基于高光譜數據的晚秈稻品種劍葉SPAD 值估測

田容才 高志強 周昆

（1 農業農村部長江中下游秈稻遺傳育種重點實驗室，長沙410125; 2 湖南農業大學農學院，長沙410128; 3 湖南省水稻研究所，長沙410125；第一作者：823945102@qq.com；*通訊作者：zhzhkp@163.com）

葉綠素作為植物光合作用的主要色素，其含量高低與植株光合能力、氮素狀況及發育階段密切相關，已成為評價作物長勢的重要指標[1]。傳統的植物葉綠素絕對含量采用離體方法測定[2]，存在破壞樣品、耗時費力、操作復雜[3]等弊端。SPAD-502 葉綠素儀通過測量葉片在兩個波段里的反射率，得到測量植物的實時葉綠素相對含量讀數，即SPAD 值[4]。眾多研究[5-9]表明，葉片SPAD 值與葉綠素含量呈顯著相關關系，能精確表達葉綠素含量，可作為植株氮素營養診斷的重要指標，但無法進行大面積快速檢測。

隨著高光譜技術的發展，其在農業領域的應用越來越廣泛[10-12]。冠層高光譜易受土壤、天氣狀況等影響，數據精度難以保證[13-16]，而葉片高光譜借助儀器內置主動光源，可對葉片進行活體測定，能有效減少外界環境干擾，數據精度更高，從而實現植物葉片的快速無損實時檢測。目前，眾多學者對水稻SPAD 值與葉片高光譜特征進行了大量研究[17-20]，為實現水稻大面積快速無損氮素營養診斷和長勢監測提供了新思路，但大多研究集中在特征波段和建模方法的選取上，較少針對同一水稻類型的多個品種的模型普適性進行探究。

劍葉作為水稻的主要功能葉，測量其SPAD 值可以很好反映植株葉綠素含量和氮素水平[21]。本研究對長江中下游不同晚秈稻品種的劍葉高光譜特征與SPAD 值進行了分析，建立了不同晚秈稻品種劍葉SPAD 值的估測模型，并對模型進行品種間交互驗證，以期構建晚秈稻劍葉SPAD 值估測的通用性模型，為晚秈稻葉片SPAD 值衛星遙感反演及長勢監測提供支撐。

1 材料與方法

1.1 試驗設計

試驗于2018 年6—11 月在湖南省水稻研究所試驗田（28°12′N，113°5′E，海拔44.9 m）進行。試驗田為重粘土質地，土壤肥力中等，前作為水稻。試驗選用南方稻區國家水稻品種區試7 個晚秈早熟品種為材料，分別為岳優9113、C 兩優136、慧兩優1809、33S/巴西旱稻、早豐A/5194、五豐A/制6、五豐A/制1。采用隨機區組試驗，小區面積13.34 m2，行距20 cm，株距20 cm，每個品種設3 次重復，共21 個小區。采用育苗移栽種植，6 月28 日播種，7 月20 日移栽，10 月29 收獲。每667 m2施用復合肥25 kg、菜枯40 kg 作基肥。追肥分2 次施入：7 月24 日每667 m2施用尿素5.0 kg、氯化鉀7.5 kg，并拌入除草劑一起施用；8 月5 日每667 m2補施尿素2.5 kg。同時做好田間病蟲草害防治工作。

1.2 數據采集

在各晚秈稻材料抽穗后每隔7 d 于大田采集劍葉高光譜和SPAD 值數據，但受天氣狀況的影響，數據采集無法正常進行，應以實際測定時間為準，最終本試驗共采集了4 次晚秈稻數據，采集時間分別為各品種的抽穗期及抽穗后8 d、18 d 和27 d。

表1 光譜參數及其計算公式

1.2.1 劍葉高光譜測定

于各材料抽穗及抽穗后8 d、18 d 和27 d，用ASD公司生產的FieldSpec 3 地物波譜儀采集水稻劍葉高光譜數據。該儀器自帶主動光源手持型葉片光譜探頭，可直接進行活體夾葉測定。光譜波長范圍350～2 500 nm，其中350～1 050 nm 的光譜采樣間隔1.377 nm，1 000 ～2 500 nm 采樣間隔為2 nm，光譜分辨率3 nm@700 nm 和10 nm@1 400 nm/2 100 nm。每小區選擇長勢均一的主莖劍葉5 片進行活體葉片光譜測定，測定時為了避開葉脈，選擇劍葉上部進行高光譜數據采集，通過參數設定，測得的每條光譜曲線均已進行10 次光譜重采樣。同時每小區測定前利用鏡頭自帶標準白板校正1 次。

1.2.2 劍葉SPAD 值測定

采集主莖劍葉高光譜數據的同時，采用日本Minolta Camera 公司生產的SPAD-502 葉綠素儀測定各晚秈稻材料主莖劍葉的SPAD 值。測定方法：每小區隨機選取長勢較一致的主莖劍葉5 片，每片葉測葉尖、葉中、葉基3 個點，取平均值作為該葉片SPAD 實測值，測定時避開葉脈。

1.3 數據分析

由于在350～400 nm 光譜范圍內存在較大噪音，且前人研究結果表明，與葉片SPAD 值相關系數較高的波段位于可見光和部分近紅外[22-23]，因此，本文選取400～1 000 nm 作為光譜研究區域。試驗數據采用ViewSpecPro 軟件進行預處理和導出，Excel 2016 和SPSS 17.0 對數據進行統計分析。通過將原始光譜反射率、一階微分光譜反射率及光譜參數與葉片SPAD 值進行相關性分析，利用傳統回歸分析方法建立不同晚秈稻品種劍葉SPAD 值估測模型，以決定系數（R2）、均方根誤差（RMSE）作為模型精度評價指標，并以平均偏差率（AD）作為品種間交互驗證評價指標。式（1）、（2）分別是均方根誤差和平均偏差率的計算公式。

式中，yi表示實測值表示預測值，n 代表樣本數量。

1.4 光譜參數選擇

通過不同波段反射率的線性或非線性組合變化進行光譜參數提取，可以有效降低背景信息對植被光譜特征的干擾，提高光譜數據表達葉綠素的精度[4]。本文結合前人的研究結果，選擇了8 種對葉綠素含量敏感的光譜參數與葉片SPAD 值進行相關分析，從而篩選出相關系數較高的光譜參數來構建SPAD 估測模型。光譜參數計算方式見表1。

2 結果與分析

2.1 不同水稻品種葉片SPAD 值變化

如圖1 所示，抽穗及以后27 d 中，各晚秈稻品種葉片SPAD 值具有相似的變化趨勢，即大部分品種從抽穗至抽穗后8 d 間SPAD 值呈上升趨勢，之后則隨生育進程的推進SPAD 值降低，而慧兩優1809 自抽穗后葉片SPAD 值則一直下降，C 兩優136 則在抽穗后第18 d 達最大值，這可能是因為供試材料所處的抽穗階段不同所致。對不同晚秈稻品種抽穗后各時間段的葉片SPAD 值進行綜合平均計算，SPAD 平均值表現為慧兩優1809（45.2）＞33S/巴西旱稻（44.7）＞早豐A/5194（43.9）＞岳優9113（43.3）＞C 兩優136（43.2）＞五豐A/制1（42.9）＞五豐A/制6（42.2），品種間葉片SPAD 值差異較小。

2.2 不同水稻品種葉片高光譜特征

圖1 抽穗后不同水稻品種葉片SPAD 值變化

圖2 不同水稻品種劍葉反射光譜（a）及其一階導數光譜（b）

對7 個不同晚秈稻品種抽穗后不同時期葉片原始光譜及一階微分光譜進行平均計算（樣本量n=60），結果見圖2。由圖2 可知，不同晚秈稻品種葉片原始光譜反射率響應曲線變化規律一致，出現“藍谷”“綠峰”“紅谷”“近紅外高反射平臺”的綠色植物典型反射光譜特征，這主要是因為葉片吸收了大部分藍光和紅外進行光合作用，形成“谷”，在綠光波段對綠色吸收少，反射高，形成“綠峰”，近紅外光則能穿透葉綠素，經過葉肉組織多次散射、反射、折射作用，在近紅外區域反射率急劇升高[26]。但受品種間葉片組織結構與元素含量的影響，不同晚秈稻品種葉片光譜響應曲線的波峰及波谷的反射率大小存在差異。不同供試材料在540～600 nm、750～1 000 nm 兩波段范圍內的原始光譜反射率大小存在差異。對各晚秈稻材料原始光譜進行一階微分運算，發現其最大波峰出現在660～760 nm，“紅邊”位置存在品種間差異，大致位于710～720 nm 范圍內。

2.3 SPAD 值與葉片光譜反射率的相關性

2.3.1 SPAD 值與原始葉片光譜反射率的相關性

圖3 不同水稻品種葉片SPAD 值與葉片原始光譜反射率的相關性

圖4 不同水稻品種葉片SPAD 值與一階微分光譜的相關性

將各材料抽穗后不同時期葉片SPAD 值與原始光譜反射率進行單相關分析（樣本數n=60），結果如圖3所示。由圖3 可知，不同晚秈稻品種葉片SPAD 值與原始光譜反射率的相關系數在可見光波段（380～780 nm）達顯著或極顯著相關，稱為SPAD 值的敏感波段。且各晚秈稻品種相關系數具有相似的變化趨勢，表現為可見光波段范圍內隨波長的遞增相關系數升高，720 nm后相關系數逐漸降低，最大相關系數大致位于700～720 nm 的紅邊區域，且均為負相關，這可能是因為試驗數據只包括抽穗及以后各時期，缺少分蘗、拔節、孕穗等前期數據所致。

2.3.2 SPAD 值與一階微分光譜的相關性

將各晚秈稻品種劍葉光譜進行一階微分計算后與葉片SPAD 值進行相關性分析，結果見圖4。從圖4 可以看出，各晚秈稻品種葉片SPAD 值與一階微分光譜相關系數曲線整體變化趨勢相似，且在485～560 nm 的綠光波段、688～709 nm 的近紅波段呈極顯著負相關，在602～626 nm、630～670 nm 的紅光波段呈極顯著正相關。通過上述分析，選出各晚秈稻品種葉片SPAD 值與原始光譜反射率及一階微分光譜相關系數較大的波長作為葉片SPAD 值的敏感波長，詳見表2。

2.4 水稻葉片光譜參數與SPAD 值相關性

表2 不同水稻品種葉片SPAD 值與光譜反射率及一階微分光譜相關系數最大的波長

表3 不同水稻品種葉片SPAD 值與光譜參數的相關系數

根據表1 計算各晚秈稻品種的光譜參數，并與葉片SPAD 值進行相關性分析和差異顯著性檢驗，結果如表3 所示。由表3 可知，7 個晚秈稻品種的葉片SPAD 值 與MCARI、TCARI、Dr、SDr/SDy、（SDr-SDy）/（SDr-SDy）等5 個光譜參數均達到極顯著負相關，其中大部分品種以Dr 相關系數最高。同時7 個晚秈稻品種葉片SPAD 值與光譜參數VARI（700）、λr 呈正相關，其中僅C 兩優136、慧兩優1809、33S/巴西旱稻、五豐A/制6、五豐A/制1 等5 個品種達顯著相關，但相關系數均較低。從所選的8 種對葉綠素含量敏感的光譜參數來看，除岳優9113 品種的葉片SPAD 值與VARI（700）的相關系數最低（R=0.137）外，其余品種均與SDr 相關系數最低。

2.5 不同水稻品種葉片SPAD 值估測方程的構建

根據上述的葉片SPAD 值與原始光譜反射率、一階微分光譜以及光譜參數的相關性分析結果，選取與各晚秈稻品種葉片SPAD 值相關系數最大的光譜參數作為因變量，構建基于單光譜參數的葉片SPAD 值估測模型。結果（表4）顯示，采用不同的模型類型構建的SPAD 值估測模型精度存在品種間差異，綜合考慮決定系數（R2）和均方根誤差（RMSE）兩因素，得出岳優9113、C 兩優136、五豐A/制6、五豐A/制1 以指數模型模擬效果最好，而慧兩優1809、33S/巴西旱稻、早豐A/5194 以二次曲線模型的模擬效果最好。

2.6 不同水稻品種葉片SPAD 值估測模型的相互檢驗

利用上述選取的各晚秈稻品種對應的葉片SPAD值最優估測模型，在品種間進行交互驗證，并用平均偏差率來評價估測效果，結果見表5。由表5 可知，葉片SPAD 值估測模型在晚秈稻品種間具有較好的通用性，大部分品種的平均偏差率為5%左右。通過比較指數模型和二次曲線模型建模效果發現，指數模型優于二次曲線模型，其中以715 nm 處的原始光譜反射率作為因變量建立的指數模型y=85.512e-2.392x的估測效果最好，品種間的平均偏差率為5.01%，以C 兩優136 品種建立的指數模型y=33.959e147.67x的估測效果最穩定，對其余品種SPAD 值估測的平均偏差率為5.54%左右。綜上所述，指數模型對水稻葉片SPAD 值估測在品種間具有一定的普適性。

3 結論與討論

本研究結果得出以岳優9113 在715 nm 處的原始光譜反射率建立的指數模型y=85.512e-2.392x在晚秈稻品種間具有較好的適用性，平均偏差率為5.01%，表明品種因素對利用高光譜數據進行同種類型水稻品種葉片SPAD 值估測的影響不大。與章曼等[27]在不同施肥條件下的水稻關鍵生育期SPAD 值估測模型精度的比較分析，得出在灌漿期以植被指數為變量建立的指數模型精度最高（達0.926）的結果一致。但汪華等[28-29]研究發現，品種對應用SPAD 計進行水稻氮肥施用量診斷具有影響，與本文得出的品種間葉片SPAD 值差異較小，以單一水稻品種敏感波長建立的SPAD 值估測模型，也可以應用于其他晚秈稻品種的結論相悖，這是否是由于本研究選用的均為生育期接近的晚秈稻材料、采集的數據樣本量較少、生育期不完整所致，因此作者以為可從增多供試品種數量、選取差異大的品種類型、增加建模樣本量及采集全生育期數據等方面對模型的普適性進行驗證與完善，同時可從機器視覺、圖像融合及算法研究[30]等方面對模型進行修正與優化。

表4 不同水稻品種葉片SPAD 值的單光譜參數估測模型（n=60）

表5 各水稻品種葉片SPAD 值估測模型相互驗證的平均偏差率 （單位：%）