高鈺琪 許桂玲 馮躍華 王曉珂 任紅軍 由曉璇 韓志麗 李家樂

（1 貴州大學(xué)農(nóng)學(xué)院，貴陽 550025；2 貴州大學(xué)山地植物資源保護(hù)與種質(zhì)創(chuàng)新教育部重點實驗室，貴陽 550025；#共同第一作者：yqdou123@163.com；*通信作者：fengyuehua2006@126.com）

在農(nóng)作物生長發(fā)育過程中，根據(jù)作物長勢快速、準(zhǔn)確的對作物產(chǎn)量進(jìn)行預(yù)測預(yù)報，對指導(dǎo)農(nóng)業(yè)生產(chǎn)、平衡糧食供需及國家制定糧食政策和經(jīng)濟(jì)計劃具有重大意義[1]。傳統(tǒng)的農(nóng)作物產(chǎn)量預(yù)測方法主要有抽樣調(diào)查[2]、氣象預(yù)報模型[3]、農(nóng)學(xué)預(yù)報模型[4]和作物生長模擬模型[5]，不僅費時費力、宏觀性差，而且準(zhǔn)確度低[6]。由于高光譜遙感技術(shù)高效、精準(zhǔn)、客觀、無損的特點，在農(nóng)作物產(chǎn)量預(yù)報中得到越來越廣泛的應(yīng)用[7]。

植被指數(shù)是利用高光譜遙感技術(shù)獲取植株冠層光譜后，根據(jù)植被的光譜特性，通過可見光和近紅外波段之間反射率的差異進(jìn)而反映植被的生長狀況[8-9]。高光譜遙感波段寬度一般小于10 nm，相比于寬波段而言，其獲取的植被指數(shù)更加多樣化，能更加充分的解釋植被的生長變化[10]，通過計算窄波段的植被指數(shù)可進(jìn)一步提高模型精度[11]。目前，在農(nóng)作物估產(chǎn)研究中，已有學(xué)者建立了基于高光譜植被指數(shù)的遙感估產(chǎn)模型[12-13]。崔懷洋等[12]發(fā)現(xiàn)，冬小麥產(chǎn)量與差值植被指數(shù)DVI（764,407）的相關(guān)性最好，相關(guān)系數(shù)達(dá)-0.76。張玉萍等[13]的研究結(jié)果表明，綠光紅光比值植被指數(shù)GR 構(gòu)建的估產(chǎn)模型預(yù)測精度高達(dá)95%。現(xiàn)有的高光譜植被指數(shù)模型，均為利用一個或者多個植被指數(shù)通過回歸分析來預(yù)測產(chǎn)量[14-16]。宋紅燕等[14]以覆膜旱作水稻為研究對象，選取拔節(jié)期比值植被指數(shù)RVI 對其進(jìn)行估產(chǎn)效果較好，其決定系數(shù)達(dá)0.724。謝曉金等[15]發(fā)現(xiàn)，基于抽穗期垂直植被指數(shù)PVI（810,680）的模型預(yù)測值與實際觀測值之間有較好的一致性，RMSE（均方根誤差）值為11.17，可以預(yù)測成熟期水稻產(chǎn)量。唐延林等[16]通過田間小區(qū)試驗，構(gòu)建新的差值植被指數(shù)，經(jīng)相關(guān)分析，R1200-R440和R990-R440與產(chǎn)量相關(guān)性最好，最高精度可達(dá)95%。因此，利用植被指數(shù)和不同算法可以有效且可靠的進(jìn)行產(chǎn)量預(yù)測。

雖然國內(nèi)外學(xué)者關(guān)于利用高遙感技術(shù)預(yù)測產(chǎn)量做了大量研究，但是，其植被指數(shù)選擇比較單一，且有些研究是基于特定波段計算的植被指數(shù)。許童羽等[17]的研究僅以NDVI（660,740）這一種植被指數(shù)來確定最佳估產(chǎn)時間為分蘗盛期和抽穗期，李朋磊等[18]基于特定波段計算了DVI（1200,440）、RVI（750,673）和NDVI（800,680）這3 種植被指數(shù)，以此來估算水稻產(chǎn)量，最佳估測時期為灌漿后期，兩者都使用了NDVI，但選擇的波段不同，得出的結(jié)論也有差異。為此，本研究基于最優(yōu)波段組合的多種植被指數(shù)，構(gòu)建水稻產(chǎn)量預(yù)測模型，通過比較得出最優(yōu)產(chǎn)量預(yù)測模型的最優(yōu)模型和最佳時期，以期為高光譜遙感技術(shù)預(yù)報水稻產(chǎn)量提供科學(xué)依據(jù)。

1 材料與方法

1.1 試驗材料

水稻試驗品種為Q 優(yōu)6 號、宜香優(yōu)2115 和黃華占；供試氮肥為尿素（含N 46.2%）、磷肥為過磷酸鈣（含P2O516.0%）、鉀肥為氯化鉀（含K2O 60.0%）。

試驗于2020—2021 年在貴州省黃平縣舊州鎮(zhèn)寨碧村（26°59′44.59″N，107°43′58.90″E）進(jìn)行。2020 年試驗田耕層土壤理化指標(biāo)：pH 5.0，有機(jī)質(zhì)20.85 g/kg，速效氮107.21 mg/kg，速效鉀69.48 mg/kg，速效磷3.13 mg/kg，全氮2.51 g/kg，全磷0.43 g/kg，全鉀13.28 g/kg；2021 年試驗田耕層土壤理化指標(biāo)：pH 4.8，有機(jī)質(zhì)26.57 g/kg，速效氮169.98 mg/kg，速效鉀97.10 mg/kg，速效磷4.09 mg/kg，全氮2.37 g/kg，全磷0.23 g/kg，全鉀15.94 g/kg。

1.2 試驗設(shè)計

試驗采用裂區(qū)設(shè)計，主區(qū)處理為水稻品種（V），設(shè)置3 個水平，分別為Q 優(yōu)6 號（V1）、宜香優(yōu)2115（V2）和黃華占（V3）；副區(qū)處理為施氮量（N），設(shè)置5 個水平，分別為0 kg/hm2（N0）、75 kg/hm2（N1）、150 kg/hm2（N2）、225 kg/hm2（N3）和300 kg/hm2（N4）。氮肥采用分次施肥法，基肥、分蘗肥、促花肥和?；ǚ史謩e占總施氮量的35%、20%、30%和15%；磷肥（P2O5）施用量為96 kg/hm2，作基肥一次性施入；鉀肥（K2O）施用量為135 kg/hm2，作基肥和?；ǚ矢魇?0%。每個處理3 次重復(fù)，共90 個小區(qū)，小區(qū)面積25.9 m2，重復(fù)間留50 cm走道。水稻于4 月播種，5 月移栽，行株距30 cm×20 cm，每叢插1 株苗，田間管理同水稻高產(chǎn)栽培管理措施。

1.3 測定內(nèi)容

1.3.1 冠層光譜數(shù)據(jù)

水稻冠層光譜測量采用美國Analytical Spectral Device（ASD）公司生產(chǎn)的FieldSpec@4 Standard-Res 型背掛式地物光譜儀，波長范圍350~2 500 nm。冠層光譜測定選擇北京時間10∶00—15∶00，在天氣晴朗、無風(fēng)或者風(fēng)力小于3 級時進(jìn)行。測定時，光譜采集人員穿深色服裝，面向太陽立于目標(biāo)后方，避免遮擋陽光，數(shù)據(jù)記錄員應(yīng)站在觀測人員身后；傳感器探頭（視場角為25°）垂直向下，距植株冠層頂部垂直高度約0.75 m，地面視場范圍直徑為0.33 m。分別于水稻的拔節(jié)期（2020 年7月12 日；2021 年7 月9 日）、孕穗期（2020 年7 月23日；2021 年7 月25 日）和抽穗期（2020 年8 月5 日；2021 年8 月4 日）進(jìn)行冠層光譜測定，每個試驗小區(qū)隨機(jī)選擇4 個點進(jìn)行觀測，每個點測量5 次，最終各小區(qū)的冠層光譜反射率為4 個點5 次測量的平均值。測量過程中，每個小區(qū)測量前對儀器進(jìn)行標(biāo)準(zhǔn)白板校正（標(biāo)準(zhǔn)白板反射率為1），以消除環(huán)境變化帶來的影響。

1.3.2 水稻產(chǎn)量數(shù)據(jù)的獲取

于水稻成熟期在每個小區(qū)割90 叢進(jìn)行測產(chǎn)，脫粒后自然風(fēng)干，取3 組50 g 左右烘干至恒質(zhì)量，測定含水量，然后按13.5%水分含量折算實際產(chǎn)量。

1.4 數(shù)據(jù)處理

1.4.1 任意波段植被指數(shù)的計算

利用光譜儀自帶的ViewSpec Pro 軟件將采集的水稻冠層光譜數(shù)據(jù)進(jìn)行處理并導(dǎo)出，剔除受儀器和外界干擾較大和噪音嚴(yán)重的水汽吸收波段，即350~400 nm、1 350~1 480 nm、1 780~1 990 nm 和2 400~2 500 nm[19]。光譜數(shù)據(jù)經(jīng)過平滑處理后，選擇12 種植被指數(shù)進(jìn)行計算，分別是RVI（比值植被指數(shù)）、DVI（差值植被指數(shù)）、NDVI（歸一化植被指數(shù)）、PVI（垂直植被指數(shù)）、SAVI（土壤調(diào)節(jié)植被指數(shù)）、OSAVI（優(yōu)化的土壤調(diào)節(jié)植被指數(shù)）、IPVI（近紅外百分比植被指數(shù)）、RDVI（重歸一化植被指數(shù)）、TSAVI（轉(zhuǎn)換型土壤調(diào)節(jié)植被指數(shù)）、VIopt（最佳植被指數(shù)）、MSR（改進(jìn)的簡單比值指數(shù)）和WDVI（權(quán)重差值植被指數(shù)），其計算公式見表1。

表1 植被指數(shù)計算公式

1.4.2 產(chǎn)量預(yù)測模型的建立及模型評價

構(gòu)建任意兩波段組合的12 個植被指數(shù)，尋找預(yù)測水稻產(chǎn)量的最優(yōu)波段組合，然后以最優(yōu)波段組合的植被指數(shù)為自變量，以水稻產(chǎn)量為因變量進(jìn)行單植被指數(shù)回歸分析構(gòu)建預(yù)測模型，包括線性函數(shù)模型和非線性函數(shù)模型，非線性模型包括指數(shù)函數(shù)模型、拋物線函數(shù)模型、冪函數(shù)模型、對數(shù)函數(shù)模型和雙曲線函數(shù)模型。

逐步回歸是將全部自變量帶入方程，根據(jù)自變量對因變量的影響，剔除無顯著意義的自變量，最終篩選出具有統(tǒng)計學(xué)意義的自變量來建立回歸模型，以此反映多個自變量和因變量之間的關(guān)系[31]。

利用含量梯度法[32]將數(shù)據(jù)按2∶1 的比例分為訓(xùn)練集和測試集，產(chǎn)量預(yù)測模型的訓(xùn)練模型數(shù)據(jù)和測試模型數(shù)據(jù)分別有60 個和30 個，利用決定系數(shù)（R2）和均方根誤差（RMSE）對模型進(jìn)行評價。

2 結(jié)果與分析

2.1 產(chǎn)量數(shù)據(jù)的統(tǒng)計分析

對水稻產(chǎn)量數(shù)據(jù)進(jìn)行統(tǒng)計分析，結(jié)果見表2。為保證產(chǎn)量預(yù)測模型的精度，將數(shù)據(jù)集（n=90）分成兩部分，其中一個子集用于模型建模（n=60），另一個子集用來驗證模型（n=30）。建模集和驗證集的平均值分別為9 511.36 kg/hm2和9 500.58 kg/hm2，標(biāo)準(zhǔn)差分別為1 165.91 kg/hm2和1 154.84 kg/hm2，變異系數(shù)分別為12.26%和12.16%。對于全集，平均值為9 506.05 kg/hm2，標(biāo)準(zhǔn)差為1 164.53 kg/hm2，變異系數(shù)為12.25%。

表2 水稻產(chǎn)量數(shù)據(jù)統(tǒng)計分析

2.2 不同生育時期冠層高光譜數(shù)據(jù)與水稻產(chǎn)量相關(guān)性分析

2.2.1 單波段反射率與水稻產(chǎn)量的相關(guān)性分析

由圖1（a）可知，拔節(jié)期水稻冠層原始光譜反射率與產(chǎn)量相關(guān)性很低。由圖1（b）可知，孕穗期水稻冠層原始光譜反射率與產(chǎn)量的相關(guān)性相比拔節(jié)期明顯提高，在401~723 nm 波段范圍內(nèi)水稻冠層原始光譜反射率與產(chǎn)量呈負(fù)相關(guān)關(guān)系，其中，401~707 nm 波段原始光譜反射率與產(chǎn)量呈極顯著負(fù)相關(guān)（r=-0.33，n=60），在664 nm 處負(fù)相關(guān)程度最大，相關(guān)系數(shù)為-0.457；708~723 nm 波段負(fù)相關(guān)性達(dá)到顯著水平。由圖1（c）可知，抽穗期水稻冠層原始光譜反射率與產(chǎn)量的相關(guān)性相比孕穗期有差異，在401~725 nm 和1 991~2 020 nm 波段范圍內(nèi)呈負(fù)相關(guān)關(guān)系，其中，401~474 nm、528~558 nm、711~725 nm、1 991~1 997 nm 和2 007~2 020 nm 波段負(fù)相關(guān)性達(dá)到顯著水平；475~527 nm、559~710 nm 和1 998~2 006 nm 波段負(fù)相關(guān)性達(dá)到極顯著水平（r=-0.33，n=60），在668 nm 處負(fù)相關(guān)程度最大，相關(guān)系數(shù)為-0.475。

圖1 不同生育時期水稻冠層原始光譜反射率與產(chǎn)量的相關(guān)系數(shù)圖

2.2.2 兩波段植被指數(shù)與水稻產(chǎn)量的相關(guān)性分析

對植被指數(shù)與水稻產(chǎn)量進(jìn)行相關(guān)性分析，其結(jié)果如圖2 所示。由圖2 可知，3 個生育時期各植被指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到顯著水平。圖2 顯示，在拔節(jié)期，RVI、TSAVI、VIopt、MSR 和WDVI 與產(chǎn)量均呈正相關(guān)關(guān)系，DVI、NDVI、PVI、SAVI、OSAVI、IPVI 和RDVI 與產(chǎn)量呈負(fù)相關(guān)關(guān)系，其中，SAVI 與產(chǎn)量的相關(guān)性最高，相關(guān)系數(shù)為-0.549；PVI 與產(chǎn)量的相關(guān)性最低，相關(guān)系數(shù)為-0.304。在孕穗期，SAVI、TSAVI 與產(chǎn)量呈負(fù)相關(guān)，其余植被指數(shù)與產(chǎn)量均呈正相關(guān)，其中，RVI、NDVI、IPVI、MSR 與產(chǎn)量相關(guān)性最高，相關(guān)系數(shù)均為0.688；TSAVI 與產(chǎn)量呈負(fù)相關(guān)，相關(guān)系數(shù)為-0.457。在抽穗期，TSAVI 與WDVI 與產(chǎn)量呈負(fù)相關(guān)，其余植被指數(shù)與產(chǎn)量呈正相關(guān)關(guān)系，其中，OSAVI 與產(chǎn)量相關(guān)性最大，相關(guān)系數(shù)為0.682，TSAVI 與產(chǎn)量相關(guān)性最小，相關(guān)系數(shù)為-0.468。

圖2 不同生育時期植被指數(shù)與水稻產(chǎn)量的相關(guān)系數(shù)

2.3 不同生育時期水稻產(chǎn)量預(yù)測模型的建立與評價

2.3.1 基于單植被指數(shù)水稻產(chǎn)量預(yù)測模型的建立與評價

以篩選的最佳波段組合（見表3）構(gòu)建的植被指數(shù)為自變量，以水稻產(chǎn)量為因變量建立單植被指數(shù)預(yù)測模型，其結(jié)果如表4 所示。

表3 水稻不同生育期植被指數(shù)的最優(yōu)波段組合

表4 不同生育時期單植被指數(shù)水稻產(chǎn)量預(yù)測模型

由表4 可知，綜合各生育時期水稻產(chǎn)量最優(yōu)預(yù)測模型所對應(yīng)的函數(shù)類型均可以較好地預(yù)測水稻產(chǎn)量，模型預(yù)測值和實測值之間的R2均達(dá)顯著水平。根據(jù)測試集R2最大、RMSE 值最小的原則確定最佳預(yù)測模型。拔節(jié)期，測試集表現(xiàn)最好的是拋物線模型，最佳植被指數(shù)為PVI（1 493,411），模型表達(dá)式為y=9.3E+05x2+1.1E+06x+3.5E+05。孕穗期，線性函數(shù)、指數(shù)函數(shù)、拋物線函數(shù)和雙曲線函數(shù)對應(yīng)的最優(yōu)預(yù)測模型的植被指數(shù)均為RDVI（455,456），對數(shù)函數(shù)為NDVI（1 661,1 687），其中，最優(yōu)預(yù)測模型為線性函數(shù)，表達(dá)式為y=7.7E+05x+1.1E+04，其測試集R2最大，為0.436，同時RMSE最小，為874.57 kg/hm2。抽穗期，線性函數(shù)、指數(shù)函數(shù)、拋物線函數(shù)和雙曲線函數(shù)對應(yīng)的最優(yōu)預(yù)測模型的植被指數(shù)為WDVI（639,500），對數(shù)函數(shù)為NDVI（1 531,2167），其中，最優(yōu)預(yù)測模型為線性函數(shù)模型，表達(dá)式為y=2.9E+05x+1.1E+04，其測試集R2最大為0.426，RMSE最小為881.14 kg/hm2。綜合各生育時期測試集的R2和RMSE 來看，不同生育時期預(yù)測產(chǎn)量以孕穗期表現(xiàn)為最佳，R2均達(dá)極顯著水平，且RMSE 均小于拔節(jié)期和抽穗期，其最優(yōu)預(yù)測模型為線性函數(shù)模型，對應(yīng)的植被指數(shù)為RDVI。

2.3.2 基于多植被指數(shù)的水稻產(chǎn)量預(yù)測模型的建立與評價

采用逐步回歸分析方法探討多植被指數(shù)產(chǎn)量預(yù)測模型的構(gòu)建問題。由表5 可知，不同生育時期逐步回歸方程均有差異，從拔節(jié)期到抽穗期，訓(xùn)練集逐步回歸模型的擬合精度均較高，都達(dá)到了極顯著水平，以孕穗期表現(xiàn)最佳，R2最大為0.586，RMSE 最小為779.09 kg/hm2。由表5 測試集可知，拔節(jié)期的預(yù)測精度比較差，未達(dá)到顯著水平，孕穗期和抽穗期的R2均達(dá)到極顯著水平，說明孕穗期和抽穗期均可以很好的預(yù)測水稻產(chǎn)量，以孕穗期表現(xiàn)最好，表達(dá)式為y=1.8E+05×RVI-2.1E+05×SAVI+5.3E+04×VIopt-3.4E+05，最佳植被指數(shù)為RVI（1661,1687）、SAVI（1235,1268）和VIopt（2260,2215），其R2為0.443，RMSE 為861.81 kg/hm2。

表5 不同生育時期植被指數(shù)與水稻產(chǎn)量的多元逐步回歸模型

3 討論

本研究表明，植株的冠層原始光譜反射率可以直接反映植被的生長狀況，通過對不同生育時期水稻冠層原始光譜反射率和產(chǎn)量間的相關(guān)性分析發(fā)現(xiàn)，孕穗期和抽穗期水稻冠層光譜與產(chǎn)量間相關(guān)性的變化大致相同，原始光譜反射率與產(chǎn)量相關(guān)程度最好的敏感波長在孕穗期和抽穗期分別為664 nm 和668 nm，說明冠層光譜單波段反射率能較好的反映作物生長狀況，而本研究發(fā)現(xiàn)，水稻拔節(jié)期原始冠層光譜反射率與產(chǎn)量相關(guān)性很低，分析其原因，主要是在水稻移栽后至拔節(jié)期，由于植被覆蓋率較小，此時并未封壟，稻田間的水和土壤對冠層光譜也有一定的影響[33]。

本研究通過對各生育時期不同植被指數(shù)與產(chǎn)量的相關(guān)分析發(fā)現(xiàn)，各生育時期不同的植被指數(shù)與產(chǎn)量均達(dá)到極顯著相關(guān)，其相關(guān)系數(shù)值不盡相同，孕穗期和抽穗期的各植被指數(shù)與產(chǎn)量相關(guān)性明顯高于拔節(jié)期，在孕穗期達(dá)到最大，與前人的研究結(jié)果一致[34]，原因在于，與其他生育時期相比，水稻在孕穗期和抽穗期已經(jīng)封壟，其營養(yǎng)生長達(dá)到旺盛期，冠層結(jié)構(gòu)也發(fā)生明顯變化，此時冠層光譜幾乎全部來自于水稻冠層[35]。

本研究將選取的12 種植被指數(shù)分別與水稻產(chǎn)量擬合發(fā)現(xiàn)，不同生育時期最優(yōu)模型預(yù)報模型均有差異，最優(yōu)植被指數(shù)也有所差異。通過測試集的驗證效果來看，拔節(jié)期以拋物線模型表現(xiàn)最好，最佳植被指數(shù)為PVI（850,849），孕穗期和抽穗期均以線性模型效果表現(xiàn)最好，植被指數(shù)分別為RDVI（455,456）和WDVI（639,500），其中以孕穗期所建模型表現(xiàn)最好，該結(jié)果與前人的研究結(jié)果一致[36-37]，進(jìn)一步證明利用高光譜植被指數(shù)可以在水稻孕穗期進(jìn)行產(chǎn)量預(yù)測，但不同點在于本研究的最佳植被指數(shù)與前人[15]研究結(jié)果有所差異，可能原因是本文選取的植被指數(shù)較多，且都是基于最優(yōu)波段計算得到。

本研究將12 種植被指數(shù)組合，利用逐步回歸構(gòu)建多植被指數(shù)水稻產(chǎn)量預(yù)測模型，結(jié)果表明，基于多植被指數(shù)構(gòu)建的預(yù)測模型的精度和驗證效果整體上優(yōu)于單植被指數(shù)，與肖璐潔等[10]的研究結(jié)果一致，這可能是因為在植株生長前期多植被指數(shù)能夠?qū)崿F(xiàn)對水稻長勢信息的互補(bǔ)，多植被指數(shù)預(yù)測模型能更好的反映各生育時期植株的長勢，且模型包含信息豐富，靈敏度也較高[38]。本研究發(fā)現(xiàn)，所構(gòu)建的多植被指數(shù)模型精度表現(xiàn)為孕穗期>抽穗期>拔節(jié)期，與謝曉金等[15]的結(jié)果有差異，這可能與試驗條件不同有關(guān)。本研究表明，基于逐步回歸所構(gòu)建的多植被指數(shù)產(chǎn)量預(yù)測模型整體上均以孕穗期表現(xiàn)效果最好（R2=0.443，RMSE=861.81 kg/hm2），這與單植被指數(shù)預(yù)測模型結(jié)果一致，進(jìn)一步證實利用水稻孕穗期植被指數(shù)進(jìn)行產(chǎn)量預(yù)報，其結(jié)果是比較可靠的。

4 結(jié)論

在計算各生育時期水稻冠層原始光譜反射率的基礎(chǔ)上，比較了各生育時期不同植被指數(shù)預(yù)測水稻產(chǎn)量的效果，形成如下結(jié)論：1）孕穗期的原始光譜反射率和各植被指數(shù)與產(chǎn)量的相關(guān)性均高于拔節(jié)期和抽穗期。2）不同生育時期各植被指數(shù)均能預(yù)測水稻產(chǎn)量，其中，單植被指數(shù)預(yù)測模型表現(xiàn)最好的是線性函數(shù)模型，其模型表達(dá)式為y=7.7E+05×RDVI+1.1E+04；基于多元逐步回歸構(gòu)建的多植被指數(shù)預(yù)測模型精度在整體上優(yōu)于單植被指數(shù)模型，其最優(yōu)模型表達(dá)式為y=1.8E+05×RVI-2.1E+05×SAVI+5.3E+04×VIopt-3.4E+05。3）兩種模型均以孕穗期的植被指數(shù)預(yù)測水稻產(chǎn)量效果最佳。