基于综合指标协同优化的冬小麦植株水分含量预测

高晨凯，刘水苗，李煜铭，吴鹏年，王艳丽，刘长硕，乔毅博，关小康，王同朝，温鹏飞

基于综合指标协同优化的冬小麦植株水分含量预测

高晨凯1，刘水苗1，李煜铭1，吴鹏年2，王艳丽2，刘长硕1，乔毅博1，关小康1，王同朝1，温鹏飞1

1河南农业大学农学院，郑州 450046；2河南农业大学资源与环境学院，郑州 450046

【目的】基于冬小麦冠层温度参数、形态指标和生理指标3种综合指标构建不同生育时期冬小麦植株含水量（PWC）反演模型，探寻更全面、精准的水分亏缺监测方法，为冬小麦抗旱提供理论依据。【方法】以冬小麦为研究对象，设置3个水分梯度，分别为水分亏缺处理（W1）：35 mm和（W2）：48 mm，对照处理（W3）：68 mm；2个小麦品种洛麦22（一般耐旱品种）和周麦27（弱耐旱品种）。分别获取拔节期、孕穗期和灌浆期冬小麦的冠层温度参数（冠层温度标准差（CTSD）和作物水分胁迫指数（CWSI））、形态指标（株高、茎粗、地上部生物量和叶面积指数）和生理指标（气孔导度、蒸腾速率和光合速率），按照平均权重原则分别构建综合温度参数指标（comprehensive temperature parameter indicator，CTPI）、综合生长指标（comprehensive growth indicator，CGI）和综合生理指标（comprehensive physiological indicator，CPI）。分析植株含水量与综合指标之间的相关关系，并采用多元线性回归（MLR）、偏最小二乘回归（PLSR）和支持向量机（SVM）方法分生育时期构建基于综合指标的PWC反演模型。【结果】不同生育时期内冬小麦的冠层温度参数、形态指标及生理指标水分亏缺处理（W1、W2）较对照处理（W3）均表现出显著性差异（＜0.05）。孕穗期和灌浆期的综合指标（CTPI、CGI和CPI）与PWC具有显著相关关系，相关系数（）分别为-0.70（-0.78）、0.84（0.80）和0.83（0.76）。采用MLR、PLSR和SVM方法，基于综合指标（CTPI、CGI和CPI）构建PWC反演预测模型均具有较高的预测精度，其中以SVM构建的孕穗期PWC模型最优，2cal（2val）、RMSEcal（RMSEval）和nRMSEcal（nRMSEval）分别为0.878（0.815）、2.06%（2.37%）和3.10%（3.33%）。【结论】基于综合指标（CTPI、CGI和CPI）构建的SVM-PWC模型能够很好地预测冬小麦各生育时期水分亏缺状况，可为黄淮海平原冬小麦防旱抗旱提供理论依据。

冬小麦；水分亏缺；综合指标；植株含水量；支持向量机

0 引言

【研究意义】气候变暖加剧了干旱事件的发生，全球每年因干旱造成的经济损失占气象灾害损失的50%，这对农业生产和国家粮食安全带来巨大影响[1-3]。黄淮海平原是我国重要的冬小麦生产基地，年降雨量500—900 mm，主要集中在夏季，而冬小麦生长期主要在冬、春季，降雨在125—250 mm[4-5]，自然降雨无法满足冬小麦生长需求，因此，精准、有效地监测冬小麦水分亏缺状况，是应对作物水分胁迫和水资源短缺的最经济、最直接的措施。【前人研究进展】作物干旱监测通常采用与水分胁迫敏感的相关指标对作物水分状况进行描述[6]。当作物受到水分亏缺胁迫时，会发生株高降低、叶面积减小、叶片萎蔫卷曲以及叶片颜色改变[7-8]。相比之下，植株在水分胁迫的邻近-发生阶段，光合速率（n）、蒸腾速率（r）及气孔导度（s）等生理指标就已经对水分胁迫作出应激响应[9-10]。随着水分亏缺的持续，作物通过控制叶片气孔关闭减少水分损耗，使得净光合速率、气孔导度及蒸腾速率降低[11]。作物冠层温度受土壤-植物-大气连通体内水汽流决定，与作物水分密切相关[12-13]，且作物冠层温度和冠层温度特征参数获取方法简单，是监测作物水分的重要指标，被广泛应用于植物水分亏缺和灌溉策略等农业研究[14-15]。张鑫等[16]发现当供水不能满足小麦蒸腾需求时，植株水分蒸发量小，蒸腾散热减少，冠层温度升高较快；Morales等[17]通过热成像获取无土栽培作物表面温度，诊断水分胁迫情况，较好地反映了作物的水分需求；Mangus等[18]基于热成像仪提取出的作物水分胁迫指数与土壤水分含量呈现显著相关关系（2=0.82）。虽然作物形态及生理指标都能监测作物的水分亏缺状况，但由于农业干旱成因复杂，影响因素众多[19]，单一农学指标评价作物长势会存在精度较低的问题，且具有一定局限性，通过多类指标对作物进行监测能够更全面、稳定反映作物真实的生长状况[20-21]。单捷等[22]以GF-1影像为数据基础，将监测指标与多个参数（叶面积指数LAI、地上部生物量、株高、土壤含水量等）进行回归拟合，得到每个长势参数的反演模型；翟丽婷等[23]提供了一种以熵值法构建的综合指标，该指标将冬小麦氮素、叶绿素、水分信息有效结合起来，利用光谱指数与PLS方法进行综合长势指标反演模型的构建，通过综合指标实现了较全面的作物长势监测；裴浩杰等[24]将5个反映冬小麦长势的指标按照均等权重的原则组合成一个综合指标CGI，结合PLSR方法建立反演模型，得到了精度较高的冬小麦长势反演模型。【本研究切入点】前人仅采用单一类别指标对作物水分状况进行监测，使得结果与作物实际水分亏缺存在较大差异。同时对于热成像技术开展的研究多侧重于冠层温度与作物水分间的直接联系，缺乏对水分亏缺下作物生长和生理方面的考虑。因此，本研究基于冠层温度参数、作物形态指标和生理指标，将各类指标分别按均等权重综合，探讨各类综合指标与冬小麦植株含水量（PWC）之间的关系，构建更全面、精准的不同生育时期综合性水分亏缺诊断模型。【拟解决的关键问题】基于冠层温度频率直方图等分析方法提取冠层温度特征参数，同步获取的小麦形态指标、生理指标，按照平均权重的原则，分别构建综合温度参数指标（comprehensive temperature parameter indicator，CTPI）、综合生长指标（comprehensive growth indicator，CGI）以及综合生理指标（comprehensive physiological indicator，CPI），探讨综合指标与冬小麦植株含水量之间的关系，进一步利用多元线性回归（multiple linear regression，MLR）、偏最小二乘回归（partial least squares regression，PLSR）和支持向量机（support vector machine，SVM）分别构建冬小麦不同生育时期和全生育期的植株含水量反演模型，为冬小麦水分监测及田间管理提供理论依据。

1 材料与方法

1.1 试验设计

试验于2020—2022年连续两个年度在河南农业大学教科园区毛庄农场（34°47′N，113°38′E）进行，试验地属暖温带大陆性季风气候，年均气温15.2 ℃，多年平均降雨量640 mm。两个冬小麦生长期内降雨量分别为168.8和100.4 mm。试验地0—30 cm土层为沙壤土，容重为1.38 g·cm-3，有机质12.3 g·kg-1，全氮1.05 g·kg-1，速效磷13.45 mg·kg-1，速效钾120.5 mg·kg-1。

试验设计为池栽试验，两年试验均于拔节期（2021年3月21日和2022年3月23日）进行一次性灌水，灌溉方式为地表滴灌。设置3个水分梯度，水分亏缺处理（W1）：35 mm和（W2）：48 mm，对照处理（W3）：68 mm；试验品种：洛麦22（一般耐旱品种）和周麦27（弱耐旱品种），3次重复，采用随机区组设计，共计18个小区，小区面积3 m×2.2 m＝6.6 m2，区组间走道宽1 m。两年冬小麦播种日期分别为2020年10月11日和2021年10月13日，收获日期分别为2021年5月26日和2022年5月26日。播种前翻地并施入复合肥N-P2O5-K2O（18%-18%-18%）750 kg·hm-2。拔节期各处理统一追氮肥225 kg N·hm-2，其他管理措施按照当地高产小麦进行田间管理。

1.2 热红外图像的获取

采用高分辨率的便携式热红外成像仪（FLIR Systems Inc，Wilsonville，OR，USA），选择晴朗无云的中午12：00—14：00，获取小麦拔节期、孕穗期和灌浆期各小区的热红外图像，各小区获取两次重复。热传感器光谱范围为7.5—13.0 μm，辐射分辨率为0.1 ℃，像素空间分辨率为640（V）×480（H），发射率（）设置为0.96。测定时选取群体生长一致区域，仪器置于小麦冠层高度1 m左右，垂直照射小麦冠层区域。此外，仪器需顺小区种植走向，以消除太阳方位角和种植方向造成的影响[25]。

1.3 冠层温度特征参数的提取

式中，cmax和cmin分别为每个采样小区中小麦冠层温度最大值和最小值。

式中，T为作物冠层温度，T和T分别为冠层温度直方图99.5%和0.5%处的温度像元值。

1.4 小麦形态指标与生理指标的采集测定

小麦形态指标与生理指标的采集与热红外图像的获取同步，采用便携式全自动光合仪（LI-6400，Li-COR，Lincoln，NE，USA）选取有代表性的小麦植株顶部第一张完全展开叶测定蒸腾速率（transpiration rate，r）、气孔导度（stomatal conductance，s）和光合速率（photosynthetic rate，n），各小区两次重复。在光合指标测定后，各小区选取20 cm单行有代表性的植株，两次重复，迅速用保鲜膜包裹严实。随即，带入实验室内测定株高、茎粗，并将所有植株叶片和其他部位分开，称鲜重后放入105 ℃烘箱杀青30 min，在80 ℃下烘干至恒重称取干重，通过干重法测算叶面积指数（LAI），并计算植株含水量（PWC）。

计算公式：PWC（%）=100×（PWF-PWD）/PWF （3）

式中，PWF为植株各部分鲜重总和，PWD为植株各部分干重总和。

1.5 综合指标建立

本文分别将能够响应冬小麦水分亏缺状况的冠层温度参数、形态指标和生理指标进行综合，形成3个新的综合指标，即综合温度参数指标（CTPI）、综合生长指标（CGI）和综合生理指标（CPI）。以综合生长指标为例，首先对单一形态指标株高、地上部生物量、茎粗和叶面积指数进行归一化处理（公式4），考虑到无法确切得知各指标在冬小麦不同生育时期所占比例，故采用均等权重方式进行赋值[29]（公式5），使得每个指标经过归一化之后在新的指标中占比为1/4。

（5）

式中，为指标类别，U代表归一化后的类指标，X为原始的第类指标；（X）为同一生育期原始类指标中的最大值。CGI中原始指标类别为株高、地上部生物量、茎粗和叶面积指数；CPI中原始指标类别为气孔导度、蒸腾速率和光合速率；为避免本研究选择的6个冠层温度参数间的多重共线性问题，对6个冠层温度参数间进行相关性分析，去除了相互线性较高的指标CETR、MTD、CTCV和CRTD，故选取冠层温度标准差（CTSD）和作物水分胁迫指数（CWSI）作为原始指标构建CTPI指数。

1.6 建模方法

多元线性回归（MLR）、偏最小二乘回归（PLSR）和支持向量机（SVM）均能很好地解释自变量与因变量之间的关系，本研究将建立的综合指标CTPI、CGI和CPI作为3种模型的输入变量，相应的PWC作为因变量，进行PWC反演，以期实现小麦水分状况的监测。

MLR算法常用于描述因变量与多个自变量之间的关系，相较一元线性回归模型，MLR能有效表现冬小麦PWC与综合指标之间的关系；PLSR是一种信息多元统计数据分析方法，能充分利用样本现有的信息且有效解决变量之间的多重相关性问题[30]。

SVM是在统计学习理论的VC维理论和结构风险最小原理基础上建立起来的，具备自组织、自学习和联想记忆功能，克服了一般的机器学习中存在的“过学习”、局部寻优、样本数量要求大等问题[31]。在利用SVM解决回归问题时，支持向量机回归的基本思想是通过一个非线性变换将数据变换到一个高维特征空间，并在该特征空间建立线性模型来拟合回归函数。这种非线性变换是通过核函数来实现的[32]，本研究中支持向量机所用的核函数为径向基核函数（Radial Basis Function，RBF kernel），利用交叉验证法获取参数（惩罚因子）和参数（径向基核函数方差）训练模型，本研究和取值分别为2和0.5。

1.7 数据分析及模型精度评价

采用Origin 2021、Excel 2019和SPSS 26.0等软件进行制图和统计分析。MLR、PLSR和SVM 3种方法均在R studio环境中实现。将拔节期、孕穗期和灌浆期每个生育时期36个数据的2/3样本（n=24）作为建模数据，1/3样本（n=12）作为验证数据。采用决定系数（coefficient of determination，2）、均方根误差（root mean square error，RMSE）和标准均方根误差（normalized root mean square error，nRMSE）对模型进行评价，其中，2越接近1，RMSE及nRMSE越小，构建的模型效果越好。

2 结果

2.1 冠层温度频率直方图分析及特征参数的分布

通过获取拔节期、孕穗期和灌浆期不同水分处理下两个品种小麦的热红外图像，对热图像进行预处理，提取冠层温度值，并绘制不同水分处理下两个品种小麦的冠层温度频率直方图（图1）。不同水分处理下两个品种小麦的冠层温度直方图整体上呈现出单峰偏态分布规律，冠层温度频率直方图的主要像元集中于直方图的中部，且直方图前后区间范围像元温度误差较大。因此，选取冠层温度直方图0.5%—99.5%的像元为测定的有效温度像元值，并进一步计算得到CETR、MTD、CTSD、CTCV、CRTD及CWSI的变化趋势（表1）。

同一生育时期内，水分亏缺处理（W1、W2）的各冠层温度参数与对照处理（W3）存在差异，且同一水分处理下洛麦22各冠层温度参数均低于周麦27，各生育时期表现一致。水分亏缺处理（W1、W2）下小麦CETR变化较大，且冠层温度高，而对照处理（W3）的CETR变化较小，冠层温度低；各生育时期两个品种小麦的MTD均表现出水分亏缺处理（W1、W2）大于对照处理（W3）。随着水分亏缺程度的减弱，CTSD数值逐渐减小，但也存在区间范围部分数值交叉的情况。以洛麦22为例，不同水分处理下，拔节期、孕穗期和灌浆期水分亏缺处理的CTSD数值范围分别为W1：1.21—1.46、1.55—1.94和1.72—1.95，W2：0.92—1.00、0.73—0.87和1.35—1.61，对照处理（W3）的CTSD数值范围分别为0.83—0.88、0.55—0.69和0.61—0.89；不同水分处理下两个小麦品种CTCV、CRTD、CWSI与CTSD结果表现相似，因此，冠层温度参数CTSD与CETR、MTD、CTCV、CRTD及CWSI均可以很好地表征不同水分处理下小麦冠层温度差别。

2.2 水分亏缺对冬小麦形态指标及生理指标的影响

不同水分处理对洛麦22和周麦27的形态指标和生理指标影响显著（图2）。同一生育时期内，水分亏缺处理（W1、W2）的形态指标和生理指标与对照处理（W3）存在差异，并于孕穗期和灌浆期达到显著水平（＜0.05），且同一水分处理下洛麦22各形态和生理指标均高于周麦27，各生育时期表现一致。两个品种小麦的株高、茎粗和地上部生物量均随生育期的推进呈上升趋势，PWC随生育期推进呈下降趋势，而LAI、n、s、r随生育期推进呈先升高后下降的趋势。在孕穗期，洛麦22水分亏缺处理（W1、W2）较对照处理（W3）的株高、地上部生物量、茎粗和LAI分别下降4.28%—8.96%、10.02%—21.20%、9.93%—10.82%和10.70%—20.08%；周麦27分别下降1.48%—3.50%、12.24%—24.11%、7.34%—10.30%和5.88%—20.94%。在灌浆期，较对照处理（W3）相比，水分亏缺处理（W1、W2）下洛麦22的PWC、s、r和n分别下降7.82%—17.62%、16.47%—25.19%、27.66%—51.67%和20.16%—39.13%；周麦27分别下降8.26%—14.74%、8.37%—27.75%、19.37%—43.48%和20.76%—37.71%。综上可知，水分亏缺会显著影响冬小麦植株形态结构，造成生长受损；植株含水量、气孔导度、蒸腾速率及光合速率均能较好地响应植株的水分亏缺状况。

图1 不同水分处理下各生育时期两个小麦品种冠层温度频率直方图

表1 不同水分处理下两个小麦品种冠层温度参数变化特征

CETR：冠层有效温度区间Canopy effective temperature range；MTD：冠层温度极差Maximum temperature difference；CTSD：冠层温度标准差Standard deviation of canopy temperature；CTCV：冠层温度变异系数Canopy temperature variation coefficient；CRTD：冠层相对温差Relative canopy temperature difference；CWSI：作物水分胁迫指数Crop water stress index

2.3 不同生育时期冬小麦植株含水量与综合指标间的相关性分析

冬小麦冠层温度参数、形态指标和生理指标均能够在一定程度上反映植株的水分亏缺状况，而水分亏缺是一个外在形态和内在生理相互关联的过程，因此将各类单一指标进行综合，并探究冬小麦不同生育时期植株含水量（PWC）与各综合指标之间的相关关系（图3）。结果表明，PWC与综合指标CGI、CPI呈正相关且随生育时期推进呈现先升高后降低的趋势，在孕穗期达到最大，孕穗期PWC与CGI、CPI相关系数（）分别为0.84和0.83，灌浆期分别为0.80和0.76；PWC与CTPI呈显著负相关且随生育时期推进相关性更强，3个生育时期相关系数分别为-0.36、-0.70和-0.78。全生育时期PWC与综合指标CTPI、CGI和CPI的相关系数分别为-0.50、0.47和0.64，仅次于孕穗期和灌浆期，拔节期PWC与综合指标相关性最差，PWC与CPI相关系数为0.56。不同生育时期各综合指标之间也显著相关，拔节期CGI和CPI、CTPI间相关系数分别为0.79和-0.76，孕穗期为0.88和-0.80，灌浆期为0.58和-0.85，CPI与CTPI显著负相关，拔节期、孕穗期和灌浆期相关系数分别为-0.92、-0.60和-0.60。综上可知，PWC与综合指标间的相关关系在孕穗期和灌浆期表现较好，综合指标能够很好地响应冬小麦水分亏缺状况。

图2 不同水分处理对两个小麦品种形态指标及生理指标的影响

不同颜色表示相关性的强度，越接近红色（正）或蓝色（负）说明相关性越高，椭圆形越扁说明相关系数越大，×表示无显著相关性

2.4 基于综合指标的植株含水量估算模型构建

利用MLR、PLSR和SVM方法，以PWC为因变量，综合指标（CTPI、CGI和CPI）为输入变量，分别构建各生育时期的PWC预测模型。不同生育时期和不同方法分别构建的PWC预测模型效果均有差异（表2、图4、图5）。就不同生育时期而言，在拔节期构建的预测模型，整体预测精度较低（2=0.707—0.728）；孕穗期构建的预测模型精度最高（2=0.771—0.878）；灌浆期各模型2高于拔节期，RMSE和nRMSE虽略高于孕穗期，但模型整体预测效果也较好。全生育期构建的预测模型，特别是MLR和PLSR预测模型整体预测精度低于拔节期、孕穗期和灌浆期。进一步对比各种方法构建的全生育期PWC模型发现，基于SVM方法构建的全生育期PWC模型效果最优，建模和验证2、RMSE和nRMSE分别为0.711、5.06%、6.32%；0.665、7.62%、13.34%，基于PLSR的PWC模型次之，基于MLR的PWC模型最差。基于SVM方法构建的拔节期、孕穗期和灌浆期PWC模型优于MLR和PLSR方法，孕穗期基于SVM、PLSR和MLR模型建模2、RMSE和nRMSE分别为0.878、2.06%、3.10%；0.827、2.23%、3.20%；0.771、2.70%、3.86%。综合模型分析可知，各生育期中分别构建的预测模型以孕穗期表现效果最优，其次是灌浆期和拔节期，最后是全生育期。3种方法构建的PWC模型，模型效果和预测精度从强到弱依次为SVM-PWC、PLSR-PWC、MLR-PWC。

表2 不同生育时期预测植株含水量建模及验证分析

图4 基于SVM的不同生育期植株含水量建模效果

3 讨论

3.1 水分亏缺影响冬小麦冠层温度及形态生理特征

冠层温度、形态和生理指标均能很好地响应冬小麦不同程度的水分亏缺。本研究借助热成像技术获取冬小麦拔节期、孕穗期及灌浆期不同水分处理的田间冠层温度信息，同步测定形态指标和生理指标，发现冬小麦冠层温度参数（CTSD、CETR、CTCV、CRTD和CWSI）随着水分亏缺加重呈上升趋势，这是由于小麦体内水分存在形式及比例发生改变，叶片自由水减少，束缚水增加，气孔暂时关闭，导致气孔呼吸微弱，蒸腾速率和光合速率下降，冠层温度升高[33]。而株高、茎粗、地上部生物量、叶面积指数、植株含水量及s、r、n呈逐渐下降趋势，各生育时期表现均一致，这是由于水分亏缺下小麦植株调节自身，消耗体内水分使藏水器官体积变小，导致株高和叶面积指数降低，生物量减少[34-35]。前人研究结果中也证实了作物冠层温度、形态特征和生理特征对水分亏缺有很好的响应[36-38]，可用于作物水分亏缺监测等研究。

图5 基于SVM的不同生育期植株含水量验证效果

3.2 基于综合指标的植株含水量模型构建与分析

作物生长、生理生化和农业干旱的发生过程相互联系，密切相关，且内部存在一定的耦合关系[39]，因此本研究构建冬小麦综合温度参数指标（CTPI）、综合生长指标（CGI）和综合生理指标（CPI），探讨各类综合指标与植株含水量之间的关系，结果表明各类综合指标与植株含水量在孕穗期和灌浆期显著相关，而在拔节期相关性较差，可能是因为拔节期各水分处理下植株含水量及形态指标差异未达到最大，因而综合指标对植株含水量响应较其他时期不敏感。这也验证了作物冠层温度参数、形态指标和生理指标与作物水分状况之间的内在关联。

陶惠林等[29]将冬小麦生物量与叶面积指数按平均权重原则构建长势监测指标GMI，并利用高光谱信息实现GMI反演，结果较好。而本研究将冬小麦形态指标（株高、茎粗、地上部生物量和叶面积指数）按均等权重进行综合并构建CGI，与陈倩[40]结合地上部生物量、植株氮含量和SPAD构建的CGI实现作物长势反演不同的是，本研究同时还引入了CPI及CTPI，并基于综合指标（CTPI、CGI和CPI）构建不同生育时期预测模型，预测精度较好。翟丽婷等[23]通过挑选与综合指标相关性较好的光谱指数构建反演精度较高的作物长势模型，这也表明综合指标相对单一指标能更全面反映作物水分状况等信息。不同生育时期预测结果有一定差异性，其中孕穗期植株含水量与综合指标建立的预测模型样本点均匀分布在1﹕1线附近，优于其他时期，主要原因是孕穗期冬小麦处于营养生长和生殖生长并进时期，叶片完全展开，相比于拔节期，持续的水分亏缺增加了各类形态指标、生理指标对植株含水量的敏感响应，且水分胁迫下植株体内水分优先供给运输至生长中心，加剧各器官之间含水量及生理代谢活动差异，造成植株冠层温度空间差异增大[25]，因而模型效果较好，这与樊意广等[41]发现马铃薯块茎形成期冠层光谱能较好反演植株氮含量的结果类似。基于MLR、PLSR和SVM构建的全生育期模型精度低于其他生育时期，其原因可能是构建的全生育期植株含水量反演模型累加了各生育时期反演误差，另外，各类指标之间在综合的过程中也存在相互影响，裴浩杰等[24]在构建综合长势指标反演模型的研究中有类似结果。基于SVM方法构建的全生育期植株含水量模型精度显著高于MLR和PLSR方法，主要原因可能是SVM在模型预测过程中采用的径向基核函数能够非常有效地反映全生育期植株含水量与各综合指标数据间的复杂非线性关系，且SVM通过寻求结构风险最小化实现经验风险最小化[42]，一定程度上解决了各生育时期反演模型误差的累加效应，因而SVM方法构建的全生育期植株含水量反演模型较好，而MLR和PLSR很容易受异常点的影响，模型回归不够稳健，同时本研究样本量较少，而SVM能够在非常有限的样本条件下，得到较高精度的预测结果，这与Li等[43]在样本量较少的情况下得到SVM方法有较好的植株氮含量预测精度结果一致。

此外，尽管本研究中植株含水量预测模型是在连续两年的试验数据基础上构建的，但是构建的综合指标还需不断进行检验与完善，以增强监测作物水分亏缺状况的有效性、适用性。随着监测手段的丰富及各指标间的关系复杂性增加，未来可尝试采用更多模型算法，融入高光谱及多光谱信息，提高作物水分模型预测精度，为作物水分状况监测提供技术支撑。

4 结论

基于热红外图像提取分析得到的冠层温度参数均表现出随水分亏缺程度加重呈上升趋势，而同步获取的冬小麦形态指标（株高、地上部生物量、茎粗和叶面积指数）及生理指标（气孔导度、蒸腾速率、光合速率）则均呈现出下降趋势，各生育期表现一致。孕穗期和灌浆期的综合指标（CTPI、CGI和CPI）与植株含水量显著相关。基于MLR、PLSR和SVM方法分别构建的不同生育时期植株含水量反演预测模型，模型精度均达到显著水平，以SVM构建的孕穗期植株含水量模型最优，同时，基于SVM方法建立的全生育期植株含水量模型精度高于MLR和PLSR方法。结合综合指标CTPI、CGI和CPI，基于SVM方法构建的植株含水量反演模型能较好地实现冬小麦水分亏缺监测，可为黄淮海平原防旱、抗旱工作提供理论依据。

[1] 王莺, 张强, 王劲松, 韩兰英, 王素萍, 张良, 姚玉璧, 郝小翠, 王胜. 21世纪以来干旱研究的若干新进展与展望. 干旱气象, 2022, 40(4): 549-566.

WANG Y, ZHANG Q, WANG J S, HAN L Y, WANG S P, ZHANG L, YAO Y B, HAO X C, WANG S. New progress and prospect of drought research since the 21st century.Journal of Arid Meteorology, 2022, 40(4): 549-566. (in Chinese)

[2] 宋艳玲. 全球干旱指数研究进展. 应用气象学报, 2022, 33(5): 513-526.

SONG Y L. global research progress on drought indices. Journal of Applied Meteorological Science, 2022, 33(5): 513-526. (in Chinese)

[3] 姚玉璧, 杨金虎, 肖国举, 雷俊, 牛海洋, 张秀云. 气候变暖对西北雨养农业及农业生态影响研究进展. 生态学杂志, 2018, 37(7): 2170-2179.

YAO Y B, YANG J H, XIAO G J, LEI J, NIU H Y, ZHANG X Y. Research advances in the impacts of climate warming on rainfed agriculture and agroecology in Northwest China.Chinese Journal of Ecology, 2018, 37(7): 2170-2179. (in Chinese)

[4] 徐建文, 居辉, 刘勤, 杨建莹. 黄淮海地区干旱变化特征及其对气候变化的响应. 生态学报, 2014, 34(2): 460-470.

XU J W, JU H, LIU Q, YANG J Y. variation of drought and regional response to climate change in Huang-Huai-Hai Plain.Acta Ecologica Sinica, 2014, 34(2): 460-470. (in Chinese)

[5] 胡实, 莫兴国, 林忠辉. 冬小麦种植区域的可能变化对黄淮海地区农业水资源盈亏的影响. 地理研究, 2017, 36(5): 861-871.

HU S, MO X G, LIN Z H. Impacts of possibility planting region change for winter wheat on agricultural water surplus and deficit in Huang-Huai-Hai Region.Geographical Research, 2017, 36(5): 861-871. (in Chinese)

[6] 刘宪锋, 朱秀芳, 潘耀忠, 李双双, 刘焱序. 农业干旱监测研究进展与展望. 地理学报, 2015, 70(11): 1835-1848.

LIU X F, ZHU X F, PAN Y Z, LI S S, LIU Y X. Agricultural drought monitor: Progress, challenges and prospect.Acta Geographica Sinica, 2015, 70(11): 1835-1848. (in Chinese)

[7] 王正航, 武仙山, 昌小平, 李润植, 景蕊莲. 小麦旗叶叶绿素含量及荧光动力学参数与产量的灰色关联度分析. 作物学报, 2010, 36(2): 217-227.

WANG Z H, WU X S, CHANG X P, LI R Z, JING R L. chlorophyll content and chlorophyll fluorescence kinetics parameters of flag leaf and their gray relational grade with yield in wheat.Acta Agronomica Sinica, 2010, 36(2): 217-227. (in Chinese)

[8] 高丽华, 孙书洪. 不同时期水分胁迫对冬小麦产量及形态指标的影响研究. 节水灌溉, 2014(7): 1-3.

GAO L H, SUN S H. Study on effects of water deficit in different periods on yield and morphological index of winter wheat.Water Saving Irrigation, 2014(7): 1-3. (in Chinese)

[9] Abid M, Tian Z W, Ata-Ul-Karim S T, LIU Y, CUI Y K, ZAHOOR R, JIANG D, DAI T B. Improved tolerance to post-anthesis drought stress by pre-drought priming at vegetative stages in drought-tolerant and -sensitive wheat cultivars. Plant Physiology and Biochemistry, 2016, 106: 218-227.

[10] Na Z, Guo X Q, Jun W X. Eco-physiological and morphological responses offrom different sources under drought stress. Pakistan Journal of Agricultural Sciences, 2022, 59(6): 1043-1052.

[11] Flexas J, Niinemets U, GALLÉ A, BARBOUR M M, CENTRITTO M, DIAZ-ESPEJO A, DOUTHE C, GALMÉS J, RIBAS-CARBO M, RODRIGUEZ P L,. Diffusional conductances to CO2as a target for increasing photosynthesis and photosynthetic water-use efficiency. Photosynthesis Research, 2013, 117(1/3): 45-59.

[12] Luan Y, Xu J, Lv Y, LIU X, WANG H, LIU S. Improving the performance in crop water deficit diagnosis with canopy temperature spatial distribution information measured by thermal imaging. Agricultural Water Management, 2021, 246: 106699.

[13] Fang J J, Ma W Y, Zhao X Q, HE X, LI B, TONG Y P, LI Z S. Lower canopy temperature is associated with higher cytokinin concentration in the flag leaf of wheat. Crop Science, 2012, 52(6): 2743-2756.

[14] 赵福年, 王瑞君, 张虹, 张龙, 陈家宙. 基于冠气温差的作物水分胁迫指数经验模型研究进展. 干旱气象, 2012, 30(4): 522-528.

ZHAO F N, WANG R J, ZHANG H, ZHANG L, CHEN J Z. Advances in crop water stress index empirical model research based on canopy and atmosphere temperature difference.Journal of Arid Meteorology, 2012, 30(4): 522-528. (in Chinese)

[15] Yu M H, Ding G D, Gao G L, ZHAO Y Y, YAN L, SAI K. Using plant temperature to evaluate the response of stomatal conductance to soil moisture deficit. Forests, 2015, 6(12): 3748-3762.

[16] 张鑫, 孔祥, 李勇, 骆永丽, 黄翠, 金敏. 外源ABA对干旱条件下小麦冠层温度及光合同化物积累与分配的调控效应. 麦类作物学报, 2019, 39(9): 1080-1094.

ZHANG X, KONG X, LI Y, LUO Y L, HUANG C, JIN M. Effect of exogenous ABA on the canopy temperature and accumulation and distribution of photoassimilates in wheat under drought conditions.Journal of Triticeae Crops, 2019, 39(9): 1080-1094. (in Chinese)

[17] Morales I, Álvaro J E, Urrestarazu M. Contribution of thermal imaging to fertigation in soilless culture. Journal of Thermal Analysis and Calorimetry, 2014, 116(2): 1033-1039.

[18] Mangus D, Sharda A, Zhang N. Development and evaluation of thermal infrared imaging system for high spatial and temporal resolution crop water stress monitoring of corn within a greenhouse. Computers and Electronics in Agriculture, 2016, 121(2): 149-159.

[19] 刘伟琦, 马绍休, 宫毓来, 冯坤, 梁林昊. 农业干旱业务化监测研究进展与展望. 中国沙漠, 2023, 43(1): 197-211.

LIU W Q, MA S X, GONG Y L, FENG K, LIANG L H. Research progress and prospective for operationalization of agricultural drought monitoring. Journal of Desert Research, 2023, 43(1): 197-211. (in Chinese)

[20] 杨天垚, 邱建秀, 肖国安. 华北农业干旱监测与冬小麦估产研究. 生态学报, 2023, 43(5): 1936-1947.

YANG T Y, QIU J X, XIAO G A. Agricultural drought monitoring and winter wheat yield estimation in north china.Acta Ecologica Sinica, 2023, 43(5): 1936-1947. (in Chinese)

[21] 张宇亮, 吴志勇, 何海. 基于水文-作物耦合模型和CWAPI指数的农业干旱评估. 水利学报, 2022, 53(10): 1168-1179, 1193.

ZHANG Y L, WU Z Y, HE H. Agricultural drought assessment based on the coupled hydrology-crop growth model and CWAPI. Journal of Hydraulic Engineering, 2022, 53(10): 1168-1179, 1193. (in Chinese)

[22] 单捷, 孙玲, 王志明, 卢必慧, 王晶晶, 邱琳, 黄晓军. GF-1影像遥感监测指标与冬小麦长势参数的关系. 江苏农业学报, 2019, 35(6): 1323-1333.

SHAN J, SUN L, WANG Z M, LU B H, WANG J J, QIU L, HUANG X J. Relationship between remote sensing monitoring indices and growth parameters in winter wheat based on GF-1 images.Jiangsu Journal of Agricultural Sciences, 2019, 35(6): 1323-1333. (in Chinese)

[23] 翟丽婷, 魏峰远, 冯海宽, 李长春, 杨贵军. 基于综合指标的冬小麦长势监测. 江苏农业科学, 2020, 48(18): 244-249.

ZHAI L T, WEI F Y, FENG H K, LI C C, YANG G J. Winter wheat growth monitoring based on comprehensive indicators. Jiangsu Agricultural Sciences, 2020, 48(18): 244-249. (in Chinese)

[24] 裴浩杰, 冯海宽, 李长春, 金秀良, 李振海, 杨贵军. 基于综合指标的冬小麦长势无人机遥感监测. 农业工程学报, 2017, 33(20): 74-82.

PEI H J, FENG H K, LI C C, JIN X L, LI Z H, YANG G J. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 74-82. (in Chinese)

[25] 孟雨, 温鹏飞, 丁志强, 田文仲, 张学品, 贺利, 段剑钊, 刘万代, 冯伟. 基于热红外图像的小麦品种抗旱性鉴定与评价. 中国农业科学, 2022, 55(13): 2538-2551. doi: 10.3864/j.issn.0578-1752.2022. 13.005.

MENG Y, WEN P F, DING Z Q, TIAN W Z, ZHANG X P, HE L, DUAN J Z, LIU W D, FENG W. Identification and evaluation of drought resistance of wheat varieties based on thermal infrared image. Scientia Agricultura Sinica, 2022, 55(13): 2538-2551. doi: 10.3864/ j.issn.0578-1752.2022.13.005. (in Chinese)

[26] 张智韬, 边江, 韩文霆, 付秋萍, 陈硕博, 崔婷. 无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫. 农业工程学报, 2018, 34(15): 77-84.

ZHANG Z T, BIAN J, HAN W T, FU Q P, CHEN S B, CUI T. Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image.Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(15): 77-84. (in Chinese)

[27] 张智韬, 许崇豪, 谭丞轩, 李宇, 宁纪锋. 基于无人机热红外遥感的玉米地土壤含水率诊断方法. 农业机械学报, 2020, 51(3): 180-190.

ZHANG Z T, XU C H, TAN C X, LI Y, NING J F. Diagnosing method of soil moisture content in corn field based on thermal infrared remote sensing of UAV.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 180-190. (in Chinese)

[28] Jackson R D, Idso S B, Reginato R J, PINTER P J. Canopy temperature as a crop water stress indicator. Water Resources Research, 1981, 17(4): 1133-1138.

[29] 陶惠林, 徐良骥, 冯海宽, 杨贵军, 苗梦珂, 林博文. 基于无人机高光谱长势指标的冬小麦长势监测. 农业机械学报, 2020, 51(2): 180-191.

TAO H L, XU L J, FENG H K, YANG G J, MIAO M K, LIN B W. monitoring of winter wheat growth based on UAV hyperspectral growth index.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191. (in Chinese)

[30] 蔡苇荻, 张羽, 刘海燕, 郑恒彪, 程涛, 田永超, 朱艳, 曹卫星, 姚霞. 基于成像高光谱的小麦冠层白粉病早期监测方法. 中国农业科学, 2022, 55(6): 1110-1126. doi: 10.3864/j.issn.0578-1752.2022. 06.005.

CAI W D, ZHANG Y, LIU H Y, ZHENG H B, CHENG T, TIAN Y C, ZHU Y, CAO W X, YAO X. Early detection on wheat canopy powdery mildew with hyperspectral imaging. Scientia Agricultura Sinica, 2022, 55(6): 1110-1126. doi: 10.3864/j.issn.0578-1752.2022. 06.005. (in Chinese)

[31] 刘相龙, 刘仲武, 马灵会, 任凯, 王晓东. 基于支持向量机的边坡稳定性系数预测及变量分析. 水利与建筑工程学报, 2023, 21(1): 172-178.

LIU X L, LIU Z W, MA L H, REN K, WANG X D. slope stability coefficient prediction and variable analysis based on support vector machine.Journal of Water Resources and Architectural Engineering, 2023, 21(1): 172-178. (in Chinese)

[32] 张智韬, 谭丞轩, 许崇豪, 陈硕博, 韩文霆, 李宇. 基于无人机多光谱遥感的玉米根域土壤含水率研究. 农业机械学报, 2019, 50(7): 246-257.

ZHANG Z T, TAN C X, XU C H, CHEN S B, HAN W T, LI Y. Retrieving soil moisture content in field maize root zone based on UAV multispectral remote sensing.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(7): 246-257. (in Chinese)

[33] 曾占奎, 王征宏, 王黎明, 庞玉辉, 韩志鹏, 郭程, 王春平. 北部冬麦区小麦新品种(系)的节水生理特性与综合评判. 干旱地区农业研究, 2019, 37(5): 137-143.

ZENG Z K, WANG Z H, WANG L M, PANG Y H, HAN Z P, GUO C, WANG C P. Water-saving physiological characteristics and comprehensive evaluation of new wheat varieties (lines) in northern winter wheat region.Agricultural Research in the Arid Areas, 2019, 37(5): 137-143. (in Chinese)

[34] 姚宁, 宋利兵, 刘健, 冯浩, 吴淑芳, 何建强. 不同生长阶段水分胁迫对旱区冬小麦生长发育和产量的影响. 中国农业科学, 2015, 48(12): 2379-2389. doi: 10.3864/j.issn.0578-1752.2015.12.011.

YAO N, SONG L B, LIU J, FENG H, WU S F, HE J Q. Effects of water stress at different growth stages on the development and yields of winter wheat in arid region.Scientia Agricultura Sinica, 2015, 48(12): 2379-2389. doi: 10.3864/j.issn.0578-1752.2015.12.011. (in Chinese)

[35] 史博, 马祖凯, 刘小军, 田永超, 朱艳, 曹卫星, 曹强. 小麦植株水分状况遥感监测研究进展与展望. 麦类作物学报, 2022, 42(4): 495-503.

SHI B, MA Z K, LIU X J, TIAN Y C, ZHU Y, CAO W X, CAO Q. Progress and prospects of wheat plant water status monitoring by remote sensing.Journal of Triticeae Crops, 2022, 42(4): 495-503. (in Chinese)

[36] Shabani A, Sepaskhah A R, Kamgar-Haghighi A A. Responses of agronomic components of rapeseed (L.) as influenced by deficit irrigation, water salinity and planting method. International Journal of Plant Production, 2013, 7(2): 313-340.

[37] Ali S, Xu Y Y, Jia Q M, AHMAD I, WEI T, REN X L, ZHANG P, DIN R, CAI T, JIA Z K. Cultivation techniques combined with deficit irrigation improves winter wheat photosynthetic characteristics, dry matter translocation and water use efficiency under simulated rainfall conditions. Agricultural Water Management, 2018, 201: 207-218.

[38] DeJonge K C, Taghvaeian S, Trout T J, COMAS L H. Comparison of canopy temperature-based water stress indices for maize. Agricultural Water Management, 2015, 156: 51-62.

[39] 李德, 孙有丰, 孙义. 皖北砂姜黑土地冬小麦生育期尺度干旱指标研究. 麦类作物学报, 2017, 37(2): 220-231.

LI D, SUN Y F, SUN Y. Study on drought indices of winter wheat during the growth stages in the lime concretion black soil in northern Anhui Province.Journal of Triticeae Crops, 2017, 37(2): 220-231. (in Chinese)

[40]陈倩. 基于综合指标的冬小麦长势高光谱遥感监测与估产研究[D]. 杨凌: 西北农林科技大学, 2022: 98.

CHEN Q. Hyperspectral remote sensing monitoring and yield estimation of winter wheat growth based on comprehensive index[D]. Yangling: Northwest A&F University, 2022: 98. (in Chinese)

[41] 樊意广, 冯海宽, 刘杨, 边明博, 孟炀, 杨贵军. 基于冠层光谱特征和株高的马铃薯植株氮含量估算. 农业机械学报, 2022, 53(6): 202-208, 294.

FAN Y G, FENG H K, LIU Y, BIAN M B, MENG Y, YANG G J. Estimation of potato plant nitrogen content based on canopy spectral characteristics and plant height.Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(6): 202-208, 294. (in Chinese)

[42] 刘方园, 王水花, 张煜东. 支持向量机模型与应用综述. 计算机系统应用, 2018, 27(4): 1-9.

LIU F Y, WANG S H, ZHANG Y D. Overview on models and applications of support vector machine.Computer Systems & Applications, 2018, 27(4): 1-9. (in Chinese)

[43] Li Z, Nie C, Wei C, XU X, SONG X, WANG J. Comparison of four chemometric techniques for estimating leaf nitrogen concentrations in winter wheat () based on hyperspectral features. Journal of Applied Spectroscopy, 2016, 83(2): 240-247.

Prediction of water content of winter wheat plant based on comprehensive index synergetic optimization

GAO ChenKai1, LIU ShuiMiao1, LI YuMing1, WU PengNian2, WANG YanLi2, LIU ChangShuo1, QIAO YiBo1, GUAN XiaoKang1, WANG TongChao1, WEN PengFei1

1Agronomy College, Henan Agricultural University, Zhengzhou 450046;2Resources and Environment College, Henan Agricultural University, Zhengzhou 450046

【Objective】To find a more comprehensive and accurate method to monitor the water deficit and to provide a theoretical basis for drought relief of winter wheat, the present study was conducted to construct an inversion model of plant water content (PWC) at different growth stages based on three comprehensive indexes, namely, canopy temperature, morphology and physiology indexes of winter wheat.【Method】The winter wheat was studied by setting up three water treatments (water deficit treatment W1: 35 mm, water deficit treatment W2: 48 mm, and control treatment W3: 68 mm) and two wheat varieties (general drought resistant variety Luomai 22 and weak drought resistant variety Zhoumai 27). Canopy temperature parameters (canopy temperature standard deviation (CTSD) and crop water stress index (CWSI)), morphological indicators (plant height, stem diameter, aboveground biomass, and leaf aera index (LAI)) and physiological indicators (stomatal conductance, transpiration rate, and photosynthetic rate) of winter wheat were obtained at jointing, booting, and filling stages, respectively. comprehensive temperature parameter indicators (CTPI), comprehensive growth indicators (CGI) and comprehensive physiological indicators (CPI) based on the average weight principle were constructed. the correlation between PWC and comprehensive indicators was analyzed, and multiple linear regression (MLR), partial least squares recurrence (PLSR) and support vector machine (SVM) methods were used to construct the PWC inversion model based on comprehensive indicators according to the growth period.【Result】The canopy temperature parameters, morphology and physiological indexes of winter wheat at different growth stages showed significant differences between water deficit treatments (W1, W2) and control treatment (W3) (＜0.05). Comprehensive indicators (CTPI, CGI and CPI) at booting and filling stages have a significant correlation with PWC, with correlation coefficients () of -0.70 (-0.78), 0.84 (0.80) and 0.83 (0.76), respectively. Using MLR, PLSR and SVM methods, the PWC inversion prediction model based on comprehensive indicators (CTPI, CGI and CPI) has high prediction accuracy, among which the PWC model built by SVM is the best,2cal(2val), RMSEcal(RMSEval), and nRMSEcal(nRMSEval) were 0.878 (0.815), 2.06% (2.37%), and 3.10% (3.33%), respectively.【Conclusion】The SVM-PWC model based on the comprehensive indicators CTPI, CGI and CPI can well predict the water deficit of winter wheat at different growth stages, and provide theoretical basis for drought prevention and drought resistance of winter wheat in the Huang-Huai-Hai Plain.

winter wheat; water deficit; comprehensive index; plant water content (PWC); support vector machine (SVM)

10.3864/j.issn.0578-1752.2023.22.004

2023-03-21；

2023-03-30

国家重点研发计划（2021YFD1700900）、河南省高等学校重点科研项目计划（23A210017）、河南省重点研发与推广专项（232102110298）

高晨凯，E-mail：13849068126@163.com。通信作者王同朝，E-mail：wtcwrn@henau.edu.cn。通信作者温鹏飞，E-mail：18792966980@163.com

（责任编辑 岳梅）