基于PLS的不同水氮條件下帶狀套作玉米產量預測

譚先明，張佳偉，王仲林，諶俊旭，楊峰，楊文鈺

基于PLS的不同水氮條件下帶狀套作玉米產量預測

譚先明，張佳偉，王仲林，諶俊旭，楊峰*，楊文鈺

四川農業(yè)大學農學院/農業(yè)部西南作物生理生態(tài)與耕作重點實驗室/四川省作物帶狀復合種植工程技術研究中心，成都 611130

【目的】利用高光譜數(shù)據構建一種“高光譜參數(shù)-光合色素-產量”模型間接估測套作玉米產量，為帶狀套作玉米產量無損預測提供技術手段?！痉椒ā恳圆煌攴荨⒌攸c、品種、處理（氮肥、水分）的田間試驗為基礎，綜合分析帶狀套作玉米各生育時期及全生育期光合色素參數(shù)與冠層高光譜參數(shù)和玉米產量的關系，明確玉米產量預測的最佳生育時期及光合色素參數(shù)，基于線性函數(shù)、二次函數(shù)和偏最小二乘（partial least squares，PLS）回歸法構建產量估測模型。【結果】光合色素-產量預測模型中，冠層類胡蘿卜素密度的PLS產量估測模型效果最佳（2=0.882,=0.669 t·hm-2）。光譜參數(shù)-光合色素分析中，抽雄期葉綠素含量與波段自由組合指數(shù)rRVI（534,546）相關性最好（=0.927）。其余光合色素參數(shù)與對應光譜指數(shù)相關性均在0.797以上。在高光譜參數(shù)-光合色素-產量估測模型中，由葉綠素含量、類胡蘿卜素含量、冠層葉綠素密度、冠層類胡蘿卜素密度為連接點，并以光譜指數(shù)rNDVI（534,546），rRVI（531,555），rNDVI（532,546），rNDVI（531,555）為自變量構建的PLS產量預測模型效果較好（2=0.509，=1.352 t·hm-2）?！窘Y論】利用色素參數(shù)作為光譜數(shù)據和產量連接的橋梁，通過PLS回歸法建立的預測模型，能夠在帶狀套作玉米中，對玉米產量實現(xiàn)較好估測，為帶狀套作玉米的田間管理和生長監(jiān)測提供理論和技術參考。

套作；玉米；高光譜；色素參數(shù)；產量；偏最小二乘回歸

0 引言

【研究意義】水肥合理供給是決定作物高產的重要因素，也是田間管理的重要手段。水分虧缺不僅阻止葉綠素合成，還加速其降解，導致葉片葉綠素含量降低[1]，進而影響光合作用[2]，減少干物質積累[3]，導致產量降低。增施氮肥可顯著提高葉綠素含量，進而提高玉米的光合速率和干物質積累[4]。適量施氮還可促進氮的吸收和利用[5]，提高糧食產量。因此，快速、準確地獲得作物生長時的水氮供應水平，并以此制定和采取相應的養(yǎng)分、水分的管理措施，對作物田間的氮肥運籌和水分管理以及生產力監(jiān)測具有重要意義。【前人研究進展】遙感技術作為一種新型技術手段，能夠快速、準確、大面積無損估測葉面積指數(shù)（leaf area index，LAI）[6]、葉綠素含量[7]、氮素營養(yǎng)水平[8]和水分含量[9]等農學參數(shù)，現(xiàn)已成為作物生長監(jiān)測的重要手段之一。目前，作物產量估測相關報道主要包括兩類：（1）基于“光譜參數(shù)-產量”的經驗模型，主要利用單一生育時期的光譜數(shù)據或植被指數(shù)直接對玉米[10]、小麥[11]等作物產量進行預測，模型相對簡單可靠，但是光譜數(shù)據-產量的經驗模型由于直接利用光譜數(shù)據，缺乏應有的農學機理，往往無法解釋環(huán)境因素對其精度的影響[12]。（2）基于“光譜數(shù)據-農學參數(shù)-產量”的定量模型，將作物的農學參數(shù)作為光譜數(shù)據與產量連接的橋梁，通過敏感生長期的光譜參數(shù)間接估算糧食產量[13]。Delia等[14]利用玉米葉面積指數(shù)銜接光譜參數(shù)與產量，有效預測了玉米產量。在小麥上，利用“特征光譜參數(shù)-葉片氮素營養(yǎng)-籽粒產量”關系構建的成熟期小麥產量預測模型，擬合效果較好[15]。相關研究在產量估測上包含了農學參數(shù)，盡管模型的操作較復雜，但在作物生長調控和栽培管理方面更有意義[16-17]。因此，建立具有農學機理的光譜產量估測模型是今后研究的重點。【本研究切入點】目前前人主要單獨從多年份、或多試驗點、或多品種試驗開展研究，但是將其進行綜合分析，以探究產量估測模型廣適性的研究報道較少。此外，作物產量形成取決于生長過程中作物的葉面積、生物量、營養(yǎng)狀況等農學參數(shù)的響應，而這些農學參數(shù)不僅可以通過光譜定量反演，還能反映作物生產力水平。因此，基于農學參數(shù)的間接估測模型可以更好地解釋產量差異的原因，具有較強的機理性。【擬解決的關鍵問題】本研究以不同年份、試驗地點、品種類型、處理條件（氮肥、水分）的田間試驗為基礎，綜合分析帶狀套作玉米各生育時期光合色素參數(shù)與冠層高光譜參數(shù)和玉米產量之間的定量關系，明確產量的最佳預測時期及光合色素參數(shù)，并構建產量間接估測模型，為帶狀套作玉米產量無損預測提供技術手段，為其田間精確管理提供理論依據。

1 材料與方法

1.1 試驗材料

供試玉米品種為川單418（緊湊型，川單種業(yè)有限公司供種）；正紅505（半緊湊型，四川農大正紅種業(yè)有限公司供種）和登海605（緊湊型，登海種業(yè)有限公司供種）。大豆品種為南豆12（耐蔭型，四川省南充市農業(yè)科學研究院供種）。

1.2 試驗設計

本研究包括5個田間試驗，涉及不同地點、不同年份、不同品種類型、不同施氮水平和不同干旱脅迫處理。

試驗1（Experiment 1，Exp.1）：2018于四川農業(yè)大學雅安校區(qū)教學科研園區(qū)自動防雨棚（29°59′N，102°59′E）進行，供試品種正紅505，采用抗旱池栽控水的方法，單個抗旱池面積4.5 m2。在玉米拔節(jié)期、灌漿期設置4個水分梯度（占土壤中田間持水量的百分數(shù)），分別為正常對照（CK），60%—70%；輕度干旱（L），45%—55%；中度干旱（M），30%—40%；重度干旱（S），15%—25%。每個處理重復3次，1個抗旱池作為一個小區(qū)。每7 d左右測定土壤含水量進行均衡補水控水并記錄，通過自然干旱和排水、灌水至各處理設定的水分范圍，并在保持7 d后測定相關參數(shù)，完成測定后復水至完熟期。玉米播前測定各抗旱池土壤田間持水量和土壤容重，進行播前土壤蒸散耗水，使各抗旱池田間持水量達到正常水分處理。

試驗2（Experiment 2，Exp.2）：2018年于仁壽縣四川現(xiàn)代糧食生產示范基地（30°04′N，104°12′E）進行。供試品種為川單418，試驗設計高（L）、中（M）、低（S）3個坡度水平，播種前及播種后每7 d測定土壤含水量。采樣時期為拔節(jié)期、灌漿期。

試驗3（Experiment 3，Exp.3）：2018年于仁壽縣四川現(xiàn)代糧食生產示范基地進行。供試品種為正紅505，試驗設3個氮素水平，施純氮分別為0（N1）；120 kg·hm-2（N2）；240 kg·hm-2（N3），每個處理重復3次。于拔節(jié)期、抽雄期測定相關參數(shù)。

試驗4（Experiment 4，Exp.4）：2019年于四川農業(yè)大學雅安校區(qū)試驗基地的自動防雨棚進行，在玉米拔節(jié)期、抽雄期、灌漿期設置4個水分梯度，分別為正常對照（CK），75%±5%；輕度干旱（L），60%±5%；中度干旱（M），45%±5%；重度干旱（S），30%±5%。其他試驗設計與管理同試驗1。

試驗5（Experiment 5，Exp.5）：2019年于四川農業(yè)大學崇州現(xiàn)代農業(yè)研發(fā)基地（30°33′N，103°38′E）進行。供試品種為登海605，試驗設4個氮素水平，施純氮分別為0（N1）；120 kg·hm-2（N2）；210 kg·hm-2（N3）；300 kg·hm-2（N4），每個處理重復3次。于拔節(jié)期、抽雄期、灌漿期測定相關參數(shù)。

試驗1—5均采用寬窄行玉米大豆帶狀復合種植模式。帶寬2 m，玉米窄行行距40 cm，株距17 cm，密度為60 000 株/hm2；6月中旬于寬行播種大豆，大豆行距40 cm，株距10 cm，密度100 000株/hm2。試驗1、2和4均施純氮（尿素，N含量46.67%）120 kg·hm-2，分別于播種前和大喇叭口期按1﹕1在玉米行間開溝施肥。試驗3和5氮素施用按試驗設計，分別于播種前和大喇叭口期按1﹕1在玉米行間開溝施肥。磷、鉀底肥分別為72 kg P2O5·hm-2、90 kg K2O·hm-2，其他按常規(guī)管理。

1.3 測定項目與方法

1.3.1 光譜數(shù)據測定 玉米冠層反射光譜測量使用荷蘭AvaField-3便攜式地物波譜儀（波段范圍為350—2 500 nm，光譜采樣間隔0.6 nm @350—1 000 nm和6 nm @1 000—2 500 nm，視場角25°）。冠層反射光譜測定選擇在晴朗、少云無風下的天氣進行，測量時間為北京時間為10：00—14：00。測量時光纖探頭垂直向下，距離玉米冠層高度1 m左右，探測的視場范圍直徑約為44.5 cm。每個小區(qū)選取4個具有代表性的觀測點，每個觀測點測量4次，取其平均值作為該觀測點的光譜反射率，每次測定前后及時用標準白板校正。光譜數(shù)據測定過程中，帶狀套作大豆還未出苗，不影響玉米冠層光譜數(shù)據。

1.3.2 葉面積指數(shù)（LAI） 光譜測定完成后，在光譜視場范圍內選取觀測點對應單株玉米被測材料，采用長寬系數(shù)法（全展葉片系數(shù)為0.75，未全展葉片系數(shù)為0.5），測定玉米植株綠葉面積，通過計算轉換為LAI[18]。

1.3.3 光合色素 冠層光譜測定后，取觀測點對應單株玉米上中下3層葉片（拔節(jié)期分為上下2層），每層于葉片前部、中部和尾部用內徑10 mm的打孔器共打孔9個，裝入50 ml PE管內，并用80%丙酮溶液在室溫下暗處浸提48 h，用雙光束紫外分光光度計（Specord 200 plus，Analytik Jena，Germany）在波長470 nm、645 nm和663nm處測定光密度，然后按下式計算葉綠素濃度（Ct）、類胡蘿卜素濃度（Car）[19]，及計算對應冠層密度CCD和CCarD。

Ca(mg·L-1)=12.7A663-2.69A645

Cb(mg·L-1)=22.9A645-4.68A663

Ct(mg·cm-2)=(Ca+Cb)×V/(S×1000)

Car(mg·cm-2)=((100A470-3.27Ca-104Cb)×V)/(S×229×1000)

CCD(g·m-2)=Ct×LAI

CCarD( mg·m-2)=Car×1000×LAI

式中，Aw代表在w波長下浸提液的吸光度；V表示浸提液的體積，ml；S表示孔的面積，cm2。

1.3.4 產量 試驗1—5于玉米成熟期在各處理下的每個試驗小區(qū)連續(xù)取20株玉米進行考種，曬干后稱取千粒重，計算小區(qū)產量及畝產。

1.4 數(shù)據分析

采用 Microsoft Excel 2010 對光譜數(shù)據、農學參數(shù)和產量數(shù)據進行整理，利用IBM SPSS 25.0進行統(tǒng)計分析和回歸模型的建立，Origin 2018進行圖形繪制以及在Matlab R2019b環(huán)境下運行植被指數(shù)、波段自由組合等程序包。

1.4.1 植被指數(shù)和光譜指數(shù) 本研究篩選與葉綠素較敏感的3個植被指數(shù)。同時，對光譜反射率采用兩兩波段隨機自由組合的方式構建隨機差值指數(shù)（rDVI）、隨機比值指數(shù)（rRVI）和隨機歸一化指數(shù)（rNDVI），確定最佳植被指數(shù)，如表1所示。

表1 本文引用的植被指數(shù)及光譜指數(shù)

1.4.2 模型的建立與檢驗 本研究采用以下方法對葉綠素、類胡蘿卜素和產量進行估測，主要包括線性函數(shù)、二次函數(shù)、偏最小二乘（partial least squares，PLS）回歸模型：

y=a+b

y=a+bx+cx2

y=a0+a1x1+a2x2+a3x3+……+anxn

式中，y表示產量的預測值，x和xn表示光譜特征參量和農學參數(shù)，a、b、c和a0表示常數(shù)，an表示偏回歸系數(shù)。

本研究中各時期樣本集及總樣本集均隨機篩選2/3的數(shù)據構建模型，其余數(shù)據進行驗證。模型的精度檢驗和評估分別采用了決定系數(shù)（coefficient of determination，2）和均方根誤差（root mean square error，），其計算公式如下：

式中，yi和yi’代表實測值和預測值，y代表樣本平均值，n代表樣本數(shù)。

2 結果

2.1 不同處理帶狀套作玉米產量差異分析

由表2可知，玉米產量總體隨施氮水平提高或干旱脅迫程度減輕而增加。在試驗1和試驗4的干旱脅迫試驗中，不同時期對玉米進行干旱脅迫對玉米的產量影響不同。在拔節(jié)期重度干旱下，產量在2018年和2019年分別下降38.78%和27.81%，在2019年抽雄期重度干旱下，產量下降34.92%。在自然坡度水分試驗中，高坡產量相較低坡產量降低25.58%。在2年的氮素試驗中，產量隨施氮量的增加而增加，但并未達到顯著差異。

表2 各處理成熟期產量差異

CK、L、M和S表示試驗1和4中的正常處理、輕度干旱、中度干旱和重度干旱；L、M和S表示試驗2中的高坡、中坡和低坡水平；N1、N2、N3和N4分別表示試驗3和5的不同施氮水平。同列不同小寫字母表示0.05水平差異顯著

CK, L, M and S indicate normal stress, light stress, moderate stress and severe stress in experiments 1 and 4; L, M and S indicate the high, middle and low slope levels in experiment 2; N1, N2, N3, and N4 indicate different nitrogen application levels for experiments 3 and 5.Values followed by different lowercases within the same column are significantly different at 0.05 probability level

2.2 基于帶狀套作玉米光合色素參數(shù)的產量預測模型構建

2.2.1 本研究整合試驗1—5的試驗數(shù)據，根據光譜

數(shù)據獲取時期將全部數(shù)據分為拔節(jié)期樣本（n=54）、抽雄期樣本（n=33）、灌漿期樣本（n=40）和總樣本（n=127）。各光合色素參數(shù)變化如表3所示，總體呈現(xiàn)先增后減趨勢，在抽雄期達到最大值。將成熟期產量與各時期對應的Ct、CCD、Car、CCarD進行相關性分析。結果如表4所示，玉米產量數(shù)據與抽雄期4個光合色素參數(shù)呈極顯著相關，其中與Ct具有最大相關系數(shù)絕對值（0.729）。此外，玉米產量僅與拔節(jié)期CCarD極顯著相關；與灌漿期Car顯著相關，與其余參數(shù)相關性較差?？倶颖局挟a量數(shù)據與4個光合色素參數(shù)極顯著相關，但相關系數(shù)較低，不適合進行產量的預測。

2.2.2 基于玉米色素參數(shù)的產量預測模型構建 帶狀套作玉米抽雄期光合色素參數(shù)與產量數(shù)據的相關性顯著高于拔節(jié)期和灌漿期，且抽雄期中4種參數(shù)與產量相關系數(shù)較高，故本研究隨機將試驗3—5中的抽雄期樣本光合色素參數(shù)和產量數(shù)據（n=33）隨機分為建模集（n=22）和驗證集（n=11）。

將抽雄期Ct、CCD、Car、CCarD作為自變量x，產量數(shù)據作為因變量y，通過一次、二次及PLS回歸方程建立成熟期帶狀套作玉米產量預測模型，如表5所示。在一次、二次線性回歸方程中，以Ct和Car含量為變量x所建立的二次線性方程的預測模型驗證集2較高，分別為0.545及0.477；其余預測模型驗證集2較低。利用PLS回歸方程建立的預測模型表現(xiàn)出最好的效果，驗證集2達到0.882，僅為0.669 t·hm-2，顯著優(yōu)于一次和二次預測模型。

表3 各生育時期光合色素參數(shù)

表4 光合色素參數(shù)與產量相關分析

*表示在0.05水平上差異顯著，**表示在0.01水平上差異顯著。下同

* means significant difference at 0.05 level, and ** means significant difference at 0.01 level.The same as below

表5 玉米色素參數(shù)和產量的回歸分析

2.3 光合色素參數(shù)與光譜反射率及一階導數(shù)光譜的相關性

隨機將試驗3—5中的抽雄期130個樣本分為建模集（n=90）和驗證集（n=40），利用建模集中Ct、CCD、Car、CCarD數(shù)據與原始光譜數(shù)據及一階導數(shù)光譜進行相關性分析。如圖1所示，4種色素參數(shù)與冠層原始光譜和一階導數(shù)光譜的相關性在350—2 500 nm之間的變化規(guī)律基本相同，且相關系數(shù)大小基本規(guī)律為Ct＞Car＞CCD＞CCarD。此外，各色素參數(shù)與冠層原始光譜在大部分波段均呈極顯著正相關（＜0.01），最大相關系數(shù)為0.809（Ct）。與一階導數(shù)光譜最大相關系數(shù)存在于Ct（=0.816）。

圖1 冠層原始光譜、一階導數(shù)光譜與色素參數(shù)相關性分析

2.4 光合色素參數(shù)與植被指數(shù)及光譜指數(shù)的相關性分析

2.4.1 合色素參數(shù)與植被指數(shù)的相關性分析 在植被指數(shù)與光合色素參數(shù)的相關性分析中，僅TCARI與冠層類胡蘿卜素密度、GNDVI與類胡蘿卜素含量顯著相關（＜0.05），但相關系數(shù)較低，分別為-0.239和0.260（表6）。

表6 光合色素參數(shù)與植被指數(shù)的相關性分析

2.4.2 光合色素參數(shù)與波段自由組合指數(shù)的相關性分析 通過將原始光譜和一階導數(shù)光譜反射率進行兩波段自由組合，構建所有可能的rDVI、rRVI及rNDVI光譜指數(shù)，并與光合色素參數(shù)進行相關性分析，根據其相關系數(shù)值繪制相關系數(shù)矩陣圖。圖2選取了相關性較好的原始光譜rRVI指數(shù)矩陣圖，圖中每個像素點對應的橫縱坐標為對應的波段，各像素點的色度值表示相關系數(shù)的高低。

結果表明，優(yōu)選的光譜指數(shù)與各色素參數(shù)均呈極顯著相關。如表7所示，基于原始光譜構建的光譜指數(shù)中，4種色素參數(shù)與3種光譜指數(shù)相關系數(shù)大小均表現(xiàn)為rRVI＞rNDVI＞rDVI，其中相關性最好的是rRVI（534，546）與葉綠素含量（=0.927）?；谝浑A導數(shù)光譜構建的光譜指數(shù)中，除CCD與rRVI（544，448）相關系數(shù)最高，其他色素參數(shù)均與優(yōu)選光譜指數(shù)rDVI相關系數(shù)最高，其中rDVI（1 491，769）與葉綠素含量相關性最好（=0.898）。由表7可知，玉米光合色素參數(shù)的敏感區(qū)域集中于原始光譜中的500—600 nm的可見光波段，一階導數(shù)光譜的近紅外波段。此外，在整個350—2 500 nm的波段范圍內，基于原始光譜自由組合的光譜指數(shù)相關性好于一階導數(shù)光譜自由組合的光譜指數(shù)。

圖2 光合色素參數(shù)與rRVI的相關性分析

表7 光合色素參數(shù)與光譜指數(shù)的相關性分析

2.5 光合色素參數(shù)估測模型的構建及驗證

因Ct、CCD、Car、CCarD與原始光譜優(yōu)選光譜指數(shù)rDVI、rRVI和rNDVI均達到極顯著相關，且相關系數(shù)較高，故以優(yōu)選原始光譜指數(shù)rDVI、rRVI和rNDVI為自變量，采用一次和二次函數(shù)回歸方程建立帶狀套作玉米光合色素參數(shù)含量預測模型（表8）。各色素參數(shù)以原始光譜優(yōu)選指數(shù)rRVI、rNDVI所建立的預測模型的建模集決定系數(shù)均在0.800以上，且驗證集的決定系數(shù)均在0.770以上。4種色素參數(shù)均以基于原始光譜構建的rRVI光譜指數(shù)所建立的預測模型精度較高。此外，各參數(shù)預測模型中，二次回歸方程普遍優(yōu)于一次線性模型。各色素參數(shù)最優(yōu)的預測模型驗證集的實測值與預測值1﹕1關系圖如圖3所示。

表8 光合色素參數(shù)與光譜指數(shù)的線性非線性回歸分析

圖3 基于高光譜遙感的玉米冠層各光合色素參數(shù)實測值與預測值比較

2.6 基于高光譜遙感的帶狀套作玉米產量預測模型構建

帶狀套作玉米抽雄期光合色素參數(shù)與其產量存在著極顯著的定量關系，且又與基于波段自由組合構建的優(yōu)選光譜指數(shù)極顯著相關。因此結合表5與表8，根據光譜參數(shù)-色素參數(shù)-產量這一技術路線，以帶狀套作玉米光合色素參數(shù)為光譜參數(shù)和產量的連接點，建立抽雄期帶狀套作玉米產量預測模型，結果如表9所示。在構建的帶狀套作玉米產量估測模型中，效果較好的分別為以Car為連接點，優(yōu)選光譜指數(shù)為rNDVI（532，546），對應的模型為一次回歸光譜-色素模型和二次回歸色素-產量模型，其驗證集的2為0.487，為0.965 t·hm-2；以4個光合色素為連接點，光譜參數(shù)分別為rNDVI（534，546），rRVI（531，555），rNDVI（532，546），rNDVI（531，555），對應的模型為二次回歸光譜-色素模型和PLS回歸色素-產量模型，其驗證集的2為0.509，為1.352 t·hm-2。

3 討論

適當?shù)乃趾偷使潜ＷC作物正常生長發(fā)育和產量品質形成的基礎。本研究發(fā)現(xiàn)，帶狀套作玉米產量在不同干旱脅迫和氮素水平上的存在顯著差異。其中，在拔節(jié)期和抽雄期受到干旱的影響要遠大于灌漿期，尤其在中度和重度干旱脅迫下，玉米產量顯著降低，其原因可能是玉米生長的早中期對水分比較敏感，而生育后期對水分不敏感[22]。此外，玉米產量在坡度試驗中表現(xiàn)出顯著差異，這主要是由于坡上保水能力不足和肥料隨水分流失兩方面因素導致坡上產量顯著低于坡下產量。眾多研究表明，在一定范圍內，產量隨施氮量的增加而增加，到達一定程度后增幅減小[23-24]，這與本研究的結果一致。但本研究中，可能由于土壤基礎肥力較高，隨施氮量的增加，產量增加并未達到顯著差異。

水分和氮肥往往不是直接影響作物的產量，而是通過影響各項農學參數(shù)如葉綠素含量等間接作用于產量的形成過程。葉綠素與植物的碳固定和能量轉化等活動有密切關系，此外，研究表明葉綠素密度的變化對光合速率變化有顯著影響[25]。因此，葉綠素含量的變化反映了作物的長勢和營養(yǎng)水平，進而反映作物的產量潛力。當作物營養(yǎng)不足或遭到水分脅迫時光合作用的光飽和點下降，在相同的光照環(huán)境下，需要增加類胡蘿卜素含量來保護葉綠素結構免受光氧化[26-27]，由此類胡蘿卜素含量可以反向反映作物的長勢及營養(yǎng)水平和解釋作物產量潛力。綜上，利用光合色素參數(shù)進行產量估測應綜合考慮各光合色素參數(shù)的影響。在本研究中，分析了各時期光合色素參數(shù)與成熟期產量的定量關系，其中，抽雄期Ct、CCD、Car、CcarD均與產量存在顯著負相關關系，并且Ct與產量存在較高的相關系數(shù)，且回歸模型斜率較高。此外，本研究發(fā)現(xiàn)同時采用抽雄期4個色素參數(shù)聯(lián)合構建的PLS回歸模型具有較高的估測精度，表明抽雄期可以作為產量預測的最佳時期。

基于高光譜技術對作物色素含量的反演已有相關報道。在引用的前人植被指數(shù)中，各光合色素參數(shù)與植被指數(shù)的相關性均較低。因此，本研究利用波段自由組合的方法構建了基于原始光譜和一階導數(shù)光譜的rDVI、rRVI、rNDVI。結果表明，波段自由組合植被指數(shù)與各光合色素參數(shù)相關性顯著提升，與前人研究結果基本一致[28-29]。由此可知，不同作物的光合色素等參數(shù)均存在各自敏感波段組成的植被指數(shù)。前人研究表明，紅邊參數(shù)可以高度精確估測作物的光合色素含量[30]。而本研究通過波段自由組合構建的色素敏感光譜指數(shù)則主要集中于可見光波段，其原因可能是對綠光的強反射和紅光的吸收，且不同脅迫水平的反射和吸收存在顯著差異。[28, 29]在抽雄期各光合色素反演模型中，二次非線性預測模型的精度均略高于一次線性模型，進一步證實作物農學參數(shù)與光譜參數(shù)并非簡單的線性關系[31]。同時，綜合比較4項光合色素參數(shù)的模型精度，發(fā)現(xiàn)精度較好的自變量為各自對應的rNDVI，其原因可能是對敏感波段進行歸一化的結果，而歸一化能夠深入挖掘光譜信息，提高模型預測的準確性。

本研究表明，抽雄期玉米光合色素參數(shù)與冠層光譜數(shù)據和產量顯著相關，因此，將其作為冠層高光譜數(shù)據與成熟期產量的連接點，一方面通過波段自由組合構建的優(yōu)選光譜指數(shù)，構建抽雄期玉米光合色素預測模型，具有較好的準確性和適應性；另一方面依靠光合色素參數(shù)構建的產量預測模型，具有可以從生理方面解釋產量差異的優(yōu)點。二者結合建立的“高光譜參數(shù)-色素參數(shù)-產量”的預測模型中，基于PLS的多變量回歸模型具有較好的預測效果。該模型能夠在一定程度上消除或減輕不同氮素水平、水分梯度、品種、地點和不同年份間差異對模型的影響，同時能夠反映相關農學機理。當然，本研究中帶狀套作玉米成熟期的產量預測模型的構建與測試是以2年間的3個獨立試驗為基礎，今后還需通過多年的不同生態(tài)點、生產力水平的完善及檢驗，提高模型估測的準確性和普適性。

4 結論

（1）玉米抽雄期4種光合色素參數(shù)Ct、CCD、Car及CCarD與產量極顯著相關且相關系數(shù)較高，建立的帶狀套作玉米抽雄期的光合色素參數(shù)-產量預測模型效果較好。

（2）帶狀套作玉米抽雄期的優(yōu)選光譜指數(shù)與4種色素參數(shù)Ct、CCD、Car及CCarD相關性較高且達到極顯著水平。4種色素參數(shù)均以光譜指數(shù)RVI所建立的二次非線性預測模型精度最高，且穩(wěn)定性較好。

（3）構建的高光譜參數(shù)-色素參數(shù)-產量的帶狀套作玉米產量預測模型中，以4個色素參數(shù)為連接點，分別利用抽雄期光譜參數(shù)rNDVI（534，546），rRVI（531，555），rNDVI（532，546），rNDVI（531，555）建立的二次色素預測模型和色素-產量的PLS回歸模型組合的產量預測模型可以有效地對玉米產量進行間接估測。

[1] 董守坤, 趙坤, 劉麗君, 孫聰姝, 郭茜茜, 阮英慧, 王利彬.干旱脅迫對春大豆葉綠素含量和根系活力的影響.大豆科學, 2011, 30(6): 949-953.

DONG S K, ZHAO K, LIU L J, SUN C S, GUO Q Q, RUAN Y H, WANG L B.Effect of drought stress on chlorophyll content and root activity of spring soybean.Soybean Science, 2011, 30(6): 949-953.(in Chinese)

[2] 宋賀, 蔣延玲, 許振柱, 周廣勝.玉米光合生理參數(shù)對全生育期干旱與拔節(jié)后干旱過程的響應.生態(tài)學報, 2019, 39(7): 2405-2415.

SONG H, JIANG Y L, XU Z Z, ZHOU G S.Response of photosynthetic physiological parameters of maize to drought during the whole growth period and after the jointing stage.Acta Ecologica Sinica, 2019, 39(7): 2405-2415.(in Chinese)

[3] 趙成鳳, 王晨光, 李紅杰, 鄭學慧, 楊梅, 張仁和.干旱及復水條件下外源褪黑素對玉米葉片光合作用的影響.生態(tài)學報, 2021, 41(4): 1431-1439.

ZHAO C F, WANG C G, LI H J, ZHENG X H, YANG M, ZHANG R H.Effects of exogenous melatonin on photosynthesis of maize leaves under drought stress and rewatering.Acta Ecologica Sinica, 2021, 41(4): 1431-1439.(in Chinese)

[4] ADRIENN V S, JANOS N.Effects of nutrition and water supply on the yield and grain protein content of maize hybrids.Australian Journal of Crop Science, 2012, 6(3): 381-390.

[5] CAVIGLIA O P, MELCHIORI R J M, SADRAS V O.Nitrogen utilization efficiency in maize as affected by hybrid and N rate in late-sown crops.Field Crops Research, 2014, 168: 27-37.

[6] 楊峰, 范亞民, 李建龍, 錢育蓉, 王艷, 張潔.高光譜數(shù)據估測稻麥葉面積指數(shù)和葉綠素密度.農業(yè)工程學報, 2010, 26(2): 237-243.

YANG F, FAN Y M, LI J L, QIAN Y R, WANG Y, ZHANG J.Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data.Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(2): 237-243.(in Chinese)

[7] 薛利紅, 楊林章.采用不同紅邊位置提取技術估測蔬菜葉綠素含量的比較研究.農業(yè)工程學報, 2008, 24(9): 165-169.

XUE L H, YANG L Z.Comparative study on estimation of chlorophyll content in spinach leaves using various red edge position extraction techniques.Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(9): 165-169.(in Chinese)

[8] SCHLEMMER M, GITELSON A, SCHEPERS J, FERGUSON R, PENG Y, SHANAHAN J, RUNDQUIST D.Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels.International Journal of Applied Earth Observation & Geoinformation, 2013, 25(1): 47-54.

[9] 田永超.基于冠層反射光譜的水稻水分及稻麥生長監(jiān)測[D].南京: 南京農業(yè)大學, 2003.

TIAN Y C.Monitoring water status in rice and growth parameters in rice and wheat with canopy spectral reflectance[D].Nanjing: Nanjing Agricultural University, 2003.(in Chinese)

[10] ZHANG L L, ZHANG Z, LUO Y C, CAO J, TAO F L.Combining optical, fluorescence, thermal satellite, and environmental data to predict county-level maize yield in China using machine learning approaches.Remote Sensing, 2020, 12(1): 21.doi: 10.3390/rs12010021.

[11] XUE L H, CAO W X, YANG L Z.Predicting grain yield and protein content in winter wheat at different N supply levels using canopy reflectance spectra.Pedosphere, 2007, 17(5): 646-653.

[12] LI Z, JIN X, ZHAO C, WANG J, XU X, YANG G, LI C, SHEN J.Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing.European Journal of Agronomy, 2015, 71: 53-62.

[13] RODRIGUES F A, BLASCH G,DEFOURNY P, ORTIZ MONASTERIO J I, SCHULTHESS U, ZARCO-TEJADA P J, TAYLOR J A, GERARD B.Multi-temporal and spectral analysis of high-resolution hyperspectral airborne imagery for precision agriculture: Assessment of wheat grain yield and grain protein content.Remote Sensing, 2018, 10(6): 930.doi: 10.3390/rs10060930.

[14] DELIA B, KINIRY J R, MAAS S J, TISCARENO M L, JAIME M C, MENDOZA J L, RICHARDSON C W, JAIME S G, MANJARREZ J R.Large-area maize yield forecasting using leaf area index based yield model.Agronomy Journal, 2005, 97(2): 418-425.

[15] 馮偉, 朱艷, 田永超, 姚霞, 郭天財, 曹衛(wèi)星.基于高光譜遙感的小麥籽粒產量預測模型研究.麥類作物學報, 2007, 27(6): 1076-1084.

FENG W, ZHU Y, TIAN Y C, YAO X, GUO T C, CAO W X.Model for predicting grain yield with canopy hyperspectal remote sensing in wheat.Journal of Triticeae Crops, 2007, 27(6): 1076-1084.(in Chinese)

[16] 馮偉.基于高光譜遙感的小麥氮素營養(yǎng)及生長指標監(jiān)測研究[D].南京: 南京農業(yè)大學, 2007.

FENG W.Monitoring nitrogen status and growth characters with canopy hyperspectal remote sensing in wheat[D].Nanjing: Nanjing Agricultural University, 2007.(in Chinese)

[17] 陳鵬飛, 王吉順, 潘鵬, 徐于月, 姚凌.基于氮素營養(yǎng)指數(shù)的冬小麥籽粒蛋白質含量遙感反演.農業(yè)工程學報, 2011, 27(9): 75-80.

CHEN P F, WANG J S, PAN P, XU Y Y, YAO L.Remote detection of wheat grain protein content using nitrogen nutrition index.Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(9): 75-80.(in Chinese)

[18] 孫銳, 朱平, 王志敏, 叢艷霞, 勾玲, 方立鋒, 趙明.春玉米葉面積系數(shù)動態(tài)特征的密度效應.作物學報, 2009, 35(6): 1097-1105.

SUN R, ZHU P, WANG Z M, CONG Y X, GOU L, FANG L F, ZHAO M.Effect of plant density on dynamic characteristics of leaf area index in development of spring maize.Acta Agronomica Sinica, 2009, 35(6): 1097-1105.(in Chinese)

[19] KONG D X, LI Y Q, WANG M L, BAI M, ZOU R, TANG H, WU H.Effects of light intensity on leaf photosynthetic characteristics, chloroplast structure, and alkaloid content of(Gagnep.) Laferr.Acta Physiologiae Plantarum, 2016, 38(5): 120.doi: 10.1007/s11738-016-2147-1.

[20] DAUGHTRY C S T, WALTHALL C L, KIM M S, COLSTOUN E B D, III M M.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance.Remote Sensing of Environment, 2000, 74(2): 229-239.

[21] GAMON J A, PENUELAS J, FIELD C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency.Remote Sensing of Environment, 1992, 41(1): 35-44.

[22] 林同保, 孟戰(zhàn)贏, 王志強, 支園園.土壤水分對夏玉米水分代謝及產量的影響.河南農業(yè)大學學報, 2008, 42(2): 135-139.

LIN T B, MENG Z Y, WANG Z Q, ZHI Y Y.Influence of different soil moisture on water metabolism and yield of summer corn.Journal of Henan Agricultural University, 2008, 42(2): 135-139.(in Chinese)

[23] 谷曉博, 李援農, 黃鵬, 杜婭丹, 方恒, 陳朋朋.種植方式和施氮量對冬油菜產量與水氮利用效率的影響.農業(yè)工程學報, 2018, 34(10): 113-123.

GUO X B, LI Y N, HUANG P, DU Y D, FANG H, CHEN P P.Effects of planting patterns and nitrogen application rates on yield, water and nitrogen use efficiencies of winter oilseed rape (L.).Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 113-123.(in Chinese)

[24] 隋鵬祥, 有德寶, 安俊朋, 張文可, 田平, 梅楠, 王美佳, 王灃, 蘇思慧, 齊華.秸稈還田方式與施氮量對春玉米產量及干物質和氮素積累、轉運的影響.植物營養(yǎng)與肥料學報, 2018, 24(2): 316-324.

SUI P X, YOU D B, AN J P, ZHANG W K, TIAN P, MEI N, WANG M J, WANG F, SU S H, QI H.Effects of straw management and nitrogen application on spring maize yield, dry matter and nitrogen accumulation and transfer.Journal of Plant Nutrition and Fertilizers, 2018, 24(2): 316-324.(in Chinese)

[25] 張?zhí)K.葉綠素密度遙感反演與冬小麥單產估算研究[D].西安: 西安科技大學, 2014.

ZHANG S.Retrieval of canopy chlorophyll density and yield prediction for winter wheat based on remote sensing[D].Xi’an: Xi’an University of Science and Technology, 2014.(in Chinese)

[26] CHEW B P, PARK J S.Carotenoid action on the immune response.Journal of Nutrition, 2004, 134(1): 257S-261S.

[27] KRINSKY N I, JOHNSON E J.Carotenoid actions and their relation to health and disease.Molecular Aspects of Medicine, 2006, 26(6): 459-516.

[28] LI L T, REN T, MA Y, WEI Q Q, WANG S Q, LI X K, CONG R H, LIU S S, LU J W.Evaluating chlorophyll density in winter oilseed rape (L.) using canopy hyperspectral red-edge parameters.Computers and Electronics in Agriculture, 2016, 126: 21-31.

[29] 諶俊旭, 黃山, 范元芳, 王銳, 劉沁林, 楊文鈺, 楊峰.單作套作大豆葉片氮素積累與光譜特征.作物學報, 2017, 43(12): 1835-1844.

CHEN J X, HUANG S, FAN Y F, WANG R, LIU Q L, YANG W Y, YANG F.Remote detection of canopy leaf nitrogen status in soybean by hyperspectral data under monoculture and intercropping systems.Acta Agronomica Sinica, 2017, 43(12): 1835-1844.(in Chinese)

[30] 王仲林, 諶俊旭, 程亞嬌, 范元芳, 馮偉, 李昊宸, 呂金燦, 楊文鈺, 楊峰.干旱脅迫下玉米葉片可溶性糖光譜估測研究.四川農業(yè)大學學報, 2018, 36(4): 436-443.

WANG Z L, CHEN J X, CHENG Y J, FAN Y F, FENG W, LI H C, Lü J C, YANG W Y, YANG F.Assessing the soluble sugar of maize leaves in drought stress based on hyperspectral data.Journal of Sichuan Agricultural University, 2018, 36(4): 436-443.(in Chinese)

[31] JIA F F, LIU G S, LIU D S, ZHANG Y Y, FAN W G, XING X X.Comparison of different methods for estimating nitrogen concentration in flue-cured tobacco leaves based on hyperspectral reflectance.Field Crops Research, 2013, 150: 108-114.

Prediction of maize yield in Relay strip intercropping under different water and nitrogen conditions based on PLS

TAN XianMing, ZHANG JiaWei, WANG ZhongLin, CHEN JunXu, YANG Feng*, YANG WenYu

College of Agronomy, Sichuan Agricultural University/Key Laboratory of Crop Ecophysiology and Farming System in Southwest, Ministry of Agriculture/Sichuan Engineering Research Center for Crop Strip Intercropping System, Chengdu 611130

【Objective】This study was designed mainly to provide technical means for non-destructive prediction of intercropped maize yield.The prime objective of our study was to construct a “hyperspectral parameter-photosynthetic pigment-yield” model from the hyperspectral data.【Method】Based on field trials of different years, locations, varieties, and treatments (nitrogen fertilizer, moisture), the relationships among photosynthetic pigment parameters, canopy hyperspectral parameters, and maize yield at each growth period and the entire growth period of intercropping maize were comprehensively analyzed.In addition, the optimal growth period and photosynthetic pigment parameters for maize yield prediction were also clarified.Then, the prediction model of yield was constructed based on linear function, quadratic function and partial least squares regression (PLS).【Result】Among the photosynthetic pigment-yield prediction models, the PLS prediction model of yield based on canopy carotenoid density had the best effect (2=0.882,=0.669 t·hm-2).In the spectral parameter-photosynthetic pigment analysis, the chlorophyll content during the tasseling stage had the best correlation with the band free combination index rRVI (534, 546) (=0.927).The correlation between the other photosynthetic pigment parameters and the corresponding spectral index was above 0.797.In the hyperspectral parameter- photosynthetic pigment-yield prediction model, the chlorophyll content, carotenoid content, canopy chlorophyll density, and canopy carotenoid density were used as connection points, and using the spectral indices of rNDVI (534, 546), rRVI (531, 555), rNDVI (532, 546), and rNDVI (531, 555) as independent variables, the PLS output prediction model had better effect (2=0.509,=1.352 t·hm-2).【Conclusion】In intercropping maize, the pigment parameters were used as a bridge between spectral data and yield.A prediction model was established through PLS regression, which could achieve a better estimation of maize yield and provide the theoretical and technical reference for field management and growth monitoring of maize in intercropping.

relay intercropping; maize; hyperspectral; pigment parameters; yield;partial least squares regression

2021-05-17；

2021-10-08

國家重點研發(fā)計劃（2016YFD0300602）、成都市科技項目（2020-YF09-00033-SN）

譚先明，E-mail：2019301094@stu.sicau.edu.cn。通信作者楊峰，E-mail：f.yang@sicau.edu.cn

（責任編輯 楊鑫浩）