不同水分处理条件下棉花高光谱植被指数与光合参数的相关分析

郭晓飞，黄春燕，田春燕，刘馨月，王登伟

(石河子大学农学院/新疆生产建设兵团绿洲生态农业重点实验室，新疆石河子 832003)

不同水分处理条件下棉花高光谱植被指数与光合参数的相关分析

郭晓飞，黄春燕，田春燕，刘馨月，王登伟

(石河子大学农学院/新疆生产建设兵团绿洲生态农业重点实验室，新疆石河子 832003)

【目的】建立棉花高光谱数据与光合特征参数的相关模型，有效、快速、非破坏的对棉花生长过程进行诊断与监测，为大面积应用高光谱遥感监测棉花的生长状况提供科学依据。【方法】利用ASD高光谱辐射仪和Li-6400光合仪分别获取5水分处理条件下，棉花新陆早13号、新陆早33号两品种关键生育期的高光谱数据和光合特征参数：净光合速率(Pn)和气孔导度(Gs)，利用高光谱数据计算得到棉花两品种归一化植被指数(NDVI)、比值植被指数(RVI)和修改型二次土壤调节植被指数(MSAVI2)，分别建立与两品种Pn和Gs的线性、对数和幂函数的相关方程。【结果】三种模型方程均达到显著和极显著的相关性， 两品种RVI与Pn和Gs的三种相关模型方程的r值较高，其中，利用新陆早33号RVI与Pn，Gs幂函数方程分别对Pn和Gs估算，并将预测Pn、Gs与实测Pn，Gs进行相关分析，R值均达到极显著水平(r实测Pn-估测Pn=0.827**，RMSE=1.089，r实测Gs-估测Gs=0.586**，RMSE=0.138，n=20，P<0.01)，模型方程的估测精度均大于80%。【结论】不同水分处理下新陆早13号和新陆早33号的光谱植被指数与光合参数间存在着显著的相关性，可以利用相关模型对Pn和Gs进行遥感估测，实时监测棉花的生长状况。

棉花；光合参数；光谱植被指数；相关性

0 引 言

【研究意义】光合作用是作物生长发育以及产量形成的基础，对于提高作物的生产力起决定性作用。光合作用日变化及生育期变化是各种生理生态因子的综合效应，可以反映出作物的生长势以及抗旱性，为分析产量的限制因素提供了依据[1]。高光谱遥感技术在农业上的应用已经非常广泛，光谱分析技术能够快速、适时、无损伤地从叶片水平、群体水平以及生态系统等多个层面研究植物在各种环境条件下的生理生态变化情况[2]。高光谱技术则能快速、无损的监测绿色植被的生理变化，将二者结合起来研究，对于棉花的生长状况监测及产量评估有重要意义。【前人研究进展】Inamullah等[3]对水分胁迫下大豆和棉花进行了研究，结果表明，净光合速率Pn与气孔导度Gs呈现出极显著相关。相关系数达到0.9以上。Julie C Zinnert等[4]对两种不同沿海灌木进行了研究，结果表明，光化学反射指数(PRI)和光合作用密切相关；Hongrui Ren等[5]对干旱与半干旱地区针茅植物进行研究，表明绿色植物地上生物量与光合作用密切相关，红边面积是现有估测参数中最实用最合适的参数；Carter[6]发现RVI与NDVI能很好的监测月松树的光合能力。雷利琴[7]在油菜上研究表明，比值植被指数RVI(R760，R766)与油菜叶片净光合速率Pn呈显著线性、指数、幂函数关系，以线性相关性最好；仇亚红等[8]对玉米叶片光合参数与光谱变量进行了研究，表明NDVI等植被指数及红边位置与Pn、Gs具有较好的相关性。【本研究切入点】传统光合作用的测定既耗时又费力，而且容易对叶片造成损伤。研究高光谱遥感技术快速、无损的监测棉花生理变化。【拟解决的关键问题】通过对不同水分处理下棉花两品种光合参数及光谱变量的研究，建立二者的相关模型，并找出相关性最佳的参数，进行精度检验，通过光谱数据的测定来代替光合参数的测定，为遥感在农业上的应用提供理论支撑。

1 材料与方法

1.1 材 料

试验于2015年在新疆石河子大学农学院试验站 (44°20′N, 88°03′E) 进行。试验地面积为30 m2，供试棉花品种为新陆早13号和新陆早33号，其中新陆早13号植株表现为紧凑型，新陆早33号表现为松散型。

1.2 方 法

1.2.1 试验设计

试验采取裂区设计，每一品种设定5种水分处理，严重干旱(1 080 m3/hm2，W1表示)；干旱(2 160 m3/hm2，W2表示)；适量灌溉(3 600 m3/hm2，W3表示)；充分灌溉(4 320 m3/hm2，W4表示)；过量灌溉(5 400 m3/hm2，W5表示)。重复3次，灌水时间通过土壤张力计测得的数据控制，灌水量可由自动计量水阀控制。试验中水分为主处理，品种为副处理。种植方式为60 cm+30 cm宽窄行种植，膜上点播，膜下水肥滴灌，4月24日播种，7月中旬打顶，整个生育期化学调控6次，其余管理参照大田管理方式。

1.2.2 指标测定

1.2.2.1 高光谱数据

采用美国 ASD 公司生产的 Fieldspec Pro FR 2500 型背挂式野外高光谱辐射仪分别于棉花的开花结铃期、盛铃期、盛铃期末期和吐絮初期测定5水分处理下冠层光谱数据，测定时间11:00～13:00，太阳高度角大于45°，测定过程中设定光谱仪视场角为25°，测定的样本植株需为长势均匀无病虫害植株，生育期每次测定之前需进行白板标定，标定完成后方可开始测量，测量时保持光谱仪探头与棉花冠层距离达到1 m左右，扫描时间设定为0.2s，每个样本点连续测定10条曲线，数据将自动保存于配套的计算机中。

1.2.2.2 高光谱植被指数

前人的研究涉及到的植物高光谱植被指数多种多样，试验中通过对不同波段光谱发射率进行组合得到绝大多数的植被指数，找出相关性最好的植被指数用于研究。植被指数计算方法如下：

归一化植被指数(NDVI，Normalizeddifferencevegetationindex)：

(1)

(1)式中ρNIR，ρRed分别代表波段为650～670、760～850nm反射率的平均值。

比值植被指数(RVI，Ratiovegetationindex)：

未来，云南农垦集团将担起云南“绿色食品牌”领军企业和领跑者的示范引领职责，努力打造六大产业、培育六大品牌和实施十大工程，在集团“绿色食品牌”规模总量、产业结构、产品质量、品牌影响、平台建设、流通体系、市场拓展和有效供给等方面实现全面提升。

(2)

(2)式中ρNIR，ρRed同(1)的计算。

修改型二次土壤调节植被指数(MSAVI2，ThesecondModifiedsoiladjustedvegetationindex)：

(3)

(3)式中的ρNIR和ρRed分别为波段800 nm、670 nm的反射率。

1.2.2.3 光合参数

在高光谱数据测定的同时，采用美国Licor 公司生产的LI-6400光合仪进行棉花冠层光合数据的测定，于晴朗天气下12:00～14:00进行测定，测量样本为棉花主茎倒四叶，每次选取3～5株长势均匀的棉花植株，按正确的仪器操作步骤进行，将测定的光合数据保存于光合仪，测定完成后将光合仪中数据导入计算机，选取净光合速率Pn及气孔导度Gs的数据，整理后用于试验研究。

2 结果与分析

Pn可反映出叶片对CO2的同化能力， Gs能反映外界CO2进入叶绿体羧化部位的程度，Gs与Pn有着较为密切的关系。试验对测定的棉花新陆早13号和新陆早33号4个生育时期Pn和Gs进行相关分析。研究表明，棉花2品种4个生育时期的净光合速率Pn与气孔导度Gs均达到极显著的相关性，且都呈最高的指数相关关系(r新陆早13号=0.753**，r新陆早33号=0.915**，n=20，P<0.01)。新陆早33号Gs与Pn的R值较高，这主要是新陆早33号株型松散，叶片较大，新陆早13号株型紧凑，叶片较小，生育期也较前者短，导致二者Pn和Gs的相关性不一致。图1

2.2 棉花两品种在不同水分处理下光谱植被指数与Pn的相关性

在一定条件下，绿色植物光合作用与高光谱遥感植被指数之间可用线性或准线性关系来表示[9]。基于张佳华等[10]讨论了归一化植被指数NDVI与光合作用的关系，认为NDVI与植物光合速率Pn存在某种正相关。雷利琴[7]在油菜上选取了RVI与Pn建立了较好的相关关系，Rocio Hernandez[11]在针叶树木上研究发现PRI与Gs显著相关，Y.TIAN等[12]在小麦上研究认为NDVI及RVI与Pn可建立较好的线性拟合方程，且相关系数达0.69以上。研究经比较选取了有代表性的NDVI、RVI及MSAVI2三个光谱植被指数与光合参数Pn。研究表明，建立的棉花新陆早13号、新陆早33号生育期的三个光谱植被指数与Pn的线性相关、对数相关及幂函数相关拟合方程，都达极显著相关。两棉花品种的RVI与Pn的三种拟合方程相关性均为最高，其中新陆早13号的三种拟合方程的相关系数r均在0.67以上，新陆早33号三种拟合方程的r值均在0.81以上。新陆早33号三个光谱植被指数与Pn的相关性较好。表1

2.3 棉花两品种在不同水分处理下光谱植被指数与Gs的相关性分析

研究表明，新陆早13号和新陆早33号的NDVI、 RVI及MSAVI2与Gs都达到显著和极显著的线性相关、对数相关及幂函数相关，相关性大小依次为幂函数方程、线性方程和对数方程，且RVI与Gs的相关性高于MASVI2和NDVI与Gs的相关性。对于两个品种而言，新陆早33号的三个植被指数与Gs的三种相关方程r值均高于新陆早13号。表2

2.4 棉花实测Pn、Gs与植被指数估测Pn、Gs的相关分析

研究表明，新陆早33号的RVI与Pn和Gs的幂函数相关方程的相关系数均为最高，利用它们的方程分别对新陆早33号的Pn和Gs进行估算。通过RVI预测得到的新陆早33号的Pn，Gs与实测的Pn，Gs的线性相关都达到极显著(r实测Pn-估测Pn=0.827**，RMSE=1.089，r实测Gs-估测Gs=0.586**，RMSE=0.138，n=20)，估测精度分别为85.8%和80.2%，高光谱植被指数可对棉花的光合参数Pn和Gs进行很好的估算。表1，表2，图2

注：A：新陆早13号 B：新陆早33号

Note: A:Xinluzao No.13 B: Xinluzao No.33

图1 不同水分处理下棉花新陆早13号和新陆早33号随生育期Pn与Gs的相关关系

Fig.1 Relationship between net photosynthesis(Pn)and stomatal conductance(Gs)of Xinluzao No.13 and 33 by different water treatments at the growth stage

表1 棉花新陆早13号、新陆早33号光谱植被指数与净光合速率Pn的拟合方程

Table 1 Fitting equation of spectral vegetation indices and Pn of Xinluzao No.13 with growth stage(n=20)

棉花品种Cottoncultivars植被指数Vegetationindices拟合方程Fittingequation相关系数rCorrelationcoefficientr新陆早13号XinluzaoNo．13NDVIRVIMSAVI2线性方程y=4087x-9950646∗∗对数方程y=2601ln(x)+28550613∗∗幂函数方程y=2911x130570588∗∗线性方程y=158x+7540768∗∗对数方程y=1060ln(x)-0800708∗∗幂函数方程y=678x0520671∗∗线性方程y=2273x+35850654∗∗对数方程y=1343ln(x)+25110609∗∗幂函数方程y=2455x06780589∗∗新陆早33号XinluzaoNo33NDVIRVIMSAVI2线性方程y=4281x-11280793∗∗对数方程y=2864ln(x)+29520777∗∗幂函数方程y=3167x15270830∗∗线性方程y=1374x+9010828∗∗对数方程y=1020ln(x)-00420819∗∗幂函数方程y=6804x05260846∗∗线性方程y=2317x+3410796∗∗对数方程y=1429ln(x)+25700771∗∗幂函数方程y=2580x07550817∗∗

注：**，*分别达0.01 极显著水平和0.05 显著水平，n=20，下同

Note:**,*mean extremely significant and significant at 0.01 and 0.05 probability level, respectively, the same as below

表2 棉花新陆早13号、新陆早33号光谱植被指数与气孔导度Gs的拟合方程

Table 2 Fitting equation of spectral vegetation indices and Gs of Xinluzao No.13,N0.33 with growth stage(n=20)

棉花品种Cottoncultivars植被指数Vegetationindices拟合方程Fittingequation相关系数rCorrelationcoefficientr新陆早13号XinluzaoNo13NDVIRVIMSAVI2线性方程y=1348x-06260442∗∗对数方程y=0861ln(x)+06440420∗幂函数方程y=0612x21820567∗∗线性方程y=0048x-00140484∗∗对数方程y=0340ln(x)-03050472∗幂函数方程y=00585x083530616∗∗线性方程y=0795x-02150475∗∗对数方程y=0466ln(x)+05370439∗幂方函数程y=0466x11760590∗∗新陆早33号XinluzaoNo33NDVIRVIMSAVI2线性方程y=0915x-03570579∗∗对数方程y=0606ln(x)+05130563∗∗幂函数方程y=0538x20060648∗∗线性方程y=0028x+00890576∗∗对数方程y=0216ln(x)-01130593∗∗幂函数方程y=0069x07060674∗∗线性方程y=0502x-00490589∗∗对数方程y=0307ln(x)+04330566∗∗幂函数方程y=04124x100750646∗∗

图2 新陆早33号实测Pn，Gs与RVI与Pn，Gs的幂函数预测Pn和Gs的相关性

Fig.2 Relationship between measured and estimated Pn, Gs of cotton Xinluzao No.33 from the RVI-Pn, Gs model

3 讨 论

传统的试验通常对不同干旱条件下光合作用进行研究，通过对干物质积累量的分析计算，进而实现对产量的评估。然而传统的光合作用测定过程既耗时又费力，操作过程较为复杂，很容易对作物的叶片造成损伤。近年来，高光谱遥感技术发展迅速，在农业生产中已经被广泛应用，可以实现对作物冠层快速、有效、非接触、非破坏性的田间信息采集与测定，用高光谱红外波段和近红外波段的组合即植被指数来估测作物的一些生理特性，方法简便、快速、估算精度较高，便于大面积反演植被的生物量[13]。

Julie C Zinnert等[4]对沿海灌木进行了研究，认为两品种灌木在不同的盐分处理下净光合速率Pn与气孔导度Gs呈现极显著相关，相关系数达0.9以上。棉花新陆早33号的Pn与Gs的指数相关性高于新陆早13号的(r新陆早13号=0.753**，r新陆早33号=0.915**，n=20，P<0.01)，可能是新陆早33号株型较松散，冠层对光的截获量较多，增加光合作用，而新陆早13号株型紧凑型，叶片分布较集中，对光能利用率相比较新陆早33号低，Pn与Gs的相关性不同，说明棉花在干旱胁迫下叶片通过气孔因素和非气孔因素来影响光合作用[14]，这与C.R.G.SALES等[15]对干旱胁迫下不同品种甘蔗光合参数研究的结论相似。田永超[16]研究了稻麦的叶片反射光谱与光合特性的关系，认为RVI与水稻的净光合速率得到的线性模型表现良好，而与小麦的净光合速率得到的指数模型表现良好。雷利琴[7]在小麦上研究认为NDSI与RSI与叶片净光合速率呈极显著的线性相关，其中RSI表现出的线性相关性大于指数相关。同时王小平等[17]对春小麦的研究表明，NDVI能反映作物水分胁迫后的光合作用变化，且对水分胁迫响应有一定的敏感性。对棉花两品种的NDVI、RVI及MSAVI2与Pn、Gs进行了线性、对数和幂函数相关，均达到了显著和极显著相关，相关性大小都依次为RVI> MSAVI2> NDVI，其中新陆早13号的RVI与Pn达最好的线性相关，新陆早33号的RVI与Pn达最好的幂函数相关(r新陆早13号=0.768**，r新陆早33号=0.846**，n=20，P<0.01)。

4 结 论

研究中不同水分处理下的棉花新陆早33号光谱植被指数与2个光合参数的相关性高于新陆早13号，利用新陆早33号RVI与Pn和Gs的幂函数拟合方程分别对Pn和Gs进行了预测，预测Pn，Gs与实测Pn，Gs的相关系数分别为0.827和0.586，预测精度分别为85.8%和80.2%。综上所述，干旱对光合作用有一定的影响，光合作用能反映作物的生长状况及作为监测产量的一个指标，建立高光谱植被指数与光合参数之间的模型简单可行，为产量的评估及生长状况的监测方面提供了理论依据。

References)

[1] Hua, L. Y., Jia, Z. K., An, S. J., Fang, H. Q., & Fei, Z. Q. (2006). Daily dynamics of photosynthesis in alfalfa varieties under dry farming conditions.ActaEcologicaSinica. 26(5):1 468-1 477.

[2] 薛忠财,高辉远,彭涛,等.光谱分析在植物生理生态研究中的应用[J].植物生理学报,2011,47(4):313-320.

XUE Zhong-cai, GAO Hui-yuan, PENG Tao, et al. (2011). Application of spectral reflectance on research of plant eco-physiology [J].PlantPhysiologyJournal, 47(4): 313-320. (in Chinese)

[3] Inamullah, I., & Isoda, A. (2005). Adaptive responses of soybean and cotton to water stress ii. changes in CO2 assimilation rate, chlorophyll fluorescence and photochemical reflectance index in relation to leaf temperature.PlantProductionScience, 8(1):16-26.

[4] Zinnert, J. C., Nelson, J. D., & Hoffman, A. M. (2012). Effects of salinity on physiological responses and the photochemical reflectance index in two co-occurring coastal shrubs.PlantandSoil, 354(1):45-55.

[5] Ren, H., Zhou, G., & Zhang, X. (2011). Estimation of green aboveground biomass of desert steppe in inner mongolia based on red-edge reflectance curve area method.BiosystemsEngineering, 109(4):385-395.

[6] Carter, G. A. (1998). Reflectance wavebands and indices for remote estimation of photosynthesis and stomatal conductance in pine canopies.RemoteSensingofEnvironment, 63(1):61-72.

[7] 雷利琴. 基于冠层反射光谱的油菜光合及生长监测[D].长沙：湖南农业大学硕士论文,2012.

LEI Li-qin. (2012).Monitoringphotosyntheticstatusandgrowthparamentersinrapewithcanopyspectralreflectance[D]. Master Dissertation. Hunan Agricultural University, Changsha. (in Chinese)

[8] 仇亚红,杨 峰,赵刚成,等. 玉米穗位叶主要光合荧光参数与高光谱数据的相关分析[J].中国农学通报,2015,31(24):71-77.

QIU Ya-hong, YANG Feng, ZHAO Gang-cheng, et al.(2015). Analysis of correlation between photosynthetic fluorescence Parameters and hyperspectral date in Ear-Leaf of maize [J].ChineseAgriculturalScienceBulletin, 31(24):71-77. (in Chinese)

[9] Zhang, J., & Fu, C. (1999). A study on relationships between remote sensing information and plant photosynthetic parameters in estimating biomass model.ActaGeodaeticaEtCartographicSinica. 28(2):128-132.

[10] 张佳华,符淙斌. 生物量估测模型中遥感信息与植被光合参数的关系研究[J]. 测绘学,1999,28(2):130-132.

ZHANG Jia-hua, FU Cong-bin. (1999). A study on relationships between remote sensing information and plant photosynthetic in estimating biomass model [J].ActaGeodaeticaetCartographicaSinica, 28(2):130-132. (in Chinese)

[11] Hernández-Clemente, R., Navarro-Cerrillo, R. M., Suárez, L., Morales, F., & Zarco-Tejada, P. J. (2011). Assessing structural effects on pri for stress detection in conifer forests.RemoteSensingofEnvironment,115(9):2,360-2,375.

[12] Tian, Y., Zhu, Y., & Cao, W. (2005). Monitoring leaf photosynthesis with canopy spectral reflectance in rice.Photosynthetica, 43(4):481-489.

[13] 黄春燕,王登伟,陈冠文,等.基于高光谱植被指数的棉花干物质积累估算模型研究[J].棉花学报,2006,18(2):115-119.

HUANG Chun-yan, WANG Deng-wei,CHEN Guan-wen, et al. (2006). Estimating of modeling of cotton dry matter accumulation based on hyperspectral vegetation index [J].CottonScience, 18(2):115-119. (in Chinese)

[14] Hartley, I.P., Armstrong, A. F., Murthy, R., Barron-Gafford, G., Ineson, P., & Atkin, O. K. (2006). The dependence of respiration on photosynthetic substrate supply and temperature: integrating leaf, soil and ecosystem measurements.GlobalChangeBiology, 12(10):1,954-1,968.

[15] Sales, C. R. G., Marchiori, P. E. R., Machado, R. S., Fontenele, A. V., Machado, E. C., & Silveira, J. A. G., et al. (2015). Photosynthetic and antioxidant responses to drought during sugarcane ripening.Photosynthetica, 53(4):1-9.

[16] 田永超.基于冠层反射光谱的水稻水分及稻麦生长监测[D]. 南京: 南京农业大学硕士学位论文,2003.

TIAN Yong-chao. (2003).Monitoringwaterstatusinriceandgrowthparametersinriceandwheatwithcanopyspectralreflectance[D]. Master Dissertation. Nanjing Agricultrual University, Nanjing. (in Chinese)

[17] 王小平,郭铌,李耀辉,等.黄土高原半干旱区春小麦冠层光谱对不同程度水分胁迫的响应[J]. 兰州大学学报,2014,50(3):418-423.

WANG Xiao-ping, Guo Ni, LI Yao-hui, et al. (2014). Canopy hyperspectral reflectance response for spring wheat in different water stresses in semiarid areas of the Loess Plateau [J].JournalofLanzhouUniversity, 50(3):418-423. (in Chinese)

Fund project:National Natural Science Foundation of China(31560354); Science and technology activity projects of overseas returnees of Ministry of Human Resources and Social Security of the P. R. China (RSLX201303)

Correlation Analysis between Hyperspectral Vegetation Indices and Photosynthetic Parameters of Cotton under Different Water Treatments

GUO Xiao-fei, HUANG Chun-yan, TIAN Chun-yan, LIU Xin-yue, WANG Deng-wei

(KeyLaboratoryofOasisEco-agricultureofXinjiangProductionandConstructionCorps,CollegeofAgronomy,ShiheziUniversity,ShiheziXinjiang832003,China)

【Objective】 To establish a correlation model between cotton hyperspectral data and photosynthetic characteristic parameters in the hope of providing a scientific foundation for effective, rapid, non-destructive diagnose and surveillance of cotton growth process in large area.【Method】Using ASD hyperspectral radiometer and Li-6400 photosynthetic instrument, the hyperspectral data of the two varieties Xinluzao No. 13 and No. 33 in key growth stages and photosynthetic parameters were obtained by five water treatments：net photosynthetic rate (Pn) and stomatal conductance (Gs) were calculated using hyperspectral data to obtain the normalized difference vegetation index (NDVI), ratio vegetation index (RVI) and the second modified soil adjusted vegetation index (MSAVI2) of the two cotton cultivars, thus establishing the linear, logarithmic and power function correlation equations of Pn and Gs, respectively.【Result】The results showed that three type function models were of significant and extremely significant correlation, and theRvalue of the equation of the three models in the two varieties RVI and Pn and Gs was higher, among which, using Xinluzao 33 RVI and Pn, Gs power function equation to estimate the Pn and Gs and carry on correlation analysis of the predicted value of Pn and Gs with the measured value, it was found that R value reached a very significant level (Rmeasured pn=0.827,RMSE=1.089,Rmeasured gs- estimation gs=0.586,RMSE=0.138,n=20,P<0.01). The estimation accuracy of the model equation was greater than 80%.【Conclusion】There was a significant correlation between the spectral vegetation indexes and photosynthetic parameters of the two cotton varieties under different water treatments and the correlation model could be used to estimate the Pn and Gs, and real-time monitoring of the growth status of cotton.

cotton; photosynthetic parameter; hyperspectral vegetation index; correlation analysis

10.6048/j.issn.1001-4330.2017.01.003

2016-09-06

国家自然科学基金项目(31560354)；人力资源和劳动社会保障部留学回国人员科技活动项目(RSLX201303)

郭晓飞(1990-)，男，山西人，硕士研究生，研究方向为作物栽培生理及其遥感应用，(E-mail)641055597@qq.com

王登伟(1966-)，男，教授，博士，硕士生导师，研究方向为农业信息技术，(E-mail)wdw37660279@sina.com

S562

A

1001-4330(2017)01-0020-07