基于實測光譜的紅花葉綠素含量高光譜估算模型研究

摘要：通過分析紅花（Carthamus tinctorius L.）原始光譜、變換光譜以及其他25種應用最普遍的高光譜參數與其葉綠素含量的相關性，并選擇每個生長期與紅花葉綠素含量相關性較好的高光譜指數和波段，建立不同生長期紅花葉綠素含量的線性、拋物線、指數和對數模型，并用RMSE評價模型精度。最后得出各期的最佳模型：出苗期歸一化差異指數（NDI）的拋物線模型具有最大模型精度0.900和檢驗精度0.932；分枝期黃邊幅值（Dy）的拋物線模型精度為0.850，檢驗模型精度為0.811；始花期444 nm處二階導數光譜的拋物線模型精度為0.734，檢驗精度為0.866；終花期798 nm處二階導數光譜的拋物線模型精度為0.929；成熟期795 nm處二階導數光譜的指數模型精度為0.904，檢驗精度為0.868。

關鍵詞：紅花（Carthamus tinctorius L.）；葉綠素；高光譜；估測模型

中圖分類號：S127 文獻標識碼：A 文章編號：0439-8114（2016）21-5651-08

DOI：10.14088/j.cnki.issn0439-8114.2016.21.055

Hyperspectral Estimation Models for Chlorophyll Content

Based on the Measured Spectra of Safflower

ZHANG Nan1a，1b，XIONG Hei-gang1b，2，JIN Yan-hua1a，1b

（1a.College of Resource Environment Science；b.Key Laboratory of Oasis Ecology，Xinjiang University，Urumqi 830046，China；

2.College of Art Science，Beijing Union University，Beijing 100083，China）

Abstract： In order to establish linear and parabolic， index and logarithm model of safflower（Carthamus tinctorius L.） chlorophyll content，the correlation of original spectra， transform spectra，and 25 kinds of most common hyperspectral application parameters and chlorophyll content in different stages were analyzed. The high spectral indexes and wavelengths having good correlation with the chlorophyll content of safflower during every growing period were selected. RMSE were used for appraising the model precision. Finally the best models of different periods were gotten，during the seedling stage，the largest model precision and test precision were 0.900 and 0.932 respectively for the parabolic model of NDI. During the branch period，the model precision and test precision were 0.850 and 0.811 respectively for the parabolic model of Dy. During the beginning flowering period，the model precision and test precision were 0.734 and 0.866 respectively for the parabolic model of the second derivative spectra at the wavelength 444 nm. During the final flowering period，the model precision was 0.929 for the parabolic model of the second derivative spectra at the wavelength 798 nm. During the mature period，the model precision and test precision were 0.904 and 0.866 respectively for the index model of the second derivative spectra at the wavelength 795 nm.

Key words：safflower（Carthamus tinctorius L.）；chlorophyll；hyperspectrum； estimation model

紅花（Carthamus tinctorius L.），又稱草紅花，為菊科紅花屬植物，其栽培管理簡便，適用于機械耕作，且產量和出油率均較高，是一種集藥用、油料為一體的特種經濟作物。中國是世界上紅花種植面積較大的國家之一，新疆地區種植面積占全國50%以上，對新疆經濟發展起著舉足輕重的作用。關于葉綠素與高光譜的研究，大多數都集中于玉米、小麥、水稻、大豆以及經濟林果上，對紅花的研究甚少。因此在紅花主產區開展光譜特征的葉綠素估算模型研究，對紅花的精細化管理具有十分重要的指導意義和實際價值；同時利用實測光譜對紅花進行長勢監測和估產時，需要考慮光譜指數在不同生長期的敏感性，選出不同生長階段的最佳指數以及導數波段，才能為紅花的精確動態監測和科學管理及決策提供有力的技術支持。

葉片色素狀況是評價植株光合能力、監測生長狀況和預測產量潛力的重要指標，作物葉片中葉綠素含量的多少，既顯示作物的生長狀況，又是作物與環境發生物質能量交換的重要條件，了解葉綠素狀況就可以對作物群體光合能力及營養狀況進行有效監測，在作物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。高光譜探測技術為快速無損監測作物葉片色素提供了有效手段[1-3]。國內許多學者分別從不同角度和方法出發進行農作物葉綠素遙感反演研究，取得了一系列成果[4-7]。對于紅花的研究大多側重于其光譜的特征研究，而對其光譜特征與葉綠素關系的研究甚少，對整個生長期光譜特征與葉綠素含量關系的研究更少。本研究對紅花生育階段葉片葉綠素含量與冠層光譜的相關性進行了分析，并且選取與葉綠素含量相關性較高的指數和波段，建立不同生長階段不同類型的紅花葉綠素含量的估算模型，通過比較最終選出每個階段的紅花葉綠素含量的最佳估算模型，從而促進對紅花的精細化管理。

1 研究區域概況

研究區域位于新疆維吾爾自治區東北部，昌吉市東部的奇臺縣（89°13′E-91°22′E，42°25′N-45°29′N）。地處中緯度地帶，地勢南北高、中間低，呈條狀馬鞍形，地貌類型可分為南部山區（丘陵）、中部平原、北部沙漠、東北部山地丘陵四大部分，由于受地理環境、太陽輻射、大氣環流的影響，屬于中溫帶大陸性干旱氣候，其特點是冬季漫長而嚴寒，夏季短促而炎熱，春秋季節不明顯。年平均氣溫5.5 ℃，7月平均氣溫22.6 ℃，極端最高氣溫39 ℃，1月平均氣溫-18.9 ℃，極端最低氣溫-37.3 ℃。氣候干燥，年平均相對濕度60%。風向平時盛行南風，災害性天氣多西北風，最大風力12級，年平均風速2.9 m/s。無霜期年平均153 d（從4月下旬到10月上旬），年平均降水量269.4 mm。

2 材料與方法

2.1 試驗設計

2012年5～8月，在新疆奇臺縣大面積紅花種植地選擇一塊試驗地（地理位置為89°39′43″E，43°52′20″N，海拔964 m，行距50 cm），施肥、灌溉及紅花行間距與其他紅花種植地相同。對紅花出苗期、分枝期、始花期、終花期、成熟期的光譜反射率和葉片葉綠素含量進行同步田間監測。

2.2 光譜和葉綠素測定

光譜數據采集采用美國ASD公司的FieldSpecPro3地物光譜儀，該光譜儀波段范圍為350～2 500 nm，本研究只選取滿足試驗需要的350～1 100 nm范圍內的波段，其包括遙感的可見光和近紅外波段。探頭視場角25°， 每次測定前進行一次光譜儀暗電流測定及時校正儀器噪聲對觀測結果的影響。選擇40個點進行光譜測定，每個點測5次， 取其平均值作為該點的光譜反射值。試驗選擇晴朗無云無大風的天氣進行，于北京時間13：00～15：00采集紅花的光譜數據。并用Viewspec pro軟件對采集的數據進行處理。

測定光譜的同時，用SPAD-502葉綠素儀測定紅花葉片葉綠素含量。每個葉片測定5次，取平均值，作為該葉片葉綠素含量。

2.3 高光譜參數的選取

選取原始光譜、光譜一階導數、二階導數以及應用最為廣泛的指數（表1）[8-16]，作為估算紅花葉綠素的參數。導數光譜不僅能夠壓縮背景噪音對目標信號的影響，使數據更科學，而且能揭示光譜值的內在特征。因此可以利用導數光譜建立葉綠素與反射率光譜之間的關系，估算植被內部葉綠素含量。

2.4 模型檢驗

采用均方根誤差（RMSE）來評價模型精度。

RMSE=

式中，yi和yi′分別為葉綠素含量SPAD值的實測值和模型計算的預測值，n為檢驗樣本數，RMSE值越小則模型精度越高。利用DPS統計軟件分析紅花冠層光譜反射率與葉片葉綠素含量的相關性，作圖均在Excel中進行。

3 結果與分析

3.1 紅花不同生長期葉綠素含量變化特征

從圖1可知，紅花的葉綠素含量隨著生長期的推移呈先上升后下降的趨勢，從出苗期到始花期（6月20日左右），隨著植株的生長，葉片面積變大，結構成分也發生變化，葉綠素含量達到整個生長期最高值，SPAD值為66.5；開花后葉綠素含量開始降低，終花期（7月11日左右）后葉綠素含量迅速下降，其原因是紅花接近成熟，植株發黃，葉片水分降低，導致葉黃素替代了葉綠素；成熟期植株葉片基本變黃，植株部分變干，葉綠素含量最低。

3.2 紅花不同生長期光譜反射率曲線特征

從圖2可知，在可見光波段內，葉綠素含量對其光譜特性具有重要作用，在550 nm附近有一個葉綠素的反射峰，其兩側450 nm和670 nm處的藍波段和紅波段則是吸收谷，在近紅外波段750 nm附近反射率急劇增加，形成高反射，且不同生長期紅花光譜反射率出現明顯的分離，這種特征在出苗期到終花期較為明顯；成熟期植株發黃，枝干枯死，其葉綠素含量大量減少，使得反射率在可見光波段內增加；在近紅外波段明顯低于其他生長期。

3.3 紅花不同生長期葉綠素含量與高光譜參數的相關性分析

利用DPS統計軟件計算紅花葉綠素含量與高光譜參數之間的相關系數，結果見表2。從表2可知，出苗期除紅邊幅值（Dr）、VI3、VI5外，紅花葉綠素含量與其余光譜變量之間均呈極顯著相關，其中與紅谷反射率（Rr）、土壤調節植被指數（OSAVI）、歸一化差異指數（NDI）的相關系數均大于等于0.94，因為紅花在出苗期，覆蓋度很小，受土壤、濕度、粗糙度等背景因素影響較大，而歸一化差異指數、土壤調節指數可以去部分背景因素的影響；分枝期葉片葉綠素含量與黃邊幅值（Dy）、黃邊面積（SDy）、VI6相關性均達到極顯著相關且相關系數大于等于0.83；始花期、終花期、成熟期，紅花葉片葉綠素含量與高光譜參數相關系數均低于0.80，由于紅花花期，冠層光譜主要反映花的信息，果實成熟后，紅花冠層光譜主要反映果實的信息，因此葉片葉綠素含量與紅花冠層光譜的相關系數較低。

3.4 始花期、終花期、成熟期原始和變換光譜與葉綠素含量之間的相關性分析

始花期、終花期、成熟期的高光譜特征變量與葉綠素含量的相關性均不高（表2），其原因是由于花期時紅花冠層花青素代替了葉綠素，成熟期植被停止生長，水分和養分減少，植被變黃，導致其相關性很低。因此將以上3個時期的原始光譜反射率、光譜一階導數、二階導數與相應的葉綠素含量進行相關分析，以尋求對紅花葉綠素含量敏感的波段。始花期，原始光譜與葉綠素含量的相關性總體不高，相關系數均在0.5以下，如圖3a所示；460 nm處一階導數光譜與葉綠素含量相關系數為r=0.830，如圖3a1所示；444 nm處二階導數光譜反射率與葉綠素含量相關系數為r=0.825 1，如圖3a2。終花期，紅花原始光譜反射率與葉綠素含量在整個波段范圍內呈正相關，并且從可見光到近紅外波段，相關性呈上升趨勢，如圖3b所示；488 nm處一階導數光譜與葉綠素含量相關系數為r=-0.784 1，如圖3b1所示；798 nm處二階導數光譜與葉綠素含量相關系數為r=-0.815 6，如圖3b2。成熟期，紅花原始光譜反射率與葉綠素含量在整個波段范圍內呈正相關，并且在350～1 100 nm波段范圍內相關性呈下降趨勢，在449 nm處相關系數最高為r=0.955 0，如圖3c所示；767 nm處一階導數光譜與葉綠素含量相關系數為r=-0.855 7，如圖3c1所示；795 nm處二階導數光譜與葉綠素含量相關系數為r=0.927 8，如圖3c2所示。導數光譜能夠去除原始光譜中的噪聲，可以更好地反映植物的光譜信息與生長情況，且導數光譜具有靈敏度高和專屬性強等特點[17]，紅花不同生長期其導數光譜各不相同，且導數光譜與葉綠素含量相關性存在較高值，因此可以利用導數光譜鑒別紅花不同生長階段葉綠素含量。

4 建模

選取高光譜參數、導數光譜與對應的葉綠素含量相關性較高的指標，并且都通過0.01極顯著檢驗。將每一期用于建立葉綠素含量估算模型的樣本隨機分為兩組，其中樣本的2/3用于建模，剩余的1/3用于模型檢驗。根據表2，選取相關系數排在前3位的高光譜特征變量，即出苗期選取土壤調節指數（Rr）、紅谷反射率（OSAVI）、歸一化差異指數（NDI）；分枝期選取黃邊幅值（Dy）、黃邊面積（SDy）、綠峰反射率（V16）。以選出的高光譜變量作為自變量，葉片葉綠素含量為因變量，建立數學模型。根據圖3，始花期、終花期、成熟期選取一階、二階導數光譜與葉綠素相關性較高的光譜反射為自變量，葉片葉綠素含量為因變量。

4.1 線性和非線性模型

一次線性模型：Y=aX+b

對數模型：Y=aX2+bX+c

拋物線模型：Y=aln（X）+b

指數模型：Y=aebx

式中，Y代表葉綠素含量，X為從高光譜指數中選取的自變量，a、b、c為回歸系數[18-20]。出苗期至成熟期葉綠素含量與高光譜變量模型以及精度檢驗見表3。

4.2 最佳模型選取

5個不同的生長期分別選取一個最佳模型，即建模精度最大且RMSE最小作為判定最佳模型的依據。出苗期歸一化差異指數（NDI）的拋物線模型具有最大模型精度0.900和檢驗精度0.932，最小RMSE等于1.168；分枝期黃邊幅值（Dy）的拋物線模型精度等于0.850，檢驗模型精度等于0.811，最小RMSE等于0.216。始花期444 nm處二階導數光譜的拋物線模型精度為0.734，檢驗模型精度等于0.866，最小RMSE等于0.717；終花期798 nm處二階導數光譜的拋物線模型精度為0.929，RMSE為0.114；成熟期795 nm處二階導數光譜的指數模型精度等于0.904，檢驗精度等于0.868，最小RMSE等于2.684。結果如圖4所示。

5 小結與討論

本研究利用整個物候季紅花冠層光譜和葉片葉綠素含量的實測數據，分析不同生長階段葉片葉綠素含量與冠層光譜曲線各自的變化特征，對兩者的相關性進行了分析，選取相關性較高的高光譜特征變量和導數波段，構建紅花不同生長期高光譜指數、一階、二階導數光譜與葉綠素含量的估算模型，并且通過對比各種變量所建模型，最終選擇出每個生長階段對紅花葉綠素含量預測最準確的模型，得出以下結論。

1）紅花葉片葉綠素含量從出苗到成熟期呈先增大后降低的特征，不同生長階段冠層光譜具有不同的反射特征，花期前可以利用高光譜特征變量估算葉綠素含量，花期開始到成熟期利用冠層光譜的二階導數峰值對其葉綠素含量進行估算，以便提高對作物的精細化管理。

2）25個高光譜植被指數中，出苗期歸一化差異指數（NDI）、分支期黃邊幅值（Dy）與葉片葉綠素含量有較高相關性，并且預測模型最準確。

3）紅花開花后冠層花青素代替了葉綠素，高光譜指數和葉片葉綠素含量相關性很低，因此高光譜指數不能預測花期以后的葉綠素，但二階導數光譜具有靈敏度高和專屬性強等優點，可以利用其建立花期到成熟期葉綠素含量估算模型，始花期、終花期、成熟期分別在444、798、795 nm處二階導數與其對應的葉綠素建模，所得模型精度最高，R2分別為0.866、0.929、0.868。

4）利用葉綠素含量與高光譜特征變量以及導數光譜之間的關系，建立紅花不同生長階段葉綠素含量的估算模型，選出紅花不同生長期葉綠素含量的最佳模型。但是對于紅花不同品種、不同生長條件下實測葉綠素與衛星遙感手段結合對紅花的長勢、產量估算是今后的研究主題。

參考文獻：

[1] FILELLA D，PENUELAS J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J].International Journal of Remote Sensing，1994，15（7）：1459-1470.

[2] 馮 偉，朱 艷，田永超.基于高光譜遙感的小麥冠層葉片色素密度監測[J].生態學報，2008，28（10）：4902-4911.

[3] TANG X G，SONG K S，LIU D W，et al.Comparison of methods for estimating soybean chlorophyll content based on visual near infrared reflection spectra[J].Spectroscopy and Spectral Analysis，2011，31（2）：371-374.

[4] ZHANG Y H，CHEN W H，GUO Q Y，et al. Hyperspectral estimation models for photosynthetic pigment contents in leaves of Eucalyptus[J].Acta Ecologica Sinica，2013，33（3）：876-887.

[5] 靳彥華，熊黑鋼，張 芳，等.基于紅邊參數的水澆地與旱地春小麥各生育期葉綠素最佳估測模型比較研究[J].中國農業生態學報，2014，30（3）：66-71.

[6] SONG K S，ZHANG B，LI F，et al.A hyperspectral model for estimating chlorophyll content in maize leaves[J].Acta Agronomica Sinica，2005，31（8）：1095-1097.

[7] 劉偉東，項月琴，鄭蘭芬，等.高光譜數據與水稻葉面積指數及葉綠素密度的相關分析[J].遙感學報，2000，4（4）：279-283.

[8] HUANG J F，WANG F M，WANG X Z，et al. Relationship between narrow band normalized deference vegetation index and rice agronomic variables，communications in soil[J].Science and Plant Analysis，2004，35（20）：2689-2708.

[9] YANG X H，WANG F M，HUANG J F，et al. Comparison between radial basis function neural network and regression model for estimation of rice biophysical parameters using remote sensing[J].Soil Science Society of China，2009，19（2）：176-188.

[10] HUANG J F，BLACKBURN G A.Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis is of hyperspectral data[J].International Journal of Remote Sensing，2011，32（24）：1-22.

[11] YANG X G，FAN W Y，YU Y.Establishment of hyperspectral remote sensing model for estimating forest chlorophyll content in Daxing'anling Mountain[J].Forest Engineering，2010，26（2）：8-11.

[12] XUE Z C，GAO H Y，PENG T，et al. Application of spectral reflectance on research of plant eco-physiology[J].Plant Physiology Journal，2011，47（4）：313-320.

[13] DING S Y，LI H M，QIAN L X.Research advances in remote sensing techniques in estimation of vegetation biochemical material contents[J].Chinese Journal of Ecology，2004，23（4）：109-117.

[14] QIAN Y R，YANG F，LI J L，et al. Estimation of photosynthetic pigment of Festuca arundinacea using hyper-spectral data[J].Acta Prataculturae Sinice，2009，18（4）：94-102.

[15] 宋開山，張 柏，王宗明，等.大豆葉綠素含量高光譜反演模型研究[J].農業工程學報，2006，22（8）：16-21.

[16] SIM D A，GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J].Remote Sensing of Environment，2002，81（2）：331-354.

[17] 徐美玲，譚群友，羅彥鳳，等.二階導數光譜法測定溴吡斯的明聚乳酸微球的包封率[J].中國醫院藥學雜志，2011，31（5）：372-375.

[18] MINOLTA Co.，LTD.. Chlorophyll SPAD-502 in Struction Manual[M].Osaka：Radiometric Instruments Operations，1989.

[19] SHI R H，ZHUANG D F，NIU Z，et al.Quantitative inversion of chlorophyll content based on radiative transfer model[J].Chinese Journal of Ecology，2006，25（5）：591-595.

[20] SUN Y X，WANG J H，LI B G，et al.Contrastive analysis based on neural network of winter wheat's chlorophyll concentration inversion with hyperspectral data[J].Remote Sensing Technology and Application，2007，22（4）：492-496.