李燕丽 雷仁清 宋潇 李滔 伍梦起 张路平 王谢添

摘要：通过田间试验分析了16种常用图像特征指数在不同受渍时长下的变化特征及其与小麦叶绿素的相关关系，并建立了基于图像特征指数衰减量的小麦叶绿素灾损估算模型。结果显示，红光（R）、红光标准化值（NRI）、绿-红差值指数（GMR）、超红指数（EXR）、植被颜色指数（CIVE）、Woebbecke指数（WI）随渍水时间的增加极显著上升，而绿光标准化值（NGI）、归一化绿红差值指数（NGRDI）、超绿指数（EXG）、绿红比值指数（GRVI）则极显著下降;且这10个图像特征指数均与小麦叶绿素呈极显著的相关关系，相关系数的最大绝对值达到0.98;基于图像指数衰减量建立的叶绿素减少量的估算模型均以二次多项式为最优模型，且以NGRDI、CIVE、EXG、NGI和GRVI指数衰减量构建的估算模型精度较高，R2均达到0.99以上。由此可以看出，基于数字图像技术可以有效估算小麦叶绿素含量，进行小麦渍害监测，且NGRDI、CIVE、EXG、NGI和GRVI可作为灾损图像指数来反映小麦叶绿素的受渍程度。

关键词：渍害;叶绿素;冬小麦;数字图像

中图分类号：S512;S126         文献标识码：A

文章编号：0439-8114（2019）23-0197-04

DOI：10.14088/j.cnki.issn0439-8114.2019.23.049           开放科学（资源服务）标识码（OSID）：

Estimation of wheat chlorophyll under waterlogging stress

based on digital image technology

LI Yan-li，LEI Ren-qing，SONG Xiao，LI Tao，WU Meng-qi，ZHANG Lu-ping，WANG Xie-tian

（Agriculture College of Yangtze University，Jingzhou 434025，Hubei，China）

Abstract： The paper analysis the changes of 16 image feature indices through field experiments， as well as the correlation with wheat chlorophyll， and then constructing estimated models of wheat waterlogging based on the attenuation of image feature indices. The results shows that R， normalized redness index （NRI）， green minus red （GMR）， excess red index （EXR）， color index of vegetation extraction （CIVE）， Woebbecke index（WI） were all significantly increased with the time increased of waterlogging， while normalized greenness index （NGI）， normalized green red difference index （NGRDI）， excess green index （EXG）， green-red ratio vegetation index （GRVI） were significantly decreased. And the above 10 image feature indices were significantly correlated with chlorophyll， with the maximum absolute values of 0.98. Moreover， the quadratic polynomial model could be efficiently applied for the modeling of chlorophyll reduction estimation， and the accuracy of the models based on NGRDI、CIVE、EXG、NGI and GRVI exponential deerement was high R2 was above 0.99. These results indicated that digital image technology could be applied as an effective method for chlorophyll estimation to monitor wheat waterlogging， and NGRDI、CIVE、EXG、NGI and GRVI can be used as disaster damage image index to reflect the degree of wheat chlorophyll waterlogging.

Key words： waterlogging; chlorophyll; winter wheat; digital image

在小麥生育中后期因过多降雨造成的涝渍灾害是长江中下游地区小麦高产稳产的主要限制因子[1-3]。受渍害的小麦根系长期处在缺氧的环境中，根的吸收功能减弱，造成植株体内水分亏缺，严重时造成脱水凋萎或死亡。因此，实现小麦渍害的实时、快速、精准监测，对及时了解农作物受害程度、指导农业生产管理及产量估测等方面具有重要的意义。

近年来，随着计算机视觉和图像信息处理技术的快速发展，数字图像技术在农业研究领域引起了广泛重视[4-6]。利用数字图像技术对植物生长进行监测具有无损、快速、实时等优点，不仅可以监测作物的叶片面积、叶片周长、茎秆直径、叶柄夹角等外部生长参数[7，8]，还可根据图像信息的统计分析特征，结合实地考察与实际测量，分析作物的生长状况及其影响因素，从而确定相应的生产管理措施[9-11]。目前，国内外对作物无损监测研究主要集中在长势监测上，对农作物渍害图像特征研究相对较少[12，13]。叶绿素是作物光合作用能力和发育阶段的指示器，是监测植物生长健康状况的重要指标之一。因此，理清小麦受渍后图像变化特征及其与小麦叶绿素的相关关系是利用数字图像数据进行渍害监测的基础，也是实现小麦渍害无损、快速、可视化监测的前期条件。

本研究依据江汉平原小麦生育期降水致渍的特点，通过灌排可控的小区试验模拟江汉平原小麦孕穗期和花后遭受涝渍胁迫情形，分析渍害胁迫下小麦叶绿素和冠层图像特征指数的变化特征，及其相关关系，并构建基于图像特征指数衰减量的小麦叶绿素估算模型，以探索渍害胁迫下小麦灾损程度的可视化监测方法，为进行大尺度的渍害监测提供理论基础。

1  材料与方法

1.1  试验区概况

试验区位于长江大学试验基地。该基地位于江汉平原腹地（30°21′N、112°09′E，海拔32 m），属东部季风农业气候大区、北亚热带农业气候带、长江中下游农业气候区，年平均气温16.5 ℃，年均降水量约1 095 mm，年均日照时数1 718 h。受夏季风影响，每年4—10月均可能发生暴雨洪涝灾害。地下水位较浅，约为3 m，该区农作物主要为小麦、水稻、玉米、油菜等。

1.2  方法

小区面积2 m×2 m、深1 m。每个小区底部布设有灌排一体系统，水管包裹一层海绵，四周垫有20 cm厚的谷壳，谷壳外面垫有10 cm厚的细沙，起到反滤的作用。小区表面布设有灌水系统，可从底部和上部2个方向灌溉。小区内除水管附近为70 cm土层外，其余部位均为100 cm土层，小区内土壤为中壤，取自旱地，按等土壤密度分层回填，0～30 cm耕层土壤pH 7.6，碱解氮69.4 mg/kg，速效磷28.7 mg/kg，速效钾118.7 mg/kg。

选择在江汉平原广泛栽培的鄂麦596品种作为供试材料，2017年11月6日播种。播种前每小区撒施复合肥300 g（N∶P2O5∶K2O=18∶8∶15），施肥后混匀20 cm表层土壤。播种量为13.5 g/m2，条播，行距为25 cm，每小区9行。在返青期每小区撒施尿素50 g。在小麦花后（4月10日开始）进行不同时间长度的渍水处理（5、9、13和17 d）。渍涝处理为田间低洼处有明水，且土壤含水率保持在田间持水率的90%以上，达到设定渍涝时间后3 d将地下水位降到70 cm以下。同时，设定对照（CK），将小区内土壤水分保持在田间持水率的70%～80%（即大田正常水分管理要求的土壤水分含量）。各处理和对照采用随机区组试验设计。在渍水处理之前，每小区选择同一天开花﹑生长整齐的穗子50个进行挂牌标记，以获得小麦子粒的千粒重。

1.3  样品采集与测定

于2018年4月28日进行数据采集。小麦冠层图像采用数码相机（SONY NEX-5R，SONY Inc.，Tokyo，Japan）拍摄。为获得同样面积的采样点，照片采集前先把100 cm×75 cm的矩形框放在所要拍摄的样区位置，将相机垂直于小麦冠层高度1 m处进行拍摄，相机采用自动白平衡和多点自动对焦模式，同时设置为光圈优先自动曝光。拍摄时保证相片覆盖整个矩形框，提取矩形框内区域作为该样区的冠层图像。照片采集均于光照强度较为稳定的中午12点到13点间。

采用SPAD502仪测定叶片SPAD值以代表小麦叶绿素含量。每小区选取10片完全展开叶进行测定，每片叶为一个重复，每片叶测定8个点取平均值，以SPAD值表示。最后根据处理实产实收，测定小麦含水量进行干重换算，以获取小麦最终产量。收获挂牌标记的小麦穗子，统计子粒数，然后将子粒置烘箱中经105 ℃杀青0.5 h，再降至80 ℃烘干至恒重，称其干质量，并换算出子粒的千粒重。

1.4  数据处理与分析

利用Matlab（The Math Works，Inc.）软件来提取图像特征指数。图像特征指数计算公式见表1。采用各指标或指数的渍害衰减量来衡量小麦受害程度（公式1），并对其进行相关关系分析，筛选出最优衰减指数以建立小麦叶绿素衰减量的估算模型。数据的相关性分析和回归分析均采用SPSS软件。

DX=Xnormal-Xwaterlogging    （1）

式中，DX代表叶绿素和图像特征指数的减少量;Xnormal和Xwaterlogging分别代表对照区和渍害胁迫下小麦叶绿素和图像特征指数。

2  结果与分析

2.1  小麦叶绿素随渍水时间的变化特征分析

小麦叶绿素随渍水时间的变化如图1所示。由图1可见，小麦短期渍水（≤5 d）对SPAD影响不明显;当渍水时间大于5 d时，SPAD值随渍水时间的增加大幅下降;当渍水时间大于13 d时，其变化不明显。出现上述现象的主要原因是小麦本身具有一定耐渍性，小麦受渍后叶片短期内就会出现反应，迅速失水，但短期渍害后恢复的也快。随着渍水时间的延长，小麦失水程度逐渐加强，致使小麦生育期提前，提前进入蜡熟期，而正常小麦还处于灌浆期。

2.2  小麦图像特征指数随渍水时间的变化及其与SPAD的相关关系

為研究小麦图像特征指数随渍水时间的变化及其与叶绿素含量的相关关系，分别对小麦图像特征指数与渍水时间、SPAD进行相关关系分析（表2）。由表2可见，16种图像特征指数中有10种图像特征指数（R、NRI、NGI、NGRDI、GMR、EXR、EXG、CIVE、GRVI、WI）与渍水时间具有极显著相关关系，相关系数的绝对值最大值为0.92;其中R、NRI、GMR、EXR、CIVE、WI随渍水时间的增加极显著上升，而NGI、NGRDI、EXG、GRVI则极显著降低。

由小麦图像特征指数与SPAD相关关系（表2）可知，16种图像特征指数中有9种图像特征指数（R、NRI、NGI、NGRDI、GMR、EXR、EXG、CIVE、GRVI）与SPAD的相关系数均达到0.01极显著性检验水平，其相关系数的绝对值最大为0.98，且R、NRI、GMR、EXR、CIVE与SPAD呈负相关关系;而NGI、NGRDI、EXG、GRVI与SPAD呈正相关关系。相对于这9种图像特征指数而言，其他7种指数对受渍小麦变化不敏感。分别基于以上9种图像特征指数建立小麦SPAD的估算模型，其最高估算精度（线性回归R2）达到0.96。以上结果表明，基于数字图像特征指数可以有效反映小麦受渍时间，且可进行渍害胁迫下小麦叶绿素的估算。

2.3  基于图像特征指数减少量的小麦SPAD灾损估算

按照公式1计算小麦R、NRI、NGI、NGRDI、GMR、EXR、EXG、CIVE、GRVI 指数减少量，同时计算小麦SPAD的减少量。分别基于9种指数减少量建立小麦SPAD减少量的估算模型。结果表明，无论哪种图像特征指数，SPAD减少量的估算模型均以二次多项式为最优模型（表3）。由表3可知，基于9种小麦图像特征指数减少量构建的SPAD减少量拟合方程决定系数R2在0.905～0.998，均达到极显著水平;且以CIVE的减少量为变量构建的拟合方程决定系数最高，R2达到了0.998。由此可知，基于以上9种图像特征指数的减少量可以有效估算渍害胁迫下小麦SPAD的减少量，且以NGRDI、CIVE、EXG、NGI和GRVI的估算结果最好，均达到0.99以上。因此，建议用NGRDI、CIVE、EXG、NGI和GRVI的减少量作为灾损图像指数来反映小麦叶绿素的受渍程度。

3  小结与讨论

小麦本身具有一定耐渍性，但当渍害胁迫超出小麦自身调节阈值时，小麦叶片部分光合结构发生不可逆的破坏，其叶绿素含量逐渐减少，主要表现为受渍叶片加速发黄、萎蔫，且随着受渍时间的延长，小麦产量、千粒重、穗粒重、穗长等参数逐渐降低[19-21]。佟汉文等[21]研究表明，渍水胁迫对小麦叶绿素的抑制作用最为明显。因此，本试验以叶绿素为研究对象，利用数字图像技术监测小麦渍害的可行性。

与传统的作物渍害监测方法相比，基于数字图像技术提取的图像特征指数来研究作物受害程度的方法具有很多优势，其实时、快速、方便、无损的优点弥补了传统方法的不足。利用不同受渍时长的小麦数字图像数据，对图像特征指数与SPAD进行相关关系分析，并建立基于图像特征指数差异值的SPAD灾损估算模型（模型最高精度R2达到0.998），间接监测不同受渍时间下的作物灾损状况，充分发挥数字图像技术实时高效的优点，为渍害胁迫下作物灾损精准、快速监测提供了有效途径。

本研究基于数字图像技术进行了小麦渍害灾损监测研究，表明利用小麦冠层图像数据可以有效监测渍害胁迫下小麦灾损程度。但是，由于小麦灾损程度随小麦品种、土壤类型、土壤肥力、灌溉条件、受渍时间的不同而有所差异。因此，后续研究可将这些影响因素考虑进去，以提高渍害胁迫下作物灾损监测精度，达到受灾作物快速、无损、高效监测的目的。

参考文献：

[1] 熊勤学.四湖地区暴雨后涝渍害遥感空间分析[J].湖北农业科学，2011，50（10）：1980-1983.

[2] 王小燕，高春保，卢碧林，等.江汉平原小麦开花前降水分布特点及同期渍害的产量效应[J].长江流域资源与环境，2013，22（12）：1642-1647.

[3] 吴洪颜，张  佩，徐  敏，等.长江中下游地区冬小麦春季涝渍害灾损风险时空分布特征[J].长江流域资源与环境，2018，27（5）： 1152-1158.

[4] GUPTA S D，IBARAKI Y，PATTANAYAK A K. Development of a digital image analysis method for real-time estimation of chlorophyll content in micropropagated potato plants[J].Plant biotechnology reports，2013，7（1）：91-97.

[5] BALASUBRAMANIAM P，ANANTHI V P. Segmentation of nutrient deficiency in incomplete crop images using intuitionistic fuzzy C-means clustering algorithm[J].Springer netherlands，2016，83：849-866.

[6] 赵春江，陆声链，郭新宇，等.数字植物及其技术体系探讨[J].中国农业科学，2010，43（10）：2023-2030.

[7] 郑邦友，石利娟，马韫韬，等.水稻冠层的田间原位三维数字化及虚拟层切法研究[J].中国农业科学，2009，42（4）：1181-1189.

[8] 杨红云，孙爱珍，何火娇.水稻叶片几何参数图像视觉测量方法研究[J].湖北农业科学，2015，54（17）：4317-4320.

[9] 韩文霆，李  敏，陳  微.作物数字图像获取与长势诊断的方法研究[J].农机化研究，2012（6）：1-6.

[10] 孙  红，赵  毅，张  猛，等.玉米拔节期冠层叶绿素含量多光谱图像检测[J].农业工程学报，2015，31（S2）：186-192.

[11] 王克如，李少昆，王崇桃，等.用机器视觉技术获取棉花叶片叶绿素浓度[J].作物学报，2006，32（1）：34-40.

[12] WANG Y，WANG D，ZHANG G，et al. Estimating nitrogen status of rice using the image segmentation of GR thresholding method[J].Field crops research，2013，149：33-39.

[13] TORRES-SANCHEZ J，PENA J M，DE CASTRO A I，et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV[J].Computers and electronics in agriculture，2014，103：104-113.

[14] LIU J，PATTEY E，ADMIRAL S. Assessment of in situ crop LAI measurement using unidirectional view digital photography[J].Agricultural and forest meteorology，2013，169：25-34.

[15] 滕佳昆，刘  宇，丁明涛.基于RGB图像的刺槐季节变化监测适用指数研究[J].遥感技术与应用，2018，33（3）：476-485.

[16] GUIJARRO M，PAJARES G，RIOMOROS I，et al. Automatic segmentation of relevant textures in agricultural images[J].Computers and electronics in agriculture，2011，75（1）：75-83.

[17] JANNOURA R，BRINKMANN K，UTEAU D，et al. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter[J].Biosystems engineering，2015，129：341-351.

[18] SMITS B. An RGB-to-spectrum conversion for reflectances[J].Journal of graphics tools，1999，4（4）：11-22.

[19] 肖梦华，俞双恩，胡秀君.涝渍胁迫对冬小麦生长因子变化的影响研究[J].灌溉排水学报，2015，34（9）：33-39.

[20] 刘  杨，石春林，刘晓宇，等.渍害胁迫时期和持续时间对冬小麦产量及其构成因素的影響[J].麦类作物学报，2018，38（2）：240.

[21] 佟汉文，高春保，邹  娟，等.湖北稻茬小麦新品种（系）孕穗期耐渍性的鉴定与评价[J].麦类作物学报，2016，36（12）：1635-1642.