倒伏脅迫下玉米抽雄期葉面積密度光譜診斷

周龍飛, 顧曉鶴, 成樞, 楊貴軍, 孫乾, 束美艷

（1山東科技大學測繪科學與工程學院，山東青島 266590；2農(nóng)業(yè)部農(nóng)業(yè)遙感機理與定量遙感重點實驗室/北京農(nóng)業(yè)信息技術研究中心，北京 100097；3國家農(nóng)業(yè)信息化工程技術研究中心，北京 100097；4北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術研究中心，北京 100097）

0 引言

【研究意義】近年來玉米作為糧食、飼料、經(jīng)濟兼用的作物，逐漸取代其他作物成為我國第一糧食作物，對國家農(nóng)業(yè)經(jīng)濟具有不可忽視的重要意義。夏玉米生長期主要集中在多風多雨，強對流天氣頻發(fā)的 6月至9月，極易發(fā)生倒伏，嚴重影響玉米后期正常生長，導致玉米成熟時的品質(zhì)、產(chǎn)量降低[1-2］，成為玉米機械化收獲的主要障礙之一[3-5］。倒伏脅迫的程度和時期不同，對玉米后期品質(zhì)、產(chǎn)量影響也會不同，輕者減產(chǎn)5%—20%，嚴重者減產(chǎn) 70%以上或絕產(chǎn)[6-7］。玉米抽雄期是營養(yǎng)生長和生殖生長旺盛的并進階段，是對養(yǎng)分、水分、溫度、光照要求最多的時期，也是決定產(chǎn)量的最關鍵時間[8-9］。玉米抽雄期發(fā)生倒伏脅迫對于授粉效率、植株養(yǎng)分運轉、光合效率具有重要影響[10］?！厩叭搜芯窟M展】國內(nèi)外學者在玉米倒伏成因、后果以及田間管理等方面開展了大量的研究[11-14］。楊揚等[15］指出日降水量是玉米倒伏脅迫的主要環(huán)境成因，且隨著日降水量的增加倒伏程度愈嚴重，同時留苗密度、土壤含氮量和日平均風速與倒伏關系隨空間位置發(fā)生正負向變化。席吉龍等[16］研究證明玉米倒伏后，葉片空間結構分布被破壞，葉片間相互遮擋導致光合效率銳減，造成玉米產(chǎn)量下降。薛軍等[17］通過對玉米生育后期植株的衰老生理及其影響因素進行分析，認為生育后期玉米植株自然衰老導致生理化學活性下降，莖稈質(zhì)量和抗病能力下降，導致成熟期倒伏風險加大，并提出了增強玉米后期抗倒伏能力的措施。CHU 等[18］將 structure-from-motion（SFM）算法和地統(tǒng)計學相結合，研究無人機高分辨率影像用于監(jiān)測和評估玉米倒伏發(fā)生范圍和嚴重程度的可行性。HAN等[19］利用紋理、光譜、冠層結構、地勢等信息分析玉米倒伏成因，并使用無人機影像進行倒伏預測。近年來一些學者開展了玉米倒伏冠層光譜特征研究，并進行了玉米倒伏災情大范圍遙感監(jiān)測方法探索。王猛等[20］分析模擬倒伏玉米冠層光譜特征信息和歸一化植被指數(shù)（NDVI）變化信息，試驗結果顯示基于遙感數(shù)據(jù)的NDVI方法在一定程度上可以有效監(jiān)測玉米倒伏。ZHANG等[21］利用地面高光譜數(shù)據(jù)和小波變換評估了倒伏對玉米品質(zhì)的影響。李宗南等[22］利用Worldview-2多光譜影像研究灌漿期倒伏玉米光譜、紋理特征及倒伏面積估算方法，結果表明基于最大似然分類法，使用紅邊、近紅外1和近紅外2等3波段光譜反射率的倒伏玉米面積估算方法最優(yōu)。王立志等[23］通過對倒伏前后的多時相HJ-1B衛(wèi)星多光譜影像植被指數(shù)變化分析，利用玉米倒伏前后比值植被指數(shù)（RVI）差值實現(xiàn)區(qū)域尺度的玉米倒伏受災范圍監(jiān)測和災情等級評估?！颈狙芯壳腥朦c】玉米遭受倒伏脅迫后群體結構和形態(tài)產(chǎn)生較大改變，最直接表現(xiàn)為株高的變化，植株由直立狀態(tài)變成傾斜乃至匍匐于地，單位土地面積上的葉面積總量沒有變化，但由于株高的降低，單位體積內(nèi)的葉面積總量發(fā)生較大變化。葉面積密度是反映作物在垂直方向上體積內(nèi)葉面積總量的差異，體現(xiàn)作物冠層內(nèi)葉面積隨著高度變化的分布狀況?！緮M解決的關鍵問題】本文基于玉米抽雄期倒伏控制試驗，獲取倒伏后連續(xù)觀測的 LAD和冠層光譜數(shù)據(jù)，分析倒伏脅迫下玉米 LAD動態(tài)變化狀況，探索玉米葉面積密度對于倒伏脅迫強度及植株自我恢復程度的表征能力；基于光譜微分變換和小波變換技術，篩選 LAD敏感波段和最佳小波分解尺度，采用偏最小二乘法構建倒伏玉米LAD光譜診斷模型，以期為大范圍玉米倒伏災情遙感監(jiān)測提供先驗知識。

1 材料與方法

1.1 研究區(qū)概況

試驗于 2015年在小湯山國家精準農(nóng)業(yè)示范研究基地（北緯 40°10′31″—40°11′18″，東經(jīng) 116°26′10″—116°27′5″）開展，該區(qū)域位于北京市昌平區(qū)小湯山鎮(zhèn)東北部，平均海拔高度約36 m，區(qū)域內(nèi)地勢由西北向東南逐漸降低，以褐土和潮土為主（圖 1）?；厮诘貐^(qū)屬于典型的暖溫帶，半濕潤大陸性季風氣候，春季干旱多風，夏季炎熱多雨，秋季氣溫涼爽，冬季寒冷干燥。地區(qū)年平均日照時數(shù)2 676—2 684 h，年平均氣溫11.1—11.8℃，年平均降雨量為626—650 mm，無霜期172—180 d，且全年晝夜溫差較大。

圖1 研究區(qū)地理位置Fig. 1 Geographical location of the study area

1.2 試驗及數(shù)據(jù)

1.2.1 試驗設計 試驗選用京華 8號玉米作為供試材料，于2015年6月下旬播種，行距為70 cm，間距為30 cm，播種密度約為48 000株/hm2。倒伏設置采用大田人工模擬倒伏方式，倒伏時間為抽雄期前 2 d，倒伏類型設置3個（圖2），根據(jù)倒伏脅迫程度從強到弱依次為：根倒（GD），主根斷，半邊須根未斷，鋪地型的倒伏；莖折（JS），地上部20 cm處折而未斷；莖倒（JD），植株從根部傾斜，與地面夾角 45°。3類倒伏處理各設5個重復小區(qū)，另外設置3個對照（CK）小區(qū)，共設置18個試驗小區(qū)，每個小區(qū)面積為100 m2（10 m×10 m），且小區(qū)間設置隔離行，試驗設計見圖3。1.2.2 數(shù)據(jù)獲取 于抽雄期（8月12日）玉米倒伏后連續(xù)獲取冠層光譜和LAD，每周進行一次觀測，共獲取108個LAD樣本數(shù)據(jù)，其中倒伏樣本數(shù)據(jù)90個，對照組（CK）樣本數(shù)據(jù)18個。LAD樣本數(shù)據(jù)具體數(shù)理統(tǒng)計見表1。

倒伏玉米室外冠層反射光譜采用美國ASD Fieldspec Pro3 FR2500光譜儀測定，光譜范圍350—2 500 nm，光譜采樣間隔在350—1 000 nm內(nèi)為1.4 nm，在1 000—2 500 nm內(nèi)為2 nm，在儀器內(nèi)部光譜重采樣間隔為1 nm。測量時選擇晴朗無風或低風、無云天氣，測定時間為當天10：00—14：00。觀測時光譜探頭保持垂直向下且距離冠層頂部1.0 m，視場角25°。每個樣本小區(qū)選擇具有代表性的玉米冠層采集數(shù)據(jù)，每個點測定10條光譜曲線，取平均值作為該樣本小區(qū)的冠層光譜反射率，每次測量前后均用標準白板校正。為盡量消除大氣水分、氣體、臭氧等不可控因素對原始光譜造成的噪聲影響，本研究只選取可見光和近紅外波段分析，波段范圍為350—1 800 nm的光譜反射率，同時剔除光譜范圍內(nèi)1 300—1 450 nm的噪聲波段。為削弱噪聲負面影響，提高原始光譜數(shù)據(jù)信噪比，采用海明窗低通濾波器方法進行光譜信息平滑去噪處理。

圖2 不同倒伏處理（從左至右：GD、JS、JD）Fig. 2 Treatment of different lodging types (left-to-right: GD, JS, JD)

圖3 試驗設計圖Fig. 3 Test design

冠層光譜采集完成后，在相同位置進行玉米植株取樣，立即放入密封袋帶回實驗室，采用Montgomery法測量玉米植株樣本的所有葉片面積，結合種植密度計算樣本小區(qū)的玉米LAD。式中，0.75為玉米葉片轉換系數(shù)，i、n依次為采樣玉米植株的第i片葉和總共葉片數(shù)，S為采樣植株的占地面積，h為該倒伏樣本小區(qū)的平均冠層高度。

1.3 連續(xù)小波分析

小波變換源于傅里葉算法，是一種廣泛應用于信號分析中的線性變換，能夠?qū)⒃瘮?shù)或信號從函數(shù)空間轉化到尺度和位移空間，同時在時域和頻域進行分析，從信號中有效提取相關可用信息，而非成像高光譜數(shù)據(jù)分析類似于電子信號分析，故可采用小波分析方法對高光譜數(shù)據(jù)處理分析[24］。小波分析分為連續(xù)小波和離散小波，本研究采用連續(xù)小波分析開展高光譜數(shù)據(jù)分析。連續(xù)小波分析（continuous wavelet transformation，CWT）可通過小波基函數(shù)將冠層高光譜數(shù)據(jù)進行不同尺度分解，生成一系列小波系數(shù)。

表1 玉米倒伏樣本連續(xù)觀測LAD統(tǒng)計Table 1 LAD statistics of continuous observation of maize lodging samples

式中，a為尺度因子，b為平移因子，λ為冠層高光譜數(shù)據(jù)的波段數(shù)，f(λ)為冠層光譜反射率，Ψa,b(λ)為小波基函數(shù)，小波系數(shù)f(a,b)包含2維，分別為波長和分解尺度，二者組成矩陣。小波系數(shù)是行為尺度數(shù)，列為波長數(shù)的矩陣，CWT可將冠層高光譜數(shù)據(jù)轉化為小波系數(shù)，可通過其與LAD相關性分析，進而建立LAD光譜診斷模型。

1.4 建模方法與驗證

由于LAD敏感波段或敏感小波系數(shù)個數(shù)較多，為避免參量之間的數(shù)據(jù)自相關干擾，本文選用偏最小二乘法（partial least squares regression，PLS）構建 LAD光譜診斷模型。PLS是一種多對多線性回歸建模方法，常用于高光譜定量分析中的線性建模方法。冠層光譜反射率經(jīng)連續(xù)小波變換處理后，采用偏最小二乘法構建 LAD的光譜診斷模型。從玉米田間實測樣本中隨機選取2/3樣本（n=72）用于建模，剩余的1/3（n=36）用于驗證，模型精度采用決定系數(shù)（R2）與均方根誤差（RMSE）2個參數(shù)共同評價。

2 結果

2.1 倒伏玉米LAD動態(tài)變化分析

玉米抽雄期受到倒伏脅迫時，株高受到影響，倒伏愈嚴重株高愈低。倒伏玉米植株具有自我恢復能力，倒伏受損越重，恢復能力越差，株高會隨著時間發(fā)生一定的變化。由于LAD與株高密切相關，不同倒伏類型的植株株高恢復情況對 LAD具有較大影響。圖4為不同倒伏處理下的玉米葉面積密度時序動態(tài)變化。

圖4 不同倒伏處理LAD動態(tài)變化Fig. 4 Dynamic changes of LAD under different lodging treatments

通過對比分析抽雄期倒伏玉米的 LAD動態(tài)變化，由圖4可以得出：（1）發(fā)生倒伏后的玉米LAD均大于正常生長玉米，LAD隨倒伏程度的增強而增大。（2）不同倒伏處理的LAD整體表現(xiàn)為JS＞GD＞JD＞CK，且隨著觀測時間的推移，不同倒伏類型玉米LAD表現(xiàn)為整體降低趨勢。（3）根據(jù)LAD動態(tài)變化趨勢，抽雄期倒伏玉米株高恢復能力 JD＞GD＞JS。圖中8.12時期LAD顯著高于其他時期，原因在于倒伏玉米試驗開展初期，玉米株高未恢復導致LAD值偏大。

2.2 倒伏玉米冠層光譜反射率分析

抽雄期玉米受到倒伏脅迫時，玉米冠層結構發(fā)生較大變化，導致光譜探測視場內(nèi)的莖、葉、穗比率受到改變，直接作用影響冠層光譜反射率。正常狀態(tài)下的玉米冠層反射率主要來自葉片和雄穗，當發(fā)生倒伏后，莖稈大量暴露，此時冠層光譜反射率由莖稈、葉片、穗三者提供，且倒伏強度愈強，莖稈的影響愈大，冠層光譜反射率愈高，以2015年8月18日采集冠層光譜反射率為例分析，結果如圖5所示。王立志[25］、趙佳佳[26］、胡宗杰[27］等在對玉米、小麥的倒伏研究中也發(fā)現(xiàn)了類似規(guī)律，說明這種變化在倒伏作物中具有一定普遍性。

圖5 不同倒伏處理冠層光譜反射率曲線Fig. 5 Spectral reflectance curves of canopy under different lodging treatments

通過對比分析不同倒伏強度下玉米冠層光譜反射率曲線得出：（1）不同倒伏類型處理下的玉米冠層光譜反射率由于受其自身形態(tài)、化學組成等因素的變化，雖存在一些明顯的差異，但仍具備植被冠層所特有的基本共性特征。（2）相比可見光波段，冠層光譜反射率在近紅外波段增加明顯，冠層光譜反射率整體表現(xiàn)為GD＞JS＞JD＞CK。（3）與未倒伏玉米相比，倒伏玉米光譜存在一定的紅邊“藍移”現(xiàn)象，且倒伏強度愈強“藍移”現(xiàn)象愈明顯，“藍移”范圍在13—17 nm。（4）紅光與近紅外波段對玉米倒伏敏感性較強，隨著倒伏強度的增加，玉米光譜反射率在近紅外波段依次為0.34、0.49、0.51、0.56，正常、莖倒、莖折及根倒的近紅波段反射率的增加幅度依次為 0、44.1%、50.0%、64.7%。

2.3 LAD與光譜特征參量相關性分析

有研究表明[28-29］，對光譜反射率數(shù)據(jù)進行微分變換有助于抑制低頻噪聲對目標光譜的影響。將玉米冠層光譜數(shù)據(jù)進行一階微分變換，然后與 LAD進行相關性分析，據(jù)此篩選 LAD的敏感光譜波段。由圖 6知，一階微分處理光譜與 LAD的相關性十分顯著，在可見光波段相關性較好，673—763 nm波段整體顯著正相關，在波長407nm處正相關性最高（R=0.77），634 nm 處負相關性最高（R=-0.76）；近紅外波段負相關性顯著，在 1 130 nm（R=-0.77）、1 750 nm（R=-0.75）處相關性較大。

圖6 一階微分與LAD的相關系數(shù)Fig. 6 Correlation coefficient between first order differential and LAD

為減少數(shù)據(jù)的冗余，將CWT的分解尺度設為21，22，23，··，210，即 1—10 個尺度[30-32］，將變換后 10個尺度的小波系數(shù)與 LAD進行相關性分析，得到相關系數(shù)圖（圖7），圖中紅色（正相關R＞0.8）、藍色（負相關R＜-0.7）區(qū)域表示相關性較強波段區(qū)域。經(jīng)連續(xù)小波處理后，各尺度小波系數(shù)與 LAD的相關系數(shù)具有不同程度提升，連續(xù)小波最大相關系數(shù)可達0.88。

為更好篩選敏感小波系數(shù)，繪制決定系數(shù)圖（圖8）。從圖中可以看出，低尺度的相關性高于高尺度，有效信息主要集中在低尺度，隨著分解尺度的增加光譜分辨率降低，光譜對 LAD的敏感性也隨著降低；有效信息主要集中在1—7分解尺度，8—10分解尺度信息相對均一，顯著敏感波段主要集中在354—442 nm、472—495 nm區(qū)域，決定系數(shù)R2均大于0.7，649—829 nm、903—1 195nm以及1 564—1 581 nm區(qū)域也有較好相關性；部分1、2、3尺度相關性較低的波段范圍在4、5尺度時的相關性得到較大提升，且敏感波段區(qū)域變寬，表明連續(xù)小波變換可有效挖掘光譜中隱藏信息。

圖7 小波系數(shù)與LAD的相關系數(shù)Fig. 7 Correlation coefficient between wavelet coefficients and LAD

圖8 小波系數(shù)與LAD的決定系數(shù)Fig. 8 The determination coefficient between LAD and wavelet coefficients

通過對比一階微分和連續(xù)小波變換可以發(fā)現(xiàn)，相比一階微分而言，連續(xù)小波處理能夠有效提取光譜中的有益信息，縮小敏感波段范圍，挖掘光譜中隱藏的信息，有助于提高LAD敏感波段的篩選效率。

2.4 連續(xù)小波與一階微分建模

為了避免敏感波段之間的自相關冗余，選擇相關系數(shù)較大（R＞0.7）波段，在 Minitab17軟件中構建最佳子集來篩選最佳組合波段，采用偏最小二乘法構建玉米倒伏 LAD光譜診斷模型。連續(xù)小波在低尺度同光譜敏感性優(yōu)于高尺度，部分低尺度建模精度同一階微分相比精度提升效果不是很明顯，故建模分析中只分析小波建模精度較優(yōu)的尺度（表2）。

由表2可知，基于連續(xù)小波與一階微分的玉米LAD光譜診斷模型均具有較高的精度，建模R2為0.653—0.724，RMSE為1.219—1.408；連續(xù)小波處理構建的模型精度顯著高于一階微分處理；連續(xù)小波變換中以2、4、5尺度的模型較優(yōu)，相比一階微分，連續(xù)小波建模R2提升 7.50%—10.87%，RMSE降低 10.09%—13.42%，驗證R2提升 6.08%—9.11%，RMSE降低23.08%—31.63%；所選3個尺度模型精度都優(yōu)于一階微分建模，其中以第5尺度所建模型最佳，表明經(jīng)過連續(xù)小波變換后的 LAD光譜診斷模型精度得到一定提高。

表2 基于光譜變換的LAD建模及驗證Table 2 Modeling and verification of LAD based on spectral transformation

為更直觀地觀察模型對預測樣本的適應性，將所選最佳連續(xù)小波模型和一階微分模型的預測值與實測值進行1∶1線分析（圖9）?；谛〔ㄏ禂?shù)構建的模型的預測精度優(yōu)于一階微分模型，其實測值和預測值大致分布在1∶1線兩側附近，能夠更好實現(xiàn)LAD的反演。因此，采用連續(xù)小波作為光譜數(shù)據(jù)處理方法，不僅分析了不同尺度上小波基函數(shù)與冠層光譜反射率的相似性，而且能夠捕捉到光譜范圍內(nèi)的細微變化，更好地挖掘潛在的微弱信息，與常用的一階微分變換相比反演精度有所提高[33］。

圖9 基于光譜變換的LAD模型驗證Fig. 9 Validation of LAD model based on spectral transformation

3 討論

倒伏脅迫對作物冠層結構的最顯著影響特征是植株高度的降低，且株高降低幅度與倒伏強度密切相關，會大幅影響植株光合效率進而造成減產(chǎn)，對于當前已普遍推廣的機械收獲造成較大影響。葉面積密度同作物株高密切相關，能夠?qū)崟r反應作物株高變化情況，表征玉米受倒伏脅迫程度及后期株高恢復程度。試驗對夏播玉米進行人工大田倒伏，實測倒伏玉米LAD及冠層光譜反射率，建立基于連續(xù)小波算法的倒伏玉米LAD診斷模型，研究表明連續(xù)小波算法能夠有效篩選敏感波段，挖掘潛在的微弱信息，LAD能夠有效表征玉米株高變化，具有較好的玉米倒伏脅迫程度表征能力，可據(jù)此快速診斷玉米倒伏脅迫程度，有助于為大范圍玉米倒伏災情遙感監(jiān)測提供必要的先驗知識。但受試驗條件制約與倒伏狀態(tài)多樣化的影響，仍存在一些不足，需要在以下幾方面注意改進：

（1）倒伏脅迫對植株株高作用是明顯的，但在大范圍遙感監(jiān)測中玉米受病蟲害、營養(yǎng)不良等因素影響[34］，植株高度會出現(xiàn)矮化現(xiàn)象，會對葉面積密度表征能力造成一定的干擾，這些干擾影響需進一步深入研究加以排除。

（2）本研究所使用的數(shù)據(jù)來自于人工倒伏處理試驗，試驗結果能否適用不同地區(qū)及自然玉米倒伏仍需進行驗證，利用連續(xù)小波和一階微分所構建的LAD診斷模型能否在自然倒伏監(jiān)測中應用還待深入研究。

（3）此試驗只探討分析抽雄期倒伏玉米，對于其他生育期的玉米倒伏是否適用，還待試驗研究。由于玉米的自然倒伏狀態(tài)是多樣化的，其結構、紋理等的規(guī)律存在不確定性，將在未來研究中探討基于 LAD的玉米倒伏災情大范圍遙感監(jiān)測的適用性。

4 結論

本文以 2015年北京市小湯山國家精準農(nóng)業(yè)示范研究基地的大田人工控制倒伏玉米為研究對象，通過對抽雄期不同倒伏類型玉米的冠層光譜反射率進行一階微分和連續(xù)小波處理，篩選能夠有效表征 LAD變化的敏感波段，進而采用偏最小二乘算法構建 LAD光譜診斷模型。

（1）不同倒伏強度脅迫下玉米 LAD隨著生育進程具有不同的表現(xiàn)規(guī)律，LAD隨倒伏程度的增強而增大，LAD時序變化一方面反映了倒伏強度，另一方面也表征倒伏玉米自身的后期恢復能力。

（2）隨著倒伏強度的增加，光譜探測視場內(nèi)的莖、葉、穗比例發(fā)生改變，表現(xiàn)在冠層光譜反射率為根倒＞莖折＞莖倒＞未倒伏。LAD的敏感波段主要分布在藍光波段（354—442 nm、472—495 nm），紅光波段（649—829 nm）以及近紅外波段（903—1 195 nm、1 564—1 581 nm）。

（3）連續(xù)小波相比一階微分處理，能夠有效篩選敏感波段，挖掘光譜中隱藏的有效信息，構建的模型預測精度顯著提高，擬合效果R2提高0.050—0.075，RMSE降低0.343—0.470。

（4）連續(xù)小波變換能夠縮小敏感波段范圍，小波分解尺度對于 LAD的光譜敏感性有較大影響，低尺度敏感性優(yōu)于高尺度。基于連續(xù)小波變換的玉米抽雄期倒伏LAD光譜診斷最佳模型對應是5分解尺度，其建模R2=0.702，RMSE=1.266，驗證R2=0.898，RMSE=1.016。