李艳大，孙滨峰，曹中盛，叶 春，舒时富，黄俊宝，何 勇

·农业信息与电气技术·

基于作物生长监测诊断仪的双季稻叶面积指数监测模型

李艳大1，孙滨峰1，曹中盛1，叶 春1，舒时富1，黄俊宝1，何 勇2

（1. 江西省农业科学院农业工程研究所/江西省智能农机装备工程研究中心/江西省农业信息化工程技术研究中心，南昌 330200；2. 浙江大学生物系统工程与食品科学学院，杭州 310029）

为探索作物生长监测诊断仪（Crop Growth Monitoring and Diagnosis Apparatus，CGMD）在不同株型双季稻长势指标监测应用的准确性和适用性，该研究开展了不同株型品种和施氮量的田间试验，采用CGMD获取冠层差值植被指数（Differential Vegetation Index，DVI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）和比值植被指数（Ratio Vegetation Index，RVI），并同步采用高光谱仪（Analytical Spectral Devices，ASD）获取冠层光谱反射率，构建DVI、NDVI和RVI；通过比较2种光谱仪获取的植被指数变化特征及相互定量关系，评价CGMD的监测精度，建立基于CGMD的不同株型双季稻叶面积指数（Leaf Area Index，LAI）监测模型，并用独立数据对模型进行检验。结果表明：不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大，随生育进程推进呈“低—高—低”的变化趋势；基于CGMD与ASD的DVI、NDVI和RVI间的决定系数（Determination Coefficient，2）分别为0.959～0.968、0.961～0.966和0.957～0.959，表明CGMD具有较高监测精度，可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期，基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种；基于DVICGMD的线性方程可较好地预测LAI，模型2为0.857～0.903，模型检验的相关系数（Correlation Coefficient，）、均方根误差（Root Mean Square Error，RMSE）和相对均方根误差（Relative Root Mean Square Error，RRMSE）分别为0.950～0.984、0.18～0.43和3.95%～9.40%；基于NDVICGMD的指数方程可较好地预测LAI，模型2为0.831～0.884，模型检验的、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%；基于RVICGMD的幂函数方程可较好地预测LAI，模型2为0.830～0.881，模型检验的、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比，利用CGMD可实时无损监测双季稻LAI动态变化，可替代SunScan植物冠层分析仪获取双季稻LAI，在双季稻生产中具有推广应用价值。

作物；模型；氮；双季稻；作物生长监测诊断仪；植被指数；叶面积指数

0 引 言

叶面积指数（Leaf Area Index，LAI）是表征作物冠层光截获能力和建立高光效群体的重要调控指标，直接影响作物冠层光合作用与物质生产[1]。因此，实时定量监测LAI的动态变化对于作物光合生产的精确模拟和丰产高效栽培显得尤为重要[2]。传统的作物LAI监测需人工破坏取样，结果虽然准确可靠，但费时耗工、时效性差，不能快速监测大范围作物LAI。近年来，基于多光谱和高光谱的遥感技术发展迅速，使得快速、无损、实时和准确地监测作物LAI或成现实[3-4]。许多学者利用便携式多光谱仪和高光谱仪提取作物LAI的敏感光谱波段，建立了基于比值植被指数（Ratio Vegetation Index，RVI）[5-6]、差值植被指数（Differential Vegetation Index，DVI）[7-8]、归一化植被指数（Normalized Difference Vegetation Index，NDVI）[9-10]、调节归一化植被指数（Adjusted Normalized Difference Vegetation Index，ANDVI）[11]、优化土壤调整植被指数（Optimized Soil Adjusted Vegetation Index，OSAVI）[12]、红边抗水植被指数（Red-edge Resistance Water Vegetable Index，RRWVI）[13]和增强型植被指数（Enhanced Vegetation Index，EVI）[14]等不同形式植被指数的LAI监测模型。也有许多学者采用各种算法建立作物LAI监测模型，如支持向量机[15]、主成分分析[16]、神经网络[17]、小波变换[18]和随机森林算法[19]等，有效提高了LAI的预测精度。随着无人机遥感技术在农业领域的广泛应用，许多学者建立了基于无人机光谱影像的LAI监测模型[20-23]，可显著提高作物LAI的获取效率和监测范围。上述研究大多采用具有光谱信息量大、测量精度高的便携式高光谱仪和无人机高光谱影像仪获取作物LAI，为作物长势的实时无损监测及田间精确管理提供了有效的技术手段。但便携式高光谱仪和无人机高光谱影像仪价格昂贵、操作复杂、大田生产应用实用性不强，具有一定的局限性。因此，许多学者研发了可实时获取作物LAI、分蘖数等长势指标的便携式作物生长监测诊断仪[24-27]，具有较高的监测精度和良好的应用价值。前人在基于便携式多光谱仪和高光谱仪及基于无人机高光谱影像仪的作物LAI监测方面开展了大量研究，建立了许多准确实用的LAI监测模型，但作物LAI和冠层光谱信息因受生态区域、株型、生育阶段和栽培管理措施等因素的影响而存在一定差异，不同株型和生育期的作物冠层结构和背景信息在不断变化，导致不同生育期的光谱植被指数对LAI的敏感程度存在差异，需要建立不同生育期的LAI监测模型，进而提高监测模型的预测精度和可靠性，且目前有关不同株型双季稻不同生育期的LAI监测研究鲜有报道。为此，本研究以不同株型双季稻为研究对象，采用作物生长监测诊断仪（Crop Growth Monitoring and Diagnosis Apparatus，CGMD）和高光谱仪（Analytical Spectral Devices，ASD）同步获取冠层植被指数，比较分析2种光谱仪获取的冠层植被指数变化特征与相互定量关系，构建基于CGMD的不同株型和生育期的LAI监测模型，并对模型进行检验，以期为双季稻长势精确监测和丰产高效栽培提供理论基础与技术支持。

1　材料与方法

1.1　试验设计及过程

试验I：于2016年和2017年3—11月在江西省南昌市南昌县开展不同株型双季稻品种和施氮量的小区试验。试验田2017年耕作层土壤含全氮1.98 g/kg、碱解氮145.60 mg/kg、速效钾100.85 mg/kg、速效磷18.50 mg/kg、有机质26.50 g/kg。采用裂区设计，主区为品种，副区为氮肥。早、晚稻设2个供试品种和4个施氮量，株行距14 cm×24 cm，每穴移栽3株苗，南北行向，小区间以埂相隔，独立排灌，小区面积35 m2，3次重复。早稻4个施氮量（纯氮）依次为0、75、150和225 kg/hm2，供试早稻品种为‘中嘉早17’（ZJZ17，紧凑型）和‘潭两优83’（TLY83，松散型），3月23日播种，4月22日移栽，7月21日收获。晚稻4个施氮量（纯氮）依次为0、90、180和270 kg/hm2，供试晚稻品种为‘天优华占’（TYHZ，紧凑型）和‘岳优9113’（YY9113，松散型），6月25日播种，7月24日移栽，10月28日收获。早、晚稻各小区的钾肥和磷肥施用量一致，分别采用氯化钾和钙镁磷肥，用量分别为150 kg/hm2（以K2O计）和75 kg/hm2（以P2O5计）；氮肥采用尿素。氮肥和钾肥均按基肥40%、分蘖肥30%和穗肥30%施用，磷肥作基肥一次施用。采用深水返青、浅水分蘖、有水壮苞、干湿壮籽的原则进行灌溉，其他栽培措施与当地高产栽培一致。

试验II：于2017年3－11月在江西省吉安市新干县开展不同株型双季稻品种和施氮量的小区试验。试验田耕作层土壤含全氮1.78 g/kg、碱解氮135.50 mg/kg、速效钾95.55 mg/kg、速效磷15.40 mg/kg、有机质25.50 g/kg。采用裂区设计，主区为品种，副区为氮肥。早、晚稻设2个供试品种和4个施氮量，设计施氮量与试验I相同。供试早稻品种为‘株两优1号’（ZLY1，紧凑型）和‘淦鑫203’（GX203，松散型），3月25日播种，4月24日移栽，每穴移栽3株苗，7月17日收获。供试晚稻品种为‘五丰优T025’（WFYT025，紧凑型）和‘泰优398’（TY398，松散型），7月1日播种，7月30日移栽，10月28日收获。早、晚稻4个施氮量、株行距、行向、小区面积、重复数、氮磷钾肥类型和用量均与试验I相同。采用深水返青、浅水分蘖、有水壮苞、干湿壮籽的原则进行灌溉，其他栽培措施与当地高产栽培一致。

1.2　测定项目与方法

1.2.1 冠层植被指数测定

1）CGMD法

采用南京农业大学国家信息农业工程技术中心研制的作物生长监测诊断仪[26]（CGMD，被动多光谱仪，包括810和720 nm 2个波段，视场角27°），于分蘖期、拔节期、孕穗期、抽穗期和灌浆期，选择晴朗、微风或无风天气测定冠层DVI、NDVI和RVI。采用CGMD获得的DVI、NDVI和RVI分别记为DVICGMD、NDVICGMD和RVICGMD。测定时间为10:00—14:00，观测时探头垂直向下，距离冠层1 m，各小区观测3个点，每个点重复测量5次，取均值作为该小区测量值。

2）ASD法

与CGMD冠层植被指数测定同步，采用美国 Analytical Spectral Device公司的 FieldSpec HandHeld 2高光谱仪（ASD，被动高光谱仪，波长范围325～1 075 nm，采样间隔1.4 nm，分辨率3 nm，视场角25°）测定每个小区的冠层光谱反射率。测量时探头垂直向下，距离冠层1 m，每个小区测定前使用标准白板进行校正，每个小区测量3个点，每点记录5个采样光谱，取均值作为该小区测量值。提取810和720 nm处光谱反射率值，构建DVI、NDVI和RVI（分别记为DVIASD、NDVIASD和RVIASD），具体算法如下：

DVIASD=810–720（1）

NDVIASD=(810–720)/(810+720)（2）

RVIASD=810/720（3）

式中DVIASD、NDVIASD和RVIASD分别为基于ASD高光谱仪测量计算的DVI、NDVI和RVI；810和720分别为810和720 nm处光谱反射率。

1.2.2叶面积指数测定

与CGMD冠层植被指数测定同步，各小区通过测定植株高度和茎蘖数等方式选择生长一致的代表性稻株4株带回实验室，根据植株器官发育情况，将样品植株分离为叶、茎鞘和穗，在105 ℃杀青30 min，80 ℃烘干48 h至恒质量后称量，采用比叶重法计算叶面积，进而得到LAI。

1.3　数据处理分析及模型建立与检验

在Microsoft Excel 2010中进行数据整理，利用SAS 8.0软件中的PROC ANOVA进行方差分析，用LSD法进行多重比较；利用ViewSpec软件对冠层ASD光谱反射率进行预处理。试验I 2016年的观测数据用于模型建立，试验I 2017年和试验II的观测数据用于模型检验。以冠层植被指数为自变量、LAI为因变量，利用Microsoft Excel 2010软件对冠层植被指数与LAI之间的关系进行拟合分析，建立相关性最佳的方程。模型检验采用相关系数（Correlation Coefficient，）、均方根误差（Root Mean Square Error，RMSE）和相对均方根误差（Relative Root Mean Square Error，RRMSE）3个指标来评价模型的监测精度。

2　结果与分析

2.1　双季稻叶面积指数的变化特征

试验I和试验II双季稻LAI变化规律类似，以试验I 2017年结果为例（表1），施氮量对双季稻LAI有显著影响。不同生育期双季稻品种的LAI均随施氮量的增加而增大，同一品种不同施氮量间差异显著。如紧凑型品种‘中嘉早17’拔节期0～225 kg/hm24个施氮量处理的LAI分别为3.00、3.78、4.28和4.73。未施氮肥处理（施氮量为0）由于不施氮肥，LAI值较低，不利于光合产物的积累；而施氮量为225 kg/hm2的处理LAI值均显著高于其他处理（<0.05），因施氮量偏高，容易造成该处理营养生长期延长和贪青晚熟。在同一施氮量下，随生育进程的推进，不同株型品种LAI均呈“低-高-低”的变化趋势，即在生长前期（分蘖期至拔节期）较低，中期（孕穗期）达到最大值，后期（抽穗期至灌浆期）逐渐降低。如松散型品种‘潭两优83’150 kg/hm2处理分蘖期、拔节期、孕穗期、抽穗期和灌浆期的LAI分别为2.61、4.32、6.59、6.48和4.95。

注：相同品种的不同施氮量间，标以不同字母的值在0.05水平上差异显著。

Note: Values followed by different letters within the same cultivar are significantly different at 0.05 probability level among different nitrogen application rates.

2.2　CGMD和ASD获取的冠层植被指数的变化特征

图1是由CGMD和ASD 2种光谱仪获取的不同施氮量下不同生育期紧凑型品种‘中嘉早17’和松散型品种‘潭两优83’的冠层DVICGMD、NDVICGMD、RVICGMD、DVIASD、NDVIASD和RVIASD。由图1（为试验I 2017年早稻的数据）可以看出，不同生育期2种光谱仪获取的不同株型品种的冠层植被指数均随施氮量的增加而增大。如孕穗期紧凑型品种‘中嘉早17’0～225 kg/hm24个施氮量处理的DVICGMD分别为0.06、0.15、0.22和0.26，DVIASD分别为0.07、0.14、0.20和0.26。这主要是由于随施氮量的增加，促进了双季稻营养生长加快，LAI和冠层覆盖度逐渐增大。在同一施氮量下，随生育进程的推进，2种光谱仪获取的不同株型品种的冠层植被指数均呈“低—高—低”的变化趋势，即在分蘖期较低，拔节期较高，孕穗期达到最大值，抽穗期至灌浆期逐渐降低。此外，2种光谱仪获取的松散型品种不同生育期的冠层植被指数均大于紧凑型品种。如紧凑型品种‘中嘉早17’225 kg/hm2处理分蘖期至灌浆期的NDVICGMD分别为0.10、0.27、0.35、0.31和0.27，而松散型品种‘潭两优83’225 kg/hm2处理分蘖期至灌浆期的NDVICGMD分别为0.13、0.29、0.38、0.33和0.28。

注：DVI、NDVI和RVI分别为差值植被指数、归一化植被指数和比值植被指数；下标CGMD和ASD分别为作物生长监测诊断仪和高光谱仪。下同。

2.3　CGMD和ASD获取的冠层植被指数间的定量关系

由图2（试验I 2017年的数据）可以看出，利用ASD测定的紧凑型和松散型品种的冠层DVIASD、NDVIASD和RVIASD值分别为0.01～0.30和0.02～0.32、0.05～0.36和0.06～0.40、1.10～2.31和1.13～2.35，利用CGMD测定的紧凑型和松散型品种的冠层DVICGMD、NDVICGMD和RVICGMD值分别为0.01～0.32和0.02～0.34、0.04～0.38和0.05～0.41、1.04～2.34和1.09～2.36。将2种光谱仪获取的不同株型品种冠层DVI、NDVI和RVI进行差异显著性检验，所得统计概率P值均大于0.05（图2），说明2种光谱仪获取的冠层植被指数间差异不显著。进一步将2种光谱仪获取的不同株型品种和不同生育期的DVI、NDVI和RVI进行拟合分析，比较2种光谱仪获取冠层植被指数的一致性。结果显示，基于CGMD的紧凑型品种DVICGMD、NDVICGMD、RVICGMD与基于ASD的紧凑型品种DVIASD、NDVIASD、RVIASD间的决定系数（2）分别为0.959、0.961、0.957；基于CGMD的松散型品种DVICGMD、NDVICGMD、RVICGMD与基于ASD的松散型品种DVIASD、NDVIASD、RVIASD间的2分别为0.968、0.966、0.959。说明2种光谱仪获取的冠层植被指数具有高度的一致性，CGMD具有较高的监测精度，可替代价格昂贵的ASD高光谱仪获取DVI、NDVI和RVI。

注：Pt为t检验P值。

2.4　不同株型双季稻叶面积指数监测模型的建立

将CGMD测定的试验I 2016年紧凑型和松散型品种不同生育期的DVICGMD、NDVICGMD和RVICGMD分别与LAI进行线性、指数、幂函数、多项式和对数拟合分析。结果显示，紧凑型和松散型品种不同生育期的DVICGMD与LAI相关性最佳的方程为线性方程，2为0.857～0.903；紧凑型和松散型品种不同生育期的NDVICGMD与LAI相关性最佳的方程为指数方程，2为0.831～0.884；紧凑型和松散型品种不同生育期的RVICGMD与LAI相关性最佳的方程为幂函数方程，2为0.830～0.881（表2）。进一步将紧凑型和松散型品种全生育期的数据进行拟合分析显示，全生育期的DVICGMD、NDVICGMD、RVICGMD与LAI的相关性较单生育期差，2分别为0.853～0.870、0.800～0.838、0.798～0.802（表2）。

表2 基于CGMD植被指数的不同株型和生育期的双季稻叶面积指数监测模型构建及验证

2.5　不同株型双季稻叶面积指数监测模型的检验

为验证本研究建立的不同株型双季稻LAI监测模型的准确性，利用独立观测数据（试验I和试验II 2017年数据）对LAI监测模型进行检验和评价。采用、RMSE和RRMSE 3个指标来比较分析紧凑型和松散型品种LAI观测值和模拟值之间的一致性，进而评价模型的监测精度。结果显示（表2），紧凑型和松散型品种不同生育期的监测模型对LAI的预测效果均较佳。其中，基于DVICGMD的模型验证的、RMSE和RRMSE分别为0.950～0.984、0.18～0.43、3.95%～9.40%，基于NDVICGMD的模型验证的、RMSE和RRMSE分别为0.906～0.967、0.24～0.38、5.73%～9.16%，基于RVICGMD的模型验证的、RMSE和RRMSE分别为0.905～0.954、0.25～0.56、7.37%～9.99%（表2）。由表2还可以看出，单生育期LAI监测模型的预测效果优于全生育期，松散型品种LAI监测模型的预测效果优于紧凑型品种。

3　讨 论

发展双季稻生产有利于保障中国粮食安全和社会稳定[28]。丰产、提质和增效是目前双季稻生产的重要目标，对双季稻长势状况进行实时监测诊断是实现这一目标的关键，而LAI是反映双季稻长势状况和群体质量优劣的重要量化指标[2]。因此，实时无损获取LAI的动态变化信息，对双季稻长势精确监测和丰产高效栽培具有十分重要的现实意义。

本研究基于不同株型品种和施氮量的田间小区试验，采用CGMD和ASD 2种光谱仪获取不同生育期的冠层植被指数及LAI数据，比较分析了2种光谱仪获取的植被指数变化特征及相互关系。结果表明，不同株型品种LAI和冠层植被指数（DVI、NDVI和RVI）均随施氮量增加而增大，随生育进程推进呈“低—高—低”的变化趋势，这与前人在小麦上的研究结论一致[8]。说明双季稻冠层植被指数的变化特征与其LAI等株型指标的变化特征是对应的，且在双季稻精确管理中，氮肥的科学合理施用对定向调控LAI动态和建立高光效群体至关重要。本研究表明，不同供试株型品种相比，松散型品种因叶片较平展、株型松散、LAI和冠层覆盖度较大，不同生育期的冠层植被指数都大于紧凑型品种。近年来，具有实时、快速、无损、准确和信息量大的高光谱技术广泛应用于作物LAI等长势指标监测[29-30]。高光谱仪具有波长范围大、波段带宽小、测量精度高等优点，可精确的研究作物长势指标与高光谱植被指数间的定量关系，但其价格贵、数据处理繁琐，大田生产应用可行性不强。本研究在比较分析国产CGMD多光谱仪和进口ASD高光谱仪获取不同株型双季稻冠层植被指数时表明，2种光谱仪获取的DVI、NDVI和RVI间差异不显著；进一步拟合分析2种光谱仪获取的DVI、NDVI和RVI间的相互定量关系时表明，基于CGMD与ASD的DVI、NDVI和RVI间的2分别为0.959～0.968、0.961～0.966和0.957～0.959，说明2种光谱仪获取的植被指数具有高度的一致性，CGMD具有较高的监测精度，可替代价格昂贵的ASD在田间快捷准确的获取双季稻冠层DVI、NDVI和RVI信息，这与前人在玉米上的研究结论相似[31]。

本研究基于不同株型品种和施氮量的试验数据，建立了基于DVICGMD、NDVICGMD和RVICGMD的LAI监测模型，并利用独立数据对模型进行了检验。结果表明，DVICGMD与LAI的定量关系可用线性方程表达，NDVICGMD与LAI的定量关系可用指数方程表达，RVICGMD与LAI的定量关系可用幂函数方程表达。3个植被指数相比，DVICGMD与LAI的相关性更好，这与前人在小麦上的研究结论一致[8]；基于DVICGMD的LAI监测模型的2为0.857～0.903，比前人采用DVI(854, 760)对单季稻LAI的监测精度更高[7]。本研究表明，基于CGMD植被指数的单生育期LAI监测模型监测和预测效果优于全生育期监测模型。如拔节期，基于RVICGMD的模型预测松散型品种LAI的、RMSE和RRMSE分别为0.921、0.30和7.62%，与前人采用RVI(810, 560)对单季稻LAI的预测效果相当[5]。本研究还表明，基于CGMD植被指数的松散型品种LAI监测模型的监测和预测效果优于紧凑型品种，在生长前期表现更明显。这主要是由于在生长前期松散型品种的叶倾角较小、叶片较平展、叶宽和冠层覆盖度较大，可有效减少土壤背景等对冠层光谱的影响。说明株型结构对冠层光谱影响较大，基于CGMD植被指数能准确的反演不同株型双季稻LAI信息，所建监测模型具有较高的准确性和稳定性，是对前人研究[26]的进一步本地化应用，拓展了CGMD的监测对象和应用区域，可替代价格昂贵的SunScan植物冠层分析仪来获取双季稻LAI，在南方双季稻区具有推广应用价值。此外，与传统人工破坏取样直接测定LAI法[32]相比，本研究采用CGMD获取冠层植被指数数据建立LAI监测模型，进而反演得到双季稻LAI信息，具有数据获取快捷、无损、准确等优点，可有效克服传统测定方法取样误差大、费时耗工等不足。

当然，本研究建立的不同株型双季稻LAI监测模型属于统计模型，形式简单、计算方便、结果较准确，仅适用于江西、湖南等相似生态条件、株型结构和栽培管理措施的双季稻区。外界条件的改变可能导致本研究建立的LAI监测模型的准确性和适用性不广泛。因此，今后需要通过获取双季稻区不同年份、试验点和株型品种的试验数据对模型进行校正完善，以提高模型的准确性和适用性，从而推动基于光谱的作物精确管理技术在双季稻生产中的高效应用。

4　结 论

不同株型双季稻叶面积指数（Leaf Area Index, LAI）和冠层植被指数随施氮量增加而增大，随生育进程推进呈“低—高—低”的变化趋势。作物生长监测诊断仪（Crop Growth Monitoring and Diagnosis Apparatus, CGMD）和高光谱仪（Analytical Spectral Devices, ASD）获取的冠层植被指数差异不显著，且具有高度的一致性。基于CGMD的不同株型和生育期的差值植被指数、归一化植被指数、比值植被指数与LAI间的相关关系可分别用线性、指数和幂函数方程来定量表达。单生育期LAI监测模型的预测效果优于全生育期，相对均方根误差均小于10%，松散型品种LAI监测模型的预测效果优于紧凑型品种。与传统人工取样法相比，利用CGMD可实时、无损、快捷和准确的获取不同株型双季稻LAI信息，在双季稻生产中具有推广应用价值。

[1]贾彪，钱瑾，马富裕. 氮素对膜下滴灌棉花叶面积指数的影响[J]. 农业机械学报，2015，46(2)：79-87.

Jia Biao, Qian Jin, Ma Fuyu. Simulating effects of nitrogen on leaf area index of cotton under mulched drip irrigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 79-87. (in Chinese with English abstract)

[2]李艳大，舒时富，陈立才，等. 基于归一化法的双季稻叶面积指数动态预测模型[J]. 中国农学通报，2017，33(29)：77-84.

Li Yanda, Shu Shifu, Chen Licai, et al. A predict model of dynamic leaf area index of double cropping rice based on normalized method[J]. Chinese Agricultural Science Bulletin, 2017, 33(29): 77-84. (in Chinese with English abstract)

[3]刘轲，周清波，吴文斌，等. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程学报，2016，32(3)：155-162.

Liu Ke, Zhou Qingbo, Wu Wenbin, et al. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 155-162. (in Chinese with English abstract)

[4]Zhao Dehua, Yang Tangwu, An Shuqing. Effects of crop residue cover resulting from tillage practices on LAI estimation of wheat canopies using remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14: 169-177.

[5]薛利红，曹卫星，罗卫红，等. 光谱植被指数与水稻叶面积指数相关性的研究[J]. 植物生态学报，2004，28(1)：47-52.

Xue Lihong, Cao Weixing, Luo Weihong, et al. Relationship between spectral vegetation indices and LAI in rice[J]. Acta Phytoecologica Sinica, 2004, 28(1): 47-52. (in Chinese with English abstract)

[6]冯伟，朱艳，姚霞，等. 基于高光谱遥感的小麦叶干重和叶面积指数监测[J]. 植物生态学报，2009，33(1)：34-44.

Fei Wei, Zhu Yan, Yao Xia, et al. Monitoring leaf dry weight and leaf area index in wheat with hyperspectral remote sensing[J]. Chinese Journal of Plant Ecology, 2009, 33(1): 34-44. (in Chinese with English abstract)

[7]田永超，杨杰，姚霞，等. 高光谱植被指数与水稻叶面积指数的定量关系[J]. 应用生态学报，2009，20(7)：1685-1690.

Tian Yongchao, Yang Jie, Yao Xia, et al. Quantitative relationship between hyper-spectra vegetation indices and leaf area index of rice[J]. Chinese Journal of Applied Ecology, 2009, 20(7): 1685-1690. (in Chinese with English abstract)

[8]周晓楠，黄正来，张文静，等. 基于双波段光谱仪CGMD-302 的小麦叶面积指数和叶干重监测[J]. 中国农业大学学报，2017，22(1)：102-111.

Zhou Xiaonan, Huang Zhenglai, Zhang Wenjing, et al. Monitoring leaf area index and leaf dry weight of winter wheat with dual-wavebands spectrometer CGMD-302[J]. Journal of China Agricultural University, 2017, 22(1): 102-111. (in Chinese with English abstract)

[9]王福民，黄敬峰，唐延林，等. 采用不同光谱波段宽度的归一化植被指数估算水稻叶面积指数[J]. 应用生态学报，2007，18(11)：2444-2450.

Wang Fumin, Huang Jingfeng, Tang Yanlin, et al. Estimation of rice LAI by using NDVI at different spectral band widths[J]. Chinese of Journal of Applied Ecology, 2007, 18(11): 2444-2450. (in Chinese with English abstract)

[10]Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment 2004, 90: 337-352.

[11]刘占宇，黄敬峰，王福民，等. 估算水稻叶面积指数的调节型归一化植被指数[J]. 中国农业科学，2008，41(10)：3350-3356.

Liu Zhanyu, Huang Jingfeng, Wang Fumin, et al. Adjusted normalized difference vegetation index for estimating leaf area index of rice[J]. Scientia Agricultura Sinica, 2008, 41(10): 3350-3356. (in Chinese with English abstract)

[12]林卉，梁亮，张连蓬，等. 基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演[J]. 农业工程学报，2013，29(11)：139-146.

Lin Hui, Liang Liang, Zhang Lianpeng, et al. Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(11): 139-146. (in Chinese with English abstract)

[13]束美艳，顾晓鹤，孙林，等. 基于新型植被指数的冬小麦LAI高光谱反演[J]. 中国农业科学，2018，51(18)：3486-3496.

Shu Meiyan, Gu Xiaohe, Sun Lin, et al. High spectral inversion of winter wheat LAI based on new vegetation index[J]. Scientia Agricultura Sinica, 2018, 51(18): 3486-3496. (in Chinese with English abstract)

[14]Liu J, Elizabeth P, Guillaume J. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment, 2012, 123: 347-358.

[15]谢巧云，黄文江，蔡淑红，等. 冬小麦叶面积指数遥感反演方法比较研究[J]. 光谱学与光谱分析，2014，34(5)：1352-1356.

Xie Qiaoyun, Huang Wenjiang, Cai Shuhong, et al. Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1352-1356. (in Chinese with English abstract)

[16]蔡庆空，蒋金豹，陶亮亮，等. 联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数[J]. 麦类作物学报，2014，34(9)：1292-1296.

Cai Qingkong, Jiang Jinbao, Tao Liangliang, et al. Estimation of winter wheat leaf area index with joint principal component analysis and least squares support vector model[J]. Journal of Triticeae Crops, 2014, 34(9): 1292-1296. (in Chinese with English abstract)

[17]夏天，吴文斌，周清波，等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报，2013，29(3)：139-147.

Xia Tian, Wu Wenbin, Zhou Qingbo, et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 139-147. (in Chinese with English abstract)

[18]Huang Yan, Tian Qingjiu, Wang Lei, et al. Estimating canopy leaf area index in the late stages of wheat growth using continuous wavelet transform[J]. Journal of Applied Remote Sensing, 2014, 8: 1-13.

[19]王丽爱，周旭东，朱新开，等. 基于HJ-CCD 数据和随机森林算法的小麦叶面积指数反演[J]. 农业工程学报，2016，32(3)：149-154.

Wang Liai, Zhou Xudong, Zhu Xinkai, et al. Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 149-154. (in Chinese with English abstract)

[20]Li Songyang, Yuan Fei, Syed T A, et al. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation[J]. Remote Sensing, 2019, 11: 1763.

[21]陶惠林，冯海宽，杨贵军，等. 基于无人机成像高光谱影像的冬小麦LAI估测[J]. 农业机械学报，2020，51(1)：176-187.

Tao Huilin, Feng Haikuan, Yang Guijun, et al. Leaf area index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 176-187. (in Chinese with English abstract)

[22]高林，杨贵军，于海洋，等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报，2016，32(22)：113-120.

Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113-120. (in Chinese with English abstract)

[23]田明璐，班松涛，常庆瑞，等. 基于低空无人机成像光谱仪影像估算棉花叶面积指数[J]. 农业工程学报，2016，32(21)：102-108.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 102-108. (in Chinese with English abstract)

[24]Kipp S, Mistele B, Schmidhalter U. The performance of active spectral reflectance sensors as influenced by measuring distance, device temperature and light intensity[J]. Computers and Electronics in Agriculture, 2014, 100(1): 24-33.

[25]张猛，孙红，李民赞，等. 基于4波段作物光谱测量仪的小麦分蘖数预测[J].农业机械学报，2016，47(9)：341-347.

Zhang Meng, Sun Hong, Li Minzan, et al. Prediction of winter wheat tiller number based on 4-waveband crop monitor with spectral reflectance[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 341-347. (in Chinese with English abstract)

[26]倪军，姚霞，田永超，等. 便携式作物生长监测诊断仪的设计与试验[J]. 农业工程学报，2013，29(6)：150-156.

Ni Jun, Yao Xia, Tian Yongchao, et al. Design and experiments of portable apparatus for plant growth monitoring and diagnosis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 150-156. (in Chinese with English abstract)

[27]杨钧森，杨贵军，徐波，等. 田间作物NDVI 测量仪可靠性分析及标定环境研究[J]. 农业工程学报，2019，35(8)：230-236.

Yang Junsen, Yang Guijun, Xu Bo, et al. Reliability analysis and calibration environment of field crop NDVI measuring instruments[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 230-236. (in Chinese with English abstract)

[28]邹应斌. 长江流域双季稻栽培技术发展[J]. 中国农业科学，2011，44(2)：254-262.

Zou Yingbin. Development of cultivation technology for double cropping rice along the changjiang river valley[J]. Scientia Agricultura Sinica, 2011, 44(2): 254-262. (in Chinese with English abstract)

[29]郭建彪，马新明，时雷. 冬小麦叶面积指数的品种差异性与高光谱估算研究[J]. 麦类作物学报，2018，38(3)：340-347.

Guo Jianbiao, Ma Xinming, Shi Lei, et al. Variety variation and hyperspectral estimate model of leaf area index of winter wheat[J]. Journal of Triticeae Crops, 2018, 38(3): 340-347. (in Chinese with English abstract)

[30]Guo Binbin, Zhu Yunji, Feng Wei, et al. Remotely estimating aerial N uptake in winter wheat using red-edge area index from multi-angular hyperspectral data[J]. Frontiers in Plant Science, 2018, 9: 1-14.

[31]贺佳，郭燕，王利军，等. 基于作物生长监测诊断仪的玉米LAI监测模型研究[J]. 农业机械学报，2019，50(12)：187-194.

He Jia, Guo Yan, Wang Lijun, et al. Monitor model of corn leaf area index based on CGMD-402[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 187-194. (in Chinese with English abstract)

[32]刘镕源，王纪华，杨贵军，等. 冬小麦叶面积指数地面测量方法的比较[J]. 农业工程学报，2011，27(3)：220-224.

Liu Rongyuan, Wang Jihua, Yang Guijun, et al. Comparison of ground-based LAI measuring methods on winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(3): 220-224. (in Chinese with English abstract)

Model for monitoring leaf area index of double cropping rice based on crop growth monitoring and diagnosis apparatus

Li Yanda1, Sun Binfeng1, Cao Zhongsheng1, Ye Chun1, Shu Shifu1, Huang Junbao1, He Yong2

(1.,//,330200,;2.,,310029,)

The real-time, fast, non-destructive and quantitative monitoring of leaf area index (LAI) is critical for precise regulation population quality of double cropping rice production. The objective of this study was to test the accuracy and adaptability of crop growth monitoring and diagnosis apparatus (CGMD) in double cropping rice of different plant types growth index monitoring and application, and to establish the leaf area index (LAI) monitoring model of double cropping rice based on CGMD. Field experiments were conducted in Jiangxi China in 2016 and 2017, including different plant type cultivars and nitrogen application rates. The differential vegetation index (DVI), normalized difference vegetation index (NDVI) and ratio vegetation index (RVI) were measured at tillering stage, jointing stage, booting stage, heading stage and filling stage with two spectrometers,.., CGMD (a passive multispectral spectrometer containing 810 and 720 nm wavelengths) and analytical spectral devices (ASD, a passive hyper-spectral spectrometer containing 325 to 1 075 nm wavelengths). Vegetation indexes change characteristics were compared between CGMD and ASD, and their quantitative relationships were analyzed. The LAI monitoring models for compact and loose plant type cultivars of double cropping rice were established based on CGMD from field experimental dataset in 2016 and then validated using field experimental dataset in 2017. The results showed that the LAI, DVI, NDVI and RVI of different plant type cultivars were increased with increasing nitrogen application rate at different growth stages. All of them showed a “low-high-low” trend with double cropping rice development progress. The determination coefficient (2) of DVI, NDVI and RVI based on CGMD and ASD were 0.959-0.968, 0.961-0.966 and 0.957-0.959, respectively. This indicated that vegetation indexes based on CGMD and ASD was highly consistent, and the CGMD could be used to replace expensive ASD to measure NDVI, DVI and RVI. The prediction effect of LAI monitoring model at single growth stage based on CGMD vegetation indexes was better than that in the whole stage, and the prediction effect of LAI monitoring model in the loose plant type cultivar based on CGMD vegetation indexes was better than that in the compact plant type cultivar. The linear equation based on DVICGMDcould be used to estimate LAI with the2in the range of 0.857-0.903, and the correlation coefficient (), root mean square error (RMSE) and relation root mean square error (RRMSE) of model validation in the range of 0.950-0.984, 0.18-0.43 and 3.95%-9.40%, respectively. The exponential equation based on NDVICGMDcould be used to estimate LAI with the2in the range of 0.831-0.884, and the, RMSE and RRMSE of model validation in the range of 0.906-0.967, 0.24-0.38 and 5.73%-9.16%, respectively. The power function equation based on RVICGMDcould be used to estimate LAI with the2in the range of 0.830-0.881, and the, RMSE and RRMSE of model validation in the range of 0.905-0.954, 0.25-0.56 and 7.37%-9.99%, respectively. Compared with the normal manual sampling method, using the CGMD can real-time and non-destructive monitoring the LAI dynamic change of double cropping rice. The CGMD could be used to replace SunScan (an expensive plant canopy analyzer used to measure LAI) to measure LAI of double cropping rice, which has a potential to be widely applied for precise regulation of LAI and high yield cultivation in double cropping rice production.

crops; models; nitrogen; double cropping rice; crop growth monitoring and diagnosis apparatus; vegetation index; leaf area index

李艳大，孙滨峰，曹中盛，等. 基于作物生长监测诊断仪的双季稻叶面积指数监测模型[J]. 农业工程学报，2020，36(10)：141-149.doi：10.11975/j.issn.1002-6819.2020.10.017 http://www.tcsae.org

Li Yanda, Sun Binfeng, Cao Zhongsheng, et al. Model for monitoring leaf area index of double cropping rice based on crop growth monitoring and diagnosis apparatus[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 141-149. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.10.017 http://www.tcsae.org

2020-02-20

2020-05-01

国家重点研发计划项目（2016YFD0300608）；江西省科技计划项目（20182BCB22015、20181BCD40011、20192BBF60052）；国家青年拔尖人才支持计划项目；国家自然科学基金项目（31260293）；江西省“双千计划”项目和江西省“远航工程”项目资助。

李艳大，博士，研究员，主要从事信息农学与农机化技术方面的研究。Email：liyanda2008@126.com

10.11975/j.issn.1002-6819.2020.10.017

S318

A

1002-6819(2020)-10-0141-09