基于高光谱指数的棉花冠层等效水厚度估算

马岩川，刘浩，陈智芳，张凯，余轩，王景雷，孙景生

基于高光谱指数的棉花冠层等效水厚度估算

马岩川1,2，刘浩1，陈智芳1，张凯1，余轩1,2，王景雷1，孙景生1

（1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开放实验室，河南新乡 453002；2中国农业科学院研究生院，北京 100081）

【目的】建立快速、无损监测棉花冠层等效水厚度（canopy equivalent water thickness，CEWT）的估算模型，进一步提高利用高光谱遥感技术监测棉花CEWT的估算精度。【方法】通过在不同生育期设置灌溉梯度试验，于棉花蕾期和花铃期同步测定冠层光谱反射率、冠层等效水厚度等信息，综合分析棉花冠层等效水厚度与原始光谱反射率、一阶导数光谱反射率、全波段组合光谱指数、已有光谱指数的相关性，确定蕾期、花铃期及全生育期的最优光谱指数，并通过线性回归构建棉花CEWT的高光谱监测模型。【结果】冠层等效水厚度与原始光谱反射率在近红外波段（NIR）780—1 130 nm和短波红外波段（SWIR）1 450—1 830 nm、1 950—2 450 nm附近均出现连续的敏感波段，一阶导数光谱在NIR波段内对CEWT的敏感程度较原始光谱有所加强，但在SWIR波段内敏感程度弱于原始光谱；利用原始光谱反射率构建的光谱指数与CEWT的相关性强于一阶导数光谱，且比值光谱指数（RSI）较归一化差分光谱指数（NDSI）更适合CEWT的监测。在全生育期内(R1135-5R1494)/R2003对CEWT的反演精度最佳（2=0.7878，=0.1803）；在蕾期RSIb(1130，1996)对CEWT的估算效果最好（2=0.7258，=0.1444）；在花铃期RSIa（904，1952）是估算CEWT的最优光谱指数（2=0.7853，=0.2454）。【结论】该研究在不同生育阶段内提出的新型高光谱指数均可用于棉花冠层等效水厚度的定量监测，研究结果可为高光谱技术在棉花冠层水分含量监测中的应用提供参考，为棉花精准灌溉提供技术依据。

高光谱指数；棉花；冠层等效水厚度；估算

0 引言

【研究意义】水分盈亏直接影响作物的生长发育、产量高低和品质优劣，对作物水分的精准调控在节水农业发展、保障我国农业生产安全方面均具有重要意义。要实现农业生产中的精准灌溉，首先要对作物水分状况进行精确监测。传统的作物水分监测技术主要有作物水分生理指标法、土壤含水率法和作物形态指标法等[1-4]，作物水分生理指数法包含的植株含水量、叶片等效水厚度、叶水势等水分参数均需破坏性采样并通过室内测定，虽直观可靠但操作繁琐；土壤含水率法耗时费力且受空间异质性影响较大；作物形态指标法经验性较强且难以科学量化。这些方法适合在叶片或植株尺度进行监测，不能快速地在农田尺度提供作物水分信息，不适用于精准灌溉的发展方向。近年来，高光谱遥感技术由于其高效、无损、多尺度、信息涵盖量大等特点被广泛应用于农情监测领域。等效水厚度（equivalent water thickness，EWT）作为表征植被水分含量的重要参数，包含植被水分和叶面积等两方面信息，适用于不同尺度的植被水分遥感监测[5-6]。【前人研究进展】国内外学者在估算植被等效水厚度方面开展了大量研究，主要有三类估算方法。（1）基于PROSPECT辐射传输模型的反演法。Riaño等[7]在测量37种作物的490个叶片光学和生物化学性质基础上，发现利用PROSPECT模型推算EWT的精度很高（2=0.94）；Colombo等[8]发现在利用PROSPECT模型估算EWT，若仅输入反射光谱会造成估算精度的大幅减低（2=0.65）；Baret等[9]发现利用1 300—2 400 nm区域的反射和透射光谱参数输入PROSPECT模型时估算EWT的效果更好；Yi等[10]利用PROSPECT-5和SAILH模型耦合，并结合光谱指数法发现使用一阶导数光谱构建的简单比值植被指数SR1640/SR1060对棉花叶片和冠层等效水厚度的估算精度均较高（2＞0.8）；（2）基于多种智能算法的反演方式。Li等[11]采用遗传算法（GA）和偏最小二乘（PLS）回归法，在全波段内提取出与EWT相关的特征光谱，估算精度较高（2＞0.8）；Cheng等[12-13]在叶片尺度利用连续小波分析法在全波段内检索出了水分相关的敏感波段，且反演EWT效果较好；Li等[14]在叶片尺度利用连续小波变换获取小波系数，并输入PROSPECT模型中估算EWT，利用多物种和单一物种（小麦）数据集评价出该方法具有很高的精度和稳定性；冯海宽等[15]的研究表明，使用扩展傅里叶幅度灵敏度检测方法，采用EFAST和PLS回归法预测苹果叶片EWT，具有较高精度；（3）高光谱指数法。Gao等[16]提出了归一化水分光谱指数（NDWI（860，1240）），并利用室内叠叶试验获取的光谱反射率和卫星遥感数据研究发现，NDWI对植被冠层水分含量变化比较敏感；Ceccato等[17]利用高光谱数据，在叶片尺度对50多种树木、作物、植物的水分含量进行了反演，结果表明水分胁迫指数（MSI（820，1600））估算等效水厚度（EWT）的精度较高（2=0.919）；Eitel等[18]在叶片和冠层尺度，利用4种光谱指数估算胡杨水分状况，表明利用1 500—1 750 nm波段内原始反射率最大值与最小值构建的最大差水分指数（MDWI）比NDWI、水分指数（WI）和红边拐点（REIP）对胡杨EWT反演效果好；Palacios-Orueta等[19]和Khanna等[20]利用MODIS数据将短波红外波段的一般形状参数化，分别提出了短波角归一化指数（SANI）和短波角斜率指数（SASI），表明这2种角度光谱指数均可以很好地鉴别土壤和植被水分含量。Seeding等[21]的研究表明，在叶片尺度，比值光谱指数R1300/R1450与菜豆、豇豆和甜菜的EWT相关性较强；Yilmaz等[22]通过对玉米、大豆、落叶阔叶林3种不同植被类型的EWT估算研究，发现归一化红外指数（NDII（850，1650））与EWT之间存在较强的线性关系；王强等[23]建立了新型光谱指数RVI（1475，1424）和NDSI（1475，1424），二者均对棉花冠层等效水厚度（CEWT）的估算效果较好（||=0.849）；Yi等[24-25]利用7种已知植被指数对4种棉花水分表征参数（FMC、EWT、VWC、CEWT）估算时发现，在叶片和冠层尺度EWT与已知植被指数的相关性较好，随后利用一阶导数光谱构建了新型光谱指数（DR1647/DR1133），进行棉花叶片等效水层厚度（EWT）的估算，其估算精度较好（=0.765）。【本研究切入点】尽管前人在利用遥感技术估算EWT方面取得了较大进展，但是仍有不足。利用PROSPECT等辐射传输模型反演EWT时，需要输入的参数过多，且参数中包含常规遥感手段较难获取的部分，虽然精度较高，但很难满足实际应用需求[9]；利用小波分析及各种智能算法反演EWT时，虽然在叶片尺度拥有很好的估算效果，但是由于其算法相对复杂，包含的波段数量较多，许多方法在用于高光谱图像等大型数据集处理时计算量过大，实用性受限。尽管植被指数法只包含了少量的波段组合，且易出现过饱和现象[18]，但其仍是目前使用最为广泛的遥感技术之一。前人在利用植被指数法估算棉花叶片或冠层水分含量时，大多是通过已有光谱指数或开发新型光谱指数建立监测模型，具有一定的应用价值[23-25]，但受研究方法、试验环境等因素的影响，各模型精度及稳定性仍有待验证。此外，已有研究多集中在整个生育期内对棉花水分含量进行反演[23-27]，但不同生育期内棉花的形态结构、覆盖度和生化特性等均不相同，缺乏棉花EWT的分生育阶段估算研究。【拟解决的关键问题】本研究通过在不同生育期设置灌溉梯度试验，在冠层尺度采用精细采样法[18]，确定用于估算棉花蕾期、花铃期和全生育期EWT的敏感波段，寻找相应的新型光谱指数建立线性模型，根据反演效果确定最优光谱指数，并通过与前人提出的经典水分植被指数进行比较，综合评价本研究所建模型的估算精度，为高光谱技术在棉花灌溉管理中的应用提供理论依据。

1 材料与方法

1.1 试验区概况

试验于2018年4—10月在中国农业科学院新乡综合试验基地防雨棚下的测坑中进行。基地位于黄淮海中部人民胜利渠引黄灌区内，地理坐标为35°18' N，113°54' E，属暖温带大陆性季风气候。年平均气温14℃，无霜期210 d，蒸发量2 000 mm（直径20 cm蒸发皿值），日照时数为2 399 h，光热资源丰富。试验地耕作制度以1年2熟为主，土质为砂壤土，1 m土层平均容重为1.51g·cm-3，田间持水量为20.6%（质量含水率），地下水埋深大于5 m。0—100 cm土层平均土壤速效氮、速效磷、速效钾含量分别为21.62、4.96、79.24 mg·kg-1，土壤有机质含量为7.8 g·kg-1。

1.2 试验设计

供试品种为‘鲁棉54’，精选种子，浸后播种，采用基质育苗，每穴播种2粒。当棉苗长至3片真叶时，于2018年6月3日选长势一致的棉株由苗床移植至测坑。每个测坑小区规格为2 m×3.3 m，行距70 cm，株距20 cm，种植密度7×104株/hm2。棉花移栽前结合耕地各处理施纯氮、纯磷、纯钾分别为90、75和54 kg·hm-2作为基肥，在蕾期随灌溉水追施纯氮72 kg·hm-2，并在花铃期随灌溉水追施纯氮54 kg·hm-2、纯钾45 kg·hm-2。本试验采用地表滴灌灌水方式，每行棉花铺设一根滴灌带，滴头间距20 cm，流量为2.2 L·h-1，工作压力0.1 MPa。试验分别在蕾期（budding stage，B）和花铃期（flowering and bolls stage，F）设置4种不同灌水定额：30 mm（100%ETc，充分灌溉）、24 mm（80%ETc，轻度干旱）、18 mm（60%ETc，中度干旱）、12 mm（40%ETc，重度干旱），分别记为I1、I2、I3、I4，各处理不同生育阶段的灌溉量如表1所示。生育期、灌溉水平两因素完全组合共8个处理，每个处理重复3次。依据累积潜在蒸散发ETc控制灌溉，其中ETc根据作物系数法确定。

ETc=Kc×ET0（1）

式中，ETc为作物蒸散发量（mm·d-1），Kc为作物系数，由本课题组多年田间试验回归得到[28]，ET0为参考蒸散发量（mm·d-1），ET0日值是由距试验小区50 m处田间小型气象站提供的气象数据，根据Penman- Monteith公式获得[29]。具体操作方式为蕾期前各处理0—40 cm土层的平均土壤含水率达到田间持水量的70%时，对所有处理进行充分灌溉（30 mm），此后当累计ETc达到30±2 mm时，按试验设计对所有处理进行控制灌溉。

1.3 测定项目与测定方法

1.3.1 冠层光谱信息测定 使用ASD FieldSpec4背挂式野外光谱仪（Analytical Spectral Devices，Boulder，CO，USA）测定棉花冠层高光谱数据，波长范围为350—2 500 nm，其中350—1 000 nm光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 000—2 500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。选择在10：00—14：00的天气晴朗、无风或风速很小的天气测定。测量时传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约1.0 m[10]。每个小区设置3个观测点，在每个观测点连续采集10个冠层光谱信息，取小区内各观测点冠层光谱反射率的平均值作为该小区冠层光谱反射值。在7月7日（现蕾期）、7月17日（蕾期）、7月25日（蕾期）、8月5日（初花期）、8月14日（盛花期）、8月21日（花铃期）、8月27日（花铃期）共进行7次冠层光谱信息采集，每次采集获得24个光谱样本，经分析去除异常的12个样本后，全生育期内共获得156个样本。

1.3.2 棉花冠层等效水厚度测定 棉花冠层光谱测定完成后，在各小区光谱测定位置对应选取1—2株棉花连根拔起，剪取地上部分装入带冰袋的自封袋，迅速运回实验室后从整株棉花中分离出叶片，立刻称其鲜重并使用便携式叶面积仪（LI-3000C，Licor，NE，USA）测量其叶面积，放入105°C烘箱中杀青1 h，之后在75℃下烘干至恒重并测定干重。由于传统的水分敏感植被指数对等效水厚度（EWT）的敏感程度优于重力含水量（GWC）[30]，因此本文采用冠层等效水层厚度（canopy equivalent water thickness，CEWT，mm）作为表征棉花冠层水分含量的参数，其计算公式[24]如下：

CEWT=LAI×LEWT×10 （2）

LEWT=(FW-DW)/(dw×A) （3）

式中，LEWT表示棉花叶片等效水厚度（cm），FW和DW分别表示取样棉株叶片总鲜重和总干重（g），dw表示水比重1 g·cm-3，A表示叶片的叶面积（cm2），LAI为叶面积指数，即采样棉株叶片面积与所占土地面积之比。

1.3.3 土壤水分测定 在各生育期始末采用取土烘干法测定0—40 cm土壤含水率（soil moisture content，SMC），每20 cm土层采集一个样本。采用精度为0.01 g的电子天平称取湿土重（wet soil weight，SW）和干土重（dry soil weight，SD），计算公式如下：

SMC=(SW-SD)/SD（4）

1.4 数据分析方法

利用Viewspecpro对冠层光谱反射率进行预处理，利用Matlab2016b、SPSS21、Excel2013对实测的棉花冠层等效水厚度与对应的原始光谱反射率及其一阶导数进行相关分析。本文选取的光谱指标分别是归一化差分光谱指数（NDSI）和比值光谱指数（RSI）以及4种形式的多波段比值光谱指数（Multi-band Ratio Spectral Index，MRSI），采用决定系数2、标准误、相对均方根误差作为评价最优特征波段的标准[31]。

NDSI=(Rλ1-Rλ2)/(Rλ1+Rλ2) （5）

RSI=Rλ1/Rλ2（6）

MRSI=Rλ1/(Rλ2+mRλ3) （7）

MRSI=Rλ1/(Rλ2- mRλ3) （8）

MRSI= (Rλ1+mRλ3)/Rλ2（9）

MRSI= (Rλ1- mRλ3)/Rλ2（10）

式中，Rλi是i波长处的光谱反射率。研究采用精细采样法，在350—2 500 nm范围内每隔1 nm读取光谱反射率数据，采用矩阵的形式在全波段范围内将所有可能波段两两组合构建光谱指数，然后与相应的CEWT的观测值进行相关分析，计算决定系数并绘制2等势图，最后基于2、、及光谱学原理选取最优光谱指数。本研究涉及的光谱指数矩阵构建、相关系数计算、决定系数等高线图绘制等工作均在Matlab2016b中通过自编程序实现。

表1 生育期内各处理灌水量

2 结果

2.1 棉花冠层等效水厚度的统计分析

从整个生育期内获取的156个样本中随机选取2/3作为全生育期的建模样本，剩余1/3作为检验样本；同时从全生育期的建模与检验样本中区分出蕾期和花铃期样本进行统计分析。从表2可知，蕾期CEWT最大值为0.6105 mm，最小值为0.1383 mm；花铃期CEWT最大值为0.8723 mm，最小值为0.2216 mm，分布区间均较大，满足建模需求。

2.2 棉花冠层等效水厚度与全波段光谱反射率相关性分析

Demetriades-Shah等[32]研究发现，一阶导数光谱可以有效去除土壤背景带来的噪声。因此本文根据表2中全生育期内的观测数据（n=156），确定了CEWT与原始光谱及其一阶导数光谱的相关性。如图1所示，CEWT与原始光谱反射率在780—1 130 nm近红外波段（NIR）内和1 450—1 830 nm及1 950— 2 450 nm短波红外波段（SWIR）内附近均出现连续的敏感区域，都达到了0.01显著相关水平（||＞0.206）；其最大相关系数||max为0.6747，位于2 086 nm；而CEWT与一阶导数光谱在近红外波段内也有很强的相关性，且在950、1 020、1 140 nm附近尤为明显（||＞0.6），全波段范围内最大相关系数||max为0.7324，位于1 140 nm。总体上在近红外波段内一阶数光谱与CEWT的相关性较原始光谱有所加强，而在短波红外波段内，原始光谱与CEWT相关性比一阶导数光谱更强。

r0.05和r0.01分别表示0.05显著相关（r=0.157）及0.01显著相关（r=0.206）水平线

2.3 光谱指数与棉花冠层等效水厚度的关系

2.3.1 全生育期内双波段光谱指数与棉花冠层等效 水厚度的关系 由于利用单波段光谱对植被水分进行估算的稳定性和精度均不能很好地满足实际应用需要，因此，本文使用原始光谱和一阶导数光谱在全波段范围内构建光谱指数，并与表2中全生育期数据集（n=156）进行相关分析，绘制棉花CEWT与NDSI、RSI决定系数等高线图（图2）。由图2可以看出，利用原始光谱构建的NDSI与RSI等高线图相似，其中NDSI决定系数较高（2＞0.6）的波段组合主要在λ1=1 100—1 350 nm，λ2=1 500—1 650 nm附近，2最大值为0.6636；RSI决定系数较高的波段组合主要在λ1=9 00—1 350 nm，λ2=1 500—1 650 nm、1 950—2 350 nm附近，2最大值为0.7293。这说明基于原始光谱的RSI指数比NDSI敏感区域范围更大，2值更高，与CEWT相关性更好。利用一阶导数光谱构建NDSI的2最大值为0.6244，RSI的2最大值为0.6782，二者表现均不如原始光谱。综合来看，可选取表现最佳的基于原始光谱构建的RSI作为CEWT监测模型的双波段光谱指数形式。根据全生育期内的建模数据集（n=104）与相应观测数据构建RSI决定系数（2）前10%结果的等高线图（图3-a），敏感波段区域主要在λ1=1 100—1 150nm，λ2=1 500—1 600 nm。同时利用全生育期内校验数据集（n=52）得到2前10%敏感波段区域（图3-b），主要在λ1=1 100—1 300 nm，λ2=1 450—1 600 nm；最后根据二者重叠区域选取2最大值，RSI（1134，1533）被选为全生育期内反演CEWT的光谱指数，其2达到0.7004，为0.0953 mm（图4-a）。图4-b为基于检验数据集的全生育期内实测CEWT与模型预测CEWT的关系，可以看出尽管全生育期模型验证效果较好（2= 0.7239），但是与全生育期相比，蕾期和花铃期模型验证结果均偏低，且蕾期建模效果也较差（图4-a）。对全生育期内双波段光谱指数RSI（1134，1533）的建模与验证效果，为研究不同生育期最佳的光谱指数以估算棉花不同阶段的CWET提供了借鉴。

（a）基于原始光谱构建的NDSI；（b）基于原始光谱构建的RSI；（c）基于一阶导数光谱构建的NDSI；（d）基于一阶导数光谱构建的RSI。图中纵坐标为λ1，横坐标为λ2

a：建模数据，b：检验数据 a: calibration dataset, b: validation dataset

（a）RSI（1134，1533）与CEWT的定量关系；（b）基于RSI（1134，1533）的实测与预测数据1:1关系

2.3.2 不同生育期内双波段光谱指数与棉花冠层等效水厚度的关系 基于全生育期内寻找最优RSI的分析方法，分别利用蕾期与花铃期的建模与检验数据集，在350—2 500 nm范围内，寻找适用于各自生育阶段的最佳波段组合构建RSI。选出RSIb（1130，1996）作为在蕾期反演CEWT的最优双波段光谱指数，所建线性模型2为0.7672，为0.0487 mm；RSIa（904，1952）作为在花铃期反演CEWT的最优双波段光谱指数，所建线性模型2达到0.8696，为0.0602 mm。二者均较全生育期光谱指数RSI（1134，1533）拥有更好的建模效果（图4—5）。利用蕾期和花铃期的校验数据集分别对RSIb（1130，1996）和RSIa（904,1952）进行验证（图5），结果表明，二者均较RSI（1134,1533）在各自生育阶段对CEWT有更高的预测精度。

（a）蕾期内RSIb（1130，1996）与CEWT的定量关系；（b）基于RSIb（1130，1996）的蕾期实测与预测数据1:1关系；（c）花铃期内RSIa（904，1952）与CEWT的定量关系；（d）基于RSIa（904，1952）的花铃期实测与预测数据1:1关系

2.3.3 多波段光谱指数与棉花冠层等效水厚度的关系 本研究利用蕾期和花铃期数据集分别计算CEWT与RSI的决定系数，从不同生育期对CEWT敏感的（2＞0.7）重叠区域选取出表现最好的RSI（1134，1533）和RSI（1135，2003），并基于公式（7）—（10）中的多波段光谱指数形式[33]，利用Matlab在350—2 500 nm范围内做全波段循环，每循环一次m赋值递增0.1（0.1≤m≤10），通过增加第三波段（λ3）建立了新型多波段CEWT指数。综合考虑建模和校验效果，R1134/(R1533-0.5R2086)、(R1135-5R1494)/R2003在所有三波段光谱指数中表现最佳，如图6所示，二者均较RSI（1134，1533）在全生育期内对棉花CEWT拥有更高的预测水平，其中(R1135-5R1494)/R2003在全生育期内的估算精度最高，为0.1803；在蕾期，三波段光谱指数的建模效果和预测精度均不如RSIb（1130，1996）；在花铃期，(R1135-5R1494)/R2003对CEWT的估算精度较RSIa（904，1952）更好，为0.1621。总体而言，(R1135-5R1494)/R2003的稳定性和预测精度均高于R1134/(R1533-0.5R2086)，被选为本研究最优三波段光谱指数。

（a）(R1135-5R1494)/R2003与CEWT的定量关系；（b）基于(R1135-5R1494)/R2003的实测与预测数据1:1关系；（c）R1134/(R1533-0.5R2086)与CEWT的定量关系；（d）基于R1134/(R1533-0.5R2086)的实测与预测数据1:1关系

表2 冠层等效水厚度统计描述

3 讨论

3.1 对棉花冠层等效水厚度敏感的光谱波段

已有研究表明在1 300—2 500 nm波段内植物反射光谱受其自身水分的影响，水的存在直接造成辐射的吸收，而在400—1 300 nm波段内，植被不同的水分含量会使叶片内部结构发生改变，从而间接影响其光谱特性[34-35]；Curcio等[36]认为在820、970、1 200、1 450、1 940 nm附近存在水分的强吸收波段，可以用于植被水分的反演。本研究发现原始光谱在短波红外波段附近与棉花CEWT的相关性较近红外波段更强，在1 450—1 830、1 950—2 450 nm附近呈连续的显著负相关（图1），这与Yi等[25]研究结果类似。前人在对叶片等效水厚度（LEWT）估算的研究中发现短波红外波段（SWIR）对EWT很敏感，但是SWIR内的单波段光谱不能单独用于植物EWT信息的提取，原因是植物体内部结构与干物质等因素也会影响SWIR范围内光谱反射率[17]。本文提出的3个新型光谱指数RSIb（1130，1996）、RSIa（904，1952）、RSI（1134，1533）所包含的6个波段均与CEWT呈0.01极显著相关水平，且处于短波红外波段的1 533、1 952、1 996 nm均与处于近红外波段的1 134 nm、904 nm、1 130 nm相组合，这与Ceccato等[17]的研究结果一致。Sims等[37]将水分敏感波段与水汽吸收最小的大气窗口对比时发现，1 150、1 260、1 520、1 540 nm附近区域最适合卫星遥感反演含水量。本文提出的全生育期监测光谱指数RSI（1134，1533）所包含1 134 nm和1 533 nm两个波段受水汽吸收影响均较小，不但可用于冠层尺度监测CEWT，还适合于大尺度的遥感监测。

3.2 不同生育期阶段对棉花CEWT敏感的光谱指数

以往研究中提出的光谱指数大多不区分植物的生长阶段[23-27]，尽管在监测模型中较少的波段参数输入可以节省监测仪器的制造成本，但植物在开花前后的冠层结构、生理生化组成等变化可能会影响植物全生育期内叶片等效水厚度监测模型的反演效果[31]。因此，从模型精度方面考虑，进行区分生育期的棉花CEWT监测研究是十分必要的。本文首先在全生育期内对CEWT敏感的光谱指数进行系统分析，发现RSI较NDSI与CEWT的关系更为密切，提出RSI（1134，1533）作为棉花全生育期内监测CEWT的双波段光谱指标，但是该指标在蕾期的建模与验证效果均较差，这可能由两方面原因导致，一是全生育期建模样本中花铃期样本数较蕾期更大，二是蕾期盖度较低，受土壤背景干扰较强。

进入初花期后棉花营养生长迅速，导致其冠层结构变化较快，如株高、叶片数等均较蕾期增长显著；另一方面，由于花后棉花呼吸作用增强，花瓣受花青素、胡萝卜素和叶黄素等色素的影响，在一段时间内往往呈现出不同的颜色，且开花后纤维细胞开始大量分化，棉株体内纤维素与木质素含量较蕾期逐渐增多[38]，这些因素都可能会对棉花冠层光谱产生较大影响，导致蕾期和花铃期存在不同的CEWT敏感波段。利用蕾期和花铃期观测数据确定CEWT在不同生育期内与原始反射率的相关性，结果表明，在蕾期最大相关系数||max为0.6084，位于1 928 nm，其中1 020—1 140nm附近呈显著正相关，1 915—2 000 nm附近呈显著负相关（||＞0.490）；在花铃期最大相关系数||max为0.5940，位于778 nm，其中750—960 nm附近呈显著正相关，1 940—2 050 nm附近呈显著负相关（||＞0.408）。本研究提出RSIb（1130，1996）和RSIa（904，1952）作为蕾期和花铃期的最优双波段光谱指数，二者均比RSI（1134，1533）在各自生育期内的监测精度更高，分别观察各光谱指数构成可知，1 130、1 996 nm均处于蕾期CEWT最佳敏感波段区域，904、1 952 nm均处于花铃期CEWT最佳敏感波段区域。这也说明利用不同生育期的敏感波段构建光谱指数可以有效提高CEWT的估算能力。

3.3 棉花CEWT多波段光谱指数的构建

已有研究表明，在双波段光谱指数基础上增加特定的第三波段组合成三段光谱指数可以降低特定的噪声干扰，消除或改善饱和现象[33,39-40]。本研究为降低不同生育期内的多因素噪声影响，构建了三波段光谱指数。可以看出，构成R1134/(R1533-0.5R2086)的1 134 nm位于蕾期CEWT核心敏感波段区域，1 533 nm位于全生育期CEWT核心敏感波段区域，新引入的2 086 nm则是本研究发现的全生育期CEWT最佳敏感波段；构成(R1135-5R1494)/R2003的1 135 nm位于蕾期CEWT核心敏感波段区域，2 003 nm和新引入的1 494 nm同样在全生育期CEWT敏感波段范围内。另一方面，1 494、2 086 nm同样位于纤维素分子吸收波段1 490、2 090 nm附近[41]。这表明，三波段光谱指数可能是通过添加纤维素敏感波段来消除开花前后植株组分的差异，以增加全生育期监测模型的预测精度和稳定性。值得注意的是，本文构建的三波段光谱指数在蕾期估算CEWT的表现均不如RSIb（1130，1996），在花铃期的表现较RSIa（904，1952）也没有明显提升，这说明在双波段光谱指数基础添加第三波段的去噪方法还需进一步的探讨。

3.4 现有植被指数与本研究提出的新型光谱指标对比

总结近年来用于反演作物含水量的7种常用植被指数与本研究开发的新型光谱指数进行比较。如表3所示，在7种已发表的光谱指标中，NDWI1640监测CEWT的精度最高，其2为0.4475，为0.1294 mm；NDII表现最差，2为0.1495，为0.1606mm。这7种植被指数与CEWT的相关性均达到0.01显著相关水平。本文提出的光谱指数较这7种指标模型精度更高，反演效果更好。这可能是由于以上7种指标是在不同尺度对不同作物进行建模的，且这些研究中均未考虑不同生育期对模型精度的影响。

本研究全面分析了棉花冠层等效水厚度与高光谱指数之间的相关关系，研究结果将有助于进一步提高棉花CEWT的估算精度，但是也存在一些不足。首先，本文仅进行了单一棉花品种的一年试验，采样地点和采样年份均较少，所建立模型的普适性和稳定性还需要多品种、多年度、多生态点数据进行支撑及验证；其次本文仅从对CEWT敏感程度及建模、验证效果角度确定监测棉花CEWT的最优光谱指数，而植被体内含水量的不同往往伴随着其氮素含量在内的各生化组分的差异，尽管水分的强吸收中心及其两侧延展的吸收翼会影响这些组分在此区域的吸收特征[47]，但各组分的差异很有可能影响水分敏感波段的选取及各水分监测模型的稳定性，本研究中并未对棉花各生化组分的进行分析，没有指出各生化组分在不同生育期内的变化对植被水分监测模型估算效果的影响机制，这些仍需要进一步的探索。

4 结论

本文通过在不同生育期内构建监测棉花冠层等效水厚度的最优光谱指数和监测模型，研究发现：在950、1 020、1 140 nm附近一阶数光谱与冠层等效水厚度（CEWT）的相关性较原始光谱显著加强，而在短波红外波段原始光谱与CEWT的相关性更高，基于原始光谱建立的光谱指数较一阶导数光谱对CEWT更敏感，RSI较NDSI更适合监测棉花CEWT；在全生育期内，（R1135-5R1494）/R2003的表现最好，而RSI（1134，1533）为最优双波段光谱指数；在蕾期，RSIb（1130，1996）对CEWT预测精度最高；在花铃期，RSIa（904，1952）的估算水平最佳，而（R1135-5R1494）/R2003的表现也较为稳定。

[1] 孟兆江, 段爱旺, 刘祖贵, 张寄阳. 根据植株茎直径变化诊断作物水分状况研究进展. 农业工程学报, 2005, 21(2): 30-33.

MENG Z J, DUAN A W, LIU Z G, ZHANG J Y. Advances on diagnosis of crop moisture content from changes in stem diameters of plants., 2005, 21(2): 30-33. (in Chinese)

[2] 唐菁, 杨承栋, 康红梅. 植物营养诊断方法研究进展. 世界林业研究, 2005, 18(6): 45-48.

TANG J, YANG C D, KANG H M. Advances in methods of nutrition diagnosis for plants., 2005, 18(6): 45-48. (in Chinese)

[3] 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)

[4] 高照阳, 张红梅, 常明勋. 国内外土壤水分监测技术. 节水灌溉, 2004(2): 28-29.

GAO Z Y, ZHANG H M, CHANG M X. Soil moisture monitoring technology at home and abroad., 2004(2): 28-29. (in Chinese)

[5] Danson F M, Steven M D, Malthus T J, CLARK J A. High-spectral resolution data for determining leaf water content., 1992, 13(3): 10.

[6] Baret F, Fourty T. Estimation of leaf water content and specific leaf weight from reflectance and transmittance measurements., 1997, 17: 455-464.

[7] Riano D, Vaughan P, Chuvieco E, Zarco-Tejada p j, Ustin s l. Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content: analysis at leaf and canopy level., 2005, 43(4): 819-826.

[8] Colombo R, Meroni M, Marchesi A, Busetto l, Rossini m, Giardino c, Panigada c. Estimation of leaf and canopy water content in poplar plantations by means of hyperspectral indices and inverse modeling., 2008, 112(4): 1820-1834.

[9] Baret F, Fourty T. Estimation of leaf water content and specific leaf weight from reflectance and transmittance measurements., 1997, 17: 455-464.

[10] Yi Q x, Wang F m, Bao A m, Jiapaer g. Leaf and canopy water content estimation in cotton using hyperspectral indices and radiative transfer models., 2014, 33: 67-75.

[11] Li L, Cheng Y B, Ustin S, HU X T, RIONO D. Retrieval of vegetation equivalent water thickness from reflectance using genetic algorithm (GA)-partial least squares (PLS) regression., 2008, 41(11): 1755-1763.

[12] Cheng T, Rivard B, Sanchez-Azofeifa A G. Spectroscopic determination of leaf water content using continuous wavelet analysis., 2011, 115(2): 659-670.

[13] Cheng T, Rivard B , Sanchez-Azofeifa A G, Feret j b, Jacquemoud s, Ustin s l. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169(12): 1134-1142.

[14] LI D, CHENG T, YAO X, ZHANG Z Y, TIAN Y C, ZHU Y, CAO W X. Wavelet-based PROSPECT inversion for retrieving leaf mass per area (LMA) and equivalent water thickness (EWT) from leaf reflectance.2016,6910-6913.

[15] 冯海宽, 李振海, 金秀良, 杨贵军, 万鹏, 郭建华, 于海洋, 杨福芹, 李伟国, 王衍安. 基于EFAST和PLS的苹果叶片等效水厚度高光谱估算. 农业工程学报, 2016, 32(12): 165-171.

FENG H K, LI Z H, JIN X L, YANG G J, WAN P, GUO J H, YU H Y, YANG F Q, LI W G, WANG Y A. Estimating equivalent water thickness of apple leaves using hypersecptral data based on EFAST and PLS., 2016, 32(12): 165-171. (in Chinese)

[16] Gao B C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space., 1996, 58: 257-266.

[17] Ceccato P, Stephane F, Tarantola S. Detecting vegetation leaf water content using reflectance in the optical domain., 2001, 77(1): 22-33.

[18] Eitel J U H, Gessler P E, Smith A M S. Suitability of existing and novel spectral indices to remotely detect water stress inspp. ., 2006, 229: 170-182.

[19] Palacios-Orueta A, Khanna S. Assessment of NDVI and NDWI spectral indices using MODIS time series analysis and development of a new spectral index based on MODIS shortwave infrared bands.Trier, Germany, 2006: 207-209.

[20] Khanna S, Palacios-Orueta A, Whiting M L. Development of angle indexes for soil moisture estimation, dry matter detection and land-cover discrimination., 2007, 109(2): 154-165.

[21] Seelig H D, Hoehn A, Stodieck L S. Relations of remote sensing leaf water indices to leaf water thickness in cowpea, bean, and sugarbeet plants., 2008, 112(2): 445-455.

[22] Yilmaz M T, Hunt E R, Jackson T J. Remote sensing of vegetation water content from equivalent water thickness using satellite imagery., 2008, 112(5): 2514-2522.

[23] 王强, 易秋香, 包安明, 赵金. 棉花冠层水分含量估算的高光谱指数研究. 光谱学与光谱分析, 2013, 33(2): 507-512.

WANG Q, YI Q X, BAO A M, ZHAO J. Discussion on hyperspectral index for the estimation of cotton canopy water content., 2013, 33(2): 507-512. (in Chinese)

[24] Yi Q X, Bao A M , Luo Y, ZHAO J. Measuring cotton water status using water-related vegetation indices at leaf and canopy levels., 2012, 4(3): 310-319.

[25] Yi Q X, Bao A M, Wang Q, ZHAO J. Estimation of leaf water content in cotton by means of hyperspectral indices., 2013, 90: 144-151.

[26] 冯先伟, 陈曦, 包安明, 孙莉, 王登伟, 马亚琴. 水分胁迫条件下棉花生理变化及其高光谱响应分析. 干旱区地理, 2004, 27(2): 250-255.

FENG X W, CHEN X, BAO A M, SUN L, WANG D W, MA Y Q. Analysis on the cotton physiological change and its hyperspectral response under the water stress conditions., 2004, 27(2): 250-255. (in Chinese)

[27] 苏毅, 王克如, 李少昆, 肖春华, 陈兵, 王方永, 唐强, 陈江鲁, 金秀良, 吕银亮, 王楷. 棉花植株水分含量的高光谱监测模型研究. 棉花学报, 2010, 22(6): 554-560.

SU Y, WANG K R, LI S K, XIAO C H, CHEN B, WANG F Y, TANG Q, CHEN J L, JIN X L, LÜ Y L, WANG K. Monitoring models of the plant water content based on cotton canopy hyperspectral reflectance., 2010, 22(6): 554-560. (in Chinese)

[28] Liu H, Gao Y, Sun J, WU X L, JHA S K, ZHANG H, GONG X W, LI Y. Responses of yield, water use efficiency and quality of short-season cotton to irrigation management: interactive effects of irrigation methods and deficit irrigation., 2017, 35(2): 125-139.

[29] Allen R G, Pereira l s, Raes d, Smith m. Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56. Food and Agriculture Organization of the United Nations, Rome, Italy, 1998.

[30] Liu L, Zhang S, Zhang B. Evaluation of hyperspectral indices for retrieval of canopy equivalent water thickness and gravimetric water content., 2016, 37(14): 3384-3399.

[31] Yao X, Jia W Q, Si H Y, GUO Z Q, TIAN Y C, LIU X J, CAO W X, ZHU Y. Exploring novel bands and key index for evaluating leaf equivalent water thickness in wheat using hyperspectra influenced by nitrogen., 2014, 9(6):e96352.

[32] Demetriades-Shah T H, Steven M D, Clark J A. High resolution derivative spectra in remote sensing., 1990, 33(1): 55-64.

[33] Tian Y C, Yao X, Yang J, cao w x, Hannaway d b, zhu y. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground- and space-based hyperspectral reflectance., 2011, 120(2): 299-310.

[34] PEnUELAS j, Filella I , Biel C, SERRANO L, SAVE R. The reflectance at the 950-970 nm region as an indicator of plant water status.1993, 14(10): 19.

[35] Carter G A. Primary and secondary effects of water content on the spectral reflectance of leaves., 1991, 78(7): 916-924.

[36] Curcio J A, Petty C C. The near infrared absorption spectrum of liquid water., 1951, 41(5): 302-304.

[37] Sims D A, Gamon J A. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features., 2003, 84(4): 526-537.

[38] Seagull R W, Giavalis S. Pre-and post-anthesis application of exogenous hormones alters fiber production inL. cultivar Maxxa GTO., 2004, 8(2): 105-111.

[39] Stow D, Niphadkar M, Kaiser J. MODIS‐derived visible atmospherically resistant index for monitoring chaparral moisture content., 2005, 26(17): 3867-3873.

[40] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81(2/3): 337-354.

[41] 颜春燕. 遥感提取植被生化组分信息方法与模型研究[D]. 北京: 中国科学院, 2003.

Yan c y. Study on methods and models for vegetation biochemical information retrieval by remote sensing[D]. Beijing: Chinese Academy of Sciences, 2003. (in Chinese)

[42] Zarco-Tejada P J, Rueda C A, Ustin S L. Water content estimation in vegetation with MODIS reflectance data and model inversion methods., 2003, 85(1): 109-124.

[43] Hardisky M A, Smart R M, Klemas V. Growth response and spectral characteristics of a shortsalt marsh irrigated with freshwater and sewage effluent., 1983, 13(1): 57-67.

[44] Wu C, Niu Z, Tang Q, HUANG W J. Predicting vegetation water content in wheat using normalized difference water indices derived from ground measurements., 2009, 122(3): 317-326.

[45] Chen D, Huang J, Jackson T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands., 2005, 98(2/3): 225-236.

[46] Hunt E R, Rock B N. Detection of changes in leaf water content using Near- and Middle-infrared reflectances., 1989, 30(1): 43-54.

[47] 田永超, 朱艳, 姚霞, 刘小军, 曹卫星. 基于光谱信息的作物氮素营养无损监测技术. 生态学杂志, 2007, 26(9): 1454-1463.

TIAN Y C, ZHU Y, YAO X, LIU X J, CAO W X. Non-destructive monitoring of crop nitrogen nutrition based on spectral information., 2007, 26(9): 1454-1463. (in Chinese)

canopy equivalent water thickness estimation of cotton based on hyperspectral index

MA YanChuan1,2, LIU Hao1, CHEN ZhiFang1, Zhang Kai1, YU Xuan1,2, WANG JingLei1, SUN JingSheng1

(Farmland Irrigation Research Institute, Chinese Academy of Agricultural Sciences/Key Laboratory of Crop Water Requirement and Regulation, Ministry of Agriculture, xinxiang 453002, Henan; Graduate School of Chinese Academy of Agricultural Sciences, Beijing 100081)

【Objective】The objective of the experiments is to develop a key method for fast and nondestructive monitoring canopy equivalent water thickness (CEWT) in cotton (Lumian 54) and to further improve the estimation accuracy of CEWT in cotton monitored by remote sensing technology. 【Method】Through setting irrigation gradient treatment in different growth period, canopy spectral reflectance and canopy equivalent water thickness and other information were measured simultaneously. Firstly, we comprehensively analyzed the correlation between CEWT and various spectral parameters, including original spectral reflectance, first derivative spectral reflectance, all-band combined spectral index and existing spectral index. Then, we determined the optimal spectral indices of bud stage, flowering and bolls stage, and full growth period. Finally, we constructed a hyperspectral monitoring model of cotton CEWT by linear regression. 【Result】The canopy equivalent water thickness and the original spectral reflectance show continuous sensitive bands in the near infrared band (NIR) of 780-1130 nm and the short wave infrared band (SWIR) of 1 450-1 830 nm and 1 950-2 450 nm, the sensitivity of the first derivative spectrum to CEWT was enhanced in NIR band than that of the original spectrum, but was weaker in SWIR band than that of the original spectrum. The correlation between the spectral index constructed by the original spectral reflectance and CEWT is stronger than that of the first derivative spectrum, and the ratio spectral index (RSI) is more suitable for the monitoring of CEWT than the normalized difference spectral index (NDSI). During the whole growth period, the inversion accuracy of CEWT by (R1135-5R1494)/R2003was the best (2=0.7878,=0.1803). In the bud stage, RSIb(1130,1996) has the best estimation effect on CEWT (2=0.7258,=0.1444). RSIa(904,1952) was the optimal spectral index (2=0.7853,=0.2454) for estimating CEWT at the flowering and bolls stage.【Conclusion】The new hyperspectral indexes proposed in this study in different growth stages can be used for quantitative monitoring of canopy equivalent water thickness in cotton. The results of this study can provide reference for the application of hyperspectral technology in monitoring water content of cotton canopy, and provide technical basis for precision irrigation of cotton.

hyperspectral index; cotton; canopy equivalent water thickness; estimation

2019-05-09；

2019-09-03

现代农业棉花产业技术体系建设专项（CARS-15-13）、国家自然科学基金（51709262）、国家重点研发计划（2016YFC0400208）

马岩川，E-mail：18801102750@163.com。通信作者孙景生，E-mail：jshsun623@163.com

（责任编辑 杨鑫浩）