基于冠層光譜的冬油菜光合性狀監(jiān)測(cè)模型研究

雷利琴，李倩，唐利平，，黃益國，李小芳?，官春云

(1 衡陽市農(nóng)業(yè)科學(xué)院，湖南衡陽 421101；2 湖南農(nóng)業(yè)大學(xué)，長沙 410128)

光合作用是生物界賴以存在的基礎(chǔ)，也是作物生命存在、繁榮和發(fā)展的源泉[1]，在農(nóng)業(yè)生產(chǎn)中具有重大意義。開展作物光合性狀的無損實(shí)時(shí)監(jiān)測(cè)研究可為作物的生長實(shí)時(shí)監(jiān)測(cè)[2]、生產(chǎn)力[3]及品質(zhì)的預(yù)測(cè)預(yù)報(bào)[4]提供相應(yīng)理論依據(jù)。傳統(tǒng)的作物光合性狀監(jiān)測(cè)方法一般是在田間隨機(jī)抽取植株進(jìn)行相應(yīng)的生理指標(biāo)測(cè)試，雖然結(jié)果較為可靠，但費(fèi)時(shí)費(fèi)力，且不能實(shí)現(xiàn)對(duì)作物光合性狀的實(shí)時(shí)、快速、全面監(jiān)測(cè)[5]。

農(nóng)作物信息的無損獲取技術(shù)能更準(zhǔn)確地預(yù)報(bào)作物產(chǎn)量因地區(qū)和栽培條件不同而發(fā)生的變異狀況，大大降低大區(qū)域估產(chǎn)成本，使農(nóng)產(chǎn)品品質(zhì)分級(jí)、分類收獲和加工方案的制定更合理，確保糧食生產(chǎn)的安全和優(yōu)質(zhì)優(yōu)價(jià)。綠色植物具有典型的光譜特性。而在作物生長過程中，不同的肥水管理、栽培措施及品種類型導(dǎo)致作物生長狀況發(fā)生變化，會(huì)形成獨(dú)特的光譜特征[6]，通過篩選對(duì)作物農(nóng)學(xué)參數(shù)敏感的波段，挖掘其相應(yīng)光譜反射率或演生指數(shù)與作物農(nóng)學(xué)參數(shù)的相關(guān)關(guān)系及內(nèi)在規(guī)律，基于其定量化的規(guī)律性關(guān)系可實(shí)現(xiàn)對(duì)農(nóng)作物信息的準(zhǔn)確監(jiān)測(cè)[7]。越來越多的科學(xué)家開始利用地面監(jiān)測(cè)如光譜數(shù)字技術(shù)來研究農(nóng)情信息的實(shí)時(shí)無損獲取，且葉面積指數(shù)[8]、干物質(zhì)[9]、品質(zhì)[10，11]等指標(biāo)的光譜監(jiān)測(cè)技術(shù)已趨于成熟。

目前，國內(nèi)外油菜光合作用的研究大多仍集中在對(duì)生理指標(biāo)特性的認(rèn)識(shí)層面[12]。就油菜而言，影響光合作用的性狀指標(biāo)主要有光合速率、葉綠素含量和葉面積指數(shù)[13]等。基于此，本研究以冬油菜連續(xù)兩個(gè)試驗(yàn)季的不同施肥量和密度試驗(yàn)為基礎(chǔ)，綜合利用油菜光合性狀與冠層敏感波段植被指數(shù)的定量關(guān)系，探索建立油菜光合性狀的監(jiān)測(cè)模型，并利用不同年份的油菜光合性狀和冠層光譜數(shù)據(jù)進(jìn)行模型的檢驗(yàn)，以期為光譜無損診斷技術(shù)在冬油菜光合作用預(yù)測(cè)上的適宜性和大范圍的遙感評(píng)估提供試驗(yàn)基礎(chǔ)和理論參考。

1 材料與方法

1.1 材料

在湖南農(nóng)業(yè)大學(xué)試驗(yàn)基地進(jìn)行連續(xù)兩個(gè)油菜生長季(2009—2010 年度和2010—2011 年度)的不同施肥量和密度試驗(yàn)。供試油菜品種為雜1613，施肥量水平設(shè)N3(高肥，1 875 kg/hm2)、N2(中肥，1 125 kg/hm2)、N1(低肥，375 kg/hm2)、N0(對(duì)照，0 kg/hm2)4 個(gè)，密度水平設(shè)M1(15 萬株/hm2)、M2(30 萬株/hm2)、M3(45萬株/hm2)、M4(60 萬株/hm2)、M5(75 萬株/hm2)5 個(gè)。兩因素水平隨機(jī)區(qū)組排列，共20 個(gè)處理，3 次重復(fù)。供試肥料為湖南農(nóng)業(yè)大學(xué)提供的控釋肥，氮磷鉀的含量比例(N∶P2O5∶K2O)為12∶5∶7，做基肥一次施用，小區(qū)面積為12 m2，行距為0.2 m，每個(gè)小區(qū)20行，其他管理措施同高產(chǎn)大田。

1.2 方法

1.2.1 凈光合速率測(cè)定

在油菜抽薹期、現(xiàn)蕾期、開花期和角果期，于上午10:00—11:00，選取油菜健壯主莖，用Li－6400XT測(cè)定頂部第一完全展開葉片和角果的凈光合速率，每個(gè)小區(qū)測(cè)3 張葉片或3 個(gè)角果，取平均值作為該區(qū)葉片、角果的凈光合速率。

1.2.2 葉片葉綠素含量測(cè)定

使用SPAD－502 測(cè)定SPAD 值。SPAD 值測(cè)定與冠層光譜測(cè)量同步進(jìn)行，測(cè)定的樣品與進(jìn)行光譜測(cè)定的樣品一致。由于測(cè)定部位對(duì)讀數(shù)影響較大，測(cè)定部位應(yīng)盡量保持一致并避開葉脈。一般選取最大綠葉，在距葉邊緣約2 cm 處進(jìn)行測(cè)定，測(cè)定8 個(gè)葉片，每個(gè)樣品測(cè)5 個(gè)值，取總的平均值計(jì)算該小區(qū)葉片葉綠素含量。

1.2.3 葉面積指數(shù)測(cè)定

與光譜測(cè)量同步，計(jì)算葉面積及葉面積指數(shù)。每個(gè)小區(qū)取有代表性的10 株油菜測(cè)定綠色葉片長和寬，每片葉的葉面積＝葉長×葉寬×系數(shù)(系數(shù)值為0.683 4[14])，單株葉面積為所有綠色葉片葉面積之和。根據(jù)下面公式計(jì)算綠色面積和綠色面積指數(shù)。

綠色面積＝小區(qū)總株數(shù)×單株葉面積(或角果面積)；

綠色面積指數(shù)＝綠色面積/小區(qū)面積[15]。

1.2.4 光譜數(shù)據(jù)測(cè)定

在測(cè)定油菜光合參數(shù)時(shí)，同步測(cè)定油菜冠層光譜。使用的儀器為Field Spec Pro FR2500 型背掛式野外高光譜輻射儀(美國ASD 公司)，其測(cè)試波段為350～2 500 nm。選擇天氣晴朗、無風(fēng)或風(fēng)速很小的時(shí)候進(jìn)行冠層光譜測(cè)定，測(cè)定時(shí)間一般為10:00—14:00。每個(gè)小區(qū)重復(fù)測(cè)量5 次，取平均值。測(cè)量時(shí)，傳感器的探頭垂直向下，視場角度為25°，距冠層頂部的垂直高度約為1 m，地面視場范圍直徑為0.44 m。在測(cè)量過程中，及時(shí)對(duì)每組目標(biāo)的觀測(cè)值進(jìn)行標(biāo)準(zhǔn)白板校正(標(biāo)準(zhǔn)白板反射率為1，因此所得目標(biāo)物光譜為無量綱的反射率)。為提高光譜分析精確性，綜合分析年度試驗(yàn)光譜噪聲產(chǎn)生區(qū)域，刪除受噪聲影響較大的波段:1 356～1 399、1 828～1 963和2 350～2 500 nm，剔除后共有1 820 個(gè)有效波段數(shù)據(jù)(圖1)。

1.2.5 數(shù)據(jù)處理與分析

所有步驟都在MATLAB 平臺(tái)中自編程序完成。

第一步，利用2010—2011 年度的油菜各光合生理指標(biāo)和相應(yīng)冠層光譜反射率的試驗(yàn)數(shù)據(jù)，計(jì)算由任意兩波段矩陣形式組合的光譜指數(shù)，歸一化光譜指數(shù)(normalized spectral index，NDSI)為任意兩波段數(shù)值之差和它們數(shù)值之和的比值，即NDSI＝(Rλ1－Rλ2)/(Rλ1＋Rλ2)，比值光譜指數(shù)(ratio spectral index，RSI)為任意兩波段數(shù)值的比值，即RSI＝Rλ1/Rλ2[16]，并利用350～2 500 nm 波段范圍內(nèi)任意光譜指數(shù)與油菜的各光合參數(shù)計(jì)算相應(yīng)擬合曲線的決定系數(shù)(R2)。

第二步，用R2與相應(yīng)的波段作等高線圖，先采用降采樣法每隔50、25、10 個(gè)波段采樣，可以顯示出決定系數(shù)大的敏感波段范圍，然后在敏感波段范圍內(nèi)，采用精細(xì)采樣法每隔1 個(gè)波段采樣，運(yùn)行程序得出最優(yōu)決定系數(shù)(R2)。

第三步，利用最優(yōu)決定系數(shù)(R2)對(duì)應(yīng)的油菜各光合參數(shù)和敏感波段組成的最佳光譜指數(shù)進(jìn)行定量分析，建立相應(yīng)的擬合方程監(jiān)測(cè)模型。

第四步，利用2009—2010 年度的油菜試驗(yàn)數(shù)據(jù)對(duì)監(jiān)測(cè)模型進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果采用國際上通用的均方差根(root mean square error，RMSE)和相對(duì)誤差(relative error，RE)表示。

2 結(jié)果與分析

2.1 冬油菜冠層敏感波段篩選

利用350～2 500 nm 波段范圍內(nèi)任意光譜指數(shù)(圖1)與油菜各光合參數(shù)(表1、表2、表3)計(jì)算相應(yīng)的擬合曲線的決定系數(shù)(R2)。

圖1 不同年度冬油菜冠層光譜信息Fig.1 Spectral information of winter rape canopy in different years

表1 不同處理油菜光合速率Table 1 Photosynthetic rate of rape under different treatments

表2 不同處理油菜葉片葉綠素含量Table 2 Chlorophyll content of rape leaves in different treatments

續(xù)表2

表3 不同處理油菜葉面積指數(shù)Table 3 Leaf area index of rape under different treatments

采用降采樣法，通過運(yùn)行程序得出敏感波段范圍的決定系數(shù)R2等高線圖，冬油菜葉片凈光合速率與NDSI(Rλ1，Rλ2)的擬合曲線的敏感波段范圍都位于762～810 nm 和756～762 nm 組合(圖2－A)、350～510 nm 和1 410～1 810 nm 組合(圖2－B)；與RSI(Rλ1，Rλ2)的擬合曲線的敏感波段范圍都位于758～760 nm 和760～832 nm 組合(圖2－C)。冬油菜角果凈光合速率與NDSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍分別位于945～960 nm 和941～956 nm 組合(圖2－D)、1 180～1 200 nm和1 170～1 190 nm 組合(圖2－E)、925～947 nm 和998～1 022 nm 組合(圖2－F)；與RSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍分別位于980～1 120 nm 和904～1 066 nm 組合(圖2－J)、1 180～1 200 nm 和1 170～1 190 nm 組合(圖2－H)、1 188～1 200 nm 和1 170～1 188 nm 組合(圖2－I)。

圖2 冬油菜凈光合速率與光譜指數(shù)的擬合曲線的決定系數(shù)(R2)等高線圖Fig.2 Determination coefficient(R2)contour map of fitting curve between net photosynthetic rate and spectral index of winter rape

冬油菜葉片葉綠素含量與NDSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍分別位于1 950～2 350 nm 和510～750 nm 組合(圖3－A)、1 910～2 300 nm 和500～700 nm 組合(圖3－B)、480～522 nm 和440～520 nm 組合(圖3－C)；與RSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍分別位于2 000～2 350 nm 和550～734 nm 組合(圖3－D)、2 000～2 350 nm 和540～780 nm 組合(圖3－E)、2 000～2 350 nm 和550～734 nm 組合(圖3－F)。

圖3 冬油菜葉片葉綠素含量與光譜指數(shù)的擬合曲線的決定系數(shù)(R2)等高線圖Fig.3 Determination coefficient(R2)contour map of fitting curve between chlorophyll content and spectral index in winter rape leaves

冬油菜葉面積指數(shù)與NDSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍都位于680～1 110 nm 和450～750 nm 組合(圖4－A、B、C)；與RSI(Rλ1，Rλ2)的線性函數(shù)、指數(shù)函數(shù)和冪函數(shù)的敏感波段范圍分別位于700～1 160 nm 和1 400～1 550 nm 組合(圖4－D)、700～950 nm 和450～650 nm 組合(圖4－E)、1 400～1 550 nm 和700～1 180 nm 組 合(圖4－F)。

圖4 冬油菜葉面積指數(shù)與光譜指數(shù)的擬合曲線的決定系數(shù)(R2)等高線圖Fig.4 Determination coefficient(R2)contour map of fitting curve between leaf area index and spectral index of winter rapeseed

2.2 冬油菜光合生理指標(biāo)與光譜指數(shù)的定量模型

在敏感波段范圍內(nèi)采用精細(xì)采樣法每隔1 個(gè)波段采樣，運(yùn)行程序得出最優(yōu)決定系數(shù)(R2)，其對(duì)應(yīng)的波段即為該光合生理指標(biāo)的敏感波段。將不同敏感波段組成的光譜參數(shù)與油菜各光合生理指標(biāo)進(jìn)行相關(guān)回歸分析，分別得出它們的回歸方程、擬合決定系數(shù)(R2)及標(biāo)準(zhǔn)誤(SE)。

根據(jù)表4，由RSI(R760，R766)建立的油菜葉片凈光合速率線性函數(shù)監(jiān)測(cè)模型y＝326.420x＋347.140表現(xiàn)最好。該模型擬合決定系數(shù)(R2) 最大(0.840)，標(biāo)準(zhǔn)誤(SE)最小(1.88)(圖5－A)；由NDSI(R951，R948)建立的油菜角果凈光合速率線性函數(shù)監(jiān)測(cè)模型y＝413.580x＋0.390 表現(xiàn)最好，模型擬合決定系數(shù)(R2)最大(0.760)，標(biāo)準(zhǔn)誤(SE)最小(0.36)(圖5－B)；由NDSI(R2207，R618)建立的油菜葉片葉綠素含量指數(shù)函數(shù)監(jiān)測(cè)模型y＝43.652e－0.822x表現(xiàn)最好，模型擬合決定系數(shù)(R2)最大(0.704)，標(biāo)準(zhǔn)誤(SE)小(3.63)(圖5－C)；由NDSI(R722，R721)建立的油菜葉面積指數(shù)指數(shù)函數(shù)監(jiān)測(cè)模型y＝0.1950e189.660x表現(xiàn)最好，模型擬合決定系數(shù)(R2)最大(0.522)，標(biāo)準(zhǔn)誤(SE)比較小(1.51)(圖5－D)。

圖5 基于光譜指數(shù)的光合生理指標(biāo)最佳監(jiān)測(cè)模型Fig.5 The best monitoring model of photosynthetic physiological indexes based on the spectral index

表4 光合生理指標(biāo)與敏感波段NDSI 和RSI 光譜指數(shù)的相關(guān)回歸分析Table 4 The correlation regression equation between photosynthetic physiological indexes and sensitive band NDSI and RSI spectral indices

續(xù)表4

2.3 光合生理指標(biāo)監(jiān)測(cè)模型的檢驗(yàn)與分析

采用決定系數(shù)R2、相對(duì)誤差RE和相對(duì)均方差根(relative root mean square error，RRMSE)統(tǒng)計(jì)方法，利用2009—2010 年度試驗(yàn)季的冬油菜光合參數(shù)和相應(yīng)冠層光譜反射率數(shù)據(jù)對(duì)以上4 個(gè)最佳油菜光合生理指標(biāo)的監(jiān)測(cè)模型分別進(jìn)行檢測(cè)，結(jié)果顯示:基于光譜指數(shù)的冬油菜光合性狀的監(jiān)測(cè)模型的實(shí)測(cè)值與預(yù)測(cè)值的擬合決定系數(shù)R2都大于0.5，相對(duì)均方差根RRMSE小，即在對(duì)不同施肥量和密度條件下生長的冬油菜光合性狀的預(yù)測(cè)精度上，檢驗(yàn)達(dá)到了顯著水平(表5)。

表5 冬油菜光合生理指標(biāo)監(jiān)測(cè)模型的檢驗(yàn)結(jié)果Table 5 Test of monitoring models for photosynthetic physiological indexes of winter rape

用實(shí)測(cè)值與預(yù)測(cè)值作圖比較(圖6)，散點(diǎn)分布越接近1∶1線表明基于敏感波段的植被指數(shù)所構(gòu)建的方程監(jiān)測(cè)準(zhǔn)確度越高。

圖6 基于敏感波段的冬油菜田間光合性狀監(jiān)測(cè)模型精度檢驗(yàn)Fig.6 Accuracy test of monitoring model for photosynthetic characteristics of winter rape field based on sensitive bands

3 討論

目前，比值植被指數(shù)(ratio vegetation index，RVI)、歸一化植被指數(shù)(normalized vegetation index，NDVI)是葉片光合監(jiān)測(cè)預(yù)報(bào)中常用的植被指數(shù)。劉聰[18]認(rèn)為，使用植被指數(shù)NDVI 與入射光合有效輻射的乘積對(duì)單植被類型葉片凈光合速率反演是可行的。邵佩佩等[19]利用高光譜植被指數(shù)反演葉片總初級(jí)生產(chǎn)力(gross primary productivity，GPP)的模型發(fā)現(xiàn)，小麥NDVI 模型效果最優(yōu)。孫少波等[20]在對(duì)毛竹林葉片高光譜反射率數(shù)據(jù)進(jìn)行小波變換的基礎(chǔ)上，找到由小波分解第一層高頻系數(shù)構(gòu)建的NDVI和RVI 與葉片的凈光合速率間相關(guān)性最好。本研究獲取的光譜數(shù)據(jù)為全波段，將得到的光譜數(shù)據(jù)進(jìn)行兩兩波段矩陣形式組合，以波段組合計(jì)算得到的比值光譜指數(shù)(RSI)和歸一化光譜指數(shù)(NDSI)為基礎(chǔ)，建立了最佳冬油菜光合性狀監(jiān)測(cè)模型檢驗(yàn)，其擬合度都達(dá)到了顯著水平，且誤差值較低，為實(shí)時(shí)、迅速、無損監(jiān)測(cè)油菜生長狀況提供了便捷可靠的方法，也為實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)提供了理論參考。

大量研究表明，預(yù)測(cè)作物生長狀況的敏感波段主要處于近紅外波段區(qū)域。陳俊英等[21]發(fā)現(xiàn)蒸騰速率(Tr)和胞間二氧化碳濃度(Ci)的最優(yōu)反演模型分別為15:00 的基于紅光波段反射率的一元線性模型和15:00 的基于紅光波段反射率的一元線性模型。王娣等[22]在分析植被光譜指數(shù)、光合有效輻射與凈光合速率關(guān)系中，發(fā)現(xiàn)750 和705 nm 波段組合的NDVI(R750，R705)、750 和700 nm 波段組合的RVI(R750，R700)植被指數(shù)與SPAD 值相關(guān)性較高，利用高光譜遙感技術(shù)可以了解和掌握植物葉片的光合效應(yīng)，以此評(píng)價(jià)植物的固碳、釋氧能力以及估測(cè)農(nóng)作物產(chǎn)量是完全可行的。在研究甜菜葉綠素含量與高光譜植被遙感的定量關(guān)系中，李宗飛等[23]發(fā)現(xiàn)，原始光譜反射率和一階微分反射率與葉綠素含量均具有較好的相關(guān)性，其最大正相關(guān)分別位于902 和676 nm 附近，最大負(fù)相關(guān)分別位于611 和1 138 nm 附近。本試驗(yàn)提出的油菜光合性狀生理指標(biāo)的監(jiān)測(cè)模型，RSI(R760，R766)、NDSI(R951，R948)可以很好地分別預(yù)測(cè)冬油菜的葉片、角果的光合速率，NDSI(R722，R721)可以較好地預(yù)測(cè)葉面積指數(shù)，而760、766、951、948、722 和721 nm 都處于近紅外波段區(qū)域，這與前人研究的結(jié)果基本一致。

作物生產(chǎn)中最為重要的措施之一就有作物水分調(diào)控與管理。因?yàn)樗侵参锷顒?dòng)的必要條件，植株含水量的變化直接影響植物營養(yǎng)物質(zhì)的吸收和運(yùn)輸以及一系列生理生化反應(yīng)，從而影響植物生長，如葉綠素含量。Carter[24]發(fā)現(xiàn)，1 300～2 500 nm 波段范圍內(nèi)光譜反射率的變化由葉片水分吸收造成，是水分對(duì)植被光譜的初級(jí)影響，葉片含水量的變化也導(dǎo)致了葉片內(nèi)部結(jié)構(gòu)產(chǎn)生差異，最終使1 300～2 500 nm 波段范圍內(nèi)光譜反射率發(fā)生改變，是水分對(duì)光譜的次級(jí)影響。本試驗(yàn)結(jié)果建立的冬油菜葉綠素含量監(jiān)測(cè)模型中的最佳模型的敏感波段是2 207和618 nm，對(duì)波段2 207 nm 的敏感性在一定程度上驗(yàn)證了葉片含水量對(duì)植株葉綠素含量的次級(jí)影響。

農(nóng)作物光譜監(jiān)測(cè)模型的應(yīng)用與生理指標(biāo)特性和光譜指數(shù)的特性密切相關(guān)，具有不同特點(diǎn)和適用波段范圍的各種光譜指數(shù)在結(jié)合敏感波段組合時(shí)需要更深層次的精確改善，和大量試驗(yàn)反復(fù)深入的論證和檢驗(yàn)。需要指出的是:(1)本試驗(yàn)是在同一品種、同一環(huán)境的大田基礎(chǔ)上進(jìn)行的，因而建立的油菜光合性狀生理指標(biāo)監(jiān)測(cè)模型存在著品種間的應(yīng)用差異性及地域局限性。有研究表明作物生理指標(biāo)與冠層結(jié)構(gòu)之間、不同生態(tài)系統(tǒng)之間具有聯(lián)動(dòng)關(guān)系，因此同一作物在不同生態(tài)系統(tǒng)間所建立的光譜指數(shù)與生理指標(biāo)之間的吻合度可能會(huì)存在一定的差異[25，26]。(2)本試驗(yàn)建立的油菜光合性狀生理指標(biāo)監(jiān)測(cè)模型是基于全生育期采集的數(shù)據(jù)樣本，因而不同生育期的油菜光合性狀生理指標(biāo)最佳監(jiān)測(cè)模型還需進(jìn)一步論證。高開秀等[27]研究表明，寬波段植被指數(shù)與氮營養(yǎng)指標(biāo)的相關(guān)性在冬油菜不同生育期差異明顯，且得出冬油菜蕾薹期的紅光標(biāo)準(zhǔn)值和藍(lán)光標(biāo)準(zhǔn)值均與氮營養(yǎng)指標(biāo)相關(guān)性最好。由明明等[28]研究發(fā)現(xiàn)，基于光譜指數(shù)構(gòu)建的分生育期和全生育期油菜葉片SPAD 值估算模型雖然均通過顯著性檢驗(yàn)，但最好的模型及驗(yàn)證精度均表現(xiàn)在各生育期。

如果要在今后的油菜光合效率評(píng)價(jià)、健康狀況監(jiān)測(cè)及氮素營養(yǎng)管理中提供更可靠的理論基礎(chǔ)，必須不斷在品種間和不同生態(tài)環(huán)境對(duì)監(jiān)測(cè)模型進(jìn)行廣泛檢驗(yàn)，若能將本研究結(jié)果與低空無人飛機(jī)、衛(wèi)星數(shù)據(jù)相融合[29]，從更大范圍和更高水平上針對(duì)不同類型的品種進(jìn)行反復(fù)監(jiān)測(cè)檢驗(yàn)，可最終實(shí)現(xiàn)模型通用的預(yù)測(cè)可靠性和普適性。

4 結(jié)論

本試驗(yàn)在不同施肥量和密度條件下，研究了油菜冠層光譜與油菜凈光合速率(Pn)、葉片葉綠素含量(SPAD)、葉面積指數(shù)(LAI)的定量關(guān)系，建立了冬油菜光合性狀監(jiān)測(cè)模型，得出冬油菜全生育期的葉片凈光合速率的最佳監(jiān)測(cè)模型為基于RSI(R760，R766)的線性函數(shù)y＝326.420x＋347.140，預(yù)測(cè)精度為0.836，擬合精度為0.884；角果凈光合速率的最佳監(jiān)測(cè)模型為基于NDSI(R951，R948)的線性函數(shù)y＝413.580x＋0.390，預(yù)測(cè)精度為0.760，擬合精度為0.915；葉片葉綠素含量的最佳監(jiān)測(cè)模型為基于NDSI(R2207，R618)的指數(shù)函數(shù)y＝43.652e－0.822x，預(yù)測(cè)精度為0.704，擬合精度為0.900；葉面積指數(shù)的最佳監(jiān)測(cè)模型為基于NDSI(R722，R721)的指數(shù)函數(shù)y＝0.195e189.660x，預(yù)測(cè)精度為 0.522，擬合精度 為0.521?；诒狙芯拷Y(jié)果建立的監(jiān)測(cè)模型預(yù)測(cè)精度好，擬合檢驗(yàn)均達(dá)顯著水平。