苗期低溫脅迫對“紅顏”草莓葉綠素含量及冠層高光譜的影響*

徐若涵，楊再強,2**，申夢吟，王明田

苗期低溫脅迫對“紅顏”草莓葉綠素含量及冠層高光譜的影響*

徐若涵1，楊再強1,2**，申夢吟1，王明田3

（1．南京信息工程大學氣象災害預報預警與評估協同創新中心，南京 210044；2．江蘇省農業氣象重點實驗室，南京 210044；3．四川省氣象臺，成都 610091）

2020年9月?2021年1月以“紅顏”（×Duch “Benihope”）草莓為試材，在南京信息工程大學開展低溫環境控制試驗。設置21℃（日最高氣溫）/11℃（日最低氣溫）、18℃/8℃、15℃/5℃和12℃/2℃共4個低溫處理，持續時間設置3d、6d、9d、12d共4個水平，以25℃/15℃為對照（CK）。測定草莓葉片葉綠素含量以及冠層高光譜反射率，研究低溫脅迫對草莓葉綠素含量及冠層反射光譜的影響，篩選出葉綠素含量估算模型的敏感波段與特征參數。結果表明：（1）同一低溫條件下，草莓葉片葉綠素a、葉綠素b和總葉綠素(a+b)等參數隨著脅迫天數的延長而減少；同一脅迫天數下，溫度越低其含量越低，即低溫脅迫程度越大葉綠素含量下降幅度也越大。（2）不同溫度同一脅迫天數處理草莓苗期冠層光譜反射率變化規律大致相同。在可見光區域草莓冠層反射光譜曲線均存在綠峰和紅谷，在近紅外反射平臺隨著溫度降低，光譜反射率數值逐漸增大，即反射平臺逐漸增高。（3）草莓冠層一階微分光譜曲線變化較劇烈，有明顯波峰和波谷，在紅邊范圍內偶有雙峰現象。隨著低溫脅迫程度的加深，一階微分光譜最高峰的值越高，草莓冠層光譜的近紅外反射率升高，紅邊位置藍移，之后該峰值逐漸降低，紅邊位置紅移。（4）草莓葉綠素(a+b)含量與冠層原始光譜反射率的相關系數均呈負相關，與原始光譜的近紅外波段反射率的相關性明顯高于可見光波段。葉綠素(a+b)含量與原始光譜反射率相關性較好，均達到顯著水平，其中737nm波段相關系數達到最大，因此可以用其作為敏感波段對葉綠素含量進行預測。葉綠素(a+b)含量與植被指數中的DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相關性達極顯著水平，可以選其作為特征參數對葉綠素含量進行預測。

草莓；低溫脅迫；葉綠素；冠層光譜；植被指數

草莓（×Duch.）是多年生草本植物，原產地為南美洲，現在中國及歐洲等地都廣為栽培。2017年中國草莓種植面積居世界第一位[1]；2019年中國草莓種植面積為125千hm2，產量為327.6萬t；2020年中國草莓出口數量為5594.6t，出口創匯為1406.4萬美元。草莓生長需要溫暖的環境，有利于其生長的溫度為10～30℃，最適溫度為15～25℃，低于10℃時花芽分化停止，當草莓所處環境大幅度降溫時整個植株的葉片會變成深綠色，呈水浸狀萎蔫[2]。葉綠素是反應草莓植株健康狀況的重要指標之一[3?5]，因此，確定葉綠素含量對于研究草莓逆境脅迫具有重要意義[6]。在南方冬季低溫是影響草莓生長的主要因子，研究低溫脅迫下草莓葉綠素含量及冠層反射光譜的變化，對揭示低溫災害致災機理和環境優化調控具有重要意義。

測定葉綠素含量傳統的方法是使用生理生化的手段，此方法可以準確測定單位面積葉片的葉綠素a（Chla）、葉綠素b（Chlb）和類胡蘿卜（Car）含量，但是該方法需要破壞取樣，工作量大且耗時，同時對大尺度的農田作物難以實現快速、實時、有效的檢測[7]。另一種方法是使用便攜式葉綠素測定儀即SPAD-502來測定葉片相對葉綠素含量，該方法能準確測定葉片的SPAD值（相對葉綠素含量），但該儀器需要將待測葉片夾住（接觸式）并且是單點測量，同樣很難用于大面積作物的葉綠素含量的監測[8]。高光譜地物成像分析技術是近年來廣為應用的一種快速、無損監測技術，并且在不破壞植物結構的條件下，可以實現對農作物的生長狀況的監測，具有相當大的發展潛力[9]。

迄今為止，關于低溫對“紅顏”草莓苗期葉綠素含量和冠層反射光譜影響的研究未見報道。為此，本研究設計環境控制試驗，系統研究低溫脅迫對草莓葉綠素含量及冠層反射光譜的影響規律，篩選出葉綠素含量估算模型的敏感波段與特征參數，以期為利用高光譜反射開展低溫脅迫下草莓長勢監測和環境調控提供參考方法[10]。

1 材料與方法

1.1 試驗設計

試驗于2020年9月?2021年1月在南京信息工程大學環境控制試驗的人工氣候室（PGC–FLEX，Conviron，加拿大）進行，以“紅顏”（×Duch“Benihope”）草莓為試材，由南京盤城草莓園種植基地提供。在草莓苗期（9～12片真葉，葉長≥5cm）時移入種植盆內，進行短期低溫處理。草莓苗規格高10cm，葉片數6～10片，種植盆高40cm，內徑20cm，基質為土壤，有機質含量4.5%，pH6.5，土壤含水量始終保持在50%～60%。參考韋婷婷等[11]的研究逐時模擬南京氣溫動態變化，設置氣候室的低溫變化，如圖1所示，設計4個低溫水平，分別為21℃（日最高氣溫）/11℃（日最低氣溫）、18℃/8 ℃、15℃/5℃和12℃/2℃，持續時間設置3d、6d、9d、12d共4個水平，以25℃/15 ℃為對照（CK），溫室空氣相對濕度控制為60%±5個百分點，8：00?20：00光照強度設置為800μmol·m?2·s?1，其它時段為0。將苗期長勢一致，且健康的盆栽草莓放入人工氣候室處理，同一溫度條件放入20盆，每3天拿出5盆，并取其功能葉片（從上到下第3?5片成熟葉片）進行葉綠素含量以及高光譜的測定。每株幼苗取3個葉片，每個處理5個重復。

圖1 人工氣候箱動態低溫模式的設定

1.2 葉綠素含量和冠層高光譜的測定

1.2.1 葉綠素含量測定

取新鮮草莓功能葉片，擦凈表面污物，去除中脈后剪碎，稱取0.5g放入研缽中研磨，同時加入80%丙酮2mL進行冷卻，研磨成均漿。把均漿倒入離心管中，離心除去顆粒，再用80%丙酮將上清液稀釋并定容至體積為10mL，然后在25℃室溫里黑暗提取48h，直至葉片中的色素被完全提取出來。最后使用紫外分光光度計（UV-1800，島津）測量波長為645nm、663nm和652nm下的吸光度值[12]。Chla和Chlb含量計算式為[13]

Ca=（12.72A663-2.59A645）V/（1000W） （1）

Cb=（22.88A645-4.67A663）V/（1000W） （2）

Ca+b= 34.5A652×1000 （3）

其中，C代表葉綠素含量（mg·g?1）；A663、A645和A652分別代表波長為663nm、645nm和652nm處的吸光度值；V代表提取液體的總體積（mL）；W代表取樣的鮮重（g）；34.5為葉綠素a和葉綠素b在波長652nm處的吸光系數。

1.2.2 冠層高光譜測定

冠層光譜采用高光譜成像儀（SOC711，USA）測定，其400?1000nm區間的光譜分辨率為1.3nm，通過SOC711-VP數據采集軟件控制光譜成像系統。在10：00?14：00晴朗無風的天氣，盡量將探頭垂直正對草莓冠層頂部，距離約0.5m，減少土壤背景的影響，用白板校正，觀測前后均以參考板標定，每個處理測定10次，取其平均值作為光譜數據。

1.3 數據處理和分析

1.3.1 光譜特征參數

原始光譜特征參數由400?1000nm波段的原始光譜反射率組成。可見光光譜在400?780nm，綠光范圍492?577nm，紅光范圍622?780nm。可見光區域內綠光范圍內原始光譜呈波峰狀稱為綠峰；紅光范圍內原始光譜較小，呈波谷狀，稱為紅谷。近紅外波段大于780nm。

雖然高光譜遙感光譜具有較強的連續性，但是實際測定時光譜間隔具有離散性，為了消除土壤背景、大氣散射、凋落物等低頻光譜成分的影響，對原始光譜反射率進行一階微分變換，計算式為

式中，R'i為第i個一階微分光譜反射率，Ri為第i個原始光譜反射率，Ri+1為第i+1個原始光譜反射率，Ri?1為第i?1個原始光譜反射率，λi為第i個波長，λi+1為第i+1個波長，λi?1為第i?1個波長。

紅邊是一階微分光譜紅光波段反射率增大最快的點，其所處位置也是一階微分光譜反射率最大值所對應的波長，紅邊特征可以反映植被的生長狀況。紅邊所處波段的波長向長波方向移動稱為紅移，向短波方向移動稱為藍移。

1.3.2 植被指數

植被指數是通過對不同光譜波段進行運算，得到反映植物生長狀況的數值。表1為與葉綠素含量密切相關的植被指數。

表1 各植被指數計算式

注：RNIR代表近紅外波段光譜反射率的平均值；RRed代表紅光波段光譜反射率的平均值；L代表調整系數，L=0.5；a與b代表土壤線系數，a=10.489，b=6.604。

Note: RNIRrepresents the average value of spectral reflectance in near-infrared band; RRedrepresents the average value of spectral reflectance in the red band; L represents the adjustment coefficient, L=0.5; a and b represent soil linear coefficient, a=10.489, b=6.604. DVI is Difference Vegetation Index. MSAVI is Modified Soil Adjustment Vegetation Index. NDVI is Normalized Difference Vegetation Index. PVI is Perpendicular Vegetation Index. RDVI is Renormalized Difference Vegetation Index. RVI is Ratio Vegetation Index. SAVI is Soil Adjusted Vegetation Index. TSAVI is Transform Soil Adjustment Vegetation Index.

2 結果與分析

2.1 低溫脅迫對草莓葉片葉綠素含量的影響

由表2可見，正常生長狀態下（CK），草莓冠層葉片葉綠素a、葉綠素 b以及葉綠素（a+b）含量在觀測期內無顯著差異，而低溫處理相同天數后（3d、6d、9d或12d），葉綠素含量較CK均明顯下降，且低溫脅迫程度越大葉綠素含量下降幅度也越大。相同的脅迫低溫下，脅迫時間越長葉綠素a含量越低。與同期CK相比，21℃/11℃、18℃/8℃、15℃/5℃和12℃/2℃低溫處理下的葉綠素a含量在脅迫12d時分別下降21.6%、26.7%、27.1%和46.2%。葉綠素b含量的變化趨勢與葉綠素a類似，相同的脅迫低溫下都隨著脅迫天數的延長而呈現降低的趨勢。21℃/11℃的低溫下，葉綠素b的含量在處理9d時顯著下降，與同期CK相比下降5.9%；而在18℃/8℃、15℃/5 ℃低溫下在處理6d時即顯著下降，分別下降10.3%和18.3%。葉綠素（a+b）含量隨溫度變化與葉綠素a、葉綠素b的含量變化趨勢類似，同一脅迫低溫下，隨著脅迫天數的延長而減少；同一脅迫天數下，溫度越低其含量越低。同一脅迫低溫下，脅迫時間越長葉綠素（a+b）含量越少。21℃/11℃和18℃/8℃處理下的葉綠素（a+b）含量在處理9d時顯著下降，與CK同期相比分別下降11.9%和15.7%，而15℃/ 5 ℃和12℃/2℃處理下的葉綠素（a+b）含量在處理6d時即已顯著下降，與CK同期相比分別下降了20.2%和21.6%。

總之，低溫脅迫對葉綠素a、葉綠素b和葉綠素（a+b）含量造成不同程度的影響，溫度越低，脅迫時間越長，葉綠素含量下降越明顯。

2.2 低溫脅迫對草莓冠層光譜反射率的影響

圖2所示為低溫脅迫下不同天數的草莓冠層原始光譜特征曲線。由圖可知，相同脅迫天數不同溫度處理下“紅顏”草莓苗期冠層原始光譜反射率變化規律大致相同，隨著溫度的降低，葉綠素含量隨之減少。CK處理下不同天數草莓冠層原始光譜反射率變化不明顯，但隨著低溫脅迫程度的加深，其他處理各波段的冠層原始光譜反射率均高于CK。在可見光區域草莓冠層原始光譜反射率均較低，所有處理的光譜曲線均存在綠峰，在綠光波段492?577nm，光合色素對綠光吸收較少甚至反射綠光，形成反射峰，綠峰為反射光譜在綠光波段的反射率最大值，在550nm附近，所以葉片呈綠色；所有處理的光譜曲線均存在紅谷，在622?780nm的紅光波段，葉綠素吸收紅光較為強烈，形成吸收谷，紅谷為原始光譜在紅光波段反射率的最低點，在680nm附近。在相同天數不同低溫處理的光譜曲線中，在低溫處理3d時，綠峰最大值出現在15℃/5℃低溫處理，原始光譜發射率為0.169；在低溫處理6d時，綠峰最大值出現在12℃/2℃，原始光譜發射率為0.158；在低溫處理9d時，綠峰最大值出現在15℃/5℃，原始光譜發射率為0.174；在低溫處理12d時，綠峰最大值出現在12℃/2℃，原始光譜發射率為0.159；紅谷最小值均出現在CK，原始光譜發射率為0.014；在相同天數不同低溫處理的光譜曲線中，均以12℃/2℃處理綠峰、紅谷變化最顯著。780nm后為近紅外波段，各處理反射率均急劇增加，形成較高的反射平臺。

表2 各溫度處理持續不同天數后草莓葉片葉綠素含量比較

注：數據為平均值±標準誤差。同列不同大寫字母表示不同溫度持續相同天數處理間在0.05水平上差異顯著（Duncan檢驗），不同小寫字母表示在相同溫度持續不同天數處理間在0.05水平上差異顯著（Duncan檢驗）。下同。

Note: The data are mean±standard error. Different capital letters in the same column indicate that there is significant difference at 0.05 level among treatments which are under different temperatures for the same stress days (Duncan test), and different small letters indicate that there is significant difference at 0.05 level among treatments which are under the same temperature for different stress days (Duncan test). The same as below.

圖2 各溫度處理持續不同天數后草莓冠層原始光譜曲線

總之，在400?1000nm波段，低溫脅迫后葉片原始光譜反射率增大，且溫度越低、持續時間越長，葉片反射率越大；可見光區域，低溫脅迫后草莓冠層原始反射光譜曲線除紅谷和綠峰外變化幅度不明顯，但在近紅外波段隨著溫度降低，原始光譜反射率隨之增大，反射平臺逐漸增高，以12℃/2℃低溫處理時達到最大，且低溫脅迫12d反射率變化幅度最大。

由圖3可知，草莓冠層一階微分光譜曲線變化較劇烈，在521nm波段附近有明顯波峰；在566nm波段附近有明顯波谷；在711nm波段附近有明顯的波峰，偶有雙峰現象。圖3a中，21℃/11℃處理3d時有明顯雙峰現象，左峰位于705nm波段，一階微分反射率為0.012，右峰位于721nm波段，一階微分反射率也為0.012。圖3b中，18℃/8℃處理6d時有明顯雙峰現象，左峰位于705nm波段，一階微分反射率為0.014，右峰位于721nm波段，一階微分反射率為0.013。圖3c中，21℃/11℃處理6d時有明顯雙峰現象，左峰位于700nm波段，一階微分反射率為0.012，右峰位于716nm波段，一階微分反射率為0.011。圖3d中，21℃/11℃處理6d時有明顯雙峰現象，左峰位于705nm波段，一階微分反射率為0.011，右峰位于716nm波段，一階微分反射率為0.012；18 ℃/8℃處理6d時有明顯雙峰現象，左峰位于705nm波段，一階微分反射率為0.013，右峰位于716nm波段，一階微分反射率為0.014；15℃/5℃處理6d時有明顯雙峰現象，左峰位于705nm波段，一階微分反射率為0.016，右峰位于716nm波段，一階微分反射率為0.014。相同天數不同溫度脅迫下，12℃/2℃的一階微分光譜峰值最高。相同溫度不同脅迫天數下，以12d的一階微分光譜峰值最高。

所有處理中，紅邊位于700?721nm波段。相同天數不同脅迫溫度處理下，一階微分光譜反射率的峰值隨著低溫脅迫程度的加劇而升高。相同溫度不同脅迫天數處理下，CK一階微分光譜反射率的紅邊位置未移動，而其他處理，無論是相同溫度不同天數，還是相同天數不同溫度，隨著脅迫程度的加深，草莓冠層一階微分光譜的近紅外反射率升高，紅邊位置藍移，之后該峰值逐漸降低，紅邊位置紅移，與CK的一階微分光譜反射率的差異逐漸減小。

圖3 各溫度處理持續不同天數后草莓冠層一階微分光譜曲線

總之，苗期草莓冠層一階導數光譜曲線變化比較劇烈，有明顯波峰和波谷，偶有雙峰現象，在低溫脅迫下，溫度越低、持續時間越長，一階微分光譜最高峰的值越高，草莓冠層光譜的近紅外反射率升高，紅邊位置藍移，之后該峰值逐漸減低，紅邊位置紅移。

2.3 低溫脅迫下草莓葉綠素含量與冠層光譜的關系

相關分析表明，草莓冠層原始光譜反射率與葉綠素含量均呈負相關關系。由圖4可見，400?541nm區間二者的相關系數整體呈增大趨勢，541?695nm之后相關系數整體呈減小趨勢，695nm處相關系數急劇增大，737nm處相關系數達到最大值0.92，在近紅外區趨于穩定，葉綠素含量與原始光譜近紅外波段反射率的相關性明顯高于可見光波段。在400?1000nm區域，僅659?669nm波段葉綠素含量與原始高光譜反射率的相關系數未達到極顯著水平，但均達到顯著水平。

總之，在400?1000nm區域，葉綠素含量與原始高光譜反射率相關性較好，均達到顯著水平，其中737nm波段相關系數達到最大，因此可以用其作為敏感波段對葉綠素含量進行預測。

圖4 草莓冠層原始光譜反射率與葉綠素(a+b)含量的相關系數

表3為草莓苗期植被指數與葉綠素含量的相關系數。由表可見，NDVI、PVI、RVI與草莓冠層葉片葉綠素含量呈正相關，相關系數分別為0.253、0.881、0.263，其中僅PVI達到了極顯著水平。DVI、MSAVI、RDVI、SAVI、TSAVI與草莓冠層葉片葉綠素含量的相關系數分別為0.876、0.878、0.809、0.741和0.893，均呈負相關，且均達到極顯著水平。

總之，草莓苗期植被指數與葉綠素含量的關系中DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相關性好且達到了極顯著水平，因此可以選其作為特征參數對葉綠素含量進行預測。

表3 草莓苗期各植被指數與葉綠素(a+b)含量的相關系數

注：**表示相關系數通過0.01水平的顯著性檢驗（雙尾檢驗）。

Note:**indicates that the correlation coefficient reaches the extremely significant at 0.01 level (two tailed test).

3 討論與結論

3.1 討論

在生產上，草莓經常受低溫脅迫的影響，應用高光譜技術可無損高效監測低溫災害影響及草莓長勢。本研究以苗期的草莓品種“紅顏”為試材，測定冠層葉片葉綠素含量以及冠層高光譜等參數。張雪茹等[3]的研究表明低溫脅迫影響葉綠素的合成，低溫脅迫時間越長葉綠素含量降低幅度越大。這與本研究得出結果相似，低溫處理的葉綠素含量都低于對照組，這是由于低溫脅迫使葉片內部結構被破壞，葉綠素含量下降[22]。

所有低溫處理的草莓冠層的原始光譜曲線變化趨勢相同。可見光區域的光譜反射率上升，這是由于葉綠素含量降低，色素吸收可見光減弱，反射率升高[23]。在近紅外區域，低溫脅迫后原始光譜反射率均出現較大幅度抬升，原始光譜反射率升高。在可見光波段內有綠峰和紅谷，在近紅外波段較高的反射平臺有明顯的吸收谷與反射峰，這是所有綠色植物所共有的規律[24]。

黃春燕等[25]研究表明，作物生長旺盛時，紅邊紅移；生長衰敗時，紅邊藍移。沙依然等[26]研究表明，干旱脅迫水稻紅邊位置藍移。朱懷衛等[27]研究表明，UV-B增強，水稻光譜紅邊藍移。周曉等[28]研究還發現，一階微分光譜的三邊參數中紅邊更能反映稻縱卷葉螟的危害。沈掌宗等[29]研究表明，紅邊測定水稻葉綠素含量最簡便有效，因為葉綠素含量與一階微分光譜的紅邊位置顯著相關，相比其它三邊參數，紅邊反映作物受害更顯著。Daughtry等[30]研究表明紅邊位置的不同可以指示葉綠素含量的變化。唐延林等[31]對多種作物的研究表明，葉綠素含量與紅邊位置呈極顯著的線性相關。在低溫脅迫下，無論是相同溫度不同天數，還是相同天數不同溫度，隨著脅迫程度的加深，草莓冠層光譜的近紅外反射率升高，紅邊位置藍移，之后該峰值逐漸減低，紅邊位置紅移，與CK的一階微分光譜反射率的差異逐漸減小。這種現象是由于草莓遭受低溫脅迫后，啟動自我調節和修復能力減少脅迫對自身生長發育的損傷。謝曉金[32]研究表明水稻冠層一階導數光譜具有明顯的雙峰現象。而本研究中草莓冠層一階導數光譜偶有雙峰現象，與之產生差異的主要原因可能是由于本試驗草莓處于苗期，受土壤背景的影響，冠層光譜的雙峰現象并不明顯。

對草莓冠層原始光譜反射率與葉綠素含量的相關性分析表明，在近紅外波段711?1000nm二者呈極顯著負相關，說明可以用原始光譜反射率與葉綠素含量相關性較大的波段對葉綠素含量進行預測。其中737nm波段相關系數達到最大，或許可以作為低溫脅迫下苗期草莓的敏感波段，有效反映葉綠素含量的變化情況，從而實現用高光譜技術監測草莓冠層葉片葉綠素含量的變化。本研究與多數研究已經證明的葉綠素敏感波段集中在680?750nm紅邊波段[33]的結果一致。

姚遠等[34]選用PVI、RVI和NDVI這3種植被指數監測干旱區人工林地生物量，其中基于PVI的地上生物量的指數模型為最優化關系模型。PVI與葉綠素含量的相關性較好，消除了土壤背景的影響，降低了對大氣的敏感度。本試驗所用草莓是盆栽作物，NDVI和RVI受植物覆蓋度影響大，因此相關性低，而DVI和PVI植被覆蓋度低時效果好，因此相關性高。RDVI結合了DVI和NDVI優點，不受植被覆蓋率影響。MSAVI減小了SAVI中的裸土影響，因此MSAVI與葉片葉綠素含量的相關系數大于SAVI。SAVI修正了NDVI對土壤背景的敏感，轉換性土壤調整指數TSAVI比NDVI更好地適用于低植被覆蓋[35]，因此SAVI和TSAVI與葉片葉綠素含量的相關系數均大于NDVI。

盡管本研究得出的葉綠素含量與光譜反射率和植被指數的相關性較高，但都是在一定的條件下進行的。王曉星[23]研究表明，不同生長階段的夏玉米具有不同的葉綠素含量，這些差異將反映在光譜反射率的變化上，可能隨著葉片變黃，葉綠素分解，導致光譜信息不明顯。因此，后期還需要研究低溫脅迫對不同品種、生育期、季節、地區和栽培方式等造成的影響，從而實現更具有普遍性的低溫脅迫下草莓葉綠素含量及冠層高光譜變化的機理研究。

3.2 結論

（1）同一低溫條件下，脅迫天數越長，草莓葉片葉綠素a、葉綠素b和葉綠素(a+b)含量越少；同一脅迫天數下，溫度越低其含量越低。即低溫脅迫程度越大葉綠素含量下降幅度越大。

（2）不同溫度同一脅迫天數處理草莓苗期冠層光譜反射率變化規律大致相同。在可見光區域草莓冠層反射光譜曲線均存在綠峰和紅谷，在近紅外反射平臺隨著溫度降低，光譜反射率數值逐漸增大，即反射平臺逐漸增高。

（3）草莓冠層一階微分光譜曲線變化比較劇烈，有明顯波峰和波谷，在紅邊范圍內偶有雙峰現象。隨著低溫脅迫程度的加深，一階微分光譜最高峰的值越高，草莓冠層光譜的近紅外反射率升高，紅邊位置藍移，之后該峰值逐漸減低，紅邊位置紅移。

（4）葉綠素(a+b)含量與草莓冠層原始光譜反射率的相關系數均呈負相關關系，在可見光波段整體呈現先增大后減小的趨勢，之后急劇增大相關系數達到最大值，在近紅外區達到穩定狀態變化較為平緩，葉綠素(a+b)含量與原始光譜近紅外波段反射率的相關性明顯高于可見光波段。葉綠素(a+b)含量與原始光譜反射率相關性較好，均達到顯著水平，其中737nm波段相關系數達到最大，因此可以用其作為敏感波段對葉綠素含量進行預測。葉綠素(a+b)含量與草莓苗期植被指數中DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相關性好且達到了極顯著水平，因此可以選其作為特征參數對葉綠素含量進行預測。

[1] 舒銳,焦健,臧傳江,等.我國草莓產業現狀及發展建議[J].中國果菜,2019,39(1):51-53.

Shu R,Jiao J,Zang C J,et al.Present situation and development suggestions of strawberry industry in China [J].Chinese Fruits and Vegetables,2019,39(1):51-53. (in Chinese)

[2] 王毅,楊宏福,李樹德.園藝植物冷害和抗冷性的研究:文獻綜述[J].園藝學報,1994(3):239-244.

Wang Y,Yang H F,Li S D.Study on chilling injury and cold resistance of horticultural plants:literature review[J]. Acta Horticulturae Sinica,1994(03):239-244.(in Chinese)

[3] 張雪茹,馮美臣,楊武德,等.基于光譜變換的低溫脅迫下冬小麥葉綠素含量估測研究[J].中國生態農業學報,2017, 25(9):1351-1359.

Zhang X R,Feng M C,Yang W D,et al.Estimation of chlorophyll content in winter wheat under low temperature stress based on spectral transformation[J].Chinese Journal of Ecological Agriculture,2017,25(9):1351-1359.(in Chinese)

[4] Evans J. R.Photosynthesis and nitrogen relationships in leaves of C3 plants[J].Oecologia,1989,78(1):9-19.

[5] 賀冬仙,胡娟秀.基于葉片光譜透過特性的植物氮素測定[J].農業工程學報,2011,27(4):214-218.

He D X,Hu J X.Determination of plant nitrogen based on spectral transmission characteristics of leaves[J]. Transactions of the CSAE,2011,27(4):214-218.(in Chinese)

[6] Zarco-Tejada Pablo J,Miller John R,Morales A,et al. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops[J]. Remote Sensing of Environment,2004,90(4):463- 476.

[7] 張瑋,王鑫梅,潘慶梅,等.干旱脅迫下雷竹葉片葉綠素的高光譜響應特征及含量估算[J].生態學報,2018,38(18): 6677-6684.

Zhang W,Wang X M,Pan Q M,et al.Hyperspectral response characteristics and content estimation of chlorophyll in Phyllostachys pubescens leaves under drought stress[J].Acta Ecologica Sinica,2018,38(18):6677- 6684.(in Chinese)

[8] 程志慶,張勁松,孟平,等.楊樹葉片葉綠素含量高光譜估算模型研究[J].農業機械學報,2015,46(8):264-271.

Cheng Z Q,Zhang J S,Meng P,et al.Study on Hyperspectral estimation model of chlorophyll content in poplar leaves[J]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(8):264-271.(in Chinese)

[9] 董哲,楊武德,張美俊,等.基于高光譜遙感的玉米葉片SPAD值估算模型研究[J].作物雜志,2019(3):1-6.

Dong Z,Yang W D,Zhang M J,et al.Study on estimation model of SPAD value of maize leaves based on hyperspectral remote sensing[J].Crops,2019(3):1-6.(in Chinese)

[10] 馮貴蘭,李正楠,周文剛.大數據分析技術在網絡領域中的研究綜述[J].計算機科學,2019,46(6):1-20.

Feng G L,Li Z N,Zhou W G.Research summary of big data analysis technology in network field[J].Computer Science, 2019,46(6):1-20.(in Chinese)

[11] 韋婷婷,楊再強,王琳,等.玻璃溫室和塑料大棚內逐時氣溫模擬模型[J].中國農業氣象,2018,39(10):644-655.

Wei T T,Yang Z Q,Wang L,et al.Hourly temperature simulation model in glass greenhouse and plastic greenhouse[J].Chinese Journal of Agrometeorology, 2018, 39(10):644-655.(in Chinese)

[12] 陸思宇,楊再強,張源達,等.高溫條件下光周期對鮮切菊花葉片光合系統熒光特性的影響[J].中國農業氣象,2020, 41(10):632-643.

Lu S Y,Yang Z Q,Zhang Y D,et al.Effect of photoperiod on fluorescence characteristics of photosynthetic system of fresh-cut chrysanthemum leaves under high temperature[J]. Chinese Journal of Agrometeorology,2020,41(10):632-643. (in Chinese)

[13] Lu T,Yu H J,Li Q,et al.Improving plant growth and alleviating photosynthetic inhibition and oxidative stress from low-light stress with exogenous GR24 in tomato (L.)seedlings[J].Frontiers in Plant Science,2019,10:490.

[14] Jordan Carl F.Derivation of leaf-area index from quality of light on the forest floor[J].Ecology,1969,50(4):663-666.

[15] Qi J G,Chehbouni A,Huete Alfredo R,et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment, 1994,48(2):119-126.

[16] Rouse J W,Haas Rüdiger H,Schell J A,et al.Monitoring vegetation systems in the great plains with ERTS[J].NASA Special Publication,1974,351(1974):309.

[17] Richardson Arthur J,Wiegand C L.Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing,1977,43(12):1541-1552.

[18] Roujean J L,Breon F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment,1995,51(3):375-384.

[19] Pearson R L,Miller Lee D.Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[J].Remote Sensing of Environment, 1972 (VIII):1355.

[20] Huete Alfredo R.A soil-adjusted vegetation index(SAVI) [J].Remote Sensing of Environment,1988, 25(3):295-309.

[21] Baret Frédéric,Guyot G,Major D J.TSAVI:a vegetation index which minimizes soil brightness effects on LAI and APAR estimation:12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium [C].IEEE,1989.

[22] 任鵬,馮美臣,楊武德,等.冬小麥冠層高光譜對低溫脅迫的響應特征[J].光譜學與光譜分析,2014,34(9):2490-2494.

Ren P,Feng M C,Yang W D,et al.Response characteristics of winter wheat canopy hyperspectral to low temperature stress[J].Spectroscopy and Spectral Analysis,2014,34(9): 2490-2494.(in Chinese)

[23] 王曉星.夏玉米冠層光譜特征及其生理生態參量的高光譜估算模型[D].楊凌:西北農林科技大學,2015.

Wang X X.Hyperspectral estimation model of canopy spectral characteristics and physiological and ecological parameters of summer maize[D].Yangling:Northwest University of Agriculture and Forestry Science and Technology,2015. (in Chinese)

[24] 王爍,常慶瑞,劉夢云,等.基于高光譜遙感的棉花葉片葉綠素含量估算[J].中國農業大學學報,2017,22(4):16-27.

Wang S,Chang Q R,Liu M Y,et al.Estimation of chlorophyll content in Cotton Leaves Based on HyperspectralRemote Sensing[J].Journal of China Agricultural University, 2017,22(4):16-27.(in Chinese)

[25] 黃春燕,王登偉,張煜星.基于棉花紅邊參數的葉綠素密度及葉面積指數的估算[J].農業工程學報,2009,25(S2):137- 141.

Huang C Y,Wang D W,Zhang Y X.Estimation of chlorophyll density and leaf area index based on cotton red edge parameters[J].Transactions of the CSAE,2009,25(S2): 137-141.(in Chinese)

[26] 沙依然·外力,葛道闊,曹宏鑫,等.拔節抽穗期不同時長干旱脅迫對水稻冠層光譜特征的影響[J].中國農業氣象, 2014,35(5):586-592.

Waili S Y R,Ge D K,Cao H X,et al.Effects of drought stress on spectral characteristics of rice canopy at different jointing and heading stages[J].Chinese Journal of Agrometeorology,2014,35(5):586-592.(in Chinese)

[27] 朱懷衛,婁運生,石一凡,等.UV-B增強下施硅對水稻冠層反射光譜特征的影響[J].中國農業氣象,2017,38(3):172- 180.

Zhu H W,Lou Y S,Shi Y F,et al.Effects of silicon application on reflectance spectra of rice canopy under UV-B enhancement[J].Chinese Journal of Agrometeorology, 2017,38(3):172-180.(in Chinese)

[28] 周曉,包云軒,王琳,等.稻縱卷葉螟為害水稻的冠層光譜特征及葉綠素含量估算[J].中國農業氣象,2020,41(3): 173-186.

Zhou X,Bao Y X,Wang L,et al.Hyperspectral features of rice canopy and SPAD values estimation under the stress of rice leaf folder[J].Chinese Journal of Agrometeorology, 2020,41(3):173-186.(in Chinese)

[29] 沈掌泉,王秀珍,王人潮,等.不同氮素營養水平的水稻冠層光譜紅邊參數及其應用研究[J].浙江大學學報(農業與生命科學版),2001(3):67-72.

Shen Z Q,Wang X Z,Wang R C,et al.Red edge parameters of rice canopy spectra at different nitrogen levels and their application[J].Journal of Zhejiang University(Agriculture and Life Sciences Edition),2001(3):67-72.(in Chinese)

[30] Daughtry Craig S T,Walthall C L,Kim M S,et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment,2000,74(2): 229-239.

[31] 唐延林,黃敬峰,王秀珍,等.水稻、玉米、棉花的高光譜及其紅邊特征比較[J].中國農業科學,2004(1):29-35.

Tang Y L,Huang J F,Wang X Z,et al.Comparison of hyperspectral and red edge characteristics of rice,corn and cotton[J].Chinese Agricultural Science,2004(1):29-35.(in Chinese)

[32] 謝曉金.高溫脅迫下水稻生理生化特性及高光譜估測研究[D].南京:南京信息工程大學,2011.

Xie X J.Physiological and biochemical characteristics and hyperspectral estimation of rice under high temperature stress[D].Nanjing:Nanjing University of Information Science and Technology,2011.(in Chinese)

[33] Hansen P M,Schjoerring J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment, 2003,86(4):542-553.

[34] 姚遠,丁建麗,倪紹忠,等.基于垂直植被指數的干旱區荒漠環境人工楊樹林生物量模型[J].生態學雜志,2012,31 (1):222-226.

Yao Y, Ding J L,Ni S Z,et al.Biomass model of artificial poplar forest in arid desert environment based on vertical vegetation index[J].Chinese Journal of Ecology,2012, 31(1):222-226.(in Chinese)

[35] 田慶久,閔祥軍.植被指數研究進展[J].地球科學進展,1998(4):10-16.

Tian Q J,Min X J.Research progress of vegetation index[J]. Advances in Earth Science,1998(4):10-16.(in Chinese)

Effects of Low Temperature Stress at Seedling Stage on Chlorophyll Content and Canopy Hyperspectral of "Hongyan" Strawberry

XU Ruo-han1, YANG Zai-qiang1，2, SHEN Meng-yin1, WANG Ming-tian3

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, China; 2. Jiangsu Key Laboratory of Agrometeorology, Nanjing 210044;3. Sichuan Meteorological Observatory, Chengdu 610091)

From September 2020 to January 2021, take “hongyan”(×Duch “Benihope”) strawberry as test material to carry out low temperature environmental control test in Nanjing University of Information Science and Technology. Four low temperature treatments 21℃ (daily maximum temperature) / 11 ℃ (daily minimum temperature), 18℃/8℃, 15℃/5℃ and 12℃/2℃ were set, and the duration was set at four levels of 3d, 6d, 9d and 12d, with 25℃/15℃ as the control (CK). The chlorophyll content of strawberry leaves and canopy hyperspectral reflectance were measured. The effects of low temperature stress on chlorophyll content and canopy reflectance spectrum of strawberry were studied. The sensitive bands and characteristic parameters of chlorophyll content estimation model were selected. The results show that: (1) Under the same low temperature condition, Chla, Chlb and Chl(a+b) content of strawberry leaves decreased with the extension of stress days. Under the same stress days, the lower the temperature, the lower Chla, Chlb and Chl(a+b) content, that is, the greater the degree of low temperature stress, the greater the decline of chlorophyll content. (2) The changes of canopy spectral reflectance of strawberry seedlings under different temperatures and the same stress days were roughly the same. In the visible region, there are green peaks and red valleys in the reflection spectrum curve of strawberry canopy. In the near-infrared reflection platform, the spectral reflectance increases gradually with the decrease of temperature, that is, the reflection platform increases gradually. (3) The first-order differential spectrum curve of strawberry canopy changed violently, with obvious peaks and valleys, and occasionally double peaks in the red edge range. With the deepening of low temperature stress, the higher the value of the highest peak of the first-order differential spectrum, the near-infrared reflectance of strawberry canopy spectrum increased and the red edge position shifted blue, and then the peak gradually decreased and the red edge position shifted red. (4) The correlation coefficient between Chl(a+b) content and original spectral reflectance of strawberry canopy is negatively correlated. The correlation between Chl(a+b) content and reflectance in near-infrared band is significantly higher than that in visible band. The correlation between Chl(a+b) content and original spectral reflectance is good, reaching a significant level. The correlation coefficient of 737nm band is the largest, so it can be used as a sensitive band to predict chlorophyll content. The correlation between Chl(a+b) content and DVI, MSAVI, PVI, RDVI, SAVI and TSAVI in vegetation index is very significant, which can be selected as a characteristic parameter to predict chlorophyll content.

Strawberry; Low temperature stress; Chlorophyll; Canopy spectrum; Vegetation index

10.3969/j.issn.1000-6362.2022.02.006

徐若涵,楊再強,申夢吟,等.苗期低溫脅迫對“紅顏”草莓葉綠素含量及冠層高光譜的影響[J].中國農業氣象,2022,43(2):148-158

收稿日期：2021?07?12

國家重點研發計劃項目（2019YFD1002202）

通訊作者：楊再強，教授，研究方向為設施農業氣象，E-mail：yzq@nuist.edu.cn

徐若涵，E-mail: xrh_xuruohan@qq.com