王婷婷，常慶瑞，劉夢云，鄭 煜，楊 景

(西北農(nóng)林科技大學資源環(huán)境學院，陜西楊凌 712100)

葉綠素是植被光合能力強弱、營養(yǎng)生理狀況以及衰老進程的良好指示劑，其含量的測定對農(nóng)作物長勢監(jiān)測、施肥調控與產(chǎn)量評估具有重要意義[1]。檢測葉綠素含量的方法主要有分光光度法、高效液相色譜法、原子吸收法等。這些方法雖然準確，但步驟繁瑣，普遍具有破壞性[2]。基于葉片葉綠素對光的吸收和透射原理，開發(fā)的手持便攜式葉綠素計，如最為常用的SPAD-502葉綠素計和Dualex植物多酚-葉綠素測量儀，它們均能快速、非破壞性地測定葉綠素水平[3]。但儀器必須接觸測定，工作量較大，費時費力，而且無法達到實時動態(tài)監(jiān)測的目的。

遙感技術的發(fā)展為葉綠素含量等植被生理生化參數(shù)的動態(tài)監(jiān)測提供了新的技術手段，有關其應用研究已經(jīng)取得了一定進展[4-9]。前人針對不同的手持便攜式葉綠素計就校準模型構建進行了大量研究。 研究表明，SPAD-502測定值容易受到樹木葉片結構特征(比如葉片厚度、比葉質量、葉脈及水分含量)的影響[17]。Dualex 4估測葉綠素值與水稻葉片葉綠素濃度呈極顯著線性相關(P<0.001)，且應選取水稻葉片中上部進行測試[28]。通過對比Dualex、SPAD 和 CCM 3個儀器對葉綠素的估算精度，得出Dualex在整個數(shù)據(jù)范圍內線性關系最優(yōu)[10]。Dualex對葉綠素質量分數(shù)(Chl-M)和單位面積葉綠素質量(Chl-S)的估測精度較好，且高于SPAD葉綠素計[3]。另外，Dualex植物多酚-葉綠素測量儀可以同時測定4個指標(Chl、Flav、Anth和NBI)，在野外作業(yè)中相比其他手持便攜式葉綠素計可以節(jié)省人力和時間，提高工作效率。而利用高光譜遙感技術反演Dualex植物多酚-葉綠素儀測定的葉綠素含量的研究尚不多見。本研究利用Dualex植物多酚-葉綠素測量儀測定不同生育時期冬小麥葉片葉綠素含量，同時進行葉片光譜測定，選取多種參數(shù)對葉綠素含量進行反演建模，以確定各生育時期葉綠素含量的快速監(jiān)測模型，以期為作物生長狀況監(jiān)測、生理生化研究提供理論依據(jù)和技術支持。

1 材料與方法

1.1 試驗設計與樣品采集

本研究于2016-2017年度的不同施肥量的冬小麥田間試驗區(qū)進行，研究區(qū)位于陜西楊凌西北農(nóng)林科技大學教學試驗農(nóng)場(東經(jīng)108°10′，北緯34°14′)和陜西省咸陽市乾縣梁山鄉(xiāng)齊南村(東經(jīng)108°07′，北緯34°38′)。

楊凌試驗點設置5個氮肥處理和5個磷肥處理，其中氮肥處理的施氮量分別為180、135、90、45和0 kg·hm-2，磷肥處理的施磷(P2O5)量分別為90、67.5、45、22.5和0 kg·hm-2，每個處理設2次重復，重復小區(qū)相鄰，共計20個小區(qū)，小區(qū)面積為27.5 m2(5 m×5.5 m)。

乾縣試驗點設置氮、磷、鉀肥各6個處理，其中氮肥處理的施氮量分別為50、120、90、60、30和0 kg·hm-2，磷肥處理的施磷(P2O5)量分別為112.5、90、67.5、45、22.5和0 kg·hm-2，鉀肥處理的施鉀(K2O)量分別為112.5、90、67.5、45、22.5和0 kg·hm-2，每個處理設2次重復，重復小區(qū)相鄰，共計36個小區(qū)，小區(qū)面積為125.0 m2(10 m×12.5 m)。另設一個大區(qū)試驗，設置5個施氮處理，施氮量分別為240、180、120、60和0 kg·hm-2，每個處理2次重復，重復處理相鄰，每個地塊150 m2(10 m×15 m)。

各處理的肥料均在冬小麥播前一次性施入，生育期不追肥，其他栽培管理措施同一般高產(chǎn)麥田。小麥品種為小偃22。在拔節(jié)期、抽穗期、開花期和灌漿期進行田間觀測和樣品采集。采樣時，每個小區(qū)選取2個樣點，在樣點附近采摘10株植株冠層的共10片相同葉位(沿主莖自上而下第一片)的葉片，用保鮮袋密封，裝入藍冰保溫箱帶回實驗室進行光譜及葉綠素含量測定。

1.2 葉片葉綠素測定

采用Dualex Scientific+(Force-A，Orsay，法國)測量冬小麥葉片葉綠素含量。每個樣點選擇新鮮葉片6片，對每片葉子從葉柄至葉尖分段測量3次(避開葉脈部分)，取平均值，6片葉子的平均為該樣點的葉片葉綠素含量。下文提到的Chl均代表 Dualex所測定的葉綠素含量。每個生育時期共122組樣本數(shù)據(jù)，共觀測4個生育時期。葉片葉綠素統(tǒng)計特征如表1所示。

表1 冬小麥葉片葉綠素含量(Chl)統(tǒng)計特征Table 1 Statistical features of leaf Chl in winter wheat

1.3 葉片光譜測定

葉片光譜測定采用SVR HR-1024i 型全波段地物光譜儀，測量波長范圍350～2 500 nm，光譜采樣間隔在350～1 000 nm波段為1.377 nm，在1 000～2 500 nm波段為2 nm。光譜測定中使用儀器內置光源，為消除環(huán)境變化對儀器的影響，每隔0.5 h進行一次參考板校正。選擇每個樣點測定過葉綠素的6片葉片(保證Chl與光譜測定的葉片一一對應)為對象，每片葉子使用葉片夾從葉柄至葉尖分段測量3次(避開葉脈部分和Dualex測量儀夾過的部分)，求平均值后得出該葉片的光譜反射率曲線，再將6片葉子光譜曲線求平均，得到該樣點的光譜反射率。

1.4 數(shù)據(jù)處理

利用SVC HR-1024i PC、Excel 2013、Origin 2016、Python 3.6、JMP Trial 14和Matlab 7.10.0等軟件對數(shù)據(jù)進行處理和計算。由于葉綠素對葉片光譜的響應波段主要在可見光和紅外波段，因此本研究主要選擇350～1 000 nm波段進行分析，并將光譜重采樣至1 nm。由于光譜儀采集的是離散的數(shù)據(jù)，因此采用式(1)對原始光譜數(shù)據(jù)進行一階導數(shù)計算：

R′=(Ri+1-Ri-1)/(λi+1+λi)+(λi-λi-1)

=[(Ri+1)-(Ri-1)]/ △λ

(1)

式中，Ri為波長inm處的光譜反射率，R′是Ri的一階微分，λi為第i個通道的波長。

1.5 光譜特征參數(shù)的選擇

本研究在前人研究的基礎上，結合數(shù)據(jù)特點，從多種可用于葉綠素含量測定的高光譜指數(shù)中選擇了物理意義明確、認可度較高的8個對葉綠素含量響應明顯的植被指數(shù)和6種常見的三邊參數(shù)進行分析和建模(表2)。

1.6 模型建立與優(yōu)化

對每個生育時期采集的122個樣本按Chl值進行排序，采用分層抽樣的方法抽取92個作為建模樣本集，剩余30個作為檢驗樣本集。采用偏最小二乘法(PLS)和支持向量回歸(SVR)算法構建模型，偏最小二乘在JMP Trial 14中進行，SVR的訓練和建模在Python 3.6中進行。

模型精度驗證和預測能力評判采用r2、均方根誤差RMSE和相對誤差RE三個指標來評價4個生育時期不同模型的擬合和預測能力。r2越接近1，RMSE和RE越小，表示模型擬合能力和預測能力越好。

2 結果與分析

2.1 不同生育時期冬小麥葉片葉綠素含量及其高光譜特征

冬小麥葉片葉綠素含量(Chl)在不同生育時期差異顯著，且隨著生育進程的推進呈現(xiàn)出先上升后降低的變化趨勢，以開花期Chl平均值最高(圖1)。從冬小麥不同生育時期的反射光譜曲線(圖2)看，在400～500 nm的藍紫光波段和675 nm的紅光附近，由于葉綠素的強烈吸收，出現(xiàn)了兩個吸收谷，反射率不足0.1，同時550 nm處由于葉綠素的強烈反射，形成了一個明顯的反射峰，反射率達到0.2左右。在680～1 000 nm，葉綠素由對紅光的強烈吸收到對近紅外光的多次散射，反射率急劇升高，在波長750～1 000 nm的紅外區(qū)域，反射率穩(wěn)定在0.5以上，形成了一個高反射平臺。在不同生育時期，由于葉片的葉綠素含量等理化性質不同，其光譜曲線表現(xiàn)出有規(guī)律性的變化。在可見光波段，隨著Chl的增加，葉片光合作用加強，光譜反射率不斷降低。灌漿期反射率最高，綠峰反射率超過了0.2，開花期反射率最低，出現(xiàn)了反射率小于0.05的吸收谷。

2.2 冬小麥葉片Chl高光譜參數(shù)的普通回歸估算

2.2.1 基于特征波段的冬小麥葉片Chl估算模型

相關性分析表明，冬小麥葉片Chl與原始光譜反射率在550 nm反射峰附近呈顯著負相關，尤其是抽穗、開花和灌漿期的相關性比較高，相關系數(shù)分別達到了-0.541、-0.793和-0.832(圖3)。拔節(jié)期相關性較差，主要是因為拔節(jié)期冬小麥葉片處于發(fā)育初期，葉綠素含量較低，且葉片數(shù)量較少，對光譜的敏感性較差。冬小麥葉片Chl與一階導數(shù)光譜在504～550 nm和700 nm附近呈顯著負相關，相關系數(shù)隨著生育時期的推進而逐漸增加；在570～672 nm和711～767 nm處表現(xiàn)為極顯著正相關，在開花期754 nm處的相關系數(shù)最高，達到0.947(圖4)。總體來看，葉片Chl與一階導數(shù)光譜的相關系數(shù)絕對值在各生育時期均高于原始光譜反射率，原始光譜的敏感波段在550 nm附近，一階導數(shù)光譜的敏感波段在700 nm附近，而且一階導數(shù)光譜增強了葉片Chl與可見光波段及紅邊波段的相關性。

表2 用于Chl反演的高光譜指數(shù)Table 2 Hyperspectral indices for Chl inversion

圖1 不同生育時期冬小麥葉片Chl值

圖2 不同生育時期冬小麥葉片光譜反射率曲線

分別從原始光譜及一階導數(shù)光譜中選擇與Chl相關系數(shù)最高的波段作為自變量構建基于敏感波段的葉片Chl單變量估算模型(表3)。整體來看，一階導數(shù)光譜的模型決定系數(shù)r2均超過0.6，整體上大于原始光譜。

圖3 不同生育時期冬小麥葉片Chl與原始光譜相關性

圖4 不同生育時期冬小麥葉片Chl與一階導數(shù)光譜相關性

表3 基于敏感波段的冬小麥葉片Chl單變量估算模型Table 3 Chl estimation models of single variable based on sensitive bands in winter wheat

Ri為波長inm處的光譜反射率；Dj是Rj的一階微分。**:P<0.01; *:P<0.05.

Riis spectral reflectance at wavelengthinm;Djis the first derivative ofRi. **:P<0.01; *:P<0.05.

2.2.2 基于三邊參數(shù)的冬小麥葉片Chl估算

從表4可以看出，三邊參數(shù)中紅邊面積(Sred)、藍邊位置(λblue)和黃邊位置(λyellow)與Chl的相關性較低，尤其是在抽穗期，均未通過0.01水平顯著性檢驗；藍邊面積(Sblue)、黃邊面積(Syellow)和紅邊位置(λred)與葉片Chl相關極顯著，相關系數(shù)均高于0.5，相關性最高是在灌漿期，紅邊位置(λred)的相關系數(shù)達到0.893；各生育時期中，開花期Chl與各三邊參數(shù)相關性最高，灌漿期和抽穗期次之，拔節(jié)期最低。

根據(jù)相關性，拔節(jié)期、抽穗期和開花期均選擇Sblue、Syellow和λred，灌漿期選擇Sblue、Sred和λred，分別建立各生育時期葉片Chl估算模型(表5)。所建模型的擬合性均達到了極顯著水平。從模型預測效果看，拔節(jié)期模型預測精度較低，r2低于0.4，但誤差也較小，RE約為6.5%左右，RMSE在3.4以下；開花期模型預測精度較高，r2高于0.69，RMSE都低于4，RE在6.5%左右；抽穗期和灌漿期模型雖r2比較高，但RMSE和RE較也高，其中灌漿期以Sred參數(shù)建立的模型預測精度較差，RE達到了19.494%?？傮w來說，利用三邊參數(shù)建立的單因素模型擬合度和預測精度均低于利用一階導光譜敏感波段建立的單因素模型。

表4 不同生育時期冬小麥葉片Chl與三邊參數(shù)的相關性(n=122)Table 4 Correlation coefficients between spectral characteristic variables and Chl values of wheat leaves at different growth stages

表5 基于三邊參數(shù)的冬小麥葉片Chl單變量估算模型Table 5 Chl estimation models of single variable based on trilateral parameters in winter wheat

2.2.3 基于植被指數(shù)的冬小麥葉片Chl估算

經(jīng)相關分析，在不同生育時期，8種植被指數(shù)與冬小麥葉片Chl均極顯著相關(表6)，抽穗期、開花期和灌漿期Chl與NDVI705、mNDVI705和GNDVI的相關性都較高，其中灌漿期的相關性系數(shù)分別是0.921、0.923和0.931；GRVI與Chl相關性也較高，各生育時期相關系數(shù)均大于0.65。根據(jù)各植被指數(shù)與Chl值的相關性，每個生育時期選擇與葉片Chl相關性最高的3個植被指數(shù)用于構建模型。拔節(jié)期選擇GDNVI、GRVI和FD(730-525)/(730+525)，抽穗期、開花期和灌漿期均選擇NDVI705、mNDVI705和GNDVI。

為達到較高的模型擬合精度，分別嘗試建立線性、多項式、對數(shù)、指數(shù)及冪函數(shù)模型，依據(jù)r2最高、誤差最小的原則選取最終模型(表7)。除拔節(jié)期外，其他生育時期建模r2均超過了0.8，驗證r2在0.7以上，灌漿期基于mNDVI705所構建的模型驗證r2達到了0.911。各生育時期顯著相關的植被指數(shù)都能夠較好地反映小麥Chl值變化，可以用來構建估測模型。

表6 葉片Chl 與8種已知植被指數(shù)相關性(n=122)Table 6 Correlation coefficients between six known vegetation indices and Chl values of wheat leaves

表7 基于相關性強的3種植被指數(shù)的Chl估算模型Table 7 Chl estimation models based on the strong correlation of the three vegetation indices

2.3 冬小麥葉片Chl偏最小二乘回歸模型估算

以上述一階導數(shù)敏感波段、相關性較高的三邊參數(shù)和植被指數(shù)共7個參數(shù)作為自變量，采用偏最小二乘法(PLS)分別建立各生育時期的冬小麥葉片Chl估算模型。從表8可以看出，各生育時期估算模型的r2都有了一定的提升，尤其是拔節(jié)期，r2達到了0.8。檢驗結果(圖5)表明，模型預測精度較高，拔節(jié)期、抽穗期、開花期和灌漿期的RMSE分別是2.034、2.492、2.194和3.548，RE分別是4.2%、4.6%、4.3%和5.8%。與單變量估算模型相比較，多元模型精度有所提高，在一定程度上得到了優(yōu)化。

2.4 支持向量回歸(SVR)模型的Chl估算

應用(SVR)方法進行Chl估算模型構建，核函數(shù)類型選擇徑向基核(RBF)，懲罰系數(shù)c與RBF核函數(shù)參數(shù)g通過交叉驗證確定，其余參數(shù)采用默認值，得到各生育時期的最佳估算模型(表9)。對比表9與表8可知，各生育時期SVR的預測r2均大于PLS的預測r2，不同生育時期分別增長1.1%～8.2%，同時RMSE和RE也較小，表明以7個參數(shù)構建模型時，與PLS模型相比，SVR模型的精度更高，預測能力更好。

表8 基于偏最小二乘法的Chl估算模型Table 8 Chl estimation models based on the Partial Least Squares(PLS)

圖5 基于偏最小二乘法的冬小麥葉片Chl估算模型精度檢驗

生育時期Growth stagecg建模 Modelingr2RMSERE/%驗證 Verificationr2RMSERE/%拔節(jié)期 Jointing stage1 024.00.003 90.8131.6393.2890.7142.1704.666抽穗期 Heading stage 64.02.000 00.9271.8103.1990.8453.9768.380開花期 Flowering stage524 288.00.001 00.9441.4432.6910.9033.1126.440灌漿期 Filling stage512.00.250 00.9292.5785.6670.9033.4596.873

3 討 論

葉綠素含量是表征植物生長狀態(tài)最重要的指標之一。無論是國內還是國外，利用高光譜遙感進行冬小麥葉綠素含量反演的研究都已比較成熟。梁亮等利用高光譜指數(shù)REP建立的LS-SVR模型實現(xiàn)了小麥葉綠素含量的準確估測，預測r2達到了0.722[1]。然而植物含氮量、花青素含量等理化參數(shù)對植被長勢監(jiān)測也具有重要影響。Dualex植物多酚-葉綠素儀相對大部分研究中所使用的葉綠素相對含量測量儀器在同樣的時間內可以同時獲取葉綠素含量、花青素和氮平衡指數(shù)等多個指標數(shù)據(jù)。但是，至今利用Dualex植物多酚-葉綠素儀進行植物理化參數(shù)高光譜反演的研究尚不多見。本研究基于Dualex植物多酚-葉綠素儀，通過多期地面實測數(shù)據(jù)，利用不同的光譜參數(shù)和建模方法建立了各生育時期的冬小麥Chl估測模型，實現(xiàn)了冬小麥葉綠素含量的準確估測，預測r2最高達到了0.944。

基于一階導數(shù)光譜構建的模型建模和驗證精度均高于基于高光譜特征參數(shù)建立的單因素模型，一階導數(shù)光譜更適合反演冬小麥葉片的Chl值，這與許多學者的研究結果一致[23-24]。在單個參數(shù)構建的傳統(tǒng)回歸模型中，r2最高的均為非線性模型，其形成機理和影響機制有待進一步驗證。

光譜在可見光-近紅外區(qū)域具有紅谷、綠峰和紅邊等明顯的光譜特征，與Chl具有較高的相關性[8]。本研究選取的8個與冬小麥葉綠素含量密切相關的植被指數(shù)構建的單因素模型結果表明，拔節(jié)期和灌漿期Chl與GNDVI構建的模型精度最高，抽穗期和開花期與NDVI705構建的模型精度最高。這是因為抽穗期和開花期葉綠素含量較高，小麥會吸收更多的紅光，紅邊向長波方向移動，基于紅邊的紅邊歸一化植被指數(shù)NDVI705與Chl相關性更高，拔節(jié)期和灌漿期葉綠素含量較低，紅邊向短波方向移動，基于綠光波段的綠色歸一化植被指數(shù)GNDVI與Chl相關性更高。

與其他時期相比，拔節(jié)期Chl與光譜相關性較差，估算模型精度較低。這主要是因為拔節(jié)期冬小麥葉綠素含量較低，光譜中獲得的葉綠素信息較少。葉綠素含量在多個波段均對光譜有一定的影響，很多光譜參數(shù)與葉綠素具有較高的相關性。單一光譜指數(shù)往往只包含作物光譜的部分信息，模型的精度和穩(wěn)定性都難以得到保證。因此本研究利用一階導數(shù)光譜、具有高度相關性的三邊參數(shù)和植被指數(shù)共7個參數(shù)建立的多元估算模型(PLS和SVR模型)具有較高的模型精度，特別是在拔節(jié)期，基于SVR方法建立的模型預測精度相比基于單個植被指數(shù)建立的估算模型提高了21%。

本研究只對Dualex植物多酚-葉綠素儀的Chl這一個指標進行了高光譜反演，結果表明Dualex植物多酚-葉綠素儀可以實現(xiàn)植物的葉綠素準確估算。在今后的研究中可以嘗試對基于Dualex植物多酚-葉綠素儀的其他指標進行高光譜反演，為作物長勢監(jiān)測提供更全面、科學的理論和技術支持。