高晨凱，劉水苗，李煜銘，吳鵬年，王艷麗，劉長碩，喬毅博，關小康，王同朝，溫鵬飛

基于綜合指標協(xié)同優(yōu)化的冬小麥植株水分含量預測

高晨凱1，劉水苗1，李煜銘1，吳鵬年2，王艷麗2，劉長碩1，喬毅博1，關小康1，王同朝1，溫鵬飛1

1河南農(nóng)業(yè)大學農(nóng)學院，鄭州 450046；2河南農(nóng)業(yè)大學資源與環(huán)境學院，鄭州 450046

【目的】基于冬小麥冠層溫度參數(shù)、形態(tài)指標和生理指標3種綜合指標構建不同生育時期冬小麥植株含水量（PWC）反演模型，探尋更全面、精準的水分虧缺監(jiān)測方法，為冬小麥抗旱提供理論依據(jù)?！痉椒ā恳远←湠檠芯繉ο?，設置3個水分梯度，分別為水分虧缺處理（W1）：35 mm和（W2）：48 mm，對照處理（W3）：68 mm；2個小麥品種洛麥22（一般耐旱品種）和周麥27（弱耐旱品種）。分別獲取拔節(jié)期、孕穗期和灌漿期冬小麥的冠層溫度參數(shù)（冠層溫度標準差（CTSD）和作物水分脅迫指數(shù)（CWSI））、形態(tài)指標（株高、莖粗、地上部生物量和葉面積指數(shù)）和生理指標（氣孔導度、蒸騰速率和光合速率），按照平均權重原則分別構建綜合溫度參數(shù)指標（comprehensive temperature parameter indicator，CTPI）、綜合生長指標（comprehensive growth indicator，CGI）和綜合生理指標（comprehensive physiological indicator，CPI）。分析植株含水量與綜合指標之間的相關關系，并采用多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和支持向量機（SVM）方法分生育時期構建基于綜合指標的PWC反演模型。【結果】不同生育時期內冬小麥的冠層溫度參數(shù)、形態(tài)指標及生理指標水分虧缺處理（W1、W2）較對照處理（W3）均表現(xiàn)出顯著性差異（＜0.05）。孕穗期和灌漿期的綜合指標（CTPI、CGI和CPI）與PWC具有顯著相關關系，相關系數(shù)（）分別為-0.70（-0.78）、0.84（0.80）和0.83（0.76）。采用MLR、PLSR和SVM方法，基于綜合指標（CTPI、CGI和CPI）構建PWC反演預測模型均具有較高的預測精度，其中以SVM構建的孕穗期PWC模型最優(yōu)，2cal（2val）、RMSEcal（RMSEval）和nRMSEcal（nRMSEval）分別為0.878（0.815）、2.06%（2.37%）和3.10%（3.33%）。【結論】基于綜合指標（CTPI、CGI和CPI）構建的SVM-PWC模型能夠很好地預測冬小麥各生育時期水分虧缺狀況，可為黃淮海平原冬小麥防旱抗旱提供理論依據(jù)。

冬小麥；水分虧缺；綜合指標；植株含水量；支持向量機

0 引言

【研究意義】氣候變暖加劇了干旱事件的發(fā)生，全球每年因干旱造成的經(jīng)濟損失占氣象災害損失的50%，這對農(nóng)業(yè)生產(chǎn)和國家糧食安全帶來巨大影響[1-3]。黃淮海平原是我國重要的冬小麥生產(chǎn)基地，年降雨量500—900 mm，主要集中在夏季，而冬小麥生長期主要在冬、春季，降雨在125—250 mm[4-5]，自然降雨無法滿足冬小麥生長需求，因此，精準、有效地監(jiān)測冬小麥水分虧缺狀況，是應對作物水分脅迫和水資源短缺的最經(jīng)濟、最直接的措施。【前人研究進展】作物干旱監(jiān)測通常采用與水分脅迫敏感的相關指標對作物水分狀況進行描述[6]。當作物受到水分虧缺脅迫時，會發(fā)生株高降低、葉面積減小、葉片萎蔫卷曲以及葉片顏色改變[7-8]。相比之下，植株在水分脅迫的鄰近-發(fā)生階段，光合速率（n）、蒸騰速率（r）及氣孔導度（s）等生理指標就已經(jīng)對水分脅迫作出應激響應[9-10]。隨著水分虧缺的持續(xù)，作物通過控制葉片氣孔關閉減少水分損耗，使得凈光合速率、氣孔導度及蒸騰速率降低[11]。作物冠層溫度受土壤-植物-大氣連通體內水汽流決定，與作物水分密切相關[12-13]，且作物冠層溫度和冠層溫度特征參數(shù)獲取方法簡單，是監(jiān)測作物水分的重要指標，被廣泛應用于植物水分虧缺和灌溉策略等農(nóng)業(yè)研究[14-15]。張鑫等[16]發(fā)現(xiàn)當供水不能滿足小麥蒸騰需求時，植株水分蒸發(fā)量小，蒸騰散熱減少，冠層溫度升高較快；Morales等[17]通過熱成像獲取無土栽培作物表面溫度，診斷水分脅迫情況，較好地反映了作物的水分需求；Mangus等[18]基于熱成像儀提取出的作物水分脅迫指數(shù)與土壤水分含量呈現(xiàn)顯著相關關系（2=0.82）。雖然作物形態(tài)及生理指標都能監(jiān)測作物的水分虧缺狀況，但由于農(nóng)業(yè)干旱成因復雜，影響因素眾多[19]，單一農(nóng)學指標評價作物長勢會存在精度較低的問題，且具有一定局限性，通過多類指標對作物進行監(jiān)測能夠更全面、穩(wěn)定反映作物真實的生長狀況[20-21]。單捷等[22]以GF-1影像為數(shù)據(jù)基礎，將監(jiān)測指標與多個參數(shù)（葉面積指數(shù)LAI、地上部生物量、株高、土壤含水量等）進行回歸擬合，得到每個長勢參數(shù)的反演模型；翟麗婷等[23]提供了一種以熵值法構建的綜合指標，該指標將冬小麥氮素、葉綠素、水分信息有效結合起來，利用光譜指數(shù)與PLS方法進行綜合長勢指標反演模型的構建，通過綜合指標實現(xiàn)了較全面的作物長勢監(jiān)測；裴浩杰等[24]將5個反映冬小麥長勢的指標按照均等權重的原則組合成一個綜合指標CGI，結合PLSR方法建立反演模型，得到了精度較高的冬小麥長勢反演模型?！颈狙芯壳腥朦c】前人僅采用單一類別指標對作物水分狀況進行監(jiān)測，使得結果與作物實際水分虧缺存在較大差異。同時對于熱成像技術開展的研究多側重于冠層溫度與作物水分間的直接聯(lián)系，缺乏對水分虧缺下作物生長和生理方面的考慮。因此，本研究基于冠層溫度參數(shù)、作物形態(tài)指標和生理指標，將各類指標分別按均等權重綜合，探討各類綜合指標與冬小麥植株含水量（PWC）之間的關系，構建更全面、精準的不同生育時期綜合性水分虧缺診斷模型?！緮M解決的關鍵問題】基于冠層溫度頻率直方圖等分析方法提取冠層溫度特征參數(shù)，同步獲取的小麥形態(tài)指標、生理指標，按照平均權重的原則，分別構建綜合溫度參數(shù)指標（comprehensive temperature parameter indicator，CTPI）、綜合生長指標（comprehensive growth indicator，CGI）以及綜合生理指標（comprehensive physiological indicator，CPI），探討綜合指標與冬小麥植株含水量之間的關系，進一步利用多元線性回歸（multiple linear regression，MLR）、偏最小二乘回歸（partial least squares regression，PLSR）和支持向量機（support vector machine，SVM）分別構建冬小麥不同生育時期和全生育期的植株含水量反演模型，為冬小麥水分監(jiān)測及田間管理提供理論依據(jù)。

1 材料與方法

1.1 試驗設計

試驗于2020—2022年連續(xù)兩個年度在河南農(nóng)業(yè)大學教科園區(qū)毛莊農(nóng)場（34°47′N，113°38′E）進行，試驗地屬暖溫帶大陸性季風氣候，年均氣溫15.2 ℃，多年平均降雨量640 mm。兩個冬小麥生長期內降雨量分別為168.8和100.4 mm。試驗地0—30 cm土層為沙壤土，容重為1.38 g·cm-3，有機質12.3 g·kg-1，全氮1.05 g·kg-1，速效磷13.45 mg·kg-1，速效鉀120.5 mg·kg-1。

試驗設計為池栽試驗，兩年試驗均于拔節(jié)期（2021年3月21日和2022年3月23日）進行一次性灌水，灌溉方式為地表滴灌。設置3個水分梯度，水分虧缺處理（W1）：35 mm和（W2）：48 mm，對照處理（W3）：68 mm；試驗品種：洛麥22（一般耐旱品種）和周麥27（弱耐旱品種），3次重復，采用隨機區(qū)組設計，共計18個小區(qū)，小區(qū)面積3 m×2.2 m＝6.6 m2，區(qū)組間走道寬1 m。兩年冬小麥播種日期分別為2020年10月11日和2021年10月13日，收獲日期分別為2021年5月26日和2022年5月26日。播種前翻地并施入復合肥N-P2O5-K2O（18%-18%-18%）750 kg·hm-2。拔節(jié)期各處理統(tǒng)一追氮肥225 kg N·hm-2，其他管理措施按照當?shù)馗弋a(chǎn)小麥進行田間管理。

1.2 熱紅外圖像的獲取

采用高分辨率的便攜式熱紅外成像儀（FLIR Systems Inc，Wilsonville，OR，USA），選擇晴朗無云的中午12：00—14：00，獲取小麥拔節(jié)期、孕穗期和灌漿期各小區(qū)的熱紅外圖像，各小區(qū)獲取兩次重復。熱傳感器光譜范圍為7.5—13.0 μm，輻射分辨率為0.1 ℃，像素空間分辨率為640（V）×480（H），發(fā)射率（）設置為0.96。測定時選取群體生長一致區(qū)域，儀器置于小麥冠層高度1 m左右，垂直照射小麥冠層區(qū)域。此外，儀器需順小區(qū)種植走向，以消除太陽方位角和種植方向造成的影響[25]。

1.3 冠層溫度特征參數(shù)的提取

式中，cmax和cmin分別為每個采樣小區(qū)中小麥冠層溫度最大值和最小值。

式中，T為作物冠層溫度，T和T分別為冠層溫度直方圖99.5%和0.5%處的溫度像元值。

1.4 小麥形態(tài)指標與生理指標的采集測定

小麥形態(tài)指標與生理指標的采集與熱紅外圖像的獲取同步，采用便攜式全自動光合儀（LI-6400，Li-COR，Lincoln，NE，USA）選取有代表性的小麥植株頂部第一張完全展開葉測定蒸騰速率（transpiration rate，r）、氣孔導度（stomatal conductance，s）和光合速率（photosynthetic rate，n），各小區(qū)兩次重復。在光合指標測定后，各小區(qū)選取20 cm單行有代表性的植株，兩次重復，迅速用保鮮膜包裹嚴實。隨即，帶入實驗室內測定株高、莖粗，并將所有植株葉片和其他部位分開，稱鮮重后放入105 ℃烘箱殺青30 min，在80 ℃下烘干至恒重稱取干重，通過干重法測算葉面積指數(shù)（LAI），并計算植株含水量（PWC）。

計算公式：PWC（%）=100×（PWF-PWD）/PWF （3）

式中，PWF為植株各部分鮮重總和，PWD為植株各部分干重總和。

1.5 綜合指標建立

本文分別將能夠響應冬小麥水分虧缺狀況的冠層溫度參數(shù)、形態(tài)指標和生理指標進行綜合，形成3個新的綜合指標，即綜合溫度參數(shù)指標（CTPI）、綜合生長指標（CGI）和綜合生理指標（CPI）。以綜合生長指標為例，首先對單一形態(tài)指標株高、地上部生物量、莖粗和葉面積指數(shù)進行歸一化處理（公式4），考慮到無法確切得知各指標在冬小麥不同生育時期所占比例，故采用均等權重方式進行賦值[29]（公式5），使得每個指標經(jīng)過歸一化之后在新的指標中占比為1/4。

（5）

式中，為指標類別，U代表歸一化后的類指標，X為原始的第類指標；（X）為同一生育期原始類指標中的最大值。CGI中原始指標類別為株高、地上部生物量、莖粗和葉面積指數(shù)；CPI中原始指標類別為氣孔導度、蒸騰速率和光合速率；為避免本研究選擇的6個冠層溫度參數(shù)間的多重共線性問題，對6個冠層溫度參數(shù)間進行相關性分析，去除了相互線性較高的指標CETR、MTD、CTCV和CRTD，故選取冠層溫度標準差（CTSD）和作物水分脅迫指數(shù)（CWSI）作為原始指標構建CTPI指數(shù)。

1.6 建模方法

多元線性回歸（MLR）、偏最小二乘回歸（PLSR）和支持向量機（SVM）均能很好地解釋自變量與因變量之間的關系，本研究將建立的綜合指標CTPI、CGI和CPI作為3種模型的輸入變量，相應的PWC作為因變量，進行PWC反演，以期實現(xiàn)小麥水分狀況的監(jiān)測。

MLR算法常用于描述因變量與多個自變量之間的關系，相較一元線性回歸模型，MLR能有效表現(xiàn)冬小麥PWC與綜合指標之間的關系；PLSR是一種信息多元統(tǒng)計數(shù)據(jù)分析方法，能充分利用樣本現(xiàn)有的信息且有效解決變量之間的多重相關性問題[30]。

SVM是在統(tǒng)計學習理論的VC維理論和結構風險最小原理基礎上建立起來的，具備自組織、自學習和聯(lián)想記憶功能，克服了一般的機器學習中存在的“過學習”、局部尋優(yōu)、樣本數(shù)量要求大等問題[31]。在利用SVM解決回歸問題時，支持向量機回歸的基本思想是通過一個非線性變換將數(shù)據(jù)變換到一個高維特征空間，并在該特征空間建立線性模型來擬合回歸函數(shù)。這種非線性變換是通過核函數(shù)來實現(xiàn)的[32]，本研究中支持向量機所用的核函數(shù)為徑向基核函數(shù)（Radial Basis Function，RBF kernel），利用交叉驗證法獲取參數(shù)（懲罰因子）和參數(shù)（徑向基核函數(shù)方差）訓練模型，本研究和取值分別為2和0.5。

1.7 數(shù)據(jù)分析及模型精度評價

采用Origin 2021、Excel 2019和SPSS 26.0等軟件進行制圖和統(tǒng)計分析。MLR、PLSR和SVM 3種方法均在R studio環(huán)境中實現(xiàn)。將拔節(jié)期、孕穗期和灌漿期每個生育時期36個數(shù)據(jù)的2/3樣本（n=24）作為建模數(shù)據(jù)，1/3樣本（n=12）作為驗證數(shù)據(jù)。采用決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean square error，RMSE）和標準均方根誤差（normalized root mean square error，nRMSE）對模型進行評價，其中，2越接近1，RMSE及nRMSE越小，構建的模型效果越好。

2 結果

2.1 冠層溫度頻率直方圖分析及特征參數(shù)的分布

通過獲取拔節(jié)期、孕穗期和灌漿期不同水分處理下兩個品種小麥的熱紅外圖像，對熱圖像進行預處理，提取冠層溫度值，并繪制不同水分處理下兩個品種小麥的冠層溫度頻率直方圖（圖1）。不同水分處理下兩個品種小麥的冠層溫度直方圖整體上呈現(xiàn)出單峰偏態(tài)分布規(guī)律，冠層溫度頻率直方圖的主要像元集中于直方圖的中部，且直方圖前后區(qū)間范圍像元溫度誤差較大。因此，選取冠層溫度直方圖0.5%—99.5%的像元為測定的有效溫度像元值，并進一步計算得到CETR、MTD、CTSD、CTCV、CRTD及CWSI的變化趨勢（表1）。

同一生育時期內，水分虧缺處理（W1、W2）的各冠層溫度參數(shù)與對照處理（W3）存在差異，且同一水分處理下洛麥22各冠層溫度參數(shù)均低于周麥27，各生育時期表現(xiàn)一致。水分虧缺處理（W1、W2）下小麥CETR變化較大，且冠層溫度高，而對照處理（W3）的CETR變化較小，冠層溫度低；各生育時期兩個品種小麥的MTD均表現(xiàn)出水分虧缺處理（W1、W2）大于對照處理（W3）。隨著水分虧缺程度的減弱，CTSD數(shù)值逐漸減小，但也存在區(qū)間范圍部分數(shù)值交叉的情況。以洛麥22為例，不同水分處理下，拔節(jié)期、孕穗期和灌漿期水分虧缺處理的CTSD數(shù)值范圍分別為W1：1.21—1.46、1.55—1.94和1.72—1.95，W2：0.92—1.00、0.73—0.87和1.35—1.61，對照處理（W3）的CTSD數(shù)值范圍分別為0.83—0.88、0.55—0.69和0.61—0.89；不同水分處理下兩個小麥品種CTCV、CRTD、CWSI與CTSD結果表現(xiàn)相似，因此，冠層溫度參數(shù)CTSD與CETR、MTD、CTCV、CRTD及CWSI均可以很好地表征不同水分處理下小麥冠層溫度差別。

2.2 水分虧缺對冬小麥形態(tài)指標及生理指標的影響

不同水分處理對洛麥22和周麥27的形態(tài)指標和生理指標影響顯著（圖2）。同一生育時期內，水分虧缺處理（W1、W2）的形態(tài)指標和生理指標與對照處理（W3）存在差異，并于孕穗期和灌漿期達到顯著水平（＜0.05），且同一水分處理下洛麥22各形態(tài)和生理指標均高于周麥27，各生育時期表現(xiàn)一致。兩個品種小麥的株高、莖粗和地上部生物量均隨生育期的推進呈上升趨勢，PWC隨生育期推進呈下降趨勢，而LAI、n、s、r隨生育期推進呈先升高后下降的趨勢。在孕穗期，洛麥22水分虧缺處理（W1、W2）較對照處理（W3）的株高、地上部生物量、莖粗和LAI分別下降4.28%—8.96%、10.02%—21.20%、9.93%—10.82%和10.70%—20.08%；周麥27分別下降1.48%—3.50%、12.24%—24.11%、7.34%—10.30%和5.88%—20.94%。在灌漿期，較對照處理（W3）相比，水分虧缺處理（W1、W2）下洛麥22的PWC、s、r和n分別下降7.82%—17.62%、16.47%—25.19%、27.66%—51.67%和20.16%—39.13%；周麥27分別下降8.26%—14.74%、8.37%—27.75%、19.37%—43.48%和20.76%—37.71%。綜上可知，水分虧缺會顯著影響冬小麥植株形態(tài)結構，造成生長受損；植株含水量、氣孔導度、蒸騰速率及光合速率均能較好地響應植株的水分虧缺狀況。

圖1 不同水分處理下各生育時期兩個小麥品種冠層溫度頻率直方圖

表1 不同水分處理下兩個小麥品種冠層溫度參數(shù)變化特征

CETR：冠層有效溫度區(qū)間Canopy effective temperature range；MTD：冠層溫度極差Maximum temperature difference；CTSD：冠層溫度標準差Standard deviation of canopy temperature；CTCV：冠層溫度變異系數(shù)Canopy temperature variation coefficient；CRTD：冠層相對溫差Relative canopy temperature difference；CWSI：作物水分脅迫指數(shù)Crop water stress index

2.3 不同生育時期冬小麥植株含水量與綜合指標間的相關性分析

冬小麥冠層溫度參數(shù)、形態(tài)指標和生理指標均能夠在一定程度上反映植株的水分虧缺狀況，而水分虧缺是一個外在形態(tài)和內在生理相互關聯(lián)的過程，因此將各類單一指標進行綜合，并探究冬小麥不同生育時期植株含水量（PWC）與各綜合指標之間的相關關系（圖3）。結果表明，PWC與綜合指標CGI、CPI呈正相關且隨生育時期推進呈現(xiàn)先升高后降低的趨勢，在孕穗期達到最大，孕穗期PWC與CGI、CPI相關系數(shù)（）分別為0.84和0.83，灌漿期分別為0.80和0.76；PWC與CTPI呈顯著負相關且隨生育時期推進相關性更強，3個生育時期相關系數(shù)分別為-0.36、-0.70和-0.78。全生育時期PWC與綜合指標CTPI、CGI和CPI的相關系數(shù)分別為-0.50、0.47和0.64，僅次于孕穗期和灌漿期，拔節(jié)期PWC與綜合指標相關性最差，PWC與CPI相關系數(shù)為0.56。不同生育時期各綜合指標之間也顯著相關，拔節(jié)期CGI和CPI、CTPI間相關系數(shù)分別為0.79和-0.76，孕穗期為0.88和-0.80，灌漿期為0.58和-0.85，CPI與CTPI顯著負相關，拔節(jié)期、孕穗期和灌漿期相關系數(shù)分別為-0.92、-0.60和-0.60。綜上可知，PWC與綜合指標間的相關關系在孕穗期和灌漿期表現(xiàn)較好，綜合指標能夠很好地響應冬小麥水分虧缺狀況。

圖2 不同水分處理對兩個小麥品種形態(tài)指標及生理指標的影響

不同顏色表示相關性的強度，越接近紅色（正）或藍色（負）說明相關性越高，橢圓形越扁說明相關系數(shù)越大，×表示無顯著相關性

2.4 基于綜合指標的植株含水量估算模型構建

利用MLR、PLSR和SVM方法，以PWC為因變量，綜合指標（CTPI、CGI和CPI）為輸入變量，分別構建各生育時期的PWC預測模型。不同生育時期和不同方法分別構建的PWC預測模型效果均有差異（表2、圖4、圖5）。就不同生育時期而言，在拔節(jié)期構建的預測模型，整體預測精度較低（2=0.707—0.728）；孕穗期構建的預測模型精度最高（2=0.771—0.878）；灌漿期各模型2高于拔節(jié)期，RMSE和nRMSE雖略高于孕穗期，但模型整體預測效果也較好。全生育期構建的預測模型，特別是MLR和PLSR預測模型整體預測精度低于拔節(jié)期、孕穗期和灌漿期。進一步對比各種方法構建的全生育期PWC模型發(fā)現(xiàn)，基于SVM方法構建的全生育期PWC模型效果最優(yōu)，建模和驗證2、RMSE和nRMSE分別為0.711、5.06%、6.32%；0.665、7.62%、13.34%，基于PLSR的PWC模型次之，基于MLR的PWC模型最差?；赟VM方法構建的拔節(jié)期、孕穗期和灌漿期PWC模型優(yōu)于MLR和PLSR方法，孕穗期基于SVM、PLSR和MLR模型建模2、RMSE和nRMSE分別為0.878、2.06%、3.10%；0.827、2.23%、3.20%；0.771、2.70%、3.86%。綜合模型分析可知，各生育期中分別構建的預測模型以孕穗期表現(xiàn)效果最優(yōu)，其次是灌漿期和拔節(jié)期，最后是全生育期。3種方法構建的PWC模型，模型效果和預測精度從強到弱依次為SVM-PWC、PLSR-PWC、MLR-PWC。

表2 不同生育時期預測植株含水量建模及驗證分析

圖4 基于SVM的不同生育期植株含水量建模效果

3 討論

3.1 水分虧缺影響冬小麥冠層溫度及形態(tài)生理特征

冠層溫度、形態(tài)和生理指標均能很好地響應冬小麥不同程度的水分虧缺。本研究借助熱成像技術獲取冬小麥拔節(jié)期、孕穗期及灌漿期不同水分處理的田間冠層溫度信息，同步測定形態(tài)指標和生理指標，發(fā)現(xiàn)冬小麥冠層溫度參數(shù)（CTSD、CETR、CTCV、CRTD和CWSI）隨著水分虧缺加重呈上升趨勢，這是由于小麥體內水分存在形式及比例發(fā)生改變，葉片自由水減少，束縛水增加，氣孔暫時關閉，導致氣孔呼吸微弱，蒸騰速率和光合速率下降，冠層溫度升高[33]。而株高、莖粗、地上部生物量、葉面積指數(shù)、植株含水量及s、r、n呈逐漸下降趨勢，各生育時期表現(xiàn)均一致，這是由于水分虧缺下小麥植株調節(jié)自身，消耗體內水分使藏水器官體積變小，導致株高和葉面積指數(shù)降低，生物量減少[34-35]。前人研究結果中也證實了作物冠層溫度、形態(tài)特征和生理特征對水分虧缺有很好的響應[36-38]，可用于作物水分虧缺監(jiān)測等研究。

圖5 基于SVM的不同生育期植株含水量驗證效果

3.2 基于綜合指標的植株含水量模型構建與分析

作物生長、生理生化和農(nóng)業(yè)干旱的發(fā)生過程相互聯(lián)系，密切相關，且內部存在一定的耦合關系[39]，因此本研究構建冬小麥綜合溫度參數(shù)指標（CTPI）、綜合生長指標（CGI）和綜合生理指標（CPI），探討各類綜合指標與植株含水量之間的關系，結果表明各類綜合指標與植株含水量在孕穗期和灌漿期顯著相關，而在拔節(jié)期相關性較差，可能是因為拔節(jié)期各水分處理下植株含水量及形態(tài)指標差異未達到最大，因而綜合指標對植株含水量響應較其他時期不敏感。這也驗證了作物冠層溫度參數(shù)、形態(tài)指標和生理指標與作物水分狀況之間的內在關聯(lián)。

陶惠林等[29]將冬小麥生物量與葉面積指數(shù)按平均權重原則構建長勢監(jiān)測指標GMI，并利用高光譜信息實現(xiàn)GMI反演，結果較好。而本研究將冬小麥形態(tài)指標（株高、莖粗、地上部生物量和葉面積指數(shù)）按均等權重進行綜合并構建CGI，與陳倩[40]結合地上部生物量、植株氮含量和SPAD構建的CGI實現(xiàn)作物長勢反演不同的是，本研究同時還引入了CPI及CTPI，并基于綜合指標（CTPI、CGI和CPI）構建不同生育時期預測模型，預測精度較好。翟麗婷等[23]通過挑選與綜合指標相關性較好的光譜指數(shù)構建反演精度較高的作物長勢模型，這也表明綜合指標相對單一指標能更全面反映作物水分狀況等信息。不同生育時期預測結果有一定差異性，其中孕穗期植株含水量與綜合指標建立的預測模型樣本點均勻分布在1﹕1線附近，優(yōu)于其他時期，主要原因是孕穗期冬小麥處于營養(yǎng)生長和生殖生長并進時期，葉片完全展開，相比于拔節(jié)期，持續(xù)的水分虧缺增加了各類形態(tài)指標、生理指標對植株含水量的敏感響應，且水分脅迫下植株體內水分優(yōu)先供給運輸至生長中心，加劇各器官之間含水量及生理代謝活動差異，造成植株冠層溫度空間差異增大[25]，因而模型效果較好，這與樊意廣等[41]發(fā)現(xiàn)馬鈴薯塊莖形成期冠層光譜能較好反演植株氮含量的結果類似?；贛LR、PLSR和SVM構建的全生育期模型精度低于其他生育時期，其原因可能是構建的全生育期植株含水量反演模型累加了各生育時期反演誤差，另外，各類指標之間在綜合的過程中也存在相互影響，裴浩杰等[24]在構建綜合長勢指標反演模型的研究中有類似結果?；赟VM方法構建的全生育期植株含水量模型精度顯著高于MLR和PLSR方法，主要原因可能是SVM在模型預測過程中采用的徑向基核函數(shù)能夠非常有效地反映全生育期植株含水量與各綜合指標數(shù)據(jù)間的復雜非線性關系，且SVM通過尋求結構風險最小化實現(xiàn)經(jīng)驗風險最小化[42]，一定程度上解決了各生育時期反演模型誤差的累加效應，因而SVM方法構建的全生育期植株含水量反演模型較好，而MLR和PLSR很容易受異常點的影響，模型回歸不夠穩(wěn)健，同時本研究樣本量較少，而SVM能夠在非常有限的樣本條件下，得到較高精度的預測結果，這與Li等[43]在樣本量較少的情況下得到SVM方法有較好的植株氮含量預測精度結果一致。

此外，盡管本研究中植株含水量預測模型是在連續(xù)兩年的試驗數(shù)據(jù)基礎上構建的，但是構建的綜合指標還需不斷進行檢驗與完善，以增強監(jiān)測作物水分虧缺狀況的有效性、適用性。隨著監(jiān)測手段的豐富及各指標間的關系復雜性增加，未來可嘗試采用更多模型算法，融入高光譜及多光譜信息，提高作物水分模型預測精度，為作物水分狀況監(jiān)測提供技術支撐。

4 結論

基于熱紅外圖像提取分析得到的冠層溫度參數(shù)均表現(xiàn)出隨水分虧缺程度加重呈上升趨勢，而同步獲取的冬小麥形態(tài)指標（株高、地上部生物量、莖粗和葉面積指數(shù)）及生理指標（氣孔導度、蒸騰速率、光合速率）則均呈現(xiàn)出下降趨勢，各生育期表現(xiàn)一致。孕穗期和灌漿期的綜合指標（CTPI、CGI和CPI）與植株含水量顯著相關?；贛LR、PLSR和SVM方法分別構建的不同生育時期植株含水量反演預測模型，模型精度均達到顯著水平，以SVM構建的孕穗期植株含水量模型最優(yōu)，同時，基于SVM方法建立的全生育期植株含水量模型精度高于MLR和PLSR方法。結合綜合指標CTPI、CGI和CPI，基于SVM方法構建的植株含水量反演模型能較好地實現(xiàn)冬小麥水分虧缺監(jiān)測，可為黃淮海平原防旱、抗旱工作提供理論依據(jù)。

[1] 王鶯, 張強, 王勁松, 韓蘭英, 王素萍, 張良, 姚玉璧, 郝小翠, 王勝. 21世紀以來干旱研究的若干新進展與展望. 干旱氣象, 2022, 40(4): 549-566.

WANG Y, ZHANG Q, WANG J S, HAN L Y, WANG S P, ZHANG L, YAO Y B, HAO X C, WANG S. New progress and prospect of drought research since the 21st century.Journal of Arid Meteorology, 2022, 40(4): 549-566. (in Chinese)

[2] 宋艷玲. 全球干旱指數(shù)研究進展. 應用氣象學報, 2022, 33(5): 513-526.

SONG Y L. global research progress on drought indices. Journal of Applied Meteorological Science, 2022, 33(5): 513-526. (in Chinese)

[3] 姚玉璧, 楊金虎, 肖國舉, 雷俊, 牛海洋, 張秀云. 氣候變暖對西北雨養(yǎng)農(nóng)業(yè)及農(nóng)業(yè)生態(tài)影響研究進展. 生態(tài)學雜志, 2018, 37(7): 2170-2179.

YAO Y B, YANG J H, XIAO G J, LEI J, NIU H Y, ZHANG X Y. Research advances in the impacts of climate warming on rainfed agriculture and agroecology in Northwest China.Chinese Journal of Ecology, 2018, 37(7): 2170-2179. (in Chinese)

[4] 徐建文, 居輝, 劉勤, 楊建瑩. 黃淮海地區(qū)干旱變化特征及其對氣候變化的響應. 生態(tài)學報, 2014, 34(2): 460-470.

XU J W, JU H, LIU Q, YANG J Y. variation of drought and regional response to climate change in Huang-Huai-Hai Plain.Acta Ecologica Sinica, 2014, 34(2): 460-470. (in Chinese)

[5] 胡實, 莫興國, 林忠輝. 冬小麥種植區(qū)域的可能變化對黃淮海地區(qū)農(nóng)業(yè)水資源盈虧的影響. 地理研究, 2017, 36(5): 861-871.

HU S, MO X G, LIN Z H. Impacts of possibility planting region change for winter wheat on agricultural water surplus and deficit in Huang-Huai-Hai Region.Geographical Research, 2017, 36(5): 861-871. (in Chinese)

[6] 劉憲鋒, 朱秀芳, 潘耀忠, 李雙雙, 劉焱序. 農(nóng)業(yè)干旱監(jiān)測研究進展與展望. 地理學報, 2015, 70(11): 1835-1848.

LIU X F, ZHU X F, PAN Y Z, LI S S, LIU Y X. Agricultural drought monitor: Progress, challenges and prospect.Acta Geographica Sinica, 2015, 70(11): 1835-1848. (in Chinese)

[7] 王正航, 武仙山, 昌小平, 李潤植, 景蕊蓮. 小麥旗葉葉綠素含量及熒光動力學參數(shù)與產(chǎn)量的灰色關聯(lián)度分析. 作物學報, 2010, 36(2): 217-227.

WANG Z H, WU X S, CHANG X P, LI R Z, JING R L. chlorophyll content and chlorophyll fluorescence kinetics parameters of flag leaf and their gray relational grade with yield in wheat.Acta Agronomica Sinica, 2010, 36(2): 217-227. (in Chinese)

[8] 高麗華, 孫書洪. 不同時期水分脅迫對冬小麥產(chǎn)量及形態(tài)指標的影響研究. 節(jié)水灌溉, 2014(7): 1-3.

GAO L H, SUN S H. Study on effects of water deficit in different periods on yield and morphological index of winter wheat.Water Saving Irrigation, 2014(7): 1-3. (in Chinese)

[9] Abid M, Tian Z W, Ata-Ul-Karim S T, LIU Y, CUI Y K, ZAHOOR R, JIANG D, DAI T B. Improved tolerance to post-anthesis drought stress by pre-drought priming at vegetative stages in drought-tolerant and -sensitive wheat cultivars. Plant Physiology and Biochemistry, 2016, 106: 218-227.

[10] Na Z, Guo X Q, Jun W X. Eco-physiological and morphological responses offrom different sources under drought stress. Pakistan Journal of Agricultural Sciences, 2022, 59(6): 1043-1052.

[11] Flexas J, Niinemets U, GALLé A, BARBOUR M M, CENTRITTO M, DIAZ-ESPEJO A, DOUTHE C, GALMéS J, RIBAS-CARBO M, RODRIGUEZ P L,. Diffusional conductances to CO2as a target for increasing photosynthesis and photosynthetic water-use efficiency. Photosynthesis Research, 2013, 117(1/3): 45-59.

[12] Luan Y, Xu J, Lv Y, LIU X, WANG H, LIU S. Improving the performance in crop water deficit diagnosis with canopy temperature spatial distribution information measured by thermal imaging. Agricultural Water Management, 2021, 246: 106699.

[13] Fang J J, Ma W Y, Zhao X Q, HE X, LI B, TONG Y P, LI Z S. Lower canopy temperature is associated with higher cytokinin concentration in the flag leaf of wheat. Crop Science, 2012, 52(6): 2743-2756.

[14] 趙福年, 王瑞君, 張虹, 張龍, 陳家宙. 基于冠氣溫差的作物水分脅迫指數(shù)經(jīng)驗模型研究進展. 干旱氣象, 2012, 30(4): 522-528.

ZHAO F N, WANG R J, ZHANG H, ZHANG L, CHEN J Z. Advances in crop water stress index empirical model research based on canopy and atmosphere temperature difference.Journal of Arid Meteorology, 2012, 30(4): 522-528. (in Chinese)

[15] Yu M H, Ding G D, Gao G L, ZHAO Y Y, YAN L, SAI K. Using plant temperature to evaluate the response of stomatal conductance to soil moisture deficit. Forests, 2015, 6(12): 3748-3762.

[16] 張鑫, 孔祥, 李勇, 駱永麗, 黃翠, 金敏. 外源ABA對干旱條件下小麥冠層溫度及光合同化物積累與分配的調控效應. 麥類作物學報, 2019, 39(9): 1080-1094.

ZHANG X, KONG X, LI Y, LUO Y L, HUANG C, JIN M. Effect of exogenous ABA on the canopy temperature and accumulation and distribution of photoassimilates in wheat under drought conditions.Journal of Triticeae Crops, 2019, 39(9): 1080-1094. (in Chinese)

[17] Morales I, álvaro J E, Urrestarazu M. Contribution of thermal imaging to fertigation in soilless culture. Journal of Thermal Analysis and Calorimetry, 2014, 116(2): 1033-1039.

[18] Mangus D, Sharda A, Zhang N. Development and evaluation of thermal infrared imaging system for high spatial and temporal resolution crop water stress monitoring of corn within a greenhouse. Computers and Electronics in Agriculture, 2016, 121(2): 149-159.

[19] 劉偉琦, 馬紹休, 宮毓來, 馮坤, 梁林昊. 農(nóng)業(yè)干旱業(yè)務化監(jiān)測研究進展與展望. 中國沙漠, 2023, 43(1): 197-211.

LIU W Q, MA S X, GONG Y L, FENG K, LIANG L H. Research progress and prospective for operationalization of agricultural drought monitoring. Journal of Desert Research, 2023, 43(1): 197-211. (in Chinese)

[20] 楊天垚, 邱建秀, 肖國安. 華北農(nóng)業(yè)干旱監(jiān)測與冬小麥估產(chǎn)研究. 生態(tài)學報, 2023, 43(5): 1936-1947.

YANG T Y, QIU J X, XIAO G A. Agricultural drought monitoring and winter wheat yield estimation in north china.Acta Ecologica Sinica, 2023, 43(5): 1936-1947. (in Chinese)

[21] 張宇亮, 吳志勇, 何海. 基于水文-作物耦合模型和CWAPI指數(shù)的農(nóng)業(yè)干旱評估. 水利學報, 2022, 53(10): 1168-1179, 1193.

ZHANG Y L, WU Z Y, HE H. Agricultural drought assessment based on the coupled hydrology-crop growth model and CWAPI. Journal of Hydraulic Engineering, 2022, 53(10): 1168-1179, 1193. (in Chinese)

[22] 單捷, 孫玲, 王志明, 盧必慧, 王晶晶, 邱琳, 黃曉軍. GF-1影像遙感監(jiān)測指標與冬小麥長勢參數(shù)的關系. 江蘇農(nóng)業(yè)學報, 2019, 35(6): 1323-1333.

SHAN J, SUN L, WANG Z M, LU B H, WANG J J, QIU L, HUANG X J. Relationship between remote sensing monitoring indices and growth parameters in winter wheat based on GF-1 images.Jiangsu Journal of Agricultural Sciences, 2019, 35(6): 1323-1333. (in Chinese)

[23] 翟麗婷, 魏峰遠, 馮海寬, 李長春, 楊貴軍. 基于綜合指標的冬小麥長勢監(jiān)測. 江蘇農(nóng)業(yè)科學, 2020, 48(18): 244-249.

ZHAI L T, WEI F Y, FENG H K, LI C C, YANG G J. Winter wheat growth monitoring based on comprehensive indicators. Jiangsu Agricultural Sciences, 2020, 48(18): 244-249. (in Chinese)

[24] 裴浩杰, 馮海寬, 李長春, 金秀良, 李振海, 楊貴軍. 基于綜合指標的冬小麥長勢無人機遙感監(jiān)測. 農(nóng)業(yè)工程學報, 2017, 33(20): 74-82.

PEI H J, FENG H K, LI C C, JIN X L, LI Z H, YANG G J. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 74-82. (in Chinese)

[25] 孟雨, 溫鵬飛, 丁志強, 田文仲, 張學品, 賀利, 段劍釗, 劉萬代, 馮偉. 基于熱紅外圖像的小麥品種抗旱性鑒定與評價. 中國農(nóng)業(yè)科學, 2022, 55(13): 2538-2551. doi: 10.3864/j.issn.0578-1752.2022. 13.005.

MENG Y, WEN P F, DING Z Q, TIAN W Z, ZHANG X P, HE L, DUAN J Z, LIU W D, FENG W. Identification and evaluation of drought resistance of wheat varieties based on thermal infrared image. Scientia Agricultura Sinica, 2022, 55(13): 2538-2551. doi: 10.3864/ j.issn.0578-1752.2022.13.005. (in Chinese)

[26] 張智韜, 邊江, 韓文霆, 付秋萍, 陳碩博, 崔婷. 無人機熱紅外圖像計算冠層溫度特征數(shù)診斷棉花水分脅迫. 農(nóng)業(yè)工程學報, 2018, 34(15): 77-84.

ZHANG Z T, BIAN J, HAN W T, FU Q P, CHEN S B, CUI T. Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image.Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(15): 77-84. (in Chinese)

[27] 張智韜, 許崇豪, 譚丞軒, 李宇, 寧紀鋒. 基于無人機熱紅外遙感的玉米地土壤含水率診斷方法. 農(nóng)業(yè)機械學報, 2020, 51(3): 180-190.

ZHANG Z T, XU C H, TAN C X, LI Y, NING J F. Diagnosing method of soil moisture content in corn field based on thermal infrared remote sensing of UAV.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 180-190. (in Chinese)

[28] Jackson R D, Idso S B, Reginato R J, PINTER P J. Canopy temperature as a crop water stress indicator. Water Resources Research, 1981, 17(4): 1133-1138.

[29] 陶惠林, 徐良驥, 馮海寬, 楊貴軍, 苗夢珂, 林博文. 基于無人機高光譜長勢指標的冬小麥長勢監(jiān)測. 農(nóng)業(yè)機械學報, 2020, 51(2): 180-191.

TAO H L, XU L J, FENG H K, YANG G J, MIAO M K, LIN B W. monitoring of winter wheat growth based on UAV hyperspectral growth index.Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191. (in Chinese)

[30] 蔡葦荻, 張羽, 劉海燕, 鄭恒彪, 程濤, 田永超, 朱艷, 曹衛(wèi)星, 姚霞. 基于成像高光譜的小麥冠層白粉病早期監(jiān)測方法. 中國農(nóng)業(yè)科學, 2022, 55(6): 1110-1126. doi: 10.3864/j.issn.0578-1752.2022. 06.005.

CAI W D, ZHANG Y, LIU H Y, ZHENG H B, CHENG T, TIAN Y C, ZHU Y, CAO W X, YAO X. Early detection on wheat canopy powdery mildew with hyperspectral imaging. Scientia Agricultura Sinica, 2022, 55(6): 1110-1126. doi: 10.3864/j.issn.0578-1752.2022. 06.005. (in Chinese)

[31] 劉相龍, 劉仲武, 馬靈會, 任凱, 王曉東. 基于支持向量機的邊坡穩(wěn)定性系數(shù)預測及變量分析. 水利與建筑工程學報, 2023, 21(1): 172-178.

LIU X L, LIU Z W, MA L H, REN K, WANG X D. slope stability coefficient prediction and variable analysis based on support vector machine.Journal of Water Resources and Architectural Engineering, 2023, 21(1): 172-178. (in Chinese)

[32] 張智韜, 譚丞軒, 許崇豪, 陳碩博, 韓文霆, 李宇. 基于無人機多光譜遙感的玉米根域土壤含水率研究. 農(nóng)業(yè)機械學報, 2019, 50(7): 246-257.

ZHANG Z T, TAN C X, XU C H, CHEN S B, HAN W T, LI Y. Retrieving soil moisture content in field maize root zone based on UAV multispectral remote sensing.Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(7): 246-257. (in Chinese)

[33] 曾占奎, 王征宏, 王黎明, 龐玉輝, 韓志鵬, 郭程, 王春平. 北部冬麥區(qū)小麥新品種(系)的節(jié)水生理特性與綜合評判. 干旱地區(qū)農(nóng)業(yè)研究, 2019, 37(5): 137-143.

ZENG Z K, WANG Z H, WANG L M, PANG Y H, HAN Z P, GUO C, WANG C P. Water-saving physiological characteristics and comprehensive evaluation of new wheat varieties (lines) in northern winter wheat region.Agricultural Research in the Arid Areas, 2019, 37(5): 137-143. (in Chinese)

[34] 姚寧, 宋利兵, 劉健, 馮浩, 吳淑芳, 何建強. 不同生長階段水分脅迫對旱區(qū)冬小麥生長發(fā)育和產(chǎn)量的影響. 中國農(nóng)業(yè)科學, 2015, 48(12): 2379-2389. doi: 10.3864/j.issn.0578-1752.2015.12.011.

YAO N, SONG L B, LIU J, FENG H, WU S F, HE J Q. Effects of water stress at different growth stages on the development and yields of winter wheat in arid region.Scientia Agricultura Sinica, 2015, 48(12): 2379-2389. doi: 10.3864/j.issn.0578-1752.2015.12.011. (in Chinese)

[35] 史博, 馬祖凱, 劉小軍, 田永超, 朱艷, 曹衛(wèi)星, 曹強. 小麥植株水分狀況遙感監(jiān)測研究進展與展望. 麥類作物學報, 2022, 42(4): 495-503.

SHI B, MA Z K, LIU X J, TIAN Y C, ZHU Y, CAO W X, CAO Q. Progress and prospects of wheat plant water status monitoring by remote sensing.Journal of Triticeae Crops, 2022, 42(4): 495-503. (in Chinese)

[36] Shabani A, Sepaskhah A R, Kamgar-Haghighi A A. Responses of agronomic components of rapeseed (L.) as influenced by deficit irrigation, water salinity and planting method. International Journal of Plant Production, 2013, 7(2): 313-340.

[37] Ali S, Xu Y Y, Jia Q M, AHMAD I, WEI T, REN X L, ZHANG P, DIN R, CAI T, JIA Z K. Cultivation techniques combined with deficit irrigation improves winter wheat photosynthetic characteristics, dry matter translocation and water use efficiency under simulated rainfall conditions. Agricultural Water Management, 2018, 201: 207-218.

[38] DeJonge K C, Taghvaeian S, Trout T J, COMAS L H. Comparison of canopy temperature-based water stress indices for maize. Agricultural Water Management, 2015, 156: 51-62.

[39] 李德, 孫有豐, 孫義. 皖北砂姜黑土地冬小麥生育期尺度干旱指標研究. 麥類作物學報, 2017, 37(2): 220-231.

LI D, SUN Y F, SUN Y. Study on drought indices of winter wheat during the growth stages in the lime concretion black soil in northern Anhui Province.Journal of Triticeae Crops, 2017, 37(2): 220-231. (in Chinese)

[40]陳倩. 基于綜合指標的冬小麥長勢高光譜遙感監(jiān)測與估產(chǎn)研究[D]. 楊凌: 西北農(nóng)林科技大學, 2022: 98.

CHEN Q. Hyperspectral remote sensing monitoring and yield estimation of winter wheat growth based on comprehensive index[D]. Yangling: Northwest A&F University, 2022: 98. (in Chinese)

[41] 樊意廣, 馮海寬, 劉楊, 邊明博, 孟煬, 楊貴軍. 基于冠層光譜特征和株高的馬鈴薯植株氮含量估算. 農(nóng)業(yè)機械學報, 2022, 53(6): 202-208, 294.

FAN Y G, FENG H K, LIU Y, BIAN M B, MENG Y, YANG G J. Estimation of potato plant nitrogen content based on canopy spectral characteristics and plant height.Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(6): 202-208, 294. (in Chinese)

[42] 劉方園, 王水花, 張煜東. 支持向量機模型與應用綜述. 計算機系統(tǒng)應用, 2018, 27(4): 1-9.

LIU F Y, WANG S H, ZHANG Y D. Overview on models and applications of support vector machine.Computer Systems & Applications, 2018, 27(4): 1-9. (in Chinese)

[43] Li Z, Nie C, Wei C, XU X, SONG X, WANG J. Comparison of four chemometric techniques for estimating leaf nitrogen concentrations in winter wheat () based on hyperspectral features. Journal of Applied Spectroscopy, 2016, 83(2): 240-247.

Prediction of water content of winter wheat plant based on comprehensive index synergetic optimization

GAO ChenKai1, LIU ShuiMiao1, LI YuMing1, WU PengNian2, WANG YanLi2, LIU ChangShuo1, QIAO YiBo1, GUAN XiaoKang1, WANG TongChao1, WEN PengFei1

1Agronomy College, Henan Agricultural University, Zhengzhou 450046;2Resources and Environment College, Henan Agricultural University, Zhengzhou 450046

【Objective】To find a more comprehensive and accurate method to monitor the water deficit and to provide a theoretical basis for drought relief of winter wheat, the present study was conducted to construct an inversion model of plant water content (PWC) at different growth stages based on three comprehensive indexes, namely, canopy temperature, morphology and physiology indexes of winter wheat.【Method】The winter wheat was studied by setting up three water treatments (water deficit treatment W1: 35 mm, water deficit treatment W2: 48 mm, and control treatment W3: 68 mm) and two wheat varieties (general drought resistant variety Luomai 22 and weak drought resistant variety Zhoumai 27). Canopy temperature parameters (canopy temperature standard deviation (CTSD) and crop water stress index (CWSI)), morphological indicators (plant height, stem diameter, aboveground biomass, and leaf aera index (LAI)) and physiological indicators (stomatal conductance, transpiration rate, and photosynthetic rate) of winter wheat were obtained at jointing, booting, and filling stages, respectively. comprehensive temperature parameter indicators (CTPI), comprehensive growth indicators (CGI) and comprehensive physiological indicators (CPI) based on the average weight principle were constructed. the correlation between PWC and comprehensive indicators was analyzed, and multiple linear regression (MLR), partial least squares recurrence (PLSR) and support vector machine (SVM) methods were used to construct the PWC inversion model based on comprehensive indicators according to the growth period.【Result】The canopy temperature parameters, morphology and physiological indexes of winter wheat at different growth stages showed significant differences between water deficit treatments (W1, W2) and control treatment (W3) (＜0.05). Comprehensive indicators (CTPI, CGI and CPI) at booting and filling stages have a significant correlation with PWC, with correlation coefficients () of -0.70 (-0.78), 0.84 (0.80) and 0.83 (0.76), respectively. Using MLR, PLSR and SVM methods, the PWC inversion prediction model based on comprehensive indicators (CTPI, CGI and CPI) has high prediction accuracy, among which the PWC model built by SVM is the best,2cal(2val), RMSEcal(RMSEval), and nRMSEcal(nRMSEval) were 0.878 (0.815), 2.06% (2.37%), and 3.10% (3.33%), respectively.【Conclusion】The SVM-PWC model based on the comprehensive indicators CTPI, CGI and CPI can well predict the water deficit of winter wheat at different growth stages, and provide theoretical basis for drought prevention and drought resistance of winter wheat in the Huang-Huai-Hai Plain.

winter wheat; water deficit; comprehensive index; plant water content (PWC); support vector machine (SVM)

10.3864/j.issn.0578-1752.2023.22.004

2023-03-21；

2023-03-30

國家重點研發(fā)計劃（2021YFD1700900）、河南省高等學校重點科研項目計劃（23A210017）、河南省重點研發(fā)與推廣專項（232102110298）

高晨凱，E-mail：13849068126@163.com。通信作者王同朝，E-mail：wtcwrn@henau.edu.cn。通信作者溫鵬飛，E-mail：18792966980@163.com

（責任編輯 岳梅）