羅 丹，常慶瑞，齊雁冰，李媛媛，李 松

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100)

?

基于光譜指數(shù)的冬小麥冠層葉綠素含量估算模型研究

羅 丹，常慶瑞，齊雁冰，李媛媛，李 松

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100)

為探索對(duì)冬小麥冠層葉綠素含量反應(yīng)敏感的高光譜波段組合，同時(shí)比較不同光譜指數(shù)對(duì)小麥冠層葉綠素含量的估測(cè)效果，通過(guò)分析350～2 500 nm波段范圍內(nèi)原始光譜反射率及其一階導(dǎo)數(shù)光譜的任意兩兩波段交叉組合而成的主要高光譜指數(shù)與冬小麥冠層葉片葉綠素含量的定量關(guān)系，建立冬小麥冠層葉綠素含量估算模型。結(jié)果表明，選用歸一化光譜指數(shù)(NDSI)、比值光譜指數(shù)(RSI)、差值光譜指數(shù)(DSI)和土壤調(diào)節(jié)光譜指數(shù)(SASI)建立的冬小麥冠層葉綠素含量監(jiān)測(cè)模型決定系數(shù)均大于0.71，標(biāo)準(zhǔn)誤差均小于1.842。利用獨(dú)立試驗(yàn)資料進(jìn)行檢驗(yàn)，表現(xiàn)最好的是RSI(FD689,FD609)和SASI(R491,R666)L=0.01，預(yù)測(cè)精度高達(dá)98.2%，模型精確度和可靠性較高。

冬小麥；葉綠素；光譜指數(shù)；估算模型

葉綠素含量與植被的光合能力、生長(zhǎng)發(fā)育以及氮素狀況有較好的相關(guān)性，是植物營(yíng)養(yǎng)脅迫、光合能力、生長(zhǎng)和衰老的良好指針[1]。而植被光譜的“三邊”、“兩谷”光譜特征與光合作用息息相關(guān)[2]，所以葉綠素含量不僅可以反映作物生長(zhǎng)發(fā)育的動(dòng)態(tài)特征，也是反映物質(zhì)生產(chǎn)與遙感反射光譜關(guān)系的中間樞紐。利用遙感手段快速監(jiān)測(cè)葉綠素含量對(duì)作物長(zhǎng)勢(shì)預(yù)測(cè)、施肥調(diào)控、產(chǎn)量評(píng)估等具有重要意義。

光譜指數(shù)是通過(guò)特定的高光譜遙感數(shù)據(jù)波段進(jìn)行線(xiàn)性或非線(xiàn)性組合得到的一種光譜參數(shù)[2]，其建立時(shí)考慮了部分植物內(nèi)部的物理機(jī)制[3]，可以降低或消除環(huán)境背景如土壤、水體等帶來(lái)的噪聲，比單波段具有更好的靈敏性[4]，可以更準(zhǔn)確地提取目標(biāo)信息。光譜指數(shù)如歸一化光譜指數(shù)、比值光譜指數(shù)等現(xiàn)已被廣泛應(yīng)用于植被含氮量、含水量、葉面積指數(shù)等生物物理參量、光合作用等生態(tài)功能參量的反演[5]，從而定性或定量評(píng)估植被生長(zhǎng)狀況[6]。作物葉綠素含量作為能與反射光譜進(jìn)行反演的重要指標(biāo)，近年來(lái)在基于遙感技術(shù)的農(nóng)作物生長(zhǎng)信息監(jiān)測(cè)上發(fā)揮著越來(lái)越大的作用。學(xué)者們一方面從葉綠素與光譜反射率之間的相關(guān)性入手，對(duì)各種光譜指數(shù)用于預(yù)測(cè)或模擬葉綠素含量的可行性進(jìn)行評(píng)估[7-9]；另一方面則從敏感波段的甄選出發(fā)，構(gòu)建基于特定光譜指數(shù)的葉綠素估算模型，并對(duì)其進(jìn)行精度評(píng)價(jià)[10-13]；也有學(xué)者對(duì)不同光譜指數(shù)對(duì)葉綠素估測(cè)的適宜性進(jìn)行研究[14-16]。然而受田間管理、施肥、氣候等條件的影響，各類(lèi)光譜指數(shù)與冬小麥葉綠素含量之間的相關(guān)性比較復(fù)雜。目前的研究大多是基于葉片水平的，但是地表光譜包含的是混雜的復(fù)合信息[17]，冠層光譜主要由植株生化組分、LAI、冠層結(jié)構(gòu)、土壤背景等因素綜合決定[18]，基于葉片的光譜特征參數(shù)對(duì)于冠層結(jié)構(gòu)可能并不適用。冠層結(jié)構(gòu)、土壤背景等外界干擾因素嚴(yán)重影響了高光譜反演的精度，限制了遙感反演技術(shù)的區(qū)域推廣。因此，如何消除這些因素的影響，構(gòu)建準(zhǔn)確性與穩(wěn)定性兼?zhèn)涞亩←湽趯痈吖庾V估算模型十分必要。

通過(guò)光譜指數(shù)構(gòu)建葉綠素估算模型是進(jìn)行冬小麥田間長(zhǎng)勢(shì)監(jiān)測(cè)的重要途徑。本研究選取了歸一化植被指數(shù)、比值植被指數(shù)、差值植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)等4種光譜指數(shù)，在大田試驗(yàn)條件下，根據(jù)光譜指數(shù)對(duì)冬小麥葉綠素含量的估測(cè)能力以及光譜學(xué)原理，探索對(duì)冬小麥冠層葉綠素含量反應(yīng)敏感的波段組合，建立基于光譜指數(shù)的冬小麥冠層葉綠素含量估測(cè)模型，并對(duì)這四種光譜指數(shù)反演葉綠素含量的精度及穩(wěn)定性進(jìn)行對(duì)比分析，以期為今后在更大尺度平臺(tái)上監(jiān)測(cè)冬小麥葉綠素含量提供科學(xué)依據(jù)。

1　材料與方法

1.1試驗(yàn)設(shè)計(jì)

本研究的冬小麥試驗(yàn)地位于陜西省寶雞市扶風(fēng)縣巨良農(nóng)場(chǎng)，地處108°01′03″ ～108°01′48″E，34°14′43″～34°33′21″N。該地區(qū)屬大陸性半濕潤(rùn)季風(fēng)氣候，四季分明，年平均氣溫12.6 ℃，≥10 ℃積溫為4 575 ℃，年平均降水量620 mm，年日照時(shí)數(shù)2 100 h以上。2013-2015年進(jìn)行兩季冬小麥的種植及光譜和葉綠素含量(SPAD)的測(cè)定，其中2015年采集的數(shù)據(jù)用于葉綠素含量估測(cè)模型的建立，2014年的數(shù)據(jù)用于模型的驗(yàn)證。供試冬小麥品種選用小偃22，小麥播種時(shí)間分別為2013年9月24-29日和2014年9月25-28日。小麥均實(shí)行機(jī)播，行距20 cm，播種密度約為每公頃450萬(wàn)株。試驗(yàn)區(qū)域?yàn)?0 hm2，按面積分為14塊，每塊均勻分布3個(gè)采樣點(diǎn)，共設(shè)置42個(gè)試驗(yàn)點(diǎn)。播前每公頃一次性基施優(yōu)質(zhì)復(fù)合肥300 kg，其他栽培管理措施同一般高產(chǎn)麥田。

1.2測(cè)定項(xiàng)目與方法

1.2.1光譜數(shù)據(jù)測(cè)定

在冬小麥的抽穗期(2014 年4月27日和2015年4月28日)，采用美國(guó)SCVHR 1024i型便攜式高光譜儀(通道數(shù)為1 024個(gè)，光譜范圍為350～2 500 nm，其中350～1 000 nm區(qū)間光譜分辨率為1.4 nm，1 000～1 850 nm區(qū)間光譜分辨率為3.8 nm，在1 850～2 500 nm區(qū)間光譜分辨率為2.4 nm)，選擇長(zhǎng)勢(shì)均勻無(wú)病蟲(chóng)危害的冬小麥試驗(yàn)點(diǎn)進(jìn)行光譜采集，測(cè)定時(shí)間選擇在晴朗無(wú)云的10:00-14:00，設(shè)定視角25°，每次采集光譜前進(jìn)行參考板(白板)標(biāo)定，探測(cè)器探頭垂直向下距冠層頂部約1 m，每個(gè)測(cè)試點(diǎn)測(cè)4條光譜曲線(xiàn)，以其平均值作為該樣點(diǎn)的光譜數(shù)據(jù)。

1.2.2冠層葉綠素含量測(cè)定

使用日本KONICA MINOLTA公司生產(chǎn)的SPAD(Soil Plant Analysis Development Unit) 502葉綠素計(jì)對(duì)冬小麥葉片的相對(duì)葉綠素含量進(jìn)行無(wú)損測(cè)量。通常情況下，SPAD值可以直接作為表征葉綠素含量的相對(duì)值[19]。測(cè)量時(shí)與光譜數(shù)據(jù)采集同步，每個(gè)樣區(qū)對(duì)應(yīng)光譜測(cè)量順序，選擇植株旗葉和倒二葉，分別測(cè)量葉尖、葉中、葉基，取平均值記錄。每個(gè)點(diǎn)測(cè)量三株，取平均值作為該樣點(diǎn)的冠層葉綠素含量。

1.3數(shù)據(jù)分析與利用

1.3.1求取不同葉綠素水平下的平均光譜

將42個(gè)樣本的光譜數(shù)據(jù)按照葉綠素含量大小分成4組(<40、40～45、45～50、>50)，利用以下公式計(jì)算求出不同葉綠素水平下的冬小麥冠層原始光譜平均反射率及一階導(dǎo)數(shù)光譜平均反射率。

(1)

(2)

1.3.2光譜指數(shù)構(gòu)建及模型精度估算方法

常見(jiàn)植被指數(shù)具有一定的局限性，如歸一化植被指數(shù)(NDVI)是當(dāng)前使用最廣泛的光譜指數(shù)，但其對(duì)土壤背景的變化比較敏感，適用于植被發(fā)育中期或中等覆蓋度的植被監(jiān)測(cè)，在低密度植被覆蓋條件下估算誤差較大，在高覆蓋度下容易飽和[20]。Huete等[21]為了修正NDVI對(duì)土壤背景的敏感，加入調(diào)節(jié)系數(shù)L，提出了土壤調(diào)節(jié)植被指數(shù)SAVI，土壤調(diào)節(jié)系數(shù)L隨著植被覆蓋度不同而變化，可適當(dāng)降低土壤背景影響，提高作物生理指標(biāo)估測(cè)模型的預(yù)測(cè)精度。本研究選擇表1所示的四種光譜指數(shù)，參考姚 霞等[22]的研究方法，在350～2 500nm全光譜范圍內(nèi)，兩兩組合所有波段原始光譜及其一階導(dǎo)數(shù)光譜求光譜指數(shù)；求取光譜指數(shù)(x)與冬小麥葉綠素含量(y)的擬合方程，計(jì)算相應(yīng)的決定系數(shù)，選取決定系數(shù)最大的波段，結(jié)合光譜學(xué)原理，確定葉綠素敏感波段和相應(yīng)的光譜指數(shù)，進(jìn)而確定光譜反射率與葉綠素含量的定量關(guān)系。

表1　4種光譜指數(shù)的算法Table 1　Algorithm of four spectral indices

Rλ1和Rλ2分別為任意兩個(gè)波長(zhǎng)的光譜反射率；FD(First Derivative Spectra)為一階導(dǎo)數(shù)光譜，F(xiàn)Dλ1和FDλ2分別為任意兩個(gè)波長(zhǎng)相應(yīng)的導(dǎo)數(shù)光譜。

Rλ1andRλ2are the spectral reflectance of any wavelength, FDλ1and FDλ2are the corresponding first derivative spectra.

為檢驗(yàn)估算模型的精度，利用2014季同生長(zhǎng)期測(cè)定的光譜和葉綠素?cái)?shù)據(jù)進(jìn)行獨(dú)立試驗(yàn)資料驗(yàn)證。將模型預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行回歸擬合，采用通用的決定系數(shù)(r2)、均方根誤差(RMSE)、相對(duì)誤差(RE)驗(yàn)證模型的準(zhǔn)確性和普適性。

(3)

(4)

冬小麥反射光譜及葉綠素?cái)?shù)據(jù)基本統(tǒng)計(jì)及其相關(guān)性分析用Excel2013進(jìn)行，各光譜指數(shù)、相關(guān)系數(shù)的計(jì)算、相關(guān)系數(shù)等值線(xiàn)圖繪制均在MATLAB7.0平臺(tái)下實(shí)現(xiàn)，精度檢驗(yàn)的均方根及相對(duì)誤差在SPSS22.0下完成。

2　結(jié)果與分析

2.1不同葉綠素水平下冬小麥冠層原始光譜及一階導(dǎo)數(shù)光譜的特征

在不同葉綠素水平下冬小麥冠層原始光譜和一階導(dǎo)數(shù)光譜存在明顯的變化規(guī)律(圖1)。從圖1A中可以看出，冬小麥冠層葉綠素含量與原始光譜之間存在顯著的相關(guān)關(guān)系。隨著葉綠素含量的提高，冬小麥冠層光譜在不同波段范圍內(nèi)呈現(xiàn)不同的變化趨勢(shì)。在可見(jiàn)光波段，由于葉綠素的強(qiáng)烈吸收，光譜反射率呈降低趨勢(shì)；在近紅外波段，受到葉片結(jié)構(gòu)和水分影響，光譜反射率顯著上升。在一階導(dǎo)數(shù)光譜峰值(即紅邊位置)處，隨著葉綠素含量的提高，一階導(dǎo)數(shù)光譜呈現(xiàn)明顯的上升趨勢(shì)；且隨著葉綠素含量升高，紅邊峰值形狀整體向右移動(dòng)，出現(xiàn)“紅移”現(xiàn)象[23](圖1B)。

圖1　不同葉綠素水平下的冬小麥冠層光譜曲線(xiàn)(A)和一階導(dǎo)數(shù)光譜曲線(xiàn)(B)

2.2冬小麥葉綠素含量與冠層原始光譜和一階導(dǎo)數(shù)光譜的相關(guān)性

相關(guān)分析(圖2)表明，冬小麥冠層葉綠素水平與在紅光和近紅外波段(730～1 390 nm)的原始光譜反射率呈極顯著正相關(guān)，相關(guān)性在770 nm附近到達(dá)最大，這個(gè)波段恰好為葉綠素強(qiáng)吸收帶；在1 550～1 910 nm的近紅外波段呈顯著正相關(guān)。冬小麥冠層一階導(dǎo)數(shù)光譜與葉綠素含量在710～790 nm、1 000～1 060 nm和1 500～1 610 nm波段呈極顯著正相關(guān)，在1 085～1 160 nm和1 370～450 nm波段呈極顯著負(fù)相關(guān)；在440～500 nm和1 700～1 780 nm等波段呈顯著負(fù)相關(guān)。相比原始光譜，一階導(dǎo)數(shù)光譜與葉綠素含量的相關(guān)性更高一些。

圖2　 葉綠素含量與原始光譜反射率及其一階導(dǎo)數(shù)光譜的相關(guān)性

2.3基于光譜指數(shù)的冬小麥冠層葉綠素含量估算模型

從NDSI決定系數(shù)等值線(xiàn)圖可以發(fā)現(xiàn)，NDSI與冬小麥冠層葉綠素含量相關(guān)性較大的波段組合在550～750 nm(橫軸)與350～550 nm(縱軸)和2 150～2 250 nm(橫軸)與620～700 nm(縱軸)處(圖3A)，決定系數(shù)大于0.8。根據(jù)植物的光譜特性，2 100～2 300 nm為主要的水分吸收帶，此波段范圍內(nèi)含水量是控制葉片反射率的主要因素，且容易受到大氣中水分的強(qiáng)烈干擾，對(duì)反演葉綠素的貢獻(xiàn)不穩(wěn)定，不能滿(mǎn)足田間條件下快速獲取作物信息的要求，所以不采用這個(gè)波段作為特征波段。對(duì)550～750 nm(橫軸)與350～550 nm(縱軸)的波段組合進(jìn)行詳細(xì)分析，繪制等值線(xiàn)圖(圖3B)，能夠明顯看出最佳波段組合在410 nm和670 nm附近，通過(guò)對(duì)比分析，選取相關(guān)系數(shù)大且相對(duì)誤差和均方根誤差小的波段組合，最終確定672 nm和406 nm組合成的光譜指數(shù)NDSI為最佳。在一階導(dǎo)數(shù)光譜中提取特征波段，發(fā)現(xiàn)與冬小麥冠層葉綠素含量相關(guān)性較大波段組合位于650～750 nm(橫軸)和550～650 nm(縱軸)處(圖3C)，繪制此波段范圍內(nèi)所有組合的相關(guān)系數(shù)等值線(xiàn)圖(圖3D)，可以清晰地看出相關(guān)系數(shù)最高的波段組合在690 nm和610 nm附近，經(jīng)分析和計(jì)算，確定表現(xiàn)最好的波段組合為689 nm和609 nm。其回歸模型分別為y=-278.76x2+74.714x+43.77(r2=0.760)和y=-100.37x2+372.54x-296.9(r2=0.820)(圖4)。

圖3　 NDSI與葉綠素含量的決定系數(shù)(r2)

圖4　基于NDSI的冬小麥冠層葉綠素含量的回歸模型

采用同樣方法，根據(jù)光譜指數(shù)對(duì)冬小麥葉綠素含量的估測(cè)能力及光譜學(xué)原理，篩選出表現(xiàn)最好的波段組合，確定了估測(cè)冬小麥冠層葉綠素含量的最佳比值光譜指數(shù)(RSI)為RSI(R672，R406)和RSI(FD689，F(xiàn)D609)；最佳差值光譜指數(shù)(DSI)為DSI(R491，R666)和DSI(FD1529，F(xiàn)D512)；最佳土壤調(diào)節(jié)光譜指數(shù)(SASI)為SASI(R491,R666)L=0.01和SASI(FD1529,FD512)L=-0.04(表2)。用四種光譜指數(shù)建立的冬小麥冠層葉綠素含量監(jiān)測(cè)模型決定系數(shù)(r2)均大于0.71，標(biāo)準(zhǔn)誤差均小于1.842。通過(guò)對(duì)比發(fā)現(xiàn)，建立的模型中一階導(dǎo)數(shù)光譜的預(yù)測(cè)精度略高于原始光譜，這與前人研究結(jié)果一致[24]，說(shuō)明對(duì)原始光譜求導(dǎo)可以降低或基本消除土壤等背景噪聲對(duì)冠層光譜的影響，提升預(yù)測(cè)精度。利用NDSI和RSI建立的模型精度略高于DSI和SASI，這可能與植被覆蓋度有關(guān)，抽穗期植被覆蓋程度較高，造成DSI和SASI敏感度降低。

2.4冬小麥冠層葉綠素含量估算模型的測(cè)試與檢驗(yàn)

為了考察冬小麥冠層葉綠素含量估算模型的可靠性與普適性，利用2014年獨(dú)立實(shí)驗(yàn)資料對(duì)上述建立的回歸方程分別進(jìn)行測(cè)試，用預(yù)測(cè)值與實(shí)測(cè)值之間的決定系數(shù)r2、相對(duì)誤差RE和均方根誤差RMSE來(lái)評(píng)估模型的精度(表2)，結(jié)果顯示所有模型的決定系數(shù)均大于0.6。對(duì)比建模精度和驗(yàn)證精度，驗(yàn)證模型的決定系數(shù)均略小于構(gòu)建模型，而相對(duì)誤差和均方根誤差絕大多數(shù)小于構(gòu)建模型。其中，NDSI和RSI的原始光譜和一階導(dǎo)數(shù)光譜與所建立的模型擬合度都較高，決定系數(shù)在0.66以上，相對(duì)誤差小于2.117%，均方根誤差小于1.126，基于RSI(FD689，F(xiàn)D609)建立的模型表現(xiàn)最好；DSI和SASI測(cè)試結(jié)果中原始光譜表現(xiàn)較好，尤其是SASI(R491,R666)L=0.01在所有模型檢驗(yàn)中表現(xiàn)最佳，決定系數(shù)達(dá)到0.767，預(yù)測(cè)精度達(dá)到98.2%，模型穩(wěn)定性較高。但二者的一階導(dǎo)數(shù)光譜預(yù)測(cè)精度明顯差于原始光譜，估測(cè)效果不佳，說(shuō)明篩選的波段普適性較差。圖5為RSI(FD689，F(xiàn)D609)和SASI(R491,R666)L=0.01冬小麥冠層葉綠素含量估測(cè)模型預(yù)測(cè)值與實(shí)測(cè)值的1∶1關(guān)系圖。

表2　冬小麥冠層葉綠素含量光譜指數(shù)估測(cè)模型及檢驗(yàn)結(jié)果Table 2　Estimation models and test results of chlorophyll content in winter wheat canopy based on spectral indices

圖5　基于RSI(FD689，F(xiàn)D609)和SASI(R666，R491)L=0.01的冬小麥冠層葉綠素含量估測(cè)模型實(shí)測(cè)值與預(yù)測(cè)值的比較

3　討 論

作物不同生育期的光譜表現(xiàn)出不同的特征。抽穗期是冬小麥由生殖生長(zhǎng)轉(zhuǎn)向營(yíng)養(yǎng)生長(zhǎng)的階段，此時(shí)冬小麥冠層葉綠素含量較高，光譜特征最為顯著，是最能反映冬小麥生長(zhǎng)狀況的關(guān)鍵時(shí)期。本研究中，不同葉綠素水平下冬小麥冠層原始光譜和一階導(dǎo)數(shù)光譜變化規(guī)律非常明顯，原始光譜反射率在可見(jiàn)光波段，由于葉綠素的吸收而降低，在近紅外波段，受到葉片葉綠素含量、植株結(jié)構(gòu)和水分影響而顯著上升；一階導(dǎo)數(shù)光譜隨葉綠素含量增加，紅邊峰值上升，且紅邊形狀整體向右移動(dòng)。這與紅邊的形成原理有關(guān)。紅邊是由于植被在紅光波段葉綠素強(qiáng)烈的吸收與近紅外波段光在葉片內(nèi)部的多次散射而形成的強(qiáng)反射造成的[25-26]，是植物光譜的最顯著標(biāo)志[27]，同時(shí)這也是分析原始光譜和一階導(dǎo)數(shù)光譜相關(guān)性時(shí)，紅邊位置與葉綠素含量相關(guān)性達(dá)到最高的原因。葉綠素含量與原始光譜和一階導(dǎo)數(shù)光譜的相關(guān)性較強(qiáng)是基于光譜指數(shù)構(gòu)建葉綠素含量監(jiān)測(cè)模型的理論基礎(chǔ)。

大田條件下農(nóng)作物冠層高光譜為混合信息。在植物高光譜研究中，為了降低或消除背景噪聲的影響，人們采取多種手段處理光譜，以提高辨識(shí)目標(biāo)信息的能力和監(jiān)測(cè)模型的精度。馮偉[28]研究發(fā)現(xiàn)，利用微分技術(shù)可以減少背景噪音的影響，同時(shí)有效分解混合光譜，明顯改善與色素密度的關(guān)系。白雪嬌[29]認(rèn)為冬小麥一階導(dǎo)數(shù)光譜與冬小麥葉片葉綠素含量的相關(guān)系數(shù)在一些波段高于原始光譜。本研究對(duì)一階導(dǎo)數(shù)光譜和原始光譜進(jìn)行對(duì)比，也發(fā)現(xiàn)一階導(dǎo)數(shù)光譜與冬小麥冠層葉綠素含量相關(guān)性較高，選用的四種光譜指數(shù)建立的模型中一階導(dǎo)數(shù)光譜相比原始光譜，決定系數(shù)升高，標(biāo)準(zhǔn)誤差降低，提高了模型的精度。因?yàn)閷?duì)光譜求導(dǎo)可以降低或基本消除土壤等背景噪聲對(duì)冠層光譜的影響，提高目標(biāo)信息的提取效率。由此看來(lái)，一階導(dǎo)數(shù)光譜在今后的研究中有一定的潛力和開(kāi)發(fā)價(jià)值。

對(duì)模型進(jìn)行測(cè)試中發(fā)現(xiàn)，NDSI和RSI的原始光譜和一階導(dǎo)數(shù)光譜與建立的模型擬合度較高，結(jié)果比較理想，具有較高的穩(wěn)定性和普適性；DSI和SASI檢驗(yàn)結(jié)果較之建模精度結(jié)果表現(xiàn)不理想，尤其是其一階導(dǎo)數(shù)光譜效果顯著差于原始光譜，說(shuō)明一階導(dǎo)數(shù)處理雖然能夠在一定程度上消除背景因素的干擾，但在不同年份可能會(huì)出現(xiàn)不穩(wěn)定性，導(dǎo)致篩選出的波段普適性較差。這可能也與光譜指數(shù)本身的性質(zhì)有關(guān)。DSI能很好地反映植被覆蓋度的變化，但對(duì)土壤背景的變化較敏感，當(dāng)植被覆蓋度在15%～25%時(shí)，DSI隨生物量的增加而增加。植被覆蓋度大于80%時(shí)，DSI對(duì)植被的靈敏度有所下降；SASI與NDSI相比，增加了根據(jù)實(shí)際情況確定的土壤調(diào)節(jié)系數(shù)L，意義在于減少稀疏植被覆蓋區(qū)域的土壤噪聲對(duì)植被指數(shù)的影響，增強(qiáng)裸土與植被的可分性[30]，而對(duì)于高植被覆蓋區(qū)域，土壤噪聲明顯減少，所以SASI精度遜于NDSI，這也說(shuō)明了SAVI僅在土壤線(xiàn)參數(shù)a=1、b=0(即非常理想的狀態(tài)下)時(shí)才適用。大田作物的生長(zhǎng)不受人為控制，土壤背景與植被冠層之間的相互影響是非常復(fù)雜的，僅靠調(diào)節(jié)系數(shù)來(lái)解釋冬小麥冠層與土壤的關(guān)系還不能達(dá)到理想的估測(cè)效果。本研究建立的土壤調(diào)節(jié)光譜指數(shù)較其他光譜指數(shù)在測(cè)試中精度雖然有了明顯提高，但仍未完全去除土壤背景的干擾，且一階導(dǎo)數(shù)光譜表現(xiàn)很不穩(wěn)定，在今后的研究中還需進(jìn)一步提高精度，并考慮提取新的光譜指數(shù)來(lái)消除土壤背景對(duì)冠層光譜的干擾。

[1]焦全軍,張 兵,張 霞,等.植被葉綠素含量的冠層層次遙感診斷研究[J].光譜學(xué)與光譜分析,2008,28(10):117-118.

JIAO Q J,ZHANG B,ZHANG X,etal.Retrieving vegetation chlorophyll content through remoting sensing approach at canopy level [J].SpectroscopyandSpectralAnalysis,2008,28(10):117-118.

[2]童慶禧,張 兵,鄭蘭芬.高光譜遙感[M].北京:高等教育出版社,2006:121.

TONG Q X,ZHANG B,ZHENG L F.Hyperspectral Remote Sensing [M].Beijing:Higher Education Press,2006:121.

[3]顏春燕,牛 錚,王紀(jì)華,等.光譜指數(shù)用于葉綠素含量提取的評(píng)價(jià)及一種改進(jìn)的農(nóng)作物冠層葉綠素含量提取模型[J].遙感學(xué)報(bào),2005,9(6):742-750.

YAN C Y,NIU Z,WANG J H,etal.The assessment of spectral indices applied in chlorophyll content retrieval and a modified crop canopy chlorophyll content retrieval model [J].JournalofRemoteSensing,2005,9(6):742-750.

[4]姜海玲,楊 杭,陳小平,等.利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定度研究[J].光譜學(xué)與光譜分析,2015,35(4):975-981.

JIANG H L,YANG H,CHEN X P,etal.Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J].SpectroscopyandSpectralAnalysis,2015,35(4):975-981.

[5]王紀(jì)華.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用[M].北京:科學(xué)出版社,2008:21.

WANG J H.Basis and Application of Quantitative Remote Sensing of Agriculture [M].Beijing:Science Press,2008:21.

[6]BANNARI A,MORIN D,BONN F,etal.A review of vegetation indices [J].RemoteSensingReviews,1995,13(1-2):95-120.

[7]FERWERDA J G,JONES S D,O'LEARY G,etal.Comparing Common Hyperspectral Vegetation Indices for Their Ability to Estimate Seasonal Nitrogen and Other Variables in Winter Wheat Across a Growing Season[M]//Innovations in Remote Sensing and Photogrammetry.Springer Berlin Heidelberg,2009:291-307.

[8]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].RemoteSensingofEnvironment,2003,86(4):542-553.

[9]宋開(kāi)山,張 柏,李 方,等.玉米葉綠素含量的高光譜估算模型研究[J].作物學(xué)報(bào),2005,31(8):1095-1097.

SONG K S,ZHANG B,LI F,etal.A hyperspectral model for estimating chlorophyll content in maize leaves [J].ActaAgronimicaSinica,2005,31(8):1095-1097.

[10]楊 杰,田永超,姚 霞,等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態(tài)學(xué)報(bào),2009,29(12):6561-6571.

YANG J,TIAN Y C,YAO X,etal.Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice [J].ActaEcologicaSinica,2009,29(12):6561-6571.

[11]宮兆寧,趙雅莉,趙文吉,等.基于光譜指數(shù)的植物葉片葉綠素含量的估算模型[J].生態(tài)學(xué)報(bào),2014,34(20):5736-5745.

GONG Z N,ZHAO Y L,ZHAO W J,etal.Estimation model for plant leaf chlorophyll content based on the spectral index content [J].ActaEcologicaSinica,2014,34(20):5736-5745.

[12]肖 漢,陳秀萬(wàn),楊振宇,等.基于光譜分析的草地葉綠素含量估測(cè)植被指數(shù)[J].光譜學(xué)與光譜分析,2014,34(11):3075-3078.

XIAO H,CHEN X W,YANG Z Y,etal.Vegetation index estimation by chlorophyll content of grassland based on spectral analysis [J].SpectroscopyandSpectralAnalysis,2014,34(11):3075-3078.

[13]田永超,楊 杰,姚 霞,等.利用葉片高光譜指數(shù)預(yù)測(cè)水稻群體葉層全氮含量[J].作物學(xué)報(bào),2010,36(19):1529-1537.

TIAN Y C,YANG J,YAO X,etal.Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice [J].ActaAgronomicaSinica,2010,36(19):1529-1537.

[14]FENG W,YAO X,TIAN Y C,etal.Monitoring leaf pigment status with hyperspectral remote sensing in wheat [J].AustralianJournalofAgriculturalResearch,2008,59(8):748-760.

[15]程志慶,張勁松,孟 平,等.植被參數(shù)高光譜遙感反演最佳波段提取算法的改進(jìn)[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(12):179-185.

CHENG Z Q,ZHANG J S,MENG P,etal.Improvement of algorithm used for extraction hyperspectral feature bands of vegetation [J].TransactionsoftheChineseSocietyofAgricultural,2015,31(12):179-185.

[16]姜海玲,張立福,楊 杭.植被葉片葉綠素含量反演的光譜尺度效應(yīng)研究[J].光譜學(xué)與光譜分析,2016,36(1):169-176.

JIANG H L,ZHANG L F,YANG H,etal.Research on spectral scale effect in the estimation of vegetation leaf chlorophyll content [J].SpectroscopyandSpectralAnalysis,2016,36(1):169-176.

[17]任海建.不同植被覆蓋度條件下小麥生長(zhǎng)參數(shù)的高光譜監(jiān)測(cè)研究[D].南京:南京農(nóng)業(yè)大學(xué),2012:7-9.

REN H J.Monitoring growth parameters with hyperspectrum under different vegetation coverage conditions in wheat [D].Nanjing:Nanjing Agricultural University,2012:7-9.

[18]GITELSON A A,MERZLYAK M N.Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves [J].JournalofPlantPhysiology,2003,160(3):271-282.

[19]朱新開(kāi),盛海君,顧 晶,等.應(yīng)用SPAD值預(yù)測(cè)小麥葉片葉綠素和氮含量的初步研究[J].麥類(lèi)作物學(xué)報(bào),2005,25(2):46-50.

ZHU X K,SHENG H J,GU J,etal.Primary study on application of SPAD value to estimate chlorophyll and nitrogen content in wheat leaves [J].JournalofTriticeaeCrops,2005,25(2):46-50.

[20]虞連玉,蔡煥杰,姚付啟,等.植被指數(shù)反演冬小麥植被覆蓋度的適用性研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(1):231-239.

YU L Y,CAI H J,YAO F Q,etal.Applicability of vegetation indices to estimate fractional vegetation coverage [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(1):231-239.

[21]HUETE B A R.Soil adjusted vegetation index (SAVI) [J].RemoteSensingofEnvironment,1988,25:295-309.

[22]姚 霞,朱 艷,田永超,等.小麥葉層氮含量估測(cè)的最佳高光譜參數(shù)研究[J].中國(guó)農(nóng)業(yè)科學(xué),2009,42(8):2716-2725.

YAO X,ZHU Y,TIAN Y C,etal.Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves [J].ScientiaAgriculturaSinica,2009,42(8):2716-2725.

[23]姚付啟,張振華,楊潤(rùn)亞,等.基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(增2):123-129.

YAO F Q,ZHANG Z H,YANG R Y,etal.Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter [J].TransactionsoftheChineseSocietyofAgricultural,2009,25(S2):123-129.

[24]王 淵,黃敬峰,王福民,等.油菜葉片和冠層水平氮素含量的高光譜反射率估算模型[J].光譜學(xué)與光譜分析,2008,28(2):273-277.

WANG Y,HUANG J F,WANG F M,etal.Predicting nitrogen concentrations from hyperspectral reflectance at leaf and canopy for rape [J].SpectroscopyandSpectralAnalysis,2008,28(2):273-277.

[25]王秀珍,王人潮,李云梅,等.不同氮素營(yíng)養(yǎng)水平的水稻冠層光譜紅邊參數(shù)及其應(yīng)用研究[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2001,27(3):301-306.

WANG X Z,WANG R C,LI Y M,etal.Study on red edge characteristics of rice spectral caused by nitrogen level [J].JournalofZhejiangUniversity(Agriculture&LifeScience),2001,27(3):301-306.

[26]姚 霞,田永超,劉小軍,等.不同算法紅邊位置監(jiān)測(cè)小麥冠層氮素營(yíng)養(yǎng)指標(biāo)的比較[J].中國(guó)農(nóng)業(yè)科學(xué),2010,43(13):2661-2667.

YAO X,TIAN Y C,LIU X J,etal.Comparative study on monitoring canopy leaf nitrogen status on red edge position with different algorithms in wheat [J].ScientiaAgriculturaSinica,2010,43(13):2661-2667.

[27]劉 煒,常慶瑞,郭 曼,等.基于改進(jìn)紅邊面積的夏玉米葉片氮素含量導(dǎo)數(shù)光譜監(jiān)測(cè)[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,38(4):91-98.

LIU W,CHANG Q R,GUO M,etal.Monitoring of leaf nitrogen content in summer corn with first derivative of spectrum based on modified red edge [J].JournalofNorthwestA&FUniversity(NatureScienceEdition),2010,38(4):91-98.

[28]馮 偉.基于高光譜遙感的小麥氮素營(yíng)養(yǎng)及生長(zhǎng)指標(biāo)監(jiān)測(cè)研究[D].南京:南京農(nóng)業(yè)大學(xué),2007:9-12.

FENG W.Monitoring nitrogen status and growth characters with canopy hyperspectral remote sensing in wheat [D].Nanjing:Nanjing Agricultural University,2007:9-12.

[29]白雪嬌.冬小麥氮素營(yíng)養(yǎng)及其冠層生物理化參量高光譜遙感監(jiān)測(cè)[D].楊凌:西北農(nóng)林科技大學(xué),2013:5-6.

BAI X J.Monitoring nitrogen status and physicochemical parameters with hyperspecteal sensing in winter wheat [D].Yangling:Northwest A&F University,2013:5-6.

[30]李 晶,徐涵秋,李 霞,等.水土流失區(qū)馬尾松林植被提取的土壤調(diào)節(jié)指數(shù)分析[J].地球信息科學(xué),2015,17(9):1128-1134.

LI J,XU H Q,LI X,etal.Vegetation information extraction of Pinus massoniana forest in soil erosion areas using soil-adjusted vegetation index [J].Geo-InformationScience,2015,17(9):1128-1134.

Estimation Model for Chlorophyll Content in Winter Wheat Canopy Based on Spectral Indices

LUO Dan, CHANG Qingrui, QI Yanbing, LI Yuanyuan, LI Song

(College of Nature Resources and Environment, Northwest A&F University, Yangling, Shaanxi 712100, China)

The objective of the present research was to estimate the winter wheat canopy chlorophyll content by using hyperspectral technology, which can indicate the plant healthy status in real time and non-destructively. The quantitative relationship was established between the winter wheat canopy chlorophyll content and major hyperspectral indices calculated by combining any two wavebands with original reflectance and its derivative within the full spectral range of 350-2 500 nm. Four kinds of spectral indices were studied in this paper-Normalized Difference Spectral Index(NDSI), Ratio Spectral Index(RSI), Difference Spectral Index(DSI), Soil Adjust Spectral Index(SASI). The results showed that the monitor models based on these spectral indices to estimate chlorophyll content in winter wheat canopy gave the correlation coefficient no less than 0.71 and RMSE lower than 1.842. Testing of the regression equation with independent experiment data produced that the prediction accuracies was reached above 98.2%, with the best performance from the model for chlorophyll content predication in winter wheat canopy based on RSI(FD689,FD609) and SASI(R491,R666)L=0.01.The results suggested that it is feasible to use hyperspectral indices for the measurement of chlorophyll content more rapidly and accurately in winter wheat canopy．

Winter wheat; Chlorophyll content; Spectral index; Estimation model

2016-03-17

2016-04-20

國(guó)家高新技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2013AA102401)；教育部高等學(xué)校博士學(xué)科點(diǎn)專(zhuān)項(xiàng)科研基金項(xiàng)目(20120204110013)

E-mail：luodan6568@163.com

常慶瑞(E-mail：changqr@nwsuaf.edu.cn)

S512.1；S313

A

1009-1041(2016)09-1225-09

網(wǎng)絡(luò)出版時(shí)間：2016-08-31

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160831.1657.044.html