楚萬(wàn)林，齊雁冰，常慶瑞，蒲　潔

(西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院，陜西 楊凌 712100)

?

棉花冠層葉片葉綠素含量與高光譜參數(shù)的相關(guān)性

楚萬(wàn)林，齊雁冰，常慶瑞，蒲潔

(西北農(nóng)林科技大學(xué) 資源環(huán)境學(xué)院，陜西 楊凌 712100)

【目的】 研究棉花冠層葉片葉綠素含量與高光譜參數(shù)的相關(guān)性，建立葉綠素含量估算模型。【方法】 2014年，以魯棉研28號(hào)為研究對(duì)象，測(cè)定不同施氮水平和生育期棉花冠層葉片葉綠素含量及350～2 500 nm光譜反射率，以棉花冠層高光譜反射率與冠層葉片葉綠素含量為數(shù)據(jù)源，在分析葉綠素含量與原始高光譜反射率(R)、一階導(dǎo)數(shù)光譜反射率(DR)、光譜提取變量和植被指數(shù)相關(guān)性的基礎(chǔ)上，采用一元線性與多元逐步回歸的方法構(gòu)建了葉綠素含量估算模型，并對(duì)從中篩選的6種棉花冠層葉片葉綠素含量估算模型進(jìn)行精度對(duì)比。【結(jié)果】 1)棉花冠層葉片葉綠素含量在反射光譜766 nm處相關(guān)系數(shù)達(dá)到最大值，相關(guān)系數(shù)r=0.836；對(duì)于一階導(dǎo)數(shù)光譜，葉綠素含量的敏感波段發(fā)生在753 nm處，r=0.878；2)以9種光譜提取變量與8種植被指數(shù)為自變量,建立葉綠素含量的估算模型，篩選出的特征變量為紅邊面積(SDr)、綠峰與紅谷的歸一化值((Rg-Rr)/(Rg+Rr))、綠峰幅值(Rg)，僅采用8種常用植被指數(shù)建立估算模型，篩選出的變量為比值植被指數(shù)(RVI)；3)所建立的6種模型中以基于一階導(dǎo)數(shù)光譜反射率建立的多元逐步回歸估算模型精度最高，均方根誤差(RMSE)為1.075，相對(duì)誤差(RE)為2.22%，相關(guān)系數(shù)(r)為0.952?！窘Y(jié)論】 采用原始光譜、一階導(dǎo)數(shù)光譜、光譜提取變量及植被指數(shù)均可對(duì)棉花葉綠素含量進(jìn)行監(jiān)測(cè)，其中基于一階導(dǎo)數(shù)光譜的多元逐步回歸模型對(duì)葉綠素含量的估算效果最優(yōu)。

棉花；葉綠素含量；高光譜；植被指數(shù)

葉綠素是綠色植物光合作用的重要色素，影響到作物與外界的物質(zhì)能量交換及作物的物質(zhì)積累，其含量的高低對(duì)植物光合效率、發(fā)育狀況等有重要的指示作用[1-2]，因而作物葉綠素含量的估測(cè)是監(jiān)測(cè)作物長(zhǎng)勢(shì)的有效手段。同時(shí)，作物葉片的葉綠素含量與作物反射光譜之間聯(lián)系緊密。因此，高光譜遙感技術(shù)為作物葉綠素含量的估測(cè)提供了一種更為簡(jiǎn)便、有效、快捷的方法。近年來(lái)，基于高光譜遙感的葉綠素含量的研究在國(guó)內(nèi)外得到了廣泛地開(kāi)展，但這些研究大多是對(duì)小麥[1,3-4]、水稻[5-7]、玉米[2,8-9]等糧食作物的研究，對(duì)棉花這種重要經(jīng)濟(jì)作物的報(bào)道相對(duì)較少，且現(xiàn)有報(bào)道主要集中在以下3個(gè)方面：1)在不同施肥或灌溉等條件下的棉花冠層光譜特性[10]；2)以原始光譜反射率或者一階導(dǎo)數(shù)光譜反射率為基礎(chǔ)數(shù)據(jù)，求得葉綠素的敏感波段，并以此波段作為自變量建立回歸方程，對(duì)葉綠素含量進(jìn)行估測(cè)[11-12]；3)以紅邊面積、紅邊位置、紅光吸收谷、綠色反射峰、不同類型植被指數(shù)等光譜數(shù)據(jù)的多種變換形式中的一種或幾種作為估測(cè)葉綠素含量的變量，通過(guò)相關(guān)分析，確定這些不同變化形式的光譜數(shù)據(jù)與葉綠素含量的相關(guān)性，進(jìn)而建立葉綠素含量的預(yù)測(cè)模型[13-15]?；诟吖庾V的農(nóng)作物葉綠素模型估算是一個(gè)復(fù)雜的過(guò)程，其結(jié)果受到光譜處理方法、回歸方法及所選指標(biāo)靈敏性的影響，只有對(duì)模型各種影響因素進(jìn)行系統(tǒng)分析對(duì)比，才能篩選出適宜的估算模型。

另外，國(guó)內(nèi)的棉花研究區(qū)域主要集中在新疆地區(qū)[16-18]，這些研究大多集中在對(duì)葉綠素密度的研究上，而對(duì)棉花冠層葉片葉綠素含量的研究較少，且對(duì)渭北旱塬區(qū)棉花冠層葉片葉綠素含量的研究尚未見(jiàn)到，光照條件對(duì)棉花生長(zhǎng)周期有顯著的影響，區(qū)域的不同導(dǎo)致對(duì)棉花大面積遙感監(jiān)測(cè)有不同的要求。因此，本研究將試驗(yàn)區(qū)設(shè)置在渭北旱塬區(qū)，對(duì)不同施氮水平下的棉花冠層光譜反射特性進(jìn)行分析，以單波段的原始光譜反射率和一階導(dǎo)數(shù)光譜反射率作為自變量與葉綠素含量進(jìn)行相關(guān)性分析，篩選出葉綠素含量的敏感波段，并進(jìn)一步以原始光譜、一階微分光譜及光譜數(shù)據(jù)的不同變化形式(如紅邊位置、紅邊面積、植被指數(shù)等)作為自變量，建立葉綠素含量的估算模型，并全面對(duì)比所建立模型在棉花冠層葉綠素含量估測(cè)中的精度，確定能夠較好地進(jìn)行葉綠素含量估算的光譜變量，為大面積、無(wú)損和及時(shí)獲取棉花冠層葉綠素含量信息提供依據(jù)。

1　材料與方法

1.1試驗(yàn)設(shè)計(jì)

試驗(yàn)于2014年在陜西省乾縣齊南村進(jìn)行，供試棉花品種為魯棉研28號(hào)，每個(gè)小區(qū)面積為200 m2，設(shè)置5個(gè)氮肥梯度，分別為N0(不施氮)、N1(37.5 kg/hm2純氮)、N2(75 kg/hm2純氮)、N3(112.5 kg/hm2純氮)、N4(150 kg/hm2純氮)，每個(gè)梯度設(shè)置3個(gè)重復(fù)，隨機(jī)排列，氮肥在播種前以碳銨一次性施入，其管理方式同常規(guī)大田。棉花種植方式為地膜覆蓋壟種，行距為70 cm，待棉花出苗20 d后定株距為60 cm。

1.2冠層光譜數(shù)據(jù)采集與葉綠素含量的測(cè)定

使用美國(guó)SVCHR 1024i型便攜式高光譜儀采集冠層光譜數(shù)據(jù)，波段范圍350～2 500 nm，其中350～1 000 nm區(qū)間光譜分辨率為1.4 nm，1 000～1 850 nm區(qū)間光譜分辨率為3.8 nm，1 850～2 500 nm區(qū)間光譜分辨率為2.4 nm。選擇試驗(yàn)區(qū)各施肥梯度大田內(nèi)長(zhǎng)勢(shì)不同且無(wú)病蟲(chóng)危害的樣本點(diǎn)，分別在棉花苗期(06-20)、現(xiàn)蕾期(07-15)、開(kāi)花期(08-05)、花鈴期(08-25)、盛鈴期(09-15)、吐絮期(10-04)等關(guān)鍵生育時(shí)期進(jìn)行棉花群體冠層光譜測(cè)定，測(cè)定時(shí)間選擇在晴朗無(wú)云無(wú)風(fēng)的11:00-14:00，測(cè)定前經(jīng)參考板(白板)標(biāo)定，傳感器探頭垂直向下，距離棉花冠層頂部約1 m，光譜儀視場(chǎng)角選用8°，光譜掃描時(shí)間設(shè)定在5 s，每樣點(diǎn)測(cè)5條曲線，最后用其平均值作為該樣點(diǎn)的光譜反射值。

葉綠素計(jì)(Chlorophyll meter)是一種新型的便攜儀器，它是以葉綠素對(duì)紅光(650 nm左右)和紅外光(940 nm左右)的吸收特性為原理，進(jìn)而測(cè)定作物葉片葉綠素含量的相對(duì)值。多數(shù)研究表明，SPAD-502葉綠素含量測(cè)定儀測(cè)定的SPAD值與葉綠素含量之間呈極顯著相關(guān)，能夠代表葉綠素含量值[19-24]。因此，本研究采用SPAD-502葉綠素儀測(cè)定值作為葉綠素含量值，選擇在檢測(cè)冠層光譜對(duì)應(yīng)位置處測(cè)定SPAD值，每個(gè)樣點(diǎn)重復(fù)采集多次，求其平均值作為該樣點(diǎn)處的葉綠素含量值。

1.3模型參數(shù)的選取

為建立不同光譜參數(shù)的棉花冠層葉綠素含量預(yù)測(cè)模型，評(píng)價(jià)不同模型的預(yù)測(cè)精度，進(jìn)而篩選出預(yù)測(cè)葉綠素含量的特征變量和最優(yōu)模型，本研究采用3類高光譜特征參數(shù)進(jìn)行模型構(gòu)建。

1)葉綠素含量對(duì)于原始光譜和一階導(dǎo)數(shù)光譜的敏感波段，以及350～1 100 nm原始光譜反射率和一階導(dǎo)數(shù)光譜反射率。光譜的一階微分方法是對(duì)原始反射光譜進(jìn)行一階微分，近似計(jì)算方法是：

式中：λi為通道i處的波長(zhǎng)，R(λi)為波長(zhǎng)λi處的光譜反射值，Δλ為相鄰波長(zhǎng)間隔。

2)基于原始光譜與一階導(dǎo)數(shù)光譜變量的提取。提取變量有綠峰幅值Rg(綠光范圍510～560 nm內(nèi)的最大波段反射率)、綠峰位置λg(綠峰幅值處對(duì)應(yīng)的波長(zhǎng))、紅谷幅值Rr(紅光范圍640～680 nm內(nèi)的最小波段反射率)、紅谷位置λv(紅谷幅值處對(duì)應(yīng)的波長(zhǎng))、Rg/Rr(綠峰與紅谷的比值)、綠峰與紅谷的歸一化值(Rg-Rr)/(Rg+Rr)、紅邊幅值Dr(紅邊680～760 nm范圍內(nèi)最大的一階微分值)、紅邊位置λr(紅邊幅值處對(duì)應(yīng)的波長(zhǎng))、紅邊面積SDr(紅邊范圍內(nèi)的一階微分值總和)。

3)常用植被指數(shù)。主要有比值植被指數(shù)、歸一化植被指數(shù)、垂直植被指數(shù)、差值植被指數(shù)、土壤調(diào)整植被指數(shù)、轉(zhuǎn)換型土壤調(diào)整指數(shù)、修改型二次土壤調(diào)整指數(shù)、再歸一化植被指數(shù)。各指數(shù)的計(jì)算方式如下：

比值植被指數(shù)(RVI):RVI=RNIR/RRed；

差值植被指數(shù)(DVI):DVI=RNIR-RRed；

修改型二次土壤調(diào)整指數(shù)(MSAVI2):MSAVI2=0.5[2(RNIR+1)-

式中： RNIR為近紅外范圍內(nèi)第一個(gè)拐點(diǎn)對(duì)應(yīng)的波長(zhǎng)處光譜反射率；RRed為紅谷位置對(duì)應(yīng)波長(zhǎng)的光譜反射率；L為調(diào)整系數(shù)，L=0.5；a、b為土壤線系數(shù)，a=10.489，b=6.604[25]。

1.4數(shù)據(jù)處理

基礎(chǔ)數(shù)據(jù)輸入、相關(guān)性分析和逐步回歸分析、模型的構(gòu)建及其檢驗(yàn)、做圖等采用Excel2010與SPSS19.0完成。經(jīng)過(guò)異常值剔除后，本研究共選取78個(gè)樣本，其中60個(gè)作為測(cè)試樣本，18個(gè)作為精度檢驗(yàn)樣本。本研究利用相關(guān)系數(shù)(r)、相對(duì)誤差(RE)及均方根誤差(RMSE)3個(gè)指標(biāo)進(jìn)行模型精度的檢驗(yàn)。通常認(rèn)為，r值越接近于1，且RMSE與RE的值越小，預(yù)測(cè)方程求得的估算值與實(shí)測(cè)值的擬合效果越好，模型的精度越高。RMSE、RE的計(jì)算公式如下：

2　結(jié)果與分析

2.1棉花冠層的反射特性

由于本研究涉及的因素相對(duì)較多，不能一一列出，因此僅選出現(xiàn)蕾期不同氮素處理和N4水平下不同生長(zhǎng)期的冠層光譜曲線進(jìn)行分析，結(jié)果如圖1所示。由圖1可以看出，不同施氮水平和不同生育期的棉花冠層光譜的反射率均有一定的差別。對(duì)于不同的氮處理，棉花冠層光譜反射率在可見(jiàn)光范圍內(nèi)(400～680 nm)隨施氮量的增加而呈現(xiàn)降低的趨勢(shì)，這主要是由于葉綠素含量隨著施氮水平的增長(zhǎng)而增加，而葉綠素與其他色素對(duì)植被在可見(jiàn)光范圍內(nèi)的光譜反射率有決定性作用[26]。冠層光譜反射率在近紅外范圍內(nèi)(780～1 300 nm)隨施氮量增加呈現(xiàn)明顯的增長(zhǎng)趨勢(shì)，這是由于近紅外范圍內(nèi)的光譜反射率受葉片細(xì)胞的排列方式與植被整體結(jié)構(gòu)影響較大[27]，因此與施氮量關(guān)系密切。對(duì)于不同生育時(shí)期，在可見(jiàn)光范圍內(nèi)，冠層光譜的反射率隨生育進(jìn)程的推進(jìn)而不斷減小，在吐絮期達(dá)到最小值；在近紅外范圍內(nèi)，從苗期到花鈴期反射率逐漸增加，花鈴期到吐絮期反射率明顯降低，這與棉花冠層葉片葉綠素含量變化及冠層結(jié)構(gòu)改變關(guān)系密切。棉花從苗期到花鈴期覆蓋度增加，葉綠素含量與水分累積量增大，從而增強(qiáng)了對(duì)近紅外的反射與對(duì)可見(jiàn)光的吸收；而在盛鈴期與吐絮期，棉花營(yíng)養(yǎng)生長(zhǎng)基本停止，光合作用不斷減弱，導(dǎo)致冠層光譜反射率不斷降低。

圖 1　不同氮素處理(A)及不同生育時(shí)期(B)棉花冠層光譜反射率

2.2棉花冠層葉片葉綠素含量與光譜變量的相關(guān)分析

2.2.1葉綠素含量與原始光譜以及一階導(dǎo)數(shù)光譜的相關(guān)性棉花冠層葉片葉綠素含量與原始光譜及其一階導(dǎo)數(shù)光譜的相關(guān)性如圖2所示。

圖 2　棉花冠層葉片葉綠素含量與原始光譜(A)及其一階導(dǎo)數(shù)光譜(B)的相關(guān)性

圖2顯示，葉綠素含量與原始光譜的相關(guān)性整體上略低于與一階導(dǎo)數(shù)光譜的相關(guān)性。通過(guò)分析可知，葉綠素含量與原始光譜及一階導(dǎo)數(shù)光譜的敏感波段分別發(fā)生在766和753 nm，最大相關(guān)系數(shù)分別為0.836和0.878，均達(dá)到了P<0.01(r0.01=0.29)極顯著相關(guān)水平。該結(jié)果與多數(shù)研究已經(jīng)證明的葉片葉綠素敏感波段在670～770 nm范圍內(nèi)的結(jié)果一致[9,12,15,28]。

2.2.2葉綠素含量與提取變量及植被指數(shù)的相關(guān)性由表1和表2可看出，棉花冠層葉片葉綠素含量與大部分光譜提取變量和植被指數(shù)的相關(guān)性較好，與葉綠素含量相關(guān)性達(dá)到極顯著水平的光譜提取變量有SDr、Dr、λr、λg、Rr、Rg/Rr、(Rg-Rr)/(Rg+Rr)，達(dá)到顯著水平的僅有λv，而Rg與葉綠素含量的相關(guān)性不顯著，相關(guān)系數(shù)最高的是SDr，r=0.796；所選取的植被指數(shù)均與葉綠素含量呈極顯著相關(guān)，相關(guān)系數(shù)最高的是RVI，r=0.562。

表 1　棉花冠層葉片葉綠素含量與光譜提取變量的相關(guān)性Table 1　Correlations between chlorophyll content of cotton canopy leaf and spectral variables

注：**表示相關(guān)性達(dá)極顯著水平(P≤0.01)，*表示相關(guān)性達(dá)顯著水平(P≤0.05)。下表同。

Note:** Significant (P≤0.01)，* Significant (P≤0.05).The same below.

表 2　棉花冠層葉片葉綠素含量與植被指數(shù)的相關(guān)性Table 2　Correlations between chlorophyll content of cotton canopy leaf and vegetation indexes

2.3棉花冠層葉片葉綠素含量估算模型的建立

浦瑞良等[25]指出，逐步回歸分析方法能夠確定某種化學(xué)成分的重要波長(zhǎng)位置，進(jìn)而說(shuō)明該波段值與化學(xué)成分有很好的相關(guān)性。因此為了能夠篩選出葉綠素含量的特征變量，建立精度較高的估算模型，本研究主要采用線性回歸(Linear regression，LR)和多元逐步回歸(Multiply stepwise regression，MSR)方法構(gòu)建葉綠素含量的高光譜估算模型。

2.3.1基于原始光譜和一階導(dǎo)數(shù)光譜的葉綠素含量估算模型以葉綠素含量的敏感波段處反射率值為自變量(x)，以葉綠素含量為因變量(y)，構(gòu)建葉綠素含量一元線性估算模型；以350～1 100 nm波段原始光譜反射率和一階導(dǎo)數(shù)光譜反射率作為自變量，運(yùn)用逐步回歸的方法，建立葉綠素含量逐步回歸方程，結(jié)果如表3所示，其中要求入選變量的回歸系數(shù)相伴概率小于0.05，與葉綠素含量達(dá)到顯著水平。從表3可以看出，基于一階導(dǎo)數(shù)光譜的葉綠素含量一元線性回歸模型精度優(yōu)于基于原始光譜的一元線性回歸模型，基于一階導(dǎo)數(shù)光譜的葉綠素含量多元逐步回歸模型精度優(yōu)于基于原始光譜的多元逐步回歸模型。由于參與分析的數(shù)據(jù)組不同，模型的精度會(huì)隨之發(fā)生變化，多元逐步回歸得到的線性模型更是如此[25]?？芍谝浑A導(dǎo)數(shù)光譜的葉綠素含量估算模型相對(duì)較好。另外，基于一階導(dǎo)數(shù)光譜的七元線性模型也較好，確定系數(shù)R2=0.907，達(dá)到極顯著水平。

2.3.2基于冠層光譜提取變量與植被指數(shù)的葉綠素含量估算模型逐步回歸方法是篩選與葉綠素含量關(guān)系緊密的光譜變量的有效方法，能夠找出估算葉綠素的特征變量。從表4可以得出，以17種光譜數(shù)據(jù)變換形式(其中9種為光譜提取變量，8種為植被指數(shù))作為自變量，進(jìn)行逐步回歸分析建立的葉綠素含量估算模型確定系數(shù)較高，復(fù)確定系數(shù)R2=0.791，并且達(dá)到極顯著水平，從中篩選出的自變量有SDr、(Rg-Rr)/(Rg+Rr)、Rg，回歸系數(shù)相伴概率均小于0.01，說(shuō)明篩選出的該3種特征變量的回歸系數(shù)顯著性檢驗(yàn)均達(dá)到了極顯著水平。在進(jìn)行逐步回歸分析的17種光譜數(shù)據(jù)變換形式中，植被指數(shù)未被篩選出，這說(shuō)明植被指數(shù)對(duì)棉花葉綠素含量的敏感性不強(qiáng)。本研究進(jìn)一步運(yùn)用8種植被指數(shù)作為自變量，建立逐步回歸方程，發(fā)現(xiàn)僅有RVI被篩選出，復(fù)確定系數(shù)為0.316，達(dá)到極顯著水平，且回歸系數(shù)顯著性檢驗(yàn)也達(dá)到顯著水平，說(shuō)明RVI可以用來(lái)估測(cè)棉花葉綠素含量，只是沒(méi)有采用SDr、(Rg-Rr)/(Rg+Rr)、Rg為自變量構(gòu)建的模型的估測(cè)效果好。

表 3　基于原始光譜以及一階導(dǎo)數(shù)光譜的棉花冠層葉片葉綠素含量估算模型Table 3　Chlorophyll content of cotton canopy leaf estimation models based on raw reflectance and derivative reflectance

注：R-LR、R-MSR分別表示基于原始光譜的線性回歸模型和多元逐步回歸模型；DR-LR、DR-MSR表示基于一階導(dǎo)數(shù)光譜的線性回歸模型和多元逐步回歸模型；Rn表示波段n處的原始光譜反射率值；DRn表示波段n處的一階導(dǎo)數(shù)光譜反射率值。

Note：R-LR.The linear regression prediction model based on raw spectral;R-MSR is the multiply stepwise regression prediction model based on raw spectral;DR-LR is the linear regression prediction model based on the first derivative spectral;DR-MSR is the multiply stepwise regression prediction model based on the first derivative spectral;Rnis the raw spectral reflectance at wavelengthn,DRnis the first derivative spectral reflectance at wavelengthn.

表 4　基于不同光譜數(shù)據(jù)變換形式的棉花冠層葉片葉綠素含量估算模型Table 4　Chlorophyll content of cotton canopy leaf estimation models based on different spectral data transformation forms

注：序號(hào)1是以8種植被指數(shù)作為自變量進(jìn)行逐步回歸的估測(cè)模型，序號(hào)2是以17種光譜數(shù)據(jù)變換形式作為自變量進(jìn)行逐步回歸的估測(cè)模型。

Note:1 is the multiply stepwise regression prediction model based on 8 kinds of vegetation index；2 is the multiply stepwise regression prediction model based on 17 spectrum transform forms.

2.4棉花冠層葉片葉綠素含量估測(cè)模型的精度檢驗(yàn)

本研究采用18個(gè)隨機(jī)抽取的檢驗(yàn)樣本點(diǎn)對(duì)各回歸預(yù)測(cè)模型精度進(jìn)行評(píng)價(jià)，結(jié)果見(jiàn)表5。從表5可以看出，6種預(yù)測(cè)模型相關(guān)性均達(dá)到極顯著水平，基于原始光譜一元回歸模型和多元逐步回歸模型的估測(cè)精度低于相應(yīng)的基于一階導(dǎo)數(shù)光譜的葉綠素含量預(yù)測(cè)模型。在6種預(yù)測(cè)模型中，基于一階導(dǎo)數(shù)光譜的多元逐步回歸預(yù)測(cè)模型最優(yōu)，由該模型求得的葉綠素含量估測(cè)值與實(shí)測(cè)值間的r值最大，為0.952；RMSE與RE值均最小，分別是1.075和2.22%?；谥脖恢笖?shù)的多元逐步回歸預(yù)測(cè)模型雖也能夠?qū)θ~綠素含量進(jìn)行估測(cè)，但估測(cè)精度較低。綜上可知，構(gòu)建的6種棉花葉綠素含量預(yù)測(cè)模型均是可行的，但其估測(cè)效果有所不同，在估測(cè)的過(guò)程中可以依據(jù)采集的冠層光譜數(shù)據(jù)情況進(jìn)行擇優(yōu)選取。

表 5　棉花冠層葉片葉綠素含量估測(cè)模型的精度檢驗(yàn)Table 5　Performance analysis of the estimation models of chlorophyll content of cotton canopy leaf

為了直觀地反映各模型的預(yù)測(cè)效果，對(duì)隨機(jī)抽取的18個(gè)棉花葉綠素含量實(shí)測(cè)值與利用各模型求得的估算值進(jìn)行做圖分析，結(jié)果見(jiàn)圖3。

圖 3基于不同模型的棉花冠層葉片葉綠素含量的實(shí)測(cè)值與估測(cè)值分布

Fig.3Distribution of estimated and measured chlorophyll content of cotton canopy leaf based on different models

圖3中黑色實(shí)線表示的是1∶1線，點(diǎn)的分布越接近于該實(shí)線說(shuō)明模型預(yù)測(cè)效果越好。從圖3可見(jiàn)，基于一階導(dǎo)數(shù)光譜的多元逐步回歸模型其葉綠素含量估算值與實(shí)測(cè)值分布最接近于1∶1線，即該模型為最優(yōu)估算模型。

3　結(jié)論與討論

高光譜遙感與寬波段遙感相比具有光譜分辨率高和波段連續(xù)性強(qiáng)的特點(diǎn)，能夠獲得更為精細(xì)的光譜信息，是定量分析棉花冠層葉片葉綠素含量與光譜特征參數(shù)關(guān)系的重要工具，能夠更為精確地獲得葉綠素含量的敏感波段，有助于進(jìn)一步提高棉花葉綠素含量的高光譜估算精度。本研究基于棉花冠層光譜反射率與冠層葉片葉綠素含量的相關(guān)性分析，篩選出葉綠素含量的敏感波段，根據(jù)不同的光譜參數(shù)，建立棉花整個(gè)生育期內(nèi)葉片葉綠素含量的估算模型，為棉花葉綠素含量動(dòng)態(tài)監(jiān)測(cè)的實(shí)現(xiàn)提供了模型依據(jù)。在利用高光譜數(shù)據(jù)對(duì)葉綠素含量進(jìn)行估算時(shí)，通常使用兩類方法：一是基于原始光譜或者一階導(dǎo)數(shù)光譜數(shù)據(jù)，通過(guò)一元或者多元逐步回歸的方法，進(jìn)而建立高光譜數(shù)據(jù)與葉綠素含量之間的關(guān)系；二是基于不同的光譜數(shù)據(jù)變換形式，通過(guò)回歸分析方法建立與葉綠素含量之間的關(guān)系。靳彥華等[4]通過(guò)利用多種植被指數(shù)對(duì)水澆地與旱春地小麥葉綠素含量變化進(jìn)行了研究，認(rèn)為二次修正土壤調(diào)節(jié)植被指數(shù)能夠較好地估測(cè)小麥葉綠素含量。易秋香等[9]認(rèn)為，比值植被指數(shù)、歸一化植被指數(shù)與玉米葉綠素含量均呈現(xiàn)正相關(guān)，且比值植被指數(shù)與葉綠素含量的相關(guān)性優(yōu)于歸一化植被指數(shù)與葉綠素含量的相關(guān)性。王登偉等[12]對(duì)棉花葉綠素含量與高光譜數(shù)據(jù)進(jìn)行了多元統(tǒng)計(jì)的相關(guān)分析，發(fā)現(xiàn)葉綠素含量與一階導(dǎo)數(shù)光譜的相關(guān)性達(dá)到極顯著水平。

本研究不僅對(duì)不同條件下的棉花冠層光譜反射特性進(jìn)行了分析，而且對(duì)各變量與棉花冠層光譜的相關(guān)性進(jìn)行了探討，建立了基于不同變量的葉綠素含量估算模型，并檢驗(yàn)了各模型的預(yù)測(cè)精度，篩選出棉花葉綠素含量的特征變量及精度較高的預(yù)測(cè)模型。通過(guò)以上分析得到如下結(jié)論：1)棉花冠層光譜反射率在可見(jiàn)光范圍內(nèi)隨著施氮量的增加和生育期的推進(jìn)而降低；在近紅外范圍內(nèi)，反射率隨著施氮量的增加而升高，隨著生育期的推進(jìn)先升高后降低，在花鈴期達(dá)到最大值。2)棉花冠層原始光譜及一階導(dǎo)數(shù)光譜與棉花冠層葉片葉綠素含量的敏感波段分別在766和753 nm處。 3)將SDr、(Rg-Rr)/(Rg+Rr)、Rg作為自變量構(gòu)建的模型對(duì)葉綠素含量的估測(cè)效果較好，復(fù)確定系數(shù)R2=0.791，達(dá)到極顯著水平；用所選取的8種植被指數(shù)作為自變量進(jìn)行逐步回歸，構(gòu)建的預(yù)測(cè)模型雖達(dá)到極顯著水平，但建立估測(cè)模型時(shí)僅RVI被篩選出，且該模型的精度在6種模型中最差，證明植被指數(shù)對(duì)葉綠素含量的敏感性不強(qiáng)，估算效果沒(méi)有其他模型好。4)基于一階導(dǎo)數(shù)光譜一元回歸模型和多元逐步回歸估測(cè)模型的精度高于相應(yīng)的基于原始光譜的一元和多元回歸估測(cè)模型，并且基于一階導(dǎo)數(shù)光譜的多元逐步回歸預(yù)測(cè)模型的精度在6種模型中最高，是估算葉綠素含量的最優(yōu)模型。

[1]Broge N H,Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data [J].Remote Sensing of Environment,2002,81(1):45-57.

[2]Daughtry C S T,Walthall C L,Kim M S,et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance [J].Remote Sensing of Environment,2000,74(2):229-239.

[3]代輝,胡春勝,程一松,等.不同氮水平下冬小麥農(nóng)學(xué)參數(shù)與光譜植被指數(shù)的相關(guān)性 [J].干旱地區(qū)農(nóng)業(yè)研究,2005,23(4):16-21.

Dai H,Hu C S,Cheng Y S,et al.Correlation between agronomic parameters and spectral vegetation index in winter wheat under different nitrogen levels [J].Agricultural Research in the Arid Areas,2005,23(4):16-21.

[4]靳彥華,熊黑鋼,張芳,等.不同地類春小麥葉片葉綠素含量高光譜植被指數(shù)估算模型研究 [J].麥類作物學(xué)報(bào),2013,33(5):1012-1018.

Jin Y H,Xiong H G,Zhang F,et al.Models for estimating chlorophyll contents in spring wheat under different types of lands using hyperspectral vegetation indices [J].Journal of Triticeae Crops,2013,33(5):1012-1018.

[5]Haboudane D,Miller J R,Tremblay N,et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture [J].Remote Sensing of Environment,2002,81(2):416-426.

[6]金震宇,田慶久,惠鳳鳴,等.水稻葉綠素濃度與光譜反射率關(guān)系研究 [J].遙感技術(shù)與應(yīng)用,2003,18(3):134-137.

Jin Z Y,Tian Q J,Hui F M,et al.Study of relationship between rice chlorophyll concentration and rice reflectance [J].Remote Sensing Technology and Application,2003,18(3):134-137.

[7]徐新剛,趙春江,王紀(jì)華,等.新型光譜曲線特征參數(shù)與水稻葉綠素含量間的關(guān)系研究 [J].光譜學(xué)與光譜分析,2011,31(1):188-191.

Xu X G,Zhao C J,Wang J H,et al.Study on relationship between new characteristic parameters of spectral curve and chlorophyll content for rice [J].Spectroscopy and Spectral Analysis,2011,31(1):188-191.

[8]宋開(kāi)山,張柏,李方,等.玉米葉綠素含量的高光譜估算模型研究 [J].作物學(xué)報(bào),2005,31(8):1095-1097.

Song K S,Zhang B,Li F,et al.A hyperspectral model for estimating chlorophyll content in maize leaves [J].Acta Agronomica Sinica,2005,31(8):1095-1097.

[9]易秋香,黃敬峰,王秀珍,等.玉米葉綠素高光譜遙感估算模型研究 [J].科技通報(bào),2007,23(1):83-87.

Yi Q X,Huang J F,Wang X Z,et al.Hyperspectral remote sensing estimation models for chlorophyll concentration in corn [J].Bulletin of Science and Technology,2007,23(1):83-87.

[10]Thomas I,Ching N P,Benning V M,et al.A review of multi-channel indices of class separability [J].International Journal of Remote Sensing,1987,18(3):331-350.

[11]盧霞.沿海灘涂棉花葉片葉綠素含量高光譜遙感估算模型研究 [J].安徽農(nóng)業(yè)科學(xué),2011,39(12):7452-7454.

Lu X.Spectral characteristics and correlation analysis with chlorophyll content for cotton at leaf level in Lianyungang coastal tidal flat [J].Journal of Anhui Agricultural Sciences,2011,39(12):7452-7454.

[12]王登偉,黃春燕,張偉,等.高光譜數(shù)據(jù)與棉花葉綠素含量和葉綠素密度的相關(guān)分析 [J].棉花學(xué)報(bào),2008,20(5):368-371.

Wang D W,Huang C Y,Zhang W,et al.Relationships analysis between cotton chlorophyll content,chlorophyll density and hyperspectral data [J].Cotton Science,2008,20(5):368-371.

[13]Horler D N H,Dockray M,Barber J.Red edge measurements for remotely sensing plant chlorophyll content [J].Advances in Space Research,1983,3(2):273-277.

[14]Pinar A,Curran P J.Grass chlorophyll and the reflectance red edge [J].International Journal of Remote Sensing,1996,17(2):351-357.

[15]姚霞,吳華兵,朱艷,等.棉花功能葉片色素含量與高光譜參數(shù)的相關(guān)性研究 [J].棉花學(xué)報(bào),2007,19(4):267-272.

Yao X,Wu H B,Zhu Y,et al.Relationship between pigment concentrations and hyperspectral parameters in functional leaves of cotton [J].Cotton Science,2007,19(4):267-272.

[16]陳燕,黃春燕,王登偉,等.北疆棉花葉綠素密度的高光譜估算研究 [J].新疆農(nóng)業(yè)科學(xué),2006,43(6):451-454.

Chen Y,Huang C Y,Wang D W,et al.Estimating of cotton chlorophyll density in North Xinjiang by using high spectral data [J].Xinjiang Agricultural Sciences,2006,43(6):451-454.

[17]陳燕,王登偉,黃春燕,等.新疆棉花LAI和葉綠素密度的高光譜估算研究 [J].遙感信息,2007(2):33-36,41.

Chen Y,Wang D W,Huang C Y,et al.Estimating of cotton LAI and chlorophyll density by using hyperspectral data in Xinjiang [J].Remote Sensing Information,2007(2):33-36,41.

[18]黃春燕,王登偉,張煜星.基于棉花紅邊參數(shù)的葉綠素密度及葉面積指數(shù)的估算 [J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(2):137-141.

Huang C Y,Wang D W,Zhang Y X.Estimating of cotton canopy chlorophyll density and leaf area index based on red-edge parameters [J].Transactions of the CSAE,2009,25(2):137-141.

[19]艾天成,李方敏,周治安,等.作物葉片葉綠素含量與SPAD值相關(guān)性研究 [J].湖北農(nóng)學(xué)院學(xué)報(bào),2000,20(1):6-8.

Ai T C,Li F M,Zhou Z A,et al.Relationship between chlorophyll meter readings and chlorophyll content of crop leaves [J].Journal of Hubei Agricultural College,2000,20(1):6-8.

[20]李鵬程,董合林,劉愛(ài)忠,等.棉花上部葉片葉綠素SPAD值動(dòng)態(tài)變化研究 [J].中國(guó)農(nóng)學(xué)通報(bào),2012,28(3):121-126.

Li P C,Dong H L,Liu A Z,et al.A study on dynamic change of chlorophyll SPAD values of upper leaves in main stem of cotton [J].Chinese Agricultural of Science Bulletin,2012,28(3):121-126.

[21]李志宏,劉宏斌,張福鎖.應(yīng)用葉綠素儀診斷冬小麥氮營(yíng)養(yǎng)狀況的研究 [J].植物營(yíng)養(yǎng)與肥料學(xué)報(bào),2003,9(4):401-405.

Li Z H,Liu H B,Zhang F S.Research of nitrogen nutrition status for winter wheat based on chlorophyll meter [J].Plant Nutrition and Fertilizer Science,2003,9(4):401-405.

[22]裘正軍,宋海燕,何勇,等.應(yīng)用SPAD和光譜技術(shù)研究油菜生長(zhǎng)期間的氮素變化規(guī)律 [J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(7):150-154.

Qiu Z J,Song H Y,He Y,et al.Variation rules of the nitrogen content of the oilseed rape at growth stage using SPAD and visible-NIR [J].Transactions of the CSAE,2007,23(7):150-154.

[23]王娟,韓登武,任崗,等.SPAD值與棉花葉綠素和含氮量關(guān)系的研究 [J].新疆農(nóng)業(yè)科學(xué),2006,43(3):167-170.

Wang J,Han D W,Ren G,et al.A study on relation between SPAD value,chlorophyll and nitrogen content in cotton [J].Xinjiang Agricultural Sciences,2006,43(3):167-170.

[24]武新巖,郭建華,方正,等.SPAD計(jì)在黃瓜氮素營(yíng)養(yǎng)診斷中的應(yīng)用效果 [J].北方園藝,2010(11):13-16.

Wu X Y,Guo J H,Fang Z,et al.The application of SPAD on nitrogen diagnosis of cucumber [J].Northern Horticulture,2010(11):13-16.

[25]浦瑞良,宮鵬.高光譜遙感及其應(yīng)用 [M].北京:高等教育出版社,2000.

Pu R L,Gong P.Hyperspectral remote sensing and its applications [M].Beijing:Higher Education Press,2000.

[26]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction [J].Remote Sensing of Environment,2002,81(1):76-87.

[27]Mutanga O,Skidmore A K,Van Wieren S.Discriminating tro-pical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry [J].Photogrammetry & Remote Sensing,2003,57:263-272.

[28]唐延林,王秀珍,黃敬峰,等.棉花高光譜及其紅邊特征(Ⅰ) [J].棉花學(xué)報(bào),2003,15(3):146-150.

Tang Y L,Wang X Z,Huang J F,et al.The hyperspectra and their red edge characteristics of cotton(Ⅰ) [J].Cotton Science,2003,15(3):146-150.

Relationship between chlorophyll content and hyperspectral parameters in canopy leaves of cotton

CHU Wanlin,QI Yanbing,CHANG Qingrui,PU Jie

(CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

【Objective】 This study investigated the relationship between chlorophyll content and high spectral parameters of cotton canopy leaves and established a model for estimating chlorophyll content.【Method】 In 2014,Lumianyan 28 was selected to measure chlorophyll content and canopy hyperspectral reflectance in band of 350-2 500 nm of cotton at six different growth stages and nitrogen levels in a field experiment.The correlations between single narrow band raw reflectance (R),the first derivative spectral reflectance (DR),commonly used spectral variables, vegetation index,and chlorophyll content were analyzed and determined.Basing on the results of correlation analysis,the estimation models of chlorophyll content were established using linear regression and multiply stepwise regression methods,and then the precise of six models was analyzed.【Result】 1) The maximum correlation coefficient of chlorophyll content occurred at the reflectance band of 766 nm withr=0.836 and the highest correlation coefficient between the first derivative spectral data and chlorophyll content occurred at band of 753 nm withr=0.878.2) The variables screened wereSDr,(Rg-Rr)/(Rg+Rr),andRgfor the regression models of 9 spectral variables and 8 vegetation indexes.RVIwas also screened by the regression equation of 8 vegetation indexes.3) The model based on the first derivative spectral reflectance using multiply stepwise regression method obtained the most satisfied results for the estimation of chlorophyll content withRMSE=1.075,RE=2.22%,andr=0.952. 【Conclusion】 It is feasible to monitor the cotton growth by the raw spectral,the first derivative spectral reflectance,the extract spectral variables,and the vegetation index.The model based on the first derivative spectral reflectance was optimal to monitor the chlorophyll content of cotton canopy leaf.

cotton;chlorophyll content;hyperspectrum;vegetation index

時(shí)間:2016-08-0909:40DOI：10.13207/j.cnki.jnwafu.2016.09.010

2015-01-30

“十二五”農(nóng)村領(lǐng)域國(guó)家科技計(jì)劃課題(2013AA102401-2)

楚萬(wàn)林(1987-)，男，河南淮陽(yáng)人，在讀碩士，主要從事地圖學(xué)與地理信息系統(tǒng)研究。

E-mail:chuwanlin0512@126.com

齊雁冰(1976-)，男，河南淮陽(yáng)人，副教授，主要從事3S技術(shù)及其應(yīng)用研究。E-mail:ybqi@nwsuaf.edu.cn

S562

A

1671-9387(2016)09-0065-09

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20160809.0940.020.html