基于高光谱遥感的冬小麦叶水势估算模型

陈智芳，宋妮，王景雷，孙景生



基于高光谱遥感的冬小麦叶水势估算模型

陈智芳，宋妮，王景雷，孙景生

（中国农业科学院农田灌溉研究所/农业部作物需水与调控重点实验室，河南新乡 453002）

【目的】采用高光谱技术，建立快速、无损与准确获取冬小麦叶水势的估算模型，为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验，于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息，并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法，基于不同水分处理，构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦，其冠层光谱反射率具有显著的变化特征。在可见光波段，冬小麦冠层反射率随着水分含量的增加而逐渐降低，而在近红外波段，其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进，在近红外波段，抽穗期的冠层反射率比拔节期的高，在灌浆期之后，红波段（670 nm）、蓝波段（450 nm）的反射率上升加快；4种植被指数与叶水势显著相关（＜0.05），相关系数||均在0.711以上，四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下（70% FC），植被指数OSAVI和EVI2与叶水势的相关系数||（分别为0.75和0.771）均低于植被指数NDVI和RVI与叶水势的相关系数||（分别为0.808和0.896），而在重度水分亏缺条件下（50% FC），植被指数OSAVI和EVI2与叶水势的相关系数||（分别为0.857和0.853）均高于植被指数NDVI和RVI与叶水势的相关系数||（分别为0.711和0.792）；所建模型对45个未知样的预测结果与实测值相似度较高，其回归模型2、验证模型、的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70% FC水分处理下，基于EVI2（enhanced vegetation index）所得叶水势估算模型的2最高，为0.922,而在60% FC和50% FC水分处理下，由于考虑了土壤背景的影响，基于OSAVI所建模型的2最高，分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是，在构建不同水分处理的叶水势估算模型时，应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据，为星载数据的参数反演提供模型支持。

高光谱遥感；冬小麦；植被指数；叶水势；估算

0 引言

【研究意义】水势是指示植物水分状况的一个重要生理指标，其变化规律是对植物外界环境条件变化的综合反映，它直接体现植物在生长季节各种生理活动受环境条件的制约程度，并能够提供作物生长过程中对干旱最直接的反应[1-2]。由于叶水势的变化除了受水文条件、作物布局、作物特点、生长状况、耕作制度等因素的影响外，还随着气象条件的变化而变化。同时，监测过程费时、费力，目前仅限于小范围的点上观测。因此，寻求一种快速监测作物叶片水势的方法，对于提高水分利用效率，优化灌溉方案显得十分必要。【前人研究进展】高光谱遥感技术是精准农业生产体系的重要组成部分，凭借其波段连续性强，光谱分辨率高的优势，为快速检测作物生态生理参数的实时无损监测提供了可能。目前，利用高光谱遥感技术，国内外学者主要针对叶绿素[3-5]、氮含量[6-12]、磷含量[13-15]、覆盖度[16-17]、叶面积指数[18-20]、光合有效辐射[21-22]、生物量[23-24]等参数进行了研究，而对于叶片水势估算方面的研究较少。国内外学者，利用高光谱信息已经建立了水稻、甘蔗、葡萄的叶水势估算模型。其中，利用比值指数与归一化指数的比值，田永超等[25]实现了水稻叶水势的估算和植株水分状况的实时、快速监测，并定量确定了水稻的水分状况。利用冠层光谱反射率，陈海波等[26-27]基于RVI/NDVI、VI1和NDVI1植被指数建立了甘蔗叶水势估算模型，并对模型的预测效果进行检验。文中虽然设置了水分处理，但是没有建立不同水分处理下的叶水势估算模型。综合考虑温度的影响，Vila 等[28]利用高光谱遥感技术对葡萄叶水势进行了估算，通过反射率计算得到NDVI和WI，建立了叶水势的多元回归模型。Rodríguez-Pérez等[29]利用光谱反射率，计算得到四种植被指数MDB970、BA1600、RGI（R695/R554）和SIPI（structure intensive pigment index），建立了叶水势的线性回归模型，决定系数2在0.477—0.619之间。除了利用高光谱信息进行叶水势的反演外，为了获取大面积的植株叶水势状况，张杰等[30]利用中分辨率成像光谱仪MODIS数据，采用能量平衡原理，估算出了蒸腾速率，并结合大气水势和叶、气阻抗的估算，建立了叶水势的遥感估算模型。但是，估算模型所需参数较多，并且模型中的参数也是通过估算得到，反演过程中的累计误差，可能会影响叶片水势的估算精度。【本研究切入点】上述研究表明，利用光谱测量技术和植株的光谱特征进行叶片水势的无损估测是可行的。但前人提出的估算叶片水势的适宜特征光谱及参数，因作物及试验条件的不同而有所差异，同时，这些敏感指数的可靠性及其在冬小麦作物上的适应性还需要进一步测试和验证。此外，已有研究虽然已建立了区域尺度上的小麦叶水势估算模型，但是采用高光谱信息进行小麦叶水势的估算，并充分考虑水分的影响还需进一步研究。【拟解决的关键问题】本研究以不同水分处理下的小麦大田试验为基础，综合分析小麦叶片高光谱参数与叶片水势之间的定量关系，以期构建具有一定普适性的小麦叶片水势估算模型，为小麦精准灌溉管理提供技术依据和星载数据的参数反演提供模型支持，并为小麦水分胁迫探测提供新途径，以便为及时、准确地采取田间管理措施提供技术支撑。

1 材料与方法

1.1 研究区域概况

试验于2015—2016年在中国农业科学院农田灌溉研究所七里营试验基地进行（35°18′N，113°54′E）。该区域地势平坦，海拔73.2 m，年均气温为14.1℃，年均降雨量582 mm，年均蒸发量2 000 mm，日照时数2 398.8 h，无霜期210 d。试验基地土壤类型为壤土类，0—1 m土层平均土壤容重1.51 g·cm-3，田间持水量20.5%（质量含水量），地下水埋深大于5 m。该区域光热资源丰富，耕作制度以一年两熟为主。

供试作物为冬小麦，品种为“百农207”，于2015年10月22日播种，2016年6月6日收获。采用机械播种，基本苗为225万株/hm2，行距为20 cm，前茬作物为夏玉米。播前玉米秸秆还田，深耕25—30 cm，施磷酸二胺（纯N量为135 kg∙hm-2，纯P2O5量为345 kg∙hm-2）作为底肥，施用量为750 kg∙hm-2。拔节期后追施尿素（纯N量为139.2 kg∙hm-2），施用量为300 kg∙hm-2。于拔节期后开始进行控水处理，直至冬小麦收获。灌水水平以占田间持水量百分比控制，当EM50土壤水分监测数据达到下限时（分别为70% FC、60% FC 和 50% FC），则开始灌水，灌溉方式采用地面畦灌，灌水量用水表计量。试验小区面积为54 m2（15 m×3.6 m），保护行宽度为3.6 m，每个处理重复3次。

1.2 测定项目与方法

1.2.1 土壤含水量的测定 土壤含水量采用EM50（Decagon公司，美国）土壤水分传感器进行实时、连续采集。每一个生育期，采用取土烘干法测定 0—100 cm土层的土壤含水量，每20 cm为一层，利用取土数据对采集的传感器数据进行校正。

1.2.2 冠层高光谱测定 以Field Spec Handheld地物光谱仪（ASD公司产品，光谱范围350 nm—1 075 nm；分辨率3.5 nm，采样间隔 1.6 nm，视场角为25°）采集拔节后至乳熟期小麦的冠层光谱。光谱采集时间安排在10：00—12：00，选择晴朗无云，风力小于3级的天气进行；工作人员着深色服装，面向太阳立于目标区后方；传感器采用25°视场角探头，置于冠层上方1.0 m处，与冠层面保持垂直；每一处理重复测量15次，每隔0.5 h 用参考板对仪器进行一次校正。光谱采集完毕后均采用小波阈值去噪法消噪。共采集样本195 份，随机选取150 份用于建立模型（训练集），剩下的45 份用于检验模型（预测集）。

1.2.3 叶水势的测定 采用植物水势仪（Model 600，美国）测定叶片水势，在小麦抽穗前测倒二叶，抽穗后测倒一叶，测定时间为早上6：00—7：00，每个处理测定15 片。

1.3 植被指数及拟合模型的选择

本文选取以下4种植被指数，以叶片水势为因变量，植被指数为自变量，建立冬小麦叶片水势高光谱遥感估算模型。不同植被指数计算公式及来源见表1。

表1 高光谱植被指数计算公式

R810、R800、R680、R670、R660分别为 810、800、680、670、660 nm 波段的光谱反射率

R810、R800、R680、R670、R660 is spectral reflectance of 810, 800, 680, 670, 660 nm, respectively

1.4 数据处理与分析

将试验所得数据，依据不同水分处理，利用Excel 2010将叶片水势和冠层光谱反射率数据分别汇总。用ViewSpec软件对冠层光谱反射率进行预处理，在325—1 075 nm波段范围内，构建由任意两个波段的原始光谱组合而成的光谱指数，用DPS软件分析它们与叶片水势的关系，建立监测模型。采用相关系数、确定性系数2、平均相对误差（）和均方根误差（），对估算模型和验证模型的效果进行统计检验。

（2）

式中，x为叶水势模拟值；y为叶水势实测值；为样本序数，=1,2,…,；、分别为叶水势模拟值和实测值的均值；为样本数。

2 结果

2.1 不同水分处理下冬小麦叶水势的变化特征

不同水分处理下，2016年4月26日和2016年5月11日冬小麦叶片水势的日变化如图1所示。由图1可知，不同水分处理下，2016年4月26日叶水势的日变化趋势相似，早晨和傍晚较大，中午前后较小，基本呈抛物线型，9：00左右叶水势最高，随着太阳辐射的增强和气温的升高，空气相对湿度逐渐下降，叶水势下降，于13：00左右降到最低，此后随着太阳辐射的减弱和气温的降低，大气蒸发减小，叶水势逐渐回升。2016年5月11日的叶水势，在9：00—10：00左右降到最低。

图1 冬小麦不同水分处理下叶水势日变化曲线

2.2 不同水分处理下的冬小麦冠层光谱反射率

不同水分处理显著影响冬小麦植株的生长，虽然其光谱特征的总体趋势一致，但其冠层反射率存在差异。由图2可知，随着水分含量的增加，在可见光波段（400—700 nm），冬小麦冠层反射率逐渐降低；在近红外波段（750—950 nm），冬小麦冠层反射率则随着土壤水分含量的增加而升高。在冬小麦的不同生育期，其冠层光谱反射率也不尽相同。从拔节期到抽穗期，随着生物量的增多，冠层结构差异性的增大，在近红外波段，抽穗期的冠层反射率比拔节期的反射率高。在灌浆期之后，叶片已经不能进行较强的光合作用，下部叶片不断衰老、死亡，LAI持续下降，绿色叶片内的营养物质向穗部转移，叶绿素分解，叶片转黄，而且继续向穗部提供养分，冠层叶绿素迅速减少，红波段（670 nm）、蓝波段（450 nm）的反射率上升加快。此时，小麦在绿色波段（550 nm）的反射率仍然比在红光和蓝光波段的反射率大，在可见光区域仍有一个小的反射峰，随小麦生育进程的推进，红光与蓝光波段的反射率逐渐增加，在550 nm 的绿色反射峰逐渐变得不明显。

2.3 冬小麦光谱指数与叶水势的相关性

依据表1中的公式计算植被指数，并将试验数据按照不同水分处理，分析拔节期至乳熟期植被指数与叶水势的相关性（=195），如表2所示，4种植被指数与叶水势的相关性均达到了显著相关水平（＜0.05），||在0.711—0.857范围内，按照统计学规定，相关系数在0.5≤||＜0.8范围，植被指数与叶水势达到中度相关，相关系数||≥0.8，植被指数与叶水势达到高度相关。表明4种植被指数均能用来估算冬小麦叶水势，可作为构建冬小麦叶水势估算模型的参数。

图2 冬小麦不同生育期及不同水分处理下的冠层光谱反射率

表2 植被指数与叶水势的相关性

**和*分别表示在0.01和0.05水平上显著

**and*indicate significant at 0.01 and 0.05 levels

2.4 叶水势估算模型的拟合与验证

利用OSAVI、EVI2、NDVI和RVI四种植被指数构建的叶水势估算模型可知（表3），基于4种植被指数建立的叶水势估算模型，70% FC的2在0.819—0.922范围内，60% FC的2在0.890—0.922范围内，50%FC的2在0.616—0.856范围内。验证模型的范围为-17.50%—-12.52%，的范围为0.102—0.214。基于4种植被指数构建的叶水势估算模型，其2大部分都在0.8以上，只有在50% FC水分处理下，利用EVI2、NDVI和RVI建立的估算模型，其2低于0.8，分别为0.765、0.616和0.724。在70% FC水分处理下，基于EVI2所得叶水势估算模型的2最高，为0.922，而在60% FC和50% FC水分处理下，2最高的都是基于OSAVI所建模型，分别为0.922和0.856。

3 讨论

利用植被指数估算冬小麦叶水势，是定量遥感和小麦精准灌溉管理的重要研究方向。本文对黄淮海地区冬小麦实地测量，对比分析了多种植被指数估算叶水势的效果。由于叶水势参数估算受土壤水分、植被类型、冠层结构及土壤下垫面等多因素的影响，国内外研究结果有一定的差异。

2016年5月11日的叶水势在9：00—10：00左右降到最低，其原因可能是不同季节的日照时间和昼夜温差等气象因子，使得不同时期叶水势日变化曲线的坡度峰值出现时间略有不同[35-36]。

表3 冬小麦叶水势估算模型的拟合与验证

不同水分处理影响冬小麦植株的生长，进而影响其冠层反射率。随着水分含量的增加，在可见光波段（400—700 nm），冬小麦冠层反射率逐渐降低，而在近红外波段（750—950 nm），则随着土壤水分含量的增加而升高。其主要原因是，干旱胁迫导致叶面积减少，叶绿素遭到破坏，细胞代谢失调，细胞膜系统受到损伤，使其膜透性增高。同时，土壤水分供应不足时，植物不同器官或不同组织间的水分，按各部分水势大小重新分配，幼叶从老叶中夺取水分，促使老叶的枯萎死亡[37]，光合面积下降，造成植株早衰和叶片冠层结构发生变化，进而引起冠层反射率发生变化[38]。在冬小麦的不同生育期，其冠层光谱反射率也不尽相同。从拔节期到抽穗期，随着生物量的增多，在近红外波段，抽穗期的冠层反射率比拔节期的反射率高，而在灌浆期之后，叶片逐渐衰老、死亡，冠层叶绿素减少，红波段（670 nm）、蓝波段（450 nm）的反射率上升加快，这与谷艳芳[39]、Smith等[40]、姚付启[41]的研究结果一致。

不同水分处理下，植被指数OSAVI和EVI2与叶水势呈现显著正相关，相关系数的范围为0.750—0.857，NDVI和RVI与叶水势呈现显著负相关，相关系数||的范围为0.711—0.896。在充分供水条件下（70% FC），植被指数OSAVI和EVI2与叶水势的相关系数||（分别为0.75和0.771）均低于植被指数NDVI和RVI与叶水势的相关系数||（分别为0.808和0.896），而在重度水分亏缺条件下（50% FC），植被指数OSAVI和EVI2与叶水势的相关系数||（分别为0.857和0.853）均高于植被指数NDVI和RVI与叶水势的相关系数||（分别为0.711和0.792）。并且，随着土壤水分的减少，OSAVI和EVI2与叶水势的相关系数则依次增加，而NDVI与叶水势的相关系数||则正好相反，RVI与叶水势的相关系数||除了60% FC 处理外，二者的相关系数也是随着土壤水分的减少而减少。这可能是因为干旱胁迫导致冬小麦地上部分干物质积累量和叶面积减小，作物生长受到抑制，叶绿素减少，叶片冠层结构变小，群体覆盖度较低，此时土壤背景噪声为主要噪声来源，大气、太阳角等噪声来源为次要噪声来源，OSAVI和EVI2能比较好的滤除土壤背景噪声，NDVI和RVI植被指数对主要噪声来源滤除不够，这与前人研究结果相同[42]。同时也说明，采用不同水分处理及作物处于不同生育期，土壤背景及其变化对冬小麦叶水势的反演将产生一定的影响。因此，在反演叶水势时，尤其是当植被覆盖度较低时需要考虑土壤背景的影响[43]。

基于4种植被指数建立的叶水势估算模型，均具有较高的预测精度（0.616—0.922），验证模型的均在-20%以内（-17.50%—-12.52%）。其中，在70% FC和60% FC水分处理下，利用OSAVI、EVI2、NDVI和RVI建立的叶水势估算模型，其2均在0.819以上。但是，在50% FC水分处理下，基于NDVI和RVI构建的叶水势估算模型，其2（分别为0.616和0.724）低于基于OSAVI和EVI2所建模型的2（0.856和0.765）。分析其原因，可能是由于植被指数NDVI对绿色植被表现敏感，常被用来监测区域或全球植被状态变化，是植被丰度、长势的灵敏指示参数，植被指数RVI在植被高密度覆盖情况下，对植被比较敏感，与生物量的相关性最好。但是，当作物受到水分胁迫时，植被密度低于一定程度时，特别是孕穗后，冬小麦由营养生长的旺盛时期开始向生殖生长时期过渡，叶片的养分开始向穗部转移，之后下部叶片衰老、脱落[44]。此时，植被与土壤背景之间的光谱响应差异逐渐被拉大，NDVI和RVI的分辨能力显著下降。同时，水分亏缺时，冬小麦叶面积较小，群体覆盖度较低，冠层光谱反射率易受土壤背景的影响，而OSAVI可在一定程度上消除土壤背景的影响[45]。EVI2对大气溶胶和土壤的综合作用有较好的消除作用[46]，并且在测量过程中，天气晴朗无风，能见度较高，可以排除气溶胶的影响。综上所述，在70% FC 和60% FC水分处理下，4种植被指数（OSAVI、EVI2、NDVI和RVI）均可用于冬小麦叶水势的估算，而在50% FC水分处理下，应优先考虑土壤特征的植被指数（OSAVI和EVI2），其估算效果会更理想。

高光谱数据波段信息量大、连续性强，不同植被指数的产生及应用各具特点。我们在如何筛选更为有效、合理的植被指数，建立估算模型方面，仍需要不断探索和研究。由于本试验以黄淮海地区冬小麦为研究对象，受试验条件限制，所建模型在其他区域的适用性还有待进一步验证。因此，在今后的工作中需进一步研究更大区域尺度的光谱特性，为小麦精准灌溉管理提供技术依据和水分胁迫探测提供新途径。

4 结论

4.1 不同水分处理及不同生育期的冬小麦冠层光谱特征差异明显。随着水分含量的增加，在可见光波段，其冠层反射率逐渐降低，在近红外波段，其冠层反射率则随着土壤水分含量的增加而升高。从拔节期到抽穗期，在近红外波段，抽穗期的冠层反射率比拔节期的反射率高，而在灌浆期之后，叶片逐渐衰老、死亡，冠层叶绿素减少，红波段（670 nm）、蓝波段（450 nm）的反射率上升加快。

4.2 不同水分处理下，植被指数OSAVI和EVI2与叶水势呈现显著正相关，NDVI和RVI与叶水势呈现显著负相关，4种植被指数与叶水势的相关性均达到显著相关水平（＜0.05）。

4.3 4种植被指数（OSAVI、EVI2、NDVI和RVI）均可用于冬小麦叶水势的估算，当水分亏缺时，应考虑土壤背景对反演结果的影响，优先使用基于土壤特征的植被指数（OSAVI和EVI）估算效果会更理想。

References

[1] Kramer P J.. New York: Academic Press, 1983.

根据2.3.2所得ISQ值与HU值的回归方程，对此20名患者种植体植入后即刻(y0=0.0245x+47.984)及12周(y12=0.0285x+48.984)的ISQ值进行预测，分别记为ISQ0p、ISQ12p；经Spearman相关分析，植入后即刻及12周的ISQ预测值与实际测量值的相关系数分别为0.791和0.699(P<0.05)，提示预测值与实际测量值间均呈显著相关性。

[2] Turner N C. Techniques and experimental approaches for the measurement of plant water status., 1981, 58(1): 339-366.

[3] 杨海清, 姚建松, 何勇. 基于反射光谱技术的植物叶片SPAD值预测建模方法研究. 光谱学与光谱分析, 2009, 29(6): 1607-1610.

Yang H Q, Yao J S, He Y. SPAD prediction of leave based on reflection spectroscopy., 2009, 29(6): 1607-1610. (in Chinese)

[4] 杨峰, 范亚民, 李建龙, 钱育蓉, 王艳, 张洁. 高光谱数据估测稻麦叶面积指数和叶绿素密度. 农业工程学报, 2010, 26(2): 237-243.

Yang F, Fan Y M, Li J L, Qian Y R, Wang Y, Zhang J. Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data.,2010, 26(2): 237-243. (in Chinese)

[5] 潘蓓, 赵庚星, 朱西存, 刘海腾, 梁爽, 田大德. 利用高光谱植被指数估测苹果树冠层叶绿素含量. 光谱学与光谱分析, 2013, 33(8): 2203-2206.

Pan B, Zhao G X, Zhu X C, Liu H T, Liang S, Tian D D. Estimation of chlorophyll content in apple tree canopy based on hyperspectral parameters., 2013, 33(8): 2203-2206. (in Chinese)

[6] 李颖, 薛利红, 潘复燕, 杨林章. 氮磷互作对水稻冠层光谱的影响及其PNN识别. 中国农业科学, 2014, 47(14): 2742-2750.

[7] 覃夏, 王绍华, 薛利红. 江西鹰潭地区早稻氮素营养光谱诊断模型的构建与应用. 中国农业科学, 2011, 44(4): 691-698.

Tan X, Wang S H, Xue L H. Nitrogen nutrition diagnosis of early rice with NDVI and its application for nitrogen topdressing recommendation at Yingtan, Jiangxi province., 2011, 44(4): 691-698. (in Chinese)

[8] 梁亮, 杨敏华, 邓凯东, 张连蓬, 林卉, 刘志霄. 一种估测小麦冠层氮含量的新高光谱指数. 生态学报, 2011, 31(21): 6594-6605.

Liang L, Yang M H, Deng K D, Zhang L P, Lin H, Liu Z X. A new hyperspectral index for the estimation of nitrogen contents of wheat canopy., 2011, 31(21): 6594-6605. (in Chinese)

[9] 翟清云, 张娟娟, 熊淑萍, 刘娟, 杨阳, 马新明. 基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建. 中国农业科学, 2013, 46(13): 2655-2667.

Zhai Q Y, Zhang J J, Xiong S P, Liu J, Yang Y, Ma X M. Research on hyperspectral differences and monitoring model of leaf nitrogen content in wheat based on different soil textures., 2013, 46(13): 2655-2667. (in Chinese)

[10] 刘冰峰, 李军, 赵刚峰, Naveed Tahir, 贺佳. 夏玉米叶片全氮含量高光谱遥感估算模型研究. 植物营养与肥料学报, 2012, 18(4): 813-824.

Liu B F, Li J, Zhao G F, Naveed Tahir, He J. Total nitrogen content estimation models of summer maize leaves using hyperspectral remote sensing., 2012, 18(4): 813-824. (in Chinese)

[11] 周丽丽, 冯汉宇, 阎忠敏, 刘克, 周顺利. 玉米叶片氮含量的高光谱估算及其品种差异. 农业工程学报, 2010, 26(8): 195-199.

Zhou L L, Feng H Y, Yan Z M, Liu K, Zhou S L. Hyperspectral diagnosis of leaf N concentration of maize and variety difference., 2010, 26(8): 195-199. (in Chinese)

[12] 刘炜, 常庆瑞, 郭曼, 邢东兴, 员永生. 夏玉米可见/近红外光小波主成分提取与氮素含量神经网络检测. 红外与毫米波学报, 2011, 30(1): 48-54.

Liu W, Chang Q R, Guo M, Xing D X, Yuan Y S. Detection of leaf nitrogen content of summer corn using visible/near infrared spectra., 2011, 30(1): 48-54. (in Chinese)

[13] 潘蓓, 赵庚星, 朱西存, 王娜娜. 基于高光谱的苹果树冠层磷素状况估测模型研究. 红外, 2012, 33(6): 27-31.

Pan B, Zhao G X, Zhu X C, Wang N N. Estimation of phosphorus content in apple tree canopy based on hyperspectrum., 2012, 33(6): 27-31. (in Chinese)

[14] Chen M, Glaz B, Gilbert A R, Daroub H S, Barton E F, Wan Y S. Near-infrared reflectance spectroscopy analysis of phosphorus in sugarcane leaves., 2002, 94(6): 1324-1331.

[15] 林芬芳, 丁晓东, 付志鹏, 邓劲松, 沈掌泉. 基于互信息理论的 水稻磷素营养高光谱诊断. 光谱学与光谱分析, 2009, 29(9): 2467-2470.

Lin F F, Ding X D, Fu Z P, Deng J S, Shen Z Q. Application of mutual information to variable selection in diagnosis of phosphorus nutrition in rice., 2009, 29(9): 2467-2470. (in Chinese)

[16] Vaesen K, Gilliams S, Nackaerts K, Coppin P. Ground-measured spectral signatures as indicators of ground cover and leaf area index: The case of paddy rice., 2001, 69(1): 13-25.

[17] 姚付启, 蔡焕杰, 王海江, 张倩, 王健. 基于平稳小波变换的冬小麦覆盖度高光谱监测. 农业机械学报, 2012, 43(3): 173-180.

Yao F Q, Cai H J, Wang H J, Zhang Q, Wang J. Monitoring winter wheat percentage vegetation cover based on stationary wavelet transformation derived from hyperspectral reflectance., 2012, 43(3): 173-180. (in Chinese)

[18] Patel N, Patnaik C, Dutta S, Shekh A, Dave A. Study of crop growth parameters using airborne imaging spectrometer data., 2001, 22(12): 2401-2411.

[19] 夏天, 吴文斌, 周清波, 周勇, 于雷. 基于高光谱的冬小麦叶面积指数估算方法. 中国农业科学, 2012, 45(10): 2085-2092.

Xia T, Wu W B, Zhou Q B, Zhou Y, Yu L. An estimation method of winter wheat leaf area index based on hyperspectral data., 2012, 45(10): 2085-2092. (in Chinese)

[20] 刘轲, 周清波, 吴文斌, 陈仲新, 唐华俊. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较. 农业工程学报, 2016, 32(3): 155-162.

Liu K, Zhou Q B, Wu W B, Chen Z X, Tang H J. Comparison between multispectral and hyperspectral remote sensing for LAI estimation., 2016, 32(3): 155-162. (in Chinese)

[21] 杨飞, 张柏, 宋开山, 王宗明, 刘殿伟, 徐京萍. 玉米光合有效辐射分量高光谱估算的初步研究. 中国农业科学, 2008, 41(7): 1947-1954.

Yang F, Zhang B, Song K S, Wang Z M, Liu D W, Xu J P. Hyperspectral estimation of corn fraction of photosynthetically active radiation., 2008, 41(7): 1947-1954. (in Chinese)

[22] 李宗南. 基于光能利用率模型和定量遥感的玉米生长监测方法研究[D]. 北京: 中国农业科学院, 2014.

Li Z N. Research on method of maize growth monitoring using light use efficiency model and quantitative remote sensing[D]. Beijing: Chinese Academy of Agricultural Sciences, 2014. (in Chinese)

[23] 夏天. 基于高光谱遥感的区域冬小麦生物量模拟及粮食安全评价[D]. 武汉: 华中师范大学, 2010.

Xia T. Regional wheat biomass simulation and food safety evaluation that based on hyperspectral remote sensing[D]. Wuhan: Central China Normal University, 2010. (in Chinese)

[24] 王备战, 冯晓, 温暖, 郑涛, 杨武德. 基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测. 中国农业科学, 2012, 45(15): 3049-3057.

Wang B Z, Feng X, Wen N, Zheng T, Yang W D. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images., 2012, 45(15): 3049-3057. (in Chinese)

[25] 田永超, 曹卫星, 姜东, 朱艳. 不同水氮条件下水稻冠层反射光谱与叶片水势关系的研究. 水土保持学报, 2003, 17(3): 178-180.

Tian Y C, Cao W X, Jiang D, Zhu Y. Relationship between canopy reflectance and leaf water potential in rice under different soil water and nitrogen conditions., 2003, 17(3): 178-180. (in Chinese)

[26] 陈海波, 李就好, 余长洪, 刘德灿. 基于冠层光谱反射特征的甘蔗叶水势模型. 灌溉排水学报, 2014, 33(3): 92-96.

Chen H B, Li J H, Yu Z H, Liu D C. Sugarcane leaf water potential model based on canopy spectral signature., 2014, 33(3): 92-96. (in Chinese)

[27] Chen H B, Wang P, Li J H, Zhang J D, Zhong L X. Canopy spectral reflectance feature and leaf water potential of sugarcane inversion., 2012, 25: 595-600.

[28] VILA H, HUGALDE I, DI FILIPPO M. Estimation of leaf water potentialby by thermographic and spectral measurements in grapevine., 2011, 37(1): 46-52.

[29] Rodríguez-Pérez J R, Riaño D, Carlisle E, Ustin S, Smart D R. Evaluation of hyperspectral reflectance indexes to detect grapevine water status in vineyards., 2007, 58(3): 302-317.

[30] 张杰, 张强, 赵宏, 张平兰. 定量遥感反演作物水势的原理及其应用. 生态学杂志, 2008, 27(6): 916-923.

Zhang J, Zhang Q, Zhao H, Zhang P L. Theory and application of leaf water potential retrieved from remote sensing., 2008, 27(6): 916-923. (in Chinese)

[31] Rondeaux G, Steven M, Baret F. Optimization of soil adjusted vegetation indices., 1996, 55(2): 95-107.

[32] Jiang Z, Huete A R, Didan K,Miura T. Development of a two-band enhanced vegetation index without a blue band., 2008, 112(10): 3833-3845.

[33] Rouse J W, Haas R H, Schell J A, Harlan J C. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[R], 1974.

[34] 高林, 李长春, 王宝山, 杨贵军, 王磊, 付奎. 基于多源遥感数据的大豆叶面积指数估测精度对比. 应用生态学报, 2016, 27(1): 191-200.

GAO L, LI C C, WANG B S, YANG G J, WANG L, FU K. Comparison of precision in retrieving soybean leaf area index based on multi-source remote sensing data., 2016, 27(1): 191-200. (in Chinese)

[35] 张喜英. 叶水势反映冬小麦和夏玉米水分亏缺程度的试验(简报). 植物生理学通讯, 1997, 33(4): 249-253.

Zhang X Y. A report on diagnosis of soil water deficiency of wheat and maize using leaf water potential., 1997, 33(4): 249-253. (in Chinese)

[36] 康绍忠, 刘晓明, 王振镒. 冬小麦叶片水势、气孔阻力、蒸腾速率与环境因素的关系. 灌溉排水, 1991, 10(3): 1-6.

Kang S Z, Liu X M, Wang Z Y. Relations between leaf water potential, stomatal resistance and transpiration rate of winter wheat, and environmental factors., 1991, 10(3): 1-6. (in Chinese)

[37] 李合生. 现代植物生理学. 2版. 北京: 高等教育出版社, 2006: 353-354.

Li H S.. Beijing: Higher Education Press, 2006: 353-354. (in Chinese)

[38] Rock B N, Vogelmann J E, Williams D L, Vogelmann A F, Hoshizaki T. Remote detection of forest damage., 1986, 36(7): 439-445.

[39] 谷艳芳. 不同水分处理下冬小麦光合产物分配格局、过程及调控机制的研究[D]. 开封: 河南大学, 2008.

Gu Y F. Partition pattern, process and regulation mechanisms of photosynthate of winter wheat under different water treatments[D]. Kaifeng: Henan University, 2008. (in Chinese)

[40] Smith K L, Steven M D, Colls J J. Use of hyperspectral derivative ratios in the red-edge region to indentify plant stress responses to gas leaks., 2004, 92(2): 207-217.

[41] 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.

Yao F Q. Hyperspectral characteristics and estimating models about physiological ecological parameters of winter wheat[D]. Yangling: Northwest A & F University, 2012. (in Chinese)

[42] Phillips S B, Keahey D A, Warren J G, Mulins G L. Estimating winter wheat tiller density using spectral reflectance sensors for early-spring, variable-rate nitrogen applications., 2004, 96(3): 591-600.

[43] 姜海玲, 杨杭, 陈小平, 王树东, 李雪轲, 刘凯, 岑奕. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究. 光谱与光谱学分析, 2015, 35(4): 975-981.

Jiang H L, Yang H, Chen X P, Wang S D, Li X K, Liu K, Cen Y. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method., 2015, 35(4): 975-981. (in Chinese)

[44] 张俊华, 张佳宝. 不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究. 土壤通报, 2008, 39(3): 586-592.

Zhang J H, Zhang J B. Response of winter wheat spectral reflectance to leaf chlorophyll, total nitrogen of above ground., 2008, 39(3): 586-592. (in Chinese)

[45] 昝亚玲. 氮磷对旱地冬小麦产量、养分利用及籽粒矿质营养品质的影响[D]. 杨凌: 西北农林科技大学, 2012.

Zan Y L. Effect of nitrogen and phosphorus fertilizer rate on yield, nutrient utilization and grain mineral nutrient quality of wheat in dryland[D]. Yangling: Northwest A&F University, 2012. (in Chinese)

[46] Hutte A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices., 2002, 83: 195-213.

（责任编辑 杨鑫浩）

Leaf Water Potential Estimating Models of Winter Wheat Based on Hyperspectral Remote Sensing

CHEN Zhifang, SONG Ni, WANG Jinglei, SUN Jingsheng

(Farmland Irrigation Research Institute, Chinese Academy of Agricultural Sciences/Key Laboratory of Crop Water Use and Regulation, Ministry of Agriculture, Xinxiang 453002, Henan)

【Objective】A model for fast, non-destructive and accurately monitoring leaf water potential of winter wheat was established with hyperspectra technology, it will provide a scientific basis for the precision irrigation management of winter wheat.【Method】Using the field trials of different water treatments, the canopy spectral reflectance, leaf water potential and soil moisture were synchronously determined in the growth period of winter wheat. Then the correlation between the hyperspectral vegetation indices and leaf water potential was analyzed. Using correlation analysis, regression analysis and other methods，four inversion models were constructed for estimating leaf water potential based on different water treatments.【Result】The canopy spectral reflectance of winter wheat had significant change characteristics in different water treatments and growth periods. In the visible wave band, the canopy reflectance of winter wheat was reduced gradually along with the increase of soil water content. But, in the near-infrared wave band, the canopy reflectance was increased with the increase of soil water content. With the development of wheat growth period, in the near-infrared wave band, the canopy reflectance at heading stage was higher than the reflectance at jointing stage. And after the filling stage, the reflectance of red and blue band was rose faster. The correlation between four vegetation indices and leaf water potential was all reached the significant level (<0.05), and its absolute values of correlation coefficient were all above 0.711. Four vegetation indices could be used for quantitative monitoring leaf water potential of winter wheat. Under the field capacity of 70%, the absolute values of correlation coefficient| between the vegetation indexes of OSAVI and EVI and the leaf water potential were 0.75 and 0.771, respectively, they were lower than the || between the vegetation indexes of NDVI and RVI and leaf water potential, which the values of || were 0.808 and 0.896, respectively. But, under the field capacity of 50%, the results were just the opposite. The || between the vegetation indexes of OSAVI and EVI2 and the leaf water potential were 0.857 and 0.853, respectively, which were higher than the || between the vegetation indexes of NDVI and RVI and the leaf water potential, which the values of || were 0.711 and 0.792, respectively. The estimation values of 45 samples in prediction set were close to the measured values, the range of2,, andwere 0.616-0.616, -17.50%—-12.52% and 0.102-0.133, respectively. Under the 70% FC water treatment, the estimating model of leaf water potential based on EVI2 had the highest2, the value of2was 0.922, and under the 60% FC and 50% FC water treatments, because of considering the influence of soil background, the inversion models of leaf water potential based on OSAVI had the highest2, the values of2were 0.922 and 0.856, respectively.【Conclusion】All the four vegetation indices could be used for quantitative monitoring leaf water potential of winter wheat. But, when the leaf water potential estimating models were built for different water treatments, the influence of soil background on canopy spectral should be considered. The research results could provide a technical basis for wheat precision irrigation management and also provide supporting models for the parametric inversion of the onboard data.

hyperspectral remote sensing; winter wheat; vegetation index; leaf water potential; estimation

2016-08-01；接受日期：2016-11-23

国家自然科学基金（51609245）、水利部公益性行业科研专项经费项目（201501016-2）、国家现代农业产业技术体系建设专项（CARS-3-1 -30）、国家公益性行业（农业）科研专项（201203077）

陈智芳，E-mail：czf1010@126.com。 通信作者孙景生，E-mail：jshsun623@163.com