基于甜菜冠層高光譜紅邊參數的SPAD值診斷

楊榮超 田海清 李斐 史樹德 李哲 黃濤

摘要：通過大田小區試驗，利用野外便攜式ASD光譜儀和SPAD-502葉綠素計分別實測甜菜冠層的高光譜反射率和葉片的葉綠素含量。基于冠層光譜反射率的一階導數，提取甜菜冠層光譜的紅邊參數，分析不同SPAD值的紅邊參數的變化規律，以及各個紅邊參數與甜菜SPAD值的相關關系，并建立估測模型。結果發現，當甜菜SPAD值增大時，紅邊位置發生“紅移”現象，紅邊振幅、紅邊面積增大；當SPAD值降低時，規律則相反。在紅邊參數對SPAD值的估測模型中，紅邊位置的一元線性估測模型精度最高；紅邊參數決定系數比紅邊位置的一元線性估算模型提高了 30.3%。

關鍵詞：紅邊參數；高光譜；甜菜；SPAD值

中圖分類號： S636.901文獻標志碼： A

文章編號：1002-1302（2017）11-0153-04[HS）][HT9.SS]

葉綠素是植物在光合作用中吸收光能的主要物質。葉綠素含量與植被的光合能力、發育階段以及氮素狀況有較好的相關性，是氮含量及冠層色素密度動態變化的指示劑，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[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，需要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的生長管理，因此急需尋求一種無損、快速、高效的葉綠素含量測試方法[2-3]。近年來，高光譜遙感技術在對作物生化參數的定量分析中得到廣泛應用。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。

紅邊由于植被在紅光波段強吸收以及近紅外波段的強反射，使光譜反射率在680～760 nm區域陡然上升，形成了綠色植物光譜最明顯的特征[4]，與綠色植物的葉綠素含量、氮含量等生化參數之間具有很好的相關關系。在國外，Horler等研究植被光譜與葉綠素濃度的關系，提出光譜紅邊位置在植被葉綠素濃度估計中的作用[5]；Strachan等研究表明，3個施氮水平的玉米紅邊位置和葉綠素計SPAD值呈極顯著相關，r2=0.81[6]；Hansen等研究表明，小麥高光譜反射率與葉綠素密度的敏感波段，87%集中在紅邊光譜范圍內[7]。在國內相關研究中，姚付啟等提出基于紅邊位置，對法國梧桐、毛白楊建立葉綠素的估算模型，其決定系數分別達到0.736 6、0728 9[8]；朱詠莉等研究表明，紅邊位置、最小振幅、紅邊面積以及紅邊振幅和最小振幅比值與生菜葉片SPAD值間均具有極顯著的相關關系，其中以紅邊位置的相關程度最高[9]；張永賀等研究表明，用不同算法獲取的紅邊位置變量所構建的回歸模型估測葉綠素含量是可行的[10]。對于用紅邊參數來估算綠色植物的葉綠素含量，在國內外已經有很多研究成果，但是用紅邊參數來反演甜菜葉片葉綠素含量的研究還未見報道。

本研究通過大田小區試驗，以甜菜為研究對象，利用野外便攜式ASD光譜儀和SPAD-502葉綠素計分別獲取甜菜冠層的高光譜反射率和葉片的葉綠素含量。基于甜菜冠層光譜反射率的一階導數，提取葉片的紅邊參數（紅邊位置、紅邊面積、紅邊振幅、最小振幅、歸一化紅邊指數以及紅邊振幅與最小振幅的比值），分析不同SPAD值的情況下紅邊參數的響應特征，并建立各個紅邊參數對SPAD值的估測模型以及紅邊參數與SPAD值的相關分析。

1材料與方法

1.1試驗設計

建模試驗區：試驗在內蒙古赤峰市松山區太平地鎮甜菜規模種植區域進行，供試作物為甜菜，品種為KWS1676。試驗采用單因素（N）設計，共設7個施氮水平，施氮量分別為0、15、32、76、108、163、217 kg/hm2。先在大棚內進行紙筒育苗，而后在5月中下旬將甜菜幼苗移栽至試驗田內，田間作物按常規方式進行管理，于9月27日成熟后收獲。試驗小區面積為40 m2，行距50 cm，株距25 cm，設4個重復，小區按完全隨機排列布置。

驗證試驗區：為了驗證估算模型的魯棒性和普適性，筆者選取了建模試驗區附近的農民田塊，從而用獲取的數據驗證所建估算模型的精確度。驗證試驗的甜菜品種和幼苗移栽時間與建模試驗一致，施氮量為15 kg/hm2（當地甜菜種植常規施肥量），田間管理和建模試驗小區一致。

1.2冠層高光譜采集

采用美國ASD公司（Analytical Spectral Devices）生產的野外便攜式ASD Qualityspec光譜儀對甜菜冠層光譜進行采集。光譜儀波段范圍為350～1 830 nm，其中，350～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～1 830 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。光譜采集時間選擇在天氣晴朗、無風、無云的10：00—14：00進行，采集時光纖探頭垂直向下，距甜菜冠層1 m，探頭視場角為25°，每個樣點測量4次光譜，取平均值作為采樣點光譜，且每個試驗小區光譜采集前進行參考白板校正。

1.3葉片葉綠素含量測定

在試驗過程中，在采集甜菜樣品冠層光譜后，用便攜式SPAD-502葉綠素計測定該樣品冠層葉片SPAD值，測量20次后求取平均值，以平均值作為該采樣小區的SPAD值，實現冠層光譜數據與葉片SPAD值的依次對應。

1.4紅邊參數的計算

采用ASD光譜儀自帶的ViewSpecPro光譜分析軟件提取甜菜冠層高光譜的反射率，并求得波段680～760 nm范圍內反射率的一階導數，從而計算出各個紅邊參數：紅邊振幅Dλ[HT5.]red[HT]，紅光范圍（680～760 nm）內光譜反射率的一階導數的最大值；紅邊位置λred，紅邊振幅所對應的波長；紅邊面積Sred，紅光范圍（680～760 nm）內一階導數光譜包圍的面積；最小振幅Dλ[HT5.]min[HT]，紅光范圍（680～760 nm）內光譜反射率的一階導數的最小值；紅邊振幅與最小振幅的比值，Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值；歸一化紅邊指數NREI，（Dλ[HT5.]red[HT]-Dλ[HT5.]min[HT]）/（Dλ[HT5.]red[HT]+Dλ[HT5.]min[HT]）。

2結果與分析

2.1紅邊特征參數對不同SPAD值的響應特性

為分析甜菜紅邊參數（紅邊位置、紅邊振幅、紅邊面積）對不同SPAD值的響應特性，隨機選取4組不同SPAD值所對應的紅光范圍內的一階導數光譜值（表1、圖1）。

當SPAD值分別為39.1、43.0、45.3、52.4時，相對應的紅邊位置分別為714、719、721、723 nm；紅邊振幅分別為0008 781、0.009 390、0.009 625、0.010 266；紅邊面積分別為 0.422 549、0.443 417、0.459 680、0.488 768（表1）。研究發現，隨著甜菜葉片SPAD值的升高，紅邊位置向長波方向移動，即“紅移”現象；紅邊振幅和紅邊面積也隨之增大（表1、圖1）。這和姚付啟等得出的冬小麥的傳統紅邊特征參數對不同SPAD值響應規律是一樣的[4]。由此可以反映出甜菜的紅邊參數與SPAD值之間存在相關聯系。

2.2紅邊參數與SPAD值相關性分析

紅邊面積、紅邊振幅與SPAD值的相關性很低，沒有達到顯著水平，不適合用來作為SPAD值估算模型的變量；歸一化紅邊指數、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值、紅邊位置與SPAD值呈正相關，最小振幅與SPAD值呈負相關，與SPAD的相關性均達到極顯著水平，其中以紅邊位置的相關性最高（表2）。因此，可以將歸一化紅邊指數、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值和紅邊位置作為SPAD值估算模型的變量。

基于建模試驗區168組樣品數據，分別將提取的歸一化紅邊指數、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值和紅邊位置參數作為單一自變量，SPAD值作為因變量，對二者建立線性函數、指數函數、對數函數、冪函數以及二項式函數的回歸方程?；隍炞C試驗區119組數據，對所建立的估算模型進行驗證。以決定系數R2、均方根誤差RMSE和相對誤差RE來綜合評價估算模型的魯棒性和普適性。歸一化紅邊指數、最小振幅及Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值對SPAD值的最佳估算模型均為指數函數，R2分別為0.267 1、0.289 2、0.295 4，均方根誤差RMSE分別為 3.286 3、3.279 1、3.277 2，相對誤差RE分別為5.91%、5.59%、5.97%；紅邊位置對SPAD值的最佳估算模型為一元線性函數，決定系數R2為0.310 9，均方根誤差RMSE為 2.681 8，相對誤差RE為4.83%。綜合各個紅邊參數的最佳估算模型來看，基于紅邊位置的一元線性估算模型的精度最高（表3、圖2）。[FL）]

2.4多元線性回歸模型

多元線性回歸分析就是研究因變量與2個或2個以上自變量的回歸問題。若因變量y與自變量（x1，x2，…，xk）具有線性關系，它們之間的線性回歸模型可以表示為：

[JZ]y=a0+a1x1+a2x2+…+akxk。

式中：a為回歸常數；a1，a2，…，ak為回歸系數；x1，x2，…，xk為引入的顯著變量。

歸一化紅邊指數、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及紅邊位置與甜菜冠層SPAD值都具有較好的一元線性關系，為了尋求精度更高的估算模型，建立上述4個顯著變量與甜菜冠層SPAD值的多元線性回歸模型（表3）。

[JP3]經過MATLAB軟件的分析處理，建立的多元線性回歸模型為y=-9 171.45×Dλ[HT5.]min[HT]+1.55×（Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]）+0.66×λred-12282×NREI-338.72，其R2為0.405 0，比紅邊位[JP]置的最佳估算模型提高了30.3%，在預測效果中，均方根誤差為 2.785 9，相對誤差為4.79%，估算精度也得到了提高（圖3）。[JP]

3結論與討論

本研究通過獲取的甜菜冠層高光譜反射率及葉片SPAD值數據，分析了紅邊參數對不同SPAD值的響應特性，并建立了各個紅邊參數與SPAD值的相關性分析以及5種函數的估算模型，最后將歸一化紅邊指數、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及紅邊位置作為顯著變量進行多元線性回歸分析，得出以下結論：

（1）在不同SPAD值下，紅邊參數的響應特性具體表現為隨著SPAD值的升高，紅邊位置發生“紅移”現象，紅邊振幅和紅邊面積隨之增大；隨著SPAD值的降低，紅邊位置發生“藍移”現象，紅邊振幅和紅邊面積隨之減小。

（2）在相關性分析中，紅邊振幅和紅邊面積與SPAD值沒有達到顯著相關水平，歸一化紅邊指數、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及紅邊位置與SPAD值達到極顯著相關水平。

（3）在各個紅邊參數對SPAD值的估算模型中，基于紅邊位置的一元線性估算模型的精度最高（RMSE=2.681 8，RE=[HJ]

（4）通過多元線性回歸分析，其模型的決定系數比紅邊位置的最佳估算模型提高了30.3%，其估算精度也高于各個紅邊參數對SPAD值估算模型的精度。

由于本研究的結論是在單一因素（N）營養控制下得出的，而對于甜菜在更為復雜的實際生長環境下，所得出的結論有待進一步驗證。例如，在缺水、蟲害等環境下，紅邊參數與葉片SPAD值的關系以及響應特性有待進一步研究。

[HS2*3][HT8.5H]參考文獻：

[1]馮偉，朱艷，田永超，等. 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.

[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. 作物氮素營養診斷方法研究進展[J]. 土壤通報，2006，37（2）：369-372.

[4]姚付啟，蔡煥杰，李亞龍，等. 基于紅邊參數的冬小麥SPAD高光譜遙感監測[J]. 中國農村水利水電，2015（3）：84-87.

[5]Horler D 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.

[6]Strachan I B，Pattey E，Boisvert J B. Impact of nitrogen and environment conditions on corn as detected by hyperspectral reflectance[J]. Remote Sensing of Environment，2002，80（2）：213-224.

[7]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen statue in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[8]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（增刊2）：123-129.

[9]朱詠莉，李萍萍，毛罕平，等. 生菜葉片光譜紅邊參數對氮營養的響應特征分析[J]. 農業機械學報，2011，42（11）：174-177.[ZK）]

[10]張永賀，郭嘯川，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.[JP][ZK）][HT][HJ][FL）]