基于连续小波变换估测干旱胁迫下玉米籽粒产量

邹佳琪 王仲林,2 谭先明 陈燎原 杨文钰 杨 峰,*

基于连续小波变换估测干旱胁迫下玉米籽粒产量

邹佳琪1王仲林1,2谭先明1陈燎原1杨文钰1杨 峰1,*

1四川农业大学农学院 / 农业农村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, 四川成都 611130;2四川农业大学水稻研究所, 四川成都 611130

利用高光谱遥感技术监测作物水分状况和籽粒产量, 对于调控作物生长、优化水分管理和改善产量形成具有重要意义。本研究玉米品种选用正红505, 于2018—2019年在四川雅安和仁寿的试验田设置4个水分处理(正常水分、轻度、中度和重度干旱), 分析玉米在拔节期(V6)、抽雄期(VT)和灌浆期(R2)的冠层含水量(canopy water content, CWC)与籽粒产量的定量关系, 利用植被指数和连续小波变换对光谱反射率数据进行处理, 采用线性回归方法构建CWC定量反演模型, 进一步探索以CWC为桥梁建立的玉米籽粒产量的预测模型效果。结果表明, (1) 利用小波特征构建的CWC估测模型的预测效果高于植被指数, V6、VT和R2期分别以小波特征gaus3770,64、rbio3.31635,2和rbio3.3838,2构建的线性回归模型检验精度较高,2分别为0.770、0.291和0.233。(2) CWC与玉米籽粒产量间建立的线性回归模型均达极显著水平(<0.01), V6、VT和R2期的2分别为0.596、0.366和0.439。(3) 基于光谱反射率构建的产量预测模型以V6期小波特征gaus3770,64的验证效果最好(2= 0.577, RMSE = 1.625 t hm–2), 可作为预测玉米籽粒产量的最佳时期。因此, 本研究提出的“光谱反射率—冠层含水量—产量”建模方法能够实现对玉米籽粒产量的精确估测, 为未来大面积监测玉米生产力提供了理论依据。

玉米; 籽粒产量; 冠层含水量; 植被指数; 小波特征

水分是影响作物生长发育和产量形成的重要因素之一。作物植株的水分含量与物质运输、光合作用和蒸腾作用等生理生化过程密切相关。水分亏缺会抑制作物光合速率, 阻碍干物质的累积和分配, 降低作物产量[1-2]。冠层含水量(canopy water content, CWC)是群体水平上监测作物水分胁迫的最佳指标, 对不同水分亏缺处理较为敏感, 不同程度的水分缺失均有可能造成作物减产[3]。研究表明, 重度干旱胁迫会显著降低作物籽粒产量, 适当的水分亏缺反而会促进作物生长。轻度干旱胁迫下作物光合速率得以维持, 水分利用效率提高, 有利于改善作物生长, 提高作物籽粒产量[4-5]。因此, 实时、准确的监测作物水分状况对于调控田间水分运筹、促进作物生长发育和改善籽粒产量具有重要意义。

高光谱遥感技术作为一种能够快速、精准、无损监测作物长势及营养状况的技术, 已被广泛应用于现代农业。植被指数(vegetation indices, VIs)可以特征化植被的覆盖程度和生长状况, 消除土壤背景和大气散射等信息干扰, 进而增强植被水分的光谱信号。因此, 前人采用VIs可以精确地估测作物水分含量, 但不同水分敏感波段构建的VIs估测水分含量的性能有所差异。传统的水分敏感VIs中, 水分胁迫指数(moisture stress index, MSI)和归一化差异水分指数(normalized difference water index, NDWI)反演作物水分含量的模型精度较高, 估测效果最佳[6-7]。江海英等报道基于不同水分敏感波段组合构成的NDWI反演CWC的模型精度以NDWI860,1640最高, 表明860 nm和1640 nm可作为水分吸收的强敏感波段[8]。连续小波变换(continuous wavelet transform, CWT)是一种有效的数学分析和光谱信号处理工具, 能够将光谱反射率分解为多个尺度分量, 消除光谱信息中的噪声[9], 剔除无用的光谱信息以获取更多高效的光谱特征[10]。小波分析可以解释作物在叶片水平和冠层水平上更全面的光谱变化, 从而选择最优的光谱特征构建反演模型, 在作物含水量[11]、叶绿素含量[12]和生物量[13]等生理参数估测上的性能优于VIs[14-15]。

传统的产量测量方法耗时耗力, 难以在大面积农业生产中应用, 而在智慧农业的农情监测中, 作物籽粒产量的精准预测相关研究还处于较薄弱环节[16-17]。大量研究表明, 利用高光谱遥感技术预测作物产量具有可行性和可靠性, 可有效缓解大面积农业生产的问题。统计经验模型是光谱估测作物生理参数最典型的建模方法, 模型简单实用且精确性高[18-19]。通过重要光谱变量建立的籽粒产量线性回归、偏最小二乘回归和多元线性回归等模型往往表现出较高的预测精度。由此表明, 统计经验模型在作物籽粒产量预测上发挥着重要作用。目前, 基于VIs建立的经验模型的决定系数(coefficient of determination,2)大多在0.6以上, 估产效果较好[20-22], 但基于小波变换开展作物估产的研究较少, 且大部分研究是利用光谱反射率直接建立籽粒产量的预测模型, 其准确性会受到环境、生物和物理等因素影响[23], 缺乏机制解释性。

为进一步提高玉米籽粒产量的估测精度, 本研究利用VIs和CWT对光谱反射率数据进行分析, 在确定关键生育时期CWC与光谱参数(VIs和小波特征)以及籽粒产量定量关系的基础上, 提出了“光谱反射率-冠层含水量-产量”的玉米籽粒产量建模方法, 将CWC作为连接光谱反射率与产量的桥梁, 建立线性回归估测模型来间接估测籽粒产量, 并探索这种建模方法对于籽粒产量光谱估测的可行性和可靠性, 为玉米籽粒产量的精确预测提供理论依据和技术参考。

1 材料与方法

1.1 试验材料与设计

本研究于2018年和2019年在四川雅安和仁寿开展3个田间试验, 试验载体、供试玉米品种和试验处理如表1所示。试验1和试验3分别于2018年和2019年在四川农业大学雅安现代农业试验站(29°59′N, 102°59′E)设置自动防雨棚区域的干旱池内进行试验。试验2于2018年在仁寿县四川省现代作物生产示范基地(30°04′N, 104°12′E)进行田间试验。所有试验的玉米品种均选用半紧凑型品种正红505。

试验1设置4个水分等级(占田间持水量百分比):正常水分(60%～70%)、轻度干旱(45%～55%)、中度干旱(30%～40%)和重度干旱(15%～25%), 玉米于4月2日播种, 8月14日收获; 试验2玉米种植于3个坡度的倾斜农田: 斜坡顶部、斜坡中间和斜坡下方, 倾斜农田的土壤含水量随农田坡度的增加而降低, 玉米于4月11日播种, 8月20日收获; 试验3设置4个水分等级: 正常水分(70%～80%)、轻度干旱(55%～ 65%)、中度干旱(40%～50%)和重度干旱(25%～35%), 玉米于4月8日播种, 8月18日收获。玉米种植方式均为宽窄行种植, 窄行行距为40 cm, 株距为17 cm, 密度为60,000株 hm–2。试验设计采用单因素随机区组设计, 每个处理设置3个重复。所有试验在玉米播种时于行间开沟施用氮肥(尿素, 46.7% N)约60 kg hm−2, 另外60 kg hm−2氮肥在拔节期施用。磷钾肥作为底肥一次施用, 分别为: 五氧化二磷72 kg hm–2(过磷酸钙)和氧化钾90 kg hm–2(氯化钾), 其他管理程序按照当地玉米生产的标准做法进行。

试验1和试验3采用池栽控水的方法, 在玉米拔节期(V6)、抽雄期(VT)和灌浆期(R2)分别设置4个干旱胁迫处理, 1个干旱池(面积为4.5 m2, 深为1.8 m)作为一个小区, 移栽于36个干旱池内。采用土壤剖面水分测定仪(Profile Probe2, Delta-T, 英国)测定土壤容积含水量, 土壤剖面水分测定仪按层次定位测定10 cm、20 cm、30 cm、40 cm、60 cm、100 cm土层的容积含水量, 每个测量位点重复测3次, 以平均值作为该位点的容积含水量。每隔7 d左右测定1次, 每个时期灌溉前后加测, 并取土用烘干法测定的土壤含水量对土壤剖面水分测定仪的数据进行校正。灌水量使用水表进行控制, 灌水量(irrigation amount,)计算公式如下:

式中,表示土壤容重,表示灌水深度,表示灌水面积,max表示设定的土壤含水量上限,θ表示灌水前实际测量的土壤含水量。

1.2 数据获取

1.2.1 冠层光谱反射率的测量 在玉米V6、VT和R2期(植物高度分别为80～120、270～290和290～310 cm)使用荷兰Avafield田间光谱辐射计(AvaSpec-2048, Avantes, 荷兰)测定玉米冠层光谱反射率。光谱辐射计安装25°视场光纤探头, 光谱区域在350～2500 nm之间, 采样间隔为0.6 nm@350～ 1100 nm, 6 nm@1100～2500 nm。光谱测定选择在晴朗、无风、少云的天气下进行, 测量时间为北京时间的10:00—14:00之间, 光纤探头垂直于玉米冠层上方1 m处(冠层覆盖直径约44.5 cm)获取冠层光谱反射率。每个小区选择4个观测点, 每个观测点测量冠层反射率7次, 取平均值作为观测点的光谱反射率值, 使用25π cm2BaSO4校准板校准测量前后的光谱反射率。

表1 3个试验年份、地点、试验载体、品种及处理

WW: 正常水分; MD: 轻度干旱; ID: 中度干旱; SD: 重度干旱。

WW: well-watered; MD: mild drought; ID: intermediate drought; SD: severe drought.

1.2.2 冠层含水量的计算 在V6、VT和R2期, 从光谱视场范围内选取玉米植株材料, 每个水分处理下设置6个小区, 每小区取2株。将玉米叶片茎秆分离, 测量叶片长度(从叶基到叶尖, 不含叶柄)和宽度(叶片上与主脉垂直方向上的最宽处), 采用叶面积系数法(长×宽×0.75)计算玉米叶片叶面积, 进而转换为叶面积指数(Leaf Area Index, LAI)。LAI计算公式如下:

使用千分之一电子秤(误差为±0.01 g)称量叶片鲜重并记录, 然后装入纸袋在105℃下杀青1 h后80℃烘干至恒重, 称量叶片干重并记录, 计算叶片的等效水厚度(equivalent water thickness, EWT)。EWT计算公式如下:

式中, FW和DW分别代表叶片的鲜重和干重(g),代表叶片的叶面积(m2)。

CWC即单位土地面积上的作物含水量, 能够反映作物群体的水分状态, 揭示冠层水平作物对水分丰缺的反应[24]。将EWT与单位土地面积的LAI相乘即可得到CWC[25]。CWC计算公式如下:

CWC (kg m–2) = EWT×LAI(4)

1.2.3 玉米产量的测量 在玉米成熟期, 每个小区连续选取20株玉米, 晾干至籽粒含水量约10%左右, 获取籽粒晒干后在室内进行考种, 测量穗行数、行粒数、穗粒重和千粒重等产量构成因素, 采用电子秤称量籽粒的重量并计算籽粒产量(t hm–2)。

1.3 数据分析与利用

1.3.1 光谱数据预处理 本研究在进行数据分析前在Origin 2021 (OriginLab, 美国)中对原始光谱数据进行Savitaky-Golay平滑处理, 消除噪声对光谱反射率和水分敏感光谱信号的影响。由于田间测量光谱时光谱反射率容易受到土壤背景和大气吸收影响, 剔除了V6期1324～1385 nm、1788～1908 nm、2453～ 2503 nm, VT期1318～1398 nm、1782～1908 nm、2387～ 2503 nm和R2期1318～1405 nm、1776～1914 nm、2415～2503 nm有关波段所对应的光谱反射率(图1), 因此V6、VT和R2这3个时期的波段数不同。

图1 剔除波段后正常水分处理下玉米光谱反射率

A: 拔节期; B: 抽雄期; C: 灌浆期。

A: jointing stage; B: tasseling stage; C: filling stage.

1.3.2 小波分析 小波分析是一种极具应用前景的光谱信号处理与分析工具, 本研究选择CWT对光谱信号进行重构和降噪, 能够获取更多的光谱特征有效信息[26-27]。利用MATLAB R2017b (MathWorks, Inc., 美国)软件运行小波程序包以此进行小波分析。本研究选择db3、bior1.5、rbio3.3和gaus3共4种母小波函数在1～256尺度下对光谱反射率数据进行分解, 但1～256尺度分解的数据量过大, 在此基础上提取出20, 21, 22, 23, 24, 25, 26, 27和28共9个特定尺度(这些尺度在后续部分标记为1, 2, 4, 8, …, 256)下对应的小波系数来进行分析和构建模型[28]。图2阐明了CWT的具体工作流程。母小波函数的变换公式如下:

1.3.3 植被指数 如表2所示, 本研究选取了水分指数(water index, WI)和MSI两种对水分敏感的VIs, 采用比值植被指数(ratio vegetation index, RVI)、差值植被指数(difference vegetation index, DVI)和归一化差值植被指数(normalized difference vegetation index, NDVI) 3种波段自由组合VIs对光谱反射率进行两两自由组合, 分析其与CWC的定量关系。在MATLAB R2017b中运行波段自由组合植被指数程序包。将5种VIs与玉米CWC进行相关性分析并获得显著性, 筛选出效果较好的VIs构建模型。

图2 CWT的流程图

CWT: 冠层含水量。CWT: canopy water content.

表2 本文采用的植被指数

代表光谱反射率,和代表波长(nm),R和R代表在波长和处的光谱反射率。

represents spectral reflectance,andrepresent wavelengths (nm), andRandRrepresent the spectral reflectance at wavelengthsand.

1.4 模型构建及精度验证

本研究采用2019年的数据构建CWC和籽粒产量的估测模型, 2018年的数据用于估测模型验证。校准和验证数据集的统计结果见表3。首先, 分析VIs和小波特征与CWC的相关性, 建立CWC的“光谱反射率-水分”线性回归模型并检验。其次, 在确定玉米V6、VT和R2期CWC和产量的相关性基础之上, 采取线性回归模型建立具有生理解释性的“水分-籽粒产量”预测模型。最后, 将CWC作为桥梁连接光谱反射率数据与籽粒产量, 并检验籽粒产量预测模型的准确性。采用2和均方根误差(Root Mean Square Error, RMSE)评价模型的准确性和预测性能。2值介于0～1之间, 当2值越大, RMSE值越小时, 表明估测模型的预测效果越好, 精度越高。2和RMSE的计算公式如下:

表3 玉米冠层含水量和籽粒产量的描述性统计

V6: 拔节期; VT: 抽雄期; R2: 灌浆期。

V6: jointing stage; VT: tasseling stage; R2: filling stage.

2 结果与分析

2.1 玉米冠层含水量与VIs的相关性分析

将选取的3种波段自由组合VIs分别与CWC进行相关性分析, 得到相关系数矩阵图, 如图3所示。表4展示了V6、VT和R2期玉米CWC与所有VIs的相关性分析结果, 除R2期的WI和MSI与CWC的相关性没有达到显著水平外, 其余VIs与CWC均呈极显著相关(<0.01)。在V6、VT和R2期, WI和MSI与玉米CWC的相关性均低于DVI、RVI和NDVI, 表明波段自由组合VIs比传统水分敏感的VIs更能有效捕捉CWC的变化。不同生育时期间CWC与VIs的相关性随生育时期的推进逐渐降低, V6期最高, 其次为VT期, R2期最低。V6期以1471 nm和1209 nm组合的NDVI1471,1209与CWC的相关性最好, 相关系数最高(= 0.937); VT期以807 nm和761 nm组合的RVI807,761与CWC的相关性达到极显著水平(<0.01), 相关系数最高(=-0.831); R2期RVI和NDVI的敏感波段位置相同, 相关系数相同, 因而以855 nm和856 nm组合的RVI855,856和NDVI855,856与CWC的相关性最好(= 0.538), 达到极显著水平。此外, CWC的敏感波段主要分布在近红外和短波红外区域, 少数分布在红边区域。

2.2 玉米冠层含水量与小波特征的相关性分析

使用4种小波函数对原始光谱数据进行1～256尺度分解获取小波系数, 图4所示为CWC与小波特征的相关系数矩阵图。在此基础上提取20～28共9个分解尺度下的小波特征与CWC进行相关性分析, 筛选出相关性最好的敏感波段和分解尺度, 如表5所示。与VIs相比, 小波特征与CWC的相关性有显著提升, 256尺度分解下的小波特征均与CWC呈极显著相关(<0.01)。不同生育期间CWC与小波特征的相关性也随生育期的推进呈下降趋势。同一生育期不同小波特征之间小波系数与CWC的相关性差异较小, 保持在稳定水平。V6期4种小波特征与CWC均具有很强的相关性, 相关系数达到0.9以上, 以小波函数rbio3.3在波段795 nm下分解尺度为128时具有最好的相关性, 相关系数为-0.933; VT期的CWC与小波函数db3在波段1524 nm下分解尺度为1时具有最好的相关性, 相关系数为-0.805; R2期小波特征与CWC的相关性最低, 以小波函数db3在波段840 nm下分解尺度为2时具有最好的相关性, 相关系数为-0.596。小波分析所筛选出来的光谱特征敏感波段主要集中于可见光和近红外波段。

2.3 基于VIs和小波特征的冠层含水量预测模型构建

根据V6、VT和R2期CWC与VIs和小波特征的相关性, 选择3种波段自由组合VIs和4种小波特征作为自变量, 建立玉米CWC的线性回归估测模型(表6), 确定最佳估测玉米CWC的光谱参数。表6中所有回归方程的关系都达到极显著性(<0.01)。V6期所有模型均呈现较高的2和较低的RMSE,2值处于0.8左右, 以NDVI1471,1209为自变量建立的线性回归模型估测能力最好,2和RMSE分别为0.877 kg m–2和0.040 kg m–2; VT期所有模型的2均在0.6以上, 预测能力较好, 以NDVI761,807为自变量建立的线性回归模型估测能力最好,2和RMSE分别为0.689 kg m–2和0.120 kg m–2; R2期所有预测模型的2呈现较低的水平, 相较于前两个时期下降幅度较大, 以db3840,2为自变量建立的线性回归模型估测能力最好,2和RMSE分别为0.355 kg m–2和0.121 kg m–2。

图3 玉米冠层含水量与VIs之间相关系数(r)矩阵图

A: 拔节期; B: 抽雄期; C: 灌浆期。DVI：差值植被指数；RVI：比值植被指数；NDVI：归一化差值植被指数。

A: jointing stage; B: tasseling stage; C: filling stage. DVI: difference vegetation index; RVI: ratio vegetation index; NDVI: normalized difference vegetation index.

表4 不同生育期玉米冠层含水量与VIs的相关性

**表示在0.01概率水平差异显著。WI: 水分指数; MSI: 水分胁迫指数; DVI: 差值植被指数; RVI: 比值植被指数; NDVI: 归一化差值植被指数。V6: 拔节期; VT: 抽雄期; R2: 灌浆期。

W: wavelengths.**means significant difference at the 0.01 probability level. WI: water index; MSI: moisture stress index; DVI: difference vegetation index; RVI: ratio vegetation index; NDVI: normalized difference vegetation index. V6: jointing stage; VT: tasseling stage; R2: filling stage.

图4 玉米冠层含水量与小波特征之间相关系数(r)矩阵图

A: 拔节期; B: 抽雄期; C: 灌浆期。A: jointing stage; B: tasseling stage; C: filling stage.

表5 玉米冠层含水量与特定尺度小波特征之间的相关性

V6: 拔节期; VT: 抽雄期; R2: 灌浆期。**表示在0.01概率水平差异显著。

V6: jointing stage; VT: tasseling stage; R2: filling stage. W: wavelength.**means significant difference at the 0.01 probability level.

表6 不同生育期冠层含水量的预测模型

代表VIs或小波特征,代表冠层含水量。**表示在0.01概率水平差异显著。DVI750,751代表波段750 nm和751 nm处的DVI，其他相同。db3718,64代表在波段718 nm 64尺度处的小波特征db3，其他相同。V6: 拔节期; VT: 抽雄期; R2: 灌浆期。

represents the VIs or wavelet features,represents the canopy water content.**means significant difference at the 0.01 probability level. DVI750,751represents the DVI at wavebands 750 nm and 751 nm. Others are the same as it. db3718,64represents the db3 of wavelet features at waveband 718 nm and scale 64. Others are the same as it. V6: jointing stage; VT: tasseling stage; R2: filling stage.

2.4 冠层含水量预测模型的检验

利用2018年雅安和仁寿的数据来验证CWC模型的预测性能, 图5选择的光谱参数具有最佳的验证准确度。检验结果显示, 2尺度和64尺度下模型拟合效果最优。V6期验证集的精度与建模集差异较小, 以小波特征gaus3770,64为自变量建立的线性回归模型验证精度最高, 实测值与预测值间拟合的2为0.770, RMSE为0.112 kg m–2; VT期验证集的精度下降幅度较大, CWC估算效果较差, 小波特征rbio3.31635,2在验证集中具有最高的精度(2= 0.291, RMSE = 1.314 kg m–2); R2期验证集与建模集的精度均处于较低水平, 二者间差异较小, 利用小波特征rbio3.3838,2建立的线性回归模型在验证集中精度最高(2= 0.233, RMSE = 0.511 kg m–2)。相比于波段自由组合VIs, 利用小波特征可以对玉米CWC进行更加准确且有效的定量动态监测。

2.5 冠层含水量与籽粒产量间的关系

为进一步探讨不同生育时期玉米CWC对籽粒产量的解释能力, 分析了CWC与籽粒产量的相关性, 建立玉米V6、VT和R2期CWC与产量的线性回归估测模型, 为间接建立产量的光谱估测模型奠定基础。图6所示的产量估测模型的2均达到了极显著水平(<0.01), 表明V6、VT和R2期的CWC能较好地解释籽粒产量的变化。不同生育时期的CWC与成熟期产量关系存在差异, 随生育时期的推进,2呈先降低后升高的趋势, RMSE则相反, 其中V6期基于CWC估测玉米籽粒产量的效果最佳,2和RMSE分别为0.596和0.348 t hm–2, 其次为R2期,2和RMSE分别为0.439和0.620 t hm–2, VT期产量估测能力最低,2和RMSE分别为0.366和0.678 t hm–2。以上结果表明, 在本试验条件下, V6期可作为玉米籽粒产量预测的最佳时期。

图5 冠层含水量实测值与预测值的关系

A: 拔节期; B: 抽雄期; C: 灌浆期；CWC: 冠层含水量。

A: jointing stage; B: tasseling stage; C: filling stage; CWC: canopy water content.

图6 利用冠层含水量预测玉米籽粒产量的模型

A: 拔节期; B: 抽雄期; C: 灌浆期。A: jointing stage; B: tasseling stage; C: filling stage.

2.6 基于光谱反射率的籽粒产量预测模型构建及验证

由于各生育期的CWC与籽粒产量间存在显著的定量关系, 且与VIs和小波特征构建的模型存在显著相关性。因此, 根据“光谱反射率-冠层含水量-产量”这一技术路线, 以CWC为光谱数据与产量的连接桥梁将估测模型进行有机结合, 间接建立玉米籽粒产量的光谱估测模型, 图7显示了籽粒产量预测值和实测值的1∶1散点图。结果表明, 在玉米的V6期以小波特征gaus3770,64为变量构建的产量模型具有最高的2和最低的RMSE, 预测能力最好(2= 0.577, RMSE = 1.625 t hm–2)。R2期的2虽达到0.5以上, 但RMSE值偏高(2= 0.534, RMSE = 4.973 t hm–2), 估产效果较差。此外, VT期的线性拟合结果显示2为0, 说明此时期预测产量的效果不佳, 如公式(7)所示, 此时的SSE有可能大于SST, RMSE大于实测样本标准差, 导致2为负。为避免歧义, 将负值2赋值为0, 可能是由于数据量太少或者数据分布不平衡所导致。因此在本研究方法下, 在玉米V6期通过CWC连接光谱反射率与籽粒产量可以实现对产量的动态监测。

图7 基于光谱反射率数据的玉米籽粒产量估测模型的检验

A: 拔节期; B: 抽雄期; C: 灌浆期。A: jointing stage; B: tasseling stage; C: filling stage.

3 讨论

3.1 小波分析估测冠层含水量的优势

本研究分析了VIs和小波特征与CWC之间的定量关系。在同一生育时期, 小波分析的相关性比VIs的相关性较高, 主要原因是小波分析在光谱重构和降噪方面比VIs更具优势, 能够提取出更为准确的光谱信息。相似的, 利用小波特征构建的玉米CWC反演模型的拟合效果优于VIs, 进一步证实了小波分析在光谱反射率数据分析中的优势。同时, 小波分析更容易识别出光谱差异, 增强玉米冠层光谱信息对水分的敏感性, 模型预测精度提高, 从而提升玉米CWC估测模型的预测能力与稳定性。

3.2 小波函数估测冠层含水量的敏感波段分析

连续小波变换能够对光谱反射率数据进行多函数多尺度分析, 本研究提取了不同小波函数和不同分解尺度下的小波特征, 小波函数db3、bior1.5、rbio3.3和gaus3与CWC之间的相关性差异较小, 据此我们可以推测小波特征与CWC之间的关系达到了稳定的状态。利用小波分析得出的CWC敏感波段主要集中在红边和近红外区域。研究表明, 红边和近红外波段对作物叶绿素含量是极其敏感的[35-36],而水分的敏感波段主要处于短波红外范围[37]。因此, 叶绿素信息可能干扰了CWC的估测精度。未来的研究有必要通过消除叶绿素信息对水分的干扰, 提高对CWC的估测精度。同时, 近红外波段蕴含了丰富的作物结构信息, 与作物体内物质组成和生长特性有关的敏感波段多处于近红外范围, 有研究证明了近红外区域的820 nm和960 nm可作为植株干旱时水分状况的较好指示器[38-39]。因而, 本研究在770 nm、838 nm和1635 nm处确定了对水分的敏感波段。

3.3 基于光谱参数的冠层含水量和籽粒产量估测

在玉米CWC的估测中, CWC估测模型的验证集精度与建模集精度相比有所下降, 总体的拟合精度没有达到很好的效果。原因可能是线性回归作为单变量模型, 用来建模的光谱信息量较少, 模型不够稳定。V6和VT期估测模型的2均达到了0.6以上, R2期2值处于0.3左右, 低于前2个时期, 说明不同生育时期玉米CWC对VIs和小波特征的敏感程度存在差异, R2期光谱指数反演CWC的能力有所下降, 可能是因为随着生育时期的推进, 玉米受干旱胁迫加强加快了叶片衰老, 光谱变化无法真实反映CWC的变化。

在玉米产量估测中, V6期构建的模型2值高于VT期和R2期, 这与苏涛等[40]研究得出玉米在营养生长期估产模型相关性最强, 模拟效果较好一致。同时在玉米整个生长发育过程中, V6期是需水关键期之一, 生理代谢比较旺盛, 此时期干旱胁迫会造成营养器官不同程度的损伤, 对株高、叶面积等会产生一定影响, 导致植株矮小, 叶片生长受阻, 影响后期对籽粒的正常供应[41]。因此, V6期CWC的状况可能会对后期籽粒产量形成造成一定的影响。此外, VT期的2值下降趋势较大, 这可能与产量构成因素之间不平衡有关, 穗粒数的减少是玉米VT期干旱胁迫下产量降低的主要限制因子[42], 此时期干旱胁迫会导致穗粒数下降而造成产量损失。相反, R2期产量估测的2值有所上升, 因为穗粒数的降低导致玉米籽粒库相对减少, 此时源大于库, 库充分调动源中的同化物向籽粒中运输, 使得每个籽粒都能得到较为充分的灌浆[43]。

构建准确、可靠的CWC估测模型, 是实现玉米籽粒产量的光谱监测前提。因此, 本研究基于简易性的需求下建立了CWC和籽粒产量的线性回归模型, 提出的“光谱反射率-冠层含水量-产量”建模方法更少受到环境因素的影响, 依靠CWC构建的产量预测模型可以从水分方面解释产量差异。本研究所采用的间接估测模型比直接估测模型更简单, 机理性强。目前, 涉及单变量和多变量模型的方法已广泛应用于估测农学参数和作物产量[44-46], 其中多变量回归和机器学习算法比单变量模型包含更多具有解释力的变量, 模型足够稳定, 受外界因素影响也较小[47-48]。此外, 本研究只选用了单一玉米品种, 模型的预测性能可能会因不同品种间差异有所变化。因此, 未来研究可探讨不同建模方法以及不同品种对玉米籽粒产量预测精度的影响, 同时本研究是选取晴朗天气进行的监测, 研究结果适用于晴朗天气下的产量估测, 未来还应着重考虑不同天气变化等因素的影响。

4 结论

本研究评价了VIs和小波特征在估测玉米CWC方面的性能, 间接建立了预测玉米籽粒产量的光谱反演模型。在V6、VT和R2期, 光谱反射率与CWC呈显著相关性, 且V6期相关性最高。小波分析在估算CWC方面优于VIs, 使用1～256尺度下小波分解光谱反射率得到的小波系数能够生成CWC与产量的有效预测模型, 2尺度和64尺度分解下的小波系数能够提供最优解。在本研究方法下, 利用小波特征gaus3770,64和rbio3.3838,2构建的“光谱反射率-冠层含水量-产量”定量模型, 可以在V6期精准预测玉米籽粒产量, 为玉米水分状况的监测及其在精准生产管理中的应用提供理论依据。

[1] 王延仓, 张萧誉, 金永涛, 顾晓鹤, 冯华, 王闯. 基于连续小波变换定量反演冬小麦叶片含水量研究. 麦类作物学报, 2020, 40: 503–509. Wang Y C, Zhang X Y, Jin Y T, Gu X H, Feng H, Wang C. Quantitative retrieval of water content in winter wheat leaves based on continuous wavelet transform., 2020, 40: 503–509 (in Chinese with English abstract).

[2] Ren B, Zhang J, Li X, Fan X, Dong S, Liu P, Zhao B. Effects of waterlogging on the yield and growth of summer maize under field conditions., 2014, 94: 23–31.

[3] Zhou H, Zhou G, Song X, He Q. Dynamic characteristics of canopy and vegetation water content during an entire maize growing season in relation to spectral-based indices., 2022, 14: 584.

[4] 任传友, 姜卓群, 苏小琁, 米前川, 王婧, 李玥, 高西宁. 水分胁迫/复水对谷子光合特性及产量影响. 应用气象学报, 2021, 32: 456–467. Ren C Y, Jiang Z Q, Su X X, Mi Q C, Wang J, Li Y, Gao X N. Effect of water stress/rewatering on photosynthetic characteristics and yield of cereals., 2021, 32: 456–467 (in Chinese with English abstract).

[5] 马雅丽, 郭建平, 栾青, 刘文平, 李蕊. 持续性水分胁迫对冬小麦光合特性及产量的影响. 气象, 2022, 48: 1303–1311. Ma Y L, Guo J P, Luan Q, Liu W P, Li R. Effects of persistent water stress on photosynthetic characteristics and yield of winter wheat., 2022, 48: 1303–1311 (in Chinese with English abstract).

[6] 唐源, 王小平, 鲁聪聪, 赵传燕. 基于PROSAIL模型与光谱指数的紫花苜蓿冠层含水量估算. 兰州大学学报(自然科学版), 2023, 59: 55–62. Tang Y, Wang X P, Lu C C, Zhao C Y. Estimating the canopy water content of alfalfa based on the PROSAIL model and spectral index.(Nat Sci Edn), 2023, 59: 55–62 (in Chinese with English abstract).

[7] Zhang F, Zhou G. Estimation of vegetation water content using hyperspectral vegetation indices: a comparison of crop water indicators in response to water stress treatments for summer maize., 2019, 19: 18.

[8] 江海英, 柴琳娜, 贾坤, 刘进, 杨世琪, 郑杰. 联合PROSAIL模型和植被水分指数的低矮植被含水量估算. 遥感学报, 2021, 25: 1025–1036. Jiang H Y, Chai L N, Jia K, Liu J, Yang S Q, Zheng J. Estimation of water content for short vegetation based on PROSAIL model and vegetation water indices., 2021, 25: 1025–1036 (in Chinese with English abstract).

[9] Wang Z L, Chen J X, Fan Y F, Cheng Y J, Wu X L, Zhang J W, Wang B B, Wang X C, Yong T W, Liu W G, Liu J, Du J B, Yang W Y, Yang F. Evaluating photosynthetic pigment contents of maize using UVE-PLS based on continuous wavelet transform., 2020, 169: 105160.

[10] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169: 1134–1142.

[11] Cheng T, Riaño D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis., 2014, 143: 39–53.

[12] Liu H J, Li M Z, Zhang J Y, Gao D H, Sun H, Yang L W. Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method., 2018, 11: 132–137.

[13] Liu Y, Sun Q, Feng H K, Yang F Q. Estimation of above-ground biomass of potato based on wavelet analysis., 2021, 41: 1205–1212.

[14] Liu M, Liu X, Ding W, Wu L. Monitoring stress levels on rice with heavy metal pollution from hyperspectral reflectance data using wavelet-fractal analysis., 2010, 13: 246–255.

[15] Chen J X, Li F, Wang R, Fan Y F, Ali Raza M, Liu Q L, Wang Z L, Cheng Y J, Wu X L, Yang F, Yang W Y. Estimation of nitrogen and carbon content from soybean leaf reflectance spectra using wavelet analysis under shade stress., 2019, 156: 482–489.

[16] Tao H L, Feng H K, Xu L J, Miao M K, Yang G J, Yang X D, Fan L L. Estimation of the yield and plant height of winter wheat using UAV-based hyperspectral images., 2020, 20: 1231.

[17] Yue J B, Feng H K, Yang G J, Li Z H. A comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy., 2018, 10: 66.

[18] Zhang F, Zhou G S. Estimation of canopy water content by means of hyperspectral indices based on drought stress gradient experiments of maize in the North Plain China., 2015, 7: 15203–15223.

[19] Atzberger C, Darvishzadeh R, Immitzer M, Martin S, Andrew S, Guerric I M. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy., 2015, 43: 19–31.

[20] 陶惠林, 徐良骥, 冯海宽, 杨贵军, 杨小冬, 牛亚超. 基于无人机高光谱遥感数据的冬小麦产量估算. 农业机械学报, 2020, 51(7): 146–155. Tao H L, Xu L J, Feng H K, Yang G J, Yang X D, Niu Y C. Winter wheat yield estimation based on UAV hyperspectral remote sensing data., 2020, 51(7): 146–155 (in Chinese with English abstract).

[21] 韩文霆, 彭星硕, 张立元, 牛亚晓. 基于多时相无人机遥感植被指数的夏玉米产量估算. 农业机械学报, 2020, 51(1): 148–155. Han W T, Peng X S, Zhang L Y, Niu Y X. Summer maize yield estimation based on vegetation index derived from multi- temporal UAV remote sensing., 2020, 51(1): 148–155 (in Chinese with English abstract).

[22] Jiang Y, Wei H, Hou S, Yin X, Wei S, Jiang D. Estimation of maize yield and protein content under different density and N rate conditions based on UAV multi-spectral images., 2023, 13: 421.

[23] Li Z H, Jin X L, Zhao C J, Wang J H, Xu X G, Yang G J, Li C J, Shen J X. Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing., 2015, 71: 53–62.

[24] Zhang C, Liu J G, Shang J L, Cai H J. Capability of crop water content for revealing variability of winter wheat grain yield and soil moisture under limited irrigation., 2018, 631–632: 677–687.

[25] Clevers J G P W, Kooistra L, Schaepman M E. Estimating canopy water content using hyperspectral remote sensing data., 2010, 12: 119–125.

[26] Blackburn G A, Ferwerda J G. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis., 2008, 112: 1614–1632.

[27] Nourani V, Baghanam A H, Adamowski J, Gebremichael M. Using self-organizing maps and wavelet transforms for space-time pre-processing of satellite precipitation and runoff data in neural network based rainfall-runoff modeling., 2013, 476: 228–243.

[28] Rivard B, Feng J, Gallie A, Sanchez-Azofeifa A. Continuous wavelets for the improved use of spectral libraries and hyperspectral data., 2008, 112: 2850–2862.

[29] Penuelas J, Filella I, Biel C S, Serrano L, Save R. The reflectance at the 950–970 nm region as an indicator of plant water status., 1993, 14: 1887–1905.

[30] Ceccato P, Gobron N, Flasse S, Pinty B, Tarantola S. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1: Theoretical approach., 2002, 82: 188–197.

[31] Ceccato P, Flasse S, Grégoire J M. Designing a spectral index to estimate vegetation water content from remote sensing data: part 2. Validation and applications., 2002, 82: 198–207.

[32] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie. In: Proceeding of the 8th International Symposium on Remote Sensing of the Environment, Michigan, Ann Arbor, Michigan USA,1972. pp 1355–1397.

[33] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor., 1969, 50: 663–666.

[34] Rouse J W, Haas R H, Schell J A, Deering D W. Monitoring vegetation systems in the great plains with erts., 1974, 351: 309–313.

[35] Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies., 2007, 62: 34–42.

[36] Oki K, Yasuoka Y. Estimation of chlorophyll-concentration in rich chlorophyll water area from near-infrared and red Spectral signature., 2009, 16: 315–323.

[37] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis., 2010, 115: 659–670.

[38] 林波, 杨玉静. 利用连续统去除方法遥感反演冠层水分含量的比较研究. 气象研究与应用, 2012, 33: 181–184. Lin B, Yang Y J. A comparative study of remote sensing inversion of canopy moisture content using the continuum removal method., 2012, 33: 181–184 (in Chinese with English abstract).

[39] Sims D A, Gamon J A. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features., 2003, 84: 526–537.

[40] 苏涛, 王鹏新, 刘翔舸, 杨博. 基于熵值组合预测和多时相遥感的春玉米估产. 农业机械学报, 2011, 42(1): 186–192. Su T, Wang P X, Liu X G, Yang B. Spring maize yield estimation based on combination of forecasting of entropy method and multi-temporal remotely sensed data., 2011, 42(1): 186–192 (in Chinese with English abstract).

[41] 任丽雯, 刘明春, 王兴涛, 丁文魁, 王润元. 拔节和抽雄期水分胁迫对春玉米生长和产量的影响. 中国农学通报, 2019, 35(1): 17–22. Ren L W, Liu M C, Wang X T, Ding W K, Wang R Y. Water stress at jointing and tasseling stage: effect on growth and yield of spring maize., 2019, 35(1): 17–22 (in Chinese with English abstract).

[42] 白向历, 孙世贤, 杨国航, 刘明, 张振平, 齐华. 不同生育时期水分胁迫对玉米产量及生长发育的影响. 玉米科学, 2009, 17(2): 60–63. Bai X L, Sun S X, Yang G H, Liu M, Zhang Z P, Qi H. Effect of water stress on maize yield during different growing stages., 2009, 17(2): 60–63 (in Chinese with English abstract).

[43] 李叶蓓, 陶洪斌, 王若男, 张萍, 吴春江, 雷鸣, 张巽, 王璞. 干旱对玉米穗发育及产量的影响. 中国生态农业学报, 2015, 23: 383–391. Li Y B, Tao H B, Wang R N, Zhang P, Wu C J, Lei M, Zhang X, Wang P. Effect of drought on ear development and yield of maize., 2015, 23: 383–391 (in Chinese with English abstract).

[44] 郭松, 常庆瑞, 郑智康, 蒋丹垚, 高一帆, 宋子怡, 姜时雨. 基于无人机高光谱影像的玉米叶绿素含量估测. 江苏农业学报, 2022, 38: 976–984. Guo S, Chang Q R, Zheng Z K, Jiang D Y, Gao Y F, Song Z Y, Jiang S Y. Estimation of maize chlorophyll content based on unmanned aerial vehicle (UAV) hyperspectral images., 2022, 38: 976–984 (in Chinese with English abstract).

[45] Mirzaie M, Darvishzadeh R, Shakiba A, Matkan A A, Atzberger C, Skidmore A. Comparative analysis of different uni-and multi-variate methods for estimation of vegetation water content using hyper-spectral measurements., 2014, 26: 1–11.

[46] Jiang Y, Wei H J, Hou S X, Yin X B, Wei S S, Jiang D. Estimation of maize yield and protein content under different density and N rate conditions based on UAV multi-spectral images., 2023, 13: 421.

[47] 祝榛, 李天胜, 崔静, 陈建华, 史晓艳, 姜孟豪, 王海江. 基于高光谱成像估测冬小麦不同生育时期水分状况. 新疆农业科学, 2022, 59: 521–532.Zhu Z, Li T S, Cui J, Chen J H, Shi X Y, Jiang M H, Wang H J. Study on estimation of water status of winter wheat in different growth stages based on hyperspectral imaging., 2022, 59: 521–532 (in Chinese with English abstract).

[48] Zhang Y, Yang Y Z, Zhang Q W, Duan R Q, Liu J Q, Qin Y C, Wang X Z. Toward multi-stage phenotyping of soybean with multimodal UAV sensor data: a comparison of machine learning approaches for leaf area index estimation., 2022, 15: 7.

Estimation of maize grain yield under drought stress based on continuous wavelet transform

ZOU Jia-Qi1, WANG Zhong-Lin1,2, TAN Xian-Ming1, CHEN Liao-Yuan1, YANG Wen-Yu1, and YANG Feng1,*

1College of Agronomy, Sichuan Agricultural University / Key Laboratory of Crop Ecophysiology and Farming System in Southwest, Ministry of Agriculture and Rural Affairs / Sichuan Engineering Research Center for Crop Strip Intercropping System, Chengdu 611130, Sichuan, China;2Rice Research Institute, Sichuan Agricultural University, Chengdu 611130, Sichuan, China

The use of hyperspectral remote sensing technology to monitor crop water status and grain yield is important for regulating crop growth, optimizing water management and improving yield formation. Zhenghong 505 was selected as the maize variety in this study, to analyze the quantitative relationship between canopy water content (CWC) and grain yield of maize at jointing stage (V6), tasseling stage (VT), and filling stage (R2), four drought stress treatments (well-watered, mild, intermediate and severe drought) were conducted in the experimental fields of Ya’an and Renshou in Sichuan Province from 2018 to 2019. The spectral reflectance data were processed using vegetation indices and continuous wavelet transform, and a linear regression method was used to construct a quantitative CWC inversion model to explore the effectiveness of CWC as a bridge to establish a spectral inversion model for maize grain yield estimation. The results showed that the CWC estimation models using wavelet features was better than that of vegetation indices, and the linear regression models constructed with wavelet features gaus3770,64, rbio3.31635,2and rbio3.3838,2at the V6, VT, and R2 stages had high test accuracy with the2of 0.770, 0.291, and 0.233, respectively. The linear regression models established between CWC and maize grain yield all reached highly significant levels (< 0.01), with2of 0.596, 0.366 and 0.439 at the V6, VT, and R2 stages, respectively. The yield prediction model based on the basis of spectral reflectance was the best validated with the wavelet feature gaus3770,64(2= 0.577, RMSE = 1.625 t hm–2) at V6 stage, which can be used as the best period for predicting maize grain yield. Therefore, the “spectral reflectance-canopy water content-yield” modeling method proposed in this study can achieve an accurate estimation of maize grain yield and provide a theoretical basis for future large-scale monitoring of maize productivity.

maize; grain yield; canopy water content; vegetation indices; wavelet features

10.3724/SP.J.1006.2024.33030

本研究由国家重点研发计划项目(2022YFD2300902)资助。

This study was supported by the National Key Research and Development Program of China (2022YFD2300902).

杨峰, E-mail: f.yang@sicau.edu.cn, Tel: 028-86290867

E-mail: 987732088@qq.com

2023-05-13;

2023-10-23;

2023-11-15.

URL: https://link.cnki.net/urlid/11.1809.S.20231115.1151.006

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