倒伏春性冬小麦冠层光谱特征及倒伏严重度预测

崔怀洋+訾妍+徐晖+朱新开

摘要：采用高光谱仪测定不同春性冬小麦品种于不同时期倒伏的群体冠层光谱反射率，分析不同倒伏条件下的小麦冠层光谱特征，建立可快速、有效监测小麦倒伏严重程度的数学模型，为合理评价倒伏程度提供依据。结果表明，小麦倒伏后冠层光谱反射率增加，可见光波段550 nm附近出现1个波峰，670 nm附近出现1个波谷；近红外波段 1 000 nm 处出现1个较明显的波动，呈现2个波谷，1个波峰。同一倒伏级别下，倒伏时期不同，光谱反射率曲线存在差异，可见光波段乳熟末期冠层反射率高于开花期光谱反射率，而近红外波段恰好相反；在同一倒伏时期，倒伏级别越高，光谱反射率越大。倒伏级别与冠层光谱反射率的相关系数于760 nm处达最大（r=0.973 4**）。与NDVI、RVI、DVI相比，采用760 nm处冠层光谱反射率和DVI可有效评估春性冬小麦倒伏严重度。

关键词：冬小麦；倒伏；光谱反射率；数学模型

中图分类号：S512.1+10.4 文献标志码： A 文章编号：1002-1302（2015）07-0055-04

近几年小麦单产、总产水平不断提高，植株生长重心上抬，以及生育后期常发生降雨、大风等不良天气，使倒伏成为小麦生产中普遍存在的难题之一[1]。小麦倒伏后，叶片茎秆互相重叠，造成群体间通风度降低，光合速率下降，病虫害发生概率加大，且倒伏后机械收获困难，增加收获成本，经济效益降低[2]。生产中需明确提出并采取合理的抗倒措施预防小麦后期倒伏，同时也需要适时、快速、有效地监测和评价冬小麦倒伏严重程度，这已成为现代小麦生产中迫切需要解决的问题之一。

高光谱遥感 （hyperspectral remote sensing）技术诞生于20世纪80年代，它是指在电磁波谱波段（可见光、近红外、中红外、热红外）范围内，获取窄而连续的光谱通道，最终实现对地物的遥感监测[3-4]。不同物体对光的反射、吸收特性不同，或由于性状的改变，均呈现出不同的光谱曲线特征，因此可利用高光谱遥感技术实现对地物的识别及农作物不同性状指数的反演。此方面前人已有一些探索，薛利红等构建出可预测水稻碳氮比的最优模型[5]；Thenkabail等指出可利用植被指数反演棉花、马铃薯、大豆等农作物的农学参数[6]；黄木易通过人工接种手段，定量分析出冬小麦条锈病在光谱曲线上的响应规律[7]；黄文江等建立了以红边参数为自变量，预测叶片可溶性糖、叶绿素含量的回归模型[8]；顾志宏通过分析植被指数与大麦籽粒蛋白质含量的相关关系，成功建立了反演模型[9]；王纪华等研究认为，利用高光谱数据可实现对小麦叶片氮含量的监测[10]。

目前对小麦倒伏的研究多集中于倒伏原因及防止倒伏的措施上，如李科提出小麦倒伏与否主要取决于品种抗倒伏能力、种植密度等因素[11]；众多学者从产量角度估测小麦倒伏的严重程度及经济损失。目前，用现代化信息技术大范围进行倒伏评估仍处于起步阶段。已有研究表明：倒伏角度与冠层光谱反射率呈极显著相关，倒伏角度与NDVI值存在极显著的相关特性[12]；张杰采用人为倒伏方法研究小麦倒伏后冠层光谱曲线特征，分析比较了冬小麦倒伏前后的冠层光谱反射率[13]，但此方法无法体现生长过程中植株性状的差异；吴尚蓉等通过灌浆前、中、后3个时期的倒伏光谱数据，最终得到评估产量的最优模型[14]。利用高光谱仪测定并分析自然状态的春性冬小麦在不同倒伏条件下冠层光谱反射率的变化特征，以期建立快速、有效监测冬小麦倒伏严重程度的数学模型，为大面积倒伏的遥感监测提供理论依据。

1 材料与方法

试验于2012—2014年在扬州大学江苏省作物遗传生理重点实验室试验场进行。

1.1 试验设计

于2012—2013年进行试验Ⅰ，试验品种为扬糯麦1号，采用2因素设计构建不同类型群体。以施氮量（B）为主区，设180（B1）、240（B2）、300（B3） kg/hm2 3个水平；以氮肥运筹（C）为副区，设置基肥 ∶壮蘖肥 ∶拔节肥 ∶孕穗肥为 5 ∶1 ∶2 ∶2（C1）、7 ∶1 ∶2（C2）、3 ∶1 ∶3 ∶3（C3）3个水平。基肥于播种前施用，壮蘖肥于4～5叶期施用，拔节肥于叶龄余数2.5张时施用，孕穗肥于叶龄余数0.8张时施用。N ∶P2O5 ∶K2O为1.0 ∶0.6 ∶0.6，磷钾肥50%基施，50%于叶龄余数2.5张时追施。人工条播基本苗（A）为315万苗/hm2，行距为30 cm，小区面积为12 m2，重复2次。小麦生育前中期群体长势正常，2013年5月18日发生不同程度的倒伏。于2013年5月22日天气晴朗时，进行倒伏、不倒伏区域冠层光谱测量。此年间测定的数据作为建模样本。

于2013—2014年进行试验Ⅱ，试验品种为光明麦1号、扬辐麦5号，分别于2013年10月21日、2013年10月30日播种，基本苗为300万苗/hm2，总施氮量为225 kg/hm2，设置运筹比例基肥 ∶壮蘖肥 ∶拔节肥 ∶孕穗肥为5 ∶1 ∶2 ∶2。基肥于播种前施用，壮蘖肥于4～5叶期施用，拔节肥于倒3叶期（叶龄余数2.5张左右）施用，孕穗肥于倒1叶期（叶龄余数1.2～0.8张）施用。五氧化二磷90 kg/hm2，氧化钾 90 kg/hm2，均一次性基施。条播行距为30 cm，小区面积为18 m2，重复2次。小麦生育前中期群体长势正常，2014年4月13日、2014年5月10日分别发生不同程度的倒伏。分别于2014年4月14日（开花期）、2014年5月12日（乳熟末期）天气晴朗时，进行倒伏、不倒伏区域冠层光谱测量。此年间测定的数据作为模型检验样本。

1.2 测定项目与方法

1.2.1 光谱数据的获取 在天气晴朗无云、风力较小时，选择各样区内具有代表性的倒伏、未倒伏小麦区域，对其冠层光谱进行测量[15]。采用美国ASD Fieldspec FR 2500型光谱仪进行光谱测量，该光谱仪的光谱采样间隔为1.4 nm（波谱区间为350～2 500 nm）。测定时间为10：00—14：00，传感器探头垂直向下，与地面相距约1.4 m，测量前后以白板进行校正，每次采集10组光谱值，取其平均值作为样本点冠层光谱反射率。由于测量数据中1 300～2 500 nm范围内的数据噪声较大，因此只处理350～1 300 nm范围内的光谱数据。

1.2.2 倒伏级别及倒伏角度的测定 于光谱测定对应区域挑选出倒伏均匀的小区域，利用量角器测量每个均匀小区域的倒伏角度，并计算其平均值。参照NY/T1301—2007[16]进行倒伏级别划分，将小麦倒伏级别分为5级。Ⅰ级：不倒伏；Ⅱ级：倒伏角度小于或等于30°；Ⅲ级：倒伏角度为30°～45°（含45°）；Ⅳ级：倒伏角度为45°～60°（含60°）；Ⅴ级：倒伏角度大于60°。

1.3 数据分析

采用ASD ViewSpecPro软件处理光谱数据，通过平滑、去噪等处理获得光谱反射率。采用Excel 2003、SPSS 19.0统计软件对各处理进行绘图、方差分析等。采用R2（决定系数）、RMSE （均方根差）等指标综合评价模型。

将各样区的小麦冠层光谱按波段进行汇总平均，并计算光谱植被指数。本研究所选的光谱植被指数有：归一化植被指数（NDVI）=（Rnir-Rred）/（Rnir+Rred）[17]；比值植被指数（RVI）=Rnir/Rred[18]；差值植被指数（DVI）=Rnir-Rred[19]。其中，Rnir为近红外波段的光谱反射率平均值；Rred为红光波段的光谱反射率平均值。

2 结果与分析

2.1 冬小麦倒伏群体冠层光谱特征

2.1.1 冬小麦倒伏前后冠层光谱反射率变化 由图1可知，不同冬小麦品种于开花期或乳熟期倒伏后，各波段冠层光谱反射率数值均有所增加，且近红外波段反射率的增加大于可见光波段。其中，350～670 nm波段反射率相对偏低，550 nm附近存在1个较强的反射峰，670 nm附近具有1个波谷；760～1 300 nm 波段光谱反射率较高，1 000 nm波段出现1个较明显的波动，呈现2个波谷及1个波峰。2个年度及品种间的数据变化趋势基本一致。分别比较开花期、乳熟末期倒伏前后的光谱曲线可知：开花期倒伏后的冠层光谱曲线，可见光波段的反射率差异不明显，近红外波段的反射率差异较大；乳熟末期倒伏前后可见光波段、近红外波段的光谱特征差异均较为明显。

2.1.2 不同时期倒伏冬小麦群体冠层光谱特征

由图2可知：同一倒伏级别中，不同倒伏时期的光谱曲线略有差异。在350～680 nm波段，乳熟末期冠层反射率高于开花期光谱反射率，倒伏前后的反射率差于550 nm附近达到最大值14.1%，且倒伏级别越大差值越明显；在740 nm附近，同一级别中不同时期的光谱曲线达到临界值，此时2条光谱曲线重合；在760～1 100 nm波段，光谱特征表现为开花期冠层反射率高于乳熟末期光谱反射率。

2.1.3 不同倒伏级别冬小麦的冠层光谱特征

冬小麦倒伏后，冠层光谱反射率明显增加，且光谱反射率数值随倒伏级别的不同而产生差异（图3）。倒伏级别越高，则可见光、近红外波段的光谱反射率数值越大。相比之下，开花期可见光、近红外波段的光谱反射率差异不明显，而乳熟末期可见光、近红外波段均大幅度增加，但近红外波段在1 065～1 300 nm处呈一定波动，可见光波段规律则更为稳定。

2.2 倒伏严重度预测模型的构建

2.2.1 倒伏级别与冠层光谱反射率、一阶导数、植被指数的相关性

由图4可知，倒伏级别与冠层光谱反射率呈极显著相关水平，在350～690 nm波段，相关系数总体呈下降趋势；在690～760 nm波段，相关系数直线上升，并于760 nm处达最大值0.973 4。倒伏级别与一阶导数呈极显著相关水平（P<0.01），且相关系数于708 nm处达最大值0.955 9。因此，可通过760 nm处的冠层光谱反射率、708 nm处的一阶导数评估冬小麦的倒伏级别。

归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）均为应用较广泛的植被指数，能够较好地反映植被覆盖度及其生长状态，本试验以这3种植被指数对所得数据进行分析。分析结果表明，倒伏级别与NDVI、RVI间的相关性均未达显著水平，而与DVI通过了极显著水平检验（r=0.904**）。在本试验条件下，采用DVI能够较好地反映春性冬小麦的倒伏级别特征。

2.2.2 基于冠层光谱反射率、植被指数的模型构建与评价

通过简单线性模型、对数模型、抛物线、幂函数、指数函数这5种简单函数构建预测模型，分别比较R2值以获得最优模型，再通过R2、RMSE评价指标对预测模型进行评价。选取760 nm 波段冠层光谱反射率构建的预测模型，R2、RMSE值均较为理想，倒伏角度预测模型实测值与预测值符合度较高，表明利用冠层光谱反射率估测倒伏严重度是可行的（表1）。

表1 基于冠层光谱反射率、植被指数的最优模型

变量建模（n=12）模型评价（n=27）最优模型R2R2RMSE（%）

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

一阶导数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 结论与讨论

3.1 春性冬小麦倒伏群体高光谱遥感监测的可行性

小麦正常生长时处于直立状态，光谱仪测定部位主要为顶部叶片、穗，而小麦倒伏后，测定部位主要为茎鞘、叶片、穗，由于不同部位的绿度、重叠程度各异，测定部位的改变使植株对光线反射率产生差异[20]，造成光谱特征呈现一定变化。因此，采用冠层光谱数据可评价小麦倒伏性状的相关特征。

小麦倒伏前后冠层光谱的差异与倒伏角度及程度密切相关。刘良云等研究认为，LAI达6以上，倒伏前后冠层光谱的差异主要表现为倒伏角度的差异[12]。本试验结果表明，倒伏前后冠层光谱差异度与倒伏时间、倒伏等级均有关。同一倒伏级别中，不同倒伏时期的光谱反射率数值存在差异。在可见光波段，乳熟末期冠层反射率高于开花期光谱反射率，而近红外波段则恰恰相反。在同一倒伏时期，倒伏级别越高则光谱反射率越大。可见，利用冠层高光谱数据监测倒伏级别是可行的，但对于倒伏面积的监测仍需进一步探索。

3.2 春性冬小麦倒伏级别预测模型的波段、植被指数的选择

对于小麦倒伏级别预测模型的波段选择，刘良云等认为冬性小麦倒伏角度与冠层光谱反射率呈极显著相关水平[12]。本研究通过分析各波段倒伏级别与冠层光谱反射率、一阶导数的相关性，建立由冠层光谱反射率预测倒伏级别的数学模型，并进行模型评价。结果表明，在350～690 nm波段，相关系数整体呈下降趋势；在690～760 nm波段，相关系数直线上升，并于760 nm处达最大值0.973 4。倒伏级别与一阶导数呈极显著相关水平（P<0.01），且相关系数于708 nm处达最大值0.955 9。因此，可通过760 nm处的冠层光谱反射率、708 nm处的一阶导数评估冬小麦倒伏级别。与前人的研究相比，本模型精度有很大提高，这可能是由于本试验测定的倒伏级别较为宽泛，而倒伏级别却能直接反映出小麦群体倒伏的严重程度，为实现大面积倒伏遥感监测作铺垫。

对于植被指数的选择，刘良云等研究发现，在种植地块相同、长势均匀的条件下，冬性小麦倒伏角度与NDVI值存在极显著的相关特性[12]，但对于RVI、DVI却并未涉及。本试验表明，倒伏级别与NDVI、RVI未通过0.05显著水平检验，但与DVI达到了极显著水平。利用2013—2014年间数据进行验证发现，选取760 nm冠层光谱反射率构建的预测模型较为理想，且模型较稳定；采用DVI构建的预测模型次之。今后的试验将加入环境因子，并对其他植被指数进行分析，以期进一步提高模型的预测精度。

参考文献：

[1]张晓霞，孙秀宏，王 力. 小麦倒伏的原因及防止倒伏采取的对策[J]. 中国农村小康科技，2008（10）：24.

[2]邓贺明，胡亚敏，冯家春，等. 小麦倒伏对产量因素的影响及补救方法探讨[J]. 安徽农业科学，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，宫 鹏. 高光谱遥感及其应用[M]. 北京：高等教育出版社，2000.

[5]薛利红，杨林章，范小晖. 基于碳氮代谢的水稻氮含量及碳氮比光谱估测[J]. 作物学报，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]黄木易. 冬小麦条锈病害的高光谱遥感监测[D]. 合肥：安徽农业大学，2004.

[8]黄文江，王纪华，刘良云，等. 冬小麦红边参数变化规律及其营养诊断[J]. 遥感技术与应用，2003，18（4）：206-211.

[9]顾志宏. 基于高光谱的大麦籽粒蛋白质含量遥感预测[J]. 光谱学与光谱分析，2012，32（2）：435-438.

[10]王纪华，黄文江，赵春江，等. 利用光谱反射率估算叶片生化组分和籽粒品质指标研究[J]. 遥感学报，2003，7（4）：277-284.

[11]李 科. 小麦倒伏的原因及防止措施[J]. 现代农业科技，2008（16）：238，241.

[12]刘良云，王纪华，宋晓宇，等. 小麦倒伏的光谱特征及遥感监测[J]. 遥感学报，2005，9（3）：323-327.

[13]张 杰. 冬小麦倒伏遥感监测研究[D]. 济南：山东师范大学，2011.

[14]吴尚蓉，刘 佳，王利民，等. 基于图像和光谱技术的倒伏冬小麦产量评估研究[J]. 中国农业资源与区划，2013，34（1）：39-46.

[15]刘东升，李淑敏. 北京地区冬小麦冠层光谱数据与叶面积指数统计关系研究[J]. 国土资源遥感，2008（4）：32-34，42.

[16]NY/T 1301—2007 农作物品种区域试验技术规程 小麦[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]姚付启. 冬小麦高光谱特征及其生理生态参数估算模型研究[D]. 杨凌：西北农林科技大学，2012.