蘋果冠層葉綠素含量高光譜估算模型

董 淼，王振錫

(新疆農(nóng)業(yè)大學(xué)林學(xué)與園藝學(xué)院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術(shù)重點實驗室，烏魯木齊 830052)

0 引 言

【研究意義】葉綠素含量對綠色植被光合能力、發(fā)育階段及營養(yǎng)狀況具有重要的指示作用[1]，是綠色植被生長過程中非常重要的生理指標(biāo)之一。傳統(tǒng)的葉綠素測定方法，雖然能夠精確的測定葉綠素含量，但費時費力，需要破壞性的取樣，而高光譜作為一種監(jiān)測技術(shù)能夠滿足對植物快速、無損、大面積監(jiān)測的需要；由于葉片葉綠素反映的是單個植物的信息，而冠層葉綠素含量與遙感獲取的信息相對應(yīng)，因此，利用高光譜技術(shù)對植物冠層葉綠素含量及作物長勢進(jìn)行監(jiān)控具有重要的意義?！厩叭搜芯窟M(jìn)展】近年來高光譜遙感技術(shù)發(fā)展迅速，為高效、準(zhǔn)確地估算農(nóng)作物的葉綠素含量提供了技術(shù)手段[2]。Maderira等[3]發(fā)現(xiàn)光譜反射率能夠作為有效估測葉綠素含量的指標(biāo)，也有部分學(xué)者通過篩選敏感波段建立回歸模型[4]；Pinar等[5]研究發(fā)現(xiàn)草叢冠層光譜“紅邊”位置能較好地反應(yīng)出葉綠素密度信息；Blackburn等[6]系統(tǒng)的研究了森林植被冠層葉片色素含量和光譜反射率之間的關(guān)系；王登偉等[7]研究了棉花單葉和觀察關(guān)鍵生育期的反射光譜，分析了高光譜數(shù)據(jù)域棉花葉綠素含量和葉綠素密度的相關(guān)關(guān)系等。目前，高光譜遙感冠層尺度下的植被類型多為農(nóng)作物，如玉米(ZeamaysLinn.)[8]、小麥(TriticumaestivumL.)[9-11]、水稻(Oryzasativa,Oryzaglaberrima)[12-16]、馬鈴薯(SolanumtuberosumL.)[2]等，這些研究對于檢測植被的生長狀態(tài)起到了積極的作用，且建立的回歸模型多為線性模型?！颈狙芯壳腥朦c】由于地域與技術(shù)設(shè)備的制約，目前對蘋果冠層葉綠素含量與光譜反射率的定量關(guān)系研究比較有限。當(dāng)前新疆特色經(jīng)濟(jì)林產(chǎn)業(yè)規(guī)模已達(dá)146.67×104hm2(2 200萬畝)[17]。研究利用高光譜遙感數(shù)據(jù)尋求一套科學(xué)、可行的冠層葉綠素反演方法(模型)。及時掌握紅富士蘋果(MalusdomesticaBorkh. cv. Red Fuji)主栽品種巖富10號葉綠素含量的動態(tài)變化，對巖富10號營養(yǎng)狀況及長勢進(jìn)行有效監(jiān)測。【擬解決的關(guān)鍵問題】采用高光譜遙感技術(shù)，利用篩選出的敏感波段定義新的對應(yīng)關(guān)系，構(gòu)建線性、指數(shù)、對數(shù)、冪、二次多項式、三次多項式等多種回歸模型，篩選出在該研究區(qū)內(nèi)估測巖富10號冠層葉綠素含量的最佳模型，為巖富10號長勢及植株營養(yǎng)診斷提供技術(shù)支持。

1 材料與方法

1.1 材 料

試驗于2016年6～7月在新疆阿克蘇地區(qū)紅旗坡農(nóng)場(地理坐標(biāo)N 41°17′56.42″～N 41°18′56.16″、E 80°20′23″～E 80°20′56.16″，海拔1 215 m)進(jìn)行。試驗材料為南疆塔里木盆地主栽蘋果品種巖富10號。在試驗區(qū)隨機選擇5個7～8年生盛果期生產(chǎn)園，于每個生產(chǎn)園內(nèi)選取8株果樹，共選擇40株樣木，在每株樣木上選取三個不同位置進(jìn)行冠層光譜采集，共計120個樣本點。并同步在光譜測定位置，采集3片無損、健康的葉片，迅速裝入保鮮袋，編號后帶回實驗室測定葉綠素含量。

1.2 方 法

1.2.1 光譜測定

對所有選定的樹掛標(biāo)簽標(biāo)識，并用GPS進(jìn)行定位。光譜反射率的測定采用美國Analytical Spectral Device(ASD)公司生產(chǎn)的便攜式野外地物光譜儀Field Spec3，該光譜儀波段范圍在 350～2 500 nm，其中350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。在光譜輸出時，儀器自動進(jìn)行重采樣( 重采樣間隔為1 nm) ，共輸出2 151個波段數(shù)光譜分辨率為1 nm。冠層光譜采用原位測定，光譜儀探頭距離冠層上方25 cm，測定過程中每隔15 min進(jìn)行一次標(biāo)準(zhǔn)白板校正。所有觀測值均選擇在晴朗無風(fēng)的天氣，每次測定時間為12：00～16：00(太陽高度角大于45°)。為限制冠層反射率的非各向同性的影響，對每個樣株的陰、中、陽三面進(jìn)行光譜測定，每個樣株每一面樣本重復(fù)測定5次，取平均值作為該樣本的光譜反射率值，為保證數(shù)據(jù)的準(zhǔn)確性，每30 min進(jìn)行一次白板矯正。

1.2.2 葉綠素測定

根據(jù)葉綠體色素提取液對可見光譜的吸收，利用分光光度計在某一特定波長下測定其消光度D值，由朗伯比爾定律即可用公式計算提取液中各色素的含量[18]。將每次采集光譜后的新鮮葉片直接在實驗室內(nèi)進(jìn)行葉綠素含量測定，取新鮮葉片3份，每份0.1 g加入95%乙醇和丙酮混合液(無水乙醇∶丙酮=1∶1)浸泡至組織發(fā)白，過濾，定容，然后用UV2450-紫外可見分光光度計測量665、649和470 nm波長下的消光度D值，再用如下公式計算葉綠素a和葉綠素b的濃度值：

Ca(mg/L)=13.95×D665-6.88×D649.

(1)

Cb(mg/L)=24.99×D649-6.88×D665.

(2)

葉綠素含量(mg/g)=C·V/W/1 000.

(3)

葉綠素含量(mg/g)=葉綠素a含量+葉綠素b含量(4)式中：Ca、Cb分別為葉綠素a，b的濃度值；D665，D649分別為波長在665和649 nm處的消光度值；C為色素濃度(mg/L)；V為提取液體積(mL)；W為葉片樣品鮮重(g)。

1.2.3 高光譜數(shù)據(jù)

光譜在采集過程中，由于外界環(huán)境和人為因素的影響以及光譜儀不同波段對能量響應(yīng)上的差異，會導(dǎo)致測定的光譜曲線存在一些噪聲，需要對光譜數(shù)據(jù)進(jìn)行預(yù)處理，利用光譜后處理軟件ViewSpec Pro，剔除曲線中的離群值后，以Text 格式導(dǎo)出平均值光譜數(shù)據(jù)。剔除后共有1 754個波段數(shù)據(jù)。許多研究結(jié)果表明，一階微分變換有利于限制低頻背景光譜(通常是土壤，凋落物及枯死地被物光譜)對目標(biāo)光譜的影響[19]。因此，采用式(1)對原始光譜反射率進(jìn)行一階微分計算。

d(R)=(r3-r1)/△λ,(r4-r3)/ △λ…(rn-rn-2)/ △λ.

(1)

式中：rn是第n納米處的光譜反射率值。

1.2.4 模型構(gòu)建

將變換處理后的高光譜數(shù)據(jù)導(dǎo)入MS Excel軟件中，分別將原始光譜數(shù)據(jù)和微分光譜構(gòu)建的制備指數(shù)與巖富10號冠層葉綠素含量進(jìn)行相關(guān)分析，繪制相關(guān)系數(shù)曲線圖，根據(jù)曲線圖找出相關(guān)系數(shù)絕對值較大的波段，確定敏感波段。將選定的敏感波段及各種指數(shù)利用SPSS進(jìn)行逐步回歸分析，找出精度較高的波段組合及模型方程。通過模型擬合檢驗，最終篩選出精度最高的估測模型。采用常用的決定系數(shù)(R2)、均方根差(RMSE)對模型的估測值和實測值之間的符合度進(jìn)行驗證和評價，均方根差公式：

(3)

2 結(jié)果與分析

2.1 蘋果葉綠素含量和冠層光譜反射率特征

光譜采集過程中，由于外界環(huán)境的影響及光譜儀不同波段對能量響應(yīng)上的差異，會導(dǎo)致光譜曲線存在一些噪聲，對巖富10號冠層光譜進(jìn)行剔除。研究表明，在可見光波段內(nèi)，出現(xiàn)兩個吸收谷和一個小反射峰分別位于464、670和554 nm處，這是由于巖富10號光譜受到各種色素的支配，其中葉綠素所起的作用最為重要，在可見光波段范圍內(nèi)色素吸收強烈，導(dǎo)致反射和透射都很低；在605～678 nm間紅光波段處出現(xiàn)由于葉綠素的吸收而形成的低反射區(qū)；在紅光邊緣波段范圍內(nèi)(680～760 nm)光譜曲線陡然上升為一條平滑的曲線，紅邊的左右移動是反映植物葉綠素含量高低的重要標(biāo)準(zhǔn)。在750～1 340 nm近紅外波段，反射光譜特征主要受葉內(nèi)細(xì)胞結(jié)構(gòu)控制，葉片的多孔海綿組織對近紅外光的強烈反射，葉片的反射和透射能力相近，吸收能力很低，導(dǎo)致光譜反射率非常高，出現(xiàn)“紅外高臺”。圖1

圖1 巖富10號冠層平均原始光譜反射率曲線

Fig.1 Average reflectance spectrum of Yanfu No.10 canopy

研究表明，巖富10號的原始光譜反射率與葉綠素含量呈負(fù)相關(guān)，在可見光范圍內(nèi)最大相關(guān)系數(shù)出現(xiàn)在波長為774 nm的位置上，相關(guān)系數(shù)為-0.311 9。圖2

圖2 冠層原始光譜與葉綠素相關(guān)系數(shù)曲線

Fig.2 The correlation coefficient curve between the original spectrum of the canopy and the chlorophyll

研究表明，與巖富10號冠層原始光譜反射率相比，一階微分光譜與葉綠素之間的相關(guān)系數(shù)的最大取值，顯著增加，巖富10號冠層光譜的一階微分與葉綠素之間的相關(guān)系數(shù)的絕對值在357、825、954、454、1 135、761、1 247、1 248和1 254 nm，處均達(dá)到0.65以上，其中在357 nm處達(dá)到最大值，為0.684 1。

共選擇了一階微分光譜的8個波段區(qū)間及個7個單個波段組合作為敏感變量，分別是357 nm、372 nm、761 nm、825 nm、920 nm、960 nm、1 269 nm, 787～788 nm, 795～796 nm,1 049～1 051 nm, 953～954 nm,1 133～1 136 nm, 1 247～1 248 nm, 1 254～1 255 nm, 1 032～1 033 nm, 1 264～1 265 nm。圖3

圖3 一階微分光譜與葉綠素相關(guān)系數(shù)曲線

Fig.3 Curves of correlation coefficients betweenfirst order differential spectra and chlorophyll

2.2 模型建立

根據(jù)對巖富10號葉綠素含量與冠層高光譜數(shù)據(jù)及其一階微分的相關(guān)分析，選擇敏感波段，將篩選出的敏感波段建立的線性模型作為新的變量，利用SPSS對各個變量分別建立線性、二次多項式、冪、指數(shù)模型，并進(jìn)行精度檢驗，篩選找出擬合度較高的模型。

研究表明，由10個自定義植被指數(shù)的P值可以看出，其均在0.01水平下顯著相關(guān)，其中相關(guān)系數(shù)大于0.75的共有5個，變量9的相關(guān)系數(shù)最大，達(dá)到0.901，變量1的相關(guān)系數(shù)最差，為0.675。因此，以相關(guān)系數(shù)大于0.85為條件，篩選出5個衍生變量，分別建立線性、對數(shù)、指數(shù)、冪、二次多項式、五種回歸模型。表1

表1 基于敏感波段建立的衍生變量

Table 1 Derived variables based on sensitive bands

變量Variable計算公式Calculation formula相關(guān)系數(shù)Correlation coefficient變量1Variable 1y=2.248+5 548.248 D3570.675??變量2Variable 2y=3.822+4 005.914 D357-3 446.526 D12470.801??變量3Variable 3y=3.557+3 361.264 D357-2 792.572 D1247-2 609.652 D12690.803??變量4Variable 4y=3.472+2 481.148 D357-2 751.929 D1247+2 334.974 D1269+1 707.358 D3720.865??變量5Variable 8y=3.14+2 325.037 D357-2 377.822 D1247+1 403.422 D1269+1 817.49 D372+641.806 D8250.862??變量6Variable 6y=3.295+2 485.748 D357-3 959.464 D1247+1 468.679 D1269+1 175.574 D372+1 267.531 D825-1 417.894 D7870.845??變量7Variable 7y=3.35+3 062.417 D357-4 310.5 D1247+1 688.14 D1269+1 363.894 D825+1 696.415 D7870.842??變量8Variable 8y=3.31+2 349.305 D357-5 243.409 D1247+1 403.572 D1269+1 711.452 D825+3 411.242 D787-2 296.138 D12640.885??變量9Variable 9y=3.236+1 559.273 D357-4 843.329 D1247+1 102.133 D1269+1 524.56 D372+1 607.035 D825+3 151.443 D787-2 431.918 D12640.901??變量10Variable 10y=3.238+1 536.135 D357-4 887.31 D1247+1 774.203 D1269+1 848.389 D825+3 205.611 D787-2 550.024 D12640.887??

注：**在0.01水平上極顯著相關(guān)(P<0.01)，*在0.05水平上顯著相關(guān)(P<0.05)，下同

Note：**very significant correlation at 0.01 level (P<0.01)*significant correlation at 0.05 level (P<0.05), similarly hereinafter, the same as below

依據(jù)模型R2最大的原則，在各種回歸方式中，三次多項式模型的R2相對較高，二次多項式模型次之，對數(shù)模型與線模型的R2相對較低；在5個衍生變量中，基于變量9所建立的各種回歸模型R2均高于其他植被指數(shù)所建立的模型，其中三次多項式模型R2最高，為0.839，基于變量4和變量5高光譜植被指數(shù)所建立的各種回歸模型R2較小，其中變量5的線數(shù)模型R2最低，為0.743。因此，在選取模型時，以R2大于0.8為界線選取9個回歸模型進(jìn)行進(jìn)一步的驗證。分別是基于變量8的三次多項式模型，基于變量9的線性模型，二次多項式模型，三次多項式模型，冪函數(shù)模型，指數(shù)模型，基于變量10高光譜植被指數(shù)的三次多項式模型，冪函數(shù)模型以及指數(shù)模型。表2

表2 基于衍生變量高光譜植被指數(shù)構(gòu)建的模型

Table 2 Model based on derived variable Hyperspectral vegetation Index

變量Variable回歸方式Regression method模型Model相關(guān)系數(shù)Correlation coefficient變量4Variable 4線性y=0.062+1.031 x0.748??指數(shù)y=0.77 e0.437 x0.760??對數(shù)y=0.262+2.615 ln (x)0.768??二次多項式y(tǒng)=1.902 x+2.539 x-0.280 x20.778??三次多項式y(tǒng)=2.976-3.446 x+1.987 x2-0.270 x30.795??冪y=0.874 x1.1180.794??變量5Variable 5線性y=0.083+1.046 x0.743??指數(shù)y=0.764 e0.443 x0.753??對數(shù)y=0.264+2.630 ln (x)0.759??二次多項式y(tǒng)=-1.936+2.579 x-0.288 x20.770??三次多項式y(tǒng)=4.512-5.391 x+2.765 x2-0.370 x30.795??冪y=0.878 x1.120.780?變量8Variable 8線性y=-0.078+1.044 x0.783??指數(shù)y=0.766 e0.442 x0.795??對數(shù)y=0.468+2.445 ln (x)0.770??二次多項式y(tǒng)=-0.525+1.435 x-0.076 x20.786??三次多項式y(tǒng)=4.801-5.631+2.768 x2-0.358 x30.813??冪y=0.954 x1.0450.797??變量9Variable 9線性y=-0.056+1.026 x0.812??指數(shù)y=0.766 e0.443 x0.818??對數(shù)y=0.465+2.43 ln (x)0.799??二次多項式y(tǒng)=0.520+1.429 x-0.077 x20.815??三次多項式y(tǒng)=4.172-4.71 x+2.349 x2-0.299 x30.839??冪y=0.955 x1.0370.823??變量10Variable 10線性y=-0.083+1.045 x0.786??指數(shù)y=0.762 e0.443 x0.800??對數(shù)y=0.456+2.455 ln(x)0.774??二次多項式y(tǒng)=-0.713+1.595 x-0.107 x20.791??三次多項式y(tǒng)=4.633-5.393 x+2.658 x2-0.342 x30.827??冪y=0.949 x1.0500.802??

2.3 模型檢驗

研究表明，在各種回歸模型中，所有模型的擬合精度R2均高于0.8，RMSE均低于0.6，以變量8為自變量的三次多項式模型及以變量9為自變量的二次多項式模型的擬合程度相近，R2均低0.883。以變量9為自變量建立的三次多項式模型擬合程度最好，R2為0.887，RMSE為0.423。即在該研究區(qū)內(nèi)，利用巖富10號冠層光譜的一階微分變換，通過篩選出的敏感波段建立的自定義高光譜植被指數(shù)，能夠更好的反演巖富10號冠層葉綠素含量，其中反演精度最高的模型為以變量9高光譜植被指數(shù)為自變量的三次多項式模型。表3

y=4.172-4.71x+2.349x2-0.299x3.

表3 模型的擬合精度參數(shù)檢驗

Table 3 Test of the fitting precision parameter of the model

模型 Model R2RMSE變量8三次多項式y(tǒng)=4.801-5.631 x+2.768 x2-0.358 x30.883??0.426變量9Variable 9線性y=0.056+1.026 x0.871??0.451二次多項式y(tǒng)=-0.520+1.429 x-0.077 x20.883??0.431三次多項式y(tǒng)=4.172-4.71 x+2.349 x2-0.299 x30.887??0.423冪函數(shù)y=0.955 x1.0370.870??0.454指數(shù)函數(shù)y=0.766 e0.443 x0.814??0.568變量10Variable 10三次多項式y(tǒng)=4.633-5.393 x+2.658 x2-0.342 x30.881??0.429冪函數(shù)y=0.949 x1.0500.868??0.459指數(shù)函數(shù)y=0.762 e0.443 x0.809??0.590

3 討 論

葉綠素含量是綠色植被生長過程中非常重要的生理指標(biāo)之一，對綠色植被光合作用、生長發(fā)育及營養(yǎng)狀況具有重要的指示作用[1]。在可見光波段內(nèi)，各種色素是支配植物光譜響應(yīng)的主要因素，其中葉綠素所起的作用最為重要。有研究在對馬鈴薯[2]、小麥[19]、水稻[20]等農(nóng)作物建立葉片葉綠素含量估測模型時選取的敏感波段各不相同，嵇璇[18]在對馬鈴薯的生長監(jiān)測中發(fā)現(xiàn)其敏感波段為716、718、736、752、762和778 nm，趙佳佳等[19]認(rèn)為冬小麥葉綠素含量的敏感波段為500、690和760 nm，楊杰[20]在研究中表明水稻的敏感波段集中在560、585、707和747 nm；對處于不同生長時期的同一種植被來說，其光譜敏感波段由于色素、含水量、營養(yǎng)元素含量不同也會發(fā)生變化。馬航[21]在對不同時期東北粳稻葉綠素含量監(jiān)測及建模研究中表示，東北粳稻在分蘗期、拔節(jié)孕穗期、抽穗灌漿期及成熟期的敏感波段分別為548、421、452與697 nm；陶文曠[22]在以歐李為例對脅迫下植物光譜特征識別及生理指標(biāo)估算進(jìn)行研究發(fā)現(xiàn)，正常環(huán)境下歐李的敏感波段為740和800 nm，而在干旱脅迫下的敏感波段為440和670 nm。通過相關(guān)分析所選取的敏感波段主要為357、372、787、825、1 247和1 264 nm，敏感波段的范圍在紅外范圍以及近紅外范圍內(nèi)。由此可見，植被種類、生長時期、環(huán)境脅迫等因素差異都會使綠色植被色素含量發(fā)生變化，進(jìn)而導(dǎo)致指示植物葉綠素含量的光譜波段具有波動性和差異性。

在模型的建立方式上，梁爽等[23]在建立蘋果葉片葉綠素高光譜模型時僅利用敏感波段進(jìn)行了線性回歸，由于葉綠素含量受多種因素影響，所以僅建立簡單的線性模型是遠(yuǎn)遠(yuǎn)不夠的。賈永倩[24]和張小琪[25]等采用二次多項式模型進(jìn)行建模，取得了較好的擬合效果。研究選擇與葉綠素含量相關(guān)性較大的多個敏感波段，建立多個與葉綠素含量相關(guān)的衍生變量，利用這些衍生變量分別建立線性、對數(shù)、冪、二次多項式、三次多項式等多種回歸模型。其中三次多項式模型估測精度明顯優(yōu)于其他模型，擬合效果最佳，而且模型精度檢驗也進(jìn)一步證明了三次多項式模型的精確性。

研究在使用光譜儀測定冠層光譜時，嚴(yán)格控制太陽高度角及風(fēng)力大小，所測得的光譜反射率值精度較高，在一定程度上增強了該估算模型的可靠性與穩(wěn)定性[24]，所建立模型的均方根誤差(RMSE)均小于0.6，模型穩(wěn)定性較好。但上述蘋果冠層葉綠素含量估算模型是利用統(tǒng)計學(xué)方法獲得的經(jīng)驗?zāi)Ｐ停m具有一定的可靠性和普適性，但在時間域和空間域內(nèi)仍有不足，所建模型能否適應(yīng)其它地區(qū)及不同地類種植的蘋果還需進(jìn)一步研究。

4 結(jié) 論

利用葉綠素含量與高光譜特征之間的相關(guān)關(guān)系，篩選出對于冠層葉綠素含量變化較為敏感的波段，通過不同波段的交叉組合和逐步回歸算法，建立蘋果巖富10號冠層葉綠素含量的多個衍生變量，構(gòu)建了巖富10號冠層葉綠素含量的線性與非線性估測模型，經(jīng)過精度檢驗分析比較，最終確定的巖富10號冠層葉綠素含量的最佳估算模型是以衍生變量9所建立的三次多項式模型，即為y=4.172-4.71x+2.349x2-0.299x3，擬合結(jié)果通過了極顯著相關(guān)。應(yīng)用光譜技術(shù)，對新疆南疆盆地阿克蘇地區(qū)巖富10號冠層葉綠素含量進(jìn)行定量反演是可行的，為區(qū)域蘋果樹營養(yǎng)的快速診斷奠定了基礎(chǔ)，也為蘋果精準(zhǔn)化管理提供了信息支持。