基于高光谱数据的玉米叶面积指数和生物量评估

　　摘要：利用高光谱技术获取玉米农学参数信息，有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验，获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像，分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量，构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型，比较分析两种表型获取的数据在玉米冠层参数上的监测能力。结果表明，野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大;同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均最低。在可见光波段550nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%，在近红外波段870nm的波峰处，4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好，测试集决定系数(R2)为0.70，均方根误差(RMSE)为0.92，相对均方根误差(rRMSE)为15.94%。敏感波段反射率(839~893nm和1336~1348nm)对玉米单株地上部生物量估算效果最佳，测试集R2为0.71，RMSE为12.31g，rRMSE为15.89%。综上，田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。

　　关键词：高光谱;玉米;叶面积指数;地上部生物量;偏最小二乘回归;无人机遥感

　　1引言

　　玉米是世界上最重要的粮食作物之一，广泛使用于食品、饲料、能源、化工等行业[1]。叶面积指数(LeafAreaIndex，LAI)是指单位土地面积上的植物叶片总面积[2]，与作物的光合作用和蒸腾作用密切相关，是表征作物长势的关键参数[3,4];地上生物量是作物产量形成的重要基础[5-7]。因此，准确快速地获取玉米LAI及地上部生物量对掌握其长势及预测产量意义重大。

　　农作物论文范例：玉米种植技术推广的意义及途径

　　传统作物LAI和地上部生物量的田间观测方法主要是人工测量，其过程繁琐，需要耗费大量的人力物力[8]，结果有一定的滞后性，且大面积的田间破坏性取样会影响群体作物的生长状况。近年来，遥感技术的日益发展和遥感数据源的日益增多，为快速获取作物LAI和地上部生物量提供了有效的手段。从遥感建模算法来看，主要可分为物理模型和经验模型两种。物理模型机理性强，对作物LAI和生物量具有较强的解释能力，但模型较为复杂，需要的参数也较多[9]。

　　经验模型借助统计分析工具，计算过程相对简单，在实际研究中得到广泛应用[10]，但模型和参数的普适性较差。无人机成像技术作为低空遥感技术之一，对于地块尺度获取作物长势信息具有重要应用价值，其时效性、操作性更强，有效弥补了卫星遥感在精准农业应用上空间和时间分辨率的不足[11]。搭载于无人机平台的传感器主要有数码相机、多光谱相机和高光谱成像仪。与数码和多光谱相机相比，高光谱成像仪波段更多，光谱分辨率更高[12,13]，在捕捉细微特征信息方面具有独特的优势。

　　目前利用无人机高光谱数据监测作物长势参数主要集中于冬小麦、水稻、棉花等。田明璐等利用多个光谱参数对棉花LAI[14]及叶绿素含量[15]进行反演及空间制图，验证R2均在0.8以上。陶惠林等将无人机高光谱数据与数码影像相结合，使用多种回归方法对冬小麦LAI[16,17]、地上部生物量[18,19]、产量[20,21]进行估算，发现多元线性回归在各参数的应用效果最佳。

　　Li等[22]将无人机高光谱与物理模型相结合估算冬小麦氮密度，R2达0.74。秦占飞等[23]通过构建新的比值光谱指数实现了水稻叶片氮含量高精度反演。以上研究大多通过地面高光谱或无人机高光谱基于波段反射率或植被指数对作物参数进行研究。本研究以玉米地面实测LAI、地上部生物量、近地面高光谱数据及无人机成像高光谱为数据源，利用偏最小二乘(PartialLeastSquares，PLS)回归法构建LAI和地上部生物量高光谱估算模型，对比全波段、植被指数及重要光谱波段对LAI及单株地上部生物量的反演精度，旨在探索地面高光谱与无人机高光谱在玉米农学参数监测的应用能力。

　　2材料与方法

　　2.1研究区概括

　　研究区位于吉林省公主岭市吉林省农业科学院试验基地(124°82´E，43°50´N)。公主岭市地处吉林省中西部，东辽河中游右岸，属于温带大陆性季风气候。温度、雨量、光照等季节性变化显著，年平均气温5.6℃，年平均降水量594mm，无霜期约150d。

　　2.2试验设计

　　试验采用随机区组设计，设置3个种植密度：60,000株/ha、90,000株/ha和120,000株/ha，进行3次重复。以生物技术材料807的4个转基因株系和野生型玉米为试验材料，均由中国农业大学作物功能基因组与分子育种中心提供。共有45个小区，每个小区种植4行玉米，每行长5m，行间距为0.6m。玉米播种日期为2018年4月26日，水肥管理完全相同，均采取当地大田管理模式。

　　3结果与分析

　　3.1种植密度和株系对玉米LAI及单株地上生物量的影响

　　实际测量的玉米LAI及单株地上部生物量统计结果。LAI平均值为5.76，单株地上部生物量平均值为77.45g，2项指标的变异系数均大于0.1，其中LAI的变异系数大于0.2。LAI和单株地上部生物量的离散程度均较大，说明种植密度和株系对于冠层结构具有较大影响。实测的玉米LAI及单株地上部生物量经过方差分析和多重比较后的结果，叶面积指数和单株地上部生物量均存在显著差异。

　　LAI作为群体指标，与种植密度成正相关，即随着种植密度升高，LAI也随之升高;而对于单株生物量，其受种植密度的影响则要小于LAI，这是由于单株生物量属于个体指标，当种植密度较低时，单株玉米获得的光照与养分越充足，使得单株生物量较高，因此中、低密度的单株生物量要略高于高密度，说明中、低密度时光照和养分能保证植株正常生长，而种植面积度为120,000株/ha时，植株生长相互影响，使得单株生物量有所降低。

　　在60,000株/ha和120,000株/ha密度下转基因材料的叶面积指数普遍高于野生型玉米的LAI，同样地上部生物量在上述2种密度下也呈现出与LAI相同的规律。在90,000株/ha密度下野生型玉米的LAI与转基因材料的叶面积指数相当，野生型玉米的单株地上部生物量比转基因材料略大。说明转基因材料的植株普遍比野生型材料较大，但对于LAI和单株地上部生物量因密度的变化而不同。

　　3.2不同种植密度或株系的玉米冠层光谱

　　分别是野生型材料在3种种植密度下和5种材料在120,000株/ha密度下的近地面高光谱曲线。可以得到以下规律：各光谱曲线具有相似的形态特征，波峰和波谷的所在位置基本保持一致，说明密度和株系虽然使得玉米冠层结构发生改变，但未改变作物的基本光谱规律;野生型材料的冠层光谱反射率在可见光波段120,000株/ha密度下最低，90,000株/ha密度下最高，在近红外波段随着种植密度的增大而增大，说明近红外波段更能突出显示密度导致的植株差异。

　　同一种植密度下的5种材料中，野生型材料的光谱反射率在可见光和近红外波段均最低。在可见光波段550nm的波峰处，4种转基因材料的光谱反射率比野生型材料的光谱反射率提高4.52%~19.90%，在近红外波段870nm的波峰处，4种转基因材料的光谱反射率比野生型材料的光谱反射率提高23.64%~57.05%。玉米冠层光谱反射率因种植密度及玉米株系的不同呈现差异。

　　4结论与讨论

　　本研究分别以无人机高光谱全波段、近地面高光谱全波段、常用植被指数和敏感光谱波段为自变量，使用PLS回归法分别估算田间大喇叭口期玉米LAI和单株地上部生物量，取得了满意的结果。其中，常用光谱植被指数对玉米LAI的估算效果相对最好，测试集R2为0.70，RMSE为0.92，rRMSE为15.94%;敏感光谱波段对田间大喇叭口期玉米单株地上部生物量估算效果相对最好，测试集R2为0.71，RMSE为12.31g，rRMSE为15.89%。

　　考虑到地面高光谱的光谱通道更多、更窄，在捕捉目标地物的细微特征方面具有更高的响应能力，本研究基于地面高光谱来筛选玉米LAI和生物量的敏感波段，并与波段较少的无人机高光谱数据进行模型精度对比，研究表明两种传感器在监测玉米LAI和生物量上均取得较高的反演精度。冠层光谱主要由植被、土壤、阴影及其它因素的综合作用而决定。由于地面高光谱是非成像数据，无法剔除背景信息，为了与地面高光谱保持一致，无人机数据使用的是每个小区的平均高光谱反射率。本研究分别用地面高光谱(1700个波段)和无人机高光谱(200个波段)估算LAI。

　　利用无人机高光谱估算LAI其测试集R2为0.65，RMSE为0.98，rRMSE为17.00%;利用近地面高光谱估算LAI其测试集R2为0.64，RMSE为1.04，rRMSE为18.12%，说明高光谱数据中存在大量与玉米LAI无关的波段，剔除这些无关波段对叶面积指数估算影响较小。

　　本研究还发现，在各种变量建模结果中，基于敏感光谱波段的LAI估算精度最低，原因可能是叶面积指数敏感光谱波段的筛选条件过于严苛。在估算玉米生物量时，随着高光谱波段数量的减少，模型的估算效果不断提高，其中使用敏感光谱波段反射率取得了最好的结果，说明在估算玉米单株地上部生物量时，高光谱波段存在着“冗余”现象，降低光谱波段数量，选择敏感光谱波段有助于提高其估算精度。本研究可为基于高光谱技术监测育种材料性状参数的应用方面提供参考。

　　在育种材料数量较多的情况下，利用该方法仅需少量实测样本即可快速得到所有育种小区的生长发育情况。本研究构建的模型虽然取得较为满意的结果，但目前仅限于玉米单个生育期，在后续研究中还需增加更多的生育期来验证。此外，高光谱数据的信息挖掘方法较多，本研究目前尝试了全波段、植被指数和敏感光谱波段等光谱特征参量，后续研究中有必要尝试更多的光谱变换算法，进一步提升高光谱影像监测作物长势参量的精度和稳定性。

　　参考文献：

　　[1]束美艳,顾晓鹤,孙林,等.倒伏胁迫下的玉米冠层结构特征变化与光谱响应解析[J].光谱学与光谱分析,2019,39(11):3553-3559.SHUM,GUX,SUNL,etal.Structuralcharacteristicschangeandspectralresponseanalysisofmaizecanopyunderlodgingstress[J].SpectroscopyandSpectralAnalysis,2019,39(11):3553-3559.

　　[2]周龙飞,张云鹤,成枢,等.不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析[J].遥感技术与应用,2019,34(4):766-774.ZHOUL,ZHANGY,CHENGS,etal.Analysisofhy‐perspectralresponseofmaizeleafareaindexunderlodgingstressunderdifferentgrowthstages[J].RemoteSensingTechnologyandApplication,2019,34(4):766-774.

　　[3]潘海珠,陈仲新.无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用[J].中国农业资源与区划,2018,9(3):32-37PANH,CHENZ.ApplicationofUVAhyperspectralremotesensinginwinterwheatleafareaindexinver‐sion[J].ChineseJournalofAgriculturalResourcesandRegionalPlanning,2018,9(3):32-37

　　作者：束美艳1，陈向阳2，王喜庆2*，马韫韬1*