冬小麦叶面积指数的品种差异性与高光谱估算研究

郭建彪，马新明,3，时 雷，张娟娟，杜 盼，魏钦钦

(1.河南粮食作物协同创新中心，河南郑州 450002；2.河南农业大学农学院，河南郑州 450002；3.河南农业大学信息与管理科学学院，河南郑州 450002)

近年来，高光谱遥感技术获得了快速发展，成为农作物生长快速监测与诊断的重要方法之一。高光谱遥感具有较高的光谱分辨率，通常达到10-2λ数量级，可以准确反映田间农作物的光谱特征，更加精准地获取农作物长势信息，如作物氮含量、叶绿素含量、叶面积指数(LAI)等生理生态参数，可应用其预测结果对作物的长势状况进行综合分析，便于辅助合理地制定和实施大田管理措施，实现作物优质高产的目的[1-3]。

LAI是作物冠层结构的一个重要参数，它不仅与作物的多个生理生态过程有关，还起着表征作物生长动态信息的作用[4]，同时它也是作物生长模型和决策支持系统的重要输入参数[5-6]，因此国内外均比较重视对LAI的研究[7-10]。研究发现，红边位置、红边斜率与红边面积和LAI存在极显著相关关系[11-12]。通过比较高光谱植被指数与水稻和小麦LAI之间的关系，确定估算两种作物LAI的最佳植被指数[13]。在冬小麦不同生育时期选择不同的植被指数构建LAI的分段反演模型，可以改善冬小麦LAI的反演精度[14]。另外，也有大量新的建模算法被运用到其中，如小波变换[15]、BP神经网络[16]、非线性支持向量机[17]、多核支持向量机[18]、随机森林算法[19]等，使得LAI估测模型在预测稳定性和精度方面有了很大的提升。然而，由于影响作物光谱特性的因素众多，不同条件下作物光谱特性变异的机理不明确，特别是现有模型应用到生产中存在精度不高等问题，尚需要去研究解决。此外，已有的小麦LAI估算模型多是利用特定品种进行建模，而当用于其他区域不同品种进行估测时会存在较大偏差。因此，基于不同品种建立LAI的敏感区域及估算模型是否存在较大差异，需要进一步明确。

本研究以河南省主推的四个小麦品种为研究对象，系统分析LAI与冠层光谱反射率的相关性，明确LAI监测的敏感波段，并分别建立四个品种的单品种模型及综合模型。在此基础上，对不同模型在不同品种上的性能表现进行分析，以期为高光谱技术在小麦LAI的估算及管理调控提供理论依据和技术支持。

1 材料与方法

1.1 试验设计

试验1：试验于2015-2016年在河南农业大学许昌校区(113°48′14.9″E ,34°8′1″N)进行，土壤有机质含量为16.53 g·kg-1，全氮含量为1.22 g·kg-1，碱解氮含量为73.14 mg·kg-1，速效磷含量为40.14 mg·kg-1，速效钾含量为208.75 mg·kg-1。供试品种为周麦27、郑麦366、矮抗58和豫麦49-198。试验设120、225和330 kg·hm-23个施氮水平，分别用N120、N225、N330表示，氮肥50%基施，50%拔节期追施。各处理均基施P2O5134.9 kg·hm-2和KCl 104.9 kg·hm-2。试验采用裂区设计，2次重复，每个小区面积为14 m2(7 m×2 m)，基本苗为3×106株·hm-2，于2015年10月中下旬播种，其他栽培管理措施同一般高产麦田。

试验2：试验于2013-2014年在河南省许昌市许昌县(113°54′46″E，34°3′33″N)进行，土壤有机质含量为13.53 g·kg-1，全氮含量为1.05 g·kg-1，碱解氮含量为63.14 mg·kg-1，速效磷含量为30.14 mg·kg-1，速效钾含量为198.75 mg·kg-1。供试品种和施肥量同试验1，小区面积为33.6 m2(7 m×2 m)，基本苗3×106株·hm-2，于2013年10月中旬播种，其他栽培管理措施同一般高产麦田。

1.2 冠层光谱及LAI测定

小麦冠层光谱测量使用美国分析光谱仪器公司(Analytical Spectral Devices，ASD公司)生产的ASD FieldSpec 野外便携式高光谱仪测定。该仪器能在325～1 075 nm波长范围内连续测量，采样间隔为1.4 nm，光谱分辨率为3 nm，视场角为25°，所有的观测均选择在晴朗无风天气，每次测定时间为10:00至14:00。 测量时，光谱仪传感器探头垂直向下，距冠层垂直高度约1 m。每个小区内选定两处位置，以10个光谱为1个采样间隔，每次记录20个光谱，以其平均值作为该小区的冠层光谱反射值，测量过程中及时进行标准白板校正。试验1的田间光谱测试时期为2月29日(返青期)、3月27日(拔节期)、4月28日(开花期)、5月8日(花后10 d)和5月20日(花后20 d)。试验2的田间光谱测试时期为3月16日(拔节期)、4月22日(开花期)和5月2日(灌浆期)。

与光谱测量同步，每小区在拔节期选取有代表性小麦20株，开花期以后选取小麦10株，采用比叶重法测定LAI[20]。

1.3 数据分析与处理

以试验1为建模样本，系统分析400～900 nm范围内任意两波段组合的比值光谱指数(RSI)、归一化差值光谱指数(NDSI)和差值光谱指数(DSI)与不同品种冬小麦LAI的相关性，光谱指数计算参见公式(1)、(2)和(3)。利用模型决定系数(r2)筛选与LAI显著相关的光谱指数，同时使用调整决定系数(adjustedr2，公式4)以去除样本数对模型的影响。以试验1中单一品种的试验数据为基础建立四个单品种模型，然后应用试验1中全部试验数据建立综合模型。以试验2为预测样本，采用预测决定系数(r2)和均方根误差(RMSE)来验证模型的精度和稳定性。

RSI(λ1,λ2) =Rλ1/Rλ2

(1)

NDSI(λ1,λ2) =(Rλ1-Rλ2)/(Rλ1+Rλ2)

(2)

DSI(λ1,λ2) =Rλ1-Rλ2

(3)

adjustedr2= 1-(1-r2)(n-1)/(n-p-1)

(4)

式中λ1、λ2分别表示光谱波段；Rλ1、Rλ2分别表示光谱波段的反射率；n表示样本数，本试验的每个品种样本数均为30个，综合数为120个；p表示自变量个数。

2 结果与分析

2.1 不同小麦品种LAI的变化特征

不同冬小麦品种的LAI随生育时期的变化趋势基本一致，均呈抛物线变化。从返青期到开花期，小麦LAI不断增长，在开花期达到最大，而后随生育期的推进，小麦从营养生长逐渐转变为生殖生长，下层叶片逐渐衰老脱落，LAI也随之逐步下降(图1)。不同品种的LAI在开花期及其以后生育时期中表现出了较为明显的差异。在开花期，不同品种的LAI表现为豫麦49-198>周麦27>矮抗58>郑麦366；在花后10 d，豫麦49-198和周麦27的LAI大小趋近；到花后20 d，不同品种LAI表现为郑麦366>豫麦49-198>周麦27>矮抗58。这可能是由于不同冬小麦品种对碳氮的花后转运效率不同，导致叶片衰老脱落的快慢不同所引起的。

RS：返青期；JS：拔节期；FS：开花期；AF10：花后10 d；AF20：花后20 d。下图同。

RS:Returning green stage; JS:Jointing stage; FS:Flowering stage; AF10:10 d after flowering; AF20:20 d after flowering.

图1不同冬小麦品种LAI随生育时期的变化特征

Fig.1LAIcharacteristicsalongwithdifferentgrowthstagesofdifferentwinterwheatcultivars

2.2 不同冬小麦品种冠层光谱的变化特征

不同冬小麦品种冠层光谱反射率随生育时期推移的变化特征基本一致(图2)。在350～700 nm波段，不同品种的冠层光谱反射率均是在返青期达到最高，然后在拔节期降到最低，而后反射率又小幅升高，在开花期、花后10 d和花后20 d差异不太明显。在700～1 050 nm波段，不同品种的光谱反射率均随生育进程的推进呈先升后降的变化趋势，在开花期达到最高，花后20 d降到最低；在四个品种中，豫麦49-198的光谱反射率在不同时期间差异比较明显，周麦27和矮抗58的光谱反射率在返青期与花后20 d间差异不明显，郑麦366的光谱反射率在花后10 d与拔节期、返青期与花后20 d间差异均不明显。

A：周麦27；B：郑麦366；C：豫麦49-198；D：矮抗58。

a:Zhoumai 27; B:Zhengmai 366;C:Yumai 49-198;D:Aikang 58.

图2不同冬小麦品种的冠层光谱反射率变化

Fig.2Canopyspectralreflectancechangeofdifferentwinterwheatcultivarsinthegrowthperiod

2.3 相同LAI下不同冬小麦品种的冠层光谱变化特征

在相同LAI(LAI=6.92，花后10 d)条件下，在350～700 nm波段，郑麦366和矮抗58的冠层光谱反射率基本相同，均明显高于周麦27和豫麦49-198，周麦27和豫麦49-198之间没有明显差异；在700～1 050 nm波段，四个品种的光谱反射率基本表现为豫麦49-198>郑麦366、矮抗58>周麦27(图3)。这种光谱反射率的差异可能是由于不同品种的株型差异造成的。

2.4 不同冬小麦品种LAI与冠层光谱反射率的相关性

利用试验1中不同小麦品种LAI与单波段反射率进行相关分析，结果(图4)表明，当波长≤731 nm，冠层光谱反射率与不同品种LAI呈负相关，在690 nm处相关性最强，相关系数为-0.86；当波长≥732 nm，二者呈正相关，且在763～928 nm之间存在一个较高的平台(r>0.65)。四个品种间LAI与冠层光谱反射率的相关性没有明显差异，均是冠层光谱反射率与LAI在波长400～729 nm范围内呈负相关，在波长为732～1 055 nm时呈正相关，相关性最大的波段均在690 nm附近，相关系数分别是-0.88(周麦27)、-0.85(郑麦366)、-0.90(豫麦49-198)和-0.84(矮抗58)。

2.5 基于冠层光谱反射率的冬小麦LAI监测模型

从400～900 nm范围内冬小麦冠层光谱反射率任意两波段组合的比值光谱指数(RSI)、归一化差值光谱指数(NDSI)和差值光谱指数(DSI)与LAI的相关关系(图5)看，与LAI相关性较好的最优光谱指数分别为RSI(R730，R850)、NDSI(R575，R665)和DSI(R705，R535)，可以基于此建立冬小麦LAI的定量关系模型(表1)。

由表1可以看出，单品种模型的r2和调整r2均优于综合模型。其中单品种模型r2均在0.87以上，较综合模型高3.1%～4.8%；调整r2均在0.86以上，较综合模型高2.0%～4.2%。由此可看出，单品种模型和综合模型都可以较好地估算冬小麦LAI，前者与后者相比，精度有所提高。

图3 不同冬小麦品种在相同LAI(LAI=6.92)时的冠层光谱反射率

图4 不同冬小麦品种LAI与冠层光谱反射率的相关性

图中A、B和C分别表示冠层光谱反射率两波段组合的比值光谱指数、归一化差值光谱指数和差值光谱指数。

A, B and C indicate spectral reflectance radio spectral indices, normalized difference spectral indices and difference spectral indices based on two wavebands combination, respectively.

图5任意两波段组合的光谱指数监测LAI的决定系数(r2)等势图

Fig.5Two-dimensionalcorrelationplotsillustratingthedeterminationcoefficient(r2)ofLAIreflectedbyspectralindicesbasedontwowavebandscombination

2.6 模型验证

利用2013-2014年的小麦LAI数据对模型进行验证，采用预测决定系数(r2)和均方根误差(RMSE)对上述不同小麦品种的估算模型进行定量评价。通过对单品种模型和综合模型进行比较，结果(表2)表明，单品种模型在预测冬小麦LAI时具有更高的精度和稳定性，其r2提高了0.6%～11.0%，RMSE较综合模型降低了10.0%～37.0%。由此可看出，单品种模型具有更高的预测精度。

3 讨 论

LAI是作物长势评估的一个重要指标，利用遥感技术进行LAI模型构建和预测已有较多研究[7-10]。近年来，一些新方法被运用到冬小麦LAI的高光谱遥感建模中，在预测稳定性和精准度方面有了较大提升[15-19]。但是，由于不同生长条件会对冬小麦的光谱特征产生一定的影响，用于作物生理参数监测的适宜光谱指标也会因作物生长条件的不同而有所差异[21]。因此，已有研究建立的模型在不同条件下应用时可能会存在精度下降的现象。为此，一些学者对不同条件下构建的模型进行了比较，如赵 娟等[14]和贺 佳等[23]分别对不同生育时期的冬小麦LAI采用不同的植被指数建立估算模型，其预测结果比综合所有生育时期数据所建模型的精度高；翟清云等[22]通过研究不同土壤质地下小麦叶片氮含量的高光谱差异，发现基于不同质地构建的模型要优于综合数据建立的模型。品种是作物的重要特征，不同的品种不仅产量潜力和品质不同，生理形态特征也会有明显差异。周丽丽等[24]基于单品种试验数据建立玉米叶片氮含量估算模型，其预测结果优于综合模型。本研究在综合分析不同冬小麦品种冠层光谱反射率变化趋势的基础上，分别以单品种数据和综合数据构建LAI高光谱估算模型。结果表明，基于单品种数据建立的估算模型较综合模型的预测决定系数提高了0.6%～11.0%，均方根误差降低了10.0%～37.0%，与上述研究结果一致。因此，在利用高光谱遥感技术估算冬小麦LAI时，建立单品种模型可以提高模型精度。

表1 不同品种冬小麦LAI与光谱指数的定量关系Table 1 Quantitative relationship between LAI of different winter wheat cultivars and vegetation index

表2 不同冬小麦品种LAI估算模型的差异比较Table 2 Comparison of the LAI estimation models for different winter wheat cultivars

每个品种的样本数均为9个。

The sample number is nine for each variety.

本研究尽管考虑了品种及氮肥两个因素的影响，但由于冬小麦冠层光谱及生长状况还受天气条件、栽培措施、生态环境等许多因素的影响，所建模型是否适用于其他生产区域还有待于进一步探讨；另外，在本研究中只讨论了单品种模型和综合模型之间的差异，未能明确造成此差异的原因，有待于在今后的研究中进一步改进和完善。

本研究基于两年试验四个冬小麦品种，在分析不同品种的冠层光谱反射特征的基础上，基于单品种数据和综合数据分别建立了其LAI高光谱估算模型。结果表明，以单品种数据建立的估测模型和综合数据建立的估测模型决定系数都在0.84以上，均可以用来估算LAI，单品种估测模型表现优于综合模型；在模型检验中，以本品种数据建立的估测模型预测结果较好，利用综合模型则会使误差增大。因此，若在生产应用中利用高光谱遥感技术估测冬小麦LAI，应该考虑品种差异。

参考文献：

[1] LILLESAND T M,KIEFER R W.Remote sensing and image interpretation(3rd edition)[M].New York:John Wiley & Sons,1994:750．

[2] 姚云军,秦其明,张自力,等.高光谱技术在农业遥感中的应用研究进展[J].农业工程学报,2008,24(7):301.

YAO Y J,QIN Q M,ZHANG Z L,etal.Research progress of hyperspectral technology applied in agricultural remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2008,24(7):301.

[3] 马新明,张娟娟,席 磊,等.小麦生产数字化技术[M].北京:科学出版社,2014:171.

MA X M,ZHANG J J,XI L,etal.Wheat production digital technology [M].Beijing:Science Press,2014:171.

[4] DOBERMANN A,PAMPOLINO M F.Indirect leaf area index measurement as a tool for characterizing rice growth at the field scale [J].CommunicationsonSoilScienceandPlantAnalysis,1995,26:1507.

[5] RUNNING S W,NEMANI R R,PETERSON D L,etal.Mapping regional forest evapotranspiration and photosynthesis by coupling satellite data with ecosystem simulation [J].Ecology,1989,70:1090.

[6] 黄敬峰,王 渊,王福民,等.油菜红边特征及其LAI的高光谱估算模型[J].农业工程学报,2006,22(8):22.

HUANG J F,WANG Y,WANG F M,etal.Red edge characteristics and leaf area index estimation model using hyperspectral data for rape [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2006,22(8):22.

[7] WU M Q,WU C Y,HUANG W J,etal.High-resolution leaf area index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model [J].ComputersandElectronicsinAgriculture,2015,115:1.

[8] KROSS A,MCnAIRN H,LAPEN D,etal.Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2015,34:235.

[9] TAVAKOLI H,MOHTASEBI S S,ALIMARDANI R,etal.Evaluation of different sensing approaches concerning to nondestructive estimation of leaf area index for winter wheat [J].InternationalJournalonSmartSensingandIntelligentSystems,2014,7(1):337.

[10] 赵春江.农业遥感研究与应用进展 [J].农业机械学报,2014,45(12):277.

ZHAO C J.Advances of research and application in remote sensing for agriculture [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2014,45(12):277.

[11] 唐延林,王秀珍,王福民,等.农作物LAI和生物量的高光谱法测定[J].西北农林科技大学学报(自然科学版),2004,32(11):100.

TANG Y L,WANG X Z,WANG F M,etal.Study on the determination of LAI and biomass of crop by hyperspectral [J].JournalofNorthwestA&FUniversity(NaturalScienceEdition),2004,32(11):100.

[12] 代 辉,胡春胜,程一松.冬小麦冠层光谱红边特征分析[J].中国生态农业学报,2007,15(5):80.

DAI H,HU C S,CHENG Y S.Red-edge characteristics of winter wheat canopy spectra [J].ChineseJournalofEco-Agriculture,2007,15(5):80.

[13] 杨 峰,范亚民,李建龙,等.高光谱数据估测稻麦LAI和叶绿素密度[J].农业工程学报,2010,26(2):237.

YANG F,FAN Y M,LI J L,etal.Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2010,26(2):237.

[14] 赵 娟,黄文江,张耀鸿,等.冬小麦不同生育时期LAI反演方法[J].光谱学与光谱分析,2013,33(9):2546.

ZHAO J,HUANG W J,ZHANG Y H,etal.Inversion of leaf area index during different growth stages in winter wheat [J].SpectroscopyandSpectralAnalysis,2013,33(9):2546.

[15] HUANG Y,TIAN Q J,WANG L,etal.Estimating canopy leaf area index in the late stages of wheat growth using continuous wavelet transform [J].JournalofAppliedRemoteSensing,2014,8(1):134.

[16] 夏 天,吴文斌,周清波,等.冬小麦LAI高光谱遥感反演方法对比[J].农业工程学报,2013,29(3):139.

XIA T,WU W B,ZHOU Q B,etal.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2013,29(3):139.

[17] 谢巧云,黄文江,蔡淑红,等.冬小麦LAI遥感反演方法比较研究[J].光谱学与光谱分析,2014,34(5):1352.

XIE Q Y,HUANG W J,CAI S H,etal.Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index [J].SpectroscopyandSpectralAnalysis,2014,34(5):1352.

[18] 王丽爱,周旭东,朱新开,等.基于HJ-CCD数据和随机森林算法的小麦LAI反演[J].农业工程学报,2016,32(3):149.

WANG L A,ZHOU X D,ZHU X K,etal.Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2016,32(3):149.

[19] 王丽爱,谭昌伟,杨 昕,等.基于MK-SVR模型的小麦LAI遥感反演[J].农业机械学报,2015,46(5):245.

WANG L A,TAN C W,YANG X,etal.Monitoring wheat leaf area index using MK-SVR algorithmic model and remote sensing data [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(5):245.

[20] 刘镕源,王纪华,杨贵军,等.冬小麦LAI地面测量方法的比较[J].农业工程学报,2011,27(3):220.

LIU R Y,WANG J H,YANG G J,etal.Comparison of ground-based LAI measuring methods on winter wheat [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2011,27(3):220.

[21] 李映雪,朱 艳,戴廷波,等.小麦LAI与冠层反射光谱的定量关系[J].应用生态学报,2006,17(8):1443.

LI Y X,ZHU Y,DAI T B,etal.Quantitative relationships between leaf area index and canopy reflectance spectra of wheat [J].ChineseJournalofAppliedEcology,2006,17(8):1443.

[22] 翟清云,张娟娟,熊淑萍,等.基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建[J].中国农业科学,2013,46(13):2655.

ZHAI Q Y,ZHANG J J,XIONG S P,etal.Research on hyperspectral differences and monitoring model of leaf nitrogen content in wheat based on different soil textures [J].ScientiaAgriculturaSinica,2013,46(13):2655.

[23] 贺 佳,刘冰锋,李 军.不同生育时期冬小麦LAI高光谱遥感监测模型[J].农业工程学报,2014,30(24):141.

HE J,LIU B F,LI J.Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2014,30(24):141.

[24] 周丽丽,冯汉宇,阎忠敏,等.玉米叶片氮含量的高光谱估算及其品种差异[J].农业工程学报,2010,26(8):195.

ZHOU L L,FENG H Y,YAN Z M,etal.Hyperspectral diagnosis of leaf N concentration of maize and variety difference [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2010,26(8):195.