雙季晚稻葉片葉綠素含量的冠層高光譜估測模型研究

摘 要：葉綠素是水稻光合能力的指示器，水稻葉片葉綠素含量直接影響光合速率。高光譜遙感技術可以為水稻葉片葉綠素含量的定量化診斷提供簡便有效、非破壞性的數據采集和處理方法，為構建和驗證以水稻光譜參數為自變量的水稻葉片葉綠素含量的高光譜估測模型，對不同氮素條件下水稻葉片葉綠素含量和各類“三邊”參數間的相關性進行分析。結果表明，各類“三邊參數”中以Dr、SDr、SDr/SDb為自變量的二次模型的決定系數R2達到較大值，分別為0.636、0.644、0.632，通過模型預測精度檢驗，得出最適合估測水稻葉片葉綠素含量的模型是以Dr為自變量建立的水稻葉片葉綠素含量診斷模型[y=1.278+1.943x+0.880x2（均方根差為0.83，相對誤差為1.4），其中x為冠層光譜參數Dr，該模型可以定量估測水稻葉片葉綠素含量。

關鍵詞：雙季晚稻；葉綠素含量；冠層高光譜；估測模型

一、材料與方法

（一）試驗區概況

試驗于2014—2015年在江西省灌溉試驗中心站高田試驗基地進行。試驗區為平原地區，屬亞熱帶季風氣候，多年平均氣溫為17.7 ℃，蒸發量為943 mm，日照時間為1 575.5 h。試驗田土壤為沖積性黃泥土，供試前土壤（0～20 cm）的有機質含量為21.75 g/kg，全氮含量為1.54 g/kg，

全磷含量為0.52 g/kg，堿解氮含量為

105.78 g/kg，速效磷含量為5.98 mg/kg，

速效鉀含量為80.12 mg/kg。

（二）試驗材料與試驗設計

供試水稻品種為天優華占，屬秈型三系雜交水稻，在長江中下游作雙季晚稻種植，全生育期平均119.2 d。試驗針對不同施氮水平下水稻冠層高光譜反射特征，設計4個施氮水平，折成施純氮的含量分別為N0、N1（90 kg/hm2）、N2

（135 kg/hm2）、N3（180 kg/hm2）和N4

（225 kg/hm2），每個處理3次重復，共計15小區，每個小區面積36.4 m2（長7.0 m，

寬5.2 m），除氮肥水平不同之外，其他農事條件均保持一致，氮肥按照基肥∶分蘗肥∶穗肥=5∶3∶2比例施肥，株行距為13.3 cm×26.6 cm。

（三）試驗測定指標和方法

采用美國Spectra Vista公司生產的SVC HR-768便攜式光譜儀對每個處理進行測定，該儀器光譜采樣范圍為350～

2 500 nm。在波段值350～1 000 nm，其光譜采樣間隔為1.5 nm，光譜分辨率為

3.0 nm；在波段值1 000～2 500 nm，光譜采樣間隔波長為2.0 nm，分辨率為10.0 nm。

分別在水稻的4個關鍵生長時期——分蘗盛期、拔節期、抽穗期和成熟期測定各個施氮處理的冠層光譜反射率，測定時間選取晴朗無云的天氣，于11：00—14：00（太陽高度角大于45°）

時進行測定。試驗每個重復選取一塊長勢較好的小區進行冠層光譜測定。

（四）數據處理

采用Microsoft Excel軟件對水稻葉片葉綠素含量與光譜反射率“三邊參數”進行相關性分析，通過SPSS軟件回歸分析方法確定最佳特征變量，并構建遙感估測模型。

二、結果與分析

將晚稻5個不同生育階段不同施氮水平下的高光譜反射率“三邊”參數Dr、SDr/SDb和（SDr-SDb）/（SDr+SDb）作為自變量，相對應的葉片葉綠素含量作為因變量進行回歸分析。

以“三邊”參數Dr作為自變量建立的模型中，線性關系曲線和二次方程曲線相差不大，決定系數R2分別為0.631、0.636，因此二次拋物線模型更適合估測晚稻葉片葉綠素含量，曲線方程為y=1.278+1.943x+0.880x2；以“三邊”參數SDr/SDb作為自變量建立的模型中，明顯可以得出二次拋物線模型更適合估測水稻葉片葉綠素含量，其決定系數R2=0.644，曲線方程為y=0.355+0.401x-0.008x2；同樣，以“三邊”參數（SDr-SDb）/（SDr+SDb）為自變量建立的模型中，亦是二次模型更適合估測葉片葉綠素含量，決定系數R2=0.632，曲線方程為y=6.241-19.217x+19.526x2。

經過模型預測精度分析得出，基于以上三類“三邊”參數作為自變量建立的模型當中，均方根差（RMSE）分別為0.83、1.13、1.04，相對誤差（RPD）分別為1.40、1.01、1.02，說明3種模型的預測精度最高的為y=1.278+1.943x+0.880x2，即以Dr作為自變量建立的拋物線模型最適合用來診斷葉片葉綠素含量。

三、討論

及時、準確、動態地獲取葉綠素含量及其變化信息，對可持續發展研究具有重要的研究意義，對精確農業的實施亦有重要的指導作用。常規方法測定植株葉片葉綠素含量時一般需要破壞性取樣，而且耗時、耗力，所以需要尋求一種新方法來對作物夜盤葉綠素含量進行測定。該文選擇便攜式光譜儀對水稻葉片葉綠素含量的評估有獨特的優勢，可以實時且無損地監測水稻葉片葉綠素含量。有關水稻葉片葉綠素高光譜估測模型在國內外已經進行了大量研究：Daughtry等[1]研究了葉片及冠層光譜反射率與葉綠素含量的定量關系；Hansen PM等[2]研究表明，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；劉桃菊等[3]研究表明近紅外波段（>750 nm）與紅光波段（630～

680 nm）和550 nm左右的綠光波段組合的比值植被指數與水稻冠層葉綠素含量具有較高的相關性；楊杰等[4]研究指出紅邊波段的比值和歸一化光譜指數可以較好地預測水稻上部4葉的葉綠素含量；唐延林等[5]指出水稻成熟過程中R1200/R553與葉片（倒一葉、倒三葉）葉綠素含量的相關性較好；陳君穎等[6-7]利用乳熟期水稻葉片光譜反射率數據與SPAD值建立了較好的關系。

四、結論

該文分析了水稻在各個不同生育階段不同氮素水平下冠層高光譜“三邊”參數的變化特征，得到了各類“三邊”參數與水稻葉片含氮量相關性，發現Dr、SDr、SDr/SDb相關系數相對其他參數較大，故選取其作為自變量，水稻葉片葉綠素含量作為因變量，建立回歸模型，得出模型方程y=1.278+1.943x+0.880x2（決定系數R2=

0.636）、y=0.355+0.401x-0.008x2（決定

系數R2=0.644）、y=6.241-19.217x+19.526x2

（決定系數R2=0.632），并通過模型預測性檢驗得到結果以Dr為自變量建立的水稻葉片葉綠素含量估測模型精度最高，故選擇y=1.278+1.943x+0.880x2（均方根差為0.83，相對誤差為1.4）作為水稻葉片葉綠素含量的估測模型，其中x為冠層光譜參數中的紅邊內最大一階微分值Dr。該模型可以定量估測水稻葉片葉綠素含量，可為精準農業的發展提供一定理論依據。該文結論是基于同一地點、同一品種、2個年份數據獲得的，加之采集光譜數據也不密集，因此，關于水稻葉片葉綠素含量的最佳估測光譜參數及其預測性性能的穩定性和準確性，以及所構建的診斷模型是否適合大面積推廣，仍需要進一步驗證。（基金項目：國家自然科學基金項目，項目編號：31160252；江西省水利廳科技項目，項目編號：KT201321）

參考文獻：

[1]Daughtry CST，Walthall CL，Kim MS，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment，2000（2）：229-239.

[2]Hansen PM，Schjoerring JK. 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（4）：542-553.

[3]劉桃菊，胡雯君，張笑東，等.水稻冠層高光譜特征變量與葉片葉綠素含量的相關性研究[J].激光生物學報，2015（5）：428-435.

[4]楊杰，田永超，姚霞，等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態學報，2009（12）：6561-6571.

[5]唐延林，王人潮，黃敬峰，等.不同供氮水平下水稻高光譜及其紅邊特征研究[J].遙感學報，2004（2）：185-192.

[6]陳君穎，田慶久，施潤和.水稻葉片葉綠素含量的光譜反演研究[J].遙感信息，2005（6）：12-16.

[7]陳君穎，田慶久.水稻葉片不同光譜形式反演葉綠素含量的對比分析研究[J].國土資源遙感，2007（1）：44-48.

通訊作者：劉桃菊。