持續(xù)受澇對冬小麥高光譜特征參數(shù)的影響分析

段丁丁，熊勤學(xué)，劉 莉，何英彬※

（1.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京100081；2.長江大學(xué)農(nóng)學(xué)院，荊州434025；3.浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，杭州310058）

0 引言

江漢平原地處亞熱帶或熱帶季風(fēng)氣候區(qū)，雨量豐沛，在冬小麥的關(guān)鍵生育期，經(jīng)常發(fā)生因多次或連續(xù)降雨造成的地表積水或地下水持續(xù)高水位，往往因地表積水過深或地下水位過高而導(dǎo)致對作物的澇漬脅迫。近年來江漢平原小麥種植面積約40萬hm2，占湖北省小麥種植面積的34%左右，在小麥生育中后期因過多降雨造成的澇漬害是該區(qū)小麥高產(chǎn)穩(wěn)產(chǎn)的主要限制因子[1]。Celedonio[2]、Wu[3]和吳元奇[4]的研究結(jié)果表明澇漬導(dǎo)致小麥減產(chǎn)幅度不僅取決于澇漬災(zāi)害發(fā)生的程度，還取決于災(zāi)害發(fā)生的時期。吳啟俠[5-6]開展了冬小麥澇漬的脅迫實驗，研究了冬小麥對澇漬的響應(yīng)及排水指標(biāo)的確定，獲得了江漢平原冬小麥關(guān)鍵生育期適宜的地下水位埋深。邵光成[7]研究了澇漬持續(xù)抑制天數(shù)下冬小麥的排水指標(biāo)。但由于澇害對于農(nóng)作物來說是一種慢性自然災(zāi)害，傳統(tǒng)的鑒別方法無法滿足現(xiàn)實需求，因此提出一種能快速識別冬小麥?zhǔn)軡车姆椒ㄖ陵P(guān)重要。

近年來，遙感技術(shù)憑借快速、動態(tài)監(jiān)測農(nóng)作物長勢的特點得到廣泛應(yīng)用[8-9]，在小麥的生物量反演[10-13]、病蟲害監(jiān)測[14-15]、低溫脅迫[16-17]和養(yǎng)分監(jiān)測方面[18]等方面，國內(nèi)外學(xué)者已經(jīng)取得較大進(jìn)步。目前在高光譜特征參數(shù)的研究方面主要以紅邊參數(shù)為主，賀可勛[19]的研究結(jié)果表明，水分脅迫下的小麥紅邊幅度在不同的生長期表現(xiàn)出不同的變化特征。武永峰[20]通過4種不同的方法提取并比較了晚霜凍影響下冬小麥冠層紅邊參數(shù)。熊勤學(xué)[21]等提取了受漬冬小麥的光譜反射特征，并根據(jù)不同小麥品種受漬時與受漬后NDWI指數(shù)隨時間的變化特點，發(fā)現(xiàn)其變化特征與小麥品種的抗性有關(guān)。當(dāng)前研究以紅邊參數(shù)為主要分析指標(biāo)，缺乏與其他高光譜特征參數(shù)的對比分析。因此文章根據(jù)研究目的，以四大類高光譜特征參數(shù)為研究指標(biāo)，對比分析對照區(qū)和澇害區(qū)冬小麥的18個高光譜特征參數(shù)的差異，以此來識別冬小麥?zhǔn)軡撑c否，并根據(jù)高光譜特征參數(shù)的大小來判斷冬小麥的受澇程度，研究結(jié)果可為冬小麥澇害監(jiān)測提供理論支撐。

1 數(shù)據(jù)來源及方法

1.1 數(shù)據(jù)來源

試驗區(qū)位于湖北省長江大學(xué)農(nóng)學(xué)院實驗基地（30°21′03″N，112°8′24″E）進(jìn)行，試驗區(qū)長48m，寬30m。該地區(qū)地處江漢平原，屬于長江中游和亞熱帶季風(fēng)濕潤氣候區(qū)，水熱同期且與農(nóng)業(yè)生產(chǎn)季節(jié)一致，適宜多種農(nóng)作物生長發(fā)育。試驗設(shè)置了3次重復(fù)、兩個處理（澇害與對照）共6個小區(qū)。

試驗冬小麥澇害處理時間為8d，正值冬小麥灌漿期。處理方式為持續(xù)給小區(qū)灌水，確保澇害處理小區(qū)廂溝滿水，保持地下水位埋深在0.05m左右，以達(dá)到人工模擬受澇的條件。實驗中獲取冬小麥葉片光譜數(shù)據(jù)使用FieldSpec4 Wide-Res Field Spectrum radiometer便攜式地物光譜儀，其光譜觀測范圍為350～2 500nm，光譜分辨率為3nm@700nm、10nm@1 400～2 500nm。冬小麥葉片模式主要觀測其旗葉，采用掛牌方式觀測，如果出現(xiàn)新的旗葉則觀測新的旗葉，所有光譜數(shù)據(jù)的測量均選擇天氣晴朗、無風(fēng)的條件下進(jìn)行，時間范圍為10：00～14：00，每個小區(qū)觀測5個點，每個點觀測3條光譜曲線。

光譜數(shù)據(jù)的處理運用ViewSpecPro軟件，打開每個小區(qū)每次觀測所獲取的15條光譜曲線，剔除差異較大的曲線，運用Statistic功能對剔除后所保留下來曲線進(jìn)均值處理，作為該處理小區(qū)的代表性光譜曲線。

1.2 數(shù)據(jù)處理方法

1.2.1 一階微分處理

一階導(dǎo)數(shù)光譜曲線雖不能產(chǎn)生多于原始光譜的數(shù)據(jù)信息，但可以抑制或去除無關(guān)信息，突出感興趣信息[22]。本文光譜數(shù)據(jù)的微分采用差分計算（即一階導(dǎo)數(shù)光譜），計算公式如下：

式（1）中：R′為反射率光譜的一階導(dǎo)數(shù)光譜，R為反射率，λ為波長，i為光譜通帶。

1.2.2 高光譜特征參數(shù)設(shè)定

該文把定量描述植被光譜特征的高光譜特征參數(shù)分為4類：位置參數(shù)、振幅參數(shù)、面積參數(shù)和反射率參數(shù)。

（1）位置參數(shù)。紅邊位置：紅邊范圍內(nèi)（680～760nm）最大一階微分值所對應(yīng)的波長；紅谷位置：波長（650～690nm）范圍內(nèi)最小波段反射率值對應(yīng)的波長；黃邊位置：黃邊范圍內(nèi)（560～590nm）最大一階微分值所對應(yīng)的波長；藍(lán)邊位置：藍(lán)邊范圍內(nèi)（490～530nm）最大一階微分值所對應(yīng)的波長；綠峰位置：波長（510～560nm）范圍內(nèi)最大波段反射率值對應(yīng)的波長。

（2）振幅參數(shù)。紅邊振幅：紅邊范圍內(nèi)（680～760nm）最大一階微分值；黃邊振幅：黃邊范圍內(nèi)（560～590nm）最大一階微分值；藍(lán)邊振幅：藍(lán)邊范圍內(nèi)（490～530nm）最大一階微分值；最小振幅：波長（680～750nm）范圍內(nèi)最小一階微分值。

（3）面積參數(shù)。紅邊面積—紅邊范圍內(nèi)（680～760nm）一階微分值的總和；黃邊面積—黃邊范圍內(nèi)（560～590nm）一階微分值的總和；藍(lán)邊面積—藍(lán)邊范圍內(nèi)（490～530nm）一階微分值的總和；綠峰面積—波長（510～560nm）范圍內(nèi)一階微分值的總和；近紅外面積—近紅外（780～890nm）范圍內(nèi)一階微分值的總和。

（4）反射率參數(shù)。綠峰反射率（Rg）—綠光波長（510～560nm）范圍內(nèi)最大的波段反射率；紅谷反射率（Ro）—波長（650～690nm）范圍內(nèi)最小的波段反射率；Rg/Ro—綠峰反射率（Rg）與紅谷反射率（Ro）的比值；（Rg-Ro）/（Rg+Ro）—綠峰反射率（Rg）與紅谷反射率（Ro）的歸一化值。

1.2.3 差異性指數(shù)

該文通過高光譜特征參數(shù)的差異性指數(shù)來判斷冬小麥的受澇程度，為使健康和受澇小麥的高光譜特征參數(shù)之間的差異最大化，不同類型的高光譜特征參數(shù)的差異性指數(shù)采用不同的計算方法。高光譜位置參數(shù)的差異性指數(shù)（difference index）的計算公式為：

該研究只對健康和受澇冬小麥的高光譜位置參數(shù)進(jìn)行數(shù)值比較，因此差異性指數(shù)（DI）默認(rèn)為無綱量值，不考慮其單位納米（nm）。

高光譜振幅參數(shù)、面積參數(shù)和反射率參數(shù)差異性指數(shù)（difference index）的計算公式為：

式（2）、（3）中，DI表示不同高光譜參數(shù)的差異性指數(shù)，Vck表示健康冬小麥的高光譜特征參數(shù)值，Vwl表示受澇冬小麥的高光譜特征參數(shù)值。

2 結(jié)果與分析

2.1 受澇對冬小麥高光譜位置參數(shù)的影響

由表1可知，冬小麥?zhǔn)軡钞?dāng)天，對照區(qū)和受澇區(qū)4個位置參數(shù)均相同，差異性指數(shù)為0%，表明在受澇當(dāng)天高光譜位置參數(shù)沒有發(fā)生變化。受澇第3d，受澇區(qū)冬小麥的紅邊位置發(fā)生明顯“藍(lán)移”，紅谷位置發(fā)生“紅移”；受澇第5d，受澇冬小麥的紅邊位置“藍(lán)移”程度和紅谷位置的“紅移”程度進(jìn)一步增強；受澇第7d，受澇冬小麥的紅邊位置的“藍(lán)移”程度有所減小，紅谷位置的“紅移”程度保持不變。從第5d開始，受澇冬小麥的綠峰位置發(fā)生“紅移”，第7d，黃邊位置發(fā)生“紅移”，但兩者的移動幅度均很小，藍(lán)邊位置沒有明顯的規(guī)律。

以高光譜寬度參數(shù)的差異性指數(shù)來判斷冬小麥的受澇程度，可以得出：隨著受澇時間的延長，冬小麥的受澇程度明顯增加，第5d的受澇程度最嚴(yán)重。其中紅邊位置的變化特征最明顯，可作為判斷冬小麥?zhǔn)軡撑c否的最佳高光譜位置參數(shù)。

表1 持續(xù)受澇對冬小麥高光譜位置參數(shù)的影響Table 1 Effect of continuous waterlogging on hyperspectral position parameters of winter wheat

2.2 受澇對冬小麥高光譜振幅參數(shù)的影響

由表2可知，對原始光譜曲線進(jìn)行一階微分處理后，可以突出感興趣的信息。在澇害處理當(dāng)天，對照區(qū)和受澇區(qū)冬小麥的位置參數(shù)和寬度參數(shù)沒有表現(xiàn)出差異，而4個高光譜振幅參數(shù)均存在差異：受澇冬小麥的4個高光譜振幅參數(shù)值均小于健康冬小麥，其中最小振幅的差異性指數(shù)最大。受澇第3d，4個高光譜振幅參數(shù)的差異性指數(shù)與第1d相比均有所減小，這可能與冬小麥的抗?jié)程匦杂嘘P(guān)，在受澇前期會表現(xiàn)出一定的抗?jié)澈δ芰?。受澇?d，受澇冬小麥的4個高光譜振幅參數(shù)的減小幅度迅速增大，最小振幅參數(shù)的減幅達(dá)到最大。在第7d，最小振幅參數(shù)的減幅變小，其余3個高光譜振幅參數(shù)的減幅均持續(xù)增大。

以高光譜寬度參數(shù)的差異性指數(shù)作為評價指標(biāo)判斷冬小麥的受澇程度，可以得出：隨著受澇時間的延長，冬小麥的受澇程度明顯增加，第5d的受澇程度最嚴(yán)重。其中最小振幅的減小幅度最大，可作為判斷冬小麥?zhǔn)軡撑c否的最佳高光譜振幅參數(shù)。

表2 持續(xù)受澇對冬小麥高光譜振幅參數(shù)的影響Table 2 Effect of continuous waterlogging on hyperspectral amplitude parameters of winter wheat

2.3 受澇對冬小麥高光譜面積參數(shù)的影響

從表3可知，在澇害處理當(dāng)天，受澇冬小麥的高光譜面積參數(shù)表現(xiàn)出明顯規(guī)律：近紅外面積和綠峰面積增大，紅邊面積、黃邊面積、藍(lán)邊面積則減小，這進(jìn)一步說明原始光譜經(jīng)一階微分處理后得到的導(dǎo)數(shù)光譜信息，能夠更加快速準(zhǔn)確的判斷冬小麥的受澇情況。在受澇第3d，高光譜面積參數(shù)的變化特征與高光譜振幅參數(shù)相同，相比受澇第1天，對照區(qū)和澇害區(qū)高光譜面積參數(shù)的差異性均有所減小，同樣可能與冬小麥的抗?jié)程匦杂嘘P(guān)，原始光譜經(jīng)一階微分處理后能體現(xiàn)出冬小麥的抗?jié)程匦?。從?d開始，4個高光譜面積參數(shù)的變化幅度均持續(xù)增大。

以高光譜面積參數(shù)的差異性指數(shù)作為評價指標(biāo)判斷冬小麥的受澇程度，可以得出：由于冬小麥本身具備的抗?jié)澈δ芰?，在澇害處理?d，對照區(qū)和澇害區(qū)的高光譜面積參數(shù)的差異性指數(shù)要小于澇害處理當(dāng)天的，其后隨著受澇時間的延長，各參數(shù)之間的差異性指數(shù)持續(xù)變大，即冬小麥的受澇程度日益嚴(yán)重。近紅外面積參數(shù)的差異性指數(shù)均最大，其可作為判斷冬小麥?zhǔn)軡撑c否的最佳高光譜面積參數(shù)。

表3 持續(xù)受澇對冬小麥高光譜面積參數(shù)的影響Table 3 Effect of continuous waterlogging on the hyperspectral area parameters of winter wheat

2.4 受澇對冬小麥高光譜反射率參數(shù)的影響

從表4可知，在澇害處理當(dāng)天，冬小麥的高光譜反射率參數(shù)也表現(xiàn)出明顯的變化特征：綠峰反射率Rg和紅谷反射率Ro增大，而兩者的比值Rg/Ro和歸一化值（Rg-Ro）/（Rg+Ro）則減小。同時隨著受澇時間的延長，綠峰反射率Rg和紅谷反射率Ro的增幅和兩者的比值Rg/Ro和歸一化值（Rg-Ro）/（Rg+Ro）的減幅表現(xiàn)出先增大后減小的規(guī)律。在受澇第3d，4個參數(shù)的差異性指數(shù)均達(dá)到最大，隨后又減小。

以高光譜反射率參數(shù)的差異性指數(shù)為評價指標(biāo)判斷冬小麥的受澇程度，可以得出：在受澇第3d，4個高光譜反射率參數(shù)的差異性指數(shù)總和最大，冬小麥的受澇程度最嚴(yán)重。其中紅谷反射率Ro的差異性指數(shù)均最大，其可作為判斷冬小麥?zhǔn)軡撑c否的最佳高光譜反射率參數(shù)。

表4 持續(xù)受澇對冬小麥高光譜反射率參數(shù)的影響Table 4 Effect of continuous waterlogging on hyperspectral reflectance parameters of winter wheat

2.5 受澇對冬小麥高光譜特征參數(shù)的影響

從表5可知，在澇害處理當(dāng)天，健康和受澇冬小麥的高光譜位置參數(shù)沒有差異，而高光譜反射率參數(shù)、面積參數(shù)、振幅參數(shù)均出現(xiàn)較大差異。在受澇前期，高光譜反射率參數(shù)和面積參數(shù)的差異性指數(shù)都明顯大于其他高光譜特征參數(shù)，故在冬小麥?zhǔn)軡城捌?，可用高光譜反射率參數(shù)和高光譜面積參數(shù)來快速識別冬小麥?zhǔn)軡撑c否。從澇害處理第5d開始，高光譜振幅參數(shù)和面積參數(shù)的差異性指數(shù)迅速增大，且明顯大于其他兩個高光譜特征參數(shù)的差異性指數(shù)，故在冬小麥?zhǔn)軡澈笃冢捎酶吖庾V振幅參數(shù)和面積參數(shù)判斷冬小麥的受澇程度。

根據(jù)高光譜特征參數(shù)的差異性指數(shù)的變化趨勢可以得出：隨著受澇時間的延長，冬小麥的受澇程度也相應(yīng)增加，在受澇第5d的差異性指數(shù)總和最大，即在第5d受澇最嚴(yán)重。利用不同高光譜特征參數(shù)來識別冬小麥?zhǔn)軡撑c否的能力也存在差異，不同高光譜特征參數(shù)來識別冬小麥?zhǔn)軡撑c否的優(yōu)劣能力從強到弱依次為：高光譜振幅參數(shù)＞高光譜面積參數(shù)＞高光譜反射率參數(shù)＞高光譜位置參數(shù)。此結(jié)果進(jìn)一步表明經(jīng)一階導(dǎo)數(shù)處理后的高光譜特征參數(shù)能夠突出原始光譜的感興趣信息，微分處理后所得到的高光譜特征參數(shù)識別冬小麥的受澇能力明顯優(yōu)于由原始光譜所得到的高光譜特征參數(shù)。

表5 持續(xù)受澇對冬小麥高光譜特征參數(shù)的影響Table 5 Effect of continuous waterlogging on hyperspectral characteristic parameters of winter wheat %

3 結(jié)論

該文通過提取出受澇冬小麥的反射光譜特征，以高光譜位置參數(shù)、振幅參數(shù)、面積參數(shù)和反射率參數(shù)為分析指標(biāo)，對比了健康和受澇冬小麥的18個高光譜特征參數(shù)，結(jié)果如下。

（1）受澇冬小麥的紅邊位置發(fā)生“藍(lán)移”，紅谷、綠峰和黃邊位置發(fā)生“紅移”；4個振幅參數(shù)值均減??；近紅外面積和綠峰面積增大，紅邊、黃邊和藍(lán)邊面積減?。痪G峰反射率Rg和紅谷反射率Ro增大，兩者的比值Rg/Ro和歸一化值（Rg-Ro）/（Rg+Ro）則減小，但各個參數(shù)的變化幅度存在差異，同時藍(lán)邊位置和藍(lán)邊寬度兩個高光譜特征參數(shù)沒有明顯規(guī)律可循。

（2）根據(jù)高光譜特征參數(shù)差異性指數(shù)的大小及隨受澇時間的變化特征，提取出4個判斷冬小麥?zhǔn)軡撑c否的最佳參數(shù)，且高光譜反射率參數(shù)和面積參數(shù)可在受澇當(dāng)天快速識別冬小麥?zhǔn)軡?，高光譜振幅參數(shù)則能夠判斷受澇程度。

（3）不同高光譜特征參數(shù)識別冬小麥?zhǔn)軡车膬?yōu)劣能力從強到弱依次為：高光譜振幅參數(shù)＞高光譜面積參數(shù)＞高光譜反射率參數(shù)＞高光譜位置參數(shù)。

4 討論

該文憑借高光譜遙感技術(shù)能夠動態(tài)、快速準(zhǔn)確監(jiān)測農(nóng)作物生長狀態(tài)的優(yōu)勢，在采集健康和澇害冬小麥灌漿期葉片光譜反射率的基礎(chǔ)上，進(jìn)一步對其進(jìn)行一階微分處理，以四大類高光譜特征參數(shù)為研究指標(biāo)，分析對比了健康冬小麥和受澇冬小麥18個高光譜特征參數(shù)之間的差異，并以高光譜特征參數(shù)的差異性指數(shù)量化冬小麥的受澇程度，但利用不同高光譜特征參數(shù)判斷冬小麥?zhǔn)軡吵潭鹊慕Y(jié)果存在差異，可能的原因為不同類型的高光譜特征參數(shù)對受澇程度的敏感度不同，需進(jìn)一步研究討論。該文為了統(tǒng)一量化冬小麥的受澇程度，將受澇時間相同的四大類高光譜特征參數(shù)的差異性指數(shù)總和作為最終判斷受澇程度的標(biāo)準(zhǔn)，結(jié)果表明在澇害處理第5d，冬小麥的受澇程度最嚴(yán)重。

由冬小麥原始光譜得到的高光譜位置參數(shù)和反射率參數(shù)的差異性指數(shù)隨著受澇時間的延長表現(xiàn)出先增大后減小的變化特征，而原始光譜經(jīng)一階微分處理后得到的高光譜振幅參數(shù)和面積參數(shù)的差異性指數(shù)則表現(xiàn)出先減小后增大的變化特征，且在澇害處理的第3d的差異性指數(shù)小于澇害處理當(dāng)天的，可能的原因是原始光譜經(jīng)一階微分處理后得到的高光譜振幅參數(shù)和面積參數(shù)能夠突出冬小麥的抗?jié)程匦?，使冬小麥在受澇前期表現(xiàn)出一定的抗?jié)衬芰?，進(jìn)一步說明一階導(dǎo)數(shù)光譜曲線雖不能產(chǎn)生多于原始光譜的數(shù)據(jù)信息，但可以抑制或去除無關(guān)信息，突出感興趣信息。

該文僅在冬小麥灌漿期人工模擬澇害條件，缺乏其他關(guān)鍵生育時期下健康和受澇冬小麥18個高光譜特征參數(shù)對比分析，且選用的18個特征參數(shù)中17個高光譜特征參數(shù)隨著受澇時間的延長表現(xiàn)出明顯且一致的規(guī)律，而藍(lán)邊位置沒有規(guī)律可循，其原因需進(jìn)一步探索。