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。



View image in article
图5 冬小麦地上生物量PLSR模型训练组和测试组拟合关系
a, b: 基于光谱反射率为自变量的地上生物量偏最小二乘法回归模型, a为训练组, b为测试组; c, d: 基于光谱参数为自变量的地上生物量偏最小二乘法回归模型, c为训练组, d为测试组; ncomps: 最佳成分个数; Y-Var: 因变量累积方差解释百分数。
正文中引用本图/表的段落
将冬小麦地上生物量分别与平滑后光谱反射率和光谱参数进行偏最小二乘法回归, 在总样本中分别随机选取48份样本作为训练组, 24份样本作为测试组来测试训练模型的精度。以平滑后光谱反射率为自变量时最佳主成分个数为6, 能够解释94.42%作为因变量的地上生物量。当以地上光谱参数为自变量时最佳主成分个数为8, 能够解释92.79%作为因变量的地上生物量。如图5所示, 以平滑后光谱反射率为自变量的PLSR模型的训练集的R2为0.944, RMSE为173.99 g m-2, 测试集的R2为0.912, RMSE为184.37 g m-2。以光谱参数为自变量的PLSR模型的训练集的R2为0.928, RMSE为196.20 g m-2, 测试集的R2为0.890, RMSE为251.21 g m-2。由此可见, PLSR模型精度在对冬小麦地上生物量的拟合上模型整体精度高于多元回归模型, 并且以平滑后光谱反射率为自变量构建的PLSR模型精度最高, 拟合误差最小。
本文的其它图/表