病害胁迫下棉花植株鲜生物量的高光谱提取

张 鑫，陈 兵，刘立峰，李天南，，王 琼，王方永，韩焕勇，肖春华

(1.新疆农垦科学院/农业部西北内陆区棉花生物学与遗传育种重点实验室，新疆石河子 832003；2.中国农业大学，北京 100081； 3.石河子大学，新疆石河子 832000)

随着遥感技术的发展，高光谱监测植被参数的相关研究越来越多，其中不乏对植株生物量的光谱识别和反演研究。由于植株生物量是作物经济产量的基础，因此以遥感方式准确、方便、快捷地获取生物量参数对长势监测和产量估计具有重要意义。前人的相关研究多针健康作物植株进行生物量监测，且综合运用高光谱数据、卫星和航空影像数据、雷达数据和作物生长模型等多种数据[1]。Casanova等利用植被指数反射模型计算净吸收光合有效辐射(The fraction of absorbed photosynthetically active radiation，简称fAPAR)，精确预测了水稻生育期的生物量[2]。Thenkabail等运用窄波段归一化植被指数建立棉花、马铃薯、大豆和玉米的鲜生物量估算方程[3]。Hansena等计算了438～884 nm范围内所有2波段间相关关系，构建了多种归一化指数，对小麦地上鲜生物量进行光谱提取[4]。Basuki等利用微波雷达遥感数据对森林生物量等结构参数进行估算[5]。Koppe等对水稻生物量进行研究，运用三江平原拔节期的遥感数据对水稻地上生物量进行预测[6]。

宋开山等建立多个高光谱比值植被指数模型对大豆地上鲜生物量进行提取[7]。黄春燕等通过采集新疆棉花多时相高光谱数据对棉花生育时期的地上鲜生物量进行估算[8]。孙小艳等运用单变量线性和非线性回归分析建立4种归一化差异植被指数(normalized difference vegetation index，简称NDVI)模型，对甘肃河西绿洲小麦地上干生物量(aboveground net primary production，简称ANPP)进行提取[9]。任广波等对HJ-1高光谱遥感影像进行分析，建立7种常用的窄波段植被指数和2种红边指数对黄河口芦苇和碱蓬生物量进行估测，结果发现，单植被指数(single ratio index，简称SRI)和线性插值红边指数红边位置(red edge position，简称REP)的估测精度最高[10]。王新云等综合全极化波段雷达数据、HJ1B影像及野外调查的数据，有效监测了荒漠草原人工柠条灌木林地上生物量[11]。刘明等从中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer，简称M0DIS)中提取10种植被指数，分别结合回归分析法和人工神经网络法对春玉米叶面积指数(leaf area index，简称LAI)和地上鲜生物量进行模拟，不同方法组合的植被指数不同，效果也不同，其中利用人工神经网络法的反演精度高于回归分析法[12]。王红岩等利用BJ-1、HJ数据及Landsat TM数据，结合地面同步实测草地生物量数据，系统比较它们对草地生理参数估算方面的差异与能力，其中自主国产遥感数据有其特色，应用潜力很大[13]。丁蕾等采集了春季黄河口湿地芦苇光谱和生物量数据，并运用修改型土壤调节植被指数(modified soil adjusted vegetation index，简称MSAVI)构建了基于现场光谱的芦苇生物量诊断模型[14]。陈鹏飞等通过创建一种新的植被指数(红边三角植被指数)对玉米、小麦冠层生物量进行估算发现，与现有的植被指数相比，在较高生物量条件下该植被指数仍可保持其对生物量变化的高敏感性，具有较好的估测效果[15]。目前，多数研究仅从相关系数或者统计估算模型决定系数方面分析了光谱变量对生物量估算的可行性，而模型精度检验及比较分析较少，且针对病虫害条件下植株生物量的提取研究较少，尤其棉花黄萎病发生后植株生物量的提取模型尚未见系统报道。

本研究旨在分析黄萎病棉株鲜生物量的光谱响应特征，找到黄萎病棉株鲜生物量光谱识别的敏感波段，据此建立光谱特征参数对黄萎病棉株地上鲜生物量进行光谱提取，以期为棉花黄萎病发生后的植株鲜生物量提取提供新的方法，并为大面积的病害卫星遥感监测提供技术支撑。

1 材料与方法

1.1 试验地种植情况

2013—2014年同步开展小区和大田试验。小区试验在新疆农垦科学院棉花所病圃田进行。试验区土壤肥力中等，面积约23.5 m2，随机区组设计，每处理3个重复。以新陆早45号(XLZ-45)和金垦86-29为试验品种。小区理论种植密度为24万株/hm2，播种窄行行距为20 cm，宽行行距为 40 cm，宽窄行交替种植，株距为 9.5 cm。2013年4月18日播种，膜上点播，膜下滴灌，灌水量为5 600 m3/hm2，全生育期灌溉10次，每9～10 d 灌溉1次。2/3磷肥、2/3钾肥和1/3氮肥被用作基肥，1/3磷肥、1/3钾肥和2/3氮肥随水滴施，全生育期施肥量为 400 kg/hm2纯氮、200 kg/hm2P2O5和 80 kg/hm2K2O。2014年4月21日播种，管理和2013年相同，其他按当地高产栽培模式管理。大田试验在石河子垦区143团、149团自然发病棉田进行，试验品种为合信14和 XLZ-45，试验处理与小区相似。

1.2 病情指数调查及严重度分级

在黄萎病发病的高峰期，用5点调查法调查测试点病情指数(disease index，简称DI)，每个测试点测试10株棉花。陈兵等将调查点棉花冠层病害严重度分为5级，即正常(b0)、轻度(b1)、中度(b2)、严重(b3)、极严重(b4)[16]。

1.3 数据采集

用野外光谱辐射仪(美国ASD公司生产，型号为Field Spec Pro 2500 RS3)测定测试点棉花冠层光谱，具体方法见参考文献[10]。分别于2013年7月18日、7月31日、8月20日、9月19日及2014年7月26日、8月11日、8月23日和9月6日测定棉花冠层光谱，并同步取样检测棉花黄萎病植株的地上鲜生物量，共获取93组高光谱与棉花地上鲜生物量同步数据。

地上鲜生物量的检测方法为在测定光谱后立即拔出代表性棉株5株，称量子叶节以上部分鲜生物量，然后计算每个光谱测试点对应的单位土地面积鲜生物量。

1.4 数据分析方法

将Viewspec Program软件中光谱数据导出到Excel 2007中，计算鲜生物量平均值，将鲜生物量和光谱反射率进行相关分析，筛选最佳波段并构建新的光谱指数，最后进行回归分析，应用SPSS 19.0软件进行数据统计分析。选取2013年的50个样本进行建模，2014年的43个样本进行提取模型的检验。

2 结果与分析

2.1 棉花黄萎病植株鲜生物量变化

由表1可知，不同时期的棉株鲜生物量在2年内都随着棉株黄萎病严重度的增加而减小，且病情越严重，减小的幅度越大，说明病害棉株鲜生物量的减小不受年份和时期的影响。随着棉花的生长(2013年7月18日至9月19日，2014年7月26日至9月6日)，病害等级正常到轻度(b0～b2)的棉株鲜生物量在铃期以前(2013年7月18日至8月20日，2014年7月26日至8月23)均呈逐渐增长的趋势，但吐絮期(2013年9月19日，2014年9月6日)有所不同，2013年9月19日b1棉株鲜生物量略微增加，其他严重度均减小；而2014年9月6日重度病害(b3、b4)呈逐渐下降的趋势，其他严重度均增加。由方差分析结果可知，2013、2014年病害等级为 b1～b4的棉株鲜生物量均与正常(b0)成显著差异，不同病害严重度的植株鲜生物量存在一定的差异性；从病害严重度来看，病害相邻处理鲜生物量差异显著性存在交叉，但b4与其他病害程度(除b3外)鲜生物量均存在极显著差异，说明7月底到8月中下旬和b4对发病棉株鲜生物量的影响较大。

表1 棉株鲜生物量变化特征

注：同列数据后不同的大写字母分别表示差异极显著(P<0.01)。

2.2 棉花黄萎病植株鲜生物量光谱敏感波段选择

对2013年不同时期不同严重度棉花黄萎病的植株鲜生物量与光谱反射率进行相关分析。由图1可知，黄萎病棉花植株鲜生物量与反射率值在400～582 nm、704～1369 nm、1627～1729 nm波段呈显著正相关关系，其中432～467nm、517～573 nm、706～1368 nm波段两者呈极显著正相关关系，除红边(680～780 nm)波段外，单波段545 nm(r=0.786)、939 nm(r=0.866)、1 676 nm(r=0.506)处两者的正相关性较高。因此，400～582 nm、704～1 369 nm、1 627～1 729 nm为黄萎病棉株鲜生物量识别的光谱敏感波段区域，432～467 nm、517～573 nm、706～1 368 nm为黄萎病棉株鲜生物量的光谱敏感波段，单波段545、939、1 676 nm为黄萎病棉株鲜生物量的最佳光谱波段。

2.3 棉花黄萎病植株鲜生物量的光谱提取

对2013年棉花黄萎病植株光谱敏感波段区域正相关度最高的545、939、1 676 nm进行组合，构建新的黄萎病棉株鲜生物量估测光谱指数，包括R545、R939、R1 676、R939-R554、R939/R554、(R939-R554)/(R939+R554)、R1 676-R554、R1 676/R554、(R1 676-R554)/(R1 676+R554)、R939-R1 676、R939/R1 676、(R939-R1 676)/(R939+R1 676)，并建立黄萎病棉株鲜生物量估算模型。在12个估测参数所建立的线性、多项式和指数方程中，同一参数所建立的3种方程的决定系数差异很小，同时考虑到线性模型最简单实用，因此以线性方程作为病害棉株鲜生物量的诊断模型。由表2可知，除R939/R554、(R939-R554)/(R939+R554)、R1 676-R545外，其余线性提取方程决定系数R2均达到极显著水平。其中单波段R545、R939建立的估算模型决定系数较高，分别为0.628、0.720；在组合波段中，新建光谱指数R939-R545、R939-R1 676建立的估算模型决定系数较高，分别为 0.685、0.684，可作为黄萎病棉株鲜生物量识别的最佳光谱模型。

以2014年的独立试验数据对表2中极显著的诊断方程进行检验。由表2可知，单波段R545、R939、R1 676检验决定系数较高，分别为0.688、0.718、0.741，而新建光谱指数R939-R545的检验决定系数较高，为0.683；对建立的达到显著水平的模型进行均方根误差(RMSE)检验得到，R939、R1 676、R939-R545光谱指数对应的RMSE较低，分别为2.168、1.622、2.128。综上所述，R939和新建光谱指数R939-R545的检验决定系数较高，分别为0.718、0.683，均方根较小，分别为2.168、2.128，相对误差较小，分别为0.32、0.28，表明二者为棉花黄萎病植株鲜生物量光谱识别的最佳模型。

表2 棉花黄萎病植株鲜生物量估算模型

注：“**”表示P<0.01极显著水平；建模样本数、检验样本数分别为50、43；“*”表示新建光谱指数；“—”表示没有数值。

3 讨论

本研究提出一种利用光谱技术提取病害棉株鲜生物量的方法。首先对棉花黄萎病植株鲜生物量变化特征进行分析，受黄萎病的影响，2013、2014年的棉株鲜生物量在同一病害严重度水平总体随生育期的延长在铃期前呈逐渐增长的趋势，之后有增有减。主要原因可能是2年的种植品种不同和吐絮期病害棉株产生2次生长所致。2013年秋季霜冻来得比较早，导致同一病害严重度水平下的棉花在吐絮期因受到霜冻影响，鲜生物量有所下降，而2014年秋季霜冻来得比较晚，导致棉花在吐絮期正常生长，受害轻的植株有返青现象明显，生物量轻微增加，但受害重的植株已经死亡或接近死亡，鲜生物量不在明显增加。通过分析棉花黄萎病严重度与植株鲜生物量的相关性，选出400～582、704～1 369、1 627～1 729 nm 为黄萎病棉花植株的鲜生物量光谱识别的敏感波段区域，432～467、517～573、706～1 368 nm为黄萎病棉花植株的鲜生物量光谱的敏感波段，单波段545、939、1 676 nm为黄萎病棉花植株鲜生物量光谱的最佳波段，与相关研究存在差异。Hansena等认为，438～884 nm范围可作为敏感波段来估算小麦地上鲜生物量[4]；王秀珍等研究发现，波长为376～722、754～917 nm光谱反射率和水稻地上鲜生物量之间的相关系数可达到显著性检验水平，不同的研究结果可能是由研究作物不同和作物生长状况不同敏感波段范围发生变化所致[17]。本研究推荐以光谱指数R939、(R939-R545)为自变量建立的模型是黄萎病棉株鲜生物量光谱识别的最佳模型，与宋开山等建立的作物生物量估算模型种类[7-8]不同。宋开山等认为，多个高光谱比值植被建立的模型是大豆地上鲜生物量估算的最佳模型，可能是由于棉花品种、生长状态等的差异导致[7]；黄春燕等认为，比值植被指数(ratio vegetation index，简称RVI)建立的指数函数是反演棉花地上鲜生物量的最佳模型[8]。在运用高光谱技术监测棉花黄萎病植株鲜生物量时要注意，因为地面支持模型往往是在单个品种、某个区域、单一栽培措施条件下建立的，所以这种模型的普遍性、适用性及精确性在不同条件下有所不同。