培是指利用機械工具簡化水稻栽培程序和減輕勞動強度的栽培方式，具有生產(chǎn)效率高、秧苗均勻度優(yōu)、根系活力強、增產(chǎn)潛力大等諸多優(yōu)勢［1］。近年來，全程機械化生產(chǎn)技術發(fā)展迅速，有學者研究發(fā)現(xiàn)，與常規(guī)機插稻相比，雜交稻單本密植大苗機插栽培技術增產(chǎn)效果明顯［2］。此技術是2019年農(nóng)業(yè)農(nóng)村部部署在南方稻區(qū)的主推技術之一。農(nóng)業(yè)生產(chǎn)領域的“一控兩減三基本”技術［3-4］中的“兩減”是要求減少化肥、農(nóng)藥使用總量，因此，在全程機械化大苗機插技術條件下研究增加移栽密度、減少化肥施用量具有現(xiàn)實意義。

前人研究成果表明，葉綠素含量是反映水稻光合速率與生長狀況的重要指標，對指導農(nóng)業(yè)生產(chǎn)和實現(xiàn)水稻高產(chǎn)、穩(wěn)產(chǎn)起著非常關鍵的作用［5-7］。土壤、作物分析儀器開發(fā)（soil and plant analyzer development，SPAD）是一種測量葉綠素濃度的方法，所測得的數(shù)據(jù)稱為SPAD值。作為葉綠素含量的相對值，SPAD值已成為評價作物長勢的有效手段［8-11］。因此，快速準確地獲得大量SPAD值具有重要意義。近年來，高光譜技術飛速發(fā)展，具有連續(xù)性強、信息量大等優(yōu)勢，使作物群體監(jiān)測得以逐步實現(xiàn)［12-13］。目前，很多學者對運用高光譜技術進行SPAD值估測進行了大量的研究。秦占飛等［14］采用一階微分方法對各時期提取了高光譜特征參數(shù)，建立的回歸模型能夠較好地預測水稻在拔節(jié)期和抽穗期的SPAD值。王福民等［15］將350～2 500 nm范圍內(nèi)所有波段兩兩組合，構建了所有可能的簡單比值色素指數(shù)，指出構成最佳比值指數(shù)的波段主要是紅邊區(qū)域波段。羅建軍等［16］研究了基于高光譜和參數(shù)優(yōu)化支持向量機的水稻施氮水平分類，結果表明，利用高光譜技術能夠很好地進行水稻氮素營養(yǎng)狀況的定性診斷研究。

受地形地勢及種植面積等多種因素限制，國內(nèi)已有研究大多沒有將高光譜技術與水稻全程機械化結合起來，普適性不夠強。本研究在全程機械化背景下結合大苗機插技術，采集了6個不同密度肥料處理的水稻葉片的SPAD值與冠層光譜，研究水稻葉片SPAD值與冠層原始光譜及一階微分光譜反射率的變化規(guī)律，通過一階微分光譜與SPAD值的相關性分析，篩選敏感波長并建立SPAD值的一元線性、指數(shù)和多項式回歸模型，以敏感波長構建的光譜參數(shù)作為自變量，建立SPAD值的一元線性回歸模型，用決定系數(shù)（R-squared，R2）、均方根誤差（root mean squared error，RMSE）和相對誤差（relative error，RE）對模型精度進行評價，并對驗證集的預測值和實測值進行1∶1線性擬合，選出最適模型。

1 材料與方法

1.1 供試材料與試驗條件

1.1.1 供試品種

供試品種是湖南省大面積推廣的水稻品種晶兩優(yōu)華占，是用晶4155S×華占選育而成的雜交稻品種。該品種在長江中下游作一季中稻種植，全生育期138.5 d。

1.1.2 試驗地點

試驗地點在湖南農(nóng)業(yè)大學瀏陽教學科研綜合基地。試驗區(qū)面積0.5 hm2，系丘陵小盆地，屬亞熱帶季風濕潤氣候，年平均氣溫17.3℃，1月平均氣溫5.4℃，7月平均氣溫28.7℃，年均降水量1 358.6～1 552.5 mm。

1.1.3 大苗機插技術體系

本研究在全程機械化條件下，結合大苗機插技術體系，進行增加移載密度、減少施肥的試驗。其中大苗機插技術體系包括印刷播種、單本密植、無盤育秧、大苗機插等核心技術［17］。

1.2 試驗設計

由于前茬為油菜，還田生物量較大，試驗區(qū)的總體施肥水平略低于冬閑田。土壤耕作采用少耕技術，灌水后直接旋耕碎土成泥。試驗田基礎肥力一致，考慮全程機械化作業(yè)的可操作性和現(xiàn)有機械的行距設置檔位情況，采用株距（D）和施肥量（N）二因素裂區(qū)試驗。主區(qū)為機插株距，在行距為25 cm前提下，設3種株距：17、21和25 cm，分別以D1、D2和D3表示。副區(qū)為施肥量，在保持耕前氮磷鉀復混肥料15–15–15（氮、磷、鉀質(zhì)量分數(shù)均為15%的復合肥）施用量450 kg/hm2不變的前提下，設2個分蘗肥為常規(guī)施肥（150 kg復混肥+255 kg尿素+105 kg KCl）及減少施肥（180 kg尿素+75 kg KCl），分別以N1、N2表示。

試驗于2020年4月28日印刷播種，5月1日在湖南省沿溪鎮(zhèn)皇建農(nóng)機合作社無盤育秧，氮磷鉀復混肥料15–15–15作為基肥于耕前一次性施入，施用量為450 kg/hm2。5月23日使用九保田插秧機完成機插，田間小區(qū)面積為260 m2（20 m×13 m），3次重復，9月7日機收測產(chǎn)。本試驗常規(guī)施肥和減少施肥處理相應的氮、磷、鉀有效成分的質(zhì)量比分別為13.82∶6.00∶10.20及10.02∶4.50∶7.50，其中減肥處理比常規(guī)栽培技術含氮量減少27.50%，五氧化二磷減少25.00%，氧化鉀減少26.48%。

1.3 數(shù)據(jù)采集

1.3.1 冠層光譜數(shù)據(jù)采集

采用美國ASD公司生產(chǎn)的HandHeld 2手持地物光譜儀測定光譜反射率，該儀器波段為325～1 075 nm，其中光譜分辨率<3 nm@700 nm，波長精度為±1 nm。于水稻移栽后25 d（分蘗盛期）、52 d（孕穗期）、86 d（齊穗期）、91 d（灌漿中期）等關鍵生育時期，選擇天氣晴朗、無風或者風速較小的北京時間10:00—14:00進行數(shù)據(jù)采集。測量時儀器垂直向下，距水稻冠層垂直高度約0.7 m，每3個小區(qū)重復測定前用自帶參考白板校正1次。每個小區(qū)選取5個有代表性的樣本點進行光譜測定，取平均值作為該小區(qū)的最終光譜反射值，本試驗設3次重復，6個處理，每次數(shù)據(jù)需采集90條光譜數(shù)據(jù)。

1.3.2 SPAD值的測定

采用日本KONICA MINOLTA公司生產(chǎn)的SPAD 502葉綠素計測定5次葉片的SPAD值，取平均值，避開葉脈。在光譜數(shù)據(jù)采集當天，每株選在測定冠層光譜位置處，每小區(qū)共測量5株，取平均值作為該小區(qū)的葉綠素含量，本試驗設3次重復，6個處理，每次數(shù)據(jù)需采集90個SPAD值數(shù)據(jù)。

1.4 數(shù)據(jù)處理

1.4.1 光譜指數(shù)選擇

根據(jù)前人對水稻冠層光譜特征的研究及成果，選取3個常用的光譜指數(shù)用于水稻SPAD值的估算，即比值光譜指數(shù)（ratio spectral index，RSI）、差值光譜指數(shù)（difference spectral index，DSI）以及歸一化光譜指數(shù)（normalized difference spectral index，NDSI）。其計算公式如式（1）～式（3）：

其中，IRS、IDS、INDS分別表示比值光譜指數(shù)、差值光譜指數(shù)、歸一化光譜指數(shù)，Rλ1和Rλ2分別表示波長在 λ1 和 λ2 處的光譜反射率。

1.4.2 數(shù)據(jù)分析

本試驗在水稻移栽后的關鍵生育期測定4次數(shù)據(jù)，每個處理設3次重復，每個小區(qū)測量冠層光譜和SPAD值各5組。每個處理在4個生育期共采集60組數(shù)據(jù)，再進行隔二選一的分層抽樣，其中1/3為驗證集，2/3為建模集。

首先，利用View Spec Pro 6.0軟件對采集到的光譜數(shù)據(jù)進行預處理，將原始光譜進行拼接校正，使光譜曲線平滑，再對原始光譜數(shù)據(jù)進行一階微分求導，輸出原始光譜反射率和一階微分光譜值。利用Excel和SPSS 17.0軟件分析一階微分光譜值與SPAD值的相關性，再根據(jù)一階微分光譜與SPAD值的相關關系提取敏感波長構建一元線性、指數(shù)、多項式和一階微分光譜參數(shù)的估算模型，用Origin Pro 9.0軟件進行繪圖。計算模型決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE）等指標對模型進行驗證與評價。R2越大，RMSE和RE越小，說明模型的精度越好。RMSE和RE的計算公式如下：

ERMS=，式中，ERMS、ER分別表示均方根誤差和相對誤差，yi為真實值，為預測值，n為樣本數(shù)。

2 結果與分析

2.1 不同密度及施肥處理下水稻葉片SPAD值的變化

本試驗對水稻的分蘗盛期（25 d）、孕穗期（52 d）、齊穗期（86 d）、灌漿中期（91 d）進行SPAD數(shù)據(jù)采集。由圖1可以看出，不同處理水稻SPAD值在各生育期差異不明顯［采用多個獨立樣本比較的秩和檢驗（Kruskal-Wallis H）進行顯著性檢驗，假設6種不同處理的SPAD值無差異，得到P=0.985>0.050，即假設成立］，且變化規(guī)律大體一致，葉片SPAD值在孕穗期達到最大值，第86天（齊穗期） 和第91天（灌漿中期）時SPAD值逐漸下降。從圖1結果來看，不同密度和施肥處理的SPAD值在52 d和86 d時表現(xiàn)較為一致，即常規(guī)施肥SPAD值優(yōu)于減施肥處理。相同施肥水平下，不同密度的SPAD值在25 d和86 d時均表現(xiàn)為D2高于另兩個密度；在52 d時表現(xiàn)為D3最高；在91 d時則表現(xiàn)為D1最高。綜上所述，密度與SPAD值沒有明顯規(guī)律性。

圖1 不同密度及施肥處理水稻葉片SPAD值變化Fig.1 Changes of SPAD value of rice leaves treated with different density and fertilization

2.2 不同密度及施肥處理下水稻冠層反射光譜的特征

分處理對水稻冠層原始光譜及其一階微分光譜進行平均值計算，得出各處理的原始及一階微分光譜反射率曲線如圖2所示。各處理水稻冠層原始光譜反射率在可見光范圍內(nèi)差異較小，在700～1 000 nm波段表現(xiàn)為D3N1< D3N2< D2N2

由圖2a可知，在近紅外波段（700～1 000 nm），隨著密度增加，常規(guī)處理與減肥處理的原始光譜反射率均明顯升高。由圖2b可知，一階微分光譜反射率在紅邊區(qū)域（690～755 nm），密度越大光譜反射率越高，表明低密度條件下葉片具有更強的光合效能。綜合圖2a、2b可以發(fā)現(xiàn)，在中、高密度條件下，減肥處理的原始及一階微分光譜反射率低于常規(guī)施肥的，低密度則幾乎重疊，無明顯差異，移栽密度對水稻冠層光譜反射率的影響大于施肥水平。

圖2 不同密度及施肥處理水稻冠層原始光譜反射率(a)及其一階微分導數(shù)(b)Fig.2 Canopy original spectral reflectance (a) and first order derivative (b) of rice treated with different density and fertilization

2.3 水稻冠層一階微分光譜與SPAD值的相關性分析

研究表明，植物SPAD值與光譜相關性最大的波段多位于可見光的藍邊、綠峰及紅邊區(qū)域［18-20］。因此，本研究選取了400～1 000 nm的波段，分析不同處理各個波長位置處一階微分光譜與SPAD值之間的相關關系（圖3），結果表明，不同密度及施肥處理相關系數(shù)趨勢基本一致，6個處理在葉綠素敏感波段紅波范圍（634～652 nm、655～668 nm）波段內(nèi)達極顯著正相關，在藍綠波段（497～552 nm）及紅邊波段（687～711 nm）達極顯著負相關，相關系數(shù)略有起伏但比較穩(wěn)定，均達到0.700以上。

圖3 水稻密度和肥料試驗的冠層一階微分光譜與SPAD值相關系數(shù)Fig.3 Correlation coefficient of canopy first derivative spectral reflectance and SPAD value of rice density and fertilizer experiment

2.4 不同密度及施肥處理下水稻SPAD值估算模型構建

孫玉婷等［21］研究發(fā)現(xiàn)，敏感波段的光譜指數(shù)與SPAD值相關性更好，選擇相關性高的信息作為建模輸入，得到的結果更理想。在上述4個敏感波段中分處理選擇相關系數(shù)在0.800左右的4個波長作為其敏感波長，并與SPAD值進行相關性分析，計算得到R2（表1）。

分處理將表1中敏感波長兩兩組合得到NDSI、RSI和DSI，并計算光譜參數(shù)與SPAD值的R2（表2）。

從表1中分不同處理選取決定系數(shù)較大的一階微分導數(shù)作為敏感波長（502、687、696、692、509和502 nm），構建SPAD值的一元線性、指數(shù)和多項式回歸模型，并計算模型R2、RMSE和RE（表3）。由表3可知：各處理SPAD值估算模型效果均較好，決定系數(shù)都在0.640以上；其中線性模型最差，除D2N1和D1N1的模型中顯示指數(shù)模型略優(yōu)于多項式模型，其他處理均表現(xiàn)為多項式模型最優(yōu)（R2最大，RMSE和RE最小）。

表1 水稻密度和肥料試驗的一階微分光譜與SPAD值的決定系數(shù)Tab.1 Coefficient of determination of SPAD value and first derivative spectrum of density and fertilizer experiment

由表2篩選出各處理決定系數(shù)最大的一階微分光譜指數(shù)構建線性回歸模型：D3N1，DSI（R'502，R'662）；D3N2，DSI（R'503，R'664）；D2N1，DSI（R'514，R'640）；D2N2，DSI（R'645，R'692）；D1N1，DSI（R'509，R'646）；D1N2，DSI（R'502，R'658）。6個處理均表現(xiàn)為以DSI光譜指數(shù)為建模變量構建的模型效果最優(yōu)，這與田容才等［22］研究結果一致。由計算模型R2、RMSE和RE（表4）可以看出，各處理SPAD值估算模型效果均較好，決定系數(shù)都在0.660以上。通過對比發(fā)現(xiàn)，D1N2的RMSE和RE最小，但D2N2的R2最大，仍需進一步驗證模型精度。

表2 水稻密度和肥料試驗的光譜指數(shù)與SPAD值的決定系數(shù)Tab.2 Coefficient of determination of SPAD value and spectral index of density and fertilizer experiment

表4 不同密度及施肥處理下水稻基于光譜指數(shù)的SPAD值線性回歸模型Tab.4 Linear regression model of SPAD value of rice based on spectral index treated with different density and fertilization

結合表3、4，就相同處理一元線性回歸模型進行對比發(fā)現(xiàn)，在D1和D3密度下，基于光譜指數(shù)的模型精度優(yōu)于基于敏感波長的模型精度，D2則相反，總體而言，基于光譜指數(shù)的模型精度要優(yōu)于敏感波長。

2.5 模型優(yōu)選與驗證

通過上述分析，基于敏感波長選取D2N1，R'696和 D1N1，R'509的指數(shù)模型以及 D3N1，R'502、D3N2，R'687、D2N2，R'692和D1N2，R'502的多項式模型，分別用剩余的20組實測SPAD值數(shù)據(jù)對上述6個建模集模型的精度進行檢驗，得到預測SPAD值。將20組預測值與實測值進行線性擬合，分別計算驗證集的R2、RMSE和RE（圖4）。由圖4和表3可知，在基于敏感波段構建的估算模型中，D3N2的多項式模型y=720 728x2–5 368.2x+49.257估測效果最佳（x：R'687），其建模集R2、RMSE和RE分別為0.766、1.185和2.152%，驗證集R2、RMSE和RE分別為0.729、0.364和0.752%。

圖4 基于敏感波長各處理驗證集的預測值和實測值1:1擬合線Fig.4 1:1 fitting line based on the predicted and measured SPAD values of each processing validation set of sensitive wavelengths

表3 基于不同密度及施肥處理下水稻敏感波長的SPAD值估測Tab.3 The estimation of SPAD value content of rice based on sensitive wavelength with different density and fertilization

基于光譜指數(shù)選取估算模型 ：D3N1，DSI（R'502，R'662）；D3N2，DSI（R'503，R'664）；D2N1，DSI（R'514，R'640）；D2N2，DSI（R'645，R'692）；D1N1，DSI（R'509，R'646）；D1N2，DSI（R'502，R'658）。分別用剩余的20組實測SPAD值數(shù)據(jù)對上述6個建模集模型的精度進行檢驗，得到預測SPAD值。將20組預測值與實測值進行線性擬合，分別計算驗證集的R2、RMSE和RE（圖5）。由圖5結合表4可知，D2N2的模型y=1 200.9x+47.735估測效果最好［x：DSI（R'645，R'692）］，其建模集R2、RMSE和RE分別為0.703、1.314和2.359%，驗證集R2、RMSE和RE分別為0.763、0.620和1.198%。

圖5 基于光譜指數(shù)各處理驗證集SPAD值的預測值和實測值1:1擬合線Fig.5 1:1 fitting line based on the predicted and measured SPAD values of each processing validation set of spectral indexes

3 討論

在孕穗期和齊穗期，SPAD值隨施肥水平的提高而增大；在分蘗期和灌漿中期，SPAD值隨施肥水平的提高反而減小。雖然吳朝暉等［23］有類似研究結果，但這一現(xiàn)象仍需進一步證實和深入研究。光譜反射率在近紅外平臺隨密度的增加明顯增大。移栽密度對水稻冠層光譜反射率的影響大于施肥水平，與高鑫［24］研究結果類似。水稻葉片SPAD值反映了水稻植株的長勢；冠層光譜反射率是遙感監(jiān)測和衛(wèi)星遙感反演的重要手段。本研究基于全程機械化大苗機插技術對不同密度及施肥處理水稻SPAD值建立了冠層光譜估算模型。模型精度較好，能為衛(wèi)星遙感監(jiān)測提供支撐。但通過估算模型單一預測SPAD值不能全面地監(jiān)測作物的生長狀況及產(chǎn)量，今后將進一步探究不同施肥及密度處理下其他生長指標與冠層光譜的模型構建。

本研究基于全程機械化大苗機插技術，建立SPAD值與冠層光譜的估算模型，經(jīng)比較和精度驗證，得到以下結論：1）在相同密度條件下，常規(guī)施肥SPAD值整體高于減肥的處理；密度與SPAD值沒有明顯規(guī)律性，移栽密度越大，原始及一階微分光譜反射率明顯增大，不同施肥處理之間的原始光譜反射率差異也增大；移栽密度對水稻冠層光譜反射率的影響大于施肥水平。2）6個處理在634～652 nm和655～668 nm波段內(nèi)達極顯著正相關，在497～552 nm及687～711 nm波段內(nèi)達極顯著負相關，相關系數(shù)均達到0.700以上；基于敏感波段構建的估算模型中，以D3N2的多項式模型y=720 728x2–5 368.2x+49.257估測效果最佳，其建模集R2、RMSE和RE分別為0.766、1.185和2.152%，驗證集R2、RMSE和RE分別為0.729、0.364和0.752%；基于光譜指數(shù)構建的估算模型中，D2N2的模型y=1 200.9x+47.735估測效果最好，其建模集R2、RMSE和RE分別為0.703、1.314和2.359%，驗證集R2、RMSE和RE分別為0.763、0.620和1.198%。3）本試驗6個處理均表現(xiàn)為以DSI為建模變量構建的模型決定系數(shù)最大，說明敏感波長及光譜參數(shù)的選擇對模型的構建至關重要。經(jīng)檢驗，各處理基于敏感波長及光譜參數(shù)分別構建的估算模型精度比較理想，說明本研究所建模型可為衛(wèi)星遙感監(jiān)測提供參考和支撐。