陳俊英 陳碩博 張智韜 付秋萍 邊 江 崔 婷

(1.西北農(nóng)林科技大學(xué)旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室， 陜西楊凌 712100； 2.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院， 陜西楊凌 712100； 3.新疆農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 烏魯木齊 830052)

0 引言

光合作用是綠色植物合成有機(jī)物的根本來源，也是其能量代謝和物質(zhì)代謝的基礎(chǔ)，對自然生態(tài)平衡和人類生存發(fā)展意義重大[1]。如何對作物的光合作用進(jìn)行及時有效地監(jiān)測，進(jìn)而指導(dǎo)農(nóng)業(yè)生產(chǎn)措施的制定，已成為精準(zhǔn)農(nóng)業(yè)發(fā)展的客觀要求和必然選擇[2-3]。傳統(tǒng)方法對作物光合參數(shù)的測定費時、費力且代表性較差，定點測定的結(jié)果往往較難反映作物在整個區(qū)域上的實際情況。近些年來，隨著信息技術(shù)與光譜分析技術(shù)的發(fā)展，通過遙感技術(shù)對光合作用的監(jiān)測得到了越來越深入的應(yīng)用[4-10]。

前人利用遙感技術(shù)在監(jiān)測植被光合作用方面的研究取得了一定的進(jìn)展。在國外，CRISTIANO等[11]利用室內(nèi)光譜儀估算了不同水氮處理條件下兩種牧草的光合有效輻射吸收系數(shù)(Fraction of absorbed photosynthetically active radiation ，F(xiàn)PAR)，發(fā)現(xiàn)綠度歸一化植被指數(shù)(Green normalized difference vegetation index,GNDVI)的預(yù)測效果最優(yōu)。GAMON等[12]通過衛(wèi)星遙感數(shù)據(jù)計算出色素指數(shù)，很好地反映了常綠針葉林的光合作用。PENUELAS等[13]利用基于MODIS的光化學(xué)植被指數(shù)(Photochemical reflectance index，PRI)和地面渦度相關(guān)塔的CO2交換數(shù)據(jù)，發(fā)現(xiàn)二者具有常見的指數(shù)關(guān)系，從而為大尺度上監(jiān)測植被光合作用提供了參考。在國內(nèi)， 武海巍等[14]利用自主研發(fā)的核函數(shù)bio-selfadaption結(jié)合便攜式多光譜儀測得的可見光光譜預(yù)測了大豆植株群體的凈光合速率，精度達(dá)到80%以上。衛(wèi)亞星等[15]利用野外光譜輻射儀獲得的高光譜數(shù)據(jù)估算了烏梁素海濕地蘆葦?shù)淖畲篝然俾剩〉昧溯^高的精度。張峰等[16]則利用野外高光譜輻射儀對玉米冠層光合能力和光合效率進(jìn)行反演，發(fā)現(xiàn)2波段增強(qiáng)植被指數(shù)對光合參數(shù)的表征效果最優(yōu)[17]。以上研究大多基于衛(wèi)星遙感或者地面遙感，由于衛(wèi)星遙感獲取的圖像不能同時滿足高空間和高時間分辨率的要求，地物光譜儀掃描的范圍較小且不易操作，二者在農(nóng)田尺度上的應(yīng)用存在一定的局限性。以無人機(jī)作為新型遙感平臺，通過搭載研究所需的傳感器獲取目標(biāo)物的圖像進(jìn)而反演特定參數(shù)的研究方法已越來越受關(guān)注[18-24]，而利用無人機(jī)多光譜遙感直接反演作物光合參數(shù)的研究還鮮有報道。

本文以關(guān)中地區(qū)不同水分處理下的花蕾期棉花為研究對象，通過無人機(jī)搭載的多光譜相機(jī)獲取棉花花蕾期冠層每天不同時刻的六波段光譜反射率，同步測定其光合參數(shù)。對二者進(jìn)行相關(guān)性分析后篩選出與光合參數(shù)相關(guān)性較高的波段作為特征波段，分別利用一元線性回歸和主成分回歸、嶺回歸、偏最小二乘回歸等多元回歸分析方法進(jìn)行建模和驗證，進(jìn)而對比分析得出光合參數(shù)反演的最優(yōu)模型。

1 材料與方法

1.1 研究區(qū)概況

田間試驗布置于西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院(34°20′N，108°24′E，海拔525 m)。屬暖濕帶季風(fēng)半濕潤氣候，年均日照時數(shù)與無霜期分別為2 164 h、210 d，多年平均氣溫、降水量和蒸發(fā)量分別為13℃、640 mm和993.2 mm。試驗田土壤為中壤土，田間持水率為23%(質(zhì)量含水率，下同)，凋萎系數(shù)8.6%。土壤干容重1.44 g/cm3，0～20 cm土層土壤pH值為8.14，有機(jī)質(zhì)質(zhì)量比13.30 g/kg，全氮質(zhì)量比0.82 g/kg。

1.2 試驗材料與設(shè)計

供試棉花品種為西北農(nóng)林科技大學(xué)農(nóng)學(xué)院提供的“西農(nóng)棉1008”。試驗為隨機(jī)區(qū)組設(shè)計，4組水分處理上限分別為50%田間持水率(Field capacity，F(xiàn)C)、65%FC、80%FC和95%FC，3次重復(fù)，共計12個小區(qū)，如圖1所示。為保證灌水均勻，采用滴灌的灌溉方式且每個小區(qū)安裝水表嚴(yán)格控制灌水量。各小區(qū)播種7行，行距為0.7 m，小區(qū)面積20 m2。播種時間為2017年4月19日。田間管理、施肥等其他措施同高產(chǎn)大田。

圖1 試驗小區(qū)布置圖Fig.1 Layout of testing plots

1.3 棉花冠層多光譜遙感圖像獲取

圖2 μ-MCA多光譜相機(jī)與M600型無人機(jī)Fig.2 μ-MCA multispectral camera and M600 unmanned aerial vehicle

使用的遙感傳感器為Micro-MCA多光譜相機(jī)(簡稱μ-MCA)。μ-MCA質(zhì)量輕且可遠(yuǎn)程觸發(fā)，能夠理想地搭載于小型無人機(jī)，實現(xiàn)拍攝目標(biāo)地物的目的。μ-MCA有490、550、680、720、800、900 nm等6個波段的光譜采集通道，遙感平臺為深圳大疆創(chuàng)新科技有限公司生產(chǎn)的M600型六旋翼無人機(jī)，如圖2所示。多光譜遙感影像于2017年7月11—14日采集，09:00—17:00每2 h采集一次，每日采集5次。試驗期間天氣晴朗，棉花正處于花蕾期，長勢旺盛。無人機(jī)飛行高度為50 m，多光譜相機(jī)鏡頭垂直向下，此時影像地面分辨率約為2.7 cm。試驗田間布置參考板，對獲取的遙感影像進(jìn)行輻射標(biāo)定。

1.4 棉花冠層光合參數(shù)測定

每次遙感影像采集完畢后立即測定棉花冠層的光合參數(shù)，1 d測定5次，測定4 d。在小區(qū)內(nèi)選擇3株長勢均一的健康植株，利用LI-6400型便攜式光合儀測定棉花植株倒三葉的光合參數(shù)，具體包括凈光合速率(Pn，μmol/(m2·s))、蒸騰速率(Tr，mmol/(m2·s))、氣孔導(dǎo)度(Gs，mol/(m2·s))、胞間二氧化碳濃度(Ci，μmol/mol)等，以3株植株的平均值作為最終觀測結(jié)果。

1.5 多光譜遙感圖像處理與冠層光譜反射率提取

使用與多光譜相機(jī)配套的軟件PixelWrench2對獲取的多光譜遙感影像進(jìn)行提取、配準(zhǔn)與合成，最后導(dǎo)出tif格式的6波段遙感影像。將影像導(dǎo)入ENVI 5.3軟件中進(jìn)行解譯，為排除土壤及陰影背景值的干擾，采用監(jiān)督分類的分類方法識別棉花冠層及參考板，進(jìn)而提取二者的灰度值計算得棉花冠層的6波段反射率。

1.6 數(shù)據(jù)處理與建模評價

每個時刻共有48組數(shù)據(jù)，隨機(jī)抽取32組數(shù)據(jù)作為建模集，剩余16組作為驗證集。對于不同時刻的棉花冠層光譜反射率信息，分別建立棉花冠層光合參數(shù)的一元線性回歸、主成分回歸[25-26]、嶺回歸[27-28]、偏最小二乘回歸[29-30]等4種預(yù)測模型，對比不同時刻和建模方法的預(yù)測精度。利用驗證集將模型預(yù)測值和實測值進(jìn)行擬合，采用決定系數(shù)R2、均方根誤差RMSE和相對誤差RE等3個指標(biāo)評價模型精度。R2越接近1，RMSE和RE越小說明模型效果越好。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 不同水分處理下光合參數(shù)日變化分析

4組水分處理下，花蕾期棉花冠層凈光合速率(Pn)、氣孔導(dǎo)度(Gs)、蒸騰速率(Tr)、胞間二氧化碳濃度(Ci)的日變化特征如圖3所示。

圖3 不同水分處理的花蕾期棉花冠層光合參數(shù)的日變化Fig.3 Diurnal variations of photosynthetic parameters of cotton canopy in bud stage with different water treatments

由圖3可以看出，凈光合速率(Pn)、氣孔導(dǎo)度(Gs)、蒸騰速率(Tr)三者的變化趨勢基本一致，均呈現(xiàn)出先增加后減小的單峰變化曲線，且均在13:00—15:00有明顯的下降現(xiàn)象，而胞間二氧化碳濃度(Ci)的變化卻恰恰相反，呈現(xiàn)出先減小后增大的“凹”字形變化曲線。這是由于此時太陽輻射較強(qiáng)、大氣溫度較高且濕度較低導(dǎo)致棉花葉片氣孔一定程度的關(guān)閉，氣孔導(dǎo)度減小使進(jìn)入葉片的CO2減少，排出的水汽亦減少，所以凈光合速率(Pn)和蒸騰速率(Tr)均出現(xiàn)下降。胞間二氧化碳濃度(Ci)的變化與凈光合速率(Pn)的變化密切相關(guān)，二者存在負(fù)相關(guān)的關(guān)系。

圖4 不同水分處理的花蕾期棉花冠層6波段光譜反射率的日變化Fig.4 Diurnal variations of spectral reflectance in six bands of cotton canopy in bud stage with different water treatments

對于凈光合速率(Pn)，09:00時4組處理差異明顯，95%FC處理的Pn較50%FC高28.9%，11:00之前95%FC的處理明顯高于其他處理，而13:00以后差異逐漸縮小，17:00時4組處理已基本接近一致。對于氣孔導(dǎo)度(Gs)，09:00時4組處理差異亦十分明顯，隨后基本呈上升趨勢，在13:00左右達(dá)到最大值，之后便開始下降，其中，95%FC的處理下降的幅度最大。對于蒸騰速率(Tr)，11:00左右除50%FC外各處理達(dá)到最大值，50%FC處理在15:00左右達(dá)到最大值，此時95%FC的處理略微回升，其他兩組處理均在下降。對于胞間二氧化碳濃度(Ci)，09:00時4組處理的差異不大，之后隨著太陽輻射增強(qiáng)，大氣溫度回升，均呈現(xiàn)下降的趨勢，在13:00左右降到谷底，期間95%FC的處理反而有所增加，之后均處于上升狀態(tài)。

2.2 不同水分處理下冠層光譜反射率日變化分析

4組水分處理的花蕾期棉花冠層6波段光譜反射率的日變化如圖4所示。

從圖4可以看出，棉花冠層的光譜反射率具有明顯的植被特征，即在藍(lán)光波段(490 nm)和紅光波段(680 nm)有較低的反射率，處在整個波譜曲線的波谷位置，而在綠光波段(550 nm)出現(xiàn)一個波峰，在紅邊位置(720 nm)及近紅外波段(800、900 nm)反射率較高。由于植物光合作用僅能吸收利用太陽光的可見光部分，所以對于近紅外有較高的反射率，而可見光部分中的大部分藍(lán)光、紅光及少部分綠光被吸收，使得藍(lán)光波段與紅光波段的反射率較低，綠光波段的反射率略高。6個波段處的光譜反射率在1 d中均呈現(xiàn)出先減小后增大的趨勢。其中，藍(lán)光波段與紅光波段處的反射率變化不明顯，而其他4個波段處的變化均呈現(xiàn)“倒拋物線”型。

在藍(lán)光波段和紅光波段，95%FC處理的棉花冠層光譜反射率明顯較其他3組處理低，這可能是由于供水充足，光合作用較強(qiáng)，葉片吸收了更多的藍(lán)光和綠光所致。對于其他4個波段，不同水分處理之間棉花冠層光譜反射率的差異不大，但都呈現(xiàn)出80%FC處理的反射率較其他3組處理高的特征，且都在13:00左右降到最小值，900 nm處的反射率表現(xiàn)得尤為明顯。

2.3 光合參數(shù)與冠層光譜反射率相關(guān)性分析

由于09:00和17:00的太陽高度角過小，棉花冠層光譜反射率的變化很大程度上受到影響，光合參數(shù)已不是引起冠層光譜反射率變化的主要因素。因此僅對2017年7月11—14日11:00、13:00和15:00等3個時刻測得的12個小區(qū)的光合參數(shù)與同時刻獲取的6波段光譜反射率數(shù)據(jù)進(jìn)行相關(guān)性分析，結(jié)果見表1。

由表1可以看出，對于不同的光合參數(shù)，在同一時刻的敏感波段不同，相同的光合參數(shù)在1 d中不同的時刻敏感波段亦不同。同一波段對同一光合參數(shù)在1 d中不同時刻甚至出現(xiàn)極顯著相關(guān)(p<0.01)、顯著相關(guān)(p<0.05)和不相關(guān)3種情況。

表1 不同波段光譜反射率與不同時刻光合參數(shù)的相關(guān)系數(shù)(n=48)Tab.1 Correlation coefficients of spectral reflectance in different bands and photosynthetic parameters at different times(n=48)

注：*表示在 0.05水平上顯著， ** 表示在 0.01 水平上極顯著。

與光合速率(Pn)顯著相關(guān)的波段較多，每個時刻都有2個或2個以上的波段與其顯著相關(guān)。在11:00和13:00，藍(lán)光波段(490 nm)和紅光波段(680 nm)與凈光合速率(Pn)達(dá)到了極顯著相關(guān)水平，且相關(guān)系數(shù)均大于0.8。對于氣孔導(dǎo)度(Gs)，3個時刻均存在顯著相關(guān)的波段，而且基本集中在藍(lán)光波段(490 nm)和紅光波段(680 nm)。對于胞間二氧化碳濃度(Ci)，在13:00沒有與其顯著相關(guān)的波段，只有11:00、15:00存在與其顯著相關(guān)的波段，其中在11:00相關(guān)的4個波段均達(dá)到顯著水平，且相關(guān)系數(shù)均在0.6以上。與蒸騰速率(Tr)相關(guān)的波段主要為藍(lán)光波段(490 nm)和紅光波段(680 nm)，但在13:00時6個波段的反射率均與其不相關(guān)。

2.4 基于敏感波段光譜反射率的光合參數(shù)一元線性模型構(gòu)建

通過以上的相關(guān)性分析，選擇與光合參數(shù)顯著或極顯著相關(guān)且相關(guān)性最強(qiáng)的波段光譜反射率作為自變量，構(gòu)建該光合參數(shù)的一元線性模型并進(jìn)行檢驗，結(jié)果見表2。

由表2可知，11:00和13:00的凈光合速率(Pn)預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)均在0.7以上，但13:00的模型的驗證均方根誤差RMSE和相對誤差RE較小，因此13:00的模型預(yù)測效果較優(yōu)。對于氣孔導(dǎo)度(Gs)，只有15:00的模型有著較優(yōu)的解釋能力和預(yù)測能力。胞間二氧化碳濃度(Ci)的預(yù)測模型在11:00效果最優(yōu)，其建模決定系數(shù)和驗證決定系數(shù)均在0.6以上。而對于蒸騰速率(Tr)，15:00的模型的穩(wěn)定性與預(yù)測能力較11:00的略高，為監(jiān)測的最優(yōu)模型。

2.5 基于敏感波段光譜反射率的光合參數(shù)多元線性模型構(gòu)建

通過2.3節(jié)中的相關(guān)性分析，在不同時刻選取與光合參數(shù)顯著和極顯著相關(guān)的波段作為敏感波段參與回歸模型的構(gòu)建。分別采用主成分回歸、嶺回歸以及偏最小二乘回歸等3種建模方法對光合參數(shù)和敏感波段反射率進(jìn)行分析建模和檢驗，選擇出反演不同光合參數(shù)的最優(yōu)模型。

表2 基于敏感波段光譜反射率與不同時刻光合參數(shù)的一元線性模型及驗證Tab.2 Linear model and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

注：X1、X2、X3、X4、X5、X6分別指490、550、680、720、800、900 nm波長處的光譜反射率。Pn、Gs、Tr、Ci的RMSE單位分別為μmol/(m2·s)、mol/(m2·s)、mmol/(m2·s)、μmol/mol。下同。

2.5.1主成分回歸模型的構(gòu)建與檢驗

對光合參數(shù)的敏感波段進(jìn)行主成分分析，建立3個時刻的4種光合參數(shù)的主成分回歸預(yù)測模型并驗證，結(jié)果如表3所示。

表3 基于敏感波段的光譜反射率與不同時刻光合參數(shù)的主成分回歸模型及驗證Tab.3 Principal component regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

從表3可以看出，11:00和13:00的凈光合速率(Pn)預(yù)測模型的決定系數(shù)和驗證決定系數(shù)均大于15:00的，且13:00的模型的驗證均方根誤差RMSE僅為1.52 μmol/(m2·s)，驗證相對誤差RE僅為2.2%，為凈光合速率(Pn)反演的最優(yōu)模型。15:00的氣孔導(dǎo)度(Gs)的模型驗證相對誤差RE比13:00的略大，但其驗證均方根誤差RMSE較小且建模R2和驗證R2均明顯大于后者，故15:00的模型為反演氣孔導(dǎo)度(Gs)的最優(yōu)模型。15:00的胞間二氧化碳濃度(Ci)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)大于11:00的，其驗證均方根誤差RMSE為14.2 μmol/mol，驗證相對誤差RE為5.2%，均為兩個模型中的最小值，因此為最優(yōu)反演模型。11:00的蒸騰速率(Tr)的反演模型中，建模決定系數(shù)和驗證決定系數(shù)與15:00的相差不大。盡管11:00的模型的驗證均方根誤差RMSE比15:00的略大，但由于其驗證相對誤差RE僅為5.2%，故選擇此刻的模型為蒸騰速率(Tr)的最優(yōu)反演模型。

2.5.2不同時刻嶺回歸模型的構(gòu)建與檢驗

在R軟件中自動選擇GCV值最小時的嶺參數(shù)k進(jìn)行后續(xù)的分析計算。3個時刻的4種光合參數(shù)的嶺回歸預(yù)測模型與驗證結(jié)果如表4所示。

從表4可以看出，在11:00和13:00，凈光合速率(Pn)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)比較接近，都達(dá)到了0.6以上，其中13:00的模型驗證均方根誤差RMSE僅為1.45 μmol/(m2·s)，為三者中的最小值，因此選擇為凈光合速率(Pn)的最優(yōu)監(jiān)測模型。在15:00，氣孔導(dǎo)度(Gs)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)均大于13:00的，其驗證均方根誤差RMSE和驗證相對誤差RE均在合理的范圍之內(nèi)，因此選擇15:00的模型為氣孔導(dǎo)度(Gs)的最優(yōu)監(jiān)測模型。15:00的胞間二氧化碳濃度(Ci)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)均大于11:00的，盡管此刻的驗證均方根誤差RMSE和驗證相對誤差RE較11:00的略大，但整體來看，15:00的預(yù)測模型仍占優(yōu)，選擇此模型作為胞間二氧化碳濃度(Ci)最優(yōu)監(jiān)測模型。在11:00，蒸騰速率(Tr)的預(yù)測模型中的建模決定系數(shù)和驗證決定系數(shù)與15:00的幾乎相同。盡管11:00的模型的驗證均方根誤差RMSE比15:00的略大，但由于其驗證相對誤差RE僅為4.7%，故選擇11:00的模型為蒸騰速率(Tr)的最優(yōu)監(jiān)測模型。

表4 基于敏感波段的光譜反射率與不同時刻光合參數(shù)的嶺回歸模型及驗證Tab.4 Ridge regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

2.5.3偏最小二乘回歸模型的構(gòu)建與檢驗

本文的分析在R軟件環(huán)境下實現(xiàn)，通過使用留一交叉驗證計算預(yù)測值誤差平方和(PRESS)，jack.test函數(shù)檢驗回歸系數(shù)的顯著性。3個時刻4種光合參數(shù)的偏最小二乘回歸模型及驗證結(jié)果如表5所示。

表5 基于敏感波段的光譜反射率與不同時刻光合參數(shù)的偏最小二乘回歸模型及驗證Tab.5 Partial least squares regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

從表5可以看出，11:00和13:00的凈光合速率(Pn)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)都達(dá)到了0.7以上，其中13:00的驗證均方根誤差RMSE與驗證相對誤差RE均為兩者中的最小值，分別為1.51 μmol/(m2·s)和3.5%，因此13:00的模型反演花蕾期棉花的凈光合速率(Pn)效果最優(yōu)。15:00的氣孔導(dǎo)度(Gs)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)都較13:00的大，其驗證均方根誤差RMSE較13:00的小，因此此刻的模型具有較高的參考價值。15:00的胞間二氧化碳濃度(Ci)的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)均大于其他時刻，達(dá)到了0.8以上，同樣具有較小的驗證均方根誤差RMSE與驗證相對誤差RE，因此為預(yù)測胞間二氧化碳濃度(Ci)的最優(yōu)模型。對于蒸騰速率(Tr)，11:00和15:00的預(yù)測模型的建模決定系數(shù)和驗證決定系數(shù)都接近0.7，盡管11:00的驗證均方根誤差RMSE略大，但考慮到其驗證相對誤差RE僅為5.2%，故仍選擇此模型作為最優(yōu)模型。

2.6 基于無人機(jī)多光譜信息的光合參數(shù)最優(yōu)反演模型

通過對表2～5的分析可見，對于凈光合速率(Pn)和氣孔導(dǎo)度(Gs)，分別在13:00和15:00利用不同建模方法得到的預(yù)測模型的反演效果較優(yōu)。對于胞間二氧化碳濃度(Ci)，11:00的一元線性模型和15:00的多元回歸模型反演效果較優(yōu)。對于蒸騰速率(Tr)，15:00的一元線性模型和11:00多元回歸模型的反演效果較優(yōu)。為了進(jìn)一步對比選擇最優(yōu)反演模型，將4種模型的統(tǒng)計參數(shù)列于表6。

表6 光合參數(shù)的不同建模效果對比Tab.6 Comparison of different modeling effects of photosynthetic parameters

從表6可以看出，凈光合速率(Pn)的一元線性模型有較高的建模決定系數(shù)和驗證決定系數(shù)，分別為0.74和0.71，而且一元線性模型的RMSE較小，僅為1.46 μmol/(m2·s)，且驗證相對誤差RE最小，故一元線性模型最優(yōu)。氣孔導(dǎo)度(Gs)的一元線性模型和嶺回歸模型的建模效果和預(yù)測能力基本等同，但由于一元線性模型僅包含一個敏感波段，簡單易行，可操作性強(qiáng)，因此為最優(yōu)模型。對于胞間二氧化碳濃度(Ci)，15:00的多元線性回歸模型明顯優(yōu)于11:00點的一元線性模型，其中嶺回歸模型的驗證相對誤差RE僅為4%，為三者中的最小值，因此為最優(yōu)反演模型。蒸騰速率(Tr)的3種多元線性回歸模型精度評價參數(shù)在11:00幾乎相同，而15:00的一元線性模型的建模決定系數(shù)和驗證決定系數(shù)都較其他3組模型大，且驗證均方根誤差RMSE為四者中的最小值，因此15:00的一元線性模型為蒸騰速率(Tr)的最優(yōu)反演模型。

3 討論

利用遙感技術(shù)對作物的光合作用進(jìn)行大面積監(jiān)測對現(xiàn)代農(nóng)業(yè)的生產(chǎn)管理極具指導(dǎo)意義。本文運(yùn)用無人機(jī)遙感平臺結(jié)合多光譜相機(jī)組成的遙感監(jiān)測系統(tǒng)，相比衛(wèi)星遙感有使用機(jī)動靈活、圖像分辨率高的優(yōu)點，相比地面遙感有監(jiān)測范圍廣、工作效率高的優(yōu)點，是未來精準(zhǔn)農(nóng)業(yè)發(fā)展的要求和趨勢。由于作物的光合作用特性通常以凈光合速率(Pn)、氣孔導(dǎo)度(Gs)、胞間二氧化碳濃度(Ci)和蒸騰速率(Tr)等光合參數(shù)來反映，本研究對花蕾期棉花的4種光合參數(shù)與多光譜6波段光譜反射率進(jìn)行相關(guān)性分析后，剔除二者相關(guān)系數(shù)較小和不顯著相關(guān)的波段，防止過多自變量的引入產(chǎn)生過度擬合的問題，進(jìn)而利用多種回歸分析方法建立了4種光合參數(shù)的反演模型，均取得了較高的精度。經(jīng)過對比發(fā)現(xiàn)，引入多元自變量后建立的模型的擬合優(yōu)度不一定都比一元線性模型的高，這是由于其同時考慮了樣本個數(shù)和自變量個數(shù)的影響，用調(diào)整后的決定系數(shù)來評價模型擬合度的緣故。后續(xù)的研究可根據(jù)需要選擇對應(yīng)的最優(yōu)模型獲取某一光合參數(shù)的信息。然而這些參數(shù)的最優(yōu)監(jiān)測模型會因作物的生長階段、品種、氣候、甚至所使用的傳感器而異。本文所得的反演估測模型也僅限于本次測量結(jié)果，模型在棉花其他生育階段和其他地區(qū)的適用性還有待進(jìn)一步探索。

4 結(jié)論

(1)不同水分處理下的花蕾期棉花冠層光合參數(shù)的變化趨勢基本一致，其中凈光合速率(Pn)、氣孔導(dǎo)度(Gs)和蒸騰速率(Tr)呈現(xiàn)先增加后減小的近似拋物線變化，胞間二氧化碳濃度(Ci)則恰恰相反，表現(xiàn)出先減小后增加的反向拋物線變化。

(2)多光譜6個波段的反射率在1 d中均呈現(xiàn)先減小后增大的趨勢，藍(lán)光波段(490 nm)和紅光波段(680 nm)表現(xiàn)出較低的反射率，變化不明顯，綠光波段(550 nm)、紅邊波段(720 nm)和兩個近紅外波段(800、900 nm)變化趨勢比較明顯。

(3)通過對4種不同光合參數(shù)和6個波段光譜反射率的相關(guān)性分析發(fā)現(xiàn)，每一種光合參數(shù)都有與其敏感的波段，部分相關(guān)系數(shù)達(dá)到了0.8以上，說明通過遙感反演作物的光合參數(shù)可行。

(4)以敏感波段的光譜反射率為自變量，構(gòu)建3個時刻4種光合參數(shù)的一元線性模型和主成分回歸、嶺回歸模型、偏最小二乘回歸等多元線性回歸模型。對比發(fā)現(xiàn)，凈光合速率(Pn)反演的最優(yōu)模型為13:00的基于藍(lán)光波段反射率的一元線性模型，氣孔導(dǎo)度(Gs)反演的最優(yōu)模型為15:00的基于紅光波段反射率的一元線性模型，胞間二氧化碳濃度(Ci)反演的最優(yōu)模型為15:00的嶺回歸模型，蒸騰速率(Tr)反演的最優(yōu)模型為15:00的基于紅光波段反射率的一元線性模型。