郭 燕，程永政，黎世民，賀 佳，王來(lái)剛，劉 婷，王利軍，鄭國(guó)清

(河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所,河南鄭州 450002)

?

區(qū)域尺度冬小麥葉綠素含量的高光譜預(yù)測(cè)和空間變異研究

郭 燕，程永政，黎世民，賀 佳，王來(lái)剛，劉 婷，王利軍，鄭國(guó)清

(河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所,河南鄭州 450002)

為從區(qū)域尺度探討小麥SPAD的近地高光譜遙感監(jiān)測(cè)技術(shù)，采用ASDField Spec 3.0型便攜式高光譜儀獲取的冬小麥冠層高光譜數(shù)據(jù)，利用相關(guān)分析和偏最小二乘法(PLSR)對(duì)SPAD進(jìn)行建模預(yù)測(cè)，并采用地統(tǒng)計(jì)學(xué)方法進(jìn)行空間變異制圖。結(jié)果表明，冬小麥葉片SPAD值在不同生長(zhǎng)階段存在一定的差異，但在不同區(qū)域之間差異不顯著?；赑LSR建立模型，并利用原始光譜和二階導(dǎo)數(shù)光譜進(jìn)行預(yù)測(cè)，R2分別為0.653和0.995，均方根誤差分別為2.622和0.327，相對(duì)析誤差分別為1.549和13.66。綜合來(lái)看，二階導(dǎo)數(shù)光譜所建立的模型預(yù)測(cè)能力比原始光譜好。選擇拔節(jié)期和成熟期進(jìn)行區(qū)域化表達(dá)，與實(shí)測(cè)得到的SPAD空間分布圖相比，采用全光譜數(shù)據(jù)和二階導(dǎo)數(shù)光譜數(shù)據(jù)預(yù)測(cè)的SPAD均表現(xiàn)出了較高的空間相似性，其中二階導(dǎo)數(shù)接近實(shí)測(cè)值。

冬小麥；葉綠素；高光譜；空間變異

葉綠素含量是反映植被光合能力強(qiáng)弱和衰老進(jìn)程的重要指標(biāo)[1-3]。傳統(tǒng)的葉綠素含量檢測(cè)方法一般基于破壞性取樣和有機(jī)溶劑提取濕化學(xué)分析方法[4]，難以滿足實(shí)時(shí)、快速、無(wú)損、準(zhǔn)確診斷的要求，也不符合精準(zhǔn)農(nóng)業(yè)的需要。近年來(lái)，隨著近地遙感技術(shù)的發(fā)展，通過(guò)獲取近地地物的高光譜，可以直接對(duì)地物進(jìn)行光譜差異的定量分析，在作物葉綠素含量、葉片營(yíng)養(yǎng)元素、葉面積指數(shù)等生理生態(tài)參數(shù)的估算研究中表現(xiàn)出較為明顯的優(yōu)勢(shì)[3,5-7]。

在葉綠素含量的預(yù)測(cè)、反演方面，利用地面冠層高光譜估測(cè)作物葉綠素含量(soil and plant analyzer development，SPAD)已經(jīng)成為一種重要手段。20世紀(jì)70年代，Thomas等[8]利用光譜分析技術(shù)對(duì)甜椒葉片的含氮量進(jìn)行了檢測(cè)，證明了光譜技術(shù)檢測(cè)植物氮素含量的可行性。隨后，國(guó)內(nèi)外許多學(xué)者在此方面進(jìn)行了相關(guān)的研究分析。吳長(zhǎng)山等[9]、胡 昊等[10]、Delegido等[3]研究發(fā)現(xiàn)，水稻、玉米、大麥等作物冠層光譜反射率在可見(jiàn)光波段及紅邊位置與葉片葉綠素濃度和葉綠素密度都存在較好的相關(guān)性。在研究方法上，Horler等[11]研究了植被光譜與葉綠素濃度的關(guān)系，并提出了光譜“紅邊”位置在植被葉綠素濃度估計(jì)中的作用。趙 祥等[12]應(yīng)用偏最小二乘回歸方法，建立了冬小麥冠層波譜與葉綠素含量的回歸反演計(jì)算模型，模型在350～1 060 nm波段具有較高的反演精度。馮 偉等[13]建立的歸一化植被指數(shù)能夠準(zhǔn)確估算冬小麥冠層葉綠素濃度。以上這些研究主要是通過(guò)小區(qū)試驗(yàn)或者是在特定的區(qū)域內(nèi)，利用高光譜遙感技術(shù)進(jìn)行葉綠素含量反演或估算，而針對(duì)區(qū)域尺度SPAD的高光譜遙感估算的研究較少。由于不同的生態(tài)環(huán)境植被SPAD對(duì)高光譜的敏感波段不盡相同，建立的模型在不同區(qū)域環(huán)境的適應(yīng)性也不同，因此開(kāi)展區(qū)域尺度的基于高光譜遙感估算植被SPAD的研究具有重要意義。

鑒于此，本研究選取黃淮地區(qū)為研究區(qū)，以冬小麥為研究對(duì)象，分析了冬小麥冠層反射光譜與SPAD之間的定量關(guān)系，采用全波段數(shù)據(jù)構(gòu)建區(qū)域尺度冬小麥SPAD最佳估算模型，并進(jìn)行區(qū)域尺度SPAD的空間變異制圖，以期為冬小麥大田生長(zhǎng)狀況的適時(shí)動(dòng)態(tài)監(jiān)測(cè)提供參考。

1 材料與方法

1.1 研究區(qū)

研究區(qū)位于河南省中部許昌市(圖1)，屬黃河泛濫和雙洎河沖積而成的沖積平原，地形以平原為主，屬亞溫帶季風(fēng)性氣候，四季分明；其氣候特點(diǎn)是春季干旱多風(fēng)，夏季炎熱雨量集中，秋季晴朗清爽，冬季寒冷干燥。許昌市常年小麥種植面積在20萬(wàn)hm2以上，是河南省糧食主產(chǎn)區(qū)之一，也是國(guó)家農(nóng)業(yè)信息化首批試點(diǎn)城市?？紤]到樣點(diǎn)的空間代表性和均勻性，在許昌縣、鄢陵縣、禹州市、襄城縣、長(zhǎng)葛市5市/縣布設(shè)22個(gè)觀測(cè)樣點(diǎn)，在小麥的生育期進(jìn)行了4次觀測(cè)和生長(zhǎng)情況的記錄。

1.2 數(shù)據(jù)采集

1.2.1 高光譜數(shù)據(jù)采集及預(yù)處理

在冬小麥生長(zhǎng)的關(guān)鍵時(shí)期(拔節(jié)期、孕穗期、灌漿期和成熟期)，采用ASD Field Spec 3.0型便攜式高光譜儀測(cè)量冬小麥冠層光譜反射率，儀器視場(chǎng)角為25°，波段范圍為325～1 075 nm。所有光譜測(cè)量均在天氣晴朗、無(wú)風(fēng)或者風(fēng)速較小時(shí)進(jìn)行，測(cè)量時(shí)間為10:00-14:00，每次測(cè)量時(shí)需用白色標(biāo)準(zhǔn)版校準(zhǔn)1次，探頭垂直向下，探頭距冠層的垂直高度約30 cm。每個(gè)樣區(qū)測(cè)定3個(gè)樣點(diǎn)，每點(diǎn)重復(fù)10次，取平均值作為該小區(qū)小麥的冠層光譜。由于在采樣期受到天氣條件的影響，22個(gè)樣區(qū)共獲取有效光譜77條。

每個(gè)樣品的光譜曲線首先去除噪聲較大的邊緣波段(325～349 nm和1 000～1 075 nm)，然后采用Savitzky-Golay法進(jìn)行光譜平滑并進(jìn)行散射校正，隨后對(duì)光譜進(jìn)行二階微分求導(dǎo)，具體過(guò)程由the Unscrambler X10.1和R軟件實(shí)現(xiàn)。

圖1 研究區(qū)中的采樣點(diǎn)Fig.1 Sampling locations of study area

1.2.2 葉綠素含量測(cè)定

采用SPAD-502儀器通過(guò)測(cè)量葉片對(duì)兩個(gè)波段650 nm和940 nm的吸收率，來(lái)評(píng)估當(dāng)前葉片中的葉綠素相對(duì)含量或“綠色程度”。Marenco等[14]研究發(fā)現(xiàn)，SPAD-502測(cè)量葉綠素含量的精度很高，幾乎跟化學(xué)實(shí)驗(yàn)測(cè)得的葉綠素結(jié)果一樣。因此，可以利用SPAD值作為衡量葉綠素含量的指標(biāo)。在每個(gè)生育期進(jìn)行冠層光譜采集的同時(shí)，在每個(gè)子樣點(diǎn)附近1 m范圍內(nèi)隨機(jī)選擇10株冬小麥，用SPAD-502在所測(cè)光譜位點(diǎn)測(cè)定10個(gè)功能葉(倒二葉)的SPAD值，為保證兩種數(shù)據(jù)的精確對(duì)應(yīng)，每片葉從葉尖到葉鞘均勻測(cè)定9點(diǎn)，避開(kāi)葉脈干擾，取平均值作為該葉片的SPAD值。

1.3 數(shù)據(jù)分析

1.3.1 偏最小二乘回歸

目前，在探索建立SPAD與高光譜之間的關(guān)系模型中，最常用的是一些線性模型，如多元逐步線性回歸(MSLR)、偏最小二乘回歸(PLSR)、主成分回歸(PCA)等。其中PLSR兼具有多元線性回歸、典型相關(guān)分析和主成分分析的思想，實(shí)現(xiàn)了數(shù)據(jù)結(jié)構(gòu)的簡(jiǎn)化，不但可以解決自變量之間多重相關(guān)的問(wèn)題，同時(shí)又克服了主成分分析對(duì)自變量解釋能力較強(qiáng)，但對(duì)因變量解釋能力較弱的缺點(diǎn)，適合于光譜分析這種自變量較多的情況[15]。模型采用留一法交叉驗(yàn)證(Leave-One-Out)[16]。PLSR建模在光譜處理軟件The Unscrambler X 10.1中實(shí)現(xiàn)。

模型的評(píng)價(jià)參數(shù)主要用決定系數(shù)(R2)、均方根誤差(RMSE)、標(biāo)準(zhǔn)預(yù)測(cè)誤差(SEP)、相對(duì)分析誤差(RPD= SEP/ RMSE)。其中R2和RPD越大，預(yù)測(cè)效果越好。另外，當(dāng)RPD>2時(shí)說(shuō)明模型具有極好的預(yù)測(cè)能力，當(dāng)1.4

1.3.2 空間插值SPAD預(yù)測(cè)制圖

目前，區(qū)域化的方法主要是采用地統(tǒng)計(jì)學(xué)中的空間插值法進(jìn)行由點(diǎn)到面的延伸?，F(xiàn)代地統(tǒng)計(jì)自20世紀(jì)50年代首次被應(yīng)用于礦藏勘探工作中，目前已經(jīng)廣泛應(yīng)用于空間域和時(shí)空域自然變量的定量化研究，如空間變異和結(jié)構(gòu)分析、空間預(yù)測(cè)等眾多領(lǐng)域[18]。本研究利用空間逆距離插值法對(duì)SPAD進(jìn)行區(qū)域化預(yù)測(cè)分析。其公式為：

其中Z*(x0)是待估點(diǎn)x0處的估計(jì)值，Z(xi)是實(shí)測(cè)值，λi是分配給每個(gè)實(shí)測(cè)值的權(quán)重，且∑λi=1。n是參與x0點(diǎn)估值的實(shí)測(cè)值的數(shù)目。

本過(guò)程用ArcGIS10.1軟件進(jìn)行。

2 結(jié)果與分析

2.1 不同生長(zhǎng)階段冬小麥葉綠素含量的變化

從測(cè)定結(jié)果(表1)看，從拔節(jié)期到成熟期，小麥葉綠素含量(SPAD值)呈先增后減的趨勢(shì)，其中孕穗期的SPAD值最大(57.77)。標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)誤差和變異系數(shù)從拔節(jié)期到灌漿期均呈減小的趨勢(shì)，到成熟期增大，這可能與隨著冬小麥的成熟，葉片變黃，葉綠素逐漸分解，導(dǎo)致冬小麥光譜信息逐漸不明顯有關(guān)。進(jìn)一步采用Tukey-Kramer方法進(jìn)行均值比較，孕穗期與灌漿期間及拔節(jié)期與成熟期間SPAD值的差異不顯著，其余時(shí)期間差異均顯著(圖2)。

2.2 不同地點(diǎn)冬小麥葉綠素含量的差異

在冬小麥生長(zhǎng)的不同時(shí)期，禹州市、襄城縣、許昌縣、長(zhǎng)葛市和鄢陵5個(gè)區(qū)域的SPAD值表現(xiàn)各異(表2)。在拔節(jié)期，長(zhǎng)葛市SPAD值的變異系數(shù)最大(14.52%)，襄城縣最小(0.16%)；在孕穗期，鄢陵縣SPAD值的變異系數(shù)最大(9.89%)，長(zhǎng)葛市最小(3.09%)；在灌漿期，禹州市SPAD值的變異系數(shù)最大(6.73%)，襄城縣最小(2.34%)；在成熟期，禹州市的SPAD值的變異系數(shù)最大(3.84%)，許昌縣最小(1.32%)。綜觀整個(gè)生長(zhǎng)期，同一區(qū)域SPAD值的變異系數(shù)隨著生育期的推進(jìn)，呈現(xiàn)出逐漸減小的趨勢(shì)，而且生育后期的變異系數(shù)趨于穩(wěn)定，最終基本上維持在2.0%左右。同時(shí)采用Tukey-Kramer法對(duì)各生育時(shí)期不同地點(diǎn)間95%的置信區(qū)間SPAD值的均值差分進(jìn)行了比較，結(jié)果表明，不同地點(diǎn)之間差異不顯著(圖2)。

表1 不同生長(zhǎng)階段冬小麥葉綠素含量(SPAD值)的統(tǒng)計(jì)特征Table 1 SAPD value statistics at different growth stages of wheat

平均值后的字母a、b表示在0.05水平上差異顯著(Tukey-Kramer法一尾分析)。
Letters a and b following the mean of SPAD indicate significant difference among the stages at 0.05 level by Tukey-Kramer method with one-way ANOVA analysis.

表2 不同地點(diǎn)冬小麥SPAD值的統(tǒng)計(jì)分析Table 2 SPAD value statistics of wheat at different regions

圖中字母a～e分別代表禹州市、襄城縣、許昌縣、長(zhǎng)葛市和鄢陵縣。如果區(qū)間包含有0值，則表示地點(diǎn)間存在顯著差異。
The letters a,b,c,d and e in the figure represent Yuzhou city,Xiangcheng county,Xuchang county,Changge city and Yanling county,respectively. The interval involving 0 means significant difference between the sites.
圖2 不同地點(diǎn)冬小麥SPAD含量Tukey同時(shí)95%的置信區(qū)間SPAD的均值差分對(duì)比分析
Fig.2 One-way Anova analysis of SPAD at the five regions

2.3 冬小麥的冠層光譜特征

從冬小麥四個(gè)時(shí)期的光譜特征曲線(圖3)看，在可見(jiàn)光波段(350～680 nm)，孕穗期的光譜反射率最低，拔節(jié)期的較高。在近紅外光波段(680～1 100 nm)，孕穗期的光譜反射率最高，成熟期的較低，說(shuō)明在孕穗期，對(duì)可見(jiàn)光波段吸收多，葉片光合作用強(qiáng)。

將冬小麥冠層光譜原始反射率及其二階導(dǎo)數(shù)微分反射率分別與葉片SPAD值進(jìn)行Pearson相關(guān)分析，結(jié)果(圖4)表明，原始光譜在可見(jiàn)光波段(350～760 nm)與SPAD值呈負(fù)相關(guān)；在“紅邊”處(760 nm附近)相關(guān)系數(shù)迅速變?yōu)?，在“紅邊”肩部達(dá)到最大值；二階導(dǎo)數(shù)微分光譜與SPAD值之間的相關(guān)系數(shù)在一些波段處高于原始光譜與SPAD值的相關(guān)系數(shù)，這是由于求導(dǎo)過(guò)程去除了土壤背景對(duì)原始光譜的影響。

圖3 四個(gè)時(shí)期的光譜反射特征曲線Fig.3 Reflectance spectral at the four growth stages

圖4 光譜與SPAD值的相關(guān)系數(shù)Fig.4 Coefficient of correlation between SPAD and reflectance and second derivative reflectance

2.4 SPAD預(yù)測(cè)模型的評(píng)估

采用PLSR構(gòu)建的模型，進(jìn)行小麥SPAD預(yù)測(cè)，其中采用原始光譜預(yù)測(cè)的R2為0.653，采用二階導(dǎo)數(shù)光譜預(yù)測(cè)的R2為0.995(圖5)。從預(yù)測(cè)誤差看，原始光譜的RMSE和RPD值分別為2.622和1.549，二階導(dǎo)數(shù)光譜的RMSE和RPD分別為0.327和13.66。綜合上述3個(gè)指標(biāo)來(lái)看，利用二階導(dǎo)數(shù)建立的預(yù)測(cè)模型具有較好的預(yù)測(cè)能力。

圖5 SPAD預(yù)測(cè)結(jié)果Fig.5 Predicted SPAD by reflectance and second derivative reflectance with PLSR

2.5 區(qū)域尺度SPAD空間變異分析

采用地統(tǒng)計(jì)學(xué)中的空間插值方法，選擇冬小麥拔節(jié)期和成熟期的SPAD值進(jìn)行區(qū)域尺度葉綠素含量的預(yù)測(cè)變異分析。與實(shí)測(cè)得到的SPAD空間分布圖相比，采用原始光譜數(shù)據(jù)和二階導(dǎo)數(shù)光譜數(shù)據(jù)預(yù)測(cè)的SPAD值均表現(xiàn)出了較高的空間相似性(圖6)。相關(guān)分析表明，拔節(jié)期和成熟期實(shí)測(cè)值與原始光譜預(yù)測(cè)值的空間相關(guān)系數(shù)分別為0.76和0.83，與二階導(dǎo)數(shù)光譜預(yù)測(cè)值的空間相關(guān)系數(shù)分別為0.99和0.98。這說(shuō)明，利用二階導(dǎo)數(shù)光譜得到的空間分布與實(shí)測(cè)結(jié)果更為接近。從區(qū)域上可以看出，成熟期的SPAD值在區(qū)域上低于拔節(jié)期，這與2.1和2.2部分不同生長(zhǎng)階段和不同縣市統(tǒng)計(jì)分析出的結(jié)果相一致。說(shuō)明在區(qū)域尺度上光譜測(cè)量手段是可以被用來(lái)實(shí)時(shí)快速地獲取SPAD空間分布信息。

3 討 論

近地高光譜遙感技術(shù)的迅速發(fā)展為利用定量遙感方法獲取農(nóng)作物生理生化參數(shù)提供了更精細(xì)的數(shù)據(jù)來(lái)源，選擇合適的波段與處理方法可有效提取這些生理生化參數(shù)，相比傳統(tǒng)的測(cè)試方法可以節(jié)省人力、物力和財(cái)力。SPAD值是反映作物光合作用強(qiáng)弱、長(zhǎng)勢(shì)好壞的重要參量，目前很多學(xué)者已經(jīng)開(kāi)展了利用光譜估算葉綠素含量的研究，但模型預(yù)測(cè)精度和穩(wěn)定性依然存在矛盾[9-10,19-21]。目前，還有國(guó)內(nèi)外許多學(xué)者一直致力尋找對(duì)植被葉綠素較敏感的波段建立模型[19-20]。這些已有的研究主要是針對(duì)某一類作物或者是區(qū)域范圍利用高光譜遙感技術(shù)進(jìn)行葉綠素含量反演或估算。由于不同地區(qū)、不同環(huán)境的植被SPAD值對(duì)高光譜的敏感波段不盡相同，植被指數(shù)在不同區(qū)域環(huán)境的適應(yīng)性也不同，因而開(kāi)展區(qū)域尺度范圍內(nèi)SPAD值估測(cè)對(duì)了解作物長(zhǎng)勢(shì)、產(chǎn)量預(yù)測(cè)等具有重要意義。本研究基于地統(tǒng)計(jì)學(xué)中屬性均具有空間相關(guān)性的特點(diǎn)，通過(guò)空間插值技術(shù)，將獲取的點(diǎn)數(shù)據(jù)推演到面上，進(jìn)行SPAD值空間變異性的區(qū)域范圍的圖形化表達(dá)，以提供給政府決策部門和農(nóng)民最為直觀的信息。

本研究針對(duì)反射波譜數(shù)據(jù)，從全光譜波段角度，采用PLSR對(duì)冬小麥葉綠素含量進(jìn)行不同時(shí)期的研究分析，探索建立一個(gè)統(tǒng)一的預(yù)測(cè)模型。在本研究中采用原始光譜預(yù)測(cè)SPAD值的能力較二階導(dǎo)數(shù)光譜差。根據(jù)Chang等[17]的研究，當(dāng)RPD大于2的時(shí)候，預(yù)測(cè)模型具有極好的預(yù)測(cè)能力。綜合R2、RMSE和RPD來(lái)看，采用二階導(dǎo)數(shù)光譜對(duì)SPAD值可以達(dá)到較好的預(yù)測(cè)效果。在后續(xù)的研究中，我們將會(huì)對(duì)試驗(yàn)進(jìn)一步完善，對(duì)研究結(jié)果是否能代表北方冬小麥的特征，能否正確用于域范圍內(nèi)的估算將作進(jìn)一步驗(yàn)證。

圖6 區(qū)域尺度上冬小麥SPAD的空間分布Fig.6 Distribution of SPAD in regional area

[1]LI R H,GUO P G,MICHAEL B,etal.Evaluation of chlorophyll content and fluorescence parameters as indicators of drought tolerance in barley [J].AgriculturalSciencesinChina,2006,10(5):751.

[2]譚昌偉,周清波,齊 臘,等.水稻氮素營(yíng)養(yǎng)高光譜遙感診斷模型[J].應(yīng)用生態(tài)學(xué)報(bào),2008,19(6):1261.

TAN C W,ZHOU Q B,QI L,etal.Hyperspectral remote sensing diagnosis models of rice plant nitrogen nutritional status [J].ChineseJournalofAppliedEcology,2008,19(6):1261.

[3]CROFT H,CHEN J M,ZHANG Y.The applicability of empirical vegetation indices for determining leaf chlorophyll content over different leaf and canopy structures [J].EcologicalComplexity,2014,17:119.

[3]DELEGIDO J,VAN WITTENBERGHE S,etal.Chlorophyll content mapping of urban vegetation in the city of Valencia based on the hyperspectral NAOC index [J].EcologicalIndicators,2014,40:34.

[4]LICHTENTHALER H K.Chlorophylls and carotenoids:pigments of photosynthetic biomembranes [J].MethodsinEnzymology,1987,148:350.

[5]羅 丹,常慶瑞,齊雁冰,等.基于光譜指數(shù)的冬小麥冠層葉綠素含量估算模型研究[J].麥類作物學(xué)報(bào),2016,36(9):1225.

LUO D,CHANG Q R,QI Y B,etal.Estimation model for chlorophyll contentin winter wheat canopy based on spectral indices [J].JournalofTriticeaeCrops,2016,36(9):1225.

[6]張 浩,胡 昊,陳 義,等.水稻葉片氮素及籽粒蛋白質(zhì)含量的高光譜估測(cè)模型[J].核農(nóng)學(xué)報(bào),2012,26(1):135.

ZHANG H,HU H,CHEN Y,etal.Estimating nitrogen of rice leaf and protein of rice seed based on hyperspectral data [J].JournalofNuclearAgriculturalSciences,2012,26(1):135.

[7]MAHAJAN G R,SAHOO R N,PANDEY R N,etal.Using hyperspectral remote sensing techniques to monitor nitrogen,phosphorus,sulphur and potassium in wheat (TriticumaestivumL.) [J].PrecisionAgriculture,2014,15:499.

[8]THOMAS J R,OERTHER G F.Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J].AgronomyJournal,1972,64(1):11.

[9]吳長(zhǎng)山,項(xiàng)月琴,鄭蘭芬,等.利用高光譜數(shù)據(jù)對(duì)作物群體葉綠素密度估算的研究[J].遙感學(xué)報(bào),2000,4(3):228.

WU C S,XIANG Y Q,ZHENG F L,etal.Estimating chlorophyll density of crop canopies by using hyperspectral data [J].JournalofRemoteSensing,2000,4(3):228.

[10]胡 昊,白由路,楊麗蘋,等.基于SPAD-502與GreenSeeker的冬小麥氮營(yíng)養(yǎng)診斷研究 [J].中國(guó)農(nóng)業(yè)生態(tài)學(xué)報(bào),2010,18(4):748.

HU H,BAI Y L,YANG L P,etal.Diagnosis of nitrogen nutrition in winter wheat(Triticumaestivum) via SPAD-502 and GreenSeeker [J].ChineseJournalofEco-Agriculture,2010,18(4):748.

[11]HORLER D N H,DOCKRAY M,BARBER J.The red-edge of plant leaf reflectance [J].InternationalJournalofRemoteSensing,1983,4(4):273.

[12]趙 祥,劉素紅,王培娟,等.基于高光譜數(shù)據(jù)的小麥葉綠素含量反演[J].地理與地理信息科學(xué),2004,20(3):36.

ZHAO X,LIU S H,WANG P J,etal.A Method for inverting chlorophyll content of wheat using hyperspectral [J].GeographyandGeo-InformationScience,2004,20(3):36.

[13]馮 偉,朱 艷,田永超,等.基于高光譜遙感的小麥冠層葉片色素密度監(jiān)測(cè)[J].生態(tài)學(xué)報(bào),2008,28(10):4902.

FENG W,ZHU Y,TIAN Y C,etal.Monitoring canopy leaf pigment density in wheat with hyperspectral remote sensing [J].ActaEcologicalSinica,2008,28(10):4902.

[14]MARENCO R A,ANTEZANA-VERA S A,NASCIMENTO H C S.Relationship between specific leaf area,leaf thickness,leaf water content and SPAD-502 readings in six Amazonian tree species [J].Photosynthetica,2009,47(2):184.

[15]WILLIAMS P C,NORRIS K H.Qualitative applications of near-infrared reflectance spectroscopy//WILLIAMS P C,NORRIS K H(eds).Near Infrared Technology in the Agricultural and Food Industries [M].American Association of Cereal Chemists,St.Paul,MN,1987:241.

[16]EFRON B,TIBSHIRANI R.Improvements on cross-validation:the 632+ bootstrap method [J].JournaloftheAmericanStatisticalAssociation,1997,92(438):548.

[17]CHANG C W,LAIRD D,MAUSBACH M,etal.Near infrared reflectance spectroscopy principal components regression analyses of soil properties [J].SoilScienceSocietyofAmericaJournal,2001,65:480.

[18]史 舟,李 艷.地統(tǒng)計(jì)學(xué)在土壤學(xué)中的應(yīng)用[M].北京:中國(guó)農(nóng)業(yè)出版社,2006:33.

SHI Z,LI Y.Geostatistics and its application in soil science [M].Beijing:China Agriculture Press,2006:33.

[19]ZARCO-TEJADA P J,MILLER J R,MORALES A,etal.Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops [J].RemoteSensingofEnvironment,2004,90(4):463.

[20]楊海清,姚建松,何 勇.基于反射光譜技術(shù)的植物葉片SPAD值預(yù)測(cè)建模方法研究[J].光譜學(xué)與光譜分析,2009,29(6):1607.

YANG H Q,YAO J S,HE Y.SPAD predication of leave based on reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2009,29(6):1607.

[21]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)定性研究[J].光譜學(xué)與光譜分析,2015,35(4):975.

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.

Hyperspectral-Based Estimation and Spatial Variability of Chlorophyll Content of Winter Wheat in Regional Scale

GUO Yan,CHENG Yongzheng,LI Shimin,HE Jia,WANG Laigang,LIU ting,WANG Lijun,ZHENG Guoqing

(Institute of Agricultural Economics and Information,Henan Academy of Agricultural Sciences,Zhengzhou,Henan 450002，China)

Proximal sensing technology has been developed as a useful tool for rapid and economic predictions of many crop physiological and biochemical parameters. Over the past two decades,development of robust and widely applicable visible near-infrared (vis-NIR) diffuse reflectance spectroscopy (DRS) models with an acceptable level of accuracy is an ongoing task. Vegetation SPAD (Soil and Plant Analyzer Development) is one of the most important agronomic parameters (eg. chlorophyll content) for assessing vegetation growth status and health condition. In the present study,the winter wheat canopy hyperspectrum obtained from handheld ASD Field Spec 3.0 were employed to establish the relationships and predication models to assess SPAD content with correlation analysis and partial least squares regression (PLSR) method,and then spatial variability of SPAD in regional scale was characterize by geostatistal analysis method. The result showed that significant differences existed among the four growth stages of elongation,booting,filling and maturation using one-way ANOVA with Tukey-Kramer comparison method at 0.05 level,but there was no significance among the five regions (Yuzhou city,Xiangcheng county,Xuchang county,Changge city and Yanling county). Based on PLSR models,predication by original reflectanceR2= 0.653 was smaller than that by second derivative spectral (R2= 0.995),with RMSE of 2.622 and 0.327,respectively. Moreover,RPD of the latter was larger (13.66) than that of the former (1.549). Comprehensive consideration ofR2,RMSE and RPD,model built with the second derivative spectral has better ability to estimate SPAD. Regionalization expression at jointing stage and mature stage showed high spatial similarity for reflectance and the second derivative spectra compared with the measured SPAD. It can be concluded that this method can be extended to determine the physiological and biochemical parameters of winter wheat as well as other crops,with high practical value.

Winter wheat; SPAD; Chlorophyll; Hyperspectral spectral; Spatial variability

時(shí)間：2017-07-07

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20170707.1816.030.html

2016-12-20

2017-02-07

國(guó)家自然科學(xué)基金項(xiàng)目(41601213)；高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)(09-Y30B03-9001-13/15)；河南省科技攻關(guān)重點(diǎn)項(xiàng)目(172102110090)；河南省農(nóng)業(yè)科學(xué)院優(yōu)秀青年基金項(xiàng)目(2016YQ21)

E-mail：10914063@zju.edu.cn

S512.1；S314

A

1009-1041(2017)07-0970-08