续~

3.4大田健康水稻生长特征参数与多光谱植被指数之间的相关分析

利用2021-2022年防治田和非防治田同一生育期的未受虫害水稻SPAD值和多光谱的植被指数建立定量关系模型。在不同生育期健康水稻SPAD与多光谱植被指数的相关性均较好，利于用SMLR和PLSR两种方法构建健康水稻SPAD与多光谱植被指数之间的回归方程（见表1）。从表中可知，拔节期利用PLSR构建的多元方程估算SPAD效果最接近真实值，决定系数达0.57；其次为拔节期利用SMLR构建的SPAD估算模型，模型决定系数也达到0.53；估算效果较差的是抽穗期利用SMLR构建的模型，决定系数仅0.29。

表1 健康水稻的SPAD值与多光谱植被指数的回归曲线方程

对比四个生育期用于估算水稻SPAD的植被指数可以发现，GNDVI在分蘖期、拔节期和穗期都参与了叶绿素相对含量的计算，说明GNDVI与叶绿素的关系密切，其中，GNDVI在分蘖期和孕穗期对计算SPAD的贡献较大；在拔节期，需要更多的植被指数参与SPAD的估算，NDVI对模型的贡献最大，MCARI的贡献程度次之；抽穗期NDRE在SPAD的单因子估算模型中效果最好（表2）。

表2 水稻不同生育期SPAD最优估算模型中自变量的标准化回归系数

利用各生育期的最优SPAD估算模型的计算结果与田间采集的真实值进行分析（见图5）。总体上，拔节期的计算结果与真实值最接近，抽穗期的计算结果与真实值偏差较大。

图5 健康水稻在不同生育期基于植被指数的SPAD估算模型验证

对各生育期进行具体分析发现，分蘖期模型验证结果的MAPE最大，为4.9%，说明计算值与真实值相对误差程度较大；拔节期的RMSE和MAPE均是四个生育期中最小的，分别为1.4和2.7%，说明该生长阶段适合利用无人机多光谱进行叶绿素方面的研究；孕穗期的验证结果为：在RMSE和MAPE的结果上优于分蘖期；抽穗期的部分计算结果远离1:1线，说明该时期受到稻穗的影响，无人机多光谱数据在定量估计此时的水稻叶绿素相对含量的潜力有限。

3.5 结论

通过对2021-2022年非防治田水稻在不同生育期的生理生态参数和光谱特征信息的动态变化进行分析，并基于防治田水稻的生长特征参数和无人机多光谱数据进行相关分析，对健康水稻的SPAD的多光谱植被指数估算模型进行构建和检验，得到以下几个结论：

（1）2021年非防治田的水稻的叶绿素相对含量呈现先增加后减少再增加的趋势，而2022年的叶绿素相对含量的变化较小，主要呈现先增后减的趋势。2022年的叶绿素相对含量数据整体比2021年的波动小，数据更稳定，分布也更均衡。2021年孕穗期的水稻叶片叶绿素相对含量平均值最小，拔节期和抽穗期的平均值较高；拔节期的数据波动最大，孕穗期次之；拔节期水稻的叶绿素相对含量整体较小。2022年拔节期的叶绿素相对含量平均值最大，抽穗期的最小；拔节期的叶绿素相对含量数据波动较大，抽穗期最小；分蘖期相较于另外三个生长阶段的数据分布更均衡。

2021年水稻叶面积指数随着生育期呈现先增加后减少再增加的变化过程，与叶绿素相对含量的变化情况一致。2021年的孕穗期叶面积指数数据波动最小，数据较集中，分蘖期和抽穗期的波动较大；除孕穗期外，其他三个生育期的叶面积指数的分布都比较集中，接近正态分布，整体数据分布比较均衡。2022年水稻叶面积指数随着生育期呈现持续增加趋势，在分蘖期-拔节期过程增长较迅速，拔节期-抽穗期增加缓慢。2022年拔节期的叶面积指数数据最分散，数值波动最大，孕穗期的最集中，波动最小；孕穗期的叶面积指数数据分布最接近正态分布，拔节期和抽穗期的数据呈左偏分布。2021年分蘖期的卷叶率数据虽较分散但基本呈正态分布，孕穗期和抽穗期的数据同样接近正态分布，但拔节期数据呈左偏分布。2022年水稻在分蘖期受到稻纵卷叶螟侵害较弱，卷叶率平均值远小于2021年；在拔节期、孕穗期和抽穗期，2022年的卷叶率数据的中位值和平均值均高于2021年，拔节期的卷叶率数据呈左偏分布，中位值与平均值接近，该时期卷叶率值整体较高；分蘖期、孕穗期和抽穗期存在个别样点水稻受到稻纵卷叶螟较严重的危害。

（2）水稻遭受虫害后，冠层光谱从绿光（500nm左右）波段开始出现明显差异，表现为“绿峰”的上升，以及近红外波段反射率的下降；随着水稻的生长，冠层光谱反射率均呈现一定程度的增长。2022年水稻冠层光谱反射率普遍高于2021年；在拔节期，2021年不同虫害等级的水稻在近红外光谱反射率上都高于2022年，绿光波段和红边波段的反射率则低于2022年；在抽穗期，两年的水稻冠层光谱曲线接近，受到轻度稻纵卷叶螟侵害的水稻在近红外范围的反射率都略高于未受害水稻。从整体上看，随着水稻生长，两年非防治试验田的水稻五个波段的反射率均呈现较弱的增长趋势，尤其是近红外波段（NIR）反射率增长趋势最明显；2022年水稻的反射率整体上高于2021年。与未受虫害的水稻冠层光谱相比，遭受稻纵卷叶螟啃食的水稻叶片冠层光谱在绿光（G）、近红外（NIR）和红边（RE）三个波段反射率值明显降低。

（3）拔节期利用PLSR和SMLR构建的多元方程估算SPAD效果最好；估算效果较差的是抽穗期利用SMLR构建的模型。GNDVI与叶绿素的关系密切，在分蘖期、拔节期和孕穗期都参与了叶绿素相对含量的估算；在拔节期，NDVI对模型的贡献最大，MCARI的贡献程度次之；抽穗期NDRE在SPAD的单因子估算模型中效果最好。拔节期的计算结果与真实值最接近，该生长阶段适合利用无人机多光谱进行叶绿素方面的研究；抽穗期的计算结果与真实值偏差较大，无人机多光谱数据在定量估计此时的水稻叶绿素相对含量的潜力有限。

四、水稻冠层光谱反射率与无人机多光谱数据的关系

4.1 非防治田高光谱反射率与多光谱反射率之间的相关性分析

4.1.1 2021年非防治田冠层高光谱反射率与多光谱反射率的相关性分析

图6为2021年水稻四个生育期多光谱各波段反射率与冠层高光谱各波段反射率之间的相关系数分布图。从图中可知，分蘖期的多光谱波段与高光谱波段并无显著相关性；在拔节期，近红外波段与高光谱的蓝紫光波段（350-500nm）存在显著负相关，红边波段与高光谱的紫-红波段（350-700nm)有显著的负相关，蓝光波段与高光谱的红边-近红外波段（700-1050nm）的相关性达显著正相关；在孕穗期，绿光波段与高光谱的红边-近红外波段（750-1050nm）存在显著的正相关；在抽穗期，绿光波段与高光谱的大部分波段均存在显著的负相关。

图6 2021年水稻冠层高光谱各波段反射率与多光谱各波段反射率的相关系数分布图

（a）分蘖期；（b）拔节期；（c）孕穗期；（d）抽穗期 

4.1.2 2022年非防治田冠层高光谱反射率与多光谱反射率的相关性分析

图7为2022年水稻四个生育期多光谱各波段反射率与冠层高光谱各波段反射率之间的相关系数分布图。从图中可知，在分蘖期，多光谱的红边波段与高光谱的蓝-红波段（450-700nm）的相关性达极显著正相关；在拔节期，多光谱的近红外波段与高光谱的红边-近红外波段（750-1000nm）的相关性达极显著负相关；孕穗期的多光谱波段与高光谱波段之间的相关性并未有统计学意义；在抽穗期，多光谱的绿光波段与高光谱的蓝-绿波段（500-600nm）、红光-近红外波段（700-1050nm）的相关性达极显著负相关，多光谱的近红外波段与高光谱的绿光波段（500-580nm）、红光波段（690-740nm）有显著的负相关，多光谱的红边波段与高光谱绿光波段（520-560nm）的相关性达显著正相关，与高光谱的红光近红外波段（640-1050nm）有极显著的正相关。

图7 2022年水稻冠层高光谱各波段反射率与多光谱各波段反射率的相关系数分布图

（a）分蘖期；（b）拔节期；（c）孕穗期；（d）抽穗期

五、结论

（1）2021年水稻分蘖期的多光谱各波段与高光谱各波段的反射率之间并无显著的相关性；但在拔节期和孕穗期，高光谱的红边-近红外波段分别与多光谱的蓝光波段、绿光波段存在显著的正相关；在抽穗期，绿光波段与高光谱的大部分波段均存在显著的负相关。2022年在分蘖期，红边波段与高光谱的蓝-红波段的相关性达到了极显著的正相关；在拔节期，近红外波段与高光谱的红边-近红外波段的相关性达到极显著负相关；在抽穗期，高光谱的绿光波段与多光谱的绿光、近红外波段有显著的负相关；红边波段与高光谱绿光、红光-近红外波段有显著的正相关。

（2）整体上看，2021年四个水稻生育期的高光谱NDVI与多光谱的NDVI线性拟合结果均至少达到P<0.05的显著性水平，孕穗期的拟合效果最佳，抽穗期的拟合效果较差。2022年分蘖期的拟合效果最好，决定系数达0.6；拔节期的拟合效果较差，与2021年一致；2022年孕穗期的拟合曲线的决定系数相较于2021年有所下降。因此，分蘖期和孕穗期地面高光谱与无人机多光谱植被指数之间有较好的换算关系。