王涵 張王菲 楊浩

摘要以夏玉米為研究對象，首先獲取拔節(jié)期、大喇叭口期、抽雄期和灌漿期4個關(guān)鍵生育期的地面高光譜數(shù)據(jù)，并實(shí)測各生育期的地上生物量（AGB）；其次基于任意波段組合的波段優(yōu)化算法，分別構(gòu)造6種不同波段組合形式的兩波段和三波段光譜指數(shù)；然后將構(gòu)造的12種光譜指數(shù)與地面實(shí)測的AGB進(jìn)行相關(guān)性分析，從中篩選出相關(guān)性最好的光譜指數(shù)作為最優(yōu)光譜指數(shù)構(gòu)建夏玉米全生育期的AGB估算模型；最后對最優(yōu)光譜指數(shù)估算夏玉米各關(guān)鍵生育期AGB的性能進(jìn)行系統(tǒng)評價。結(jié)果表明：基于波段優(yōu)化算法篩選的最優(yōu)三波段光譜指數(shù)TBI6（760，925，895）與夏玉米各生育期和全生育期的AGB均具有良好的相關(guān)性，其構(gòu)建的AGB估算模型具有較高的精度，可為夏玉米全生育期AGB的快速無損估算及AGB監(jiān)測裝置的集成與開發(fā)提供參考。

關(guān)鍵詞夏玉米；地上生物量；高光譜；光譜指數(shù)；波段優(yōu)化算法

中圖分類號S 127文獻(xiàn)標(biāo)識碼A文章編號0517-6611（2023）24-0005-04

doi：10.3969/j.issn.0517-6611.2023.24.002

Estimation of Aboveground Biomass of Summer Maize Based on Optimized Spectral Index

WANG Han1，2，ZHANG Wangfei1，YANG Hao2

（1.Forestry College of Southwest Forestry University， Kunming， Yunnan 650224;2.National Agricultural Informatization Engineering Technology Research Center， Beijing 100097）

AbstractSummer maize was used as the research object，firstly， ground hyperspectral data were obtained for four key fertility stages （pulling stage，trumpeting stage，tasseling stage，filling stage）， and the aboveground biomass （AGB） of each fertility stage was measured empirically. Secondly， waveband optimization algorithms based on arbitrary waveband combinations were constructed for six different waveband combination forms of twoband and threeband spectral indices， respectively. Then， the 12 constructed spectral indices were correlated with the groundtruthed AGB， from which the best correlated spectral index was selected as the optimal spectral index to construct the AGB estimation model for summer maize at full fertility. Finally， the performance of the optimal spectral index for estimating AGB at each critical fertility stage of summer maize was systematically evaluated. The results showed that the optimal threeband spectral index TBI6 （760，925，895） screened based on the band optimization algorithm had good correlation with the AGB of summer maize at all fertility stages and the whole fertility period， and the AGB estimation model constructed by it had high accuracy， which could provide a reference for the rapid and nondestructive estimation of AGB of summer maize at the whole fertility period and the integration and development of AGB monitoring devices.

Key wordsSummer maize;Aboveground biomass（AGB）;Hyperspectral;Spectral index;Band optimization algorithm

研究表明，農(nóng)業(yè)系統(tǒng)的產(chǎn)量必須以3%的速度增長才能滿足全球人口增加和耕地面積減少帶來的糧食需求［1］，玉米作為世界上最重要的糧食作物之一，其產(chǎn)量和品質(zhì)對全球糧食安全具有重要影響。地上生物量（above-ground biomass，AGB）是作物產(chǎn)量形成的基礎(chǔ)，是評價作物光能利用效率的重要指標(biāo)之一［2］。準(zhǔn)確、高效地獲取玉米的AGB信息對快速評估玉米的生長狀況具有重要意義，有利于農(nóng)田管理者的科學(xué)決策和精準(zhǔn)管理［3］。傳統(tǒng)的AGB測量方法多為人工破壞性取樣，該方法雖精度可靠，但耗時費(fèi)力，且具有滯后性，無法滿足當(dāng)代精準(zhǔn)農(nóng)業(yè)高通量、實(shí)時監(jiān)測作物生長狀況的需求［4］。因此，低成本、高效、穩(wěn)健獲取作物表型狀況的平臺和技術(shù)是迫切需要的［5］。

遙感技術(shù)能夠高時效、遠(yuǎn)距離、非接觸地捕獲作物冠層的輻射能量，并通過對捕獲的信號進(jìn)行分析處理，進(jìn)而獲取作物冠層高通量的表型信息，這可為快速無損監(jiān)測作物AGB信息提供技術(shù)支撐［6-8］。由于形式簡單、計(jì)算高效，基于遙感技術(shù)獲取的植被指數(shù)（vegetation indices，VIs）已成為監(jiān)測作物AGB的重要工具［9-10］。例如，岳繼博等［11］基于RADARSAT-2全極化雷達(dá)和GF1-WFV的多光譜衛(wèi)星數(shù)據(jù)，利用隨機(jī)森林方的方法并使用光學(xué)VIs和雷達(dá)VIs較好地估算了冬小麥的AGB；肖武等［12］基于無人機(jī)多光譜影像利用紅邊波段的數(shù)據(jù)構(gòu)建了多種VIs，結(jié)合一元回歸、多元逐步回歸和反向傳播神經(jīng)網(wǎng)絡(luò)3種方法構(gòu)建AGB估算模型，結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型估測精度最高；王秀珍等［13］基于ASD高光譜數(shù)據(jù)以VIs為模型輸入變量使用逐步回歸方法估算水稻AGB，結(jié)果表明以藍(lán)邊一階微分總和與紅邊一階微分總和構(gòu)成的VIs估算效果最優(yōu)。上研究結(jié)果表明，基于VIs監(jiān)測作物的AGB狀況雖然可行，但還存在一定局限性，主要體現(xiàn)在：受生育期、品種等的影響，基于VIs構(gòu)建的不同時期的AGB監(jiān)測模型不一致，導(dǎo)致模型的通用性變差無法準(zhǔn)確反映作物整個生長階段的AGB狀況。這一因素導(dǎo)致基于光學(xué)遙感技術(shù)監(jiān)測作物多生育期的AGB狀況還面臨一定挑戰(zhàn)。

高光譜技術(shù)的發(fā)展使高通量獲取作物冠層精細(xì)的光譜信息成為可能［14-15］，部分學(xué)者開始致力于尋找合適的光譜指數(shù)以進(jìn)一步提高VIs估算作物AGB的精度［16-17］?；谌我獠ǘ谓M合的波段優(yōu)化算法憑借其可充分挖掘光譜信息的高效性能受到諸多學(xué)者的青睞，現(xiàn)有的研究中，該算法通常用于兩波段光譜指數(shù)的篩選，而在三波段光譜指數(shù)中的應(yīng)用卻鮮有研究。

該研究以地面便攜式地物光譜儀（ASD）為遙感平臺，獲取了夏玉米拔節(jié)期、大喇叭口期、抽雄期和灌漿期的地面高光譜反射率數(shù)據(jù)，系統(tǒng)評估了任意波段組合的兩波段和三波段光譜指數(shù)估算夏玉米多生育期AGB的性能，以尋找監(jiān)測夏玉米AGB的最優(yōu)指標(biāo)，以期為AGB實(shí)時監(jiān)測裝置的研發(fā)與集成提供參考，也為精準(zhǔn)農(nóng)業(yè)的科學(xué)決策提供技術(shù)支撐。

1材料與方法

1.1試驗(yàn)區(qū)及試驗(yàn)設(shè)計(jì)

研究區(qū)位于北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)研究示范基地（40°10′60″N，116°26′30″E）。該地區(qū)年降水量為508 mm，年平均溫度為13 ℃，是典型的暖溫帶半濕潤大陸性季風(fēng)氣候。試驗(yàn)于2021年6—9月進(jìn)行，采用完全隨機(jī)試驗(yàn)，試驗(yàn)設(shè)計(jì)包括5個種植品種（鄭單958、京九16、天賜19、京糯2008、農(nóng)科糯336），4個密度（30 000、45 000、67 500、90 000株/hm2），3個隨機(jī)重復(fù)，共80個小區(qū)，小區(qū)為3.6 m×2.5 m。

1.2ASD數(shù)據(jù)獲取及處理

于2021年7月13日、7月21日、8月5日、8月21日分別采集了玉米拔節(jié)期（S1）、大喇叭口期（S2）、抽雄期（S3）、灌漿期（S4）4次ASD數(shù)據(jù)。其中ASD使用的是英國ASD公司生產(chǎn)的FieldSpec 4，并用View Spec Pro軟件將ASD測定的數(shù)據(jù)轉(zhuǎn)換為原始反射率數(shù)據(jù)，為避免邊緣及水汽等因素對冠層光譜的影像，該研究選擇了400～1 200 nm的波段進(jìn)行分析處理。所有ASD數(shù)據(jù)均選擇在當(dāng)?shù)貢r間12：00—13：00的天氣晴朗、無風(fēng)、無云、光照穩(wěn)定的條件下進(jìn)行。每次采集時使用 Spectralon 白色參考面板進(jìn)行校準(zhǔn)，每5個小區(qū)校準(zhǔn)一次，采集時探頭位于冠層上方60 cm處。每個小區(qū)每次共采集10條數(shù)據(jù)，最終使用10條數(shù)據(jù)的平均值，以減小誤差。

1.3地上生物量數(shù)據(jù)獲取

每期試驗(yàn)在完成ASD數(shù)據(jù)采集后，同步進(jìn)行地面破壞性取樣以獲取準(zhǔn)確的玉米AGB數(shù)據(jù)。取樣方法：每個小區(qū)隨機(jī)選取2株能夠代表整個小區(qū)長勢的玉米植株，并帶回驗(yàn)室進(jìn)行烘干，稱重。烘干時先在105 ℃下殺青30 min，然后在80 ℃下烘干至恒重并使用高精度天平測量干物質(zhì)重量。最后由公式（1）計(jì)算得到玉米各小區(qū)的生物量數(shù)據(jù)。

式中：DW1和DW2分別為2株玉米的干重；N為每個小區(qū)玉米株數(shù)；L為小區(qū)長度，該研究為3.6 m；W為小區(qū)寬度，該研究為2.5 m。

1.4光譜指數(shù)計(jì)算

植被指數(shù)通過與生物量的經(jīng)驗(yàn)關(guān)系被廣泛用于生物量監(jiān)測。目前，用于作物生物量監(jiān)測的植被指數(shù)大多是由3種形式發(fā)展而來的，即歸一化差異植被指數(shù)、差異植被指數(shù)和比率植被指數(shù)。此外，通過添加一個常數(shù)，土壤調(diào)整光譜指數(shù)通常被用作估算作物的AGB。最佳植被指數(shù)和葉綠素指數(shù)也被證明與作物AGB聯(lián)系緊密。因此，該研究選取了6種形式的兩波段光譜指數(shù)：歸一化插值光譜指數(shù)（NDSI）、差值光譜指數(shù)（DSI）、比率植被指數(shù)（RSI）、土壤調(diào)整光譜指數(shù)（SASI）、葉綠素光譜指數(shù)（CSI）、最佳光譜指數(shù)（OSI）?？紤]到已報(bào)道的三波段光譜指數(shù)監(jiān)測植被生理特性的敏感性，該研究使用了6種形式的三波段光譜指數(shù)。該研究使用的兩波段光譜指數(shù)和三波段光譜指數(shù)見表1。

1.5模型構(gòu)建與驗(yàn)證

該研究于2021年采集了玉米4個生長時期共320組ASD和生物量實(shí)測數(shù)據(jù)，其中，重復(fù)1、重復(fù)2和重復(fù)3的數(shù)據(jù)（240組）被用于構(gòu)建玉米生物量估算模型，重復(fù)4的數(shù)據(jù)（80組）被用于驗(yàn)證模型精度和穩(wěn)定性，決定系數(shù)（R2）和均方根誤差（RMSE）2個指標(biāo)被用于評價構(gòu)建的估算模型的精度和穩(wěn)定性。

2結(jié)果與分析

2.1不同生育期AGB分布

統(tǒng)計(jì)各生育期用于建模和驗(yàn)證的AGB的范圍、均值、標(biāo)準(zhǔn)差和變異系數(shù)，結(jié)果如表2所示。由表2可知，夏玉米各生長時期獲取的AGB數(shù)據(jù)具有較大的變異系數(shù)，且建模集與驗(yàn)證集的標(biāo)準(zhǔn)差和變異系數(shù)具有相似的變化趨勢，表明該數(shù)據(jù)可以用于進(jìn)一步的分析。

2.2光譜指數(shù)與AGB相關(guān)性分析

基于高光譜原始反射率數(shù)據(jù)，利用任意波段組合優(yōu)化算法構(gòu)建表1中6種形式的兩波段光譜指數(shù)，并繪制其與夏玉米AGB的相關(guān)性熱力圖（圖1）。從圖1可以看出，不同光譜指數(shù)與AGB的相關(guān)性變化具有相似性，在波長為720～760和820～840 nm時，相關(guān)性較好；各光譜指數(shù)與AGB相關(guān)性最優(yōu)時的光譜組合分別為NDSI（826，762）、RSI（826，762）、DSI（833，762）、SASI（833，762）、CSI（826，762）和OSI（879，754），對應(yīng)的相關(guān)系數(shù)分別為-0.82、-0.81、-0.82、-0.84、-0.81和0.79。

基于高光譜原始反射率數(shù)據(jù)，利用任意波段組合優(yōu)化算法構(gòu)建表1中6種形式的三波段光譜指數(shù)，并繪制其與夏玉米AGB的相關(guān)性熱力圖（圖2）。由圖2可知，與夏玉米多生長時期AGB聯(lián)系最緊密的6種不同形式的三波段光譜指數(shù)分別為TBI1（762，834，691）、TBI2（826，400，762）、TBI3（495，538，400）、TBI4（762，825，761）、TBI5（726，826，400）和TBI6（760，925，895），對應(yīng)的相關(guān)系數(shù)分別為-0.83、-0.80、0.61、-0.82、-0.81和-0.85。對比兩波段光譜指數(shù)可知，構(gòu)造的三波段光譜指數(shù)大多數(shù)與夏玉米多生育期AGB聯(lián)系更緊密，相關(guān)性更高，TBI3結(jié)果較差主要是因?yàn)檫x擇的波段相關(guān)性較差。這表明基于任意波段組合優(yōu)化算法構(gòu)建的三波段光譜指數(shù)估算夏玉米多生育期AGB是切實(shí)可行的。

2.3基于最優(yōu)光譜指數(shù)估算夏玉米AGB

由圖2可知，TBI6（760，925，895）與夏玉米全生育期AGB相關(guān)性最高，聯(lián)系最緊密（r=-0.85），該研究將其作為最優(yōu)光譜指數(shù)構(gòu)建AGB的估算模型。TBI6（760，925，895）與AGB的相關(guān)性示意圖及基于其構(gòu)建的AGB估算模型效果如圖3所示。由圖3可知，TBI6（760，925，895）與玉米全生育期AGB展現(xiàn)出良好的線性相關(guān)，這表明基于任意波段組合的波段優(yōu)化算法篩選的三波段光譜指數(shù)TBI6（760，925，895）可以跨越生育期對光譜指數(shù)估算AGB的影響，但是對于4個生育期的相關(guān)性也存在差異，S1（拔節(jié)期）結(jié)果較差?；赥BI6（760，925，895）構(gòu)建的AGB估算模型的驗(yàn)證和建模樣本點(diǎn)都均勻分布在1∶1線附近，其中驗(yàn)證R2為0.80，RMSE為1 742 kg/hm2，表明模型的精度較高，可以用于夏玉米全生育期AGB的估算。

為進(jìn)一步驗(yàn)證基于任意波段組合的波段優(yōu)化算法篩選的光譜指數(shù)TBI6（760，925，895）的可靠性，該研究選取了已被證實(shí)可以良好估算夏玉米AGB的2種光譜指數(shù)MSAVI和MSR，并將2個光譜指數(shù)與夏玉米全生育期AGB進(jìn)行相關(guān)性分析，結(jié)果如圖4所示。由圖4可知，MSAVI和MSR在夏玉米單個生育期也展現(xiàn)出較好的線性相關(guān)，然而與整個生育期的AGB相關(guān)性較差，表明常規(guī)光譜指數(shù)估算AGB時受生育期的影響較大，無法克服生育期的影響。這也表明基于任意波段組合的波段優(yōu)化算法篩選的三波段光譜指數(shù)估算夏玉米全生育期AGB取得的效果較好。

3討論

該研究基于任意波段組合算法探究了12種不同形式波段組合的光譜指數(shù)在估算夏玉米全生育期AGB中的應(yīng)用，由相關(guān)性分析結(jié)果可知，與AGB相關(guān)性較好的波長多位于720～760和820～840 nm，其主要原因是不同處理方式（密度、品種）導(dǎo)致夏玉米各小區(qū)AGB的差異，而這種差異在葉綠素的強(qiáng)吸收和強(qiáng)反射作用下，更明顯地體現(xiàn)在可見光區(qū)域（紅邊和綠邊區(qū)域），而820～840 nm則與作物內(nèi)蛋白質(zhì)含量聯(lián)系緊密，進(jìn)而能較好地反映AGB的變化。由篩選的最優(yōu)光譜指數(shù)TBI6（760，925，895）與夏玉米全生育期AGB的相關(guān)性分析可知，與其他3個生育期相比，最優(yōu)光譜指數(shù)與AGB在拔節(jié)期的相關(guān)性較差，其原因是在這一時期，夏玉米剛開始快速生長，葉片未完全舒展，冠層尚未完全封壟，此時提取的光譜信息受土壤的影響較大，不能較好地反映AGB的變化。與常規(guī)光譜指數(shù)相比，TBI6（760，925，895）與AGB在單個生育期和全生育期均保持良好的線性關(guān)系，表明基于波段優(yōu)化算法篩選的三波段最優(yōu)光譜指數(shù)可以克服生育期對AGB估算的影響。此外，與復(fù)雜的機(jī)器學(xué)習(xí)算法（如隨機(jī)森林、支持向量機(jī)等）相比，該研究基于單變量線性回歸方法構(gòu)建的AGB估算模型復(fù)雜度和計(jì)算成本更低，更有利于缺乏專業(yè)數(shù)理統(tǒng)計(jì)知識和遙感技能的農(nóng)業(yè)工作者估算作物多生長階段的AGB狀況，可為AGB監(jiān)測裝置的集成與研發(fā)提供參考。

4結(jié)論

該研究基于夏玉米4個關(guān)鍵生育期的地面高光譜數(shù)據(jù)，利用任意波段組合的波段優(yōu)化算法構(gòu)造了12種不同波段組合形式的光譜指數(shù)，并建立了最優(yōu)光譜指數(shù)與夏玉米全生育期AGB的定量關(guān)系模型。結(jié)果表明：720～760和820～840 nm 的波段范圍與夏玉米AGB狀況聯(lián)系緊密，可為夏玉米AGB的快速準(zhǔn)確估算提供有效信息。與常規(guī)光譜指數(shù)相比，基于任意波段組合的波段優(yōu)化算法篩選的最優(yōu)三波段光譜指數(shù)TBI6（760，925，895）構(gòu)建的AGB估算模型精度和穩(wěn)定性更高，可有效改善不同生育期AGB估算模型不一致問題。研究結(jié)果可用于設(shè)計(jì)快速高效的AGB診斷系統(tǒng)以及增強(qiáng)地面?zhèn)鞲衅髋c衛(wèi)星傳感器之間的聯(lián)系，為夏玉米大面積AGB監(jiān)測提供技術(shù)支持。

參考文獻(xiàn)

［1］ SHU M Y，SHEN M Y，DONG Q Z，et al.Estimating the maize aboveground biomass by constructing the tridimensional concept model based on UAVbased digital and multispectral images［J］.Field crops research，2022，282：1-12.

［2］ 低光下光能利用效率與水稻生物量密切相關(guān)［J］.農(nóng)業(yè)科技與信息，2017（16）：6.

［3］ 張寧丹，任建強(qiáng)，吳尚蓉.基于花后累積地上生物量比例的冬小麥動態(tài)收獲指數(shù)估算［J］.農(nóng)業(yè)工程學(xué)報(bào)，2022，38（7）：189-199.

［4］ LI B，XU X M，ZHANG L，et al.Aboveground biomass estimation and yield prediction in potato by using UAVbased RGB and hyperspectral imaging［J］.ISPRS journal of photogrammetry and remote sensing，2020，162：161-172.

［5］ 韓文霆，湯建棟，張立元，等.基于無人機(jī)遙感的玉米水分利用效率與生物量監(jiān)測［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（5）：129-141.

［6］ 劉楊，黃玨，孫乾，等.利用無人機(jī)數(shù)碼影像估算馬鈴薯地上生物量［J］.遙感學(xué)報(bào)，2021，25（9）：2004-2014.

［7］ NIU Y X，ZHANG L Y，ZHANG H H，et al.Estimating aboveground biomass of maize using features derived from UAVbased RRB imagery［J］.Remote sensing，2019，11（11）：1-21.

［8］ 張建，謝田晉，王楚鋒，等.基于低空無人機(jī)被動遙感的作物株高及生物量自適應(yīng)高精度解算方法：CN202011101682.7［P］.2021-01-12.

［9］ 吳亞鵬，賀利，王洋洋，等.冬小麥生物量及氮積累量的植被指數(shù)動態(tài)模型研究［J］.作物學(xué)報(bào)，2019，45（8）：1238-1249.

［10］ MAIMAITIJIANG M，SAGAN V，SIDIKE P，et al.Vegetation Index Weighted Canopy Volume Model（CVMVI）for soybean biomass estimation from Unmanned Aerial Systembased RGB imagery［J］.ISPRS journal of photogrammetry and remote sensing，2019，151：27-41.

［11］ 岳繼博，楊貴軍，馮海寬.基于隨機(jī)森林算法的冬小麥生物量遙感估算模型對比［J］.農(nóng)業(yè)工程學(xué)報(bào)，2016，32（18）：175-182.

［12］ 肖武，陳佳樂，笪宏志，等.基于無人機(jī)影像的采煤沉陷區(qū)玉米生物量反演與分析［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（8）：169-180.

［13］ 王秀珍，黃敬峰，李云梅，等.水稻地上鮮生物量的高光譜遙感估算模型研究［J］.作物學(xué)報(bào)，2003，29（6）：815-821.

［14］ KHAN A，VIBHUTE A D，MALI S，et al.A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications［J］.Ecological informatics，2022，69：1-12.

［15］ 張敏，郭濤，劉軻，等.基于高光譜植被指數(shù)的水稻lai遙感估算［J］.西南農(nóng)業(yè)學(xué)報(bào)，2022，35（11）：2651-2658.

［16］ 曹中盛，李艷大，黃俊寶，等.監(jiān)測花生葉面積指數(shù)和地上部生物量的最優(yōu)植被指數(shù)及適宜波段帶寬［J］.中國油料作物學(xué)報(bào)，2022，44（6）：1320-1328.

［17］ 陳小芳，李軍，李新偉，等.基于高光譜的水稻生物量估測模型研究［J］.安徽科技學(xué)院學(xué)報(bào)，2021，35（5）：53-59.

［18］ 童新，楊震雷，張亦然，等.基于不同階微分高光譜植被指數(shù)的牧區(qū)草場地上生物量估算［J］.草地學(xué)報(bào)，2022，30（9）：2438-2448.

［19］ 吾木提·艾山江，尼加提·卡斯木，陳晨，等.基于多維高光譜植被指數(shù)的冬小麥葉面積指數(shù)估算［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（5）：181-190.

［20］ 肖璐潔，楊武德，馮美臣，等.基于高光譜植被指數(shù)的冬小麥估產(chǎn)模型［J］.生態(tài)學(xué)雜志，2022，41（7）：1433-1440.

［21］ 范玲玲.基于多源遙感數(shù)據(jù)的夏玉米冠層氮素遙感監(jiān)測研究［D］.合肥：安徽大學(xué)，2020.