倒伏春性冬小麥冠層光譜特征及倒伏嚴(yán)重度預(yù)測

崔懷洋+訾妍+徐暉+朱新開

摘要：采用高光譜儀測定不同春性冬小麥品種于不同時(shí)期倒伏的群體冠層光譜反射率，分析不同倒伏條件下的小麥冠層光譜特征，建立可快速、有效監(jiān)測小麥倒伏嚴(yán)重程度的數(shù)學(xué)模型，為合理評價(jià)倒伏程度提供依據(jù)。結(jié)果表明，小麥倒伏后冠層光譜反射率增加，可見光波段550 nm附近出現(xiàn)1個(gè)波峰，670 nm附近出現(xiàn)1個(gè)波谷；近紅外波段 1 000 nm 處出現(xiàn)1個(gè)較明顯的波動(dòng)，呈現(xiàn)2個(gè)波谷，1個(gè)波峰。同一倒伏級別下，倒伏時(shí)期不同，光譜反射率曲線存在差異，可見光波段乳熟末期冠層反射率高于開花期光譜反射率，而近紅外波段恰好相反；在同一倒伏時(shí)期，倒伏級別越高，光譜反射率越大。倒伏級別與冠層光譜反射率的相關(guān)系數(shù)于760 nm處達(dá)最大（r=0.973 4**）。與NDVI、RVI、DVI相比，采用760 nm處冠層光譜反射率和DVI可有效評估春性冬小麥倒伏嚴(yán)重度。

關(guān)鍵詞：冬小麥；倒伏；光譜反射率；數(shù)學(xué)模型

中圖分類號：S512.1+10.4 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2015）07-0055-04

近幾年小麥單產(chǎn)、總產(chǎn)水平不斷提高，植株生長重心上抬，以及生育后期常發(fā)生降雨、大風(fēng)等不良天氣，使倒伏成為小麥生產(chǎn)中普遍存在的難題之一[1]。小麥倒伏后，葉片莖稈互相重疊，造成群體間通風(fēng)度降低，光合速率下降，病蟲害發(fā)生概率加大，且倒伏后機(jī)械收獲困難，增加收獲成本，經(jīng)濟(jì)效益降低[2]。生產(chǎn)中需明確提出并采取合理的抗倒措施預(yù)防小麥后期倒伏，同時(shí)也需要適時(shí)、快速、有效地監(jiān)測和評價(jià)冬小麥倒伏嚴(yán)重程度，這已成為現(xiàn)代小麥生產(chǎn)中迫切需要解決的問題之一。

高光譜遙感 （hyperspectral remote sensing）技術(shù)誕生于20世紀(jì)80年代，它是指在電磁波譜波段（可見光、近紅外、中紅外、熱紅外）范圍內(nèi)，獲取窄而連續(xù)的光譜通道，最終實(shí)現(xiàn)對地物的遙感監(jiān)測[3-4]。不同物體對光的反射、吸收特性不同，或由于性狀的改變，均呈現(xiàn)出不同的光譜曲線特征，因此可利用高光譜遙感技術(shù)實(shí)現(xiàn)對地物的識別及農(nóng)作物不同性狀指數(shù)的反演。此方面前人已有一些探索，薛利紅等構(gòu)建出可預(yù)測水稻碳氮比的最優(yōu)模型[5]；Thenkabail等指出可利用植被指數(shù)反演棉花、馬鈴薯、大豆等農(nóng)作物的農(nóng)學(xué)參數(shù)[6]；黃木易通過人工接種手段，定量分析出冬小麥條銹病在光譜曲線上的響應(yīng)規(guī)律[7]；黃文江等建立了以紅邊參數(shù)為自變量，預(yù)測葉片可溶性糖、葉綠素含量的回歸模型[8]；顧志宏通過分析植被指數(shù)與大麥籽粒蛋白質(zhì)含量的相關(guān)關(guān)系，成功建立了反演模型[9]；王紀(jì)華等研究認(rèn)為，利用高光譜數(shù)據(jù)可實(shí)現(xiàn)對小麥葉片氮含量的監(jiān)測[10]。

目前對小麥倒伏的研究多集中于倒伏原因及防止倒伏的措施上，如李科提出小麥倒伏與否主要取決于品種抗倒伏能力、種植密度等因素[11]；眾多學(xué)者從產(chǎn)量角度估測小麥倒伏的嚴(yán)重程度及經(jīng)濟(jì)損失。目前，用現(xiàn)代化信息技術(shù)大范圍進(jìn)行倒伏評估仍處于起步階段。已有研究表明：倒伏角度與冠層光譜反射率呈極顯著相關(guān)，倒伏角度與NDVI值存在極顯著的相關(guān)特性[12]；張杰采用人為倒伏方法研究小麥倒伏后冠層光譜曲線特征，分析比較了冬小麥倒伏前后的冠層光譜反射率[13]，但此方法無法體現(xiàn)生長過程中植株性狀的差異；吳尚蓉等通過灌漿前、中、后3個(gè)時(shí)期的倒伏光譜數(shù)據(jù)，最終得到評估產(chǎn)量的最優(yōu)模型[14]。利用高光譜儀測定并分析自然狀態(tài)的春性冬小麥在不同倒伏條件下冠層光譜反射率的變化特征，以期建立快速、有效監(jiān)測冬小麥倒伏嚴(yán)重程度的數(shù)學(xué)模型，為大面積倒伏的遙感監(jiān)測提供理論依據(jù)。

1 材料與方法

試驗(yàn)于2012—2014年在揚(yáng)州大學(xué)江蘇省作物遺傳生理重點(diǎn)實(shí)驗(yàn)室試驗(yàn)場進(jìn)行。

1.1 試驗(yàn)設(shè)計(jì)

于2012—2013年進(jìn)行試驗(yàn)Ⅰ，試驗(yàn)品種為揚(yáng)糯麥1號，采用2因素設(shè)計(jì)構(gòu)建不同類型群體。以施氮量（B）為主區(qū)，設(shè)180（B1）、240（B2）、300（B3） kg/hm2 3個(gè)水平；以氮肥運(yùn)籌（C）為副區(qū)，設(shè)置基肥 ∶壯蘗肥 ∶拔節(jié)肥 ∶孕穗肥為 5 ∶1 ∶2 ∶2（C1）、7 ∶1 ∶2（C2）、3 ∶1 ∶3 ∶3（C3）3個(gè)水平。基肥于播種前施用，壯蘗肥于4～5葉期施用，拔節(jié)肥于葉齡余數(shù)2.5張時(shí)施用，孕穗肥于葉齡余數(shù)0.8張時(shí)施用。N ∶P2O5 ∶K2O為1.0 ∶0.6 ∶0.6，磷鉀肥50%基施，50%于葉齡余數(shù)2.5張時(shí)追施。人工條播基本苗（A）為315萬苗/hm2，行距為30 cm，小區(qū)面積為12 m2，重復(fù)2次。小麥生育前中期群體長勢正常，2013年5月18日發(fā)生不同程度的倒伏。于2013年5月22日天氣晴朗時(shí)，進(jìn)行倒伏、不倒伏區(qū)域冠層光譜測量。此年間測定的數(shù)據(jù)作為建模樣本。

于2013—2014年進(jìn)行試驗(yàn)Ⅱ，試驗(yàn)品種為光明麥1號、揚(yáng)輻麥5號，分別于2013年10月21日、2013年10月30日播種，基本苗為300萬苗/hm2，總施氮量為225 kg/hm2，設(shè)置運(yùn)籌比例基肥 ∶壯蘗肥 ∶拔節(jié)肥 ∶孕穗肥為5 ∶1 ∶2 ∶2。基肥于播種前施用，壯蘗肥于4～5葉期施用，拔節(jié)肥于倒3葉期（葉齡余數(shù)2.5張左右）施用，孕穗肥于倒1葉期（葉齡余數(shù)1.2～0.8張）施用。五氧化二磷90 kg/hm2，氧化鉀 90 kg/hm2，均一次性基施。條播行距為30 cm，小區(qū)面積為18 m2，重復(fù)2次。小麥生育前中期群體長勢正常，2014年4月13日、2014年5月10日分別發(fā)生不同程度的倒伏。分別于2014年4月14日（開花期）、2014年5月12日（乳熟末期）天氣晴朗時(shí)，進(jìn)行倒伏、不倒伏區(qū)域冠層光譜測量。此年間測定的數(shù)據(jù)作為模型檢驗(yàn)樣本。

1.2 測定項(xiàng)目與方法

1.2.1 光譜數(shù)據(jù)的獲取 在天氣晴朗無云、風(fēng)力較小時(shí)，選擇各樣區(qū)內(nèi)具有代表性的倒伏、未倒伏小麥區(qū)域，對其冠層光譜進(jìn)行測量[15]。采用美國ASD Fieldspec FR 2500型光譜儀進(jìn)行光譜測量，該光譜儀的光譜采樣間隔為1.4 nm（波譜區(qū)間為350～2 500 nm）。測定時(shí)間為10：00—14：00，傳感器探頭垂直向下，與地面相距約1.4 m，測量前后以白板進(jìn)行校正，每次采集10組光譜值，取其平均值作為樣本點(diǎn)冠層光譜反射率。由于測量數(shù)據(jù)中1 300～2 500 nm范圍內(nèi)的數(shù)據(jù)噪聲較大，因此只處理350～1 300 nm范圍內(nèi)的光譜數(shù)據(jù)。

1.2.2 倒伏級別及倒伏角度的測定 于光譜測定對應(yīng)區(qū)域挑選出倒伏均勻的小區(qū)域，利用量角器測量每個(gè)均勻小區(qū)域的倒伏角度，并計(jì)算其平均值。參照NY/T1301—2007[16]進(jìn)行倒伏級別劃分，將小麥倒伏級別分為5級。Ⅰ級：不倒伏；Ⅱ級：倒伏角度小于或等于30°；Ⅲ級：倒伏角度為30°～45°（含45°）；Ⅳ級：倒伏角度為45°～60°（含60°）；Ⅴ級：倒伏角度大于60°。

1.3 數(shù)據(jù)分析

采用ASD ViewSpecPro軟件處理光譜數(shù)據(jù)，通過平滑、去噪等處理獲得光譜反射率。采用Excel 2003、SPSS 19.0統(tǒng)計(jì)軟件對各處理進(jìn)行繪圖、方差分析等。采用R2（決定系數(shù)）、RMSE （均方根差）等指標(biāo)綜合評價(jià)模型。

將各樣區(qū)的小麥冠層光譜按波段進(jìn)行匯總平均，并計(jì)算光譜植被指數(shù)。本研究所選的光譜植被指數(shù)有：歸一化植被指數(shù)（NDVI）=（Rnir-Rred）/（Rnir+Rred）[17]；比值植被指數(shù)（RVI）=Rnir/Rred[18]；差值植被指數(shù)（DVI）=Rnir-Rred[19]。其中，Rnir為近紅外波段的光譜反射率平均值；Rred為紅光波段的光譜反射率平均值。

2 結(jié)果與分析

2.1 冬小麥倒伏群體冠層光譜特征

2.1.1 冬小麥倒伏前后冠層光譜反射率變化 由圖1可知，不同冬小麥品種于開花期或乳熟期倒伏后，各波段冠層光譜反射率數(shù)值均有所增加，且近紅外波段反射率的增加大于可見光波段。其中，350～670 nm波段反射率相對偏低，550 nm附近存在1個(gè)較強(qiáng)的反射峰，670 nm附近具有1個(gè)波谷；760～1 300 nm 波段光譜反射率較高，1 000 nm波段出現(xiàn)1個(gè)較明顯的波動(dòng)，呈現(xiàn)2個(gè)波谷及1個(gè)波峰。2個(gè)年度及品種間的數(shù)據(jù)變化趨勢基本一致。分別比較開花期、乳熟末期倒伏前后的光譜曲線可知：開花期倒伏后的冠層光譜曲線，可見光波段的反射率差異不明顯，近紅外波段的反射率差異較大；乳熟末期倒伏前后可見光波段、近紅外波段的光譜特征差異均較為明顯。

2.1.2 不同時(shí)期倒伏冬小麥群體冠層光譜特征

由圖2可知：同一倒伏級別中，不同倒伏時(shí)期的光譜曲線略有差異。在350～680 nm波段，乳熟末期冠層反射率高于開花期光譜反射率，倒伏前后的反射率差于550 nm附近達(dá)到最大值14.1%，且倒伏級別越大差值越明顯；在740 nm附近，同一級別中不同時(shí)期的光譜曲線達(dá)到臨界值，此時(shí)2條光譜曲線重合；在760～1 100 nm波段，光譜特征表現(xiàn)為開花期冠層反射率高于乳熟末期光譜反射率。

2.1.3 不同倒伏級別冬小麥的冠層光譜特征

冬小麥倒伏后，冠層光譜反射率明顯增加，且光譜反射率數(shù)值隨倒伏級別的不同而產(chǎn)生差異（圖3）。倒伏級別越高，則可見光、近紅外波段的光譜反射率數(shù)值越大。相比之下，開花期可見光、近紅外波段的光譜反射率差異不明顯，而乳熟末期可見光、近紅外波段均大幅度增加，但近紅外波段在1 065～1 300 nm處呈一定波動(dòng)，可見光波段規(guī)律則更為穩(wěn)定。

2.2 倒伏嚴(yán)重度預(yù)測模型的構(gòu)建

2.2.1 倒伏級別與冠層光譜反射率、一階導(dǎo)數(shù)、植被指數(shù)的相關(guān)性

由圖4可知，倒伏級別與冠層光譜反射率呈極顯著相關(guān)水平，在350～690 nm波段，相關(guān)系數(shù)總體呈下降趨勢；在690～760 nm波段，相關(guān)系數(shù)直線上升，并于760 nm處達(dá)最大值0.973 4。倒伏級別與一階導(dǎo)數(shù)呈極顯著相關(guān)水平（P<0.01），且相關(guān)系數(shù)于708 nm處達(dá)最大值0.955 9。因此，可通過760 nm處的冠層光譜反射率、708 nm處的一階導(dǎo)數(shù)評估冬小麥的倒伏級別。

歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）均為應(yīng)用較廣泛的植被指數(shù)，能夠較好地反映植被覆蓋度及其生長狀態(tài)，本試驗(yàn)以這3種植被指數(shù)對所得數(shù)據(jù)進(jìn)行分析。分析結(jié)果表明，倒伏級別與NDVI、RVI間的相關(guān)性均未達(dá)顯著水平，而與DVI通過了極顯著水平檢驗(yàn)（r=0.904**）。在本試驗(yàn)條件下，采用DVI能夠較好地反映春性冬小麥的倒伏級別特征。

2.2.2 基于冠層光譜反射率、植被指數(shù)的模型構(gòu)建與評價(jià)

通過簡單線性模型、對數(shù)模型、拋物線、冪函數(shù)、指數(shù)函數(shù)這5種簡單函數(shù)構(gòu)建預(yù)測模型，分別比較R2值以獲得最優(yōu)模型，再通過R2、RMSE評價(jià)指標(biāo)對預(yù)測模型進(jìn)行評價(jià)。選取760 nm 波段冠層光譜反射率構(gòu)建的預(yù)測模型，R2、RMSE值均較為理想，倒伏角度預(yù)測模型實(shí)測值與預(yù)測值符合度較高，表明利用冠層光譜反射率估測倒伏嚴(yán)重度是可行的（表1）。

表1 基于冠層光譜反射率、植被指數(shù)的最優(yōu)模型

變量建模（n=12）模型評價(jià)（n=27）最優(yōu)模型R2R2RMSE（%）

原始光譜760 nmy=15.618x2-1.747 7x-0.384 90.954 00.950 70.366 2

一階導(dǎo)數(shù)708 nmy=23 864x2+900.62x-3.102 50.914 20.656 11.141 9

DVIy=16.725x2+16.303x-1.867 10.819 00.565 10.820 6

3 結(jié)論與討論

3.1 春性冬小麥倒伏群體高光譜遙感監(jiān)測的可行性

小麥正常生長時(shí)處于直立狀態(tài)，光譜儀測定部位主要為頂部葉片、穗，而小麥倒伏后，測定部位主要為莖鞘、葉片、穗，由于不同部位的綠度、重疊程度各異，測定部位的改變使植株對光線反射率產(chǎn)生差異[20]，造成光譜特征呈現(xiàn)一定變化。因此，采用冠層光譜數(shù)據(jù)可評價(jià)小麥倒伏性狀的相關(guān)特征。

小麥倒伏前后冠層光譜的差異與倒伏角度及程度密切相關(guān)。劉良云等研究認(rèn)為，LAI達(dá)6以上，倒伏前后冠層光譜的差異主要表現(xiàn)為倒伏角度的差異[12]。本試驗(yàn)結(jié)果表明，倒伏前后冠層光譜差異度與倒伏時(shí)間、倒伏等級均有關(guān)。同一倒伏級別中，不同倒伏時(shí)期的光譜反射率數(shù)值存在差異。在可見光波段，乳熟末期冠層反射率高于開花期光譜反射率，而近紅外波段則恰恰相反。在同一倒伏時(shí)期，倒伏級別越高則光譜反射率越大?？梢姡霉趯痈吖庾V數(shù)據(jù)監(jiān)測倒伏級別是可行的，但對于倒伏面積的監(jiān)測仍需進(jìn)一步探索。

3.2 春性冬小麥倒伏級別預(yù)測模型的波段、植被指數(shù)的選擇

對于小麥倒伏級別預(yù)測模型的波段選擇，劉良云等認(rèn)為冬性小麥倒伏角度與冠層光譜反射率呈極顯著相關(guān)水平[12]。本研究通過分析各波段倒伏級別與冠層光譜反射率、一階導(dǎo)數(shù)的相關(guān)性，建立由冠層光譜反射率預(yù)測倒伏級別的數(shù)學(xué)模型，并進(jìn)行模型評價(jià)。結(jié)果表明，在350～690 nm波段，相關(guān)系數(shù)整體呈下降趨勢；在690～760 nm波段，相關(guān)系數(shù)直線上升，并于760 nm處達(dá)最大值0.973 4。倒伏級別與一階導(dǎo)數(shù)呈極顯著相關(guān)水平（P<0.01），且相關(guān)系數(shù)于708 nm處達(dá)最大值0.955 9。因此，可通過760 nm處的冠層光譜反射率、708 nm處的一階導(dǎo)數(shù)評估冬小麥倒伏級別。與前人的研究相比，本模型精度有很大提高，這可能是由于本試驗(yàn)測定的倒伏級別較為寬泛，而倒伏級別卻能直接反映出小麥群體倒伏的嚴(yán)重程度，為實(shí)現(xiàn)大面積倒伏遙感監(jiān)測作鋪墊。

對于植被指數(shù)的選擇，劉良云等研究發(fā)現(xiàn)，在種植地塊相同、長勢均勻的條件下，冬性小麥倒伏角度與NDVI值存在極顯著的相關(guān)特性[12]，但對于RVI、DVI卻并未涉及。本試驗(yàn)表明，倒伏級別與NDVI、RVI未通過0.05顯著水平檢驗(yàn)，但與DVI達(dá)到了極顯著水平。利用2013—2014年間數(shù)據(jù)進(jìn)行驗(yàn)證發(fā)現(xiàn)，選取760 nm冠層光譜反射率構(gòu)建的預(yù)測模型較為理想，且模型較穩(wěn)定；采用DVI構(gòu)建的預(yù)測模型次之。今后的試驗(yàn)將加入環(huán)境因子，并對其他植被指數(shù)進(jìn)行分析，以期進(jìn)一步提高模型的預(yù)測精度。

參考文獻(xiàn)：

[1]張曉霞，孫秀宏，王 力. 小麥倒伏的原因及防止倒伏采取的對策[J]. 中國農(nóng)村小康科技，2008（10）：24.

[2]鄧賀明，胡亞敏，馮家春，等. 小麥倒伏對產(chǎn)量因素的影響及補(bǔ)救方法探討[J]. 安徽農(nóng)業(yè)科學(xué)，2003，31（3）：424-425.

[3]Thoms M L，Kiefer R W. Remote sensing and image interpretation[M]. 5th ed.New York：John Wiley and Sons Inc，2004.

[4]浦瑞良，宮 鵬. 高光譜遙感及其應(yīng)用[M]. 北京：高等教育出版社，2000.

[5]薛利紅，楊林章，范小暉. 基于碳氮代謝的水稻氮含量及碳氮比光譜估測[J]. 作物學(xué)報(bào)，2006，32（3）：430-435.

[6]Thenkabail P S，Smith R B，Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment，2000，71（2）：158-182.

[7]黃木易. 冬小麥條銹病害的高光譜遙感監(jiān)測[D]. 合肥：安徽農(nóng)業(yè)大學(xué)，2004.

[8]黃文江，王紀(jì)華，劉良云，等. 冬小麥紅邊參數(shù)變化規(guī)律及其營養(yǎng)診斷[J]. 遙感技術(shù)與應(yīng)用，2003，18（4）：206-211.

[9]顧志宏. 基于高光譜的大麥籽粒蛋白質(zhì)含量遙感預(yù)測[J]. 光譜學(xué)與光譜分析，2012，32（2）：435-438.

[10]王紀(jì)華，黃文江，趙春江，等. 利用光譜反射率估算葉片生化組分和籽粒品質(zhì)指標(biāo)研究[J]. 遙感學(xué)報(bào)，2003，7（4）：277-284.

[11]李 科. 小麥倒伏的原因及防止措施[J]. 現(xiàn)代農(nóng)業(yè)科技，2008（16）：238，241.

[12]劉良云，王紀(jì)華，宋曉宇，等. 小麥倒伏的光譜特征及遙感監(jiān)測[J]. 遙感學(xué)報(bào)，2005，9（3）：323-327.

[13]張 杰. 冬小麥倒伏遙感監(jiān)測研究[D]. 濟(jì)南：山東師范大學(xué)，2011.

[14]吳尚蓉，劉 佳，王利民，等. 基于圖像和光譜技術(shù)的倒伏冬小麥產(chǎn)量評估研究[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2013，34（1）：39-46.

[15]劉東升，李淑敏. 北京地區(qū)冬小麥冠層光譜數(shù)據(jù)與葉面積指數(shù)統(tǒng)計(jì)關(guān)系研究[J]. 國土資源遙感，2008（4）：32-34，42.

[16]NY/T 1301—2007 農(nóng)作物品種區(qū)域試驗(yàn)技術(shù)規(guī)程 小麥[S]. 2007.

[17]Rouse J W，Haass R H，Schell J A，et al. Monitoring vegetation systems in the Great Plains with ERTS[C]. Third Earth Resources Technology Satellite Symposium，1973：309-317.

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

[19]Richardson A J，Everitt J H. Using spectral vegetation indices to estimate rangelang productivity[J]. Geocarto International，1992，1（1）：63-69.

[20]姚付啟. 冬小麥高光譜特征及其生理生態(tài)參數(shù)估算模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2012.