干旱脅迫下旺長期烤煙冠層葉綠素密度的高光譜估測

*

（1.河南農業大學，煙草行業煙草栽培重點實驗室，鄭州 450002；2.商丘師范學院，河南 商丘 476000）

干旱脅迫下旺長期烤煙冠層葉綠素密度的高光譜估測

李夢竹1，劉國順1*，賈方方2

（1.河南農業大學，煙草行業煙草栽培重點實驗室，鄭州 450002；2.商丘師范學院，河南 商丘 476000）

為精準、實時、無損地估算烤煙冠層葉綠素密度，快速獲取烤煙光合性能與營養狀況，基于不同程度干旱脅迫處理，采用ASD光譜儀，在綜合分析群體原始高光譜反射率、一階導數光譜反射率及已有光譜指數與冠層葉綠素密度（CCD）關系的基礎上，建立烤煙 CCD估算模型。結果表明：（1）干旱脅迫后烤煙冠層光譜反射率隨葉綠素密度呈現規律性變化。（2）712 nm處的一階導數與CCD相關性最好（r=0.838）。（3）利用一階導數光譜建立的反演葉綠素密度的線性模型和BP神經網絡模型中，均以BP神經網絡模型效果最好，其模型決定系數R2為0.9686，均方根誤差RMSE0.0778，表明模型的精度和穩定性均較好。研究結果可為實時監測旺長期烤煙群體光合能力及水分脅迫狀況提供栽培管理依據。

烤煙；旺長期；冠層葉綠素密度；干旱脅迫；估算模型

葉綠素是植物營養狀況、光合性能及植被發育的良好指示器[1-2]，眾多研究表明，干旱脅迫會引起烤煙葉綠素含量的降低[3-4]。在綠色植物典型光譜特征中發現，在可見光范圍內受色素影響較大，在近紅外區域則主要受葉片內部結構、生物量和含水量等影響，故利用烤煙光譜信息對葉綠素含量進行估算是可行的[5-6]。葉綠素密度表示單位土地面積上的葉片葉綠素含量，同時包含植株個體色素含量信息與植被群體蓋度特征，而冠層光譜能反映作物群體光譜特征，因此，實時監測干旱脅迫對烤煙冠層葉綠素密度（CCD）造成的動態變化，即可隨時掌握作物群體光合能力。

吳長山等[7]研究發現，早稻、晚稻、玉米的群體光譜反射率及其導數和葉綠素密度的相關性很好，并建立了統一的線性回歸關系。Blackburn[8-9]發現，冠層和葉片尺度上色素濃度與反射光譜的一階和二階導數極顯著相關，他利用葉綠素特征吸收波段470、635和680 nm構造了適宜估算葉綠素狀況的光譜指數，但Sims等[10]的研究則表明，550、700 nm較680 nm反射率對葉綠素更敏感。為估算作物葉綠素密度，學者們也提出了眾多光譜指數，如TVI、SIPI、PRI、SRPI等，但用來估算的適宜光譜指數會因不同條件下不同作物及不同生育時期而不同。

本文基于不同干旱脅迫下旺長期烤煙CCD和群體原始高光譜反射率、一階導數及已有光譜指數間的相關關系，構建烤煙CCD估算模型，以實時監測旺長期烤煙群體光合能力和水肥營養狀況。

1 材料與方法

1.1 試驗設計

試驗1：于2015年在河南農業大學許昌校區現代煙草農業園區（北緯34°01′，東經113°49′）進行，供試品種為K326和中煙100。采用桶栽，桶高70 cm，直徑40 cm，裝風干土75 kg。供試土壤是淋溶褐土，前茬作物為紅薯，主要理化性質：田間持水量23.19%，容重1.39 g/cm3，pH 7.77，有機質含量9.53 g/kg，堿解氮69.74 mg/kg，速效磷2.74 mg/kg，速效鉀 106.61 mg/kg。施用化肥為分析純(NH4)2SO4，KNO3和 KH2PO4，m(N):m(P2O5):m(K2O)=1:1.5:3，施N量按200 mg/kg干土作為基肥一次性施入，將土壤與肥料混合均勻后裝桶。采用人工防雨棚設計，遇降雨即將棚拉上。于2015年5月15日移栽，還苗后開始控水，每天補充水分1次，使土壤相對含水量保持在60%～65%，進入旺長期后開始進行連續25 d的干旱脅迫（移栽后30～55 d），使用Takeme-10型土壤水分速測儀測定土壤含水量，按照下列公式計算每株需澆水質量[11]：

每天澆水質量=（設定土壤絕對質量含水量－實際土壤絕對質量含水量）×土重

設定土壤絕對質量含水量=設定土壤相對含水量×田間持水量

實際土壤絕對質量含水量=絕對體積含水量÷土壤容重

試驗設4個干旱脅迫程度處理：正常需水量（相對含水量80%～85%）、輕度干旱脅迫（相對含水量70%～80%）、中度干旱脅迫（相對含水量60%～70%）及重度干旱脅迫（相對含水量50%～60%），各處理設6次重復，共48桶，桶間距75 cm，試驗為隨機區組設計。

試驗2：于2016年在河南農業大學許昌校區現代煙草農業園區（北緯34°01′，東經113°49′）進行，所設試驗處理、測定指標以及栽培管理措施均同試驗1。此試驗的數據用于預測模型的檢驗。

1.2 烤煙冠層光譜測定

光譜測定使用美國ASD公司生產的FieldSpec3野外光譜測定儀，波長測量范圍350～2500 nm。在移栽后55 d，挑選各處理健康無病的煙株，在晴朗、無風、無云的天氣進行烤煙冠層光譜數據的采集，時間為10:00—14:00。在采集光譜數據時，使傳感器探頭垂直向下，正對煙株，且在測定時其距離烤煙冠層頂的高度為 l m。每次測量前進行標準白板校正，每次記錄10組數據，最后以其平均值作為該樣本的光譜反射值，每個處理測4株。

1.3 烤煙CCD的測定

采用分光光度法測定葉綠素含量[12]。隨機取已測定冠層光譜煙株的上、中、下部葉進行測定，取其平均值作為該煙株CCD，計算公式如下：

葉綠素a=13.95×A665-6.88×A649

葉綠素b=24.96×A649-7.32×A665

式中Ax——提取液在波段x處的吸光度值。

總葉綠素=葉綠素a+葉綠素b

葉綠素質量分數（mg/g）=（總葉綠素濃度×提取液體積）/樣品鮮質量

葉綠素密度（g/m2）=單位面積鮮葉質量×葉綠素質量分數

1.4 光譜指數的選擇

光譜指數是由多個波段或波長的反射率因子組合而成，表1為參考前人研究結果所篩選的作物CCD光譜參數。

表1 本研究所采用的光譜參數列表Table 1 Summary of different hyperspectral parameters used in this study

1.5 數據分析

采用ViewSpec Pro整理光譜數據，SPSS 22.0進行數據分析，Excel和Matlab 6.0進行模型構建，利用決定系數R2、均方根誤差RMSE進行模型精度檢驗。

2 結 果

2.1 不同處理下旺長期烤煙CCD和光譜反射率的變化

圖1中示出，隨土壤干旱程度的加劇，烤煙CCD隨之降低，不同品種間與不同程度干旱處理間差異顯著。在正常處理下達到最大值，不同基因型烤煙品種表現一致。K326的輕度、中度、重度干旱脅迫較正常需水量處理分別降低了 23.43%、32.72%、36.91%，對于中煙100，分別下降了11.74%、33.80%、40.01%，可見干旱程度越重，其值降低趨勢越明顯。表明土壤干旱脅迫可導致烤煙CCD降低。

隨著土壤干旱程度的加劇與烤煙CCD的降低，其冠層光譜反射率間的差異表現較為明顯，圖2反映了烤煙在旺長期不同程度干旱脅迫下冠層光譜特征的變化。由圖可知，重度干旱處理在可見光區的波峰高于正常需水量處理，這可能是因為光譜反射率變化的主要影響因素為色素，而干旱脅迫導致葉綠素含量降低，從而光吸收能力減弱，其反射率便隨CCD的降低而增加；在近紅外光區800～1300 nm處，兩個品種的光譜曲線差異都較為明顯，其中正常需水量處理在紅邊區域的峰值達到最高，可能是因為此區域內光譜特征的主要影響因素為冠層及葉片結構，干旱脅迫后烤煙群體結構被破壞，光譜反射率隨CCD的降低而降低，表明干旱脅迫后烤煙冠層光譜反射率隨 CCD呈現規律性變化，不同基因型烤煙品種表現一致。

圖1 不同處理下烤煙CCD的變化Fig. 1 Changes of canopy chlorophyll density of the fluecured tobacco under different treatments

圖2 不同處理條件下烤煙葉片高光譜反射率Fig. 2 Spectral reflectance of the flue-cured tobacco leaf under different treatments

2.2 烤煙CCD與原始光譜反射率及其一階導數的相關性

將CCD與烤煙冠層原始光譜及一階導數分別進行相關分析（n=32），由圖 3可知，整體上烤煙CCD與一階導數的相關性要優于原始光譜。CCD與734 nm處的原始光譜反射率相關性最好（r=0.745，P=0.000），與在紅邊區域 712 nm處的一階導數相關系數最高（r=0.838，P=0.000），兩者均表現為極顯著正相關。

2.3 CCD與光譜特征指數的定量關系

利用8種傳統特征光譜指數與CCD進行相關性分析（n=32）可以得出（表2），三角植被指數（TVI）、結構不敏感色素指數（SIPI）、光化學植被指數（PRI）、簡單比值色素指數（SRPI）、植被衰老反射率指數（PSRI）、二次修正土壤調節植被指數（MSAVI2）與烤煙CCD的相關性均達到極顯著水平，其中TVI與其相關性最好(P=0.000)，其相關系數（r=0.754）雖高于CCD與734 nm處的原始光譜反射率的相關系數（r=0.745），卻低于CCD與在紅邊區域的712 nm處的一階導數相關系數（r=0.838），故采用712 nm處的一階導數來構建烤煙CCD估算模型。

圖3 CCD與原始光譜及一階導數相關性(n=32)Fig. 3 Correlation of canopy chlorophyll density with raw reflectance and derivative reflectance (n=32)

表2 高光譜特征參數與CCD之間的相關系數（n=32）Table 2 Correlation analysis between canopy chlorophyll density and hyperspectral indices (n=32)

2.4 烤煙CCD估算模型的建立

2.4.1 線性回歸模型的建立 采用 712 nm處的一階導數（DR712）建立一元線性回歸模型（n=32）。由圖4可知，烤煙CCD與DR712呈現正相關關系，兩者構建的一元線性回歸方程為Y=403.476X-2.781，此模型的決定系數R2為0.703，均方根誤差RMSE為0.0866。式中Y代表CCD，X代表DR712。

圖4 烤煙CCD的線性回歸分析（n=32）Fig. 4 Regression analysis for estimating canopy chlorophyll density of flue-cured tobacco (n=32)

2.4.2 BP神經網絡模型的建立 BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，具有高度非線性映射能力和良好穩健性模式識別特點。圖5為采用了三層BP神經網絡（輸入層、隱藏層、輸出層）對烤煙CCD的預測結果。以SMLR模型中的獨立變量（DR712）作為輸入層，其傳遞函數為正切S型傳遞函數(tansig)；以烤煙CCD作為輸出層，其傳遞函數為線性傳遞函數(purelin)；訓練函數為trainlm。構建模型的隱含層節點數為21，采用“試錯法”反復嘗試確定。如圖5所示，烤煙CCD模型的決定系數R2為0.9686，均方根誤差RMSE為0.0778，與一元線性回歸模型相比可知，BP神經網絡對于預測烤煙CCD具有較好的精度。

2.4.3 預測模型的檢驗 利用試驗2的數據作為樣本對所構建的兩種模型進行檢驗（n=16）（圖6），得到對CCD所構建的線性回歸模型和BP神經網絡模型的驗證結果R2分別為0.726、0.933，RMSE分別為0.0976、0.0023。由此可見，BP神經網絡模型的準確性更好。

圖5 BP神經網絡模型的預測結果（n=32）Fig. 5 The predicted result of the BP network model (n=32)

圖6 預測模型的檢驗（n=16）Fig. 6 Test of prediction models (n=16)

3 討 論

目前，已有眾多學者對作物 CCD進行了相關研究，并篩選出一些特征植被指數與敏感波段，如楊峰等[21]研究得到，二次修正調節植被指數與水稻農學參數相關性最好，800 nm處的光譜反射率與小麥農學參數相關性最好。當然，有關烤煙色素含量的估算模型也已有所研究，李向陽等[22]通過篩選與各種生理生化指標關系最密切的光譜參數得到Ychla+b=1.419+9.992XSAVI-27.702X藍邊面積（R2=0.440）（SAVI為土壤調整植被指數）。邢雪霞等[23]得到的高光譜最佳估測模型為Ychla+b=0.355-0.011XG-NDVI+ 0.015XG-NDVI2（R2=0.830）（G-NDVI為綠度歸一化植被指數），但這些大都為根據光譜指數或高光譜位置變量、面積變量和植被變量等單一的構建了線性或非線性回歸模型，而本文則是對不同程度干旱脅迫下烤煙CCD進行了單獨的分析研究，并構建了精度更高的BP神經網絡模型。

4 結 論

本文分析比較了不同程度干旱處理烤煙 CCD及其光譜數據，結果表明712 nm處的一階導數與CCD相關性最好（r=0.838），以BP神經網絡模型的精度和穩定性最佳。今后應進一步探討烤煙在整個生育時期對CCD的光譜響應規律，以期構建精度更高、實用性更廣的烤煙葉綠素密度監測模型。

參考文獻

[1] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106: 135-141.

[2] PEFIUELAS J, FILELLA I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status [J]. Trends in Plant Science, 1998, 3(4): 151-156.

[3] 汪耀富，韓錦峰，林學梧. 烤煙生長前期對干旱脅迫的生理生化響應研究[J]. 作物學報，1996，22（1）：117-121.

[4] 韓錦峰，汪耀富，岳翠凌，等. 干旱脅迫下烤煙和氮代謝研究[J]. 華北農學報，1994，9（2）：39-45.

[5] CURRAN P J, DUNGAN J L, MACLER B A, et al. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration[J]. Remote Sensing of Environment, 1991, 35(1): 69-76.

[6] FENG W, YAO X, TIAN Y C, et al. Monitoring leaf pigment status with hyperspectral remote sensing in wheat[J]. Australian Journal of Agricultural Research, 2008, 59(8): 748-760.

[7] 吳長山，項月琴，鄭蘭芬，等. 利用高光譜數據對作物群體葉綠素密度估算的研究[J]. 遙感學報，2000，4（3）：228-232.

[8] BLACKBURN G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273-285.

[9] BLACKBURN G A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves[J]. International Journal of Remote Sensing, 1998, 19(4): 657-675.

[10] SIMS 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): 337-354.

[11] 賈方方. 不同水分狀況對烤煙高光譜特性及生理生化指標的影響[D]. 鄭州：河南農業大學，2010.

[12] 鄒琦. 植物生理生化實驗指導[M]. 北京：中國農業出版社，1995.

[13] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote sensing of environment, 2004, 90(3): 337-352.

[14] PEFIUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 3l: 221-230.

[15] GAMON J A, PENUELAS J, FIELD C B. A narrowwaveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 34-44.

[16] PE?UELAS J, GAMON J A, FREDEEN A L, et al. Reflectance indices associated with physiological changes in nitrogenand water-limited sunflower leaves[J]. Remote Sensing of Environment, 1994, 48(2): 135-146.

[17] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): l35-141.

[18] QI J, CHEHBOUNI A, HUETE A R, et a1. A modified soil adjusted vegetation index[J]．Remote Sensing of Environment, 1994, 48(2): 119-126.

[19] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1966, 55(2): 95-107.

[20] GITELSON A A, KAUFMAN Y J, STARK R, et a1. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[21] 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）：237-243.

[22] 李向陽. 煙草高光譜特性及其生物理化指標和化學品質、香氣成分估測模型研究[D]. 鄭州：河南農業大學，2007.

[23] 邢雪霞，劉國順，賈方方，等. 烤煙葉片色素含量的高光譜預測模型研究[J]. 中國煙草學報，2014，20（1）：54-60.

Hyperspectral Estimation of Canopy Chlorophyll Density in Flue-cured Tobacco under Different Drought Stress at the Vigorous Growth Stage

LI Mengzhu1, LIU Guoshun1*, JIA Fangfang2
(1. National Tobacco Cultivation & Physiology & Biochemistry Research Center, Henan Agricultural University, Zhengzhou 450002, China; 2. Shangqiu Normal University, Shangqiu, Henan 476000, China)

This study aims to estimate the canopy chlorophyll density (CCD) of flue-cured tobacco with non destructive and accurate methods in real time to obtain the photosynthetic capacity and nutritional status. To this end, the relationship of canopy chlorophyll density and hyperspectral reflectance of flue-cured tobacco under different drought stresses was studied using an ASD spectrometer. Estimating models of the flue-cured tobacco canopy chlorophyll density were set up by means of the first derivative spectral reflectance. The results indicated that flue-cured tobacco canopy spectral reflectance showed orderly changes with chlorophyll density after drought stresses. The correlation between the first derivative spectral reflectance at 712 nm and chlorophyll density is the best (r=0.838). The BP neural network generated the best estimation. In the inversion of monadic linear model and BP neural network model for CCD using the first derivative spectral reflectance, the BP neural network model showed the best effect with theR2reached 0.9686 andRMSEbeing 0.0778. The results may provide the basis for the cultivation and management through long-term real-time monitoring of the photosynthetic capacity and water stress status of the flue-cured tobacco flourishing population.

flue-cured tobacco; the vigorous growth stage; canopy chlorophyll density; water stress; estimating model

S572.01

1007-5119（2017）01-0023-06

10.13496/j.issn.1007-5119.2017.01.004

國家煙草專賣局特色優質煙葉重大專項“濃香型特色優質煙葉開發”[110201101001(TS-01)]；河南中煙工業有限責任公司科技項目“基于土壤碳氮平衡的煙草專用肥工程化技術研發”（ZW2014005）

李夢竹（1993-），女，碩士研究生，研究方向為煙草栽培生理生化。E-mail：pipizhu0128@qq.com。*通信作者，E-mail：liugsh1851@163.com

2016-03-24

2016-09-30