黃宏勝 張馨月 居 輝 韓 雪

大氣CO2濃度升高背景下冬小麥冠層光譜特征和地上生物量估算

黃宏勝 張馨月 居 輝 韓 雪*

中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)環(huán)境與可持續(xù)發(fā)展研究所, 北京 100081

本研究旨在探究大氣CO2濃度升高對冬小麥全生育時期冠層光譜特征的影響, 并基于篩選的敏感波段建立地上生物量(AGB)與光譜參數(shù)的定量關(guān)系。為此, 在2021—2022年的冬小麥生長季, 利用開放式CO2富集系統(tǒng)(Mini-FACE), 設(shè)定大氣CO2濃度(ACO2, (420±20) μL L–1)和高CO2濃度(ECO2, (550±20) μL L–1)兩個處理水平, 分析了高CO2濃度下光譜特征變化, 基于連續(xù)投影算法(SPA)、逐步多元線性回歸(SMLR)和偏最小二乘法回歸(PLSR)篩選AGB敏感波段并構(gòu)建估算模型。結(jié)果表明: CO2濃度升高使冬小麥拔節(jié)期和開花期AGB顯著增加。紅邊和近紅邊反射率及紅邊面積在拔節(jié)期增加, 在開花期和灌漿期降低, 藍(lán)邊、黃邊和紅邊位置在不同生育時期均發(fā)生移動; AGB的敏感光譜波段主要分布在紅邊和近紅邊區(qū)域, CO2濃度升高縮小了AGB敏感波段范圍, 但不影響AGB的估算; AGB的SMLR和PLSR模型均取得了較高的估算精度(2>0.8), 其中SMLR模型中的R799′、Dy、SDy和PRI等特征參數(shù)與AGB顯著相關(guān),2為0.866。PLSR模型(2>0.9)在估算精度和穩(wěn)定性上優(yōu)于SMLR模型。本研究可為未來高CO2濃度下冬小麥生長發(fā)育的遙感監(jiān)測提供理論基礎(chǔ)和技術(shù)方法。

CO2濃度升高; 冬小麥; 地上生物量; 冠層光譜特征; 回歸分析

全球氣候變化, 大氣中CO2濃度持續(xù)升高。IPCC第6次評估報告指出到21世紀(jì)中葉, 全球大氣中CO2濃度將升高到550 μL L–1, 到21世紀(jì)末全球大氣中的CO2濃度預(yù)計升高到900 μL L–1[1]。CO2作為植物光合作用重要的底物之一, 大氣中CO2濃度升高促進(jìn)了冬小麥葉片中葉綠素、葉黃素等相關(guān)光合色素含量的增加, 進(jìn)而影響冬小麥的生長、發(fā)育和產(chǎn)量[2-3]。地上生物量能夠?qū)崟r反映小麥的生長速度、健康狀況和產(chǎn)量潛力等[4]。人工測定地上生物量十分低效且?guī)в衅茐男? 冠層光譜遙感技術(shù)能夠在非破壞性取樣條件下快速地對冬小麥地上生物量進(jìn)行監(jiān)測, 但其對冬小麥地上生物量的監(jiān)測是否會受到CO2濃度升高的影響還少見報道。

現(xiàn)有的研究表明, 光譜遙感技術(shù)能夠很好地對地面植被生物量進(jìn)行監(jiān)測和估算。如Gwen等[5]利用行星多光譜技術(shù)對沿海濕地生物量進(jìn)行估算, Li等[4]利用高光譜成像技術(shù)對馬鈴薯地上生物量進(jìn)行預(yù)測取得不錯效果, Tian等[6]通過高光譜冠層反射率的帶深優(yōu)化估算甜菜地上生物量。大部分估算模型基于光譜敏感波段和光譜特征參數(shù), 但植物生長環(huán)境的變化會改變預(yù)測指標(biāo)光譜波段的敏感性, 使得現(xiàn)有情況下的敏感波段和最優(yōu)光譜參數(shù)發(fā)生改變。如“三邊”參數(shù)(位置、幅值、面積)可以反映植物生長和健康狀況[7-9], 但隨著生長環(huán)境改變這些參數(shù)也會隨之改變, 如CO2濃度升高影響冬小麥和高羊茅光譜反射率大小, 并使冬小麥和高羊茅的紅邊位置發(fā)生移動[10-11]。Sun等[12]表明在不同程度淹水脅迫下水稻紅邊位置發(fā)生移動, 紅邊面積發(fā)生改變。Ren等[13]表明在低溫脅迫下冬小麥的紅邊位置出現(xiàn)藍(lán)移現(xiàn)象,紅邊面積和紅邊幅值增加, Xu等[14]研究發(fā)現(xiàn)通過紅邊波長修正NDVI指數(shù)能夠很好的預(yù)測水淹下棉花的葉綠素含量。因此探究CO2濃度升高條件下冠層光譜和光譜特征參數(shù)的變化能夠很好的了解冬小麥在高CO2濃度下的生理生化狀況。

冠層光譜的高分辨率為小麥冠層細(xì)微變化監(jiān)測提供了可能, 同時也產(chǎn)生了大量的光譜數(shù)據(jù)。提高數(shù)據(jù)分析的性能, 在不丟失植物特征信息下減少數(shù)據(jù)冗余, 剔除不敏感波段[15], 篩選重要的敏感波段則在光譜數(shù)據(jù)分析中顯得十分重要[16]。連續(xù)投影算法(Successive projections algorithm, SPA)在敏感光譜波段選擇中廣泛應(yīng)用, 它能夠剔除無關(guān)或冗余的波段。如Gao等[17]利用連續(xù)投影算法來壓縮光譜數(shù)據(jù), Liu等[18]利用連續(xù)投影算法提取土壤有機(jī)質(zhì)光譜特征波長。偏最小二乘法回歸(Partial least squares regression, PLSR)中VIP 值(Variable importance in projection)是一個常用的指標(biāo), 用于衡量每個自變量(即特征或變量)對于模型預(yù)測的重要程度, 可用VIP值來篩選重要的敏感波段。如Xie等[19]利用偏最小二乘法中的VIP值來篩選水分脅迫下冬小麥葉綠素的敏感波段, Hendawy等[20]基于PLSR-VIP和MLR分析的結(jié)合篩選鹽脅迫下小麥光合作用的敏感波段。因此, 本文擬利用SPA和PLSR-VIP與逐步多元線性回歸(Stepwise multiple linear regression, SMLR)相結(jié)合來篩選冬小麥地上生物量的敏感波段, 探究CO2濃度升高對小麥地上生物量敏感波段的影響。

前人對大氣CO2濃度升高下冬小麥冠層光譜特征變化和地上生物量光譜監(jiān)測的研究較少, 本研究基于開放式CO2富集系統(tǒng)(Free Air CO2Enrichment), 測量冬小麥重要生育時期地上生物量(Aboveground biomass, AGB)和冠層光譜反射光譜, 利用SPA+ SMLR和PLSR+SMLR兩種方法篩選AGB敏感波段,利用光譜反射率、光譜特征參數(shù)和光譜指數(shù)為自變量在PLSR和SMLR兩種方式下對冬小麥地上生物量進(jìn)行估算模擬。探究(1) CO2濃度升高對不同生育時期冬小麥地上生物量、冠層光譜反射率、光譜特征和AGB敏感光譜波段的影響; (2) 通過對比基于PLSR和SMLR以光譜反射率和光譜參數(shù)為自變量的冬小麥AGB估算模型, 評價模型的可行性。篩選出能準(zhǔn)確、快速、適用于CO2升高下冬小麥AGB的估算模型, 為未來高CO2濃度下冬小麥生長發(fā)育的遙感監(jiān)測提供理論基礎(chǔ)和技術(shù)方法。

1 材料與方法

1.1 試驗地點

試驗于2021—2022年在中國農(nóng)業(yè)科學(xué)院北京市昌平區(qū)Mini-FACE試驗基地(40.13°N, 116.14°E)進(jìn)行, 該地區(qū)屬于暖溫帶大陸季風(fēng)性氣候, 土壤類型為褐潮土, 試驗區(qū)內(nèi)常年為小麥/玉米輪作。土壤有機(jī)質(zhì)含量為14.10 g kg–1, 全氮含量0.82 g kg–1, 速效磷20.00 mg kg–1, 速效鉀79.8 mg kg–1, 土壤0～ 20 cm的pH為8.4。

1.2 試驗材料與設(shè)計

試驗設(shè)計為二因素裂區(qū)試驗設(shè)計, 主裂區(qū)為CO2濃度: 設(shè)置大氣CO2濃度(Atmospheric CO2, (420±20) μL L–1)和高CO2濃度(Elevated CO2, (550± 20) μL L–1) 2個水平; 副裂區(qū)為4個冬小麥品種, 本文不詳細(xì)介紹品種差異。每個處理間重復(fù)3次, 故本試驗共計24個小區(qū), 其中12個對照小區(qū), 12個CO2濃度升高小區(qū)。冬小麥種子由中國農(nóng)業(yè)科學(xué)院國家作物種質(zhì)資源庫提供, 2021年10月9日播種, 2022年6月19日收獲。

試驗基于開放式CO2富集系統(tǒng)(Mini-FACE), 單圈為正八邊形設(shè)計, 由8根釋放管向小區(qū)中釋放CO2。圈中心設(shè)有CO2傳感器(Vaisala, 芬蘭), 實時監(jiān)測圈內(nèi)的CO2濃度, 并通過計算機(jī)系統(tǒng)實時根據(jù)風(fēng)向和風(fēng)速控制CO2的釋放量, 使其維持在目標(biāo)濃度范圍以內(nèi)。單圈直徑為4 m, 濃度升高圈和對照圈間隔均大于5倍直徑, 以消除不同處理間的CO2擴(kuò)散影響。冬小麥返青后開始釋放CO2, 釋放時間根據(jù)日出日落實時調(diào)整, 白天釋放, 夜間關(guān)閉。各品種試驗圈面積為6.28 m2, 播種方式為條播, 播種量為187.41 kg hm–2, 行間距為20 cm, 每公頃基本苗為270～300萬株。

全生育期施氮量為230 kg hm–2, 其中底肥量為140 kg hm–2, 追肥施氮量為90 kg hm–2。磷肥(P2O5)施用量為140 kg hm–2, 鉀肥(K2O)施用量為90 kg hm–2, 磷肥和鉀肥均作為底肥施用。底肥于播種前一天施用, 追肥于小麥的拔節(jié)期施用。全生育期澆水的定額為750 m3hm–2, 在越冬期、拔節(jié)期和孕穗期進(jìn)行噴灌。

1.3 冬小麥地上生物量的測定

分別于冬小麥的拔節(jié)期、開花期和成熟期, 每個小區(qū)單位面積內(nèi)隨機(jī)選取50株具有代表性植株, 并測算單位面積樣方中植株數(shù)量。將取得的50株冬小麥105℃殺青30 min, 75℃恒溫干燥至恒重, 測量50株冬小麥的干重, 計算冬小麥3個時期單位面積地上生物量(冬小麥地上生物量(g m–2)=(50株冬小麥干重/50)×單位面積株數(shù))。

1.4 冠層反射光譜測定

使用PSR-1100f便攜式近紅外光譜儀(Spectral evolution, 美國)測量冠層反射率, 該光譜儀配備25°視場光纖, 以1.5 nm的采樣間隔測量320～1100的冠層光譜反射率。在晴天和無云條件下在北京時間10:00—14:00之間進(jìn)行測量。每次測量前, 將光譜儀預(yù)熱30 min, 并使用硫酸鋇(BaSO4)參考面板(14 cm × 14 cm)進(jìn)行校準(zhǔn)。在測量過程中, 圓形探頭的視野垂直向下, 圓形探頭保持在冬小麥冠層上方0.5 m的垂直距離處, 每個小區(qū)隨機(jī)布點測量3次, 每次測量時進(jìn)行白板校正。在冬小麥每個關(guān)鍵生育時期測量其冠層光譜反射率, 在開花后每隔7 d測量一次冬小麥冠層光譜反射率。

1.5 數(shù)據(jù)分析

1.5.1 地上生物量數(shù)據(jù)處理 使用R 4.1.3 (Posit, 美國)軟件進(jìn)行地上生物量的統(tǒng)計分析, 其中將生育時期與CO2濃度作為兩個因素進(jìn)行兩因素方差分析和最小顯著性檢驗(least significant difference, LSD)。

1.5.2 冠層光譜數(shù)據(jù)處理 本試驗選取冬小麥冠層原始光譜反射率、植被指數(shù)以及常用的光譜特征參數(shù)作為估算冬小麥地上生物量的自變量。對原始光譜反射率進(jìn)行Gauss平滑處理從而降低原始光譜數(shù)據(jù)的背景噪聲。對平滑后的光譜數(shù)據(jù)進(jìn)行一階微分, 光譜一階微分是一種廣泛使用的光譜曲線變換方法, 可以有效消除線性和二次背景噪聲。公式如下:

在對前人的研究中選用10個對地上生物量較為敏感的光譜指數(shù)(表1)和常用的18個光譜特征參數(shù)(表2)用來描述CO2升高下光譜特征參數(shù)的變化和構(gòu)建冬小麥地上生物量估計模型。

1.5.3 估算模型的構(gòu)建和評估方法 將拔節(jié)期、開花期和成熟期冬小麥地上生物量作為因變量, 3個時期的冠層光譜反射率和光譜參數(shù)(光譜指數(shù)和光譜特征參數(shù))作為自變量共計72組數(shù)據(jù)。將72組數(shù)據(jù)分為2組, 其中2/3的數(shù)據(jù)用于作為訓(xùn)練組, 訓(xùn)練組樣本總?cè)萘繛?8, 訓(xùn)練組分為大氣CO2濃度(ACO2)訓(xùn)練組和CO2濃度升高(ECO2)訓(xùn)練組, 樣本容量分別為24、24; 1/3數(shù)據(jù)用于測試組, 測試組樣本總?cè)萘繛?4, 測試組分為ACO2測試組和ECO2測試組, 樣本容量分別為12、12。使用R 4.1.3 (Posit, 美國)和Origin 2021 pro b 軟件(Origin Lab, 美國)對數(shù)據(jù)進(jìn)行相關(guān)性分析(correlation analysis, CA)、偏最小二乘法回歸分析(PLSR)和連續(xù)投影法分析(SPA)。這些分析結(jié)果與逐步多元線性回歸分析相結(jié)合, 用來構(gòu)建冬小麥地上生物量的光譜估算模型。

表1 植被指數(shù)的定義及計算公式

表2 光譜特征參數(shù)的定義及說明

(續(xù)表2)

偏最小二乘法在解決小樣本多變量且變量間存在多重共線性的回歸問題中有著廣泛的應(yīng)用[29], 在PLSR分析過程中交叉驗證的變異系數(shù)(CV)可以用來選擇最佳的主成分?jǐn)?shù)以建立最優(yōu)的PLS模型, 其中CV<0.1表示低變異, 0.11時, 我們就認(rèn)為該波段為敏感波段[31]。

連續(xù)投影算法是前向特征變量選擇方法。SPA利用向量的投影分析, 通過將波長投影到其他波長上, 比較投影向量大小, 以投影向量最大的波長為待選波長, 然后基于矯正模型選擇最終的特征波長。SPA選擇的是含有最少冗余信息及最小共線性的變量組合。能夠較為有效的選擇重要的敏感波段[32]。

以決定系數(shù)(2)和均方根誤差(RMSE)作為評價測試模型準(zhǔn)確性的指標(biāo)。公式如下:

2 結(jié)果與分析

2.1 CO2濃度升高對冬小麥全生育期冬小麥地上生物量的影響

如圖1所示, CO2濃度升高使冬小麥地上生物量平均增加1.73%, CO2濃度升高對地上生物量的影響因生育期而異(<0.01)。其中, 在拔節(jié)期和開花期, CO2濃度升高促進(jìn)冬小麥地上生物量顯著增加(<0.05), 分別增加4.9%和8.8%, 在成熟期, CO2濃度升高對冬小麥地上生物量影響未達(dá)到顯著水平。

2.2 CO2濃度升高對冠層光譜反射率及光譜反射率特征的影響

2.2.1 CO2濃度升高對冠層光譜反射率的影響

原始光譜波段設(shè)定在320～1100 nm, 不同CO2濃度下冬小麥全生育期的光譜反射率如圖2所示, 每個生育期光譜反射率具有相似趨勢, 在500 nm附近出現(xiàn)吸收帶, 在552～561 nm波段范圍內(nèi)有一個明顯的“綠峰”, 在680～760 nm范圍內(nèi)出現(xiàn)“紅邊”, 760～ 900 nm波段范圍內(nèi)形成近紅外高光譜反射平臺, 在922～977 nm范圍內(nèi)出現(xiàn)反射谷。在冬小麥整個生育期中光譜反射率呈現(xiàn)出先增加后降低的趨勢。

CO2濃度升高對光譜反射率的影響主要體現(xiàn)在拔節(jié)期、開花期和灌漿期的680～1100 nm的紅邊和近紅外波段內(nèi)。CO2濃度升高使得冬小麥拔節(jié)期680～1100 nm波段光譜反射率顯著增加, 開花期和灌漿期則顯著降低。返青期、起身期、孕穗期、乳熟期和蠟熟期的冬小麥生長時期冠層光譜反射率受CO2濃度升高的影響較小, 與大氣CO2濃度下的光譜反射率曲線無顯著差異。

2.2.2 CO2濃度升高對光譜特征參數(shù)的影響 對光譜參數(shù)進(jìn)行方差分析發(fā)現(xiàn)(表3), 在不同的生育期CO2濃度升高對光譜特征參數(shù)影響不同。在拔節(jié)期CO2濃度升高使得紅邊反射率平均值、藍(lán)邊幅值和紅邊面積顯著增加; 在開花期CO2濃度升高使得紅邊面積顯著降低, 藍(lán)邊位置發(fā)生“紅移”, 紅邊位置發(fā)生“紅移”; 在灌漿期CO2濃度升高使得紅邊面積顯著降低, 藍(lán)邊位置發(fā)生“紅移”, 黃邊位置發(fā)生“藍(lán)移”, 紅邊位置發(fā)生“紅移”。

2.2.3 CO2濃度升高對冬小麥地上生物量敏感光譜波段的影響 將ACO2和ECO2分別劃分24個樣品(2/3)為訓(xùn)練組, 12個樣品(1/3)為測試組, 進(jìn)行偏最小二乘法(PLSR)回歸, 如表4所示, 兩種CO2濃度下的最佳成分個數(shù)均為6, CV處于0.1～1.0之間屬于中等變異, 離散程度一般, 地上生物量的累積方差解釋百分?jǐn)?shù)均在98%以上; 測試組的2分別為0.939和0.894, RMSE分別為217.3 g m–2和115.4 g m–2, 可以看出PLSR模型比較穩(wěn)定, 對預(yù)測值預(yù)測的較為精準(zhǔn)。在此PLSR模型基礎(chǔ)上, 我們選擇VIP > 1的波段作為兩種CO2濃度下的敏感波段。發(fā)現(xiàn)兩種CO2濃度下冬小麥的光譜敏感波段主要分布在紅邊和近紅外波段(圖3)。CO2濃度升高縮小了地上生物量的敏感波段范圍, 但是沒有改變敏感波段的分布區(qū)間。

圖1 不同濃度CO2對冬小麥地上生物量的影響

ACO2表示大氣二氧化碳濃度, ECO2表示升高二氧化碳濃度。誤差線表示標(biāo)準(zhǔn)差?！癗S”表示在同一生育時期不同處理間差異未達(dá)到顯著水平(> 0.05)?！?”表示在同一生育時期不同處理間差異達(dá)到顯著水平(< 0.05)

ACO2: atmospheric carbon dioxide concentration, ECO2: elevated carbon dioxide concentration. The error line represents the standard deviation. “NS” indicates no significantly different among the treatments in the same stage at< 0.05. “*”indicates significantly different among the treatments in the same stage at< 0.05.

(圖2)

表3 不同CO2濃度下冬小麥光譜特征參數(shù)表

ACO2表示大氣二氧化碳濃度, ECO2表示升高二氧化碳濃度?！?”表示在同一生育時期不同處理間差異達(dá)到顯著水平(< 0.05)。

ACO2: atmospheric CO2concentration; ECO2: elevated CO2concentration. “*” indicates significantly different among the treatments in the same stage at< 0.05.

表4 冬小麥地上生物量偏最小二乘法回歸描述統(tǒng)計分析

ACO2: 大氣二氧化碳濃度; ECO2: 升高二氧化碳濃度; NComps: 成分個數(shù); CV:變異系數(shù); Adj CV: 調(diào)整變異系數(shù); X-Var (%): 自變量累積方差解釋百分?jǐn)?shù); Y-Var (%): 因變量累積方差解釋百分?jǐn)?shù);2: 決定系數(shù); Adj2: 調(diào)整決定系數(shù); RMSE: 均方根誤差。

ACO2: atmospheric CO2concentration; ECO2: elevated CO2concentration; NComps: number of components; CV: coefficient of variation; Adj CV: adjusted coefficient of variation; X-Var (%): cumulative variance explained percentage of independent variables; Y-Var (%): cumulative variance explained percentage of dependent variables;2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error.

圖3 基于兩種方法下的冬小麥地上生物量重要的敏感光譜波段

如表5所示, 對平滑后的光譜數(shù)據(jù)通過連續(xù)投影算法先進(jìn)行敏感波段的選擇, 利用逐步線性多元回歸對所選的敏感波段與冬小麥地上生物量進(jìn)行回歸擬合, 發(fā)現(xiàn)ACO2和ECO2下SMLR的2分別為0.967和0.855, RMSE分別為175.8 g m–2和302.8 g m–2,最大方差膨脹因子分別為20.755和12.958, 可見預(yù)測模型的穩(wěn)定性較好, 但是所選的敏感波段之間仍然存在中等共線性。利用已構(gòu)建的模型進(jìn)行預(yù)測測試, 測試組的2分別為0.932和0.806, RMSE分別為174.0 g m–2和243.8 g m–2, 由此可以看出SPA+SMLR的回歸模型較為穩(wěn)定, 精確度較高。由SPA+ SMLR回歸模型可以看出在ACO2濃度下地上生物量的敏感波段為R682、R727、R771、R985、R1078、R1083和R1100, ECO2濃度下地上生物量的敏感波段為R678、R711、R757、R972和R1060?？梢钥闯?個CO2濃度水平下冬小麥地上生物量敏感波段所在的光譜區(qū)間均為黃邊、紅邊和近紅外區(qū)間內(nèi), 并沒有改變冬小麥地上生物量敏感波段所在的光譜區(qū)間位置。

綜上所述, 由圖3所示, 比較SPA+SMLR和PLSR兩種方式對冬小麥地上生物量敏感光譜波段選擇, 發(fā)現(xiàn)CO2濃度升高縮小了冬小麥地上生物量的敏感范圍, 但是沒有改變地上生物量的敏感光譜區(qū)間, 黃邊、紅邊和近紅外仍然是冬小麥地上生物量的敏感光譜區(qū)間。

表5 冬小麥地上生物量連續(xù)投影算法+逐步多元線性回歸描述統(tǒng)計分析

ACO2:大氣二氧化碳濃度; ECO2: 升高二氧化碳濃度;2: 決定系數(shù); Adj2: 調(diào)整決定系數(shù); RMSE: 均方根誤差; Max VIF: 最大方差膨脹因子。

ACO2: atmospheric CO2concentration, ECO2: elevated CO2concentration;2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error; Max VIF: the maximum variance inflation factor.

2.3 冬小麥地上生物量光譜參數(shù)模型的構(gòu)建與檢驗

2.3.1 多元線性回歸模型 對所選用的光譜參數(shù)與地上生物量進(jìn)行Pearson相關(guān)性分析(圖4), 選取||>0.6,<0.05的光譜參數(shù)與地上生物量進(jìn)行逐步多元線性回歸, 回歸模型表6所示, 地上生物量光譜參數(shù)逐步多元線性回歸的2為0.866, RMSE為287.2 g m–2, 最大VIF 3.65。測試組的2為0.897, RMSE為238.6 g m–2?？梢奟799′、Dy、SDy、PRI間的共線性小模型穩(wěn)定性好, 預(yù)測精度高。

圖4 光譜參數(shù)與地上生物量的相關(guān)性系數(shù)

*表示在0.05概率水平差異顯著。

* indicate significant difference at the 0.05 probability level.

CR+ SMLR: 相關(guān)性分析+逐步多元線性回歸; SPA+SMLR: 連續(xù)投影算法+逐步多元線性回歸; Dy: 黃邊幅值; PRI: 光化學(xué)植被指數(shù)。2: 決定系數(shù); Adj2: 調(diào)整決定系數(shù); RMSE: 均方根誤差; Max vif: 最大方差膨脹因子。

CR+ SMLR: correlation analysis + stepwise multiple linear regression; SPA+ SMLR: continuous projection algorithm + stepwise multiple linear regression; Dy: yellow edge amplitude; PRI: photochemical reflectance index.2: coefficient of determination; Adj2: adjusted coefficient of determination; RMSE: root mean square error; Max vif: The max. variance inflation factor.

將連續(xù)投影算法篩選的敏感波段進(jìn)行逐步多元線性回歸, 結(jié)果如表6所示, 回歸模型的2為0.841, RMSE為320.3 g m–2, 最大VIF為49.29。測試組的2為0.838, RMSE為285.7g m–2?？梢娤噍^于光譜參數(shù)多元線性回歸模型SPA+SMLR回歸模型的擬合精度較低, 同時自變量之間存在著較大的共線性。

2.3.2 偏最小二乘法回歸模型 將冬小麥地上生物量分別與平滑后光譜反射率和光譜參數(shù)進(jìn)行偏最小二乘法回歸, 在總樣本中分別隨機(jī)選取48份樣本作為訓(xùn)練組, 24份樣本作為測試組來測試訓(xùn)練模型的精度。以平滑后光譜反射率為自變量時最佳主成分個數(shù)為6, 能夠解釋94.42%作為因變量的地上生物量。當(dāng)以地上光譜參數(shù)為自變量時最佳主成分個數(shù)為8, 能夠解釋92.79%作為因變量的地上生物量。如圖5所示, 以平滑后光譜反射率為自變量的PLSR模型的訓(xùn)練集的2為0.944, RMSE為173.99 g m–2, 測試集的2為0.912, RMSE為184.37 g m–2。以光譜參數(shù)為自變量的PLSR模型的訓(xùn)練集的2為0.928, RMSE為196.20 g m–2, 測試集的2為0.890, RMSE為251.21 g m–2。由此可見, PLSR模型精度在對冬小麥地上生物量的擬合上模型整體精度高于多元回歸模型, 并且以平滑后光譜反射率為自變量構(gòu)建的PLSR模型精度最高, 擬合誤差最小。

圖5 冬小麥地上生物量PLSR模型訓(xùn)練組和測試組擬合關(guān)系

a, b: 基于光譜反射率為自變量的地上生物量偏最小二乘法回歸模型, a為訓(xùn)練組, b為測試組; c, d: 基于光譜參數(shù)為自變量的地上生物量偏最小二乘法回歸模型, c為訓(xùn)練組, d為測試組; ncomps: 最佳成分個數(shù); Y-Var: 因變量累積方差解釋百分?jǐn)?shù)。

a, b: the above-ground biomass partial least squares regression model based on spectral reflectance as the independent variable, with a as the training group and b as the test group; c, d: the above-ground biomass partial least squares regression model based on spectral parameters as the independent variable, with c as the training group and d as the test group; ncomps: the number of components; Y-Var: the cumulative variance explained percentage of dependent variables.

3 討論

地上生物量是冬小麥生長狀態(tài)和產(chǎn)量預(yù)測的重要指標(biāo)之一。通過觀察地上生物量變化, 可以調(diào)整和優(yōu)化小麥的施肥方案, 提高養(yǎng)分利用率和生產(chǎn)效益。研究表明, 大氣中CO2濃度升高可提高小麥的碳增益和對水分的利用效率, 從而促進(jìn)冬小麥地上生物量的增加[33]。然而, 小麥對CO2濃度升高的地上生物量增加響應(yīng)并非絕對, H?gy等[34]研究發(fā)現(xiàn)CO2濃度升高對春小麥地上生物量沒有明顯影響。在本研究中, 發(fā)現(xiàn)CO2升高對冬小麥地上生物量增加的促進(jìn)作用主要體現(xiàn)在拔節(jié)期和開花期, 成熟期的促進(jìn)作用則表現(xiàn)不顯著。

CO2濃度升高下冬小麥冠層光譜反射率曲線在不同時期的變化趨勢不發(fā)生改變, 這與Liu等[35]在OTC試驗中提出的CO2濃度升高不改變在整個區(qū)間內(nèi)光譜反射曲線的變化趨勢是一致的。前人研究表明環(huán)境變化會影響冠層反射率的大小。如楊熙來等[36]提出開花期臭氧脅迫下冬小麥葉片光譜反射率在近紅外波段升高。Xie等[7]研究發(fā)現(xiàn)可見光區(qū)和紅邊區(qū)域光譜反射率隨冬小麥凍害程度的增加而逐漸下降。本研究中CO2濃度升高令冬小麥紅邊和近紅邊波段的光譜反射率在拔節(jié)期顯著增加, 在開花期和灌漿期顯著降低。這是由于紅邊和近紅外區(qū)域的冠層光譜反射率受到葉片色素、葉面積和植物水分狀況的顯著影響[37]。CO2濃度升高對冬小麥葉片色素、葉面積和植物水分利用率在不同生育期存在不同的影響[10,37]。利用SPA+SLMR和PLSR兩種方法尋找的冬小麥地上生物量敏感波段也基本位于紅邊和近紅邊波段內(nèi), CO2濃度升高僅縮小了地上生物量敏感波段的范圍, 可見冬小麥冠層的光譜對CO2濃度升高很敏感, 通過光譜遙感技術(shù)進(jìn)行監(jiān)測是可行的。

同時, 光譜特征參數(shù)會因植物在不同生長環(huán)境下的生長狀態(tài)而發(fā)生改變。如Zhang等[38]研究發(fā)現(xiàn)光譜特征參數(shù)隨銅脅迫的程度而發(fā)生變化, Estrada等[39]通過對比光譜特征參數(shù)變化來探索植物對環(huán)境脅迫的反應(yīng), 取得了很好的效果。在本研究中, CO2濃度升高使得拔節(jié)期的藍(lán)邊幅值和紅邊面積顯著增加; 開花期紅邊位置發(fā)生“紅移”, 紅邊面積顯著降低; 灌漿期藍(lán)邊位置和紅邊位置發(fā)生“紅移”, 黃邊位置發(fā)生“藍(lán)移”, 紅邊幅值和面積顯著降低。光譜特征參數(shù)的變化可以成為診斷高CO2濃度下冬小麥生長狀態(tài)的探針。

本研究中, 分別對光譜反射率和光譜特征參數(shù)采用偏最小二乘法回歸和逐步多元線性回歸, 尋找CO2濃度升高下冬小麥地上生物量的敏感波段, 構(gòu)建最優(yōu)的地上生物量估算模型。結(jié)果表明, CO2濃度升高僅縮小了敏感光譜波段的范圍, 敏感波段仍分布在黃邊、紅邊和近紅外波段內(nèi)。對比2個CO2濃度水平下兩種估算模型的自變量構(gòu)成和穩(wěn)定性, CO2濃度升高不影響冬小麥地上生物量估計模型的構(gòu)建。通過比較偏最小二乘法回歸和逐步多元線性回歸在光譜反射率和光譜特征參數(shù)2種自變量下建立的地上生物量估計模型, 發(fā)現(xiàn)結(jié)果都具有較好的估測精度, 但偏最小二乘法回歸模型的精度和穩(wěn)定性優(yōu)于逐步多元線性回歸, 估算模型預(yù)測的2能達(dá)到0.912。在逐步多元線性回歸中, 光譜特征參數(shù)作為自變量的估算模型在擬合精度和自變量共線性上優(yōu)于連續(xù)投影算法篩選的敏感波段作為自變量的估算模型?；诠庾V特征參數(shù)為自變量的估算模型可以發(fā)現(xiàn)黃邊特征參數(shù)、PRI和799 nm處的一階導(dǎo)數(shù)與冬小麥地上生物量的聯(lián)系十分緊密, 可以推測光譜遙感技術(shù)對地上生物量的預(yù)測主要是通過預(yù)測冬小麥葉片色素含量和光合作用來實現(xiàn)的, 同時, 以往的單一光譜參數(shù)估測生物量存在低植被覆蓋時對土壤背景敏感和高植被條件下對冠層生物量變化不敏感的缺點, 本研究篩選的特征參數(shù)雖然沒有克服低植被覆蓋時對土壤背景敏感的缺點, 對高植被覆蓋密度條件下生物量的估計還是保持較高的精確度。在偏最小二乘法回歸中, 光譜反射率作為自變量的估算模型在擬合精度上優(yōu)于光譜特征參數(shù)作為自變量的估算模型, 這一現(xiàn)象可能是由于基于光譜反射率的自變量冗余造成的。Ohsowski等[40]發(fā)現(xiàn)PLSR能夠解決了預(yù)測變量共線性問題, 準(zhǔn)確的對田間生物量進(jìn)行估算, Xie等[41]對葉綠素估算模型的研究當(dāng)中也提出PLSR模型優(yōu)于SMLR模型。本研究對于冬小麥地上生物量的估算模型雖然取得較好的結(jié)果,但是由于試驗?zāi)陻?shù)和樣本較少, 模型的適用性還有待后續(xù)考證。總的來說, 本研究給出了PLSR模型在CO2濃度變化下估算冬小麥地上生物量上優(yōu)于SMLR, 且具有一定的可行性。

4 結(jié)論

CO2濃度升高促進(jìn)了冬小麥拔節(jié)期和開花期的地上生物量顯著增加, 對成熟期地上生物量的影響未達(dá)到顯著水平; CO2濃升高不改變冠層光譜反射率曲線變化趨勢, 但是分別使拔節(jié)期紅邊和近紅外波段光譜反射率顯著增加, 開花期和灌漿期則顯著降低。不同時期的光譜特征參數(shù)隨CO2濃度升高而發(fā)生改變; CO2濃度升高縮小了地上生物量的敏感波段范圍, 但是沒有改變敏感波段的分布區(qū)間和地上生物量估算模型的建立。光譜參數(shù)為自變量構(gòu)建的SMLR估算模型在擬合精度和自變量共線性上優(yōu)于敏感光譜波段構(gòu)建的SMLR估算模型, R799'、Dy、SDy和PRI等光譜參數(shù)與地上生物量估算有著密切的關(guān)系; PLSR模型在模擬精度和穩(wěn)定性上優(yōu)于SMLR模型, 其中以光譜反射率為自變量的PLSR模型對冬小麥地上生物量的擬合精度最高,2為0.944。本研究系統(tǒng)地探究了CO2濃度升高對冬小麥地上生物量和光譜特征的影響, 并建立了預(yù)測模型, 為未來高CO2濃度下冬小麥地上生物量的預(yù)測和監(jiān)測提供了理論基礎(chǔ)和技術(shù)方法。

[1] 王卓妮, 袁佳雙, 龐博, 黃磊. IPCC AR6《氣候變化2022: 減緩氣候變化》主要結(jié)論和啟示. 氣候變化研究進(jìn)展, 2022, 18: 531–537. Wang Z N, Yuan J S, Pang B, Huang L. The interpretation and highlights of IPCC AR6 WGIII report climate change 2022: mitigation of climate change., 2022, 18: 531–537 (in Chinese with English abstract).

[2] Ainsworth E A, Long S P. What have we learned from 15 years of free air CO2enrichment (FACE)? A meta-analytic review of the responses of photosynthesis, canopy properties and plant production to rising CO2., 2005, 165: 351–371.

[3] Sinha P G, Kapoor R, Uprety D C, Bhatnagar A K. Impact of elevated CO2concentration on ultrastructure of pericarp and composition of grain in threespecies of different ploidy levels., 2009, 66: 451–456.

[4] Li B, Xu X, Zhang L, Han J, Bian C, Li G, Liu J, Jin L. Above–ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging., 2020, 162: 161–172.

[5] Miller G J, Morris J T, Wang C. Estimating aboveground biomass and its spatial distribution in coastal wetlands utilizing planet multispectral imagery., 2019, 11: 1–16.

[6] Tian H, Shi S, Wang H, Li F, Li Z, Alva A, Zhang Z. Estimation of sugar beet aboveground biomass by band depth optimization of hyperspectral canopy reflectance., 2016, 45: 795–803.

[7] Xie Y, Wang C, Yang W, Feng M, Qiao X, Song J. Canopy hyperspectral characteristics and yield estimation of winter wheat () under low temperature injury., 2020, 10: 244–254.

[8] Dawson T P, Curran P J. A new technique for interpolating the reflectance red edge position., 1998, 1: 2133–2139.

[9] 鄭紅平, 鄒紅玉. 淺述植被“紅邊”效應(yīng)及其定量分析方法. 遙感信息, 2010, 25(4): 112–116. Zheng H P, Zou H Y. The effect and method of quantitative analysis of “Red Edge” of vegetation., 2010, 25(4): 112–116 (in Chinese with English abstract).

[10] 蔡瑤, 繆宇軒, 吳浩, 王丹. 高CO2濃度下冬小麥的高光譜特征及其與葉面積指數(shù)和SPAD值的反演. 浙江農(nóng)業(yè)學(xué)報, 2022, 34: 582–589. Cai Y, Miao Y X, Wu H, Wang D. Hyperspectral characteristics and leaf area index (LAI) and SPAD value inversion of winter wheat under elevated CO2concentration., 2022, 34: 582–589 (in Chinese with English abstract).

[11] 楊璐璐, 華開, 張學(xué)霞. 不同CO2濃度及干旱脅迫下高羊茅的生理響應(yīng)和光譜特征. 中國草地學(xué)報, 2014, 36(4): 72–78. Yang L L, Hua K, Zhang X X. The impacts of mowing on photosynthesis and water physiological conditions of., 2014, 36(4): 72–78 (in Chinese with English abstract).

[12] Sun Q, Gu X, Sun L, Yang G, Zhou L, Guo W. Dynamic change in rice leaf area index and spectral response under flooding stress., 2020, 18: 223–233.

[13] Ren P, Feng M C, Yang W D, Wang C, Liu T T, Wang H Q. Response of winter wheat (L.) hyperspectral characteristics to low temperature stress., 2014, 34: 2490–2494.

[14] Xu D Q, Liu X L, Wang W, Chen M, Kan H C, Li C F, Zheng S F. Hyper spectral characteristics and estimation model of leaf chlorophyll content in cotton under waterlogging stress., 2017, 28: 3289–3296.

[15] Tschannerl J, Ren J, Yuen P, Sun G, Zhao H, Yang Z, Wang Z, Marshall S. MIMR-DGSA: unsupervised hyperspectral band selection based on information theory and a modified discrete gravitational search algorithm., 2019, 51: 189–200.

[16] Steve D B, Pieter K, Paul S. Walter D. A band selection technique for spectral classification., 2005, 2: 319–323.

[17] Gao H Z, Lu Q P, Ding H Q, Peng Z Q. Choice of characteristic near-infrared wavelengths for soil total nitrogen based on successive projection algorithm., 2009, 29: 2951–2954.

[18] Liu J, Xie J, Meng T, Dong H. Organic matter estimation of surface soil using successive projection algorithm., 2022, 114: 1944–1951.

[19] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem K M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

[20] El-Hendawy S, Al-Suhaibani N, Alotaibi M, Hassan W, Elsayed S, Tahir M U, Mohamed A I, Schmidhalter U. Estimating growth and photosynthetic properties of wheat grown in simulated saline field conditions using hyperspectral reflectance sensing and multivariate analysis., 2019, 9: 16473.

[21] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and non-destructive estimation of anthocyanin content in plant leaves?, 2001, 74: 38–45.

[22] Merzlyak M N, Solovchenko A E, Gitelson A A. Reflectance spectral features and non-destructive estimation of chlorophyll, carotenoid and anthocyanin content in apple fruit., 2003, 27: 197–211.

[23] Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS., 1992, 30: 261–270.

[24] Huete A R, Liu H Q, Batchily K, van Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS., 1997, 59: 440–451.

[25] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 337–354.

[26] Gamon J A, Pe?uelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41: 35–44.

[27] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. spectral features and relation to chlorophyll estimation., 1994, 143: 286–292.

[28] Schlerf M, Atzberger C, Hill J. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data., 2005, 95: 177–194.

[29] 張華東, 阮陸寧. 偏最小二乘回歸在R軟件中的實現(xiàn)及其優(yōu)缺點剖析. 科技廣場, 2015, (11): 12–17. Zhang H D, Ruan L N. Realization and advantages and disadvantages analysis of partial least–squares regression in the R software., 2015, (11): 12–17 (in Chinese with English abstract).

[30] 王石言, 王力, 張靜, 張林森. 黃土旱塬主要農(nóng)林用地土壤水文特征對比. 中國水土保持科學(xué), 2016, 14(3): 10–18. Wang S Y, Wang L, Zhang J, Zhang L S. Comparison of soil hydrological characteristics for main cropland and orchard in dry highland of the Loess Tableland., 2016, 14(3): 10–18 (in Chinese with English abstract).

[31] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem Kubar M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

[32] Liu J, Xie J, Meng T, Dong H. Organic matter estimation of surface soil using successive projection algorithm., 2022, 114: 1944–1951.

[33] H?gy P, Kottmann L, Schmid I, Fangmeier A. Heat, wheat and CO2: the relevance of timing and the mode of temperature stress on biomass and yield., 2019, 205: 608–615.

[34] H?gy P, Brunnbauer M, Koehler P, Schwadorf K, Breuer J, Franzaring J, Zhunusbayeva D, Fangmeier A. Grain quality characteristics of spring wheat () as affected by free-air CO2enrichment., 2013, 88: 11–18.

[35] Liu C, Hu Z H, Islam A, Kong R, Yu L F, Wang Y Y. Hyperspectral characteristics and inversion model estimation of winter wheat under different elevated CO2concentrations., 2021, 42: 1035–1053.

[36] 楊熙來, 朱榴駿, 馮兆忠. 臭氧脅迫下冬小麥葉片高光譜特征和葉綠素含量估算. 生態(tài)學(xué)報, 2023, 43: 3213–3223. Yang X L, Zhu L J, Feng Z Z. Hyperspectral characteristics and chlorophyll content estimation of winter wheat under ozone stress., 2023, 43: 3213–3223 (in Chinese with English abstract).

[37] Bandyopadhyay K K, Pradhan S, Sahoo R N, Singh R, Gupta V K, Joshi D K, Sutradhar A K. Characterization of water stress and prediction of yield of wheat using spectral indices under varied water and nitrogen management practices., 2014, 146: 115–123.

[38] Zhang C, Ren H, Dai X, Qin Q, Li J, Zhang T, Sun Y. Spectral characteristics of copper stressed vegetation leaves and further understanding of the copper stress vegetation index., 2019, 40: 4473–4488.

[39] Estrada F, Flexas J, Araus J L, Mora P F, Gonzalez T J, Castillo D, Matus I A, Méndez E A M, Garriga M, Araya R C, Douthe C, Castillo B, Del P A, Lobos G A. Exploring plant responses to abiotic stress by contrasting spectral signature changes., 2023, 13: 1–17.

[40] Ohsowski B M, Dunfield K E, Klironomos J N, Hart M M. Improving plant biomass estimation in the field using partial least squares regression and ridge regression., 2016, 94: 501–508.

[41] Xie Y, Feng M, Wang C, Yang W, Sun H, Yang C, Jing B, Qiao X, Saleem K M, Song J. Hyperspectral monitor on chlorophyll density in winter wheat under water stress., 2020, 112: 3667–3676.

Spectral characteristics of winter wheat canopy and estimation of aboveground biomass under elevated atmospheric CO2concentration

HUANG Hong-Sheng, ZHANG Xin-Yue, JU Hui, and HAN Xue*

Institute of Environment and Sustainable Development in Agriculture, Chinese Academy of Agricultural Sciences, Beijing 100081, China

The objective of this study is to investigate the effect of elevated atmospheric CO2concentration on the canopy spectral characteristics of winter wheat during the whole growth period and to establish quantitative relationships between above-ground biomass (AGB) and spectral parameters based on the screened sensitive bands. For this purpose, during the winter wheat growing season of 2021–2022, two treatment levels of atmospheric CO2concentration (ACO2, (420±20) μL L–1) and elevated CO2concentration (ECO2, (550±20) μL L–1) were set based on the Free Atmospheric CO2Enrichment System (Mini-FACE), and the changes of spectral features were analyzed under elevated CO2concentration. AGB sensitive bands were screened and the estimation models of AGB were constructed based on the successive projections algorithm (SPA), stepwise multiple linear regression (SMLR), and partial least squares regression (PLSR). The results showed that elevated CO2concentration significantly increased AGB in winter wheat at jointing and anthesis stages. The red-edge reflectance, near red edge reflectance, and red-edge area increased at jointing stage and decreased at anthesis and maturity stages. The positions of the blue-edge, yellow-edge, and red-edge were shifted at different growth stages. The sensitive spectral bands of AGB are mainly distributed in the red-edge and near red-edge bands, and the elevated CO2concentration narrows the range of the sensitive bands of AGB, but does not affect the estimation of AGB. The SMLR and PLSR models of AGB both achieved high estimation accuracy (2> 0.8), where the characteristic parameters such as R799', Dy, SDy, and PRI in the SMLR model were significantly correlated with AGB, with an2of 0.866. The PLSR model (2> 0.9) outperformed the SMLR model in terms of estimation accuracy and stability. This study can provide the theoretical basis and technical methods for the remote sensing monitoring of winter wheat growth and development under elevated CO2concentration in the future.

elevated CO2concentration; winter wheat; above ground biomass; canopy spectral features; regression analysis

10.3724/SP.J.1006.2024.31041

本研究由國家重點研發(fā)計劃項目(2019YFA0607403), 中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程農(nóng)業(yè)綠色低碳科學(xué)中心專項項目和中央級公益性科研院所基本科研業(yè)務(wù)費(fèi)(CAAS-CSGLCA-202301, BSRF202202)資助。

This study was supported by the National Key Research and Development Program of China (2019YFA0607403), the Special Project of Agricultural Green Low-carbon Science Center of Science and Technology Innovation Project of Chinese Academy of Agricultural Sciences, and the Basic Scientific Research Business Expenses of Central-level Public Welfare Research Institutes (CAAS-CSGLCA-202301, BSRF202202).

韓雪, E-mail: hanxue@caas.cn

E-mail: 82101215240@caas.cn

2023-06-25;

2023-10-23;

2023-11-16.

URL: https://link.cnki.net/urlid/11.1809.S.20231115.1549.008

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).