基于PLS的不同水氮条件下带状套作玉米产量预测

谭先明，张佳伟，王仲林，谌俊旭，杨峰，杨文钰

基于PLS的不同水氮条件下带状套作玉米产量预测

谭先明，张佳伟，王仲林，谌俊旭，杨峰*，杨文钰

四川农业大学农学院/农业部西南作物生理生态与耕作重点实验室/四川省作物带状复合种植工程技术研究中心，成都 611130

【目的】利用高光谱数据构建一种“高光谱参数-光合色素-产量”模型间接估测套作玉米产量，为带状套作玉米产量无损预测提供技术手段。【方法】以不同年份、地点、品种、处理（氮肥、水分）的田间试验为基础，综合分析带状套作玉米各生育时期及全生育期光合色素参数与冠层高光谱参数和玉米产量的关系，明确玉米产量预测的最佳生育时期及光合色素参数，基于线性函数、二次函数和偏最小二乘（partial least squares，PLS）回归法构建产量估测模型。【结果】光合色素-产量预测模型中，冠层类胡萝卜素密度的PLS产量估测模型效果最佳（2=0.882,=0.669 t·hm-2）。光谱参数-光合色素分析中，抽雄期叶绿素含量与波段自由组合指数rRVI（534,546）相关性最好（=0.927）。其余光合色素参数与对应光谱指数相关性均在0.797以上。在高光谱参数-光合色素-产量估测模型中，由叶绿素含量、类胡萝卜素含量、冠层叶绿素密度、冠层类胡萝卜素密度为连接点，并以光谱指数rNDVI（534,546），rRVI（531,555），rNDVI（532,546），rNDVI（531,555）为自变量构建的PLS产量预测模型效果较好（2=0.509，=1.352 t·hm-2）。【结论】利用色素参数作为光谱数据和产量连接的桥梁，通过PLS回归法建立的预测模型，能够在带状套作玉米中，对玉米产量实现较好估测，为带状套作玉米的田间管理和生长监测提供理论和技术参考。

套作；玉米；高光谱；色素参数；产量；偏最小二乘回归

0 引言

【研究意义】水肥合理供给是决定作物高产的重要因素，也是田间管理的重要手段。水分亏缺不仅阻止叶绿素合成，还加速其降解，导致叶片叶绿素含量降低[1]，进而影响光合作用[2]，减少干物质积累[3]，导致产量降低。增施氮肥可显著提高叶绿素含量，进而提高玉米的光合速率和干物质积累[4]。适量施氮还可促进氮的吸收和利用[5]，提高粮食产量。因此，快速、准确地获得作物生长时的水氮供应水平，并以此制定和采取相应的养分、水分的管理措施，对作物田间的氮肥运筹和水分管理以及生产力监测具有重要意义。【前人研究进展】遥感技术作为一种新型技术手段，能够快速、准确、大面积无损估测叶面积指数（leaf area index，LAI）[6]、叶绿素含量[7]、氮素营养水平[8]和水分含量[9]等农学参数，现已成为作物生长监测的重要手段之一。目前，作物产量估测相关报道主要包括两类：（1）基于“光谱参数-产量”的经验模型，主要利用单一生育时期的光谱数据或植被指数直接对玉米[10]、小麦[11]等作物产量进行预测，模型相对简单可靠，但是光谱数据-产量的经验模型由于直接利用光谱数据，缺乏应有的农学机理，往往无法解释环境因素对其精度的影响[12]。（2）基于“光谱数据-农学参数-产量”的定量模型，将作物的农学参数作为光谱数据与产量连接的桥梁，通过敏感生长期的光谱参数间接估算粮食产量[13]。Delia等[14]利用玉米叶面积指数衔接光谱参数与产量，有效预测了玉米产量。在小麦上，利用“特征光谱参数-叶片氮素营养-籽粒产量”关系构建的成熟期小麦产量预测模型，拟合效果较好[15]。相关研究在产量估测上包含了农学参数，尽管模型的操作较复杂，但在作物生长调控和栽培管理方面更有意义[16-17]。因此，建立具有农学机理的光谱产量估测模型是今后研究的重点。【本研究切入点】目前前人主要单独从多年份、或多试验点、或多品种试验开展研究，但是将其进行综合分析，以探究产量估测模型广适性的研究报道较少。此外，作物产量形成取决于生长过程中作物的叶面积、生物量、营养状况等农学参数的响应，而这些农学参数不仅可以通过光谱定量反演，还能反映作物生产力水平。因此，基于农学参数的间接估测模型可以更好地解释产量差异的原因，具有较强的机理性。【拟解决的关键问题】本研究以不同年份、试验地点、品种类型、处理条件（氮肥、水分）的田间试验为基础，综合分析带状套作玉米各生育时期光合色素参数与冠层高光谱参数和玉米产量之间的定量关系，明确产量的最佳预测时期及光合色素参数，并构建产量间接估测模型，为带状套作玉米产量无损预测提供技术手段，为其田间精确管理提供理论依据。

1 材料与方法

1.1 试验材料

供试玉米品种为川单418（紧凑型，川单种业有限公司供种）；正红505（半紧凑型，四川农大正红种业有限公司供种）和登海605（紧凑型，登海种业有限公司供种）。大豆品种为南豆12（耐荫型，四川省南充市农业科学研究院供种）。

1.2 试验设计

本研究包括5个田间试验，涉及不同地点、不同年份、不同品种类型、不同施氮水平和不同干旱胁迫处理。

试验1（Experiment 1，Exp.1）：2018于四川农业大学雅安校区教学科研园区自动防雨棚（29°59′N，102°59′E）进行，供试品种正红505，采用抗旱池栽控水的方法，单个抗旱池面积4.5 m2。在玉米拔节期、灌浆期设置4个水分梯度（占土壤中田间持水量的百分数），分别为正常对照（CK），60%—70%；轻度干旱（L），45%—55%；中度干旱（M），30%—40%；重度干旱（S），15%—25%。每个处理重复3次，1个抗旱池作为一个小区。每7 d左右测定土壤含水量进行均衡补水控水并记录，通过自然干旱和排水、灌水至各处理设定的水分范围，并在保持7 d后测定相关参数，完成测定后复水至完熟期。玉米播前测定各抗旱池土壤田间持水量和土壤容重，进行播前土壤蒸散耗水，使各抗旱池田间持水量达到正常水分处理。

试验2（Experiment 2，Exp.2）：2018年于仁寿县四川现代粮食生产示范基地（30°04′N，104°12′E）进行。供试品种为川单418，试验设计高（L）、中（M）、低（S）3个坡度水平，播种前及播种后每7 d测定土壤含水量。采样时期为拔节期、灌浆期。

试验3（Experiment 3，Exp.3）：2018年于仁寿县四川现代粮食生产示范基地进行。供试品种为正红505，试验设3个氮素水平，施纯氮分别为0（N1）；120 kg·hm-2（N2）；240 kg·hm-2（N3），每个处理重复3次。于拔节期、抽雄期测定相关参数。

试验4（Experiment 4，Exp.4）：2019年于四川农业大学雅安校区试验基地的自动防雨棚进行，在玉米拔节期、抽雄期、灌浆期设置4个水分梯度，分别为正常对照（CK），75%±5%；轻度干旱（L），60%±5%；中度干旱（M），45%±5%；重度干旱（S），30%±5%。其他试验设计与管理同试验1。

试验5（Experiment 5，Exp.5）：2019年于四川农业大学崇州现代农业研发基地（30°33′N，103°38′E）进行。供试品种为登海605，试验设4个氮素水平，施纯氮分别为0（N1）；120 kg·hm-2（N2）；210 kg·hm-2（N3）；300 kg·hm-2（N4），每个处理重复3次。于拔节期、抽雄期、灌浆期测定相关参数。

试验1—5均采用宽窄行玉米大豆带状复合种植模式。带宽2 m，玉米窄行行距40 cm，株距17 cm，密度为60 000 株/hm2；6月中旬于宽行播种大豆，大豆行距40 cm，株距10 cm，密度100 000株/hm2。试验1、2和4均施纯氮（尿素，N含量46.67%）120 kg·hm-2，分别于播种前和大喇叭口期按1﹕1在玉米行间开沟施肥。试验3和5氮素施用按试验设计，分别于播种前和大喇叭口期按1﹕1在玉米行间开沟施肥。磷、钾底肥分别为72 kg P2O5·hm-2、90 kg K2O·hm-2，其他按常规管理。

1.3 测定项目与方法

1.3.1 光谱数据测定 玉米冠层反射光谱测量使用荷兰AvaField-3便携式地物波谱仪（波段范围为350—2 500 nm，光谱采样间隔0.6 nm @350—1 000 nm和6 nm @1 000—2 500 nm，视场角25°）。冠层反射光谱测定选择在晴朗、少云无风下的天气进行，测量时间为北京时间为10：00—14：00。测量时光纤探头垂直向下，距离玉米冠层高度1 m左右，探测的视场范围直径约为44.5 cm。每个小区选取4个具有代表性的观测点，每个观测点测量4次，取其平均值作为该观测点的光谱反射率，每次测定前后及时用标准白板校正。光谱数据测定过程中，带状套作大豆还未出苗，不影响玉米冠层光谱数据。

1.3.2 叶面积指数（LAI） 光谱测定完成后，在光谱视场范围内选取观测点对应单株玉米被测材料，采用长宽系数法（全展叶片系数为0.75，未全展叶片系数为0.5），测定玉米植株绿叶面积，通过计算转换为LAI[18]。

1.3.3 光合色素 冠层光谱测定后，取观测点对应单株玉米上中下3层叶片（拔节期分为上下2层），每层于叶片前部、中部和尾部用内径10 mm的打孔器共打孔9个，装入50 ml PE管内，并用80%丙酮溶液在室温下暗处浸提48 h，用双光束紫外分光光度计（Specord 200 plus，Analytik Jena，Germany）在波长470 nm、645 nm和663nm处测定光密度，然后按下式计算叶绿素浓度（Ct）、类胡萝卜素浓度（Car）[19]，及计算对应冠层密度CCD和CCarD。

Ca(mg·L-1)=12.7A663-2.69A645

Cb(mg·L-1)=22.9A645-4.68A663

Ct(mg·cm-2)=(Ca+Cb)×V/(S×1000)

Car(mg·cm-2)=((100A470-3.27Ca-104Cb)×V)/(S×229×1000)

CCD(g·m-2)=Ct×LAI

CCarD( mg·m-2)=Car×1000×LAI

式中，Aw代表在w波长下浸提液的吸光度；V表示浸提液的体积，ml；S表示孔的面积，cm2。

1.3.4 产量 试验1—5于玉米成熟期在各处理下的每个试验小区连续取20株玉米进行考种，晒干后称取千粒重，计算小区产量及亩产。

1.4 数据分析

采用 Microsoft Excel 2010 对光谱数据、农学参数和产量数据进行整理，利用IBM SPSS 25.0进行统计分析和回归模型的建立，Origin 2018进行图形绘制以及在Matlab R2019b环境下运行植被指数、波段自由组合等程序包。

1.4.1 植被指数和光谱指数 本研究筛选与叶绿素较敏感的3个植被指数。同时，对光谱反射率采用两两波段随机自由组合的方式构建随机差值指数（rDVI）、随机比值指数（rRVI）和随机归一化指数（rNDVI），确定最佳植被指数，如表1所示。

表1 本文引用的植被指数及光谱指数

1.4.2 模型的建立与检验 本研究采用以下方法对叶绿素、类胡萝卜素和产量进行估测，主要包括线性函数、二次函数、偏最小二乘（partial least squares，PLS）回归模型：

y=a+b

y=a+bx+cx2

y=a0+a1x1+a2x2+a3x3+……+anxn

式中，y表示产量的预测值，x和xn表示光谱特征参量和农学参数，a、b、c和a0表示常数，an表示偏回归系数。

本研究中各时期样本集及总样本集均随机筛选2/3的数据构建模型，其余数据进行验证。模型的精度检验和评估分别采用了决定系数（coefficient of determination，2）和均方根误差（root mean square error，），其计算公式如下：

式中，yi和yi’代表实测值和预测值，y代表样本平均值，n代表样本数。

2 结果

2.1 不同处理带状套作玉米产量差异分析

由表2可知，玉米产量总体随施氮水平提高或干旱胁迫程度减轻而增加。在试验1和试验4的干旱胁迫试验中，不同时期对玉米进行干旱胁迫对玉米的产量影响不同。在拔节期重度干旱下，产量在2018年和2019年分别下降38.78%和27.81%，在2019年抽雄期重度干旱下，产量下降34.92%。在自然坡度水分试验中，高坡产量相较低坡产量降低25.58%。在2年的氮素试验中，产量随施氮量的增加而增加，但并未达到显著差异。

表2 各处理成熟期产量差异

CK、L、M和S表示试验1和4中的正常处理、轻度干旱、中度干旱和重度干旱；L、M和S表示试验2中的高坡、中坡和低坡水平；N1、N2、N3和N4分别表示试验3和5的不同施氮水平。同列不同小写字母表示0.05水平差异显著

CK, L, M and S indicate normal stress, light stress, moderate stress and severe stress in experiments 1 and 4; L, M and S indicate the high, middle and low slope levels in experiment 2; N1, N2, N3, and N4 indicate different nitrogen application levels for experiments 3 and 5.Values followed by different lowercases within the same column are significantly different at 0.05 probability level

2.2 基于带状套作玉米光合色素参数的产量预测模型构建

2.2.1 本研究整合试验1—5的试验数据，根据光谱

数据获取时期将全部数据分为拔节期样本（n=54）、抽雄期样本（n=33）、灌浆期样本（n=40）和总样本（n=127）。各光合色素参数变化如表3所示，总体呈现先增后减趋势，在抽雄期达到最大值。将成熟期产量与各时期对应的Ct、CCD、Car、CCarD进行相关性分析。结果如表4所示，玉米产量数据与抽雄期4个光合色素参数呈极显著相关，其中与Ct具有最大相关系数绝对值（0.729）。此外，玉米产量仅与拔节期CCarD极显著相关；与灌浆期Car显著相关，与其余参数相关性较差。总样本中产量数据与4个光合色素参数极显著相关，但相关系数较低，不适合进行产量的预测。

2.2.2 基于玉米色素参数的产量预测模型构建 带状套作玉米抽雄期光合色素参数与产量数据的相关性显著高于拔节期和灌浆期，且抽雄期中4种参数与产量相关系数较高，故本研究随机将试验3—5中的抽雄期样本光合色素参数和产量数据（n=33）随机分为建模集（n=22）和验证集（n=11）。

将抽雄期Ct、CCD、Car、CCarD作为自变量x，产量数据作为因变量y，通过一次、二次及PLS回归方程建立成熟期带状套作玉米产量预测模型，如表5所示。在一次、二次线性回归方程中，以Ct和Car含量为变量x所建立的二次线性方程的预测模型验证集2较高，分别为0.545及0.477；其余预测模型验证集2较低。利用PLS回归方程建立的预测模型表现出最好的效果，验证集2达到0.882，仅为0.669 t·hm-2，显著优于一次和二次预测模型。

表3 各生育时期光合色素参数

表4 光合色素参数与产量相关分析

*表示在0.05水平上差异显著，**表示在0.01水平上差异显著。下同

* means significant difference at 0.05 level, and ** means significant difference at 0.01 level.The same as below

表5 玉米色素参数和产量的回归分析

2.3 光合色素参数与光谱反射率及一阶导数光谱的相关性

随机将试验3—5中的抽雄期130个样本分为建模集（n=90）和验证集（n=40），利用建模集中Ct、CCD、Car、CCarD数据与原始光谱数据及一阶导数光谱进行相关性分析。如图1所示，4种色素参数与冠层原始光谱和一阶导数光谱的相关性在350—2 500 nm之间的变化规律基本相同，且相关系数大小基本规律为Ct＞Car＞CCD＞CCarD。此外，各色素参数与冠层原始光谱在大部分波段均呈极显著正相关（＜0.01），最大相关系数为0.809（Ct）。与一阶导数光谱最大相关系数存在于Ct（=0.816）。

图1 冠层原始光谱、一阶导数光谱与色素参数相关性分析

2.4 光合色素参数与植被指数及光谱指数的相关性分析

2.4.1 合色素参数与植被指数的相关性分析 在植被指数与光合色素参数的相关性分析中，仅TCARI与冠层类胡萝卜素密度、GNDVI与类胡萝卜素含量显著相关（＜0.05），但相关系数较低，分别为-0.239和0.260（表6）。

表6 光合色素参数与植被指数的相关性分析

2.4.2 光合色素参数与波段自由组合指数的相关性分析 通过将原始光谱和一阶导数光谱反射率进行两波段自由组合，构建所有可能的rDVI、rRVI及rNDVI光谱指数，并与光合色素参数进行相关性分析，根据其相关系数值绘制相关系数矩阵图。图2选取了相关性较好的原始光谱rRVI指数矩阵图，图中每个像素点对应的横纵坐标为对应的波段，各像素点的色度值表示相关系数的高低。

结果表明，优选的光谱指数与各色素参数均呈极显著相关。如表7所示，基于原始光谱构建的光谱指数中，4种色素参数与3种光谱指数相关系数大小均表现为rRVI＞rNDVI＞rDVI，其中相关性最好的是rRVI（534，546）与叶绿素含量（=0.927）。基于一阶导数光谱构建的光谱指数中，除CCD与rRVI（544，448）相关系数最高，其他色素参数均与优选光谱指数rDVI相关系数最高，其中rDVI（1 491，769）与叶绿素含量相关性最好（=0.898）。由表7可知，玉米光合色素参数的敏感区域集中于原始光谱中的500—600 nm的可见光波段，一阶导数光谱的近红外波段。此外，在整个350—2 500 nm的波段范围内，基于原始光谱自由组合的光谱指数相关性好于一阶导数光谱自由组合的光谱指数。

图2 光合色素参数与rRVI的相关性分析

表7 光合色素参数与光谱指数的相关性分析

2.5 光合色素参数估测模型的构建及验证

因Ct、CCD、Car、CCarD与原始光谱优选光谱指数rDVI、rRVI和rNDVI均达到极显著相关，且相关系数较高，故以优选原始光谱指数rDVI、rRVI和rNDVI为自变量，采用一次和二次函数回归方程建立带状套作玉米光合色素参数含量预测模型（表8）。各色素参数以原始光谱优选指数rRVI、rNDVI所建立的预测模型的建模集决定系数均在0.800以上，且验证集的决定系数均在0.770以上。4种色素参数均以基于原始光谱构建的rRVI光谱指数所建立的预测模型精度较高。此外，各参数预测模型中，二次回归方程普遍优于一次线性模型。各色素参数最优的预测模型验证集的实测值与预测值1﹕1关系图如图3所示。

表8 光合色素参数与光谱指数的线性非线性回归分析

图3 基于高光谱遥感的玉米冠层各光合色素参数实测值与预测值比较

2.6 基于高光谱遥感的带状套作玉米产量预测模型构建

带状套作玉米抽雄期光合色素参数与其产量存在着极显著的定量关系，且又与基于波段自由组合构建的优选光谱指数极显著相关。因此结合表5与表8，根据光谱参数-色素参数-产量这一技术路线，以带状套作玉米光合色素参数为光谱参数和产量的连接点，建立抽雄期带状套作玉米产量预测模型，结果如表9所示。在构建的带状套作玉米产量估测模型中，效果较好的分别为以Car为连接点，优选光谱指数为rNDVI（532，546），对应的模型为一次回归光谱-色素模型和二次回归色素-产量模型，其验证集的2为0.487，为0.965 t·hm-2；以4个光合色素为连接点，光谱参数分别为rNDVI（534，546），rRVI（531，555），rNDVI（532，546），rNDVI（531，555），对应的模型为二次回归光谱-色素模型和PLS回归色素-产量模型，其验证集的2为0.509，为1.352 t·hm-2。

3 讨论

适当的水分和氮肥供应是保证作物正常生长发育和产量品质形成的基础。本研究发现，带状套作玉米产量在不同干旱胁迫和氮素水平上的存在显著差异。其中，在拔节期和抽雄期受到干旱的影响要远大于灌浆期，尤其在中度和重度干旱胁迫下，玉米产量显著降低，其原因可能是玉米生长的早中期对水分比较敏感，而生育后期对水分不敏感[22]。此外，玉米产量在坡度试验中表现出显著差异，这主要是由于坡上保水能力不足和肥料随水分流失两方面因素导致坡上产量显著低于坡下产量。众多研究表明，在一定范围内，产量随施氮量的增加而增加，到达一定程度后增幅减小[23-24]，这与本研究的结果一致。但本研究中，可能由于土壤基础肥力较高，随施氮量的增加，产量增加并未达到显著差异。

水分和氮肥往往不是直接影响作物的产量，而是通过影响各项农学参数如叶绿素含量等间接作用于产量的形成过程。叶绿素与植物的碳固定和能量转化等活动有密切关系，此外，研究表明叶绿素密度的变化对光合速率变化有显著影响[25]。因此，叶绿素含量的变化反映了作物的长势和营养水平，进而反映作物的产量潜力。当作物营养不足或遭到水分胁迫时光合作用的光饱和点下降，在相同的光照环境下，需要增加类胡萝卜素含量来保护叶绿素结构免受光氧化[26-27]，由此类胡萝卜素含量可以反向反映作物的长势及营养水平和解释作物产量潜力。综上，利用光合色素参数进行产量估测应综合考虑各光合色素参数的影响。在本研究中，分析了各时期光合色素参数与成熟期产量的定量关系，其中，抽雄期Ct、CCD、Car、CcarD均与产量存在显著负相关关系，并且Ct与产量存在较高的相关系数，且回归模型斜率较高。此外，本研究发现同时采用抽雄期4个色素参数联合构建的PLS回归模型具有较高的估测精度，表明抽雄期可以作为产量预测的最佳时期。

基于高光谱技术对作物色素含量的反演已有相关报道。在引用的前人植被指数中，各光合色素参数与植被指数的相关性均较低。因此，本研究利用波段自由组合的方法构建了基于原始光谱和一阶导数光谱的rDVI、rRVI、rNDVI。结果表明，波段自由组合植被指数与各光合色素参数相关性显著提升，与前人研究结果基本一致[28-29]。由此可知，不同作物的光合色素等参数均存在各自敏感波段组成的植被指数。前人研究表明，红边参数可以高度精确估测作物的光合色素含量[30]。而本研究通过波段自由组合构建的色素敏感光谱指数则主要集中于可见光波段，其原因可能是对绿光的强反射和红光的吸收，且不同胁迫水平的反射和吸收存在显著差异。[28, 29]在抽雄期各光合色素反演模型中，二次非线性预测模型的精度均略高于一次线性模型，进一步证实作物农学参数与光谱参数并非简单的线性关系[31]。同时，综合比较4项光合色素参数的模型精度，发现精度较好的自变量为各自对应的rNDVI，其原因可能是对敏感波段进行归一化的结果，而归一化能够深入挖掘光谱信息，提高模型预测的准确性。

本研究表明，抽雄期玉米光合色素参数与冠层光谱数据和产量显著相关，因此，将其作为冠层高光谱数据与成熟期产量的连接点，一方面通过波段自由组合构建的优选光谱指数，构建抽雄期玉米光合色素预测模型，具有较好的准确性和适应性；另一方面依靠光合色素参数构建的产量预测模型，具有可以从生理方面解释产量差异的优点。二者结合建立的“高光谱参数-色素参数-产量”的预测模型中，基于PLS的多变量回归模型具有较好的预测效果。该模型能够在一定程度上消除或减轻不同氮素水平、水分梯度、品种、地点和不同年份间差异对模型的影响，同时能够反映相关农学机理。当然，本研究中带状套作玉米成熟期的产量预测模型的构建与测试是以2年间的3个独立试验为基础，今后还需通过多年的不同生态点、生产力水平的完善及检验，提高模型估测的准确性和普适性。

4 结论

（1）玉米抽雄期4种光合色素参数Ct、CCD、Car及CCarD与产量极显著相关且相关系数较高，建立的带状套作玉米抽雄期的光合色素参数-产量预测模型效果较好。

（2）带状套作玉米抽雄期的优选光谱指数与4种色素参数Ct、CCD、Car及CCarD相关性较高且达到极显著水平。4种色素参数均以光谱指数RVI所建立的二次非线性预测模型精度最高，且稳定性较好。

（3）构建的高光谱参数-色素参数-产量的带状套作玉米产量预测模型中，以4个色素参数为连接点，分别利用抽雄期光谱参数rNDVI（534，546），rRVI（531，555），rNDVI（532，546），rNDVI（531，555）建立的二次色素预测模型和色素-产量的PLS回归模型组合的产量预测模型可以有效地对玉米产量进行间接估测。

[1] 董守坤, 赵坤, 刘丽君, 孙聪姝, 郭茜茜, 阮英慧, 王利彬.干旱胁迫对春大豆叶绿素含量和根系活力的影响.大豆科学, 2011, 30(6): 949-953.

DONG S K, ZHAO K, LIU L J, SUN C S, GUO Q Q, RUAN Y H, WANG L B.Effect of drought stress on chlorophyll content and root activity of spring soybean.Soybean Science, 2011, 30(6): 949-953.(in Chinese)

[2] 宋贺, 蒋延玲, 许振柱, 周广胜.玉米光合生理参数对全生育期干旱与拔节后干旱过程的响应.生态学报, 2019, 39(7): 2405-2415.

SONG H, JIANG Y L, XU Z Z, ZHOU G S.Response of photosynthetic physiological parameters of maize to drought during the whole growth period and after the jointing stage.Acta Ecologica Sinica, 2019, 39(7): 2405-2415.(in Chinese)

[3] 赵成凤, 王晨光, 李红杰, 郑学慧, 杨梅, 张仁和.干旱及复水条件下外源褪黑素对玉米叶片光合作用的影响.生态学报, 2021, 41(4): 1431-1439.

ZHAO C F, WANG C G, LI H J, ZHENG X H, YANG M, ZHANG R H.Effects of exogenous melatonin on photosynthesis of maize leaves under drought stress and rewatering.Acta Ecologica Sinica, 2021, 41(4): 1431-1439.(in Chinese)

[4] ADRIENN V S, JANOS N.Effects of nutrition and water supply on the yield and grain protein content of maize hybrids.Australian Journal of Crop Science, 2012, 6(3): 381-390.

[5] CAVIGLIA O P, MELCHIORI R J M, SADRAS V O.Nitrogen utilization efficiency in maize as affected by hybrid and N rate in late-sown crops.Field Crops Research, 2014, 168: 27-37.

[6] 杨峰, 范亚民, 李建龙, 钱育蓉, 王艳, 张洁.高光谱数据估测稻麦叶面积指数和叶绿素密度.农业工程学报, 2010, 26(2): 237-243.

YANG F, FAN Y M, LI J L, QIAN Y R, WANG Y, ZHANG J.Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data.Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 237-243.(in Chinese)

[7] 薛利红, 杨林章.采用不同红边位置提取技术估测蔬菜叶绿素含量的比较研究.农业工程学报, 2008, 24(9): 165-169.

XUE L H, YANG L Z.Comparative study on estimation of chlorophyll content in spinach leaves using various red edge position extraction techniques.Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(9): 165-169.(in Chinese)

[8] SCHLEMMER M, GITELSON A, SCHEPERS J, FERGUSON R, PENG Y, SHANAHAN J, RUNDQUIST D.Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels.International Journal of Applied Earth Observation & Geoinformation, 2013, 25(1): 47-54.

[9] 田永超.基于冠层反射光谱的水稻水分及稻麦生长监测[D].南京: 南京农业大学, 2003.

TIAN Y C.Monitoring water status in rice and growth parameters in rice and wheat with canopy spectral reflectance[D].Nanjing: Nanjing Agricultural University, 2003.(in Chinese)

[10] ZHANG L L, ZHANG Z, LUO Y C, CAO J, TAO F L.Combining optical, fluorescence, thermal satellite, and environmental data to predict county-level maize yield in China using machine learning approaches.Remote Sensing, 2020, 12(1): 21.doi: 10.3390/rs12010021.

[11] XUE L H, CAO W X, YANG L Z.Predicting grain yield and protein content in winter wheat at different N supply levels using canopy reflectance spectra.Pedosphere, 2007, 17(5): 646-653.

[12] LI Z, JIN X, ZHAO C, WANG J, XU X, YANG G, LI C, SHEN J.Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing.European Journal of Agronomy, 2015, 71: 53-62.

[13] RODRIGUES F A, BLASCH G,DEFOURNY P, ORTIZ MONASTERIO J I, SCHULTHESS U, ZARCO-TEJADA P J, TAYLOR J A, GERARD B.Multi-temporal and spectral analysis of high-resolution hyperspectral airborne imagery for precision agriculture: Assessment of wheat grain yield and grain protein content.Remote Sensing, 2018, 10(6): 930.doi: 10.3390/rs10060930.

[14] DELIA B, KINIRY J R, MAAS S J, TISCARENO M L, JAIME M C, MENDOZA J L, RICHARDSON C W, JAIME S G, MANJARREZ J R.Large-area maize yield forecasting using leaf area index based yield model.Agronomy Journal, 2005, 97(2): 418-425.

[15] 冯伟, 朱艳, 田永超, 姚霞, 郭天财, 曹卫星.基于高光谱遥感的小麦籽粒产量预测模型研究.麦类作物学报, 2007, 27(6): 1076-1084.

FENG W, ZHU Y, TIAN Y C, YAO X, GUO T C, CAO W X.Model for predicting grain yield with canopy hyperspectal remote sensing in wheat.Journal of Triticeae Crops, 2007, 27(6): 1076-1084.(in Chinese)

[16] 冯伟.基于高光谱遥感的小麦氮素营养及生长指标监测研究[D].南京: 南京农业大学, 2007.

FENG W.Monitoring nitrogen status and growth characters with canopy hyperspectal remote sensing in wheat[D].Nanjing: Nanjing Agricultural University, 2007.(in Chinese)

[17] 陈鹏飞, 王吉顺, 潘鹏, 徐于月, 姚凌.基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演.农业工程学报, 2011, 27(9): 75-80.

CHEN P F, WANG J S, PAN P, XU Y Y, YAO L.Remote detection of wheat grain protein content using nitrogen nutrition index.Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(9): 75-80.(in Chinese)

[18] 孙锐, 朱平, 王志敏, 丛艳霞, 勾玲, 方立锋, 赵明.春玉米叶面积系数动态特征的密度效应.作物学报, 2009, 35(6): 1097-1105.

SUN R, ZHU P, WANG Z M, CONG Y X, GOU L, FANG L F, ZHAO M.Effect of plant density on dynamic characteristics of leaf area index in development of spring maize.Acta Agronomica Sinica, 2009, 35(6): 1097-1105.(in Chinese)

[19] KONG D X, LI Y Q, WANG M L, BAI M, ZOU R, TANG H, WU H.Effects of light intensity on leaf photosynthetic characteristics, chloroplast structure, and alkaloid content of(Gagnep.) Laferr.Acta Physiologiae Plantarum, 2016, 38(5): 120.doi: 10.1007/s11738-016-2147-1.

[20] DAUGHTRY C S T, WALTHALL C L, KIM M S, COLSTOUN E B D, III M M.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance.Remote Sensing of Environment, 2000, 74(2): 229-239.

[21] GAMON J A, PENUELAS J, FIELD C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency.Remote Sensing of Environment, 1992, 41(1): 35-44.

[22] 林同保, 孟战赢, 王志强, 支园园.土壤水分对夏玉米水分代谢及产量的影响.河南农业大学学报, 2008, 42(2): 135-139.

LIN T B, MENG Z Y, WANG Z Q, ZHI Y Y.Influence of different soil moisture on water metabolism and yield of summer corn.Journal of Henan Agricultural University, 2008, 42(2): 135-139.(in Chinese)

[23] 谷晓博, 李援农, 黄鹏, 杜娅丹, 方恒, 陈朋朋.种植方式和施氮量对冬油菜产量与水氮利用效率的影响.农业工程学报, 2018, 34(10): 113-123.

GUO X B, LI Y N, HUANG P, DU Y D, FANG H, CHEN P P.Effects of planting patterns and nitrogen application rates on yield, water and nitrogen use efficiencies of winter oilseed rape (L.).Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 113-123.(in Chinese)

[24] 隋鹏祥, 有德宝, 安俊朋, 张文可, 田平, 梅楠, 王美佳, 王沣, 苏思慧, 齐华.秸秆还田方式与施氮量对春玉米产量及干物质和氮素积累、转运的影响.植物营养与肥料学报, 2018, 24(2): 316-324.

SUI P X, YOU D B, AN J P, ZHANG W K, TIAN P, MEI N, WANG M J, WANG F, SU S H, QI H.Effects of straw management and nitrogen application on spring maize yield, dry matter and nitrogen accumulation and transfer.Journal of Plant Nutrition and Fertilizers, 2018, 24(2): 316-324.(in Chinese)

[25] 张苏.叶绿素密度遥感反演与冬小麦单产估算研究[D].西安: 西安科技大学, 2014.

ZHANG S.Retrieval of canopy chlorophyll density and yield prediction for winter wheat based on remote sensing[D].Xi’an: Xi’an University of Science and Technology, 2014.(in Chinese)

[26] CHEW B P, PARK J S.Carotenoid action on the immune response.Journal of Nutrition, 2004, 134(1): 257S-261S.

[27] KRINSKY N I, JOHNSON E J.Carotenoid actions and their relation to health and disease.Molecular Aspects of Medicine, 2006, 26(6): 459-516.

[28] LI L T, REN T, MA Y, WEI Q Q, WANG S Q, LI X K, CONG R H, LIU S S, LU J W.Evaluating chlorophyll density in winter oilseed rape (L.) using canopy hyperspectral red-edge parameters.Computers and Electronics in Agriculture, 2016, 126: 21-31.

[29] 谌俊旭, 黄山, 范元芳, 王锐, 刘沁林, 杨文钰, 杨峰.单作套作大豆叶片氮素积累与光谱特征.作物学报, 2017, 43(12): 1835-1844.

CHEN J X, HUANG S, FAN Y F, WANG R, LIU Q L, YANG W Y, YANG F.Remote detection of canopy leaf nitrogen status in soybean by hyperspectral data under monoculture and intercropping systems.Acta Agronomica Sinica, 2017, 43(12): 1835-1844.(in Chinese)

[30] 王仲林, 谌俊旭, 程亚娇, 范元芳, 冯伟, 李昊宸, 吕金灿, 杨文钰, 杨峰.干旱胁迫下玉米叶片可溶性糖光谱估测研究.四川农业大学学报, 2018, 36(4): 436-443.

WANG Z L, CHEN J X, CHENG Y J, FAN Y F, FENG W, LI H C, LÜ J C, YANG W Y, YANG F.Assessing the soluble sugar of maize leaves in drought stress based on hyperspectral data.Journal of Sichuan Agricultural University, 2018, 36(4): 436-443.(in Chinese)

[31] JIA F F, LIU G S, LIU D S, ZHANG Y Y, FAN W G, XING X X.Comparison of different methods for estimating nitrogen concentration in flue-cured tobacco leaves based on hyperspectral reflectance.Field Crops Research, 2013, 150: 108-114.

Prediction of maize yield in Relay strip intercropping under different water and nitrogen conditions based on PLS

TAN XianMing, ZHANG JiaWei, WANG ZhongLin, CHEN JunXu, YANG Feng*, YANG WenYu

College of Agronomy, Sichuan Agricultural University/Key Laboratory of Crop Ecophysiology and Farming System in Southwest, Ministry of Agriculture/Sichuan Engineering Research Center for Crop Strip Intercropping System, Chengdu 611130

【Objective】This study was designed mainly to provide technical means for non-destructive prediction of intercropped maize yield.The prime objective of our study was to construct a “hyperspectral parameter-photosynthetic pigment-yield” model from the hyperspectral data.【Method】Based on field trials of different years, locations, varieties, and treatments (nitrogen fertilizer, moisture), the relationships among photosynthetic pigment parameters, canopy hyperspectral parameters, and maize yield at each growth period and the entire growth period of intercropping maize were comprehensively analyzed.In addition, the optimal growth period and photosynthetic pigment parameters for maize yield prediction were also clarified.Then, the prediction model of yield was constructed based on linear function, quadratic function and partial least squares regression (PLS).【Result】Among the photosynthetic pigment-yield prediction models, the PLS prediction model of yield based on canopy carotenoid density had the best effect (2=0.882,=0.669 t·hm-2).In the spectral parameter-photosynthetic pigment analysis, the chlorophyll content during the tasseling stage had the best correlation with the band free combination index rRVI (534, 546) (=0.927).The correlation between the other photosynthetic pigment parameters and the corresponding spectral index was above 0.797.In the hyperspectral parameter- photosynthetic pigment-yield prediction model, the chlorophyll content, carotenoid content, canopy chlorophyll density, and canopy carotenoid density were used as connection points, and using the spectral indices of rNDVI (534, 546), rRVI (531, 555), rNDVI (532, 546), and rNDVI (531, 555) as independent variables, the PLS output prediction model had better effect (2=0.509,=1.352 t·hm-2).【Conclusion】In intercropping maize, the pigment parameters were used as a bridge between spectral data and yield.A prediction model was established through PLS regression, which could achieve a better estimation of maize yield and provide the theoretical and technical reference for field management and growth monitoring of maize in intercropping.

relay intercropping; maize; hyperspectral; pigment parameters; yield;partial least squares regression

2021-05-17；

2021-10-08

国家重点研发计划（2016YFD0300602）、成都市科技项目（2020-YF09-00033-SN）

谭先明，E-mail：2019301094@stu.sicau.edu.cn。通信作者杨峰，E-mail：f.yang@sicau.edu.cn

（责任编辑 杨鑫浩）