區(qū)域尺度冬小麥葉綠素含量的高光譜預測和空間變異研究

郭 燕，程永政，黎世民，賀 佳，王來剛，劉 婷，王利軍，鄭國清

(河南省農業(yè)科學院農業(yè)經濟與信息研究所,河南鄭州 450002)

?

區(qū)域尺度冬小麥葉綠素含量的高光譜預測和空間變異研究

郭 燕，程永政，黎世民，賀 佳，王來剛，劉 婷，王利軍，鄭國清

(河南省農業(yè)科學院農業(yè)經濟與信息研究所,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)測技術，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據，利用相關分析和偏最小二乘法(PLSR)對SPAD進行建模預測，并采用地統計學方法進行空間變異制圖。結果表明，冬小麥葉片SPAD值在不同生長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數光譜進行預測，R2分別為0.653和0.995，均方根誤差分別為2.622和0.327，相對析誤差分別為1.549和13.66。綜合來看，二階導數光譜所建立的模型預測能力比原始光譜好。選擇拔節(jié)期和成熟期進行區(qū)域化表達，與實測得到的SPAD空間分布圖相比，采用全光譜數據和二階導數光譜數據預測的SPAD均表現出了較高的空間相似性，其中二階導數接近實測值。

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弱和衰老進程的重要指標[1-3]。傳統的葉綠素含量檢測方法一般基于破壞性取樣和有機溶劑提取濕化學分析方法[4]，難以滿足實時、快速、無損、準確診斷的要求，也不符合精準農業(yè)的需要。近年來，隨著近地遙感技術的發(fā)展，通過獲取近地地物的高光譜，可以直接對地物進行光譜差異的定量分析，在作物葉綠素含量、葉片營養(yǎng)元素、葉面積指數等生理生態(tài)參數的估算研究中表現出較為明顯的優(yōu)勢[3,5-7]。

在葉綠素含量的預測、反演方面，利用地面冠層高光譜估測作物葉綠素含量(soil and plant analyzer development，SPAD)已經成為一種重要手段。20世紀70年代，Thomas等[8]利用光譜分析技術對甜椒葉片的含氮量進行了檢測，證明了光譜技術檢測植物氮素含量的可行性。隨后，國內外許多學者在此方面進行了相關的研究分析。吳長山等[9]、胡 昊等[10]、Delegido等[3]研究發(fā)現，水稻、玉米、大麥等作物冠層光譜反射率在可見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系，并提出了光譜“紅邊”位置在植被葉綠素濃度估計中的作用。趙 祥等[12]應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能夠準確估算冬小麥冠層葉綠素濃度。以上這些研究主要是通過小區(qū)試驗或者是在特定的區(qū)域內，利用高光譜遙感技術進行葉綠素含量反演或估算，而針對區(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)境的適應性也不同，因此開展區(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)，以冬小麥為研究對象，分析了冬小麥冠層反射光譜與SPAD之間的定量關系，采用全波段數據構建區(qū)域尺度冬小麥SPAD最佳估算模型，并進行區(qū)域尺度SPAD的空間變異制圖，以期為冬小麥大田生長狀況的適時動態(tài)監(jiān)測提供參考。

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，屬亞溫帶季風性氣候，四季分明；其氣候特點是春季干旱多風，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hm2以上，是河南省糧食主產區(qū)之一，也是國家農業(yè)信息化首批試點城市。考慮到樣點的空間代表性和均勻性，在許昌縣、鄢陵縣、禹州市、襄城縣、長葛市5市/縣布設22個觀測樣點，在小麥的生育期進行了4次觀測和生長情況的記錄。

1.2 數據采集

1.2.1 高光譜數據采集及預處理

在冬小麥生長的關鍵時期(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量冬小麥冠層光譜反射率，儀器視場角為25°，波段范圍為325～1 075 nm。所有光譜測量均在天氣晴朗、無風或者風速較小時進行，測量時間為10:00-14:00，每次測量時需用白色標準版校準1次，探頭垂直向下，探頭距冠層的垂直高度約30 cm。每個樣區(qū)測定3個樣點，每點重復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個樣區(qū)共獲取有效光譜77條。

每個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法進行光譜平滑并進行散射校正，隨后對光譜進行二階微分求導，具體過程由the Unscrambler X10.1和R軟件實現。

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

1.2.2 葉綠素含量測定

采用SPAD-502儀器通過測量葉片對兩個波段650 nm和940 nm的吸收率，來評估當前葉片中的葉綠素相對含量或“綠色程度”。Marenco等[14]研究發(fā)現，SPAD-502測量葉綠素含量的精度很高，幾乎跟化學實驗測得的葉綠素結果一樣。因此，可以利用SPAD值作為衡量葉綠素含量的指標。在每個生育期進行冠層光譜采集的同時，在每個子樣點附近1 m范圍內隨機選擇10株冬小麥，用SPAD-502在所測光譜位點測定10個功能葉(倒二葉)的SPAD值，為保證兩種數據的精確對應，每片葉從葉尖到葉鞘均勻測定9點，避開葉脈干擾，取平均值作為該葉片的SPAD值。

1.3 數據分析

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、典型相關分析和主成分分析的思想，實現了數據結構的簡化，不但可以解決自變量之間多重相關的問題，同時又克服了主成分分析對自變量解釋能力較強，但對因變量解釋能力較弱的缺點，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證(Leave-One-Out)[16]。PLSR建模在光譜處理軟件The Unscrambler X 10.1中實現。

模型的評價參數主要用決定系數(R2)、均方根誤差(RMSE)、標準預測誤差(SEP)、相對分析誤差(RPD= SEP/ RMSE)。其中R2和RPD越大，預測效果越好。另外，當RPD>2時說明模型具有極好的預測能力，當1.4

1.3.2 空間插值SPAD預測制圖

目前，區(qū)域化的方法主要是采用地統計學中的空間插值法進行由點到面的延伸。現代地統計自20世紀50年代首次被應用于礦藏勘探工作中，目前已經廣泛應用于空間域和時空域自然變量的定量化研究，如空間變異和結構分析、空間預測等眾多領域[18]。本研究利用空間逆距離插值法對SPAD進行區(qū)域化預測分析。其公式為：

其中Z*(x0)是待估點x0處的估計值，Z(xi)是實測值，λi是分配給每個實測值的權重，且∑λi=1。n是參與x0點估值的實測值的數目。

本過程用ArcGIS10.1軟件進行。

2 結果與分析

2.1 不同生長階段冬小麥葉綠素含量的變化

從測定結果(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，其中孕穗期的SPAD值最大(57.77)。標準差、標準誤差和變異系數從拔節(jié)期到灌漿期均呈減小的趨勢，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，導致冬小麥光譜信息逐漸不明顯有關。進一步采用Tukey-Kramer方法進行均值比較，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，其余時期間差異均顯著(圖2)。

2.2 不同地點冬小麥葉綠素含量的差異

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

表1 不同生長階段冬小麥葉綠素含量(SPAD值)的統計特征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 不同地點冬小麥SPAD值的統計分析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、長葛市和鄢陵縣。如果區(qū)間包含有0值，則表示地點間存在顯著差異。
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 不同地點冬小麥SPAD含量Tukey同時95%的置信區(qū)間SPAD的均值差分對比分析
Fig.2 One-way Anova analysis of SPAD at the five regions

2.3 冬小麥的冠層光譜特征

從冬小麥四個時期的光譜特征曲線(圖3)看，在可見光波段(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，說明在孕穗期，對可見光波段吸收多，葉片光合作用強。

將冬小麥冠層光譜原始反射率及其二階導數微分反射率分別與葉片SPAD值進行Pearson相關分析，結果(圖4)表明，原始光譜在可見光波段(350～760 nm)與SPAD值呈負相關；在“紅邊”處(760 nm附近)相關系數迅速變?yōu)?，在“紅邊”肩部達到最大值；二階導數微分光譜與SPAD值之間的相關系數在一些波段處高于原始光譜與SPAD值的相關系數，這是由于求導過程去除了土壤背景對原始光譜的影響。

圖3 四個時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值的相關系數Fig.4 Coefficient of correlation between SPAD and reflectance and second derivative reflectance

2.4 SPAD預測模型的評估

采用PLSR構建的模型，進行小麥SPAD預測，其中采用原始光譜預測的R2為0.653，采用二階導數光譜預測的R2為0.995(圖5)。從預測誤差看，原始光譜的RMSE和RPD值分別為2.622和1.549，二階導數光譜的RMSE和RPD分別為0.327和13.66。綜合上述3個指標來看，利用二階導數建立的預測模型具有較好的預測能力。

圖5 SPAD預測結果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

采用地統計學中的空間插值方法，選擇冬小麥拔節(jié)期和成熟期的SPAD值進行區(qū)域尺度葉綠素含量的預測變異分析。與實測得到的SPAD空間分布圖相比，采用原始光譜數據和二階導數光譜數據預測的SPAD值均表現出了較高的空間相似性(圖6)。相關分析表明，拔節(jié)期和成熟期實測值與原始光譜預測值的空間相關系數分別為0.76和0.83，與二階導數光譜預測值的空間相關系數分別為0.99和0.98。這說明，利用二階導數光譜得到的空間分布與實測結果更為接近。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部分不同生長階段和不同縣市統計分析出的結果相一致。說明在區(qū)域尺度上光譜測量手段是可以被用來實時快速地獲取SPAD空間分布信息。

3 討 論

近地高光譜遙感技術的迅速發(fā)展為利用定量遙感方法獲取農作物生理生化參數提供了更精細的數據來源，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，相比傳統的測試方法可以節(jié)省人力、物力和財力。SPAD值是反映作物光合作用強弱、長勢好壞的重要參量，目前很多學者已經開展了利用光譜估算葉綠素含量的研究，但模型預測精度和穩(wěn)定性依然存在矛盾[9-10,19-21]。目前，還有國內外許多學者一直致力尋找對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某一類作物或者是區(qū)域范圍利用高光譜遙感技術進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值對高光譜的敏感波段不盡相同，植被指數在不同區(qū)域環(huán)境的適應性也不同，因而開展區(qū)域尺度范圍內SPAD值估測對了解作物長勢、產量預測等具有重要意義。本研究基于地統計學中屬性均具有空間相關性的特點，通過空間插值技術，將獲取的點數據推演到面上，進行SPAD值空間變異性的區(qū)域范圍的圖形化表達，以提供給政府決策部門和農民最為直觀的信息。

本研究針對反射波譜數據，從全光譜波段角度，采用PLSR對冬小麥葉綠素含量進行不同時期的研究分析，探索建立一個統一的預測模型。在本研究中采用原始光譜預測SPAD值的能力較二階導數光譜差。根據Chang等[17]的研究，當RPD大于2的時候，預測模型具有極好的預測能力。綜合R2、RMSE和RPD來看，采用二階導數光譜對SPAD值可以達到較好的預測效果。在后續(xù)的研究中，我們將會對試驗進一步完善，對研究結果是否能代表北方冬小麥的特征，能否正確用于域范圍內的估算將作進一步驗證。

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.水稻氮素營養(yǎng)高光譜遙感診斷模型[J].應用生態(tài)學報,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.基于光譜指數的冬小麥冠層葉綠素含量估算模型研究[J].麥類作物學報,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含量的高光譜估測模型[J].核農學報,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]吳長山,項月琴,鄭蘭芬,等.利用高光譜數據對作物群體葉綠素密度估算的研究[J].遙感學報,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的冬小麥氮營養(yǎng)診斷研究 [J].中國農業(yè)生態(tài)學報,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.基于高光譜數據的小麥葉綠素含量反演[J].地理與地理信息科學,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[J].生態(tài)學報,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.地統計學在土壤學中的應用[M].北京:中國農業(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.基于反射光譜技術的植物葉片SPAD值預測建模方法研究[J].光譜學與光譜分析,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.利用光譜指數反演植被葉綠素含量的精度及穩(wěn)定性研究[J].光譜學與光譜分析,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

時間：2017-07-07

網絡出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20170707.1816.030.html

2016-12-20

2017-02-07

國家自然科學基金項目(41601213)；高分辨率對地觀測系統重大專項(09-Y30B03-9001-13/15)；河南省科技攻關重點項目(172102110090)；河南省農業(yè)科學院優(yōu)秀青年基金項目(2016YQ21)

E-mail：10914063@zju.edu.cn

S512.1；S314

A

1009-1041(2017)07-0970-08