倒伏胁迫下玉米抽雄期叶面积密度光谱诊断

周龙飞, 顾晓鹤, 成枢, 杨贵军, 孙乾, 束美艳

（1山东科技大学测绘科学与工程学院，山东青岛 266590；2农业部农业遥感机理与定量遥感重点实验室/北京农业信息技术研究中心，北京 100097；3国家农业信息化工程技术研究中心，北京 100097；4北京市农业物联网工程技术研究中心，北京 100097）

0 引言

【研究意义】近年来玉米作为粮食、饲料、经济兼用的作物，逐渐取代其他作物成为我国第一粮食作物，对国家农业经济具有不可忽视的重要意义。夏玉米生长期主要集中在多风多雨，强对流天气频发的 6月至9月，极易发生倒伏，严重影响玉米后期正常生长，导致玉米成熟时的品质、产量降低[1-2］，成为玉米机械化收获的主要障碍之一[3-5］。倒伏胁迫的程度和时期不同，对玉米后期品质、产量影响也会不同，轻者减产5%—20%，严重者减产 70%以上或绝产[6-7］。玉米抽雄期是营养生长和生殖生长旺盛的并进阶段，是对养分、水分、温度、光照要求最多的时期，也是决定产量的最关键时间[8-9］。玉米抽雄期发生倒伏胁迫对于授粉效率、植株养分运转、光合效率具有重要影响[10］。【前人研究进展】国内外学者在玉米倒伏成因、后果以及田间管理等方面开展了大量的研究[11-14］。杨扬等[15］指出日降水量是玉米倒伏胁迫的主要环境成因，且随着日降水量的增加倒伏程度愈严重，同时留苗密度、土壤含氮量和日平均风速与倒伏关系随空间位置发生正负向变化。席吉龙等[16］研究证明玉米倒伏后，叶片空间结构分布被破坏，叶片间相互遮挡导致光合效率锐减，造成玉米产量下降。薛军等[17］通过对玉米生育后期植株的衰老生理及其影响因素进行分析，认为生育后期玉米植株自然衰老导致生理化学活性下降，茎秆质量和抗病能力下降，导致成熟期倒伏风险加大，并提出了增强玉米后期抗倒伏能力的措施。CHU 等[18］将 structure-from-motion（SFM）算法和地统计学相结合，研究无人机高分辨率影像用于监测和评估玉米倒伏发生范围和严重程度的可行性。HAN等[19］利用纹理、光谱、冠层结构、地势等信息分析玉米倒伏成因，并使用无人机影像进行倒伏预测。近年来一些学者开展了玉米倒伏冠层光谱特征研究，并进行了玉米倒伏灾情大范围遥感监测方法探索。王猛等[20］分析模拟倒伏玉米冠层光谱特征信息和归一化植被指数（NDVI）变化信息，试验结果显示基于遥感数据的NDVI方法在一定程度上可以有效监测玉米倒伏。ZHANG等[21］利用地面高光谱数据和小波变换评估了倒伏对玉米品质的影响。李宗南等[22］利用Worldview-2多光谱影像研究灌浆期倒伏玉米光谱、纹理特征及倒伏面积估算方法，结果表明基于最大似然分类法，使用红边、近红外1和近红外2等3波段光谱反射率的倒伏玉米面积估算方法最优。王立志等[23］通过对倒伏前后的多时相HJ-1B卫星多光谱影像植被指数变化分析，利用玉米倒伏前后比值植被指数（RVI）差值实现区域尺度的玉米倒伏受灾范围监测和灾情等级评估。【本研究切入点】玉米遭受倒伏胁迫后群体结构和形态产生较大改变，最直接表现为株高的变化，植株由直立状态变成倾斜乃至匍匐于地，单位土地面积上的叶面积总量没有变化，但由于株高的降低，单位体积内的叶面积总量发生较大变化。叶面积密度是反映作物在垂直方向上体积内叶面积总量的差异，体现作物冠层内叶面积随着高度变化的分布状况。【拟解决的关键问题】本文基于玉米抽雄期倒伏控制试验，获取倒伏后连续观测的 LAD和冠层光谱数据，分析倒伏胁迫下玉米 LAD动态变化状况，探索玉米叶面积密度对于倒伏胁迫强度及植株自我恢复程度的表征能力；基于光谱微分变换和小波变换技术，筛选 LAD敏感波段和最佳小波分解尺度，采用偏最小二乘法构建倒伏玉米LAD光谱诊断模型，以期为大范围玉米倒伏灾情遥感监测提供先验知识。

1 材料与方法

1.1 研究区概况

试验于 2015年在小汤山国家精准农业示范研究基地（北纬 40°10′31″—40°11′18″，东经 116°26′10″—116°27′5″）开展，该区域位于北京市昌平区小汤山镇东北部，平均海拔高度约36 m，区域内地势由西北向东南逐渐降低，以褐土和潮土为主（图 1）。基地所在地区属于典型的暖温带，半湿润大陆性季风气候，春季干旱多风，夏季炎热多雨，秋季气温凉爽，冬季寒冷干燥。地区年平均日照时数2 676—2 684 h，年平均气温11.1—11.8℃，年平均降雨量为626—650 mm，无霜期172—180 d，且全年昼夜温差较大。

图1 研究区地理位置Fig. 1 Geographical location of the study area

1.2 试验及数据

1.2.1 试验设计 试验选用京华 8号玉米作为供试材料，于2015年6月下旬播种，行距为70 cm，间距为30 cm，播种密度约为48 000株/hm2。倒伏设置采用大田人工模拟倒伏方式，倒伏时间为抽雄期前 2 d，倒伏类型设置3个（图2），根据倒伏胁迫程度从强到弱依次为：根倒（GD），主根断，半边须根未断，铺地型的倒伏；茎折（JS），地上部20 cm处折而未断；茎倒（JD），植株从根部倾斜，与地面夹角 45°。3类倒伏处理各设5个重复小区，另外设置3个对照（CK）小区，共设置18个试验小区，每个小区面积为100 m2（10 m×10 m），且小区间设置隔离行，试验设计见图3。1.2.2 数据获取 于抽雄期（8月12日）玉米倒伏后连续获取冠层光谱和LAD，每周进行一次观测，共获取108个LAD样本数据，其中倒伏样本数据90个，对照组（CK）样本数据18个。LAD样本数据具体数理统计见表1。

倒伏玉米室外冠层反射光谱采用美国ASD Fieldspec Pro3 FR2500光谱仪测定，光谱范围350—2 500 nm，光谱采样间隔在350—1 000 nm内为1.4 nm，在1 000—2 500 nm内为2 nm，在仪器内部光谱重采样间隔为1 nm。测量时选择晴朗无风或低风、无云天气，测定时间为当天10：00—14：00。观测时光谱探头保持垂直向下且距离冠层顶部1.0 m，视场角25°。每个样本小区选择具有代表性的玉米冠层采集数据，每个点测定10条光谱曲线，取平均值作为该样本小区的冠层光谱反射率，每次测量前后均用标准白板校正。为尽量消除大气水分、气体、臭氧等不可控因素对原始光谱造成的噪声影响，本研究只选取可见光和近红外波段分析，波段范围为350—1 800 nm的光谱反射率，同时剔除光谱范围内1 300—1 450 nm的噪声波段。为削弱噪声负面影响，提高原始光谱数据信噪比，采用海明窗低通滤波器方法进行光谱信息平滑去噪处理。

图2 不同倒伏处理（从左至右：GD、JS、JD）Fig. 2 Treatment of different lodging types (left-to-right: GD, JS, JD)

图3 试验设计图Fig. 3 Test design

冠层光谱采集完成后，在相同位置进行玉米植株取样，立即放入密封袋带回实验室，采用Montgomery法测量玉米植株样本的所有叶片面积，结合种植密度计算样本小区的玉米LAD。式中，0.75为玉米叶片转换系数，i、n依次为采样玉米植株的第i片叶和总共叶片数，S为采样植株的占地面积，h为该倒伏样本小区的平均冠层高度。

1.3 连续小波分析

小波变换源于傅里叶算法，是一种广泛应用于信号分析中的线性变换，能够将原函数或信号从函数空间转化到尺度和位移空间，同时在时域和频域进行分析，从信号中有效提取相关可用信息，而非成像高光谱数据分析类似于电子信号分析，故可采用小波分析方法对高光谱数据处理分析[24］。小波分析分为连续小波和离散小波，本研究采用连续小波分析开展高光谱数据分析。连续小波分析（continuous wavelet transformation，CWT）可通过小波基函数将冠层高光谱数据进行不同尺度分解，生成一系列小波系数。

表1 玉米倒伏样本连续观测LAD统计Table 1 LAD statistics of continuous observation of maize lodging samples

式中，a为尺度因子，b为平移因子，λ为冠层高光谱数据的波段数，f(λ)为冠层光谱反射率，Ψa,b(λ)为小波基函数，小波系数f(a,b)包含2维，分别为波长和分解尺度，二者组成矩阵。小波系数是行为尺度数，列为波长数的矩阵，CWT可将冠层高光谱数据转化为小波系数，可通过其与LAD相关性分析，进而建立LAD光谱诊断模型。

1.4 建模方法与验证

由于LAD敏感波段或敏感小波系数个数较多，为避免参量之间的数据自相关干扰，本文选用偏最小二乘法（partial least squares regression，PLS）构建 LAD光谱诊断模型。PLS是一种多对多线性回归建模方法，常用于高光谱定量分析中的线性建模方法。冠层光谱反射率经连续小波变换处理后，采用偏最小二乘法构建 LAD的光谱诊断模型。从玉米田间实测样本中随机选取2/3样本（n=72）用于建模，剩余的1/3（n=36）用于验证，模型精度采用决定系数（R2）与均方根误差（RMSE）2个参数共同评价。

2 结果

2.1 倒伏玉米LAD动态变化分析

玉米抽雄期受到倒伏胁迫时，株高受到影响，倒伏愈严重株高愈低。倒伏玉米植株具有自我恢复能力，倒伏受损越重，恢复能力越差，株高会随着时间发生一定的变化。由于LAD与株高密切相关，不同倒伏类型的植株株高恢复情况对 LAD具有较大影响。图4为不同倒伏处理下的玉米叶面积密度时序动态变化。

图4 不同倒伏处理LAD动态变化Fig. 4 Dynamic changes of LAD under different lodging treatments

通过对比分析抽雄期倒伏玉米的 LAD动态变化，由图4可以得出：（1）发生倒伏后的玉米LAD均大于正常生长玉米，LAD随倒伏程度的增强而增大。（2）不同倒伏处理的LAD整体表现为JS＞GD＞JD＞CK，且随着观测时间的推移，不同倒伏类型玉米LAD表现为整体降低趋势。（3）根据LAD动态变化趋势，抽雄期倒伏玉米株高恢复能力 JD＞GD＞JS。图中8.12时期LAD显著高于其他时期，原因在于倒伏玉米试验开展初期，玉米株高未恢复导致LAD值偏大。

2.2 倒伏玉米冠层光谱反射率分析

抽雄期玉米受到倒伏胁迫时，玉米冠层结构发生较大变化，导致光谱探测视场内的茎、叶、穗比率受到改变，直接作用影响冠层光谱反射率。正常状态下的玉米冠层反射率主要来自叶片和雄穗，当发生倒伏后，茎秆大量暴露，此时冠层光谱反射率由茎秆、叶片、穗三者提供，且倒伏强度愈强，茎秆的影响愈大，冠层光谱反射率愈高，以2015年8月18日采集冠层光谱反射率为例分析，结果如图5所示。王立志[25］、赵佳佳[26］、胡宗杰[27］等在对玉米、小麦的倒伏研究中也发现了类似规律，说明这种变化在倒伏作物中具有一定普遍性。

图5 不同倒伏处理冠层光谱反射率曲线Fig. 5 Spectral reflectance curves of canopy under different lodging treatments

通过对比分析不同倒伏强度下玉米冠层光谱反射率曲线得出：（1）不同倒伏类型处理下的玉米冠层光谱反射率由于受其自身形态、化学组成等因素的变化，虽存在一些明显的差异，但仍具备植被冠层所特有的基本共性特征。（2）相比可见光波段，冠层光谱反射率在近红外波段增加明显，冠层光谱反射率整体表现为GD＞JS＞JD＞CK。（3）与未倒伏玉米相比，倒伏玉米光谱存在一定的红边“蓝移”现象，且倒伏强度愈强“蓝移”现象愈明显，“蓝移”范围在13—17 nm。（4）红光与近红外波段对玉米倒伏敏感性较强，随着倒伏强度的增加，玉米光谱反射率在近红外波段依次为0.34、0.49、0.51、0.56，正常、茎倒、茎折及根倒的近红波段反射率的增加幅度依次为 0、44.1%、50.0%、64.7%。

2.3 LAD与光谱特征参量相关性分析

有研究表明[28-29］，对光谱反射率数据进行微分变换有助于抑制低频噪声对目标光谱的影响。将玉米冠层光谱数据进行一阶微分变换，然后与 LAD进行相关性分析，据此筛选 LAD的敏感光谱波段。由图 6知，一阶微分处理光谱与 LAD的相关性十分显著，在可见光波段相关性较好，673—763 nm波段整体显著正相关，在波长407nm处正相关性最高（R=0.77），634 nm 处负相关性最高（R=-0.76）；近红外波段负相关性显著，在 1 130 nm（R=-0.77）、1 750 nm（R=-0.75）处相关性较大。

图6 一阶微分与LAD的相关系数Fig. 6 Correlation coefficient between first order differential and LAD

为减少数据的冗余，将CWT的分解尺度设为21，22，23，··，210，即 1—10 个尺度[30-32］，将变换后 10个尺度的小波系数与 LAD进行相关性分析，得到相关系数图（图7），图中红色（正相关R＞0.8）、蓝色（负相关R＜-0.7）区域表示相关性较强波段区域。经连续小波处理后，各尺度小波系数与 LAD的相关系数具有不同程度提升，连续小波最大相关系数可达0.88。

为更好筛选敏感小波系数，绘制决定系数图（图8）。从图中可以看出，低尺度的相关性高于高尺度，有效信息主要集中在低尺度，随着分解尺度的增加光谱分辨率降低，光谱对 LAD的敏感性也随着降低；有效信息主要集中在1—7分解尺度，8—10分解尺度信息相对均一，显著敏感波段主要集中在354—442 nm、472—495 nm区域，决定系数R2均大于0.7，649—829 nm、903—1 195nm以及1 564—1 581 nm区域也有较好相关性；部分1、2、3尺度相关性较低的波段范围在4、5尺度时的相关性得到较大提升，且敏感波段区域变宽，表明连续小波变换可有效挖掘光谱中隐藏信息。

图7 小波系数与LAD的相关系数Fig. 7 Correlation coefficient between wavelet coefficients and LAD

图8 小波系数与LAD的决定系数Fig. 8 The determination coefficient between LAD and wavelet coefficients

通过对比一阶微分和连续小波变换可以发现，相比一阶微分而言，连续小波处理能够有效提取光谱中的有益信息，缩小敏感波段范围，挖掘光谱中隐藏的信息，有助于提高LAD敏感波段的筛选效率。

2.4 连续小波与一阶微分建模

为了避免敏感波段之间的自相关冗余，选择相关系数较大（R＞0.7）波段，在 Minitab17软件中构建最佳子集来筛选最佳组合波段，采用偏最小二乘法构建玉米倒伏 LAD光谱诊断模型。连续小波在低尺度同光谱敏感性优于高尺度，部分低尺度建模精度同一阶微分相比精度提升效果不是很明显，故建模分析中只分析小波建模精度较优的尺度（表2）。

由表2可知，基于连续小波与一阶微分的玉米LAD光谱诊断模型均具有较高的精度，建模R2为0.653—0.724，RMSE为1.219—1.408；连续小波处理构建的模型精度显著高于一阶微分处理；连续小波变换中以2、4、5尺度的模型较优，相比一阶微分，连续小波建模R2提升 7.50%—10.87%，RMSE降低 10.09%—13.42%，验证R2提升 6.08%—9.11%，RMSE降低23.08%—31.63%；所选3个尺度模型精度都优于一阶微分建模，其中以第5尺度所建模型最佳，表明经过连续小波变换后的 LAD光谱诊断模型精度得到一定提高。

表2 基于光谱变换的LAD建模及验证Table 2 Modeling and verification of LAD based on spectral transformation

为更直观地观察模型对预测样本的适应性，将所选最佳连续小波模型和一阶微分模型的预测值与实测值进行1∶1线分析（图9）。基于小波系数构建的模型的预测精度优于一阶微分模型，其实测值和预测值大致分布在1∶1线两侧附近，能够更好实现LAD的反演。因此，采用连续小波作为光谱数据处理方法，不仅分析了不同尺度上小波基函数与冠层光谱反射率的相似性，而且能够捕捉到光谱范围内的细微变化，更好地挖掘潜在的微弱信息，与常用的一阶微分变换相比反演精度有所提高[33］。

图9 基于光谱变换的LAD模型验证Fig. 9 Validation of LAD model based on spectral transformation

3 讨论

倒伏胁迫对作物冠层结构的最显著影响特征是植株高度的降低，且株高降低幅度与倒伏强度密切相关，会大幅影响植株光合效率进而造成减产，对于当前已普遍推广的机械收获造成较大影响。叶面积密度同作物株高密切相关，能够实时反应作物株高变化情况，表征玉米受倒伏胁迫程度及后期株高恢复程度。试验对夏播玉米进行人工大田倒伏，实测倒伏玉米LAD及冠层光谱反射率，建立基于连续小波算法的倒伏玉米LAD诊断模型，研究表明连续小波算法能够有效筛选敏感波段，挖掘潜在的微弱信息，LAD能够有效表征玉米株高变化，具有较好的玉米倒伏胁迫程度表征能力，可据此快速诊断玉米倒伏胁迫程度，有助于为大范围玉米倒伏灾情遥感监测提供必要的先验知识。但受试验条件制约与倒伏状态多样化的影响，仍存在一些不足，需要在以下几方面注意改进：

（1）倒伏胁迫对植株株高作用是明显的，但在大范围遥感监测中玉米受病虫害、营养不良等因素影响[34］，植株高度会出现矮化现象，会对叶面积密度表征能力造成一定的干扰，这些干扰影响需进一步深入研究加以排除。

（2）本研究所使用的数据来自于人工倒伏处理试验，试验结果能否适用不同地区及自然玉米倒伏仍需进行验证，利用连续小波和一阶微分所构建的LAD诊断模型能否在自然倒伏监测中应用还待深入研究。

（3）此试验只探讨分析抽雄期倒伏玉米，对于其他生育期的玉米倒伏是否适用，还待试验研究。由于玉米的自然倒伏状态是多样化的，其结构、纹理等的规律存在不确定性，将在未来研究中探讨基于 LAD的玉米倒伏灾情大范围遥感监测的适用性。

4 结论

本文以 2015年北京市小汤山国家精准农业示范研究基地的大田人工控制倒伏玉米为研究对象，通过对抽雄期不同倒伏类型玉米的冠层光谱反射率进行一阶微分和连续小波处理，筛选能够有效表征 LAD变化的敏感波段，进而采用偏最小二乘算法构建 LAD光谱诊断模型。

（1）不同倒伏强度胁迫下玉米 LAD随着生育进程具有不同的表现规律，LAD随倒伏程度的增强而增大，LAD时序变化一方面反映了倒伏强度，另一方面也表征倒伏玉米自身的后期恢复能力。

（2）随着倒伏强度的增加，光谱探测视场内的茎、叶、穗比例发生改变，表现在冠层光谱反射率为根倒＞茎折＞茎倒＞未倒伏。LAD的敏感波段主要分布在蓝光波段（354—442 nm、472—495 nm），红光波段（649—829 nm）以及近红外波段（903—1 195 nm、1 564—1 581 nm）。

（3）连续小波相比一阶微分处理，能够有效筛选敏感波段，挖掘光谱中隐藏的有效信息，构建的模型预测精度显著提高，拟合效果R2提高0.050—0.075，RMSE降低0.343—0.470。

（4）连续小波变换能够缩小敏感波段范围，小波分解尺度对于 LAD的光谱敏感性有较大影响，低尺度敏感性优于高尺度。基于连续小波变换的玉米抽雄期倒伏LAD光谱诊断最佳模型对应是5分解尺度，其建模R2=0.702，RMSE=1.266，验证R2=0.898，RMSE=1.016。