基于高光譜的溫室網紋甜瓜不同葉位葉片含水率監測

向佳琳， 姚鑫鋒， 劉 倩， 黃丹楓，2， 常麗英

[1.上海交通大學農業與生物學院，上海 200240； 2.農業部都市農業重點實驗室(南方中心)，上海 200240； 3.上海市農業科學院農業科技信息研究所，上海 201403]

甜瓜(CucumismeloL.)是葫蘆科(Cucurbitaceae)甜瓜屬(CucumisL.)一年生蔓生植物。網紋甜瓜(Cucumismelovar.reticulatusNaud.)屬于厚皮甜瓜的一個變種。對于網紋甜瓜來說，植株水分狀況不僅影響植株長勢，還影響其外觀品質，如網紋發生速度、質量和美觀程度[1]，此外還影響甜瓜內部品質，如可溶性固形物含量、糖類含量等[2]。伸蔓期是甜瓜營養生長旺盛時期，水分需求最大且轉運頻繁，直接影響甜瓜向上生長及側枝發生，是甜瓜水分監測的重要時期。

多年以來，溫室植物管理多采用基于監控作物周圍的環境信息，例如溫濕度、光照、基質含水量作為依據的管理策略[3-4]。通過傳感器監測，存在無法大面積實時監控、破壞性取樣、手持式傳感器不能連續監測植株生理狀態等問題。隨著植物生理生態傳感技術的發展，已經有多種對植物本身的生理生態信息進行監測的方法[5-7]。

Kriedemann等認為，植物的水分狀況可以通過葉片含水量體現，因此前人利用光譜技術手段對植物葉片水分狀況進行研究，為實時獲取植物水分狀況提供了新的途徑[8]。Fernandez等研究發現，在970、1 450、1 940 nm波段附近，小麥的光譜反射率高峰能較好地反映葉片的水分狀況[9]。田永超等發現，基于作物冠層在610、540 nm波段組合的光譜比值植被指數與在810、610 nm波段組合的光譜歸一化植被指數的比值能預測小麥植株水分狀況，說明由可見光和近紅外區域波段構成的植被指數可用于植物葉片水分狀況的監測[10]。田慶久等研究發現，小麥葉片水分含量與特定光譜吸收特征峰存在較好的回歸關系[11]。田永超等的研究結果證實了利用光譜反射率準確預測植物葉片含水量的可行性[12]。以上研究雖然針對植物葉片含水量和葉片反射光譜進行，但是多數以分析作物冠層葉片為主，沒有具體分析不同層次葉片含水量及其反射光譜。不同層次葉片因蒸騰作用及水分轉移，受水分脅迫存在非同步性，不同葉片與植株生理狀況的關系隨葉位而有所差異。為了實現精準監控，確認監測葉位，進行針對性水分監測，對于指導甜瓜栽培過程中的精準灌溉具有實際指導意義。

1 材料與方法

1.1 試驗設計

試驗1于2015年8—9月在上海交通大學農業與生物學院現代農業工程訓練中心Venlo型自控玻璃溫室進行。供試品種為厚皮網紋甜瓜“網路”，試驗采用基質盆栽，每盆種植2株，種植密度為6.5株/m2，盆口直徑0.3 m，底直徑0.26 m，盆缽高0.3 m。基質由上海孫橋溢佳有限公司提供，有機基質容重為0.283 g/cm3，總孔隙度為77.8%，pH值為6.57，有機質含量為66.48%，全氮含量為1.34%，全磷含量為0.32%，全鉀含量為0.98%，速效氮含量為834.8 mg/kg，速效磷含量為 45.5 mg/kg，速效鉀含量為290 mg/kg，基質田間最大持水量為140%(質量分數)。以王靜靜等開展的水分對厚皮甜瓜生長發育影響的研究為基礎[13-14]，為甜瓜伸蔓期設置了4個不同灌溉量處理，分別為處理1(T1)，田間持水量35%～50%；處理2(T2)，田間持水量51%～65%；處理3(T3)，田間持水量66%～80%；處理4(T4)，田間持水量 81%～100%。每個處理16盆，分別設置4個重復。

試驗2于2016年8—9月在上海交通大學農業與生物學院現代農業工程訓練中心Venlo型自控玻璃溫室進行。供試品種為厚皮網紋甜瓜“網路”。試驗設計同試驗1。

水分處理使用國產便攜式土壤水分測速儀實時測定，通過人工補水將各處理基質含水量補充至設定值。

1.2 項目測定

1.2.1 光譜反射率測試 測量儀器為美國Analytical Spectral Device(簡稱ASD)公司的FieldSpec，光譜儀的波段范圍為325～1 075 nm，測量前儀器預熱30 min，并用BaSO4標準白板校正。光譜采樣間隔為1.41 nm。每組數據采集前均進行白板校正。于甜瓜定植25 d后，從各處理內隨機選取甜瓜植株12株，分別測定植株3個層次完全展開葉的上、中、下部共6個點的反射光譜，取平均值作為被測葉位葉片的光譜反射率。

1.2.2 葉片水分含量測定 將進行光譜測試的葉片迅速稱鮮質量后裝入自封袋，然后在108 ℃殺青后，于80 ℃烘至恒質量后稱其干質量，計算葉片含水率，公式如下：

葉片含水率=(鮮質量-干質量)/鮮質量×100%。

1.2.3 植被指數構建 基于325～1 075 nm波段范圍內的原始光譜反射率、一階導數光譜反射率和倒數光譜反射率，構建由任意2個波段(R1、R2)組合而成的歸一化植被指數(normalized differential vegetation index，簡稱NDVI)和比值植被指數(ratio vegetation index，簡稱RVI)，選出表現最好的植被指數及敏感波段組合。

1.3 數據處理

數據分析過程均基于Excel 2007及Matlab 2014a的自編程序進行。

“憑欄”意象除了表現作者閨怨之情和愛國之情之外，離別和旅行中也有許多悲傷的表情，他們大多表達想念家鄉親人的感覺。

2 結果與分析

2.1 不同葉位葉片含水率隨基質含水量的動態變化

甜瓜葉片含水率是判斷甜瓜植株水分狀況的重要指標之一，在不同水分處理下，不同葉位葉片含水量變化范圍為上部82.95%～93.30%，中部84.80%～92.94%，下部82.76%～92.39%。總體而言，3個葉位葉片含水率呈現由下部向上部升高的趨勢。

由圖1可以看出，4個處理中，甜瓜中部及下部葉片含水率整體呈現逐漸上升的趨勢，上部葉片含水率呈現先上升后下降的趨勢。其中，處理3甜瓜葉片含水率與處理4沒有明顯差異。

2.2 甜瓜不同葉位葉片光譜反射率與葉片含水率的相關性

圖2顯示，同一基質含水量處理下不同葉位葉片的光譜反射率呈現梯度分布特征。在可見光波段(380～760 nm)，T1、T2處理反射率均表現為下部>中部>上部，T3、T4處理反射率均表現為中部>下部>上部。在近紅外短波區域(760～1 100 nm)，4個處理反射率均呈現下部>中部>上部的趨勢。甜瓜葉片光譜反射率在可見光及近紅外短波區域所表現的這種空間變化規律，可能與葉片的水分含量密切相關。在基質含水量較少的處理下，水分的虧缺從下部葉片開始。

圖3顯示，甜瓜下、中、上部葉片水分含量的原始光譜和倒數光譜間的相關關系有類似的變化曲線，相關性基本呈相反的趨勢。由表1可知，下、中、上部葉片的原始光譜與倒數光譜相關系數最大值分布在可見光區域的較多，最小值分布在近紅外短波區域范圍的較多，而一階導數相關系數最大、最小值分布在近紅外短波區域范圍內的居多。其中，上部葉片原始光譜相關系數最大值為0.526 20，對應波段為724 nm；中部葉片原始光譜相關系數最小值為-0.622 1，對應波段為327 nm。中部葉片一階導數相關系數的最大值為0.701 7，對應波段為680 nm；最小值為-0.720 5，對應波段為770 nm。中部、上部葉片一階導數相關系數的最大、最小值對應波段大致在670～780 nm之間。一階導數可增強光譜反射率與葉片含水率的相關性，這也說明近紅外短波區域范圍內存在較好的葉片水分狀況監測敏感波段。

2.3 甜瓜不同葉位葉片、不同類型光譜指數與葉片含水率的關系

表2匯總了不同光譜類型的光譜指數中表現最好的敏感波段組合、回歸方程及決定系數。可以看出，不同葉位葉片、不同類型光譜指數建模的決定系數表現為上部葉片較中部、下部葉片穩定。其中，上部葉片原始、一階導數構建的歸一化植被指數(圖4)及倒數、一階導數構建的比值植被指數(圖5)決定系數分別為0.707、0.746、0.697、0.743。原始光譜及倒數光譜構建的歸一化植被指數及比值決定系數排序為上部>下部>中部，一階導數光譜構建的歸一化植被指數及比值決定系數排序為上部>中部>下部。

表1 甜瓜不同葉位葉片水分含量與原始光譜、一階導數光譜和倒數光譜間相關系數最小值、最大值及相應波段

利用2016年獨立的試驗數據，對上述單葉水分模型和葉位間組合的水分模型進行測試和檢驗，同時利用預測值和觀測值之間的決定系數(r2)、平均相對誤差(MRE)和相對均方根差(RRMSE)3個指標來綜合考察模型的表現(表3)，作出預測值與觀測值的1 ∶1關系圖(圖6)。

3 討論與結論

單葉高光譜的測定方法簡單、快速、非破壞性、不受外界環境因素的影響，且考慮水分在植株體內的分布梯度，特別適用于溫室作物快速估測。本研究就甜瓜不同葉位葉片光譜反射率與葉片含水率定量關系進行深入研究。通過分析發現，在近紅外短波區域(760～1 100 nm)，4個處理光譜反射率均呈現下部>中部>上部的趨勢，隨著水分含量的提高，葉片在近紅外波段的光譜反射率均降低，與Cibula等的研究結果[15-17]基本一致。

植物葉片表面存在較強反射，在葉片角質層、葉毛等表面結構與內部結構的影響下，用單一波段的光譜反射率難以全面、準確地估測作物水分狀況。而通過構造光譜指數則可以使植被的有效光譜信息最大化，降低外部因素的影響，提高其預測精度[18]。但因甜瓜與其他作物在葉面表層及葉肉結構上差異較大，前人研究的特征波段及模型[19]在甜瓜葉片水分監測上的擬合度并不高，本研究基于Matlab 2014a軟件，利用不同水分處理下的試驗材料的原始光譜、光譜一階導數及光譜倒數的任意2個波段組合下的2個植被指數，分析其與甜瓜葉片含水率的定量關系，篩選出適合網路甜瓜的敏感波段組合并構建監測模型。結果發現，上部葉片一階導數NDVI680 nm，750 nm、RVI680 nm，734 nm、中部葉片一階導數RVI603 nm，758 nm模型建立與檢驗r2分別為0.667、0.660和 0.600，均達到0.6以上，MRE與RRSME值分別為1.449%、1.500%、1.500%和1.409%、1.629%、1.923%，均在1%～2%之間。篩選的特征波段主要集中在600～680 nm及730～750 nm之間，與Dobrowski等發現的690、740 nm的光譜可以反映植物受水分脅迫的狀態[20]，以及Graeff等對不同水分處理下的小麥葉片光譜數據研究結論[21]相一致。

表2 甜瓜不同葉位葉片含水量與不同類型光譜指數的關系

本研究通過分析葉片反射光譜與葉片含水率的相關關系，提取了準確反演水分的特征波段，并采用多種方式預處理原始光譜，構建了簡單適用的模型，在一定程度上提高了模型的準確性。雖然本試驗資料基于2個年份，4個水分梯度，3種光譜數據類型，構建了2種植被指數模型，比較分析了不同類型的光譜數據對植株不同葉位葉片含水率的模擬效果及其模型預測能力，在一定程度上可適應不同栽培條件，網路甜瓜植株不同葉位葉片含水率監測具有重要的應用前景，但是模型在不同生長時期下、不同品種的普適性和可靠性表現還需要更多的檢驗。

表3 甜瓜不同葉位葉片含水量與不同類型光譜指數構建模型檢驗效果

[1]管學玉. 網紋甜瓜品質形成特點的研究[D]. 杭州：浙江大學，2006：20-25.

[2]崔 沖. 基質含水量與溫室網紋甜瓜果實品質形成的模擬[D]. 上海：上海交通大學，2012：39-47.

[3]Fares A，Polyakov V. Advances in crop water management using capacitive water sensors[J]. Advances in Agronomy，2006，90(6)：43-77.

[4]張大龍，常毅博，李建明，等. 大棚甜瓜蒸騰規律及其影響因子[J]. 生態學報，2014，34(4)：953-962.

[5]要世瑾，杜光源，牟紅梅，等. 基于核磁共振技術檢測小麥植株水分分布和變化規律[J]. 農業工程學報，2014，30(24)：177-186.

[6]彭 文，李慶武，霍冠英，等. 基于計算機視覺的植物水分脅迫狀況監測方法[J]. 科學技術與工程，2013，13(9)：2313-2317，2330.

[7]朱晨亮. 作物冠層葉色變化遠程自動監測技術[D]. 杭州：浙江理工大學，2016：22-43.

[8]Kriedemann P E，Barrs H D. Photosynthetic adaptation to water stress and implications for drought resistance[M]//Raper C D Jr，Kramer P J. Crop reactions to water and temperature stresses in humid，temperate climates. Boulder：Westview Press，1983：201-230.

[9]Fernandez S，Vidal D，Simon E，et al. Radiometric characteristics ofTriticumaestivumcv. Astral under water and nitrogen stress[J]. International Journal of Remote Sensing，1994，15(9)：1867-1884.

[10]田永超，曹衛星，姜 東，等. 不同水氮條件下水稻冠層反射光譜與植株含水率的定量關系[J]. 植物生態學報，2005，29(2)：318-323.

[11]田慶久，宮 鵬，趙春江，等. 用光譜反射率診斷小麥水分狀況的可行性分析[J]. 科學通報，2000，45(24)：2645-2650.

[12]田永超，朱 艷，曹衛星，等. 小麥冠層反射光譜與植株水分狀況的關系[J]. 應用生態學報，2004，15(11)：2072-2076.

[13]王靜靜，李建明，張艷麗，等. 溫室溫濕度及灌溉量對甜瓜生長發育的影響[J]. 北方園藝，2011(6)：50-55.

[14]毛煒光，吳 震，黃 俊，等. 水分和光照對厚皮甜瓜苗期植株生理生態特性的影響[J]. 應用生態學報，2007，18(11)：2475-2479.

[15]Cibula W G，Zetka E F，Rickman D L. Response of thematic mapper bands to plant water-stress[J]. International Journal of Remote Sensing，1992，13(10)：1869-1880.

[16]蘇 毅，王克如，李少昆，等. 棉花植株水分含量的高光譜監測模型研究[J]. 棉花學報，2010，22(6)：554-560.

[17]Imanishi J，Sugimoto K，Morimoto Y. Detecting drought status and LAI of twoQuercusspecies canopies using derivative spectra[J]. Computers and Electronics in Agriculture，2004，43(2)：109-129.

[18]Cheng T，Rivard B，Sanchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis[J]. Remote Sensing of Environment，2011，115(2)：659-670.

[20]Dobrowski S Z，Pushnik J C，Zarco-Tejada P J，et al. Simple reflectance indices track heat and water stress-induced changes in steady-state chlorophyll fluorescence at the canopy scale[J]. Remote Sensing of Environment，2005，97(3)：403-414.

[21]Graeff S，Claupein W. Identification of water stress in wheat leaves. (TriticumaestivumL.) by means of reflectance measurements[J]. Irrigation Science，2007，26(1)：61-70.