余蛟洋，常慶瑞，班松濤，田明璐，由明明

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

葉綠素是植物進(jìn)行光合作用不可缺少的必要色素，其含量影響植物的初級生產(chǎn)力，體現(xiàn)植物的營養(yǎng)與生長狀況，是植物營養(yǎng)脅迫、光合作用能力和各生長階段的良好指示劑[1]。植被和葉片光譜反射率在可見光范圍主要受植被色素(葉綠素和類胡蘿卜素)和覆蓋度的影響，在近紅外區(qū)域則主要受冠層和葉片結(jié)構(gòu)、生物量、蛋白質(zhì)、纖維素等影響[2]，因此可以用作物冠層或葉片反射光譜及其變量來估算其農(nóng)學(xué)參數(shù)，特別是色素含量[3]。紅邊是植被葉綠素對紅光波段強烈吸收，對近紅外波段多次散射形成強反射而形成，它是植物光譜區(qū)別于其它地物的特有性質(zhì)。定量遙感中常采用微分技術(shù)找尋“紅邊”、“綠峰”等光譜參數(shù)[4-5]，建立光譜參數(shù)與各作物冠層生理生化參數(shù)的定量關(guān)系。王秀珍等[6]探討了從原始光譜、一階微分光譜以及其對應(yīng)的位置變量、面積變量和植被指數(shù)變量與作物生理生化參數(shù)間的定量關(guān)系；Curran[4]、Filella[5]等指出紅邊位置與紅邊形狀可作為估算植物生理生化參數(shù)的指標(biāo)；Du H Q等[7]研究了紅邊位置、紅邊振幅、紅邊面積、紅谷吸收度及紅邊波段構(gòu)建的植被指數(shù)等高光譜特征參數(shù)與馬尾松葉綠素間的函數(shù)關(guān)系；唐延林等[8]利用棉花冠層光譜紅邊參數(shù)建立與色素含量及其他農(nóng)學(xué)參數(shù)間的定量關(guān)系；J Delegido等[9]構(gòu)建歸一化紅邊高光譜植被指數(shù)反演作物葉面積指數(shù)；Ju C H等[10]通過構(gòu)建紅邊對稱度(RES red edge symmetry)反演油菜葉綠素含量，Li L T等[11]利用紅邊區(qū)域左峰值面積和右峰值面積估算冬油菜葉綠素密度；其他學(xué)者的研究也大多集中在小麥[12-15]、玉米[16-18]、棉花[19-21]、水稻[22-24]、油菜[25-27]等農(nóng)田作物上，對經(jīng)濟林果，特別是獼猴桃的相關(guān)研究還未見報道。秦嶺北麓是我國獼猴桃的最適宜產(chǎn)地，周至、眉縣、武功和楊凌等地是其中心產(chǎn)區(qū)。應(yīng)用高光譜遙感進(jìn)行獼猴桃長勢監(jiān)測，建立葉片葉綠素含量高光譜估算模型，可以為獼猴桃栽培管理和營銷提供決策依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

試驗區(qū)位于陜西國家楊凌高新技術(shù)產(chǎn)業(yè)示范區(qū)蔣家寨村。地理位置108°01′16″E，34°18′15″N，處于關(guān)中平原腹地，渭河三級階地，海拔高度535～560 m，地形平坦，土層深厚，土壤肥沃。該區(qū)屬于暖溫帶半濕潤大陸性季風(fēng)氣候，年平均氣溫12.9℃，年降水量649.5 mm，夏季炎熱多雨，冬季寒冷干旱，春秋溫暖，四季分明。研究區(qū)是中國農(nóng)耕文明的發(fā)祥地，農(nóng)業(yè)生產(chǎn)歷史悠久。近年來，隨著示范區(qū)農(nóng)業(yè)商品經(jīng)濟的發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，果品生產(chǎn)成為區(qū)域農(nóng)業(yè)生產(chǎn)的主導(dǎo)產(chǎn)業(yè)，蔣家寨村形成優(yōu)質(zhì)獼猴桃生產(chǎn)基地。

試驗地選取栽植7～10年的成年獼猴桃園，供試品種為海沃德(Actinidiadeliciosa‘Hayward’)。在獼猴桃的關(guān)鍵生育期采集樣品，進(jìn)行葉片反射光譜和葉綠素含量測定。采樣時間分別為2016年6月28日(幼果期)、2016年9月21日(壯果期)。選擇7個不同的獼猴桃園，每個園選取3株正常生長發(fā)育的獼猴桃，每株采集4片長勢不同、無病蟲害和損傷的健康葉片，每期共采集84片葉片，用塑料袋密封，保存在保鮮箱內(nèi)，立即運回實驗室進(jìn)行分析測定。

1.2 光譜反射率與葉綠素含量測定

光譜反射率采用便攜式野外光譜輻射儀(SVC HR-1024I型，Spectra Vista公司，美國)測定，光譜探測范圍為350～2 500 nm，其中350～1 000 nm光譜分辨率為3.5 nm；1 000～1 850 nm光譜分辨率為9.5 nm；1 850～2 500 nm光譜分辨率為6.5 nm。為保證數(shù)據(jù)精確性，將樣品葉片擦拭干凈，平整地置于葉片夾上，在葉片的上、中、下部位各測量2次，獲得6條反射光譜曲線，取其平均值作為該葉片的光譜反射率曲線。

測定光譜的同時，測定每個葉片的葉綠素含量。葉片葉綠素含量采用葉綠素儀(SPAD-502型，KONICA MINOLTA，日本)測定，測量值為單位面積葉片當(dāng)前葉綠素的相對含量，即SPAD值。分別測量獼猴桃葉上、中、下部位，每個部位測量4個點(避開葉脈部分)，取其平均值作為該葉片的SPAD值。

1.3 數(shù)據(jù)處理

首先，利用光譜儀自帶的處理軟件將測定的原始光譜數(shù)據(jù)進(jìn)行重采樣，采樣間隔為1 nm，得到各樣本葉片光譜反射率數(shù)據(jù)；其次，為減少背景噪聲的影響，提高對植物生理生化參數(shù)的檢測，采用光譜歸一化微分分析技術(shù)，對光譜反射率求一階微分，得到各樣本微分光譜曲線。由于光譜儀采集的數(shù)據(jù)是離散的，因此本文中一階微分公式為：

(1)

式中，Di是波段i的一階微分值，Ri是波段i的光譜反射率，λi是波段i的波長。

將幼果期、壯果期各采集的84片葉子，共168片葉子組成供試樣本，分層抽樣選取其中132組樣本數(shù)據(jù)作為訓(xùn)練集用于建立模型，其余36組樣本數(shù)據(jù)作為驗證集，對反演模型進(jìn)行檢驗。數(shù)據(jù)處理及建模在Excel2013、Origin2016和MatLab2013b中完成。

2 結(jié)果與分析

2.1 獼猴桃葉片高光譜特征

將樣本葉片按SPAD值大小分為三組，分別為低、中、高三個等級，取每組葉片SPAD平均值作為最終值，結(jié)果分別為11.1、36.2、62.1。分析不同SPAD值獼猴桃葉片的光譜特征(圖1)。由圖1可以看出，獼猴桃葉片光譜反射率趨勢基本相同，均在可見光波段反射率較低，分別在550 nm和405 nm、670 nm出現(xiàn)一個反射峰和兩個吸收谷，可能是葉片葉綠素對綠光的一定反射，及其對藍(lán)光、紅光強烈吸收所致。從670 nm以后反射率迅速上升，在700～800 nm的近紅外波段形成一個反射率超過0.45的高反射峰，主要是葉片內(nèi)部組織結(jié)構(gòu)多次反射、散射所致；不同SPAD值的葉片反射光譜存在明顯差異,在可見光波段，光譜反射率隨著葉片SPAD值的升高而降低，在近紅外波段光譜反射率則隨著葉片SPAD值的增加而升高。

將獼猴桃葉片的光譜反射率與葉綠素相對含量SPAD進(jìn)行相關(guān)分析。如圖2所示，在波長350～748 nm、1 360～2 250 nm兩個波段，SPAD與光譜反射率呈負(fù)相關(guān)，其中在446～733 nm波段，負(fù)相關(guān)性達(dá)到極顯著水平(99.99%置信區(qū)間，n=168)，在700 nm處相關(guān)系數(shù)最大，為-0.855 9；在波長748～1 360 nm處為正相關(guān)，但未達(dá)到顯著水平。受綠色植物葉片色素影響的光譜主要在可見光波段，相關(guān)系數(shù)為負(fù)，即獼猴桃葉片可見光波段的光譜反射率隨著SPAD值的升高而降低，葉綠素含量越高，吸收越強；1 360～2 200 nm波段的兩端，SPAD與光譜反射率達(dá)到極顯著相關(guān)，但是此波段還受葉片內(nèi)部組織結(jié)構(gòu)、葉片含水量等因素的影響。

2.2 獼猴桃葉片光譜紅邊特征

紅邊是綠色植物最明顯的光譜特征之一，具有可診斷性特征。紅邊參數(shù)主要包括：(1)紅邊位置λred：紅光范圍內(nèi)(680～760 nm)一階微分最大值所對應(yīng)的波長位置；(2)紅邊幅值Dred：紅光范圍內(nèi)一階微分光譜最大值；(3)紅邊面積Sdred：紅光范圍內(nèi)一階導(dǎo)數(shù)光譜所包圍的面積；(4)紅邊偏度Sλred：紅光范圍內(nèi)一階導(dǎo)數(shù)光譜的偏度[28];(5)紅邊峰度Kλred：紅光范圍內(nèi)一階導(dǎo)數(shù)光譜的峰度[28]。利用光譜歸一化微分分析技術(shù)，提取出植物的紅邊參數(shù)。圖3為光譜反射率一階微分曲線的紅光波段，由此可以確定出紅邊特征參數(shù)。

不同長勢的獼猴桃葉片葉綠素含量不同，葉片長勢越好，葉綠素含量越高，SPAD值越大，因此SPAD值能反映葉片長勢差異[29-30]。從圖3可看出，葉綠素含量、獼猴桃葉片紅邊位置、紅邊幅值和紅邊面積均隨著葉片SPAD值不同而呈現(xiàn)不同變化：不同SPAD值的獼猴桃葉片一階微分光譜曲線形狀發(fā)生改變，隨著葉綠素含量增加，紅邊位置從692 nm移動到713 nm，即“紅移”明顯，這是由于當(dāng)植被旺盛生長，葉片葉綠素含量增加時，對紅光的吸收增強，導(dǎo)致680 nm附近的吸收谷輕微加深和明顯變寬[31]，從而造成紅邊位置向長波方向移動；紅邊振幅則隨著葉綠素含量的增加而降低，下降幅度超過50%，紅邊面積也有所減小，表明一階微分曲線形狀與葉綠素含量存在密切關(guān)系。與姚付啟[32]、王圓圓[33]等研究結(jié)果一致。

圖2 光譜反射率與SPAD相關(guān)性Fig.2 Correlation between spectral reflectance and SPAD value

由表1可知，獼猴桃葉片的SPAD值與紅邊位置λred呈極顯著正相關(guān)，隨著葉片葉綠素含量增加，紅邊位置向長波方向移動，相關(guān)系數(shù)在0.85以上；葉片SPAD值與紅邊幅值Dred、紅邊偏度Sλred和紅邊峰度Kλred都呈極顯著負(fù)相關(guān)，隨著SPAD值增加，紅邊幅值降低，紅邊曲線形狀由右偏逐漸轉(zhuǎn)變?yōu)樽笃?，峰度值也降低。其中SPAD值與偏度的相關(guān)性最強，相關(guān)系數(shù)高達(dá)0.89以上，與幅值的相關(guān)性較弱；只有紅邊面積與SPAD的相關(guān)性較低，未達(dá)到顯著相關(guān)水平。

圖3 不同SPAD值獼猴桃葉片的一階微分光譜特征Fig.3 First derivative reflectance of kiwifruit leavesat different SPAD values

2.3 不同生育期葉片SPAD估算模型構(gòu)建

2.3.1 基于紅邊參數(shù)的SPAD單因素估算模型 根據(jù)SPAD與紅邊參數(shù)的相關(guān)性分析結(jié)果，選取與SPAD達(dá)到極顯著性相關(guān)的特征參數(shù)：紅邊位置、紅邊幅值、紅邊偏度、紅邊峰度，分別與SPAD建立單因素回歸模型。在進(jìn)行回歸建模時，對所選入的光譜特征參數(shù)變量分別嘗試了線性、指數(shù)、多項式、冪函數(shù)模型，最后選擇擬合效果最好的二次多項式模型，結(jié)果如表2所示。

由表2可得，在獼猴桃各生育期，除紅邊幅值模型外，其它3種紅邊參數(shù)模型都達(dá)到極顯著水平(P<0.01)，紅邊參數(shù)與SPAD擬合模型均有較好的估算能力。在各生育期，擬合效果最好的是紅邊偏度Sλred模型，R2在0.821以上，均方根誤差RMSE最小，均在5以下，其次是紅邊位置λred模型，建模精度略低于紅邊偏度模型；精度較低的是紅邊峰度Kλred模型，但其R2也超過0.72，RMSE在6.2以下，能夠用于SPAD值估算。不同生育期估算模型的建模精度壯果期最高，幼果期較低，全生育期適中。

表1 獼猴桃不同生育期紅邊參數(shù)與SPAD的相關(guān)系數(shù)(n=84)

注：**表示在0.001水平極顯著。

Note: **indicates significant correlation at 0.001 level.

表2 不同生育期紅邊參數(shù)與SPAD單因素回歸模型

2.3.2 基于紅邊參數(shù)的多元逐步回歸模型 紅邊參數(shù)對SPAD值的影響不是相互獨立的，而是相互交叉的。在上述五個光譜特征紅邊參數(shù)中，根據(jù)各參數(shù)對SPAD影響的大小進(jìn)行多元逐步回歸分析，建立獼猴桃葉片SPAD多元回歸估算模型。表3為不同生育期的多元逐步回歸模型，各模型方程全部通過極顯著水平(P<0.01)檢驗。由表3可知，不同生育期估算模型的紅邊參數(shù)不同，幼果期估算模型為紅邊幅值Dred和紅邊面積Sdred；壯果期估算模型為紅邊面積Sdred和紅邊偏度Sλred；全生育期估算模型為紅邊幅值Dred、紅邊偏度Sλred和紅邊峰度Kλred。與單因素模型區(qū)別最大的是與SPAD相關(guān)性不高的紅邊面積Sdred和估算模型精度不高的紅邊幅值Dred兩個紅邊參數(shù)，構(gòu)成多元逐步回歸模型的主要自變量。在各生育期，多元逐步回歸模型的建模精度均高于單因素最優(yōu)模型。

2.4 單因素模型與多元回歸模型精度比較

為確定獼猴桃葉片SPAD值估算的最優(yōu)模型，用檢驗樣本對模型進(jìn)行驗證，將單因素回歸擬合最佳模型與逐步回歸分析模型進(jìn)行精度比較。圖4為獼猴桃不同生育期葉片SPAD實測值與預(yù)測值的擬合分布圖，其中圖4a、4c、4e分別為以紅邊偏度Sλred建立的多項式模型的預(yù)測結(jié)果，圖4b、4d、4f分別為多元逐步回歸模型的預(yù)測結(jié)果，圖中實線為實測值的回歸方程，黑色虛線表示1∶1線，回歸方程越接近1∶1線，說明模型預(yù)測精度和效果越好。結(jié)合表2、表3各模型精度指標(biāo)對比和圖4擬合分析，兩類模型的方程都通過0.01顯著水平的檢驗，各建模精度和驗證精度均很高，模型在獼猴桃不同生育期計算的預(yù)測值和實測值之間均呈極顯著相關(guān)，表明這些模型都可對獼猴桃葉片SPAD值進(jìn)行監(jiān)測。而在各生育期，多元逐步回歸模型建模精度更高，擬合效果更好，用檢驗樣本進(jìn)行精度驗證，預(yù)測值和實測值更為接近，預(yù)測效果也最好，可能是逐步回歸模型把多個對SPAD值有影響的因素考慮到方程中，模型包含了更多信息，更具穩(wěn)定性。因此，可以把多元逐步回歸模型作為獼猴桃生長發(fā)育過程中監(jiān)測葉片SPAD值的最優(yōu)估算模型。

3 討 論

研究發(fā)現(xiàn)，單波段包含的信息簡單且易受背景噪聲的干擾，通過對葉片光譜數(shù)據(jù)求微分、多波段組合等方法構(gòu)建光譜參數(shù)，可減少背景噪聲的影響，且包含不同波段的信息[34]。在植物光譜分析中，利用微分技術(shù)提取植物光譜信息能消除背景噪聲，提高對植物理化參數(shù)的監(jiān)測效果。本試驗利用微分技術(shù)提取植物的紅邊參數(shù)，將與SPAD顯著相關(guān)的紅邊參數(shù)分不同生育期與獼猴桃葉片SPAD值分別進(jìn)行單因素回歸分析和多元逐步回歸分析，并用檢驗樣本進(jìn)行精度檢驗，發(fā)現(xiàn)在獼猴桃不同生育期，都以紅邊偏度Sλred為自變量建立的二次多項式模型預(yù)測精度最高，R2最大，RMSE和RE最小。

除參數(shù)影響外，建模方法的選擇對估算結(jié)果也有較大影響。逐步回歸分析是為了建立一個盡量多包含對因變量有顯著性影響的自變量，且盡可能提高方程預(yù)測精度和穩(wěn)定性的多元回歸方程。與單因素模型相比，多元逐步回歸模型在獼猴桃不同生育期具有更好的擬合估算效果，預(yù)測精度和效果均最優(yōu)，估測精度在幼果期、壯果期和全生育期分別能達(dá)到90.196%、92.757%和91.611%。

本文研究的是獼猴桃葉片SPAD與光譜變量間的定量關(guān)系，而利用遙感監(jiān)測大面積種植的作物還需要在植物冠層進(jìn)行修訂和發(fā)展，后續(xù)研究中需要進(jìn)一步探索獼猴桃冠層光譜與葉綠素含量之間的關(guān)系。

4 結(jié) 論

本研究將獼猴桃不同生育期葉片的高光譜數(shù)據(jù)與表征葉綠素相對含量的SPAD值進(jìn)行相關(guān)分析，利用微分技術(shù)提取紅邊信息，在傳統(tǒng)紅邊參數(shù)基礎(chǔ)上，引入紅邊偏度和紅邊峰度兩個新紅邊參數(shù)，分析其與SPAD的相關(guān)性。將與SPAD有顯著性相關(guān)的紅邊參數(shù)進(jìn)行單因素回歸建模和逐步多元回歸分析，得到以下結(jié)論：

表3 不同生育期多元逐步回歸模型

(a) Sλred-幼果期 Young fruit stage;(b)多元逐步回歸-幼果期 Stepwise regression model-Young fruit stage;(c)Sλred-壯果期 Fruit swelling stage;(d)多元逐步回歸-壯果期 Stepwise regression model-Fruit swelling stage; (e)Sλred-全期 Entire growth stage;(f)多元逐步回歸-全期 Stepwise regression model-Entire growth stage圖4 獼猴桃葉片不同生育期SPAD預(yù)測模型檢驗Fig.4 Cross-validated prediction of SPAD value of kiwifruit leaves at different growth stages

(1)在整個生長期中，不同SPAD值的獼猴桃葉片原始光譜差異明顯，表現(xiàn)為隨著SPAD值的升高，在可見光波段光譜反射率逐漸降低，近紅外波段光譜反射率則逐漸升高。

(2)獼猴桃葉片葉綠素含量不同，其反射光譜的紅邊參數(shù)呈現(xiàn)規(guī)律變化。不同SPAD值的葉片紅邊一階微分光譜曲線形狀發(fā)生改變，隨著SPAD值的升高，紅邊位置向長波方向移動，即“紅移”；紅邊幅值隨著SPAD值的增大而遞減，紅邊面積有所減??；紅邊曲線形狀由右偏逐漸轉(zhuǎn)變?yōu)樽笃?，峰度值也逐漸降低。

(3)植被的紅邊蘊含豐富的光譜信息，描述紅邊一階微分曲線形狀的紅邊參數(shù)—紅邊偏度，能夠更好地反映葉片葉綠素含量，在獼猴桃不同生育期，均以紅邊偏度Sλred建立的二次多項式模型具有更好的擬合能力和更高的預(yù)測效果，估算模型R2在0.821以上，預(yù)測R2在0.782以上。

(4)多元逐步回歸模型具有更好的擬合和估算效果，其估算精度和預(yù)測效果均比單因素變量建立的模型好，在幼果期、壯果期和全生育期，估算模型R2分別為0.836、0.877和0.857；且與單因素多項式回歸模型相比，多元逐步回歸模型更具穩(wěn)定性，其預(yù)測R2分別為0.848、0.926、和0.850。因此，在獼猴桃的不同生育期，可選擇用紅邊參數(shù)為自變量的多元逐步回歸模型對獼猴桃葉片的SPAD進(jìn)行長勢監(jiān)測。