棉花全生育期葉片SPAD值的遙感估算模型

馬文君，常慶瑞，田明璐，班松濤

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

棉花全生育期葉片SPAD值的遙感估算模型

馬文君，常慶瑞，田明璐，班松濤

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

葉綠素含量是評估棉花生長狀況的重要參數(shù)，估算葉綠素含量對于棉花生長監(jiān)測具有重要意義。以渭北旱塬區(qū)種植的棉花為試驗材料，測量全生育期棉花葉片SPAD值與冠層反射率光譜，將原始高光譜反射率、一階微分光譜反射率、不同波段組合的遙感光譜參數(shù)分別與SPAD值做相關(guān)性分析，用傳統(tǒng)回歸分析方法構(gòu)建五種重要光譜參數(shù)的SPAD值預(yù)測模型，同時，采用PLSR方法建立全生育期SPAD值的估算模型。最后對模型進(jìn)行檢驗，篩選出精度最高的模型。建模結(jié)果表明，基于多種光譜參數(shù)的全生育期PLSR預(yù)測模型精度最高、預(yù)測效果最好，估算模型的決定系數(shù) R2為0.733，驗證模型 R2為0.737。PLSR方法建立的多光譜參數(shù)的SPAD值估算模型預(yù)測效果顯著，利用高光譜技術(shù)對棉花SPAD值進(jìn)行監(jiān)測，可為全生育期棉花長勢遙感監(jiān)測提供依據(jù)。

高光譜遙感；估算模型；PLSR；SPAD值；全生育期

1 材料與方法

1.1 研究區(qū)概況

試驗于2014—2015年在渭北旱塬區(qū)的乾縣梁山鄉(xiāng)三合村（108°7′6″E，34°38′33″W）進(jìn)行，當(dāng)?shù)貙倥瘻貛О敫珊?、半濕潤大陸性季風(fēng)氣候，年降水量為550～730mm，年日照時數(shù)1 900～2 533 h，坡度0～5°。該區(qū)土壤類型主要是土和黃土，分別占到56.96%、40.63%，此外，褐土、黑壚土和潮土共占2.41%。因水土流失嚴(yán)重，導(dǎo)致土壤貧瘠，農(nóng)業(yè)基礎(chǔ)薄弱，嚴(yán)重制約農(nóng)業(yè)可持續(xù)發(fā)展。研究區(qū)前茬作物棉花，供試品種為魯棉研28號。本研究設(shè)計46個實驗小區(qū)，小區(qū)大小為5 m×6 m。土壤肥力中等，含速效鉀 212.9mg·kg－1，速效磷 14.33mg·kg－1，速效氮 18.3mg·kg－1，全氮 0.08%，全磷 0.08%，全鉀1.5%。棉花種植方式為地膜覆蓋壟種，采用大田常規(guī)管理方式。

1.2 數(shù)據(jù)獲取

1.2.1 棉花冠層高光譜數(shù)據(jù)的測量 本試驗采用SVCHR1024i便攜式全波段地物光譜儀采集棉花冠層高光譜數(shù)據(jù)，光譜范圍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，1 850～2 500 nm為2.4 nm，選擇晴朗無云無風(fēng)天氣的 10∶00至 14∶00，在每個小區(qū)選取3個具有代表性的、均勻的無病蟲危害的樣點，共138個樣點。在棉花的成長全生育期進(jìn)行冠層高光譜測量，每次測定均進(jìn)行參考白板的標(biāo)定，傳感器探頭垂直向下，距離棉花冠層頂部約50 cm，光譜掃描時間設(shè)為3 s，每樣點測3～5條完整曲線，最后取其均值作為該樣點的平均反射光譜，取各小區(qū)所有樣點反射光譜的平均值作為小區(qū)平均反射光譜。

1.2.2 SPAD值的測量 本試驗采用SPAD儀進(jìn)行SPAD值田間即時測定。在測定光譜的樣點處，選擇棉花冠層第二、三片葉片進(jìn)行測量，共測定138個樣點，每個樣點隨機(jī)測量10個SPAD值，取其平均值作為該樣點的冠層葉綠素值。為減小誤差，在每片葉子的中部選取均勻分布的10個點，測量時避開葉脈部分。SPAD測量時間與光譜數(shù)據(jù)采集同步。

1.3 數(shù)據(jù)處理

1.3.1 高光譜圖像信息選擇 為了剔除土壤背景、大氣散射的影響和提高不同吸收特征的對比度［17］，在實際分析處理高光譜數(shù)據(jù)的過程中，需要對原始高光譜數(shù)據(jù)進(jìn)行各種變換［18］?；镜淖儞Q形式主要是微分變換、對數(shù)變換和對數(shù)的微分變換。

將得到的原始反射光譜曲線先用SVC HR－1024i軟件做 Overlap／Matching處理，得到光滑完整的光譜曲線，再采用Origin對反射光譜做一階微分處理以消除噪聲影響、減小誤差，其計算公式：

論專利獨占被許可人的訴權(quán) ..................................張 軼 01.19

式中，λi為通道i處的波長值；R（λi）為波長λi處的光譜反射值；Δλ為相鄰波長間隔。

1.3.2 遙感光譜參數(shù)選擇 通過不同波段反射率的線性或非線性組合變化進(jìn)行遙感光譜參數(shù)提取，可以有效削弱背景信息對植被光譜特征的干擾，提高遙感數(shù)據(jù)表達(dá)葉綠素含量的精度。本文提取了22種對葉綠素含量敏感的寬波段光譜指數(shù)［19］和7種紅邊參數(shù)［21－22］來構(gòu)建棉花冠層葉片 SPAD值估算模型。光譜參數(shù)計算方式見表1。

表1 遙感光譜參數(shù)及其計算公式Table 1 Remote sensing spectral variables andcalculating formulas

1.3.3 特征光譜建模預(yù)測 將上述29種光譜參數(shù)與SPAD值進(jìn)行相關(guān)分析，選取相關(guān)性最大的遙感光譜參數(shù)進(jìn)行建模。全生育期觀測得到920個樣本，其中800個作為測試樣本，120個留作檢驗樣本。

2 結(jié)果與分析

2.1 SPAD值與冠層光譜反射率的相關(guān)性

2.1.1 SPAD值與原始冠層光譜相關(guān)性 將棉花原始冠層光譜反射率與葉片SPAD值進(jìn)行單相關(guān)分析（樣本數(shù) n＝800），結(jié)果如圖1所示。由圖1可知，棉花葉片SPAD與冠層光譜反射率在紅邊741.2～1 351.1 nm的正紅外波段呈極顯著正相關(guān)（99%置信水平，相關(guān)系數(shù)｜r｜＞0.091），在 509.3～643.9 nm的綠－紅波段、686.9～733.3 nm的紅波段，以及1 370.3～2 500 nm的近紅外波段呈極顯著負(fù)相關(guān)（99%置信水平，｜r｜＞0.091），這主要是葉綠素在此光譜區(qū)間的特殊收斂反射性能所決定的。其中，SPAD值的敏感波段出現(xiàn)在 708.2 nm（r＝－0.533）。2.1.2 SPAD值與一階微分光譜相關(guān)性 將棉花冠層光譜反射率作一階微分后與葉片SPAD值進(jìn)行相關(guān)分析，結(jié)果如圖2所示。從圖2可以看出，SPAD值與光譜一階微分的相關(guān)性整體上優(yōu)于原始光譜的相關(guān)性。波長 510.7～545.5 nm的綠波段、564.9～624.9 nm的綠紅波段、689.5～706.9 nm和 717.5～760.8 nm的紅波段的｜r｜均大于圖1中的最高值0.533，其中反映 SPAD含量的敏感波段出現(xiàn)在734.7 nm處，r＝0.6992。

圖1 棉花葉片SPAD值與冠層原始光譜的相關(guān)性Fig.1 Correlation between leaf SPAD value and cotton’s canopy raw spectral reflectance

2.2 棉花葉片光譜參數(shù)與SPAD相關(guān)性

根據(jù)表1計算各種光譜參數(shù)，并與SPAD值進(jìn)行相關(guān)性和顯著性分析，得到表2。29個光譜參數(shù)中只有6個與SPAD值相關(guān)性未通過95%置信區(qū)間顯著性檢驗；2個達(dá)到顯著相關(guān)水平；多達(dá)21個為極顯著相關(guān)水平，即光譜參數(shù)與SPAD值通過99%置信區(qū)間的顯著性檢驗。

由表2可以看出，與全生育期棉花葉片SPAD相關(guān)性最好的幾個光譜參數(shù)其相關(guān)系數(shù)從高到低依次為 MCARI、MCARI／OSAVI（0.671）、λr（0.669）、MTCI（0.665）、VARI（700）（0.658）。其中，MCARI、MCARI／OSAVI、VARI（700）與 SPAD值都是顯著負(fù)相關(guān)；λr、MTCI與SPAD值呈顯著正相關(guān)。這幾個光譜參數(shù)的計算都與紅光波段有關(guān)，而紅光波段正是葉綠素的強吸收波段，表明這五個光譜參數(shù)對SPAD值的變化有較好的表征作用。

圖2 棉花葉片SPAD值與一階微分光譜的相關(guān)性Fig.2 Correlation between cotton’s leaf SPAD value and first derivative reflectance

2.3 棉花葉片SPAD值估算模型構(gòu)建

利用冠層光譜數(shù)據(jù)對SPAD值進(jìn)行估算時，采用兩種方法建模：（1）選取對SPAD值相關(guān)性最顯著的五個特征光譜參數(shù)（MCARI、MCARI／OSAVI、MTCI、VARI和λr）為自變量，構(gòu)建 SPAD值估算模型。（2）應(yīng)用PLSR［20］對全生育期800個樣本的光譜特征參數(shù)建立棉花冠層葉片的SPAD值預(yù)測模型。建模結(jié)果見表3。

表2 棉花全生育期各光譜參數(shù)與SPAD的相關(guān)性Table 2 Correlation between leaf SPAD values of cotton and spectral variables at the whole growth period

表3 棉花全生育期葉片SPAD值的預(yù)測模型Table 3 SPAD value estimationmodels of cottonleave at the whole growth period

由表3可以看出，由傳統(tǒng)回歸分析方法建立的模型決定系數(shù) R2都較低，由PLSR建立的模型 R2最高，達(dá)到0.733，說明PLSR方法建立的SPAD預(yù)測模型參考價值高，方程擬合度高。

2.4 模型檢驗

為了檢驗傳統(tǒng)線性回歸和PLSR兩種方法的建模效果，選用120個檢驗樣本對不同輸入變量的模型精度進(jìn)行檢驗，采用決定系數(shù) R2、均方根誤差RMSE和回歸方程斜率三個指標(biāo)來檢驗全生育期模型的預(yù)測能力，決定系數(shù) R2和斜率絕對值越接近1，RMSE值越小，說明預(yù)測模型精度越高。模型檢驗結(jié)果見表4和圖3。

由表4可知，用傳統(tǒng)回歸分析構(gòu)建的五個一元線性回歸方程和多元回歸方程的驗證模型R2都較低，都在0.53左右，均方根誤差RMSE值高；而PLSR方法建模對應(yīng)的驗證模型 R2大（0.7370），RMSE最小，回歸方程斜率最接近 1（0.762）。綜合考慮，SPAD－PLSR模型相較于其它模型有明顯的優(yōu)勢，能有效地對SPAD值進(jìn)行估測。比較傳統(tǒng)回歸模型中的一元和多元線性模型，傳統(tǒng)多元回歸所對應(yīng)的RMSE較小，回歸方程斜率較大，說明多元回歸模型比一元線性模型預(yù)測能力好；再比較傳統(tǒng)回歸方法構(gòu)建的五個一元模型，SPAD－VARI（700）的 R2最大，但是其 RMSE也最大，同時回歸方程斜率僅0.553，說明該模型預(yù)測精度不高；SPAD－MCARI模型的 R2僅次于 SPAD－VARI（700），同時均方根誤差在五個模型中最小、回歸方程斜率最接近于1，說明SPAD－MCARI模型在傳統(tǒng)一元回歸模型中精度最高、預(yù)測能力最好。

表4 SPAD值估算模型精度檢驗Table 4 Accuracy test of estimationmodels of SPAD value

圖3 SPAD值的預(yù)測值與實測值分布Fig.3 Distribution of estimated and measured SPAD values

由圖3可知，比較傳統(tǒng)一元回歸分析方法構(gòu)建的五個模型，得到MCARI為自變量的模型其SPAD值預(yù)測值與實測值最接近，證明SPAD－MCARI模型在傳統(tǒng)一元線性回歸分析方法建立的模型中精度最高、對全生育期SPAD值的估測能力最好。比較一元回歸模型與多元回歸模型，得到多元回歸模型預(yù)測值與實測值分布更集中，說明多元回歸模型比一元回歸模型預(yù)測精度高。比較不同方法建立的所有模型，可以看到用PLSR方法構(gòu)建的模型實測值與預(yù)測值分布更集中、更接近1∶1線，說明SPADPLSR模型優(yōu)勢更明顯，因此確定SPAD－PLSR模型為預(yù)測棉花冠層SPAD值的最佳模型。

3 討論與結(jié)論

棉花冠層原始光譜反射率數(shù)據(jù)、一階微分光譜數(shù)據(jù)與SPAD的相關(guān)性都較高，可以用來估算SPAD值。對于原始反射光譜，SPAD值的敏感波段發(fā)生在708.2 nm處；對于一階微分光譜，SPAD含量的敏感波段發(fā)生在734.7 nm處。一階微分光譜與SPAD的相關(guān)性整體上比原始光譜反射率數(shù)據(jù)做的相關(guān)性結(jié)果更好，這是由于微分消除了背景、大氣散射的影響，并提高了不同吸收特征的對比度。

利用冠層光譜數(shù)據(jù)對SPAD值進(jìn)行估算時，通常以原始光譜和一階微分光譜為數(shù)據(jù)源，提取遙感光譜特征參數(shù)，以光譜數(shù)據(jù)變換形式對全生育期SPAD值作線性回歸分析，從而建立基于光譜參數(shù)的SPAD預(yù)測模型［21］，這與本研究的第一種建模方法一致，而采用PLSR對全生育期重要光譜參數(shù)建模并檢驗，其預(yù)測值與實測值之間的分布更集中、更接近1∶1，說明其模型預(yù)測效果更好。因此SPADPLSR估算模型對棉花生長全生育期的冠層SPAD值估測更適用，這對指導(dǎo)棉花種植與生產(chǎn)具有積極指導(dǎo)作用，可為棉花遙感監(jiān)測提供依據(jù)。在SPAD值預(yù)測模型參數(shù)選擇方面，之前的學(xué)者應(yīng)用最多的是由一階微分提取的紅邊參數(shù)［22］，而本研究中與SPAD值相關(guān)性最好的光譜參數(shù)是MCARI、MCARI／OSAVI，造成這種差異的原因可能是地域不同、光照條件不同或是背景復(fù)雜情況不同。本文用常規(guī)線性回歸對SPAD值構(gòu)建的預(yù)測模型中，預(yù)測效果最好的是 SPAD－MCARI模型：y＝－64.33x＋61.822，R2＝0.461，模型精度檢驗結(jié)果與其它的相比，R2最大、RMSE最小。因此，SPAD－MCARI模型相較于其它模型有一定的優(yōu)勢，可以應(yīng)用到精度要求不高的平臺。

本研究用PLSR方法構(gòu)建的SPAD值估算模型樣本數(shù)量豐富、預(yù)測精度高，以全生育期詳實的田間棉花基礎(chǔ)數(shù)據(jù)建模，提高了估測模型的可靠性，為渭北旱塬區(qū)估測棉花冠層葉綠素提供了參考方法，為全生育期棉花長勢的高光譜遙感監(jiān)測提供依據(jù)，為解決當(dāng)?shù)丶Z食問題、農(nóng)民增收和加快農(nóng)村經(jīng)濟(jì)發(fā)展有著重要的現(xiàn)實意義。

［1］ 姚 霞，吳華兵，朱 艷，等.棉花功能葉片色素含量與高光譜參數(shù)的相關(guān)性研究［J］.棉花學(xué)報，2007，19（4）：267-272.

［2］ 趙艷茹，余克強，李曉麗，等.基于高光譜成像的南瓜葉片葉綠素分布可視化研究［J］.光譜學(xué)與光譜分析，2014，（5）：1378-1382.

［3］ 丁希斌，劉 飛，張 初，等.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測［J］.光譜學(xué)與光譜分析，2015，（2）：486-491.

［4］ 孔 振，施曉燈，何安國，等.不同施肥種類毛竹葉片色素含量及反射光譜相關(guān)性研究［J］.福建林業(yè)科技，2013，（3）：18-24.

［5］ 劉秀英，熊建利，林 輝.基于高光譜特征參數(shù)的樟樹葉綠素含量的估算模型研究［J］.廣東農(nóng)業(yè)科學(xué)，2011，（5）：1-4.

［6］ 孫 莉，陳 曦，包安明，等.用高光譜數(shù)據(jù)診斷水分脅迫下棉花冠層葉片氮素狀況的研究［J］.棉花學(xué)報，2004，16（5）：291-295.

［7］ 潘文超，李少昆，王克如，等.基于棉花冠層光譜的土壤氮素監(jiān)測研究［J］.棉花學(xué)報，2010，22（1）：70-76.

［8］ 鄧念武，徐 暉.單因變量的偏最小二乘回歸模型及其應(yīng)用［J］.武漢大學(xué)學(xué)報（工學(xué)版），2001，34（2）：14-16.

［9］ 楊國棟.基于變量篩選的偏最小二乘回歸方法及其應(yīng)用［D］.中南大學(xué)，2013.

［10］ 王紀(jì)華，黃文江，勞彩蓮，等.運用PLS算法由小麥冠層反射光譜反演氮素垂直分布［J］.光譜學(xué)與光譜分析，2007，27（7）：1319-1322.

［11］ 陳君穎，田慶久，施潤和.水稻葉片葉綠素含量的光譜反演研究［J］.遙感信息，2005，（6）：12-16.

［12］ 賀可勛，趙書河，來建斌，等.水分脅迫對小麥光譜紅邊參數(shù)和產(chǎn)量變化的影響［J］.光譜學(xué)與光譜分析，2013，33（8）：2143-2147.

［13］ 李嵐?jié)?，馬 驛，魏全全，等.基于高光譜的冬油菜植株氮素積累量監(jiān)測模型［J］.農(nóng)業(yè)工程學(xué)報，2015，31（20）：147-156.

［14］ 蔣桂英.新疆棉花主要栽培生理指標(biāo)的高光譜定量提取與應(yīng)用研究［D］.湖南農(nóng)業(yè)大學(xué)，2004.

［15］ 黃春燕.基于高光譜數(shù)據(jù)的北疆棉花遙感監(jiān)測研究［D］.石河子大學(xué)，2005.

［16］ 王克如，潘文超，李少昆，等.不同施氨量棉花冠層高光譜特征研究［J］.光譜學(xué)與光譜分析，2011，31（7）：1868-1872.

［17］ 朱逢樂.基于光譜和高光譜成像技術(shù)的海水魚品質(zhì)快速無損檢測［D］.浙江大學(xué)，2014.

［18］ 祁亞琴，呂 新，陳冠文，等.基于高光譜數(shù)據(jù)提取棉花冠層特征信息的研究［J］.棉花學(xué)報，2011，23（2）：167-171.

［19］ 李粉玲，王 力，劉 京，等.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片 SPAD值遙感估算［J］.農(nóng)業(yè)機(jī)械學(xué)報，2015，46（9）：273-281.

［20］ 陸洪濤.偏最小二乘回歸數(shù)學(xué)模型及其算法研究［D］.華北電力大學(xué)，2014.

［21］ 秦占飛，常慶瑞，申 健，等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測模型［J］.武漢大學(xué)學(xué)報（信息科學(xué)版），2016，41（9）：1-8.

［22］ 袁 杰.基于高光譜紅邊參數(shù)定量提取棉花冠層特征信息的研究［D］.石河子：石河子大學(xué)，2007.

Remote sensing estimation model of cotton leaf SPAD value at the whole grow th period

MAWen-jun，CHANGQing-rui，TIANMing-lu，BAN Song-tao
（College of Nɑturɑl Resourcesɑnd Environment，Northwest A＆F University，Yɑngling，Shɑɑnxi 712100，Chinɑ）

Chlorophyll concentration is an important parameter to evaluate cotton’s growth conditions.So it is significant to estimate chlorophyll content formonitoring of cotton growth information.Thematerials of this research was the cotton in field inWei-bei plateau region.Firstly the SPAD valuewasmeasured with SPAD－502 in field，and the spectral reflectance of canopy wasmeasured with SVCHandheld spectrometer.Then the correlation was analyzed between the SPAD value and single narrow band raw reflectance，or the first derivative spectral reflectance，or spectral indices combined from differentband.The predictionmodelwas established with 5 representative spectral indices.At the same time，the simulationmodel of remote sensing of canopy SPAD value at thewhole growth period in cotton was estimated based on PLSRmethod.Finally，the highest precisionmodelwas filtered out by testing.The result showed that themodel based on various spectral indiceswith PLSRmethod obtained themost satisfing results for the estimation of chlorophyll concentration，R2of the estimationmodel is 0.733，R2of the verificationmodelwas up to 0.737.The remote sensingmodels at thewhole growth stage in cotton builtwith PLSRmethod based on important spectral indices provides a basis formonitoring cotton crop growing trend and forecasting production with reliable forecast.

hyperspectral remote sensing；estimationmodel；PLSR；SPAD value；thewhole growth period

TP79

A

1000-7601（2017）05-0042-07

10.7606／j.issn.1000-7601.2017.05.07

2016-06-06

2016-10-20

國家高技術(shù)研究發(fā)展計劃（863計劃）項目（2013AA102401－2）

馬文君（1991—），女，浙江平湖人，碩士研究生，研究方向為遙感與GIS應(yīng)用。E-mail：viviennemwj＠126.com。

常慶瑞（1959—），男，教授，博士生導(dǎo)師，主要從事遙感與 GIS應(yīng)用研究。E-mail：changqr＠nwsuaf.edu.cn。