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)林科技大學資源環(huán)境學院，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)林科技大學資源環(huán)境學院，陜西楊凌 712100)

為探索對冬小麥冠層葉綠素含量反應敏感的高光譜波段組合，同時比較不同光譜指數(shù)對小麥冠層葉綠素含量的估測效果，通過分析350～2 500 nm波段范圍內(nèi)原始光譜反射率及其一階導數(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)測模型決定系數(shù)均大于0.71，標準誤差均小于1.842。利用獨立試驗資料進行檢驗，表現(xiàn)最好的是RSI(FD689,FD609)和SASI(R491,R666)L=0.01，預測精度高達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、生長發(fā)育以及氮素狀況有較好的相關(guān)性，是植物營養(yǎng)脅迫、光合能力、生長和衰老的良好指針[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發(fā)育的動態(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)測葉綠素含量對作物長勢預測、施肥調(diào)控、產(chǎn)量評估等具有重要意義。

光譜指數(shù)是通過特定的高光譜遙感數(shù)據(jù)波段進行線性或非線性組合得到的一種光譜參數(shù)[2]，其建立時考慮了部分植物內(nèi)部的物理機制[3]，可以降低或消除環(huán)境背景如土壤、水體等帶來的噪聲，比單波段具有更好的靈敏性[4]，可以更準確地提取目標信息。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]，從而定性或定量評估植被生長狀況[6]。作物葉綠素含量作為能與反射光譜進行反演的重要指標，近年來在基于遙感技術(shù)的農(nóng)作物生長信息監(jiān)測上發(fā)揮著越來越大的作用。學者們一方面從葉綠素與光譜反射率之間的相關(guān)性入手，對各種光譜指數(shù)用于預測或模擬葉綠素含量的可行性進行評估[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，并對其進行精度評價[10-13]；也有學者對不同光譜指數(shù)對葉綠素估測的適宜性進行研究[14-16]。然而受田間管理、施肥、氣候等條件的影響，各類光譜指數(shù)與冬小麥葉綠素含量之間的相關(guān)性比較復雜。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。

通過光譜指數(shù)構(gòu)建葉綠素估算模型是進行冬小麥田間長勢監(jiān)測的重要途徑。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)，在大田試驗條件下，根據(jù)光譜指數(shù)對冬小麥葉綠素含量的估測能力以及光譜學原理，探索對冬小麥冠層葉綠素含量反應敏感的波段組合，建立基于光譜指數(shù)的冬小麥冠層葉綠素含量估測模型，并對這四種光譜指數(shù)反演葉綠素含量的精度及穩(wěn)定性進行對比分析，以期為今后在更大尺度平臺上監(jiān)測冬小麥葉綠素含量提供科學依據(jù)。

1　材料與方法

1.1試驗設(shè)計

本研究的冬小麥試驗地位于陜西省寶雞市扶風縣巨良農(nóng)場，地處108°01′03″ ～108°01′48″E，34°14′43″～34°33′21″N。該地區(qū)屬大陸性半濕潤季風氣候，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，年日照時數(shù)2 100 h以上。2013-2015年進行兩季冬小麥的種植及光譜和葉綠素含量(SPAD)的測定，其中2015年采集的數(shù)據(jù)用于葉綠素含量估測模型的建立，2014年的數(shù)據(jù)用于模型的驗證。供試冬小麥品種選用小偃22，小麥播種時間分別為2013年9月24-29日和2014年9月25-28日。小麥均實行機播，行距20 cm，播種密度約為每公頃450萬株。試驗區(qū)域為10 hm2，按面積分為14塊，每塊均勻分布3個采樣點，共設(shè)置42個試驗點。播前每公頃一次性基施優(yōu)質(zhì)復合肥300 kg，其他栽培管理措施同一般高產(chǎn)麥田。

1.2測定項目與方法

1.2.1光譜數(shù)據(jù)測定

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SCVHR 1024i型便攜式高光譜儀(通道數(shù)為1 024個，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)，選擇長勢均勻無病蟲危害的冬小麥試驗點進行光譜采集，測定時間選擇在晴朗無云的10:00-14:00，設(shè)定視角25°，每次采集光譜前進行參考板(白板)標定，探測器探頭垂直向下距冠層頂部約1 m，每個測試點測4條光譜曲線，以其平均值作為該樣點的光譜數(shù)據(jù)。

1.2.2冠層葉綠素含量測定

使用日本KONICA MINOLTA公司生產(chǎn)的SPAD(Soil Plant Analysis Development Unit) 502葉綠素計對冬小麥葉片的相對葉綠素含量進行無損測量。通常情況下，SPAD值可以直接作為表征葉綠素含量的相對值[19]。測量時與光譜數(shù)據(jù)采集同步，每個樣區(qū)對應光譜測量順序，選擇植株旗葉和倒二葉，分別測量葉尖、葉中、葉基，取平均值記錄。每個點測量三株，取平均值作為該樣點的冠層葉綠素含量。

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)是當前使用最廣泛的光譜指數(shù)，但其對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，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，可適當降低土壤背景影響，提高作物生理指標估測模型的預測精度。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，計算相應的決定系數(shù)，選取決定系數(shù)最大的波段，結(jié)合光譜學原理，確定葉綠素敏感波段和相應的光譜指數(shù)，進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分別為任意兩個波長的光譜反射率；FD(First Derivative Spectra)為一階導數(shù)光譜，F(xiàn)Dλ1和FDλ2分別為任意兩個波長相應的導數(shù)光譜。

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

為檢驗估算模型的精度，利用2014季同生長期測定的光譜和葉綠素數(shù)據(jù)進行獨立試驗資料驗證。將模型預測值與實測值進行回歸擬合，采用通用的決定系數(shù)(r2)、均方根誤差(RMSE)、相對誤差(RE)驗證模型的準確性和普適性。

(3)

(4)

冬小麥反射光譜及葉綠素數(shù)據(jù)基本統(tǒng)計及其相關(guān)性分析用Excel2013進行，各光譜指數(shù)、相關(guān)系數(shù)的計算、相關(guān)系數(shù)等值線圖繪制均在MATLAB7.0平臺下實現(xiàn)，精度檢驗的均方根及相對誤差在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。在可見光波段，由于葉綠素的強烈吸收，光譜反射率呈降低趨勢；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，一階導數(shù)光譜呈現(xiàn)明顯的上升趨勢；且隨著葉綠素含量升高，紅邊峰值形狀整體向右移動，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(A)和一階導數(shù)光譜曲線(B)

2.2冬小麥葉綠素含量與冠層原始光譜和一階導數(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附近到達最大，這個波段恰好為葉綠素強吸收帶；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波段呈極顯著負相關(guān)；在440～500 nm和1 700～1 780 nm等波段呈顯著負相關(guān)。相比原始光譜，一階導數(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烈干擾，對反演葉綠素的貢獻不穩(wěn)定，不能滿足田間條件下快速獲取作物信息的要求，所以不采用這個波段作為特征波段。對550～750 nm(橫軸)與350～550 nm(縱軸)的波段組合進行詳細分析，繪制等值線圖(圖3B)，能夠明顯看出最佳波段組合在410 nm和670 nm附近，通過對比分析，選取相關(guān)系數(shù)大且相對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)對冬小麥葉綠素含量的估測能力及光譜學原理，篩選出表現(xiàn)最好的波段組合，確定了估測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)測模型決定系數(shù)(r2)均大于0.71，標準誤差均小于1.842。通過對比發(fā)現(xiàn)，建立的模型中一階導數(shù)光譜的預測精度略高于原始光譜，這與前人研究結(jié)果一致[24]，說明對原始光譜求導可以降低或基本消除土壤等背景噪聲對冠層光譜的影響，提升預測精度。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試與檢驗

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年獨立實驗資料對上述建立的回歸方程分別進行測試，用預測值與實測值之間的決定系數(shù)r2、相對誤差RE和均方根誤差RMSE來評估模型的精度(表2)，結(jié)果顯示所有模型的決定系數(shù)均大于0.6。對比建模精度和驗證精度，驗證模型的決定系數(shù)均略小于構(gòu)建模型，而相對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在所有模型檢驗中表現(xiàn)最佳，決定系數(shù)達到0.767，預測精度達到98.2%，模型穩(wěn)定性較高。但二者的一階導數(shù)光譜預測精度明顯差于原始光譜，估測效果不佳，說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模型預測值與實測值的1∶1關(guān)系圖。

表2　冬小麥冠層葉綠素含量光譜指數(shù)估測模型及檢驗結(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模型實測值與預測值的比較

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轉(zhuǎn)向營養(yǎng)生長的階段，此時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狀況的關(guān)鍵時期。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數(shù)光譜變化規(guī)律非常明顯，原始光譜反射率在可見光波段，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。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反射造成的[25-26]，是植物光譜的最顯著標志[27]，同時這也是分析原始光譜和一階導數(shù)光譜相關(guān)性時，紅邊位置與葉綠素含量相關(guān)性達到最高的原因。葉綠素含量與原始光譜和一階導數(shù)光譜的相關(guān)性較強是基于光譜指數(shù)構(gòu)建葉綠素含量監(jiān)測模型的理論基礎(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，以提高辨識目標信息的能力和監(jiān)測模型的精度。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]認為冬小麥一階導數(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。本研究對一階導數(shù)光譜和原始光譜進行對比，也發(fā)現(xiàn)一階導數(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數(shù)光譜相比原始光譜，決定系數(shù)升高，標準誤差降低，提高了模型的精度。因為對光譜求導可以降低或基本消除土壤等背景噪聲對冠層光譜的影響，提高目標信息的提取效率。由此看來，一階導數(shù)光譜在今后的研究中有一定的潛力和開發(fā)價值。

對模型進行測試中發(fā)現(xiàn)，NDSI和RSI的原始光譜和一階導數(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，尤其是其一階導數(shù)光譜效果顯著差于原始光譜，說明一階導數(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出現(xiàn)不穩(wěn)定性，導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，但對土壤背景的變化較敏感，當植被覆蓋度在15%～25%時，DSI隨生物量的增加而增加。植被覆蓋度大于80%時，DSI對植被的靈敏度有所下降；SASI與NDSI相比，增加了根據(jù)實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)域的土壤噪聲對植被指數(shù)的影響，增強裸土與植被的可分性[30]，而對于高植被覆蓋區(qū)域，土壤噪聲明顯減少，所以SASI精度遜于NDSI，這也說明了SAVI僅在土壤線參數(shù)a=1、b=0(即非常理想的狀態(tài)下)時才適用。大田作物的生長不受人為控制，土壤背景與植被冠層之間的相互影響是非常復雜的，僅靠調(diào)節(jié)系數(shù)來解釋冬小麥冠層與土壤的關(guān)系還不能達到理想的估測效果。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，且一階導數(shù)光譜表現(xiàn)很不穩(wěn)定，在今后的研究中還需進一步提高精度，并考慮提取新的光譜指數(shù)來消除土壤背景對冠層光譜的干擾。

[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,王紀華,等.光譜指數(shù)用于葉綠素含量提取的評價及一種改進的農(nóng)作物冠層葉綠素含量提取模型[J].遙感學報,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]王紀華.農(nóng)業(yè)定量遙感基礎(chǔ)與應用[M].北京:科學出版社,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].作物學報,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)學報,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)學報,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,楊振宇,等.基于光譜分析的草地葉綠素含量估測植被指數(shù)[J].光譜學與光譜分析,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)預測水稻群體葉層全氮含量[J].作物學報,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[J].農(nóng)業(yè)工程學報,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研究[J].光譜學與光譜分析,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參數(shù)的高光譜監(jiān)測研究[D].南京:南京農(nóng)業(yè)大學,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,盛海君,顧 晶,等.應用SPAD值預測小麥葉片葉綠素和氮含量的初步研究[J].麥類作物學報,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)機械學報,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的最佳高光譜參數(shù)研究[J].中國農(nóng)業(yè)科學,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)工程學報,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.不同氮素營養(yǎng)水平的水稻冠層光譜紅邊參數(shù)及其應用研究[J].浙江大學學報(農(nóng)業(yè)與生命科學版),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)測小麥冠層氮素營養(yǎng)指標的比較[J].中國農(nóng)業(yè)科學,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.基于改進紅邊面積的夏玉米葉片氮素含量導數(shù)光譜監(jiān)測[J].西北農(nóng)林科技大學學報(自然科學版),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養(yǎng)及生長指標監(jiān)測研究[D].南京:南京農(nóng)業(yè)大學,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.冬小麥氮素營養(yǎng)及其冠層生物理化參量高光譜遙感監(jiān)測[D].楊凌:西北農(nóng)林科技大學,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,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

國家高新技術(shù)研究發(fā)展計劃(863計劃)項目(2013AA102401)；教育部高等學校博士學科點專項科研基金項目(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)絡出版時間：2016-08-31

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