陳曉娜，趙庚星，周 雪，張 穎，宿寶巍

（山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安271018）

小麥?zhǔn)俏覈饕墓任镏唬诟鞯貜V泛種植，尤其是華北地區(qū)[1]。小麥長勢、產(chǎn)量的準(zhǔn)確預(yù)測對農(nóng)業(yè)生產(chǎn)和區(qū)域經(jīng)濟(jì)的發(fā)展具有重要意義。葉綠素含量與作物的生長狀況、光合作用能力和作物產(chǎn)量密切相關(guān)[2－5]，因此，葉綠素含量的測定對小麥長勢監(jiān)測、施肥調(diào)控和產(chǎn)量評估具有重要意義。利用遙感技術(shù)監(jiān)測土壤的時空變化及作物的營養(yǎng)狀況與長勢，并為最終的作物估產(chǎn)提供有效手段，是現(xiàn)代“精確農(nóng)業(yè)”的重要技術(shù)之一[6－8]。衛(wèi)星遙感信息反映的是野外條件下地物的反射輻射狀況，田間野外測定的地面光譜與其具有很好的可比性[9]。一般認(rèn)為，光譜分辨率在λ/10（λ表示波長）數(shù)量級范圍內(nèi)的遙感稱為高光譜遙感，隨著高分辨率遙感技術(shù)研究的發(fā)展，利用弱光譜差異對植被特征展開精細(xì)定量分析成為可能[10－12]。

很多學(xué)者通過分析植被葉片生化參數(shù)與輻射能量的關(guān)系，利用可見光波段和近紅外波段的波譜反射率進(jìn)行線性或非線性組合，構(gòu)建各種功能和用途的植被指數(shù)，從而實(shí)現(xiàn)定量估算植被葉綠素含量[13－16]。趙祥等[17]利用偏最小二乘回歸方法、黃慧等[18]利用偏最小二乘法和逐步線性回歸法對小麥高光譜數(shù)據(jù)進(jìn)行處理，建立了冬小麥冠層波譜與葉綠素含量的反演模型，效果良好。程志慶等[19]改進(jìn)了植被參數(shù)高光譜遙感反演最佳波段提取算法，驗(yàn)證了利用OIFC法提取高光譜特征波段的可行性。潘蓓等[20]研究了利用敏感區(qū)間和波段組合確定最佳估測模型的方法。姚付起等[21]建立了基于紅邊位置、峰度系數(shù)、偏度系數(shù)的模型，結(jié)果發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)模型反演精度更高。Tan等[22]和GEYER等[23]利用高光譜技術(shù)估測了水稻和蘋果等不同作物產(chǎn)量，均取得良好的效果?？傮w上看，農(nóng)作物生長相關(guān)參數(shù)的準(zhǔn)確、實(shí)時、可操作性的估測技術(shù)方法仍需進(jìn)一步研究探討。

本研究利用小麥冠層實(shí)測高光譜和SPAD數(shù)據(jù)，分別構(gòu)建基于敏感波段和植被指數(shù)的小麥冠層SPAD值估測模型，旨在進(jìn)一步探索小麥冠層葉綠素的光譜估測方法，為小麥生長信息的快速獲取提供有效手段。

1 材料和方法

1.1 試驗(yàn)區(qū)及樣本獲取

試驗(yàn)區(qū)設(shè)在山東農(nóng)業(yè)大學(xué)科技試驗(yàn)田（泰安市泰山區(qū)）。田間光譜測試日期為小麥返青期，于2016年3月16日進(jìn)行采樣，為保證試驗(yàn)結(jié)果精度，試驗(yàn)區(qū)域分為50個樣區(qū)，每個樣區(qū)設(shè)置4個采樣點(diǎn)，同步獲取冠層高光譜數(shù)據(jù)和SPAD值。

小麥冠層光譜測定采用美國ASD FieldSpec 3光譜儀，其波段值為350～2 500 nm。其中，350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。輸出波段波長間隔為1 nm，共有2 151個波段，波段光譜儀視場角為25°。進(jìn)行光譜測量時，手槍垂直對準(zhǔn)被測物，距離小麥冠層1.0 m，每個樣品記錄10個采樣光譜，該樣點(diǎn)的光譜反射率取其平均值。為減少誤差，測量過程中及時進(jìn)行白板校正，測定時天氣晴，光照良好，風(fēng)力二級，測量時間為10:00—14:00。

SPAD值是衡量植物葉綠素相對含量或綠色程度的重要參數(shù)。相關(guān)研究表明，SPAD值與葉綠素總量呈現(xiàn)顯著正相關(guān)，SPAD值作為葉綠素總量是可行的。本試驗(yàn)采用SPAD－502葉綠素探測儀，葉片SPAD值的測量與光譜測定同步，為減少誤差，在采集標(biāo)識的采樣點(diǎn)（光譜數(shù)據(jù)測量所對應(yīng)的范圍內(nèi)）處選取5個小麥植株冠層測定，利用儀器直接得出平均值。測量方法簡單高效，不會對小麥植株造成破壞。

1.2 數(shù)據(jù)處理與方法

1.2.1 光譜數(shù)據(jù)處理 ASD FieldSpec 3光譜儀在300～1 000 nm波段和1 000～2 500 nm波段采用的探測元件不同，在2個探測元件的結(jié)合處會出現(xiàn)偏差[24]，光譜圖像上則表現(xiàn)為1 000 nm處光譜曲線不連續(xù)（圖1－A），為消除偏差，用 ViewSpec Pro 6.0軟件進(jìn)行斷點(diǎn)校正。圖1可看到消除偏差的光譜圖像對比。

圖1 原始光譜曲線和校正后光譜曲線

利用ViewSpec Pro 6.0光譜處理軟件對小麥冠層反射光譜數(shù)據(jù)進(jìn)行處理，剔除偏差較大的曲線，取平均值作為小麥樣品的光譜反射率。受光譜儀本身和測量環(huán)境的影響，光譜儀工作波段有噪音影響，為消除或減弱光譜測定中風(fēng)速、光照條件等影響，對冠層光譜反射率曲線進(jìn)行變換。研究表明，微分技術(shù)能提高光譜數(shù)據(jù)與葉綠素含量的相關(guān)性。采用光譜微分技術(shù)，計算光譜梯度，確定光譜拐點(diǎn)以及最大值與最小值反射率波長位置，光譜的低階處理對環(huán)境和儀器噪聲有去除作用[24]。因此，本試驗(yàn)對光譜反射率數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)、對數(shù)和倒數(shù)變換。

1.2.2 SPAD值處理 對采集到的200個小麥冠層SPAD樣本數(shù)據(jù)進(jìn)行檢查篩選，從中剔除7個異常樣本后，對193個SPAD樣本進(jìn)行描述性統(tǒng)計，SPAD含量平均值為57.2，最大值67.0，最小值46.2，標(biāo)準(zhǔn)差為4.1，變異系數(shù)為7.17%。說明總體SPAD值處于相似水平，差異較小。

1.2.3 SPAD估測模型建立 首先，將小麥冠層SPAD與光譜波段進(jìn)行相關(guān)性分析，得出顯著相關(guān)的波段即敏感波段，進(jìn)而建立基于單個敏感波段和多敏感波段組合的冠層SPAD值估測模型。另一方面，植被指數(shù)作為通過光譜波段的線性與非線性組合生成的表征植被狀況的一種光譜定量指標(biāo)，能夠消除一定土壤、水體等影響，經(jīng)常被用來反演植被葉綠素。因此，本文利用常用的4種植被指數(shù)：歸一化植被指數(shù)NDVI、比值植被指數(shù)RVI、土壤調(diào)節(jié)植被指數(shù)SAVI和生理反射植被指數(shù)PRI（表1），構(gòu)建基于植被指數(shù)的小麥冠層SPAD值估測模型。其中，生理反射植被指數(shù)PRI中Rref是個參考波段，根據(jù)分析出的敏感波段，選擇為R570。

表1 采用的4種植被指數(shù)

2 結(jié)果與分析

2.1 光譜變換分析

對小麥冠層反射率曲線進(jìn)行倒數(shù)、對數(shù)和一階微分變換的結(jié)果如圖2所示。

圖2 小麥冠層反射率及變換曲線

從圖2可以看出，反射率經(jīng)對數(shù)變換后，曲線與原始反射率曲線的走勢一致，2條曲線波峰和波谷的位置處于同一波段，且對數(shù)變換弱化了曲線起伏趨勢；倒數(shù)變換后，曲線與反射率曲線呈相反走勢，未能更好突出原始反射率曲線的起伏趨勢；而經(jīng)過導(dǎo)數(shù)變換后，曲線的趨勢與變換前出現(xiàn)了更大波動，有明顯的峰值波段。因此，光譜反射率一階可更好尋找敏感波段。

從反射率導(dǎo)數(shù)曲線圖中可以看出，在可見光范圍內(nèi)，存在一個510～580 nm的反射小高峰，峰值波段為550 nm，兩側(cè)呈現(xiàn)反射低谷，此為植被色素強(qiáng)吸收藍(lán)紫光和黃紅光，而在綠光波段表現(xiàn)反射峰。在700～780 nm光譜曲線急劇上升，在780～1 300 nm形成了反射高臺，被稱為“紅外高臺階”，1 300～2 500 nm的光譜反射率主要受植物水吸收紅外線影響，呈現(xiàn)明顯的鋸齒狀，為水的噪音影響。因此，在相關(guān)性分析之前對數(shù)據(jù)進(jìn)行篩選，刪除了 1350～1430，1800～1960，2345～2500nm的噪聲數(shù)據(jù)。由反射率曲線和反射率導(dǎo)數(shù)曲線可以得到紅邊位置，即植被光譜反射率在700～750 nm增長最快的點(diǎn)，也是反射率一階導(dǎo)數(shù)在此區(qū)間的拐點(diǎn)，對比2個圖可以看出，728 nm就是紅邊位置。

2.2 葉綠素含量與原始光譜及反射率一階導(dǎo)數(shù)的相關(guān)性分析

對小麥冠層SPAD值與原始光譜反射率和光譜一階導(dǎo)數(shù)進(jìn)行相關(guān)性進(jìn)行分析，結(jié)果如圖3所示。

圖3 反射率及一階導(dǎo)數(shù)與SPAD的相關(guān)性

從圖3反射率與葉綠素相關(guān)性曲線可以看出，在整個光譜區(qū)間中反射率與SPAD的相關(guān)關(guān)系都是正相關(guān)，且550，725，1 349 nm波段的光譜反射率與SPAD值的相關(guān)性較大，可作為葉綠素的敏感波段；在可見光范圍內(nèi)大部分光譜區(qū)間反射率與SPAD相關(guān)系數(shù)都達(dá)到0.35以上，但是676 nm左右的相關(guān)系數(shù)卻低于0.3。從圖3反射率一階導(dǎo)數(shù)與SPAD的相關(guān)曲線中可以得出，871，1 994，1 468，1 995 nm 波段的反射率導(dǎo)數(shù)與SPAD相關(guān)性較大，可以作為敏感波段；同時看出，與原始反射率相比，部分反射率一階導(dǎo)數(shù)與SPAD的相關(guān)性更大。

2.3 基于敏感波段的葉綠素估測模型

在SPSS軟件中將各種變換后得到的敏感波段與SPAD進(jìn)行11種形式的曲線回歸建模，結(jié)果如圖4所示。

圖4 敏感波段回歸模型精度曲線

由圖4可知，R′871建立的模型中擬合度最高的是二次和三次模型，R2均為0.271；R′1994、R′1468、R′1995和 R550建立的模型中擬合度最高的均是三次模型，R2分別是 0.344，0.398，0.442，0.151；R725建立的曲線模型中有多個模型R2是0.166，R1349建立的曲線模型中有多個模型R2是0.181。由曲線可得出，由反射率敏感波段（R550、R725和R1349）構(gòu)建的模型擬合度均小于反射率導(dǎo)數(shù)敏感波段（R′871、R′1994、R′1468和 R′1995） 所構(gòu)建的模型，且模型精度曲線趨近直線；反射率導(dǎo)數(shù)構(gòu)建的模型精度曲線中，R′871的模型精度曲線平緩，R′1994和 R′1468次之，R′1995的曲線起伏程度最大，經(jīng)比較，R′1995模型擬合度最高，R′871模型擬合度最低。總體而言，單一敏感波段與SPAD的曲線回歸擬合度和準(zhǔn)確度整體不高。

在此基礎(chǔ)上，將相關(guān)分析后得到的單一敏感波段篩選組合，進(jìn)行多個自變量的回歸分析，建立多元線性回歸模型，并對所建立的線性回歸模型進(jìn)行比較，進(jìn)而找出擬合度較高的模型（表2）。經(jīng)過調(diào)整，得出對小麥冠層SPAD數(shù)據(jù)擬合模型精度較高的敏感波段組合依此為：R′871，R1349，R725，R′1995＞ R′871，R′1995＞ R′1460，R′1468，R′871，R′587＞ R′1468，R′1460，R′871，以R′871，R1349，R725，R′1995多元線性回歸模型為最佳估測模型，方程為：Chl=85 619R′871+7 047.345R′1995－ 67.081R1349+74.421R725+41.612，決定系數(shù)R2=0.668，調(diào)整R2=0.632，擬合度較好。

表2 擬合度較高的多元線性回歸模型

2.4 基于植被指數(shù)的葉綠素估測模型

將上述4種植被指數(shù)在SPSS軟件中進(jìn)行回歸分析，結(jié)果如圖5所示。

圖5 葉綠素含量指標(biāo)與植被指數(shù)回歸分析結(jié)果

經(jīng)分析，NDVI的二次方程、RVI的指數(shù)方程、SAVI的對數(shù)方程和PRI的線性方程分別是其模型中擬合度最好的，比較各回歸模型的決定系數(shù)，各植被指數(shù)建立的SPAD含量預(yù)測模型中精度表現(xiàn)為：NDVI＞ RVI＞ SAVI＞ PRI，其中 NDVI建立的模型擬合度最高，估測方程為：y=61.978x2－34.426x+54.089，其中，y為小麥冠層葉綠素含量指標(biāo)SPAD值，x為NDVI指數(shù)，R2為0.845，模型精度較高。

3 結(jié)論與討論

本研究采集了小麥冠層光譜反射率與SPAD值，利用光譜數(shù)據(jù)及反射率一階導(dǎo)數(shù)的相關(guān)性確定敏感波段，并用SPAD值作為葉綠素總量與光譜數(shù)據(jù)和植被指數(shù)構(gòu)建模型，取得效果良好。

反射率經(jīng)對數(shù)變換和倒數(shù)變換后，曲線與原始反射率曲線的走勢一致或相反，2條曲線波峰和波谷與原始反射率曲線處于同一波段，甚至弱化了曲線起伏趨勢，相對原始光譜沒有優(yōu)勢，而經(jīng)過導(dǎo)數(shù)變換后，曲線的趨勢與變換前出現(xiàn)了波動，有明顯的峰值波段，可以用光譜反射率一階導(dǎo)數(shù)和原始光譜反射率尋找敏感波段。

小麥冠層光譜反射率與葉綠素含量密切相關(guān)，總體呈正相關(guān)，在1 180～1 300 nm相關(guān)系數(shù)最大，在550，725，1349 nm相關(guān)系數(shù)較大。在871，1 468，1 994，1 995 nm 的光譜反射率一階導(dǎo)數(shù)與葉綠素含量相關(guān)性顯著，大于光譜反射率與葉綠素的相關(guān)性。

小麥冠層光譜反射率預(yù)測葉綠素含量可行?；诿舾胁ǘ闻cSPAD構(gòu)建線性回歸模型中最佳模型為 R′871，R1349，R725，R′1995多元線性回歸模型，表達(dá)式為 Chl=85 619R′871+7 047.345R′1995－67.081R1349+74.421R725+41.612，決定系數(shù)R2=0.668，調(diào)整R2=0.632。用植被指數(shù)與SPAD建立模型中最佳模型是NDVI的二次模型，模型為y=61.978x2－34.426x+54.089，決定系數(shù) R2為0.845?；谥脖恢笖?shù)NDVI的二次估測模型效果優(yōu)于基于敏感波段的多元線性回歸模型。

本研究采用了小麥冠層的SPAD值，沒有測量實(shí)際的葉綠素含量，用SPAD值來表達(dá)葉綠素與光譜數(shù)據(jù)的相關(guān)性和模型，與真實(shí)值存在一定的差異；另外，冠層數(shù)據(jù)因受儀器穩(wěn)定性和環(huán)境條件影響出現(xiàn)了一定的噪聲干擾，文中簡單刪除了噪聲影響波段，而更準(zhǔn)確有效的噪音去除方法仍有待進(jìn)一步探索。

[1]馮美臣,楊武德.小麥遙感估產(chǎn)研究進(jìn)展與發(fā)展趨勢[J].作物研究,2005,19(4):251－254.

[2]顧駿飛,周振翔,李志康,等.水稻低葉綠素含量突變對光合作用及產(chǎn)量的影響[J].作物學(xué)報,2016,42(4):551－560.

[3]LUKAS V,RODRIGUEZ－MORENO F,DRYSLOVA T,et al.Effectiveness of chlorophyll meter measurement in winter wheat at field scale level[J].Agriculture,2014,60(2):41－49.

[4]王瑞,陳永忠,陳隆升,等.油茶葉片SPAD值與葉綠素含量的相關(guān)分析[J].中南林業(yè)科技大學(xué)學(xué)報,2013,33(2):77－80.

[5]王平榮,張帆濤,高家旭,等.高等植物葉綠素生物合成的研究進(jìn)展[J].西北植物學(xué)報,2009,29(3):629－636.

[6]BEERI O,PELED A.Spectral indices for precise agriculture monitoring[J].International journal of remote sensing,2006,27(9/10):2039－2047.

[7]MLADEN J,LUKA S,DOMAGOJZ,etal.Technicaland technological aspects in plant protection in the precision farming system[J].Poljoprivreda,2007,21(1):75－81.

[8]李志宏,劉宏斌,張福鎖,等.應(yīng)用葉綠素儀診斷冬小麥營養(yǎng)狀況的研究[J].植物營養(yǎng)肥料學(xué)報,2003,9(4):401－405.

[9]張佳華,姚鳳梅,李秉柏,等.星－地光學(xué)遙感信息監(jiān)測水稻高溫?zé)岷ρ芯窟M(jìn)展[J].中國科學(xué)：地球科學(xué)，2011,41(10):1396－1406.

[10]THOMAS J R,OERTHER G F.Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J].Argon,1972,64:11－13.

[11]張良培,張立福.高光譜遙感[M].武漢:武漢大學(xué)出版社,2005.

[12]DAUGHTRY C T,WALTHALL C L,KIM M S,et al.Estimating corn leaf chlorophyll concentration from leafand canopy reflectance[J].Remote sensing of environment,2000,74(2):229－239.

[13]譚琨.高光譜遙感影像半監(jiān)督分類研究[M].徐州:中國礦業(yè)大學(xué)出版社,2014.

[14]郭鈮.植被指數(shù)及其研究進(jìn)展[J].干旱氣象,2003,21(4):71－75.

[15]李映雪,朱艷,曹衛(wèi)星.不同施氮條件下小麥冠層的高光譜和多光譜反射特征[J].麥類作物學(xué)報,2006,26(2):103－108.

[16]李敏夏,張林森,李丙智,等.蘋果葉片高光譜特性與葉綠素含量和SPAD值的關(guān)系[J].西北林學(xué)院學(xué)報,2010,25(2):35－39.

[17]趙祥,劉素紅,王培娟,等.基于高光譜數(shù)據(jù)的小麥葉綠素量反演[J].地理與地理信息科學(xué),2004,20(3):36－39.

[18]黃慧,王偉,彭彥昆,等.利用高譜掃描技術(shù)檢測小麥葉片葉綠素含量[J].光譜學(xué)與光譜分析,2010,30(7):1811－1814.

[19]程志慶,張勁松,孟平,等.植被數(shù)高光譜遙感反演最佳波段提取算法的改進(jìn)[J].農(nóng)業(yè)工程學(xué)報,2015,31(12):179－185.

[20]潘蓓,趙庚星,朱西存,等.利用高譜植被指數(shù)估測蘋果樹冠層葉綠素含量[J].光譜學(xué)與光譜分析,2013,33(8):2203－2206.

[21]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(xué)報,2009,25(S2):123－129.

[22]TAN C W,SAMANTA A,JIN X L,et al.Using hyperspectral vegetation indices to estimate the fraction of photosynthetically active radiation absorbed by corn canopies[J].International journal of remote sensing,2013,34(24):8789－8802.

[23]GEYER M,HEROLD B,ZUDE M,et al.Non－destructive evaluation of apple fruit maturity on the tree[J].Vegetable crops research bulletin,2007,66(66):161－169.

[24]陳紅艷.土壤主要養(yǎng)分含量的高光譜估測研究[D].泰安:山東農(nóng)業(yè)大學(xué),2012.

[25]MILLER J R,HARE E W,WU J,et al.Quantitative characterization of the vegetation red edge reflectance 1.An inverted－Gaussian reflectance model[J].International journal of remote sensing,1990,11(10):1755－1773.

[26]ANDERSON G L,HANSON J D,HAAS R H,et al.Evaluating landsat thematic mapper derived vegetation indices for estimating above－ground biomass on semiarid rangelands[J].Remote sensing of environment,1993,45(2):165－175.

[27]HUETE A R.A Soil－Adjusted vegetation index(SAVI)[J].Remote sensing of environment,1988,25(3):295－309.

[28]GAMON J A,PENUELAS J,FIELD C B,et al.A narrowwaveband spectral index that tracks diurnal changes in photosynthetic efficiency[J].Remote sensing of environment,1992,41(1):35－44.