基于近地高光谱遥感的小麦叶片生长参数动态模型研究

李晓，吴亚鹏，贺利,3，段剑钊,3，王永华,3，冯伟,3

(1.河南农业大学理学院，河南 郑州 450002；2.河南农业大学农学院，河南 郑州 450046; 3.国家小麦工程技术研究中心，河南 郑州 450046)

叶片氮含量(LNC)是表征作物生长及氮素营养状况的有效指标，对作物生长发育及产量品质的形成具有重要影响。叶面积指数(LAI)是植株所有绿叶面积与对应的土地表面积的比率，是反映作物群体结构特征及长势好坏的重要参数。由于缺乏简便易行的监测诊断技术，导致当前小麦追肥时期与生长需求不吻合，追肥数量随意性大，严重影响了作物生长发育，氮肥利用效率较低。因此，加强对作物LNC和LAI状况的动态监测对于作物生产管理意义重大。

由于快速、无损和大面积的巨大优势，运用遥感测定技术对作物生长及氮素状况进行实时动态监测一直是农业科学家及种植管理者非常关注的热点问题。不同土壤质地显著影响土壤理化特性以及冠层光谱反射率，通过两波段优化组合技术确立了不同土壤条件下小麦叶片氮含量监测模型[1]。依据蓝光的光学特性，构建的修正蓝光比值植被指数(mSR491)在地面和高空尺度上均能够较好指示水稻LNC[2]。双峰面积归一化差值(NDDA)比多数红边类指数能更准确地估计小麦LNC[3]。观测角度对冠层光谱影响较大，角度不敏感植被指数(AIVI)能削弱视场角的影响，更精准地估测小麦LNC[4]。调整型土壤植被指数(SAVI)和优化的土壤调整型植被指数(OSAVI)减弱土壤影响，进而提高了反射率与LAI间关系[5]。非线性植被指数(NLI)和修正非线性植被指数(MNLI)减轻了目标物反演的饱和性，能够更加线性表达与LAI的关系[6]。HABOUDANE等[7]基于反射率波段对叶绿素含量不敏感的选择性特性，提出了修正型三角植被指数(MTVI1和MTVI2)和修正型叶绿素吸收指数(MCARI1和MCARI2)，其中MTVI2和MCARI2被证明是预测LAI的最佳指数。这表明许多研究对LNC和LAI的光谱学反演均取得了比较满意的效果，但各自结果常因试验条件及材料的不同，其适用性及可靠性还需要在不同生长条件下检验与评价。

作物生长的模拟模型是采用系统分析学的原理和计算机模拟的方法对作物生长、发育、器官建成、产量形成及其对所处环境反映的数字化描述，作物生长模拟模型已广泛应用在理解、预测和调控作物生长和产量方面。前人相关研究表明，选择指示性强的植被指数，确立时序动态模型在植物分类、作物器官建成以及产量预报等方面具有十分重要的理论价值和应用前景，运用植被指数的遥感动态模型将有助于作物生长监测与评价[8]。WARDLOW等[9]提出，卫星时间序列的归一化植被指数(NDVI)和增强型植被指数(EVI)在堪萨斯州西南部的一般农田、夏季作物和灌溉/非灌溉作物分类方面表现较好。ZHANG等[10]利用MODIS地表温度和植被指数时间序列数据实现了水稻种植区制图。NAGY等[11]提出基于卫星NDVI的时间序列数据，可在收获前6～8周预测干旱造成的产量损失。这些研究均表明了植被指数时序模型的广泛应用性。因此，选择适宜的能够敏感反应作物长势的植被指数，并依据生长建模技术构建植被指数的时序轨迹方程，有利于实时动态了解作物产量形成过程，同时进行应变管理与精确调控。

河南是中国小麦重要的集中种植区和商品制品调出区，小麦总产占全国近30%。该区小麦生长的好坏直接关系全国人民生活水平和国家粮食安全。本研究在河南的南部和北部分别选择两个不同的试验地点，以大面积种植的周麦27为试验材料，筛选出了对小麦生长反应敏感的植被指数，并利用相关性和回归建模方法确立了不同产量层次下对叶片生长敏感的植被指数时序动态模型，旨在为本地化小麦田间的应变管理及精确调控提供决策依据和技术支撑。

1 材料与方法

1.1 试验设计

本研究选择豫南的商水和豫北的原阳同步进行，具体涉及到不同年份、不同施氮量和灌水频次的处理。

试验 1：在豫北灌区的原阳县河南农业大学科教园区连续进行2季小麦试验(2019—2021年)。采用大面积推广应用的周麦27为材料，前茬作物为玉米，秸秆粉碎全量还田。土壤类型为沙质潮土，耕层pH值为 8.3、有机质为15.5 g·kg-1、速效钾为137.4 mg·kg-1、全氮为0.84 g·kg-1和速效磷为13.4 mg·kg-1。试验随机区组设计，灌水设为3个频次：W0(生育期内不浇水)、W1(拔节期浇水1次)和W2(拔节期和开花期各浇水1次)；氮肥设为5个梯度：0(N0)、90(N6)、180(N12)、270(N18)以及360(N24)kg·hm-2，基肥和追肥数量各占50%，分别安排在播种前基施和拔节期结合浇水追肥。小区面积为6 m×7 m=42 m2，行距20 cm，3次重复，基本苗定为3.5×106株·hm-2。其他种植管理措施与一般高产麦田一致。

试验2：在豫东南补灌区的河南省商水县国营农场进行连续2季小麦试验(2017—2019年)。种植的小麦品种为周麦27，头茬作物是夏玉米，将秸秆粉碎全量还田。土壤类型为砂姜黑土，耕层pH 7.5、速效磷18.6 mg·kg-1、速效钾131.5 mg·kg-1、有机质22.5 g·kg-1和全氮1.36 g·kg-1。随机区组设计，灌水处理设2个频次：W0(生育期内不浇水)和W1(拔节期灌水)；氮肥处理设为5个水平：0(N0)、90(N6)、180(N12)、270(N18)以及360(N24)kg·hm-2，基追数量各50%，分别在基施和拔节期结合浇水追肥进行。小区面积为8 m×9 m=72 m2，行距20 cm，3次重复，基本苗设定为2.8×106株·hm-2。其他种植管理措施与一般高产麦田一致。

1.2 冠层光谱反射率的测定

小麦冠层的高光谱反射率采用地物ASD FieldSpec手持光谱仪(Analytical Spectral Devices Inc.,Boulder,CO,USA)进行测定，从小麦冠层到光谱探头约1 m。光谱测量在上午10：00―14：00(北京时间)，要求天气晴朗、无风或微风进行。光谱测定仪的视场角固定为25°，光谱分辨率为3.5 nm。高光谱波段的测定波谱区间为325～1 075 nm。在具体田间测定时同一个小区随机选择3个代表性样点，每个样点连续收集5条谱线，剔除异样后计算反射率的平均值。同时，在光谱测量过程中采用光谱仪配套且定标过的BaSO4材料制作的0.40 m×0.40 m白板对每个小区反射率进行校正。光谱测定时期分别为越冬期、返青期、拔节期、孕穗期、抽穗期、开花期、灌浆前期、灌浆中期及灌浆后期。

1.3 生理指标的测定

1.3.1 叶片氮含量的测定 与光谱测定同步进行小麦植株破坏性取样。在每个小区选择3个有代表性的面积0.2 m2(50 cm长，两行，行距20 cm)的小麦群体进行合并取样。小麦植株按照器官进行分离，在105 ℃条件下杀青30 min，随后在80 ℃条件下烘干，采用小型粉碎机粉碎。采用凯氏定氮法测定叶片的全氮含量(LNC/%)[12]。

1.3.2 叶面积指数的测定 将试验材料及时带回实验室，参照DAUGHTRY[13]的方法测定叶面积指数。从每个处理样本中选择5株小麦，采用方格法测量顶部3张展开绿叶面积(LA)，统计所有叶片所覆盖1 mm2方格的总个数。在计算LA时，叶边缘覆盖不足一半的方格不计数，而计算叶边缘覆盖超过一半的方格。将鲜叶测定完叶面积后烘干至恒重。一个小区的叶面积指数(LAI)的计算公式如下:

(1)

式中：DW1和DW2分别为顶部3张叶片和剩余叶片的干质量；S为每个小区的取样面积；LA为绿叶面积。

1.3.3 籽粒产量的测定 在籽粒成熟期，每个小区实收5 m2测产，折算单位面积产量。将产量水平等级划分为4类：低产(LY,< 6 000 kg·hm-2)、中产(MY,6 000～7 500 kg·hm-2)、高产(HY,7 500～9 000 kg·hm-2)和超高产(SHY,> 9 000 kg·hm-2)。

1.4 植被指数动态模型的建立

累积生长度日(AGDD)为作物在一定时期内温度动态变化的累积性描述变量，具体指播种出苗日期到测定当日的连续生长累加值。逐日气象资料主要包括日最高气温/℃、日最低气温/℃。AGDD由以下公式计算：

(2)

式中：Tmax和Tmin生育期内每日最高及最低温度；Tbase为小麦生理活动的基点温度，这里取0 ℃。

采用两个LOGISTIC模型相互连接的方法模拟小麦冠层植被指数随着时间和积温进程的动态变化过程。该模拟在MATLAB 9.0软件平台下进行，模拟方程参照FISCHER[14]形式，如下所示：

(3)

式中：y0为出苗前裸露土壤的光谱值(基础值)，表示小麦开始生长的背景值。第一阶段的LOGISTIC函数表示逐渐生长的过程，而第二阶段的LOGISTIC方程则表征植株自开花后逐渐衰老的过程。y0+a1为时间序列内光谱数值的最大值，a2为生长过程最大光谱值与成熟期冠层光谱数值之差；1/b1和1/b2分别指作物生长过程和衰老过程中2个LOGISTIC曲线相交拐点处的斜率，也是最大速度，与这2个拐点对应的时间分别为t1和t2,t为作物生长对应的时间。

1.5 数据处理与分析

1.5.1 植被指数 从已有的文献资料中查阅了许多光谱指数，这些植被指数在作物氮素水平、叶绿素含量以及叶面积大小等指标方面反演应用较为广泛[3-4,7]。本试验依据前人文献总结归纳了多个遥感植被指数，如表1。

表1 选用植被指数的公式及出处

1.5.2 数据分析 水氮处理导致各小区小麦生长差异明显，长势参数分布范围宽、变化幅度大，生产代表性强，为相关分析及模型构建提供数据支撑。本研究采用MATLAB 9.0软件对光谱反射率以及植被指数与小麦生长及相关生理参数进行相关及回归建模分析。基于决定系数(R2)和均方根误差(RMSE)模型参数间的差异分析，对入选的植被指数进行总体性能评价。RMSE由以下公式计算：

(4)

式中：Pi和Oi为估算值和测定值;n为测定样本数目。

2 结果与分析

2.1 小麦叶片氮含量和叶面积指数与高光谱反射率间的相关性

将不同时期及试验的小麦LNC和LAI与冠层光谱反射率进行汇总，分析生长指标与光谱间的相关关系(图1)。结果表明，小麦叶面积指数与高光谱反射率间相关性高于叶片氮含量，二者呈同步变化趋势。LNC和LAI与近红外短波段735～1 075 nm呈显著正相关关系，而与可见光波段350～730 nm呈显著负相关关系。其中，对于LNC来说，在750～920 nm波段内相关系数为高峰区(r>0.48)，在768 nm波段处最高；而在515～715 nm波段内相关系数呈现低谷(r<-0.55)，尤其在701 nm波段处最低；而对于LAI而言，760～925 nm范围内相关系数为峰值(r>0.65)，817 nm处最高；505～710 nm范围内相关系数为低谷(r<-0.65)，588 nm处最低。

图1 小麦叶片氮含量、叶面积指数与冠层光谱反射率的相关性

2.2 小麦叶片氮含量和叶面积指数与植被指数间的关系

按照回归分析给出的决定系数和均方根差，共筛选28个植被指数(图2)。对于LNC而言，有9个植被指数给出了较高的R2(>0.75)，以AIVI表现最优，R2和RMSE分别为0.789和0.416，其次为RES和mND924，R2和RMSE分别为0.782和0.423。而对于LAI来说，亦有9个植被指数的R2高于 0.70，其中，ONLI、CIgreen、GM-1和RVI(810,560)给出最好的预测精度(R2= 0.734,0.733,0.729和0.727)和最低的均方根差(RMSE=0.950,0.953,0.958和0.962)，而MSR(800,670)稍次。相比较而言，LNC与植被指数的关系优于LAI。以ONLI、CIgreen和MSR(800,670)作为代表作图3，展示叶片氮含量与叶面积指数与植被指数之间的定量关系(R2>0.72)，其中，RES与LNC之间为负相关关系，其余的光谱植被指数都表现出正相关关系。利用这些植被指数能够较好地描述小麦叶片的生长状况。

注：mND705为改进红边标准化植被指数；NPCI为叶绿素归一化植被指数；DCNI为双峰冠层氮指数；NDDA为双峰标准化植被指数；LIC1为Lichtenthaler指数；Carter1为Carter指数；Readone为窄波段反射比率；RES为红边对称度；mSR491为修正蓝光比值植被指数；mND924为改进近红外标准化植被指数；REP为红边位置；AIVI为角度不敏感植被指数；mRER为修正性红边比率；Green-NDVI为绿色归一化植被指数；NDRE为标准化差异红边指数；SAVI(825,735)为土壤调节植被指数；RVI(810,560)为比值植被指数；MTCI为中分辨率陆地叶绿素成像指数；MTVI2为修改三角植被指数；CIred-edge为红边叶绿素植被指数；CIgreen为绿光叶绿素植被指数；mSR705为改进红边比值植被指数；WDRVI为广域动态变化植被指数；VOG3为Vogelmann红边指数；GM-1为Gitelson-Merzlyak指数；MSR(800,670)为修正简单比率；VIopt为最优化氮素植被指数；ONLI为优化非线性植被指数。

图3 小麦叶片氮含量和叶面积指数与植被指数间定量关系

2.3 适宜表征小麦叶片生长的植被指数与籽粒产量间的关系

选用对LNC(AIVI、RES、mND924)和LAI(ONLI、CIgreen、MSR(800,670))指示性较好植被指数，分析其与小麦产量间的相关关系(表2)。由结果可知，整体而言，随着生育时期的逐渐推进，光谱植被指数与小麦收获期籽粒产量间的R2呈现出先增加而后降低的动态变化，其中，越冬期和灌浆后期的线性方程的决定系数最低(R2=0.084～0.368)，但相关系数仍然达到显著水平，而在小麦拔节期至灌浆中期，决定系数均处于较高的相关水平(R2>0.62)，其中，R2在孕穗―灌浆前期均达0.81以上水平，尤其在灌浆前期达峰值(R2>0.85)。植被指数间比较，从返青期至灌浆盛期，对于LNC而言，表现为RES最优，其次为AIVI；而对于LAI，则以CIgreen表现最好，ONLI次之。可见，在小麦旺盛生长期，利用对LNC或LAI有较好指示性的植被指数可以较好地评价预测小麦产量状况，尤以灌浆前期最为适宜。

表2 冠层光谱植被指数与小麦籽粒产量间线性决定系数

2.4 不同产量水平下植被指数的动态轨迹模型

优选出6个与产量相关性较好的植被指数，采用双LOGISTIC模型技术来拟合作物生长过程中植被指数的轨迹变化(图4)。从图4结果可知，随着生长度日AGDD的不断增加，不同产量层次的变化轨迹有所差异，除红边对称度RES外，其余5个植被指数均表现为先缓慢增加而后逐渐降低的动态变化，而RES则表现相反特征。由图4中(a—c)

图4 优化植被指数在不同产量水平下动态轨迹模拟

可知，高产和超高产条件下植被指数的动态变化曲线几乎重合。表3为优选的植被指数在不同产量水平条件下双LOGISTIC拟合参数情况。随着生长度日的推进，小麦生长的最大速度|1/b1|和衰老过程的最大速度|1/b2|均会因植被指数的类型及其入选波段而有所差异，反映LNC的AIVI、RES和mND924的最大速度无论在生长过程还是衰老过程均以超高产水平最高；而反映LAI的ONLI、CIgreen和MSR(800,670)的最大速度在生长过程以高产水平最高，在衰老进程中则以中等产量水平最优；低产水平与高产水平的动态变化相对一致。6个植被指数在生长阶段和衰老进度中最大速度均最小。进一步考察植被指数出现拐点的具体时间，则会因不同条件而异，选用的6个植被指数均在低产水平下衰老拐点最早出现，衰老拐点在其他产量层次下出现的时间早晚依次为中产>高产>超高产。AIVI、RES和mND924生长拐点出现的时间由早到晚依次为超高产>高产>低产>中产，而ONLI、CIgreen和MSR(800,670)则表现为随着产量水平的提高而逐渐后移。从拟合模型的精度看，随着产量水平逐渐提高，模型精度逐渐增加，而在低产水平下，模型R2表现较差(0.629～0.704)，而在超高产水平下，模拟R2较高(0.916～0.971)；植被指数间比较，整体而言，监测LNC的植被指数拟合精度高于LAI。对于LNC来说，AIVI和mND924的拟合精度相对较高，而对于LAI而言，拟合精度相对较高的则为ONLI和CIgreen。

表3 植被指数在不同产量水平下的双Logistic方程的模型参数

3 结论与讨论

叶片氮含量和叶面积指数是判别作物生长好坏的重要参数，遥感监测叶片LNC和LAI始终是学术界关注的热点问题。LI等[35]构建了含有2个红边波段的双指数差值，提出了一种新的非正午观测叶绿素含量的光谱观测模式，有效避免农田土壤背景对叶绿素含量估算的影响。WANG等[22]构建的mND924监测稻麦LNC更有鲁棒性。以上研究显示出红边和蓝光波段对于评价作物氮素丰缺具有重要作用。而关于叶面积和生物量，不同光质波段的植被指数其监测的效果不同。由于冠层叶绿素含量与LAI呈良好关系，与NDVI光谱参数相比，MERIS叶绿素指数(MTCI)、绿光叶绿素指数(CIgreen)以及红边叶绿素指数(CIred-edge)对LAI更为敏感[36]。含有绿光和红光波段的MTVI2以及归一化差值物候指数NDPI被较多的研究证明对叶面积及生物量的变化敏感，能够准确地反演LAI[7,37]。这些研究均表明，红边、绿光和红光波段在评价作物LAI及生物量方面均有较好效果。本研究通过对多种植被指数进行筛选比较，得到了与以上前人相似的结果，发现AIVI、RES和mND924能很好地估测冬小麦LNC，而ONLI、CIgreen和MSR(800,670)能较好地反映LAI，这对小麦生长状况监测与评价具有重要指导价值。

在作物生产中，遥感技术被广泛应用，尤其是多时相数据对作物分类、长势监测、面积提取以及产量估算取得了明显效果。SAEED等[38]基于MODIS-NDVI数据实现了巴基斯坦旁遮普省的小麦产量预测，部分地区预测精度达到0.95。CHEN等[39]基于MODIS时间序列数据确定作物类型(如大豆、棉花和玉米)和种植模式(如大豆-玉米、大豆-棉花、大豆-牧场和单一作物等)的总体准确率分别达73%和86%。TAO等[40]基于时间序列MODIS-EVI数据，利用华北平原冬前物候特征绘制冬小麦分布图。PAN等[41]利用MODIS-EVI时间序列数据在亚像素尺度上估计作物面积。TORNOS等[42]提出MODIS-NDVI时序模型能更有效地检测埃布罗三角洲的水稻抽穗期和洪涝风险。这些研究结果均表明，植被指数的时序模型在农业生产中具有很强的实用性，必将在未来智慧农业领域里发挥其巨大的应用价值。当前小麦生产中，大面积推广利用的品种类型多为紧凑型和半紧凑型品种，其冠层反射率及植被指数的时序动态模型受小麦长势长相、生产条件及产量水平共同决定。依据产量水平进行有针对性的管理措施有利于适宜的冠层结构形成，以及小麦长势向着目标产量设计的方向发展，搭建丰产框架。冠层结构及长势指标随着生育进程的动态轨迹反映在冠层光谱上也具有明显的时序性，依据遥感测量数据模拟这种时序动态对因产量层次、地力水平实施应变调控管理具有十分重要的理论意义和应用价值。项方林等[43]基于双LOGISTIC函数拟合时序植被指数并提取曲线特征参数，该模型具有良好估测单产的潜力。李鑫格等[44]确立了长江中下游麦区小麦冠层NDRE适宜时序曲线，能够实时无损监测冬小麦的长势动态。本研究依据相关性和回归分析的方法筛选出能够敏感反应叶片氮含量及叶面积的植被指数，并采用双LOGISTIC模拟模型算法，能够较好地拟合小麦冠层植被指数的曲线动态。当然，植被指数的动态轨迹随光谱参数类型及产量水平而异，拟合精度则随着产量水平的不断提升而增加，其原因可能是产量水平越低，影响作物生长及产量形成的障碍性因子可能越多。模型参数的生长和衰老最大速率均在低产水平条件下表现最低，而在该产量水平下衰老拐点发生的时间也最早。这种结果显示出生长速度慢、生育时期短可能是小麦低产的主要原因。本试验参考以前文献报道的时序模型建立方法，以小麦植被指数为自变量，生育时间作为时间变量轴，动态模拟轨迹曲线。以AGDD作为轨迹模型的时间轴，能够消除或者减轻试验年份、生态地点因温度差异对小麦生长及冠层植被指数的时序模型参数的影响，产量形成的相关指标意义明确、模型参数的针对性好、应用指导性强。因此，在小麦种植管理实践中，利用双Logistic模型技术对获取的植被指数进行时序本地化模型构建，种植管理者能够根据目标产量的制定及长势指标的时序动态设计，对小麦关键生育时期的植被指数进行差异化调控，为实时应变管理和精确促控提供参考依据和技术支持。

本研究针对冬小麦LNC和LAI分别筛选出适宜的植被指数及其监测模型，筛选的6个植被指数均可全程监测冬小麦生长状况。采用双LOGISTIC模型方法对获取的植被指数进行动态模拟，依据生产中产量水平等级划分进行分别拟合，所得到的植被指数时序模型的拟合精度高，针对性强，这为小麦生产管理中利用遥感技术进行作物实时应变管理和因苗分类促控提供参考依据。然而，小麦产量的形成是多因素作用的结果，例如土壤、地点、气候、生产条件及种植水平，本研究所构建的面向河南本地化应用的植被指数动态轨迹模型还需进一步检验与优化。