Information Gathering on Rice Planting Area Using GF-1/WFV EVI Time Series Technology
-
摘要: 随着国产高分系列卫星的发射,国产高分辨率遥感影像在作物种植面积提取方面逐渐得到了应用,但目前仅有少量基于高分一号(GF-1)卫星影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)进行作物分类或遥感估产的研究。本文针对NDVI指数在南方多植被覆盖区域易饱和及不敏感的缺陷,利用在NDVI基础上改进的增强型植被指数(Enhanced Vegetation Index,EVI),首次提出基于GF-1卫星16 m宽覆盖影像(Wide Field of View,WFV)EVI时间序列的水稻种植面积提取方法。选取四川省乐至县为研究区域,获取覆盖整个水稻生长周期的GF-1/WFV影像数据,构建EVI时间序列,并分析水稻不同生长期的EVI曲线特征。利用时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS)对EVI时间序列进行平滑处理,尽可能减少噪声影响,使EVI时间序列能够更好地反应水稻及其他植被或非植被随时间的变化规律;根据水稻和其他植被及非植被的EVI曲线特征差异构建水稻种植面积提取决策树模型,对水稻种植面积进行准确提取。通过与同期地理国情监测成果的对比,本研究方法提取的水稻种植面积和精度都较高,表明该方法对于提取水稻种植面积效果良好。研究表明,相对于以往用中低分辨率卫星影像进行作物种植结构提取,GF1/WFV影像在南方较破碎的水稻种植面积提取方面应用效果良好,GF-1卫星影像在农业遥感领域具备很大的应用潜力。Abstract: With the successful launching of high-resolution satellites of the China High-Resolution Earth Observation System, the remote sensing images obtained will be increasingly applied for information gathering on crop planting. At present, limited studies were conducted on crop classification and yield estimation using the GF-1 satellite images based on the Normalized Difference Vegetation Index(NDVI). The NDVI transmissions tended to be over-crowded and low in resolution for the southern part of China due to the high vegetation growth in the areas.The proposed method utilized the improved Enhanced Vegetation Index(EVI) time series of GF-1 Wide Field View (WFV) images to overcome the deficiency. Lezhi county in Sichuan province was chosen for our testing.The GF-1/WFV images encompassing the entire rice growth period were acquired to construct the EVI time series.The characteristic EVI curves were obtained for the rice crops covering different growth stages. The Harmonic Analysis of Time Series(HANTS) method was adopted to smooth the EVI time series and maximally reduce the noise to enable reliable reflection of the dynamic changing patterns of rice and other crops or non-crop objects. Thereby, with the aid of the decision tree model, the rice planting area and other relevant information could be extracted. Comparing the results with what was obtained by the geographical conditions monitoring during a same time frame, the current method was considered accurate and precise. The GF-1/WFV images were particularly superior to the moderate or low resolution satellite images for gathering information on rice planting area in the regions where rice fields are scattered widely. The GF-1 technology was believed to represent a significant potential for applications in the field of agricultural remote sensing.
-
Keywords:
- GF1 /
- EVI /
- time series /
- rice /
- area /
- geographical conditions monitoring
-
植物内生菌是指定殖于健康植物组织内部,而又不引发宿主植物表现出明显感染症状的一类微生物[1]。在与宿主植物协同共生的过程中,部分植物内生菌具有固氮、解磷、分泌生长素等能力,可促进植物生长[2];部分植物内生菌能有效抑制植物病原菌活性,具有生防作用[3];植物内生菌可产生与宿主植物相同或相似的代谢产物,包括萜类、芳香类等化合物,这些物质具有多种生物学活性,如抗菌、降糖等[4]。
在农业和医药领域,药用植物内生菌资源的开发利用具有很大的应用潜力。1993年Stierle等首次从红豆杉韧皮部分离得到的内生真菌紫杉霉Taxomyces anreanae可以产生紫杉醇或其他紫杉烷类化合物,该类物质对多种恶性肿瘤具有突出疗效,从此掀起了开发内生菌及活性物质的热潮[1]。周佳宇等[2]从茅苍术叶片分离的内生细菌,34株具有溶解磷的作用,43株能够将色氨酸转化为生长素。王娜[5]研究发现,乌头内生细菌群落结构与宿主主要有效成分生物碱有密切相关性。梁子宁等[6]从药用植物鸦胆子中分离得到1株抑菌谱广、活性较高的内生细菌,为新型生物杀菌剂的开发利用提供了理论依据。总之,药用植物内生菌的研究将会在人类健康、环境保护和农业生产等多个领域发挥巨大潜力和价值。
石蝉草Peperomia dindygulensis Miq.系胡椒科草胡椒属植物,在我国南方各省区有较多分布。《中华本草》、《云南中草药选》等对其均有记载,其味辛、性凉,具有清热解毒、化瘀散结、利水消肿的功效,对肺癌、肝癌、胃癌等有治疗作用[7]。目前,石蝉草的研究多集中于化学成分、药理作用等方面,而忽视了植物内生菌在中药材形成中所发挥的作用。朱文君等[8]对石蝉草乙醇提取物进行了分离和鉴定,得到聚酮类化合物11个,其中2个为新的化合物;陈立[7]研究发现石蝉草的乙醇提取物中氯仿部位对肿瘤细胞株抑制作用最强,分离得到的3个断联木脂素对肿瘤细胞株有较强的抑制作用。尚未见石蝉草内生细菌的相关研究和报道。本研究采用稀释涂布平板法,对石蝉草根、茎、叶内生细菌进行分离和鉴定,旨在了解石蝉草内生细菌的数量分布、群落组成和遗传多样性。
1. 材料与方法
1.1 材料的采集
石蝉草于2015年10月上旬采自云南省文山州马关县,根、茎、叶分别取自5株生长健壮的石蝉草植株。不同部位样品从植株分离后立即装入无菌采样袋中,低温保鲜,于48 h内进行内生细菌的分离。
1.2 培养基
参照方中达[9]方法配制培养基,其中内生细菌分离和培养采用NA培养基,液体培养采用LB培养基。
1.3 内生细菌的分离
将材料用自来水洗净,移入超净工作台内,无菌滤纸吸干样品表面水分,分别称取石蝉草根、茎、叶各1 g,用75%酒精浸没1 min,转入2%次氯酸钠5 min,无菌水漂洗5次,并不断摇动。取最后1次漂洗无菌水涂布于NA平板作为对照,以此检验表面消毒是否彻底。将已消毒材料置于无菌研钵中加2 mL无菌水研磨至匀浆,梯度稀释10~103倍,各取100 μL涂布于NA平板,重复3次,在28℃黑暗环境中培养2~3 d。
1.4 内生细菌的菌落调查、纯化和保存
选择菌落密度(30~300个·皿-1)适宜的NA平板统计菌落总数,计算各部位样品每克鲜重所含活菌数,用cfu·g-1FW表示。参照陈泽斌等[10]方法对菌落形态进行初步归类,得出表型特征数值分类聚类图。根据聚类图挑选各亚群单菌落划线纯化,纯菌落转接入NA试管斜面保存。
1.5 内生细菌的16S rDNA序列分析
将纯化菌株接入LB液体培养基中,恒温28℃、100 r·min-1振荡培养2 d,8 000 r·min-1离心取沉淀物,用细菌基因组DNA提取试剂盒(TAKARA)提取菌株总DNA。采用通用引物F27/R1492[11]进行16S rRNA基因序列扩增。扩增产物送上海桑尼生物科技有限公司进行序列测定,将测得的16S rDNA全序列在GenBank中进行BLAST同源性搜索,获得已知分类地位同源性相近的菌株序列,参照Felsenstein J[12]方法,对各菌株的系统发育地位进行分析。
2. 结果与分析
2.1 内生细菌的分离
石蝉草各部位表面消毒后最后1次漂洗无菌水涂布于NA平板,在28℃环境中培养3 d未见菌落生长,说明此方法消毒彻底。菌落计数结果表明,各组织分离出的内生细菌数量差异明显,其中叶部的内生细菌数量最多,为(2.16±0.11)×104cfu·g-1FW,其次为根部,平均内生细菌数量为(6.36±1.29)×103cfu·g-1FW,茎部内生细菌数量最少,仅为(3.93±0.24)×103cfu·g-1FW。
2.2 内生细菌表征性状的多样性分析
由图 1可以看出,从石蝉草各组织分离出的383株内生细菌具有丰富的多样性。在欧氏距离为2.77时,可聚分为5个表观群:SA、SB、SC、SD、SE,分别在分离总数中所占比例依次为87.21%、6.01%、0.26%、3.92%、2.61%(表 1),其中表观群SA菌株最多;在欧氏距离为0时,可聚分为19个亚群(图 1、表 1)。
表 1 亚群菌落形态特征Table 1. Colonial morphology of sub-clusters亚群 菌株 菌落形态 分离株数 所占比
例/%根 茎 叶 SA-1 Y1 点状、湿、黄色、有光泽、表面凸起、边缘整齐、不透明 2 20 244 69.45 SA-2 Y3 圆形、直径2~3 mm、湿、乳白、有光泽、表面凸起、边缘整齐、半透明 0 6 4 2.61 SA-3 G4 圆形、直径2~3 mm、湿、乳白、有光泽、表面凸起、边缘整齐、不透明 3 0 0 0.78 SA-4 J8 圆形、直径1~2 mm、湿、白色、有光泽、表面凸起、边缘整齐、不透明 0 4 0 1.04 SA-5 G7 圆形、直径1~2 mm、湿、乳黄、有光泽、表面凸起、边缘整齐、透明 51 0 0 13.32 SB-1 Y4 形状不规则、长7~8 mm、黏稠、乳白、无光泽、中间凸起、边缘不整齐、不透明 0 0 3 0.78 SB-2 J5 形状不规则、长6~8 mm、湿、乳白、无光泽、中间凸起、边缘不整齐、不透明 0 7 0 1.83 SB-3 G3 形状不规则、长7~8 mm、黏稠、白色、无光泽、中间凸起、边缘不整齐、不透明 10 0 0 2.61 SB-4 Y5 形状不规则、长6~7 mm、干、白色、无光泽、表面凸起褶皱、边缘不整齐、不透明 0 0 1 0.26 SB-5 J7 形状不规则、长5~7 mm、干、乳白、无光泽、表面凸起褶皱、边缘不整齐、不透明 0 1 0 0.26 SB-6 G6 形状不规则、长5~6 mm、干、乳白、无光泽、中间凸起、边缘不整齐、不透明 1 0 0 0.26 SC-1 Y8 形状不规则、长3~4 mm、湿、乳白、有光泽、表面凸起褶皱、边缘不整齐、半透明 0 0 1 0.26 SD-1 Y6 圆形、直径4~5 mm、黏稠、乳白、无光泽、表面内凹、边缘整齐、不透明 0 0 1 0.26 SD-2 Y9 圆形、直径4~5 mm、湿、乳白、有光泽、中间凸起、边缘整齐、半透明 0 0 4 1.04 SD-3 J4 圆形、直径5~6 mm、黏稠、乳白、有光泽、中间凸起、边缘整齐、半透明 0 6 0 1.57 SD-4 G5 圆形、直径4~5 mm、湿、白色、有光泽、中间凸起、边缘整齐、不透明 1 0 0 0.26 SD-5 J9 圆形、直径3~4 mm、湿、乳白、有光泽、表面内凹、边缘整齐、半透明 0 1 0 0.26 SD-6 Y7 圆形、直径5~6 mm、干、乳白、无光泽、表面扁皱、边缘整齐、半透明 0 1 1 0.52 SE-1 G1 水渍状、长25 mm、湿、乳白、无光泽、表面凹凸不平、边缘不整齐、半透明 8 1 1 2.61 2.3 内生细菌16S rDNA序列分析结果
根据表征性状数值分类聚类图结果,选择19株代表菌株的16S rDNA进行测序,获得基因序列提交GenBank数据库,收录号分别为KU160369-KU160387。通过BLAST程序进行相似性比对,与已知分类地位菌株16S rDNA序列相似性均大于97%,大部分相似性达99%以上,19株代表菌株分属于8属13种,并构建了系统发育树(图 2)。其中石蝉草根、茎、叶内生细菌种类分别为6种、9种、8种(表 2)。寡养单胞菌属Stenotrophomonas、绿芽孢杆菌属Viridibacillus为根部特有;类芽孢杆菌属Paenibacillus、葡萄球菌属Staphylococcus为茎部特有;根瘤菌属Rhizobium为茎、叶部共有;芽孢杆菌属Bacillus、赖氨酸芽孢杆菌属Lysinibacillus、鞘氨醇单胞菌Sphingomonas为根、茎、叶部共有。
表 2 石蝉草内生细菌的种类组成Table 2. Species of endophytic bacteria isolated from P. dindygulensis Miq菌株 相近的属、种 登录号 序列相
似性/%G6 J7 Y5 Bacillus subtilis KT957306.1 100 Y8 Bacillus licheniformis KM289130.1 100 Y7 Bacillus altitudinis KT758448.1 100 Y6 Bacillus pumilus KT003271.1 100 J5 Bacillus anthracis AB190217.1 98 G1 G3 Y4 Bacillus cereus KC692201.1 99~100 J8 Staphylococcus haemolyticus JX293294.1 97 G4 Viridibacillus arenosi JF899298.1 100 G5 J4 Y9 Lysinibacillus fusiformis KP334988.1 99 J9 Paenibacillus sp KF011612.1 99 G7 Stenotrophomonas rhizophila KM096602.1 100 Y3 Rhizobium sp KR067598.1 100 Y1 Sphingomonas aeria KJ572399.1 99 各类群在石蝉草所分离内生细菌中所占比例最高且大于10%的2种类群为:Sphingomonas aeria所占比例69.45%,Stenotrophomonas rhizophila所占比例13.32%(表 2)。由此推断,石蝉草内生细菌的优势菌群为Sphingomonas aeria和Stenotrophomonas rhizophila。
3. 讨论与结论
从石蝉草根、茎、叶中共分离出内生细菌383株,通过表型特征数值分类,在欧氏距离为0时,聚类为19个亚群。运用16S rRNA基因序列分析法对19个亚群代表菌株多样性进行分析,结果表明19株内生细菌分属于8个属13个种,内生细菌多样性较丰富,3个部位材料中内生细菌的种类和数量均有差异。从两种方法的分析结果看,聚类情况存在一定差异,表明某些菌株具有不同表型特征,或特征甄别受主观因素影响较大。
石蝉草内生细菌的优势菌群为鞘氨醇单胞菌Sphingomonas aeria和嗜根寡养单胞菌Stenotro-phomonas rhizophila,其中Sphingomonas aeria菌在所分离菌株中所占比例最高,达到69.45%。据报道,鞘氨醇单胞菌具有固氮酶活性,解磷能力较强,可分泌IAA,能促进植物生长[13-14];有很强的逆境生长潜能,对有机磷、氨基甲酸酯和除虫菊酯等3类农药具有不同的降解效能[15-16],下一步可人工栽培石蝉草,探索喷施该菌株发酵液对其生长的影响。
已有研究证实,内生菌的分布特征和群落结构不仅受宿主植物基因型的影响,还受外界环境因子的影响。即使是同一种植物,不同组织中内生细菌的种类和数量也不尽相同,存在复杂的多样性[17-18]。目前对于内生细菌的分布有两种观点,一种认为内生菌多从土壤进入植物体,随蒸腾作用逐渐扩散至地上部分,在植株体内的分布通常上部组织少于下部组织,越往植株顶部,内生菌越少[19];一种则认为,环境中的微生物一般会沿着植物的气孔、水孔及伤口等破损处进入植物选择合适的营养和生态位定殖,造成地下部位内生菌的种类少于地上部位[20]。本研究发现石蝉草可培养内生细菌数量表现为叶部最多,茎部最少;多样性表现为茎部最多,根部最少。综合两种观点,作者认为石蝉草内生细菌主要从根部和叶部进入植物体,因叶两面被短柔毛,叶面孔隙增多,表面积增大,微生物更易在此聚集进入植物体,从而导致内生细菌数量叶部高于根部,茎部多样性最为丰富可能与内生菌在植物体内的扩散有关。
本研究采用传统的微生物研究方法,且选用的培养基较为单一,具有一定的局限性。目前得到纯培养并鉴定的微生物种类只占环境中微生物的0.1%~10.0%,90%以上的微生物迄今仍处于存活但不可人工培养的状态,称未培养(Uncultured)微生物[21]。下一步可采用非培养的方法,对石蝉草内生细菌进行更加深入的研究。
-
表 1 GF-1/WFV影像信息
Table 1 Information of GF-1/WFV images
序号 传感器类型 中心经、纬度 获取时间/(年-月-日) 1 WFV4 104.3°E, 30.1°N 2016-03-18 2 WFV1 104.9°E, 29.6°N 2016-05-09 3 WFV4 104.1°E, 30.2°N 2016-06-16 4 WFV2 105.7°E, 31.0°N 2016-08-24 5 WFV2 105.3°E, 29.3°N 2016-08-24 6 WFV4 105.1°E, 30.2°N 2016-09-10 7 WFV1 105.4°E, 29.6°N 2016-11-26 表 2 水稻提取精度评价
Table 2 Precision of information extraction on rice planting area
类别 水稻/% 非水稻/% 总体精度/% Kappa系数 水稻 96.73 3.77 96.52 0.93 非水稻 3.27 96.23 制图精度 96.73 96.23 用户精度 97.28 95.48 -
[1] 陈仲新, 任建强, 唐华俊, 等.农业遥感研究应用进展与展望[J].遥感学报, 2016(5):748-767. http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201405001.htm [2] 吴炳方.全国农情监测与估产的运行化遥感方法[J].地理学报, 2000(1):25-35. DOI: 10.11821/xb200001003 [3] 杨晓光, 刘志娟, 陈阜.全球气候变暖对中国种植制度可能影响Ⅰ.气候变暖对中国种植制度北界和粮食产量可能影响的分析[J].中国农业科学, 2010, 43(2):329-336. http://www.cnki.com.cn/Article/CJFDTOTAL-ZNYK201002015.htm [4] BENEDETTI R, ROSSINI P. On the use of NDVI profiles as a tool for agricultural statistics:The case study of wheat yield estimate and forecast in Emilia Romagna[J]. Remote sensing of environment, 1993, 45(3):311-326. DOI: 10.1016/0034-4257(93)90113-C
[5] MACDONALD R B, HALL F G. Global Crop Forecasting[J]. Science, 1980, 208(4445):670-679. DOI: 10.1126/science.208.4445.670
[6] CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote sensing of environment, 1997, 62(3):241-252. DOI: 10.1016/S0034-4257(97)00104-1
[7] 王延颐, MALINGREAU J P.应用NOAA-AVHRR对江苏省作物进行监测的可行性研究[J].环境遥感, 1990, 5(3):221-227. http://www.oalib.com/paper/4184007 [8] 肖乾广.用NOAA气象卫星AVHRR的定量资料计算冬小麦种植面积的两种方法[J].环境遥感, 1989, 4(3):191-196. http://www.cnki.com.cn/Article/CJFDTotal-ZGNY199204005.htm [9] 彭代亮. 基于统计与MODIS数据的水稻遥感估产方法研究[D]. 杭州: 浙江大学, 2009. http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y1647020 [10] 张军龙. 基于MODIS_EVI重庆水稻估产[D]. 重庆: 重庆师范大学, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10637-1014357388.htm [11] 王长耀.林文鹏.基于MODIS EVI的冬小麦产量遥感预测研究[J].农业工程学报, 2005, 21(10):90-94. DOI: 10.3321/j.issn:1002-6819.2005.10.021 [12] 丁春雨, 马冠南, 张晓娇, 等.利用高分一号影像提取水稻种植面积方法研究——以长春榆树市为例[J].农业与技术, 2016, 36(7):1-4, 19. http://d.old.wanfangdata.com.cn/Periodical/nyyjs201607002 [13] 贾玉秋, 李冰, 程永政, 等.基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J].农业工程学报, 2015, 31(9):173-179. DOI: 10.11975/j.issn.1002-6819.2015.09.027 [14] 杨闫君, 占玉林, 田庆久, 等.基于GF-1/WFVNDVI时间序列数据的作物分类[J].农业工程学报, 2015, 31(24):155-161. DOI: 10.11975/j.issn.1002-6819.2015.24.024 [15] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[C]. //NASA. Goddard Space Flight Center Third Earth Resources Technology Satellite (ERTS) symposium, 1974(1), Sect. A: 309-317.
[16] 王正兴, 刘闯, ALFREDO H.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI[J].生态学报, 2003, 23(5):979-987. http://www.cnki.com.cn/Article/CJFDTOTAL-STXB200305019.htm [17] HUETE A R, LIU H Q, BATCHILY K, et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J]. Remote sensing of environment, 1997, 59(3):440-451. DOI: 10.1016/S0034-4257(96)00112-5
[18] LIU H Q, HUETE A R. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(2):457-465. DOI: 10.1109/36.377946
[19] 李文梅, 覃志豪, 李文娟, 等. MODIS NDVI与MODIS EVI的比较分析[J].遥感信息, 2010(6):73-78. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ygxx201006016 [20] 王正兴, 刘闯, 陈文波, 等. MODIS增强型植被指数EVI与NDVI初步比较[J].武汉大学学报(信息科学版), 2006, 31(5):407-410, 427. http://www.cnki.com.cn/Article/CJFDTotal-WHCH200605008.htm [21] CHEN P Y, FEDOSEJEVS G, TISCAREÑO-LÓPEZ M, et al. Assessment of MODIS-EVI, MODIS-NDVI and VEGETATION-NDVI composite data using agricultural measurements:an example at corn fields in western Mexico[J]. Environmental monitoring and assessment, 2006, 119(1-3):69-82. DOI: 10.1007/s10661-005-9006-7
[22] ZHOU J, JIA L, MENENTI M.Reconstruction of global MODIS NDVI time series:Performance of Harmonic ANalysis of Time Series(HANTS)[J]. Remote sensing of environment, 2015, 163(Suppl C):217-228. https://www.deepdyve.com/lp/elsevier/reconstruction-of-global-modis-ndvi-time-series-performance-of-bll2kgUmg0
[23] 侯光雷, 张洪岩, 王野乔, 等.基于时间序列谐波分析的东北地区耕地资源提取[J].自然资源学报, 2010, 25(9):1607-1617. DOI: 10.11849/zrzyxb.2010.09.020 [24] 梁守真, 邢前国, 施平, 等.山东省典型地表覆被NDVI时间序列谐波分析[J].生态学杂志, 2011, 30(1):59-65. http://www.oalib.com/paper/4972647 -
期刊类型引用(0)
其他类型引用(1)