基于无人机多光谱传感的拉比季玉米水分胁迫评估及与作物水分胁迫指数(CWSI)的协同分析

本综述系统阐述了利用无人机搭载多光谱传感器（如MicaSense RedEdge）对拉比季玉米进行水分胁迫早期监测的研究。通过分析归一化植被指数(NDVI)、重归一化植被指数(RDVI)、土壤调节植被指数(SAVI)、优化土壤调节植被指数(OSAVI)和转化叶绿素吸收反射指数(TCARI)等光谱指标，结合基于冠层温度的作物水分胁迫指数(CWSI)，揭示了其在捕捉冠层活力、叶绿素活性及光合能力降低方面的有效性，为精准灌溉和提高水分利用效率(WUE)提供了关键技术支撑。

　　

引言：水分胁迫的挑战与监测技术革新

玉米（Zea mays L.）作为全球第三大谷物，对水分胁迫极为敏感，尤其在开花和灌浆等敏感生长阶段，干旱可导致产量损失超过80%。随着气候变化加剧，干旱发生的频率和强度不断增加，对玉米生产系统可持续性构成严重威胁。传统遥感技术虽能广域监测，但受限于分辨率低、重访周期长和大气干扰等因素。无人机（UAV）平台的出现克服了这些限制，能以高分辨率、低成本和灵活的方式提供农田尺度的数据，从而实现及时决策。

近年来，无人机在多光谱和热成像结合机器学习算法方面取得显著进展，大大提高了水分胁迫的早期检测能力。植被指数作为简洁实用的胁迫检测工具，各有其优势和局限。例如，NDVI可量化冠层绿度，但在稠密冠层中易饱和且受土壤背景影响；RDVI增强了对冠层密度和生物量的敏感性；SAVI和OSAVI通过土壤调整因子减少了土壤亮度的影响；TCARI则提高了叶绿素估算的准确性并减少了土壤和大气干扰。热指标如CWSI通过冠层与空气温度差异来检测气孔关闭和蒸腾减少，能在视觉症状出现前提供胁迫信息。

材料与方法：试验设计与数据采集

试验于2021–22年度拉比季在印度卡纳塔克邦达尔瓦德农业大学主农业研究站进行。该地区属热带干湿气候，土壤为中等深度黑色粘土，pH值7.8，电导率0.32 dS m^?1，有机碳含量低（0.46%），氮、磷、钾含量分别为278 kg N ha^?1、35 kg P₂O₅ ha^?1和393 kg K₂O ha^?1。试验采用随机完全区组设计（RCBD），设置九个灌溉处理，三次重复。供试玉米杂交种为NK-6240，种植密度为83,333株 ha^?1，施肥量为150:65:65 N:P₂O₅:K₂O kg ha^?1。

灌溉处理包括：全生育期灌溉（T₁）；分别跳过拔节期（VT）、吐丝期（R1）、乳熟期（R3）灌溉（T₂–T₄）；跳过两个连续阶段灌溉（T₅–T₇）；仅灌溉至膝高期（V8）（T₈）及全关键期无灌溉（T₉）。为防止侧向水分运动，每个小区周围修筑了30 cm高的土埂，并保持0.5 m宽的缓冲渠道。

无人机搭载MicaSense RedEdge多光谱传感器，在灌浆期（R4）获取影像，飞行高度45 m，覆盖整个田间约需4–5分钟。传感器捕获五个光谱波段：蓝光（475 nm）、绿光（560 nm）、红光（668 nm）、红边（717 nm）和近红外（840 nm）。影像通过Pix4Dmapper软件进行处理，生成正射影像图，并计算NDVI、RDVI、SAVI、OSAVI和TCARI等植被指数。

同时，使用手持式GreenSeeker测量NDVI，并在拔节期、吐丝期、乳熟期和灌浆期测量冠层温度，以计算CWSI。CWSI采用Idso等人的经验模型，通过冠层温度与气温差值（Tc-Ta）与蒸气压亏缺（VPD）的回归关系，确定非水分胁迫基线（LL）和非蒸腾基线（UL）。籽粒产量在成熟期通过收获净小区面积的所有果穗，脱粒后称重并换算为公顷产量（kg ha^?1）。

数据采用R软件进行方差分析（ANOVA），处理间比较使用Duncan多重范围检验（DMRT），相关性分析通过所有小区数据（27个观测值）进行，并利用ggplot2和corrplot包生成可视化图表。

结果与讨论：水分胁迫下的响应与关联

天气条件与胁迫实施：作物生长期间总降雨量为57.2 mm，且全部发生在灌浆期之后，未干扰灌溉处理的实施。昼夜温度平均分别为29°C和13°C，较高的相对湿度导致了草地贪夜蛾的侵扰，但通过及时施药得到控制。这种无雨期为水分胁迫研究提供了可控环境。

NDVI对灌溉制度的响应：NDVI值在灌溉处理间差异显著。全灌溉处理（T₁）的NDVI最高（MSS 0.76，GreenSeeker 0.78），与跳过单个关键期灌溉处理（T₂–T₄）无显著差异，表明玉米对轻度胁迫具有补偿响应。跳过两个连续阶段灌溉（T₅–T₇）使NDVI降低30%–40%，反映出冠层发育受损、叶绿素损失和光合效率降低。仅灌溉至膝高期（T₈）或全关键期无灌溉（T₉）处理NDVI降低约50%，表明 prolonged 水分胁迫导致营养生长受限和冠层衰老。

RDVI作为水分胁迫指标：RDVI值变化与NDVI类似，全灌溉处理（T₁）最高（0.75），跳过单个关键期灌溉处理无显著差异。跳过两个连续阶段灌溉使RDVI降低30%–45%，仅灌溉至膝高期或全关键期无灌溉处理降低约65%。RDVI对冠层结构和生物量的敏感性使其成为水分胁迫的可靠指标。

SAVI对灌溉处理的响应：SAVI值在全灌溉处理（T₁）最高（0.84），跳过单个关键期灌溉处理无显著差异。跳过两个连续阶段灌溉使SAVI降低30%–40%，仅灌溉至膝高期或全关键期无灌溉处理降低约55%。SAVI通过土壤调整因子减少了土壤背景影响，更好地反映了植被胁迫。

OSAVI对水分亏缺的敏感性：OSAVI值在全灌溉处理（T₁）最高（0.72），跳过单个关键期灌溉处理无显著差异。跳过两个连续阶段灌溉使OSAVI降低25%–30%，仅灌溉至膝高期或全关键期无灌溉处理降低约60%。OSAVI优化了土壤调整，在低植被覆盖下表现更佳。

TCARI与胁迫下叶绿素降解：TCARI值与胁迫程度正相关。全灌溉处理（T₁）值最低（0.11），表明叶绿素保存良好。跳过两个连续阶段灌溉使TCARI值增加一倍以上，仅灌溉至膝高期或全关键期无灌溉处理值最高（0.32–0.34），反映叶绿素降解加剧。TCARI对色素降解的敏感性使其成为胁迫监测的有效工具。

CWSI响应与基线推导：CWSI值在灌溉制度和生长阶段间差异显著。全灌溉处理（T₁）在各生长阶段CWSI最低（0.20–0.25），而跳过两个连续阶段灌溉或仅灌溉至膝高期处理CWSI显著升高（0.40–0.82）。非水分胁迫基线（LL）随物候阶段变化较大，而非蒸腾基线（UL）几乎恒定（<0.1°C差异），表明CWSI变异性主要受LL驱动。CWSI的高值对应气孔关闭、蒸腾减少和冠层加热，尤其在生殖阶段水分需求高峰期最为显著。

籽粒产量对灌溉制度的响应：籽粒产量在全灌溉处理（T₁）最高（7,040.7 kg ha^?1）。跳过拔节期或吐丝期灌溉使产量降低18%–20%，跳过乳熟期灌溉降低9%。跳过两个连续阶段灌溉使产量降低39%–48%，仅灌溉至膝高期或全关键期无灌溉处理产量最低（2,629–2,730 kg ha^?1），减产61%–63%。这些结果强调了生殖阶段灌溉的重要性，水分胁迫直接影响花粉活力、丝线接受性和籽粒灌浆。

CWSI、植被指数与籽粒产量的关系：平均CWSI与植被指数和籽粒产量密切相关。CWSI与NDVI、RDVI、SAVI和OSAVI呈强负相关（r = -0.88至-0.99），与TCARI呈强正相关（r = 0.96）。籽粒产量与CWSI强负相关（r = -0.99），与NDVI、RDVI、SAVI和OSAVI强正相关（r = 0.90–0.99），与TCARI负相关（r = -0.97）。这些关系表明，光谱和热指标整合能全面评估作物胁迫和产量响应。

方法学创新与比较评估：本研究引入了无人机多光谱指数与阶段特异性地面CWSI测量的整合，直接 linking 冠层光谱响应与生理胁迫和产量。无人机成像在灌浆期进行，捕获了累积胁迫效应，减少了多期 campaign 的需求。CWSI通过本地校准确定阶段特异性LL基线，UL变异性极小，提高了胁迫量化的稳健性。试验设计通过九个灌溉处理和系统阶段省略创建了 rigorous 胁迫梯度， enabling 指数敏感性和产量响应的 thorough 评估。

可转移性与跨区域适用性：尽管本研究在热带干湿条件下进行，但通过标准化校准协议和领域适应方法，可增强胁迫检测框架的稳健性和可转移性。LL基线校准提供了简化可靠的跨区域应用框架，前提是进行本地校准。

结论：技术总结与未来方向

光谱指数（NDVI、RDVI、SAVI、OSAVI和TCARI）与热基于的CWSI有效表征了玉米水分胁迫。NDVI基指数随胁迫降低，TCARI随色素降解增加，籽粒产量与两者强相关，确认了它们在限水条件下作为生产力可靠预测因子的价值。CWSI通过阶段特异性非水分胁迫基线（LL）校准，在生殖阶段尤为稳健，水分亏缺显著增加冠层胁迫。结合土壤或冠层调整的指数（SAVI、OSAVI）与校准CWSI提供了最一致的处理间 discrimination，强调了整合光谱和热指标的价值。

研究局限性包括MicaSense RedEdge传感器光谱配置受限，仅能计算有限 set 广泛验证的指数，无法推导需短波红外波段的水分指数（如NDMI、NWI）或其他敏感指数（如WI、NDWI、CIgreen、CIred-edge、NDred-edge）。此外，无人机成像仅在灌浆期进行，多期成像能提供更动态的胁迫进程画面。

尽管存在这些约束，本研究展示了无人机多光谱和热传感指导精准灌溉的巨大潜力。未来研究应（i）实施多期无人机监测，（ii）纳入SWIR capable 传感器以拓宽水分相关指数范围，（iii）利用机器学习方法整合光谱和热指标，及（iv）进一步验证LL/UL基线行为 across 环境以加强CWSI评估的可转移性。