趙佳佳，馮美臣，王超，楊武德，李志花，朱智慧，任鵬，劉婷婷，王慧琴

(山西農(nóng)業(yè)大學 旱作工程研究所，山西 太谷 030801)

基于光譜植被指數(shù)的冬小麥葉綠素含量反演

趙佳佳，馮美臣，王超，楊武德，李志花，朱智慧，任鵬，劉婷婷，王慧琴

(山西農(nóng)業(yè)大學 旱作工程研究所，山西 太谷 030801)

植物功能葉的SPAD值與其氮素和葉綠素有較強的相關性，研究功能葉SPAD與其冠層光譜的關系，對實現(xiàn)植株葉綠素含量快速、無損檢測具有重要意義。本文通過對冬小麥生育期的冠層原始光譜進行一階導數(shù)變換，研究其功能葉片SPAD值與冠層光譜的相關性，對監(jiān)測冬小麥葉綠素含量的敏感波段進行了提取，并建立了葉綠素含量與冠層反射光譜的定量關系。結(jié)果表明，基于小麥冠層原始光譜反射率、冠層光譜導數(shù)反射率與SPAD的相關系數(shù)曲線，提取的各形式下冬小麥葉綠素含量的敏感波段分別為500、690、760和470、630、723 nm；并構建了冬小麥葉綠素含量的預測模型，以FDNDVI(630,723)預測模型較好，其R2可達0.9485，模型驗證參數(shù)R2、MRE和RMSE分別為0.8099、0.0294和1.805，擬合效果較好，表明該模型能有效地對冬小麥葉綠素含量進行預測。該研究結(jié)果可為冬小麥長勢監(jiān)測提供一定的理論參考。

高光譜；SPAD；葉綠素；植被指數(shù)；監(jiān)測模型

葉綠素是與光合作用有關的重要色素。植物體葉綠素含量的變化與其光合能力、生長發(fā)育以及氮素狀況有較好的相關性，通常被稱為監(jiān)測植物生長發(fā)育和營養(yǎng)狀況的指示器[1～3]。SPAD(Soil and Plant Analyzer Development)值又稱葉片綠色度，反映了植株葉片的相對葉綠素含量大小[4]。Marenco[5]等研究發(fā)現(xiàn)SPAD-520測量葉綠素含量的精度很高，幾乎和化學實驗測定結(jié)果一樣。葉綠素儀雖能夠準確測定葉片葉綠素含量，但只能逐點對葉片進行測量，較費時、費力，并且測定不全面。因此需要研究一種實時、快速葉綠素監(jiān)測方法。高光譜遙感技術的應用可實現(xiàn)農(nóng)田大面積的實時、快速無損監(jiān)測。此外，葉片SPAD易實現(xiàn)與高光譜數(shù)據(jù)的準確對應[6]，提高預測模型的準確性。因此，通過遙感技術監(jiān)測大范圍作物葉片SPAD動態(tài)變化作為一種重要的手段，對評價作物長勢和氮肥高效管理方面有重要意義[7,8]。

葉綠素含量是葉片的主要農(nóng)學參數(shù)，對可見光波段反射率變化敏感[9]。Dash等[10]基于單一的植被指數(shù)對冠層葉綠素含量進行估測，表明綠、紅以及近紅外波段附近的光譜反射率對于葉綠素含量較為敏感。楊海清等[11]所提取到的植物葉片SPAD值的敏感波段為683.24～733.91 nm。在監(jiān)測模型的構建方面，劉飛等[12]采用可見-近紅外光譜技術并結(jié)合化學計量學方法建立了黃瓜葉片SPAD的校正模型，認為采用光譜特征波段對黃瓜葉片SPAD值的監(jiān)測更有效。Bauerle等[13]在研究木質(zhì)植物光合作用時，指出在400～700 nm波長范圍內(nèi)，SPAD測量值與葉片透射和吸收值存在顯著回歸關系，但與光譜反射的回歸關系不精確。姚付啟等[14]基于紅邊位置、峰度系數(shù)、偏度系數(shù)建立了葉片葉綠素含量的高光譜估測模型，表明與單變量模型相比人工神經(jīng)網(wǎng)格模型反演精度較高。王凱龍等[15]比較了15種高光譜指數(shù)與SPAD的相關性，以確定不同生長階段估算小麥葉片的SPAD值的最佳植被指數(shù)； 不同地區(qū)、不同環(huán)境中的植被葉綠素含量對高光譜的敏感波段不盡相同，各植被指數(shù)在不同環(huán)境的適應性也不同，利用高光譜遙感技術監(jiān)測農(nóng)學參數(shù)已經(jīng)成為了定量遙感和精準農(nóng)業(yè)的研究熱點問題之一[16,17]。基于此，本文立足于本地區(qū)冬小麥種植的特點，對冬小麥冠層光譜與功能葉片SPAD進行相關性分析，提取冬小麥葉綠素含量的冠層敏感波段并構建不同植被指數(shù)，對回歸模型進行比較，研究不同模型反演葉綠素含量的變化的精度，以期為冬小麥葉綠素含量的快速、無損傷監(jiān)測提供一定的科學依據(jù)和理論參考。

1 材料與方法

1.1 試驗設計

本研究于2012年和2013年選取山西農(nóng)業(yè)大學農(nóng)作站(東經(jīng)112°28′～ 113°01′，北緯37°12′～37°32′)作為研究區(qū)域，該地區(qū)全年平均氣溫在5～10℃，年均降雨量為450 mm左右，屬暖溫帶大陸性氣候。

本實驗選用本地區(qū)大面積推廣的小麥品種“長4738”，供試土壤為黃土母質(zhì)發(fā)育而成的石灰性褐土，土壤肥力水平中等，其理化性質(zhì)為土壤有機質(zhì)含量22.01 g·kg-1；堿解氮53.8 mg·kg-1，有效磷18.43 mg·kg-1；速效鉀236.9 mg·kg-1。

試驗采取隨機區(qū)組設計，氮肥梯度設置為0 kg·hm-2、75 kg·hm-2、150 kg·hm-2、225 kg·hm-2、300 kg·hm-2，重復3次，小區(qū)面積24 m2(4 m×6 m)，于播種期施基肥，在拔節(jié)期、孕穗期追肥，基追比為3∶1∶1。

1.2 數(shù)據(jù)采集

1.2.1 冠層光譜

在返青期、拔節(jié)期、孕穗期、開花期及花后每隔7 d進行田間小麥冠層光譜測定。采用美國ASD FieldSpec 3.0型便攜式高光譜儀測量冬小麥冠層光譜反射率，儀器視場角為25°，波段范圍為350～2500 nm。所有光譜測量均在天氣晴朗、無風或者風速較小時進行，測量時間為10:00～14:00，每次測量時需用白色標準版校準1次，探頭垂直向下，探頭距冠層的垂直高度約1 m。每個小區(qū)測定3點，每點重復10次，取平均值作為該小區(qū)小麥的冠層光譜。

1.2.2 葉綠素測定

SPAD值是衡量植物葉綠素相對含量及綠色程度的重要參數(shù)，因此可以利用SPAD值作為衡量葉綠素含量的指標。用葉綠素儀(SPAD-520)在所測光譜位點測定10個功能葉(倒二葉)的SPAD值，為保證兩種數(shù)據(jù)的精確對應，每片葉從葉尖到葉鞘均勻測定9點，避開葉脈干擾，取平均值作為該葉片的SPAD值。

1.3 數(shù)據(jù)分析

鑒于光譜儀在測量的波段范圍兩端有比較大的噪聲且葉綠素主要在可見光波段內(nèi)影響植物光譜反射率，所以選擇400～1400 nm作為本次研究波段。利用軟件ViewSpec Pro進行光譜數(shù)據(jù)的預處理和變換，并利用DPS 6.5軟件、Origin 8.0和Excel進行數(shù)據(jù)的相關性、回歸分析和制圖。本文以2012年試驗數(shù)據(jù)進行監(jiān)測模型的構建，2013年試驗數(shù)據(jù)用于監(jiān)測模型的檢驗。

利用光譜反射率與葉片SPAD的相關性分析，篩選冬小麥葉綠素含量的敏感波段，并構建多種植被指數(shù)(表1)及其預測模型，模型的準確性用預測值與實測值的擬合方程精度(R2)、相對誤差(RE)和均方根誤差(RMSE)進行綜合評價，并繪制預測值與實測值的1∶1線性關系圖。

表1 常用植被指數(shù)的計算公式及出處

2 結(jié)果與分析

2.1 冬小麥葉片SPAD值與冠層光譜反射率的相關性分析

將冬小麥冠層光譜原始反射率及其一階微分反射率分別與葉片SPAD值進行相關分析，圖1、圖2為葉片SPAD與不同形式反射率的相關系數(shù)曲線。從圖中可以看出，SPAD與原始反射率420～730 nm波段呈極顯著負相關，且與500、690 nm處相關性最大，在740 nm后呈正相關，與745～950 nm的近紅外波段呈極顯著正相關，以760 nm相關性最大。而SPAD與一階微分光譜相關性變化幅動較大，在紅光波段呈負相關，以470 nm和630 nm達最大極顯著負相關，在近紅外波段相關性變化幅動大，723 nm呈極顯著正相關且相關系數(shù)最大。因此，分別選取500、690、760 nm和470、630、723 nm作為冬小麥葉綠素含量監(jiān)測的敏感波段。

2.2 預測模型的構建

利用植被光譜數(shù)據(jù)線性和非線性組合構建的光譜指數(shù)通常稱為植被指數(shù)，主要反映植被在可見光、近紅外波段反射與土壤背景之間的差異，各植被指數(shù)在一定條件下能表明植被生長狀況。利用所篩選出的各敏感波段，構建相應植被指數(shù)，并與功能葉SPAD值進行相關分析，結(jié)果見表2。

圖1 冠層光譜反射率與冬小麥葉片SPAD值的相關性

圖2 一階導數(shù)光譜反射率與小麥葉片SPAD值的相關性

表2 小麥功能葉片SPAD與植被指數(shù)的相關性分析

注：**和*分別表示0.01極顯著水平和0.05顯著水平，下同。

Note：**and * is the signification at the 0.01 and 0.05 level,respectively.The same below.

由表2可以看出，冬小麥葉片SPAD與導數(shù)光譜指數(shù)FDGRVI(470,723)、FDRVI(630,723)呈不顯著相關，其余均達極顯著相關，且相關性高，表明FDRVI(630,723)和FDGRVI(470,723)兩種植被指數(shù)不適宜進行葉綠素含量的監(jiān)測；而與原始光譜指數(shù)均呈極顯著相關，且相關系數(shù)較高，以NDVI(690,760)相關性較大。充分說明利用對葉片SPAD的敏感波段建立植被指數(shù)以反映冬小麥生長狀況具有可行性。

因此，分別以相關系數(shù)較大的NDVI(690,760)、FDNDVI(630,723)和FDDVI(630,723)為自變量，以SPAD值為因變量進行回歸分析，建立冬小麥葉綠素含量的監(jiān)測模型。模型采用線性、對數(shù)、二次多項式、乘冪、指數(shù)等形式，表3為建立的各指數(shù)最佳監(jiān)測模型。

表3 基于植被指數(shù)的冬小麥葉綠素含量預測模型

從表3可以看出，所建預測模型的決定系數(shù)較高，均達0.93以上，都能較好地反映整個生育期冬小麥葉綠素含量與植被指數(shù)之間的變化關系，其中FDNDVI(630,723)模型的R2最大，為0.9485。

2.3 預測模型的檢驗及評價

為驗證模型的預測效果，選取2013年15組數(shù)據(jù)進行模型驗證，采用R2、RE、和RMSE指標對模型進行檢驗(表4)，R2越大，表明擬合程度越高；RE和RMSE越小，表明模型預測精度越高。

表4 預測模型的驗證

由表4可見，各光譜植被指數(shù)的擬合程度較高，均達0.73以上，且RE、RMSE較低，擬合效果好，表明利用光譜反射率敏感波段能較好地模擬和預測葉綠素含量。而導數(shù)光譜指數(shù)FDNDVI(630,723)、FDDVI(630,723)的模型較原始光譜指數(shù)NDVI(690,760)擬合精度高，RE、RMSE也較低，擬合效果好?？傮w上，基于導數(shù)光譜指數(shù)的葉綠素含量監(jiān)測模型均給出了較好的檢驗結(jié)果。因此，可以利用冠層光譜反射率的關鍵光譜植被指數(shù)對冬小麥葉綠素含量進行較為準確的預測，綜合考慮R2、RE和RMSE，其中尤以FDNDVI(630,723)模型預測效果最佳。為了更好地展示其擬合效果，以實測值與預測值作1∶1線性關系圖(圖3)。

3 討論與結(jié)論

本文通過對整個生育時期的冬小麥葉片SPAD與冠層光譜原始反射率、一階導數(shù)反射率的相關性分析，確定了監(jiān)測冬小麥葉綠素的光譜敏感波段，分別為500、690、760 nm和470、630、723 nm，表明基于冠層光譜反射率相關性分析能很好地提取冬小麥的光譜敏感波段。冬小麥SPAD與各原始光譜植被指數(shù)均呈極顯著相關，以NDVI(690,760)相關性較大，為0.9238。與導數(shù)光譜指數(shù)FDDVI(630,723)、FDNDVI(630,723)達極顯著相關，相關性高，分別為0.9343和0.9240。選取相關性較高的植被指數(shù)建立的各預測模型決定系數(shù)較高，均達0.93以上，通過驗證和分析，RE和RMSE均較小，表明利用冬小麥冠層光譜植被指數(shù)能較好地模擬和預測葉片SPAD；而作物冠層原始光譜反射率的一階微分能消除基線漂移或平緩背景干擾，其敏感波段組合能較好地估測葉片葉綠素含量。綜合考慮R2、RE和RMSE，以FDNDVI(630,723)模型預測效果最佳。

采用高光譜技術測定作物冠層光譜，采用葉綠素計測定葉綠素含量，實現(xiàn)了光譜反射率和葉綠素含量關系的無損行與精確性研究。但作物冠層光譜特性是由作物光譜特性和背景土壤特性[22]組成的，影響作物冠層光譜的因素有很多，比如在光譜測定過程中會受到太陽光入射角、雙向反射、氣溶膠、風速等諸多外部因素的影響[23]，同時就本試驗實際情況而言，播種時播種方式、播種時間等諸多人為和作物生長等環(huán)境因素，影響小麥種植密度和長勢情況。利用高光譜遙感技術監(jiān)測冬小麥葉片SPAD時，基于人為選取樣點數(shù)據(jù)的分析很難實現(xiàn)全面監(jiān)測，且光譜測定過程中受諸多外界因素影響均可能造成監(jiān)測精度降低。同時本試驗還涉及測定范圍局限，數(shù)量較小，品種單一等因素，因此在提高監(jiān)測精度方面還有待更深入的研究。

圖3 預測值與實測值的擬合效果

[1]童慶禧,張兵,鄭蘭芬.高光譜遙感的多學科應用[M].北京:電子工業(yè)出版社,2006:20-80.

[2]方慧,宋海燕,曹芳,等.油菜葉片的光譜特征與葉綠素含量之間的關系研究[J].光譜學與光譜分析,2007,27(9):1731-1734.

[3]黃敬峰,王秀珍,胡新博.新疆北部不同類型天然草地產(chǎn)草量遙感監(jiān)測模型[J].中國草地,1999(1):7-11.

[4]謝曉金,申雙和,李映雪,等.高溫脅迫下水稻紅邊特征及SPAD和LAI的監(jiān)測[J].農(nóng)業(yè)工程學報,2010,26(3):183-190.

[5]Marenco R A,Antezana-vera S A,Nascimentoh C S.Relationship between specific leaf area,leaf thickness,leaf water content and SPAD-520 readings in six Amazonian tree species[J].Photosynthetica,2009,47(2):184-190.

[6]鄒紅玉,丁麗霞.基于反射光譜數(shù)據(jù)的茶樹葉片SPAD值估算模型研究[J].遙感信息,2011(5):71-75.

[7]馮偉,朱艷,姚霞,等.小麥葉片色素含量的高光譜監(jiān)測[J].應用生態(tài)學報,2008,19(5):992-999.

[8]Miguel P,Ruben O,Ignacio I,et al.New method to assess barley nitrogen nutrition status based on image colour analysis:comparison with SPAD-502[J].Computers and Electronics in Agriculture,2009,65(2):213-218.

[9]Sampson P H,Zarco-tejada P J,Mohammed G H,et al.Hyper-spectral remote sensing of forest condition:Estimating chlorophyll content intolerant hardwoods[J].Forest science,2003,49(3):381-391.

[10]Dash J,Curran P J.The MERIS terrestrial chlorophyll index[J].International Journal of Remote Sensing,2004,25(23):5403-5413.

[11]楊海清,楊建松,何勇.基于反射光譜技術的植物葉片SPAD值預測建模方法研究[J].光譜學與光譜分析,2009,29(6):1607-1610.

[12]劉飛,王莉,何勇,等.基于可見/近紅外光譜技術的黃瓜葉片SPAD值檢測[J].紅外與毫米波學報,2009,28(4):272-276.

[13]Bauerle W L,Weston D J,Bowden J D,et al.Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species[J].Scientia Horticulturae,2004,101(1/2):169-178.

[14]姚付啟,張振華,楊潤亞,等.基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J].農(nóng)業(yè)工程學報,2009,25(增刊2):123-128.

[15]王凱龍,熊黑鋼,張芳.干旱區(qū)冬小麥不同生長階段的光譜特征與葉綠素含量估測研究[J].干旱區(qū)資源與環(huán)境,2013,27(11):45-49.

[16]Wang F M,Huang J F,Zhou Q F,et al.Optimal waveband identification for estimation of leaf area index of paddy rice[J].Journal of Zhejiang University Science,2008,9(12):953-963.

[17]Kuusk A,Lang M,Nilson T.Simulation of the reflectance of ground vegetation in sub-boreal forests[J].Agricultural and Forest Meteorology,2004,126(1/2):33-46.

[18]Pearson R L,Miller D L.Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie[C]// Proceedings of the Eighth International Symposium on Remote Sensing of Environment.Michigan:Ann Arbor,1972:1357-1381.

[19]Jordan C F.Derivation of leaf-area index from quality of light on the forest floor[J].Ecology,1969,50(4):663-666.

[20]Rouse J W,Haas R W,Schell J A,et al.Monitoring the vernal advancement and retro gradation (green wave effect) of natural vegetation[C]//NASA/GSFCT Type ш Final Report,Greenbelt,MD,USA,1974:309-317.

[21]Gitelson A A,Kaufman Y,Merzlyakm N.Use of green channel in remote of sensing global vegetation from EOS-MODIS[J].Remote Sensing of Environment,1996,58:289-298.

[22]Zhu Yongguan,Howes N K,Smith S E.Phosphorus uptake and utilisation efficiencies of different wheat cultivars based on a sand-culture screening system[J].Pedosphere,2002,12(4):329-337.

[23]任紅艷,潘劍君,張佳寶.不同磷肥水平的小麥冠層多光譜特征研究[J].土壤,2005,37(4):405-409.

SimulatingtheContentofChlorophyllinWinterWheatBasedonSpectralVegetationIndex

Zhao Jiajia，F(xiàn)eng Meichen，Wang Chao，Yang Wude，Li Zhihua，Zhu Zhihui，Ren Peng，Liu Tingting，Wang Huiqin

(InstituteofDryFarmingEngineering,ShanxiAgriculturalUniversity,TaiguShanxi030801,China)

The SPAD value of plant leaf is significantly correlated with the content of chlorophyll and nitrogen level, and it is important to monitor the chlorophyll content rapidly and non-destructively. The first derivative of the winter wheat canopy spectral reflectance was converted, and the correlation between spectrum and the leaf SPAD was analyzed at the growth period of winter wheat. The sensitive bands for monitoring the leaf SPAD were determined, and the quantitative relation between leaf SPAD and canopy reflectance spectra were established. The results showed that the sensitive bands for monitoring the winter wheat leaf SPAD were 500 nm, 690 nm, 760 nm and 470 nm, 630 nm, 723 nm, respectively, based on the correlation coefficient between the winter wheat canopy spectral reflectance and the first derivative and leaf SPAD. The spectral parameters and the prediction model for monitoring winter wheat chlorophyll content was constructed, the regression coefficient R2of the estimated model based on the FDNDVI(690, 760) was 0.9485, and the calibrated parameters of predicted model R2, MRE and RMSE were 0.8099, 0.0294 and 1.805, respectively. It was also concluded that the monitoring model could effectively estimate the winter wheat leaf chlorophyll content, and this was proved to be an effective method for monitoring wheat growth.

Hyper-spectral; SPAD; Chlorophyll; Vegetation index; Monitoring model

2014-05-14

2014-06-08

趙佳佳(1990-)，女(漢)，山西晉城人，在讀碩士，研究方向：作物生態(tài)與作物信息技術。

楊武德，教授，博士生導師。Tel:13834835129; E-mail:sxauywd@126.com

國家自然科學基金項目(31371572)；山西省科技攻關項目(20110311038,20120311001-2)；山西省青年科技研究基金項目(2012021023-5)

S127

A

1671-8151(2014)05-0391-06

(編輯：武英耀)