基于冠层光谱的冬油菜光合性状监测模型研究

雷利琴，李倩，唐利平，，黄益国，李小芳∗，官春云

(1 衡阳市农业科学院，湖南衡阳 421101；2 湖南农业大学，长沙 410128)

光合作用是生物界赖以存在的基础，也是作物生命存在、繁荣和发展的源泉[1]，在农业生产中具有重大意义。开展作物光合性状的无损实时监测研究可为作物的生长实时监测[2]、生产力[3]及品质的预测预报[4]提供相应理论依据。传统的作物光合性状监测方法一般是在田间随机抽取植株进行相应的生理指标测试，虽然结果较为可靠，但费时费力，且不能实现对作物光合性状的实时、快速、全面监测[5]。

农作物信息的无损获取技术能更准确地预报作物产量因地区和栽培条件不同而发生的变异状况，大大降低大区域估产成本，使农产品品质分级、分类收获和加工方案的制定更合理，确保粮食生产的安全和优质优价。绿色植物具有典型的光谱特性。而在作物生长过程中，不同的肥水管理、栽培措施及品种类型导致作物生长状况发生变化，会形成独特的光谱特征[6]，通过筛选对作物农学参数敏感的波段，挖掘其相应光谱反射率或演生指数与作物农学参数的相关关系及内在规律，基于其定量化的规律性关系可实现对农作物信息的准确监测[7]。越来越多的科学家开始利用地面监测如光谱数字技术来研究农情信息的实时无损获取，且叶面积指数[8]、干物质[9]、品质[10，11]等指标的光谱监测技术已趋于成熟。

目前，国内外油菜光合作用的研究大多仍集中在对生理指标特性的认识层面[12]。就油菜而言，影响光合作用的性状指标主要有光合速率、叶绿素含量和叶面积指数[13]等。基于此，本研究以冬油菜连续两个试验季的不同施肥量和密度试验为基础，综合利用油菜光合性状与冠层敏感波段植被指数的定量关系，探索建立油菜光合性状的监测模型，并利用不同年份的油菜光合性状和冠层光谱数据进行模型的检验，以期为光谱无损诊断技术在冬油菜光合作用预测上的适宜性和大范围的遥感评估提供试验基础和理论参考。

1 材料与方法

1.1 材料

在湖南农业大学试验基地进行连续两个油菜生长季(2009—2010 年度和2010—2011 年度)的不同施肥量和密度试验。供试油菜品种为杂1613，施肥量水平设N3(高肥，1 875 kg/hm2)、N2(中肥，1 125 kg/hm2)、N1(低肥，375 kg/hm2)、N0(对照，0 kg/hm2)4 个，密度水平设M1(15 万株/hm2)、M2(30 万株/hm2)、M3(45万株/hm2)、M4(60 万株/hm2)、M5(75 万株/hm2)5 个。两因素水平随机区组排列，共20 个处理，3 次重复。供试肥料为湖南农业大学提供的控释肥，氮磷钾的含量比例(N∶P2O5∶K2O)为12∶5∶7，做基肥一次施用，小区面积为12 m2，行距为0.2 m，每个小区20行，其他管理措施同高产大田。

1.2 方法

1.2.1 净光合速率测定

在油菜抽薹期、现蕾期、开花期和角果期，于上午10:00—11:00，选取油菜健壮主茎，用Li－6400XT测定顶部第一完全展开叶片和角果的净光合速率，每个小区测3 张叶片或3 个角果，取平均值作为该区叶片、角果的净光合速率。

1.2.2 叶片叶绿素含量测定

使用SPAD－502 测定SPAD 值。SPAD 值测定与冠层光谱测量同步进行，测定的样品与进行光谱测定的样品一致。由于测定部位对读数影响较大，测定部位应尽量保持一致并避开叶脉。一般选取最大绿叶，在距叶边缘约2 cm 处进行测定，测定8 个叶片，每个样品测5 个值，取总的平均值计算该小区叶片叶绿素含量。

1.2.3 叶面积指数测定

与光谱测量同步，计算叶面积及叶面积指数。每个小区取有代表性的10 株油菜测定绿色叶片长和宽，每片叶的叶面积＝叶长×叶宽×系数(系数值为0.683 4[14])，单株叶面积为所有绿色叶片叶面积之和。根据下面公式计算绿色面积和绿色面积指数。

绿色面积＝小区总株数×单株叶面积(或角果面积)；

绿色面积指数＝绿色面积/小区面积[15]。

1.2.4 光谱数据测定

在测定油菜光合参数时，同步测定油菜冠层光谱。使用的仪器为Field Spec Pro FR2500 型背挂式野外高光谱辐射仪(美国ASD 公司)，其测试波段为350～2 500 nm。选择天气晴朗、无风或风速很小的时候进行冠层光谱测定，测定时间一般为10:00—14:00。每个小区重复测量5 次，取平均值。测量时，传感器的探头垂直向下，视场角度为25°，距冠层顶部的垂直高度约为1 m，地面视场范围直径为0.44 m。在测量过程中，及时对每组目标的观测值进行标准白板校正(标准白板反射率为1，因此所得目标物光谱为无量纲的反射率)。为提高光谱分析精确性，综合分析年度试验光谱噪声产生区域，删除受噪声影响较大的波段:1 356～1 399、1 828～1 963和2 350～2 500 nm，剔除后共有1 820 个有效波段数据(图1)。

1.2.5 数据处理与分析

所有步骤都在MATLAB 平台中自编程序完成。

第一步，利用2010—2011 年度的油菜各光合生理指标和相应冠层光谱反射率的试验数据，计算由任意两波段矩阵形式组合的光谱指数，归一化光谱指数(normalized spectral index，NDSI)为任意两波段数值之差和它们数值之和的比值，即NDSI＝(Rλ1－Rλ2)/(Rλ1＋Rλ2)，比值光谱指数(ratio spectral index，RSI)为任意两波段数值的比值，即RSI＝Rλ1/Rλ2[16]，并利用350～2 500 nm 波段范围内任意光谱指数与油菜的各光合参数计算相应拟合曲线的决定系数(R2)。

第二步，用R2与相应的波段作等高线图，先采用降采样法每隔50、25、10 个波段采样，可以显示出决定系数大的敏感波段范围，然后在敏感波段范围内，采用精细采样法每隔1 个波段采样，运行程序得出最优决定系数(R2)。

第三步，利用最优决定系数(R2)对应的油菜各光合参数和敏感波段组成的最佳光谱指数进行定量分析，建立相应的拟合方程监测模型。

第四步，利用2009—2010 年度的油菜试验数据对监测模型进行检验。检验结果采用国际上通用的均方差根(root mean square error，RMSE)和相对误差(relative error，RE)表示。

2 结果与分析

2.1 冬油菜冠层敏感波段筛选

利用350～2 500 nm 波段范围内任意光谱指数(图1)与油菜各光合参数(表1、表2、表3)计算相应的拟合曲线的决定系数(R2)。

图1 不同年度冬油菜冠层光谱信息Fig.1 Spectral information of winter rape canopy in different years

表1 不同处理油菜光合速率Table 1 Photosynthetic rate of rape under different treatments

表2 不同处理油菜叶片叶绿素含量Table 2 Chlorophyll content of rape leaves in different treatments

续表2

表3 不同处理油菜叶面积指数Table 3 Leaf area index of rape under different treatments

采用降采样法，通过运行程序得出敏感波段范围的决定系数R2等高线图，冬油菜叶片净光合速率与NDSI(Rλ1，Rλ2)的拟合曲线的敏感波段范围都位于762～810 nm 和756～762 nm 组合(图2－A)、350～510 nm 和1 410～1 810 nm 组合(图2－B)；与RSI(Rλ1，Rλ2)的拟合曲线的敏感波段范围都位于758～760 nm 和760～832 nm 组合(图2－C)。冬油菜角果净光合速率与NDSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围分别位于945～960 nm 和941～956 nm 组合(图2－D)、1 180～1 200 nm和1 170～1 190 nm 组合(图2－E)、925～947 nm 和998～1 022 nm 组合(图2－F)；与RSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围分别位于980～1 120 nm 和904～1 066 nm 组合(图2－J)、1 180～1 200 nm 和1 170～1 190 nm 组合(图2－H)、1 188～1 200 nm 和1 170～1 188 nm 组合(图2－I)。

图2 冬油菜净光合速率与光谱指数的拟合曲线的决定系数(R2)等高线图Fig.2 Determination coefficient(R2)contour map of fitting curve between net photosynthetic rate and spectral index of winter rape

冬油菜叶片叶绿素含量与NDSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围分别位于1 950～2 350 nm 和510～750 nm 组合(图3－A)、1 910～2 300 nm 和500～700 nm 组合(图3－B)、480～522 nm 和440～520 nm 组合(图3－C)；与RSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围分别位于2 000～2 350 nm 和550～734 nm 组合(图3－D)、2 000～2 350 nm 和540～780 nm 组合(图3－E)、2 000～2 350 nm 和550～734 nm 组合(图3－F)。

图3 冬油菜叶片叶绿素含量与光谱指数的拟合曲线的决定系数(R2)等高线图Fig.3 Determination coefficient(R2)contour map of fitting curve between chlorophyll content and spectral index in winter rape leaves

冬油菜叶面积指数与NDSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围都位于680～1 110 nm 和450～750 nm 组合(图4－A、B、C)；与RSI(Rλ1，Rλ2)的线性函数、指数函数和幂函数的敏感波段范围分别位于700～1 160 nm 和1 400～1 550 nm 组合(图4－D)、700～950 nm 和450～650 nm 组合(图4－E)、1 400～1 550 nm 和700～1 180 nm 组 合(图4－F)。

图4 冬油菜叶面积指数与光谱指数的拟合曲线的决定系数(R2)等高线图Fig.4 Determination coefficient(R2)contour map of fitting curve between leaf area index and spectral index of winter rapeseed

2.2 冬油菜光合生理指标与光谱指数的定量模型

在敏感波段范围内采用精细采样法每隔1 个波段采样，运行程序得出最优决定系数(R2)，其对应的波段即为该光合生理指标的敏感波段。将不同敏感波段组成的光谱参数与油菜各光合生理指标进行相关回归分析，分别得出它们的回归方程、拟合决定系数(R2)及标准误(SE)。

根据表4，由RSI(R760，R766)建立的油菜叶片净光合速率线性函数监测模型y＝326.420x＋347.140表现最好。该模型拟合决定系数(R2) 最大(0.840)，标准误(SE)最小(1.88)(图5－A)；由NDSI(R951，R948)建立的油菜角果净光合速率线性函数监测模型y＝413.580x＋0.390 表现最好，模型拟合决定系数(R2)最大(0.760)，标准误(SE)最小(0.36)(图5－B)；由NDSI(R2207，R618)建立的油菜叶片叶绿素含量指数函数监测模型y＝43.652e－0.822x表现最好，模型拟合决定系数(R2)最大(0.704)，标准误(SE)小(3.63)(图5－C)；由NDSI(R722，R721)建立的油菜叶面积指数指数函数监测模型y＝0.1950e189.660x表现最好，模型拟合决定系数(R2)最大(0.522)，标准误(SE)比较小(1.51)(图5－D)。

图5 基于光谱指数的光合生理指标最佳监测模型Fig.5 The best monitoring model of photosynthetic physiological indexes based on the spectral index

表4 光合生理指标与敏感波段NDSI 和RSI 光谱指数的相关回归分析Table 4 The correlation regression equation between photosynthetic physiological indexes and sensitive band NDSI and RSI spectral indices

续表4

2.3 光合生理指标监测模型的检验与分析

采用决定系数R2、相对误差RE和相对均方差根(relative root mean square error，RRMSE)统计方法，利用2009—2010 年度试验季的冬油菜光合参数和相应冠层光谱反射率数据对以上4 个最佳油菜光合生理指标的监测模型分别进行检测，结果显示:基于光谱指数的冬油菜光合性状的监测模型的实测值与预测值的拟合决定系数R2都大于0.5，相对均方差根RRMSE小，即在对不同施肥量和密度条件下生长的冬油菜光合性状的预测精度上，检验达到了显著水平(表5)。

表5 冬油菜光合生理指标监测模型的检验结果Table 5 Test of monitoring models for photosynthetic physiological indexes of winter rape

用实测值与预测值作图比较(图6)，散点分布越接近1∶1线表明基于敏感波段的植被指数所构建的方程监测准确度越高。

图6 基于敏感波段的冬油菜田间光合性状监测模型精度检验Fig.6 Accuracy test of monitoring model for photosynthetic characteristics of winter rape field based on sensitive bands

3 讨论

目前，比值植被指数(ratio vegetation index，RVI)、归一化植被指数(normalized vegetation index，NDVI)是叶片光合监测预报中常用的植被指数。刘聪[18]认为，使用植被指数NDVI 与入射光合有效辐射的乘积对单植被类型叶片净光合速率反演是可行的。邵佩佩等[19]利用高光谱植被指数反演叶片总初级生产力(gross primary productivity，GPP)的模型发现，小麦NDVI 模型效果最优。孙少波等[20]在对毛竹林叶片高光谱反射率数据进行小波变换的基础上，找到由小波分解第一层高频系数构建的NDVI和RVI 与叶片的净光合速率间相关性最好。本研究获取的光谱数据为全波段，将得到的光谱数据进行两两波段矩阵形式组合，以波段组合计算得到的比值光谱指数(RSI)和归一化光谱指数(NDSI)为基础，建立了最佳冬油菜光合性状监测模型检验，其拟合度都达到了显著水平，且误差值较低，为实时、迅速、无损监测油菜生长状况提供了便捷可靠的方法，也为实现精准农业提供了理论参考。

大量研究表明，预测作物生长状况的敏感波段主要处于近红外波段区域。陈俊英等[21]发现蒸腾速率(Tr)和胞间二氧化碳浓度(Ci)的最优反演模型分别为15:00 的基于红光波段反射率的一元线性模型和15:00 的基于红光波段反射率的一元线性模型。王娣等[22]在分析植被光谱指数、光合有效辐射与净光合速率关系中，发现750 和705 nm 波段组合的NDVI(R750，R705)、750 和700 nm 波段组合的RVI(R750，R700)植被指数与SPAD 值相关性较高，利用高光谱遥感技术可以了解和掌握植物叶片的光合效应，以此评价植物的固碳、释氧能力以及估测农作物产量是完全可行的。在研究甜菜叶绿素含量与高光谱植被遥感的定量关系中，李宗飞等[23]发现，原始光谱反射率和一阶微分反射率与叶绿素含量均具有较好的相关性，其最大正相关分别位于902 和676 nm 附近，最大负相关分别位于611 和1 138 nm 附近。本试验提出的油菜光合性状生理指标的监测模型，RSI(R760，R766)、NDSI(R951，R948)可以很好地分别预测冬油菜的叶片、角果的光合速率，NDSI(R722，R721)可以较好地预测叶面积指数，而760、766、951、948、722 和721 nm 都处于近红外波段区域，这与前人研究的结果基本一致。

作物生产中最为重要的措施之一就有作物水分调控与管理。因为水是植物生命活动的必要条件，植株含水量的变化直接影响植物营养物质的吸收和运输以及一系列生理生化反应，从而影响植物生长，如叶绿素含量。Carter[24]发现，1 300～2 500 nm 波段范围内光谱反射率的变化由叶片水分吸收造成，是水分对植被光谱的初级影响，叶片含水量的变化也导致了叶片内部结构产生差异，最终使1 300～2 500 nm 波段范围内光谱反射率发生改变，是水分对光谱的次级影响。本试验结果建立的冬油菜叶绿素含量监测模型中的最佳模型的敏感波段是2 207和618 nm，对波段2 207 nm 的敏感性在一定程度上验证了叶片含水量对植株叶绿素含量的次级影响。

农作物光谱监测模型的应用与生理指标特性和光谱指数的特性密切相关，具有不同特点和适用波段范围的各种光谱指数在结合敏感波段组合时需要更深层次的精确改善，和大量试验反复深入的论证和检验。需要指出的是:(1)本试验是在同一品种、同一环境的大田基础上进行的，因而建立的油菜光合性状生理指标监测模型存在着品种间的应用差异性及地域局限性。有研究表明作物生理指标与冠层结构之间、不同生态系统之间具有联动关系，因此同一作物在不同生态系统间所建立的光谱指数与生理指标之间的吻合度可能会存在一定的差异[25，26]。(2)本试验建立的油菜光合性状生理指标监测模型是基于全生育期采集的数据样本，因而不同生育期的油菜光合性状生理指标最佳监测模型还需进一步论证。高开秀等[27]研究表明，宽波段植被指数与氮营养指标的相关性在冬油菜不同生育期差异明显，且得出冬油菜蕾薹期的红光标准值和蓝光标准值均与氮营养指标相关性最好。由明明等[28]研究发现，基于光谱指数构建的分生育期和全生育期油菜叶片SPAD 值估算模型虽然均通过显著性检验，但最好的模型及验证精度均表现在各生育期。

如果要在今后的油菜光合效率评价、健康状况监测及氮素营养管理中提供更可靠的理论基础，必须不断在品种间和不同生态环境对监测模型进行广泛检验，若能将本研究结果与低空无人飞机、卫星数据相融合[29]，从更大范围和更高水平上针对不同类型的品种进行反复监测检验，可最终实现模型通用的预测可靠性和普适性。

4 结论

本试验在不同施肥量和密度条件下，研究了油菜冠层光谱与油菜净光合速率(Pn)、叶片叶绿素含量(SPAD)、叶面积指数(LAI)的定量关系，建立了冬油菜光合性状监测模型，得出冬油菜全生育期的叶片净光合速率的最佳监测模型为基于RSI(R760，R766)的线性函数y＝326.420x＋347.140，预测精度为0.836，拟合精度为0.884；角果净光合速率的最佳监测模型为基于NDSI(R951，R948)的线性函数y＝413.580x＋0.390，预测精度为0.760，拟合精度为0.915；叶片叶绿素含量的最佳监测模型为基于NDSI(R2207，R618)的指数函数y＝43.652e－0.822x，预测精度为0.704，拟合精度为0.900；叶面积指数的最佳监测模型为基于NDSI(R722，R721)的指数函数y＝0.195e189.660x，预测精度为 0.522，拟合精度 为0.521。基于本研究结果建立的监测模型预测精度好，拟合检验均达显著水平。