顏丙囤+梁守真+王猛

摘要：葉綠素是植物體進(jìn)行光合作用吸收光能物質(zhì)的主要色素，直接影響植被的光合作用。高光譜遙感為快速、大面積監(jiān)測(cè)植被的葉綠素變化提供了可能。實(shí)測(cè)了不同品種、肥水條件下，花生冠層的高光譜反射率與葉綠素含量數(shù)據(jù)，對(duì)二者進(jìn)行了相關(guān)分析；首先采用相關(guān)系數(shù)較大的波段作為變量進(jìn)行葉綠素含量的估算，其次采用特定葉綠素敏感波段建立葉綠素估算模型。經(jīng)對(duì)比發(fā)現(xiàn)，以原始高光譜反射率所構(gòu)建的估算模型精度不高；一階導(dǎo)數(shù)與葉綠素含量之間的關(guān)系采取同樣的方法，表明線性模型可較好地預(yù)測(cè)葉綠素含量；最后在高光譜特征變量中，λr、λg、λo為自變量所構(gòu)建的模型均通過極顯著檢驗(yàn)，以λr所構(gòu)建的指數(shù)模型具有最大的決定系數(shù)（r2=0.543 5）和F值（F=33.333）；通過精度檢驗(yàn)，綜合分析認(rèn)為，以662 nm處的一階微分反射率所構(gòu)建的線性模型和以紅邊位置所構(gòu)建的指數(shù)模型均可作為葉綠素含量估算較為合適的高光譜模型。

關(guān)鍵詞：花生；葉綠素含量；高光譜遙感；估算模型

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1002-1302（2017）01-0197-04

在光合作用過程中，吸收光能的植被色素有葉綠素與類胡蘿卜素，其中葉綠素是吸收光能的主要物質(zhì)，它的數(shù)量直接影響著植被的光合作用。植被色素含量與光合作用能力、發(fā)育階段和氮素含量有較好的相關(guān)性，可以作為植被長(zhǎng)勢(shì)監(jiān)測(cè)的一種有效指標(biāo)[1]。在可見光區(qū)，植被的反射波來估算其生化參數(shù)—色素含量[2]。

植被葉綠素含量的高光譜遙感反演最早是在葉片尺度上開展的[3]，進(jìn)而在冠層尺度上得到發(fā)展[4]。目前，利用高光譜遙感數(shù)據(jù)估計(jì)植被生化參數(shù)主要有3類方法：一是通過多元統(tǒng)計(jì)分析方法，包括光譜反射率、導(dǎo)數(shù)光譜[5-6]；二是基于特征光譜位置變量的分析技術(shù)，包括紅邊位置、綠峰位置等[7]；三是光學(xué)輻射傳輸模型方法[8]。迄今為止，高光譜遙感在估算植被尤其是農(nóng)作物的葉綠素含量方面已經(jīng)取得了很大進(jìn)展，但反演模型通常是建立在特定的試驗(yàn)條件與特定的植被類型條件下，普適性較差，難以在應(yīng)用于其他植被類型或環(huán)境條件的同種植被。同時(shí)由于越來越多的傳感器運(yùn)用于遙感估算，有必要檢驗(yàn)現(xiàn)有方法的有效性以及探索發(fā)展新方法[9]，建立適應(yīng)性更強(qiáng)的模型反演植被色素。本研究以花生為研究對(duì)象，通過實(shí)地測(cè)量和室內(nèi)試驗(yàn)獲取光譜和葉綠素含量數(shù)據(jù)，探討花生葉綠素含量的高光譜反演方法。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)區(qū)位于山東省濟(jì)陽(yáng)縣山東省農(nóng)業(yè)科學(xué)院試驗(yàn)基地（36°41′～37°15′N，116°52′～117°27′E），試驗(yàn)地南北走向，由南向北依次布置低肥、中肥、高肥、空白4個(gè)水平肥料處理，由東向西依次布置品種山花14號(hào)、山花9號(hào)、山花15號(hào)、花育20號(hào)、花育25號(hào)、花育46號(hào)2個(gè)系列6個(gè)花生品種，共24個(gè)小區(qū)，每個(gè)小區(qū)南北長(zhǎng)10 m，東西寬3.2 m，面積32 m2。自2015年7月1日至2015年9月13日期間，每隔10 d左右，依次在試驗(yàn)田里選取樣本點(diǎn)進(jìn)行花生光譜和葉綠素測(cè)量。

利用花生在不同施肥條件、不同生育期以及不同品種間光譜和葉綠素含量差異，應(yīng)用統(tǒng)計(jì)分析方法，研究花生葉綠素含量敏感的波段，構(gòu)建花生生物物理化學(xué)參數(shù)的高光譜估算模型。

1.2 花生冠層光譜與葉綠素參數(shù)測(cè)量

采用FieldSpec Handheld（325～1 075 nm）便攜式光譜儀進(jìn)行花生冠層光譜測(cè)量，光譜范圍為325～1 075 nm，采樣間隔（波段寬）為1.41 nm。光譜采集時(shí)間控制在北京時(shí)間 11：00—13：00，要求天氣無風(fēng)無云，探頭垂直于冠層頂。每處理測(cè)定1個(gè)樣點(diǎn)，每樣點(diǎn)獲取4條光譜數(shù)據(jù)，每條光譜掃描時(shí)間0.2 s，以其平均值作為該處理冠層的光譜反射值。光譜儀視場(chǎng)角度25°，花生每壟距離加溝平均距離為0.8 m，壟面的寬度0.6 m，花生的墩距0.15 m。為了觀測(cè)光譜能夠代表地面狀況，設(shè)定觀測(cè)點(diǎn)位于花生每壟中間正上方，視場(chǎng)范圍為0.8 m，計(jì)算得觀測(cè)架高度為1.8 m，共10墩花生，在各處理測(cè)定前后用標(biāo)準(zhǔn)板進(jìn)行太陽(yáng)輻射光譜校正[10]。

葉綠素含量（mg/g）參數(shù)獲取：摘取主莖倒3葉葉片，用直徑6 mm打孔器打取葉片約0.200 g（避開中脈，重復(fù)2次），記錄葉片數(shù)，分別放到試管中，用25 mL乙醇（100%） ∶丙酮=1 ∶1的混合液浸泡，蓋塞子，避光（葉綠素見光分解）存放，直至葉片完全變白（即提取完全）后進(jìn)行比色測(cè)定（中間需搖晃2次），測(cè)試前搖晃均勻，靜置后用分光光度計(jì)測(cè)定。

1.3 高光譜數(shù)據(jù)的特征參量

1.3.1 一階導(dǎo)數(shù) 對(duì)于植被而言，光譜數(shù)據(jù)的一階微分有利于部分消除大氣、土壤背景、凋落物等低頻光譜成分對(duì)目標(biāo)的影響，突出目標(biāo)，反映和揭示植被光譜的內(nèi)在特性，高光譜數(shù)據(jù)微分變換的結(jié)果一般是求導(dǎo)數(shù)光譜，盡管高光譜遙感具有光譜的連續(xù)性，但由于光譜實(shí)際采樣間隔的離散性，導(dǎo)數(shù)光譜一般是用差分方法來近似計(jì)算[11]。

1.3.2 “三邊”參數(shù)、“綠峰”參數(shù)和紅光吸收谷參數(shù) 植被光譜的“三邊”是指它的“藍(lán)邊”、“黃邊”和“紅邊”，描述“三邊”特征的參數(shù)主要有“三邊”位置、“三邊”幅值。表2 “三邊”參數(shù)、“綠峰”參數(shù)和紅光吸收谷參數(shù)

基于光譜位置變量定義描述1.藍(lán)邊幅值Db藍(lán)邊內(nèi)最大的一階微分值藍(lán)邊覆蓋范圍490～530 nm，是藍(lán)光向綠光的過渡區(qū)2.藍(lán)邊位置λbDb對(duì)應(yīng)的波長(zhǎng)λb是Db對(duì)應(yīng)的波長(zhǎng)位置3.黃邊幅值Dy黃邊內(nèi)最大的一階微分值黃邊覆蓋范圍560～640 nm，是綠光向紅光的過渡區(qū)4.黃邊位置λyDy對(duì)應(yīng)的波長(zhǎng)λy是Dy對(duì)應(yīng)的波長(zhǎng)位置5.紅邊幅值Dr紅邊內(nèi)最大的一階微分值紅邊覆蓋范圍680～760 nm6.紅邊位置λrDr對(duì)應(yīng)的波長(zhǎng)λr是Dr對(duì)應(yīng)的波長(zhǎng)位置7.綠峰幅值Rg綠峰反射率Rg是波長(zhǎng)510～560 nm范圍內(nèi)最大的波段反射率8.綠峰位置λgRg對(duì)應(yīng)的波長(zhǎng)λg是Rg對(duì)應(yīng)的波長(zhǎng)位置9.紅光吸收谷幅值Rr紅谷反射率Rr是波長(zhǎng)640～680 nm范圍內(nèi)最小的波段反射率10.紅光吸收谷位置λo紅谷反射率對(duì)應(yīng)的波長(zhǎng)λo是Rr對(duì)應(yīng)的波長(zhǎng)位置

2 結(jié)果與分析

2.1 花生葉綠素含量隨時(shí)間變化趨勢(shì)

由圖1可見，花生葉綠素含量隨生育期總體先呈上升趨勢(shì)，在開花下針期至結(jié)莢期，葉綠素含量上升，主要是因?yàn)槿~片數(shù)量增加和葉面積增大。在成熟初期，由于葉片和莖稈逐漸老化變黃，光合作用減弱，呈現(xiàn)下降趨勢(shì)[12]。

2.2 葉綠素含量與高光譜反射率的相關(guān)性分析

從圖2可見，原始高光譜反射率與葉綠素含量的相關(guān)性在近紅外波段波動(dòng)性顯著相關(guān)，在藍(lán)光波段374～488 nm處呈極顯著相關(guān)，相關(guān)系數(shù)在408 nm處達(dá)到最大（r=0.669），藍(lán)光容易遭受散射的影響，不穩(wěn)定的藍(lán)光波段不宜選?。患t邊波段范圍695～705 nm處呈顯著相關(guān)，并且在699 nm處相關(guān)系數(shù)最高（r=-0.432），呈顯著負(fù)相關(guān)，因此，選擇699 nm處的光譜反射率為自變量，葉綠素含量為因變量進(jìn)行線性和非線性擬合分析。

通過分析發(fā)現(xiàn)，非線性模型中對(duì)數(shù)模型決定系數(shù)r2=0.197 9 大于線性模型r2=0.186 4（圖3），因此，對(duì)數(shù)模型對(duì)葉綠素含量的預(yù)測(cè)能力優(yōu)于線性模型。

2.3 葉綠素含量與反射率一階導(dǎo)數(shù)的相關(guān)性分析及估算模型

由圖4可見，葉綠素含量與反射率的一階導(dǎo)數(shù)之間的相關(guān)性隨波長(zhǎng)的變化呈現(xiàn)出劇烈變化，相關(guān)系數(shù)達(dá)到0.7左右，達(dá)到極顯著相關(guān)水平，說明采用反射率的一階導(dǎo)數(shù)對(duì)葉綠素含量進(jìn)行預(yù)測(cè)具有可行性[12]。

通過分析發(fā)現(xiàn)，葉綠素含量與反射率的一階導(dǎo)數(shù)在 419 nm 處具有最大相關(guān)系數(shù)（r=-0.76），呈極顯著負(fù)相關(guān)，藍(lán)光波段不可取，在可見光波段662 nm處相關(guān)系數(shù)最大（r=0.74），呈極顯著正相關(guān)。以662 nm處反射率的一階導(dǎo)數(shù)為自變量，葉綠素含量為因變量，通過線性和非線性回歸分析對(duì)葉綠素含量與反射率的一階導(dǎo)數(shù)之間的關(guān)系進(jìn)行描述，結(jié)果如圖5所示。

由圖5可見，線性模型的決定系數(shù)r2=0.548 8大于非線性模型中相關(guān)系數(shù)最高的指數(shù)模型r2=0.512 7，所以選取線性模型對(duì)一階微分與葉綠素含量之間的關(guān)系進(jìn)行描述。

2.4 葉綠素含量與高光譜特征變量的相關(guān)分析及估算模型

總體上看只有紅邊位置（λr）、綠峰位置（λg）、紅谷位置（λo）與葉綠素含量達(dá)到極顯著相關(guān)水平，其余各高光譜變量與葉綠素含量均未達(dá)到極顯著相關(guān)水平（表3）。從挑選出的相關(guān)性達(dá)到極顯著水平的變量進(jìn)行單變量線性和非線性回歸分析及曲線擬合分析，建立各高光譜變量與葉綠素含量的線性和非線性方程，期望找出較適合于葉綠素含量估算的高光譜模型。結(jié)果如表4所示。

由表4可見，以λr為自變量所構(gòu)建的指數(shù)模型與所有其他各類模型相比，具有最大的判定系數(shù)，模型通過了極顯著檢驗(yàn)水平，因此認(rèn)為選取這一模型對(duì)葉綠素含量進(jìn)行預(yù)測(cè)具可行性。

估算模型不僅要求與因變量具有較高的判定系數(shù)，而且要求方程本身具有較為簡(jiǎn)單的數(shù)學(xué)表達(dá)形式及其較小的均方根差，對(duì)所建立的葉綠素含量的估算模型進(jìn)行進(jìn)一步篩選歸納后，對(duì)模型的預(yù)測(cè)精度進(jìn)行分析比較[12]，結(jié)果見表5。

分析表5可見，前者的決定系數(shù)大于后者，說明以原始光譜一階微分反射率所構(gòu)建的線性模型對(duì)參數(shù)變化的解釋能力好于后者，擬合系數(shù)高于后者，即實(shí)測(cè)值和理論值之間線性相關(guān)較后者顯著，精度指標(biāo)兩者的差異不大，因此認(rèn)為這2個(gè)模型均可作為葉綠素含量估測(cè)較好的模型。

3 結(jié)論

通過以上分析，對(duì)葉綠素含量與高光譜反射率及一階導(dǎo)數(shù)以及與高光譜特征變量之間的關(guān)系得出以下結(jié)論：以原始高光譜反射率與葉綠素含量最大相關(guān)波段處的反射率為自變量，葉綠素含量為因變量所構(gòu)建的線性和非線性估算模型對(duì)比結(jié)果表明，原始高光譜反射率與葉綠素含量的相關(guān)性不明顯；對(duì)反射率的一階導(dǎo)數(shù)與葉綠素含量之間的關(guān)系采取同樣的方法，結(jié)果表明線性模型的預(yù)測(cè)能力優(yōu)于非線性模型，線性模型可對(duì)葉綠素含量進(jìn)行較好的預(yù)測(cè)；以高光譜特征變量為自變量，葉綠素含量為因變量所進(jìn)行的單變量線性和非線性預(yù)測(cè)模型表明，以λr為自變量所構(gòu)建的指數(shù)模型，具有最大的判定系數(shù)（r2=0.543 5）和F值（F=33.333），模型通過極顯著檢驗(yàn)，并且這一模型的數(shù)學(xué)表達(dá)形式也較為簡(jiǎn)單；通過精度檢驗(yàn)，綜合分析認(rèn)為以662 nm處的一階微分反射率所構(gòu)建的線性模型和以紅邊位置所構(gòu)建的指數(shù)模型均可作為葉綠素含量估算較為合適的高光譜模型。

參考文獻(xiàn)：

[1]Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]. International Journal of Remote Sensing，1994，15（7）：1459-1470.

[2]Thomas J R，Gausman H W. Leaf reflectance vs.leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977，69（5）：799-802.

[3]Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations：a test using senescent tree leaves[J]. International Journal of Remote Sensing，1998，19（4）：657-675.

[4]Bruce L M，Li J. Wavelets for computationally efficient hyperspectral derivative analysis[J]. Geoscience and Remote Sensing，2001，39（7）：1540-1546.

[5]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment，1989，30（3）：271-278.

[6]Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves[J]. International Journal of Remote Sensing，1999，20（14）：2741-2759.

[7]Miller J R，Hare E W，Wu J. Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J]. Remote Sensing，1990，11（10）：1755-1773.

[8]Dawson T P，Curran P J，Plummer S E. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment，1998，65（1）：50-60.

[9]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（S2）：123-129.

[10]王 猛，張 杰，梁守真，等. 玉米倒伏后冠層光譜變化特征分析[J]. 安徽農(nóng)業(yè)科學(xué)，2014（31）：11187-11188，11201.

[11]楊可明，肖金榜. 遙感影像光譜信息處理的EXCEL實(shí)踐教學(xué)[J]. 遙感信息，2009（1）：70-74.

[12]易秋香. 玉米主要生物物理和生物化學(xué)參數(shù)高光譜遙感估算模型研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2005.