接種AM真菌對東部草原礦區不同配比黑黏土的玉米光譜反演

龔云麗，胡晶晶，宋子恒，張 健，畢銀麗

(中國礦業大學(北京) 地球科學與測繪工程學院，北京 100083)

叢枝菌根(arbuscular mycorrhiza，AM)真菌是自然界土壤中普遍存在的一種土壤微生物，可與80%以上的有花植物形成互惠共生關系，密切影響著宿主植物的生長和發育[1-3]。大量研究結果表明,AM真菌與植物共生可以改善土壤水穩定性團聚體、土壤滲透勢和總孔隙度等，同時提高土壤有機質含量[4-5]。東部草原露天礦區黑黏土因黏性強，通氣透水能力差不適宜植物的生長，為改善這種現狀，需按比例摻入一定質量的沙土以降低其黏性結構，接種叢枝菌根真菌，以期實現對黑黏土的快速改良。以往評價叢枝菌根對土壤的改善作用通常需要通過離體采集植物樣本在實驗室進行一系列的生理生化實驗，不能實現實時監測，高光譜遙感技術具有數據獲取速度快，精度高，無需破壞植株本身的特點。因此，采用高光譜遙感技術對不同土質上植株生長狀況進行檢測，為實現微生物復墾技術對土壤改良效應奠定基礎。

植物體內葉綠素含量是反應植被生長及營養狀況的重要生化參數[6]。如何準確并高效地估算出植被的葉綠素質量分數將是研究植被各項特征指標的關鍵因素[7]。傳統的葉綠素監測方法不僅受到研究區域的局限，而且監測效率也不高。近年來隨著遙感技術的快速發展與應用，基于葉綠素對特定波長光譜的吸收和反射的特性[8-9]，利用高光譜遙感技術來監測植被葉綠素質量分數的方法逐漸被人們所熟知和認可。高光譜遙感以其波段多且窄的特點，能直接對植被進行微弱光譜差異的定量分析，在植被精細監測研究中占據明顯的優勢[10]。使用高光譜遙感技術對植被葉綠素含量定量估算的研究多通過建立葉綠素含量與植被光譜特征之間的回歸模型來實現[11-14]。筆者以玉米作為研究對象，分析了不同處理下原始光譜和一階微分光譜部分特征參數的差異，并選用逐步回歸模型和BP神經網絡的建模方法，意在選取合適的光譜特征參數并以此為基礎建立高擬合度的葉綠素含量估測模型，為實現以高光譜遙感技術動態高效監測微生物修復效果奠定基礎。

1 材料與方法

1.1 供試材料與設計

供試黑黏土來自內蒙古自治區呼倫貝爾市寶日希勒礦區，沙土為普通河沙土，經過1 mm篩，用高壓滅菌鍋滅菌2 h，殺滅土壤中的土著菌根真菌后風干備用。黑黏土的基本理化性狀為:速效磷的含量為2.68 mg/kg，速效鉀的含量為75.62 mg/kg，pH值為7.42，EC值為294 μS/cm。沙土的基本理化性狀為:速效磷的含量為6.13 mg/kg，速效鉀的含量為50.38 mg/kg，pH值為7.48，EC值為52.5 μS/cm。實驗用盆為20 cm(口徑)×16 cm(底徑)×22 cm(高)。供試玉米種子為品糯28號，供試菌種為摩西管柄囊霉(Funneliformismosseae)，每穴加菌劑50 g。

試驗共設8個處理，每個處理設4次重復，共32盆。設4個土壤基質水平:沙土(S)、黏土(N)，沙土與黏土按質量1∶1配比(S∶N=1∶1)、沙土與黏土按質量3∶1配比(S∶N=3∶1)。設2個接種AM真菌水平:接種叢枝菌根(M)和不接種菌根的對照組(CK)。使用NH4NO3，KH2PO4，K2SO4作為底肥，使土壤中氮、磷、鉀的含量分別達100，30，150 mg/kg。將玉米種子用體積濃度為10%的H2O2溶液浸泡10 min做表面消毒，再用去離子水多次清洗，每盆播種玉米種子3顆，出苗后定苗為1株。每盆土壤基質為4.8 kg，土壤濕度約為田間持水70%～80%，所有處理在中國礦業大學(北京)的日光溫室中培養。

1.2 光譜數據采集

每盆選取3～6片葉片，使用SVC HR-1024i型全波段地物光譜儀采集葉片光譜反射率信息，其波長范圍為350～2 500 nm，光譜采樣間隔在350～1 000 nm內是1.377 nm，在 1 000～2 500 nm內為2 nm。測量時間為2017-07-10，即為出苗后60 d。光譜測定中使用儀器內置光源，為消除環境變化對儀器的影響，每隔0.5 h用白板進行1次校正。每片葉子選取3個采樣點，每個采樣點采集3個光譜數據，取其平均作為1個樣本結果。

1.3 葉綠素測定

葉綠素一般采用分光光度法測量，但是研究表明葉片綠色度(SPAD值)與葉綠素含量具有顯著的相關性，SPAD 值能較好地反映葉片葉綠素含量的變化，使用葉綠素計測定葉片葉綠素含量是完全可行的，在一定條件下可代替葉綠素含量的直接測定[15]。在光譜數據采集后，在光譜采樣點周圍，使用SPAD-502型便攜式葉綠素儀進行玉米葉片葉綠素含量的測定。每采樣點測量5次取平均作為1個采樣點的葉綠素值。

1.4 數據處理

試驗光譜數據使用SVC HR-1024i PC進行初步處理。采用移動平均法對實測光譜進行去噪處理，即選取測定樣本某一點前后光譜曲線上一定范圍測定它的平均值作為該點的值。計算公式為

(1)

其中，R′i為樣本第i點的反射率值，i=1，2，3，…，n。

經對比選用九點加權移動平均的方法[16]，即選用i及其前后各4個點的反射率值加權后作為i點的反射率值。使用Excel數據分析工具對獲取到的光譜數據進行平均處理及匯總。

光譜微分處理既可以消除基線漂移或平滑背景干擾的影響,也可以提供比原始光譜更高的分辨率和更清晰的光譜輪廓變換,并有效限制低頻背景對目標光譜的影響[14]。故對原始光譜進行一階微分處理。在 MATLAB R2016a 中對光譜數據進行平滑處理，并通過編程計算各波段光譜特征參數與葉綠素含量之間的相關關系。

1.5 回歸模型

多元統計分析技術是植被高光譜研究中采用最廣泛的技術之一，它以高光譜數據或者其變換形式作為自變量，以植被的生理參數為因變量，建立多元回歸線性模擬模型[17-19]。作為一種常用的解決生理參數與光譜特征參數間線性關聯的建模方法，多元線性模型并非是自變量越多越好，因為自變量越多剩余標準差可能越大，因此利用逐步回歸篩選并剔除引起多重共線性的變量，逐個引入與某一指標關系最密切的因子，從而自動篩選出一種較好的函數表達式，保證反演模型的穩定與準確。將得到的光譜特征參數作為輸入變量，葉綠素含量作為輸出變量，利用 SPSS 軟件建立逐步回歸模型，將驗證數據輸入，驗證模型精度。

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，通過反向傳播途徑不斷調整網絡的閾值與權值，直到網絡的誤差平方和值達到最小[20]。在數據分析時，不需要建立具體的數學模型，仿真性強[21]，對非線性問題有很好的解釋性。將得到的相關系數較高的光譜特征參數作為輸入變量，葉綠素含量作為輸出變量，利用 MATLAB R2016a 中的神經網絡工具箱建立神經網絡模型，并將驗證數據輸入模型，驗證模型精度。

1.6 光譜特征參數選取

為分析不同配比黏土基質下接種叢枝菌根對玉米葉片光譜特征的影響并對玉米葉片葉綠素含量進行反演建模。由于綠色植物葉片的葉綠素含量對可見光波段的光譜反射率起主要的影響作用，結合微分處理有利于提高光譜數據的判讀性，結合前人的經驗，提取常用特征參數(表1)，主要是“三邊參數”及其比值和歸一化參數[13,22]。

2 結果與分析

2.1 不同處理下玉米葉綠素含量的差異

相同基質下接種叢枝菌根真菌可提高葉綠素的含量(表2)。沙土S和S∶N=3∶1處理接菌未達到差異顯著水平，而N和S∶N=1∶1的接菌處理均達到顯著差異。未接菌時，S∶N=3∶1的葉綠素含量最高但較其他基質未達到顯著差異，接菌后S∶N=1∶1的葉綠素含量最高且除N外均達到顯著水平，即在接菌條件下以1∶1的比例摻入沙土時對玉米葉綠素含量的提高效果最明顯，接菌處理可以減少沙土的摻入量，節約成本，接菌處理下S∶N=1∶1對植物生長促進作用最好。可能一方面摻入沙土可降低黑黏土的黏性，混合后土壤基質的通氣透水性較純黏土好，也保證了土壤的保水性;另一方面，接種AM真菌后，增強了根系對水分和營養元素的吸收能力，使玉米植株葉綠素含量更高，呈現出更好的生長狀態。

表1 光譜特征參數及定義
Table 1 Spectral characteristics parameters and definitions

特征參數定義SDb藍邊(490～530 nm)內一階微分值總和SDy黃邊(560～640 nm)內一階微分值總和SDr紅邊(680～760 nm)內一階微分值總和I=(R765-R720)(R765+R720)歸一化植被指數藍紫波吸收谷幅值(RBP)380～500 nm波段反射率最小值藍紫波吸收谷位置(λBP)380～500 nm波段反射率最小值對應的波長綠峰幅值(RG)500～600 nm波段反射率最大值綠峰位置(λG)500～600 nm波段反射率最大值對應的波長紅谷幅值(RR)600～720 nm波段反射率最小值紅谷位置(λR)600～720 nm波段反射率最小值對應的波長藍邊位置(BEP)藍光范圍(490～530 nm)內一階微分光譜最大值所對應的波長藍邊斜率(BES)藍邊位置對應的一階微分值黃邊位置(YEP)黃光范圍(560～640 nm)內一階微分光譜最小值所對應的波長黃邊斜率(YES)黃邊位置對應的一階微分值紅邊位置(REP)紅光范圍(680～760 nm)內一階微分光譜最大值所對應的波長紅邊斜率(RES)紅邊位置對應的一階微分值SDr/SDb紅邊內一階微分值總和與藍邊內一階微分值總和比值SDr/SDy紅邊內一階微分值總和與黃邊內一階微分值總和比值(SDr-SDb)/(SDr+SDb)紅邊內一階微分值總和與藍邊內一階微分值總和歸一化(SDr-SDy)/(SDr+SDy)紅邊內一階微分值總和與黃邊內一階微分值總和歸一化

表2 不同處理下玉米葉片葉綠素含量
Table 2 Chlorophyll content of maize leaves underdifferent treatments

處理葉綠素含量(SPAD值)CKMS31.83d33.79cdN32.27cd36.81abS∶N=1∶132.18cd37.72aS∶N=3∶133.8cd34.67bc

注∶同一個處理下的小寫字母表示在0.05水平上有顯著差異。

2.2 不同處理下玉米原始光譜特征參數的差異

因可見光波段(380～760 nm)的反射率與葉綠素含量存在密切的關系[23]，所選特征參數多集中于可見光波段，故截取340～800 nm間的反射率光譜數據，經九點加權平均后得到原始光譜曲線(圖1)。結合表3可以看出，相同基質下，接種叢枝菌根可降低綠峰幅值。未接菌時，S∶N=1∶1 的綠峰幅值大于N，而S∶N=3∶1則小于N;接種AM真菌后，S∶N=1∶1小于N，同時S∶N=3∶1大于N，結合葉綠素含量可知，不同處理下葉綠素含量越高時，綠峰幅值越小，即兩者呈現負相關，在接菌處理的沙黏土配比1∶1(S∶N=1∶1)時達到最小。藍紫波吸收谷值和紅谷幅值也具有相同的規律。即在此處理下玉米植株對光的吸收量更大，光合作用更強，相應的綠峰、紅谷、藍紫波吸收谷位置并未呈現明顯規律。

圖1 不同處理經平滑后的原始光譜曲線Fig.1 Original spectral curves after smoothing

2.3 不同處理下玉米一階微分光譜的特征參數差異

經一階微分處理后的光譜曲線具有相似的形狀和變化規律，但因葉綠素含量的不同，各處理間的“三邊”參數存在一定程度的差異，結合表4進行具體分析。

藍邊參數中，相同基質下藍邊斜率和藍邊一階微分和均呈現接菌小于未接菌。摻入沙土后，不論是對照還是接種AM真菌其藍邊斜率和藍邊一階微分和隨著葉綠素含量的不同存在著明顯的規律變化，即葉綠素含量與藍邊斜率、藍邊一階微分和呈負相關。接菌條件下，S∶N=1∶1時藍邊斜率和藍邊一階微分和的差異最大，即在此條件下對葉綠素含量的提升作用最明顯。藍邊位置在520 nm附近且與葉綠素無明確關系。

黃邊斜率為負值，相同基質下，接菌可提高黃邊斜率，且與葉綠素含量呈正相關。黃邊范圍內一階微分和為負值，相同基質接菌后絕對值小于對照，與葉綠素含量呈負相關。配比沙土后，黃邊斜率與黃邊范圍一階微分和也因葉綠素含量的不同分別呈現正相關與負相關。黃邊位置在570 nm附近，無明顯位移。

紅邊參數中，紅邊斜率與紅邊范圍一階微分和均與葉綠素含量呈負相關，即相同基質接菌小于未接菌。未接菌時，S∶N=1∶1的紅邊斜率與紅邊范圍一階微分和大于N，而接菌后小于N，結合紅邊斜率與紅邊范圍一階微分和與葉綠素負相關，可知S∶N=1∶1時，接菌對葉綠素含量的提升作用更顯著。對比葉綠素含量與紅邊位置可知隨著葉綠素含量的增加，紅邊位置有向著長波方向移動，即產生了“紅移”，這與田明璐等[24]關于蘋果花葉病葉片紅邊特征的研究結果相似。

表3 不同處理下玉米原始光譜特征參數的比較
Table 3 Characteristic parameters of original curves of maize under different treatments

特征參數CKSNS∶N=1∶1S∶N=3∶1MSNS∶N=1∶1S∶N=3∶1RBP9.959 89.907 29.932 37.885 57.905 17.475 97.361 17.830 6λBP380380380380380380380380RG21.800 720.577 521.324 719.645 319.750 617.863 816.932 618.379 5λG553552553553553553552552RR9.863 49.376 09.668 08.706 18.905 58.165 88.047 58.387 2λR673671674674671672672674

表4 不同處理下玉米一階微分“三邊”參數差異
Table 4 Differences in trilateral parameters of first-order differential spectra of maize under different treatments

特征參數CKSNS∶N=1∶1S∶N=3∶1MSNS∶N=1∶1S∶N=3∶1BEP520520520520521520521520BES0.196 50.187 80.191 10.172 40.174 70.152 10.140 60.158 4SDb4.648 54.458 04.490 93.933 14.036 03.500 43.182 93.778 8YEP570570570570570570570570YES-0.126 8-0.120 7-0.123 2-0.113 1-0.117 2-0.101 5-0.099 5-0.107 0SDy-4.564 3-4.305 1-4.480 8-4.143 8-4.290 0-3.693 6-3.481 5-3.775 9REP716717717718718719719718RES0.534 70.512 40.521 70.471 80.488 60.445 90.411 30.464 1SDr25.722 224.531 925.168 622.208 023.664 220.748 120.094 821.149 3

2.4 葉綠素含量與各特征參數的相關性分析

由于接種叢枝菌根對玉米的生長具有促進的作用，使玉米葉片的葉綠素含量產生變化且差異顯著，進而影響光譜特征參數，使M與CK玉米葉片葉綠素含量和光譜特征參數進行相關性分析顯示出一定的差異，這是可能是因為AM真菌對植物生長的促進作用是一個多因素綜合結果，接菌植物的光譜響應也并非是由某單一因素引起[22]，統一的進行相關性分析可能會對模型精度產生影響，故采用光譜特征參數分別與M和CK的葉綠素含量進行相關性分析。“三邊”參數能夠較好的反應綠色植物的光譜特征，對植物的葉綠素較為敏感，故選取藍、黃、紅3邊的斜率和一階微分和以及紅藍、紅黃一階微分和的比值及歸一化值作為特征參數;同時在原始光譜中選取了具有代表性的綠峰和紅谷反射率以及歸一化植被指數共13個光譜特征參數。

用葉綠素含量對13個特征參數分別進行相關分析，得到不接種叢枝菌根的CK和接種叢枝菌根的M的相關系數見表5。

表5 接菌處理下葉綠素含量與各光譜特征參數的相關系數
Table 5 Correlation coefficient between chlorophyll contentand spectral characteristic parameters

特征參數相關系數CKMBES-0.748 7-0.731 8YES0.606 40.610 5RES0.197 40.182 8SDr-0.215 2-0.205 0SDb-0.744 8-0.730 5SDy0.688 00.676 7(SDr-SDb)/(SDr+SDb)0.770 80.756 2(SDr-SDy)/(SDr+SDy)-0.747 5-0.777 9SDr/SDb0.819 10.819 5SDr/SDy-0.781 0-0.815 1RG-0.640 3-0.626 3RR-0.422 6-0.308 5NDVI0.779 40.793 2

CK與M的各相關系數整體上相近,BES，SDb，(SDr-SDb)/(SDr+SDb)，(SDr-SDy)/(SDr+SDy)，

SDr/SDb，SDr/SDy，NDVI均達到了0.7以上的相關性，YES，SDy，RG也達到了0.6以上的相關性，故選用這10個特征參數進行反演模型構建。結合除S∶N=3∶1外其余3種基質下接菌與空白處理的葉綠素含量均達到顯著差異，故對兩種處理進行分別建模。

2.5 基于光譜參數的葉綠素值估算模型的建立及檢驗

本文選取了2種常用的建模方法，探尋線性關聯的逐步回歸模型和用于非線性關系的BP神經網絡模型，比較兩種不同的建模方法在輸入相同的光譜特征參數時對葉綠素含量估測的能力，并對2種建模方法進行檢驗，優選出擬合度更高的模型。

2.5.1逐步回歸模型

將得到的光譜數據分為對照和接菌兩組，每組共計80條光譜曲線。每組隨機選取60組數據建立逐步線性回歸模型，剩余的20組數據作為驗證集對模型精度進行檢驗。將篩選出的相關性較高的10個光譜參數作為自變量，將葉綠素含量作為因變量進行逐步線性回歸，得到的模型見表6。

表6 基于逐步回歸分析法的玉米葉片葉綠素含量估測模型
Table 6 Estimation model of chlorophyll content in corn leaves based on stepwise regression analysis

處理入選特征參數反演模型決定系數R2均方根誤差RMSE相對誤差/%F值SDr/SDby=1.975x1+20.6510.6701.5843.87117.651SDr/SDb,RGy=1.535x1-0.217x2+27.8340.7101.4973.5469.824CKSDr/SDb,RG,(SDr-SDy)/(SDr+SDy)y=3.835x1-0.343x2+39.463x3-40.2680.7851.3003.1268.209SDr/SDb,RG,(SDr-SDy)/(SDr+SDy),(SDr-SDb)/(SDr+SDb)y=4.961x1-0.375x2+29.519x3-40.151x4-3.6650.8041.2533.056.386MSDr/SDyy=-2.504x5+20.960.6981.7183.62137.449SDr/SDy,SDyy=-1.805x5+1.165x6+29.5290.7331.6453.6278.048

注:x1為SDr/SDb;x2為RG;x3為(SDr-SDy)/(SDr+SDy);x4為(SDr-SDb)/(SDr+SDb);x5為SDr/SDy;x6為SDy;y為估測的SPAD值。

CK得到4個反演模型，當有4個特征參數入選時，模型的決定系數R2最高為0.804，同時均方根誤差RMSE最小，模擬精度最高。M得到2個反演模型，當有2個特征參數入選時，模型的決定系數R2最高為0.733，同時均方根誤差RMSE最小，模擬精度最高。

2.5.2BP神經網絡模型

使用的Matlab提供的NeuralNet Fitting工具進行神經網絡模型的建立，網絡共有輸入層、中間層和輸出層 3 層。輸入相關系數較高的10個光譜特征參數作為神經網絡的輸入神經元，葉綠素含量作為輸出神經元。將CK和M各80組數據輸入，其中56組作為訓練數據，12組為驗證數據，剩余12組為測試數據。因隱含層神經元個數對BP神經網絡的性能具有影響，為選擇合適的神經元個數，這里選取的評價指標為程序運行10次對決定系數平均值的影響，具體結果見表7。經多次試驗對比，認為當設定隱含層神經元個數為10時BP神經網絡性能最優。網絡訓練函數為基于數值最優化理論的 Levenbeger-Marquardt。結果表明(表7)，CK組的決定系數R2為0.860，均方根誤差RMSE為1.028;M組的決定系數R2為0.857，均方根誤差RMSE為1.098。取逐步回歸模型中決定系數最高的模型，與BP神經網絡模型進行對比，其不同處理下預測值與真值的擬合結果散點圖如圖2所示。可以看出，BP神經網絡較逐步回歸模型具有更好的模型決定系數，同時具有更小的均方根誤差。

表7 不同處理下10次運行對應結果
Table 7 Corresponding results of 10 operations underdifferent treatments

隱含層神經元個數決定系數R2CK最大值最小值平均值M最大值最小值平均值60.7860.5420.6420.7740.6630.71970.7520.6020.6550.7380.6090.68380.7820.6710.7350.8020.6280.69190.7930.6540.7460.7940.6690.735100.8600.7820.8080.8570.7530.796110.8240.7040.7630.8030.6830.748

2.5.3模型精度驗證及比較

分別對所建立的所有模型進行精度檢驗，由表8可知，不論是CK 還是M，BP神經網絡模型都具有更高的驗證精度，模型的決定系數都在0.85以上，相較于逐步回歸模型精度有一定幅度的提升。但由于BP神經網絡算法的網絡權值初始化是隨機的，神經網絡程序在每次運行后得到的訓練結果是不同的[25]，因此BP神經網絡學習過程存在易陷入局部最小，并不能確保取得全局最佳效果。本研究經過多次訓練，通過比較選取了決定系數和RMSE都相對最小的一次訓練結果作為訓練好的BP神經網絡模型。綜合多次訓練結果，認為BP神經網絡模型擁有更好的玉米葉綠素含量估測能力。

圖2 2種方法不同處理下玉米SPAD預測值與真值擬合結果Fig.2 Fitting results of maize SPAD predicted value and true value under two different treatments

表8 基于BP神經網絡法的玉米葉片葉綠素含量估測模型
Table 8 Estimation model of chlorophyll content in maize leaves based on BP neural network method

處理入選特征參數決定系數R2均方根誤差RMSE相對誤差/%CKBES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,I0.8601.0282.48MBES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,I0.8571.0982.24

3 討 論

已有大量的研究證明接種AM真菌對土壤具有改良作用[4-5]，劉文科等[26]也對不同土壤基質下接種AM真菌對植物生長的影響做了相應研究。畢銀麗課題組將微生物修復作用與高光譜技術聯系起來[14,24,27-31]，但在不同土壤基質下接種AM真菌對植物葉片光譜的影響，國內外鮮有研究。本文從葉綠素含量入手，探究了在4種不同土壤基質下接種AM對玉米葉片光譜的影響。

在可見光范圍內，植被反射光譜主要受植被色素的影響，因此光譜反射率與綠色植物葉綠素含量存在密切的關系[12]，當葉綠素濃度低時，對可見光的吸收就小，則在綠光區域反射率較大。冉瓊等[32]認為接種AM真菌可提高葉綠素含量，促使作物光合作用能力增強，王群等[33]發現不同質地土壤對玉米葉綠素熒光特性和產量有顯著影響。接種AM與配比沙土對玉米葉片葉綠素含量的提升作用在光譜上的體現與徐琳煜等[34]關于白術干旱脅迫時間越久葉片葉綠素含量降低綠峰幅值升高相同，與孫紅等[35]關于馬鈴薯葉片光譜反射率在382～700 nm葉綠素含量越高反射率越低相似。因此，可通過比較可見光波段反射率與相關光譜特征參數的方式，比較出植株葉綠素含量的高低，判斷植物光合作用的強弱。接種AM真菌和配比沙土對玉米生長的影響是多方面的，本文僅通過葉綠素含量與光譜響應相聯系來體現這種多方面的影響，具有局限性，需進行深入探究。

已有大量的研究運用多種光譜特征參數結合葉綠素含量進行光譜定量估算[36-37]。余蛟洋等[38]通過對比認為逐步線性回歸模型能較好預測蘋果葉片葉綠素含量;劉文雅和潘潔[39]采用BP神經網絡模型估算馬尾松葉綠素含量，取得較好預測結果。大量研究表明，逐步線性回歸和BP神經網絡兩種建模方法在各種植物葉片葉綠素含量反演中具有良好的估測能力，本研究中BP神經網絡模型的建模精度比逐步回歸模型更高，但驗證集中的RMSE值卻比逐步回歸模型的大，故在如何提高BP神經網絡模型的穩定性，提高預測精度方面需要進一步研究(表9)。此外室內實驗的結果能否運用到野外實驗中去，切實為微生物復墾修復作用提供可靠的數據支持也需結合野外實驗數據做深入研究。

表9 模型精度檢驗結果比較
Table 9 Comparison of model accuracy test results

處理模型類型變量實測值(x)與模擬值(y)擬合方程檢驗指標決定系數R2均方根誤差RMSE相對誤差/%SDr/SDby=0.669 4x+10.7320.7840.9723.32逐步回歸模型SDr/SDb,RGy=0.687 4x+10.1480.7681.0463.36CKSDr/SDb,RG,(SDr-SDy)/(SDr+SDy)y=0.677 8x+10.3560.6031.5234.50SDr/SDb,RG,(SDr-SDy)/(SDr+SDy),(SDr-SDb)/(SDr+SDb)y=0.728 8x +8.645 20.5841.7044.52神經網絡模型BES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,Iy=1.170 6x -5.035 80.8962.7634.29逐步回歸模型SDr/SDyy=0.599 8x+14.1170.7221.2193.58MSDr/SDy,SDyy=0.537 6x+16.4190.7371.0503.91神經網絡模型BES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,Iy =0.632 5x+13.0380.8903.9744.66

4 結 論

(1)黑黏土與沙土以質量比1∶1混合后接種AM真菌時對玉米葉片葉綠素含量的提高作用最為顯著，植物生長最好。

(2)原始光譜中綠峰、藍紫波吸收谷和紅谷的幅值與葉綠素含量呈負相關。經一階微分后，葉綠素含量與“三邊”范圍內一階微分呈負相關，與紅邊、藍邊斜率呈負相關，與黃邊斜率呈正相關，同時紅邊位置產生“紅移”現象。

(3)BP神經網絡法建模型較逐步回歸模型具有更好的擬合精度和驗證精度，CK和M的決定系數R2分別為0.860和0.857，驗證精度也都在0.85以上，可以較好估測玉米葉綠素含量。