引用本文
齐波, 张宁, 赵团结, 邢光南, 赵晋铭, 盖钧镒. . 利用高光谱技术估测大豆育种材料的叶面积指数. 作物学报, 2015, 41(7): 1073-1085
QI Bo, ZHANG Ning, ZHAO Tuan-Jie, XING Guang-Nan, ZHAO Jin-Ming, GAI Jun-Yi. . Prediction of Leaf Area Index Using Hyperspectral Remote Sensing in Breeding Programs of Soybean. ACTA AGRONOMICA SINICA, 2015, 41(7): 1073-1085  
Permissions
Copyright©2015, 作物学报编辑部
作物学报编辑部
利用高光谱技术估测大豆育种材料的叶面积指数
齐波, 张宁, 赵团结, 邢光南, 赵晋铭*, 盖钧镒*
南京农业大学大豆研究所 / 国家大豆改良中心 / 农业部大豆生物学与遗传育种重点实验室(综合) / 作物遗传与种质创新重点实验室, 江苏南京 210095
* 通讯作者(Corresponding authors): 盖钧镒, E-mail: sri@njau.edu.cn; 赵晋铭, E-mail: jmz3000@126.com

第一作者联系方式: E-mail: mtsdhzhq@163.com

收稿日期:2015-02-04 接受日期:2015-05-04 网络出版日期:2015-05-18
基金:本研究由国家重点基础研究发展计划(973计划)项目(2011CB1093), 国家高技术研究发展计划(863计划)项目(2011AA10A105), 国家公益性行业(农业)科研专项经费项目(201203026-4), 教育部高等学校学科创新引智计划(111工程)项目(B08025), 教育部创新团队项目(PCSRT13073), 江苏省优势学科建设工程专项, 江苏省现代作物生产协同创新中心项目(JCIC-MCP)和中央高校基本科研业务费项目(KYZ201202-8)资助
摘要

叶面积指数(LAI)是反映田间作物长势及产量潜力的重要参数, 规模化育种要求及时、快速、无损地获取大量育种材料的田间生长信息。本研究利用52份大豆品种(系)的2年田间试验, 在盛花期(R2)、盛荚期(R4)及鼓粒初期(R5)测定大豆冠层反射光谱, 同步测定大豆LAI和地上部生物量(ABM)。结果表明, 不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关( P<0.05), 在近红外波段(748~1331 nm)均表现为显著正相关( P<0.05)。根据文献已报道的植被指数与LAI的线性相关性分析, NDVI和RVI类型的植被指数能够较好地指示大豆LAI, 进而在全光谱250~2500 nm范围内涵盖上述两种类型的植被指数, 经对建立的大豆LAI线性与非线性模型综合评价, 遴选出不同生育期敏感植被指数的最优估测模型。其中, R2期RVI (825, 586)所建模型( y= 0.03 x1.83)、R4期RVI (763, 606)所建模型( y= 0.38e0.14 x)及R5期RVI (744, 580)所建模型( y= 0.06 x1.79)的预测表现最好, 决定系数( R2)分别为0.677、0.639和0.664, 相对标准误( RRMSE)均小于20%; 模型验证的决定系数( R2*)分别为0.643、0.612和0.634, 均根方误差( RRMSE*)约20%。进而发现针对LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。本研究结果可望为大豆规模化育种中获取大量不设重复试验材料的田间长势信息提供快速无损预测的技术支持。

关键词: 大豆; 高光谱; 遥感; 叶面积指数; 地上部生物量
Prediction of Leaf Area Index Using Hyperspectral Remote Sensing in Breeding Programs of Soybean
QI Bo, ZHANG Ning, ZHAO Tuan-Jie, XING Guang-Nan, ZHAO Jin-Ming*, GAI Jun-Yi*
Soybean Research Institute of Nanjing Agricultural University / National Center for Soybean Improvement / Key Laboratory for Biology and Genetic Improvement of Soybean (General), Ministry of Agriculture / National Key Laboratory for Crop Genetics and Germplasm Enhancement, Nanjing 210095, China
Abstract

Leaf area index (LAI) is an important parameter in observing field growth status and yield potential of crop plants, which is important in evaluating field growth performance of breeding lines in modern large scale plant breeding programs. The measurement of LAI and aboveground biomass (ABM) was synchronized with the information collection of the canopy hyperspectral reflectance at R2, R4, and R5 growth stages in a field experiment with 52 soybean varieties under completely randomized blocks design with three replications in two years. The results indicated that LAI have significant positive correlation with canopy spectral reflectance in the visible region (426-710 nm) and significant negative correlation in the near infrared region (748-1331 nm) ( P<0.05). According to the linear correlation analysis between the vegetation indices and LAI in the literature, NDVI and RVI are superior vegetation indices for soybean LAI prediction. The linear and nonlinear regression models of LAI on NDVI and RVI vegetation indices were constructed and evaluated for all two-band combinations in the full spectral range of 350-2500 nm under 1 nm windows. Three single-stage regression models, i.e. R2 RVI (825, 586) model ( y= 0.03 x1.83), R4 RVI (763, 606) model ( y= 0.38e0.14 x) and R5 RVI (744, 580) model ( y= 0.06 x1.79) were selected and validated as the best ones with fitness of 0.677, 0.639, 0.664 and less than 20% relative standard error, respectively, with their validation determination coefficients of 0.643, 0.612, 0.634, and around 20% validation standard error, respectively. Furthermore, the common core two-band combinations for both LAI and ABM prediction at R2, R4, and R5 were selected as 825 nm and 586 nm, 763 nm and 606 nm, and 744 nm and 580 nm, respectively. The obtained indices along with their prediction models can provide a technical support for quick and nondestructive field survey of soybean growth status in large scale breeding programs.

Keyword: Soybean; Hyperspectral reflectance; Remote sensing; Leaf area index (LAI); Aboveground biomass (ABM)

叶面积指数(LAI)是单位土地面积上所有绿色叶片单面面积的总和[1]。LAI是反映叶片覆盖度、作物长势以及产量潜力的重要参数[2], 也是决定植物冠层生物物理过程以及预测冠层长势和光合作用初级生产力的关键因素[3, 4, 5]。LAI对其他植物生物物理过程, 如植物蒸腾作用和CO2交换过程也起着关键作用。

大豆是当今世界上最重要的经济作物, 所提供的植物蛋白和植物油脂分别占全世界的69%和30%[6]。高产是大豆育种的主要目标, 其产量来自光合产物, 高产育种的基础是群体的光合效率。LAI是反映作物群体大小的动态指标, 在一定程度上, 作物产量随LAI的增大而提高。因此有效地估测LAI对大豆育种具有重要意义。直接测量LAI对试验样本破坏性强、工作量大, 受样本容量大小的限制。遥感技术为及时、快速、无损估测作物LAI提供了有效途径, 特别是高光谱遥感信息具有上千个窄波段, 信息丰富, 能够定量预测作物生物物理和生物化学参量[7]。

国内外大量研究表明, 利用遥感技术预测作物LAI具有可行性[8]。一些研究基于冠层反射光谱与LAI的相关性, 从中提取能够较好地预测LAI的特征波段。其中, Thenkabail等[8]研究发现, 红光波段反射率与LAI相关性最为密切。Mutanga等[9]研究表明, 可见光波段(400~700 nm)的反射光谱主要由叶绿素和其他色素的吸收决定, 叶绿素的积累量与LAI呈正相关, 而光谱反射率与LAI呈负相关; 红光及近红外波段(700~1000 nm)的反射光谱主要受叶片细胞排列方式和植被结构的影响, 对光谱产生强烈反射, 光谱反射率与LAI呈正相关。基于光谱反射率与LAI的关系, 在敏感波段可通过多个特定波段组合构建多种植被指数反演LAI, 从而实现对植物冠层长势的监测。利用植被指数预测LAI的稳健性和预测力均优于单波段反射率, Miller等[10]使用比值植被指数和垂直植被指数等反演LAI, 为高光谱数据反演植被LAI奠定了基础。薛利红等[11]研究表明, 绿色植被指数和垂直植被指数与小麦LAI的幂函数和二次方程拟合最好。吴琼等[12]论证了利用冠层光谱参数预测大豆LAI的可行性。宋开山等[13]研究表明, 大豆LAI与冠层光谱反射率在可见光区呈负相关, 近红外区呈正相关、红边相关系数由负变正。黄春燕等[14]研究指出, 基于800 nm和670 nm光谱反射率的修改型二次土壤调节植被指数的对数函数模型能较好地反演大豆LAI。

利用遥感技术估测作物LAI的大多数研究主要集中在作物栽培管理方面, 服务于作物育种领域的遥感应用研究数量有限。本研究以52份大豆基因型两年田间试验数据为基础, 分析不同生育期LAI与高光谱参数的线性和非线性关系, 优选出敏感的光谱参数, 确立了LAI的最优回归预测模型, 期望将高光谱技术应用于育种, 快速、无损地监测、评价育种品系的冠层长势和产量潜力, 为规模化育种提供有效的技术支撑。

1 材料与方法
1.1 试验材料与设计

试验材料选取的原则, 一是材料间的产量和生长性状均存在明显差异, 二是材料间生育期相近, 尤其是开花期, 便于在同一生育期采集冠层光谱数据。根据往年田间调查结果, 选择代表长江中下游生态区高产育种的52份材料, 包括13份栽培品种, 2份地方品种及37份高世代育种品系。

2011— 2012年夏在南京农业大学江浦农场进行田间试验, 完全随机区组设计, 小区面积为2.5 m × 4.0 m, 行距为50 cm, 重复3次, 行内点播, 株距10 cm。其他栽培管理措施同一般大田。选择盛花期(R2)、盛荚期(R4)和鼓粒始期(R5)测定每个小区的冠层反射光谱, 同步破坏性取样测定LAI和地上部生物量(ABM)。

1.2 大豆冠层光谱与叶面积的测定方法

采用美国Analytical Spectral Device (ASD)公司生产的FieldSpec Pro 3型背挂式野外高光谱辐射仪测量大豆冠层光谱, 波段值为350~2500 nm, 其中350~1000 nm光谱采样间隔为1.4 nm, 光谱分辨率为3 nm; 1000~2500 nm光谱采样间隔为2 nm, 光谱分辨率为10 nm。选择天气晴朗、无风或风速很小时测定冠层反射光谱, 测定时间为10:00— 14:00。测量时传感器探头垂直向下, 光谱仪视场角为25° , 距冠层顶部垂直高度约1.0 m, 地面视场范围直径为44 cm。以5个光谱为一组采样光谱, 每个小区随机选择5个采样点(视场), 取平均值作为该观测点的光谱反射值。每次采集目标光谱前后进行标准白板校正。

与冠层反射光谱测定同步, 在每个小区的采样区连续选取代表性大豆5株, 摘取植株绿色叶片, 采用LAI-3000叶面积仪测定叶面积, LAI=叶片总面积/土地面积。以105℃杀青, 80℃烘干, 称重并折算成ABM (kg hm-2)。

1.3 数据分析与利用

1.3.1 两波段植被指数的构建和选择 在全光谱350~2500 nm范围内以1 nm为间隔, 构建任意两波段组合的NDVI (公式1)和RVI (公式2), 分别产生N2 (N=2151)个任意两波段组合的NDVI和RVI。提取2种植被指数与大豆LAI的线性和非线性模型(指数函数和幂函数)的决定系数(R2), 生成数据矩阵, 依此绘制R2的等势图。根据图中R2的分布情况, 用箭头标注最大R2所在区域。根据统计推断检验模型, 剔除不显著模型, 再依据模型的其他指标(如参数检验、相对标准误差RRMSE)综合评价模型的优劣, 最终确定敏感植被指数与最佳回归模型。

(1)

(2)

式中, Rλ 1和Rλ 2分别为波段λ 1和λ 2的光谱反射率。

1.3.2 三波段植被指数的构建和选择 前人研究表明由近红外和红光区波段组合的NDVI存在严重的饱和问题, 可能是由红光波段反射率的饱和引起的[15], 另外, 蓝绿光区波段能对NDVI的红光波段的饱和起到一定的修正作用[16]。根据前人的研究结果, 构建三波段植被指数来探索作物目标性状的敏感波段(公式3)。

(3)

式中, Rλ 1、Rλ 2和Rλ 3分别为近红外区(760~1000 nm)、红光区(620~760 nm)及蓝绿光区(蓝光区波段范围为430~470 nm, 绿光区波段范围为500~560 nm)波段的光谱反射率, k为模型的修正参数。模拟k在-3~3区间内以0.1为步长的变化下, 构建三波段植被指数与大豆LAI的回归模型, 并对模型的决定系数排序, 从中选择决定系数最大的回归模型和三波段植被指数, 由此确定大豆LAI的敏感三波段植被指数及最佳模型。

1.3.3 文献已报道的植被指数 许多双通道或多通道光谱植被指数在估测植被生物量、LAI、叶绿素及氮素等方面均有报道。本研究共收集102个文献已报道的植被指数, 基于2011— 2012年大豆冠层光谱数据重建这些植被指数, 主要用于两方面的研究: 其一, 分析与LAI的相关性, 提取相关系数最大的前10个植被指数(表1), 由此确定对大豆LAI敏感的植被指数类型; 其二, 建立这些植被指数与LAI的线性与非线性模型, 遴选出R2最大的前5个模型, 用于与其他模型的比较, 以确定大豆LAI的敏感植被指数及最优模型。

表1 本文中采用的已有植被指数的出处和算法 Table 1 Algorithm and references of selected vegetation indices in this paper

1.3.4 回归模型 根据研究对象的不同, 选择适宜的回归模型。

(1) 简单回归: y= a+bx

(2) 指数模型: y= aebx

(3) 幂函数: y= axb

其中, y为依赖变量(LAI), x为解释变量, a和b分别代表模型的回归截距和回归系数。

1.3.5 模型检验与模型验证的评价标准 利用2011— 2012年试验数据构建植被指数与LAI的回归模型, 利用模型的决定系数(R2)及相对标准误(RRMSE)评价所建模型自身的精准性和稳健性。R2主要用于评价模型的适合程度, 其值在0-1之间, 值越逼近于1, 说明模型的适合程度越高。RRMSE主要用于评价模型预测值与实测值间的差异程度, RRMSE值越小, 说明模型的预测精度相对越高。

(4)

(5)

式中, SSE为模型的残差平方和, SSR为总离差平方和, Yref是目标性状的观测值, Yest是所建模型对目标性状的预测值, 是目标性状观测值的均值, N为样本容量, m为模型参数的数目。

利用2009年资料数据验证所建模型, 采用模型验证的决定系数(R2* )、均方根误差(RRMSE* )[23]评价模型验证效果。R2* 主要用于评价模型验证结果的符合程度, 其值在0~1之间, 值越接近于1说明模型验证的符合程度越好。RRMSE* 主要用于评价模型验证的预测值与实测值之间的拟合程度, 反映两者之间的相对差异程度, RRMSE* 越小, 说明模型验证的预测值与实测值的拟合程度越好, 其中, RRMSE* < 10%时模型预测表现非常好, 在10%~20%之间时模型表现较好, 在20%~30%之间时模型表现一般, RRMSE* > 30%时模型表现较差[24]。 (6)

式中, Oi为试验观察值, Pi为模型估测值, Ō i为试验观测值的均值, n为验证数据的样本容量。

本研究利用Jackknife法[25, 26]评价上述模型的差异性和稳定性。Jackknife法是一种可用作假设检验和置信区间的计算方法, 利用一次抽样的样本观察值, 来构造未知参数的无偏估计或偏性很小估计量的一种模拟抽样统计推断方法。该法每次从n个原样本中剔除一个样本, 得到样本容量为n-1的新样本, 共产生n个新样本, 由每个样本计算估计值, 称为Jackknife估计。基于此, 计算模型决定系数在95%水平的置信区间的概率。当2个模型决定系数的置信区间不重叠时, 说明2个模型的决定系数差异显著(P< 0.05)。数据分析和数据可视化均在R平台(R Core Team, 2014)中编程实现。

2 结果与分析
2.1 大豆叶面积指数的方差分析

两年大豆基因型LAI联合数据的方差分析结果表明, 不同材料间LAI差异极显著(P< 0.01), 年份与基因型间互作差异不显著(表2)。不同材料LAI的变化范围较大, 变异系数较大, 广义遗传力较高(表3), 所选材料LAI具有一定的代表性, 适用于大豆LAI估测模型的研究。不同生育期冠层光谱350~2500 nm范围内单波段反射率的方差分析结果表明单波段反射率的年份与基因型互作均不显著。鉴于LAI和光谱反射率两类数据的年份与基因型互作均不显著, 将2年数据进行联合分析。

表2 不同大豆材料在两年不同生育期LAI的方差分析 Table 2 Analysis of variance for LAI of soybean genotypes
表3 2011-2012年不同生育期大豆LAI的频次分布表 Table 3 Frepuency distribution of LAI of fifty-teo soybean genotypes in 2011 and 2012
2.2 大豆冠层原始光谱及其导数光谱与叶面积指数的相关性

图1-A表明, R2期LAI与408~710 nm波段反射率显著负相关(P< 0.05), 与731~1331 nm波段反射率显著正相关(P< 0.05); R4期LAI与426~726 nm波段反射率显著负相关(P< 0.05), 与748~1342 nm波段反射率显著正相关(P< 0.05); R5期LAI与365~724 nm和1961~2058 nm波段反射率显著负相关(P< 0.05), 与740~1347 nm波段反射率显著正相关(P< 0.05)。综上, 不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关(P< 0.05), 从R2至R5期部分波段的相关性表现为增大趋势, 而部分波段的相关性则存在交叉现象; 在近红外波段(748~ 1331 nm)的光谱反射率均表现为显著正相关(P< 0.05), R2期相关性最高。

由图1-B可知, 与LAI的最大相关系数的绝对值均高于原始光谱, 主要是对原始光谱求导能降低背景噪声, 从而增强冠层光谱反射率与LAI的相关性。对冠层光谱求导可获得光谱曲线弯曲点、最大和最小反射率处的波长位置等信息(表4)。由图1看出, 大豆不同生育期LAI与冠层光谱反射率及一阶导数光谱的相关性均有较好表现, 可深入挖掘不同生育期冠层光谱与LAI之间的关系。

2.3 大豆叶面积指数与文献已报道植被指数间的相关性

利用收集的102篇文献已报道的植被指数与LAI进行相关性分析, 遴选出相关性最大的前10个植被指数(表5)。由表5可以看出, 所选植被指数主要包括NDVI和RVI两类植被指数, 其中, GNDVI、NDCI、NDVI (810, 560)和PSNDb为NDVI类型植被指数, 而GM1、GM2、PSSRa、PSSRb、RVI (810, 560)和SR (900, 680)为RVI类型植被指数。所选植被指数与LAI均表现极显著正相关性(P< 0.01)。总体上, R2期相关性较好, R5期次之, R4期较差。R2期PSSRb、R4期GM1和R5期RVI (810, 560)与大豆LAI相关性最好, 且均为RVI类型的植被指数。

2.4 全光谱范围内任意两波段NDVI、RVI与叶面积指数的回归分析

基于不同生育期冠层光谱范围350~2500 nm构建任意两波段NDVI和RVI, 与LAI建立线性模型, 比较二者与LAI的线性相关性, 确定相关性较好的植被指数类型。图2-A、B和C分别为大豆R2、R4和R5期NDVI与LAI线性模型R2等势图, 上、下三角矩阵对称, 因此仅绘制R2矩阵的下三角部分。不同生育期NDVI与LAI线性相关的波段范围分为10组合(表6), 其中波段组合2在图中的颜色最深, 说明该波段组合内NDVI与LAI线性相关性最好。图中箭头标注最大R2所在区域, 从中提取前10% R2的敏感波段表明, R2、R4、R5期敏感波段组合467~710 nm和733~1327 nm、515~699 nm和765~ 1348 nm、508~649 nm和758~1347 nm的NDVI与LAI线性相关性表现最好(表7), 所建线性模型最大R2分别为0.611、0.527和0.539。

图1 大豆冠层原始光谱(A)及其一阶导数光谱(B)与LAI的相关性Fig. 1 Correlation of canopy spectra (A) and the first derivative spectra (B) to LAI in soybean

表4 大豆冠层原始光谱及其一阶导数光谱与LAI相关系数的最大值、最小值及对应波段 Table 4 Maximum and minimum correlation coefficients and corresponding wavelength between the original, derivative spectra and LAI in soybean
表5 2011— 2012年大豆不同生育期LAI与所选植被指数的相关性 Table 5 Correlation coefficients between LAI and selected vegetation indices at different stages in 2011 and 2012

图2中D、E和F分别为R2、R4和R5期RVI与LAI线性模型R2等势图。不同生育期RVI与LAI相关性矩阵存在2个相关性较高的敏感波段组合范围, 且下三角矩阵的相关性好于上三角矩阵, 说明敏感波段组合的RVI与LAI的相关性最好。箭头标注等势图中R2表现较好的光谱区域, R2、R4、R5期敏感波段组合488~707 nm和739~1331 nm、517~697 nm和767~1348 nm、512~698 nm和762~1350 nm的RVI与LAI的线性相关性表现最好(表7), 所建线性模型的最大R2分别为0.635、0.582和0.577。结果表明, RVI与LAI的线性相关性高于NDVI, 说明使用RVI指示大豆LAI更具有敏感性, 优于NDVI。

进一步比较RVI与LAI线性与非线性模型(幂函数和指数函数)表明, RVI与LAI指数函数关系的决定系数均好于同期线性关系(表8)。综合评价不同生育期线性与非线性模型中R2最大的模型(表9)表明, 模型检验、参数检验均达到极显著水平(P< 0.01), R2期基于植被指数RVI (825, 586)所建模型(y= 0.03x1.83)的预测表现最好(图3-A), 其R2和RRMSE分别为0.677和15.71%, 模型验证的R2* 和RRMSE* 分别为0.643和19.40%; R4期基于植被指数RVI (763, 606)所选模型(y= 0.38e0.14x)的预测表现最好(图3-B), 其R2和RRMSE分别为0.639和19.95%, 模型验证的R2* 和RRMSE* 分别为0.612和20.55%。R5期基于植被指数RVI (744, 580)所建模型(y= 0.06x1.79)的预测表现最好(图3-C), 其R2和RRMSE分别为0.664和19.83%, 模型验证的R2* 和RRMSE* 分别为0.634和19.77%。

图2 大豆不同生育期LAI与冠层光谱任意两波段NDVI (A: R2、B: R4、C: R5)、RVI (D: R2、E: R4、F: R5)线性模型的决定 系数等势图Fig. 2 Contour maps for determination coefficients of linear regression between soybean LAI and any two-band NDVI (A: R2, B: R4, C: R5), any two-band RVI (D: R2, E: R4, F: R5)

表6 大豆不同生育期冠层光谱两波段NDVI、RVI与LAI线性关系的决定系数 Table 6 Determination coefficients of linear relationship of LAI with any two-band vegetable indices within full spectral range at different stages in soybean
表7 大豆不同生育期LAI光谱参数的敏感波段组合 Table 7 Sensitive band combinations of LAI spectral parameters at different stages in soybean

图3 大豆冠层光谱植被指数RVI与LAI的散点图Fig. 3 Scatter plots between canopy spectral parameter RVI and LAI in soybean

表8 大豆不同生育期敏感波段组合范围内LAI与RVI线性与非线性关系的决定系数 Table 8 Determination coefficients of linear and non-linear relationship of LAI with RVI in sensitive band combinations at different stages in soybean
2.5 回归模型的选择与验证

在大豆不同生育期冠层光谱近红外区域(760~ 1000 nm)、红光区域(620~760 nm)及蓝绿光区域(蓝光区域为430~470 nm, 绿光区域为500~560 nm)的波段组合范围内穷尽所有三波段组合的植被指数, 分别与LAI建立线性和非线性模型, 选择R2最大的模型, 再根据模型参数检验、R2及RRMSE等指标综合评价所建模型的好坏, 以确定敏感三波段光谱参数及最佳模型(表9)。不同生育期均存在敏感三波段植被指数, 总体上, 所选三波段植被指数模型的模型检验及参数检验均表现为极显著(P< 0.01), R2的变幅为0.506~0.660, RRMSE的变幅为0.32~0.87, 说明所选三波段植被指数对LAI有一定的预测效果, 但与所选两波段植被指数建立的模型相比较, 其预测效果无更大优势。

进一步比较所选两波段植被指数与文献已报道的植被指数对LAI的预测力(表5)。以2011— 2012年数据为建模数据, 经文献已报道的植被指数与LAI建立回归模型, 选取决定系数较大的前5个模型, 并以2009年资料数据[12]为验证数据, 综合评价文献已报道的植被指数与所选两波段植被指数指示大豆LAI的敏感性(表9)。结果显示, 所有模型检验及其参数检验均表现极显著水平(P< 0.01), 根据模型的R2最大和RRMSE最小的原则, 所选两波段植被指数模型的预测效果均优于文献已报道的植被指数, 且在模型验证中R2* 和RRMSE* 均有很好的表现。此外, 所选两波段植被指数的预测效果均优于较冠层原始光谱、一阶导数光谱, 说明本研究所选两波段植被指数为大豆LAI的敏感植被指数。

2.6 大豆叶面积指数和地上部生物量的共性核心波段组合

研究大豆LAI与ABM共性核心波段组合有利于同步收集更全面的田间长势信息。首先确定大豆冠层RVI与ABM的最佳模型类型(简单回归、幂函数及指数函数模型), 进而提取RVI与LAI、ABM最佳模型的R2, 生成矩阵, 设置R2阈值, 并不断增大阈值, 逐步缩小对敏感波段组合的搜索范围, 最终确定LAI与ABM的共性核心波段组合。表10为大豆不同生育期ABM和LAI共性核心波段组合范围。不同生育期随着R2阈值的增大, RVI与LAI的敏感波段组合范围落入RVI与ABM的敏感波段组合范围之内。通过不断缩小搜索范围, 最终确定R2、R4、R5期LAI与ABM共性核心波段组合分别为825 nm和586 nm、763 nm和606 nm、744 nm和580 nm。

基于上述共性核心波段组合构建敏感的植被指数, 分别建立不同生育期RVI与ABM、LAI最佳预测模型。分析结果表明, 基于共性核心波段组合的RVI与LAI、ABM所建模型的预测效果均有较好表现。由表11可以看出, 总体上, 所有模型检验和参数检验均达到极显著差异(P< 0.01), 不同生育期LAI和ABM回归方程的决定系数变化范围分别为0.639~0.677和0.757~0.779, RRMSE变化范围为18.74%~20.02%和19.40%~20.55%。不同生育期的共性核心波段组合均同于前文所选敏感植被指数的核心波段组合。因此, 基于共性核心波段组合的植被指数, 降低了主动传感器的开发成本, 可快速无损地监测田间大豆长势。

表9 大豆不同生育期所选植被指数与LAI的最佳回归模型的比较 Table 9 Comparisons between regression models based on the selected vegetation indices for LAI at different growth stages in soybean
表10 大豆不同生育期ABM和LAI共性核心波段组合范围 Table 10 Range of sensitive band combination for ABM and LAI at different growth stages in soybean
表11 基于共性核心波段的大豆不同生育期ABM和LAI估测模型 Table 11 Prediction models of ABM and LAI based on joint core bands at different growth stages in soybean
3 讨论

大豆冠层光谱及其一阶导数光谱与LAI相关性分析表明, 不同生育期冠层光谱在可见光波段均存在部分显著负相关的敏感波段, 在近红外区表现为R4期相关性明显低于R2和R5期, 其中R2期显著正相关的敏感波段范围最广。两波段和三波段植被指数与LAI的回归分析表明, 基于所选植被指数最佳回归模型的预测精度不足, R4期模型决定系数低于R2和R5期。究其原因, 遥感预测LAI存在着2个方面的障碍: (1)根据植被指数类型, 当LAI超过3时, NDVI逐渐接近饱和水平[27, 28]; (2)所选植被指数除与LAI存在相关性外, 均与叶绿素含量及其他冠层特性相关, 其中冠层光谱可见光和近红外反射率强烈地依赖于植株的冠层结构(如LAI)和生物化学参数(如叶绿素含量)[29, 30]。

为了克服上述两方面障碍, 前人研究指出, 由于植被指数自身的稳定性及其对LAI的预测力, 比较不同植被指数可获得较好的结果[31, 32]。还有研究表明一些修正的植被指数可提高自身与LAI的线性关系[33, 34]。此外, Haboudane等[2]对植被指数与LAI的研究中考虑了叶绿素对植被指数的影响。大豆开花期过后, LAI大于2.0, 其中2012年R4期LAI最大值达到7.24, 植被覆盖度较高, 由此产生了上述第一个问题。本研究表明采用高光谱技术测定大豆冠层反射光谱, 从高光谱海量信息中找到指示大豆LAI的敏感植被指数, 并建立起预测精度较高的回归模型, 可以快速、定性地估测大豆LAI。具体地说, 首先从文献已报道的植被指数中找出与大豆LAI线性相关性最大的前10个植被指数, 由此确定NDVI和RVI类型为最佳植被指数类型, 进而在全光谱范围350~2500 nm穷尽所有两波段组合的NDVI和RVI, 分别与LAI建立线性模型, 根据模型R2大小评价两类植被指数与LAI线性相关性的好坏, 结果表明NDVI与LAI的线性相关性明显地低于RVI, 说明NDVI逐渐接近饱和, 降低了对LAI的敏感性, 而RVI对较高的LAI仍保持一定的敏感性。进而比较RVI与LAI的线性与非线性模型的R2, 发现不同生育期非线性模型的预测效果好于线性模型, 从中遴选出不同生育期LAI的最佳预测模型。其中, 所选敏感光谱波段580、586和606 nm为可见光波段, 是植物叶片强吸收波段, 反射和透射很低, 744 nm和763 nm是叶绿素在红波段的强吸收和近红外波段多次散射形成的高反射平台的过渡区域, 称为植被反射率“ 红边” , 红边含有植被营养、长势、叶面积等指标的特征信息, 825 nm与叶片内部结构有关的光谱波段, 解释了叶片结构光谱反射率特性。这在一定程度上解释了本研究所选植被指数对大豆LAI估测的敏感性。上述方法在全光谱范围内穷尽了两波段植被指数NDVI和RVI, 经与LAI的线性与非线性回归分析, 确定最优回归模型, 这在一定程度上克服了上述两方面障碍。

利用遥感技术估测LAI, 核心波段的提取是充分发掘遥感信息的关键步骤之一。不同作物LAI存在明显差异, LAI较大的作物冠层结构因色素含量、水分含量等过高, 容易导致冠层光谱范围部分波段反射率接近饱和, 降低植被指数的敏感性。随着高光谱技术的快速发展, 系统地运用光谱分析技术和统计分析方法, 充分挖掘光谱海量信息中有用的信息, 可以有效地提高对LAI的预测功效。此外, 无人机作为一种新型的遥感平台, 具有优于其他遥感平台的灵活性、实时性、移动性等特点, 在遥感技术的发展中得以广泛应用。因此, 将本研究内容与无人机遥感平台相结合, 进一步研究适用于无人机传感器的大豆LAI特征波段信息, 建立起稳定性和普适性较好的预测模型, 可实时、快速、无损伤地实现大豆LAI的田间监测。

4 结论

大豆不同生育期LAI与冠层反射光谱均有相关性显著的波段, 其中, 可见光波段(426~710 nm)均表现显著负相关(P< 0.05), 近红外波段(748~1331 nm)均表现为显著正相关(P< 0.05); R2期基于RVI (825, 586)所建模型(y= 0.03x1.83)、R4期基于RVI (763, 606)所选模型(y= 0.38e0.14x)及R5期基于RVI (744, 580)所建模型(y= 0.06x1.79)的预测表现最好, 决定系数(R2)分别为0.677、0.639和0.664, 相对标准误(RRMSE)分别为15.71%、19.95%和19.83%, 模型验证的决定系数(R2* )分别为0.643、0.612和0.634, 均根方误差(RRMSE* )分别为19.40%、20.55%和19.77%。LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。上述结果可望为大豆规模化育种中无重复产量试验提供有效的田间长势信息。

The authors have declared that no competing interests exist.

作者已声明无竞争性利益关系。The authors have declared that no competing interests exist.

参考文献
[1] Watson D J. Comparative physiological studies on the growth of field crops: I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years. Ann Bot, 1947, 11: 41-76 [本文引用:1] [JCR: 0.657]
[2] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens Environ, 2004, 90: 337-352 [本文引用:2] [JCR: 5.103]
[3] Goetz S J, Prince S D. Remote sensing of net primary production in boreal forest stand s. Agric For Meteorol, 1996, 78: 149-179 [本文引用:1]
[4] Moran M S, Maas S J, Pinter Jr P J. Combining remote sensing and modeling for estimating surface evaporation and biomass production. Remote Sens Rev, 1995, 12: 335-353 [本文引用:1]
[5] Tucker C J, Holben B N, Elgin J H Jr, McMurtrey J E. Relationship of spectral data to grain yield variation. Photogramm Eng Remote Sens, 1980, 46: 657-666 [本文引用:1]
[6] Lam H M, Xu X, Liu X, Chen W, Yang G, Wong F L, Li M W, He W, Qin N, Wang B, Li J, Jian M, Wang J, Shao G, Wang J, Sun S S, Zhang G. Resequencing of 31 wild and cultivated soybean genomes identifies patterns of genetic diversity and selection. Nat Genet, 2010, 42: 1053-1059 [本文引用:1] [JCR: 35.209]
[7] Vaesen K, Gilliams S, Nackaerts K, Coppin P. Ground-measured spectral signatures as indicators of ground cover and leaf area index: the case of paddy rice. Field Crops Res, 2001, 69: 13-25 [本文引用:1] [JCR: 2.474]
[8] Thenkabail P S, Smith R B, De Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics. Remote Sens Environ, 2000, 71: 158-182 [本文引用:2] [JCR: 5.103]
[9] Mutanga O, Skidmore A K, van Wieren S. Discriminating tropical grass (Cenchrus ciliaris) canopies grown under different nitrogen treatments using spectroradiometry. Isprs J Photogr Remote Sens, 2003, 57: 263-272 [本文引用:1]
[10] Miller J R, Hare E W, Wu J. Quantitative characterization of the vegetation red edge reflectance: 1. An inverted-Gaussian reflectance model. Intl J Remote Sens, 1990, 11: 1755-1773 [本文引用:1]
[11] 薛利红, 曹卫星, 罗卫红, 王绍华. 光谱植被指数与水稻叶面积指数相关性的研究. 植物生态学报, 2004, 28: 47-52
Xue L H, Cao W X, Luo W H, Wang S H. Relationship between spectral vegetation indices and LAI in rice. Acta Phytoecol Sin, 2004, 28: 47-52(in Chinese with English abstract) [本文引用:1]
[12] 吴琼, 齐波, 赵团结, 姚鑫锋, 朱艳, 盖钧镒. 高光谱遥感估测大豆冠层生长和籽粒产量的探讨. 作物学报, 2013, 39: 309-318
Wu Q, Qi B, Zhao T J, Yao X F, Zhu Y, Gai J Y. A tentative study on utilization of canopy hyperspectral reflectance to estimate canopy growth and seed yield in soybean. Acta Agron Sin, 2013, 39: 309-318 (in Chinese with English abstract) [本文引用:2] [CJCR: 1.667]
[13] 宋开山, 张柏, 王宗明, 张渊智, 刘焕军. 基于人工神经网络的大豆叶面积高光谱反演研究. 中国农业科学, 2006, 39: 1138-1145
Song K S, Zhang B, Wang Z M, Zhang Y Z, Liu H J. Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks. Sci Agric Sin, 2006, 39: 1138-1145 (in Chinese with English abstract) [本文引用:1] [CJCR: 1.889]
[14] 黄春燕, 刘胜利, 王登伟, 战勇, 张恒斌, 袁杰, 马勤建, 陈燕, 赵鹏举. 大豆叶面积指数的高光谱估算模型研究. 大豆科学, 2008, 27: 228-232
Huang C Y, Liu S L, Wang D W, Zhan Y, Zhang H B, Yuan J, Ma Q J, Chen Y, Zhao P J. Models for estimating soybean leaf area index using hyperspectral data. Soybean Sci, 2008, 27: 228-232 (in Chinese with English abstract) [本文引用:1] [CJCR: 0.886]
[15] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. J Plant Physiol, 2004, 161: 165-173 [本文引用:1] [JCR: 2.699]
[16] Wang W, Yao X, Yao X F, Tian Y C, Liu X J, Ni J, Cao W D, Zhu Y. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat. Field Crops Res, 2012, 129: 90-98 [本文引用:1] [JCR: 2.474]
[17] Gitelson A A, Merzlyak M N. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. J Plant Physiol, 1996, 148: 494-500 [本文引用:1] [JCR: 2.699]
[18] Gutierrez-Rodriguez M, Escalante-Estrada J A, Rodriguez gonzalez M T, Reynolds J P. Canopy reflectance indices and its relationship with yield in common bean plants (Phaseolus vulgaris L. ) with phosphorous supply. J Agric Biol, 2006, 2: 203-207 [本文引用:1] [CJCR: 0.4625]
[19] Marshak A, Knyazikhin Y, Davis A B, Wiscombe W J, Pilewskie P. Cloud-vegetation interaction: use of normalized difference cloud index for estimation of cloud optical thickness. Geophys Res Lett, 2000, 27: 1695-1698 [本文引用:1] [JCR: 3.982]
[20] Shibayama M, Akiyama T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to lai and above- ground dry phytomass. Remote Sens Environ, 1989, 27: 119-127 [本文引用:1] [JCR: 5.103]
[21] Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches. Remote Sens Environ, 1998, 66: 273-285 [本文引用:1] [JCR: 5.103]
[22] Aparicio N, Villegas D, Casadesus J, Araus J L, Royo C. Spectral vegetation indices as nondestructive tools for determining durum wheat yield. Agron J, 2000, 92: 83-91 [本文引用:1] [JCR: 1.518]
[23] Loague K, Green R E. Statistical and graphical methods for evaluating solute transport models: overview and application. J Contam Hydrol, 1991, 7: 51-73 [本文引用:1] [JCR: 2.885]
[24] Jamieson P D, Porter J R, Wilson D R. A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand . Field Crops Res, 1991, 27: 337-350 [本文引用:1] [JCR: 2.474]
[25] Efron B, Stein C. The Jackknife estimate of variance. Ann Stat, 1981, 9: 586-596 [本文引用:1] [JCR: 2.528]
[26] Efron B. The Jackknife, the Bootstrap and Other Resampling Plans. Philadelphia: Society for Industrial and Applied Mathematics, 1982. pp 14-22 [本文引用:1]
[27] Heege H J, Reusch S, Thiessen E. Prospects and results for optical systems for site-specific on-the-go control of nitrogen-top- dressing in Germany. Precis Agric, 2008, 9: 115-131 [本文引用:1] [JCR: 1.728]
[28] Erdle K, Mistele B, Schmidhalter U. Comparison of active and passive spectral sensors in discriminating biomass parameters and nitrogen status in wheat cultivars. Field Crops Res, 2011, 124: 74-84 [本文引用:1] [JCR: 2.474]
[29] Goel P K, Prasher S O, Land ry J A, Patel R M, Viau A A, Miller J R. Estimation of crop biophysical parameters through airborne and field hyperspectral remote sensing. Trans ASAE, 2003, 46: 1235-1246 [本文引用:1]
[30] Zarco-Tejada P J, Miller J R, Noland T L, Mohammed G H, Sampson P H. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data. IEEE T Geosci Remote, 2001, 39: 1491-1507 [本文引用:1] [JCR: 3.467]
[31] Baret F, Guyot G. Potentials and limits of vegetation indexes for lai and apar assessment. Remote Sens Environ, 1991, 35: 161-173 [本文引用:1] [JCR: 5.103]
[32] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens Environ, 2001, 76: 156-172 [本文引用:1] [JCR: 5.103]
[33] Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Can J Remote Sens, 1996, 22: 229-242 [本文引用:1] [JCR: 0.986]
[34] Brown L, Chen J M, Leblanc S G, Cihlar J. A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests: an image and model analysis. Remote Sens Environ, 2000, 71: 16-25 [本文引用:1] [JCR: 5.103]