基于监测预测耦合的水稻表型参数和生产力估测

【作者】 于明磊； 李婉钰； 吴文轩； 程涛； 姚霞； 朱艳； 曹卫星； 田永超；

【机构】 南京农业大学国家信息农业工程技术中心/农业农村部农作物系统分析与决策重点实验室/智慧农业教育部工程研究中心/江苏省信息农业重点实验室；

【摘要】 【研究背景】水稻是我国最重要的粮食作物之一,总产位居全国所有粮食作物第一,水稻安全直接关系到国家粮食安全。植物通过与环境的相互作用形成了动态表型,可以反映植物结构和功能特征的物理、生理和生化性质,准确获取植物表型信息,有助于育种研究和栽培管理。遥感和模型耦合综合了遥感实时性、宏观性的优势和作物生长模型连续性、机理性的优势,是时空连续的生态过程监测和生产力预测的有效手段。但是目前遥感模型耦合在应用到区域尺度时存在耦合精度低的问题,且缺乏对品种参数的研究。【材料与方法】本研究于2018—2019年国家信息农业工程技术中心如皋试验示范基地开展了涉及12个水稻品种,两个施氮水平处理(225 kg/ha;270 kg/ha)和两个密度水平(30 cm×15 cm; 60 cm×15 cm)的田间试验,在整个生育期内定期使用地面光谱仪ASDFieldSpec 4获取冠层高光谱反射率,应用六旋翼无人机大疆M600Pro搭载RGB、NDVI、GNDVI相机和Mini-MCA多光谱相机获取遥感影像,利用SPAD测量叶片叶绿素含量(chlorophyll content, Chl),用直尺测量株高,并同步破坏性取样测试水稻叶面积指数(leaf area index, LAI)、叶片氮积累量(leaf nitrogen accumulation, LNA)、地上部生物量(aboveground biomass, AGB)和产量等。【结果与分析】对基于现有经验模型反演的LAI添加标准正态分布扰动,得到数据融合后的LAI精度优于直接使用经验模型,决定系数R2达到0.86,均方根误差RMSE达到0.45。与单一植被指数和AGB进行相关性分析对比,基于多光谱相机植被指数和数码相机颜色指数结合的多元线性回归效果更好(R2=0.80)。AGB、叶片氮含量(leaf nitrogen content, LNC)和Chl具有估算水稻关键物候期的潜力,估算的水稻拔节期、抽穗期和全生育期天数误差分别为3.78、3.79和5.53天。基于粒子群优化算法(Particle Swarm 0ptimization,PSO),使用平方误差加权和为代价函数,以LAI、LNA和AGB共同作为同化耦合点,将叶面积指数相对生长速率(LAIC)、生长呼吸系数(RG)和最大光合速率(AMX)这三个品种参数作为待优化参数建立了基于遥感表型参数与作物生长模型(RiceGrow)耦合系统,其模拟的水稻生长指标和产量结果更接近实际水平,其中LAI、LNA、AGB和产量与实测值间的RMSE分别为0.61、15.46 kg/ha、478.12 kg/ha和435.68 kg/ha。【结论】本研究构建了基于多源遥感的水稻表型参数估测模型和数据同化系统。通过多源数据融合,提出了一种解决传统经验模型年际扩展性和空间转移性差的LAI反演新方法和水稻关键生育期估算方法。耦合方法具有较高的估测精度,为区域尺度作物生长和生产力预测提供了技术支撑。更多还原