續~

3.4大田健康水稻生長特征參數與多光譜植被指數之間的相關分析

利用2021-2022年防治田和非防治田同一生育期的未受蟲害水稻SPAD值和多光譜的植被指數建立定量關系模型。在不同生育期健康水稻SPAD與多光譜植被指數的相關性均較好，利于用SMLR和PLSR兩種方法構建健康水稻SPAD與多光譜植被指數之間的回歸方程（見表1）。從表中可知，拔節期利用PLSR構建的多元方程估算SPAD效果最接近真實值，決定系數達0.57；其次為拔節期利用SMLR構建的SPAD估算模型，模型決定系數也達到0.53；估算效果較差的是抽穗期利用SMLR構建的模型，決定系數僅0.29。

表1 健康水稻的SPAD值與多光譜植被指數的回歸曲線方程

對比四個生育期用于估算水稻SPAD的植被指數可以發現，GNDVI在分蘗期、拔節期和穗期都參與了葉綠素相對含量的計算，說明GNDVI與葉綠素的關系密切，其中，GNDVI在分蘗期和孕穗期對計算SPAD的貢獻較大；在拔節期，需要更多的植被指數參與SPAD的估算，NDVI對模型的貢獻最大，MCARI的貢獻程度次之；抽穗期NDRE在SPAD的單因子估算模型中效果最好（表2）。

表2 水稻不同生育期SPAD最優估算模型中自變量的標準化回歸系數

利用各生育期的最優SPAD估算模型的計算結果與田間采集的真實值進行分析（見圖5）?？傮w上，拔節期的計算結果與真實值最接近，抽穗期的計算結果與真實值偏差較大。

圖5 健康水稻在不同生育期基于植被指數的SPAD估算模型驗證

對各生育期進行具體分析發現，分蘗期模型驗證結果的MAPE最大，為4.9%，說明計算值與真實值相對誤差程度較大；拔節期的RMSE和MAPE均是四個生育期中最小的，分別為1.4和2.7%，說明該生長階段適合利用無人機多光譜進行葉綠素方面的研究；孕穗期的驗證結果為：在RMSE和MAPE的結果上優于分蘗期；抽穗期的部分計算結果遠離1:1線，說明該時期受到稻穗的影響，無人機多光譜數據在定量估計此時的水稻葉綠素相對含量的潛力有限。

3.5 結論

通過對2021-2022年非防治田水稻在不同生育期的生理生態參數和光譜特征信息的動態變化進行分析，并基于防治田水稻的生長特征參數和無人機多光譜數據進行相關分析，對健康水稻的SPAD的多光譜植被指數估算模型進行構建和檢驗，得到以下幾個結論：

（1）2021年非防治田的水稻的葉綠素相對含量呈現先增加后減少再增加的趨勢，而2022年的葉綠素相對含量的變化較小，主要呈現先增后減的趨勢。2022年的葉綠素相對含量數據整體比2021年的波動小，數據更穩定，分布也更均衡。2021年孕穗期的水稻葉片葉綠素相對含量平均值最小，拔節期和抽穗期的平均值較高；拔節期的數據波動最大，孕穗期次之；拔節期水稻的葉綠素相對含量整體較小。2022年拔節期的葉綠素相對含量平均值最大，抽穗期的最?。话喂澠诘娜~綠素相對含量數據波動較大，抽穗期最?。环痔Y期相較于另外三個生長階段的數據分布更均衡。

2021年水稻葉面積指數隨著生育期呈現先增加后減少再增加的變化過程，與葉綠素相對含量的變化情況一致。2021年的孕穗期葉面積指數數據波動最小，數據較集中，分蘗期和抽穗期的波動較大；除孕穗期外，其他三個生育期的葉面積指數的分布都比較集中，接近正態分布，整體數據分布比較均衡。2022年水稻葉面積指數隨著生育期呈現持續增加趨勢，在分蘗期-拔節期過程增長較迅速，拔節期-抽穗期增加緩慢。2022年拔節期的葉面積指數數據最分散，數值波動最大，孕穗期的最集中，波動最?。辉兴肫诘娜~面積指數數據分布最接近正態分布，拔節期和抽穗期的數據呈左偏分布。2021年分蘗期的卷葉率數據雖較分散但基本呈正態分布，孕穗期和抽穗期的數據同樣接近正態分布，但拔節期數據呈左偏分布。2022年水稻在分蘗期受到稻縱卷葉螟侵害較弱，卷葉率平均值遠小于2021年；在拔節期、孕穗期和抽穗期，2022年的卷葉率數據的中位值和平均值均高于2021年，拔節期的卷葉率數據呈左偏分布，中位值與平均值接近，該時期卷葉率值整體較高；分蘗期、孕穗期和抽穗期存在個別樣點水稻受到稻縱卷葉螟較嚴重的危害。

（2）水稻遭受蟲害后，冠層光譜從綠光（500nm左右）波段開始出現明顯差異，表現為“綠峰”的上升，以及近紅外波段反射率的下降；隨著水稻的生長，冠層光譜反射率均呈現一定程度的增長。2022年水稻冠層光譜反射率普遍高于2021年；在拔節期，2021年不同蟲害等級的水稻在近紅外光譜反射率上都高于2022年，綠光波段和紅邊波段的反射率則低于2022年；在抽穗期，兩年的水稻冠層光譜曲線接近，受到輕度稻縱卷葉螟侵害的水稻在近紅外范圍的反射率都略高于未受害水稻。從整體上看，隨著水稻生長，兩年非防治試驗田的水稻五個波段的反射率均呈現較弱的增長趨勢，尤其是近紅外波段（NIR）反射率增長趨勢最明顯；2022年水稻的反射率整體上高于2021年。與未受蟲害的水稻冠層光譜相比，遭受稻縱卷葉螟啃食的水稻葉片冠層光譜在綠光（G）、近紅外（NIR）和紅邊（RE）三個波段反射率值明顯降低。

（3）拔節期利用PLSR和SMLR構建的多元方程估算SPAD效果最好；估算效果較差的是抽穗期利用SMLR構建的模型。GNDVI與葉綠素的關系密切，在分蘗期、拔節期和孕穗期都參與了葉綠素相對含量的估算；在拔節期，NDVI對模型的貢獻最大，MCARI的貢獻程度次之；抽穗期NDRE在SPAD的單因子估算模型中效果最好。拔節期的計算結果與真實值最接近，該生長階段適合利用無人機多光譜進行葉綠素方面的研究；抽穗期的計算結果與真實值偏差較大，無人機多光譜數據在定量估計此時的水稻葉綠素相對含量的潛力有限。

四、水稻冠層光譜反射率與無人機多光譜數據的關系

4.1 非防治田高光譜反射率與多光譜反射率之間的相關性分析

4.1.1 2021年非防治田冠層高光譜反射率與多光譜反射率的相關性分析

圖6為2021年水稻四個生育期多光譜各波段反射率與冠層高光譜各波段反射率之間的相關系數分布圖。從圖中可知，分蘗期的多光譜波段與高光譜波段并無顯著相關性；在拔節期，近紅外波段與高光譜的藍紫光波段（350-500nm）存在顯著負相關，紅邊波段與高光譜的紫-紅波段（350-700nm)有顯著的負相關，藍光波段與高光譜的紅邊-近紅外波段（700-1050nm）的相關性達顯著正相關；在孕穗期，綠光波段與高光譜的紅邊-近紅外波段（750-1050nm）存在顯著的正相關；在抽穗期，綠光波段與高光譜的大部分波段均存在顯著的負相關。

圖6 2021年水稻冠層高光譜各波段反射率與多光譜各波段反射率的相關系數分布圖

（a）分蘗期；（b）拔節期；（c）孕穗期；（d）抽穗期

4.1.2 2022年非防治田冠層高光譜反射率與多光譜反射率的相關性分析

圖7為2022年水稻四個生育期多光譜各波段反射率與冠層高光譜各波段反射率之間的相關系數分布圖。從圖中可知，在分蘗期，多光譜的紅邊波段與高光譜的藍-紅波段（450-700nm）的相關性達極顯著正相關；在拔節期，多光譜的近紅外波段與高光譜的紅邊-近紅外波段（750-1000nm）的相關性達極顯著負相關；孕穗期的多光譜波段與高光譜波段之間的相關性并未有統計學意義；在抽穗期，多光譜的綠光波段與高光譜的藍-綠波段（500-600nm）、紅光-近紅外波段（700-1050nm）的相關性達極顯著負相關，多光譜的近紅外波段與高光譜的綠光波段（500-580nm）、紅光波段（690-740nm）有顯著的負相關，多光譜的紅邊波段與高光譜綠光波段（520-560nm）的相關性達顯著正相關，與高光譜的紅光近紅外波段（640-1050nm）有極顯著的正相關。

圖7 2022年水稻冠層高光譜各波段反射率與多光譜各波段反射率的相關系數分布圖

（a）分蘗期；（b）拔節期；（c）孕穗期；（d）抽穗期

五、結論

（1）2021年水稻分蘗期的多光譜各波段與高光譜各波段的反射率之間并無顯著的相關性；但在拔節期和孕穗期，高光譜的紅邊-近紅外波段分別與多光譜的藍光波段、綠光波段存在顯著的正相關；在抽穗期，綠光波段與高光譜的大部分波段均存在顯著的負相關。2022年在分蘗期，紅邊波段與高光譜的藍-紅波段的相關性達到了極顯著的正相關；在拔節期，近紅外波段與高光譜的紅邊-近紅外波段的相關性達到極顯著負相關；在抽穗期，高光譜的綠光波段與多光譜的綠光、近紅外波段有顯著的負相關；紅邊波段與高光譜綠光、紅光-近紅外波段有顯著的正相關。

（2）整體上看，2021年四個水稻生育期的高光譜NDVI與多光譜的NDVI線性擬合結果均至少達到P<0.05的顯著性水平，孕穗期的擬合效果最佳，抽穗期的擬合效果較差。2022年分蘗期的擬合效果最好，決定系數達0.6；拔節期的擬合效果較差，與2021年一致；2022年孕穗期的擬合曲線的決定系數相較于2021年有所下降。因此，分蘗期和孕穗期地面高光譜與無人機多光譜植被指數之間有較好的換算關系。

推薦：

便攜式地物光譜儀 iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

審核編輯 黃宇