大气CO2浓度升高背景下冬小麦冠层光谱特征和地上生物量估算
黄宏胜, 张馨月, 居辉, 韩雪
作物学报
2024, 50 ( 4):
991-1003.
DOI: 10.3724/SP.J.1006.2024.31041
本研究旨在探究大气CO2浓度升高对冬小麦全生育时期冠层光谱特征的影响, 并基于筛选的敏感波段建立地上生物量(AGB)与光谱参数的定量关系。为此, 在2021—2022年的冬小麦生长季, 利用开放式CO2富集系统(Mini-FACE), 设定大气CO2浓度(ACO2, (420±20) μL L-1)和高CO2浓度(ECO2, (550±20) μL L-1)两个处理水平, 分析了高CO2浓度下光谱特征变化, 基于连续投影算法(SPA)、逐步多元线性回归(SMLR)和偏最小二乘法回归(PLSR)筛选AGB敏感波段并构建估算模型。结果表明: CO2浓度升高使冬小麦拔节期和开花期AGB显著增加。红边和近红边反射率及红边面积在拔节期增加, 在开花期和灌浆期降低, 蓝边、黄边和红边位置在不同生育时期均发生移动; AGB的敏感光谱波段主要分布在红边和近红边区域, CO2浓度升高缩小了AGB敏感波段范围, 但不影响AGB的估算; AGB的SMLR和PLSR模型均取得了较高的估算精度(R2>0.8), 其中SMLR模型中的R799′、Dy、SDy和PRI等特征参数与AGB显著相关, R2为0.866。PLSR模型(R2>0.9)在估算精度和稳定性上优于SMLR模型。本研究可为未来高CO2浓度下冬小麦生长发育的遥感监测提供理论基础和技术方法。
光谱特征参数
Spectral
characteristics parameters | 名称
Name | 说明
Illustration | | Rx | | 在x nm处的冠层光谱反射率。
Canopy spectral reflectance at x nm. | | Rx' | | 在x nm处的冠层光谱反射率的一阶微分。
First order differentiation of canopy spectral reflectance at x nm. | | AR | 红边反射率平均值
Average red edge reflectance | 冠层光谱680~760 nm波段的平均值。
Mean values of the 680-760 nm band of the canopy spectrum. | | Rg | 绿峰反射率
Green peak reflectance | 冠层光谱510~560 nm波段内最大光谱反射率值。
Maximum spectral reflectance values in the 510-560 nm band of the canopy spectrum. | | λg | 绿峰位置
Green peak location | 冠层光谱510~560 nm波段内最大光谱反射率对应的位置。
Location of maximum spectral reflectance in the 510-560 nm band of the canopy spectrum. | | Db | 蓝边幅值
Blue edge amplitude | 冠层光谱490~530 nm波段内一阶微分的最大值。
Maximum value of the first order differential in the 490-530 nm band of the canopy spectrum. | | λb | 蓝边位置
Blue edge location | 冠层光谱490~530nm波段内一阶微分最大值对应波长的位置。
Location of the first order differential maximum in the 490-530 nm band of the canopy spectrum. | | Dy | 黄边幅值
Yellow edge amplitude | 冠层光谱560~640 nm波段内一阶微分的最大值。
Maximum value of the first-order differential in the 560-640 nm band of the canopy spectrum. | | λy | 黄边位置
Yellow edge location | 冠层光谱560~640 nm波段内一阶微分最大值对应波长的位置。
Location of the first order differential maximum in the 560-640 nm band of the canopy spectrum. | | Dr | 红边幅值
Red edge amplitude | 冠层光谱680~760 nm波段内一阶微分的最大值。
Maximum value of the first order differential in the 680-760 nm band of the canopy spectrum. | | λr | 红边位置
Red edge location | 冠层光谱680~760 nm波段内一阶微分最大值对应波长的位置。
Location of the first order differential maximum in the 680-760 nm band of the canopy spectrum. | | SDb | 蓝边面积
Blue edge area | 蓝边反射率一阶微分曲线围成的面积。
Area enclosed by the first order differential curve of blue edge reflectance. | | SDy | 黄边面积
Yellow edge area | 黄边范围内一阶微分波所包围的面积。
Area enclosed by the first order differential curve of yellow edge reflectance. | | SDr | 红边面积
Red edge area | 红边范围内一阶微分波所包围的面积。
Area enclosed by the first order differential curve of red edge reflectance. | | SDr/SDb | | 红边与蓝边面积的比值。
Ratio of the red edge area to the blue edge area. | | SDr/SDy | | 红边与黄边面积的比值。
Ratio of the red edge area to the yellow edge area. | | (SDr-SDb)/ (SDr+SDb) | | (红边面积-蓝边面积)/(红边面积+蓝边面积)。
(Red edge area-Blue edge area)/(Red edge area + Blue edge area). | | (SDr-SDy)/ (SDr+SDy) | | (红边面积-黄边面积)/(红边面积+黄边面积)。
(Red edge area-Yellow edge area)/(Red edge area+Yellow edge area). |
View table in article
表2
光谱特征参数的定义及说明
正文中引用本图/表的段落
本研究旨在探究大气CO2浓度升高对冬小麦全生育时期冠层光谱特征的影响, 并基于筛选的敏感波段建立地上生物量(AGB)与光谱参数的定量关系。为此, 在2021—2022年的冬小麦生长季, 利用开放式CO2富集系统(Mini-FACE), 设定大气CO2浓度(ACO2, (420±20) μL L-1)和高CO2浓度(ECO2, (550±20) μL L-1)两个处理水平, 分析了高CO2浓度下光谱特征变化, 基于连续投影算法(SPA)、逐步多元线性回归(SMLR)和偏最小二乘法回归(PLSR)筛选AGB敏感波段并构建估算模型。结果表明: CO2浓度升高使冬小麦拔节期和开花期AGB显著增加。红边和近红边反射率及红边面积在拔节期增加, 在开花期和灌浆期降低, 蓝边、黄边和红边位置在不同生育时期均发生移动; AGB的敏感光谱波段主要分布在红边和近红边区域, CO2浓度升高缩小了AGB敏感波段范围, 但不影响AGB的估算; AGB的SMLR和PLSR模型均取得了较高的估算精度(R2>0.8), 其中SMLR模型中的R799′、Dy、SDy和PRI等特征参数与AGB显著相关, R2为0.866。PLSR模型(R2>0.9)在估算精度和稳定性上优于SMLR模型。本研究可为未来高CO2浓度下冬小麦生长发育的遥感监测提供理论基础和技术方法。
在对前人的研究中选用10个对地上生物量较为敏感的光谱指数(表1)和常用的18个光谱特征参数(表2)用来描述CO2升高下光谱特征参数的变化和构建冬小麦地上生物量估计模型。
式中, yi和${{\hat{y}}_{i}}$分别代表样本真实值和预测值, ${{\bar{y}}_{i}}$为实测样本的平均值, N为样本数。较高的R2值和较低的RMSE能够表明预测模型的精准度。
ACO2表示大气二氧化碳浓度, ECO2表示升高二氧化碳浓度。误差线表示标准差。“NS”表示在同一生育时期不同处理间差异未达到显著水平(P > 0.05)。“*”表示在同一生育时期不同处理间差异达到显著水平(P < 0.05)
ACO2表示大气二氧化碳浓度, ECO2表示升高二氧化碳浓度。“*”表示在同一生育时期不同处理间差异达到显著水平(P < 0.05)。
地上生物量是冬小麦生长状态和产量预测的重要指标之一。通过观察地上生物量变化, 可以调整和优化小麦的施肥方案, 提高养分利用率和生产效益。研究表明, 大气中CO2浓度升高可提高小麦的碳增益和对水分的利用效率, 从而促进冬小麦地上生物量的增加[33]。然而, 小麦对CO2浓度升高的地上生物量增加响应并非绝对, H?gy等[34]研究发现CO2浓度升高对春小麦地上生物量没有明显影响。在本研究中, 发现CO2升高对冬小麦地上生物量增加的促进作用主要体现在拔节期和开花期, 成熟期的促进作用则表现不显著。
本研究中, 分别对光谱反射率和光谱特征参数采用偏最小二乘法回归和逐步多元线性回归, 寻找CO2浓度升高下冬小麦地上生物量的敏感波段, 构建最优的地上生物量估算模型。结果表明, CO2浓度升高仅缩小了敏感光谱波段的范围, 敏感波段仍分布在黄边、红边和近红外波段内。对比2个CO2浓度水平下两种估算模型的自变量构成和稳定性, CO2浓度升高不影响冬小麦地上生物量估计模型的构建。通过比较偏最小二乘法回归和逐步多元线性回归在光谱反射率和光谱特征参数2种自变量下建立的地上生物量估计模型, 发现结果都具有较好的估测精度, 但偏最小二乘法回归模型的精度和稳定性优于逐步多元线性回归, 估算模型预测的R2能达到0.912。在逐步多元线性回归中, 光谱特征参数作为自变量的估算模型在拟合精度和自变量共线性上优于连续投影算法筛选的敏感波段作为自变量的估算模型。基于光谱特征参数为自变量的估算模型可以发现黄边特征参数、PRI和799 nm处的一阶导数与冬小麦地上生物量的联系十分紧密, 可以推测光谱遥感技术对地上生物量的预测主要是通过预测冬小麦叶片色素含量和光合作用来实现的, 同时, 以往的单一光谱参数估测生物量存在低植被覆盖时对土壤背景敏感和高植被条件下对冠层生物量变化不敏感的缺点, 本研究筛选的特征参数虽然没有克服低植被覆盖时对土壤背景敏感的缺点, 对高植被覆盖密度条件下生物量的估计还是保持较高的精确度。在偏最小二乘法回归中, 光谱反射率作为自变量的估算模型在拟合精度上优于光谱特征参数作为自变量的估算模型, 这一现象可能是由于基于光谱反射率的自变量冗余造成的。Ohsowski等[40]发现PLSR能够解决了预测变量共线性问题, 准确的对田间生物量进行估算, Xie等[41]对叶绿素估算模型的研究当中也提出PLSR模型优于SMLR模型。本研究对于冬小麦地上生物量的估算模型虽然取得较好的结果, 但是由于试验年数和样本较少, 模型的适用性还有待后续考证。总的来说, 本研究给出了PLSR模型在CO2浓度变化下估算冬小麦地上生物量上优于SMLR, 且具有一定的可行性。
光谱特征参数的定义及说明 ... 偏最小二乘回归在R软件中的实现及其优缺点剖析 1 2015 ... 偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.1<CV<1表示中等变异, 1<CV表示高变异, CV越小模型拟合精度越高[30].在构建最优的PLS模型的基础上选择PLSR分析中VIP值来筛选地上生物量的敏感光谱区域.VIP值常用来反应各自变量对模型的贡献, VIP值越大, 自变量对模型的贡献就越大, 表明自变量对应变量的越重要.当VIP>1时, 我们就认为该波段为敏感波段[31]. ... 偏最小二乘回归在R软件中的实现及其优缺点剖析 1 2015 ... 偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.1<CV<1表示中等变异, 1<CV表示高变异, CV越小模型拟合精度越高[30].在构建最优的PLS模型的基础上选择PLSR分析中VIP值来筛选地上生物量的敏感光谱区域.VIP值常用来反应各自变量对模型的贡献, VIP值越大, 自变量对模型的贡献就越大, 表明自变量对应变量的越重要.当VIP>1时, 我们就认为该波段为敏感波段[31]. ... 黄土旱塬主要农林用地土壤水文特征对比 1 2016 ... 偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.1<CV<1表示中等变异, 1<CV表示高变异, CV越小模型拟合精度越高[30].在构建最优的PLS模型的基础上选择PLSR分析中VIP值来筛选地上生物量的敏感光谱区域.VIP值常用来反应各自变量对模型的贡献, VIP值越大, 自变量对模型的贡献就越大, 表明自变量对应变量的越重要.当VIP>1时, 我们就认为该波段为敏感波段[31]. ... 黄土旱塬主要农林用地土壤水文特征对比 1 2016 ... 偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.1<CV<1表示中等变异, 1<CV表示高变异, CV越小模型拟合精度越高[30].在构建最优的PLS模型的基础上选择PLSR分析中VIP值来筛选地上生物量的敏感光谱区域.VIP值常用来反应各自变量对模型的贡献, VIP值越大, 自变量对模型的贡献就越大, 表明自变量对应变量的越重要.当VIP>1时, 我们就认为该波段为敏感波段[31]. ... Hyperspectral monitor on chlorophyll density in winter wheat under water stress 1 2020 ... 偏最小二乘法在解决小样本多变量且变量间存在多重共线性的回归问题中有着广泛的应用[29], 在PLSR分析过程中交叉验证的变异系数(CV)可以用来选择最佳的主成分数以建立最优的PLS模型, 其中CV<0.1表示低变异, 0.1<CV<1表示中等变异, 1<CV表示高变异, CV越小模型拟合精度越高[30].在构建最优的PLS模型的基础上选择PLSR分析中VIP值来筛选地上生物量的敏感光谱区域.VIP值常用来反应各自变量对模型的贡献, VIP值越大, 自变量对模型的贡献就越大, 表明自变量对应变量的越重要.当VIP>1时, 我们就认为该波段为敏感波段[31]. ... Organic matter estimation of surface soil using successive projection algorithm 1 2022 ... 连续投影算法是前向特征变量选择方法.SPA利用向量的投影分析, 通过将波长投影到其他波长上, 比较投影向量大小, 以投影向量最大的波长为待选波长, 然后基于矫正模型选择最终的特征波长.SPA选择的是含有最少冗余信息及最小共线性的变量组合.能够较为有效的选择重要的敏感波段[32]. ... Heat, wheat and CO2: the relevance of timing and the mode of temperature stress on biomass and yield 1 2019 ... 地上生物量是冬小麦生长状态和产量预测的重要指标之一.通过观察地上生物量变化, 可以调整和优化小麦的施肥方案, 提高养分利用率和生产效益.研究表明, 大气中CO2浓度升高可提高小麦的碳增益和对水分的利用效率, 从而促进冬小麦地上生物量的增加[33].然而, 小麦对CO2浓度升高的地上生物量增加响应并非绝对, H?gy等[34]研究发现CO2浓度升高对春小麦地上生物量没有明显影响.在本研究中, 发现CO2升高对冬小麦地上生物量增加的促进作用主要体现在拔节期和开花期, 成熟期的促进作用则表现不显著. ... Grain quality characteristics of spring wheat (Triticum aestivum) as affected by free-air CO2 enrichment 1 2013 ... 地上生物量是冬小麦生长状态和产量预测的重要指标之一.通过观察地上生物量变化, 可以调整和优化小麦的施肥方案, 提高养分利用率和生产效益.研究表明, 大气中CO2浓度升高可提高小麦的碳增益和对水分的利用效率, 从而促进冬小麦地上生物量的增加[33].然而, 小麦对CO2浓度升高的地上生物量增加响应并非绝对, H?gy等[34]研究发现CO2浓度升高对春小麦地上生物量没有明显影响.在本研究中, 发现CO2升高对冬小麦地上生物量增加的促进作用主要体现在拔节期和开花期, 成熟期的促进作用则表现不显著. ... Hyperspectral characteristics and inversion model estimation of winter wheat under different elevated CO2 concentrations 1 2021 ... CO2浓度升高下冬小麦冠层光谱反射率曲线在不同时期的变化趋势不发生改变, 这与Liu等[35]在OTC试验中提出的CO2浓度升高不改变在整个区间内光谱反射曲线的变化趋势是一致的.前人研究表明环境变化会影响冠层反射率的大小.如杨熙来等[36]提出开花期臭氧胁迫下冬小麦叶片光谱反射率在近红外波段升高.Xie等[7]研究发现可见光区和红边区域光谱反射率随冬小麦冻害程度的增加而逐渐下降.本研究中CO2浓度升高令冬小麦红边和近红边波段的光谱反射率在拔节期显著增加, 在开花期和灌浆期显著降低.这是由于红边和近红外区域的冠层光谱反射率受到叶片色素、叶面积和植物水分状况的显著影响[37].CO2浓度升高对冬小麦叶片色素、叶面积和植物水分利用率在不同生育期存在不同的影响[10,37].利用SPA+SLMR和PLSR两种方法寻找的冬小麦地上生物量敏感波段也基本位于红边和近红边波段内, CO2浓度升高仅缩小了地上生物量敏感波段的范围, 可见冬小麦冠层的光谱对CO2浓度升高很敏感, 通过光谱遥感技术进行监测是可行的. ... 臭氧胁迫下冬小麦叶片高光谱特征和叶绿素含量估算 1 2023 ... CO2浓度升高下冬小麦冠层光谱反射率曲线在不同时期的变化趋势不发生改变, 这与Liu等[35]在OTC试验中提出的CO2浓度升高不改变在整个区间内光谱反射曲线的变化趋势是一致的.前人研究表明环境变化会影响冠层反射率的大小.如杨熙来等[36]提出开花期臭氧胁迫下冬小麦叶片光谱反射率在近红外波段升高.Xie等[7]研究发现可见光区和红边区域光谱反射率随冬小麦冻害程度的增加而逐渐下降.本研究中CO2浓度升高令冬小麦红边和近红边波段的光谱反射率在拔节期显著增加, 在开花期和灌浆期显著降低.这是由于红边和近红外区域的冠层光谱反射率受到叶片色素、叶面积和植物水分状况的显著影响[37].CO2浓度升高对冬小麦叶片色素、叶面积和植物水分利用率在不同生育期存在不同的影响[10,37].利用SPA+SLMR和PLSR两种方法寻找的冬小麦地上生物量敏感波段也基本位于红边和近红边波段内, CO2浓度升高仅缩小了地上生物量敏感波段的范围, 可见冬小麦冠层的光谱对CO2浓度升高很敏感, 通过光谱遥感技术进行监测是可行的. ... 臭氧胁迫下冬小麦叶片高光谱特征和叶绿素含量估算 1 2023 ... CO2浓度升高下冬小麦冠层光谱反射率曲线在不同时期的变化趋势不发生改变, 这与Liu等[35]在OTC试验中提出的CO2浓度升高不改变在整个区间内光谱反射曲线的变化趋势是一致的.前人研究表明环境变化会影响冠层反射率的大小.如杨熙来等[36]提出开花期臭氧胁迫下冬小麦叶片光谱反射率在近红外波段升高.Xie等[7]研究发现可见光区和红边区域光谱反射率随冬小麦冻害程度的增加而逐渐下降.本研究中CO2浓度升高令冬小麦红边和近红边波段的光谱反射率在拔节期显著增加, 在开花期和灌浆期显著降低.这是由于红边和近红外区域的冠层光谱反射率受到叶片色素、叶面积和植物水分状况的显著影响[37].CO2浓度升高对冬小麦叶片色素、叶面积和植物水分利用率在不同生育期存在不同的影响[10,37].利用SPA+SLMR和PLSR两种方法寻找的冬小麦地上生物量敏感波段也基本位于红边和近红边波段内, CO2浓度升高仅缩小了地上生物量敏感波段的范围, 可见冬小麦冠层的光谱对CO2浓度升高很敏感, 通过光谱遥感技术进行监测是可行的. ... Characterization of water stress and prediction of yield of wheat using spectral indices under varied water and nitrogen management practices 2 2014 ... CO2浓度升高下冬小麦冠层光谱反射率曲线在不同时期的变化趋势不发生改变, 这与Liu等[35]在OTC试验中提出的CO2浓度升高不改变在整个区间内光谱反射曲线的变化趋势是一致的.前人研究表明环境变化会影响冠层反射率的大小.如杨熙来等[36]提出开花期臭氧胁迫下冬小麦叶片光谱反射率在近红外波段升高.Xie等[7]研究发现可见光区和红边区域光谱反射率随冬小麦冻害程度的增加而逐渐下降.本研究中CO2浓度升高令冬小麦红边和近红边波段的光谱反射率在拔节期显著增加, 在开花期和灌浆期显著降低.这是由于红边和近红外区域的冠层光谱反射率受到叶片色素、叶面积和植物水分状况的显著影响[37].CO2浓度升高对冬小麦叶片色素、叶面积和植物水分利用率在不同生育期存在不同的影响[10,37].利用SPA+SLMR和PLSR两种方法寻找的冬小麦地上生物量敏感波段也基本位于红边和近红边波段内, CO2浓度升高仅缩小了地上生物量敏感波段的范围, 可见冬小麦冠层的光谱对CO2浓度升高很敏感, 通过光谱遥感技术进行监测是可行的. ...
本文的其它图/表
|
