基于高光譜的甜菜SPAD值估算研究

王　輝，田海清，李　哲，徐　琳，李　斐，史樹德

(內蒙古農業大學 機電工程學院， 呼和浩特　010018)

?

基于高光譜的甜菜SPAD值估算研究

王輝，田海清，李哲，徐琳，李斐，史樹德

(內蒙古農業大學 機電工程學院， 呼和浩特010018)

摘要：葉綠素作為植物體內參與光合作用的重要色素，其含量對作物生長狀況、產量和品質有很大影響。為此，利用野外便攜式ASD光譜儀，實測了田間甜菜冠層光譜數據，且用SPAD-502葉綠素儀測定葉片SPAD值。基于原始光譜和一階導數光譜與SPAD值相關性，選取植被指數和波段深度信息建立SPAD值預測模型，并用對照田試驗數據對模型進行驗證。通過對比植被指數建立的回歸模型及波段深度分析，結合多元逐步回歸建立的估算模型可知，波段深度比(BDR)結合SMLR建立的估算模型驗證結果最好(RMSE=2.54，RE=4.5%)。研究結果表明：導數處理能提高光譜數據與SPAD值相關系數，波段深度信息結合多元逐步回歸相比植被指數能提高SPAD值估算精度。

關鍵詞：葉綠素；光譜；SPAD值；甜菜

0引言

葉綠素作為植物進行光合作用的重要色素，其含量與植物氮營養狀況有很好的相關性，是植物光合能力、氮素脅迫和植物長勢的指示器[1]。傳統的葉綠素含量測量方法大多在室內用化學試劑測定，須破壞植株且測定方法繁瑣、結果等待時間長、不能及時地指導田間植物生產活動，因而尋求一種無損、快速、高效的葉綠素含量測試方法勢在必行[2-3]。已有研究表明：便攜式葉綠素儀(SPAD-502)測定的葉片SPAD值，是葉綠素含量的相對值，與葉綠素含量實測值之間有很好的相關性，測定簡便快捷且不受光照、天氣、時間等外界條件的限制[4-5]。

高光譜分辨率遙感具有分辨率高及波段多等優點，可監測作物生長發育過程中細微的光譜變化[6]。利用植物冠層反射高光譜數據，結合植物葉片SPAD值來估測植物葉綠素含量，已成為作物生長過程中氮素診斷的一種重要手段。如Broge等用不同氮素水平下的小麥冠層光譜數據，指出比值植被指數(RVI)能有效地預測冠層葉綠素含量[7]。Jin等用光譜數據結合生物量干重，建立葉片葉綠素含量(LTCC)預測模型，比逐步回歸建立的模型預測精度高出很多[8]。楊峰等用二次修正調節植被指數(MSAVI2)、800nm處光譜反射率建立水稻、小麥冠層葉綠素線性回歸模型，決定系數R2均在0.85以上[9]。姚付啟等用人工神經網絡建立法國梧桐、毛白楊葉片SPAD值高光譜估測模型，決定系數R2達到0.96[10]。朱文超等基于水稻冠層光譜反射率，采用連續投影算法(SPA)和偏最小二乘回歸(PLSR)結合建立水稻葉片SPAD值估算模型，能快速估測SPAD值[11]。陳志強等基于兩年完整生育期玉米葉片高光譜數據，通過對光譜反射率和一階導數構建歸一化指數(NDSI)、比值指數(RSI)、差值指數(DSI)等植被指數，得出DSI(R680附近,R710附近)能有效預測葉片SPAD值[12]。

筆者基于前人研究辦法，以整個生育期的甜菜田間試驗為基礎，構建不同光譜參數，并選用不同回歸方法建立甜菜葉片SPAD值預測模型，且用驗證田數據對預測模型進行驗證和評價，最終為甜菜田間氮素的實時管理提供技術支持。

1材料與方法

1.1試驗設計

1)試驗小區:試驗于2014年在內蒙古赤峰市松山區太平地鎮甜菜規模種植區域，供試甜菜品種為KWS1676；甜菜幼苗在大棚內培育，于5月中下旬移栽至試驗田內，收獲時間在9月下旬至10月上旬。小區面積40 m2，行距50 cm，株距25 cm，設4個重復，試驗小區按完全隨機排列布置。試驗采用單因素(N)設計，共設7個氮肥水平(N0，N1，N2，N3，N4，N5，N6)，施肥量依次為0、15、32.5、76、108.5、163、217.5kg/hm2，田間管理按常規方式進行。

2)對照試驗田:對照試驗田位于試驗小區附近，甜菜品種和幼苗移栽時間一致，施氮量為15kg/hm2，當地甜菜種植常規施肥量、田間管理和試驗小區田間管理一致。

1.2冠層光譜測定

采用美國ASD公司(Analytical Spectral Devices)產ASD Qualityspec光譜儀 (350～1 830nm)進行甜菜冠層光譜測定。其中，350～1 000nm采樣間隔為1.4nm，光譜分辨率為3nm；1 000～1 830nm光譜采樣間隔為2nm，光譜分辨率為10nm。光譜采集時間選擇在晴朗無云無風，北京時間10:00-14:00時之間進行，采集時探頭垂直向下，距甜菜冠層1m，探頭視場角為25°；每個樣點測量4次光譜，平均后作為采樣點光譜，每小區光譜測定前進行標準參考白板校正。對已測光譜的甜菜樣品，用SPAD-502葉綠素儀測定甜菜冠層葉片SPAD值，多次測量后取平均，作為該株樣品的SPAD值。

1.3數據分析

1.3.1植被指數

根據已有的研究成果，本文列出了4種常用的植被指數來建立葉綠素估算模型，分別是歸一化植被指數(NDVI)、比值植被指數(RVI)、采用Guyot法測定的紅邊位置(REIP)和轉化型葉綠素吸收反射指數(TCARI)。各植被指數計算公式如表1所示。

表1　植被指數計算公式

1.3.2多元逐步回歸

多元逐步回歸是處理光譜數據最基本、最常用的方法。該方法是在全部自變量中(n個)中選取對y作用最顯著的變量x1，在余下的n-1個變量中選取對y作用顯著的x2，由x1和x2建立二元回歸方程并檢驗x1作用是否顯著；如不顯著剔除x1，引入下一個對y顯著的變量x3，并驗證x3作用是否顯著，依次類推選擇并驗證所用對y作用顯著的變量為全部顯著自變量構建的方程即為所求的最優回歸方程，有

y=a0+a1x1+a2x2+…+akxk

(1)

其中，a0為回歸常數；a1,a2，…，ak為回歸系數；x1,x2，…，xk為引入顯著變量。

1.3.3波段深度分析

波段深度分析是指對冠層光譜在550～750nm波段范圍內進行連續統去除變換。圖1為連續統去除變換示意圖，虛線為包絡線，點畫線為去除包絡線后的光譜曲線。實際光譜曲線是由離散樣點組成，所以可用連續的折線來近似光譜曲線的包絡線[13]。連續統去除主要為增強光譜曲線在吸收紅谷外的吸收特征，增大各光譜曲線間的差異。

圖1　包絡線去除

波段深度(band depth，BD)、波段深度比(band depth ratio，BDR)，歸一化波段深度指數(normalized band depth index，NBDI)、歸一化面積波段深度(band depth normalized to band area，BNA)是波段深度信息的4種主要表征方式。連續統去除和波段深度信息的計算公式為

(2)

BD=1-R ′

(3)

(4)

(5)

(6)

其中，R ′為經過連續統去除的波段反射率；R為550～750nm波段的反射率；RC為相應波段連續統線上的值；BD為連續統550～750nm波段范圍內的波段深度值；BDmax為連續統550～750nm波段范圍內最大波段深度值；BDarea為連續統550～750nm波段范圍內吸收范圍面積。

1.3.4模型評價方法

利用Viewspectral進行數據求導和導出，在SPSS19.0軟件和Excel中進行后期分析。根據植被指數和波段深度信息建立SPAD值估算模型，并用均方根誤差(RMSE)和相對誤差(RE)對模型效果進行評價。

2結果與分析

2.1甜菜不同氮素水平下光譜響應

由于甜菜生長發育中不同生長階段和氮肥用量的影響，其生物量、冠層高度和對地面的覆蓋程度都有變化，冠層反射光譜特征也隨之變化，如圖2所示。由圖2可知：甜菜冠層光譜響應曲線波形基本一致，在550nm綠峰處光譜反射率和750～1 350nm處反射率有明顯差異，而在600～750nm處差異很小；不同氮素水平下的冠層反射光譜，近紅外反射率隨施氮水平的提高而增大，可見光的反射率隨施氮量增加而降低。

圖2　不同氮素水平下冠層光譜響應

Fig.2Response of canopy spectral reflectance under different nitrogen levels

2.2原始光譜反射率與SPAD值相關性分析

對甜菜冠層光譜數據和甜菜葉片SPAD值進行相關分析，相關系數曲線如圖3所示。

圖3　原始光譜與SPAD值相關性

從圖3中可以看出：在可見光區域(400～780nm)處相關系數較高，呈顯著負相關，其中530nm和710nm處附近相關系數最高，其他波段處附近相關性較低。

2.3一階導數光譜與SPAD值相關性分析

對原始光譜反射率進行一階導數變換，求得導數光譜與SPAD值進行相關分析，相關系數曲線如圖4所示。從圖4中可以看出：經導數變換后光譜在475、645、678nm處附近相關系數較高，其中在645nm處取得最大值(r=0.69)。對比原始反射率與SPAD值相關性曲線，可以看出導數處理后，光譜數據與SPAD值相關性明顯提高，且相關性較高的波段數增多，說明導數處理能提取隱藏在光譜數據中與SPAD值相關信息。

圖4　一階導數光譜與SPAD值相關性

2.4植被指數建立估算模型

根據甜菜冠層光譜數據和指數計算方法，構建植被指數并對葉片SPAD值進行估算。模型構建方法為簡單線性函數，y=a+bx。其中，y代表甜菜地上部生物量；x代表冠層光譜構建的植被指數；a、b、c為常數，結果如表2所示。

表2　植被指數建立的SPAD值估算模型

由表2可知：4種植被指數建立估算模型中，REIP建立的SPAD值估算模型結果最好(RMSE=2.78，RE=4.78%)，NDVI、RVI、TCARI構建的估算模型結果相對較差。選擇該模型對采集的驗證樣品進行驗證，驗證結果如圖5所示。

圖5　REIP的甜菜SPAD值驗證結果

2.5波段深度分析在甜菜SPAD估算

應用多元逐步回歸對進行包絡線去除提取的4種波段深度信息(BD、BDR、NBDI、BNA)建立甜菜葉片SPAD值估算模型。表3列出了SMLR與波段深度信息結合建立的模型的驗證結果。其中，BDR與SMLR建立的估算模型結果最好(RMSE=2.54，RE=4.5%),NBDI與SMLR建立的結果次之，BD和BNA與SMLR建立的估算模型較差。BDR與SMLR建立的估算模型的驗證結果如圖6所示。

表3　波段深度分析結合SMLR的甜菜SPAD值估算結果

3結論與討論

以田間甜菜試驗為基礎，分析整個生育期甜菜冠層原始光譜和一階導數光譜與葉片SPAD值相關關系。根據冠層光譜反射率，構建植被指數建立SPAD值估算模型，并與波段深度分析結合多元逐步回歸建立SPAD值估算模型相比較。結果表明：①原始光譜與一階導數光譜和葉片SPAD值相關性均達到顯著水平，其中一階導數光譜與SPAD值相關性較好；②通過植被指數建立的甜菜葉片SPAD值估算模型，REIP建立的模型結果最好(RMSE=2.78，RE=4.78%)；③通過波段深度分析與多元逐步回歸結合建立的估算模型，BDR結合SMLR建立估算模型最好(RMSE=2.54，RE=4.5%)，相比植被指數估算精度有所提高。

圖6　BDR結合SMLR的甜菜SPAD值驗證結果

參考文獻：

[1]史典義,劉忠香,金危危.植物葉綠素合成、分解代謝及信號調控[J].遺傳，2009,31(7):698-704.

[2]孫紅，李民贊，趙勇，等.冬小麥生長期光譜變化特征與葉綠素含量監測研究[J].光譜學與光譜分析，2010,30(1):192-196.

[3]宋文沖，胡春勝，程一松，等.作物氮素遙感研究進展[J].土壤通報，2006,37(2):369-372.

[4]趙士誠，何萍，仇少軍，等.相對SPAD值用于不同品種夏玉米氮肥管理的研究[J].植物營養與肥料學報，2011,17(5):1091-1098.

[5]賈良良，陳新平，張福鎖.葉綠素儀與植株硝酸鹽濃度測試對冬小麥氮營養診斷準確性的比較研究[J].華北農學報，2007,22(6):157-160.

[6]姚云軍, 秦其明,張自力,等.高光譜技術在農業遙感中的應用進展研究[J].農業工程學報,2008, 24(7):301-306.

[7]Broge N H，Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat rom spectral reflectance data[J].Remote Sensing of Environment,2002,81:41-57.

[8]Jin XL,Wang K R,Xiao C H,et al.Comparison oftwo methods for estimation of leaf total chlorophyll content using remote sensing in wheat[J].Field Crop Research,2012,135:24-29.

[9]楊峰,范亞民,李建龍,等.高光譜數據估測稻麥葉面積指數和葉綠素密度[J].農業工程學報,2010, 26(2): 237-245.

[10]姚付啟,張振華,楊潤亞,等.基于紅邊參數的植被葉綠素含量高光譜估算模型[J].農業工程學報,2009,25(S2):123-129.

[11]朱文超,成芳.轉基因水稻及其親本葉片的可見-近紅外光譜分析[J].光譜學與光譜分析,2012, 32(2):370-373.

[12]陳志強，王磊，白由路，等.整個生育期玉米葉片SPAD高光譜預測模型研究[J].光譜學與光譜分析，2013,33(10):2838-2842.

[13]童慶禧，張兵，鄭蘭芬.高光譜遙感原理、技術與應用[M].北京：科學出版社，2006.

Models of Estimating Sugar Beet SPAD Using Hyperspectral

Wang Hui, Tian Haiqing, Li Zhe, Xu Lin, Li Fei, Shi Shude

(College of Mechanic and Engineering, Inner Mongolia Agricultural University，Hohhot 010018，China)

Abstract：Chlorophyll plays an important role in photosynthesis processing in the plants, the content of which has an effect on the crop conditions, yield and qualities. In this study, we have used a portable ASD spectrometer measured the canopy spectral data of sugar beet, and we also measured SPAD value through SPAD-502 chlorophyll meter. We selected vegetation index and band information to establish the depth SPAD value prediction model base on the correlation between original spectrum and the first derivative of the SPAD values, and then we used the field test data to validate this model. By comparing the regression model established by the vegetation index and the estimation model established by the depth of the band combines multiple stepwise regression analysis, the result of band depth ratio (BDR) combined estimation model validation SMLR is much better (RMSE = 2.54, RE = 4.5%). The results showed that the derivative of the spectral data processing can improve the value of the correlation coefficient with the SPAD, and the band combines depth information multivariate regression, compared to vegetation index estimation model, can improve the accuracy of SPAD value better.

Key words：chlorophyll; hyperspectral; SPAD value; sugar

文章編號：1003-188X(2016)05-0176-05

中圖分類號：S123

文獻標識碼：A

作者簡介：王輝(1990-),男，河南南陽人，碩士研究生，(E-mail) wh19900828@qq.com。通訊作者：田海清(1973-)，男，呼和浩特人，教授，博士生導師，(E-mail)hqtian@126.com。

基金項目：國家自然科學基金項目(41261084)；國家現代農業產業技術體系專項(CARS-210402)

收稿日期：2015-04-14