基于高光譜的甜菜SPAD值估算研究

王　輝，田海清，李　哲，徐　琳，李　斐，史樹德

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院， 呼和浩特　010018)

?

基于高光譜的甜菜SPAD值估算研究

王輝，田海清，李哲，徐琳，李斐，史樹德

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院， 呼和浩特010018)

摘要：葉綠素作為植物體內(nèi)參與光合作用的重要色素，其含量對(duì)作物生長狀況、產(chǎn)量和品質(zhì)有很大影響。為此，利用野外便攜式ASD光譜儀，實(shí)測了田間甜菜冠層光譜數(shù)據(jù)，且用SPAD-502葉綠素儀測定葉片SPAD值?；谠脊庾V和一階導(dǎo)數(shù)光譜與SPAD值相關(guān)性，選取植被指數(shù)和波段深度信息建立SPAD值預(yù)測模型，并用對(duì)照田試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。通過對(duì)比植被指數(shù)建立的回歸模型及波段深度分析，結(jié)合多元逐步回歸建立的估算模型可知，波段深度比(BDR)結(jié)合SMLR建立的估算模型驗(yàn)證結(jié)果最好(RMSE=2.54，RE=4.5%)。研究結(jié)果表明：導(dǎo)數(shù)處理能提高光譜數(shù)據(jù)與SPAD值相關(guān)系數(shù)，波段深度信息結(jié)合多元逐步回歸相比植被指數(shù)能提高SPAD值估算精度。

關(guān)鍵詞：葉綠素；光譜；SPAD值；甜菜

0引言

葉綠素作為植物進(jìn)行光合作用的重要色素，其含量與植物氮營養(yǎng)狀況有很好的相關(guān)性，是植物光合能力、氮素脅迫和植物長勢的指示器[1]。傳統(tǒng)的葉綠素含量測量方法大多在室內(nèi)用化學(xué)試劑測定，須破壞植株且測定方法繁瑣、結(jié)果等待時(shí)間長、不能及時(shí)地指導(dǎo)田間植物生產(chǎn)活動(dòng)，因而尋求一種無損、快速、高效的葉綠素含量測試方法勢在必行[2-3]。已有研究表明：便攜式葉綠素儀(SPAD-502)測定的葉片SPAD值，是葉綠素含量的相對(duì)值，與葉綠素含量實(shí)測值之間有很好的相關(guān)性，測定簡便快捷且不受光照、天氣、時(shí)間等外界條件的限制[4-5]。

高光譜分辨率遙感具有分辨率高及波段多等優(yōu)點(diǎn)，可監(jiān)測作物生長發(fā)育過程中細(xì)微的光譜變化[6]。利用植物冠層反射高光譜數(shù)據(jù)，結(jié)合植物葉片SPAD值來估測植物葉綠素含量，已成為作物生長過程中氮素診斷的一種重要手段。如Broge等用不同氮素水平下的小麥冠層光譜數(shù)據(jù)，指出比值植被指數(shù)(RVI)能有效地預(yù)測冠層葉綠素含量[7]。Jin等用光譜數(shù)據(jù)結(jié)合生物量干重，建立葉片葉綠素含量(LTCC)預(yù)測模型，比逐步回歸建立的模型預(yù)測精度高出很多[8]。楊峰等用二次修正調(diào)節(jié)植被指數(shù)(MSAVI2)、800nm處光譜反射率建立水稻、小麥冠層葉綠素線性回歸模型，決定系數(shù)R2均在0.85以上[9]。姚付啟等用人工神經(jīng)網(wǎng)絡(luò)建立法國梧桐、毛白楊葉片SPAD值高光譜估測模型，決定系數(shù)R2達(dá)到0.96[10]。朱文超等基于水稻冠層光譜反射率，采用連續(xù)投影算法(SPA)和偏最小二乘回歸(PLSR)結(jié)合建立水稻葉片SPAD值估算模型，能快速估測SPAD值[11]。陳志強(qiáng)等基于兩年完整生育期玉米葉片高光譜數(shù)據(jù)，通過對(duì)光譜反射率和一階導(dǎo)數(shù)構(gòu)建歸一化指數(shù)(NDSI)、比值指數(shù)(RSI)、差值指數(shù)(DSI)等植被指數(shù)，得出DSI(R680附近,R710附近)能有效預(yù)測葉片SPAD值[12]。

筆者基于前人研究辦法，以整個(gè)生育期的甜菜田間試驗(yàn)為基礎(chǔ)，構(gòu)建不同光譜參數(shù)，并選用不同回歸方法建立甜菜葉片SPAD值預(yù)測模型，且用驗(yàn)證田數(shù)據(jù)對(duì)預(yù)測模型進(jìn)行驗(yàn)證和評(píng)價(jià)，最終為甜菜田間氮素的實(shí)時(shí)管理提供技術(shù)支持。

1材料與方法

1.1試驗(yàn)設(shè)計(jì)

1)試驗(yàn)小區(qū):試驗(yàn)于2014年在內(nèi)蒙古赤峰市松山區(qū)太平地鎮(zhèn)甜菜規(guī)模種植區(qū)域，供試甜菜品種為KWS1676；甜菜幼苗在大棚內(nèi)培育，于5月中下旬移栽至試驗(yàn)田內(nèi)，收獲時(shí)間在9月下旬至10月上旬。小區(qū)面積40 m2，行距50 cm，株距25 cm，設(shè)4個(gè)重復(fù)，試驗(yàn)小區(qū)按完全隨機(jī)排列布置。試驗(yàn)采用單因素(N)設(shè)計(jì)，共設(shè)7個(gè)氮肥水平(N0，N1，N2，N3，N4，N5，N6)，施肥量依次為0、15、32.5、76、108.5、163、217.5kg/hm2，田間管理按常規(guī)方式進(jìn)行。

2)對(duì)照試驗(yàn)田:對(duì)照試驗(yàn)田位于試驗(yàn)小區(qū)附近，甜菜品種和幼苗移栽時(shí)間一致，施氮量為15kg/hm2，當(dāng)?shù)靥鸩朔N植常規(guī)施肥量、田間管理和試驗(yàn)小區(qū)田間管理一致。

1.2冠層光譜測定

采用美國ASD公司(Analytical Spectral Devices)產(chǎn)ASD Qualityspec光譜儀 (350～1 830nm)進(jìn)行甜菜冠層光譜測定。其中，350～1 000nm采樣間隔為1.4nm，光譜分辨率為3nm；1 000～1 830nm光譜采樣間隔為2nm，光譜分辨率為10nm。光譜采集時(shí)間選擇在晴朗無云無風(fēng)，北京時(shí)間10:00-14:00時(shí)之間進(jìn)行，采集時(shí)探頭垂直向下，距甜菜冠層1m，探頭視場角為25°；每個(gè)樣點(diǎn)測量4次光譜，平均后作為采樣點(diǎn)光譜，每小區(qū)光譜測定前進(jìn)行標(biāo)準(zhǔn)參考白板校正。對(duì)已測光譜的甜菜樣品，用SPAD-502葉綠素儀測定甜菜冠層葉片SPAD值，多次測量后取平均，作為該株樣品的SPAD值。

1.3數(shù)據(jù)分析

1.3.1植被指數(shù)

根據(jù)已有的研究成果，本文列出了4種常用的植被指數(shù)來建立葉綠素估算模型，分別是歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、采用Guyot法測定的紅邊位置(REIP)和轉(zhuǎn)化型葉綠素吸收反射指數(shù)(TCARI)。各植被指數(shù)計(jì)算公式如表1所示。

表1　植被指數(shù)計(jì)算公式

1.3.2多元逐步回歸

多元逐步回歸是處理光譜數(shù)據(jù)最基本、最常用的方法。該方法是在全部自變量中(n個(gè))中選取對(duì)y作用最顯著的變量x1，在余下的n-1個(gè)變量中選取對(duì)y作用顯著的x2，由x1和x2建立二元回歸方程并檢驗(yàn)x1作用是否顯著；如不顯著剔除x1，引入下一個(gè)對(duì)y顯著的變量x3，并驗(yàn)證x3作用是否顯著，依次類推選擇并驗(yàn)證所用對(duì)y作用顯著的變量為全部顯著自變量構(gòu)建的方程即為所求的最優(yōu)回歸方程，有

y=a0+a1x1+a2x2+…+akxk

(1)

其中，a0為回歸常數(shù)；a1,a2，…，ak為回歸系數(shù)；x1,x2，…，xk為引入顯著變量。

1.3.3波段深度分析

波段深度分析是指對(duì)冠層光譜在550～750nm波段范圍內(nèi)進(jìn)行連續(xù)統(tǒng)去除變換。圖1為連續(xù)統(tǒng)去除變換示意圖，虛線為包絡(luò)線，點(diǎn)畫線為去除包絡(luò)線后的光譜曲線。實(shí)際光譜曲線是由離散樣點(diǎn)組成，所以可用連續(xù)的折線來近似光譜曲線的包絡(luò)線[13]。連續(xù)統(tǒng)去除主要為增強(qiáng)光譜曲線在吸收紅谷外的吸收特征，增大各光譜曲線間的差異。

圖1　包絡(luò)線去除

波段深度(band depth，BD)、波段深度比(band depth ratio，BDR)，歸一化波段深度指數(shù)(normalized band depth index，NBDI)、歸一化面積波段深度(band depth normalized to band area，BNA)是波段深度信息的4種主要表征方式。連續(xù)統(tǒng)去除和波段深度信息的計(jì)算公式為

(2)

BD=1-R ′

(3)

(4)

(5)

(6)

其中，R ′為經(jīng)過連續(xù)統(tǒng)去除的波段反射率；R為550～750nm波段的反射率；RC為相應(yīng)波段連續(xù)統(tǒng)線上的值；BD為連續(xù)統(tǒng)550～750nm波段范圍內(nèi)的波段深度值；BDmax為連續(xù)統(tǒng)550～750nm波段范圍內(nèi)最大波段深度值；BDarea為連續(xù)統(tǒng)550～750nm波段范圍內(nèi)吸收范圍面積。

1.3.4模型評(píng)價(jià)方法

利用Viewspectral進(jìn)行數(shù)據(jù)求導(dǎo)和導(dǎo)出，在SPSS19.0軟件和Excel中進(jìn)行后期分析。根據(jù)植被指數(shù)和波段深度信息建立SPAD值估算模型，并用均方根誤差(RMSE)和相對(duì)誤差(RE)對(duì)模型效果進(jìn)行評(píng)價(jià)。

2結(jié)果與分析

2.1甜菜不同氮素水平下光譜響應(yīng)

由于甜菜生長發(fā)育中不同生長階段和氮肥用量的影響，其生物量、冠層高度和對(duì)地面的覆蓋程度都有變化，冠層反射光譜特征也隨之變化，如圖2所示。由圖2可知：甜菜冠層光譜響應(yīng)曲線波形基本一致，在550nm綠峰處光譜反射率和750～1 350nm處反射率有明顯差異，而在600～750nm處差異很??；不同氮素水平下的冠層反射光譜，近紅外反射率隨施氮水平的提高而增大，可見光的反射率隨施氮量增加而降低。

圖2　不同氮素水平下冠層光譜響應(yīng)

Fig.2Response of canopy spectral reflectance under different nitrogen levels

2.2原始光譜反射率與SPAD值相關(guān)性分析

對(duì)甜菜冠層光譜數(shù)據(jù)和甜菜葉片SPAD值進(jìn)行相關(guān)分析，相關(guān)系數(shù)曲線如圖3所示。

圖3　原始光譜與SPAD值相關(guān)性

從圖3中可以看出：在可見光區(qū)域(400～780nm)處相關(guān)系數(shù)較高，呈顯著負(fù)相關(guān)，其中530nm和710nm處附近相關(guān)系數(shù)最高，其他波段處附近相關(guān)性較低。

2.3一階導(dǎo)數(shù)光譜與SPAD值相關(guān)性分析

對(duì)原始光譜反射率進(jìn)行一階導(dǎo)數(shù)變換，求得導(dǎo)數(shù)光譜與SPAD值進(jìn)行相關(guān)分析，相關(guān)系數(shù)曲線如圖4所示。從圖4中可以看出：經(jīng)導(dǎo)數(shù)變換后光譜在475、645、678nm處附近相關(guān)系數(shù)較高，其中在645nm處取得最大值(r=0.69)。對(duì)比原始反射率與SPAD值相關(guān)性曲線，可以看出導(dǎo)數(shù)處理后，光譜數(shù)據(jù)與SPAD值相關(guān)性明顯提高，且相關(guān)性較高的波段數(shù)增多，說明導(dǎo)數(shù)處理能提取隱藏在光譜數(shù)據(jù)中與SPAD值相關(guān)信息。

圖4　一階導(dǎo)數(shù)光譜與SPAD值相關(guān)性

2.4植被指數(shù)建立估算模型

根據(jù)甜菜冠層光譜數(shù)據(jù)和指數(shù)計(jì)算方法，構(gòu)建植被指數(shù)并對(duì)葉片SPAD值進(jìn)行估算。模型構(gòu)建方法為簡單線性函數(shù)，y=a+bx。其中，y代表甜菜地上部生物量；x代表冠層光譜構(gòu)建的植被指數(shù)；a、b、c為常數(shù)，結(jié)果如表2所示。

表2　植被指數(shù)建立的SPAD值估算模型

由表2可知：4種植被指數(shù)建立估算模型中，REIP建立的SPAD值估算模型結(jié)果最好(RMSE=2.78，RE=4.78%)，NDVI、RVI、TCARI構(gòu)建的估算模型結(jié)果相對(duì)較差。選擇該模型對(duì)采集的驗(yàn)證樣品進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如圖5所示。

圖5　REIP的甜菜SPAD值驗(yàn)證結(jié)果

2.5波段深度分析在甜菜SPAD估算

應(yīng)用多元逐步回歸對(duì)進(jìn)行包絡(luò)線去除提取的4種波段深度信息(BD、BDR、NBDI、BNA)建立甜菜葉片SPAD值估算模型。表3列出了SMLR與波段深度信息結(jié)合建立的模型的驗(yàn)證結(jié)果。其中，BDR與SMLR建立的估算模型結(jié)果最好(RMSE=2.54，RE=4.5%),NBDI與SMLR建立的結(jié)果次之，BD和BNA與SMLR建立的估算模型較差。BDR與SMLR建立的估算模型的驗(yàn)證結(jié)果如圖6所示。

表3　波段深度分析結(jié)合SMLR的甜菜SPAD值估算結(jié)果

3結(jié)論與討論

以田間甜菜試驗(yàn)為基礎(chǔ)，分析整個(gè)生育期甜菜冠層原始光譜和一階導(dǎo)數(shù)光譜與葉片SPAD值相關(guān)關(guān)系。根據(jù)冠層光譜反射率，構(gòu)建植被指數(shù)建立SPAD值估算模型，并與波段深度分析結(jié)合多元逐步回歸建立SPAD值估算模型相比較。結(jié)果表明：①原始光譜與一階導(dǎo)數(shù)光譜和葉片SPAD值相關(guān)性均達(dá)到顯著水平，其中一階導(dǎo)數(shù)光譜與SPAD值相關(guān)性較好；②通過植被指數(shù)建立的甜菜葉片SPAD值估算模型，REIP建立的模型結(jié)果最好(RMSE=2.78，RE=4.78%)；③通過波段深度分析與多元逐步回歸結(jié)合建立的估算模型，BDR結(jié)合SMLR建立估算模型最好(RMSE=2.54，RE=4.5%)，相比植被指數(shù)估算精度有所提高。

圖6　BDR結(jié)合SMLR的甜菜SPAD值驗(yàn)證結(jié)果

參考文獻(xiàn)：

[1]史典義,劉忠香,金危危.植物葉綠素合成、分解代謝及信號(hào)調(diào)控[J].遺傳，2009,31(7):698-704.

[2]孫紅，李民贊，趙勇，等.冬小麥生長期光譜變化特征與葉綠素含量監(jiān)測研究[J].光譜學(xué)與光譜分析，2010,30(1):192-196.

[3]宋文沖，胡春勝，程一松，等.作物氮素遙感研究進(jìn)展[J].土壤通報(bào)，2006,37(2):369-372.

[4]趙士誠，何萍，仇少軍，等.相對(duì)SPAD值用于不同品種夏玉米氮肥管理的研究[J].植物營養(yǎng)與肥料學(xué)報(bào)，2011,17(5):1091-1098.

[5]賈良良，陳新平，張福鎖.葉綠素儀與植株硝酸鹽濃度測試對(duì)冬小麥氮營養(yǎng)診斷準(zhǔn)確性的比較研究[J].華北農(nóng)學(xué)報(bào)，2007,22(6):157-160.

[6]姚云軍, 秦其明,張自力,等.高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用進(jìn)展研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008, 24(7):301-306.

[7]Broge N H，Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat rom spectral reflectance data[J].Remote Sensing of Environment,2002,81:41-57.

[8]Jin XL,Wang K R,Xiao C H,et al.Comparison oftwo methods for estimation of leaf total chlorophyll content using remote sensing in wheat[J].Field Crop Research,2012,135:24-29.

[9]楊峰,范亞民,李建龍,等.高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度[J].農(nóng)業(yè)工程學(xué)報(bào),2010, 26(2): 237-245.

[10]姚付啟,張振華,楊潤亞,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(S2):123-129.

[11]朱文超,成芳.轉(zhuǎn)基因水稻及其親本葉片的可見-近紅外光譜分析[J].光譜學(xué)與光譜分析,2012, 32(2):370-373.

[12]陳志強(qiáng)，王磊，白由路，等.整個(gè)生育期玉米葉片SPAD高光譜預(yù)測模型研究[J].光譜學(xué)與光譜分析，2013,33(10):2838-2842.

[13]童慶禧，張兵，鄭蘭芬.高光譜遙感原理、技術(shù)與應(yīng)用[M].北京：科學(xué)出版社，2006.

Models of Estimating Sugar Beet SPAD Using Hyperspectral

Wang Hui, Tian Haiqing, Li Zhe, Xu Lin, Li Fei, Shi Shude

(College of Mechanic and Engineering, Inner Mongolia Agricultural University，Hohhot 010018，China)

Abstract：Chlorophyll plays an important role in photosynthesis processing in the plants, the content of which has an effect on the crop conditions, yield and qualities. In this study, we have used a portable ASD spectrometer measured the canopy spectral data of sugar beet, and we also measured SPAD value through SPAD-502 chlorophyll meter. We selected vegetation index and band information to establish the depth SPAD value prediction model base on the correlation between original spectrum and the first derivative of the SPAD values, and then we used the field test data to validate this model. By comparing the regression model established by the vegetation index and the estimation model established by the depth of the band combines multiple stepwise regression analysis, the result of band depth ratio (BDR) combined estimation model validation SMLR is much better (RMSE = 2.54, RE = 4.5%). The results showed that the derivative of the spectral data processing can improve the value of the correlation coefficient with the SPAD, and the band combines depth information multivariate regression, compared to vegetation index estimation model, can improve the accuracy of SPAD value better.

Key words：chlorophyll; hyperspectral; SPAD value; sugar

文章編號(hào)：1003-188X(2016)05-0176-05

中圖分類號(hào)：S123

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡介：王輝(1990-),男，河南南陽人，碩士研究生，(E-mail) wh19900828@qq.com。通訊作者：田海清(1973-)，男，呼和浩特人，教授，博士生導(dǎo)師，(E-mail)hqtian@126.com。

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(41261084)；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專項(xiàng)(CARS-210402)

收稿日期：2015-04-14