基于光譜變換的低溫脅迫下冬小麥葉綠素含量估測(cè)研究*

張雪茹, 馮美臣, 楊武德, 王 超, 郭小麗, 史超超

?

基于光譜變換的低溫脅迫下冬小麥葉綠素含量估測(cè)研究*

張雪茹, 馮美臣**, 楊武德, 王 超, 郭小麗, 史超超

(山西農(nóng)業(yè)大學(xué)旱作農(nóng)業(yè)工程研究所 太谷 030801)

近年來(lái), 凍害已成為影響我國(guó)冬麥區(qū)的農(nóng)業(yè)氣象災(zāi)害之一, 及時(shí)、快速、準(zhǔn)確地獲取冬小麥葉綠素含量對(duì)于監(jiān)測(cè)冬小麥凍害發(fā)生具有極其重要的意義。本研究通過(guò)低溫脅迫試驗(yàn), 在拔節(jié)期對(duì)兩個(gè)冬麥品種進(jìn)行-6 ℃, 4 h、8 h和12 h的脅迫處理后, 測(cè)定其冠層光譜反射率, 并對(duì)原始光譜數(shù)據(jù)進(jìn)行15種典型變換處理, 分析比較不同光譜變換下冬小麥葉綠素含量的PLSR模型, 篩選出能夠表征低溫脅迫下冬小麥葉綠素含量的最佳光譜變換方式。結(jié)果表明, 隨低溫脅迫時(shí)間的延長(zhǎng), 兩個(gè)冬小麥品種葉綠素含量呈降低趨勢(shì), 隨著低溫脅迫后天數(shù)的增加, 各處理與對(duì)照的差異逐漸減小。脅迫后5 d, 近紅外區(qū)域反射率有較大升高, 并隨低溫脅迫后時(shí)間的延長(zhǎng)而升高; 在可見(jiàn)光區(qū)域, 短期內(nèi)差異不明顯。脅迫后10 d、20 d、35 d, 黃、紅波段逐漸趨于水平, 同時(shí)近紅外區(qū)域反射率差異逐漸縮小, 可見(jiàn)光區(qū)域光譜反射率出現(xiàn)不同程度的上升。對(duì)原始光譜數(shù)據(jù)進(jìn)行15種典型變換處理, 發(fā)現(xiàn)原始光譜的倒數(shù)、對(duì)數(shù)、冪、平方根等變換難以提高與葉綠素含量的相關(guān)性, 且建模效果較差。除原始光譜對(duì)數(shù)的一階微分(T6)外, 其他微分變換處理的葉綠素含量診斷模型都優(yōu)于原始光譜。綜合考慮模型的校正、驗(yàn)證效果、模型最佳因子數(shù)以及相對(duì)分析誤差的大小, 二階微分變換處理(T15)葉綠素含量校正模型的2和RMSE分別為0.930、0.340, 驗(yàn)證模型的2為0.753, 表明基于T15的光譜變換數(shù)據(jù)可實(shí)現(xiàn)低溫脅迫下葉綠素含量的準(zhǔn)確估算, 為最佳光譜變換方式。

冬小麥; 葉綠素含量; 光譜變換; 低溫脅迫; 偏最小二乘法

葉綠素含量是衡量作物光合能力和生長(zhǎng)狀況的重要指標(biāo)。近年來(lái), 拔節(jié)期凍害已成為影響我國(guó)北方冬麥區(qū)主要的農(nóng)業(yè)氣象災(zāi)害[1]。及時(shí)、快速、準(zhǔn)確地獲取冬小麥葉綠素含量對(duì)于抵御冬小麥凍害發(fā)生具有極其重要的意義。常規(guī)的葉綠素含量測(cè)定方法操作過(guò)程繁瑣且耗時(shí)費(fèi)力, 因此, 開(kāi)展快速、無(wú)損的葉綠素含量診斷技術(shù)是實(shí)現(xiàn)冬小麥凍害監(jiān)測(cè)的重要舉措。

隨著遙感技術(shù)的出現(xiàn), 不僅可以確定大范圍最低溫度的時(shí)空變化特征, 而且可以實(shí)現(xiàn)對(duì)凍害進(jìn)行大面積精確的監(jiān)測(cè)和統(tǒng)計(jì)[2]。研究表明大尺度遙感監(jiān)測(cè)凍害已取得一定的研究成果[3-8], 但研究所用遙感影像分辨率較低, 監(jiān)測(cè)效果很難滿足目前的需求[9]。因此, 利用地面高光譜成為作物凍害監(jiān)測(cè)的一個(gè)重要發(fā)展方向。光譜數(shù)據(jù)變換對(duì)消除背景、噪音、異常值、降低內(nèi)外部環(huán)境因子的干擾, 以及放大提取光譜吸收特征方面具有明顯的效果[10]。梁亮等[11]通過(guò)分析18種高光譜指數(shù)對(duì)葉綠素的估測(cè)能力, 篩選出最優(yōu)指數(shù), 并用LS-SVR法建立了小麥(L.)冠層葉綠素含量的預(yù)測(cè)模型。賀軍亮等[12]研究表明, 倒數(shù)、導(dǎo)數(shù)、對(duì)數(shù)和標(biāo)準(zhǔn)化可以提高光譜與土壤有機(jī)質(zhì)的相關(guān)性。Broge等[13]、Wu等[14]和Daughtry等[15]分析了10余種光譜指數(shù)與玉米(L.)、冬小麥等農(nóng)作物葉綠素含量的相關(guān)性, 構(gòu)建了葉綠素含量的估測(cè)模型。魏辰陽(yáng)[16]建立了冬小麥冠層高光譜敏感指標(biāo)與單株產(chǎn)量要素的回歸模型, 從而構(gòu)建了冬小麥晚霜凍害的診斷指標(biāo)體系。王慧芳等[17]利用主成分分析技術(shù)對(duì)高光譜數(shù)據(jù)進(jìn)行分析, 結(jié)果表明基于該方法建立的模型能夠?qū)崿F(xiàn)冬小麥凍害嚴(yán)重度反演。任鵬等[18]通過(guò)對(duì)原始光譜進(jìn)行一階微分處理, 分析了冬小麥冠層高光譜對(duì)低溫脅迫的響應(yīng)特征。岳學(xué)軍等[19]以117棵甜橙()樹(shù)為研究對(duì)象, 將不同光譜變換形式在小波去噪后進(jìn)行偏最小二乘回歸建模, 發(fā)現(xiàn)全生長(zhǎng)期葉綠素監(jiān)測(cè)模型精度可達(dá)0.871 3。上述學(xué)者運(yùn)用不同的方法對(duì)葉綠素含量進(jìn)行了估測(cè), 利用高光譜數(shù)據(jù)分析光譜變化特征[20]及光譜變換在其他作物及研究領(lǐng)域中已取得了較多的果[21-22], 但將多種光譜變換方法應(yīng)用于冬小麥低溫脅迫的研究較少且不夠深入。

本研究擬通過(guò)田間小區(qū)試驗(yàn), 對(duì)拔節(jié)期大田冬小麥進(jìn)行低溫脅迫處理, 以葉綠素含量為因變量, 通過(guò)對(duì)原始光譜進(jìn)行15種變換處理, 對(duì)比分析不同變換光譜與葉綠素含量的相關(guān)性, 構(gòu)建葉綠素含量PLSR模型所需的潛在因子個(gè)數(shù)及模型精度, 綜合評(píng)價(jià)葉綠素含量模型的可行性, 篩選出能夠準(zhǔn)確、快速反演冬小麥葉綠素含量的光譜變換方式, 以期為高光譜技術(shù)在冬小麥凍害監(jiān)測(cè)方面的應(yīng)用提供一定的理論依據(jù)。

1 材料與方法

1.1 供試材料

試驗(yàn)于2015年10月至2016年6月在山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)部華北黃土高原地區(qū)作物栽培與耕地保育科學(xué)觀測(cè)實(shí)驗(yàn)站進(jìn)行。試驗(yàn)材料為‘臨麥7006’和‘晉太182’, 分別為半冬性品種和冬性品種。

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)分為兩個(gè)小區(qū), 每個(gè)小區(qū)長(zhǎng)和寬均為6 m, 行距為20 cm, 于2015年10月2日播種, 常規(guī)施肥, 田間管理按一般高產(chǎn)田進(jìn)行。在每個(gè)小區(qū)內(nèi)隨機(jī)選取3塊長(zhǎng)勢(shì)均勻且一致的冬小麥, 并于2016年4月15日至16日(拔節(jié)期)進(jìn)行低溫脅迫處理(采用定制的可移動(dòng)式制冷設(shè)備, 其內(nèi)部可對(duì)自然狀態(tài)下的降溫過(guò)程進(jìn)行模擬), 每個(gè)處理的面積為60 cm×60 cm, 處理溫度為-6 ℃, 處理時(shí)間分別為4 h、8 h和12 h, 對(duì)照測(cè)定時(shí)大氣溫度為15 ℃, 重復(fù)3次。

1.3 冠層光譜測(cè)定

利用ASD FieldSpec 3(美國(guó)ASD)光譜儀, 分別于冬小麥低溫脅迫處理后5 d、10 d、20 d和35 d進(jìn)行冠層光譜反射率的測(cè)定。光譜儀350~1 000 nm間的光譜采樣間隔為1.4 nm, 分辨率為3 nm, 1 000~2 500 nm的光譜采樣間隔為2 nm, 分辨率為10 nm。測(cè)量時(shí)間為10:00—14:00晴朗無(wú)風(fēng)的天氣條件。受大氣和周?chē)h(huán)境的影響, 本文選用350~1 600 nm波段作為研究對(duì)象。

測(cè)量時(shí), 傳感器探頭始終與地面保持90°, 距離冠層高度大約為1.2 m, 每個(gè)處理選3個(gè)觀測(cè)點(diǎn), 每個(gè)點(diǎn)測(cè)量10次, 取平均值作為該處理的光譜反射率數(shù)據(jù), 測(cè)量中及時(shí)進(jìn)行白板校正(即所得到的目標(biāo)物光譜反射率是相對(duì)反射率)。

1.4 葉綠素含量測(cè)定方法

與光譜測(cè)量同步, 在每個(gè)處理的小區(qū)內(nèi)采集冬小麥功能葉, 立即裝入密封袋中, 每個(gè)處理重復(fù)3次。在實(shí)驗(yàn)室內(nèi)將其剪碎混勻, 用80%的丙酮在黑暗條件下浸提24 h, 測(cè)定663 nm和645 nm處的光密度值, 計(jì)算葉綠素含量。

1.5 光譜變換方法

在前人研究的基礎(chǔ)上, 本文選取15種典型的數(shù)學(xué)變換方法對(duì)冬小麥冠層光譜數(shù)據(jù)進(jìn)行變換, 如表1所示。

表1 15種光譜數(shù)據(jù)變換計(jì)算公式

為波段(nm)處的反射率值。is the spectral reflectance value at the wavelength of(nm)

1.6 數(shù)據(jù)處理與分析方法

1.6.1 建模集與驗(yàn)證集的劃分

本文共測(cè)定葉綠素含量樣本96份, 剔除異常值后將該樣本按2∶1隨機(jī)分為兩部分, 即2/3(64份)數(shù)據(jù)作為校正集, 1/3(32份)作為驗(yàn)證集。

1.6.2 模型的構(gòu)建與應(yīng)用

偏最小二乘法(partial least square regression, PLSR)融合了主成分分析和多元線性回歸以及相關(guān)性分析的優(yōu)點(diǎn)。模型構(gòu)建采用留一交叉驗(yàn)證法來(lái)確定最佳因子數(shù), PLSR模型的評(píng)價(jià)選取決定系數(shù)(2)、均方根誤差(RMSE)和相對(duì)分析誤差(RPD)進(jìn)行綜合評(píng)定。2和RPD越大, RMSE越小, 模型的可行性和穩(wěn)健性越好[21]。

1.7 統(tǒng)計(jì)分析

利用ViewSpec Pro軟件進(jìn)行原始高光譜數(shù)據(jù)的預(yù)處理; 利用Excel 2007進(jìn)行數(shù)據(jù)變換處理; 利用DPS6.5統(tǒng)計(jì)分析軟件進(jìn)行方差分析和多重比較; PLS分析采用MatlabR2010a軟件進(jìn)行; 利用Origin 8.0軟件進(jìn)行相關(guān)數(shù)據(jù)的處理、分析與制圖。

2 結(jié)果與分析

2.1 低溫脅迫下葉綠素含量的變化規(guī)律

通過(guò)對(duì)低溫脅迫后兩個(gè)冬小麥品種葉綠素含量的變化分析(圖1), 可以看出, 隨低溫脅迫時(shí)間的延長(zhǎng), 兩個(gè)冬小麥品種葉綠素含量呈降低趨勢(shì)。脅迫后5 d, ‘臨麥7006’和‘晉太182’的對(duì)照和低溫脅迫12 h處理均差異顯著, 其他處理葉綠素含量都低于對(duì)照, 但差異不顯著, 說(shuō)明低溫脅迫對(duì)葉片葉綠素的合成造成了一定的影響, 且脅迫時(shí)間長(zhǎng)、脅迫后短期內(nèi)較為明顯。整體表現(xiàn)為隨著低溫脅迫時(shí)間的延長(zhǎng), 葉綠素含量降低幅度加大。脅迫后10 d、20 d、35 d, 各處理間差異不顯著, 但隨著低溫脅迫時(shí)間的延長(zhǎng), 葉綠素含量與對(duì)照相比, 差異逐漸縮小, 這是由于隨著生育期的推進(jìn), 植株對(duì)低溫脅迫具有一定的自我修復(fù)能力。

C0為對(duì)照，C1、C2和C3分別為-6 ℃低溫脅迫4 h、8 h和12 h。不同小寫(xiě)字母表示0.05水平上差異顯著。C0represents the control, and C1, C2and C3are-6 ℃ low temperature stress for 4 h, 8 h and 12 h, respectively. Different lowercase letters mean significant differences at 0.05 level.

2.2 低溫脅迫下冬小麥冠層原始光譜變化特征

圖2為低溫脅迫后不同冬小麥品種光譜變化特征。從圖中可以看出, 各處理冠層光譜曲線變化規(guī)律基本一致。除低溫脅迫后35 d外, 其余時(shí)期不同處理間冠層光譜反射率差異明顯, 表現(xiàn)出相同的變化規(guī)律。伴隨低溫持續(xù)時(shí)間的延長(zhǎng), 冬小麥光譜反射率呈現(xiàn)一定的規(guī)律性差異變化。脅迫后5 d(圖2a), 隨脅迫時(shí)間的延長(zhǎng), 葉綠素含量逐漸降低, 導(dǎo)致可見(jiàn)光區(qū)域的光譜反射率出現(xiàn)不同程度的上升, 脅迫處理12 h(S3)在綠峰和紅谷處達(dá)到最高, 由于該區(qū)域反射率相對(duì)較低(0.1以下), 所以處理間差異不明顯。但在近紅外區(qū)域處差異明顯, 與對(duì)照組相比, 脅迫后均出現(xiàn)較大幅度抬升, 反射率升高, 尤其是脅迫處理8 h(S2)處理反射率最高達(dá)0.38。脅迫后10 d(圖2b), 可見(jiàn)光區(qū)域反射率仍較低。近紅外區(qū)域差異明顯, 最高反射率為S2處理, 達(dá)0.42。脅迫后20 d(圖2c), 可見(jiàn)光區(qū)域趨于平緩, 紅谷不明顯, 綠峰削弱, 反射率仍較低。近紅外區(qū)域各處理反射率差異縮小, 脅迫處理4 h(S1)處理反射率最高, 為0.36, 總體較上一時(shí)期有所降低。脅迫后35 d, 可見(jiàn)光區(qū)域趨于平緩, 出現(xiàn)紅谷抬升的現(xiàn)象, 反射率仍較低。近紅外區(qū)域各處理反射率差異逐漸縮小, 說(shuō)明伴隨著生育期的推進(jìn), 冬小麥出現(xiàn)一定程度的恢復(fù)。從圖2e-2h看, ‘晉太182’與‘臨麥7006’低溫脅迫后光譜反射率的變化規(guī)律大致相同, 但‘晉太182’的冠層光譜反射率均高于‘臨麥7006’。葉綠素含量值的大小與冠層光譜反射率的變化密切相關(guān), 在400~700 nm區(qū)域, 葉綠素a、b等色素對(duì)該波段區(qū)域的強(qiáng)吸收, 致使該區(qū)域的反射光和透射光都很低, 形成兩個(gè)吸收谷, 當(dāng)葉綠素含量降低時(shí), 反射率增大, 難以形成吸收谷。如果僅用原始冠層光譜進(jìn)行分析, 則會(huì)影響冬小麥葉綠素含量光譜信息的提取, 降低監(jiān)測(cè)模型的精度, 因此有必要對(duì)冠層光譜進(jìn)行一定的預(yù)處理。

2.3 光譜數(shù)據(jù)變換后的光譜反射率

利用表1中的數(shù)學(xué)變換方法對(duì)原始光譜數(shù)據(jù)進(jìn)行光譜變換處理, 結(jié)果如圖3所示。

從圖3可以看出, 與原始光譜數(shù)據(jù)(T0)相比, 光譜變換方法T2、T4、T13和T14的曲線特征沒(méi)有發(fā)生明顯變化。T1和T3的曲線特征發(fā)生了明顯變化, 而T5、T6、T7、T8、T9、T10、T11、T12、T15等變換方式則在提高信噪比和細(xì)化光譜信息方面效果比較顯著。表明微分變換光譜可以消除線性或接近線性噪聲的影響, 使光譜特征信息表現(xiàn)更為明顯。

2.4 葉綠素含量與變換光譜的相關(guān)性分析

極端的氣象條件(如凍害)致使冬小麥根系無(wú)法吸水, 嚴(yán)重時(shí)細(xì)胞內(nèi)生物膜系統(tǒng)崩潰, 葉綠體破裂,導(dǎo)致葉綠素降解從而使葉綠素含量發(fā)生急劇變化[23], 實(shí)時(shí)監(jiān)測(cè)葉綠素含量的變化對(duì)抵御冬小麥凍害具有一定的指導(dǎo)意義。相關(guān)性分析法是分析變量之間相關(guān)關(guān)系的一種可靠方法。通過(guò)對(duì)低溫脅迫后冬小麥光譜變換數(shù)據(jù)與葉綠素含量進(jìn)行相關(guān)性分析(圖4), 可以看出, 與原始光譜(T0)相比, T1、T2、T3、T4、T13和T14等變換光譜并沒(méi)有提高與葉綠素含量的相關(guān)性, 而T5、T6、T7、T8、T9、T10、T11、T12和T15變換后的光譜則明顯提高了與葉綠素含量的相關(guān)性, 且與葉綠素含量的相關(guān)性均達(dá)0.7以上。比較圖3和圖4可以發(fā)現(xiàn), 變化幅度較大的光譜與葉綠素含量相關(guān)性的變化幅度也較大, 相關(guān)系數(shù)也得到明顯提高, 其中微分變換效果較好。表明對(duì)原始光譜進(jìn)行微分變換處理能顯著提高與葉綠素含量的相關(guān)性。

S0為對(duì)照, S1、S2和S3分別表示低溫脅迫4 h、8 h和12 h。S0represents the control, S1, S2and S3are treatments of low temperature stress for 4 h, 8 h and 12 h, respectively.

2.5 低溫脅迫下冬小麥葉綠素含量光譜監(jiān)測(cè)模型

2.5.1 基于PLSR模型的最佳因子數(shù)確定

分別以冬小麥冠層原始光譜反射率及15種變換方式反射率為自變量, 以葉綠素含量為因變量, 利用留一交叉驗(yàn)證法來(lái)確定回歸模型的最佳因子數(shù), 如圖5所示。選擇最佳因子數(shù)是準(zhǔn)確提取光譜特征信息和構(gòu)建穩(wěn)定、精確模型的前提, 模型中引入過(guò)少或過(guò)多的潛在因子, 都會(huì)影響到模型的預(yù)測(cè)準(zhǔn)確度。因此，本研究以不同光譜變換方式RMSECV變化曲線的平衡點(diǎn)作為最佳因子數(shù), 其中, T0、T1、T2、T3、T4、T7、T9、T13、T14的最佳因子數(shù)為4, T5、T6、T11、T12的最佳因子數(shù)為2, T8的最佳因子數(shù)為5, T10和T15的最佳因子數(shù)為3。

2.5.2 基于PLSR的冬小麥葉綠素含量估算

利用PLSR法分別對(duì)低溫脅迫下冬小麥冠層原始光譜及其變換方式進(jìn)行建模集和驗(yàn)證集的整體回歸分析, 篩選出最佳光譜變換方式及對(duì)應(yīng)監(jiān)測(cè)模型, 結(jié)果如表2所示。

在模型精度相近的情況下, 模型引入的因變量個(gè)數(shù)越少, 模型的應(yīng)用價(jià)值越高。最佳因子數(shù)和相關(guān)系數(shù)以及RPD也是非常重要的參考指標(biāo)。由表2可知, 不同光譜變換方式對(duì)模型的構(gòu)建和預(yù)測(cè)有較大的影響, 除T1、T2、T3、T4、T6和T14外, 其他變換方式條件下的冬小麥葉綠素含量監(jiān)測(cè)精度(2)均優(yōu)于原始光譜(2=0.776), 說(shuō)明對(duì)原始光譜數(shù)據(jù)進(jìn)行一定的變換處理, 可以提高低溫脅迫下冬小麥葉綠素含量的光譜監(jiān)測(cè)精度。T8和T13的模型精度雖優(yōu)于T0, 但其RPD均低于1.4, 表明模型的預(yù)測(cè)能力差。且T8校正模型引入的最佳因子數(shù)較大(n=5), 從而增加了冬小麥葉綠素含量監(jiān)測(cè)模型的復(fù)雜度, 使模型易出現(xiàn)“過(guò)擬合”現(xiàn)象; T13與葉綠素含量的相關(guān)性也較低, 增加了模型的不穩(wěn)定性。兼顧模型的精確度和復(fù)雜度, 利用T5、T7、T9、T10、T11、T12和T15等變換處理后的光譜數(shù)據(jù), 可以優(yōu)化葉綠素含量監(jiān)測(cè)模型, 提高診斷模型的精度。尤其是T9和T15構(gòu)建的監(jiān)測(cè)模型, 不但精確度較高, 而且模型引入的最佳因子數(shù)也較少。從整體上看, T15構(gòu)建的模型精確度、RPD及相關(guān)系數(shù)均大于T9, 且最佳因子數(shù)小于T9, 因此, T15為最佳的光譜數(shù)據(jù)變換方式。綜上所述, 利用T15變換方式可提高凍害下冬小麥葉綠素含量診斷精度, 是可以考慮的光譜數(shù)據(jù)變換方法, T9次之。

3 討論與結(jié)論

葉綠素是影響作物光合作用的主要因子, 其含量直接影響作物的代謝及產(chǎn)量形成[24]。本文對(duì)低溫脅迫下不同冬小麥品種葉綠素含量的變化規(guī)律進(jìn)行分析, 發(fā)現(xiàn)脅迫后5 d, 各處理葉綠素含量都低于對(duì)照, 且隨著低溫脅迫時(shí)間的延長(zhǎng), 葉綠素含量下降比較明顯, 這是由于低溫脅迫后, 葉片內(nèi)部結(jié)構(gòu)遭到破壞, 從而導(dǎo)致葉綠素含量下降。脅迫后35 d, 脅迫對(duì)葉綠素含量的影響逐漸減小, 這是作物在遭受脅迫后自身具有一定的自我調(diào)節(jié)和修復(fù)能力[25], 與前人的研究結(jié)果[18]一致。不同脅迫下冬小麥的原始光譜曲線變化規(guī)律基本一致。脅迫后5 d, 可見(jiàn)光區(qū)域的光譜反射率出現(xiàn)不同程度的上升, 這是由于該條件下葉綠素含量逐漸降低, 從而導(dǎo)致色素對(duì)該區(qū)域的吸收減弱, 反射率升高造成的。在近紅外區(qū)域處差異明顯, 與對(duì)照組相比, 脅迫后均出現(xiàn)較大幅度抬升, 反射率升高。脅迫后10 d與20 d光譜變化規(guī)律大致相同。脅迫后35 d, 可見(jiàn)光區(qū)域趨于平緩, 出現(xiàn)紅谷抬升的現(xiàn)象, 近紅外區(qū)域各處理反射率差異逐漸縮小, 是由于伴隨著生育期的推進(jìn), 冬小麥葉綠素含量出現(xiàn)一定程度的恢復(fù), 與對(duì)照組的差異逐漸減小。

表2 低溫脅迫下基于不同光譜變換方式的冬小麥葉綠素含量PLSR模型

但是僅通過(guò)分析冬小麥原始光譜特征很難達(dá)到凍害監(jiān)測(cè)的目的, 因此, 本文利用15種數(shù)學(xué)變換方法對(duì)冬小麥冠層原始光譜數(shù)據(jù)進(jìn)行變換處理, 通過(guò)比較不同變換方式葉綠素含量的PLSR模型精度, 選擇構(gòu)建低溫脅迫下冬小麥葉綠素含量監(jiān)測(cè)模型的最佳光譜變換方法。研究表明微分處理在降低背景和噪音影響等方面具有重要的作用[26]。本文發(fā)現(xiàn)與原始光譜數(shù)據(jù)(T0)相比, 涉及微分變換的光譜有較大幅度的改變, 增加了光譜反射率在波段間的差異性, 提高了變換光譜與葉綠素含量的相關(guān)性。PLSR方法融合了主成分分析和多元線性回歸以及相關(guān)性分析的優(yōu)點(diǎn)[27], 為探究低溫脅迫下冬小麥冠層全波段光譜與葉綠素含量的定量關(guān)系提供一定的指導(dǎo)途徑。從冬小麥葉綠素含量的校正模型和驗(yàn)證結(jié)果來(lái)看, 微分變換處理有助于提高低溫脅迫下冬小麥葉綠素含量模型的診斷精度, 這與岳學(xué)軍等[19]、梁爽等[28]的研究結(jié)果一致。

王強(qiáng)等[29]研究表明, 對(duì)原始光譜數(shù)據(jù)進(jìn)行一階微分變換, 可以提高模型的表現(xiàn)力。本文發(fā)現(xiàn)一階微分處理的光譜表現(xiàn)較好, 但綜合考慮葉綠素含量診斷精度、模型復(fù)雜度、最佳因子數(shù)以及相對(duì)分析誤差, 原始光譜的二階微分(T15)光譜變換處理不僅具有較高的校正精度(2=0.930、RMSE=0.340、RPD=3.807), 而且引入模型中的因子變量數(shù)也較少(n=3)。這可能是由于低溫脅迫下冬小麥葉綠素含量易受到品種、氣候、栽培管理?xiàng)l件等因素的影響造成的。本研究表明, 具有較低相關(guān)性的變換光譜在構(gòu)建冬小麥葉綠素含量診斷模型時(shí), 為保證PLSR模型的高精確度, 需引入更多的變量因子。而Wold等[30]認(rèn)為引入過(guò)多的因子不僅增加了模型的復(fù)雜度, 而且容易出現(xiàn)“過(guò)擬合”現(xiàn)象, 從而降低了模型的應(yīng)用價(jià)值。盡管本研究得出的T15光譜變換處理與低溫脅迫下冬小麥葉綠素含量構(gòu)建的模型具有較高的精度, 但模型的構(gòu)建和檢驗(yàn)都是在試驗(yàn)條件下進(jìn)行的。因此, 還有待于對(duì)低溫脅迫下不同階段、不同年份、不同地區(qū)、不同品種、不同栽培方式的冬小麥葉綠素含量估測(cè)做進(jìn)一步研究, 以期實(shí)現(xiàn)冬小麥更為精確的凍害監(jiān)測(cè)。

綜上研究結(jié)果表明: 1)與原始光譜相比, 沒(méi)有涉及微分處理的光譜變換(如倒數(shù)、對(duì)數(shù)、冪、平方根等變換方法)難以提高與葉綠素含量的相關(guān)性, 且建模效果較差。2)原始光譜的二階微分變換處理(T15)模型表現(xiàn)最好, 表明基于T15的光譜數(shù)據(jù)變換可實(shí)現(xiàn)葉綠素含量的光譜估算。另外, 可以考慮將原始光譜的一階微分(T9)作為光譜數(shù)據(jù)變換方法。本研究結(jié)果可為葉綠素含量估算和光譜數(shù)據(jù)預(yù)處理提供一定的理論依據(jù)與技術(shù)參考。

[1] 慕臣英, 楊曉光, 楊婕, 等. 黃淮海地區(qū)不同冬春性小麥抗凍能力及凍害指標(biāo)Ⅰ. 隆冬期不同冬春性小麥抗凍能力比較[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(10): 3119–3125 Mu C Y, Yang X G, Yang J, et al. Freezing resistance and injury indices for different cultivars of winter-spring wheat in Huang-Huai-Hai Plain. Ⅰ. Comparison of freezing resistance for different cultivars of winter-spring wheat during mid-winter period[J]. Chinese Journal of Applied Ecology, 2015, 26(10): 3119–3125

[2] 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(12): 277–293 Zhao C J. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 277–293

[3] Price J C. Land surface temperature measurements from the split window channels of the NOAA 7advanced very high resolution radiometer[J]. Journal of Geophysical Research, 1984, 89(D5): 7231–7237

[4] Becker F, Li Z L. Towards a local split window method over land surfaces[J]. International Journal of Remote Sensing, 1990, 11(3): 369–393

[5] Prata A J, Platt C M R. Land surface temperature measurements from the AVHRR[C]//Proceedings of 5th AVHRR Data Users Conference. Tromso, Norway: EUMETSAT, 1991: 433–438

[6] Ulivieri C, Castronuovo M M, Francioni R, et al. A split window algorithm for estimating land surface temperature from satellites[J]. Advances in Space Research, 1994, 14(3): 59–65

[7] Kerdiles H, Grondona M, Rodriguez R, et al. Frost mapping using NOAA AVHRR data in the Pampean region, Argentina[J]. Agricultural and Forest Meteorology, 1996, 79(3): 157–182

[8] Jurgens C. The modified normalized difference vegetation index (mNDVI), a new index to determine frost damages in agriculture based on Landsat TM data[J]. International Journal of Remote Sensing, 1997, 18(17): 3583–3594

[9] 馮美臣, 王超, 楊武德, 等. 農(nóng)作物冷凍害遙感監(jiān)測(cè)研究進(jìn)展[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào): 自然科學(xué)版, 2014, 34(4): 296–300 Feng M C, Wang C, Yang W D, et al. Progress of remote sensing monitoring crop chilling and freeze injury[J]. Journal of Shanxi Agricultural University: Nature Science Edition, 2014, 34(4): 296–300

[10] 王磊, 白由路, 盧艷麗, 等. 光譜數(shù)據(jù)變換對(duì)玉米氮素含量反演精度的影響[J]. 遙感技術(shù)與應(yīng)用, 2011, 26(2): 220–225 Wang L, Bai Y L, Lu Y L, et al. Effect on retrieval precision for corn N content by spectrum data transformation[J]. Remote Sensing Technology and Application, 2011, 26(2): 220–225

[11] 梁亮, 楊敏華, 張連蓬, 等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(20): 162–171 Liang L, Yang M H, Zhang L P, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J]. Transactions of the CSAE, 2012, 28(20): 162–171

[12] 賀軍亮, 蔣建軍, 周生路, 等. 土壤有機(jī)質(zhì)含量的高光譜特性及其反演[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2007, 40(3): 638–643 He J L, Jiang J J, Zhou S L, et al. The hyperspectral characteristics and retrieval of soil organic matter content[J]. Scientia Agricultura Sinica, 2007, 40(3): 638–643

[13] Broge N H, Mortensen J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment, 2002, 81(1): 45–57

[14] Wu C Y, Niu Z, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230–1241

[15] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229–239

[16] 魏辰陽(yáng). 基于高光譜遙感技術(shù)的冬小麥晚霜凍害早期診斷研究[D]. 南京: 南京農(nóng)業(yè)大學(xué), 2013 Wei C Y. Diagnosis study on later spring frost of winter wheat based on hyperspectral remote sensing[D]. Nanjing: Nanjing Agricultural University, 2013

[17] 王慧芳, 王紀(jì)華, 董瑩瑩, 等. 冬小麥凍害脅迫高光譜分析與凍害嚴(yán)重度反演[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1357–1361 Wang H F, Wang J H, Dong Y Y, et al. Monitoring freeze stress levels on winter wheat from hyperspectral reflectance data using principal component analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1357–1361

[18] 任鵬, 馮美臣, 楊武德, 等. 冬小麥冠層高光譜對(duì)低溫脅迫的響應(yīng)特征[J]. 光譜學(xué)與光譜分析, 2014, 34(9): 2490–2494 Ren P, Feng M C, Yang W D, et al. Response of winter wheat (L.) hyperspectral characteristics to low temperature stress[J]. Spectroscopy and Spectral Analysis, 2014, 34(9): 2490–2494

[19] 岳學(xué)軍, 全東平, 洪添勝, 等. 柑橘葉片葉綠素含量高光譜無(wú)損檢測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(1): 294–302 Yue X J, Quan D P, Hong T S, et al. Non-destructive hyperspectral measurement model of chlorophyll content for citrus leaves[J]. Transactions of the CSAE, 2015, 31(1): 294–302

[20] 熊勤學(xué), 王曉玲, 王有寧. 小麥漬害光譜特征分析[J]. 光譜學(xué)與光譜分析, 2016, 36(8): 2558–2561Xiong Q X, Wang X L, Wang Y N. Spectral characteristics analysis of wheat damaged by subsurface waterlogging[J]. Spectroscopy and Spectral Analysis, 2016, 36(8): 2558–2561

[21] 李嵐?jié)? 汪善勤, 任濤, 等. 基于高光譜的冬油菜葉片磷含量診斷模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(14): 209–218 Li L T, Wang S Q, Ren T, et al. Evaluating models of leaf phosphorus content of winter oilseed rape based on hyperspectral data[J]. Transactions of the CSAE, 2016, 32(14): 209–218

[22] 喬星星, 馮美臣, 楊武德, 等. 變換光譜數(shù)據(jù)對(duì)土壤氮素PLSR模型的影響研究[J]. 地球信息科學(xué)學(xué)報(bào), 2016, 18(8): 1123–1132 Qiao X X, Feng M C, Yang W D, et al. Effect of spectral transformation processes on the PLSR models of soil nitrogen[J]. Journal of Geo-Information Science, 2016, 18(8): 1123–1132

[23] 張冬強(qiáng), 唐子立, 楊勇, 等. 用于監(jiān)測(cè)柑橘葉片凍害的葉綠素含量光譜反射模型研究[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào), 2012, 31(10): 1891–1896 Zhang D Q, Tang Z L, Yang Y, et al. Model for citrus leaves chlorophyll content based on spectral signature[J]. Journal of Agro-Environment Science, 2012, 31(10): 1891–1896

[24] Blackburn G A, Ferwerda J G. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis[J]. Remote Sensing of Environment, 2008, 112(4): 1614–1632

[25] 潘瑞熾. 植物生理學(xué)[M]. 第5版. 北京: 高等教育出版社, 2004 Pan R C. Plant Physiology[M]. 5th ed. Beijing: Higher Education Press

[26] Zornoza R, Guerrero C, Mataix-Solera J, et al. Near infrared spectroscopy for determination of various physical, chemical and biochemical properties in Mediterranean soils[J]. Soil Biology and Biochemistry, 2008, 40(7): 1923–1930

[27] 王鎮(zhèn)浦, 周?chē)?guó)華, 羅國(guó)安. 偏最小二乘法(PLS)及其在分析化學(xué)中的應(yīng)用[J]. 分析化學(xué), 1989, 17(7): 662–669 Wang Z P, Zhou G H, Luo G A. Partial least squares method (PLS) and its application in analytical chemistry[J]. Analytical Chemistry, 1989, 17(7): 662–669

[28] 梁爽, 趙庚星, 朱西存. 蘋(píng)果樹(shù)葉片葉綠素含量高光譜估測(cè)模型研究[J]. 光譜學(xué)與光譜分析, 2012, 32(5): 1367–1370 Liang S, Zhao G X, Zhu X C. Hyperspectral estimation models of chlorophyll content in apple leaves[J]. Spectroscopy and Spectral Analysis, 2012, 32(5): 1367–1370

[29] 王強(qiáng), 易秋香, 包安明, 等. 基于高光譜反射率的棉花冠層葉綠素密度估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(15): 125–132 Wang Q, Yi Q X, Bao A M, et al. Estimating chlorophyll density of cotton canopy by hyperspectral reflectance[J]. Transactions of the CSAE, 2012, 28(15): 125–132

[30] Wold S, Sj?str?m M, Eriksson L. PLS-regression: A basic tool of chemometrics[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 58(2): 109–130

Using spectral transformation processes to estimate chlorophyll content of winter wheat under low temperature stress*

ZHANG Xueru, FENG Meichen**, YANG Wude, WANG Chao, GUO Xiaoli, SHI Chaochao

(Institute of Dry Farming Engineering, Shanxi Agricultural University, Taigu 030801, China)

Chlorophyll content is a vital index of photosynthetic capacity and crop growth status. In recent years, freeze injury had become a main meteorological disaster at jointing stage of winter wheat in the northern region of China. Although global climate had been warming since the 1980s, freeze injury had not weakened. Climate warming had led to a decline in the proportion of wheat varieties planted in winter and to a rise in the proportion of the varieties planted in spring. With increasing warm autumn years, the issue of wheat overgrowth has worsened, decreasing the ability of wheat to resist cold. Climate change has not been stable and extreme weather events have increased, implying that there was still the risk of freeze injury of wheat. Shanxi Province suffered freeze injury and the maximum area affected by freeze injury has been estimated at 0.26 million hectares. This had a severe impact on the growth and development of wheat, and ultimately affected the yield of wheat. The rapid and accurate estimation of chlorophyll content of winter wheat is meaningful in resisting the occurrence of freeze injury. However, the routine methods of measuring chlorophyll content are complex and time-consuming. Therefore, developing a rapid and non-destructive chlorophyll content diagnosis technology can be an effective way to monitor winter wheat freeze injury. Here, two varieties of winter wheat were treated under-6 ℃ temperature stress for 4, 8 and 12 hours at jointing stage. Moreover, canopy spectra were collected and the raw spectrum transformed with respect to 15 transformation methods and then the spectral transformation processes of chlorophyll content of winter wheat were analyzed in the PLSR model. The aim was to select the optimal spectral transformation of chlorophyll content in winter wheat under low temperature stress, and provide theoretical basis for monitoring freeze injury of winter wheat. The results showed that the chlorophyll content of two winter wheat varieties declined with increasing time of low-temperature stress. With increasing number of days after freeze, the differences between low temperature and control treatments decreased gradually. Moreover, the near-infrared region reflectance increased greatly with strengthening low-temperature stress and the visible region had no significant difference in short-term stress after 5 days. While the yellow and red bands increased, the near-infrared region decreased in differences after 10, 20 and 35 days of stress. Compared with the raw spectrum, the transformation methods under differential treatments (e.g., reciprocal, logarithm, power, and square root transformation methods) failed to improve the relevance of chlorophyll content and therefore the overall performance of model was poor. Other differential transformation processes of chlorophyll content diagnosis models had higher precision than raw spectral analysis, except for T6[(lg)′,is the spectral reflectance]. Moreover, the second-order differential for raw spectrum (T15,′′) had a higher accuracy (C2= 0.930, RMSEC= 0.340;V2= 0.753) respectively for the calibrated and validated models after comprehensive evaluation of predicted performance and complexity level of different models. It showed that the second-order differential for raw spectrum (T15,′′) was the most plausible transformation method of spectral reflectance for evaluating chlorophyll content of winter wheat under low temperature stress.

Winter wheat; Chlorophyll content; Spectral transformation; Low temperature stress; Partial least square regression (PLSR)

Feb. 19, 2017; accepted May 23, 2017

S512.1+1

A

1671-3990(2017)09-1351-09

10.13930/j.cnki.cjea.170134

2017-02-19

2017-05-23

* 國(guó)家自然科學(xué)基金項(xiàng)目(31201168, 31371572)、山西省科學(xué)技術(shù)發(fā)展計(jì)劃項(xiàng)目(201603D221037-3)和山西省青年基金項(xiàng)目(20120210235)資助

* This work was supported by the National Natural Science Foundation of China (31201168, 31371572), Shanxi Province Scientific and Technological Development Project (201603D221037-3) and Shanxi Province Young Foundation Projects (20120210235).

** Corresponding author, E-mail: fmc101@163.com

**通訊作者:馮美臣, 主要研究方向?yàn)樽魑锷鷳B(tài)與信息技術(shù)。E-mail: fmc101@163.com

張雪茹, 主要研究方向?yàn)樽魑锷鷳B(tài)與信息技術(shù)。E-mail: m18404980681@163.com

張雪茹, 馮美臣, 楊武德, 王超, 郭小麗, 史超超. 基于光譜變換的低溫脅迫下冬小麥葉綠素含量估測(cè)研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2017, 25(9): 1351-1359

Zhang X R, Feng M C, Yang W D, Wang C, Guo X L, Shi C C. Using spectral transformation processes to estimate chlorophyll content of winter wheat under low temperature stress[J]. Chinese Journal of Eco-Agriculture, 2017, 25(9): 1351-1359