研究区位于江苏省兴化市(北纬32° 44'— 33° 16', 东经119° 43'— 120° 16')和大丰区(北纬32° 56'— 33° 36', 东经120° 13'— 120° 56'), 处于北亚热带湿润季风气候区, 兼受大陆与海洋性气候影响, 具有四季分明、 雨量充沛、 冬寒夏热和雨热同步等特点, 年平均气温14~15 ℃, 历年平均降水量1 040 mm, 年际变化较大, 年内降水量在时空分布上不均, 6— 9月份降水相对集中, 约占全年降水量60%以上。 江苏省是水稻种植大省, 且具有亚热带水稻生态区的典型性与代表性, 对亚热带水稻种植具有重要意义。 研究区的大宗粮食作物主要为水稻与小麦轮作, 由于距海较近, 受台风影响较大, 作物易发生倒伏。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区地理位置Fig.1 Geographical location of the study area

野外观测实验于2017年10月8— 11日进行, 时属水稻灌浆中期。 大丰区采集了15个样本点, 兴化市采集了16个样本点, 共计31个水稻倒伏样本。

利用美国ASD FieldSpec FR光谱仪对水稻冠层光谱反射率进行测定, 其光谱范围为350~2 500 nm, 在350~1 000 nm内光谱分辨率为1.4 nm, 在1 000~2 500 nm内为2 nm; 测量时间为10:00— 14:00; 天气条件为晴朗、 无风; 测量时光谱探头垂直向下, 距离冠层1 m, 视场角25° ; 每个样本区测量10次, 并取10次均值作为该样本的高光谱测量结果。 每次光谱测量前后使用标准白板作为反射参考板, 进行光谱纠正, 剔除因光照异常带来的误差。 采用ASD数据处理软件ViewSpecPro进行高光谱数据预处理, 剔除异常值, 得到每个样本点倒伏水稻冠层光谱反射率数据。 以倒伏角度来表征水稻倒伏强度, 即倒伏水稻植株与地面的夹角。 采用量角器测量每个样本的倒伏角度, 倒伏角度越接近0° , 水稻植株越贴近地面, 倒伏强度越大。 将0.3 m× 0.3 m的标准样本框放置于倒伏水稻冠层, 每个样本地块随机放置4次样本框, 使用高清相机垂直向下拍摄每个样本框照片。 裁剪出4个标准样本框内的水稻冠层子区照片, 使用目视解译对茎、 叶、 穗、 阴影进行人工数字化; 统计4个样本框子区内各组分面积, 计算样本地块的茎、 叶、 穗之间的相互比率。

由于原始光谱中会夹杂着土壤背景、 大气散射等低频光谱信息, 考虑到微分光谱可以提取红边面积、 绿边面积、 “ 红边” 、 “ 黄边” 、 “ 蓝边” 等光谱特征参数, 故采用一阶微分变换对原始光谱进行分析。 一阶微分光谱是通过对原始光谱一阶求导所得, 计算公式为

R'(λi)=d[R(λi)]dλ=R(λi+1)-R(λi-1)2(1)

其中R'为一阶微分; λ _i为i波段对应的波长; R(λ _i)为波长λ _i处的原始冠层光谱反射率; R'(λ _i)为波长λ _i处的一阶微分光谱。

“ 红边幅值” 为波长680~760 nm内一阶导数光谱最大值; “ 红边位置” 为波长680~760 nm一阶导数光谱最大值对应的波长; “ 红边面积” 为波长680~760 nm一阶导数光谱的积分。

结合前人研究与相关农学知识, 选用了11种物理意义明确、 认可度较高的植被指数进行基于高光谱数据的可视叶茎比反演模型的构建, 计算公式见表1。

表1

Table 1

表1(Table 1)

表1 植被指数计算公式 Table 1 Formula of vegetation index 植被指数 简写 公式 归一化植被指数 NDVI (Rnir-Rred)/(Rnir+Rred) 比值植被指数 RVI Rnir/Rred 差值植被指数 DVI Rnir-Rred 优化土壤调节植被指数 OSAVI 1.16(Rnir-Rred)/(Rnir+Rred+0.16) 重归一化植被指数 RDVI (Rnir-Rred)/Sqrt(Rnir+Rred) 增强型植被指数 EVI 2.5(Rnir-Rred)/(Rnir+6Rred-7.5R454+1) 优化植被指数 VIopt 1.45( Rnir2+1)(Rred+0.45) 红边归一化植被指数 NDVI705 (R750-R705)/(R750+R705) 绿波段归一化植被指数 GNDVI (R750-R550)/(R750+R550) 红边指数 VOG1 R740/R720 光化学植被指数 PRI (R531-R570)/(R531+R570) 注: 式中Rnir和Rred为近红外与红光波段所筛选出的可视叶茎比敏感波段, Rx为波长x nm处的反射率。 Note: Rnir and Rred are the sensitive bands of visible leaf-stem radio selected from near infrared and red bands, and Rx is the reflectivity at wavelength x nm.

表1 植被指数计算公式 Table 1 Formula of vegetation index

灰色系统理论以“ 部分信息明确、 部分信息未知” 的“ 小样本” 、 “ 贫信息” 不确定系统为研究对象, 通过对“ 部分已知信息” 的生成、 开发, 提取有价值信息, 实现对系统运行行为、 演化规律的定量描述和有效监控。 该理论认为: 在系统发展过程中, 若两个因素变化的态势一致, 则两者关联较大。 赤池信息量准则(Akaike information criterion, AIC)是建立在熵的概念基础上来估计模型的复杂度和拟合数据的优良性一种标准。 将目标变量与各个变量根据极大似然估计法进行参数估计, 按照AIC值极小化准则对模型进行选择, 各变量的AIC总值越小, 模型精度越高。 对于线性回归模型而言, AIC计算公式可表示为

VAIC=aln∑Sp2+2(k+1)(2)

式中a为样本个数, Sp2为剩余均方, k为模型中变量个数。

由于本研究所获取的野外倒伏样本相对较少(31个), 不足以利用统计回归方法来构建合适的光谱响应模型, 考虑到灰色关联分析法具有高效挖掘小样本信息量的优点, 选取该方法来构建水稻倒伏灾情光谱响应模型。 利用相关性分析法筛选与倒伏角度密切相关的可视茎叶穗比率, 进而使用灰色关联分析法构建倒伏敏感农学参数的光谱响应模型, 解析倒伏胁迫下水稻冠层光谱响应规律, 进而开展水稻倒伏灾情评估。

技术流程如图2所示, 包括: (1)将水稻冠层视场内的茎、 叶、 穗进行两两组合计算比率, 分别与倒伏角度进行相关性分析, 筛选最适宜表征水稻倒伏强度的敏感农学参数; (2)将冠层光谱数据与敏感农学参数进行相关性分析, 分别选取红光波段与近红外波段处相关性最高的波段为敏感波段, 构建新植被指数; (3)计算各个植被指数的灰色关联度并排序, 以灰色关联度最大、 建模AIC值最小的原则对各植被指数进行筛选; (4)使用2/3样本进行建模, 1/3样本进行模型验证, 选取R²最大、 RMSE最小的模型作为优选模型, 实现水稻叶茎比的光谱响应模型的构建; (5)利用光谱诊断的敏感农学参数进行倒伏灾情等级评估。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 水稻倒伏高光谱响应解析流程Fig.2 Analyzing hyperspectral response of rice lodging

作物对电磁波的响应是由其化学特征和形态学特征决定的, 这种特征与作物的发育、 健康状况以及生长条件密切相关, 这是利用高光谱数据监测作物倒伏灾情的基础所在。 为了准确对作物总体长势与细微变化进行分析, 选取原始冠层光谱与一阶微分光谱对倒伏胁迫下的水稻冠层光谱特征变化进行了分析。

2.1.1 不同倒伏强度的水稻原始冠层光谱特征变化

当受到倒伏胁迫时, 水稻冠层的茎、 叶、 穗结构发生较大变化, 直接影响和改变冠层光谱反射率。 冠层光谱反射率的变化主要来源于倒伏群体的茎、 叶、 穗组分在探测视场中的贡献比例, 正常状态下的水稻冠层光谱主要来自叶片和稻穗贡献的光谱, 当水稻发生倒伏后, 茎秆大量暴露在外, 导致茎秆对于冠层光谱的贡献率增大。 在光谱曲线上出现随着倒伏程度的加重, 反射率逐步增高的规律, 如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同倒伏强度的水稻光谱反射率曲线Fig.3 Spectral reflectance curves of rice with different lodging levels

通过分析不同倒伏强度的水稻冠层光谱反射率, 可得出以下规律: (1)在350~2 500 nm区间内, 冠层光谱反射率表现为: 重度倒伏> 中度倒伏> 轻度倒伏> 未倒伏; (2)红光波段与近红外波段对于水稻倒伏敏感性较强, 随着倒伏强度的增加, 水稻光谱反射率最大值在近红外波段依次为0.44, 0.51, 0.55和0.67, 增幅依次为0%, 15.9%, 25.3%和53.6%。

2.1.2 倒伏水稻冠层光谱一阶微分及“ 红边” 特征分析

选取不同倒伏强度的450~800 nm波段的原始光谱进行一阶微分变换, 结果如图4所示。 从图中可以看出: (1)倒伏水稻的“ 红边” 位置存在一定的“ 蓝移” 。 随着倒伏强度的增加, “ 红边” 位置依次为: 724, 723, 718和717 nm; (2)随着倒伏程度的增加, “ 红边” 振幅与“ 红边” 面积均出现了不同程度的增大。 “ 红边” 振幅依次为: 0.006 7, 0.018 8, 0.010 5和0.010 7, “ 红边” 面积依次为: 0.351 9, 0.420 7, 0.441 3和0.557 6; (3)一阶微分光谱反射率随倒伏强度的增加而升高。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同倒伏强度的水稻冠层光谱一阶微分变化曲线Fig.4 Spectral first order differential curves of rice canopy with different lodging intensities

通过可视茎叶穗比率与倒伏角度的相关性分析, 筛选与倒伏强度相关性最高的敏感农学参数。 利用Excel软件计算各个样本光谱探测视场内的茎、 叶、 穗、 茎叶比、 茎穗比、 叶茎比、 叶穗比、 穗茎比、 穗叶比等9个农学参数, 利用SPSS软件对各个农学参数与倒伏角度进行相关性分析, 根据相关系数大小来筛选敏感农学参数, 如表2所示, 选取了相关性最高的叶茎比(leaf-stem ratio, LSR)为作为水稻倒伏反演的敏感农学参数, 相关系数为0.715。

表2

Table 2

表2(Table 2)

表2 倒伏角度与各农学参数相关性分析 Table 2 The correlation of the lodging angle and the agronomy parameters 农学参数 相关系数 农学参数 相关系数 茎 0.055 茎叶比 0.503 叶 0.312 茎穗比 0.348 穗 0.510 穗叶比 0.258 叶穗比 0.293 穗茎比 0.668 叶茎比 0.715

表2 倒伏角度与各农学参数相关性分析 Table 2 The correlation of the lodging angle and the agronomy parameters

采用相关性分析法在350~2 500 nm波段范围内筛选可视叶茎比的敏感波段, 分别在红光波段和近红外波段进行筛选, 选取两个波段的相关系数r乘积的最大值所对应的波段最为敏感波段。 当乘积为0.64时最大, 得到698与1 132 nm两个敏感波段, 将该敏感波段代入表1的公式中计算各个植被指数。 对可视叶茎比与各植被指数进行无量纲化处理, 计算各植被指数的灰色关联度并排序(结果如表3所示)。 根据排序选取不同数量的植被指数与可视叶茎比分别建立多元线性回归模型, 并计算AIC值, 如表4所示。

表3

Table 3

表3(Table 3)

表3 各植被指数的灰色关联度及排序 Table 3 Grey correlation and AIC value of each vegetation index 植被指数 灰色关联度 灰色关联度排序 NDVI705 0.822 1 RVI 0.821 2 VOG1 0.818 3 NDVI 0.814 4 GNDVI 0.812 5 OSAVI 0.811 6 RDVI 0.797 7 EVI 0.796 8 VIopt 0.783 9 DVI 0.761 10 PRI 0.696 11

表3 各植被指数的灰色关联度及排序 Table 3 Grey correlation and AIC value of each vegetation index

表4

Table 4

表4(Table 4)

表4 不同植被指数所建立回归模型的AIC值 Table 4 AIC value of regression model established by different vegetation indices 建模植被指数 AIC值 NDVI705 137.56 NDVI705, RVI 138.88 NDVI705, RVI, VOG1 137.02 NDVI705, RVI, VOG1, NDVI 128.79 NDVI705, RVI, VOG1, NDVI, GNDVI 129.43 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI 131.24 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI, RDVI 133.24 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI, RDVI, EVI 133.51 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI, RDVI, EVI, VIopt 133.62 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI, RDVI, EVI, VIopt, DVI 135.79 NDVI705, RVI, VOG1, NDVI, GNDVI, OSAVI, RDVI, EVI, VIopt, DVI, PRI 131.53

表4 不同植被指数所建立回归模型的AIC值 Table 4 AIC value of regression model established by different vegetation indices

参与建模的植被指数为4个时, AIC值最小, 故选取前4个植被指数进行模型的构建与验证。 选取了NDVI₇₀₅, RVI, VOG₁和NDVI进行建模, 随机选取20个建模样本点建立基于可视叶茎比的水稻倒伏灾情反演模型, 如式(2)所示, 并利用未参与建模的样本进行模型评价, 其中建模R²=0.521, RMSE=7.583, 验证R²=0.635, RMSE=2.923。

LSR=-358.634-589.109NDVI705-15.878RVI+309.137VOG1+407.072NDVI(2)

式中LSR为可视叶茎比。

对实测叶茎比与预测叶茎比进行分析, 建立建模与验证样本实测值与预测值的散点图, 如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 叶茎比预测值与实测值结果分析图Fig.5 Plot of predicted and measured value of leaf-stem ratio

该模型的建模R²为0.521, RMSE为7.583, 验证R²为0.635, RMSE为2.923。 从整体看(如图5所示), 建模样本与验证样本均分布在直线(y=x)两侧, 误差值符合正态分布, 但由于样本数量较少, 单个样本点造成影响对整体影响较大。 对照各个样本地块的水稻自身长势情况, 由于其长势存在一定差异, 其对应的植被指数也存在差异, 导致同一倒伏角度下部分样本的叶茎比预测值与实测值存在一定的偏离, 最终影响模型的预测精度。

在倒伏灾情等级划分中, 参照田间实际调查的水稻实发倒伏情况, 按倒伏角度所占比例划分水稻倒伏等级: 重度倒伏(倒伏角度≤ 10° )、 中度倒伏(10° < 倒伏角度≤ 40° )、 轻度倒伏(40° < 倒伏角度≤ 70° )、 未倒伏(倒伏角度> 70° )。 以倒伏角度为因变量、 叶茎比为自变量建立线性回归模型(y=1.449 6x+2.925 6), 反演各倒伏等级的可视叶茎比阈值区间, 确立倒伏等级划分范围, 即: 重度倒伏(叶茎比≤ 4.48)、 中度倒伏(4.48< 叶茎比≤ 25.58)、 轻度倒伏(25.58< 叶茎比≤ 46.27)、 未倒伏(叶茎比> 46.27)。

以未参与建模的实测样本为检验样本, 对利用叶茎比反演结果划分的倒伏等级进行验证, 结果如表5所示。 验证样本精度达到82%, 效果相对较好, 其中XH07与DF13样本出现误差。

表5

Table 5

表5(Table 5)

表5 检验样本的倒伏等级预测及验证 Table 5 The prediction and verification of the lodging level of 10 detection sample points 样本点 实测倒伏等级 预测倒伏等级 DF14 中度 中度 XH11 中度 中度 XH07 中度 重度 DF16 中度 中度 DF08 轻度 中度 DF05 轻度 轻度 DF01 中度 中度 DF07 轻度 轻度 DF12 中度 中度 XH13 轻度 轻度 DF02 轻度 轻度

表5 检验样本的倒伏等级预测及验证 Table 5 The prediction and verification of the lodging level of 10 detection sample points

作物倒伏胁迫的冠层光谱响应机理解析, 是大范围作物倒伏灾情遥感监测的重要基础。 倒伏胁迫直接改变了遥感光谱探测视场内的可视茎叶穗比率。 通过解析冠层光谱与可视茎叶穗比率间的关系, 探索不同强度的倒伏胁迫下水稻可视茎叶穗组分变化规律及其与冠层光谱响应规律, 为大范围作物倒伏灾情遥感监测提供理论支持。 初步探究了倒伏胁迫下水稻倒伏角度与冠层可视茎叶穗组分间的关系, 并建立了基于可视叶茎比的水稻倒伏灾情监测模型。 在对茎叶穗各组分面积的提取中, 采用目视解译加人工数字化的方法, 虽提高了精度, 却花费了较长的时间。 在今后的实验中, 有必要探索一种高精度且方便快捷的冠层茎叶穗比率提取方法。 由于各个倒伏样本的水稻品种、 水肥管理、 播种时间等因素不同, 导致群体长势存在一定的差异, 影响了基于植被指数的可视叶茎比反演精度, 如何消除长势因素带来的误差将会是下一步研究的重点。 在本研究中, 水稻倒伏等级划分的精度可达82%, 对误差样本与其他样本进行对比分析, 发现误差样本的水稻植株生物量相对较小, 同一倒伏角度下, 叶片对茎秆遮挡相对更少, 导致叶茎比预测值变小。 该模型整体反演效果较好, 但受可视叶茎比与倒伏角度间相关性影响, 利用该模型进行倒伏等级评估仍存在一定误差。 进一步在更大范围内探索倒伏水稻茎、 叶、 穗比率与倒伏灾情强度的响应关系, 有助于提升水稻倒伏灾情高光谱诊断的精度。