黃 璐，包云軒**，郭銘淇，朱 鳳，楊榮明

稻縱卷葉螟危害下水稻葉片光譜特征及產(chǎn)量估測*

黃 璐1，包云軒1**，郭銘淇1，朱 鳳2，楊榮明2

（1．南京信息工程大學(xué)氣象災(zāi)害預(yù)報和評估協(xié)同創(chuàng)新中心/南京信息工程大學(xué)江蘇省農(nóng)業(yè)氣象重點實驗室/氣象災(zāi)害教育部重點實驗室/南京信息工程大學(xué)氣候與環(huán)境變化國際合作聯(lián)合實驗室,南京 210044；2．江蘇省植物保護(hù)站, 南京 210013）

2020年在南京市浦口區(qū)橋林街道對稻縱卷葉螟[Güenée（）]自然發(fā)生的水稻農(nóng)田進(jìn)行高光譜觀測試驗，以探明不同稻縱卷葉螟危害程度下水稻葉片光譜特征與產(chǎn)量的關(guān)系，并對水稻產(chǎn)量進(jìn)行預(yù)測。試驗共選取80個樣點，各樣點蟲害等級根據(jù)稻株的受害葉片數(shù)量占葉片總數(shù)的比例進(jìn)行劃分，利用SOC710VP便攜式高光譜成像儀，采集水稻主要生育期（拔節(jié)期、孕穗期、灌漿期和成熟期）各樣點水稻葉片的高光譜數(shù)據(jù)，調(diào)查收獲后各樣點的水稻產(chǎn)量數(shù)據(jù)，分析不同蟲害等級下水稻葉片原始光譜、一階導(dǎo)數(shù)光譜特征和產(chǎn)量參數(shù)的變化規(guī)律，并利用觀測光譜與產(chǎn)量相關(guān)性較強(qiáng)的特征波段計算植被指數(shù)，建立基于植被指數(shù)的水稻產(chǎn)量估算模型。結(jié)果表明：（1）同一生育期內(nèi)，水稻葉片近紅外波段和紅邊波段的反射率隨著蟲害等級的升高而降低，而紅光波段則相反。（2）同一生育期內(nèi)，一階導(dǎo)數(shù)光譜的峰值、紅邊幅值和紅邊面積隨著蟲害等級的增大而降低，紅邊位置的“藍(lán)移”現(xiàn)象加重。（3）水稻的有效穗數(shù)、千粒重、結(jié)實率以及產(chǎn)量總體上隨著蟲害等級的上升而降低；但蟲害等級較低時，有效穗數(shù)、千粒重以及結(jié)實率均出現(xiàn)“回升”現(xiàn)象。（4）利用各生育期DVI、RVI和CARI構(gòu)建水稻產(chǎn)量估測模型，其中RVI的二項式模型模擬效果最佳。研究表明利用水稻葉片成像光譜特征可對稻縱卷葉螟危害進(jìn)行長期、動態(tài)的監(jiān)測，由其敏感波段構(gòu)建的植被指數(shù)能夠有效估測稻縱卷葉螟為害下的水稻產(chǎn)量。

稻縱卷葉螟；高光譜遙感；水稻產(chǎn)量；植被指數(shù)；估算模型

稻縱卷葉螟[Güenée（）]是分布于中國各稻區(qū)的主要害蟲之一，其幼蟲將植株葉片卷起呈筒狀并棲居于內(nèi)啃食葉片，導(dǎo)致葉片無法正常進(jìn)行光合作用，降低水稻干物質(zhì)的累積速率，給水稻產(chǎn)量帶來嚴(yán)重?fù)p失[1?5]。在一般發(fā)生年份稻縱卷葉螟的為害會導(dǎo)致水稻出現(xiàn)10%～20%減產(chǎn)，在大發(fā)生年份水稻減產(chǎn)60%以上[6]。

在一定的危害程度下，稻縱卷葉螟會影響水稻的生長發(fā)育乃至其后續(xù)的穗粒形成和生長，嚴(yán)重的稻縱卷葉螟蟲害會導(dǎo)致水稻成熟時形成大量的空癟粒，給產(chǎn)量造成極大的損失。Singh等[7]發(fā)現(xiàn)稻縱卷葉螟為害會降低水稻的總產(chǎn)量和稻谷品質(zhì)。朱友理等[8]研究表明，水稻結(jié)實率、千粒重和理論產(chǎn)量與拔節(jié)孕穗期水稻功能葉的卷葉率呈顯著負(fù)相關(guān)。杜正朕[9]在研究受不同稻縱卷葉螟蟲量等級為害的水稻生長情況時發(fā)現(xiàn)，蟲害處理等級的提高會導(dǎo)致穗長、分蘗、結(jié)實率和產(chǎn)量等指標(biāo)均出現(xiàn)不同程度的下降。Chhavi等[10]在對比分析不同基因型的水稻產(chǎn)量數(shù)據(jù)時發(fā)現(xiàn)，無論是哪種基因型，受到稻縱卷葉螟侵害的水稻產(chǎn)量均低于未受到侵害的水稻。因此，監(jiān)測稻縱卷葉螟蟲害對水稻產(chǎn)量的預(yù)測和防治具有重要意義。

高光譜遙感影像能夠獲取作物的空間、輻射和光譜維信息[11]，捕捉由病蟲害引起的作物植被的細(xì)微變化[12]，被廣泛應(yīng)用于作物病蟲害的監(jiān)測。目前，國內(nèi)外許多學(xué)者應(yīng)用高光譜遙感技術(shù)獲取并分析了不同作物的原始光譜和導(dǎo)數(shù)光譜信息，均發(fā)現(xiàn)作物受到惡劣環(huán)境或病蟲侵害的光譜特征變化與未受害的存在明顯差異[13?15]，特定波段能夠反映出作物的受害情況[16]。近年來，使用葉片光譜分析作物病蟲害的研究越來越多，與冠層光譜相比，葉片光譜能更準(zhǔn)確地反映作物葉片的受害情況。黃建榮等[17]研究水稻受蟲害葉片的光譜時發(fā)現(xiàn)近紅外和綠光波段的反射率隨蟲害等級的增加而降低，紅光波段則相反。孫啟花等[18]在研究中發(fā)現(xiàn)，當(dāng)水稻受到稻縱卷葉螟危害時，冠層光譜和葉片光譜的紅邊幅度和紅邊面積均具有顯著的變化。Yuan等[19]分別研究白粉病、黃銹病和蚜蟲對冬小麥葉片水平上的光譜響應(yīng)差異時發(fā)現(xiàn)，三種病蟲害在近紅外波段的光譜有著不同的變化規(guī)律，證明了使用葉片光譜區(qū)分三種病蟲害的可行性。Jones等[20]在分析番茄的葉片光譜時發(fā)現(xiàn)感染了葉斑病的葉片與健康葉片在633-635nm和750-760nm位置的反射率有明顯差異。因此，研究稻縱卷葉螟危害下水稻葉片反射光譜的變化，對探究水稻受稻縱卷葉螟危害后產(chǎn)量的變化，構(gòu)建稻縱卷葉螟為害的水稻產(chǎn)量估測模型，實現(xiàn)對稻縱卷葉螟危害的監(jiān)測、發(fā)生趨勢預(yù)警以及防控決策具有重要意義。

以往的稻縱卷葉螟蟲害高光譜特征研究都是在控制小區(qū)內(nèi)進(jìn)行試驗，稻縱卷葉螟均為人為投放并封閉在小區(qū)內(nèi)部，而在實際生產(chǎn)過程中，稻縱卷葉螟的個體或種群是自由進(jìn)出稻區(qū)的，其建立的監(jiān)測模型較難擬合或反映自然農(nóng)田里稻縱卷葉螟蟲害的實際發(fā)生情況，且以往的研究更多關(guān)于受稻縱卷葉螟危害的水稻光譜與生理生態(tài)參數(shù)之間的關(guān)系，關(guān)于不同蟲害程度下葉片光譜與產(chǎn)量的相關(guān)性研究則鮮見報道，為了能夠更好地將稻縱卷葉螟監(jiān)測與水稻生產(chǎn)實際相結(jié)合，本研究設(shè)置純自然大田實驗，獲取并分析不同生育期不同樣點稻縱卷葉螟實際蟲害發(fā)生程度下的水稻葉片高光譜數(shù)據(jù)和產(chǎn)量數(shù)據(jù)，篩選對水稻產(chǎn)量變化響應(yīng)敏感的波段和植被指數(shù)，構(gòu)建各生育期水稻產(chǎn)量的估測模型，以期實現(xiàn)對不同程度稻縱卷葉螟危害下水稻受害特征的準(zhǔn)確判斷，精確預(yù)測蟲害造成的水稻產(chǎn)量損失，為稻縱卷葉螟蟲害的精準(zhǔn)預(yù)警和防控以及受害后水稻產(chǎn)量損失的有效評估提供科學(xué)依據(jù)和技術(shù)支持。

1 材料與方法

1.1 試驗區(qū)概況

大田試驗于2020年6-10月在南京市浦口區(qū)橋林街道北梗(31.48°N，118.30°E)的農(nóng)田內(nèi)進(jìn)行。試驗區(qū)均處于長江中下游的沿江稻區(qū)，地處亞熱帶濕潤季風(fēng)氣候區(qū)內(nèi)，是稻縱卷葉螟遷入和危害的重發(fā)區(qū)和常發(fā)區(qū)。

當(dāng)?shù)厮旧趦?nèi)的日平均氣溫和相對濕度較適宜，非常有利于稻縱卷葉螟的遷入、取食和繁殖。水稻生育期為6-10月，分蘗-成熟期與稻縱卷葉螟發(fā)生代次交替相一致，為稻縱卷葉螟遷入種群提供了豐富的取食條件。

1.2 試驗設(shè)計

供試水稻品種為南粳46。試驗田分為防治田和非防治田，防治田（長×寬為260m×60m）與非防治田（長×寬為100m×70m）相距約1km。防治田在水稻移栽后放置太陽能頻振式殺蟲燈來誘殺稻縱卷葉螟，并定期噴灑農(nóng)藥進(jìn)行防蟲，以確保其不形成蟲害。而非防治田則不進(jìn)行稻縱卷葉螟的防治，田中稻縱卷葉螟自然發(fā)生。除稻縱卷葉螟發(fā)生情況不一致外，其他處理（施肥、灌溉等）均保持一致。試驗觀測于7-9月進(jìn)行，由于7月中上旬江淮地區(qū)連日陰雨，無法進(jìn)行數(shù)據(jù)采集，所以從7月23日（水稻分蘗末期拔節(jié)前期）開始，每個生育期進(jìn)行1～2次調(diào)查和測量，待水稻成熟后（11月初）將水稻帶回實驗室進(jìn)行產(chǎn)量計算。非防治試驗田均勻劃分成16個區(qū)域，每個區(qū)域按照5點取樣法選取5個樣點（每個樣點面積為7m×7m），總共80個樣點，每個采樣點調(diào)查5株水稻，并插上標(biāo)記桿以便后續(xù)再觀測和再采樣，根據(jù)受害葉片數(shù)量占整株水稻所有葉片總數(shù)的比例將水稻受害情況劃分等級，以此作為該樣點稻縱卷葉螟的發(fā)生狀況（即以樣點來定級），具體劃分標(biāo)準(zhǔn)及各等級的樣點個數(shù)如表1所示。防治試驗田也均勻選出16個小區(qū)，每個小區(qū)（樣點）面積與非防治試驗小區(qū)相同，每個小區(qū)隨機(jī)、均勻選取6個采樣點（每個點7m×7m）。

表1 稻縱卷葉螟蟲害等級劃分標(biāo)準(zhǔn)和各等級樣點個數(shù)

1.3 項目觀測

1.3.1 葉片高光譜獲取

每個樣點隨機(jī)選取5株水稻，剪取稻株上部至中部的水稻葉片，每個樣點的健康葉片和受害葉片各剪3片（若是健康水稻則隨機(jī)剪下6片水稻葉片），裝入密封袋中隔冰水保存，迅速帶回室內(nèi)進(jìn)行高光譜測定。分別將3片健康葉片或3片受害葉片相連平鋪放置于黑色消光布上，利用SOC710VP便攜式高光譜成像儀（光譜范圍400-1000nm，光譜分辨率為1.3nm，像素為 1392×1040，通道數(shù)為128）分別測定健康水稻葉片和受害水稻葉片的成像光譜反射率，將3片葉片反射率的平均值作為該處理的光譜反射率，最后取健康葉片和受害葉片反射率的平均值，以此作為該樣點的水稻葉片成像光譜的反射率。

1.3.2 產(chǎn)量獲取

待水稻成熟后將每個樣點的水稻植株地面以上部分剪下并適當(dāng)曬干，調(diào)查每株水稻分蘗數(shù)和穗長，采用常規(guī)方法測定每株水稻的有效穗數(shù)和空癟飽粒數(shù)，并計算結(jié)實率（結(jié)實率=飽粒數(shù)/總粒數(shù)）。將各樣點水稻的穗取下并分開稱重，得到產(chǎn)量和千粒重。

1.4 數(shù)據(jù)處理

利用SRAnal軟件對葉片成像光譜進(jìn)行預(yù)處理，利用ENVI 4.7進(jìn)行平均反射率的提取，得到原始光譜反射率，利用MATLAB對原始光譜反射率進(jìn)行一階求導(dǎo)得到一階導(dǎo)數(shù)光譜反射率。

利用SPSS 24.0軟件，對水稻的紅邊參數(shù)和產(chǎn)量進(jìn)行方差分析，采用Pearson相關(guān)分析法分別比較水稻葉片原始光譜和一階導(dǎo)數(shù)光譜反射率與產(chǎn)量的相關(guān)性，建立植被指數(shù)與產(chǎn)量的曲線擬合模型，利用R2對模型的擬合效果進(jìn)行比較。

將能夠靈敏反映作物葉片生長情況的近紅外波段和可見光波段進(jìn)行不同形式的組合，建立的植被指數(shù)能夠表征作物的葉綠素含量、植被覆蓋度、含水性以及被害程度等生長狀態(tài)[16?17]，基于此并結(jié)合前人經(jīng)驗，選取歸一化植被指數(shù)NDVI、增強(qiáng)型植被指數(shù)EVI、差值植被指數(shù)DVI等9個植被指數(shù)進(jìn)行分析。具體見表2。

2 結(jié)果與分析

2.1 水稻主要生育期不同蟲害等級葉片光譜反射率特征

2.1.1 原始光譜分析

由圖1可見，在各主要生育期內(nèi)，水稻葉片受蟲侵害的程度越嚴(yán)重，近紅外波段和部分紅光波段（720-760nm）的反射率越低，且在近紅外波段降低的幅度較大，但在620?710nm這一波段范圍內(nèi)，反射率總體上均隨著受蟲害程度的加重而升高，不同蟲害等級間的差異在孕穗期和灌漿期最為明顯，到了成熟期，各蟲害等級間的光譜反射率則相對接近。由此可以看出，葉片光譜的反射率可以表征水稻受稻縱卷葉螟危害的程度，且不同波段的反射率對受蟲害的水稻會有不同的反應(yīng)。

隨著水稻的生長發(fā)育，近紅外波段的反射率呈現(xiàn)先增后減的趨勢，在水稻孕穗?灌漿階段，植株自身的生長發(fā)育程度達(dá)到了頂峰，葉片近紅外波段的反射率也達(dá)到了最大，最高接近0.8，之后水稻開始黃熟，近紅外波段的反射率逐漸降低，到水稻成熟期時已降至0.6左右，被稻縱卷葉螟啃食過的葉片的光譜反射率與未受害葉片的曲線逐漸接近，各光譜特征開始趨于模糊，不再明顯。而受害與未受害葉片的可見光波段反射率差異在整個生育期并不明顯?？梢姡煌x害水平的葉片在近紅外波段的光譜特征差異能夠反映出水稻受蟲害后隨著生育進(jìn)程而變化。

表2 植被指數(shù)及其計算式

注：Rλ表示波長λ的反射率。

Note：R represents the reflectance value, and the subscript with number represents the wavelength.

圖1 水稻主要生育期受不同等級蟲害影響葉片的原始光譜反射率

2.1.2 一階導(dǎo)數(shù)光譜分析

如圖2所示，不同受害等級的葉片一階導(dǎo)數(shù)光譜的變化趨勢相對一致，均出現(xiàn)“雙峰”現(xiàn)象，主峰和次峰分別出現(xiàn)在730nm和540nm附近。隨著生育期的推移，主峰也呈現(xiàn)“低?高?低”的變化走勢，從拔節(jié)期起逐步升高，在孕穗期達(dá)到最大，水稻成熟后，主峰出現(xiàn)降低。導(dǎo)數(shù)光譜雙峰的峰值基本上均隨著蟲害等級的增加而降低，而在黃橙光區(qū)域的谷值則相反，在多數(shù)情況下，葉片受蟲啃食越嚴(yán)重，微分值越高。說明一階導(dǎo)數(shù)的光譜反射率在可見光波段對受稻縱卷葉螟危害的水稻生長狀況更敏感。

2.1.3 紅邊參數(shù)分析

由圖3可以看出，在整個生育期內(nèi)，水稻的紅邊位置均處于720-728nm，各蟲害等級的紅邊位置在多數(shù)情況下均出現(xiàn)不同程度的“藍(lán)移”，且蟲害等級越高，“藍(lán)移”現(xiàn)象越嚴(yán)重。紅邊面積和紅邊幅值呈現(xiàn)出相似的變化規(guī)律，均隨著水稻受蟲害程度的加重而降低?？梢姡N紅邊參數(shù)能夠體現(xiàn)水稻受稻縱卷葉螟的危害程度。

在水稻整個生長發(fā)育過程中，各蟲害程度的紅邊參數(shù)在不同生育期也呈現(xiàn)不同的變化趨勢，在水稻生長發(fā)育旺盛時期，各等級的紅邊位置“紅移”，即不斷向長波方向移動，灌漿期后，除健康水稻，各等級的紅邊位置均出現(xiàn)大幅度的“藍(lán)移”。紅邊面積與紅邊幅值的變化趨勢一致，均隨著水稻的生長發(fā)育逐漸增加，在孕穗期達(dá)到峰值，之后又不斷降低，出現(xiàn)“藍(lán)移”現(xiàn)象，前期各蟲害等級間的差異較大，到灌漿期差異減小，在成熟期，水稻葉片黃熟，紅邊參數(shù)達(dá)到最小。由此可見，紅邊位置、紅邊幅值和紅邊面積在一定程度上能夠反映水稻的長勢。

2.2 不同蟲害等級樣點產(chǎn)量

從表3可以看出，水稻的有效穗數(shù)和千粒重在總體上均隨著蟲害等級的升高而減小，健康水稻的有效穗數(shù)和千粒重高于受害水稻，但2級受害的有效穗數(shù)略高于1級，2級和3級受害水稻的千粒重則顯著高于1級，增幅分別為3.78%和0.81%。整體上，水稻受蟲害越嚴(yán)重，結(jié)實率越小，1級受害水稻的結(jié)實率略高于健康水稻，但差異不顯著。說明水稻自身對程度較輕的蟲害存在一定的補(bǔ)償機(jī)制。表3中產(chǎn)量和減產(chǎn)率的變化表明稻縱卷葉螟蟲害對水稻產(chǎn)量有直接影響，產(chǎn)量與減產(chǎn)率和蟲害等級分別為負(fù)相關(guān)和正相關(guān)，蟲害等級為4的水稻減產(chǎn)率超過20%，遠(yuǎn)低于健康水稻的產(chǎn)量。

圖2 主要生育期不同蟲害程度葉片一階導(dǎo)數(shù)光譜反射率

圖3 主要生育期不同蟲害程度葉片光譜的紅邊參數(shù)

注：紅邊位置表示紅光范圍內(nèi)導(dǎo)數(shù)光譜最大值所在的波長，紅邊幅值表示紅光范圍內(nèi)導(dǎo)數(shù)光譜的最大值；紅邊面積表示紅光范圍內(nèi)一階導(dǎo)數(shù)光譜包圍的面積。短線表示均值標(biāo)準(zhǔn)誤差。

Note:Red-edge position is the wavelength at which the maximum value of the derivative spectrum is located in the red light range, red-edge amplitude represents the maximum value of the derivative spectrum in the red light range, red-edge area represents the area enclosed by the first derivative spectrum within the red light range. The short line indicates standard error of mean (SEM).

表3 不同蟲害等級樣點的產(chǎn)量指標(biāo)統(tǒng)計

注：小寫字母表示不同蟲害等級間在0.05水平上的差異顯著性。

Note: Lowercase represents the difference significance among different pest levels at 0.05 level.

2.3 水稻產(chǎn)量?植被指數(shù)估測模型

2.3.1 產(chǎn)量與高光譜植被指數(shù)的相關(guān)性

分別找出產(chǎn)量與葉片光譜的相關(guān)系數(shù)絕對值最大值對應(yīng)的光譜波段，將其代入表2的公式中計算對應(yīng)的植被指數(shù)，并將其與產(chǎn)量進(jìn)行相關(guān)分析，結(jié)果如表4所示。由表可以看出，植被指數(shù)與產(chǎn)量的相關(guān)性在拔節(jié)期和成熟期較高，大多數(shù)植被指數(shù)均達(dá)顯著相關(guān)水平，而在孕穗期和灌漿期的相關(guān)性較低。水稻產(chǎn)量與各生育期的植被指數(shù)DVI、RVI和CARI的相關(guān)性多數(shù)達(dá)到顯著水平，最高相關(guān)系數(shù)為0.960，其中產(chǎn)量與RVI在各生育期均達(dá)到顯著或極顯著相關(guān)，相關(guān)系數(shù)皆達(dá)0.85以上。因此，可以選取DVI、RVI和CARI三種植被指數(shù)建立估算模型，由此對水稻產(chǎn)量進(jìn)行評估。

2.3.2 水稻產(chǎn)量?植被指數(shù)估測模型

將篩選出來的DVI、RVI和CARI三種植被指數(shù)作為自變量，水稻產(chǎn)量作為因變量，分別建立水稻產(chǎn)量的曲線擬合模型，結(jié)果如表5。由于模型過多，表中僅列出各植被指數(shù)的最佳估算模型。由表5可以看出，各植被指數(shù)對產(chǎn)量的最佳估測模型絕大多數(shù)為二次多項式函數(shù)。各生育期的模型里RVI對產(chǎn)量的模擬效果均較好，其決定系數(shù)R2均為同生育期中的最高值，最高達(dá)到0.893，標(biāo)準(zhǔn)誤差也較小?？梢?，RVI對受稻縱卷葉螟危害的水稻產(chǎn)量的估測效果最佳，相對于其他植被指數(shù)，RVI更適合估測受稻縱卷葉螟危害后的水稻產(chǎn)量。

表4 水稻產(chǎn)量與不同生育期植被指數(shù)的相關(guān)性

注：*、**分別表示相關(guān)系數(shù)通過0.05、0.01水平的顯著性檢驗。

Note:*is P<0.05，**is P<0.01.

表5 基于植被指數(shù)的水稻產(chǎn)量估測模型

注：x表示對應(yīng)的植被指數(shù)，y表示產(chǎn)量。

Note:x is the corresponding vegetation index, y is the rice yield.

3 結(jié)論與討論

3.1 討論

水稻生產(chǎn)經(jīng)常遭受稻縱卷葉螟的危害，應(yīng)用高光譜技術(shù)可高效率、低成本地監(jiān)測稻縱卷葉螟蟲害。本研究以水稻品種南粳46作為研究對象，對不同生育期的健康和受害水稻葉片的原始光譜特征進(jìn)行分析比較后發(fā)現(xiàn)，在同一生育期內(nèi)，水稻葉片受稻縱卷葉螟危害的程度越重，近紅外波段和紅邊波段的反射率則越低，而紅光波段反射率隨著受蟲害程度的加重而升高，田明璐等[29]研究也認(rèn)為，水稻冠層對紅邊和近紅外波段的反射率隨著水稻病情的加重而降低，而在紅光波段正常水稻的反射率則低于蟲害水稻。這是因為稻縱卷葉螟在幼蟲時期藏于水稻葉片中啃食葉肉，最后只留下白色葉片表皮，葉片中的葉綠素數(shù)量以及葉片的形態(tài)和結(jié)構(gòu)均發(fā)生了改變，導(dǎo)致葉片對紅光波段光線的反射能力增強(qiáng)，對紅邊、近紅外波段的反射能力減弱。因此，水稻葉片成像光譜紅邊?近紅外波段的光譜特征在一定程度上可以反映不同蟲害等級稻縱卷葉螟的為害情況。

本研究進(jìn)一步對健康與受害水稻的一階導(dǎo)數(shù)光譜和紅邊參數(shù)數(shù)據(jù)進(jìn)行分析比較后發(fā)現(xiàn)，同一生育期內(nèi)，一階導(dǎo)數(shù)光譜的峰值在多數(shù)情況下均隨著稻縱卷葉螟危害程度的加重而降低，而黃橙光波段的谷值則升高。唐倩[30]在研究稻縱卷葉螟危害下水稻冠層光譜變化特征時也發(fā)現(xiàn)，孕穗期和成熟期水稻受稻縱卷葉螟危害越嚴(yán)重，一階導(dǎo)數(shù)的主峰值和次峰值越小，這與本研究的結(jié)論相似?？梢钥闯?，水稻一階導(dǎo)數(shù)光譜的峰值特征與稻縱卷葉螟蟲害的程度緊密相關(guān)。本研究還發(fā)現(xiàn)，當(dāng)水稻受到稻縱卷葉螟危害時，其紅邊幅度和紅邊面積均出現(xiàn)減少，紅邊位置出現(xiàn)“藍(lán)移”現(xiàn)象，且蟲害等級越高，紅邊幅度和面積越小，紅邊位置的“藍(lán)移”現(xiàn)象也越嚴(yán)重。周曉等[31]則發(fā)現(xiàn)稻縱卷葉螟為害下的水稻光譜的三邊參數(shù)都能反映出水稻的受害狀況，其中紅邊參數(shù)的效果優(yōu)于藍(lán)邊和黃邊參數(shù)。不僅是稻縱卷葉螟危害，水稻在其他類型的脅迫下光譜的紅邊參數(shù)也出現(xiàn)過類似的變化趨勢，朱懷衛(wèi)等[32]發(fā)現(xiàn)UV-B增強(qiáng)會導(dǎo)致水稻光譜的紅邊位置發(fā)生“藍(lán)移”，施硅會導(dǎo)致紅邊位置“紅移”。有學(xué)者[33]發(fā)現(xiàn)，作物生長旺盛時，紅邊紅移；生長衰敗時，紅邊藍(lán)移。當(dāng)作物受到稻縱卷葉螟危害時，其長勢必定受到影響，導(dǎo)致其紅邊參數(shù)會發(fā)生不同程度的改變，說明水稻的紅邊參數(shù)可以通過水稻長勢來反映水稻受稻縱卷葉螟為害的情況。

水稻的有效穗數(shù)、千粒重、結(jié)實率以及產(chǎn)量整體上隨著蟲害等級的升高而降低，但蟲害等級較低時，水稻的有效穗數(shù)、千粒重以及結(jié)實率均出現(xiàn)輕微的“回升”現(xiàn)象，這與多位學(xué)者[34?35]的觀點相似，可能是因為水稻自身對危害程度較輕的蟲害存在一定的補(bǔ)償機(jī)制，稻縱卷葉螟在一定程度上取食植物后，在形態(tài)上（株高、分蘗、千粒重等）和生理上（根系生長和根系活力）反而還會對水稻都具有補(bǔ)償作用[34]，但補(bǔ)償是有限的，當(dāng)蟲害程度過重時抑制水稻自身生長發(fā)育，最終結(jié)果仍然是癟粒數(shù)增多、產(chǎn)量下降。

本研究篩選出與產(chǎn)量相關(guān)性較高的波段計算相關(guān)植被指數(shù)，將其與水稻產(chǎn)量進(jìn)行相關(guān)分析，并由此構(gòu)建出水稻產(chǎn)量估測模型。結(jié)果顯示產(chǎn)量與各生育期DVI、RVI和CARI的相關(guān)性均較好，其中與RVI的相關(guān)性最好，且利用各生育期RVI構(gòu)建的估產(chǎn)模型的精度也高于其他兩種植被指數(shù)，這可能是因為DVI與作物的土壤背景相關(guān)性更高，當(dāng)植被覆蓋度較低時使用DVI進(jìn)行監(jiān)測效果更好[36]，而本研究為葉片成像光譜，不存在裸土影響因素，RVI與葉面積指數(shù)（LAI）和葉綠素含量的相關(guān)性高，更適合用于監(jiān)測作物的長勢，對稻縱卷葉螟蟲害情況也更敏感，因此與產(chǎn)量的相關(guān)性更高。田明璐等[29]也發(fā)現(xiàn)利用RVI植被指數(shù)構(gòu)建的模型能夠準(zhǔn)確識別出水稻葉片上的蟲害區(qū)域。由此可以看出，RVI對稻縱卷葉螟蟲害的反應(yīng)最敏感，利用RVI建立稻縱卷葉螟為害下水稻估產(chǎn)模型的方法可行。

由于各種客觀或人為因素的影響，本研究僅從葉片尺度對水稻的光譜特征進(jìn)行了提取和分析，研究角度比較單一，未來將開展水稻冠層遙感、無人機(jī)遙感和衛(wèi)星遙感等多尺度數(shù)據(jù)的觀測和綜合比較研究，進(jìn)一步提高受稻縱卷葉螟危害的水稻產(chǎn)量估算模型的精準(zhǔn)度，為科學(xué)防控病蟲害和保障糧食生產(chǎn)安全提供科技支撐。

3.2 結(jié)論

（1）同一生育期內(nèi)，水稻葉片受蟲害的程度越重，近紅外波段和紅邊波段的反射率越低，而紅光波段反射率越高。

（2）同一生育期內(nèi)，蟲害等級越高，一階導(dǎo)數(shù)光譜的峰值、紅邊幅度和紅邊面積越低，紅邊位置的“藍(lán)移”現(xiàn)象也越嚴(yán)重。

（3）水稻的有效穗數(shù)、千粒重、結(jié)實率以及產(chǎn)量整體上隨著蟲害等級的升高而降低，但等級較低的有效穗數(shù)、千粒重以及結(jié)實率均出現(xiàn)“回升”現(xiàn)象。

（4）利用相關(guān)性較好的植被指數(shù)構(gòu)建的產(chǎn)量估測模型中，RVI的二項式模型效果最好。

[1] 沈田輝,王風(fēng)良,卞康亞,等.鹽城市大豐區(qū)2017年稻縱卷葉螟重發(fā)原因分析及綠色防控技術(shù)集成[J].上海農(nóng)業(yè)科技,2018,48(2):106-108.

Shen T H,Wang F L,Bian K Y,et al.Analysis of the causes of recurrent occurrence of rice longitudinal leaf borer and integration of green prevention and control technologies in Dafeng district,Yancheng city in 2017[J].Shanghai Agricultural Science and Technology,2018,48(2):106-108. (in Chinese)

[2] 高文婷,陳心怡,包云軒,等.奇異交叉譜分析方法在中國南方稻縱卷葉螟發(fā)生預(yù)測中的應(yīng)用[J].中國農(nóng)業(yè)氣象, 2017,38(9):583-596.

Gao W T,Chen X Y,Bao Y X,et al.Application of singular cross-spectrum analysis in the prediction of’ occurrence in Southern China[J].Chinese Journal of Agrometeorology,2017,38(9):583-596.(in Chinese)

[3] 包云軒,陳心怡,謝曉金,等.基于卡爾曼濾波算法的稻縱卷葉螟短期預(yù)測模型[J].中國農(nóng)業(yè)氣象,2016,37(5):578- 586.

Bao Y X,Chen X Y,Xie X J,et al.Short-term forecasting models on occurrence of rice leaf roller based on Kalman Filter Algorithm[J].Chinese Journal of Agrometeorology, 2016,37(5):578-586.(in Chinese)

[4] 王根,榮元周.稻縱卷葉螟的發(fā)生與防治[J].現(xiàn)代農(nóng)業(yè)科技,2019,48(16):112,114.

Wang G,Rong Y Z.Occurrence and control ofGüenée[J].Modern Agricultural Science and Technology,2019,48(16):112,114.(in Chinese)

[5] 許卿,鄧云,蘇妍,等.南平市稻縱卷葉螟的發(fā)生特點及綠色防控措施[J].現(xiàn)代農(nóng)業(yè)科技,2021,30(21):114-115.

Xu Q,Deng Y,Su Y, et al.Occurrence characteristics ofGüenée in Nanping city and green prevention and control measures[J].Modern Agricultural Science and Technology, 2021,30(21):114-115.(in Chinese)

[6] 包云軒,曹云,謝曉金,等.中國稻縱卷葉螟發(fā)生特點及北遷的大氣背景[J].生態(tài)學(xué)報,2015,35(11):3519-3533.

Bao Y X,Cao Y,Xie X J,et al.Migration pattern ofGüenée and impact of atmospheric conditions on a heavy migration event in China[J].Acta Ecologica Sinica,2015,35(11):3519-3533.(in Chinese)

[7] Singh V,Burgos N R,Singh S,et al.Impact of volunteer rice infestation on yield and grain quality of rice[J].Pest Management Science,2017,73(3):604-615.

[8] 朱友理,何東兵,曹書培,等.拔節(jié)孕穗期稻縱卷葉螟危害對水稻產(chǎn)量的影響及防治指標(biāo)研究[J].現(xiàn)代農(nóng)業(yè)科技, 2018,47(21):111,114.

Zhu Y L,He D B,Cao S P,et al.Study on the effects ofGüenée hazards on rice yield and control indicators at the jointing and gestation stage[J].Modern Agricultural Science and Technology,2018, 47(21):111,114.(in Chinese)

[9] 杜正朕.稻縱卷葉螟為害下水稻生理參數(shù)高光譜估測研究[D].南京:南京信息工程大學(xué),2021:32.

Du Z Z.Hyperspectral estimation of physiological parameters of rice under the pest ofGüenée[D].Nanjing:Nanjing University of Information Science & Technology,2021:32.(in Chinese)

[10] Chhavi,Ajai S,Pawan K.S.Assessment of yield losses of rice caused by paddy leaf folder,Guenee [J].Agricultural Science Digest-A Research Journal, 2017,37(1):72-74.

[11] 簡俊凡,何宏昌,王曉飛,等.農(nóng)作物病蟲害遙感監(jiān)測綜述[J].測繪通報,2018,64(9):24-28.

Jian J F,He H C,Wang X F,et al.Review of remote sensing monitoring of crop diseases and pests[J].Bulletin of Surveying and Mapping,2018,64(9):24-28.(in Chinese)

[12] 童慶禧,張兵,張立福.中國高光譜遙感的前沿進(jìn)展[J].遙感學(xué)報,2016,20(5):689-707.

Tong Q X,Zhang B,Zhang L F.Frontier progress in hyperspectral remote sensing in China[J].National Remote Sensing Bulletin,2016,20(5):689-707.(in Chinese)

[13] 包云軒,李玉婷,王琳,等.基于多時相HJ衛(wèi)星遙感影像的稻縱卷葉螟發(fā)生情況監(jiān)測[J].中國農(nóng)業(yè)氣象,2016,37 (4):464-470.

Bao Y X,Li Y T,Wang L,et al.Monitoring on the Occurrence ofbased on Multi-temporal HJ satellite’s remote sensing images[J]. Chinese Journal of Agrometeorology,2016,37(4):464-470. (in Chinese)

[14] 沙依然·外力,葛道闊,曹宏鑫,等.拔節(jié)抽穗期不同時長干旱脅迫對水稻冠層光譜特征的影響[J].中國農(nóng)業(yè)氣象, 2014,35(5):586-592..

Sayran W L,Ge D K,Cao H X,et al.Spectral response characteristics of rice canopy under drought stress at jointing stage and heading stage[J].Chinese Journal of Agrometeorology,2014,35(5):586-592.(in Chinese)

[15] Yang C M,Cheng C H,Chen R K.Changes in spectral characteristics of rice canopy infested with brown planthopper and leaf folder [J].Crop Science,2007,47(1): 329-335.

[16] Liu Z Y,Wu H F,Huang J F.Application of neural networks to discriminate fungal infection levels in rice panicles using hyperspectral reflectance and principal components analysis[J]. Computers and Electronics in Agriculture,2010,72(2):99- 106.

[17] 黃建榮,孫啟花,劉向東.稻縱卷葉螟危害后水稻葉片的光譜特征[J].中國農(nóng)業(yè)科學(xué),2010,43(13):2679-2687.

Huang J R,Sun Q H,Liu X D.Spectral characteristics of rice leaves after the hazard ofGüenée[J].Scientia Agricultura Sinica,2010,43(13):2679- 2687.(in Chinese)

[18] 孫啟花,劉向東.稻縱卷葉螟危害孕穗期水稻的光譜診斷[J].中國農(nóng)業(yè)科學(xué),2012,45(24):5040-5048.

Sun Q H,Liu X D.Spectral diagnosis ofGüenée hazards in booting stage rice[J].Scientia Agricultura Sinica,2012,45(24):5040-5048.(in Chinese)

[19] Yuan L,Huang Y,Loraamm R W,et al.Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects[J].Field Crops Research,2014,156(1): 199-207.

[20] Jones C D,Jones J B,Lee W S.Diagnosis of bacterial spot of tomato using spectral signatures[J].Computers and Electronics in Agriculture,2010,74(2):329.

[21] Rouse J W.Monitoring the vernal advancement and retrogradation(green wave effect) of natural vegetation[R]. NASA/ GSFCT,MD,USA,1973.

[22] Gitelson A A,Kaufman Y J,Merzlyak M N.Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J].Remote Sensing of Environment,1996, 58(3):289-298.

[23] Penuelas J,Baret F,Filella I.Semi-empirical indexes to assessratio from leaf spectral reflectance[J].Photosynthetica,1995,31(2):221-230.

[24] Steddom K,Heidel G,Jones D,et al.Remote detection of rhizomania in sugar beets[J].Epidemiology,2003,93(6):720- 726.

[25] Roujean J L,Breon F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environ.,1995,51(3):375-384.

[26] Yan G J,Hu R H,Luo J H,et al.Review of indirect optical measurements of leaf area index:recent advances,challenges, and perspectives[J].Agricultural and Forest Meteorology, 2019,265(1):390-411.

[27] Richardson A J,Everitt J H.Using spectral vegetation indices to estimate rangeland productivity[J].Geocarto International,1992,1(1):63-69.

[28] Rondeaux G,Steven M,Baret F.Optimization of soil- adjusted vegetation indices[J].Remote Sensing of Environment, 1996,55(2):95.

[29] 田明璐,班松濤,袁濤,等.基于無人機(jī)平臺的稻縱卷葉螟為害程度遙感監(jiān)測[J].上海農(nóng)業(yè)學(xué)報,2020,36(6):132-137.

Tian M L,Ban S T,Yuan T,et al.Remote sensing monitoring of the degree of damage ofGüenée based on unmanned aerial vehicle platform[J].Acta Agriculturae Shanghai,2020,36(6):132-137.(in Chinese)

[30] 唐倩.大田水稻稻縱卷葉螟危害的地面高光譜特征分析及受害程度的衛(wèi)星遙感估算[D].南京:南京信息工程大學(xué),2021:23.

Tan Q.Analysis of ground hyperspectral characteristics of longitudinal leaf borer hazards in rice and rice in the field and satellite remote sensing estimation of the degree of damage[D].Nanjing:Nanjing University of Information Science & Technology,2021:23.(in Chinese)

[31] 周曉,包云軒,王琳,等.稻縱卷葉螟為害水稻的冠層光譜特征及葉綠素含量估算[J].中國農(nóng)業(yè)氣象,2020,41(3): 173-186.

Zhou X,Bao Y X,Wang L,et al.Hyperspectral features of rice canopy and SPAD values estimation under the stress of rice leaf folder[J].Chinese Journal of Agrometeorology, 2020,41(3):173-186.(in Chinese)

[32] 朱懷衛(wèi),婁運生,石一凡,等.UV-B增強(qiáng)下施硅對水稻冠層反射光譜特征的影響[J].中國農(nóng)業(yè)氣象,2017,38(3): 172-180.

Zhu H W,Lou Y S,Shi Y F,et al.Effects of silicon supply on reflectance spectroscopy characteristics of rice canopy under elevated UV-B radiation[J].Chinese Journal of Agrometeorology,2017,38(3):172-180.(in Chinese)

[33] 黃春燕,王登偉,張煜星.基于棉花紅邊參數(shù)的葉綠素密度及葉面積指數(shù)的估算[J].農(nóng)業(yè)工程學(xué)報,2009,25(S2): 137-141.

Huang C Y,Wang D W,Zhang Y X.Estimation of chlorophyll density and leaf area index based on red edge parameters of cotton[J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(S2):137-141.(in Chinese)

[34] 吳降星,鄭許松,周光華,等.不同生育期剪葉對水稻生長、產(chǎn)量及生理的影響[J].應(yīng)用昆蟲學(xué)報,2013,50(3):651-658.

Wu J X,Zheng X S,Zhou G H,et al.Effects of leaf clipping on rice growth,yield and physiology at different growth stages[J].Chinese Journal of Applied Entomology,2013,50 (3):651-658.(in Chinese)

[35] 陸金鵬,秦江敏,陳麗莉,等.稻縱卷葉螟為害損失剪葉模擬試驗[J].植物醫(yī)生,2018,31(5):53-54.

Lu J P,Qin J M,Chen L M,et al.Simulation experiment of leaf shearing ofGüenée for damage loss[J].Plant Doctor,2018,31(5):53-54.(in Chinese)

[36] 徐若涵,楊再強(qiáng),申夢吟,等.苗期低溫脅迫對“紅顏”草莓葉綠素含量及冠層高光譜的影響[J].中國農(nóng)業(yè)氣象,2022, 43(2):148-158.

Xu R H,Yang Z Q,Shen M Y,et al.Effects of low temperature stress at seedling stage on chlorophyll content and canopy hyperspectral of "Hongyan" strawberry[J]. Chinese Journal of Agrometeorology,2022,43(2):148-158. (in Chinese)

Hyperspectral Characteristics of Rice Leaf and Yield Estimation under the Infestation ofGüenée

HUANG Lu1, BAO Yun-xuan1, GUO Ming-qi1, ZHU Feng2, YANG Ron-ming2

(1.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology/Jiangsu Key Laboratory of Agricultural Meteorology, Nanjing University of Information Science and Technology/Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC), Nanjing University of Information Science & Technology, Nanjing 210044,China; 2.Plant Protection Station in Jiangsu Province, Nanjing 210013)

In 2020, a hyperspectral observation experiment was conducted on the rice fields ofGüenée () has been occurring naturally in Qiaolin Subdistrict, Pukou District, Nanjing, to explore the relationship between the spectral characteristics of rice leaves and the yields under the different infestation level of, and predict the yields of rice. 80 samples were selected in the experiments, and the different pest levels were divided according to the proportion of the number of infested leaves to the total number of leaves in the sample points. SOC710VP, a portable hyperspectral imager, was used to collect the hyperspectral data of rice leaves at different main growth stages (jointing stage, booting stage, grouting stage, mature stage), and the rice yield data of samples were investigated. The variation of the original spectral pattern, first derivative spectral characteristics of rice leaves and the yield parameters under the different pest levels was analyzed. The vegetation indices were calculated by using the characteristic bands with the strong correlation between the observation spectrum and yield, and the rice yield estimation model based on these vegetation indices was established. The results were showed as follows: (1) during the same growth period, the reflectivity on the near-infrared and red-edge bands of rice leaves decreased with the increasing of pest levels, while the red band was the opposite. (2) During the same growth period, the peaks of the first derivative spectrum, the amplitude of the red edge and the area of the red edge decreased with the increasing of the pest levels, and the "blue shifting" of the red edge position was aggravated. (3) The effective panicle number, 1000 grain weight, firming rate of rice and rice yield decreased with the increasing of the pest level, but when the pest levels were low, the effective panicle number, 1000 grain weight and firming rate of rice all rebounded. (4) The rice yield estimation models were constructed using DVI, RVI and CARI at each growth stage, of which the binomial model of RVI had the best effect. (5) The long-term and dynamic monitoring of the hazards ofinfestation can be monitored by using the imaging spectral characteristics of rice leaves, and the vegetation indices constructed from its sensitive bands can effectively estimate the rice yield under the infestation of.

Güenée; Hyperspectral remote sensing; Rice yield; Vegetation index; Estimation model

10.3969/j.issn.1000-6362.2023.02.007

黃璐,包云軒,郭銘淇,等.稻縱卷葉螟危害下水稻葉片光譜特征及產(chǎn)量估測[J].中國農(nóng)業(yè)氣象,2023,44(2):154-164

收稿日期：2022?03?09

國家自然科學(xué)基金項目(41975144)；江蘇省重點研發(fā)計劃（現(xiàn)代農(nóng)業(yè)）（BE2019387）

通訊作者：包云軒，教授，研究方向為農(nóng)業(yè)氣象，E-mail：baoyx@nuist.edu.cn; baoyunxuan@163.com

黃璐，E-mail：735602559@qq.com