基于高光譜植被指數(shù)的冬小麥產(chǎn)量監(jiān)測

張 松，馮美臣，楊武德，王 超，孫 慧，賈學(xué)勤，武改紅

（山西農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，山西太谷 030801）

冬小麥?zhǔn)俏覈饕募Z食作物之一，快速、準(zhǔn)確地監(jiān)測冬小麥產(chǎn)量能夠為國家糧食安全提供一定的技術(shù)保障[1]。傳統(tǒng)的測產(chǎn)方式耗時費(fèi)力，而高光譜遙感技術(shù)為快速、準(zhǔn)確地監(jiān)測作物產(chǎn)量提供了有效的技術(shù)途徑[2]。曹偉等[3]利用Green Seeker獲取的植被指數(shù)NDVI和RVI建立了冬小麥產(chǎn)量的預(yù)測模型。王爽等[4]研究發(fā)現(xiàn)，利用冬小麥灌漿期的歸一化植被指數(shù)及產(chǎn)量構(gòu)成因素進(jìn)行產(chǎn)量預(yù)測的結(jié)果最好。TENNAKOON等[5]利用遙感數(shù)據(jù)中多個波段的反射率，建立了水稻估產(chǎn)模型。QUARMAY等[6]利用累積NDVI分別監(jiān)測了冬小麥、玉米和水稻等作物的產(chǎn)量。王長耀等[7]利用植被指數(shù)NDVI和EVI對美國的冬小麥產(chǎn)量進(jìn)行了預(yù)測。

利用高光譜遙感估產(chǎn)主要有3種方法：經(jīng)驗?zāi)Ｐ头?、機(jī)理模型法和半機(jī)理模型法。其中，經(jīng)驗?zāi)Ｐ椭饕沁x取能夠表現(xiàn)冬小麥長勢的高光譜特征參數(shù)，建立與冬小麥產(chǎn)量的回歸模型，計算簡單，模型明了；機(jī)理模型法和半機(jī)理模型法主要以DSSAT，APSIM，SWAP，WOFOST等[8-11]作物生長模型為基礎(chǔ)，結(jié)合遙感技術(shù)對模型進(jìn)行優(yōu)化，該方法適用范圍較廣，但使用時需要校正相關(guān)參數(shù)，在極端條件下一些參數(shù)的校正會比較困難。

統(tǒng)計模型由于其操作簡單，廣泛應(yīng)用于預(yù)測冬小麥產(chǎn)量上，但主要是建立單一的植被指數(shù)與冬小麥籽粒產(chǎn)量的回歸方程，或是基于全生育時期的冬小麥籽粒產(chǎn)量模型。而基于多植被指數(shù)或是不同生育時期的冬小麥估產(chǎn)研究較少。

本研究針對不同栽培條件下的冬小麥，采集不同生育時期的冠層光譜數(shù)據(jù)，建立適合的冬小麥產(chǎn)量監(jiān)測模型，對比不同生育時期的模型精度，以期為冬小麥產(chǎn)量監(jiān)測提供一定的理論依據(jù)。

1 材料和方法

1.1 試驗地概況

試驗于山西省太谷縣山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)部華北黃土高原地區(qū)作物栽培與耕地保育科學(xué)觀測實驗站（E112°34′16.96″，N37°25′19.81″）和巨鑫生態(tài)園區(qū)（E112°29′31.96″，N37°23′40.44″）進(jìn)行。

1.2 試驗材料

本研究共選擇7個冬小麥品種，分別為：長4738、京冬 12、晉太 9923、魯麥 14、濟(jì)麥 22、京冬 17和6902。供試氮肥為尿素，磷肥為過磷酸鈣，鉀肥為硫酸鉀。

1.3 試驗設(shè)計

冬小麥不同肥料試驗設(shè)計如表1所示。

表1 冬小麥不同肥料試驗設(shè)計

1.4 冬小麥產(chǎn)量測定

冬小麥成熟后，每個小區(qū)取1 m2的冬小麥進(jìn)行產(chǎn)量測定。收獲后的冬小麥脫粒、風(fēng)干后，稱其籽粒質(zhì)量。

1.5 冬小麥冠層光譜測定

本研究采用美國ASD公司的FieldSpec 3光譜儀進(jìn)行冬小麥冠層光譜測定，在冬小麥拔節(jié)期、孕穗期、抽穗期、灌漿期、成熟期5個時期進(jìn)行冠層光譜的定點(diǎn)采集。每個小區(qū)采集15條光譜數(shù)據(jù)，剔除異常值后，取平均值作為該小區(qū)的光譜數(shù)據(jù)。

1.6 植被指數(shù)的選擇

在前人研究的基礎(chǔ)上，選擇與冬小麥產(chǎn)量相關(guān)性較大的植被指數(shù)，通過相關(guān)性分析，選取多個植被指數(shù)建立冬小麥產(chǎn)量的預(yù)測模型。本研究主要采用的植被指數(shù)及其來源列于表2。

表2 植被指數(shù)計算公式及來源

1.7 數(shù)據(jù)分析

利用Excel計算各個生育時期的植被指數(shù)及相關(guān)性分析，采用SPSS 22對各生育時期的植被指數(shù)與冬小麥產(chǎn)量進(jìn)行回歸分析，并建立多元線性方程。利用校正均方根誤差（RMSEC）、驗證均方根誤差（RMSEV）和決定系數(shù)（RC2和 RV2）來評價模型。

2 結(jié)果與分析

2.1 冬小麥籽粒產(chǎn)量數(shù)據(jù)分析

將132個樣本按照2∶1分為校正集和驗證集，其中，校正集樣本數(shù)為88個，驗證集樣本數(shù)為44個。冬小麥籽粒產(chǎn)量的描述性統(tǒng)計分析結(jié)果列于表3。

由表3可知，本研究中冬小麥樣本的產(chǎn)量最高為 10 227.00 kg/hm2，最低為 1 063.43 kg/hm2，變異系數(shù)為42.68%。表明該樣本集具有一定的代表性。

表3 冬小麥籽粒產(chǎn)量的描述性統(tǒng)計分析

2.2 冬小麥籽粒產(chǎn)量和植被指數(shù)的相關(guān)性分析

由表4可知，在拔節(jié)期、孕穗期、抽穗期和灌漿期，本研究所選的所有植被指數(shù)與冬小麥籽粒產(chǎn)量均呈極顯著相關(guān)（P＜0.01），其中，SIPI與冬小麥籽粒產(chǎn)量呈極顯著負(fù)相關(guān)（P＜0.01）；在成熟期，mNDVI與冬小麥籽粒產(chǎn)量沒有顯著相關(guān)（P＞0.05），NDCI，NDI，TVIBL，MCARI1，GREEN-NDVI，REP，mSRI和PPR與冬小麥籽粒產(chǎn)量呈極顯著相關(guān)（P＜0.01），其中，REP與冬小麥籽粒產(chǎn)量呈極顯著負(fù)相關(guān)（P＜0.01），NDVI705和SIPI與冬小麥籽粒產(chǎn)量呈顯著正相關(guān)（P＜0.05）。

表4 不同生育時期植被指數(shù)與籽粒產(chǎn)量的相關(guān)性分析（n＝132）

2.3 冬小麥產(chǎn)量的光譜監(jiān)測

建立11個植被指數(shù)與產(chǎn)量的多元線性回歸模型，不同時期的植被指數(shù)建立冬小麥籽粒產(chǎn)量監(jiān)測模型的表現(xiàn)列于表5。

表5 冬小麥產(chǎn)量監(jiān)測模型的評價

由表5可知，不同生育時期植被指數(shù)所建立的冬小麥籽粒產(chǎn)量預(yù)測模型效果差異較為明顯，其中，孕穗期和抽穗期的模型效果相對較優(yōu)，校正集RC2分別為0.78和0.77，RMSEC分別為1 131.42和1 015.59，驗證集 RV2分別為 0.76 和 0.79，RMSEV分別為1 062.57和1 104.64。拔節(jié)期建立的預(yù)測模型次之，灌漿期和成熟期植被指數(shù)建立的預(yù)測模型R2較差，RMSEC和RMSEV均低于拔節(jié)期、孕穗期和抽穗期。但從作物生產(chǎn)角度考慮，應(yīng)選擇拔節(jié)期監(jiān)測冬小麥產(chǎn)量。拔節(jié)期監(jiān)測冬小麥產(chǎn)量能夠為冬小麥整個生育期提供快速、準(zhǔn)確的田間管理決策。

3 討論與結(jié)論

3.1 討論

糧食產(chǎn)量的監(jiān)測對于保障國家糧食安全至關(guān)重要，冬小麥作為我國主要糧食作物之一，提高冬小麥產(chǎn)量監(jiān)測的精度具有重要意義。本研究采集不同肥料處理下、不同生育時期的植被指數(shù)，通過多元線性方程建立植被指數(shù)與冬小麥籽粒產(chǎn)量的預(yù)測模型，結(jié)果表明，利用拔節(jié)期植被指數(shù)能夠更好的監(jiān)測冬小麥籽粒產(chǎn)量。

從作物生產(chǎn)角度考慮，植被指數(shù)在一定程度上能夠反映植株的生長狀況，拔節(jié)期監(jiān)測的冬小麥產(chǎn)量能夠反映出冬小麥植株氮素營養(yǎng)狀況，從而制定相應(yīng)的水肥施用計劃，改善冬小麥長勢狀況，達(dá)到增產(chǎn)增收的目的。

從生育時期考慮，在拔節(jié)期由于冬小麥還未封壟，植被覆蓋度較低，土壤背景很大程度上影響了冠層光譜，從而影響植被指數(shù)的準(zhǔn)確性[20]。孕穗期和抽穗期的冬小麥已經(jīng)封壟，冠層光譜信息幾乎全部來自于植株冠層，植被指數(shù)能夠較好地反映出冬小麥長勢。冬小麥在灌漿期由于部分葉片開始發(fā)黃，或是病蟲害的影響，植被指數(shù)不能較好反映植株的長勢情況[21]。成熟期的冬小麥葉片完全變黃萎蔫，裸露的土壤對高光譜采集有一定的影響。

多植被指數(shù)預(yù)測冬小麥籽粒產(chǎn)量比單一的植被指數(shù)預(yù)測效果要好，是由于多植被指數(shù)能夠?qū)崿F(xiàn)對冬小麥長勢信息的互補(bǔ)[2]，多植被指數(shù)的選擇也是影響冬小麥估產(chǎn)精度的重要原因之一，主要選擇與冬小麥籽粒產(chǎn)量相關(guān)性較大的植被指數(shù)，后續(xù)研究中應(yīng)對多植被指數(shù)種類及個數(shù)的選擇做進(jìn)一步的研究。

3.2 結(jié)論

本研究比較了不同生育時期的植被指數(shù)監(jiān)測冬小麥籽粒產(chǎn)量，結(jié)果表明，不同時期的多植被指數(shù)均能監(jiān)測冬小麥籽粒產(chǎn)量，從生育時期考慮，孕穗期和抽穗期植被指數(shù)的監(jiān)測效果較優(yōu)，拔節(jié)期的監(jiān)測效果次之，灌漿期和成熟期的監(jiān)測效果較差；從作物生產(chǎn)角度考慮，拔節(jié)期植被指數(shù)能夠更好地監(jiān)測冬小麥籽粒產(chǎn)量。

參考文獻(xiàn)：

［1］董飛，黨建友，王姣愛，等.播種方式對冬小麥產(chǎn)量構(gòu)成、品質(zhì)及水分利用率的影響[J].山西農(nóng)業(yè)科學(xué)，2017，45（6）：944-948.

［2］王愷寧，王修信.多植被指數(shù)組合的冬小麥遙感估產(chǎn)方法研究[J].干旱區(qū)資源與環(huán)境，2017，31（7）：44-49.

［3］曹偉，張娜.基于Green Seeker對小麥植被指數(shù)與產(chǎn)量形成模型的研究[J].華北農(nóng)學(xué)報，2015，30（Z）：383-389.

［4］王爽，黃沖，孫振宇，等.基于高光譜遙感監(jiān)測條銹病下的混種小麥產(chǎn)量分析[J].農(nóng)業(yè)工程學(xué)報，2010，26（7）：199-204.

［5］ TENNAKOON S B，MURTY V VN，EIUMNOH A.Estimation of cropped area and grain yield of rice using remote sensing data[J].International Journal ofRemote Sensing，1992，13（3）：427-439．

［6］QUARMAY N A，MILNES M，HINDLE T L，et al.The use of multi-temporal NDVI measurement from AVHRR data for crop yield estimation and prediction[J].International Journal of Remote Sensing，1993，14（2）：199-210.

［7］王長耀，林文鵬.基于MODISEVI的冬小麥產(chǎn)量遙感預(yù)測研究[J].農(nóng)業(yè)工程學(xué)報，2005，21（10）：90-94.

［8］黃健熙，馬鴻元，田麗燕，等.基于時間序列LAI和ET同化的冬小麥遙感估產(chǎn)方法比較 [J].農(nóng)業(yè)工程學(xué)報，2015，31（4）：197-203.

［9］黃健熙，李昕璐，劉帝佑，等.順序同化不同時空分辨率LAI的冬小麥估產(chǎn)對比研究[J].農(nóng)業(yè)機(jī)械學(xué)報，2015，46（1）：240-248.

［10］ PADILLA F L M，MAAS S J，GONZALEZ-DUGO M P，et al．Monitoringregional wheat yield in Southern Spain usingthe GRAMI model and satellite imagery [J].Field Crops Research，2012，130（3）：145-154.

［11］HUANG JIANXI，SEDANO FERNANDO，HUANG YANBO，et al.Assimilatinga synthetic Kalman filter leafarea indexseries intothe WOFOST model to improve regional winter wheat yield estimation[J].Agricultural and Forest Meteorology，2016，216（1）：188-202.

［12］SIMDA，GAMONJ A.Relationships between leafpigment content and spectral reflectance across a wide range of species leaf structures and developmental stages[J].Remote SensingofEnvironment，2002，81（2/3）：331-354.

［13］ MISHRA S，MISHRA D R.Normalized difference chlorophyll index：A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J].Remote SensingofEnvironment，2012，117：394-406.

［14］BROGE N H，LEBLANC E.Comparing prediction power and stabilityofbroadband and hyperspectral vegetation indices for estimation ofgreen leafarea indexand canopychlorophyll density[J].Remote SensingofEnvironment，2001，76（2）：156-172.

［15］ HABOUDANE D，MILLER J R，TREMBLAY N，et al.Integrated narrow-band vegetation indices for prediction of cropchlorophyll content for application toprecision agriculture[J].Remote Sensing ofEnvironment，2002，81（2/3）：416-426.

［16］GITELSON A A，MERZLYAK MN.Signature analysis of leaf reflectance spectra：Algorithm development for remote sensing of chlorophyll[J].Journal of Plant Physiology，1996，148（3/4）：494-500.

［17］MISTELE B，SCHMIDHALTER U.Estimating the nitrogen nutrition index using spectral canopy reflectance measurements[J].European Journal ofAgronomy，2008，29（4）：184-190.

［18］ PENUELAS J，BARET F，F(xiàn)ILELLA I.Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J].Photosynthetica，1995，31：221-230.

［19］METTERNICHT G.Vegetation indices derived from high-resolution airborne videography for precision crop management[J].International Journal ofRemote Sensing，2003，24（14）：2855-2877.

［20］陳曉娜，趙庚星，周雪，等.基于高光譜的小麥冠層葉綠素（SPAD值）估測模型[J].天津農(nóng)業(yè)科學(xué)，2018，24（2）：60-65，79.

［21］李冰，黎世民，周磊，等.基于多生育期MODIS-NDVI的區(qū)域冬小麥遙感估產(chǎn)研究 [J].河南農(nóng)業(yè)科學(xué)，2017，46（6）：150-155.