謝 靜，陳 適，王珺珂，李怡春，劉 夢(mèng)，張 建＊

（1.華中農(nóng)業(yè)大學(xué)理學(xué)院，武漢430070；2.華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，武漢430070；3.農(nóng)業(yè)部長江中下游耕地保育重點(diǎn)實(shí)驗(yàn)室，武漢430070；4.國家測(cè)繪地理信息局第一地理信息制圖院，西安710054）

水稻是世界重要的糧食作物［1］.葉綠素是植物光合作用的主要色素，在植物生長中起著重要作用，其含量是植物營養(yǎng)脅迫、生長狀況的重要指示劑［2］.因此對(duì)水稻葉綠素含量的研究和預(yù)測(cè)對(duì)提高作物產(chǎn)量、實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)有著極為重要的意義［3］.

傳統(tǒng)測(cè)量植物葉綠素含量的方法主要是通過化學(xué)測(cè)定，利用分光光度計(jì)計(jì)算得到較為準(zhǔn)確的葉綠素值，但是該方法工作強(qiáng)度大，且對(duì)植株本身的破壞性較強(qiáng)；傳統(tǒng)無損測(cè)量方法中，利用SPAD儀直接測(cè)量是較為通用的一種方法，但當(dāng)數(shù)據(jù)量較大時(shí)，依舊存在勞動(dòng)強(qiáng)度大，人為干擾大等缺陷.高光譜成像技術(shù)將成像技術(shù)和高光譜技術(shù)融合在一起，在獲取被測(cè)物圖像信息的同時(shí)又獲取其光譜信息.具有多波段、高分辨率、光譜連續(xù)、圖譜合一等優(yōu)點(diǎn)，在定量分析中有著強(qiáng)大的優(yōu)勢(shì).

近年來國內(nèi)外的研究逐漸轉(zhuǎn)向通過高光譜成像技術(shù)來獲取植物生理參數(shù)，并取得了初步進(jìn)展.劉殿偉等［4］對(duì)行道樹葉綠素含量進(jìn)行了分析，并研究了葉綠素和高光譜植被指數(shù)的關(guān)系.SHI JiYong等［5］利用獨(dú)立分量法（ICA）方法提取高光譜圖像的獨(dú)立分量信號(hào)，再通過逐步線性回歸（SMLR）進(jìn)行優(yōu)選，最終建立了葉綠素回歸模型，得到葉綠素濃度分布.ZHAO Jiewen等［6］利用7種不同的算法從高光譜數(shù)據(jù)中提取相應(yīng)的特征參數(shù)，并根據(jù)特征參數(shù)和葉綠素含量的參考測(cè)量值分別擬合出相應(yīng)的預(yù)測(cè)模型.王偉等［7］利用原始光譜和一階差分光譜，同樣通過相關(guān)分析和逐步回歸分析得到優(yōu)化的最優(yōu)波長，最終得到反演模型.鄒小波等［8］利用高光譜圖像技術(shù)和高效液相色譜法（HPLC）快速檢測(cè)色素含量，并通過偏最小二乘法（PLS）進(jìn)行了預(yù)測(cè)，效果較好，證明了PLS方法的可行性.

以往的研究多以單因子變量與葉綠素值之間的關(guān)系為研究對(duì)象，同時(shí)也得出了較多的回歸模型，但單一回歸模型對(duì)葉綠素的預(yù)測(cè)表達(dá)可能難以達(dá)到比較理想的效果.運(yùn)用PLS模型和多個(gè)植被指數(shù)模型分別與SPAD值進(jìn)行回歸分析，通過精度分析可以獲得一個(gè)較為精確的葉綠素預(yù)測(cè)模型.在此基礎(chǔ)上根據(jù)對(duì)此模型的反演可以獲得水稻葉片每個(gè)像素的SPAD值.基于上述思路，對(duì)所得到的圖像進(jìn)行偽彩色配色后可以獲得水稻葉片葉綠素分布專題圖，該方法不僅更加細(xì)致的表現(xiàn)了葉片葉綠素分布的狀況，同時(shí)也為水稻的生長和健康狀況提供了直接的依據(jù)和更加科學(xué)的指導(dǎo).

1 實(shí)驗(yàn)材料

實(shí)驗(yàn)用的水稻是2013年5月采集于華中農(nóng)業(yè)大學(xué)植物科技學(xué)院試驗(yàn)田，品種為嘉育948，種植采用常規(guī)培養(yǎng).該試驗(yàn)田位置為113°53＇E，29°58＇N，海拔小于50 m，屬于北亞熱帶季風(fēng)性濕潤氣候，雨量較為充沛、日照充足、夏季濕熱、冬季寒冷、年均氣溫15.8℃～17.5℃.由于水稻的蒸騰作用十分旺盛，為了盡可能減少水分的蒸發(fā)對(duì)實(shí)驗(yàn)造成的誤差，采集前，進(jìn)行了大田設(shè)計(jì)：在13塊田塊中每個(gè)分塊隨機(jī)帶泥采集水稻，隨后立即放入培養(yǎng)皿中.本實(shí)驗(yàn)共采集水稻14棵，葉片樣本84個(gè).

2 數(shù)據(jù)的獲取及處理

2.1 SPAD值測(cè)定

實(shí)驗(yàn)使用的葉綠素計(jì)SPAD－502由日本美能達(dá)公司制造，最大樣品厚度最大可達(dá)到1.2 mm，測(cè)量精度優(yōu)于±1.0，重復(fù)性優(yōu)于±0.3SPAD，完全達(dá)到水稻葉片測(cè)量的標(biāo)準(zhǔn).該儀器測(cè)得的SPAD值通常被稱作葉色值.為了得到更準(zhǔn)確的葉綠素反演模型，采用分段采集的方式.即從每株水稻中隨機(jī)選擇葉片，從葉尖開始測(cè)量，每測(cè)量一個(gè)點(diǎn)用記號(hào)筆在葉片上畫出SPAD502儀測(cè)量夾的邊緣，測(cè)量時(shí)在葉脈兩側(cè)各測(cè)量一次求取平均值，共獲得SPAD值252組.其中180組樣本作為校正集，72組樣本作為預(yù)測(cè)集.樣本的總體特征如表1.

表1 樣本的總體特征Tab.1 General characteristics of the leaves sample

2.2 高光譜數(shù)據(jù)采集與標(biāo)定

本文實(shí)驗(yàn)選用的高光譜成像光譜儀為美國Headwall Photonics公司設(shè)計(jì)制造的HyperSpec VNIR，同時(shí)搭配使用尼康鏡頭.光譜儀的成像光譜范圍為400 nm～1 000 nm（可見－近紅外），光譜分辨率為2 nm～3 nm.高光譜成像系統(tǒng)主要包括：成像光譜儀、移動(dòng)控制平臺(tái)（由華中農(nóng)業(yè)大學(xué)工程與技術(shù)學(xué)院設(shè)計(jì)制造）、光纖、計(jì)算機(jī)（接收和處理信號(hào)）、鹵光燈等，如圖1所示.

圖1 Headwall高光譜成像儀系統(tǒng)Fig.1 Headwall Hyperspectral image system

本實(shí)驗(yàn)中成像儀鏡頭高度1 700 mm，光源300 mm，角度37°；控制平臺(tái)移動(dòng)速度為2 mm／s；幀頻數(shù)為20fps；光圈選擇以物體最清晰為準(zhǔn).通過暗電流矯正和白板（成分為氧化鎂，硫酸鋇）矯正后將水稻標(biāo)本平鋪于黑布之上.啟動(dòng)裝置使平臺(tái)按設(shè)定速度移動(dòng)，獲得水稻葉片的高光譜影像數(shù)據(jù).

2.3 平均光譜提取

在ENVI中截取已經(jīng)測(cè)量了SPAD值區(qū)域（約2 mm×3 mm）的ROI，并獲得兩邊的平均反射率信息，盡可能的使從兩邊截取的ROI所占的像元個(gè)數(shù)相同（像素個(gè)數(shù)約120個(gè)），如圖2所示.獲得的相關(guān)反射率曲線如圖3所示.

圖2 ROI選取示意圖Fig.2 ROI select

圖3 ROI統(tǒng)計(jì)Fig.3 ROI stats

從圖中可以看出，水稻葉片葉綠素在可見光部分有極為強(qiáng)烈的吸收帶，其中葉綠素在500 nm～520 nm和670 nm～690 nm兩個(gè)波段范圍內(nèi)吸收峰最為明顯；而690 nm～750 nm反射率大幅上升.而在500 nm以下和800 nm以上的波段存在很大的噪聲，所以實(shí)驗(yàn)保留了500 nm～800 nm間的光譜來進(jìn)行研究，這段光譜也是對(duì)葉綠素影響比較大的波段.

3 研究方法

本研究采用偏最小二乘法和基于植被指數(shù)模型的方法進(jìn)行葉片SPAD值的估測(cè).建模數(shù)據(jù)為180組平均光譜和與此相對(duì)應(yīng)的180組SPAD值，并用余下的72組數(shù)據(jù)來驗(yàn)證模型的精度，回歸模型的擬合精度用R2和RMSE來度量：

其中，Yi為觀測(cè)值，ˉYi為觀測(cè)值的平均值，Y＾i為估計(jì)值，n為樣本數(shù).

3.1 偏最小二乘回歸（PLS）［9］

PLS回歸與主成分回歸十分相近，但是主成分回歸首先將光譜數(shù)據(jù)分解為特征向量及得分矩陣，然后與因變量回歸，而PLS回歸在光譜數(shù)據(jù)分解的同時(shí)考慮到了因變量的信息，其建模方法如下，首先將因變量矩陣Y＝（yij）n×m和自變量矩陣X＝（xij）n×p分解成特征向量形式：

式中，U和T分別為X和Y的特征因子矩陣（n×d階，d為抽象組分?jǐn)?shù)），Q（d×n階）和P（d×p階）分別為X和Y的載荷陣，F(xiàn)（m×n階）和E（n×p階）分別為Y和X的殘差陣.然后，PLS法根據(jù)特征向量的相關(guān)性分解Y和X，建立回歸模型：

式中，Ed為隨機(jī)誤差陣；B為d維對(duì)角回歸系數(shù)陣.建模時(shí)，PLS主成分的最佳維數(shù)d利用留一交叉驗(yàn)證法確定，選取交叉驗(yàn)證均方根誤差（RMSECV）最小時(shí)對(duì)應(yīng)的維數(shù)為d.

3.2 植被指數(shù)與擬合模型

3.2.1 植被指數(shù) 在目前較為成熟的植被指數(shù)中選擇12種植被指數(shù)用于葉綠素反演：葉綠素吸收比指數(shù)（CARI）、差值植被指數(shù)（DVI）、增強(qiáng)型植被指數(shù)（EVI）、二次土壤調(diào)節(jié)植被指數(shù)（MSAVI2）、歸一化差值植被指數(shù)（NDVI）、垂直植被指數(shù)（PVI）、再歸一化植被指數(shù)（RDVI）、紅邊歸一化指數(shù)（RENDVI）、紅邊指數(shù)1（VOG1）、紅邊指數(shù)2（VOG2）、紅邊指數(shù)3（VOG3）等（詳見表2）.

表2 植被指數(shù)模型Tab.2 Vegetation index model

3.2.2 擬合模型 用12個(gè)植被指數(shù)分別與SPAD值進(jìn)行回歸建模.常用的回歸模型主要包括一次線性模型、二次曲線模型、對(duì)數(shù)模型、指數(shù)模型等.本研究采用這4種回歸模型分別來擬合植被指數(shù)與SPAD值.

4 結(jié)果與分析

4.1 偏最小二乘回歸（PLS）

基于180組校正集和相對(duì)應(yīng)的SPAD值進(jìn)行PLS回歸，提取4個(gè)主成分，得到的回歸分析的結(jié)果如表3所示.

表3 PLS回歸預(yù)測(cè)SPAD值的精度和均方差Tab.3 Prediction accuracy by R and RMSE as criteria with PLS

4.2 植被指數(shù)模型

植被指數(shù)與SPAD值的相關(guān)系數(shù)如表4所示，比較認(rèn)為相關(guān)系數(shù)的絕對(duì)值大于0.8為高度相關(guān)，忽略小于0.8的植被指數(shù).用RENDVI，VOG1，VOG2，VOG3植被指數(shù)來獲得擬合模型.在MATLAB中用180組校正集與相對(duì)應(yīng)的180組SPAD值得到葉綠素含量的反演模型，各個(gè)反演模型評(píng)價(jià)指數(shù)如表5，其中VOG1的二次曲線模型精度較高.同期對(duì)余下的72個(gè)預(yù)測(cè)集進(jìn)行預(yù)測(cè)得到預(yù)測(cè)結(jié)果如表6，從表中可以看出VOG2的預(yù)測(cè)結(jié)果較為理想.

表4 植被指數(shù)與SPAD值的相關(guān)系數(shù)Tab.4 The correlation coefficient values of vegetation indices and SPAD

表5 植被指數(shù)反演模型校正集精度Tab.5 Vegetation index inversion model accuracy based on calibration set

表6 預(yù)測(cè)集的精度Tab.6 Accuracy based on prediction set

4.3 模型的對(duì)比與分析

偏最小二乘法和直接使用植被指數(shù)回歸兩種方法雖然均可估測(cè)葉片的SPAD值，但在精度上兩者有差別.從建模的角度來講，雖然使用植被指數(shù)比偏最小二乘法回歸精度低，但是兩者相差不大.然而從預(yù)測(cè)的角度來講，偏最小二乘回歸模型精度有所提高，而植被指數(shù)模型的精度卻大幅度下降.正是由于偏最小二乘回歸模型是將高光譜數(shù)據(jù)所有波段作為自變量進(jìn)行建模，而植被指數(shù)只用了高光譜影像中的幾個(gè)波段，并沒有充分利用高光譜龐大的數(shù)據(jù)信息，導(dǎo)致模型精度不穩(wěn)定.所以本實(shí)驗(yàn)采用偏最小二乘回歸模型對(duì)葉片SPAD值進(jìn)行反演.

5 水稻葉綠素葉面分布

基于偏最小二乘算法，結(jié)合MATLAB對(duì)高光譜圖像進(jìn)行處理，可以得到空間域內(nèi)水稻葉片每個(gè)像素點(diǎn)的反演葉綠素值，將這些像素點(diǎn)的反演葉綠素含量進(jìn)行圖片生成和偽彩色處理，即可得到水稻葉片葉綠素含量分布圖.某葉片偽彩色顯示如圖4.不同的顏色代表不同的葉綠素值，越黑則葉綠素值越高，反之越小.葉綠集濃度沿著葉脈向兩側(cè)依次降低，葉片邊緣部分對(duì)應(yīng)的為白色，葉綠素值接近0，其主要原因是葉片老化以及光的折射；濃度從首端到末端依次降低，在葉片中上部葉綠素值很高，這是葉片葉綠素集中的部分，是植物光合作用的主要部分.

圖4 水稻葉片葉綠素值分布Fig.4 distribution of Chlorophyll on the rice leaves

6 結(jié)論

通過對(duì)比偏最小二乘和植被指數(shù)兩種方法回歸模型的精度，發(fā)現(xiàn)植被指數(shù)回歸模型無論從建模還是預(yù)測(cè)角度來講，其精度都低于偏最小二乘回歸模型.偏最小二乘回歸模型校正集與預(yù)測(cè)集精度都能達(dá)到80%以上.最后，根據(jù)偏最小二乘回歸模型可以得到葉片上任意像素下的SPAD值，通過偽彩色處理描述了葉片的SPAD值分布，從圖中可以輕松讀取葉片任何部位的SPAD值，為接下來SPAD值分級(jí)的研究奠定了基礎(chǔ)，也為精準(zhǔn)農(nóng)業(yè)中的葉綠素測(cè)定提供了參考.

［1］ Chen H，Lin Y J，Zhang Q F.Review and prospect of transgenic rice research［J］.Chinese Science Bulletin 2009，54（22）：4049－4068.

［2］ Manetas Y，Grammatikopoulos G，Kyparissis A.The use of the portable，non－destructive，SPAD－502（Minolta）chlorophyll meter with leaves of varying trichome density and anthocyanin content［J］.Journal of Plant Physiology，1998，153（3）：513－516.

［3］ 蔣煥煜，應(yīng)義斌，謝麗娟.光譜分析技術(shù)在作物生長信息檢測(cè)中的應(yīng)用研究進(jìn)展［J］.光譜學(xué)與光譜分析，2008，28（6）：1300－1304.

［4］ 劉殿偉，宋開山，張 柏.行道樹葉綠素變化的高光譜神經(jīng)網(wǎng)絡(luò)模型［J］.生態(tài)學(xué)雜志，2006，25（3）：238－242.

［5］ Shi J Y，Zou X B，Zhao J W，et al.Measurement of chlorophyll distribution in cucumber leaves based on hyperspectral imaging technique［J］.Chinese Journal of Analytical Chem－istry，2011，2：023.

［6］ Zhao J W，Wang K L，Ou Yang Q，et al.Measurement of Chlorophyll Content and Distribution in Tea Plants Leaf U－sing Hyperspectral Imaging Technique［J］.Spectroscopy and Spectral Analysis，2011，31（2）：512－515.

［7］ 王 偉，彭彥昆，馬 偉，等.冬小麥葉綠素含量高光譜檢測(cè)技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（5）：172－177.

［8］ 鄒小波，陳正偉，石吉勇，等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（5）：152－156.

［9］ 李曉松，李增元，高志海，等.基于NDVI與偏最小二乘回歸的荒漠化地區(qū)植被覆蓋度高光譜遙感估測(cè)［J］.中國沙漠，2011，31（1）：162－167.