大气CO2浓度升高背景下冬小麦冠层光谱特征和地上生物量估算

黄宏胜 张馨月 居 辉 韩 雪

大气CO2浓度升高背景下冬小麦冠层光谱特征和地上生物量估算

黄宏胜 张馨月 居 辉 韩 雪*

中国农业科学院农业环境与可持续发展研究所, 北京 100081

本研究旨在探究大气CO2浓度升高对冬小麦全生育时期冠层光谱特征的影响, 并基于筛选的敏感波段建立地上生物量(AGB)与光谱参数的定量关系。为此, 在2021—2022年的冬小麦生长季, 利用开放式CO2富集系统(Mini-FACE), 设定大气CO2浓度(ACO2, (420±20) μL L–1)和高CO2浓度(ECO2, (550±20) μL L–1)两个处理水平, 分析了高CO2浓度下光谱特征变化, 基于连续投影算法(SPA)、逐步多元线性回归(SMLR)和偏最小二乘法回归(PLSR)筛选AGB敏感波段并构建估算模型。结果表明: CO2浓度升高使冬小麦拔节期和开花期AGB显著增加。红边和近红边反射率及红边面积在拔节期增加, 在开花期和灌浆期降低, 蓝边、黄边和红边位置在不同生育时期均发生移动; AGB的敏感光谱波段主要分布在红边和近红边区域, CO2浓度升高缩小了AGB敏感波段范围, 但不影响AGB的估算; AGB的SMLR和PLSR模型均取得了较高的估算精度(2>0.8), 其中SMLR模型中的R799′、Dy、SDy和PRI等特征参数与AGB显著相关,2为0.866。PLSR模型(2>0.9)在估算精度和稳定性上优于SMLR模型。本研究可为未来高CO2浓度下冬小麦生长发育的遥感监测提供理论基础和技术方法。

CO2浓度升高; 冬小麦; 地上生物量; 冠层光谱特征; 回归分析

全球气候变化, 大气中CO2浓度持续升高。IPCC第6次评估报告指出到21世纪中叶, 全球大气中CO2浓度将升高到550 μL L–1, 到21世纪末全球大气中的CO2浓度预计升高到900 μL L–1[1]。CO2作为植物光合作用重要的底物之一, 大气中CO2浓度升高促进了冬小麦叶片中叶绿素、叶黄素等相关光合色素含量的增加, 进而影响冬小麦的生长、发育和产量[2-3]。地上生物量能够实时反映小麦的生长速度、健康状况和产量潜力等[4]。人工测定地上生物量十分低效且带有破坏性, 冠层光谱遥感技术能够在非破坏性取样条件下快速地对冬小麦地上生物量进行监测, 但其对冬小麦地上生物量的监测是否会受到CO2浓度升高的影响还少见报道。

现有的研究表明, 光谱遥感技术能够很好地对地面植被生物量进行监测和估算。如Gwen等[5]利用行星多光谱技术对沿海湿地生物量进行估算, Li等[4]利用高光谱成像技术对马铃薯地上生物量进行预测取得不错效果, Tian等[6]通过高光谱冠层反射率的带深优化估算甜菜地上生物量。大部分估算模型基于光谱敏感波段和光谱特征参数, 但植物生长环境的变化会改变预测指标光谱波段的敏感性, 使得现有情况下的敏感波段和最优光谱参数发生改变。如“三边”参数(位置、幅值、面积)可以反映植物生长和健康状况[7-9], 但随着生长环境改变这些参数也会随之改变, 如CO2浓度升高影响冬小麦和高羊茅光谱反射率大小, 并使冬小麦和高羊茅的红边位置发生移动[10-11]。Sun等[12]表明在不同程度淹水胁迫下水稻红边位置发生移动, 红边面积发生改变。Ren等[13]表明在低温胁迫下冬小麦的红边位置出现蓝移现象,红边面积和红边幅值增加, Xu等[14]研究发现通过红边波长修正NDVI指数能够很好的预测水淹下棉花的叶绿素含量。因此探究CO2浓度升高条件下冠层光谱和光谱特征参数的变化能够很好的了解冬小麦在高CO2浓度下的生理生化状况。

冠层光谱的高分辨率为小麦冠层细微变化监测提供了可能, 同时也产生了大量的光谱数据。提高数据分析的性能, 在不丢失植物特征信息下减少数据冗余, 剔除不敏感波段[15], 筛选重要的敏感波段则在光谱数据分析中显得十分重要[16]。连续投影算法(Successive projections algorithm, SPA)在敏感光谱波段选择中广泛应用, 它能够剔除无关或冗余的波段。如Gao等[17]利用连续投影算法来压缩光谱数据, Liu等[18]利用连续投影算法提取土壤有机质光谱特征波长。偏最小二乘法回归(Partial least squares regression, PLSR)中VIP 值(Variable importance in projection)是一个常用的指标, 用于衡量每个自变量(即特征或变量)对于模型预测的重要程度, 可用VIP值来筛选重要的敏感波段。如Xie等[19]利用偏最小二乘法中的VIP值来筛选水分胁迫下冬小麦叶绿素的敏感波段, Hendawy等[20]基于PLSR-VIP和MLR分析的结合筛选盐胁迫下小麦光合作用的敏感波段。因此, 本文拟利用SPA和PLSR-VIP与逐步多元线性回归(Stepwise multiple linear regression, SMLR)相结合来筛选冬小麦地上生物量的敏感波段, 探究CO2浓度升高对小麦地上生物量敏感波段的影响。

前人对大气CO2浓度升高下冬小麦冠层光谱特征变化和地上生物量光谱监测的研究较少, 本研究基于开放式CO2富集系统(Free Air CO2Enrichment), 测量冬小麦重要生育时期地上生物量(Aboveground biomass, AGB)和冠层光谱反射光谱, 利用SPA+ SMLR和PLSR+SMLR两种方法筛选AGB敏感波段,利用光谱反射率、光谱特征参数和光谱指数为自变量在PLSR和SMLR两种方式下对冬小麦地上生物量进行估算模拟。探究(1) CO2浓度升高对不同生育时期冬小麦地上生物量、冠层光谱反射率、光谱特征和AGB敏感光谱波段的影响; (2) 通过对比基于PLSR和SMLR以光谱反射率和光谱参数为自变量的冬小麦AGB估算模型, 评价模型的可行性。筛选出能准确、快速、适用于CO2升高下冬小麦AGB的估算模型, 为未来高CO2浓度下冬小麦生长发育的遥感监测提供理论基础和技术方法。

1 材料与方法

1.1 试验地点

试验于2021—2022年在中国农业科学院北京市昌平区Mini-FACE试验基地(40.13°N, 116.14°E)进行, 该地区属于暖温带大陆季风性气候, 土壤类型为褐潮土, 试验区内常年为小麦/玉米轮作。土壤有机质含量为14.10 g kg–1, 全氮含量0.82 g kg–1, 速效磷20.00 mg kg–1, 速效钾79.8 mg kg–1, 土壤0～ 20 cm的pH为8.4。

1.2 试验材料与设计

试验设计为二因素裂区试验设计, 主裂区为CO2浓度: 设置大气CO2浓度(Atmospheric CO2, (420±20) µL L–1)和高CO2浓度(Elevated CO2, (550± 20) µL L–1) 2个水平; 副裂区为4个冬小麦品种, 本文不详细介绍品种差异。每个处理间重复3次, 故本试验共计24个小区, 其中12个对照小区, 12个CO2浓度升高小区。冬小麦种子由中国农业科学院国家作物种质资源库提供, 2021年10月9日播种, 2022年6月19日收获。

试验基于开放式CO2富集系统(Mini-FACE), 单圈为正八边形设计, 由8根释放管向小区中释放CO2。圈中心设有CO2传感器(Vaisala, 芬兰), 实时监测圈内的CO2浓度, 并通过计算机系统实时根据风向和风速控制CO2的释放量, 使其维持在目标浓度范围以内。单圈直径为4 m, 浓度升高圈和对照圈间隔均大于5倍直径, 以消除不同处理间的CO2扩散影响。冬小麦返青后开始释放CO2, 释放时间根据日出日落实时调整, 白天释放, 夜间关闭。各品种试验圈面积为6.28 m2, 播种方式为条播, 播种量为187.41 kg hm–2, 行间距为20 cm, 每公顷基本苗为270～300万株。

全生育期施氮量为230 kg hm–2, 其中底肥量为140 kg hm–2, 追肥施氮量为90 kg hm–2。磷肥(P2O5)施用量为140 kg hm–2, 钾肥(K2O)施用量为90 kg hm–2, 磷肥和钾肥均作为底肥施用。底肥于播种前一天施用, 追肥于小麦的拔节期施用。全生育期浇水的定额为750 m3hm–2, 在越冬期、拔节期和孕穗期进行喷灌。

1.3 冬小麦地上生物量的测定

分别于冬小麦的拔节期、开花期和成熟期, 每个小区单位面积内随机选取50株具有代表性植株, 并测算单位面积样方中植株数量。将取得的50株冬小麦105℃杀青30 min, 75℃恒温干燥至恒重, 测量50株冬小麦的干重, 计算冬小麦3个时期单位面积地上生物量(冬小麦地上生物量(g m–2)=(50株冬小麦干重/50)×单位面积株数)。

1.4 冠层反射光谱测定

使用PSR-1100f便携式近红外光谱仪(Spectral evolution, 美国)测量冠层反射率, 该光谱仪配备25°视场光纤, 以1.5 nm的采样间隔测量320～1100的冠层光谱反射率。在晴天和无云条件下在北京时间10:00—14:00之间进行测量。每次测量前, 将光谱仪预热30 min, 并使用硫酸钡(BaSO4)参考面板(14 cm × 14 cm)进行校准。在测量过程中, 圆形探头的视野垂直向下, 圆形探头保持在冬小麦冠层上方0.5 m的垂直距离处, 每个小区随机布点测量3次, 每次测量时进行白板校正。在冬小麦每个关键生育时期测量其冠层光谱反射率, 在开花后每隔7 d测量一次冬小麦冠层光谱反射率。

1.5 数据分析

1.5.1 地上生物量数据处理 使用R 4.1.3 (Posit, 美国)软件进行地上生物量的统计分析, 其中将生育时期与CO2浓度作为两个因素进行两因素方差分析和最小显著性检验(least significant difference, LSD)。

1.5.2 冠层光谱数据处理 本试验选取冬小麦冠层原始光谱反射率、植被指数以及常用的光谱特征参数作为估算冬小麦地上生物量的自变量。对原始光谱反射率进行Gauss平滑处理从而降低原始光谱数据的背景噪声。对平滑后的光谱数据进行一阶微分, 光谱一阶微分是一种广泛使用的光谱曲线变换方法, 可以有效消除线性和二次背景噪声。公式如下:

在对前人的研究中选用10个对地上生物量较为敏感的光谱指数(表1)和常用的18个光谱特征参数(表2)用来描述CO2升高下光谱特征参数的变化和构建冬小麦地上生物量估计模型。

1.5.3 估算模型的构建和评估方法 将拔节期、开花期和成熟期冬小麦地上生物量作为因变量, 3个时期的冠层光谱反射率和光谱参数(光谱指数和光谱特征参数)作为自变量共计72组数据。将72组数据分为2组, 其中2/3的数据用于作为训练组, 训练组样本总容量为48, 训练组分为大气CO2浓度(ACO2)训练组和CO2浓度升高(ECO2)训练组, 样本容量分别为24、24; 1/3数据用于测试组, 测试组样本总容量为24, 测试组分为ACO2测试组和ECO2测试组, 样本容量分别为12、12。使用R 4.1.3 (Posit, 美国)和Origin 2021 pro b 软件(Origin Lab, 美国)对数据进行相关性分析(correlation analysis, CA)、偏最小二乘法回归分析(PLSR)和连续投影法分析(SPA)。这些分析结果与逐步多元线性回归分析相结合, 用来构建冬小麦地上生物量的光谱估算模型。

表1 植被指数的定义及计算公式

表2 光谱特征参数的定义及说明

(续表2)

偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.11时, 我们就认为该波段为敏感波段[31]。

连续投影算法是前向特征变量选择方法。SPA利用向量的投影分析, 通过将波长投影到其他波长上, 比较投影向量大小, 以投影向量最大的波长为待选波长, 然后基于矫正模型选择最终的特征波长。SPA选择的是含有最少冗余信息及最小共线性的变量组合。能够较为有效的选择重要的敏感波段[32]。

以决定系数(2)和均方根误差(RMSE)作为评价测试模型准确性的指标。公式如下:

2 结果与分析

2.1 CO2浓度升高对冬小麦全生育期冬小麦地上生物量的影响

如图1所示, CO2浓度升高使冬小麦地上生物量平均增加1.73%, CO2浓度升高对地上生物量的影响因生育期而异(<0.01)。其中, 在拔节期和开花期, CO2浓度升高促进冬小麦地上生物量显著增加(<0.05), 分别增加4.9%和8.8%, 在成熟期, CO2浓度升高对冬小麦地上生物量影响未达到显著水平。

2.2 CO2浓度升高对冠层光谱反射率及光谱反射率特征的影响

2.2.1 CO2浓度升高对冠层光谱反射率的影响

原始光谱波段设定在320～1100 nm, 不同CO2浓度下冬小麦全生育期的光谱反射率如图2所示, 每个生育期光谱反射率具有相似趋势, 在500 nm附近出现吸收带, 在552～561 nm波段范围内有一个明显的“绿峰”, 在680～760 nm范围内出现“红边”, 760～ 900 nm波段范围内形成近红外高光谱反射平台, 在922～977 nm范围内出现反射谷。在冬小麦整个生育期中光谱反射率呈现出先增加后降低的趋势。

CO2浓度升高对光谱反射率的影响主要体现在拔节期、开花期和灌浆期的680～1100 nm的红边和近红外波段内。CO2浓度升高使得冬小麦拔节期680～1100 nm波段光谱反射率显著增加, 开花期和灌浆期则显著降低。返青期、起身期、孕穗期、乳熟期和蜡熟期的冬小麦生长时期冠层光谱反射率受CO2浓度升高的影响较小, 与大气CO2浓度下的光谱反射率曲线无显著差异。

2.2.2 CO2浓度升高对光谱特征参数的影响 对光谱参数进行方差分析发现(表3), 在不同的生育期CO2浓度升高对光谱特征参数影响不同。在拔节期CO2浓度升高使得红边反射率平均值、蓝边幅值和红边面积显著增加; 在开花期CO2浓度升高使得红边面积显著降低, 蓝边位置发生“红移”, 红边位置发生“红移”; 在灌浆期CO2浓度升高使得红边面积显著降低, 蓝边位置发生“红移”, 黄边位置发生“蓝移”, 红边位置发生“红移”。

2.2.3 CO2浓度升高对冬小麦地上生物量敏感光谱波段的影响 将ACO2和ECO2分别划分24个样品(2/3)为训练组, 12个样品(1/3)为测试组, 进行偏最小二乘法(PLSR)回归, 如表4所示, 两种CO2浓度下的最佳成分个数均为6, CV处于0.1～1.0之间属于中等变异, 离散程度一般, 地上生物量的累积方差解释百分数均在98%以上; 测试组的2分别为0.939和0.894, RMSE分别为217.3 g m–2和115.4 g m–2, 可以看出PLSR模型比较稳定, 对预测值预测的较为精准。在此PLSR模型基础上, 我们选择VIP > 1的波段作为两种CO2浓度下的敏感波段。发现两种CO2浓度下冬小麦的光谱敏感波段主要分布在红边和近红外波段(图3)。CO2浓度升高缩小了地上生物量的敏感波段范围, 但是没有改变敏感波段的分布区间。

图1 不同浓度CO2对冬小麦地上生物量的影响

ACO2表示大气二氧化碳浓度, ECO2表示升高二氧化碳浓度。误差线表示标准差。“NS”表示在同一生育时期不同处理间差异未达到显著水平(> 0.05)。“*”表示在同一生育时期不同处理间差异达到显著水平(< 0.05)

ACO2: atmospheric carbon dioxide concentration, ECO2: elevated carbon dioxide concentration. The error line represents the standard deviation. “NS” indicates no significantly different among the treatments in the same stage at< 0.05. “*”indicates significantly different among the treatments in the same stage at< 0.05.

(图2)

表3 不同CO2浓度下冬小麦光谱特征参数表

ACO2表示大气二氧化碳浓度, ECO2表示升高二氧化碳浓度。“*”表示在同一生育时期不同处理间差异达到显著水平(< 0.05)。

ACO2: atmospheric CO2concentration; ECO2: elevated CO2concentration. “*” indicates significantly different among the treatments in the same stage at< 0.05.

表4 冬小麦地上生物量偏最小二乘法回归描述统计分析

ACO2: 大气二氧化碳浓度; ECO2: 升高二氧化碳浓度; NComps: 成分个数; CV:变异系数; Adj CV: 调整变异系数; X-Var (%): 自变量累积方差解释百分数; Y-Var (%): 因变量累积方差解释百分数;2: 决定系数; Adj2: 调整决定系数; RMSE: 均方根误差。

ACO2: atmospheric CO2concentration; ECO2: elevated CO2concentration; NComps: number of components; CV: coefficient of variation; Adj CV: adjusted coefficient of variation; X-Var (%): cumulative variance explained percentage of independent variables; Y-Var (%): cumulative variance explained percentage of dependent variables;2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error.

图3 基于两种方法下的冬小麦地上生物量重要的敏感光谱波段

如表5所示, 对平滑后的光谱数据通过连续投影算法先进行敏感波段的选择, 利用逐步线性多元回归对所选的敏感波段与冬小麦地上生物量进行回归拟合, 发现ACO2和ECO2下SMLR的2分别为0.967和0.855, RMSE分别为175.8 g m–2和302.8 g m–2,最大方差膨胀因子分别为20.755和12.958, 可见预测模型的稳定性较好, 但是所选的敏感波段之间仍然存在中等共线性。利用已构建的模型进行预测测试, 测试组的2分别为0.932和0.806, RMSE分别为174.0 g m–2和243.8 g m–2, 由此可以看出SPA+SMLR的回归模型较为稳定, 精确度较高。由SPA+ SMLR回归模型可以看出在ACO2浓度下地上生物量的敏感波段为R682、R727、R771、R985、R1078、R1083和R1100, ECO2浓度下地上生物量的敏感波段为R678、R711、R757、R972和R1060。可以看出2个CO2浓度水平下冬小麦地上生物量敏感波段所在的光谱区间均为黄边、红边和近红外区间内, 并没有改变冬小麦地上生物量敏感波段所在的光谱区间位置。

综上所述, 由图3所示, 比较SPA+SMLR和PLSR两种方式对冬小麦地上生物量敏感光谱波段选择, 发现CO2浓度升高缩小了冬小麦地上生物量的敏感范围, 但是没有改变地上生物量的敏感光谱区间, 黄边、红边和近红外仍然是冬小麦地上生物量的敏感光谱区间。

表5 冬小麦地上生物量连续投影算法+逐步多元线性回归描述统计分析

ACO2:大气二氧化碳浓度; ECO2: 升高二氧化碳浓度;2: 决定系数; Adj2: 调整决定系数; RMSE: 均方根误差; Max VIF: 最大方差膨胀因子。

ACO2: atmospheric CO2concentration, ECO2: elevated CO2concentration;2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error; Max VIF: the maximum variance inflation factor.

2.3 冬小麦地上生物量光谱参数模型的构建与检验

2.3.1 多元线性回归模型 对所选用的光谱参数与地上生物量进行Pearson相关性分析(图4), 选取||>0.6,<0.05的光谱参数与地上生物量进行逐步多元线性回归, 回归模型表6所示, 地上生物量光谱参数逐步多元线性回归的2为0.866, RMSE为287.2 g m–2, 最大VIF 3.65。测试组的2为0.897, RMSE为238.6 g m–2。可见R799′、Dy、SDy、PRI间的共线性小模型稳定性好, 预测精度高。

图4 光谱参数与地上生物量的相关性系数

*表示在0.05概率水平差异显著。

* indicate significant difference at the 0.05 probability level.

CR+ SMLR: 相关性分析+逐步多元线性回归; SPA+SMLR: 连续投影算法+逐步多元线性回归; Dy: 黄边幅值; PRI: 光化学植被指数。2: 决定系数; Adj2: 调整决定系数; RMSE: 均方根误差; Max vif: 最大方差膨胀因子。

CR+ SMLR: correlation analysis + stepwise multiple linear regression; SPA+ SMLR: continuous projection algorithm + stepwise multiple linear regression; Dy: yellow edge amplitude; PRI: photochemical reflectance index.2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error; Max vif: The max. variance inflation factor.

将连续投影算法筛选的敏感波段进行逐步多元线性回归, 结果如表6所示, 回归模型的2为0.841, RMSE为320.3 g m–2, 最大VIF为49.29。测试组的2为0.838, RMSE为285.7g m–2。可见相较于光谱参数多元线性回归模型SPA+SMLR回归模型的拟合精度较低, 同时自变量之间存在着较大的共线性。

2.3.2 偏最小二乘法回归模型 将冬小麦地上生物量分别与平滑后光谱反射率和光谱参数进行偏最小二乘法回归, 在总样本中分别随机选取48份样本作为训练组, 24份样本作为测试组来测试训练模型的精度。以平滑后光谱反射率为自变量时最佳主成分个数为6, 能够解释94.42%作为因变量的地上生物量。当以地上光谱参数为自变量时最佳主成分个数为8, 能够解释92.79%作为因变量的地上生物量。如图5所示, 以平滑后光谱反射率为自变量的PLSR模型的训练集的2为0.944, RMSE为173.99 g m–2, 测试集的2为0.912, RMSE为184.37 g m–2。以光谱参数为自变量的PLSR模型的训练集的2为0.928, RMSE为196.20 g m–2, 测试集的2为0.890, RMSE为251.21 g m–2。由此可见, PLSR模型精度在对冬小麦地上生物量的拟合上模型整体精度高于多元回归模型, 并且以平滑后光谱反射率为自变量构建的PLSR模型精度最高, 拟合误差最小。

图5 冬小麦地上生物量PLSR模型训练组和测试组拟合关系

a, b: 基于光谱反射率为自变量的地上生物量偏最小二乘法回归模型, a为训练组, b为测试组; c, d: 基于光谱参数为自变量的地上生物量偏最小二乘法回归模型, c为训练组, d为测试组; ncomps: 最佳成分个数; Y-Var: 因变量累积方差解释百分数。

a, b: the above-ground biomass partial least squares regression model based on spectral reflectance as the independent variable, with a as the training group and b as the test group; c, d: the above-ground biomass partial least squares regression model based on spectral parameters as the independent variable, with c as the training group and d as the test group; ncomps: the number of components; Y-Var: the cumulative variance explained percentage of dependent variables.

3 讨论

地上生物量是冬小麦生长状态和产量预测的重要指标之一。通过观察地上生物量变化, 可以调整和优化小麦的施肥方案, 提高养分利用率和生产效益。研究表明, 大气中CO2浓度升高可提高小麦的碳增益和对水分的利用效率, 从而促进冬小麦地上生物量的增加[33]。然而, 小麦对CO2浓度升高的地上生物量增加响应并非绝对, Högy等[34]研究发现CO2浓度升高对春小麦地上生物量没有明显影响。在本研究中, 发现CO2升高对冬小麦地上生物量增加的促进作用主要体现在拔节期和开花期, 成熟期的促进作用则表现不显著。

CO2浓度升高下冬小麦冠层光谱反射率曲线在不同时期的变化趋势不发生改变, 这与Liu等[35]在OTC试验中提出的CO2浓度升高不改变在整个区间内光谱反射曲线的变化趋势是一致的。前人研究表明环境变化会影响冠层反射率的大小。如杨熙来等[36]提出开花期臭氧胁迫下冬小麦叶片光谱反射率在近红外波段升高。Xie等[7]研究发现可见光区和红边区域光谱反射率随冬小麦冻害程度的增加而逐渐下降。本研究中CO2浓度升高令冬小麦红边和近红边波段的光谱反射率在拔节期显著增加, 在开花期和灌浆期显著降低。这是由于红边和近红外区域的冠层光谱反射率受到叶片色素、叶面积和植物水分状况的显著影响[37]。CO2浓度升高对冬小麦叶片色素、叶面积和植物水分利用率在不同生育期存在不同的影响[10,37]。利用SPA+SLMR和PLSR两种方法寻找的冬小麦地上生物量敏感波段也基本位于红边和近红边波段内, CO2浓度升高仅缩小了地上生物量敏感波段的范围, 可见冬小麦冠层的光谱对CO2浓度升高很敏感, 通过光谱遥感技术进行监测是可行的。

同时, 光谱特征参数会因植物在不同生长环境下的生长状态而发生改变。如Zhang等[38]研究发现光谱特征参数随铜胁迫的程度而发生变化, Estrada等[39]通过对比光谱特征参数变化来探索植物对环境胁迫的反应, 取得了很好的效果。在本研究中, CO2浓度升高使得拔节期的蓝边幅值和红边面积显著增加; 开花期红边位置发生“红移”, 红边面积显著降低; 灌浆期蓝边位置和红边位置发生“红移”, 黄边位置发生“蓝移”, 红边幅值和面积显著降低。光谱特征参数的变化可以成为诊断高CO2浓度下冬小麦生长状态的探针。

本研究中, 分别对光谱反射率和光谱特征参数采用偏最小二乘法回归和逐步多元线性回归, 寻找CO2浓度升高下冬小麦地上生物量的敏感波段, 构建最优的地上生物量估算模型。结果表明, CO2浓度升高仅缩小了敏感光谱波段的范围, 敏感波段仍分布在黄边、红边和近红外波段内。对比2个CO2浓度水平下两种估算模型的自变量构成和稳定性, CO2浓度升高不影响冬小麦地上生物量估计模型的构建。通过比较偏最小二乘法回归和逐步多元线性回归在光谱反射率和光谱特征参数2种自变量下建立的地上生物量估计模型, 发现结果都具有较好的估测精度, 但偏最小二乘法回归模型的精度和稳定性优于逐步多元线性回归, 估算模型预测的2能达到0.912。在逐步多元线性回归中, 光谱特征参数作为自变量的估算模型在拟合精度和自变量共线性上优于连续投影算法筛选的敏感波段作为自变量的估算模型。基于光谱特征参数为自变量的估算模型可以发现黄边特征参数、PRI和799 nm处的一阶导数与冬小麦地上生物量的联系十分紧密, 可以推测光谱遥感技术对地上生物量的预测主要是通过预测冬小麦叶片色素含量和光合作用来实现的, 同时, 以往的单一光谱参数估测生物量存在低植被覆盖时对土壤背景敏感和高植被条件下对冠层生物量变化不敏感的缺点, 本研究筛选的特征参数虽然没有克服低植被覆盖时对土壤背景敏感的缺点, 对高植被覆盖密度条件下生物量的估计还是保持较高的精确度。在偏最小二乘法回归中, 光谱反射率作为自变量的估算模型在拟合精度上优于光谱特征参数作为自变量的估算模型, 这一现象可能是由于基于光谱反射率的自变量冗余造成的。Ohsowski等[40]发现PLSR能够解决了预测变量共线性问题, 准确的对田间生物量进行估算, Xie等[41]对叶绿素估算模型的研究当中也提出PLSR模型优于SMLR模型。本研究对于冬小麦地上生物量的估算模型虽然取得较好的结果,但是由于试验年数和样本较少, 模型的适用性还有待后续考证。总的来说, 本研究给出了PLSR模型在CO2浓度变化下估算冬小麦地上生物量上优于SMLR, 且具有一定的可行性。

4 结论

CO2浓度升高促进了冬小麦拔节期和开花期的地上生物量显著增加, 对成熟期地上生物量的影响未达到显著水平; CO2浓升高不改变冠层光谱反射率曲线变化趋势, 但是分别使拔节期红边和近红外波段光谱反射率显著增加, 开花期和灌浆期则显著降低。不同时期的光谱特征参数随CO2浓度升高而发生改变; CO2浓度升高缩小了地上生物量的敏感波段范围, 但是没有改变敏感波段的分布区间和地上生物量估算模型的建立。光谱参数为自变量构建的SMLR估算模型在拟合精度和自变量共线性上优于敏感光谱波段构建的SMLR估算模型, R799'、Dy、SDy和PRI等光谱参数与地上生物量估算有着密切的关系; PLSR模型在模拟精度和稳定性上优于SMLR模型, 其中以光谱反射率为自变量的PLSR模型对冬小麦地上生物量的拟合精度最高,2为0.944。本研究系统地探究了CO2浓度升高对冬小麦地上生物量和光谱特征的影响, 并建立了预测模型, 为未来高CO2浓度下冬小麦地上生物量的预测和监测提供了理论基础和技术方法。

[1] 王卓妮, 袁佳双, 庞博, 黄磊. IPCC AR6《气候变化2022: 减缓气候变化》主要结论和启示. 气候变化研究进展, 2022, 18: 531–537. Wang Z N, Yuan J S, Pang B, Huang L. The interpretation and highlights of IPCC AR6 WGIII report climate change 2022: mitigation of climate change., 2022, 18: 531–537 (in Chinese with English abstract).

[2] Ainsworth E A, Long S P. What have we learned from 15 years of free air CO2enrichment (FACE)? A meta-analytic review of the responses of photosynthesis, canopy properties and plant production to rising CO2., 2005, 165: 351–371.

[3] Sinha P G, Kapoor R, Uprety D C, Bhatnagar A K. Impact of elevated CO2concentration on ultrastructure of pericarp and composition of grain in threespecies of different ploidy levels., 2009, 66: 451–456.

[4] Li B, Xu X, Zhang L, Han J, Bian C, Li G, Liu J, Jin L. Above–ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging., 2020, 162: 161–172.

[5] Miller G J, Morris J T, Wang C. Estimating aboveground biomass and its spatial distribution in coastal wetlands utilizing planet multispectral imagery., 2019, 11: 1–16.

[6] Tian H, Shi S, Wang H, Li F, Li Z, Alva A, Zhang Z. Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance., 2016, 45: 795–803.

[7] Xie Y, Wang C, Yang W, Feng M, Qiao X, Song J. Canopy hyperspectral characteristics and yield estimation of winter wheat () under low temperature injury., 2020, 10: 244–254.

[8] Dawson T P, Curran P J. A new technique for interpolating the reflectance red edge position., 1998, 1: 2133–2139.

[9] 郑红平, 邹红玉. 浅述植被“红边”效应及其定量分析方法. 遥感信息, 2010, 25(4): 112–116. Zheng H P, Zou H Y. The effect and method of quantitative analysis of “Red Edge” of vegetation., 2010, 25(4): 112–116 (in Chinese with English abstract).

[10] 蔡瑶, 缪宇轩, 吴浩, 王丹. 高CO2浓度下冬小麦的高光谱特征及其与叶面积指数和SPAD值的反演. 浙江农业学报, 2022, 34: 582–589. Cai Y, Miao Y X, Wu H, Wang D. Hyperspectral characteristics and leaf area index (LAI) and SPAD value inversion of winter wheat under elevated CO2concentration., 2022, 34: 582–589 (in Chinese with English abstract).

[11] 杨璐璐, 华开, 张学霞. 不同CO2浓度及干旱胁迫下高羊茅的生理响应和光谱特征. 中国草地学报, 2014, 36(4): 72–78. Yang L L, Hua K, Zhang X X. The impacts of mowing on photosynthesis and water physiological conditions of., 2014, 36(4): 72–78 (in Chinese with English abstract).

[12] Sun Q, Gu X, Sun L, Yang G, Zhou L, Guo W. Dynamic change in rice leaf area index and spectral response under flooding stress., 2020, 18: 223–233.

[13] Ren P, Feng M C, Yang W D, Wang C, Liu T T, Wang H Q. Response of winter wheat (L.) hyperspectral characteristics to low temperature stress., 2014, 34: 2490–2494.

[14] Xu D Q, Liu X L, Wang W, Chen M, Kan H C, Li C F, Zheng S F. Hyper spectral characteristics and estimation model of leaf chlorophyll content in cotton under waterlogging stress., 2017, 28: 3289–3296.

[15] Tschannerl J, Ren J, Yuen P, Sun G, Zhao H, Yang Z, Wang Z, Marshall S. MIMR-DGSA: unsupervised hyperspectral band selection based on information theory and a modified discrete gravitational search algorithm., 2019, 51: 189–200.

[16] Steve D B, Pieter K, Paul S. Walter D. A band selection technique for spectral classification., 2005, 2: 319–323.

[17] Gao H Z, Lu Q P, Ding H Q, Peng Z Q. Choice of characteristic near-infrared wavelengths for soil total nitrogen based on successive projection algorithm., 2009, 29: 2951–2954.

[18] Liu J, Xie J, Meng T, Dong H. Organic matter estimation of surface soil using successive projection algorithm., 2022, 114: 1944–1951.

[19] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem K M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

[20] El-Hendawy S, Al-Suhaibani N, Alotaibi M, Hassan W, Elsayed S, Tahir M U, Mohamed A I, Schmidhalter U. Estimating growth and photosynthetic properties of wheat grown in simulated saline field conditions using hyperspectral reflectance sensing and multivariate analysis., 2019, 9: 16473.

[21] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and non-destructive estimation of anthocyanin content in plant leaves?, 2001, 74: 38–45.

[22] Merzlyak M N, Solovchenko A E, Gitelson A A. Reflectance spectral features and non-destructive estimation of chlorophyll, carotenoid and anthocyanin content in apple fruit., 2003, 27: 197–211.

[23] Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS., 1992, 30: 261–270.

[24] Huete A R, Liu H Q, Batchily K, van Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS., 1997, 59: 440–451.

[25] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 337–354.

[26] Gamon J A, Peñuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41: 35–44.

[27] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. spectral features and relation to chlorophyll estimation., 1994, 143: 286–292.

[28] Schlerf M, Atzberger C, Hill J. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data., 2005, 95: 177–194.

[29] 张华东, 阮陆宁. 偏最小二乘回归在R软件中的实现及其优缺点剖析. 科技广场, 2015, (11): 12–17. Zhang H D, Ruan L N. Realization and advantages and disadvantages analysis of partial least–squares regression in the R software., 2015, (11): 12–17 (in Chinese with English abstract).

[30] 王石言, 王力, 张静, 张林森. 黄土旱塬主要农林用地土壤水文特征对比. 中国水土保持科学, 2016, 14(3): 10–18. Wang S Y, Wang L, Zhang J, Zhang L S. Comparison of soil hydrological characteristics for main cropland and orchard in dry highland of the Loess Tableland., 2016, 14(3): 10–18 (in Chinese with English abstract).

[31] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem Kubar M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

[32] Liu J, Xie J, Meng T, Dong H. Organic matter estimation of surface soil using successive projection algorithm., 2022, 114: 1944–1951.

[33] Högy P, Kottmann L, Schmid I, Fangmeier A. Heat, wheat and CO2: the relevance of timing and the mode of temperature stress on biomass and yield., 2019, 205: 608–615.

[34] Högy P, Brunnbauer M, Koehler P, Schwadorf K, Breuer J, Franzaring J, Zhunusbayeva D, Fangmeier A. Grain quality characteristics of spring wheat () as affected by free-air CO2enrichment., 2013, 88: 11–18.

[35] Liu C, Hu Z H, Islam A, Kong R, Yu L F, Wang Y Y. Hyperspectral characteristics and inversion model estimation of winter wheat under different elevated CO2concentrations., 2021, 42: 1035–1053.

[36] 杨熙来, 朱榴骏, 冯兆忠. 臭氧胁迫下冬小麦叶片高光谱特征和叶绿素含量估算. 生态学报, 2023, 43: 3213–3223. Yang X L, Zhu L J, Feng Z Z. Hyperspectral characteristics and chlorophyll content estimation of winter wheat under ozone stress., 2023, 43: 3213–3223 (in Chinese with English abstract).

[37] Bandyopadhyay K K, Pradhan S, Sahoo R N, Singh R, Gupta V K, Joshi D K, Sutradhar A K. Characterization of water stress and prediction of yield of wheat using spectral indices under varied water and nitrogen management practices., 2014, 146: 115–123.

[38] Zhang C, Ren H, Dai X, Qin Q, Li J, Zhang T, Sun Y. Spectral characteristics of copper stressed vegetation leaves and further understanding of the copper stress vegetation index., 2019, 40: 4473–4488.

[39] Estrada F, Flexas J, Araus J L, Mora P F, Gonzalez T J, Castillo D, Matus I A, Méndez E A M, Garriga M, Araya R C, Douthe C, Castillo B, Del P A, Lobos G A. Exploring plant responses to abiotic stress by contrasting spectral signature changes., 2023, 13: 1–17.

[40] Ohsowski B M, Dunfield K E, Klironomos J N, Hart M M. Improving plant biomass estimation in the field using partial least squares regression and ridge regression., 2016, 94: 501–508.

[41] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem K M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

Spectral characteristics of winter wheat canopy and estimation of aboveground biomass under elevated atmospheric CO2concentration

HUANG Hong-Sheng, ZHANG Xin-Yue, JU Hui, and HAN Xue*

Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, Beijing 100081, China

The objective of this study is to investigate the effect of elevated atmospheric CO2concentration on the canopy spectral characteristics of winter wheat during the whole growth period and to establish quantitative relationships between above-ground biomass (AGB) and spectral parameters based on the screened sensitive bands. For this purpose, during the winter wheat growing season of 2021–2022, two treatment levels of atmospheric CO2concentration (ACO2, (420±20) μL L–1) and elevated CO2concentration (ECO2, (550±20) μL L–1) were set based on the Free Atmospheric CO2Enrichment System (Mini-FACE), and the changes of spectral features were analyzed under elevated CO2concentration. AGB sensitive bands were screened and the estimation models of AGB were constructed based on the successive projections algorithm (SPA), stepwise multiple linear regression (SMLR), and partial least squares regression (PLSR). The results showed that elevated CO2concentration significantly increased AGB in winter wheat at jointing and anthesis stages. The red-edge reflectance, near red edge reflectance, and red-edge area increased at jointing stage and decreased at anthesis and maturity stages. The positions of the blue-edge, yellow-edge, and red-edge were shifted at different growth stages. The sensitive spectral bands of AGB are mainly distributed in the red-edge and near red-edge bands, and the elevated CO2concentration narrows the range of the sensitive bands of AGB, but does not affect the estimation of AGB. The SMLR and PLSR models of AGB both achieved high estimation accuracy (2> 0.8), where the characteristic parameters such as R799', Dy, SDy, and PRI in the SMLR model were significantly correlated with AGB, with an2of 0.866. The PLSR model (2> 0.9) outperformed the SMLR model in terms of estimation accuracy and stability. This study can provide the theoretical basis and technical methods for the remote sensing monitoring of winter wheat growth and development under elevated CO2concentration in the future.

elevated CO2concentration; winter wheat; above ground biomass; canopy spectral features; regression analysis

10.3724/SP.J.1006.2024.31041

本研究由国家重点研发计划项目(2019YFA0607403), 中国农业科学院科技创新工程农业绿色低碳科学中心专项项目和中央级公益性科研院所基本科研业务费(CAAS-CSGLCA-202301, BSRF202202)资助。

This study was supported by the National Key Research and Development Program of China (2019YFA0607403), the Special Project of Agricultural Green Low-carbon Science Center of Science and Technology Innovation Project of Chinese Academy of Agricultural Sciences, and the Basic Scientific Research Business Expenses of Central-level Public Welfare Research Institutes (CAAS-CSGLCA-202301, BSRF202202).

韩雪, E-mail: hanxue@caas.cn

E-mail: 82101215240@caas.cn

2023-06-25;

2023-10-23;

2023-11-16.

URL: https://link.cnki.net/urlid/11.1809.S.20231115.1549.008

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).