Please wait a minute...
欢迎访问作物学报,今天是
图/表 详细信息
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
摘要   (163 HTML8 PDF(pc) (871KB)(324)  

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。


回归方式
Regression method
分组
Groupings
自变量
Independent variable
回归方程
Regression equation
R2 Adj R2 RMSE Max vif P
CR+SMLR 训练组Train 光谱参数
Spectral parameters
y = 387.1+27619.5R799'-7360.8Dy
-302.8SDy-5437PRI
0.866 0.854 287.2 3.65 <0.01
测试组
Test
测量值
Measure
y = 1.0194x-129.81 0.897 0.865 238.6 <0.01
SPA+SMLR 训练组
Train
光谱反射率
Spectral
reflectance
y = 490.48+1258.94R599-1078.41R677
-237.54R736-194.43R781+194.87R1078+146.82R1083
0.841 0.818 320.3 49.29 <0.01
测试组
Test
测量值
Measure
y = 0.873x+245.764 0.838 0.830 285.7 <0.01
View table in article
表6 地上生物量逐步多元线性回归模型
正文中引用本图/表的段落
对所选用的光谱参数与地上生物量进行Pearson相关性分析(图4), 选取|r|>0.6, P<0.05的光谱参数与地上生物量进行逐步多元线性回归, 回归模型表6所示, 地上生物量光谱参数逐步多元线性回归的R2为0.866, RMSE为287.2 g m-2, 最大VIF 3.65。测试组的R2为0.897, RMSE为238.6 g m-2。可见R799′、Dy、SDy、PRI间的共线性小模型稳定性好, 预测精度高。
将连续投影算法筛选的敏感波段进行逐步多元线性回归, 结果如表6所示, 回归模型的R2为0.841, RMSE为320.3 g m-2, 最大VIF为49.29。测试组的R2为0.838, RMSE为285.7g m-2。可见相较于光谱参数多元线性回归模型SPA+SMLR回归模型的拟合精度较低, 同时自变量之间存在着较大的共线性。
本文的其它图/表