基于光譜特征參數的琯溪蜜柚葉片葉綠素含量估算

栗方亮，孔慶波，張 青

（福建省農業科學院土壤肥料研究所, 福建 福州 350013）

0 引言

【研究意義】琯溪蜜柚原產于福建省漳州市平和縣，距今已有500 多年的栽培歷史，截至 2016年，其栽培面積達4.33 萬hm2，年產量120 萬t[1]。葉綠素是植物體重要的生理生化參數之一，其含量多少可反映出植物光合能力、氮素吸收利用和營養生長狀況等，快速精確地估測植物體葉綠素含量，對植物長勢監測等具重要作用[2?7]。高光譜技術具有波段多、光譜分辨率高且連續的特點，能直接對地物進行微弱光譜差異的定量分析[8]。【前人研究進展】近年來，隨著高光譜技術的發展，國內外研究學者對植被葉綠素的光譜估算開展了廣泛研究[8?10]，主要集中在以下幾個方面[11?12]：1）在不同施肥或灌溉等條件下作物的光譜特性，如張新樂等[13]和楚萬林等[11]分別研究了不同施氮水平下水稻和棉花葉片葉綠素相對含量SPAD 值（soil and plant analyzer development）的光譜估算模型；2）利用原始光譜反射率或者一階微分光譜反射率得出作物葉綠素敏感波段，以此作為自變量建立回歸估測方程[8,14]。如Guo 等[14]發現煙草葉片葉綠素含量與732 nm 處的原始光譜反射率呈線性關系，與837 nm 處的一階微分光譜呈指數關系；梁爽等[8]發現蘋果葉面葉綠素指數及一階微分521 nm 和 523 nm 組合的估測模型擬合精度最高；3）利用三邊面積、位置、谷峰、不同類型植被指數等光譜數據作為估測葉綠素含量的變量，通過相關分析建立估測模型[15?16]，如孫玉婷等[15]通過分析光譜植被指數、位置參數與SPAD 值的相關性，構建了水稻葉片SPAD 值估測模型。Cui 等[16]證明紅邊葉綠素吸收指數/三角植被指數預測冬小麥葉綠素含量準確率最高。不同植被用以構建葉綠素含量估算模型的光譜參數有較大區別，而在構建葉綠素含量檢測模型所采用的方法也并不相同[2,4,17?18]。【本研究切入點】以上研究表明，基于高光譜的作物葉綠素估算模型過程較復雜，對于不同作物、不同地域、不同栽培方式，其葉綠素含量的估算具有獨特性，且結果受到光譜處理方法、回歸方法及所選指標相關程度的影響，難以構建一套通用的方法，同時目前對蜜柚葉綠素含量和光譜特征參量的定量關系研究還少見報道。【擬解決的關鍵問題】本研究利用蜜柚葉綠素含量與高光譜特征參量之間的關系，在進行相關分析的基礎上，建立蜜柚葉片葉綠素含量及光譜特征參量間的定量關系模型，以期為應用高光譜遙感技術進行蜜柚營養監測提供理論依據和技術支持。

1 材料與方法

1.1 樣品采集

供試蜜柚葉片采集時間為2020 年11 月，采集點位于福建省平和縣霞寨鎮黃莊村試驗基地（N 24°21′32.18′′，E 117°08′19.12′′）。采集每棵樹體東西南北和上下層共10 片葉作為一個樣本，選取位于頂梢起向下數的第3 和第4 片大小均勻的健康葉片，測試前洗凈擦干。 采集蜜柚葉片樣品時，有代表性的選取120 組葉片樣本，隨機將120 個總樣分為建模組(含90 樣本）和預測組(含30 個樣本）。

1.2 高光譜數據采集

蜜柚葉片光譜反射率的測定采用便攜式野外地物光譜儀 Field Spec 3[美國 Analytical Spectral Device（ASD）生產]，該光譜儀波段為350～2500 nm，其中，350～1000 nm 光譜采樣間隔為1.4 nm，光譜分辨率為3 nm，1000～2500 nm 光譜采樣間隔為2 nm，光譜分辨率為10 nm。

測量時儀器探頭垂直向下，距離采集樣本的垂直距離為10～15 cm，采集數據前需經過白板校正和優化操作，光譜儀視場角選用 10°。光譜采樣測試過程中，樣品被展平置于采樣波段接近全吸收的工作臺上，以避免雜光干擾，并確保樣品充滿儀器的視場角，測量時注意避開葉脈。對每個葉片樣品同時采集10 條光譜曲線，將測得的葉片反射率光譜異常值剔除后，取其平均值作為該樣本的反射率光譜值[6,8,18?19]。

1.3 葉綠素的測定

SPAD 值是衡量植物葉綠素的相對含量及綠色程度的重要參數。相關研究表明，葉綠素含量與SPAD值呈顯著性正相關[6,8,20?21]，可利用SPAD 值來作為衡量葉綠素總量的指數，既能保證試驗的精度，又不會對蜜柚樹葉片結構造成破壞。采集光譜數據后，在采集蜜柚葉片光譜的同一位置使用SPAD-502 葉綠素儀測定其葉綠素SPAD 值，測量10 次求平均值作為該樣品的SPAD 值。

1.4 數據分析

將平滑變換處理后的高光譜數據和各種參數與蜜柚葉片葉綠素含量進行相關分析，找出精度較高的波段組合及模型方程。通過模型擬合檢驗，最終篩選出精度最高的估測模型[8,22]。

對原始光譜反射率數據按照下面公式進行一階微分處理，得到新的高光譜數據即一階微分光譜。進行相關分析，可以篩選出一階微分處理后，對蜜柚葉片葉綠素含量敏感的特定波段或波長。式中，R′是Ri的一階微分，Ri為inm 處的光譜反射率，λi是第i個通道的波長。

2 結果與分析

2.1 蜜柚葉片葉綠素相對含量特征

將蜜柚90 個建模樣本葉片按照SPAD 值從低到高進行排序，并分為低中高3 組：SPAD1、SPAD2、SPAD3，每組30 個樣本。計算各組蜜柚葉片的相對葉綠素平均含量SPAD 值（表1），SPAD1 組的平均值為35.57，SPAD2 組的平均值為68.61，SPAD3 組的平均值為81.14，蜜柚葉片SPAD 值總平均值為61.77，最小值為26.46， 最大值為85.21，表明葉綠素含量相對于其均值離散程度較高，可為開展葉綠素含量光譜診斷提供良好素材。另外有30 個驗證組見表1。

表1 蜜柚葉片樣本的SPAD 值Table 1 SPADs of pomelo leaf samples

2.2 不同葉綠素含量的蜜柚葉片光譜特征

鑒于葉綠素主要在可見光波段范圍內影響植物光譜反射率，所以選擇 350～1050 nm 作為研究的波段范圍[6?8]。圖1 是測得的3 組不同葉綠素含量的蜜柚葉片的反射光譜曲線。由圖1 可以看出，不同葉綠素含量的蜜柚葉片反射光譜曲線的變化趨勢是一致的。

圖1 不同葉綠素含量的蜜柚葉片高光譜曲線Fig. 1 Hyperspectral curves of pomelo leaves with varied chlorophyll contents

在可見光波段400～760 nm，蜜柚葉片光譜曲線主要受葉綠素等色素的強吸收影響，光譜反射率普遍較低，反射率一般不超過0.2，其中在藍光和紅光區域，由于葉片需要吸收紅藍光進行光合作用，因此形成向下凹陷的藍光吸收谷和紅光吸收谷，且隨葉片葉綠素含量升高，葉片反射率降低；而在中心波長為550 nm 的綠光波段，由于對綠光主要進行反射，從而形成一個向上凸起的反射峰。另外，在波段670～760 nm，由于植被葉片內部結構的相互影響，光譜反射率隨著波長的增加呈現急劇上升的形勢，這是植被光譜曲線最為明顯的特征“紅邊”現象，反射率可達到0.4 以上。由于進入葉片細胞內部的光線產生多次物理折射和反射作用，在近紅外波段780 nm 之后，光譜反射率明顯較可見光波段反射率高，形成一個高反射率的平臺，又因氧氣或水的窄吸收，且在960 nm 附近產生1 個小吸收谷，使得該波段范圍的光譜曲線呈現“波浪”的形態。而之后波長葉片水分會掩蓋其他生化組分在該區域的吸收特征，不利于研究葉片中其他元素及其濃度對光譜曲線的影響，因此去除了這一部分的光譜曲線[23]。本研究發現在350～1050 nm 波段，不同 SPAD 值的葉片反射光譜存在明顯差異，光譜反射率均隨葉片葉綠素含量升高而降低。

2.3 蜜柚葉片葉綠素含量與光譜反射率的相關性

對蜜柚葉片葉綠素含量與其原始和一階導數光譜進行相關分析，相關系數曲線如圖2、3 所示。由圖2 可知，蜜柚葉片葉綠素含量與原始光譜反射率均呈負相關，即蜜柚葉片在測量的350～1050 nm 波段的光譜反射率隨著SPAD 值的升高而降低，葉綠素含量越高，吸收越強。且在波段496～731 nm 達到了顯著負相關水平（P＜0.05），其中，在波段513～652 nm 和689～721 nm 達到了極顯著負相關水平（P＜0.01），最大負相關系數分別為（?0.799，576 nm）和（?0.829，701 nm）。因此576 nm 和701 nm 這2個波長可以作為原始光譜中估測蜜柚葉片葉綠素含量的敏感波長。

圖2 蜜柚葉片葉綠素含量與原始光譜反射率的相關性Fig. 2 Correlation between chlorophyll content and original reflectance spectrum of pomelo leaves

蜜柚葉片葉綠素與一階光譜反射率的相關性如圖3 所示。通過分析可見，在波段397～425 nm、437～462 nm、470～475 nm、481～555 nm、679～705 nm達到了顯著負相關水平（P＜0.05），其中在波段440～456 nm、484～554 nm、680～702 nm 達到了極顯著負相關水平（P＜0.01），其中最大負相關系數為（?0.90，691 nm）。在波段569～627 nm、632～675 nm、719～752 nm 達到了顯著正相關水平（P＜0.05），其中在波段595～627 nm、633～672 nm、723～758 nm 達到了極顯著正相關水平（P＜0.01），其中最大正相關系數分別為（0.94，748 nm）。因此691 nm、748 nm 這2 個波長可以作為一階光譜中估測蜜柚葉片葉綠素含量的敏感波長。而在800 nm 之后其相關性變化無明顯正負規律。

圖3 蜜柚葉片葉綠素含量與一階光譜反射率的相關性Fig. 3 Correlation between chlorophyll content and first-order reflectance spectrum of pomelo leaves

2.4 蜜柚葉片葉綠素光譜特征參數、敏感波段植被指數與葉綠素含量相關關系

常見的高光譜特征參數包括基于高光譜位置變量、基于高光譜面積變量、基于高光譜植被指數變量3 種類型[7,13,15]，文中采用的光譜特征參數見表2。

表2 選取的高光譜特征參數及說明Table 2 Selected hyperspectral characteristic parameters and descriptions

選取原始光譜2 個敏感波長（576 nm 和 701 nm）、一階微分光譜2 個敏感波長（691 nm 和748 nm），構建了原始光譜和一階微分光譜反射率的比值、 差值與歸一化比值植被指數，分析了光譜特征參數與蜜柚葉片葉綠素含量的相關關系（表3）。

由表3 可知，所選三邊參數中只有黃邊參數Dy（黃邊幅值）和λy（黃邊位置）沒有達到極顯著相關關系，紅邊參數與藍邊參數均達到極顯著相關關系，其中Db（藍邊幅值）、λr（紅邊位置）、Rg（綠峰幅值）、SDb（藍邊面積）、綠峰與紅谷幅值Rg/Rr、（Rg?Rr）/（Rg+Rr）（歸一化綠峰與紅谷幅值）、SDr/SDb（紅邊與藍邊面積比值）和（SDr?SDb）/（SDr+SDb）（歸一化紅邊與藍邊面積比值）的相關系數超過0.7，具有較好估算蜜柚葉綠素含量的能力。

表3 光譜特征參數及敏感波段植被指數與蜜柚葉綠素含量相關關系Table 3 Correlation between spectral characteristic parameters, sensitive band vegetation indices and chlorophyll contents of pomelo leaves

分析發現植被指數均達到極顯著水平。將與蜜柚葉綠素含量相關系數r較大的（r＞0.85）光譜特征參數（NDVI′691,748、GRVI550,770、R′691、DVI′691,748、R′748和GNDVI550,770）以自變量構建了線性、對數、指數、冪、二次多項式等蜜柚葉片葉綠素含量的估測模型（表4）。最佳估測模型均為二次多項式估測模型，其估測模型的決定系數R2分別為0.824、0.816、0.802、0.798、0.797 和0.796。

表4 蜜柚葉片葉綠素含量的單變量估測模型Table 4 Univariate estimation models for chlorophyll content of pomelo leaves

為了克服單變量回歸模型只考慮一個變量對于葉綠素含量的影響，選擇了光譜參量中相關性好的變量（NDVI′691,748、GRVI550,770、R′691、DVI′691,748）進行多元回歸分析，得出葉綠素含量Y的回歸方程為YSPAD=54.67?15.75NDVI′691,748?10.60GRVI550,770+6565.6R′691?6784.58DVI′691,748，其估測決定系數為R2=0. 894。

2.5 蜜柚葉綠素含量估測模型的精度檢驗與模型優選

為了進一步驗證模型的準確性和穩定性，用30 個檢驗數據的 SPAD 值及其對應的光譜反射率，將估測模型進行實測值與預測值的驗證擬合，篩選出檢驗精度高的模型， 結果如表5 和圖4 所示。以NDVI′691,748、GRVI550,770、R′691、DVI′691,748為變量組成的多元回歸的SPAD 擬合值與真實值擬合程度最好，驗證決定系數R2=0.8356，均方根誤差RMSE=7.07，相對誤差RE=10.70%；其次是一階微分歸一化植被指數NDVI′691,748為變量組成的擬合，驗證R2=0.797，RMSE=12.86；然后為一階微分差值植被指數DVI′691,748為變量組成的擬合，驗證R2=0.7918，RMSE=12.56。以上擬合模型除GNDVI550,770驗證R2較小（0.6044）外，其他均精度較高，驗證R2均大于0.72。說明利用多元植被指數（NDVI′691,748、GRVI550,770、R′691、DVI′691,748）、DVI′691,748和NDVI′691,748可以較好擬合蜜柚葉片葉綠素SPAD 值（圖4）。

圖4 蜜柚葉片SPAD 實測值與預測值比較Fig. 4 Measured and predicted SPADs of pomelo leaves

表5 蜜柚葉片葉綠素含量估測模型的擬合精度比較Table 5 Fitting accuracy of estimation models for chlorophyll content of pomelo leaves

根據驗證系數篩選出R2＞0.79 的3 個擬合模型：多元回歸模型YSPAD=54.67-15.75NDVI′691,748-10.60GRVI550,770+6565.6R′691-6784.58DVI′691,748，其擬合決定系數為R2為0. 894，驗證R2=0.8356，RMSE=7.07，可確定為蜜柚葉片葉綠素含量的最佳預測模型；其次為一階微分歸一化植被指數NDVI′691,748為單變量回歸模型YSPAD=71.26?23.82NDVI′691,748?16.46NDVI′691,7482，擬合R2=0.824，驗證R2=0.797，RMSE=13.21；再次是一階微分差值植被指數DVI′691,748，單變量回歸模型YSPAD=68.58?5369.37DVI′691,748+195635.43DVI′691,7482，擬合R2=0.798，驗證R2=0.7918，RMSE=12.56。

3 討論

可見光波段綠色植物的反射光譜主要受葉片色素的影響，吸收作用占主導，反射率較低[17]，本研究表明蜜柚葉片光譜在可見光處吸光強烈，反射率整體較低且波動劇烈，與葉綠素呈顯著負相關關系，且葉綠素含量低的葉片在綠波段有強的反射峰，葉綠素含量高的葉片在紅谷處有強吸收特性；而在近紅外區域反射率較高且平穩，主要是由于葉肉內的海綿組織結構內有很大反射表面的空腔，且細胞內的葉綠素呈水溶膠狀態，具有強烈的紅外反射[24]。同時由于此區域受細胞結構、葉片含水率及近紅外光譜波段間存在嚴重自相關性等，存在較嚴重的相互干擾[25]，導致與葉綠素相關性程度較低，這與于雷等[25]、胥喆等[26]、余蛟洋等[27]和Zhao 等[28]

研究結果一致，而也有研究發現在近紅外區域水稻冠層葉片[17]、糜子冠層[29]的葉綠素含量與原始光譜反射率呈正相關，這可能是儀器和作物品種等的影響導致。

光譜數據變換中常采用一階微分變換，并且研究表明微分光譜較原始光譜與植被理化參數的相關性更好[17,30?31]。本研究通過對蜜柚葉片 SPAD 值與原始光譜反射率和一階微分光譜進行相關性分析發現，一階微分光譜反射率和葉綠素含量間出現正負相關關系，上下波動的頻率大，且相關性優于原始光譜，與胥喆等[26]和李恒凱等[6]研究一致。主要原因是由于單波段包含的信息簡單且易受外界因素影響，但通過對葉片光譜數據求微分、多波段組合等方法構建光譜參數，可減少背景噪聲的影響，并使波段間的差異表現更加明顯，提高了信息提取率，且包含不同波段的信息[8,27,31,32]。因此，微分光譜和植被指數可以更精確地反映蜜柚葉片葉綠素含量，提高對植物理化參數的監測效果。

本研究選取了常見的高光譜吸收特征參數包括基于高光譜位置變量、基于高光譜面積變量、基于原始光譜和一階微分敏感波長的差值植被指數、比值植被指數和歸一化植被指數，對蜜柚葉片葉綠素含量與高光譜參數相關分析和模型驗證結果表明，對原始光譜進行一階變換或者建立植被指數比單一波段的相關系數要大，這與前人研究成果一致[8,33?34]。如茹克亞·薩吾提等[35]發現對光譜數據進行數學轉換和微分處理可顯著提高春小麥葉綠素含量的估算精度。顏丙囤等[36]也發現淹水玉米原始高光譜反射率所構建的估算模型精度不高，基于一階導數與葉綠素含量之間的關系建立的線性模型可較好地預測葉綠素含量。王爍等[37]分析了多種植被指數與棉花葉綠素含量的相關關系，其中基于比值光譜指數RSI（Ration spectral index）的二次曲線回歸模型最佳模型。本研究最佳波段的組合與前人研究[8,32,33]有一定的不同，這可能與植被類型有一定的關系，不同植被葉片的結構存在一定的差異，因而最佳波段的選取可能存在差異。

綜合估算精度與預測效果，多元回歸模型YSPAD=54.67?15.75NDVI′691,748?10.60GRVI550,770+6 565.6R′691?6784.58DVI′691,748，一階微分歸一化植被指數NDVI′691,748和DVI′691,748為單變量回歸模型的擬合檢驗效果較好，而多元模型的精度與預測效果最好，其擬合R2為0.894，驗證R2為0.8356，可模擬估算蜜柚葉片葉綠素含量。同樣余蛟洋等[27]發現在獼猴桃全生育期葉片SPAD 值多元回歸模型的擬合估算R2為0.857，預測驗證R2為0.850；紀童等[38]篩選出最優的草坪草葉綠素多元回歸模型的估算R2為0.817，預測R2為0.9289。本研究多元回歸估算模型比以前研究精度提高的原因可能是本研究的多元回歸模型包含了對因變量有顯著性影響的4 個自變量，由于綜合考慮了多個植被指數自變量，因此提高了回歸模型方程預測精度和穩定性。

本研究分析了蜜柚葉片SPAD 與光譜特征變量間的定量關系，但僅用同一地域、同一時期的樣本數據對模型進行了驗證，因此該估算模型還需要更多的實測數據的驗證，同時本研究未涉及蜜柚冠層光譜與葉綠素含量間的關系，尚不能應用于大面積遙感監測。所以在后續研究中，還需要進一步探索蜜柚冠層光譜與各個生理生化參數之間的關系，在蜜柚不同生長期、不同地域等條件下進行更為廣泛的驗證，進而促進高光譜技術在蜜柚上的大面積應用，為蜜柚產區長勢監測提供重要技術支撐。

4 結論

本文基于多個蜜柚光譜特征參數和葉綠素實測數據，分析了蜜柚葉片葉綠素含量的原始光譜特征以及構建了單變量估算模型和多元回歸模型，并確定了蜜柚葉綠素的最佳估算模型。在350～1050 nm波段，不同SPAD 值的蜜柚葉片反射光譜存在明顯差異，光譜反射率均隨葉片葉綠素含量升高而降低。原始光譜和一階微分光譜與葉綠素含量在可見光范圍內有多波段相關性顯著。在建立的蜜柚光譜特征參數回歸模型中，基于一階微分的光譜單變量回歸模型比原始光譜單變量回歸模型的精度要高，其中以高光譜指數NDVI′691,748、GRVI550,770、R′691、DVI′691,748組成的多元回歸模型具有最好的擬合和估算效果，其估算精度、預測效果和穩定性均比單因素變量建立的模型好，其擬合決定系數為R2為0. 894，驗證決定系數R2為0.8356，RMSE為7.07，因此可選擇用植被指數為自變量的多元回歸模型對蜜柚葉片的 SPAD 進行長勢監測。本研究應用光譜技術，對福建省平和縣蜜柚葉片葉綠素含量進行估測，為本區域蜜柚樹營養的快速診斷奠定了基礎，也為蜜柚精準化管理提供了信息支持。