基于叶片反射光谱和叶绿素荧光估测水稻叶片含水量

张雪楠,王乐乐,钮铭轩,詹 妮,任浩杰,徐浩聪,杨 昆,武立权,3,柯 健,尤翠翠,何海兵,*

(1.安徽农业大学 农学院,安徽 合肥 230036; 2.普济圩现代农业集团有限公司,安徽 铜陵 244071; 3.江苏省现代作物生产协同创新中心,江苏 南京 210095)

水稻作为世界上消耗水分最多的主要粮食作物,在水资源紧缺的社会背景下亟须提高稻田水分利用率。水稻叶片水分含量(leaf water content,LWC)作为植物需水状况的评价指标之一,在保证水稻正常生长的情况下控制土壤水分含量可有效改善作物需水状态,从而实现水稻的精准灌溉。近年来,随着科学监测仪器的快速发展,高光谱技术衍生出的植被指数与作物生产相关的表型农艺指标之间的关系已被逐一发现,高光谱遥感技术为快速、无损、实时监测水稻叶片含水量提供了保障[1]。Thomas等[2]在1971年发现叶片相对含水量与1 450、1 930 nm的反射率存在显著相关性。后人在此基础上对光谱衍生指标植被指数与作物叶片含水量开展了大量研究[3-10],进一步证实叶片含水量的光谱敏感波段主要位于近红外和短波红外波段区域,且呈负显著相关性,据此提出了监测作物叶片含水量的植被指数模型。Yang等[11]构建的nRVI(R1089/R1398)在估测叶片含水量研究中具有较好的通用性和稳定性。田永超等[12]发现,比值植被指数(R810/R460)在水稻拔节期与叶片含水量相关性极高(R2=0.88)。然而,冠层光谱在测定叶片含水量时,可能会受到叶片结构的干扰,前人通过一阶导数的反射光谱降低误差[13-14]。叶片反射光谱测定的是叶层内部变化,其测定目标为单叶,受叶片结构影响较小且不受外界环境因素的影响,但不同单叶反映的作物植株含水量和光谱信息存在一定差异[15]。因此,基于不同叶位组合的植被指数可能较单叶和冠层群体更能精准反演植物叶片含水量,关于该假说的理论依据近年在光谱营养诊断上有所报道。李刚华等[16]就水稻氮浓度提出了顶3叶是最佳预测叶位,其中顶2叶和顶3叶组合监测水稻氮营养指数效果较单叶模式好[17]。但目前关于监测水稻叶片含水量的最优叶位组合的植被指数模型尚不清楚。此外,叶片水分亏缺临界阈值的确定是制定作物高效精准灌溉制度的重要依据,叶绿素荧光作为表征叶片含水量亏盈状态非常敏感的指标[18-25],其与叶片光谱反射参数协同监测叶片含水量能更好地从作物水分生理需求层面解析作物的灌溉需求,可能较传统单一植被指数模型能更精准地监测叶片含水量。为此,本研究以3个不同抗旱性水稻品种和3个控制灌溉处理的方式创建不同叶片相对含水量、叶绿素荧光参数和光谱反射参数的差异个/群体,于水稻水分敏感时期——抽穗期至灌浆期综合分析各叶位叶片光谱,以及叶绿素荧光参数与叶片含水量的相关性,构建精准监测水稻叶片含水量的适宜叶位组合的优化植被指数模型;通过引入反演叶片水分波动敏感的荧光动力学参数,以期为快速准确获取水稻叶片含水量的高光谱遥感技术提供新思路,进而对未来利用2种光学仪器定量监测水稻生理指标提供可能性。

1 材料与方法

1.1 试验设计

于2021年5—10月在安徽省庐江郭河现代农业示范区温室进行控制性试验。温室空气与外部循环,白天和晚上温度分别控制为(25±2)℃和(18±2)℃,光周期为14 h光照、10 h黑暗,光通量密度为1 500 μmol·m-2·s-1,相对湿度控制在70%。供试品种为旱优73(HY73)、黄华占(HHZ)和淮稻5号(HD5),分别为三系杂交节水抗旱籼稻、常规籼稻和常规粳稻品种。本研究在盆栽条件下进行,盆钵上口径32 cm,下口径26 cm,高30 cm,每盆装15 kg过筛稻田土,土壤理化性质：有机质28.76 mg·kg-1、碱解氮62.45 mg·kg-1、有效磷14.66 mg·kg-1、速效钾222.00 mg·kg-1、pH值6.78。共设置3个水分处理,传统淹灌(W1)、轻度干湿交替灌溉(Ψsoil=-15 kPa,W2)和重度干湿交替灌溉(Ψsoil=-30 kPa,W3),利用张力计(Watermark,Irrometer公司,Riverside,CA,美国)实时监测20 cm土层土壤水势。氮肥施用量为9 g,按照基肥∶分蘖肥∶穗肥质量比4∶3∶3施入;磷肥(P2O5)和钾肥(K2O)为一次性基施,用量分别为3.6 g和9.0 g。所有品种在同一天移栽,测定时间为水分敏感时期：抽穗期(heading stage)10月6日、开花期(flowering stage)10月17日和灌浆期(filling stage)10月28日[26]。

1.2 试验数据采集

1.2.1 高光谱测定

测量仪器为美国公司地物光谱仪(ASD Field Spec 4)自带的内置石英卤化灯光源手持叶夹式叶片光谱探测器。光谱仪的波段范围为350～2 500 nm。光谱采样间隔在350～1 000 nm的分辨率为1.4 nm,在1 000～2 500 nm的分辨率为3 nm,每组数据测量之前均使用单叶叶片夹上自带的标准参考白板校正。每个处理在取样日选取3个主茎,分别测定其顶部完全展开的3张叶片(分别记作顶1叶、顶2叶和顶3叶)反射光谱,每张叶片的光谱反射值为叶尖、叶中部和叶基部的平均值[27]。

1.2.2 叶片叶绿素荧光参数测定

采用德国WALZ公司生产的便携式脉冲调制式叶绿素荧光仪PAM—2500测定水稻叶片荧光参数。暗适应夹DLC-8夹住所测叶片30 min,然后使用PAMWIN-3慢速动力学监测图形自动测定叶片的初始荧光Fo、最大光化学效率Fv/Fm和实际光量子产量Y(Ⅱ)等参数。每个处理在取样日测定3个重复的光合数据,监测位置为水稻样品植株顶部完全展开的3张叶片(分别记作顶1叶、顶2叶和顶3叶),并在测试后进行取样。

1.2.3 叶片含水量的测定

叶绿素荧光和高光谱结束后,分别在水稻冠层上、中、下部3个层次随机采取鲜叶各2片,立即放入天平称取鲜叶质量(mf),称量后将样叶放入事先标记好的牛皮纸信封,然后将其置于烘箱105 ℃杀青30 min,最后80 ℃烘至质量不变,称其干质量(md)。c=(mf-md)/mf,其中c为叶片含水量。

1.2.4 植被指数的选取

目前,应用于作物含水量遥感监测研究的植被指数已有很多,但有些植被指数构造和计算方式复杂,不利于农业遥感实践。归一化差值近红外指数构造简单且用多波段分析能有效提高光谱监测精度,已广泛运用于植物水分遥感监测研究。基于此,本试验通过系统分析350～2 500 nm任意2个波段的原始光谱组合与水稻LWC的关系,构建新型植被指数归一化差值短红外指数NDSII,与现有水稻LWC预测中的5种典型植被指数相比较(表1),对水稻LWC估测模型的预测精度进行测试检验,最终确定水稻LWC监测的最适波段植被指数。

表1 本研究采用的植被指数列表

1.3 模型的建立与检验

多元线性回归是处理由2个或2个以上的自变量组合共同预测或估计因变量最基本、最常用的方法。设y为因变量,x1、x2、…、xk为自变量,多元线性回归模型为：y=b0+b1x1+…+bkxk+e,其中,b0为常数项,e为误差项,b1、b2、…、bk为回归系数。当x1、x2、…、xk固定,b1为x1每增加或减少1个单位时对y的效应,即x1对y的偏回归系数;同理,当x1、x2、…、xk固定,b2为x2每增加或减少1个单位时对y的效应,即x2对y的偏回归系数,等等。

(1)

(2)

(3)

1.4 数据分析

本试验通过Microsoft Excel 2019、View Spec Pro和MATLAB 2014b软件处理数据,利用SPSS 21软件统计分析数据,采用Origin 2021软件制图。

2 结果与分析

2.1 不同水分处理下水稻LWC、荧光参数和叶片反射光谱的动态变化

不同水分处理的水稻LWC随着水势降低而降低(图1),各品种间规律相似,但不同观测时期LWC有显著差异,其中抽穗期的LWC最高,开花期次之,灌浆期最低。同时,LWC受品种影响不显著(表2),因此,在后续数据分析中,将3个品种的LWC数据合并研究。

柱上无相同小写字母表示差异显著(P<0.05)。下同。Data on the bars marked without the same lowercase letter indicate significant differences at P<0.05. The same as below.图1 水稻LWC的变化特征Fig.1 Characteristics of LWC variation in rice

表2 LWC在品种、观测时期和水分处理下的方差分析

叶绿素荧光参数在不同水分处理条件下变化显著(图2)。各品种荧光参数Fv/Fm和Y(Ⅱ)随水势的下降而显著下降,荧光参数Fo则随水势下降而显著上升;Fv/Fm和Y(Ⅱ)在水分敏感时期(抽穗-灌浆期)基本不会受水稻品种的影响,但Fo易受品种因素干扰。不同叶位间Fv/Fm和Fo变化差异不显著,Y(Ⅱ)变化特征为L1>L2>L3。不同荧光参数变化规律在各时期间类似。

图2 荧光参数的变化特征Fig.2 Variation characteristics of fluorescence parameter

不同水分处理下水稻叶片反射光谱差异明显,但不同波段表现趋势有所不同,表明叶片含水量会影响叶片反射光谱。540、1 110、1 390、1 650、1 833、2 220 nm处为反射峰;660、1 280、1 445、1 930和2 500 nm处均为吸收谷;1 000～2 500 nm区域差异较为明显,在不同时期均保持相似规律(图3)。为进一步提取特征波段,对不同水分处理的1 000～2 500 nm波段进行分析,结果(图4)显示,随着LWC的增加, 光谱反射率在1 000～1 400 nm波段随之升高且波动较大,1 930～2 500 nm反之,但较1 000～1400 nm波段波动小,而1 400～1 930 nm波段反射光谱波动不明显;不同叶位之间光谱反射率在1 000～1 833 nm近红外区域变化波动较为明显,在其他波段变化不明显,不同叶位在所测时期光谱反射规律相似。

图3 不同观测时期水稻叶片光谱变化特征Fig.3 Spectral characteristics of rice leaves in different observed stages

图4 不同水分处理和不同叶位水稻叶片光谱变化特征Fig.4 Spectral characteristics of rice leaves under different water treatments and different leaf positions

2.2 水稻LWC与叶绿素荧光参数的关系

水稻LWC与叶绿素荧光参数的相关性分析表明,各观测时期单叶和叶位组合的Fv/Fm和Y(Ⅱ)与LWC呈极显著(P<0.01)正相关,而Fo与LWC呈极显著负相关,其中Y(Ⅱ)在各时期相关系数均优于Fv/Fm和Fo(表3)。单叶水平下,所有叶绿素荧光参数在各时期和全水分敏感期敏感叶位一致,均为L2最高。叶位组合时,叶绿素荧光参数在各时期敏感叶位均为L23,与全水分敏感期保持一致。因此,为提高荧光参数在全水分敏感期监测水稻LWC的精度,本研究将单叶条件下L2和叶位组合条件下L23作为荧光监测敏感叶位。

表3 不同时期荧光参数与水稻LWC的相关系数

表4 水稻LWC与荧光参数Y(Ⅱ)的定量关系与模型检验效果

2.3 水稻LWC与植被指数的关系

叶位和植被指数类型显著影响水稻LWC与典型植被指数的相关程度(表5)。不同植被指数在不同观测时期相关性表现不一致,不同叶位相关性差异不明显。研究发现,归一化处理的植被指数相关系数明显高于其他的植被指数。就归一化差值植被指数而言,单叶水平下,全水分敏感期相关系数平均达到0.642,在叶位组合时平均相关系数高达0.701;单叶水平下L2相关性优于L1和L3,叶位组合时基本上是L23相关性最高,对于其他植被指数而言,敏感叶位规律基本一致。因此,单叶条件下L2和叶位组合条件下L23为光谱监测敏感叶位。

表5 不同时期典型植被指数与水稻LWC的相关系数

图5 两波段组合的归一化差值植被指数预测水稻LWC的R2、RMSE和RE等势图Fig.5 Contour maps of R2、RMSE and RE of LWC predicted by normalized difference vegetation index based on two wavebands-combination in rice

表6 水稻LWC与植被指数NDSII(1114,1387)的定量关系与模型检验效果

2.4 叶片反射光谱与叶绿素荧光耦合监测水稻LWC

图6 水稻L2和L23模型多元线性回归结果验证Fig.6 Verification of MLSR result for L2and L23 models in rice

表7 模型综合评价

3 讨论

3.1 叶片反射光谱与叶绿素荧光耦合监测水稻LWC

LWC作为评价水稻生长状态重要指标之一,其与土壤中的水势密切相关,研究结果表明,水稻LWC随着水势降低而降低,且受品种影响较小,这与前人研究结果基本一致[34-35]。当作物缺水时,光系统Ⅱ被破坏导致相对电子传递速率降低,减弱植物细胞产生电子的能力,从而使Fv/Fm和Y(Ⅱ)降低,但Fo会呈上升趋势,这可能是由于光系统Ⅱ部分反应中心缺水失活引起的[36-37]。本试验中,水稻LWC下降,Fv/Fm和Y(Ⅱ)逐渐降低,Fo反之。不同荧光参数与LWC的相关系数存在一定差异,其中Y(Ⅱ)相关性最好,Fv/Fm次之,Fo最差[38],这可能是由于Fv/Fm和Y(Ⅱ)受到叶片类囊体膜结构与光系统Ⅱ的协同影响,而Fo可能只反映光系统Ⅱ的变化[39-40]。孙骏威等[41]研究表明,在响应水分变化时Y(Ⅱ)较Fv/Fm更敏感。

水稻LWC在近红外反射光谱有明显的吸收峰,这些光谱敏感区域能较好地反映水稻水分状态。随着LWC的增加,光谱反射率在1 000～1 400 nm随之升高且波动较大,1 930～2 500 nm反之。归一化的植被指数相关性明显高于其他类型植被指数且差异更小[42],但由于某些植被指数是基于不同作物构建的,叶片表层、叶肉结构与水稻叶片可能存在差异[43-44];另一方面,有些指数涉及近红外区域的光谱波段,而近红外区域的反射光谱特征不仅受水分自身吸收的影响,还受木质素、纤维素等叶片结构成分的影响,波动较大,不及短波红外波段稳定[15]。

水稻通过叶片进行光合作用产生有机物质并储存能量,LWC是控制植物光合作用、呼吸作用和生物量的重要因素。本文尝试使用叶片反射光谱与叶绿素荧光耦合提高水稻LWC监测模型精度。结果表明：耦合模型优于单因素监测模型。因为荧光参数只能反映水分对电子传递效率的效应,植被指数只能反映水分对近红外光的吸收效应,而耦合条件下监测模型可能兼容了2种参数在监测上的优势。

3.2 不同叶位及其组合对水稻LWC监测的影响

就监测叶位而言,叶片反射光谱与叶绿素荧光有相同的监测敏感叶位。单叶条件下L2相关性最高,而在叶位组合时L23相关性最好,这与氮营养指数在不同叶位及叶位组合间的敏感规律一致[17]。可能是因为抽穗-灌浆期水稻L1是主要功能叶,受采光和蒸腾作用影响较大,导致其光合速率与其他叶位差异性显著[45]。不同层次叶片细胞结构有所不同,叶片衰老程度也不相同,L3衰老细胞相较L2更多,导致LWC预测受到干扰[12]。进一步讨论Y(Ⅱ)和NDSII在全水分敏感期与水稻LWC的模型精度和预测精度,发现其规律与各水分敏感期保持一致,单叶水平下L2模型精度和预测精度最高,叶位组合时则为L23最好。在耦合模型中,L2和L23的模型精度最高,表明L2和L23仍为敏感叶位。

4 结论

本研究表明,荧光参数Y(Ⅱ)和新型植被指数NDSII(1114,1387)在水分敏感期均可用于监测水稻LWC,且Y(Ⅱ)和NDSII(1114,1387)耦合监测模型对水稻LWC更加敏感,精度较单因素模型有一定提升。对于水稻不同叶位而言,L2和L3作为荧光与光谱监测敏感叶位,而L23的模型精度与预测精度较L2有所提高,表明叶位组合有助于提高单叶的模型精度和预测精度。综上所述,叶片反射光谱与叶绿素荧光耦合可有效监测水稻水分敏感期的LWC,研究结果为水稻LWC监测提供了方法参考,也为水稻LWC相关光合指标的定量无损监测提供了新思路。但本研究所得结论仅在盆栽条件下进行,是否适用于大田条件还有待进一步验证。另外,本研究仅在单一生态点进行研究,还需要在其他气候和品种等条件下进行大量的验证试验,从而提高模型的可靠性和普适性。