摘要：利用高光譜技術獲取玉米農學參數信息，有助于提升玉米精準管理水平。本研究基于3個種植密度和5份玉米材料的田間試驗，獲取玉米大喇叭口期的地面ASD高光譜數據與無人機高光譜影像，分析不同種植密度下不同遺傳材料的葉面積指數(LAI)和單株地上部生物量，構建基于全波段、敏感波段和植被指數的LAI和單株地上部生物量高光譜估算模型，比較分析兩種表型獲取的數據在玉米冠層參數上的監測能力。結果表明，野生型玉米材料的冠層光譜反射率在近紅外波段隨著種植密度的增大而增大;同一種植密度下的野生型玉米材料的光譜反射率在可見光和近紅外波段均最低。在可見光波段550nm的波峰處，4種轉基因材料的光譜反射率比野生型玉米材料的光譜反射率提高4.52%~19.9%，在近紅外波段870nm的波峰處，4種轉基因材料的光譜反射率比野生型玉米材料的光譜反射率提高23.64%~57.05%。基于21個高光譜植被指數構建的模型對LAI的估算效果最好，測試集決定系數(R2)為0.70，均方根誤差(RMSE)為0.92，相對均方根誤差(rRMSE)為15.94%。敏感波段反射率(839~893nm和1336~1348nm)對玉米單株地上部生物量估算效果最佳，測試集R2為0.71，RMSE為12.31g，rRMSE為15.89%。綜上，田間非成像高光譜和無人機成像高光譜在玉米LAI及生物量估算方面具有較好的一致性，能夠快速有效地提取地塊尺度玉米農學參數信息，本研究可為高光譜技術在小區尺度的精準農業管理應用提供參考。

　　關鍵詞：高光譜;玉米;葉面積指數;地上部生物量;偏最小二乘回歸;無人機遙感

　　1引言

　　玉米是世界上最重要的糧食作物之一，廣泛使用于食品、飼料、能源、化工等行業[1]。葉面積指數(LeafAreaIndex，LAI)是指單位土地面積上的植物葉片總面積[2]，與作物的光合作用和蒸騰作用密切相關，是表征作物長勢的關鍵參數[3,4];地上生物量是作物產量形成的重要基礎[5-7]。因此，準確快速地獲取玉米LAI及地上部生物量對掌握其長勢及預測產量意義重大。

　　農作物論文范例：玉米種植技術推廣的意義及途徑

　　傳統作物LAI和地上部生物量的田間觀測方法主要是人工測量，其過程繁瑣，需要耗費大量的人力物力[8]，結果有一定的滯后性，且大面積的田間破壞性取樣會影響群體作物的生長狀況。近年來，遙感技術的日益發展和遙感數據源的日益增多，為快速獲取作物LAI和地上部生物量提供了有效的手段。從遙感建模算法來看，主要可分為物理模型和經驗模型兩種。物理模型機理性強，對作物LAI和生物量具有較強的解釋能力，但模型較為復雜，需要的參數也較多[9]。

　　經驗模型借助統計分析工具，計算過程相對簡單，在實際研究中得到廣泛應用[10]，但模型和參數的普適性較差。無人機成像技術作為低空遙感技術之一，對于地塊尺度獲取作物長勢信息具有重要應用價值，其時效性、操作性更強，有效彌補了衛星遙感在精準農業應用上空間和時間分辨率的不足[11]。搭載于無人機平臺的傳感器主要有數碼相機、多光譜相機和高光譜成像儀。與數碼和多光譜相機相比，高光譜成像儀波段更多，光譜分辨率更高[12,13]，在捕捉細微特征信息方面具有獨特的優勢。

　　目前利用無人機高光譜數據監測作物長勢參數主要集中于冬小麥、水稻、棉花等。田明璐等利用多個光譜參數對棉花LAI[14]及葉綠素含量[15]進行反演及空間制圖，驗證R2均在0.8以上。陶惠林等將無人機高光譜數據與數碼影像相結合，使用多種回歸方法對冬小麥LAI[16,17]、地上部生物量[18,19]、產量[20,21]進行估算，發現多元線性回歸在各參數的應用效果最佳。

　　Li等[22]將無人機高光譜與物理模型相結合估算冬小麥氮密度，R2達0.74。秦占飛等[23]通過構建新的比值光譜指數實現了水稻葉片氮含量高精度反演。以上研究大多通過地面高光譜或無人機高光譜基于波段反射率或植被指數對作物參數進行研究。本研究以玉米地面實測LAI、地上部生物量、近地面高光譜數據及無人機成像高光譜為數據源，利用偏最小二乘(PartialLeastSquares，PLS)回歸法構建LAI和地上部生物量高光譜估算模型，對比全波段、植被指數及重要光譜波段對LAI及單株地上部生物量的反演精度，旨在探索地面高光譜與無人機高光譜在玉米農學參數監測的應用能力。

　　2材料與方法

　　2.1研究區概括

　　研究區位于吉林省公主嶺市吉林省農業科學院試驗基地(124°82´E，43°50´N)。公主嶺市地處吉林省中西部，東遼河中游右岸，屬于溫帶大陸性季風氣候。溫度、雨量、光照等季節性變化顯著，年平均氣溫5.6℃，年平均降水量594mm，無霜期約150d。

　　2.2試驗設計

　　試驗采用隨機區組設計，設置3個種植密度：60,000株/ha、90,000株/ha和120,000株/ha，進行3次重復。以生物技術材料807的4個轉基因株系和野生型玉米為試驗材料，均由中國農業大學作物功能基因組與分子育種中心提供。共有45個小區，每個小區種植4行玉米，每行長5m，行間距為0.6m。玉米播種日期為2018年4月26日，水肥管理完全相同，均采取當地大田管理模式。

　　3結果與分析

　　3.1種植密度和株系對玉米LAI及單株地上生物量的影響

　　實際測量的玉米LAI及單株地上部生物量統計結果。LAI平均值為5.76，單株地上部生物量平均值為77.45g，2項指標的變異系數均大于0.1，其中LAI的變異系數大于0.2。LAI和單株地上部生物量的離散程度均較大，說明種植密度和株系對于冠層結構具有較大影響。實測的玉米LAI及單株地上部生物量經過方差分析和多重比較后的結果，葉面積指數和單株地上部生物量均存在顯著差異。

　　LAI作為群體指標，與種植密度成正相關，即隨著種植密度升高，LAI也隨之升高;而對于單株生物量，其受種植密度的影響則要小于LAI，這是由于單株生物量屬于個體指標，當種植密度較低時，單株玉米獲得的光照與養分越充足，使得單株生物量較高，因此中、低密度的單株生物量要略高于高密度，說明中、低密度時光照和養分能保證植株正常生長，而種植面積度為120,000株/ha時，植株生長相互影響，使得單株生物量有所降低。

　　在60,000株/ha和120,000株/ha密度下轉基因材料的葉面積指數普遍高于野生型玉米的LAI，同樣地上部生物量在上述2種密度下也呈現出與LAI相同的規律。在90,000株/ha密度下野生型玉米的LAI與轉基因材料的葉面積指數相當，野生型玉米的單株地上部生物量比轉基因材料略大。說明轉基因材料的植株普遍比野生型材料較大，但對于LAI和單株地上部生物量因密度的變化而不同。

　　3.2不同種植密度或株系的玉米冠層光譜

　　分別是野生型材料在3種種植密度下和5種材料在120,000株/ha密度下的近地面高光譜曲線。可以得到以下規律：各光譜曲線具有相似的形態特征，波峰和波谷的所在位置基本保持一致，說明密度和株系雖然使得玉米冠層結構發生改變，但未改變作物的基本光譜規律;野生型材料的冠層光譜反射率在可見光波段120,000株/ha密度下最低，90,000株/ha密度下最高，在近紅外波段隨著種植密度的增大而增大，說明近紅外波段更能突出顯示密度導致的植株差異。

　　同一種植密度下的5種材料中，野生型材料的光譜反射率在可見光和近紅外波段均最低。在可見光波段550nm的波峰處，4種轉基因材料的光譜反射率比野生型材料的光譜反射率提高4.52%~19.90%，在近紅外波段870nm的波峰處，4種轉基因材料的光譜反射率比野生型材料的光譜反射率提高23.64%~57.05%。玉米冠層光譜反射率因種植密度及玉米株系的不同呈現差異。

　　4結論與討論

　　本研究分別以無人機高光譜全波段、近地面高光譜全波段、常用植被指數和敏感光譜波段為自變量，使用PLS回歸法分別估算田間大喇叭口期玉米LAI和單株地上部生物量，取得了滿意的結果。其中，常用光譜植被指數對玉米LAI的估算效果相對最好，測試集R2為0.70，RMSE為0.92，rRMSE為15.94%;敏感光譜波段對田間大喇叭口期玉米單株地上部生物量估算效果相對最好，測試集R2為0.71，RMSE為12.31g，rRMSE為15.89%。

　　考慮到地面高光譜的光譜通道更多、更窄，在捕捉目標地物的細微特征方面具有更高的響應能力，本研究基于地面高光譜來篩選玉米LAI和生物量的敏感波段，并與波段較少的無人機高光譜數據進行模型精度對比，研究表明兩種傳感器在監測玉米LAI和生物量上均取得較高的反演精度。冠層光譜主要由植被、土壤、陰影及其它因素的綜合作用而決定。由于地面高光譜是非成像數據，無法剔除背景信息，為了與地面高光譜保持一致，無人機數據使用的是每個小區的平均高光譜反射率。本研究分別用地面高光譜(1700個波段)和無人機高光譜(200個波段)估算LAI。

　　利用無人機高光譜估算LAI其測試集R2為0.65，RMSE為0.98，rRMSE為17.00%;利用近地面高光譜估算LAI其測試集R2為0.64，RMSE為1.04，rRMSE為18.12%，說明高光譜數據中存在大量與玉米LAI無關的波段，剔除這些無關波段對葉面積指數估算影響較小。

　　本研究還發現，在各種變量建模結果中，基于敏感光譜波段的LAI估算精度最低，原因可能是葉面積指數敏感光譜波段的篩選條件過于嚴苛。在估算玉米生物量時，隨著高光譜波段數量的減少，模型的估算效果不斷提高，其中使用敏感光譜波段反射率取得了最好的結果，說明在估算玉米單株地上部生物量時，高光譜波段存在著“冗余”現象，降低光譜波段數量，選擇敏感光譜波段有助于提高其估算精度。本研究可為基于高光譜技術監測育種材料性狀參數的應用方面提供參考。

　　在育種材料數量較多的情況下，利用該方法僅需少量實測樣本即可快速得到所有育種小區的生長發育情況。本研究構建的模型雖然取得較為滿意的結果，但目前僅限于玉米單個生育期，在后續研究中還需增加更多的生育期來驗證。此外，高光譜數據的信息挖掘方法較多，本研究目前嘗試了全波段、植被指數和敏感光譜波段等光譜特征參量，后續研究中有必要嘗試更多的光譜變換算法，進一步提升高光譜影像監測作物長勢參量的精度和穩定性。

　　參考文獻：

　　[1]束美艷,顧曉鶴,孫林,等.倒伏脅迫下的玉米冠層結構特征變化與光譜響應解析[J].光譜學與光譜分析,2019,39(11):3553-3559.SHUM,GUX,SUNL,etal.Structuralcharacteristicschangeandspectralresponseanalysisofmaizecanopyunderlodgingstress[J].SpectroscopyandSpectralAnalysis,2019,39(11):3553-3559.

　　[2]周龍飛,張云鶴,成樞,等.不同生育期倒伏脅迫下玉米葉面積指數高光譜響應解析[J].遙感技術與應用,2019,34(4):766-774.ZHOUL,ZHANGY,CHENGS,etal.Analysisofhy‐perspectralresponseofmaizeleafareaindexunderlodgingstressunderdifferentgrowthstages[J].RemoteSensingTechnologyandApplication,2019,34(4):766-774.

　　[3]潘海珠,陳仲新.無人機高光譜遙感數據在冬小麥葉面積指數反演中的應用[J].中國農業資源與區劃,2018,9(3):32-37PANH,CHENZ.ApplicationofUVAhyperspectralremotesensinginwinterwheatleafareaindexinver‐sion[J].ChineseJournalofAgriculturalResourcesandRegionalPlanning,2018,9(3):32-37

　　作者：束美艷1，陳向陽2，王喜慶2*，馬韞韜1*