東北水稻葉片SPAD遙感光譜估算模型

張新樂 于滋洋 李厚萱 劉煥軍* 張忠臣 趙明明 王 翔

(1.東北農業大學 資源與環境學院，哈爾濱 150030； 2.東北農業大學 農學院，哈爾濱 150030)

葉綠素含量是作物生長的重要指標，是評價作物光合作用能力，監測作物生長狀況，判斷作物生理營養好壞的重要依據，因此可以通過監測作物葉綠素含量間接對作物生長條件進行調控。目前，傳統的葉綠素含量檢測方法有分光分度計法、熒光分析法及活體葉綠素儀法等[1]，但這些方法操作復雜繁瑣，并會破壞植物生長，因此迫切需要尋找高效和非破壞性的葉綠素檢測方法。

遙感技術可以為作物生理指標的定量化監測提供一種簡便有效且非破壞性的采集方法[2]。國內外許多學者在監測植被生理指標方面做了大量研究[3-5]。張春蘭等[6]在優選光譜指數和確定最佳自變量個數的基礎上結合隨機森林算法構建了LAI反演模型；Inoue等[7]在水稻關鍵時期利用高光譜數據確定作物冠層含氮量估算的敏感波段對其進行估算；梁亮等[8]利用導數光譜構建了新型光譜指數進行小麥含水量反演并進行含水量遙感制圖；利用遙感數據同樣可以對作物進行產量估測[9-11]。同樣針對于葉綠素反演的研究也有很多，有學者提出一種估算作物葉片葉綠素含量和冠層葉綠素含量反演方法并建立混合反演模型[12]；賀英等[13]利用數碼相機影像采用可見光波段構建SPAD估算模型；陳志強等[14]通過對比分析不同年間光譜指數與SPAD的關系，確立能良好估測整個生育期玉米葉片SPAD的光譜指數；以紅邊參數為自變量同樣可以對SPAD進行良好的估測，并且相對于紅邊位置以紅邊峰度為自變量可以提高估算精度[15]。Gitelson等[16]表明基于葉片尺度估算葉綠素適宜指數。傳統的回歸模型對反演的精度有一定的限制，由于植被生理參數與植被光譜反射率關系是非線性的，人工神經網絡具有非線性和適應性的特點，在解決非線性擬合問題方面有很大優勢[17]。并且與主成分回歸和偏最小二乘回歸等模型相比，BP神經網絡模型預測精度更高[18]。因此，BP神經網絡與高光譜遙感反演的結合對植被生理參數進行反演可以提高反演精度。利用神經網絡模型反演精度明顯高于多元回歸模型[19]；采用不同植被指數作為 BP神經網絡模型的輸入量能較好地反演不同地區不同作物的生理參數[20-22]。

以上基于BP神經網絡反演的研究均直接采用植被指數作為輸入量，缺乏對不同輸入因子的對比分析及優勢探討。因此本研究采用東北地區不同品種水稻作為研究對象，探究高光譜監測水稻葉片SPAD的敏感波段和最優指數，建立相應的SPAD估算回歸模型,旨在確定適宜東北地區水稻葉片SPAD估算的最優輸入量及最優算法。

1 材料與方法

1.1 試驗設計

水稻樣本采集于2017年6—9月的黑龍江省哈爾濱市呼蘭區試驗田(45.9°N，126.8°E)為晚熟品種188和早熟品種龍稻11號2種。數據獲取時期包括移栽后、分蘗期、拔節期、孕穗期和抽穗期5個關鍵時期。施肥處理采用移栽施一次基肥，分蘗期和抽穗期之前進行2次追肥的施肥方式。基肥、分蘗肥和穗肥施肥比例為5∶2∶3，氮磷鉀比例為2∶1∶2。總共設置6個小區，氮肥處理設置0、90.0、112.5、135.0、157.5和180.0 kg/hm26個肥力水平，分別用N1、N2、N3、N4、N5和N6表示。施肥品種分別為二銨、尿素和硫酸鉀，肥中各營養素含量分別為二銨的含磷量為46%，含氮量為17%；尿素的含氮量為46%；硫酸鉀的含鉀量為50%。每個施肥水平設置4次重復，隨機區組排列，小區面積為72 m2。5月24日播種，其他管理同常規高產田。

1.2 數據采集與處理

水稻葉片反射光譜數據采用美國SVC HR768i型光譜輻射儀，光譜探測范圍350～2 500 nm，光譜分辨率為3.5、8.5和6.5 nm。利用自帶光源型手持葉片光譜探測器直接測定葉片光譜，光源為內置鹵素燈。測定前，利用漫反射參考板進行儀器校正。每個肥力水平在長勢均一處選擇6組葉片進行光譜反射率測定，對每個小區選擇的樣本點分別采集光譜曲線。測定前對測定的葉片進行標識，注明編號。對得到的光譜反射率利用SVC HR-768 PC進行平滑處理，去除不同采樣間隔連接處的拐點噪聲。6組葉片光譜反射率數據取算數平均值得到葉片的最終光譜反射率。本研究將原始反射率重采樣至1 nm。

采用SPAD-502型手持式葉綠素儀同步測定水稻葉片的SPAD值。測量時，在每片葉子上均勻測取2個SPAD值，取算數平均值為最終的SPAD值；取6組數據算數平均值為最終的葉片SPAD值。共得到120個樣本數據，隨機抽取80個作為建模樣本，剩余40個作為驗證樣本。

1.3 特征參數選擇

光譜特征參數分別為藍黃紅三邊及綠峰紅谷處位置形狀參數、綠峰與紅谷的比值、紅邊面積與藍邊面積和黃邊面積的比值和歸一化值(表1)。所有植被指數均在重采樣1 nm基礎上計算任意2個波段的原始反射率和一階導數值組合而成的所有差值、比值和歸一化值，并分析其與水稻葉片SPAD的關系，進行最優化篩選得到最優波段組合。利用Python編程實現波段組合與最優值篩選。

表1 光譜指數計算公式Table 1 Calculation formula of spectral index

1.4 模型構建與精度驗證

采用BP神經網絡，網絡共有輸入層、隱藏層和輸出層3層。隱藏層函數為‘tansig’，輸出層函數為‘purelin’，訓練函數為‘trainlm’。隱含層節點數q則根據式(1)給定的范圍，最終確定為4～10。

(1)

式中：k為輸入層單元數；m為輸出層單元數；α為1～10的常數。

共獲得120組有效數據，將其中80組作為訓練樣本，40組作為驗證樣本，以決定系數(R2)、均方根誤差(RMSE)作為指標評價指標。R2越大，RMSE越小，模型越穩定。式(2)為均方根誤差的計算公式。

(2)

2 結果與分析

2.1 葉片反射光譜特征分析

葉片反射率主要受葉片內色素、細胞結構及葉片含水量三方面影響。在可見光波段(350～720 nm)葉片反射率主要受葉片內色素影響，其中葉片反射率受葉綠素影響最大。隨水稻植株生長，水稻葉片光合能力增強和對紅光、藍光吸收增強，導致紅藍波段反射率逐漸減小。在450和670 nm附近水稻葉片反射率形成2個吸收谷。在紅波段與藍波段處的強吸收使綠波段反射率逐漸突出，水稻植株葉片顏色逐漸變綠，在綠波段處形成反射峰。本試驗兩品種水稻綠波段反射峰均在分蘗期達到峰值。在近紅外波段(720～1 300 nm)，水稻光譜曲線特征受葉片內部細胞結構的影響，由于水稻葉片的細胞壁和細胞空隙間折射率影響，導致近紅外波段處水稻葉片光譜反射率較高。品種188在近紅外波段處移栽后與分蘗期反射率相差較大，在分蘗期以后近紅外處反射率增加幅度變小，由于188為晚熟品種所以水稻反射率在水稻生長末期依然呈增長趨勢。龍稻11在近紅外波段處移栽后與分蘗期反射率相差不大，水稻反射率在近紅外處增長較為穩定，由于龍稻11號為早熟品種導致其在拔節孕穗之后近紅外波段處反射率增長幅度不顯著，在抽穗期反射率略有下降。在短波紅外內(1 300～2 500 nm)，水稻光譜反射率主要受葉片含水量影響，其中在1 400和1 900 nm處為2個水分吸收帶，在1 600和2 200 nm處則是位于水分吸收帶之間形成的反射峰(圖1)。

圖1 品種188和龍稻11在N3施肥處理下不同時期葉片反射率曲線
Fig.1 Leaf reflectance curves of variety 188 and Longdao 11 under N3 fertilization at different stages

2.2 相關性分析

2.2.1反射率各波段相關性分析

由圖2可以看出，光譜反射率與水稻SPAD值在400～1 000 nm存在正相關關系，在可見光范圍內，光譜反射率與水稻SPAD值相關系數逐漸減小并在640 nm處相關系數達到最低；光譜反射率與水稻SAPD相關系數在紅邊(690～760 nm)范圍內逐漸變大，在近紅外范圍內相關系數達到最大并且相關系數值保持穩定，最大相關系數在反射率為982 nm處，達到0.68。

在400～1 000 nm波長，一階微分光譜具有兩峰一谷的特征：左峰位于波長480～550 nm，峰頂部位于520 nm處，振幅較小，約為右峰的1/3；右峰位于波長670～780 nm，峰頂部位于700 nm處。左峰波長范圍正好處在藍邊(490～530 nm)范圍，右峰波長范圍正好處在紅邊(680～760 nm)范圍；577 nm處有明顯的波谷。400～688 nm和750～1 000 nm一階微分光譜與水稻SPAD值相關關系波動較大并且都以0為中心上下波動；690～770 nm一階微分光譜與水稻SPAD值相關性達到極顯著正相關,最大相關系數可達0.78。

圖2 SPAD與光譜反射率、一階微分相關分析
Fig.2 Correlation coefficients between SPAD and Spectral reflectance, First derivative

2.2.2紅邊參數與植被指數相關性分析

在基于高光譜位置和面積的參數與SPAD的相關分析中可以發現，除藍邊位置，黃邊位置和紅谷位置外，其余參數均與SPAD呈極顯著相關關系。其中紅邊位置和紅邊面積與SPAD相關系數明顯大于其他光譜參數，相關系數在0.6以上(表2)。綠峰處參數與SPAD相關性極顯著，但是相關系數較小在0.27左右。黃邊幅值與黃邊面積與SPAD呈極顯著負相關。

在植被指數與SPAD相關性分析中可以發現，三類植被指數均與SPAD極顯著相關且相關系數均在0.8以上。兩波段原始反射率和一階微分光譜歸一化指數形式與SPAD相關性顯著高于差值和比值2種形式，并且基于一階導數構建的植被指數相關系數整體高于原始反射率所構建的植被指數。本研究篩選出相關系數絕對值>0.8的參數作為估算模型的自變量，所選自變量為本所構建的6種植被指數。

表2 光譜參數、植被指數與SPAD的相關系數Table 2 Correlation coefficient between spectral parameters, vegetation index and SPAD

注：**表示在0.01水平差異顯著。

Note：** shows significant correlation at the level of 0.01.

3 SPAD高光譜預測模型

3.1 基于一階微分單一波段的SPAD估算模型

因為一階微分值與SPAD具有最大相關系數在波長為729 nm處，所以以729 nm處一階微分值為輸入量構建SPAD回歸模型。表3為729 nm處一階微分光譜與水稻葉片SPAD值的估算回歸模型。通過比較發現，對數、多項式和冪函數的建模的決定系數R2均>0.6，并且3種模型的驗證模型決定系數R2均>0.7。由驗證樣本分析，對數模型和多項式模型R2高于其他類回歸模型， RMSE小于其他類回歸模型，因此對數模型和多項式模型為最佳估算模型。冪函數模型估算效果相對較好。但是驗證樣本決定系數R2明顯大于建模樣本，并且差值接近1。驗證樣本均方根誤差也明顯大于建模樣本。

表3 一階微分SPAD值估算回歸模型Table 3 First order differential SPAD estimation regression model

3.2 基于植被指數的SPAD估算模型

在光譜參數、植被指數與SPAD的相關分析中發現，選取的植被指數相關系數大于所有光譜參數，并且相關系數在0.8以上(表2)。因此采用指數、一元線性、對數、多項式和冪函數構建基于植被指數回歸方程，將每種植被指數精度最高的方程作為估算結果。表4為以植被指數為輸入量的水稻SPAD最優估算模型，驗證樣本中，以DVI(710,982)、DVI(D755，D930) 和NDVI(662,1 000)為輸入量的回歸模型決定系數都在0.7以上。可以發現以兩波段原始反射率或一階微分光譜差值指數形式組合計算的DVI為自變量，所建立的回歸模型精度高于比值和歸一化值2種形式，其中以DVI(D755，D930)為自變量建立的回歸模型精度驗證樣本R2為0.785，RMSE為2.184，此模型為最佳估算模型；NDVI(662,1 000)為自變量的回歸模型R2為0.74，RMSE為2.575，估算精度同樣較好。

表4 植被指數與SPAD值估算回歸模型Table 4 Regression model of vegetation index and SPAD estimation

3.3 水稻葉片SPAD神經網絡模型

所選取輸入層共有3組數據，分別為構建回歸模型所選取的四組植被指數NDVI(662,1 000)、DVI(D755，D930)、RVI(D693，D413)和NDVI(D413，D622)；藍波段(500 nm)、綠波段(550 nm)、紅波段(660 nm)和近紅外波段(860 nm)處反射率，波段選擇主要以植被在可見光-近紅外光譜反射特征差異為原則，利用人工神經網絡模擬可以尋求不同波段做的互補優勢[23]；選取450、540、680和 960 nm 處反射率與第二組數據對比，其中所選波段均在可見光與近紅外范圍與SPAD相關系數較高。將水稻葉片實測SPAD值1個變量作為輸出層。

表5為不同輸入層及不同隱含層節點數的水稻葉片SPAD值神經網絡模擬的建模與驗證結果。由表5可知，采用500、550、660和860 nm作為輸入量，隱含層節點數為10的條件下估算精度最高。通過分析可以發現，當植被指數作為輸入量，隱含層節點數為7時，神經網絡模型相較于傳統回歸模型精度提高。在隱含層節點數為7～10時模型趨于穩定，R2穩定在0.8以上；當采用500、550、660和 860 nm 波段反射率作為輸入量時，隱含層節點數為7，相比于以植被指數作為輸入層模型精度提高，在隱含層節點數為8～10時，模型精度趨于穩定；當采用450、540、680和960 nm反射率作為輸入量時，隱含層節點數在8以上時，模型精度同樣趨于穩定。第三組輸入量同第二組輸入量相比，模型精度差異很小。說明以神經網絡模型為基礎，以不同波段反射率作為輸入量可以對水稻葉片SPAD值進行估算。

表5 水稻葉片光譜SPAD神經網絡模擬建模與驗證結果Table 5 Modeling and validation of rice leaf spectral SPAD neural network

4 討 論

本研究首先分析了不同品種水稻不同生育期在光譜特征上的特點，不同品種在不同生育期反射光譜形狀大致相似，之前也有類似的結果[24]。在建立估算模型時選擇三類變量與水稻葉片SPAD進行相關性分析，包括1)原始反射率和一階微分光譜；2)基于原始反射率及一階微分構建的光譜參數；3)基于原始反射率及一階微分進行優選計算的植被指數。在相關性分析中發現， 一階微分光譜與SPAD相關性好于原始反射率，以往有研究證明微分光譜與植被生理參數相關性更好[25]，并且植被指數與SPAD相關性好于光譜參數。

3種植被指數中歸一化指數形式的組合相關性高于其他2種形式，但是建模估算結果表明，以差值形式作為自變量估算精度最高。精度最高的3個建模自變量分別為DVI(710,982)、DVI(D755,D930)和NDVI(622,1 000)，這3種指數的波段組合都是紅波段、紅邊處與近紅外波段的組合，說明紅波段與近紅外波段是估算SPAD的最優組合。并且不同建模方法估算精度差異較大。基于單波段一階微分和植被指數建立估算回歸模型中非線性模型估算精度明顯高于線性模型，原因可能有2個：1)在植被生長過程中葉綠素在不同階段變化速率不同，導致在生長末期葉綠素含量存在飽和現象；2)在光譜采集和SPAD值數據采集過程中由于操作原因導致估算結果呈明顯的非線性關系。回歸模型中驗證樣本精度明顯高于建模樣本，說明估算的經驗模型不穩定，模型的普適性需要加強。

本研究中采用BP神經網絡可以提高估算的精度，與傳統回歸模型相比預測效果更好，這與前人研究的結果一致[26]。但以上研究直接將植被指數作為輸入量，缺乏對最優輸入因子的優化篩選。采用50、550、660和860 nm作為輸入量比采用植被指數作為輸入量估算精度高，這是因為植被指數之間相關性較高，神經網絡所能提取的有用信息較少，而以可見光和近紅外波段處反射率作為輸入量可以實現不同波段反射率間信息的互補，以此提高估算精度；采用450、540、680和960 nm波段的反射率作為輸入量對比發現，采用不同波段反射率作為輸入量對估算精度影響較小，因為BP神經網絡具有強大的自學習能力且能有效解決非線性問題，可以通過不同波段作為輸入量。但是波段選擇也不是完全隨機的，本研究是在與葉綠素相關性較高的可見光和近紅外波段處的反射率進行分析，其他波段處的反射率作為輸入量還有待探究。BP神經網絡雖然預測效果較好，但也存在一些不足，樣本數量要足夠大，否則模型訓練結果有很大隨機性。本研究尚存在部分局限性，由于使用一年一個區的樣本數據，缺乏對不同年份不同地區模型適宜性的探討，因此今后需要針對更多水稻品種在不同年份及區域的適宜模型做進一步的探究。

5 結 論

本研究針對東北地區5個時期不同品種水稻葉片進行實驗，建立水稻葉片SPAD估算的回歸模型和BP神經網絡模型，比較2種模型精度并且比較在不同參數作為輸入量的情況下BP神經網絡模型的精度，可以得出以下結論：

1)不同品種水稻光譜反射率形狀大致相似，早熟品種水稻近紅外處反射率在孕穗期達到飽和并且穩定，孕穗期和抽穗期反射率差異較小；晚熟品種水稻近紅外處反射率在孕穗期仍然小于抽穗期。兩品種水稻綠峰處反射率均在分蘗期達到峰值。

2)水稻葉片一階微分值與SPAD值在紅邊范圍內720～755 nm相關系數達到最大，在732 nm處具有最大相關系數0.78， 利用此波段處的一階微分值構建的對數和多項式模型為最佳估算模型。在其他波段一階微分光譜與SPAD相關系數波動較大。

3)在光譜特征參數與SPAD相關分析中，紅邊位置和紅邊面積與SPAD相關系數最大。在植被指數中，兩波段歸一化值組合與水稻葉片SPAD相關性較好，但是差值組合建立回歸模型精度最高。在回歸模型中以植被指數DVI(D755，D930)為自變量建立的多項式模型為最佳估算模型，估算模型與南方水稻SPAD估算模型有所不同。

4)BP神經網絡模型在隱藏節點數為7時估算精度達到穩定，并且利用BP神經網絡模型可以提高反演精度，采用波段反射率作為輸入量精度明顯高于采用植被指數作為輸入量，并且在可見光和近紅外處經過不同波段反射率的嘗試說明神經網絡模型較為穩定，可以用來反演葉綠素相對含量。