張 敏,劉 濤,孫成明*

(1.揚(yáng)州大學(xué)農(nóng)學(xué)院江蘇省作物遺傳生理重點(diǎn)實(shí)驗(yàn)室/江蘇省作物栽培生理重點(diǎn)實(shí)驗(yàn)室,江蘇揚(yáng)州 225009;2.揚(yáng)州大學(xué)江蘇省糧食作物現(xiàn)代產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心,江蘇揚(yáng)州 225009)

小麥地上部生物量(以下簡稱生物量)是反映作物生長狀況的重要指標(biāo)之一。為了實(shí)現(xiàn)小麥的最佳生長和減少環(huán)境污染,農(nóng)民需要通過不同生育時期的生物量信息來判斷小麥長勢,進(jìn)一步指導(dǎo)施肥。而且在接近生育后期時估算作物的生物量還可用于產(chǎn)量預(yù)測[1]。在傳統(tǒng)手段上準(zhǔn)確測定作物生物量需要破壞性取樣[2],這不僅費(fèi)時費(fèi)力,而且通常不適用于大面積監(jiān)測[3]。

隨著科學(xué)技術(shù)的發(fā)展,遙感技術(shù)逐漸被用于農(nóng)業(yè)監(jiān)測,為在局部和區(qū)域尺度上定量估測作物生物量提供了一種經(jīng)濟(jì)高效的方法[4-5]。同時,近乎連續(xù)光譜的高光譜傳感器的出現(xiàn),為準(zhǔn)確估測生物量等作物理化指標(biāo)開辟了新的道路[6]。隨著無人機(jī)(UAV)硬件和軟件的快速發(fā)展,基于無人機(jī)平臺的遙感監(jiān)測越來越多地用作數(shù)據(jù)收集工具,其操作簡單、超高的軟硬件集成度、靈活的飛行高度等特點(diǎn)可以快速獲取大量遙感數(shù)據(jù),而且較低的飛行高度大大提高了遙感數(shù)據(jù)的空間分辨率[7]。

早期一些RGB相機(jī)和多光譜相機(jī)計算的顏色指數(shù)或植被指數(shù)(VI)在估測農(nóng)學(xué)參數(shù)時存在一定限制,如基于多光譜的紅波段和近紅外波段得到的歸一化差異植被指數(shù)(NDVI),它在估測生物量或葉面積指數(shù)時容易出現(xiàn)飽和現(xiàn)象[8-9]。因此,它不能用來準(zhǔn)確估測非常密集的冠層生物量[10]。然而,基于高光譜計算的植被指數(shù)被認(rèn)為對量化植被生物量更加敏感[11]。研究結(jié)果表明,由特定波段構(gòu)建的歸一化差異植被指數(shù)(NDVI)可以提高生物量估測精度。Hansen等[12]的研究中表明,基于NDVI(718、720 nm)的線性模型在用于估算冬小麥生物量時準(zhǔn)確度很高。Cho等[13]使用機(jī)載高光譜圖像發(fā)現(xiàn)基于NDVI(740、 771 nm)的線性模型用于估測草的生物量時比基于傳統(tǒng)NDVI(665、 801 nm)的線性模型精度更高。Ren等[14]研究表明,基于NDVI(693、 862 nm)的線性模型相對于土壤調(diào)整植被指數(shù)(SAVI)估測的荒漠草原綠色生物量具有更好的估測性能。

鑒于此,以設(shè)置不同品種、氮肥梯度和密度處理的小麥大田試驗(yàn)為基礎(chǔ),筆者利用無人機(jī)平臺搭載高光譜相機(jī)獲取不同時期小麥冠層反射光譜數(shù)據(jù),利用高光譜通道多、光譜分辨率高、信息豐富等特點(diǎn),提取17種不同的植被指數(shù),充分挖掘冠層反射光譜信息;通過將植被指數(shù)與生物量進(jìn)行相關(guān)性分析,篩選與生物量相關(guān)性達(dá)到顯著水平的植被指數(shù)構(gòu)建各生育期生物量的偏最小二乘回歸模型(PLSR),并將3個生育時期數(shù)據(jù)融合在一起構(gòu)建生物量全生育期估測模型,旨在尋找不同生育時期生物量敏感植被指數(shù),構(gòu)建多時期生物量估測模型,提高生物量估測精度。

1 材料與方法

1.1 試驗(yàn)地概況試驗(yàn)于2020—2021年在儀征市大儀鎮(zhèn)(119°10′E,32°30′N)進(jìn)行,試驗(yàn)區(qū)全年溫暖濕潤,雨水充沛,四季分明,屬亞熱帶季風(fēng)氣候地區(qū)。常年主導(dǎo)風(fēng)向?yàn)闁|南風(fēng),多年平均降水量約1 014 mm,多年平均氣溫約15.1 ℃,多年平均日照時長約6 h。

1.2 試驗(yàn)材料該試驗(yàn)以揚(yáng)麥23號、鎮(zhèn)麥9號和寧麥13號為研究對象。

1.3 試驗(yàn)方法試驗(yàn)設(shè)置4個氮肥梯度:225.0 kg/hm2(N1處理)、202.5 kg/hm2(N2處理)、180.0 kg/hm2(N3處理)、157.5 kg/hm2(N4處理);2個條播密度:225萬株/hm2(M1處理)和300萬株/hm2(M2處理)基本苗。肥料采用含氮量44%的樹脂包衣控釋氮肥(控釋期180 d),磷鉀肥分別為P2O5含量為12%的過磷酸鈣和K2O含量為60%的KCl,施用量均為120 kg/hm2,所有肥料均于播前底施。于2020年11月3日播種,小區(qū)面積為18 m2,重復(fù)2次,共48小區(qū)。

1.4 數(shù)據(jù)獲取方式

1.4.1小麥地上部生物量測定。分別于小麥拔節(jié)期、孕穗期、開花期進(jìn)行田間取樣。各處理隨機(jī)選取20株長勢均勻的小麥植株,剪掉根系,清水洗凈,放入烘箱在105 ℃下殺青30 min后將溫度調(diào)節(jié)到80 ℃繼續(xù)烘干至恒重,稱取干重后換算成單位面積地上部干物重,即地上部生物量。

1.4.2光譜數(shù)據(jù)獲取過程。于拔節(jié)期、孕穗期、開花期采用DJI M600 PRO無人機(jī)搭載GaiaSky-Mini2機(jī)載高光譜成像系統(tǒng)獲取試驗(yàn)田塊高光譜圖像數(shù)據(jù),飛行高度為100 m,手動規(guī)劃航線坐標(biāo)點(diǎn),采用定點(diǎn)懸停掃描,航向和旁向重復(fù)率均為80%,飛行任務(wù)開始前校準(zhǔn)鏡頭調(diào)整曝光時間,起飛后拍攝地面3張不同反射率灰布,為后期圖像反射率校準(zhǔn)提供參考標(biāo)準(zhǔn)。每次飛行時間為10:30—11:30,天氣晴朗、無強(qiáng)風(fēng)。

1.5 數(shù)據(jù)分析方法

1.5.1光譜數(shù)據(jù)預(yù)處理。使用SpecView對原始數(shù)據(jù)依次進(jìn)行鏡頭校準(zhǔn)、反射率校準(zhǔn)、大氣校正即可得到校準(zhǔn)后的高光譜圖像數(shù)據(jù)。使用HiSpectralSticher軟件對校準(zhǔn)后的高光譜圖像進(jìn)行拼接。使用Envi 5.3軟件并利用Subset Data from ROIs工具對拼接完成的高光譜圖像進(jìn)行裁剪。

1.5.2植被指數(shù)提取。該研究利用MATLAB R2020a軟件,通過預(yù)處理后的高光譜圖像分別計算和提取了每個處理較為常用的17種植被指數(shù)(詳細(xì)植被指數(shù)名稱見表1)。關(guān)于這些植被指數(shù)的研究較多,在小麥的生長監(jiān)測中早已被證明具有很高的相關(guān)性和可靠性。

表1 植被指數(shù)及計算方法

1.6 建模方法及模型驗(yàn)證指標(biāo)為了構(gòu)建最佳的小麥生物量估測模型,采用偏最小二乘回歸(PLSR)進(jìn)行建模,PLSR融合了主成分分析法和多元線性回歸算法,有效地消除了多元線性回歸中各變量的共線性,剔除了冗余信息,以提高計算的效率[28]。該研究利用Python 3.9和scikit-learn庫進(jìn)行PLSR建模,訓(xùn)練集和驗(yàn)證集比例為3∶1。通過決定系數(shù)(R2)、均方根誤差(RMSE)檢驗(yàn)?zāi)Ｐ偷木取?/p>

2 結(jié)果與分析

2.1 各生育期植被指數(shù)與生物量的相關(guān)性分別對拔節(jié)期、孕穗期、開花期和全生育期的植被指數(shù)和生物量進(jìn)行相關(guān)性分析,結(jié)果見表2。拔節(jié)期、孕穗期、開花期樣本數(shù)均為24個,全生育期樣本數(shù)為72個。從表2可以看出,拔節(jié)期17種植被指數(shù)中與生物量相關(guān)性最低的是WBI指數(shù),相關(guān)系數(shù)僅為-0.286,其余指數(shù)與生物量的相關(guān)性均達(dá)到極顯著相關(guān)水平,其中相關(guān)系數(shù)最高的是DVI和RDVI指數(shù),相關(guān)系數(shù)均為0.784。孕穗期TCARI指數(shù)與生物量的相關(guān)性最低,相關(guān)系數(shù)為0.188,未達(dá)到顯著相關(guān)水平;除NPCI指數(shù)和MCARI指數(shù)與生物量只達(dá)到顯著相關(guān)水平外,其余植被指數(shù)均與生物量均達(dá)到極顯著相關(guān)水平,其中相關(guān)系數(shù)最高的指數(shù)是GNDVI,系數(shù)為0.766。開花期有4個植被指數(shù)與生物量達(dá)到極顯著相關(guān)水平,相關(guān)系數(shù)最大的是WBI,為-0.642。全生育期除GNDVI與生物量相關(guān)性未達(dá)到顯著水平、NPCI達(dá)到顯著水平外,其余15種植被指數(shù)與生物量的相關(guān)性均達(dá)到極顯著相關(guān),其中相關(guān)系數(shù)最高的是WI指數(shù),相關(guān)系數(shù)為-0.799。

表2 基于高光譜數(shù)據(jù)的不同植被指數(shù)與生物量的相關(guān)性

2.2 基于顯著相關(guān)植被指數(shù)的小麥生物量模型構(gòu)建根據(jù)前述相關(guān)分析的結(jié)果可知,在小麥拔節(jié)期、孕穗期和全生育期各有16種植被指數(shù)與生物量達(dá)到顯著相關(guān)水平,在小麥開花期有8種植被指數(shù)與生物量達(dá)到顯著相關(guān)水平。該研究以達(dá)到顯著相關(guān)為篩選標(biāo)準(zhǔn),利用各生育期與生物量達(dá)到顯著相關(guān)水平的植被指數(shù)構(gòu)建偏最小二乘回歸模型,并繪制訓(xùn)練集生物量1∶1線圖(圖 1)。

從圖 1可以看出,各時期生物量的估測值和真實(shí)值均較為均勻的對稱分布在1∶1線兩側(cè),圖1D(全生育期)和1B(孕穗期)中各點(diǎn)圍繞1∶1線分布更加緊湊,線性趨勢更為明顯,圖1A(拔節(jié)期)中各點(diǎn)分布更為松散,松散程度最高的是圖1C(開花期)。與之對應(yīng)的是各生育期生物量模型的決定系數(shù)(R2),R2最高的是全生育期為0.82,孕穗期精度次之,R2為0.72,拔節(jié)期和開花期R2分別為0.61和0.54。孕穗期、拔節(jié)期、開花期生物量模型均方根誤差(RMSE)依次為461.74、472.05、742.97 kg/hm2,R2越高則RMSE越低,但R2最高的全生育期模型的RMSE反而也是最高,為818.60 kg/hm2。

注:A.拔節(jié)期;B.孕穗期;C.開花期;D.全生育期。

2.3 基于顯著相關(guān)植被指數(shù)的小麥生物量模型驗(yàn)證表3是各生育期小麥生物量PLSR估測模型中各植被指數(shù)對應(yīng)的權(quán)重和常數(shù)項(xiàng)。利用各生育期預(yù)留的小麥生物量驗(yàn)證數(shù)據(jù)代入到模型中對各生物量估測模型進(jìn)行精度驗(yàn)證,同時繪制真實(shí)值和估測值的1∶1線圖(圖 2)。

表3 各生育期生物量PLSR模型參數(shù)

從圖 2可以看出,圖2D中各點(diǎn)分布最靠近1∶1線,而且均勻分布在線的兩側(cè),50%左右的點(diǎn)幾乎分布在線上;圖2A、B中各點(diǎn)分布也較為均勻,圖2C中各點(diǎn)分布效果最差。各生育期PLSR模型的驗(yàn)證精度均較建模精度有所提高,拔節(jié)期、孕穗期、開花期和全生育期的R2分別為0.68、0.82、0.57和0.93,較建模R2分別提高0.07、0.10、0.03和0.11,RMSE分別為354.92、402.09、652.86和519.67 kg/hm2,較建模RMSE分別降低了117.13、59.65、90.11和298.93 kg/hm2。

注:A.拔節(jié)期;B.孕穗期;C.開花期;D.全生育期。

3 討論

該研究中不同生物量與植被指數(shù)相關(guān)性分析可以看出,拔節(jié)期和孕穗期生物量與各植被指數(shù)的相關(guān)性的相關(guān)程度很高,分別有16和14種植被指數(shù)達(dá)到極顯著相關(guān),而且拔節(jié)期相關(guān)系數(shù)絕對值大多達(dá)到0.7,孕穗期相關(guān)系數(shù)絕對值普遍在0.6以上;而開花期17種植被指數(shù)中只有8種達(dá)到顯著相關(guān),其中4種達(dá)到極顯著相關(guān),許多在拔節(jié)期和孕穗期均極顯著相關(guān)的植被指數(shù)在開花期均未達(dá)到顯著相關(guān)。這可能是因?yàn)榘喂?jié)期和孕穗期小麥植株冠層葉片不夠密集、葉片重疊率低,而到了開花期植株冠層茂盛、空間重疊率高,導(dǎo)致植被指數(shù)出現(xiàn)飽和現(xiàn)象[15]。Gao等[8-9]的研究都認(rèn)為基于多光譜的紅波段和近紅外波段得到的歸一化差異植被指數(shù)(NDVI),它在估測生物量或葉面積指數(shù)時容易出現(xiàn)飽和現(xiàn)象,Clevers等[10]認(rèn)為,光譜飽和現(xiàn)象使得一些植被指數(shù)在估測密集植被的冠層生物量時精度受限。陳鵬飛等[29]研究指出,NDVI與OSAVI可用于準(zhǔn)確估測中低生物量信息,在較高冠層生物量條件下估測能力顯著下降。該研究結(jié)果同樣表明,模型在估算拔節(jié)期和孕穗期的生物量精度高于開花期,這可能是由于開花期植被相對較密,使得光譜飽和現(xiàn)象更為嚴(yán)重。此外,有研究表明,機(jī)器學(xué)習(xí)模型對訓(xùn)練數(shù)據(jù)的量具有較高的要求[30-32]。對于全生育期而言,數(shù)據(jù)量的增加使得模型被訓(xùn)練得更為充足,各指數(shù)的信息被挖掘得更為充分,這也解釋了利用全生育期數(shù)據(jù)訓(xùn)練的模型相較而言,精度提升明顯。盡管RMSE相較拔節(jié)期和孕穗期有所提高,這是由于融入了開花期的數(shù)據(jù),使得實(shí)測生物量的基數(shù)增大。

4 結(jié)論

該研究提取了基于無人機(jī)高光譜數(shù)據(jù)共提取了的17種植被指數(shù),并通過相關(guān)性分析篩選了各生育期與生物量相關(guān)系較高的植被指數(shù),以構(gòu)建最優(yōu)的PLSR模型。結(jié)果顯示,各生育期與生物量存在顯著相關(guān)系的植被指數(shù)存在差異,其中在拔節(jié)期,相關(guān)系數(shù)最高的是DVI(r=0.784)和RDVI(r=0.784);孕穗期最高的是GNDVI(r=0.766);開花期最高的是WBI(r=-0.642);全生育期最高的是WI(r=-0.799)。該研究所構(gòu)建的PLSR模型能夠很好地擬合生物量與植被指數(shù)之間的關(guān)系。對于拔節(jié)期,精度達(dá)到0.68;孕穗期精度達(dá)到0.82;開花期精度達(dá)到0.57;全生育期精度達(dá)到0.93;該研究中,在低植被覆蓋的拔節(jié)期和孕穗期,模型受到的飽和效應(yīng)較小,精度也高于高植被覆蓋的開花期;此外,具有更多訓(xùn)練樣本的全生育期具有更高的精度。

整體而言,該研究結(jié)合相關(guān)系分析和PLSR算法所構(gòu)建的小麥生物量估算模型具有良好的精度,能夠?yàn)樘镩g作物長勢監(jiān)測與農(nóng)田生產(chǎn)決策提供有效的信息與參考。