基于優(yōu)化光譜指數的夏玉米地上生物量估算

王涵 張王菲 楊浩

摘要以夏玉米為研究對象，首先獲取拔節(jié)期、大喇叭口期、抽雄期和灌漿期4個關鍵生育期的地面高光譜數據，并實測各生育期的地上生物量（AGB）；其次基于任意波段組合的波段優(yōu)化算法，分別構造6種不同波段組合形式的兩波段和三波段光譜指數；然后將構造的12種光譜指數與地面實測的AGB進行相關性分析，從中篩選出相關性最好的光譜指數作為最優(yōu)光譜指數構建夏玉米全生育期的AGB估算模型；最后對最優(yōu)光譜指數估算夏玉米各關鍵生育期AGB的性能進行系統(tǒng)評價。結果表明：基于波段優(yōu)化算法篩選的最優(yōu)三波段光譜指數TBI6（760，925，895）與夏玉米各生育期和全生育期的AGB均具有良好的相關性，其構建的AGB估算模型具有較高的精度，可為夏玉米全生育期AGB的快速無損估算及AGB監(jiān)測裝置的集成與開發(fā)提供參考。

關鍵詞夏玉米；地上生物量；高光譜；光譜指數；波段優(yōu)化算法

中圖分類號S 127文獻標識碼A文章編號0517-6611（2023）24-0005-04

doi：10.3969/j.issn.0517-6611.2023.24.002

Estimation of Aboveground Biomass of Summer Maize Based on Optimized Spectral Index

WANG Han1，2，ZHANG Wangfei1，YANG Hao2

（1.Forestry College of Southwest Forestry University， Kunming， Yunnan 650224;2.National Agricultural Informatization Engineering Technology Research Center， Beijing 100097）

AbstractSummer maize was used as the research object，firstly， ground hyperspectral data were obtained for four key fertility stages （pulling stage，trumpeting stage，tasseling stage，filling stage）， and the aboveground biomass （AGB） of each fertility stage was measured empirically. Secondly， waveband optimization algorithms based on arbitrary waveband combinations were constructed for six different waveband combination forms of twoband and threeband spectral indices， respectively. Then， the 12 constructed spectral indices were correlated with the groundtruthed AGB， from which the best correlated spectral index was selected as the optimal spectral index to construct the AGB estimation model for summer maize at full fertility. Finally， the performance of the optimal spectral index for estimating AGB at each critical fertility stage of summer maize was systematically evaluated. The results showed that the optimal threeband spectral index TBI6 （760，925，895） screened based on the band optimization algorithm had good correlation with the AGB of summer maize at all fertility stages and the whole fertility period， and the AGB estimation model constructed by it had high accuracy， which could provide a reference for the rapid and nondestructive estimation of AGB of summer maize at the whole fertility period and the integration and development of AGB monitoring devices.

Key wordsSummer maize;Aboveground biomass（AGB）;Hyperspectral;Spectral index;Band optimization algorithm

研究表明，農業(yè)系統(tǒng)的產量必須以3%的速度增長才能滿足全球人口增加和耕地面積減少帶來的糧食需求［1］，玉米作為世界上最重要的糧食作物之一，其產量和品質對全球糧食安全具有重要影響。地上生物量（above-ground biomass，AGB）是作物產量形成的基礎，是評價作物光能利用效率的重要指標之一［2］。準確、高效地獲取玉米的AGB信息對快速評估玉米的生長狀況具有重要意義，有利于農田管理者的科學決策和精準管理［3］。傳統(tǒng)的AGB測量方法多為人工破壞性取樣，該方法雖精度可靠，但耗時費力，且具有滯后性，無法滿足當代精準農業(yè)高通量、實時監(jiān)測作物生長狀況的需求［4］。因此，低成本、高效、穩(wěn)健獲取作物表型狀況的平臺和技術是迫切需要的［5］。

遙感技術能夠高時效、遠距離、非接觸地捕獲作物冠層的輻射能量，并通過對捕獲的信號進行分析處理，進而獲取作物冠層高通量的表型信息，這可為快速無損監(jiān)測作物AGB信息提供技術支撐［6-8］。由于形式簡單、計算高效，基于遙感技術獲取的植被指數（vegetation indices，VIs）已成為監(jiān)測作物AGB的重要工具［9-10］。例如，岳繼博等［11］基于RADARSAT-2全極化雷達和GF1-WFV的多光譜衛(wèi)星數據，利用隨機森林方的方法并使用光學VIs和雷達VIs較好地估算了冬小麥的AGB；肖武等［12］基于無人機多光譜影像利用紅邊波段的數據構建了多種VIs，結合一元回歸、多元逐步回歸和反向傳播神經網絡3種方法構建AGB估算模型，結果表明神經網絡模型估測精度最高；王秀珍等［13］基于ASD高光譜數據以VIs為模型輸入變量使用逐步回歸方法估算水稻AGB，結果表明以藍邊一階微分總和與紅邊一階微分總和構成的VIs估算效果最優(yōu)。上研究結果表明，基于VIs監(jiān)測作物的AGB狀況雖然可行，但還存在一定局限性，主要體現在：受生育期、品種等的影響，基于VIs構建的不同時期的AGB監(jiān)測模型不一致，導致模型的通用性變差無法準確反映作物整個生長階段的AGB狀況。這一因素導致基于光學遙感技術監(jiān)測作物多生育期的AGB狀況還面臨一定挑戰(zhàn)。

高光譜技術的發(fā)展使高通量獲取作物冠層精細的光譜信息成為可能［14-15］，部分學者開始致力于尋找合適的光譜指數以進一步提高VIs估算作物AGB的精度［16-17］?；谌我獠ǘ谓M合的波段優(yōu)化算法憑借其可充分挖掘光譜信息的高效性能受到諸多學者的青睞，現有的研究中，該算法通常用于兩波段光譜指數的篩選，而在三波段光譜指數中的應用卻鮮有研究。

該研究以地面便攜式地物光譜儀（ASD）為遙感平臺，獲取了夏玉米拔節(jié)期、大喇叭口期、抽雄期和灌漿期的地面高光譜反射率數據，系統(tǒng)評估了任意波段組合的兩波段和三波段光譜指數估算夏玉米多生育期AGB的性能，以尋找監(jiān)測夏玉米AGB的最優(yōu)指標，以期為AGB實時監(jiān)測裝置的研發(fā)與集成提供參考，也為精準農業(yè)的科學決策提供技術支撐。

1材料與方法

1.1試驗區(qū)及試驗設計

研究區(qū)位于北京市昌平區(qū)小湯山國家精準農業(yè)研究示范基地（40°10′60″N，116°26′30″E）。該地區(qū)年降水量為508 mm，年平均溫度為13 ℃，是典型的暖溫帶半濕潤大陸性季風氣候。試驗于2021年6—9月進行，采用完全隨機試驗，試驗設計包括5個種植品種（鄭單958、京九16、天賜19、京糯2008、農科糯336），4個密度（30 000、45 000、67 500、90 000株/hm2），3個隨機重復，共80個小區(qū)，小區(qū)為3.6 m×2.5 m。

1.2ASD數據獲取及處理

于2021年7月13日、7月21日、8月5日、8月21日分別采集了玉米拔節(jié)期（S1）、大喇叭口期（S2）、抽雄期（S3）、灌漿期（S4）4次ASD數據。其中ASD使用的是英國ASD公司生產的FieldSpec 4，并用View Spec Pro軟件將ASD測定的數據轉換為原始反射率數據，為避免邊緣及水汽等因素對冠層光譜的影像，該研究選擇了400～1 200 nm的波段進行分析處理。所有ASD數據均選擇在當地時間12：00—13：00的天氣晴朗、無風、無云、光照穩(wěn)定的條件下進行。每次采集時使用 Spectralon 白色參考面板進行校準，每5個小區(qū)校準一次，采集時探頭位于冠層上方60 cm處。每個小區(qū)每次共采集10條數據，最終使用10條數據的平均值，以減小誤差。

1.3地上生物量數據獲取

每期試驗在完成ASD數據采集后，同步進行地面破壞性取樣以獲取準確的玉米AGB數據。取樣方法：每個小區(qū)隨機選取2株能夠代表整個小區(qū)長勢的玉米植株，并帶回驗室進行烘干，稱重。烘干時先在105 ℃下殺青30 min，然后在80 ℃下烘干至恒重并使用高精度天平測量干物質重量。最后由公式（1）計算得到玉米各小區(qū)的生物量數據。

式中：DW1和DW2分別為2株玉米的干重；N為每個小區(qū)玉米株數；L為小區(qū)長度，該研究為3.6 m；W為小區(qū)寬度，該研究為2.5 m。

1.4光譜指數計算

植被指數通過與生物量的經驗關系被廣泛用于生物量監(jiān)測。目前，用于作物生物量監(jiān)測的植被指數大多是由3種形式發(fā)展而來的，即歸一化差異植被指數、差異植被指數和比率植被指數。此外，通過添加一個常數，土壤調整光譜指數通常被用作估算作物的AGB。最佳植被指數和葉綠素指數也被證明與作物AGB聯(lián)系緊密。因此，該研究選取了6種形式的兩波段光譜指數：歸一化插值光譜指數（NDSI）、差值光譜指數（DSI）、比率植被指數（RSI）、土壤調整光譜指數（SASI）、葉綠素光譜指數（CSI）、最佳光譜指數（OSI）?？紤]到已報道的三波段光譜指數監(jiān)測植被生理特性的敏感性，該研究使用了6種形式的三波段光譜指數。該研究使用的兩波段光譜指數和三波段光譜指數見表1。

1.5模型構建與驗證

該研究于2021年采集了玉米4個生長時期共320組ASD和生物量實測數據，其中，重復1、重復2和重復3的數據（240組）被用于構建玉米生物量估算模型，重復4的數據（80組）被用于驗證模型精度和穩(wěn)定性，決定系數（R2）和均方根誤差（RMSE）2個指標被用于評價構建的估算模型的精度和穩(wěn)定性。

2結果與分析

2.1不同生育期AGB分布

統(tǒng)計各生育期用于建模和驗證的AGB的范圍、均值、標準差和變異系數，結果如表2所示。由表2可知，夏玉米各生長時期獲取的AGB數據具有較大的變異系數，且建模集與驗證集的標準差和變異系數具有相似的變化趨勢，表明該數據可以用于進一步的分析。

2.2光譜指數與AGB相關性分析

基于高光譜原始反射率數據，利用任意波段組合優(yōu)化算法構建表1中6種形式的兩波段光譜指數，并繪制其與夏玉米AGB的相關性熱力圖（圖1）。從圖1可以看出，不同光譜指數與AGB的相關性變化具有相似性，在波長為720～760和820～840 nm時，相關性較好；各光譜指數與AGB相關性最優(yōu)時的光譜組合分別為NDSI（826，762）、RSI（826，762）、DSI（833，762）、SASI（833，762）、CSI（826，762）和OSI（879，754），對應的相關系數分別為-0.82、-0.81、-0.82、-0.84、-0.81和0.79。

基于高光譜原始反射率數據，利用任意波段組合優(yōu)化算法構建表1中6種形式的三波段光譜指數，并繪制其與夏玉米AGB的相關性熱力圖（圖2）。由圖2可知，與夏玉米多生長時期AGB聯(lián)系最緊密的6種不同形式的三波段光譜指數分別為TBI1（762，834，691）、TBI2（826，400，762）、TBI3（495，538，400）、TBI4（762，825，761）、TBI5（726，826，400）和TBI6（760，925，895），對應的相關系數分別為-0.83、-0.80、0.61、-0.82、-0.81和-0.85。對比兩波段光譜指數可知，構造的三波段光譜指數大多數與夏玉米多生育期AGB聯(lián)系更緊密，相關性更高，TBI3結果較差主要是因為選擇的波段相關性較差。這表明基于任意波段組合優(yōu)化算法構建的三波段光譜指數估算夏玉米多生育期AGB是切實可行的。

2.3基于最優(yōu)光譜指數估算夏玉米AGB

由圖2可知，TBI6（760，925，895）與夏玉米全生育期AGB相關性最高，聯(lián)系最緊密（r=-0.85），該研究將其作為最優(yōu)光譜指數構建AGB的估算模型。TBI6（760，925，895）與AGB的相關性示意圖及基于其構建的AGB估算模型效果如圖3所示。由圖3可知，TBI6（760，925，895）與玉米全生育期AGB展現出良好的線性相關，這表明基于任意波段組合的波段優(yōu)化算法篩選的三波段光譜指數TBI6（760，925，895）可以跨越生育期對光譜指數估算AGB的影響，但是對于4個生育期的相關性也存在差異，S1（拔節(jié)期）結果較差?；赥BI6（760，925，895）構建的AGB估算模型的驗證和建模樣本點都均勻分布在1∶1線附近，其中驗證R2為0.80，RMSE為1 742 kg/hm2，表明模型的精度較高，可以用于夏玉米全生育期AGB的估算。

為進一步驗證基于任意波段組合的波段優(yōu)化算法篩選的光譜指數TBI6（760，925，895）的可靠性，該研究選取了已被證實可以良好估算夏玉米AGB的2種光譜指數MSAVI和MSR，并將2個光譜指數與夏玉米全生育期AGB進行相關性分析，結果如圖4所示。由圖4可知，MSAVI和MSR在夏玉米單個生育期也展現出較好的線性相關，然而與整個生育期的AGB相關性較差，表明常規(guī)光譜指數估算AGB時受生育期的影響較大，無法克服生育期的影響。這也表明基于任意波段組合的波段優(yōu)化算法篩選的三波段光譜指數估算夏玉米全生育期AGB取得的效果較好。

3討論

該研究基于任意波段組合算法探究了12種不同形式波段組合的光譜指數在估算夏玉米全生育期AGB中的應用，由相關性分析結果可知，與AGB相關性較好的波長多位于720～760和820～840 nm，其主要原因是不同處理方式（密度、品種）導致夏玉米各小區(qū)AGB的差異，而這種差異在葉綠素的強吸收和強反射作用下，更明顯地體現在可見光區(qū)域（紅邊和綠邊區(qū)域），而820～840 nm則與作物內蛋白質含量聯(lián)系緊密，進而能較好地反映AGB的變化。由篩選的最優(yōu)光譜指數TBI6（760，925，895）與夏玉米全生育期AGB的相關性分析可知，與其他3個生育期相比，最優(yōu)光譜指數與AGB在拔節(jié)期的相關性較差，其原因是在這一時期，夏玉米剛開始快速生長，葉片未完全舒展，冠層尚未完全封壟，此時提取的光譜信息受土壤的影響較大，不能較好地反映AGB的變化。與常規(guī)光譜指數相比，TBI6（760，925，895）與AGB在單個生育期和全生育期均保持良好的線性關系，表明基于波段優(yōu)化算法篩選的三波段最優(yōu)光譜指數可以克服生育期對AGB估算的影響。此外，與復雜的機器學習算法（如隨機森林、支持向量機等）相比，該研究基于單變量線性回歸方法構建的AGB估算模型復雜度和計算成本更低，更有利于缺乏專業(yè)數理統(tǒng)計知識和遙感技能的農業(yè)工作者估算作物多生長階段的AGB狀況，可為AGB監(jiān)測裝置的集成與研發(fā)提供參考。

4結論

該研究基于夏玉米4個關鍵生育期的地面高光譜數據，利用任意波段組合的波段優(yōu)化算法構造了12種不同波段組合形式的光譜指數，并建立了最優(yōu)光譜指數與夏玉米全生育期AGB的定量關系模型。結果表明：720～760和820～840 nm 的波段范圍與夏玉米AGB狀況聯(lián)系緊密，可為夏玉米AGB的快速準確估算提供有效信息。與常規(guī)光譜指數相比，基于任意波段組合的波段優(yōu)化算法篩選的最優(yōu)三波段光譜指數TBI6（760，925，895）構建的AGB估算模型精度和穩(wěn)定性更高，可有效改善不同生育期AGB估算模型不一致問題。研究結果可用于設計快速高效的AGB診斷系統(tǒng)以及增強地面?zhèn)鞲衅髋c衛(wèi)星傳感器之間的聯(lián)系，為夏玉米大面積AGB監(jiān)測提供技術支持。

參考文獻

［1］ SHU M Y，SHEN M Y，DONG Q Z，et al.Estimating the maize aboveground biomass by constructing the tridimensional concept model based on UAVbased digital and multispectral images［J］.Field crops research，2022，282：1-12.

［2］ 低光下光能利用效率與水稻生物量密切相關［J］.農業(yè)科技與信息，2017（16）：6.

［3］ 張寧丹，任建強，吳尚蓉.基于花后累積地上生物量比例的冬小麥動態(tài)收獲指數估算［J］.農業(yè)工程學報，2022，38（7）：189-199.

［4］ LI B，XU X M，ZHANG L，et al.Aboveground biomass estimation and yield prediction in potato by using UAVbased RGB and hyperspectral imaging［J］.ISPRS journal of photogrammetry and remote sensing，2020，162：161-172.

［5］ 韓文霆，湯建棟，張立元，等.基于無人機遙感的玉米水分利用效率與生物量監(jiān)測［J］.農業(yè)機械學報，2021，52（5）：129-141.

［6］ 劉楊，黃玨，孫乾，等.利用無人機數碼影像估算馬鈴薯地上生物量［J］.遙感學報，2021，25（9）：2004-2014.

［7］ NIU Y X，ZHANG L Y，ZHANG H H，et al.Estimating aboveground biomass of maize using features derived from UAVbased RRB imagery［J］.Remote sensing，2019，11（11）：1-21.

［8］ 張建，謝田晉，王楚鋒，等.基于低空無人機被動遙感的作物株高及生物量自適應高精度解算方法：CN202011101682.7［P］.2021-01-12.

［9］ 吳亞鵬，賀利，王洋洋，等.冬小麥生物量及氮積累量的植被指數動態(tài)模型研究［J］.作物學報，2019，45（8）：1238-1249.

［10］ MAIMAITIJIANG M，SAGAN V，SIDIKE P，et al.Vegetation Index Weighted Canopy Volume Model（CVMVI）for soybean biomass estimation from Unmanned Aerial Systembased RGB imagery［J］.ISPRS journal of photogrammetry and remote sensing，2019，151：27-41.

［11］ 岳繼博，楊貴軍，馮海寬.基于隨機森林算法的冬小麥生物量遙感估算模型對比［J］.農業(yè)工程學報，2016，32（18）：175-182.

［12］ 肖武，陳佳樂，笪宏志，等.基于無人機影像的采煤沉陷區(qū)玉米生物量反演與分析［J］.農業(yè)機械學報，2018，49（8）：169-180.

［13］ 王秀珍，黃敬峰，李云梅，等.水稻地上鮮生物量的高光譜遙感估算模型研究［J］.作物學報，2003，29（6）：815-821.

［14］ KHAN A，VIBHUTE A D，MALI S，et al.A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications［J］.Ecological informatics，2022，69：1-12.

［15］ 張敏，郭濤，劉軻，等.基于高光譜植被指數的水稻lai遙感估算［J］.西南農業(yè)學報，2022，35（11）：2651-2658.

［16］ 曹中盛，李艷大，黃俊寶，等.監(jiān)測花生葉面積指數和地上部生物量的最優(yōu)植被指數及適宜波段帶寬［J］.中國油料作物學報，2022，44（6）：1320-1328.

［17］ 陳小芳，李軍，李新偉，等.基于高光譜的水稻生物量估測模型研究［J］.安徽科技學院學報，2021，35（5）：53-59.

［18］ 童新，楊震雷，張亦然，等.基于不同階微分高光譜植被指數的牧區(qū)草場地上生物量估算［J］.草地學報，2022，30（9）：2438-2448.

［19］ 吾木提·艾山江，尼加提·卡斯木，陳晨，等.基于多維高光譜植被指數的冬小麥葉面積指數估算［J］.農業(yè)機械學報，2022，53（5）：181-190.

［20］ 肖璐潔，楊武德，馮美臣，等.基于高光譜植被指數的冬小麥估產模型［J］.生態(tài)學雜志，2022，41（7）：1433-1440.

［21］ 范玲玲.基于多源遙感數據的夏玉米冠層氮素遙感監(jiān)測研究［D］.合肥：安徽大學，2020.