全 文 ：作物学报 ACTA AGRONOMICA SINICA 2013, 39(2): 309318 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn
本研究由国家重点基础研究发展计划(973计划)项目(2009CB1184, 2010CB1259, 2011CB1093), 国家公益性行业(农业)专项(200803060,
201203026-4), 江苏省优势学科建设工程专项和国家重点实验室自主课题资助。
* 通讯作者(Corresponding author): 盖钧镒, E-mail: sri@njau.edu.cn
第一作者联系方式: E-mail: wuqiong85@163.com (吴琼); E-mail: mtsdhzhq@163.com (齐波) ** 同等贡献(Contributed equally to this work)
Received(收稿日期): 2012-05-31; Accepted(接受日期): 2012-10-09; Published online(网络出版日期): 2012-12-11.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20121211.1709.020.html
DOI: 10.3724/SP.J.1006.2013.00309
高光谱遥感估测大豆冠层生长和籽粒产量的探讨
吴 琼 1,** 齐 波 1,** 赵团结 1 姚鑫锋 2 朱 艳 2 盖钧镒 1,*
1 南京农业大学大豆研究所 / 国家大豆改良中心 / 农业部大豆生物学与遗传育种重点实验室(综合) / 作物遗传与种质创新国家重点
实验室 , 江苏南京 210095; 2 南京农业大学 / 国家信息农业工程技术中心 / 江苏省信息农业高技术研究重点实验室 , 江苏南京
210095
摘 要: 现代作物育种需要监测大量育种材料的生长并估测产量潜势, 高光谱遥感技术为此提供了简单、快捷、非
损伤性测定的可能途径。选取 30 份大豆育成品种进行连续 2 年的产量比较试验, 在盛花期(R2)、盛荚期(R4)和鼓粒
始期(R5)测定地上部生物量(ADM)和叶面积指数(LAI), 并利用 ASD高光谱地物仪同步收集大豆冠层反射光谱信息。
供试品种间 ADM、LAI和产量差异显著或极显著。不同生育期可见光和近红外区域的光谱反射率与大豆 ADM、LAI
及产量均有显著相关, 尤其在 R4和 R5期相关性最高。在构建大量光谱参数的基础上, 遴选出对 ADM、LAI及产量
预测精度较好的回归模型。其中, R5期的 P_Area560光谱参数与 LAI和 R4期的 V_Area1450光谱参数与 ADM构建
的两个生长性状的监测模型效果最好, 决定系数(R2)分别为 0.582 和 0.692。未发现单一生育期光谱参数对大豆估产
的有效模型, 但综合 R2期 NPH1280、R4期 V_Area1190以及 R5期 NPH560构建的产量估测模型, 决定系数(R2)达到
0.68, 效果较好。本研究结果表明高光谱遥感对大豆冠层生长监测和产量估测有相对可行性, 可望在大规模育种计划
中用于早期产量估测。
关键词: 大豆; 高光谱遥感; 冠层反射光谱; 地上部生物量; 叶面积指数; 产量
A Tentative Study on Utilization of Canopy Hyperspectral Reflectance to Esti-
mate Canopy Growth and Seed Yield in Soybean
WU Qiong1,**, QI Bo1,**, ZHAO Tuan-Jie1, YAO Xin-Feng2, ZHU Yan2, and GAI Jun-Yi1,*
1 Soybean Research Institute / National Center for Soybean Improvement / Key Laboratory for Biology and Genetic Improvement of Soybean (Gen-
eral), Ministry of Agriculture / National Key Laboratory of Crop Genetics and Germplasm Enhancement, Nanjing Agricultural University, Nanjing
210095, China; 2 National Engineering and Technology Center for Information Agriculture / Jiangsu Key Laboratory for Information Agriculture,
Nanjing Agricultural University, Nanjing 210095, China
Abstract: Modern plant breeding needs to monitor the growth and evaluate the yield potential for an accurate selection in a great
number of breeding lines. The hyperspectral reflectance technology has been demonstrated to be potential in meeting this kind of
requirement with a simple, fast and nondestructive technology. Thirty soybean cultivars from Middle and Lower Yangtze Valleys
with close growing days to maturity were chosen and tested in a randomized blocks design experiment during the two consecutive
years. The measurement of above-ground dry biomass (ADM) and leaf area index (LAI) was synchronized with the information
collection of the canopy hyperspectral reflectance by using a portable spectroradiometer (FieldSpec Pro FR2500, Analytical Spec-
tral Devices, Inc., Boulder, Co., USA) at three different growth stages (R2, R4, and R5) in soybean. Significant differences in
ADM, LAI and plot yield among the tested cultivars were detected, which allowed a further regression analysis of the traits on the
hyperspectral reflectances. There existed significant correlations between hyperspectral reflectance in the visible and infrared
region and LAI, ADM, and yield, respectively. In particular, the highest correlations were observed at R4 and R5 stages. Based on
a large number of spectral parameters in the literature, we selected the regression models with the best accuracy for ADM, LAI,
and yield prediction. Among them, the regression model of LAI at R5 on P_Area560 and that of ADM at R4 on V_Area1450 were
the best ones with their determination coefficients of 0.582 and 0.692, respectively. There was no single spectral index found for
310 作 物 学 报 第 39卷
yield prediction. But the multiple regression of yield on NPH1280 at R2, V_Area1190 at R4 and NPH560 at R5 was found to pro-
vide a best yield prediction with R2=0.68. The obtained results suggested that hyperspectral remote sensing for monitoring growth
status and estimating yields in soybean is feasible and potential, providing that a more accurate and stable regression model is
searched based on an enlarged testing program under multiple environments. It might be especially useful and valuable for early
generation yield prediction in a large-scale breeding program.
Keywords: Soybean; Hyperspectral remote sensing; Canopy reflectance spectra; Above-ground dry biomass; Leaf area index;
Yield
大豆是当今世界上最重要的植物蛋白和植物油
脂的来源。大豆的产量来自光合产物。高产育种的
基础是群体的光合效率。规模化育种要求对大量选
系进行生长监测和产量预测, 尤其是数以千计的株
行试验阶段需要一种简易的冠层生长监测和产量预
测手段, 而且最好是一种无损伤的技术。
高光谱遥感技术, 特别是可见光和近红外波段
的反射率, 能提供快速、无损伤、定量估计作物截
获辐射和光合作用的能力[1]。因此, 利用作物光谱特
征与其长势及产量之间的定量关系以快速准确地进
行产量估计是可行的[2-3]。近年来, 国内外关于作物
冠层反射光谱的变化规律及产量预测的研究很多 ,
已经成功地应用于水稻、大麦、小麦等作物生物量、
叶面积指数、光合作用和产量潜力估测 [4-10]。
Shibayama 等[11]研究表明, 冠层光谱比值植被指数
和归一化植被指数可以有效地反演水稻(Oryza sa-
tiva)的地上部生物量(ADM)。Hansen等[12]研究了小
麦(Triticum aestivum)的 ADM 与归一化差值植被指
数 NDVI (708, 565)之间的关系, 认为偏最小二乘法
估算效果更好。王秀珍等[13]发现水稻的 ADM 与蓝
边内一阶微分的总和(SDb)及与红边内一阶微分的
总和(SDr)两者比值关系密切。刘良云等[14]基于水分
吸收特征波段构建光谱参数, 并建立了小麦分时期
遥感估产模型。唐延林等[15]指出水稻抽穗期-灌浆期-
蜡熟期 3个生育期的复合光谱与产量回归相关性达到
极显著水平, 并构建了多时期复合估产模型。薛利红
等[16]建立了水稻的光谱植被指数-累积叶面积氮指数-
产量估测模型, 预测精度有所提高。Moran 等[17]对遥
感估产研究进行了系统概括和阐述, 表明遥感估产是
行之有效的, 而且预测结果较为理想。然而, 关于定量
反演大豆产量的预测模型, 却少有研究报道。
本研究以连续 2 年的田间试验, 分析大豆不同
生育时期的 LAI、ADM和最终产量与对应冠层高光
谱参数的定量关系, 优选出适宜的光谱参数, 确立
大豆叶面积指数(LAI)、ADM 和籽粒产量性状的回
归预测模型, 以便为遥感技术应用于大面积快速、无
损伤监测大豆冠层长势和估测产量提供技术支撑。
1 材料与方法
1.1 试验材料
选用植株高度、LAI、ADM以及籽粒产量等性
状的遗传差异相对较大的 30 份江淮地区大豆育成
品种(表 1所列为 2009年的数据)。
1.2 试验设计
2008 年在南京农业大学江浦农场进行预备试验,
2009年在该场进行正式试验。试验以完全随机区组
设计, 小区面积为 2.5 m×4.0 m, 行距为 50 cm, 重复
3次, 基本苗 180 000株 hm–2, 共 90个小区。行内
点播, 株距 10 cm。预备试验主要针对供试材料的田
间表型进行方差分析和评价; 正式试验主要在大豆
盛花期(R2)、盛荚期(R4)和鼓粒始期(R5)测定各小区
的冠层反射光谱, 并同步取样测定 ADM、叶面积等
指标, 另外, 在营养生长期 9节期(V9)和始荚期(R3)
采集部分冠层光谱, 主要用于冠层光谱反射率曲线
特征分析以及全生育期与目标性状的相关分析。
1.3 测定方法
1.3.1 光谱数据 采用美国 Analytical Spectral
Device (ASD)公司生产的 FieldSpec Pro FR2500型
背挂式野外高光谱辐射仪测量大豆冠层光谱, 波段
值为 350~2500 nm, 其中 350~1000 nm光谱采样间
隔为 1.4 nm, 光谱分辨率为 3 nm; 1000~2500 nm光
谱采样间隔为 2 nm, 光谱分辨率为 10 nm。选择
10:00~14:00, 天气晴朗、无风或风速很小时测定冠
层光谱。测量时传感器探头垂直向下, 光谱仪视场
角为 25°, 距冠层顶部垂直高度约 1.0 m, 地面视场
范围直径为 0.44 m。以 15个光谱为一采样光谱, 每
个观测点记录 15个采样光谱, 取平均值作为该观测
点的光谱反射值。测量过程中, 及时对每组目标的
观测前后进行标准白板校正(标准白板反射率为 1,
因此所得目标物光谱为无量纲的相对反射率)。
1.3.2 地上部生物量、叶面积和产量 与光谱测
量同步, 每个小区连续取样 5株, 在 105℃下杀青并
在 80℃下烘干 , 称重获得植株的 AD M。利用
LAI-3000 叶面积仪测定叶面积, 叶面积指数(LAI)=
第 2期 吴 琼等: 高光谱遥感估测大豆冠层生长和籽粒产量的探讨 311
表 1 本试验所使用品种一览表
Table 1 Soybean cultivars used in the present experiment
代号
Code
品种
Cultivar
来源
Source
生育日数
Days to maturity (d)
植株高度
Plant height (cm)
产量
Yield (kg hm–2)
1 南农 103 Nannong 103 江苏 Jiangsu 113 75.3 3086.7
2 南农 241 Nannong 241 江苏 Jiangsu 111 78.3 2598.7
3 南农 1138-2 Nannong 1138-2 江苏 Jiangsu 107 74.5 2656.0
4 南农 128 Nannong 128 江苏 Jiangsu 106 75.8 2662.7
5 南农 2250 Nannong 2250 江苏 Jiangsu 111 71.7 2808.0
6 南农 242 Nannong 242 江苏 Jiangsu 118 69.2 2482.7
7 南农 291 Nannong 291 江苏 Jiangsu 133 87.3 2930.7
8 南农 493-1 Nannong 493-1 江苏 Jiangsu 125 68.6 2688.0
9 南农 86-4 Nannong 86-4 江苏 Jiangsu 113 73.7 3318.7
10 南农 88-31 Nannong 88-31 江苏 Jiangsu 113 94.0 3368.0
11 南农 88-48 Nannong 88-48 江苏 Jiangsu 110 89.7 3292.0
12 南农 95C-13 Nannong 95C-13 江苏 Jiangsu 105 64.7 2570.7
13 南农 95C-5 Nannong 95C-5 江苏 Jiangsu 129 82.6 3008.0
14 南农 96B-4 Nannong 96B-4 江苏 Jiangsu 118 66.6 2818.7
15 南农 99-10 Nannong 99-10 江苏 Jiangsu 120 80.5 2924.0
16 南农 99-6 Nannong 99-6 江苏 Jiangsu 127 98.3 3189.3
17 南农 Z028 Nannong Z028 江苏 Jiangsu 127 105.2 3876.0
18 南农菜豆 1号 Nannongcaidou 1 江苏 Jiangsu 109 63.7 2640.0
19 南农菜豆 5号 Nannongcaidou 5 江苏 Jiangsu 99 61.2 2249.3
20 淮豆 4号 Huaidou 4 江苏 Jiangsu 105 51.1 2304.0
21 淮豆 6号 Huaidou 6 江苏 Jiangsu 104 56.0 2126.7
22 泗豆 11 Sidou 11 江苏 Jiangsu 99 75.4 2092.0
23 苏豆 3号 Sudou 3 江苏 Jiangsu 125 74.7 2533.3
24 诱处 4号 Youchu 4 北京 Beijing 104 80.2 2390.7
25 豫豆 22 Yudou 22 河南 Henan 106 68.5 2817.3
26 豫豆 8号 Yudou 8 河南 Henan 99 57.2 2316.0
27 中豆 19 Zhongdou 19 湖北 Hubei 111 75.5 3132.7
28 中豆 20 Zhongdou 20 湖北 Hubei 105 61.5 2337.3
29 中豆 31 Zhongdou 31 湖北 Hubei 106 93.1 2410.7
30 周豆 12 Zhoudou 12 河南 Henan 104 67.5 2870.7
叶片总面积/土地面积。大豆成熟后, 收获晒干至籽
粒含水量 13%时, 称重测定籽粒产量。
1.4 数据分析与利用
本文剔除了田间试验中部分倒伏材料的数据和
光谱仪在野外测量时受大气吸收强烈影响的一些波
段的光谱数据 (1357~1409 nm、1798~1957 nm 和
2351~2500 nm), 综合已有的大量光谱参数的算法,
如光谱位置变量技术[18-20]、微分光谱技术[21]、连续
统去除法[22]和原始光谱反射率多波段组合, 以及利
用包络线技术[23]在高光谱反射峰和吸收谷提取反射
特征参数等方法, 经相关性分析遴选出适宜的光谱
参数。表 2 为本文优选出的光谱参数及其算法。所
有数据处理和分析均在 MATLAB 语言环境下编程
实现, 采用 SigmaPlot11.0作图软件绘图。
2 结果与分析
2.1 不同年份间大豆生长性状和产量的方差分
析
2008年预备试验中不同品种的 LAI在 V9、R2、
R4、R5存在显著、极显著差异; 产量差异也达到极
显著水平。LAI 在 4 个生育时期均有较大的遗传变
异, R4期达到最大值 22.98%; LAI在 4个生育期的
变幅为 0.75~7.14, 其中, R4 和 R5 期的平均值分别
为 3.27和 4.45。与 LAI相比较, 产量性状的遗传变
312 作 物 学 报 第 39卷
表 2 本文采用的高光谱参数列表
Table 2 Summary of different hyperspectral parameters used in this study
光谱参数
Spectral parameter
算法
Algorithm
参考文献
Reference
Red/green ratio RRED/RGREEN Gamon et al. [24]
VARIgreen (Visible atmospherically resistant index) (Rgreen–Rred)/(Rgreen+Rred–Rblue) Gitelson et al. [25]
PVR (Photosynthetic vigour ratio) (R550–R650)/(R550+R650) Metternicht et al.
[26]
V_Areai (Feature area of absorbed valley) Ei
Si
Si Ei Si Si Ei Si( )( ) /( ) ( )R R R R d
P_Areai (Feature area of reflected peak) Ei
Si
Si Ei Si Si Ei Si( ) ( )( ) /( )R R R R d
PHi (Height of reflected peak) 1–[RSi+(REi–RSi)( λCi–λSi)/(λEi–λSi)]/RCi
NPHi (Normalized height of peak) PHi/ P_Areai
Kokaly et al. [22]
Curran et al. [27]
Mutanga et al. [28]
Feng [29]
Rλ为波长 λnm处的光谱反射率; RED和 GREEN分别为 600~699 nm和 500~599 nm波段的反射率, green、red、blue分别为绿光(接
近 550 nm)、红光(660~680 nm)和蓝光(470~490 nm)的反射率; RCi、RSi、REi分别为反射特征中心点、起点和结束点的光谱反射率; λCi、
λSi、λEi分别为反射特征中心点、起点和结束点的波长。本文的 V_Areai中的 i取值为 1190 nm和 1450 nm, P_Areai中的 i取值为 560 nm,
PHi中的 i取值为 560 nm, NPHi中 i的取值为 560 nm和 1280 nm。
Rλ is spectral reflectance at the wavelength of λnm. RED refers to a broad red band (600–699 nm), and GREEN to a broad green band
(500–599 nm). Green, red and blue for the subscript of Rgreen, Rred, and Rblue refer to reflectance in the green (near 550 nm), red (660–680 nm)
and blue (around 470–490 nm) region, respectively. RCi, RSi, and REi are the reflectance at the center, start and end points for the reflection
characteristics, respectively.
λCi, λSi, and λEi are the wavelength at the center, start and end points for the reflection characteristics, respectively.
The i values of the spectral parameter V_Areai are 1190 nm and 1450 nm located in the spectral absorption curve; those of P_Areai and PHi
are 560 nm, and those of NPHi are 560 nm and 1280 nm located in the spectral reflection curve, respectively.
异相对较小。所选材料间产量的变幅为 1359.0~
3331.4 kg hm–2, 差异较大。以上结果说明材料间具
有较大差异, 适合用于做正式试验。
2009年正式试验表明, LAI在 R2期至 R5期中的
平均值已超过 3.0, R2期差异显著, R4和 R5期的 LAI
均差异极显著, LAI在这3个生育期均表现出很大的遗
传变异, 尤其在 R4期, LAI存在最大的遗传变异系数
35.53%。3 个生育期的 ADM 的差异均达到极显著水
平, 且存在较大的遗传变异, 其中, R4 期表现出最大
的遗传变异(26.21%)。相比较之下, 产量性状的遗传变
异虽略低于上述两个生长性状, 但品种间的差异极显
著, 且存在着较大的变幅 2098.0~3876.0 kg hm–2。
表 3 2008年和 2009年大豆不同生育期生长性状以及籽粒产量的品种间变异
Table 3 Variation of cultivars on growth traits and grain yield in different growth stages in 2008 and 2009
生育期
Growth stage
性状
Trait
平均值
Mean
变幅
Range
遗传变异系数
GCV (%)
F值
F-value
2008
V9 叶面积指数 LAI 1.06 0.75–1.44 22.17 2.01*
R2 叶面积指数 LAI 2.07 1.32–2.89 18.23 2.44**
R4 叶面积指数 LAI 3.27 1.79–5.02 22.98 4.50**
R5 叶面积指数 LAI 4.45 2.24–7.14 22.73 7.60**
产量 Yield (kg hm–2) 2603.80 1359.00–3331.40 9.41 11.44**
2009
叶面积指数 LAI 3.11 1.97–4.49 26.02 1.90* R2
地上部生物量 ADM (g) 9.98 6.81–21.48 15.96 14.16**
叶面积指数 LAI 4.02 2.60–7.77 35.53 2.98** R4
地上部生物量 ADM (g) 17.26 7.73–39.48 26.21 11.31**
叶面积指数 LAI 4.35 2.15–7.74 25.25 6.39**
地上部生物量 ADM (g) 28.47 13.30–42.77 18.05 10.66**
R5
产量 Yield (kg hm–2) 2696.00 2098.00–3876.00 12.25 4.65**
*表示在 0.05水平差异显著; **表示在 0.01水平差异显著。
LAI: leaf area index. ADM: above-ground dry biomass. Yield: yield per hm2. *Significance at 0.05 probability level; ** Significance at
0.01 probability level.
第 2期 吴 琼等: 高光谱遥感估测大豆冠层生长和籽粒产量的探讨 313
2.2 大豆冠层反射光谱特征
野外测量时光谱仪受大气吸收强烈影响, 有关
波段(1357~1409 nm、1798~1957 nm、2351~2500 nm)
的数据没有意义, 已在图 1中剔除。由此图可知, 从
V9 期到 R5 期, 南农 95C-5 在可见光 /近红外波段
(350~750 nm)的冠层光谱反射率生育期间差异不大,
但近红外波段的冠层光谱反射率生育期间差异明显,
750~1356 nm 处差异程度最大, 1410~1797 nm 和
1958~2350 nm处依次减小。在 R2期后, LAI增加,
近红外波段(750~1356 nm)的反射率不断增加, 变幅
程度也明显较大, 至R5期时LAI达到最大, 相应地,
其他近红外波段的反射率也达到最大值。
所选 5 个品种的田间表型存在明显的差异, 其
中, 南农 103为株型紧凑, 叶型细长披针状, LAI较
大(7 左右), 叶片深绿色 ; 而诱处 4 号株型略松弛,
LAI较小(3左右)。图 2 表明 5个品种 R5期的冠层
光谱反射率存在显著的差异, 其中, 可见光/近红外
波段(350~750 nm)的冠层光谱反射率在品种间差异
不大, 近红外波段的冠层光谱反射率不同品种间存
在明显的差异 , 750~1356 nm 处差异程度最大 ,
1410~1797 nm和 1958~2350 nm处依次减小。可见
光波段的变幅明显低于近红外波段(750~1356 nm)。
品种间存在冠层光谱差异的主要原因可能与不同品
种田间生长的表型性状(如株型、叶角、叶大小、叶
色等)差异有关, 这支持了基于反射率的差异实现不
同品种的判别与分类的设想。
图 1 2009年大豆南农 95C-5不同生育期的冠层高光谱反射率
曲线
Fig. 1 Canopy hyperspectral reflectance curves of NN95C-5
soybean at different growth stages in 2009
图中已将野外测量时光谱仪受大气吸收强烈影响有关波段的数
据剔除(1357~1409 nm、1798~1957 nm和 2351~2500 nm), 下同。
The reflectance measurement of the spectroradiometer is influenced
by the atmosphere absorption in open field for the wavelengths of
1357–1409 nm, 1798–1957 nm, and 2351–2500 nm, therefore,
those data in the gaps of the figure are excluded. The same is true
for later figures.
图 2 2009年 5个大豆品种 R5期冠层高光谱反射率曲线
Fig. 2 Canopy hyperspectral reflectance curves at R5 stage in
five soybean cultivars in 2009
2.3 大豆生长性状与光谱反射率的相关性分析
2.3.1 叶面积指数与冠层光谱反射率的相关分析
由图 3可知, 大豆全生育期冠层光谱在可见光波
段(350~526 nm)、可见光/近红外波段(620~691 nm)
和近红外波段(718~1356 nm、1410~1797 nm 和
1958~2350 nm)的反射率与 LAI表现显著正相关, 其
中, 可见光波段(350~517 nm)、可见光/近红外波段
( 650 ~6 91 nm)和近红外波段 (7 21 ~135 6 n m、
1410~1797 nm和 1958~2350 nm)的反射率有极显著
正相关。图 4 表明, 大豆 R2 期冠层光谱反射率与
L A I 均未达到显著相关 ; R 4 期在近红外波段
(741~1126 nm、1150~1356 nm和 1510~1771 nm)的
冠层光谱反射率与 LAI 表现显著正相关, 其中, 近
红外波段(741~930 nm、961~1117 nm和 1161~1325
nm)的反射率达到极显著正相关; R5 期在可见光波
段(350~522 nm)、可见光/近红外波段(595~695 nm)
图 3 大豆全生育期冠层反射率与 LAI之间的相关性(n=106)
Fig. 3 Correlation between canopy hyperspectral reflectance
and LAI during the whole life of soybean (n=106)
图中 F0.05为显著相关; F0.01为极显著相关, 下同。
F0.05 and F0.01 represent significant correlation at 0.05 and 0.01
probability levels, respectively. The same is true for later figures.
314 作 物 学 报 第 39卷
图 4 大豆关键生育期冠层反射率与 LAI之间的相关(n=25)
Fig. 4 Correlation between canopy hyperspectral reflectance
and LAI at key growth stages in soybean (n=25)
和近红外波段 (735~1356 nm、1510~1790 nm 和
1971~2350 nm)的冠层光谱反射率与 LAI 表现显著
正相关, 其中, 可见光波段(350~510 nm)、可见光/
近红外波段 (640~690 nm)及近红外波段 (741~1110
nm)的反射率达到极显著正相关。R4 期和 R5 期冠
层光谱反射率与 LAI 的相关性明显地高于 R2 期。
R5期 LAI与可见光波段(350~522 nm)、可见光/近红
外波段(595~695 nm)的光谱反射率达到显著正相关,
明显地高于R4期; R4期 LAI与近红外波段(741~930
nm、961~1117 nm和 1161~1325 nm)的光谱反射率的
相关性明显高于 R5期, 且二者均达到显著正相关。
2.3.2 叶面积指数与冠层光谱特征参数的相关分析
LAI 是反映大豆群体大小的较好的动态指标, 既
反映大豆的生长状况, 又表征大豆的生产能力, 直接
影响大豆经济产量。因此, 根据光谱特征的差异预测
LAI, 对实现大豆田间长势的监测具有重要意义。
由表 4 可知, 在 R5 期中, 光谱参数 P_Area560
与 LAI 相关性最好, 其线性回归方程的预测精度最
大(R2＝0.582), 明显地高于 R2 期和 R4 期的结果。
表中选出的光谱参数预测 LAI 的精度并不高
(R2<0.600), 如果用 R2大于 0.6的评判标准来选择最
佳的光谱参数, 那么将没有光谱参数能入选。因此,
P_Area560 仅相对较好地指示田间大豆封垄后 LAI
的大小。图 5 为基于 R5 期的光谱参数 P_Area560
与大豆 LAI 的回归模型, 模型为 y=20.154–0.489x
(R2=0.582)。
表 4 大豆不同生育时期的 LAI与典型光谱参数的最佳回归模型
Table 4 Optimal regression equations of LAI to typical spectral parameters at different growth stages in soybean
生育期
Growth stage
最佳参数
Optimal parameter
回归方程
Regression equation
R2
R2 VARIgreen y = – 4.461 + 12.599x 0.332
R4 V_Area1450 y = 1.244 – 0.017x 0.506
NPH560 y = –80.07 + 5561.55x 0.547 R5
P_Area560 y = 20.154 – 0.489x 0.582
图 5 大豆 R5期 LAI对于 P_Area560的回归
Fig. 5 Regression of LAI on P_Area560 at R5 stage in soybean
2.4 大豆地上部生物量的冠层高光谱估测
2.4.1 地上部生物量与冠层光谱反射率的相关分析
通过对大豆 ADM 与大豆冠层反射率进行相
关性分析, 获得大豆冠层光谱反射率与大豆 ADM
的相关系数曲线。图 6表明, 大豆 5个生育期的 ADM
与冠层光谱的可见光/近红外波段(350~1356 nm)和近
红外波段(1410~1797 nm和1958~2350 nm)的反射率均
有极显著相关。由图 7可见, 大豆 R2期冠层光谱在可
见光波段(350~718 nm)的反射率与 ADM 表现显著负
相关, 其中, 350~430 nm和 583~697 nm处呈极显著负
相关; 在 R4期, 近红外波段, 740~932 nm、952~1120
nm、1130~1330 nm和 1589~1689 nm的冠层光谱反射
率与 ADM 表现显著正相关 , 其中 , 近红外波段 ,
748~920 nm、975~1113 nm和 1219~1309 nm有极显著
正相关 , 明显高于 R5 期; 在 R5 期 , 可见光波段
(350~519 nm 和 602~694 nm)的冠层光谱反射率与
ADM 表现显著正相关, 其中可见光波段(350~509 nm
和 634~685 nm)表现极显著正相关。
第 2期 吴 琼等: 高光谱遥感估测大豆冠层生长和籽粒产量的探讨 315
图 6 大豆全生育期冠层反射率与 ADM之间的相关性(n=106)
Fig. 6 Correlation between canopy hyperspectral reflectance
and above-ground dry biomass during the whole life of soybean
(n=106)
图 7 大豆关键生育期冠层反射率与 ADM之间的相关性(n=25)
Fig. 7 Correlation between canopy hyperspectral reflectance
and above-ground dry biomass at key stages of soybean (n=25)
2.4.2 地上部生物量与冠层光谱特征参数的相关分
析 经 ADM 与各光谱参数相关性分析, 优选出
不同生育期中表现最好的光谱特征参数。由表 5 可
知, R4 期的光谱特征参数 V_Area1450、PVR 和 R5
期的 Red/green ratio、P_Area560、PH560 与 ADM
相关性较高 , 其线性回归模型的预测精度均达到
0.623 以上, 其中以 R4 期的光谱特征参数 V_Area
1450 与 ADM 构建估测模型的决定系数最高。图
8 为基于 R4 期的光谱参数 V_Area1450 与大豆
ADM 的回归模型 , 模型为 y= –3.832–0.127x
(R2=0.692)。
图 8 大豆 R4期 ADM对于 V_Area1450的回归
Fig. 8 Regression of above-ground dry biomass to V_Area1450
at R4 stage in soybean
图 9 大豆全生育期冠层反射率与产量之间的相关性(n=106)
Fig. 9 Correlation between canopy hyperspectral reflectance
and yield during the whole life of soybean (n=106)
表 5 大豆不同生育时期 ADM与典型光谱参数的最佳线性回归方程
Table 5 Optimal regression equations of above-ground dry biomass to typical spectral parameters in different growth stages in
soybean
生育期
Growth stage
最佳参数
Optimal parameter
回归方程
Regression equation
R2
V_Area1450 y = – 3.382 – 0.127x 0.692 R4
PVR y = 117.754 – 228.929x 0.673
Red/green ratio y = –145.119 + 263.461x 0.623
P_Area560 y = 134.996 – 3.300x 0.661
R5
PH560 y = 155.837 – 260.075x 0.678
2.5 基于冠层反射光谱的大豆产量估测
2.5.1 大豆产量与冠层高光谱反射率的相关分析
图 9 表明大豆全生育期冠层光谱在可见光
(350~404 nm和 420~492 nm)波段的反射率与产量表
316 作 物 学 报 第 39卷
现显著正相关 , 在近红外波段 (726~1356 nm、
1413~1797 nm 和 1958~2350 nm)表现极显著正相
关。但不同生育期的冠层光谱中仅 R4期的小范围近
红外波段(1001~1110 nm)的反射率与产量表现显著
正相关(数据略)。
2.5.2 利用冠层高光谱特征参数分析大豆产量
遥感估产是基于遥感信息数据建立模型来预测
产量。因此, 选用相关性较高的光谱参数构建回归
模型是研究的目标。大豆的产量形成是一个动态变
化的过程, 不仅受营养生长时期的影响, 而且生殖
生长时期的影响更为明显。表 6 结果说明用单一生
育期单一光谱参数构建的估产模型的预测精度均较
低, 其中, 以R4期的V_Area1190构建模型的精度比
其他时期好一些, 但 R2仅为 0.387, 效果并不理想。
但是, 综合利用 R2期 NPH1280、R4期 V_Area1190
以及 R5期 NPH560所构建的回归模型得到显著改善,
其预测精度达到 0.68。说明大豆产量估测要考虑不
同生育期光谱信息的影响。
表 6 大豆不同生育时期产量和典型光谱参数的最佳回归方程
Table 6 Optimal regression equations of yield to typical spectral parameters in different growth stages in soybean
生育期
Growth stage
基于最佳参数的回归方程
Regression equation based on the optimal parameters
R2
R2 y = 3332.3 – 198242.0NPH1280R2 0.285
R4 y = –904.5 + 414.4V_Area1190R4 0.387
R5 y = –15800.6+ 1222212.2NPH560R5 0.338
综合生育期 Comprehensive y = –1316.8 – 22894.4NPH1280R2 + 32.3V_Area1190R4 + 99548.5NPH560R5 0.680
3 讨论
本研究采用多波段组合构建光谱参数, 并在 R2
期后开始测定, 此时已封垄, 基本控制了土壤背景
的影响; 从大豆冠层顶部垂直获取反射率时, 开花
和结荚因为叶片遮挡而不致影响冠层的反射率; 实
际上仪器所获的反射率是各种条件的综合反应, 在
遴选光谱参数时只找出与待估性状(如 LAI)有密切
相关的光谱参数以构建回归模型(如表 4 中所选参
数), 因此在遴选过程中实际上已基本排除了其他因
素, 包括土壤背景、叶绿素的影响, 将它们纳入了所
建模型的剩余变异中。
主要采用两类分析方法, 一是冠层光谱反射率
与目标性状的相关性分析, 分析了光谱反射率与大
豆冠层生长性状和产量之间相关的显著性; 二是针
对大量已有的光谱参数的相关性分析, 从中筛选出
能较好地估测大豆冠层生长性状和产量性状的光谱
参数, 然后构建最佳回归预测模型。
通过对 LAI、ADM和产量与冠层光谱反射率在
不同生育期的相关性分析, 发现不同性状在不同生
育期均存在相关性较好的敏感波段。其中, LAI和产
量性状在 R5 期敏感波段范围最广, 分布在可见光
和近红外区域, LAI在 350~510 nm、640~690 nm和
741~1110 nm波段达到极显著正相关; ADM在 R4期
的敏感波段范围最广, 存在 4 个显著正相关的近红
外波段(740~932 nm、952~1120 nm、1130~1330 nm
和 1589~1689 nm)。
LAI和 ADM是监测作物长势好坏的重要指标。
LAI 在不同生育期有不同的最佳光谱参数 , 其中 ,
在 R5 期 560 nm 处吸收面积有极显著的负相关关
系。另外, 本研究采用的大豆品种在 R2期后期基本
封垄, LAI值接近甚至超过 3, 受土壤背景的影响很
小, 但此时大多数植被指数与大豆 LAI 的拟合程度
接近饱和, 效果不理想。此结论同于 Haboudane等[30]
和杨飞等[31]的结果。R4期的 ADM与 1450 nm处吸
收面积有极显著的负相关, 与 560 nm处吸收深度有
极显著的负相关; 以这些光谱参数建立的单一生育期
的回归模型, 具有较好的预测精度。通过植被指数可
以监测作物 LAI 的变化, 这同于前人研究结论[7]。王
秀珍等[13]认为红边波长、绿峰最大反射率、红谷最
小反射率及其相互组合以及蓝边与红边面积之比能
较好地估算水稻的 ADM, 这与本文在大豆上的研
究结果有所不同。
本研究基于冠层光谱信息估测大豆产量, 结果
表明综合 R2、R4和 R5期的光谱参数的回归模型比
单一生育期的效果好。究其原因, 可能是大豆产量
受多个生育时期的协同影响, 单一生育期的冠层光
谱反射率信息不能很好地解释整个生育期内的大豆
田间长势和产量形成的动态变化。本研究表明, 综
合考虑大豆多个生育期的冠层光谱反射率信息构建
的估产模型, 其效果较好。本研究在规模不大的范
围内能找到预测精度达 0.68 的光谱参数回归关系式,
表明还有改进的潜力。这为后续研究奠定了基础 ,
第 2期 吴 琼等: 高光谱遥感估测大豆冠层生长和籽粒产量的探讨 317
我们将针对大量的田间育种试验材料, 探讨采用光
谱信息对育种性状的估测, 提炼预测精度更高且稳
定性较好的光谱参数回归模型, 这会为规模化育种
的简易生长监测和产量的育种潜势预测提供可能途
径。
4 结论
LAI、ADM和产量与冠层反射率在不同生育期
均存在相关性较好的敏感波段。其中, LAI和产量性
状在 R5 期、ADM 在 R4 期的敏感波段范围最广。
基于前人所构建的光谱参数, 通过与目标性状构建
回归模型 , 遴选出决定系数最大的最优光谱参数 ,
其中, R5 期的 P_Area560 光谱参数与 LAI 和 R4 期
的 V_Area1450光谱参数与 ADM建的两个生长性状
的监测模型效果最好, 决定系数(R2)分别为 0.582和
0.692。综合 R2 期 NPH1280、R4 期 V_Area1190 以
及 R5 期 NPH560 构建的产量估测模型, 决定系数
(R2)达到 0.68。说明高光谱遥感对大豆冠层生长监测
和产量估测有相对可行性, 可望在大规模育种计划
中用于早期产量估测。
References
[1] Ma B L, Morrison M J, Dwyer L M. Canopy light reflectance and
field greenness to assess nitrogen fertilization and yield of maize.
Agron J, 1996, 88: 915–920
[2] Clevers J G P W. A simplified approach for yield prediction of
sugar beet based on optical remote sensing data. Remote Sens
Environ, 1997, 61: 221–228
[3] Clevers J G P W, Büker C, van Leeuwen H J C, Bouman B A M.
A framework for monitoring crop growth by combining
directional and spectral remote sensing information. Remote Sens
Environ, 1994, 50: 161–170
[4] Vaesen K, Gilliams S, Nackaerts K, Coppin P. Ground-measured
spectral signatures as indicators of ground cover and leaf area
index: the case of paddy rice. Field Crops Res, 2001, 69: 13–25
[5] Slafer G A, Molina-Cano J L, Savin R, Araus J L, Romagosa I.
Barley Science: Recent Advances from Molecular Biology to
Agronomy of Yield and Quality. Binghamton, NH: Haworth
Press, 2002. pp 387–412
[6] Filella I, Serrano L, Serra J, Penuelas J. Evaluating wheat nitro-
gen status with canopy reflectance indices and discriminant
analysis. Crop Sci, 1995, 35: 1400–1405
[7] Aparicio N, Villegas D, Araus J L, Casadesus J, Royo C. Rela-
tionship between growth traits and spectral vegetation indices in
durum wheat. Crop Sci, 2002, 42: 1547–1555
[8] Aparicio N, Villegas D, Casadesus J, Araus J L, Royo C. Spectral
vegetation indices as nondestructive tools for determining durum
wheat yield. Agron J, 2000, 92: 83–91
[9] Aparicio N, Villegas D, Royo C, Casadesus J, Araus J L. Effect
of sensor view angle on the assessment of agronomic traits by
ground level hyper-spectral reflectance measurements in durum
wheat under contrasting Mediterranean conditions. Int J Remote
Sens, 2004, 25: 1131–1152
[10] Royo C, Aparicio N, Villegas D, Casadesus J, Monneveux P,
Araus J L. Usefulness of spectral reflectance indices as durum
wheat yield predictors under contrasting Mediterranean environ-
ments. Int J Remote Sens, 2003, 24: 4403–4419
[11] Shibayama M, Akiyama T. Seasonal visible, near-infrared and
mid-infrared spectra of rice canopies in relation to LAI and
above-ground dry phytomass. Remote Sens Environ, 1989, 27:
119–127
[12] Hansen P M, Schjoerring J K. Reflectance measurement of can-
opy biomass and nitrogen status in wheat crops using normalized
difference vegetation indices and partial least squares regression.
Remote Sens Environ, 2003, 86: 542–553
[13] Wang X-Z(王秀珍), Huang J-F(黄敬峰), Li Y-M(李云梅), Wang
R-C(王人潮). Study on hyperspectral remote sensing estimation
models for the ground fresh biomass of rice. Acta Agron Sin (作
物学报), 2003, 29(6): 815–821 (in Chinese with English ab-
stract)
[14] Liu L-Y(刘良云), Wang J-H(王纪华), Huang W-J(黄文江),
Zhao C-J(赵春江), Zhang B(张兵), Tong Q-X(童庆禧). Improv-
ing winter wheat yield prediction by novel spectral index. Trans
Chin Soc Agric Eng (农业工程学报), 2004, 20(1): 172–175 (in
Chinese with English abstract)
[15] Tang Y-L(唐延林), Huang J-F(黄敬峰), Wang R-C(王人潮),
Wang F-M(王福民). Comparison of yield estimation simulated
models of rice by remote sensing. Trans CSAE (农业工程学报),
2004, 20(1): 166–171 (in Chinese with English abstract)
[16] Xue L-H(薛利红), Cao W-X(曹卫星), Luo W-H(罗卫红). Rice
yield forecasting model with canopy reflectance spectra. J Re-
mote Sens (遥感学报), 2005, 9(1): 100–105 (in Chinese with
English abstract)
[17] Moran M S, Inoue Y, Barnes E M. Opportunities and limitations
for image based remote sensing in precision crop management.
Remote Sens Environ, 1997, 61: 319–346
318 作 物 学 报 第 39卷
[18] Curran P J, Dungan J L, Gholz H L. Exploring the relationship
between reflectance red edge and chlorophyll content in slash
pine. Tree Physiol, 1990, 7: 33–48
[19] Pu R-L(浦瑞良), Gong P(宫鹏). Hyperspectral Remote Sensing
and Its Applications (高光谱遥感及其应用). Beijing: Higher
Education Press, 2000 (in Chinese)
[20] Miller J R, Wu J Y, Boyer M G, Belanger M, Hare E W. Season
patterns in leaf reflectance red edge characteristics. Int J Remote
Sens, 1991, 12: 1509–1523
[21] Demetriades-Shah T H, Steven M D, Clark J A. High resolution
derivative spectra in remote sensing. Remote Sens Environ, 1990,
33: 55–64
[22] Kokaly R F, Clark R N. Spectroscopic determination of leaf
biochemistry using band-depth analysis of absorption features
and stepwise multiple linear regression. Remote Sens Environ,
1999, 67: 267–287
[23] Clark R N, Roush T L. Reflectance spectroscopy: quantitative
analysis techniques for remote sensing applications. J Geophys
Res, 1984, 89: 6329–6340
[24] Gamon J A, Surfus J S. Assessing leaf pigment content and
activity with a reflectometer. New Phytol, 1999, 143: 105–117
[25] Gitelson A A, Kaufman Y J, Stark R, Rundquist D. Novel algo-
rithms for remote estimation of vegetation fraction. Remote Sens
Environ, 2002, 80: 76–87
[26] Metternicht G. Vegetation indices derived from high-resolution
airborne videography for precision crop management, Int J Re-
mote Sens, 2003, 24: 2855–2877
[27] Curran P J, Dungan J L, Peterson D L. Estimating the foliar bio-
chemical concentration of leaves with reflectance spectrometry:
testing the Kokaly and Clark methodologies. Remote Sens Envi-
ron, 2001, 76: 349–359
[28] Mutanga O, Skidmore A K, Prins H H T. Predicting in situ
pasture quality in the Kruger National Park, South Africa, using
continuum-removed absorption features. Remote Sens Environ,
2004, 89: 393–408
[29] Feng W(冯伟). Monitoring Nitrogen Status and Growth Charac-
ters with Canopy Hyperspectral Remote Sensing in Wheat. PhD
Dissertation of Nanjing Agricultural University, 2007. p 31 (in
Chinese with English abstract)
[30] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I
B. Hyperspectral vegetation indices and novel algorithms for
predicting green LAI of crop canopies: modeling and validation
in the context of precision agriculture. Remote Sens Environ,
2004, 90: 337–352
[31] Yang F(杨飞 ), Zhang B(张柏 ), Song K-S(宋开山 ), Wang
Z-M(王宗明), Liu D-W(刘殿伟), Liu H-J(刘焕军), Li F(李方),
Li F-X(李凤秀), Guo Z-X(国志兴), Jin H-A(靳华安). Compari-
son of methods for estimating soybean leaf area index.
Spectroscopy Spectral Anal (光谱学与光谱分析), 2008, 28(12):
2951–2955 (in Chinese with English abstract)