趙占輝，張叢志，張佳寶，吳運(yùn)金，張宏敏，魯春陽

（1河南城建學(xué)院測(cè)繪與城市空間信息學(xué)院，河南平頂山 467036；2封丘農(nóng)田生態(tài)系統(tǒng)國(guó)家試驗(yàn)站/土壤與農(nóng)業(yè)可持續(xù)發(fā)展國(guó)家重點(diǎn)實(shí)驗(yàn)室/中國(guó)科學(xué)院南京土壤研究所，南京 210008；3生態(tài)環(huán)境部南京環(huán)境科學(xué)研究所，南京 210042）

0 引言

葉綠素是高等植物和其他所有能進(jìn)行光合作用的生物體含有的一類綠色色素，其含量高低能夠反映植物光合速率的強(qiáng)弱、氮利用效率、生理脅迫和生長(zhǎng)狀況等信息[1-2]。當(dāng)前農(nóng)作物葉綠素含量測(cè)定主要采用分光光度法、活體葉綠素儀法和光譜法[3]。分光光度法通過化學(xué)方法提取葉片中的葉綠素，以此測(cè)定葉片葉綠素含量，測(cè)定結(jié)果穩(wěn)定可靠，但提取速度較慢、易損壞植株葉面，容易影響農(nóng)作物生長(zhǎng)。根據(jù)工作原理不同，活體葉綠素儀法可分為透射型活體葉綠素儀法和反射型活體葉綠素儀法，通過測(cè)定紅光(650 nm)與紅外光(940 nm)被葉片吸收比率，測(cè)量植物的葉綠素相對(duì)含量，該方法是一種速測(cè)法，測(cè)定結(jié)果穩(wěn)定可靠，不會(huì)對(duì)植被葉片造成破壞[4]。光譜法主要光譜信息技術(shù)進(jìn)行建模分析，建立植物葉片葉綠素含量化學(xué)值與光譜數(shù)據(jù)之間的定量關(guān)系，間接獲取植物葉片葉綠素含量信息。

由于傳統(tǒng)的化學(xué)提取方法具有非常大的機(jī)械破壞性且不可恢復(fù)，其工作量巨大，無法進(jìn)行大規(guī)模實(shí)時(shí)監(jiān)測(cè)，活體葉綠素儀法雖能大大提高測(cè)量工作效率，但依舊受樣本數(shù)量限制，無法進(jìn)行大面積的植物葉綠素含量變化實(shí)時(shí)監(jiān)測(cè)。相反，隨著遙感技術(shù)快速發(fā)展，基于遙感數(shù)據(jù)的光譜分析法依靠少量樣本就能夠快速、無損的獲取大面積農(nóng)作物葉綠素含量，對(duì)快速監(jiān)測(cè)作物光合作用強(qiáng)弱、生長(zhǎng)發(fā)育狀況等具有重要意義，關(guān)于農(nóng)作物葉綠素含量與光譜關(guān)系的研究也已經(jīng)成為近年來農(nóng)業(yè)領(lǐng)域研究的熱點(diǎn)。

無人機(jī)搭載的高光譜儀具有光譜分辨率高、波段多、波段連續(xù)性強(qiáng)等優(yōu)點(diǎn)，且能夠快速獲取納米級(jí)的光譜信息，利用該技術(shù)能直接對(duì)植被冠層微弱光譜進(jìn)行定量分析，在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)方面表現(xiàn)出強(qiáng)大的優(yōu)勢(shì)[2,5-6]。因此，根據(jù)作物冠層的光譜反射率與葉綠素含量建立反演模型，快速獲取空間尺度作物葉綠素含量分布特征，對(duì)評(píng)估作物光合作用強(qiáng)弱、生長(zhǎng)發(fā)育狀況具有重要意義。早在20世紀(jì)Hinzman等[7]學(xué)者就已經(jīng)提出利用作物冠層反射光譜監(jiān)測(cè)作物葉綠素含量具有可行性，隨后，國(guó)內(nèi)外學(xué)者[8-10]先后在實(shí)驗(yàn)室利用高光譜數(shù)據(jù)對(duì)植物葉片葉綠素含量進(jìn)行了估算，基本實(shí)現(xiàn)了作物葉片無損監(jiān)測(cè)與葉綠素分布可視化。梁爽等[5]、鄭濤等[9]也通過篩選敏感波段，建立了葉綠素診斷模型，驗(yàn)證了作物葉片葉綠素含量與光譜特征具有密切關(guān)系。肖武等[11]研究還發(fā)現(xiàn)玉米冠層葉綠素含量對(duì)紅邊波段的響應(yīng)同樣敏感，以此為基礎(chǔ)建立葉綠素含量遙感反演模型，并應(yīng)用于土地?fù)p毀監(jiān)測(cè)與評(píng)價(jià)，估測(cè)精度達(dá)到了83.4%。

目前，由于所獲取的影像數(shù)據(jù)波段數(shù)量較少、光譜信息有限，而且光譜診斷波段及參數(shù)的范圍較窄，導(dǎo)致作物葉綠素含量高光譜反演模型估測(cè)精度普遍低于85%，難以滿足當(dāng)前數(shù)字農(nóng)業(yè)的需求，有待進(jìn)一步深入研究更高精度的作物冠層高光譜估測(cè)模型。為此，本研究以中國(guó)科學(xué)院封丘農(nóng)業(yè)生態(tài)實(shí)驗(yàn)站長(zhǎng)期定位氮肥梯度試驗(yàn)田為研究對(duì)象，研究了玉米冠層光譜反射率與作物葉綠素含量之間的關(guān)系，建立了基于高光譜反射率的玉米冠層葉綠素含量反演模型，并對(duì)模型精度、可靠性進(jìn)行了驗(yàn)證分析，以期為推進(jìn)高光譜遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用提供數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)位于河南省封丘縣(35°01'N，114°24'E)，在中國(guó)科學(xué)院封丘農(nóng)田生態(tài)系統(tǒng)國(guó)家試驗(yàn)站內(nèi)進(jìn)行，該試驗(yàn)站地處黃淮海平原，屬于半干旱半濕潤(rùn)季風(fēng)氣候，多年平均降雨量為615 mm，且60%～90%分布在6—10月，年平均氣溫為13.9℃。定位試驗(yàn)自2008 年一直延續(xù)至今，夏玉米品種為‘鄭單958’，共設(shè)7個(gè)氮肥水平：0、30、70、110、150、190、240 kg(N)hm2/a，磷肥按氮肥施入量的40%施入，不施鉀肥，玉米季磷肥作為基肥一次施入，氮肥肥分別在苗期、灌漿期各施入40%、60%。每個(gè)處理設(shè)置3次重復(fù)，共計(jì)21個(gè)小區(qū)，每個(gè)小區(qū)面積約28 m2，試驗(yàn)當(dāng)天在每個(gè)小區(qū)采集3 個(gè)樣本，共計(jì)63個(gè)樣本，其中前2次重復(fù)小區(qū)中42個(gè)樣本數(shù)據(jù)設(shè)為數(shù)據(jù)集Ⅰ，用于模型校正，第3次重復(fù)小區(qū)中21個(gè)樣本數(shù)據(jù)設(shè)為數(shù)據(jù)集Ⅱ，用于模型驗(yàn)證（如圖1）。

圖1 基于高光譜數(shù)據(jù)合成的實(shí)驗(yàn)區(qū)真彩色影像圖

1.2 數(shù)據(jù)獲取與處理方法

無人機(jī)搭載的傳感器為Resonon PIKA L 高光譜成像儀，PIKA L 采用非凝視成像原理，拍攝方式為線掃式，光譜范圍為400～1000 nm，波段數(shù)200，光譜分辨率3 nm。無人機(jī)飛行高80 m，設(shè)定航速1 m/s。傳感器鏡頭焦距17 mm，視場(chǎng)角17.6°，鏡頭垂直向下，地面分辨率5 cm，航拍面積0.25 km2覆蓋整個(gè)研究區(qū)。

本研究以小型系統(tǒng)性試驗(yàn)田為研究靶區(qū)，獲取的高光譜影像的預(yù)處理流程如下：（1）由于原始影像數(shù)據(jù)為信號(hào)DN值，無單位，需要通過輻射定標(biāo)文件將原始影像轉(zhuǎn)換為輻射率圖像，本研究利用Spectronon Pro軟件將高光譜影像輻射亮度轉(zhuǎn)換成反射率數(shù)據(jù)；（2）在Spectronon Pro軟件中根據(jù)飛行高度、視場(chǎng)角等參數(shù)信息對(duì)高光譜影像進(jìn)行粗校正；（3）基于差分GPS（Trimble GeoXH，美國(guó)天寶公司）獲得的地面靶標(biāo)點(diǎn)坐標(biāo)數(shù)據(jù)，利用ArcGIS 10.3軟件對(duì)高光譜影像進(jìn)行手動(dòng)精幾何校正；（4）最后，在Spectronon Pro軟件中對(duì)獲得的影像進(jìn)行拼接，利用ENVI 5.1軟件裁切生成研究區(qū)高光譜影像。

根據(jù)葉綠素地面測(cè)量對(duì)應(yīng)的樣點(diǎn)位置構(gòu)建感興趣區(qū)域(region of interest，ROI)，采集該樣點(diǎn)玉米葉片的光譜反射率，得到各樣點(diǎn)的反射率光譜數(shù)據(jù)。

1.3 玉米葉片SPAD值測(cè)量

為同步、快速、無損獲得玉米葉片葉綠素含量，采用JN-4N型葉綠素測(cè)定儀，測(cè)得葉片SPAD值。JN-4N型手持葉綠素儀2 個(gè)LED 光源發(fā)射2 種光，一種是紅光（峰波長(zhǎng)650 nm），一種是紅外線(940 nm)，2 種光穿透葉片，打到接收器上，光信號(hào)轉(zhuǎn)換成模擬信號(hào)，模擬信號(hào)被放大器放大，由模擬/數(shù)字轉(zhuǎn)換器轉(zhuǎn)換成數(shù)字信號(hào)，數(shù)字信號(hào)被微處理器處理后計(jì)算出SPAD 值。本研究在每個(gè)小區(qū)選取3個(gè)樣點(diǎn)，63個(gè)樣點(diǎn)，同步測(cè)得玉米葉片SPAD值。每個(gè)樣點(diǎn)的玉米選擇3片葉子測(cè)量，每片葉子不同部位測(cè)3個(gè)SPAD值，取平均值作為該片葉子的SPAD值，并記錄樣點(diǎn)位置。

1.4 反演模型構(gòu)建與檢驗(yàn)

過去研究發(fā)現(xiàn)，反射光譜在可見光及中遠(yuǎn)紅外區(qū)域是診斷作物葉片葉綠素含量的敏感波段，葉綠素作物葉片的重要賦色成分，其含量高低對(duì)反射光譜產(chǎn)生一定影響[9,12-13]，研究區(qū)不同葉綠素含量的光譜反射曲線形態(tài)特征基本一致（圖2）。在可見光波段400～650 nm 范圍內(nèi)光譜曲線呈先上升后下降趨勢(shì)，650～760 nm范圍呈先下降后快速上升趨勢(shì)，具有明顯的反射峰和吸收谷；在近紅波段(760～900 nm)范圍趨于上升趨勢(shì)，且不同葉綠素含量的光譜反射率較為容易區(qū)分。由于原始光譜數(shù)據(jù)是離散的數(shù)據(jù)，本研究采用如下公式對(duì)光譜儀采集原始光譜數(shù)據(jù)進(jìn)行一階微分計(jì)算[14]。選取夏玉米葉片光譜“三邊”特征的參數(shù)、反射峰與吸收帶位置、植被光譜指數(shù)等17個(gè)前人構(gòu)建的高光譜特征參數(shù)（表1）；以光譜特征參數(shù)為自變量利用回歸法建立葉綠素含量的估算模型[12,15]。將試驗(yàn)獲得的數(shù)據(jù)集Ⅰ用于模型校正，數(shù)據(jù)集Ⅱ用于模型驗(yàn)證。通過對(duì)比各模型的建模決定系數(shù)R2、極值(Max、Min)、極差(Range)、變異系數(shù)(Coefficient of Variation)、平均絕對(duì)誤差率(Mean Absolute Percentage Error，MAPE)和殘差均方根(Root Mean Squared Residual，RMSR)篩選出最優(yōu)模型用以研究區(qū)春小麥的葉綠素含量的反演。R2用以估測(cè)模型的穩(wěn)定程度，越接近于1 說明模型的穩(wěn)定性越好，最大值(Max)、最小值(Min)、極差(Range)和變異系數(shù)(Coefficient of Variation，C.V.)能反映不同診斷模型對(duì)空間變異性的表達(dá)能力，平均絕對(duì)誤差率(Mean Absolute Percentage Error，MAPE)和殘差均方根(Root Mean Squared Residual)則從另一角度表征診斷模型的估測(cè)結(jié)果與“真值”的擬合程度，其計(jì)算公式如式(1)～(2)所示。

表1 反射光譜特征參數(shù)

式中，xi為采樣調(diào)查法土壤有機(jī)碳密度測(cè)定值，xi為土壤有機(jī)碳密度估測(cè)值，n為樣本數(shù)量。

本研究利用ENVI 5.1 軟件進(jìn)行光譜數(shù)據(jù)讀取與波段運(yùn)算，在SPSS 22.0 軟件中進(jìn)行模型構(gòu)建與檢驗(yàn)，采用ArcGIS 10.3軟件制圖。

2 結(jié)果與分析

2.1 不同SPAD值的玉米冠層葉片反射光譜特征

從高光譜影像中提取SPAD測(cè)樣點(diǎn)位置的平均反射光譜特征曲線，得到玉米葉片反射光譜對(duì)7 種不同SPAD 值水平的響應(yīng)，并在玉米地臨近地塊獲取裸地的平均反射光譜特征曲線（圖2）。總體上，不同施氮水平下葉片光譜曲線形狀相似，可見光區(qū)域(400～700 nm)植物冠層的光譜反射率均較低，其光譜曲線存在一個(gè)反射峰和一個(gè)吸收谷，即550 nm左右區(qū)域的綠光與690 nm左右區(qū)域的紅光，該波長(zhǎng)范圍內(nèi)玉米葉片SPAD高值區(qū)的光譜反射率低于SPAD低值區(qū)。與可見光區(qū)域相比，近紅外區(qū)域光譜反射率大幅上升，特別是在690～750 nm之間的光譜反射率急劇上升，形成植被光譜的最重要特征——紅邊。不同SPAD值的玉米冠層葉片在750～900 nm之間的光譜反射率差異顯著，高量施氮處理冠層葉片光譜反射率顯著高于低量施氮處理。裸地光譜曲線隨波長(zhǎng)增加均勻增加，符合該地物的典型特征，說明本文獲取的高光譜數(shù)據(jù)具有一定的可靠性。

圖2 玉米與裸地光譜特征曲線

2.2 玉米冠層葉片SPAD值診斷模型構(gòu)建及精度分析

本研究分別將數(shù)據(jù)集Ⅰ中42個(gè)訓(xùn)練樣本SPAD(R)值進(jìn)行了Log(R)、Log(1/R)、1/R、SQRT(R)、SQRT(1/R)5種數(shù)學(xué)變換，將17個(gè)光譜參數(shù)根據(jù)其特性劃分為4組，分別為反射曲線“三邊”斜率及其位置、葉綠素的反射峰與吸收帶位置、反射曲線“三邊”面積、光譜指數(shù)與葉綠素含量相關(guān)的植被指數(shù)。為了簡(jiǎn)化模型參數(shù)，在建模前對(duì)各參數(shù)進(jìn)行篩選，篩選出與SPAD值或其變換值關(guān)系緊密的的光譜參數(shù)作為診斷模型備選參數(shù)，具體為：根據(jù)相關(guān)系數(shù)大小，篩選出各組參數(shù)中與SPAD值變換前后相關(guān)性最大且達(dá)到顯著水平的備選參數(shù)，分別為λr、Rg、SDb和NDVI。備選光譜參數(shù)λr、Rg、SDb、NDVI與SPAD變換前后值相關(guān)系數(shù)變化范圍分別為：-0.89～0.79、-0.91～0.90、-0.84～0.84、-0.88～0.89，由Pearson相關(guān)矩陣圖（圖3）可以看出，變換前后的SPAD值變換后與備選光譜參數(shù)相關(guān)性系數(shù)均大于同組其他參數(shù)。因此，本研究中將變換前后的APAD 值作為因變量、備選光譜參數(shù)作為自變量，做進(jìn)一步診斷模型建模分析。

圖3 玉米冠層SPAD值變換前后與光譜參數(shù)Pearson相關(guān)性分析矩陣圖

將變換前后的SPAD值與光譜參數(shù)回歸分析結(jié)果顯示（表2），備選光譜參數(shù)與變換前后的SPAD值擬合程度均達(dá)到了顯著性水平，視為該分析結(jié)果具有參考價(jià)值。Rg與變換前后的SPAD值回歸方程的R2最大，變化范圍為0.79～0.83，光譜參數(shù)SDb與NDVI的回歸方程次之，變化范圍分別為0.69～0.71、0.74～0.80，λr的R2最小，變化范圍為0.15～0.19。分析結(jié)果還顯示，與SPAD值相比，數(shù)學(xué)變換后的SPAD值與光譜參數(shù)回歸分析的R2值呈下降趨勢(shì)，MAPE值呈顯著上升趨勢(shì)，RMSR值無明顯變化。由此可見，通過一元回歸分析所建立的診斷模型預(yù)測(cè)能力隨參數(shù)變化而呈現(xiàn)顯著差異，最高可解釋因變量83%，最低不足20%，對(duì)SPAD進(jìn)行數(shù)學(xué)變換并不能提升診斷模型預(yù)測(cè)能力，反而增加了預(yù)測(cè)結(jié)果誤差。因此，未進(jìn)行數(shù)學(xué)變換的SPAD值與備選光譜參數(shù)所建立的一元回歸方程可認(rèn)為是本研究中的精度較高的一類預(yù)測(cè)模型，本文將該預(yù)測(cè)模型統(tǒng)稱為“一元診斷模型”。

表2 玉米冠層SPAD值變換前后與光譜參數(shù)單變量線性回歸分析

為了進(jìn)一步提升診斷模型預(yù)測(cè)能力，基于上述分析結(jié)果，本文將SPAD值作為因變量、4 個(gè)備選光譜參數(shù)作為自變量，采用逐步回歸方法做多變量回歸分析，以回歸分析方程的R2值最接近1 為原則，最終得出基于多變量的SPAD值最優(yōu)預(yù)測(cè)模型，結(jié)果如表3 所示，診斷模型的R2值為0.93，MAPE、RMSR值分別為0.13、0.26。可見，與“一元診斷模型”相比，該模型的預(yù)測(cè)精度得到顯著提升，預(yù)測(cè)結(jié)果誤差也未出現(xiàn)明顯增加。因此，本文將基于光譜參數(shù)λr、Rg、SDb、NDVI的多元回歸方程作為最優(yōu)預(yù)測(cè)模型，并將該預(yù)測(cè)模型定義為“多元診斷模型”。

2.3 玉米葉片SPAD值高光譜影像反演及精度

為了檢驗(yàn)診斷模型預(yù)測(cè)能力，本文利用數(shù)據(jù)集Ⅱ中的21個(gè)樣本數(shù)據(jù)驗(yàn)證“一元診斷模型”和“多元診斷模型”的精度?；凇耙辉\斷模型”SPAD預(yù)測(cè)值與實(shí)測(cè)值的回歸分析結(jié)果如圖4 所示，擬合方程R2分別為0.6183、0.7345、0.2867、0.8945。盡管基于光譜參數(shù)NDVI的“一元診斷模型”的預(yù)測(cè)值與實(shí)測(cè)值達(dá)到較高的決定系數(shù)，但存在偏離1:1 等值線問題，從此說明“一元診斷模型”存在預(yù)測(cè)結(jié)果整體偏移現(xiàn)象，其預(yù)測(cè)極值能力依舊較弱。同理，圖5 為基于“多元診斷模型”預(yù)測(cè)結(jié)果與SPAD實(shí)測(cè)值的回歸分析結(jié)果，由此可以看出，該模型所預(yù)測(cè)的結(jié)果與實(shí)測(cè)值決定系數(shù)較高，R2為0.9285，擬合直線接近于1:1 等值線，由此證明該診斷模型對(duì)極值的預(yù)測(cè)能力較強(qiáng)。因此，基于光譜參數(shù)λr、Rg、SDb、NDVI的“多元診斷模型”為本研究所獲取的最優(yōu)SPAD值預(yù)測(cè)模型，估測(cè)結(jié)果準(zhǔn)確性較高。

圖4 基于“一元診斷模型”SPAD預(yù)測(cè)值與實(shí)測(cè)值的關(guān)系

圖5 基于“多元診斷模型”SPAD預(yù)測(cè)值與實(shí)測(cè)值的關(guān)系

表3“多元診斷模型”精度分析

綜合上述分析結(jié)果，利用ENVI+IDL 軟件平臺(tái)，使用“多元診斷模型”（表3）對(duì)試驗(yàn)區(qū)高光譜影像進(jìn)行填圖（圖6）。結(jié)果顯示，不同施肥處理SPAD值差異十分顯著，能清晰反映不同地塊SPAD值差異，影像上高值區(qū)呈條帶狀分布。這是由于玉米正值拔節(jié)期，部分地塊玉米葉片不能完全覆蓋地面，從而導(dǎo)致玉米行間存在裸露土壤，診斷模型僅對(duì)玉米冠層葉片SPAD值估測(cè)有效，玉米間空隙區(qū)域因而SPAD估測(cè)值較低，故而玉米行間顏色多為紅、黃色圖斑，表示該區(qū)域SPAD較低。在高量施氮處理(F7)地塊，由于氮肥充足，玉米枝葉比較繁茂，完全覆蓋行間土壤，因而影像中條帶狀特征圖斑消失。玉米試驗(yàn)田臨近裸地區(qū)域多為紅、黃色圖斑，僅存在少量藍(lán)色圖斑，這是由于裸地區(qū)域存在少量雜草，其葉片中的葉綠素引起預(yù)測(cè)模型響應(yīng)，該結(jié)果也間接證明了該多元診斷模型對(duì)植物葉片葉綠素具有一定的敏感性。

圖6 基于多元診斷模型玉米冠層葉片SPAD值反演圖

3 結(jié)論

本研究以中國(guó)科學(xué)院封丘農(nóng)業(yè)生態(tài)實(shí)驗(yàn)站長(zhǎng)期定位試驗(yàn)的夏玉米為研究靶區(qū)，利用42 個(gè)玉米冠層SPAD值為訓(xùn)練樣本，采用回歸分析方法，對(duì)高光譜反射率數(shù)據(jù)進(jìn)行反演分析。得出以下結(jié)論。

（1）對(duì)選定的17 個(gè)光譜參數(shù)涵蓋了400～900 nm波段范圍內(nèi)光譜反射率曲線特征、曲線面積及植被指數(shù)等信息，采用相關(guān)性分析方法，從同一類型光譜參數(shù)中遴選與數(shù)學(xué)變換前后SPAD值關(guān)系最緊密的參數(shù)作為建模參數(shù)。光譜參數(shù)λr、Rg、SDb、NDVI分別與SPAD原始值具有較高的決定系數(shù)，分別為0.19、0.83、0.71、0.80，所構(gòu)建的“多元診斷模型”在預(yù)測(cè)精度、結(jié)果穩(wěn)定性等方面均得到明顯提升，在高光譜或多光譜遙感監(jiān)測(cè)方面具有一定的應(yīng)用潛力。

（2）本文采用的參數(shù)篩選與回歸分析建模方法獲取了精度較高的玉米冠層葉綠素含量高光譜預(yù)測(cè)模型，并通過獨(dú)立樣本對(duì)預(yù)測(cè)模型精度進(jìn)行驗(yàn)證分析，其預(yù)測(cè)精度與可靠性較前人研究具有一定的提升。本研究論證了回歸分析建模方法在高光譜遙感在作物冠層葉綠素含量估測(cè)分析的可行性，“多元診斷模型”的決定系數(shù)高達(dá)0.93，同時(shí)揭示了光譜參數(shù)λr、Rg、SDb、NDVI能夠較全面的反演作物冠層葉綠素空間分布特征。

4 討論

玉米拔節(jié)期是整個(gè)生育期的關(guān)鍵時(shí)期，該時(shí)期植株莖葉生長(zhǎng)快速快，光合作用強(qiáng)度大，葉綠素作為重要光合色素，其含量高低可直接決定植株光合效率并進(jìn)一步影響光合產(chǎn)量[16]。過去學(xué)者研究認(rèn)為，通過監(jiān)測(cè)植株葉綠素含量變化能診斷出該時(shí)期作物生長(zhǎng)健康狀況，已經(jīng)成為制定農(nóng)田管理措施的重要參考依據(jù)[17]。研究還表明，葉綠素含量高低對(duì)可見光波段的光譜反射率具有重要影響，其顯著差異主要表現(xiàn)在500～600 nm波段上，葉綠素能吸收大部分的紅光和紫光但反射綠光[18]?；谌~綠素對(duì)特定波長(zhǎng)光譜吸收和反射等特性的認(rèn)識(shí)，國(guó)內(nèi)外已經(jīng)開展了大量關(guān)于作物葉綠素光譜學(xué)診斷研究，如Coste 等[19]利用650 nm 和940 nm 處的透射光的相對(duì)比值來計(jì)算葉綠素含量指標(biāo)。湯旭光等[20]基于可見、近紅外反射光譜反射率估算了作物葉片葉綠素含量，并建立了反演模型。本研究借助長(zhǎng)期定位梯度施肥試驗(yàn)平臺(tái)，構(gòu)建出夏玉米冠層葉片SPAD值梯度變化特征，玉米拔節(jié)期冠層光譜反射率變化表現(xiàn)為：在可見光區(qū)域呈現(xiàn)先增加后降低，最后快速上升，在400～725 nm 波段范圍內(nèi)SPAD值越高對(duì)光譜吸收能力越強(qiáng)，呈低反射率特征，相反，725～900 nm近紅外波段SPAD值越高光譜反射率越高。這些光譜特征與植物葉片葉綠素的特征密切相關(guān)，葉綠素是一種能吸收光能含脂的色素物質(zhì)，將吸收的紅光和藍(lán)紫光能量轉(zhuǎn)換成化學(xué)能，而不能吸收綠光光能，因而SPAD值越高光譜反射率越低，在550 nm 左右波段呈現(xiàn)反射峰[21]。由于色素和纖維素在近紅外波段的吸收較低，光線在葉片細(xì)胞結(jié)構(gòu)經(jīng)過多次散射致使接近50%的光線被反射，當(dāng)植株?duì)I養(yǎng)狀況較好時(shí)葉片內(nèi)葉綠素含量高、細(xì)胞層較多、葉肉與細(xì)胞間空隙較厚能進(jìn)一步增加光譜反射率，最終表現(xiàn)為SPAD值越高，725～900 nm波段光譜反射率越高[22]。根據(jù)上述光譜特征能清晰區(qū)分不同SPAD值對(duì)應(yīng)光譜特征曲線（圖2），為進(jìn)一步構(gòu)建玉米冠層葉片SPAD值診斷模型提供了可靠的數(shù)據(jù)基礎(chǔ)。

以光譜特征曲線為依據(jù)，本研究將“三邊”特征參數(shù)與植被指數(shù)作為構(gòu)建診斷模型的候選參數(shù)，采用微分光譜的方法，對(duì)原始光譜做一階微分，用來表征“三邊”極值、位置、面積等特征信息。微分光譜具有與SPAD值相關(guān)性高、獨(dú)立于土壤背景及減弱或消除測(cè)量誤差干擾等優(yōu)點(diǎn)，如茹克亞·薩吾提等[23]對(duì)原始光譜的數(shù)據(jù)進(jìn)行微分預(yù)處理后，通過0.01水平顯著性檢驗(yàn)的波段數(shù)量明顯增加，并且指數(shù)微分處理能夠增加葉綠素估算精度。袁杰等[24]研究也認(rèn)為一階微分光譜數(shù)值可以較好的反演作物生長(zhǎng)信息和葉綠素密度等信息。本研究以長(zhǎng)期定位試驗(yàn)田為研究靶區(qū)，為簡(jiǎn)化模型參數(shù)，有效消除同類型參數(shù)同時(shí)參數(shù)模型構(gòu)建所帶來的數(shù)據(jù)冗余，將獲取的微分光譜數(shù)值和植被指數(shù)等17個(gè)光譜參數(shù)根據(jù)其特性劃分為四類。采用相關(guān)性分析方法，根據(jù)光譜參數(shù)與葉綠素值相關(guān)系數(shù)大小遴選的4個(gè)構(gòu)建診斷模型的光譜參數(shù)，首先將單個(gè)光譜參數(shù)與數(shù)學(xué)變換前后的SPAD值構(gòu)建一元回歸預(yù)測(cè)方程，與已有研究結(jié)果不同[23]，本研究發(fā)現(xiàn)數(shù)學(xué)變換后的SPAD值與光譜參數(shù)間的擬合度并未得到明顯提高。因此，將SPAD原始數(shù)值與λr、Rg、SDb、NDVI的回歸方程作為優(yōu)選的“一元診斷模型”，并進(jìn)一步構(gòu)建“多元診斷模型”。通過對(duì)比決定系數(shù)R2大小，“一元診斷模型”預(yù)測(cè)能力低于“多元診斷模型”，驗(yàn)證樣本對(duì)這兩種模型驗(yàn)證結(jié)果更進(jìn)一步印證了“多元診斷模型”的可靠性，其預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果決定系數(shù)R2達(dá)到0.9285，擬合直線斜率為1.0132。與前人研究結(jié)果相比，本研究中構(gòu)建的“多元診斷模型”預(yù)測(cè)精度得到明顯提升，因此，本研究推薦基于光譜參數(shù)λr、Rg、SDb、NDVI的“多元診斷模型”為SPAD值最優(yōu)高光譜診斷模型。

本研究利用高光譜400～900 nm 波段診斷玉米冠層SPAD值變化，其結(jié)果與前人研究具有一致性，但該診斷模型決定系數(shù)有一定提高，光譜參數(shù)數(shù)量更少，模型結(jié)構(gòu)更加簡(jiǎn)單[12-13]。“多元診斷模型”包含的光譜參數(shù)綜合考慮了光譜反射曲線特征、曲線面積及植被指數(shù)等信息，能夠完整反映整個(gè)光譜波段范圍(400～900 nm)內(nèi)高光譜信息，并有效規(guī)避了因同類型光譜參數(shù)攜帶類似信息所造成的數(shù)據(jù)冗余，提高模型診斷能力的同時(shí)簡(jiǎn)化了模型參數(shù)，在高光譜或多光譜遙感監(jiān)測(cè)中具有一定的應(yīng)用潛力。然而，由于驗(yàn)證樣品數(shù)量有限，本研究所建立的SPAD高光譜診斷模型可靠性及普適性仍需進(jìn)一步驗(yàn)證。