杂交稻增密减肥处理的SPAD值光谱估算模型

陈崇怡，石 楠，文双雅，胡海燕，高志强

（湖南农业大学农学院，长沙410128）

水稻机械化、轻简化栽培是指利用机械工具简化水稻栽培程序和减轻劳动强度的栽培方式，具有生产效率高、秧苗均匀度优、根系活力强、增产潜力大等诸多优势［1］。近年来，全程机械化生产技术发展迅速，有学者研究发现，与常规机插稻相比，杂交稻单本密植大苗机插栽培技术增产效果明显［2］。此技术是2019年农业农村部部署在南方稻区的主推技术之一。农业生产领域的“一控两减三基本”技术［3-4］中的“两减”是要求减少化肥、农药使用总量，因此，在全程机械化大苗机插技术条件下研究增加移栽密度、减少化肥施用量具有现实意义。

前人研究成果表明，叶绿素含量是反映水稻光合速率与生长状况的重要指标，对指导农业生产和实现水稻高产、稳产起着非常关键的作用［5-7］。土壤、作物分析仪器开发（soil and plant analyzer development，SPAD）是一种测量叶绿素浓度的方法，所测得的数据称为SPAD值。作为叶绿素含量的相对值，SPAD值已成为评价作物长势的有效手段［8-11］。因此，快速准确地获得大量SPAD值具有重要意义。近年来，高光谱技术飞速发展，具有连续性强、信息量大等优势，使作物群体监测得以逐步实现［12-13］。目前，很多学者对运用高光谱技术进行SPAD值估测进行了大量的研究。秦占飞等［14］采用一阶微分方法对各时期提取了高光谱特征参数，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。王福民等［15］将350～2 500 nm范围内所有波段两两组合，构建了所有可能的简单比值色素指数，指出构成最佳比值指数的波段主要是红边区域波段。罗建军等［16］研究了基于高光谱和参数优化支持向量机的水稻施氮水平分类，结果表明，利用高光谱技术能够很好地进行水稻氮素营养状况的定性诊断研究。

受地形地势及种植面积等多种因素限制，国内已有研究大多没有将高光谱技术与水稻全程机械化结合起来，普适性不够强。本研究在全程机械化背景下结合大苗机插技术，采集了6个不同密度肥料处理的水稻叶片的SPAD值与冠层光谱，研究水稻叶片SPAD值与冠层原始光谱及一阶微分光谱反射率的变化规律，通过一阶微分光谱与SPAD值的相关性分析，筛选敏感波长并建立SPAD值的一元线性、指数和多项式回归模型，以敏感波长构建的光谱参数作为自变量，建立SPAD值的一元线性回归模型，用决定系数（R-squared，R2）、均方根误差（root mean squared error，RMSE）和相对误差（relative error，RE）对模型精度进行评价，并对验证集的预测值和实测值进行1∶1线性拟合，选出最适模型。

1 材料与方法

1.1 供试材料与试验条件

1.1.1 供试品种

供试品种是湖南省大面积推广的水稻品种晶两优华占，是用晶4155S×华占选育而成的杂交稻品种。该品种在长江中下游作一季中稻种植，全生育期138.5 d。

1.1.2 试验地点

试验地点在湖南农业大学浏阳教学科研综合基地。试验区面积0.5 hm2，系丘陵小盆地，属亚热带季风湿润气候，年平均气温17.3℃，1月平均气温5.4℃，7月平均气温28.7℃，年均降水量1 358.6～1 552.5 mm。

1.1.3 大苗机插技术体系

本研究在全程机械化条件下，结合大苗机插技术体系，进行增加移载密度、减少施肥的试验。其中大苗机插技术体系包括印刷播种、单本密植、无盘育秧、大苗机插等核心技术［17］。

1.2 试验设计

由于前茬为油菜，还田生物量较大，试验区的总体施肥水平略低于冬闲田。土壤耕作采用少耕技术，灌水后直接旋耕碎土成泥。试验田基础肥力一致，考虑全程机械化作业的可操作性和现有机械的行距设置档位情况，采用株距（D）和施肥量（N）二因素裂区试验。主区为机插株距，在行距为25 cm前提下，设3种株距：17、21和25 cm，分别以D1、D2和D3表示。副区为施肥量，在保持耕前氮磷钾复混肥料15–15–15（氮、磷、钾质量分数均为15%的复合肥）施用量450 kg/hm2不变的前提下，设2个分蘖肥为常规施肥（150 kg复混肥+255 kg尿素+105 kg KCl）及减少施肥（180 kg尿素+75 kg KCl），分别以N1、N2表示。

试验于2020年4月28日印刷播种，5月1日在湖南省沿溪镇皇建农机合作社无盘育秧，氮磷钾复混肥料15–15–15作为基肥于耕前一次性施入，施用量为450 kg/hm2。5月23日使用九保田插秧机完成机插，田间小区面积为260 m2（20 m×13 m），3次重复，9月7日机收测产。本试验常规施肥和减少施肥处理相应的氮、磷、钾有效成分的质量比分别为13.82∶6.00∶10.20及10.02∶4.50∶7.50，其中减肥处理比常规栽培技术含氮量减少27.50%，五氧化二磷减少25.00%，氧化钾减少26.48%。

1.3 数据采集

1.3.1 冠层光谱数据采集

采用美国ASD公司生产的HandHeld 2手持地物光谱仪测定光谱反射率，该仪器波段为325～1 075 nm，其中光谱分辨率<3 nm@700 nm，波长精度为±1 nm。于水稻移栽后25 d（分蘖盛期）、52 d（孕穗期）、86 d（齐穗期）、91 d（灌浆中期）等关键生育时期，选择天气晴朗、无风或者风速较小的北京时间10:00—14:00进行数据采集。测量时仪器垂直向下，距水稻冠层垂直高度约0.7 m，每3个小区重复测定前用自带参考白板校正1次。每个小区选取5个有代表性的样本点进行光谱测定，取平均值作为该小区的最终光谱反射值，本试验设3次重复，6个处理，每次数据需采集90条光谱数据。

1.3.2 SPAD值的测定

采用日本KONICA MINOLTA公司生产的SPAD 502叶绿素计测定5次叶片的SPAD值，取平均值，避开叶脉。在光谱数据采集当天，每株选在测定冠层光谱位置处，每小区共测量5株，取平均值作为该小区的叶绿素含量，本试验设3次重复，6个处理，每次数据需采集90个SPAD值数据。

1.4 数据处理

1.4.1 光谱指数选择

根据前人对水稻冠层光谱特征的研究及成果，选取3个常用的光谱指数用于水稻SPAD值的估算，即比值光谱指数（ratio spectral index，RSI）、差值光谱指数（difference spectral index，DSI）以及归一化光谱指数（normalized difference spectral index，NDSI）。其计算公式如式（1）～式（3）：

其中，IRS、IDS、INDS分别表示比值光谱指数、差值光谱指数、归一化光谱指数，Rλ1和Rλ2分别表示波长在 λ1 和 λ2 处的光谱反射率。

1.4.2 数据分析

本试验在水稻移栽后的关键生育期测定4次数据，每个处理设3次重复，每个小区测量冠层光谱和SPAD值各5组。每个处理在4个生育期共采集60组数据，再进行隔二选一的分层抽样，其中1/3为验证集，2/3为建模集。

首先，利用View Spec Pro 6.0软件对采集到的光谱数据进行预处理，将原始光谱进行拼接校正，使光谱曲线平滑，再对原始光谱数据进行一阶微分求导，输出原始光谱反射率和一阶微分光谱值。利用Excel和SPSS 17.0软件分析一阶微分光谱值与SPAD值的相关性，再根据一阶微分光谱与SPAD值的相关关系提取敏感波长构建一元线性、指数、多项式和一阶微分光谱参数的估算模型，用Origin Pro 9.0软件进行绘图。计算模型决定系数（R2）、均方根误差（RMSE）和相对误差（RE）等指标对模型进行验证与评价。R2越大，RMSE和RE越小，说明模型的精度越好。RMSE和RE的计算公式如下：

ERMS=，式中，ERMS、ER分别表示均方根误差和相对误差，yi为真实值，为预测值，n为样本数。

2 结果与分析

2.1 不同密度及施肥处理下水稻叶片SPAD值的变化

本试验对水稻的分蘖盛期（25 d）、孕穗期（52 d）、齐穗期（86 d）、灌浆中期（91 d）进行SPAD数据采集。由图1可以看出，不同处理水稻SPAD值在各生育期差异不明显［采用多个独立样本比较的秩和检验（Kruskal-Wallis H）进行显著性检验，假设6种不同处理的SPAD值无差异，得到P=0.985>0.050，即假设成立］，且变化规律大体一致，叶片SPAD值在孕穗期达到最大值，第86天（齐穗期） 和第91天（灌浆中期）时SPAD值逐渐下降。从图1结果来看，不同密度和施肥处理的SPAD值在52 d和86 d时表现较为一致，即常规施肥SPAD值优于减施肥处理。相同施肥水平下，不同密度的SPAD值在25 d和86 d时均表现为D2高于另两个密度；在52 d时表现为D3最高；在91 d时则表现为D1最高。综上所述，密度与SPAD值没有明显规律性。

图1 不同密度及施肥处理水稻叶片SPAD值变化Fig.1 Changes of SPAD value of rice leaves treated with different density and fertilization

2.2 不同密度及施肥处理下水稻冠层反射光谱的特征

分处理对水稻冠层原始光谱及其一阶微分光谱进行平均值计算，得出各处理的原始及一阶微分光谱反射率曲线如图2所示。各处理水稻冠层原始光谱反射率在可见光范围内差异较小，在700～1 000 nm波段表现为D3N1< D3N2< D2N2

由图2a可知，在近红外波段（700～1 000 nm），随着密度增加，常规处理与减肥处理的原始光谱反射率均明显升高。由图2b可知，一阶微分光谱反射率在红边区域（690～755 nm），密度越大光谱反射率越高，表明低密度条件下叶片具有更强的光合效能。综合图2a、2b可以发现，在中、高密度条件下，减肥处理的原始及一阶微分光谱反射率低于常规施肥的，低密度则几乎重叠，无明显差异，移栽密度对水稻冠层光谱反射率的影响大于施肥水平。

图2 不同密度及施肥处理水稻冠层原始光谱反射率(a)及其一阶微分导数(b)Fig.2 Canopy original spectral reflectance (a) and first order derivative (b) of rice treated with different density and fertilization

2.3 水稻冠层一阶微分光谱与SPAD值的相关性分析

研究表明，植物SPAD值与光谱相关性最大的波段多位于可见光的蓝边、绿峰及红边区域［18-20］。因此，本研究选取了400～1 000 nm的波段，分析不同处理各个波长位置处一阶微分光谱与SPAD值之间的相关关系（图3），结果表明，不同密度及施肥处理相关系数趋势基本一致，6个处理在叶绿素敏感波段红波范围（634～652 nm、655～668 nm）波段内达极显著正相关，在蓝绿波段（497～552 nm）及红边波段（687～711 nm）达极显著负相关，相关系数略有起伏但比较稳定，均达到0.700以上。

图3 水稻密度和肥料试验的冠层一阶微分光谱与SPAD值相关系数Fig.3 Correlation coefficient of canopy first derivative spectral reflectance and SPAD value of rice density and fertilizer experiment

2.4 不同密度及施肥处理下水稻SPAD值估算模型构建

孙玉婷等［21］研究发现，敏感波段的光谱指数与SPAD值相关性更好，选择相关性高的信息作为建模输入，得到的结果更理想。在上述4个敏感波段中分处理选择相关系数在0.800左右的4个波长作为其敏感波长，并与SPAD值进行相关性分析，计算得到R2（表1）。

分处理将表1中敏感波长两两组合得到NDSI、RSI和DSI，并计算光谱参数与SPAD值的R2（表2）。

从表1中分不同处理选取决定系数较大的一阶微分导数作为敏感波长（502、687、696、692、509和502 nm），构建SPAD值的一元线性、指数和多项式回归模型，并计算模型R2、RMSE和RE（表3）。由表3可知：各处理SPAD值估算模型效果均较好，决定系数都在0.640以上；其中线性模型最差，除D2N1和D1N1的模型中显示指数模型略优于多项式模型，其他处理均表现为多项式模型最优（R2最大，RMSE和RE最小）。

表1 水稻密度和肥料试验的一阶微分光谱与SPAD值的决定系数Tab.1 Coefficient of determination of SPAD value and first derivative spectrum of density and fertilizer experiment

由表2筛选出各处理决定系数最大的一阶微分光谱指数构建线性回归模型：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个处理均表现为以DSI光谱指数为建模变量构建的模型效果最优，这与田容才等［22］研究结果一致。由计算模型R2、RMSE和RE（表4）可以看出，各处理SPAD值估算模型效果均较好，决定系数都在0.660以上。通过对比发现，D1N2的RMSE和RE最小，但D2N2的R2最大，仍需进一步验证模型精度。

表2 水稻密度和肥料试验的光谱指数与SPAD值的决定系数Tab.2 Coefficient of determination of SPAD value and spectral index of density and fertilizer experiment

表4 不同密度及施肥处理下水稻基于光谱指数的SPAD值线性回归模型Tab.4 Linear regression model of SPAD value of rice based on spectral index treated with different density and fertilization

结合表3、4，就相同处理一元线性回归模型进行对比发现，在D1和D3密度下，基于光谱指数的模型精度优于基于敏感波长的模型精度，D2则相反，总体而言，基于光谱指数的模型精度要优于敏感波长。

2.5 模型优选与验证

通过上述分析，基于敏感波长选取D2N1，R'696和 D1N1，R'509的指数模型以及 D3N1，R'502、D3N2，R'687、D2N2，R'692和D1N2，R'502的多项式模型，分别用剩余的20组实测SPAD值数据对上述6个建模集模型的精度进行检验，得到预测SPAD值。将20组预测值与实测值进行线性拟合，分别计算验证集的R2、RMSE和RE（图4）。由图4和表3可知，在基于敏感波段构建的估算模型中，D3N2的多项式模型y=720 728x2–5 368.2x+49.257估测效果最佳（x：R'687），其建模集R2、RMSE和RE分别为0.766、1.185和2.152%，验证集R2、RMSE和RE分别为0.729、0.364和0.752%。

图4 基于敏感波长各处理验证集的预测值和实测值1:1拟合线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处理下水稻敏感波长的SPAD值估测Tab.3 The estimation of SPAD value content of rice based on sensitive wavelength with different density and fertilization

基于光谱指数选取估算模型 ：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）。分别用剩余的20组实测SPAD值数据对上述6个建模集模型的精度进行检验，得到预测SPAD值。将20组预测值与实测值进行线性拟合，分别计算验证集的R2、RMSE和RE（图5）。由图5结合表4可知，D2N2的模型y=1 200.9x+47.735估测效果最好［x：DSI（R'645，R'692）］，其建模集R2、RMSE和RE分别为0.703、1.314和2.359%，验证集R2、RMSE和RE分别为0.763、0.620和1.198%。

图5 基于光谱指数各处理验证集SPAD值的预测值和实测值1:1拟合线Fig.5 1:1 fitting line based on the predicted and measured SPAD values of each processing validation set of spectral indexes

3 讨论

在孕穗期和齐穗期，SPAD值随施肥水平的提高而增大；在分蘖期和灌浆中期，SPAD值随施肥水平的提高反而减小。虽然吴朝晖等［23］有类似研究结果，但这一现象仍需进一步证实和深入研究。光谱反射率在近红外平台随密度的增加明显增大。移栽密度对水稻冠层光谱反射率的影响大于施肥水平，与高鑫［24］研究结果类似。水稻叶片SPAD值反映了水稻植株的长势；冠层光谱反射率是遥感监测和卫星遥感反演的重要手段。本研究基于全程机械化大苗机插技术对不同密度及施肥处理水稻SPAD值建立了冠层光谱估算模型。模型精度较好，能为卫星遥感监测提供支撑。但通过估算模型单一预测SPAD值不能全面地监测作物的生长状况及产量，今后将进一步探究不同施肥及密度处理下其他生长指标与冠层光谱的模型构建。

本研究基于全程机械化大苗机插技术，建立SPAD值与冠层光谱的估算模型，经比较和精度验证，得到以下结论：1）在相同密度条件下，常规施肥SPAD值整体高于减肥的处理；密度与SPAD值没有明显规律性，移栽密度越大，原始及一阶微分光谱反射率明显增大，不同施肥处理之间的原始光谱反射率差异也增大；移栽密度对水稻冠层光谱反射率的影响大于施肥水平。2）6个处理在634～652 nm和655～668 nm波段内达极显著正相关，在497～552 nm及687～711 nm波段内达极显著负相关，相关系数均达到0.700以上；基于敏感波段构建的估算模型中，以D3N2的多项式模型y=720 728x2–5 368.2x+49.257估测效果最佳，其建模集R2、RMSE和RE分别为0.766、1.185和2.152%，验证集R2、RMSE和RE分别为0.729、0.364和0.752%；基于光谱指数构建的估算模型中，D2N2的模型y=1 200.9x+47.735估测效果最好，其建模集R2、RMSE和RE分别为0.703、1.314和2.359%，验证集R2、RMSE和RE分别为0.763、0.620和1.198%。3）本试验6个处理均表现为以DSI为建模变量构建的模型决定系数最大，说明敏感波长及光谱参数的选择对模型的构建至关重要。经检验，各处理基于敏感波长及光谱参数分别构建的估算模型精度比较理想，说明本研究所建模型可为卫星遥感监测提供参考和支撑。