利用VGC-AGB模型和高光谱遥感的马铃薯地上生物量估算

引用本文

冯海宽, 岳继博, 樊意广, 杨贵军, 赵春江. 利用VGC-AGB模型和高光谱遥感的马铃薯地上生物量估算[J]. 光谱学与光谱分析, 2023,43(9): 2876-2884.
FENG Hai-kuan, YUE Ji-bo, FAN Yi-guang, YANG Gui-jun, ZHAO Chun-jiang. Estimation of Potato Above-Ground Biomass Based on VGC-AGB Model and Hyperspectral Remote Sensing[J]. Spectroscopy and Spectral Analysis, 2023,43(9): 2876-2884.
Doi:10.3964/j.issn.1000-0593(2023)09-2876-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

利用VGC-AGB模型和高光谱遥感的马铃薯地上生物量估算

冯海宽^1,², 岳继博³, 樊意广², 杨贵军², 赵春江^1,^2,^*

1.南京农业大学国家信息农业工程技术中心, 江苏南京 210095

2.农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097

3.河南农业大学信息与管理科学学院, 河南郑州 450002

*通讯作者 e-mail: zhaocj@nercita.org.cn

作者简介: 冯海宽, 1982年生, 北京市农林科学院信息技术研究中心副研究员 e-mail: fenghaikuan123@163.com

收稿日期: 2023-03-29 修回日期: 2023-07-12 接受日期: 2023-07-12

基金: 国家自然科学基金项目(42101362, 41601346), 黑龙江省揭榜挂帅科技攻关项目(2021ZXJ05A05), 河南省重点研发与推广专项(科技攻关232102111123)资助

摘要

马铃薯是继水稻、小麦、玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义。作物的地面生物量(AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估。现有的研究表明, 遥感植被指数在中高作物覆盖度时会丧失对作物参数的敏感性, 即“饱和现象”, 这制约了作物生长中后期AGB的准确监测。采用了一个新型垂直生长作物AGB估算模型(VGC-AGB)结合高光谱遥感开展马铃薯多生长阶段的AGB估算研究。针对多生长时期遥感光谱指数开展作物生物量监测中存在的“饱和问题”, VGC-AGB定义了叶片干物质含量( C_m)和垂直器官干物质含量( C_sm)2个参数, 分别描述马铃薯叶片和茎的平均干物质含量, 并通过叶面积指数(LAI)× C_m计算叶片的地上生物量(AGB_l), 通过种植密度( C_d)、马铃薯株高( C_h)和 C_sm的乘积, 即 C_d× C_h× C_sm计算垂直器官的地上生物量(AGB_v)。基于国家精准农业研究示范基地2019年马铃薯田间实验, 分别获取了马铃薯4个关键生长时期的地面ASD高光谱数据、实测株高、 AGB和LAI数据等, 并利用高光谱反射率数据构建了高光谱特征参数, 分别对比了(1)高光谱特征参数+株高, (2)地面测量参数+VGC-AGB模型和(3)高光谱特征参数+VGC-AGB模型的3种马铃薯AGB估算模型的性能。结果表明, 与传统的高光谱遥感植被指数+株高的AGB估算方法相比, 新型VGC-AGB模型结合高光谱遥感数据可以提供更高性能的马铃薯AGB_l、 AGB_v和总AGB估算结果, 该方法可为马铃薯AGB的快速无损监测提供技术支撑。

关键词: VGC-AGB模型; 高光谱遥感; 马铃薯; 地面生物量

中图分类号:S25 文献标志码:A

Estimation of Potato Above-Ground Biomass Based on VGC-AGB Model and Hyperspectral Remote Sensing

FENG Hai-kuan^1,², YUE Ji-bo³, FAN Yi-guang², YANG Gui-jun², ZHAO Chun-jiang^1,^2,^*

1. National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China

2. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China

3. College of Information and Management Science, Henan Agricultural University, Zhengzhou 450002, China

*Corresponding author

Abstract

Potato is an important food crop after rice, wheat, and corn, and its optimal cultivation and production are essential to ensure food security. Crop above-ground biomass (AGB) is widely considered to be closely related to crop growth status and is often directly involved in crop yield prediction and health status parameter assessment. Existing studies show that the remote sensing vegetation index loses sensitivity to crop parameters at medium to high crop cover, i. e., the “saturation phenomenon”, which limits accurate monitoring studies of AGB at mid to late crop growth. The main work of this study is to use a new vertically growing crop AGB model (VGC-AGB) combined with hyperspectral remote sensing for AGB estimation of potatoes at multiple growth stages. In response to the “saturation problem” of remote sensing spectral indices for crop biomass monitoring in multiple growth periods, VGC-AGB defined two parameters, leaf dry matter content ( C_m) and vertical organ dry matter content ( C_sm), to describe the average dry matter content of potatoes leaves and stems, respectively. The aboveground biomass of leaves (AGB_l) was calculated by leaf area index (LAI)× C_m, and aboveground biomass of vertical organs (AGB_v) was calculated by the product of planting density ( C_d), potato plant height ( C_h) and Csm, i. e., C_d× C_h× C_sm. Based on the 2019 potato field experiment at the National Precision Agriculture Research Demonstration Base, ground-based ASD hyperspectral data, measured plant height, AGB, and LAI data were obtained for four critical growth periods of potato. Hyperspectral reflectance data were used to construct hyperspectral feature parameters and compare the performance of three potato AGB estimation models of (1) hyperspectral feature parameters+plant height, (2) ground-based measurement parameters+VGC-AGB model and (3) hyperspectral feature parameters+VGC-AGB model, respectively. The results show that the new VGC-AGB model combined with hyperspectral remote sensing data can provide higher performance estimation results of potato AGB_l, AGB_v, and total AGB than the traditional AGB estimation method of hyperspectral remote sensing vegetation index + plant height, and the technique can provide technical support for rapid and nondestructive monitoring of potato AGB.

Keyword: VGC-AGB model; Hyperspectral remote sensing; Potato; Aboveground biomass (AGB)

文章图片

引言

马铃薯是继水稻、小麦和玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义^{[1, 2]}。作物的地面生物量(above-ground biomass, AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估^{[3, 4, 5]}。快速、准确地开展马铃薯AGB动态监测研究, 对马铃薯田间生产管理具有重要的指示作用^[6]。

在遥感技术出现之前, 作物AGB的动态监测主要通过人工破坏性采样获得, 这种方法耗时费力, 不适合进行大规模作物AGB的田间监测^{[7, 8, 9]}。遥感技术因其高通量、无损和快速获取作物长势信息的优势, 已成为不同尺度下监测作物生长参数变化最有前景的手段^{[10, 11, 12]}。在过去的十年里, 光学遥感技术已经被广泛应用于作物长势参数监测中, 例如叶面积指数、植株氮含量、叶绿素、作物生物量和作物产量等方面。遥感植被指数(vegetation index, VI)利用两个或者多个波段的光谱反射率来拉伸地物的光学特征, 并广泛结合统计回归模型开展作物参数估算应用。广泛用于作物参数估算的遥感植被指数大多基于可见光和近红外波段反射率构建, 如: normalized difference vegetation index(NDVI)^[13]、 soil-adjusted vegetation index(SAVI)^[14]、 enhanced vegetation index(EVI)^[15]等。遥感植被指数在中高作物覆盖度时会丧失对作物AGB、叶面积指数(leaf area index, LAI)等参数的敏感性, 即“ 饱和现象” , 这制约了作物生长中后期的遥感作物AGB准确监测研究^[16], 使得难以建立一个适用于多个生长时期的AGB估算模型。

许多研究已经专注于改进基于遥感植被指数的AGB估算方案, 如: 高光谱遥感技术^[17]、遥感植被指数+Light Detection and Ranging(LIDAR)^[18], 遥感植被指数+株高^[3], 遥感植被指数+Synthetic Aperture Radar(SAR)^[19]等。高光谱遥感技术里的红边区域、高光谱导数分析、波段深度分析和连续统去除分析已经展示出与小麦生物量高度相关的能力, 并已经得到证明和广泛接受。 Fu等^[20]发现基于窄波段的NDVI-like指数(1 097, 980 nm)相比传统NDVI和SAVI能够提供更高精度的冬小麦AGB估算结果。 Gnyp等^[17]等结合了一阶导数光谱和高光谱植被指数开展了水稻AGB估算, 结果表明高光谱遥感技术可以显著提高多生长时期AGB估算精度。由于植物高度是植物生长的良好指标, 通过LIDAR和无人机作物表面模型等技术确定的作物冠层的物理高度估算AGB是一种避免饱和的有效方法。 Yue等^[3]发现结合冬小麦株高和冠层光谱反射率/植被指数能够提供比单独株高、冠层光谱反射率/植被指数更高性能的AGB估算结果。 Han等^[21]验证了玉米株高数据有助于增强基于遥感植被指数的AGB估算结果。与光学遥感相比, SAR遥感技术在中高LAI和生物量下监测植被生长方面具有优势, 因为它们使用更长波长的电磁辐射, 可以穿透作物冠层, 从而一定程度避免了“ 饱和现象” 。 Jin等研究认为结合使用SAR和光学植被指数联合开展冬小麦AGB估算比单独使用SAR和光学植被指数更有效。 Sadeghi和Santi等^{[22, 23]}的研究也证实了联合SAR+光学植被指数避免“ 饱和现象” 的可能性。

上述研究均是以“ 引入新的特征指标” 并“ 结合统计回归技术” 的思路来实现增强作物AGB估算, 故本质上仍然是黑箱统计模型; 其AGB的估算精度受制于统计模型的性能和新的特质指标的可代表性。在作物的生长过程中, 光合作用产物的转移行为在不同生长阶段不同; 作物冠层的上层叶片贡献了大部分的田间冠层光谱, 而储存在垂直器官(如作物茎、小麦穗、玉米穗)中的生物量很难通过光学遥感检测到。

本工作是采用了一个新型垂直生长作物AGB估算模型(vertically growing crop AGB model, VGC-AGB)结合高光谱遥感多生长阶段的马铃薯AGB估算研究。针对多生育期遥感光谱指数开展作物生物量监测中存在的“ 饱和问题” , VGC-AGB通过Cm× LAI计算叶片的地上生物量, 通过Cd× Ch× Csm计算垂直器官的地上生物量。通过一个包含4个生长阶段的马铃薯地上生物量联合试验数据, 对比了(1)高光谱特征参数+株高, (2)地面测量参数+VGC-AGB模型和(3)高光谱遥感+VGC-AGB模型的3种马铃薯AGB估算方法的性能。我们的结果表明, 新型VGC-AGB模型结合高光谱遥感可以提供高性能的马铃薯叶片AGB, 垂直AGB和总AGB估算结果, 且其估算性能明显高于高光谱遥感+株高的AGB估算方法。

1 实验部分

1.1 研究区概况

1.1.1 试验地基本情况

地面试验于北京市昌平区国家精准农业研究示范基地开展[图1(a)]。昌平区地处暖温带半湿润大陆性季风气候, 年平均日照时数2 684 h, 年平均气温11.8 ℃, 年平均降水量550.3 mm。于2019年开展了马铃薯实验, 马铃薯试验品种有2个, 分别为中薯3号(Z3)和中薯5号(Z5), 试验详情如图1所示。

	Figure Option View Download New Window
	图1 研究区位置和试验方案 (a): 研究区位置; (b): 试验方案Fig.1 Study area and experimental design (a): Location of the study area; (b): Experimental details

1.1.2 试验方案和肥料处理

试验方案和肥料处理如图1(b)所示, 试验小区总计48个(每个小区大小32.5 m²); 种植密度分为3个水平, 分别是60 000 hm^-2(P1), 72 000 hm^-2(P2)和84 000 hm^-2 (P3); 氮素处理分为4个水平, 分别是0 (N0), 112.5 (N1), 225 (N2)和337.5 (N3) kg· hm^-2 pure N; 钾肥处理分为3个水平, 分别是0 (K0), 495 kg· hm^-2(K1)和990 kg· hm^-2(K2)的K₂O; 此外, 试验田施了90 kg· hm^-2 P₂O₅。所有种植小区的田间管理(主要包括除草、追肥和浇水)均保持一致。

1.2 马铃薯理化参数测量

分别于2019年5月13日, 5日27日, 6月10日, 6日20日开展了4组马铃薯冠层高光谱和AGB等作物参数测量。

1.2.1 马铃薯冠层高光谱测量

使用ASD Field Spec 3光谱仪(Analytical Spectral Devices)测量马铃薯4个关键生长时期的冠层反射率, 该仪器的光谱范围为350~2 500 nm, 其中, 350~1 000 nm的采样间隔为1.4 nm, 1 000~2 500 nm的采样间隔为2 nm。分别于上午10点半到下午14点半之间开展马铃薯冠层反射率测量; 每个小区测量前, 均使用了一个白色定标板校正光谱仪; 测量时, 测量人员面对太阳方向, 将传感器探头置于冠层上方约50 cm处, 收集10次数据并取平均值为马铃薯冠层反射率。

1.2.2 马铃薯LAI, 株高和AGB测量

各生长阶段从每个小区中选取能代表该小区整体长势水平的3株植株作为样本, 测量其株高, 并记录平均值。随后, 人工对这些样本进行破坏性取样, 并装入带有小区编号的塑料袋中。样本采集完成后, 迅速带回实验室进行处理。实验处理主要分三部分:

(1)用自来水清洗马铃薯植株表面的尘土, 待植株自然干燥后, 使用剪刀将茎和叶分离;

(2)在每个小区的3株样本的所有叶片中, 选取大叶片、中等叶片和小叶片各10个。使用直径8 mm的打孔器在每个叶片左右各打1个孔, 共60孔圆形叶片, 称鲜重, 烘干后称干重。利用打孔的叶面积、鲜重和叶片总质量计算叶片的总面积, 记为L;

(3)将处理好的茎和叶片放在烘箱中以105℃进行半小时的杀青, 随后将温度调至80℃持续干燥, 直到样本的质量保持不变, 分别记为m_v和m_l。

马铃薯各生长阶段田间LAI和生物量的统计结果如表1所示。

表1 田间LAI和生物量测量值描述统计 Table 1 Field LAI and biomass measurements

随后, 采用式(1)— 式(4)计算LAI, AGB_l, AGB_v和AGB_t

$\begin{array}{l} LAI = \frac{L}{3} C_{d} (1) \\ AG B_{l} = \frac{m_{l}}{3} C_{d} (2) \\ AG B_{v} = \frac{m_{v}}{3} C_{d} (3) \\ AG B_{t} = \frac{m_{l} + m_{v}}{3} C_{d} (4) \end{array}$

其中, L为所有叶片面积的和; m_l和m_v分别为所有叶片和茎秆部分的干质量; C_d为种植密度; 3代表3株马铃薯参与取样。

1.3 VGC-AGB模型及其应用策略

1.3.1 VGC-AGB模型

VGC-AGB模型在文献[5]中由Yue等提出并用以分析垂直生长的作物的茎秆和叶片部分生物量组成。其原理如图2所示, 垂直生长作物的生物量主要分为两部分: (1)叶子和(2)垂直生长的部分(如茎, 麦穗或玉米穗);

$AG B_{t} = AG B_{l} + AG B_{v} (5)$

	Figure Option View Download New Window
	图2 马铃薯不同生长时期的叶子和茎秆结构Fig.2 Leaf and stalk structures of potato at different growth periods

式(5)中, AGB_t(g· m^-2)是作物总生物量, AGB_l(g· m^-2)是所有作物叶片的干生物量, AGB_v(g· m^-2)是垂直生长器官(如茎, 麦穗或玉米穗)的干生物量。

叶片生物量可以由LAI和叶片干物质含量的乘积计算

$AG B_{l} = LAI \times C_{m} (6)$

式(6)中, LAI(m²· m^-2)是作物的叶面积指数, C_m(g· m^-2)是作物叶片的平均干物质含量。

垂直部分生物量可以由株高, 种植密度和C_sm的乘积计算

$AG B_{v} = C_{d} \times C_{h} \times C_{sm} (7)$

式(7)中, C_d(n· m^-2)是作物的种植密度, 一般为固定值; C_h(m)是作物的株高; C_sm是作物茎和生殖器官的平均干质量含量, 即平均每单位长度的茎秆部分拥有的生物量; C_sm一般随作物生育期增加而逐渐增加。

因此, 利用VGC-AGB模型开展作物生物量估算可以通过以下方式实现

$AG B_{t} = LAI \times C_{m} + C_{d} \times C_{h} \times C_{sm} (8)$

此外, 通过式(8)计算C_sm。

1.3.2 VGC-AGB模型应用策略

如式(8)所示, VGC-AGB模型的输入参数包含了LAI, C_m, 株高, 种植密度, 和C_sm。 VGC-AGB模型的输入参数包含了一些先验知识参数, 如C_m和种植密度, 这些参数整个生育期内不会发生变化; 对于株高、 LAI和C_sm来说, 其生育期内的变化对于VGC-AGB模型至关重要。因此, 使用了两种VGC-AGB模型的应用策略:

(1)基于VGC-AGB模型和地面参数的马铃薯AGB估算;

(2)基于VGC-AGB模型和遥感估算参数的马铃薯AGB估算。

1.4 模型精度对比和评价

1.4.1 传统高光谱遥感和统计回归模型的作物AGB, LAI, C_sm估算

除了直接使用地面参数和基于遥感估算参数开展基于VGC-AGB的AGB估算验证外, 也选择了常用的人工神经网络(artificial neural networks, ANN)回归技术来测试传统高光谱遥感和统计回归模型的马铃薯AGB估算; 也即是采用光谱反射率、遥感光谱指数, 红边参数和导数法的特征提取技术和ANN开展马铃薯AGB估算。选择的遥感光谱指数包含NDVI, OSAVI, EVI, SAVI和EVI2(表2); 红边参数包含RE1(706 nm), RE2(742 nm), RE3(782 nm)三波段反射率, 红边植被指数NDRE1, NDRE2和CIRE(表2)。

表2 基于遥感光谱指数, 红边参数和导数法的特征提取技术 Table 2 Remote sensing spectral indices, red-edge, and derivative method

此外, 本工作采用相同的光谱反射率、上述三种特征提取法(表2)和ANN开展马铃薯LAI, C_sm估算作为VGC-AGB模型输入参数。

1.4.2 模型数据选择和精度对比指标

共测得192组马铃薯数据, 这些数据被平均分为两组, 一组用于模型训练, 剩余一组用于模型精度验证。使用R²和RMSE作为模型精度验证指标; 一般来说, 较大的R²和较小的RMSE代表模型拥有更高的精度。

2 结果与讨论

2.1 基于统计回归模型的马铃薯AGB估算

2.1.1 高光谱遥感指标和株高的敏感性分析和波段选择

分析了原始冠层高光谱反射率(400~1 000 nm)和其一阶导数光谱与马铃薯AGB和LAI的相关性分析, 相关性分析结果曲线展示在图3中。基于上述相关性分析结果, 选择了697和753 nm波段的反射率[图3(a, b)], 472、 524、 556、 665、 680和710 nm波段的一阶导数反射率[图3(c, d)]开展马铃薯参数估算。基于表2中选择的植被指数、红边指数、所选择的光谱反射率和一阶导数光谱反射率, 开展了上述光谱参数、株高与LAI和AGB相关性分析(表3)。

	Figure Option View Download New Window
	图3 高光谱反射率光谱和导数光谱与LAI和AGB相关性分析结果 (a), (b): LAI; (c), (d): AGBFig.3 Pearson correlation analysis results between hyperspectral reflectirity derivative-spectra and LAI and AGB (a), (b): LAI; (c), (d): AGB

表3 所选择的高光谱遥感特征、株高与LAI和AGB相关性分析结果 (n=192) Table 3 Pearson correlation analysis results between selected remote sensing features, crop height and LAI (i) and AGB (ii) (n=192)

2.1.2 马铃薯AGB估算结果

利用表3中的光谱特征指标和株高, 开展了马铃薯AGB估算模型训练, 结果见图4(a), ANN模型建模精度为: R²=0.776, RMSE=21.73 g· m^-2。基于验证数据集开展模型验证, 结果表明, 所训练的ANN模型验证精度明显下降, ANN模型验证精度为: R²=0.399, RMSE=37.497 g· m^-2。

	Figure Option View Download New Window
	图4 基于高光谱遥感、株高和统计回归模型的马铃薯AGB估算结果 (a): 建模集; (b): 验证集Fig.4 Potato AGB estimates based on remote sensing, crop height, and statistical regression model (a): Modeling set; (b): Validation set

2.2 基于地面测量参数+VGC-AGB模型的马铃薯AGB估算

2.2.1 地面实测的VGC-AGB模型输入参数

基于地面测量实测LAI, AGB_l, AGB_v, 株高和种植密度, 本文开展了VGC-AGB模型输入参数分析, 结果如图5所示。图5(a)展示了马铃薯叶片生物量与LAI的关系, 本文结果显示AGB_l=50× LAI, 即C_m=50 g· m^-2, 这与文献[5]中玉米叶片的C_m接近。本文结果显示AGB_v随C_d× C_h的增加而增加[图5(b)], 4个生育期的C_sm缓慢增加[图5(b)]。 4个生育期的C_sm平均值分别为: 0.15, 0.19, 0.21, 0.27。

	Figure Option View Download New Window
	图5 (a)马铃薯AGB_l对比LAI; (b)马铃薯AGB_v对比株高× 种植密度; (c)土豆C_smFig.5 (a) Potato AGB_lvs. LAI; (b) Potato AGB_vvs. C_d× C_h; (c) potato C_sm

2.2.2 马铃薯AGB估算

基于训练集数据, 我们计算了平均C_sm, C_m; 然后根据地面实测LAI, 平均C_sm, C_m, 株高和种植密度开展了基于VGC-AGB模型的马铃薯AGB估算。图6展示了马铃薯AGB_l[图6(a, b)], AGB_v[图6(c, d)]和AGB_t[图6(e, f)]实测值和估算值。图6中马铃薯估算结果表明, VGC-AGB模型建模和验证精度分别为: R²=0.857, RMSE=19.509 g· m^-2和R²=0.891, RMSE=16.538 g· m^-2。 VGC-AGB模型的建模和验证精度均明显高于基于遥感光谱特征和ANN模型的估算结果[图4(a)]。

	Figure Option View Download New Window
	图6 基于地面测量实测VGC-AGB模型的马铃薯AGB估算 (a), (b): AGB_l; (c), (d): AGB_v; (e), (f): AGB_tFig.6 Potato AGB estimates based on VGC-AGB model and field measured parameters as input (a), (b): AGB_l; (c), (d): AGB_v; (e), (f): AGB_t

2.3 基于高光谱遥感+VGC-AGB模型的马铃薯AGB估算

本小节叙述了基于VGC-AGB模型和遥感测量的马铃薯AGB估算。分两个部分: (1)基于高光谱遥感的模型参数估算; (2)基于VGC-AGB模型的马铃薯AGB估算。首先, 利用表3中的光谱特征指标和训练数据集, 开展了马铃薯LAI和C_sm估算模型训练, 结果见图7。 ANN模型的验证精度为: LAI: R²=0.603, RMSE=0.404 m²· m^-2, C_sm: R²=0.237, RMSE=0.063 g· m^-1。基于遥感估算LAI和C_sm, 地面实测株高和种植密度, 本文随后开展了基于VGC-AGB模型的马铃薯AGB估算。图8展示了基于VGC-AGB模型的马铃薯AGB估算结果, 结果表明, VGC-AGB模型建模和验证精度分别为: R²=0.612, RMSE=28.415 g· m^-2和R²=0.598, RMSE=29.001 g· m^-2。对比基于地面实测和遥感估算输入参数的VGC-AGB模型的建模和验证精度(图6), 后者模型精度明显降低。

	Figure Option View Download New Window
	图7 基于高光谱遥感的VGC-AGB模型参数估算 (a): LAI; (b): C_smFig.7 VGC-AGB model input parameters estimation using hyperspectral remote sensing and statistical regression model (a): LAI; (b): C_sm

	Figure Option View Download New Window
	图8 基于遥感估算VGC-AGB模型参数的马铃薯AGB估算 (a), (b): AGB_l; (c), (d): AGB_v; (e), (f): AGB_tFig.8 Potato AGB estimates based on VGC-AGB model and remote sensing estimated parameters as input (a), (b): AGB_l; (c), (d): AGB_v; (e), (f): AGB_t

目前, 各种空间分辨率的光学遥感依然是开展大范围作物AGB估算的最主要方式。然而, 光学遥感方法无法提供高精度的作物AGB估算, 原因主要有两个: (1)光学VI在中到高冠层覆盖时出现“ 饱和问题” , (2)作物茎和枝等垂直部分对冠层光谱的贡献很小, 作物AGB普遍被低估^[16]。作物冠层的上层叶片贡献了大部分的田间冠层光谱, 而储存在垂直器官(如作物茎、小麦穗、玉米穗)中的生物量很难通过光学遥感检测到; 这意味着储存在垂直部分器官中的光合产物无法仅使用VI来检测, 尽管因此, 仅基于传统的光学红色和近红外波段的VI无法提供高性能的AGB_v估算。

本文中, VGC-AGB可以帮助对垂直生长的马铃薯AGB进行建模, 并了解垂直种植作物AGB_l和AGB_v如何促进作物生长^[5]。在农田管理实践中, LAI可以通过使用LAI2200开展测量, 而C_m参数在多个生长周期可以被认为为固定值, C_sm在单个生长时期可以被认为为固定值。 VGC-AGB模型输入参数可以很容易地在现场测量, 因此VGC-AGB模型有助于快速、高性能地非破坏地进行AGB测量。马铃薯的茎和枝等垂直部分对冠层光谱的贡献很小, 因此不能通过光学遥感直接估计。研究表明, 当采用固定的C_m时, AGB_l的估算精度为: R²=0.911, RMSE=11.809 g· m^-2, 当采用固定C_sm时, AGB_v的估算精度为: R²=0.503, RMSE=13.119 g· m^-2, AGB_l和AGB_v的估算误差接近。因此, 认为VGC-AGB可以适用于高精度马铃薯的AGB_l和AGB_v估算, 进而有助于分析光合产物转移。

本工作仅测试了一年(4个生长时期)的马铃薯试验数据, 因此, 无法跨越不同的年份全面比较固定C_m和C_sm开展作物AGB估算的可行性。未来的研究将集中VGC-AGB模型在更多区域和生长时期的马铃薯AGB估算验证。

3 结论

结合高光谱遥感和VGC-AGB模型开展了马铃薯地上生物量监测研究。针对多生育期遥感光谱指数开展作物生物量监测时存在的“ 饱和问题” , VGC-AGB通过C_m× LAI计算叶片的地上生物量, 通过C_d× C_h× C_sm计算垂直器官的地上生物量。对比了(1)高光谱遥感指数+株高, (2)地面测量参数+VGC-AGB模型和(3)高光谱遥感+VGC-AGB模型的3种马铃薯AGB估算方法的性能。结果表明:

(1)VGC-AGB模型可以提供高精度的马铃薯AGB_l和AGB_v估算结果; 基于地面测量参数+VGC-AGB模型的AGB_l的估算精度为: R²=0.911, RMSE=11.809 g· m^-2, AGB_v的估算精度为: R²=0.503, RMSE=13.119 g· m^-2; 基于高光谱遥感+VGC-AGB模型的AGB_l的估算精度为: R²=0.515, RMSE=20.481 g· m^-2, AGB_v的估算精度为: R²=0.538, RMSE=13.317 g· m^-2;

(2)VGC-AGB模型可以提供高精度的马铃薯AGB估算结果; 基于高光谱+株高的验证精度为: R²=0.399, RMSE=37.497 g· m^-2, 明显低于VGC-AGB模型: R²=0.891, RMSE=16.538 g· m^-2和R²=0.598, RMSE=29.001 g· m^-2。

参考文献

文献列表

[1]	Zhao R, An L, Tang W, et al. Computers and Electronics in Agriculture, 2022, 195(2): 106802. [本文引用:1]
[2]	Liu Y, Feng H, Yue J, et al. Computers and Electronics in Agriculture, 2022, 198(5): 107089. [本文引用:1]
[3]	Yue J, Yang G, Li C, et al. Remote Sensing, 2017, 9(7): 708. [本文引用:3]
[4]	Yue J, Tian Q. International Journal of Applied Earth Observation and Geoinformation, 2022, 89(2): 102089. [本文引用:1]
[5]	Yue J, Yang G, Fu Y. Computers and Electronics in Agriculture, 2023, 25(2): 107627. [本文引用:4]
[6]	Wang T, Liu Y, Wang M, et al. Frontiers in Plant Science, 2021, 12: 616689. [本文引用:1]
[7]	Swoish M, Da Cunha Leme Filho J F, Reiter M S, et al. Computers and Electronics in Agriculture, 2022, 196(5): 106900. [本文引用:1]
[8]	Xu L, Zhou L, Meng R, et al. Precision Agriculture, 2022, (23): 1276. [本文引用:1]
[9]	Estevez J, Salinero D M, Berger K, et al. Remote Sensing of Environment, 2022, 273(5): 112958. [本文引用:1]
[10]	Sun S, Zuo Z, Yue W, et al. Computers and Electronics in Agriculture, 2022, 192(9): 106571. [本文引用:1]
[11]	Araza A, Bruin S, Herold M. Remote Sensing of Environment, 2022, 272(2): 112917. [本文引用:1]
[12]	Kearney S P, Porensky L M, Augustine D J, et al. Remote Sensing of Environment, 2022, 271(2): 112907. [本文引用:1]
[13]	Rouse J W, Haas R H, Schell J A, et al. NASA Special Publication, 1973, 1: 325. [本文引用:1]
[14]	Huete A R. Remote Sensing of Environment, 1988, 25(3): 295. [本文引用:1]
[15]	Jiang Z, Huete A R, Didan K, et al. Remote Sensing of Environment, 2008, 112(10): 3833. [本文引用:1]
[16]	Yue J G, Yang Q, Tian H, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150(9): 226. [本文引用:2]
[17]	Gnyp M L, Miao Y, Yuan F, et al. Field Crops Research, 2014, 155: 42. [本文引用:2]
[18]	Zhang Y, Shao Z. International Journal of Remote Sensing, 2020, 42(3): 964. [本文引用:1]
[19]	Schlund M, Boehm H D V. International Journal of Remote Sensing, 2021, 42(9): 3405. [本文引用:1]
[20]	Fu Y, Yang G, Wang J, et al. Computers and Electronics in Agriculture, 2014, 100: 51. [本文引用:1]
[21]	Han L, Yang G, Dai H, et al. Plant Methods, 2019, 15(1): 10. [本文引用:1]
[22]	Sadeghi Y, St-Onge B, Leblon B, et al. International Journal of Applied Earth Observation and Geoinformation, 2018, 68(2): 202. [本文引用:1]
[23]	Santi E, Paloscia S, Pettinato S. Remote Sensing of Environment, 2022, 200(8): 63. [本文引用:1]
[24]	Rondeaux G, Steven M, Baret F. Remote Sensing of Environment, 1996, 55(2): 95. [本文引用:1]
[25]	Gitelson A A, Gritz Y, Merzlyak M N. Journal of Plant Physiology, 2003, 160: 271. [本文引用:1]

2022

0.0

... 引言马铃薯是继水稻、小麦和玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义^[1,2] ...

2022

0.0

... 引言马铃薯是继水稻、小麦和玉米之后的一种重要的粮食作物, 其优化种植和生产对于保障粮食安全具有重要的意义^[1,2] ...

2017

0.0

... 作物的地面生物量(above-ground biomass, AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估^[3,4,5] ...

... 许多研究已经专注于改进基于遥感植被指数的AGB估算方案, 如: 高光谱遥感技术^[17]、遥感植被指数+Light Detection and Ranging(LIDAR)^[18], 遥感植被指数+株高^[3], 遥感植被指数+Synthetic Aperture Radar(SAR)^[19]等 ...

... Yue等^[3]发现结合冬小麦株高和冠层光谱反射率/植被指数能够提供比单独株高、冠层光谱反射率/植被指数更高性能的AGB估算结果 ...

2022

0.0

... 作物的地面生物量(above-ground biomass, AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估^[3,4,5] ...

2023

0.0

... 作物的地面生物量(above-ground biomass, AGB)被广泛认为与作物的生长状态密切相关, 常常被直接用来参与作物产量预测和健康状态参数评估^[3,4,5] ...

... VGC-AGB模型在文献[5]中由Yue等提出并用以分析垂直生长的作物的茎秆和叶片部分生物量组成 ...

... m^-2, 这与文献[5]中玉米叶片的C_m接近 ...

... 本文中, VGC-AGB可以帮助对垂直生长的马铃薯AGB进行建模, 并了解垂直种植作物AGB_l和AGB_v如何促进作物生长^[5] ...

2021

0.0

... 快速、准确地开展马铃薯AGB动态监测研究, 对马铃薯田间生产管理具有重要的指示作用^[6] ...

2022

0.0

... 在遥感技术出现之前, 作物AGB的动态监测主要通过人工破坏性采样获得, 这种方法耗时费力, 不适合进行大规模作物AGB的田间监测^[7,8,9] ...

2022

0.0

... 在遥感技术出现之前, 作物AGB的动态监测主要通过人工破坏性采样获得, 这种方法耗时费力, 不适合进行大规模作物AGB的田间监测^[7,8,9] ...

2022

0.0

... 在遥感技术出现之前, 作物AGB的动态监测主要通过人工破坏性采样获得, 这种方法耗时费力, 不适合进行大规模作物AGB的田间监测^[7,8,9] ...

2022

0.0

... 遥感技术因其高通量、无损和快速获取作物长势信息的优势, 已成为不同尺度下监测作物生长参数变化最有前景的手段^[10,11,12] ...

2022

0.0

... 遥感技术因其高通量、无损和快速获取作物长势信息的优势, 已成为不同尺度下监测作物生长参数变化最有前景的手段^[10,11,12] ...

2022

0.0

... 遥感技术因其高通量、无损和快速获取作物长势信息的优势, 已成为不同尺度下监测作物生长参数变化最有前景的手段^[10,11,12] ...

1973

0.0

... 广泛用于作物参数估算的遥感植被指数大多基于可见光和近红外波段反射率构建, 如: normalized difference vegetation index(NDVI)^[13]、 soil-adjusted vegetation index(SAVI)^[14]、 enhanced vegetation index(EVI)^[15]等 ...

1988

0.0

2008

0.0

2019

0.0

... , 这制约了作物生长中后期的遥感作物AGB准确监测研究^[16], 使得难以建立一个适用于多个生长时期的AGB估算模型 ...

... , (2)作物茎和枝等垂直部分对冠层光谱的贡献很小, 作物AGB普遍被低估^[16] ...

2014

0.0

... Gnyp等^[17]等结合了一阶导数光谱和高光谱植被指数开展了水稻AGB估算, 结果表明高光谱遥感技术可以显著提高多生长时期AGB估算精度 ...

2020

0.0

2021

0.0

2014

0.0

... Fu等^[20]发现基于窄波段的NDVI-like指数(1 097, 980 nm)相比传统NDVI和SAVI能够提供更高精度的冬小麦AGB估算结果 ...

2019

0.0

... Han等^[21]验证了玉米株高数据有助于增强基于遥感植被指数的AGB估算结果 ...

2018

0.0

... Sadeghi和Santi等^[22,23]的研究也证实了联合SAR+光学植被指数避免#cod#x0201c ...

2022

0.0

... Sadeghi和Santi等^[22,23]的研究也证实了联合SAR+光学植被指数避免#cod#x0201c ...

1996

0.0

2003

0.0