田 敏， 周 杰， 張 澤， 溫鵬飛， 呂 新

(1.石河子大學信息科學與技術學院，新疆石河子 832000；2.石河子大學農(nóng)學院/新疆生產(chǎn)建設兵團綠洲生態(tài)農(nóng)業(yè)重點實驗室，新疆石河子 832000)

基于高光譜植被指數(shù)對棉花葉綠素含量的估算

田 敏1，2， 周 杰1， 張 澤2， 溫鵬飛2， 呂 新2

(1.石河子大學信息科學與技術學院，新疆石河子 832000；2.石河子大學農(nóng)學院/新疆生產(chǎn)建設兵團綠洲生態(tài)農(nóng)業(yè)重點實驗室，新疆石河子 832000)

為了研究不同水氮組合條件下葉片葉綠素含量與光譜反射率之間的相關性，從而進一步估算葉綠素含量，利用ASD Field SpecPro Fr型光譜儀室外測量棉花葉片的光譜反射率，同時采收棉花葉片獲得葉綠素含量值。計算光譜一階微分、原始光譜反射率組成的植被指數(shù)，以及對“三邊參數(shù)”與葉片葉綠素含量進行相關性分析，結果表明：“三邊參數(shù)”中的紅邊內(nèi)最大一階微分值(Dr)與棉花葉綠素含量有很好的相關性，其決定系數(shù)r2為0.530 5**，估測模型決定系數(shù)r2為0.856 3**，均方根誤差RMSE為0.366；植被指數(shù)中BmSR705：(DR750-DR445)/(DR705-DR445)與棉花葉綠素含量有很好地相關性(r2=0.696 3**)，估測模型決定系數(shù)r2為0.815 7**，均方根誤差RMSE為0.278。因此利用特定的植被指數(shù)和“紅邊參數(shù)”能夠很好地預測葉綠素含量，從而為高光譜數(shù)據(jù)預測棉花葉片葉綠素含量提供理論基礎。

高光譜；植被指數(shù)；反射率；棉花；葉綠素含量；三邊參數(shù)

新疆是全國商品棉重要的生產(chǎn)基地，新疆獨特的機械化、規(guī)模化等條件為高光譜分辨率遙感技術在棉花上的應用提供了一個良好的應用平臺[1]，而遙感技術的應用為棉花生長的快速監(jiān)測提供了便利。葉綠素含量與植被的光合能力、發(fā)育階段具有較好相關性，它通常是光合作用能力和植被發(fā)育階段(特別是衰老階段)的指示器[2]。當前室內(nèi)化學分析葉綠素含量的方法既費時、又費力，使診斷得到的結果很難及時應用到實際當中。然而，高光譜遙感技術以其光譜分辨率高、波段連續(xù)性強、數(shù)據(jù)豐富、獲取快、無損監(jiān)測的特點，在獲取植被養(yǎng)分、葉綠素含量等研究中得到廣泛應用[3]。本研究以棉花為研究對象，針對不同水氮處理條件下獲取棉花葉片葉綠素含量，針對不同棉花葉片的光譜敏感波段組合，構建棉花葉片葉綠素光譜診斷模型，為快速獲取葉綠素含量數(shù)據(jù)提供依據(jù)。

1 材料與方法

1.1 研究區(qū)介紹

試驗地位于新疆維吾爾自治區(qū)瑪納斯縣六戶地鎮(zhèn)創(chuàng)田地(86°07′36″E，44°39′15″N)，地處新疆腹地，屬溫帶大陸性氣候，冬季長而嚴寒，夏季短而酷熱，晝夜溫差大，年平均氣溫7.2 ℃，全年無霜期170 d左右，年平均降水量170 mm。土壤質(zhì)地為中壤土，0～20 cm土層有機質(zhì)含量為19.09 g/kg，堿解氮含量為51.50 mg/kg，速效磷含量為19.89 mg/kg，速效鉀含量為212.88 mg/kg，田間持水量為30.1 g/m3，土壤容重為1.2 g/cm3。試驗時間為2014—2015年，試驗設4個氮(N)水平，即施氮量0(N0)、200(N200)、400(N400)、600(N600)kg/hm2，全部作為追肥；設3個水分水平，分別為3 000 (W3 000)、4 500(W4 500)、6 000(W6 000)m3/hm2。采用雙因素完全隨機分組，共12個處理，3次重復。供試棉花品種為新陸早50(XLZ 50)，種植模式為“1膜2管4行”，膜寬2.05 m，行距配置為30 cm+60 cm+30 cm，株距15 cm，種植密度 21.3 萬株/hm2。試驗田種植方式為棉花連作，南北走向，兩頭設置保護行。4月25日播種，并灌出苗水，6月份開始第1次灌水，氮肥分7次隨水施肥，磷鉀肥各150 kg/hm2播前一次性施入。小區(qū)長、寬分別為13、2.05 m?；瘜W調(diào)控與其他管理措施按高產(chǎn)栽培要求進行。

1.2 高光譜數(shù)據(jù)獲取與校正

光譜數(shù)據(jù)采用美國ASD公司生產(chǎn)的ASD Field SpecPro Fr型光譜儀，光譜測量范圍為350～2 500 nm，其中350～1 000 nm 光譜采樣間隔為1 nm，在1 000～2 500 nm范圍內(nèi)光譜采樣間隔2 nm，重采樣間隔為1 nm[4]。2014—2015年分別在6月27日、7月10日、7月17日、8月5日、8月11日、8月29日選擇均勻且代表性的植株進行棉花冠層光譜數(shù)據(jù)測量。同時采收葉片進行室內(nèi)葉綠素含量測定。為了最大限度挖掘高光譜圖像數(shù)據(jù)中的光譜有效信息，去除噪音、樣品背景和雜散光影響等因素對模型預測性能的影響，需要對光譜數(shù)據(jù)進行預處理[5]。經(jīng)過預處理后，將每個樣品測得的反射光譜曲線經(jīng)算術平均后則為該樣品的實際反射光譜數(shù)據(jù)。對光譜曲線作一階微分變換，獲得一階微分光譜數(shù)據(jù)。

1.3 葉片葉綠素含量測定

選取棉花第4完全展開葉并剪下中間部分，剪碎混勻后稱取0.200 0 g，放入研缽中，加少量石英砂和碳酸鈣粉及2～3 mL 95%乙醇，研成勻漿，再加乙醇10 mL，繼續(xù)研磨至組織變白。然后將提取液倒入漏斗中，過濾到25 mL棕色容量瓶中，并用乙醇定容至25 mL，搖勻。提取液用可見光分光光度計分別測定645 nm和663 nm波長處的吸光度，根據(jù)下列公式分別計算總葉綠素值[6]。

葉綠素含量=C(20.29×D645 nm+8.04×D663 nm)×V/S。

式中：C為葉綠素濃度(mg/L)；V代表提取液體積；S是樣品的面積。

1.4 數(shù)據(jù)處理分析

采用Microsoft Excel 2003、SPSS 13.0和Origin 8.6分析數(shù)據(jù)和繪圖。

2 結果與分析

2.1 葉片葉綠素含量分析

2.1.1 葉片葉綠素含量統(tǒng)計分析 2014—2015年6個時期獲取的葉綠素值取2年的平均值，共計216個作為試驗樣本。選取170個樣本組成高光譜數(shù)據(jù)模型，46個樣本作為驗證數(shù)據(jù)集。棉花葉片整個生育時期葉綠素含量統(tǒng)計分析如表1所示。

表1 棉花葉綠素含量統(tǒng)計分析

2.1.2 不同水氮處理間葉片葉綠素含量分析 葉綠素含量的變化可能是由多種原因造成的，其他脅迫如缺氮、缺鐵以及病害等也能造成葉綠素含量的變化[7]。由圖1可知，不同水氮處理下棉花葉片葉綠素的含量總體上呈現(xiàn)波浪式分布，棉花出苗后50 d葉綠素含量較高，原因可能因為現(xiàn)蕾期時日照光線較強，長波段有利于葉綠素a含量的增長，從而葉綠素總量達到峰值；第2個峰值出現(xiàn)在棉花出苗后80 d左右(花鈴期)，這時正處于生殖生長與營養(yǎng)生長的重要階段，光合作用強，承擔著光合作用吸收轉(zhuǎn)化的重要作用，因此葉綠素含量達到峰值。隨著生育期的發(fā)展葉片逐漸枯萎，養(yǎng)分減少，葉綠素含量降低。

2.2 不同水氮處理間“三邊參數(shù)”與葉片葉綠素含量估算模型

“三邊參數(shù)”能夠很好地反映綠色植被的光譜特征，對葉綠素含量變化較為敏感。利用已有的基于光譜反射率的“三邊參數(shù)”以及構造的差值植被數(shù)據(jù)與歸一化植被指數(shù)，建立棉花葉片葉綠素含量與相關指數(shù)的相關性，比較估算效果。由表2結果分析，在紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)、紅邊位置(WP_r)、紅邊內(nèi)一階微分的總和(SDr)相關性較高，r2分別為0.530 5、0.523 6、0.523 5，藍邊、黃邊所對應的光譜位置與葉綠素之間決定系數(shù)較低。棉花葉片葉綠素含量與紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)、紅邊位置(WP_r)、紅邊內(nèi)一階微分的總和(SDr)具有很好的相關性，因此利用這些光譜參數(shù)進行棉花葉綠素含量估算具有很好的可行性。

挑選出相關性較好的模型進行模型驗證，通過均方根誤差(RMSE)，決定系數(shù)(r2)來驗證模型的優(yōu)劣，由圖2可知，在紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)、紅邊位置(WP_r)、紅邊內(nèi)一階微分的總和(SDr)對應的決定系數(shù)(r2)分別為0.856 3、0.705 8、0.560 1，均方根誤差(RMSE)分別為0.366、0.531、0.524?？梢钥闯黾t邊內(nèi)一階微分最大值(Dr)擬合程度較好，模型精度較高，因此利用紅邊內(nèi)一階微分最大值(Dr)能夠預測棉花葉綠素含量。

表2 棉花葉片葉綠素含量與“三邊參數(shù)”相關性

2.3 葉綠素含量與光譜指數(shù)的相關估算模型

總結分析近年來葉綠素含量與光譜指數(shù)相關性較好的植被指數(shù)，為了準確地得到植被指數(shù)以及與葉綠素含量相關性較高的植被指數(shù)形式，采用原始波段反射率值、一階微分反射率值進行波段優(yōu)選情況下組合，組成一般比值植被指數(shù)、一階微分比值植被指數(shù)、歸一化比值植被指數(shù)、其他歸一化比值植被指數(shù)，從而分析植被指數(shù)與葉綠素含量的相關性。由表3可見，在選擇的10個植被指數(shù)中均與葉綠素含量呈現(xiàn)出極顯著正相關關系，決定系數(shù)(r2)均大于0.36。其中3個植被指數(shù)相關性較好，分別是：PSSRb：R800/R635，所對應表達式為y=0.768 3x+5.026 9(r2=0.664 4*)；PSNDb：(R800-R635)/(R800+R635)，對應表達式為y=33.852x-11.312(r2=0.617 9**)；BmSR705：(DR750-DR445)/(DR705-DR445)，相關關系表達式為y=29.869x-6.984 7(r2=0.696 3**)。說明波段800 nm和635 nm組成的比值植被指數(shù)與歸一化植被指數(shù)能夠很好地預測葉片葉綠素含量，另外750、705、445 nm組成的基值校正簡單比值指數(shù)能夠很好地預測葉片葉綠素含量，并且具有很好的相關性。

挑選出相關性較好的模型進行模型驗證，通過均方根誤差(RMSE)，決定系數(shù)(r2)來驗證模型的優(yōu)劣，由圖3可知，PSSRb：R800/R635、PSNDb：(R800-R635)/(R800+R635)、BmSR705：(DR750-DR445)/(DR705-DR445) 預測值與實測值擬合程度較高，決定系數(shù)分別為0.760 5、0.746 0、0.815 7，均方根誤差(RMSE)分別為0.327、0.343、0.278。因此利用組成的植被指數(shù)能夠很好地預測棉花葉綠素含量。

表3 特定植被指數(shù)與棉花葉片葉綠素含量相關性

注：PSND為色素歸一化差值指數(shù)(Pigment Specific ND)；PSSR為色素簡單比值指數(shù)(Pigment Specific SR)；SRPI為簡單比值色素指數(shù)(SR Pigment Index)；BmND為基值校正歸一化差值指數(shù)(Base modified ND)；BmSR為基值校正簡單比值指數(shù)(Base modified SR)；“**”表示相關極顯著。

3 結論與討論

“三邊參數(shù)”與棉花葉綠素含量具有很好的相關性，其中紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)、紅邊位置(WP_r)、紅邊內(nèi)一階微分的總和(SDr)與棉花葉綠素含量具有很好的相關性，通過預測值與實測值可知，紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)決定系數(shù)r2=0.856 3，RMSE=0.366，因此紅邊(680～760 nm)內(nèi)最大一階微分值(Dr)能夠很好地預測棉花葉綠素含量。

特定植被指數(shù)與葉綠素含量較高的相關性，選擇的10個植被指數(shù)中均與葉綠素含量呈現(xiàn)出極顯著正相關關系，決定系數(shù)(r2)均大于0.36。其中，BmSR705：(DR750-DR445)/(DR705-DR445)相關關系表達式為y=29.869x-6.984 7(r2=0.696 3**)。預測模型決定系數(shù)r2=0.815 7，RMSE=0.278，因此可以利用3個波段組成的基值校正簡單比值指數(shù)，能夠很好地預測植被葉綠素含量。

最后，本研究應用實測的光譜指數(shù)和葉綠素含量，雖然利用統(tǒng)計學的方法得到的模型具有一定的可靠性，但是試驗得到的模型仍然具有一定的誤差。在下一步研究中應當結合不同品種、地域進行試驗，完善估測模型，充分發(fā)揮高光譜技術的優(yōu)越性。

[1]曹衛(wèi)彬，楊邦杰，裴志遠，等. 新疆棉花遙感監(jiān)測系統(tǒng)建立的對策[J]. 石河子大學學報(自然科學版)，2003，7(2)：165-168.

[2]Minoha Co，Ltd. Chlorophyll SPAD-502 instruction manual[M]. Radiometric Instruments Operations，1989：17-21.

[3]劉 磊，沈潤平，丁國香. 基于高光譜的土壤有機質(zhì)含量估算研究[J]. 光譜學與光譜分析，2011(3)：762-766.

[4]祁亞琴，呂 新，陳冠文，等. 基于高光譜數(shù)據(jù)提取棉花冠層特征信息的研究[J]. 棉花學報，2011，23(2)：167-171.

[5]褚小立. 化學計量學方法與分子光譜分析技術[M]. 北京：化學工業(yè)出版社，2011.

[6]李合生，孫 群，趙世杰，等. 植物生理生化實驗原理和技術[M]. 北京：高等教育出版社，2000：131.

[7]林芬芳，丁曉東，付志鵬，等. 基于互信息理論的水稻磷素營養(yǎng)高光譜診斷[J]. 光譜學與光譜分析，2009，29(9)：2467-2470.

[8]Vogelmann J E，Rock B N，Moss D M. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，1993，14(8)：1563-1575.

[9]Blackburn G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales：An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，1998，66(3)：273-285.

[10]le Maire G，F(xiàn)rancois C，Dufrene E. Towards Universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements[J]. Remote Sensing of Environment，2004，89(1)：1-28.

10.15889/j.issn.1002-1302.2017.02.063

2015-12-10

國家自然科學基金(編號：61465011)；新疆生產(chǎn)建設兵團成果轉(zhuǎn)化項目(編號：2014BD027)。

田 敏(1968—)，男，河南商丘人，博士，副教授，從事農(nóng)業(yè)信息技術與精準農(nóng)業(yè)研究。E-mail：t_tianmin@sina.com。

呂 新，教授，主要從事農(nóng)業(yè)信息化和農(nóng)業(yè)生態(tài)研究。E-mail：lxshz@126.com。

S127；S562.01

A

1002-1302(2017)02-0216-04

田 敏，周 杰，張 澤，等. 基于高光譜植被指數(shù)對棉花葉綠素含量的估算[J]. 江蘇農(nóng)業(yè)科學，2017，45(2)：216-219.