基于多個高光譜參數的玉米葉片葉綠素含量估測模型

武倩雯，熊黑鋼,2，靳彥華，王莉鋒，王凱龍

(1.新疆大學資源與環境科學學院，教育部綠洲生態重點實驗室， 新疆 烏魯木齊 830046；

2.北京聯合大學應用文理學院， 北京 100083)

?

基于多個高光譜參數的玉米葉片葉綠素含量估測模型

武倩雯1，熊黑鋼1,2，靳彥華1，王莉鋒1，王凱龍1

(1.新疆大學資源與環境科學學院，教育部綠洲生態重點實驗室， 新疆 烏魯木齊 830046；

2.北京聯合大學應用文理學院， 北京 100083)

摘要：采用FieldSpecPro3光譜儀和SPAD-502葉綠素儀分別測定玉米葉片的光譜與其相對應的葉綠素含量，通過分析紅邊位置、藍邊位置以及綠峰位置等高光譜參數與葉綠素含量的關系，建立葉綠素含量的單、雙和多變量光譜預測模型。結果表明： 在可見光區域，玉米葉綠素含量高，光譜反射率低，而進入近紅外區則剛好相反，葉綠素含量高，光譜反射率高； 紅邊位置、綠峰位置及藍邊位置各高光譜參數與葉綠素含量的相關性均達極顯著。其中紅邊位置與葉綠素含量的相關性最高，相關系數達0.84； 利用所選的3個高光譜參數分別建立的單、雙以及三變量模型，雖然大多數模型的精度R2大于0.71，但分析對比得出利用紅邊、藍邊及綠峰位置3個變量建立的模型具有最大模型精度R2、最小標準誤差(S)和均方根誤差(RMSE)，因此其模型預測能力較優。

關鍵詞：玉米葉片；葉綠素含量；估測模型

葉綠素含量是作物生長過程中一個重要的生理指標，對植被光合能力、發育階段以及營養狀況有重要的指示作用[1]，實時掌握玉米葉綠素含量及冠層光譜的動態變化，可以對玉米群體光合能力及營養狀況進行有效監測，在玉米生長與產量預測以及精確診斷與動態調控中具有重要意義。

國內外學者對建立作物葉綠素含量的最佳預測模型方面已有很多研究，并取得了一系列成果：通過對不同植被的光譜與葉綠素含量的研究，從而尋找它們各自的敏感波段[2]；分析作物不同生長期葉綠素含量與光譜的關系，建立不同生長階段的最適模型[3]；采用不同指數對葉綠素含量進行建模并且檢驗其模型精度[4]；利用反射光譜數據，特別是紅邊參數估計作物葉綠素[5]、氮素營養狀況[6]、葉面積指數[7]等；玉米、水稻的“紅邊”位置能很好地反映葉片葉綠素含量的信息[8]；通過研究植被光譜與葉綠素濃度的關系提出了光譜紅邊位置在植被葉綠素濃度估計中的重要作用[9]等。

這些研究大都是基于“紅邊”這一單變量建立作物葉綠素含量預測模型，而作物光譜的“峰谷”吸收特征是由葉片中相對應的生化物質引起的，這些化學成分是混合在一起的，彼此間加強或削弱了各自的吸收特征。所以，估測作物的某一生化成分時只用單一變量是不夠的，需要進行變量選擇和重組。由于玉米葉綠素含量不僅與紅邊位置相關性好[8]，與綠峰以及藍邊位置也具有較好的相關性[10]，并且這3個參數都是基于可見光波段，而此波段的反射率主要受葉片葉綠素含量的影響，因此它們能更好地反應葉綠素含量信息。本文在前人研究的基礎上，分析多個玉米高光譜參數與其葉綠素含量之間的關系，建立預測模型。通過對比分析，選擇最優的玉米葉片葉綠素含量預測模型。

1材料與方法

1.1研究區概況

研究區位于奇臺縣(43°25′～45°29′N，89°13′～91°22′E)，地處新疆維吾爾自治區東北部，天山山脈東段博格達山北麓，準噶爾盆地東南緣。東邊與木壘哈薩克自治縣為鄰，西邊相接吉木薩爾縣，南連吐魯番市、鄯善縣，西北與富蘊縣、青河縣相交，東北與蒙古國接壤。南北長250 km，東西寬約45～150 km，總面積為1.81×104km2，邊界線長達131.47 km，是新疆的邊境縣之一。年平均氣溫5.5℃，7月份最高氣溫43℃，1月份極端最低氣溫-42.6℃。年平均降水176 mm，蒸發潛力2 141 mm，無霜期平均156 d，年平均風速2.9 m·s-1。夏季炎熱，冬季寒冷， 四季分明，屬于典型的中溫帶大陸性干旱半干旱氣候。

2012年7月在平原區選擇3塊依靠井水灌溉的水澆地玉米，并用GPS進行現場定位。玉米行距50 cm，苗高大約2 m，葉寬大約10 cm，整體長勢較均勻，覆蓋度達95%～100%。品種是新玉23號，于4月中旬播種，9月底至10月初收獲。4月25日左右澆第一次水，在整個生長期共澆水6～7次，施肥1～2次，主要是底肥、農家肥、尿素以及二胺分別約30 kg·667m-2。

1.2冠層光譜的采集及預處理

采用美國ASD公司的FieldSpecPro3光譜儀于2012年7月采集玉米光譜反射率數據,其測量的波長范圍為350～2 500 nm。去除受外界噪聲影響較大的波段1 000～2 500 nm，取350～1 000 nm。這一波段包括了遙感常用的可見光和近紅外波段，可滿足本文分析要求。試驗選擇晴朗無云或少云的天氣，光譜儀探頭垂直向下，距玉米冠層頂部垂直高度約15 cm，視場角25°，每次采集玉米光譜前后進行白板校正以去除暗電流影響。選擇65個點進行光譜測定，每點重復測量5次取平均值作為該點光譜測量的結果。

采用移動平均法對實測光譜進行去噪處理[11]，即選取測定樣本某一點前后光譜曲線上一定范圍測定它的平均值。作為該點的值。公式：

(1)

1.3葉綠素含量的測定

日本Minolta Camera公司生產的SPAD-502葉綠素儀通過測量葉片在兩種波長范圍內的透光系數來確定葉片葉綠素含量或 “綠色度”。測量光譜的同時，采用對植物無破壞性的SPAD-502葉綠素儀測定SPAD值(Soil plant analysis development)，以此代表玉米葉綠素含量[12-14]。在光譜儀探頭所能輻射的范圍內，選取不同方向的玉米葉片各5片，每片葉隨機選取10個點測定其葉綠素含量，最終取5片葉的平均值。

1.4光譜參數選取

選取紅邊位置、藍邊位置和綠峰位置3個光譜參數，它們是描述植被色素狀態和健康狀況的重要指示波段。紅邊位置是在680～740 nm波長范圍內的最大一階微分值對應波長。當綠色植被葉綠素含量高、生長旺盛時，“紅邊位置”會向長波方向偏移，即紅移，反之，當綠色植被衰老或感染病蟲害，葉綠素含量減少時，“紅邊位置”將向短波方向偏移，即“藍移”[15-16]。490～530 nm內的最大一階微分值對應的波長為藍邊位置。在500～600 nm區間原始光譜出現峰值，將在此范圍內光譜反射率的峰值對應的波長作為綠峰位置[10]。

1.5精度評價

將總樣本隨機劃分為兩組，其中一組用于建立玉米葉片葉綠素含量預測模型，剩余一組用于模型精度檢驗。用模型精度(R2)、標準誤差(S)和均方根誤差(RMSE)對預測模型進行精度評價[17]。計算公式為：

(2)

(3)

(4)

2結果與分析

2.1不同葉綠素含量的玉米冠層光譜特征

將用于建模樣本的光譜數據按葉綠素含量大小分為三組，得到不同葉綠素含量水平的玉米葉片反射光譜變化曲線(圖1)?？傮w來說，玉米葉片光譜曲線具有一般健康植被光譜的“峰和谷”特征。在450～500 nm與650～700 nm之間，藍、紅光波段形成兩個低反射谷，由于在此波段范圍內光輻射被葉片中的葉綠素全部吸收進行光合作用，因而具有較低的反射率。從500 nm起葉片的吸收減少,形成一個小的反射峰。從680～740 nm，反射率有一個極大的增加過程，在740 nm以后曲線趨于平緩，成為高反射平臺區。在可見光波段，不同葉綠素含量的光譜反射率表現出的總體特點是：SPAD 35>SPAD 40>SPAD 46,而在近紅外區域，其呈現出的特點與可見光波段完全相反，即SPAD 46>SPAD 40>SPAD 35。這是因為在可見光波段，玉米葉片反射率主要取決于葉綠素含量的多少。葉綠素含量多，吸收率高，反射率就低。而近紅外區域玉米葉片光譜反射率一般受葉片內部細胞結構的影響，葉綠素含量高的葉片，其內部細胞更為復雜，因而反射率高。

2.2玉米葉綠素含量與其紅邊、綠峰和藍邊位置的相關性

玉米紅邊、藍邊以及綠峰位置分別與葉綠素含量的相關分析表明，它們與葉綠素含量具有良好的相關性且均達極顯著水平(P<0.01)(表1)。其中，紅邊位置和藍邊位置分別與葉綠素含量呈極顯著正相關，相關系數分別為0.84和0.61；而綠峰位置與葉綠素含量呈極顯著負相關，r=-0.75。因此，可用這些高光譜參數建立玉米葉綠素含量估測模型。

注：** 極顯著水平(P<0.01)；* 顯著水平(P<0.05)

Note:“**”shows significant correlation atP<0.01; “*” significant correlation atP<0.05.

2.3玉米葉綠素含量估測模型的建立

利用回歸分析法，以葉綠素含量為因變量，分別以紅邊位置、藍邊位置、綠峰位置、紅邊和藍邊位置、紅邊和綠峰位置、藍邊和綠峰位置以及紅邊、藍邊和綠峰位置為自變量建立玉米葉綠素含量的預測模型(曲線模型R2與一次線性模型相當，因此，只做一次線性模型)。

依據模型精確度R2最大和標準誤差最小的原則，可以看出基于3個變量建立的模型預測能力最好，其次是利用紅邊與綠峰位置、紅邊與藍邊位置、藍邊與綠峰位置建立的雙變量模型，最后是分別基于紅邊位置、綠峰以及藍邊位置建立的單變量模型(表2)。

2.4精度評價

利用25個樣本對玉米葉綠素含量估測模型進行精度評價。找出建模樣本的紅邊位置、藍邊位置和綠峰位置，分別將其代入不同的預測模型計算葉片葉綠素含量，并將結果與實際測定的玉米葉片葉綠素含量進行對比，以此來檢驗模型精度(圖2)。

通過檢驗可知：在單變量預測模型中，由于紅邊位置與葉綠素含量關系密切，作物在生長過程中隨著葉綠素含量的升高，紅邊位置則向長波方向移動，反之亦然；因此，其模型精度不僅最高，而且不論是R2還是S均接近雙變量模型。雙變量模型預測能力優于單變量模型。利用3個變量(紅邊、藍邊和綠峰位置)建立的預測模型最好，其模型精度R2=0.81最大，標準誤差和均方根誤差均最小(S=2.348、RMSE=1.973)，預測值與實測值的相關性達0.93。這是因為作物葉綠素含量不僅僅反映在紅邊位置，其受多種因素的共同影響，而紅邊位置、藍邊位置以及綠峰位置是描述植物色素狀態和健康狀況的重要指示波段[1,15-18]，三者結合能更好地反映作物的葉綠素含量情況，所建模型預測能力更高。

表2　玉米葉綠素含量估測模型

圖2不同模型實測值與預測值之間的關系

Fig.2Relationships between the measured and predicted values from different models

注：(a)紅邊位置；(b)藍邊位置；(c)綠峰位置；(d)紅邊位置和藍邊位置；(e)紅邊位置和綠峰位置；(f)藍邊位置和綠峰位置；(g)紅邊位置、綠峰位置和藍邊位置

Note: (a) red edge; (b) blue edge; (c) green peak; (d) red edge and blue edge; (e) red edge and green peak; (f) blue edge and green peak; (d) red edge, blue edge and green peak.

3討論

葉綠素含量是植物營養脅迫、光合作用能力和生長狀況的良好指示指標，直接控制著植被能量和物質交換。前人在建立玉米葉綠素含量的估測模型方面已經做了很多工作。采用不同指數對葉綠素含量進行建模并且檢驗其模型精度，對不同色素含量與其光譜特征的關系進行研究[4,19]；唐延林等[20]在玉米高光譜與紅邊特征的分析中，利用紅邊參數建立葉綠素含量預測模型等；吉海彥等[21]利用偏最小二乘方法建立了冬小麥葉片葉綠素和水分含量與反射光譜的定量分析模型等。但大多數研究都是經過相關分析后選擇相關性較大的某一個指數或參數建立葉綠素含量的預測模型。由于作物的葉綠素含量受多種因素影響，所以只選用一種參數是遠遠不夠的。本文是在前人研究的基礎上選擇與葉綠素含量相關性較大的3個參數，分別基于它們建立葉綠素含量的多變量預測模型。本試驗的數據樣本是在干旱地區采集的，由于樣本有限及環境條件不同，所建模型能否適應其他地區及不同地類種植的玉米還需進一步研究。

4結論

本文測定了玉米葉片光譜及其對應的葉綠素含量，分析玉米葉片光譜紅邊、藍邊以及綠峰位置3個變量分別與葉綠素含量的相關性，并建立玉米葉片葉綠素含量監測的單變量、雙變量和三變量模型。通過分析對比得出：利用紅邊、藍邊及綠峰位置3個變量建立的玉米葉片葉綠素含量預測模型最優，其模型預測值與實測值相關系數達0.93,均方根誤差RMSE最小，為1.973。其次是雙變量模型，最后是單變量模型。

參 考 文 獻：

[1]Co Minolta. Chlorophyll SPAD-502 Instruction Manual[Z]. Radiometeric Instruments Operations,1989:17-21.

[2]劉克,趙文吉,郭逍宇,等.野鴨湖典型濕地植物光譜特征[J].生態學報,2010,30(21):5853-5861.

[3]王凱龍,熊黑鋼,張芳.干旱區冬小麥不同生長階段的光譜特征與葉綠素含量估測研究[J].干旱區資源與環境,2013,27(11):45-49.

[4]楊杰,田永超,等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態學報,2009,12(29):6561-6571.

[5]袁杰,王登偉,黃春燕,等.基于高光譜數據的棉花葉綠素密度定量提取研究[J].干旱地區農業研究,2007,25(3):89-93.

[6]張雪紅,劉紹民,何蓓蓓.不同氮素水平下油菜高光譜特征分析[J].北京師范大學學報(自然科學版),2007,43(3):245-249.

[7]黃敬峰,王淵,王福民,等.油菜花紅邊特征及其葉面積質素的高光譜估算模型[J].農業工程學報,2006,22(8):22-26.

[8]吳長山,童慶禧,鄭蘭芬,等.水稻、玉米的光譜數據與葉綠素的相關分析[J].應用基礎與工程科學學報,2000,8(1):31-37.

[9]Horler D N H, Barber J, Barringer A R. Effects of heavy metals on the absorbance and reflectance spectra of plants[J]. International Journal of Remote Sensing，1980,1(2):121-136.

[10]錢育蓉,楊峰,李建龍,等.利用高光譜數據快速估算高羊茅牧草光合色素的研究[J].草業學報,2009，18(4):94-102.

[11]何挺,王靜.土壤氧化鐵光譜特征研究[J].地理與地理信息科學,2006,3(2):30-34.

[12]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值的關系[J].西北林學院學報,2010,25(2):35-39.

[13]朱新開,盛海君,顧晶,等.應用SPAD值預測小麥葉片葉綠素和氮含量的初步研究[J].麥類作物學報,2005,25(2):46-50.

[14]盧曉萍,楊丙賢,徐嬋娟,等.3種小檗科植物葉片SPAD值與葉綠素的相關性及通徑分析[J].浙江大學學報(農業與生命科學版),2012,39(3):261-266.

[15]張金恒,王珂,王人潮.高光譜評價植被葉綠素含量的研究進展[J].上海交通大學學報(農業科學版),2003,21(1):742-780.

[16]張永賀,郭嘯用,褚武道.等.基于紅邊位置的木荷葉片葉綠素含量估測模型研究[J].紅外與激光工程,2013,42(3):798-804.

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

[18]黃春燕,王登偉,張煜星.基于棉花紅邊參數的葉綠素密度及葉面積指數的估算[J].農業工程學報,2009,25(增刊2):137-141.

[19]張俊華,張佳寶.夏玉米光譜特征對其不同色素含量的響應差異[J].西北農業學報,2010,19(4):70-76.

[20]唐延林,王秀珍,等.玉米高光譜與紅邊特征的分析[J].山地農業生物學報,2003,22(3):189-194.

[21]吉海彥,王鵬新,嚴泰來.冬小麥活體葉片葉綠素和水分含量與反射光譜的模型建立[J].光譜學與光譜分析,2007,27(3):514-516.

Prediction model on chlorophyll content in maize leaf based on

several high spectral parameters

WU Qian-wen1, XIONG Hei-gang1,2, JIN Yan-hua1, WANG Li-feng1, WANG Kai-long1

(1.CollegeofResources&EnvironmentScience,XinjiangUniversity,KeyLaboratoryof

OasisEcologyMinistryofEducation,Urumqi,Xinjiang830046,China;

2.CollegeofAppliedArts&Science,BeijingUnionUniversity,Beijing100083,China)

Abstract：In this research, FieldSpecPro3 spectroscopy and SPAD-502 chlorophyll meter were used to measure the spectrum of corn leaf chlorophyll content and its amount respectively. Through the analysis on the relationships between chlorophyll content and parameters of red, blue, and green edge positions and spectral peak positions, single, double and multivariate spectral prediction models about the chlorophyll content were established. The results showed that in the visible spectrum, the higher corn chlorophyll content, the lower reflectance spectrum. However, exact opposite was observed in the infrared spectrum. Spectral parameters of red edge, green peak and blue edge positions were in significant correlations with the chlorophyll content, reaching up to 0.84 between red edge position and the chlorophyll content. As a result, single, double and three-variable models using three high spectral parameters were established. Although the accuracy ofR2 were mostly greater than 0.71, it was further suggested that three-variable model had the best accuracy inR2, the minimal standard deviation (S) and root mean square error (RMSE), which might provide better prediction results than the other two models.

Keywords:maize leaf; chlorophyll content; prediction models

中圖分類號：S513

文獻標志碼：A

通信作者：熊黑鋼(1956—)，男，湖南湘鄉人，博士，教授，博士生導師，主要從事資源與環境研究。 E-mail: heigang@sbuu.edu.cn。

作者簡介：武倩雯(1989—)，女，陜西寶雞人，碩士，主要研究方向為干旱區資源與環境。 E-mail:wqw200952199@163.com。

基金項目：國家自然科學基金(41171165)；北京市屬高等學校高層次人才引進與培養計劃項目(IDHT20130322)；北京聯合大學人才強校計劃資助項目(BPHR2012E01)

收稿日期：2014-12-10

doi:10.7606/j.issn.1000-7601.2016.01.31

文章編號：1000-7601(2016)01-0201-05