曹中盛，李艳大，叶 春，舒时富，孙滨峰，黄俊宝，吴罗发

基于高光谱的双季稻分蘖数监测模型

曹中盛，李艳大※，叶 春，舒时富，孙滨峰，黄俊宝，吴罗发

（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）

旨在阐明双季稻分蘖数与冠层反射高光谱间的定量关系，构建基于高光谱的双季稻分蘖数监测模型。基于不同早、晚稻品种和施氮水平的田间试验，于关键生育期（分蘖期、拔节期和孕穗期）测定早、晚稻分蘖数，同步使用FieldSpec HandHeld 2型高光谱仪采集早、晚稻冠层反射高光谱数据，分别利用光谱指数法和连续小波变换构建新型光谱指数和敏感小波特征对双季稻分蘖数进行监测，建立双季稻分蘖数光谱监测模型，并用独立试验数据进行检验。结果表明，新型光谱指数和敏感小波特征对双季稻分蘖数的监测效果优于其他类型光谱参数（植被指数和“三边”参数），其中位于红边区域的小波特征db7(9,735)监测早稻分蘖数时表现最优，监测模型2为0.754，模型检验相对均方根误差RRMSE为0.128；位于红边区域的小波特征mexh(6,714)监测晚稻分蘖数时表现最优，监测模型2为0.837，模型检验RRMSE为0.112。研究结果可为双季稻分蘖数快速无损监测和群体质量精确调控提供理论基础与技术支持。

双季稻；分蘖数；高光谱；小波特征；模型

0 引 言

发展双季稻生产对于保障国家粮食安全和社会稳定具有十分重要的战略意义。分蘖是水稻生长发育过程中形成的一种特殊分枝[1]，其数量是表征水稻长势和群体质量优劣的重要指标[2-3]。因此，快速准确获取水稻分蘖动态对于科学、实时和精确调控肥水管理，提高群体质量具有重要作用[4-6]。水稻分蘖数观测的常规方法，主要依靠人工下田观测[7]，费时耗工，劳动力成本高，不能满足大范围水稻分蘖数快速观测的需要。因此，探索一种高效、准确的水稻分蘖数获取方法十分必要。近年来，具有快速、无损、准确等特征的光谱遥感技术快速发展，已成为监测作物实时长势的一种重要手段。国内外许多学者利用光谱遥感技术实现了对水稻叶绿素含量、氮素营养、叶面积指数和生物量等生长指标的快速精确监测[8-10]。同时，也有许多学者利用光谱遥感技术对作物分蘖数开展了无损监测研究。如张猛等[11]基于4波段作物光谱监测仪构建植被指数OSAVI（650，850）和EVI2（650，850）对冬小麦返青期和起身期的茎蘖数进行有效反演；Scotford等[12]利用植被指数NDVI对冬小麦的茎蘖密度进行估算；吴军华等[13]利用GreenSeeker光谱仪获取植被指数NDVI和RVI对冬小麦生长前期的分蘖动态进行监测进而实现氮素营养诊断等。上述研究证明利用光谱遥感技术可快速监测作物分蘖状况，但是，前人研究所选择的植被指数包含波段数较少，是否探测到反射光谱与分蘖数之间潜在的最大相关性尚未可知。此外，仅采用简单植被指数监测分蘖数容易受到生育期变化的影响[12]，使得已建立的模型多为单生育期模型，适用于不同生育期分蘖数监测的通用模型较少。高光谱数据具有光谱分辨率高、波段连续性强和包含信息量大等优点[14-15]，能通过光谱指数法和连续小波变换等数据处理方法对目标物信息进行准确探测[16-20]。由于高光谱仪器价格昂贵，且前人研究主要集中于与作物氮素营养诊断相关的叶绿素含量、叶面积指数和生物量等生长指标的监测，而采用高光谱数据构建敏感光谱指数和小波特征监测双季稻分蘖数的研究鲜有报道。为此，本研究基于不同早、晚稻品种和施氮水平的田间试验，利用实测高光谱数据分别通过光谱指数法和连续小波变换提取对早、晚稻不同生育期分蘖数敏感的光谱指数和小波特征，并构建光谱监测模型，以期为双季稻分蘖数的快速无损监测、群体质量的精确调控提供理论基础与技术支持。

1 材料与方法

1.1 试验设计

于2016年和2017年3月至11月在江西省南昌县八一乡（28°33'54'' N，115°57'3'' E）进行不同早、晚稻品种和不同施氮水平的田间小区试验。试验点耕作层土壤含有机质20.62 g/kg、全氮1.93 g/kg、速效磷107.91 mg/kg、速效钾89.70 mg/kg。采用裂区设计，主区为品种，副区为氮肥。早、晚稻均设2个品种和5个施氮水平，重复3次，株行距为14 cm×24 cm，每穴3苗，南北行向，小区间以埂相隔，埂上覆膜，独立排灌，小区面积21.6 m2。供试早稻品种为中嘉早17（ZJZ17）和潭两优83（TLY83），5个施氮水平分别为纯氮0、75、150、225和300 kg/hm2，3月26日播种，4月25日移栽，7月23日收获；供试晚稻品种为天优华占（TYHZ）和岳优9113（YY9113），5个施氮水平分别为纯氮0、90、180、270和360 kg/hm2，6月25日播种，7月26日移栽，11月1日收获。早、晚稻氮肥用尿素，分3次施用（基肥40%，分蘖肥30%，穗肥30%）；早稻配施P2O575 kg/hm2和K2O 90 kg/hm2，晚稻配施P2O560 kg/hm2和K2O 120 kg/hm2，磷肥用钙镁磷肥，钾肥用氯化钾，全部作基肥施用。其他栽培管理措施同当地高产栽培。

1.2 数据采集与方法

1.2.1 冠层反射高光谱数据获取

于早、晚稻分蘖期、拔节期和孕穗期釆用美国 Analytical Spectral Dvice 公司的 FieldSpec HandHeld 2 型便携式高光谱仪（波长范围325～1 075 nm，采样间隔1.4 nm，分辨率3 nm）测定每个小区的冠层反射光谱，测试后光谱分辨率经仪器自带软件重采样为1 nm。选择晴朗、无风或微风天气的10:00～14:00进行测定，测量时探头垂直向下，距离冠层正上方1 m，视场角为25°，视场面积约0.15 m2。测量过程中，根据天气变化及时进行标准白板校正。每个小区测量3个点，每点重复测量5次，对所采集的数据进行差异显著性分析后，取平均值作为该小区的测量值。

1.2.2 分蘖数观测

与冠层反射光谱观测同步，通过人工计数观测每穴水稻的分蘖数（tiller number，TN），选择每个小区进行光谱获取的3个观测点，每点选择20穴植株进行观测，对所采集的数据进行差异显著性分析后，取平均值作为该小区TN观测值。

1.3 光谱指数法和连续小波变换

光谱指数法和连续小波变换是目前处理高光谱数据的2种常用方法。前者通过比较高光谱数据中不同波段组合与目标物之间的相关性提取最优光谱指数，后者利用不同缩放尺度和平移的小波函数对高光谱数据进行变换筛选敏感小波特征。本研究采用这2种方法提取最优光谱指数和敏感小波特征来监测双季稻TN，所有参数构建和数据运算均采用Matlab 2014a软件自编程进行。

1.3.1 光谱指数法

最优光谱指数基于实测高光谱数据进行提取，提取时以简单植被指数为基础形式比较所有波段组合与TN之间的相关性。本研究选择的2种光谱指数分别为归一化光谱指数（normalized spectral index，NDSI）和比值光谱指数（ratio spectral index，RSI）。NDSI和RSI筛选时，分别以式（1）和式（2）进行波段两两组合，拟合所有波段组合与TN之间的线性相关关系，并绘制拟合关系决定系数（coefficient of determination，2）二维分布图，以2前2%的波段组合分布区域为敏感区域，确定每个敏感区域内具有最大2的波段组合为最优光谱指数。

NDSI和RSI光谱指数计算方程如下

式中()和()为NDSI和RSI中包含的不确定波段，为波段()的反射率。

1.3.2 连续小波变换

连续小波变换通过平移和缩放的母小波函数与反射光谱进行卷积运算，得到不同缩放尺度（）和平移量（）的小波特征W(,)。本文通过和两两组合获得不同母小波函数ψ,()，利用不同ψ,()对反射光谱进行变换获得不同小波特征W(,)，然后拟合不同W(,)与TN之间的线性相关关系，最后基于拟合方程的2提取敏感小波特征。本研究选择db7和mexh两种母小波函数对光谱进行变换，为减少数据运算量，采样步长为2[19-20]。

式中()为母小波函数，ψ,()为经过平移和缩放后的母小波函数，为缩放尺度，为平移量（亦为波长），W(,)为小波特征。

1.4 参数评价

利用2017年试验数据提取最优光谱指数和敏感小波特征并构建监测模型，利用2016年试验数据对其进行检验。通过计算预测值和实测值之间的相对均方根误差（relative root mean square difference，RRMSE）检验光谱参数及监测模型的精准度[19]；计算噪声指数（noise equivalent，NE）评估光谱参数在不同TN下的敏感性[21]，NE值越低，表明光谱参数在对应TN值下越敏感。同时，采用前人构建的与作物长势密切相关的植被指数和“三边”参数进行比较分析。

式中为样本数量，P为预测分蘖数（tiller number per hill，TN），O为实测TN，d(SP)/d(TN)为光谱参数（spectral parameter，SP）与TN之间最佳拟合方程的一阶导数。

2 结果与分析

2.1 早、晚稻分蘖数与冠层反射光谱的相关性

冠层光谱反射率与分蘖数之间的相关性在早、晚稻中表现基本相同（图1）。但不同波段范围的相关性差异较大，可见光区域内反射率与TN呈负相关，近红外区域内反射率与TN呈正相关。

图1 早、晚稻冠层反射光谱与分蘖数之间的相关性

2.2 最优光谱指数提取

早、晚稻NDSI和RSI的敏感区域均集中在近红外和红边波段组合区域。其中，早稻NDSI的敏感区域为：（(): 835～1 075 nm，(): 700～735 nm）（图2a），RSI的敏感区域为：（i）（(): 700～735 nm，(): 830～1 075 nm）和（ii）（(): 830～1 075 nm，(): 700～740 nm）（图 2b）；晚稻NDSI的敏感区域为（(): 745～910 nm，(): 720～765 nm）（图2c），RSI的敏感区域为（i）（(): 715～760 nm，(): 740～920 nm）和（ii）（(): 745～900 nm，(): 725～765 nm）（图2d）。

与早稻TN相关性较高的3个光谱指数分别为NDSI(975,714)、RSI(971,718)和RSI(720,985)，其中，NDSI(975,714)与早稻TN之间线性回归方程的2最大，其值为0.724，确定为监测早稻TN的最优光谱指数（表1）。与晚稻TN相关性较高的3个光谱指数分别为NDSI(800,738)、RSI(736,798)和RSI(788,738)，其中，RSI(788,738)与晚稻TN之间线性回归方程的2最大，其值为0.792，确定为监测晚稻TN的最优光谱指数（表1）。

图2 归一化光谱指数和比值光谱指数两波段组合（λ(x)和λ(y)）与分蘖数的线性回归关系决定系数等势图

表1 基于光谱指数法构建的最优光谱指数

注：为光谱指数，为分蘖数。

Note:is the spectral index,is the tiller number.

2.3 敏感小波特征筛选

图3为早、晚稻光谱经连续小波变换后的敏感小波特征分布（彩色部分代表2前2%），早稻光谱经db7母小波函数变换后，敏感小波特征主要集中在可见光和红边区域，敏感区域内2较高的小波特征为db7(9,395)和db7(9,735)（图3a）；经mexh母小波函数变换后，敏感区域主要集中在红光到近红外之间区域，敏感区域内2较高的小波特征为mexh(6,714) 和mexh(7,709)（图3b）。晚稻反射光谱经db7母小波函数变换后，敏感小波特征在可见光、红边和近红外区域均有分布，敏感区域内2较高的小波特征为db7(6,844)、db7(7,693)和db7(8,720)（图 3c）；经mexh母小波函数变换后，敏感区域主要集中在红边和近红外区域，敏感区域内2较高的小波特征为mexh(4,794)、mexh(5,706)和mexh(6,714)（图3d）。综合比较上述小波特征与早、晚稻分蘖数之间线性拟合方程的2，最终确定db7(9,735)和mexh(7,709)为早稻分蘖数的敏感小波特征，其2分别为0.754和0.757（表2）；db7(8,720)和mexh(6,714)为晚稻分蘖数的敏感小波特征，其2分别为0.836和0.837（表2）。

图3 不同小波特征与分蘖数之间线性回归方程决定系数等势图

表2 敏感小波特征与分蘖数之间的相关关系

注：为小波特征，为分蘖数。

Note:is the wavelet feature,is the tiller number.

2.4 早、晚稻分蘖数监测的精准度评估

表3中，监测早稻TN时，植被指数中的归一化红边指数（NDRE）表现最优，其建模2为0.683，检验RRMSE为0.150；“三边”参数中的红边面积（SD）与TN之间的相关性较高，其建模2为0.656，检验RRMSE为0.153；最优光谱指数NDSI (975,714)监测早稻TN的效果较NDRE和SD明显提高，其建模2为0.724，检验RRMSE为0.151；小波特征在监测早稻TN时表现较好，其中，以db7 (9,735)表现最优（2= 0.754，RRMSE = 0.128）。监测晚稻TN时，植被指数中的NDRE表现最优，其建模2为0.718，检验RRMSE为0.181；“三边”参数中的红边振幅（D）表现较优，其建模2为0.586，检验RRMSE为0.212；新建比值光谱指数RSI(788,738)效果较优，其建模2为0.792，检验RRMSE为0.142；利用小波特征监测晚稻TN时，敏感小波特征mexh (6,714)的表现进一步提高，其建模2为0.838，检验RRMSE为0.112。图4和图5为几个表现较优的光谱参数监测早、晚稻TN时的表现。

表3 基于不同光谱参数的早、晚稻分蘖数监测模型构建与检验

图4 光谱参数与分蘖数在建模数据集中的相关性

图5 基于不同光谱参数的早、晚稻分蘖数监测模型预测值与实测值1∶1关系图

2.5 早、晚稻分蘖数监测的敏感性评估

光谱参数在不同TN下的敏感性也是评估其优劣的重要指标。不同光谱参数监测早稻TN时NE值相对较低且差异不明显（图6），表明利用光谱参数监测早稻TN时受饱和效应影响较小。光谱参数NE在晚稻中的变化趋势较在早稻中的变化趋势差异表现明显，几个精准度较高的光谱参数中，D的NE值较其他光谱参数高，监测晚稻TN时易出现饱和现象。而NDRE、RSI(788,738)、db7(8,720)和mexh(6,714)的NE值较低，能有效缓解饱和。综上所述，本研究提取到的最优光谱指数和敏感小波特征在监测早、晚稻分蘖数时敏感性较强。其中，又以敏感小波特征db7(9,735)和mexh(6,714)表现最优。

3 讨 论

江西、湖南等地是中国重要的双季稻主产省份，发展双季稻生产对保障中国粮食安全与社会稳定意义重大。分蘖数是表征双季稻长势和群体质量优劣的重要指标，快速准确获取双季稻分蘖动态对实现肥水的精确管理尤其重要。

生育进程和氮肥供应是造成早、晚稻分蘖数发生改变的主要原因。水稻生育前中期的分蘖发生与叶片生长呈正相关[22-23]，水稻植株氮素营养也对分蘖发生起促进作用[22]，而叶绿素含量是指示植株氮素营养状况的重要参数[24]。因此，该阶段分蘖数的变化与水稻群体叶片面积、覆盖度和叶片叶绿素含量的变化密切相关。本研究通过分析冠层反射光谱与早、晚稻分蘖数之间的相关关系，发现可见光波段范围内，早、晚稻冠层反射率与分蘖数之间呈负相关，这与前人研究发现的叶绿素含量与可见光光谱反射率的相关性相一致[25]。表明分蘖数变化引起可见光反射光谱的改变与色素含量的变化有间接关联。在近红外波段范围内，早、晚稻冠层光谱反射率与分蘖数之间呈正相关，这与前人研究叶面积指数与冠层反射光谱的变化结论相一致[26]。主要原因在于植被对近红外光线具有较强的反射能力[27]，分蘖数增加导致叶面积增大引起了近红外冠层反射率上升。因此，在双季稻生长前期，分蘖数和叶绿素含量变化因氮素作用表现出一致性，使得分蘖数变化能够引起可见光反射率发生改变。另外，分蘖数增加直接导致双季稻叶面积指数增大、覆盖度升高，使得冠层结构复杂度增大，最终引起近红外反射率的升高。

植被指数是监测作物生长指标最常用的一类光谱参数，具有波段数量少、构型简单、计算方便等优点。本研究通过实测高光谱数据筛选出的光谱指数NDSI(975,714)和RSI(788,738)在监测早、晚稻分蘖数时具有较强的准确性和敏感性。分析2个光谱指数的波段构成，发现其均包含有红边波段。前人研究表明，红边波段不仅能反映作物叶片的色素含量，同时也与作物群体内部结构状况存在相关性[28-29]。因此，包含有红边波段的光谱参数能对其进行精确反演。此外，红边波段较可见光波段具有更强的抗饱和能力[30]，进一步提高了高分蘖数下光谱指数的监测能力。

作物冠层高光谱反射光谱通常包含有丰富的光谱信息，但不同信息之间相互干扰则会影响光谱监测的精度。连续小波变换是近年来兴起的一种处理高光谱数据的有效方法，与直接利用反射光谱监测生长指标相比，连续小波变换能对反射光谱按照不同尺度进行分解，进而通过提取吸收特征获取目标物信息[17,31]。本研究筛选到的两个敏感小波特征db7(9,735)和mexh(6,714)的中心波段均位于红边区域，该区域波段与作物冠层结构和叶绿素含量均具相关性，因此可对分蘖数进行监测，且能缓解饱和影响。此外，连续小波变换的尺度选择也是提高其估算精度的重要原因。本研究中，可用于分蘖数监测的敏感小波特征尺度较高（29和26）。在使用较高尺度母小波函数对光谱进行变换时，使用的光谱信息量较光谱指数增大，提高了分蘖数监测的精度，这与前人研究生物量估算时的表现相一致[20]。

当然，本研究基于有限的试验资料对模型进行了初步检验，且不同早、晚稻品种的分蘖特性的不一致可能会导致模型的实用性不广泛。因此，今后需要在江西、湖南等双季稻主产区采用多年多点试验资料对模型进行测验和完善，并对不同早、晚品种的分蘖特性进行深入研究。

4 结 论

本研究基于实测高光谱数据，利用光谱指数法和连续小波变换筛选最优光谱指数和敏感小波特征，构建早、晚稻分蘖数光谱监测模型。光谱反射率与早、晚稻分蘖数之间的相关性在可见光部分为负相关，在近红外区域为正相关。筛选出来的最优光谱指数和敏感小波特征对分蘖数的监测精度高，较前人开发出来的植被指数和“三边”参数监测效果好。其中，小波特征db7(9,735)监测早稻分蘖数时表现最优，监测模型为TNearly=3.632×db7(9,735)+7.318，建模2为0.754，模型检验RRMSE为0.128；小波特征mexh(6,714)监测晚稻分蘖数时表现最优，监测模型为TNlate=-15.351×mexh(6,714)+8.173，建模2为0.837，模型检验RRMSE为0.112。

[1]Li Xueyong, Qian Qian, Fu Zhiming, et al. Control of tillering in rice[J]. Nature, 2003, 422(6932): 618－621.

[2]Gurdev K. Green revolution: Preparing for the 21stcentury[J]. Genome, 1999, 42(4): 646－655.

[3]Conway G, Gary T. Feeding the world in the twenty-first century[J]. Nature, 1999, 402(Suppl 6761): 55－58.

[4]汪洋. 氮素营养对水稻分蘖的产量异质性影响及调控[D]. 武汉：华中农业大学，2017. Wang Yang. Heterogeneity and Regulations of Rice Tillers Yield by Nitrogen Nutrition[D]. Wuhan: Huazhong Agricultural University, 2017. (in Chinese with English abstract)

[5]Huang Min, Yang Cailing, Ji Qiumei, et al. Tillering responses of rice to plant density and nitrogen rate in a subtropical environment of southern China[J]. Field Crops Research, 2013, 149: 187－192.

[6]田广丽，周毅，孙博，等. 氮素及栽培密度影响水稻分蘖动态的机制[J]. 植物营养与肥料学报，2018，24(4)：896－904. Tian Guangli, Zhou Yi, Sun Bo, et al. Effects of nitrogen and transplanting density on the mechanisms of tillering dynamic of rice[J]. Journal of Plant Nutrition and Fertilizers, 2018, 24(4): 896－904. (in Chinese with English abstract)

[7]魏广彬. 基于同伸关系的水稻群体茎蘖和叶面积动态模拟模型[D]. 南京：南京农业大学，2011. Wei Guangbin. Simulation of Dynamics of Tillering and Leaf Area of Rice (L.) Population Based on Synchornouly Emerging Characteristics[D]. Nanjing: Nanjing Agricultural University, 2011. (in Chinese with English abstract)

[8]Wang Wei, Yao Xia, Yao Xinfeng, et al. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat[J]. Field Crops Research, 2012, 129: 90－98

[9]Xu Xiaoqing, Lu Jingshan, Zhang Ning, et al. Inversion of rice canopy chlorophyll content and leaf area index based on coupling of radiative transfer and Bayesian network models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 185－196

[10]王秀珍，黄敬峰，李云梅，等. 水稻地上鲜生物量的高光谱遥感估算模型研究[J]. 作物学报，2003，29(6)：815－821. Wang Xiuzhen, Huang Jingfeng, Li Yunmei, et al. Study on hyperspectral remote sensing estimation models for the ground fresh biomass of rice[J]. Acta Agronomica Sinica, 2003, 29(6): 815－821. (in Chinese with English abstract)

[11]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 of Agricultural Machinery, 2016, 47(9): 341－347. (in Chinese with English abstract)

[12]Scotford I M, Miller P. Estimating tiller density and leaf area index of winter wheat using spectral reflectance and ultrasonic sensing techniques[J]. Biosystems Engineering, 2004, 89(4): 395－408.

[13]吴军华，岳善超，侯鹏，等. 基于主动遥感的冬小麦群体动态监测[J]. 光谱学与光谱分析，2011，31(2)：535－538. Wu Junhua, Yue Shanchao, Hou Peng, et al. Monitoring winter wheat population dynamics using an active crop sensor[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 535－538. (in Chinese with English abstract)

[14]Dechant B, Ryu Y, Kang M. Making full use of hyperspectral data for gross primary productivity estimation with multivariate regression: Mechanistic insights from observations and process-based simulations[J]. Remote Sensing of Environment, 2019, 234(1): 111, 435.

[15]田永超. 基于高光谱遥感的水稻氮素营养参数监测研究[D]. 南京：南京农业大学，2008. Tian Yongchao. Monitoring Nitrogen Nutrition Parameters with Hyperspectral Remote Sensing in Rice[D]. Nanjing: Nanjing Agricultural University, 2008. (in Chinese with English abstract)

[16]Fuan T, William P. Derivative analysis of hyperspectral data[J]. Remote Sensing of Environment, 1998, 66(1): 41－51.

[17]李旭青，李龙，庄连英，等. 基于小波变换和BP神经网络的水稻冠层重金属含量反演[J]. 农业机械学报，2019，50(6)：226－232. Li Xuqing, Li Long, Zhuang Lianying, et al. Inversion of heavy metal content in rice canopy based on wavelet transform and BP neural network[J]. Transactions of The Chinese Society of Agricultural Machinery, 2019, 50(6): 226－232. (in Chinese with English abstract)

[18]Inoue Y, Sakaiya E, Zhu Y, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. Remote Sensing of Environment, 2012, 126: 210－221.

[19]Yao Xia, Si Haiyang, Cheng Tao, et al. Hyperspectral estimation of canopy leaf biomass phenotype per ground area using a continuous wavelet analysis in wheat[J]. Frontiers in Plant Science, 2018, 9, 1360－1360.

[20]Cheng Tao, Rivard B, Sánchez-Azofeifa A G, et al. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 28－38.

[21]Gitelson A A. Remote estimation of crop fractional vegetation cover: The use of noise equivalent as an indicator of performance of vegetation indices[J]. International Journal of Remote Sensing, 2013, 34(17): 6054－6066.

[22]孟亚利，曹卫星，柳新伟，等. 水稻茎蘖动态的模拟研究[J].南京农业大学学报，2003，26(2)：1－6. Meng Yali, Cao Weixing, Liu Xinwei, et al. Simulation on the tiller dynamic in rice[J]. Journal of Nanjing Agricultural University, 2003, 26(2): 1－6. (in Chinese with English abstract)

[23]Miller B, Foin T, Hill J. CARICE: A rice model for scheduling and evaluating management actions[J]. Agronomy Journal, 1993, 85(4): 938－947.

[24]杨峰，范亚民，李建龙，等. 高光谱数据估测稻麦叶面积指数和叶绿素密度[J]. 农业工程学报，2010，26(2)：237－243. Yang Feng, Fan Yamin, Li Jianlong, et al. Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 237－243. (in Chinese with English abstract)

[25]杨杰，田永超，姚霞，等. 水稻上部叶片叶绿素含量的高光谱估算模型[J]. 生态学报，2009，29(12)：6561－6571. Yang Jie, Tian Yongchao, Yao Xia, et al. Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice[J]. Acta Ecologica Sinica, 2009, 29(12): 6561－6571. (in Chinese with English abstract)

[26]王秀珍，黄敬峰，李云梅，等. 水稻叶面积指数的高光谱遥感估算模型[J]. 遥感学报，2004，8(1)：81－88. Wang Xiuzhen, Huang Jingfeng, Li Yunmei, et al. The study on hyperspectral remote sensing estimation models about LAI of rice[J]. Journal of Remote Sensing, 2004, 8(1): 188－191. (in Chinese with English abstract)

[27]Darvishzadeh R, Skidmore A, Atzberger C, et al. Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 358－373.

[28]Zarco-Tejada P J, Hornero A, Hernández-Clemente R, et al. Understanding the temporal dimension of the red-edge spectral region for forest decline detection using high-resolution hyperspectral and Sentinel-2A imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 137: 134－148.

[29]Frampton W J, Dash J, Watmough G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83－92.

[30]Cao Zhongsheng, Cheng Tao, Ma Xue, et al. A new three-band spectral index for mitigating the saturation in the estimation of leaf area index in wheat[J]. International Journal of Remote Sensing, 2017, 38(23): 3865－3885.

[31]Liu Meiling, Liu Xiangnan, Ding Weicui, et al. Monitoring stress levels on rice with heavy metal pollution from hyperspectral reflectance data using wavelet-fractal analysis[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(2): 246－255.

Model for monitoring tiller number of double cropping rice based on hyperspectral reflectance

Cao Zhongsheng, Li Yanda※, Ye Chun, Shu Shifu, Sun Binfeng, Huang Junbao, Wu Luofa

(,,,,330200,)

The fast, real-time and non-destructive monitoring of double-cropping rice tiller number has important practical significance for growth diagnosis and yield prediction. Hyperspectral sensing has been proved effective to estimate the rice growth parameters, such as the chlorophyll content, leaf area index and biomass, yet few investigations pay attention to the tiller number. The objective of this study was to establish a regulation model for estimating double-cropping rice tiller number based on the hyperspectral reflectance across a wide range of growth stages (tillering stage, jointing stage, and booting stage). In the presented study, the tiller number and hyperspectral reflectance data were firstly obtained from two double-cropping rice field experiments, which encompassed variations in two years, four cultivars and five nitrogen application rates. Then the sensitive spectral indices and wavelet features were extracted from the hyperspectral reflectance data through spectral indices approach and continuous wavelet analysis, respectively. Finally, the regression models for tiller number estimation based on sensitive spectral indices and wavelet features were developed and validated using independent field experiment datasets. The results suggested that the newly developed spectral indices and sensitive wavelet features with red-edge bands performed better than the published vegetation indices and ‘three edge’ parameters. The normalized different spectral index named NDSI (975,714) was strongly related to the early rice tiller number. It had a determination coefficient (2) of 0.724 in calibration and relative root mean square error (RRMSE) of 0.151 in validation. The ratio spectral index RSI (788,738) strongly related to the late rice tiller number with2of 0.792 and RRMSE of 0.142 in calibration and validation, respectively. Compared with the published vegetation indices, ‘three edge’ parameters and newly developed spectral indices, the sensitive wavelet features observed in the red-edge region with high scales (29and 26) performed best in the double-cropping rice tiller number estimation. The wavelet feature named db7 (9,735) was strongest related to the early rice tiller number. It had2of 0.754 in calibration and RRMSE of 0.128 in validation. The wavelet feature named mexh (6,714) was strongest related to the late rice tiller number. It had2of 0.837 in calibration and RRMSE of 0.112 in validation. Additionally, the sensitive spectral indices and wavelet features also could reduce the saturation effect with low noise equivalent (NE). It meant that in the condition the optical sensors equip few bands, the spectral indices NDSI (975,714) and RSI (788,738) could be used to monitor the early rice and late rice tiller number. Furthermore, the wavelet features db7 (9,735) and (6,714) could improve the accuracy for monitoring double-cropping rice tiller number based on the hyperspectral reflectance data with monitoring models of TNearly=3.632×db7 (9,735)+7.318 and TNlate=-15.351×mexh (6,714)+8.173, respectively.

double-cropping rice; tiller number; hyperspectral; wavelet feature; model

曹中盛，李艳大，叶 春，舒时富，孙滨峰，黄俊宝，吴罗发. 基于高光谱的双季稻分蘖数监测模型[J]. 农业工程学报，2020，36(4)：185－192. doi：10.11975/j.issn.1002-6819.2020.04.022 http://www.tcsae.org

Cao Zhongsheng, Li Yanda, Ye Chun, Shu Shifu, Sun Binfeng, Huang Junbao, Wu Luofa. Model for monitoring tiller number of double cropping rice based on hyperspectral reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 185－192. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.04.022 http://www.tcsae.org

2019-12-11

2020-01-19

国家重点研发计划项目（2016YFD0300608）；国家青年拔尖人才支持计划项目；江西省科技计划项目（20182BCB22015，20161BBI90012，20192ACB80005，20192BBF60050）；江西省“双千计划”项目和江西省农业科学院创新基金博士启动项目（20182CBS001）联合资助

曹中盛，助理研究员，博士，主要从事农业信息技术研究。Email：czsheng2015@outlook.com

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

10.11975/j.issn.1002-6819.2020.04.022

S31

A

1002-6819(2020)-04-0185-08