留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

引黄灌区水稻红边特征及SPAD高光谱预测模型

秦占飞 常庆瑞 申健 于洋 刘佳岐

秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
引用本文: 秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
QIN Zhanfei, CHANG Qingrui, SHEN Jian, YU Yang, LIU Jiaqi. Red Edge Characteristics and SPAD Estimation Model Using Hyperspectral Data for Rice in Ningxia Irrigation Zone[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
Citation: QIN Zhanfei, CHANG Qingrui, SHEN Jian, YU Yang, LIU Jiaqi. Red Edge Characteristics and SPAD Estimation Model Using Hyperspectral Data for Rice in Ningxia Irrigation Zone[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516

引黄灌区水稻红边特征及SPAD高光谱预测模型

doi: 10.13203/j.whugis20140516
基金项目: 

国家863计划 2013AA102401-2

高等学校博士学科点专项科研基金 20120204110013

详细信息

Red Edge Characteristics and SPAD Estimation Model Using Hyperspectral Data for Rice in Ningxia Irrigation Zone

Funds: 

The National 863 Program of China 2013AA102401-2

Research Fund for the Doctoral Program of Higher Education of China 20120204110013

More Information
  • 摘要: 叶绿素含量是评估水稻长势和产量的重要参数。为了实现快速而准确的叶绿素含量估测,以宁夏引黄灌区宁粳43号水稻为试验对象,通过不同的氮素水平试验,测定了水稻在拔节期、抽穗期和乳熟期的冠层高光谱反射率和叶片绿色度土壤、作物分析仪器开发(soil and plant analyzer development,SPAD)值,分析了水稻不同时期冠层光谱的红边变化特征,并建立了SPAD的估测模型。结果表明,水稻叶片SPAD值随供氮水平的增加而增加,随生育期的变化表现为至抽穗期达到最高,而后逐渐降低。冠层光谱反射率随供氮水平的提高在可见光波段降低,在近红外波段增加。冠层光谱的红边位置、红边幅值和红边面积从拔节期到抽穗期呈现出“红移”,至乳熟期呈“蓝移”现象,三个红边参数均随氮素水平的提高而增加。水稻拔节期是以红边面积为变量建立的模型对SPAD预测能力较好,而抽穗期和乳熟期则是以红边位置为参数建立的模型精度较高,与南方稻田叶绿素估算模型有所差异。利用高光谱技术对水稻SPAD值进行定量反演,可为西北地区水稻长势遥感监测提供理论依据。
  • 图  1  不同氮素水平下不同生育期水稻SPAD值及冠层光谱曲线特征

    Figure  1.  SPAD and Spectral Reflectance of Rice in Differernt Nitrogen Level and Growth Stages

    图  2  不同氮素水平下不同生育期水稻冠层一阶微分光谱特征

    Figure  2.  First Derivative Reflectance of Rice Canopy in Differernt Nitrogen Level and Growth Stage

    图  3  不同氮素水平下不同生育期水稻冠层红边参数特征

    Figure  3.  Red Edge Parameters of Rice Canopy in Differernt Nitrogen Level and Growth Stages

    图  4  水稻叶片SPAD与冠层原始光谱的相关性

    Figure  4.  Correlation Patterns of Leaf SPAD to Canopy Spectral Reflectance

    图  5  水稻不同生育期SPAD预测模型检验

    Figure  5.  Cross-Validated Prediction of SPAD at Different Growth Stages

    表  1  水稻不同生育期SPAD与光谱变量的相关性

    Table  1.   Correlation Between SPAD Values of Rice and Spectra Variables at Different Growth Stages

    参数 生育期 光谱变量
    Dλred λred Sred R737/R709 R800/R550 PSSRa PSNDa
    SPAD 拔节期 0.706** 0.584** 0.702** 0.689** 0.722** 0.711** 0.698**
    抽穗期 0.712** 0.601** 0.697** 0.714** 0.658** 0.593** 0.746**
    乳熟期 0.069 0.482** 0.453** 0.437* 0.395* 0.257 0.211
    注:样本数n=36,*表示通过0.05显著性检验,**表示通过0.01显著性检验。
    下载: 导出CSV

    表  2  水稻不同生育期SPAD对红边参数的回归方程

    Table  2.   Regression Analysis Between SPAD and Red Edge Parameters at Different Growth Stages

    参数 生育期 回归方程 R2 F sig.
    SPAD 拔节期 SPAD=0.389λred-240.202 0.341 17.611 0.000
    SPAD=21.198Sred+36.826 0.493 33.024 0.000
    抽穗期 SPAD=0.144λred-59.075 0.362 0.486 19.272
    SPAD=17.832Sred+39.553 32.089 0.000 0.000
    乳熟期 SPAD=0.257λred-154.533 0.233 10.314 0.003
    SPAD=53.927Sred+14.988 0.205 8.788 0.006
    注:样本数n=36。
    下载: 导出CSV
  • [1] Thomas J R, Gausman H W. Leaf Reflectance vs. Leaf Chlorophyll and Carotenoid Concentrations for Eight Crops [J].Agronomy Journal, 1977, 69(5): 799-802 doi:  10.2134/agronj1977.00021962006900050017x
    [2] Huang Xin, Zhang Liangpei.An Adaptive Mean-Shift Analysis Approach for Object Extraction and Classification from Urban Hyperspectral Imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(12): 4 173-4 185 doi:  10.1109/TGRS.2008.2002577
    [3] Horler D N H, Dockray M, Barber J. The Red Edge of Plant Leaf Reflectance [J].International Journal of Remote Sensing, 1983, 4(2): 273-288 doi:  10.1080/01431168308948546
    [4] Collins W. Remote Sensing ofCrop Type and Maturity [J].Photogrammetric Engineering and Remote Sensing, 1978, 44(1):43-55 http://wecite.cn/index.php/home/article/details/t/11818
    [5] Blackburn G A. Quantifying Chlorophylls and Caroteniods at Leaf and Canopy Scales: An Evaluation of Some Hyperspectral Approaches [J].Remote Sensing of Environment, 1998, 66(3): 273-285 doi:  10.1016/S0034-4257(98)00059-5
    [6] Song Shalei, Gong Wei, Zhu Bo, et al. Wavelength Selection and Spectral Discrimination for Paddy Rice, with Laboratory Measurements of Hyperspectral Leaf Reflectance [J].ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(5): 672-682 doi:  10.1016/j.isprsjprs.2011.05.002
    [7] 唐延林, 王人潮, 黄敬峰, 等.不同供氮水平下水稻高光谱及其红边特征研究[J].遥感学报, 2004, 8(2): 185-192 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200402013.htm

    Tang Yanlin, Wang Renchao, Huang Jingfeng, et al. Hyperspectral Data and Their Relationships Correlative to the Pigment Contents for Rice Under Different Nitrogen Support Level [J].Journal of Remote Sensing, 2004, 8(2): 185-192 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200402013.htm
    [8] 宋沙磊, 李平湘, 龚威, 等.基于水稻高光谱遥感数据的PLS波长选择研究[J].武汉大学学报·信息科学版, 2010, 35(2): 219-223 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201002024.htm

    Song Shalei, Li Pingxiang, Gong Wei, et al. PLS Wavelength Selection by Hyperspectral Remote Sensing in Rice [J]. Geomatics and Information Science of Wuhan University, 2010, 35(2): 219-223 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201002024.htm
    [9] 王秀珍, 王人潮, 李云梅, 等.不同氮素营养水平的水稻冠层光谱红边参数及其应用研究[J].浙江大学学报(农业与生命科学版), 2001, 27(3): 301-306 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJNY200103016.htm

    Wang Xiuzhen, Wang Renchao, Li Yunmei, et al. Study on Red Edge Characteristics of Rice Spectral Caused by Nitrogen Level [J]. Journal of ZheJiang University (Agriculture & Life Sciences), 2001, 27(3): 301-306 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJNY200103016.htm
    [10] 孙雪梅, 周启发, 何秋霞.利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J].作物学报, 2005, 31(7): 844-850 http://www.cnki.com.cn/Article/CJFDTOTAL-XBZW200507004.htm

    Sun Xuemei, Zhou qifa, He Qiuxia. Hyperspectral Variables in Predicting Leaf Chlorophyll Content and Grain Protein Content in Rice [J]. Acta Agronomica Sinica, 2005, 31(7): 844-850 http://www.cnki.com.cn/Article/CJFDTOTAL-XBZW200507004.htm
    [11] 杨峰, 范亚民, 李建龙, 等.高光谱数据估测稻麦叶面积指数和叶绿素密度[J].农业工程学报, 2010, 26(2): 237-243 http://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201002042.htm

    Yang Feng, FanYamin, Li Jianlong, et al. Estimating LAI and CCD of Rice and Wheat Using Hyperspectral Remote Sensing Data [J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 237-243 http://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201002042.htm
    [12] 陈君颖, 田庆久, 施润和.水稻叶片叶绿素含量的光谱反演研究[J].遥感信息, 2005(6): 12-16 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200506003.htm

    Chen Junying, Tian Qingjiu, Shi Runhe. Study on Simulation of Rice Leaf's Chlorophyll Concentration via the Spectrum [J]. Remote Sensing Information, 2005(6): 12-16 http://www.cnki.com.cn/Article/CJFDTOTAL-YGXX200506003.htm
    [13] Haboudane D, Miller J R, Tremblay N, et al. Integrated Narrow-Band Vegetation Indices for Prediction of Crop Chlorophyll Content for Application to Precision Agriculture [J]. Remote Sensing of Environment, 2002, 81(2-3): 416-426 doi:  10.1016/S0034-4257(02)00018-4
    [14] Ruffin C, King R L, Younan N H. A combined Derivative Spectroscopy and Savitzky-Golay Filtering Method for the Analysis of Hyperspectral Data [J]. GIScience & Remote Sensing, 2008, 45(1): 1-15 doi:  10.2747/1548-1603.45.1.1
    [15] 浦瑞良, 宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社, 2000

    Pu Ruiliang, Gong Peng. Hyperspectral Remote Sensing and Its Application [M]. Beijing: High Education Press, 2000
    [16] Inada K.Spectral Ratio of Reflectance for Estimating Chlorophyll Content of Leaf [J]. Japanese Journal of Crop Sciense, 1985, 54(3): 261-265 doi:  10.1626/jcs.54.261
    [17] 王福民, 黄敬峰, 刘占宇, 等.水稻色素含量估算的最优比值色素指数研究[J].浙江大学学报(农业与生命科学版), 2009, 35(3): 321-328 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJNY200903017.htm

    Wang Fumin, Huang Jingfeng, Liu Zhanyu, et al. Optimal Simple Ratio Pigment Index for Estimating Pigment Contents of Rice [J]. Journal of ZheJiang University (Agriculture & Life Sciences), 2009, 35(3): 321-328 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJNY200903017.htm
  • [1] 汪韬阳, 李熙, 田礼乔, 陈振炜, 李治江, 张过, 李德仁, 沈欣, 李欣, 蒋博洋, 周屈, 邓实权, 王剑茹, 朱浩楠.  城市建筑群航天遥感动态监测 . 武汉大学学报 ● 信息科学版, 2020, 45(5): 640-650. doi: 10.13203/j.whugis20200096
    [2] 刘秀英, 王力, 常庆瑞, 宋荣杰.  利用包络线消除法反演黄绵土水分含量 . 武汉大学学报 ● 信息科学版, 2017, 42(5): 661-668. doi: 10.13203/j.whugis20150006
    [3] 秦占飞, 申健, 谢宝妮, 严林, 常庆瑞.  引黄灌区水稻叶面积指数的高光谱估测模型 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1159-1166. doi: 10.13203/j.whugis20150132
    [4] 魏博文, 熊威, 李火坤, 彭圣军, 徐镇凯.  融合混沌残差的大坝位移蛙跳式组合预报模型 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1272-1278. doi: 10.13203/j.whugis20140570
    [5] 方圣辉, 乐源, 梁琦.  基于连续小波分析的混合植被叶绿素反演 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 296-302.
    [6] 邓敏, 陈倜, 杨文涛.  融合空间尺度特征的时空序列预测建模方法 . 武汉大学学报 ● 信息科学版, 2015, 40(12): 1625-1632. doi: 10.13203/j.whugis20130842
    [7] 牛超, 李夕海, 易世华, 卢世坤, 刘代志.  地磁变化场的MEEMD-样本熵-LSSVM预测模型 . 武汉大学学报 ● 信息科学版, 2014, 39(5): 626-630. doi: 10.13203/j.whugis20130261
    [8] 彭小婷, 高文秀, 王俊杰.  基于包络线去除和偏最小二乘的土壤参数光谱反演 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 862-866.
    [9] 赵海涛, 张兵, 左正立, 陈正超.  推扫式高光谱传感器集成的POS系统视准轴及位置偏差检校 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 973-977.
    [10] 张路, 高志宏, 廖明生, 李新延.  利用多源遥感数据进行城市不透水面覆盖度估算 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1212-1216.
    [11] 陆付民, 王尚庆, 李劲, 严学清.  顾及地下水位因子的卡尔曼滤波模型在滑坡变形预测中的应用 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1184-1187.
    [12] 宋沙磊, 李平湘, 龚威, 汪金平.  基于水稻高光谱遥感数据的PLS波长选择研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 219-223.
    [13] 张睿, 马建文.  一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 834-837.
    [14] 龚龑, 舒宁.  基于层次密度分析的遥感影像分割方法 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 310-313.
    [15] 朱元泓.  一种新的网目印刷光谱预测模型 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 654-657.
    [16] 龚衍, 舒宁.  非参数吉布斯模型和多波段遥感影像纹理分割方法研究 . 武汉大学学报 ● 信息科学版, 2007, 32(7): 581-584.
    [17] 吴波, 张良培, 李平湘.  基于支撑向量机概率输出的高光谱影像混合像元分解 . 武汉大学学报 ● 信息科学版, 2006, 31(1): 51-54.
    [18] 董彦芳, 庞勇, 孙国清, 李增元.  ENVISAT ASAR数据用于水稻监测和参数反演 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 124-127.
    [19] 耿继进.  灰色预测理论若干问题的研究 . 武汉大学学报 ● 信息科学版, 1994, 19(1): 57-62.
    [20] 王欣, 方成勇, 唐小川, 戴岚欣, 范宣梅, 许强.  泸定Ms 6.8级地震诱发滑坡应急评价研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20220586
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  940
  • HTML全文浏览量:  27
  • PDF下载量:  397
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-11-21
  • 刊出日期:  2016-09-05

引黄灌区水稻红边特征及SPAD高光谱预测模型

doi: 10.13203/j.whugis20140516
    基金项目:

    国家863计划 2013AA102401-2

    高等学校博士学科点专项科研基金 20120204110013

    作者简介:

    秦占飞, 博士, 主要从事遥感与GIS应用研究。zhanfeiqin@163.com

    通讯作者: 常庆瑞, 教授。E-mail:changqr@nwsuaf.edu.cn
  • 中图分类号: P237.9

摘要: 叶绿素含量是评估水稻长势和产量的重要参数。为了实现快速而准确的叶绿素含量估测,以宁夏引黄灌区宁粳43号水稻为试验对象,通过不同的氮素水平试验,测定了水稻在拔节期、抽穗期和乳熟期的冠层高光谱反射率和叶片绿色度土壤、作物分析仪器开发(soil and plant analyzer development,SPAD)值,分析了水稻不同时期冠层光谱的红边变化特征,并建立了SPAD的估测模型。结果表明,水稻叶片SPAD值随供氮水平的增加而增加,随生育期的变化表现为至抽穗期达到最高,而后逐渐降低。冠层光谱反射率随供氮水平的提高在可见光波段降低,在近红外波段增加。冠层光谱的红边位置、红边幅值和红边面积从拔节期到抽穗期呈现出“红移”,至乳熟期呈“蓝移”现象,三个红边参数均随氮素水平的提高而增加。水稻拔节期是以红边面积为变量建立的模型对SPAD预测能力较好,而抽穗期和乳熟期则是以红边位置为参数建立的模型精度较高,与南方稻田叶绿素估算模型有所差异。利用高光谱技术对水稻SPAD值进行定量反演,可为西北地区水稻长势遥感监测提供理论依据。

English Abstract

秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
引用本文: 秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐. 引黄灌区水稻红边特征及SPAD高光谱预测模型[J]. 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
QIN Zhanfei, CHANG Qingrui, SHEN Jian, YU Yang, LIU Jiaqi. Red Edge Characteristics and SPAD Estimation Model Using Hyperspectral Data for Rice in Ningxia Irrigation Zone[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
Citation: QIN Zhanfei, CHANG Qingrui, SHEN Jian, YU Yang, LIU Jiaqi. Red Edge Characteristics and SPAD Estimation Model Using Hyperspectral Data for Rice in Ningxia Irrigation Zone[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
  • 叶绿素是植物光合作用中主要的光能吸收物质,其含量的高低将直接影响光合作用的强弱。叶绿素含量与植物生育期及氮素水平有很好的相关性,是植物长势评价的重要指标。健康绿色植物的光谱反射率在可见光波段受叶绿素的影响,而在近红外波段主要由叶片结构及纤维素等支配。鉴于此,可用植物的冠层反射光谱来估算叶绿素含量[1]。高光谱遥感具有光谱分辨率高、波段多且连续性强等优点,这使得微弱的光谱差异在高光谱遥感中可以被监测出来[2]。目前,利用高光谱遥感来估测植物的色素含量应用最多的是“红边”位置,它被定义为红边区间(680~760 nm)最大斜率的波长。“红边”是绿色植物特有的光谱特征,它与叶绿素含量具有较好的相关性[3]。文献[4]提出“红边”向长波方向的位移反映了植被叶绿素浓度的增加。另一些学者借助多元统计分析技术建立叶绿素的高光谱估测模型,以此预测叶绿素含量[5]

    在水稻高光谱研究方面,目前主要集中在基于环境胁迫[6-7](水分、污染、氮素和温度等)的水稻光谱及红边特征变化研究,以及通过特定反射率光谱波段或高光谱植被指数来估算水稻的生物理化参数[8](叶绿素、叶面积指数、生物量和产量等)。国内对水稻的高光谱研究大多针对南方稻田,文献[7]发现水稻红边具有“双峰”现象,且随生育期的推进,双峰现象愈加明显,抽穗期过后“双峰”现象逐渐减弱。文献[9]通过田间试验研究发现在孕穗期之前红边随施氮量增加向长波方向“红移”,孕穗期后主要表现为“蓝移”。文献[10]指出可以用以高光谱参数“Green”为变量构建的指数模型来预测叶绿素含量。在文献[11]中,二次修正土壤调节植被指数与叶绿素密度相关性最好(r>0.91)。文献[12]利用红边、蓝边和黄边参数建立多元回归方程,以此来预测水稻叶绿素含量。而对地处西北的宁夏引黄灌区水稻的高光谱遥感研究未见报道,且以往研究结果并不统一,模型的可靠性和普适性需要进一步验证,尤其是叶绿素含量与高光谱数据之间的关系有待深入研究。

    本文通过分析宁夏引黄灌区水稻关键生育期的冠层光谱及红边特征,并统计其与叶片土壤、作物分析仪器开发(soil and plant analyzer development, SPAD)的相关性,进而建立水稻SPAD的估测模型,旨在探索水稻叶绿素含量估测方法。

    • 实验于2013年在宁夏青铜峡市叶盛镇水稻示范基地进行,供试水稻品种为宁粳43号。供试土壤为表绣灌淤土,土壤有机质含量1.58%、全氮含量0.094%、速效氮含量62.2 mg·kg-1、速效磷含量15.94 mg·kg-1、速效钾含量148.06 mg·kg-1。选择水稻关键生育期进行采样,时间分别为:7月15日(拔节期),植被特征表现为群体较小,田内有水,稍有裸露的土壤;8月9日(抽穗期),植被盖度接近90%,基本无土壤裸露;9月10日(乳熟期),稻田内无水,植被盖度接近90%,部分叶片开始枯黄、脱落。

    • 实验设3个施氮(纯N)水平0、240、300 kg·hm-2,分别记为N0、N1、N2。共划分12个小区,各小区面积60 m2(10 m×6 m),设4个重复,按完全随机布置。氮肥分3次施入,分别为基肥60%、分蘖肥20%、穗肥20%,人为造成无肥、氮肥适中和氮肥过量3种情况。各小区磷、钾施用量相同,全部作基肥。实验使用的肥料为尿素、重过磷酸钙和氯化钾。

    • 为了扩展模型的普适性,选择该镇不同长势的4块水稻大田,观测项目及时间为小区实验相同,用大田实验数据对预测模型进行检验。

    • 采用美国ASD公司生产的FieldSpec HandHeld便携式地物光谱仪测定水稻冠层光谱。光谱仪的波段值范围为325~1 075 nm,光谱采样间隔为1.5 nm,光谱分辨率为3.5 nm。冠层光谱测定选择在天气晴朗、无风时进行,时间为10:00~14:00。测量时光谱仪视场角7.5°,传感器探头垂直向下,距水稻冠层垂直高度约0.7 m。每次采集目标光谱前后都进行参考板校正,每个小区(大田)选择3个具有代表性的样本点,光谱采样以10个光谱为一采样光谱,每次记录5个采样光谱,取平均值作为该样本点的光谱测量值。

    • 对应于测冠层光谱的位置,采用SPAD-502型叶绿素仪测定水稻不同功能叶片的SPAD值6~10次,取其平均值作为该样本点的SPAD值。SPAD仪是利用透射方法即两个发光二极管向叶片的某一部位发射红光(峰值波长650 nm)和近红外光(峰值波长940 nm),利用两个波长下的光密度差别测量叶绿素相对含量。SPAD值无量纲,它与叶片叶绿素含量具有较高相关性,常用于表征叶绿素含量[13]

    • 实验测得建模样本数36个(小区),检验样本数12个(大田)。在数据分析前利用光谱仪自带的处理软件ViewSpec Pro 6.0将采集的水稻冠层光谱数据进行处理并导出,其中325~400 nm和900~1 075 nm波段受仪器和外界干扰,曲线成锯齿状,误差较大,将其剔除,剔除后剩余500个数据波段。采用Savitzky-Golay(SG)平滑滤波[14]对光谱数据进行预处理,平滑点数为5。

      首先,使用一阶微分去除部分线性或接近线性的背景以及噪声光谱对目标光谱的影响[15]

      (1)

      式中,Di是波段i处的一阶微分;λi是第i个通道的波长;Ri为波长为i处的光谱反射率。

      其次,从一阶微分光谱中提取水稻的红边参数,包括红边位置λred、红边幅值Dλ以及红边面积Sred。其中,λred为红光范围内(680~760 nm)一阶微分光谱达最大时对应的波长;Dλ为红光范围内一阶微分光谱的最大值;Sred为一阶微分光谱在680~760 nm之间包围的面积。

    • 利用小区样本数据进行建模,选取与水稻SPAD值相关性较好的高光谱特征变量,建立水稻不同生育期SPAD的单变量线性估算模型,借助同期的水稻大田观测样本数据进行模型检验。以决定系数R2、均方根误差(root mean square error, RMSE)和相对误差(relative error, RE)作为精度评价标准,并绘制实测值与模型预测值之间的1∶1图。

    • 水稻不同生育期SPAD值差异明显(见图 1(a)),随着生育期的推进表现出先升高后降低的趋势,在抽穗期达到最大值。进入乳熟期后,由于叶绿素开始分解,SPAD值显著降低。这种差异也反映在光谱曲线上(图 1(b)),在可见光区,水稻抽穗前期,植株的不断生长增强了水稻叶片的光合能力,叶片对红、蓝光的吸收增加,相应反射则逐渐减小,至抽穗期反射达到最低,对红、蓝光的强吸收使绿波段的反射逐渐突出,形成一个小的反射峰。从抽穗到乳熟,水稻叶片内的营养物质开始向穗部转移,冠层的叶绿素逐渐减少,叶片的光合能力不断降低,对红、蓝光的吸收减少,反射增加。随生育期的推进,红蓝光的反射率逐渐增加,在550 nm的绿色发射峰越发不明显。在近红外区,从拔节到抽穗,水稻叶面积指数(leaf area index, LAI)不断增加,使得近红外区的反射率增加,当LAI达到一定值时,近红外的反射率趋于稳定。到乳熟期,因叶片向穗部提供大量养分,叶片内部组织结构发生变化,近红外的反射率开始逐渐下降,直到水稻成熟。

      图  1  不同氮素水平下不同生育期水稻SPAD值及冠层光谱曲线特征

      Figure 1.  SPAD and Spectral Reflectance of Rice in Differernt Nitrogen Level and Growth Stages

      在三个生育期内,水稻的SPAD值均随氮素水平的升高而增加(图 1(a)),说明氮素对水稻叶片叶绿素的含量影响较大。不同氮素水平的水稻冠层光谱也存在明显差异(图 1(b)),表现为在可见光波段,光谱反射率随供氮水平的提高而降低,在近红外波段则呈现相反的趋势。

    • 图 2(a)所示,水稻冠层的一阶微分光谱在红光范围内存在明显的“双峰”或“多峰”现象。从拔节到抽穗,水稻“红边”向长波方向位移,从727 nm右移到732 nm,原因在于水稻植被覆盖度增加,叶绿素含量提高,这使得水稻叶片光合作用增强,继而需要消耗更多的长波光子[7]。而到了乳熟期,叶片逐渐转黄,植被覆盖度降低,叶绿素含量出现衰减,此时水稻“红边”出现在696 nm,表现出一定程度的“蓝移”现象(以N1水平为例)。如前所述,由于水稻叶绿素含量随氮素水平的增加而增加,因此,随着氮素提高,水稻“红边”位置发生“红移”,N2、N1和N0三种氮素水平下水稻“红边”位置分别为734 nm、727 nm和723 nm(图 2(b),以拔节期为例)。

      图  2  不同氮素水平下不同生育期水稻冠层一阶微分光谱特征

      Figure 2.  First Derivative Reflectance of Rice Canopy in Differernt Nitrogen Level and Growth Stage

      图 3可见,水稻冠层反射光谱的“红边”位于690~740 nm之间,且红边位置、红边幅值和红边面积均受氮素水平的影响,随着施氮量的增加而增加。三种氮素水平下,红边波长、红边幅值和红边面积均在抽穗期时达到最大值,进入乳熟期后,三个红边参数均有所减小,表现出“蓝移”现象。

      图  3  不同氮素水平下不同生育期水稻冠层红边参数特征

      Figure 3.  Red Edge Parameters of Rice Canopy in Differernt Nitrogen Level and Growth Stages

    • 将水稻原始光谱反射率与叶片SPAD进行单相关分析(样本数36),如图 4所示,水稻叶片SPAD与冠层光谱反射率在红边附近(640~690 nm)有较好的相关性(99%置信水平),这主要是叶绿素在此光谱区间强吸收造成的,最大相关系数在680 nm处,最小相关系数在550 nm处。在近红外区间存在一个正相关的平台,但相关系数较小,由于该波段主要受叶片内部结构影响,因此对叶绿素含量的变化不敏感。

      图  4  水稻叶片SPAD与冠层原始光谱的相关性

      Figure 4.  Correlation Patterns of Leaf SPAD to Canopy Spectral Reflectance

      根据相关性分析结果,本文选择的用于分析叶片SPAD值和高光谱数据相关性的特征参数包括基于水稻冠层原始光谱提取的高光谱植被指数,以及基于一阶微分光谱提取的红边参数。其中高光谱植被指数包括简单比值植被指数R800/R550[16]R737/R709[17],色素比值指数PSSRa=R800/R680[5],色素归一化差值指数PSNDa=(R800-R680)/(R800+R680)[5]。红边参数包括红边位置,红边幅值和红边面积。各特征参数与SPAD的相关性统计结果见表 1

      表 1  水稻不同生育期SPAD与光谱变量的相关性

      Table 1.  Correlation Between SPAD Values of Rice and Spectra Variables at Different Growth Stages

      参数 生育期 光谱变量
      Dλred λred Sred R737/R709 R800/R550 PSSRa PSNDa
      SPAD 拔节期 0.706** 0.584** 0.702** 0.689** 0.722** 0.711** 0.698**
      抽穗期 0.712** 0.601** 0.697** 0.714** 0.658** 0.593** 0.746**
      乳熟期 0.069 0.482** 0.453** 0.437* 0.395* 0.257 0.211
      注:样本数n=36,*表示通过0.05显著性检验,**表示通过0.01显著性检验。

      表 1可以看出,与三个时期水稻叶片叶绿素含量相关性最好的光谱变量为红边参数λredSred,二者由红光波段(640~690 nm)计算而来,这正是叶绿素的强吸收波段。且三个生育期水稻叶片SPAD与λredSred的相关性都通过了0.01的显著性检验,表明λredSred对叶绿素含量的变化有较好的表征。而其余光谱变量与水稻乳熟期叶片SPAD的相关性均未达到0.01的显著性水平。因此,本文以红边参数λredSred为自变量,建立水稻SPAD的单变量线性回归模型(见表 2)。

      表 2  水稻不同生育期SPAD对红边参数的回归方程

      Table 2.  Regression Analysis Between SPAD and Red Edge Parameters at Different Growth Stages

      参数 生育期 回归方程 R2 F sig.
      SPAD 拔节期 SPAD=0.389λred-240.202 0.341 17.611 0.000
      SPAD=21.198Sred+36.826 0.493 33.024 0.000
      抽穗期 SPAD=0.144λred-59.075 0.362 0.486 19.272
      SPAD=17.832Sred+39.553 32.089 0.000 0.000
      乳熟期 SPAD=0.257λred-154.533 0.233 10.314 0.003
      SPAD=53.927Sred+14.988 0.205 8.788 0.006
      注:样本数n=36。
    • 为了检验水稻不同生育期SPAD回归模型的精度及普适性,采用同期观测的大田水稻数据进行验证(样本n=12,见图 5)。

      图  5  水稻不同生育期SPAD预测模型检验

      Figure 5.  Cross-Validated Prediction of SPAD at Different Growth Stages

      结果显示,水稻拔节期以Sred为变量建立的回归模型预测值与实际观测值之间的一致性较好,检验R2达到0.604,RMSE为2.375,RE为6.81%,估测精度达到93.19%(图 5 (b))。而抽穗期(图 5(c))和乳熟期(图 5)则以λred为光谱变量建立的模型精度较高,R2分别为0.503和0.636。其中乳熟期的模型相对误差较高,达到13.24%,估测精度不到90%,模型预测精度较差。这主要是因为乳熟期水稻的叶片和植株出现萎蔫变黄,并且乳熟期的冠层光谱中包含很大一部分稻穗的光谱信息,而SPAD仅测的是叶片的叶绿素含量;其次,到乳熟期水稻群体的LAI下降,土壤背景的干扰有所增加,这也会影响反射光谱曲线,进而可能影响模型精度。

      图 5所示,不同氮素的点用不同灰阶表示,为了分析氮素水平对模型精度的影响,对选定的三个生育时期的模型分别计算不同氮素水平样本的精度。结果发现,模型精度与氮素水平具有一定的规律性,表现为随氮素水平的增加,模型的相对误差减少(以乳熟期为例,三种氮素水平的相对误差分别为REN2=14.77%、REN1=16.78%、REN0=24.65%)。

    • 不同施氮水平将影响水稻叶片的结构和功能,导致叶绿素含量出现明显差异,氮肥施用量与SPAD值呈正相关关系[7],这与本文研究结果一致。叶绿素含量的多少直接关系到植被光合作用的强弱,是植被活力的体现,这种差异反映在光谱反射曲线上则呈现不同程度的红边“红移”或“蓝移”现象。通过选择与SPAD值相关性较好的红边参数构建光谱变量分不同生育期来预测水稻SPAD值,并以大田实验数据进行检验,发现拔节期和抽穗期模型预测精度较高,而乳熟期效果则不理想。文献[15]认为当样本数比波段数少时,波段反射率可能并未与某些理化成分相关。本文研究中的建模数据来源于小区样本,样本数较少且影响因子较为单一,导致预测模型本身的拟合精度较低,预测R2最大为0.493,最小仅为0.205(见表 1),说明用于建模的自变量仅能解释因变量的20.5%~49.3%。而检验样本则是基于大田的实测数据,由于大田肥力条件和管理制度不同,影响因素较为复杂,用大田数据来检验预测模型的精度,虽然扩展了模型的普适性和应用性,但效果往往不太理想。今后的研究中,应尝试增加变量个数,进行非线性和多元统计建模,提高模型预测能力,使模型更加完善,以促进水稻叶绿素高光谱监测的直接应用。

      本文以宁夏引黄灌区的水稻为研究对象,分生育期对水稻的叶绿素含量进行了预测。就水稻光谱的红边特征而言,引黄灌区与南方稻田基本相似,均具有“双峰”或“多峰”现象,且红边均在抽穗期前表现为“红移”,在抽穗期后发生“蓝移”。在叶绿素预测模型参数选择方面,之前的一些学者在南方稻田应用较多的主要包括高光谱植被指数[10, 11]、简单比值指数[17]以及由原始光谱一阶导数求得的红边参数,如红边位置、红谷净面积及红边峰值等[12],而本文研究中与水稻叶绿素相关性最好的光谱变量为λredSred。造成这种差异的原因在于以水稻群体冠层水平为研究对象,受光照条件、冠层结构和背景复杂情况的影响,测得的冠层光谱反射率会有很大差异,这在一定程度上影响模型的适用性和精度。因此,需要进一步验证不同光谱参数在不同生长环境下的敏感性,以促进不同区域水稻叶绿素含量估测模型的统一。

    • 本文结合宁夏引黄灌区水稻小区及大田实验,通过分析水稻在拔节期、抽穗期和乳熟期的冠层光谱及红边特征,寻找与水稻SPAD相关性较高的高光谱特征变量进行模型构建及精度检验,得到结论如下。

      1)水稻不同生育期、不同氮素水平下的叶绿素存在差异,叶片SPAD值随供氮水平的增加而增加,至抽穗期达到最大值。叶绿素含量的差异导致冠层光谱的反射曲线有所不同,冠层光谱反射率随氮素水平的提高在可见光波段降低,近红外波段升高。

      2)水稻反射率的一阶微分光谱曲线呈现“双峰”或“多峰”现象,随生育期的推进红边表现出先“红移”后“蓝移”的现象,红边位置、红边幅值和红边面积均在抽穗期达到最大值,三者均随氮肥施用量的增加而增加。

      3)利用高光谱特征变量建立的回归模型能够较好地预测水稻在拔节期和抽穗期的SPAD值,而对乳熟期SPAD的预测能力较差,叶绿素估测模型与南方稻田有所不同。

      由于天气条件限制,本文仅对水稻关键生育期叶绿素进行了估测。下一阶段的工作是尽可能获得更多的水稻田间数据,包括水稻不同品种以及长时间序列的数据,以期进一步提高估测模型的可靠性,为水稻长势及产量的高光谱遥感监测提供更加详实的基础数据。

参考文献 (17)

目录

    /

    返回文章
    返回