接種AM真菌對(duì)東部草原礦區(qū)不同配比黑黏土的玉米光譜反演

龔云麗，胡晶晶，宋子恒，張 健，畢銀麗

(中國(guó)礦業(yè)大學(xué)(北京) 地球科學(xué)與測(cè)繪工程學(xué)院，北京 100083)

叢枝菌根(arbuscular mycorrhiza，AM)真菌是自然界土壤中普遍存在的一種土壤微生物，可與80%以上的有花植物形成互惠共生關(guān)系，密切影響著宿主植物的生長(zhǎng)和發(fā)育[1-3]。大量研究結(jié)果表明,AM真菌與植物共生可以改善土壤水穩(wěn)定性團(tuán)聚體、土壤滲透勢(shì)和總孔隙度等，同時(shí)提高土壤有機(jī)質(zhì)含量[4-5]。東部草原露天礦區(qū)黑黏土因黏性強(qiáng)，通氣透水能力差不適宜植物的生長(zhǎng)，為改善這種現(xiàn)狀，需按比例摻入一定質(zhì)量的沙土以降低其黏性結(jié)構(gòu)，接種叢枝菌根真菌，以期實(shí)現(xiàn)對(duì)黑黏土的快速改良。以往評(píng)價(jià)叢枝菌根對(duì)土壤的改善作用通常需要通過(guò)離體采集植物樣本在實(shí)驗(yàn)室進(jìn)行一系列的生理生化實(shí)驗(yàn)，不能實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)，高光譜遙感技術(shù)具有數(shù)據(jù)獲取速度快，精度高，無(wú)需破壞植株本身的特點(diǎn)。因此，采用高光譜遙感技術(shù)對(duì)不同土質(zhì)上植株生長(zhǎng)狀況進(jìn)行檢測(cè)，為實(shí)現(xiàn)微生物復(fù)墾技術(shù)對(duì)土壤改良效應(yīng)奠定基礎(chǔ)。

植物體內(nèi)葉綠素含量是反應(yīng)植被生長(zhǎng)及營(yíng)養(yǎng)狀況的重要生化參數(shù)[6]。如何準(zhǔn)確并高效地估算出植被的葉綠素質(zhì)量分?jǐn)?shù)將是研究植被各項(xiàng)特征指標(biāo)的關(guān)鍵因素[7]。傳統(tǒng)的葉綠素監(jiān)測(cè)方法不僅受到研究區(qū)域的局限，而且監(jiān)測(cè)效率也不高。近年來(lái)隨著遙感技術(shù)的快速發(fā)展與應(yīng)用，基于葉綠素對(duì)特定波長(zhǎng)光譜的吸收和反射的特性[8-9]，利用高光譜遙感技術(shù)來(lái)監(jiān)測(cè)植被葉綠素質(zhì)量分?jǐn)?shù)的方法逐漸被人們所熟知和認(rèn)可。高光譜遙感以其波段多且窄的特點(diǎn)，能直接對(duì)植被進(jìn)行微弱光譜差異的定量分析，在植被精細(xì)監(jiān)測(cè)研究中占據(jù)明顯的優(yōu)勢(shì)[10]。使用高光譜遙感技術(shù)對(duì)植被葉綠素含量定量估算的研究多通過(guò)建立葉綠素含量與植被光譜特征之間的回歸模型來(lái)實(shí)現(xiàn)[11-14]。筆者以玉米作為研究對(duì)象，分析了不同處理下原始光譜和一階微分光譜部分特征參數(shù)的差異，并選用逐步回歸模型和BP神經(jīng)網(wǎng)絡(luò)的建模方法，意在選取合適的光譜特征參數(shù)并以此為基礎(chǔ)建立高擬合度的葉綠素含量估測(cè)模型，為實(shí)現(xiàn)以高光譜遙感技術(shù)動(dòng)態(tài)高效監(jiān)測(cè)微生物修復(fù)效果奠定基礎(chǔ)。

1 材料與方法

1.1 供試材料與設(shè)計(jì)

供試黑黏土來(lái)自內(nèi)蒙古自治區(qū)呼倫貝爾市寶日希勒礦區(qū)，沙土為普通河沙土，經(jīng)過(guò)1 mm篩，用高壓滅菌鍋滅菌2 h，殺滅土壤中的土著菌根真菌后風(fēng)干備用。黑黏土的基本理化性狀為:速效磷的含量為2.68 mg/kg，速效鉀的含量為75.62 mg/kg，pH值為7.42，EC值為294 μS/cm。沙土的基本理化性狀為:速效磷的含量為6.13 mg/kg，速效鉀的含量為50.38 mg/kg，pH值為7.48，EC值為52.5 μS/cm。實(shí)驗(yàn)用盆為20 cm(口徑)×16 cm(底徑)×22 cm(高)。供試玉米種子為品糯28號(hào)，供試菌種為摩西管柄囊霉(Funneliformismosseae)，每穴加菌劑50 g。

試驗(yàn)共設(shè)8個(gè)處理，每個(gè)處理設(shè)4次重復(fù)，共32盆。設(shè)4個(gè)土壤基質(zhì)水平:沙土(S)、黏土(N)，沙土與黏土按質(zhì)量1∶1配比(S∶N=1∶1)、沙土與黏土按質(zhì)量3∶1配比(S∶N=3∶1)。設(shè)2個(gè)接種AM真菌水平:接種叢枝菌根(M)和不接種菌根的對(duì)照組(CK)。使用NH4NO3，KH2PO4，K2SO4作為底肥，使土壤中氮、磷、鉀的含量分別達(dá)100，30，150 mg/kg。將玉米種子用體積濃度為10%的H2O2溶液浸泡10 min做表面消毒，再用去離子水多次清洗，每盆播種玉米種子3顆，出苗后定苗為1株。每盆土壤基質(zhì)為4.8 kg，土壤濕度約為田間持水70%～80%，所有處理在中國(guó)礦業(yè)大學(xué)(北京)的日光溫室中培養(yǎng)。

1.2 光譜數(shù)據(jù)采集

每盆選取3～6片葉片，使用SVC HR-1024i型全波段地物光譜儀采集葉片光譜反射率信息，其波長(zhǎng)范圍為350～2 500 nm，光譜采樣間隔在350～1 000 nm內(nèi)是1.377 nm，在 1 000～2 500 nm內(nèi)為2 nm。測(cè)量時(shí)間為2017-07-10，即為出苗后60 d。光譜測(cè)定中使用儀器內(nèi)置光源，為消除環(huán)境變化對(duì)儀器的影響，每隔0.5 h用白板進(jìn)行1次校正。每片葉子選取3個(gè)采樣點(diǎn)，每個(gè)采樣點(diǎn)采集3個(gè)光譜數(shù)據(jù)，取其平均作為1個(gè)樣本結(jié)果。

1.3 葉綠素測(cè)定

葉綠素一般采用分光光度法測(cè)量，但是研究表明葉片綠色度(SPAD值)與葉綠素含量具有顯著的相關(guān)性，SPAD 值能較好地反映葉片葉綠素含量的變化，使用葉綠素計(jì)測(cè)定葉片葉綠素含量是完全可行的，在一定條件下可代替葉綠素含量的直接測(cè)定[15]。在光譜數(shù)據(jù)采集后，在光譜采樣點(diǎn)周圍，使用SPAD-502型便攜式葉綠素儀進(jìn)行玉米葉片葉綠素含量的測(cè)定。每采樣點(diǎn)測(cè)量5次取平均作為1個(gè)采樣點(diǎn)的葉綠素值。

1.4 數(shù)據(jù)處理

試驗(yàn)光譜數(shù)據(jù)使用SVC HR-1024i PC進(jìn)行初步處理。采用移動(dòng)平均法對(duì)實(shí)測(cè)光譜進(jìn)行去噪處理，即選取測(cè)定樣本某一點(diǎn)前后光譜曲線上一定范圍測(cè)定它的平均值作為該點(diǎn)的值。計(jì)算公式為

(1)

其中，R′i為樣本第i點(diǎn)的反射率值，i=1，2，3，…，n。

經(jīng)對(duì)比選用九點(diǎn)加權(quán)移動(dòng)平均的方法[16]，即選用i及其前后各4個(gè)點(diǎn)的反射率值加權(quán)后作為i點(diǎn)的反射率值。使用Excel數(shù)據(jù)分析工具對(duì)獲取到的光譜數(shù)據(jù)進(jìn)行平均處理及匯總。

光譜微分處理既可以消除基線漂移或平滑背景干擾的影響,也可以提供比原始光譜更高的分辨率和更清晰的光譜輪廓變換,并有效限制低頻背景對(duì)目標(biāo)光譜的影響[14]。故對(duì)原始光譜進(jìn)行一階微分處理。在 MATLAB R2016a 中對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理，并通過(guò)編程計(jì)算各波段光譜特征參數(shù)與葉綠素含量之間的相關(guān)關(guān)系。

1.5 回歸模型

多元統(tǒng)計(jì)分析技術(shù)是植被高光譜研究中采用最廣泛的技術(shù)之一，它以高光譜數(shù)據(jù)或者其變換形式作為自變量，以植被的生理參數(shù)為因變量，建立多元回歸線性模擬模型[17-19]。作為一種常用的解決生理參數(shù)與光譜特征參數(shù)間線性關(guān)聯(lián)的建模方法，多元線性模型并非是自變量越多越好，因?yàn)樽宰兞吭蕉嗍Ｓ鄻?biāo)準(zhǔn)差可能越大，因此利用逐步回歸篩選并剔除引起多重共線性的變量，逐個(gè)引入與某一指標(biāo)關(guān)系最密切的因子，從而自動(dòng)篩選出一種較好的函數(shù)表達(dá)式，保證反演模型的穩(wěn)定與準(zhǔn)確。將得到的光譜特征參數(shù)作為輸入變量，葉綠素含量作為輸出變量，利用 SPSS 軟件建立逐步回歸模型，將驗(yàn)證數(shù)據(jù)輸入，驗(yàn)證模型精度。

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，通過(guò)反向傳播途徑不斷調(diào)整網(wǎng)絡(luò)的閾值與權(quán)值，直到網(wǎng)絡(luò)的誤差平方和值達(dá)到最小[20]。在數(shù)據(jù)分析時(shí)，不需要建立具體的數(shù)學(xué)模型，仿真性強(qiáng)[21]，對(duì)非線性問(wèn)題有很好的解釋性。將得到的相關(guān)系數(shù)較高的光譜特征參數(shù)作為輸入變量，葉綠素含量作為輸出變量，利用 MATLAB R2016a 中的神經(jīng)網(wǎng)絡(luò)工具箱建立神經(jīng)網(wǎng)絡(luò)模型，并將驗(yàn)證數(shù)據(jù)輸入模型，驗(yàn)證模型精度。

1.6 光譜特征參數(shù)選取

為分析不同配比黏土基質(zhì)下接種叢枝菌根對(duì)玉米葉片光譜特征的影響并對(duì)玉米葉片葉綠素含量進(jìn)行反演建模。由于綠色植物葉片的葉綠素含量對(duì)可見(jiàn)光波段的光譜反射率起主要的影響作用，結(jié)合微分處理有利于提高光譜數(shù)據(jù)的判讀性，結(jié)合前人的經(jīng)驗(yàn)，提取常用特征參數(shù)(表1)，主要是“三邊參數(shù)”及其比值和歸一化參數(shù)[13,22]。

2 結(jié)果與分析

2.1 不同處理下玉米葉綠素含量的差異

相同基質(zhì)下接種叢枝菌根真菌可提高葉綠素的含量(表2)。沙土S和S∶N=3∶1處理接菌未達(dá)到差異顯著水平，而N和S∶N=1∶1的接菌處理均達(dá)到顯著差異。未接菌時(shí)，S∶N=3∶1的葉綠素含量最高但較其他基質(zhì)未達(dá)到顯著差異，接菌后S∶N=1∶1的葉綠素含量最高且除N外均達(dá)到顯著水平，即在接菌條件下以1∶1的比例摻入沙土?xí)r對(duì)玉米葉綠素含量的提高效果最明顯，接菌處理可以減少沙土的摻入量，節(jié)約成本，接菌處理下S∶N=1∶1對(duì)植物生長(zhǎng)促進(jìn)作用最好?？赡芤环矫鎿饺肷惩量山档秃陴ね恋酿ば裕旌虾笸寥阑|(zhì)的通氣透水性較純黏土好，也保證了土壤的保水性;另一方面，接種AM真菌后，增強(qiáng)了根系對(duì)水分和營(yíng)養(yǎng)元素的吸收能力，使玉米植株葉綠素含量更高，呈現(xiàn)出更好的生長(zhǎng)狀態(tài)。

表1 光譜特征參數(shù)及定義
Table 1 Spectral characteristics parameters and definitions

特征參數(shù)定義SDb藍(lán)邊(490～530 nm)內(nèi)一階微分值總和SDy黃邊(560～640 nm)內(nèi)一階微分值總和SDr紅邊(680～760 nm)內(nèi)一階微分值總和I=(R765-R720)(R765+R720)歸一化植被指數(shù)藍(lán)紫波吸收谷幅值(RBP)380～500 nm波段反射率最小值藍(lán)紫波吸收谷位置(λBP)380～500 nm波段反射率最小值對(duì)應(yīng)的波長(zhǎng)綠峰幅值(RG)500～600 nm波段反射率最大值綠峰位置(λG)500～600 nm波段反射率最大值對(duì)應(yīng)的波長(zhǎng)紅谷幅值(RR)600～720 nm波段反射率最小值紅谷位置(λR)600～720 nm波段反射率最小值對(duì)應(yīng)的波長(zhǎng)藍(lán)邊位置(BEP)藍(lán)光范圍(490～530 nm)內(nèi)一階微分光譜最大值所對(duì)應(yīng)的波長(zhǎng)藍(lán)邊斜率(BES)藍(lán)邊位置對(duì)應(yīng)的一階微分值黃邊位置(YEP)黃光范圍(560～640 nm)內(nèi)一階微分光譜最小值所對(duì)應(yīng)的波長(zhǎng)黃邊斜率(YES)黃邊位置對(duì)應(yīng)的一階微分值紅邊位置(REP)紅光范圍(680～760 nm)內(nèi)一階微分光譜最大值所對(duì)應(yīng)的波長(zhǎng)紅邊斜率(RES)紅邊位置對(duì)應(yīng)的一階微分值SDr/SDb紅邊內(nèi)一階微分值總和與藍(lán)邊內(nèi)一階微分值總和比值SDr/SDy紅邊內(nèi)一階微分值總和與黃邊內(nèi)一階微分值總和比值(SDr-SDb)/(SDr+SDb)紅邊內(nèi)一階微分值總和與藍(lán)邊內(nèi)一階微分值總和歸一化(SDr-SDy)/(SDr+SDy)紅邊內(nèi)一階微分值總和與黃邊內(nèi)一階微分值總和歸一化

表2 不同處理下玉米葉片葉綠素含量
Table 2 Chlorophyll content of maize leaves underdifferent treatments

處理葉綠素含量(SPAD值)CKMS31.83d33.79cdN32.27cd36.81abS∶N=1∶132.18cd37.72aS∶N=3∶133.8cd34.67bc

注∶同一個(gè)處理下的小寫(xiě)字母表示在0.05水平上有顯著差異。

2.2 不同處理下玉米原始光譜特征參數(shù)的差異

因可見(jiàn)光波段(380～760 nm)的反射率與葉綠素含量存在密切的關(guān)系[23]，所選特征參數(shù)多集中于可見(jiàn)光波段，故截取340～800 nm間的反射率光譜數(shù)據(jù)，經(jīng)九點(diǎn)加權(quán)平均后得到原始光譜曲線(圖1)。結(jié)合表3可以看出，相同基質(zhì)下，接種叢枝菌根可降低綠峰幅值。未接菌時(shí)，S∶N=1∶1 的綠峰幅值大于N，而S∶N=3∶1則小于N;接種AM真菌后，S∶N=1∶1小于N，同時(shí)S∶N=3∶1大于N，結(jié)合葉綠素含量可知，不同處理下葉綠素含量越高時(shí)，綠峰幅值越小，即兩者呈現(xiàn)負(fù)相關(guān)，在接菌處理的沙黏土配比1∶1(S∶N=1∶1)時(shí)達(dá)到最小。藍(lán)紫波吸收谷值和紅谷幅值也具有相同的規(guī)律。即在此處理下玉米植株對(duì)光的吸收量更大，光合作用更強(qiáng)，相應(yīng)的綠峰、紅谷、藍(lán)紫波吸收谷位置并未呈現(xiàn)明顯規(guī)律。

圖1 不同處理經(jīng)平滑后的原始光譜曲線Fig.1 Original spectral curves after smoothing

2.3 不同處理下玉米一階微分光譜的特征參數(shù)差異

經(jīng)一階微分處理后的光譜曲線具有相似的形狀和變化規(guī)律，但因葉綠素含量的不同，各處理間的“三邊”參數(shù)存在一定程度的差異，結(jié)合表4進(jìn)行具體分析。

藍(lán)邊參數(shù)中，相同基質(zhì)下藍(lán)邊斜率和藍(lán)邊一階微分和均呈現(xiàn)接菌小于未接菌。摻入沙土后，不論是對(duì)照還是接種AM真菌其藍(lán)邊斜率和藍(lán)邊一階微分和隨著葉綠素含量的不同存在著明顯的規(guī)律變化，即葉綠素含量與藍(lán)邊斜率、藍(lán)邊一階微分和呈負(fù)相關(guān)。接菌條件下，S∶N=1∶1時(shí)藍(lán)邊斜率和藍(lán)邊一階微分和的差異最大，即在此條件下對(duì)葉綠素含量的提升作用最明顯。藍(lán)邊位置在520 nm附近且與葉綠素?zé)o明確關(guān)系。

黃邊斜率為負(fù)值，相同基質(zhì)下，接菌可提高黃邊斜率，且與葉綠素含量呈正相關(guān)。黃邊范圍內(nèi)一階微分和為負(fù)值，相同基質(zhì)接菌后絕對(duì)值小于對(duì)照，與葉綠素含量呈負(fù)相關(guān)。配比沙土后，黃邊斜率與黃邊范圍一階微分和也因葉綠素含量的不同分別呈現(xiàn)正相關(guān)與負(fù)相關(guān)。黃邊位置在570 nm附近，無(wú)明顯位移。

紅邊參數(shù)中，紅邊斜率與紅邊范圍一階微分和均與葉綠素含量呈負(fù)相關(guān)，即相同基質(zhì)接菌小于未接菌。未接菌時(shí)，S∶N=1∶1的紅邊斜率與紅邊范圍一階微分和大于N，而接菌后小于N，結(jié)合紅邊斜率與紅邊范圍一階微分和與葉綠素負(fù)相關(guān)，可知S∶N=1∶1時(shí)，接菌對(duì)葉綠素含量的提升作用更顯著。對(duì)比葉綠素含量與紅邊位置可知隨著葉綠素含量的增加，紅邊位置有向著長(zhǎng)波方向移動(dòng)，即產(chǎn)生了“紅移”，這與田明璐等[24]關(guān)于蘋(píng)果花葉病葉片紅邊特征的研究結(jié)果相似。

表3 不同處理下玉米原始光譜特征參數(shù)的比較
Table 3 Characteristic parameters of original curves of maize under different treatments

特征參數(shù)CKSNS∶N=1∶1S∶N=3∶1MSNS∶N=1∶1S∶N=3∶1RBP9.959 89.907 29.932 37.885 57.905 17.475 97.361 17.830 6λBP380380380380380380380380RG21.800 720.577 521.324 719.645 319.750 617.863 816.932 618.379 5λG553552553553553553552552RR9.863 49.376 09.668 08.706 18.905 58.165 88.047 58.387 2λR673671674674671672672674

表4 不同處理下玉米一階微分“三邊”參數(shù)差異
Table 4 Differences in trilateral parameters of first-order differential spectra of maize under different treatments

特征參數(shù)CKSNS∶N=1∶1S∶N=3∶1MSNS∶N=1∶1S∶N=3∶1BEP520520520520521520521520BES0.196 50.187 80.191 10.172 40.174 70.152 10.140 60.158 4SDb4.648 54.458 04.490 93.933 14.036 03.500 43.182 93.778 8YEP570570570570570570570570YES-0.126 8-0.120 7-0.123 2-0.113 1-0.117 2-0.101 5-0.099 5-0.107 0SDy-4.564 3-4.305 1-4.480 8-4.143 8-4.290 0-3.693 6-3.481 5-3.775 9REP716717717718718719719718RES0.534 70.512 40.521 70.471 80.488 60.445 90.411 30.464 1SDr25.722 224.531 925.168 622.208 023.664 220.748 120.094 821.149 3

2.4 葉綠素含量與各特征參數(shù)的相關(guān)性分析

由于接種叢枝菌根對(duì)玉米的生長(zhǎng)具有促進(jìn)的作用，使玉米葉片的葉綠素含量產(chǎn)生變化且差異顯著，進(jìn)而影響光譜特征參數(shù)，使M與CK玉米葉片葉綠素含量和光譜特征參數(shù)進(jìn)行相關(guān)性分析顯示出一定的差異，這是可能是因?yàn)锳M真菌對(duì)植物生長(zhǎng)的促進(jìn)作用是一個(gè)多因素綜合結(jié)果，接菌植物的光譜響應(yīng)也并非是由某單一因素引起[22]，統(tǒng)一的進(jìn)行相關(guān)性分析可能會(huì)對(duì)模型精度產(chǎn)生影響，故采用光譜特征參數(shù)分別與M和CK的葉綠素含量進(jìn)行相關(guān)性分析?！叭叀眳?shù)能夠較好的反應(yīng)綠色植物的光譜特征，對(duì)植物的葉綠素較為敏感，故選取藍(lán)、黃、紅3邊的斜率和一階微分和以及紅藍(lán)、紅黃一階微分和的比值及歸一化值作為特征參數(shù);同時(shí)在原始光譜中選取了具有代表性的綠峰和紅谷反射率以及歸一化植被指數(shù)共13個(gè)光譜特征參數(shù)。

用葉綠素含量對(duì)13個(gè)特征參數(shù)分別進(jìn)行相關(guān)分析，得到不接種叢枝菌根的CK和接種叢枝菌根的M的相關(guān)系數(shù)見(jiàn)表5。

表5 接菌處理下葉綠素含量與各光譜特征參數(shù)的相關(guān)系數(shù)
Table 5 Correlation coefficient between chlorophyll contentand spectral characteristic parameters

特征參數(shù)相關(guān)系數(shù)CKMBES-0.748 7-0.731 8YES0.606 40.610 5RES0.197 40.182 8SDr-0.215 2-0.205 0SDb-0.744 8-0.730 5SDy0.688 00.676 7(SDr-SDb)/(SDr+SDb)0.770 80.756 2(SDr-SDy)/(SDr+SDy)-0.747 5-0.777 9SDr/SDb0.819 10.819 5SDr/SDy-0.781 0-0.815 1RG-0.640 3-0.626 3RR-0.422 6-0.308 5NDVI0.779 40.793 2

CK與M的各相關(guān)系數(shù)整體上相近,BES，SDb，(SDr-SDb)/(SDr+SDb)，(SDr-SDy)/(SDr+SDy)，

SDr/SDb，SDr/SDy，NDVI均達(dá)到了0.7以上的相關(guān)性，YES，SDy，RG也達(dá)到了0.6以上的相關(guān)性，故選用這10個(gè)特征參數(shù)進(jìn)行反演模型構(gòu)建。結(jié)合除S∶N=3∶1外其余3種基質(zhì)下接菌與空白處理的葉綠素含量均達(dá)到顯著差異，故對(duì)兩種處理進(jìn)行分別建模。

2.5 基于光譜參數(shù)的葉綠素值估算模型的建立及檢驗(yàn)

本文選取了2種常用的建模方法，探尋線性關(guān)聯(lián)的逐步回歸模型和用于非線性關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型，比較兩種不同的建模方法在輸入相同的光譜特征參數(shù)時(shí)對(duì)葉綠素含量估測(cè)的能力，并對(duì)2種建模方法進(jìn)行檢驗(yàn)，優(yōu)選出擬合度更高的模型。

2.5.1逐步回歸模型

將得到的光譜數(shù)據(jù)分為對(duì)照和接菌兩組，每組共計(jì)80條光譜曲線。每組隨機(jī)選取60組數(shù)據(jù)建立逐步線性回歸模型，剩余的20組數(shù)據(jù)作為驗(yàn)證集對(duì)模型精度進(jìn)行檢驗(yàn)。將篩選出的相關(guān)性較高的10個(gè)光譜參數(shù)作為自變量，將葉綠素含量作為因變量進(jìn)行逐步線性回歸，得到的模型見(jiàn)表6。

表6 基于逐步回歸分析法的玉米葉片葉綠素含量估測(cè)模型
Table 6 Estimation model of chlorophyll content in corn leaves based on stepwise regression analysis

處理入選特征參數(shù)反演模型決定系數(shù)R2均方根誤差RMSE相對(duì)誤差/%F值SDr/SDby=1.975x1+20.6510.6701.5843.87117.651SDr/SDb,RGy=1.535x1-0.217x2+27.8340.7101.4973.5469.824CKSDr/SDb,RG,(SDr-SDy)/(SDr+SDy)y=3.835x1-0.343x2+39.463x3-40.2680.7851.3003.1268.209SDr/SDb,RG,(SDr-SDy)/(SDr+SDy),(SDr-SDb)/(SDr+SDb)y=4.961x1-0.375x2+29.519x3-40.151x4-3.6650.8041.2533.056.386MSDr/SDyy=-2.504x5+20.960.6981.7183.62137.449SDr/SDy,SDyy=-1.805x5+1.165x6+29.5290.7331.6453.6278.048

注:x1為SDr/SDb;x2為RG;x3為(SDr-SDy)/(SDr+SDy);x4為(SDr-SDb)/(SDr+SDb);x5為SDr/SDy;x6為SDy;y為估測(cè)的SPAD值。

CK得到4個(gè)反演模型，當(dāng)有4個(gè)特征參數(shù)入選時(shí)，模型的決定系數(shù)R2最高為0.804，同時(shí)均方根誤差RMSE最小，模擬精度最高。M得到2個(gè)反演模型，當(dāng)有2個(gè)特征參數(shù)入選時(shí)，模型的決定系數(shù)R2最高為0.733，同時(shí)均方根誤差RMSE最小，模擬精度最高。

2.5.2BP神經(jīng)網(wǎng)絡(luò)模型

使用的Matlab提供的NeuralNet Fitting工具進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的建立，網(wǎng)絡(luò)共有輸入層、中間層和輸出層 3 層。輸入相關(guān)系數(shù)較高的10個(gè)光譜特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，葉綠素含量作為輸出神經(jīng)元。將CK和M各80組數(shù)據(jù)輸入，其中56組作為訓(xùn)練數(shù)據(jù)，12組為驗(yàn)證數(shù)據(jù)，剩余12組為測(cè)試數(shù)據(jù)。因隱含層神經(jīng)元個(gè)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的性能具有影響，為選擇合適的神經(jīng)元個(gè)數(shù)，這里選取的評(píng)價(jià)指標(biāo)為程序運(yùn)行10次對(duì)決定系數(shù)平均值的影響，具體結(jié)果見(jiàn)表7。經(jīng)多次試驗(yàn)對(duì)比，認(rèn)為當(dāng)設(shè)定隱含層神經(jīng)元個(gè)數(shù)為10時(shí)BP神經(jīng)網(wǎng)絡(luò)性能最優(yōu)。網(wǎng)絡(luò)訓(xùn)練函數(shù)為基于數(shù)值最優(yōu)化理論的 Levenbeger-Marquardt。結(jié)果表明(表7)，CK組的決定系數(shù)R2為0.860，均方根誤差RMSE為1.028;M組的決定系數(shù)R2為0.857，均方根誤差RMSE為1.098。取逐步回歸模型中決定系數(shù)最高的模型，與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，其不同處理下預(yù)測(cè)值與真值的擬合結(jié)果散點(diǎn)圖如圖2所示?？梢钥闯?，BP神經(jīng)網(wǎng)絡(luò)較逐步回歸模型具有更好的模型決定系數(shù)，同時(shí)具有更小的均方根誤差。

表7 不同處理下10次運(yùn)行對(duì)應(yīng)結(jié)果
Table 7 Corresponding results of 10 operations underdifferent treatments

隱含層神經(jīng)元個(gè)數(shù)決定系數(shù)R2CK最大值最小值平均值M最大值最小值平均值60.7860.5420.6420.7740.6630.71970.7520.6020.6550.7380.6090.68380.7820.6710.7350.8020.6280.69190.7930.6540.7460.7940.6690.735100.8600.7820.8080.8570.7530.796110.8240.7040.7630.8030.6830.748

2.5.3模型精度驗(yàn)證及比較

分別對(duì)所建立的所有模型進(jìn)行精度檢驗(yàn)，由表8可知，不論是CK 還是M，BP神經(jīng)網(wǎng)絡(luò)模型都具有更高的驗(yàn)證精度，模型的決定系數(shù)都在0.85以上，相較于逐步回歸模型精度有一定幅度的提升。但由于BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)權(quán)值初始化是隨機(jī)的，神經(jīng)網(wǎng)絡(luò)程序在每次運(yùn)行后得到的訓(xùn)練結(jié)果是不同的[25]，因此BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程存在易陷入局部最小，并不能確保取得全局最佳效果。本研究經(jīng)過(guò)多次訓(xùn)練，通過(guò)比較選取了決定系數(shù)和RMSE都相對(duì)最小的一次訓(xùn)練結(jié)果作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型。綜合多次訓(xùn)練結(jié)果，認(rèn)為BP神經(jīng)網(wǎng)絡(luò)模型擁有更好的玉米葉綠素含量估測(cè)能力。

圖2 2種方法不同處理下玉米SPAD預(yù)測(cè)值與真值擬合結(jié)果Fig.2 Fitting results of maize SPAD predicted value and true value under two different treatments

表8 基于BP神經(jīng)網(wǎng)絡(luò)法的玉米葉片葉綠素含量估測(cè)模型
Table 8 Estimation model of chlorophyll content in maize leaves based on BP neural network method

處理入選特征參數(shù)決定系數(shù)R2均方根誤差RMSE相對(duì)誤差/%CKBES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,I0.8601.0282.48MBES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,I0.8571.0982.24

3 討 論

已有大量的研究證明接種AM真菌對(duì)土壤具有改良作用[4-5]，劉文科等[26]也對(duì)不同土壤基質(zhì)下接種AM真菌對(duì)植物生長(zhǎng)的影響做了相應(yīng)研究。畢銀麗課題組將微生物修復(fù)作用與高光譜技術(shù)聯(lián)系起來(lái)[14,24,27-31]，但在不同土壤基質(zhì)下接種AM真菌對(duì)植物葉片光譜的影響，國(guó)內(nèi)外鮮有研究。本文從葉綠素含量入手，探究了在4種不同土壤基質(zhì)下接種AM對(duì)玉米葉片光譜的影響。

在可見(jiàn)光范圍內(nèi)，植被反射光譜主要受植被色素的影響，因此光譜反射率與綠色植物葉綠素含量存在密切的關(guān)系[12]，當(dāng)葉綠素濃度低時(shí)，對(duì)可見(jiàn)光的吸收就小，則在綠光區(qū)域反射率較大。冉瓊等[32]認(rèn)為接種AM真菌可提高葉綠素含量，促使作物光合作用能力增強(qiáng)，王群等[33]發(fā)現(xiàn)不同質(zhì)地土壤對(duì)玉米葉綠素?zé)晒馓匦院彤a(chǎn)量有顯著影響。接種AM與配比沙土對(duì)玉米葉片葉綠素含量的提升作用在光譜上的體現(xiàn)與徐琳煜等[34]關(guān)于白術(shù)干旱脅迫時(shí)間越久葉片葉綠素含量降低綠峰幅值升高相同，與孫紅等[35]關(guān)于馬鈴薯葉片光譜反射率在382～700 nm葉綠素含量越高反射率越低相似。因此，可通過(guò)比較可見(jiàn)光波段反射率與相關(guān)光譜特征參數(shù)的方式，比較出植株葉綠素含量的高低，判斷植物光合作用的強(qiáng)弱。接種AM真菌和配比沙土對(duì)玉米生長(zhǎng)的影響是多方面的，本文僅通過(guò)葉綠素含量與光譜響應(yīng)相聯(lián)系來(lái)體現(xiàn)這種多方面的影響，具有局限性，需進(jìn)行深入探究。

已有大量的研究運(yùn)用多種光譜特征參數(shù)結(jié)合葉綠素含量進(jìn)行光譜定量估算[36-37]。余蛟洋等[38]通過(guò)對(duì)比認(rèn)為逐步線性回歸模型能較好預(yù)測(cè)蘋(píng)果葉片葉綠素含量;劉文雅和潘潔[39]采用BP神經(jīng)網(wǎng)絡(luò)模型估算馬尾松葉綠素含量，取得較好預(yù)測(cè)結(jié)果。大量研究表明，逐步線性回歸和BP神經(jīng)網(wǎng)絡(luò)兩種建模方法在各種植物葉片葉綠素含量反演中具有良好的估測(cè)能力，本研究中BP神經(jīng)網(wǎng)絡(luò)模型的建模精度比逐步回歸模型更高，但驗(yàn)證集中的RMSE值卻比逐步回歸模型的大，故在如何提高BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性，提高預(yù)測(cè)精度方面需要進(jìn)一步研究(表9)。此外室內(nèi)實(shí)驗(yàn)的結(jié)果能否運(yùn)用到野外實(shí)驗(yàn)中去，切實(shí)為微生物復(fù)墾修復(fù)作用提供可靠的數(shù)據(jù)支持也需結(jié)合野外實(shí)驗(yàn)數(shù)據(jù)做深入研究。

表9 模型精度檢驗(yàn)結(jié)果比較
Table 9 Comparison of model accuracy test results

處理模型類型變量實(shí)測(cè)值(x)與模擬值(y)擬合方程檢驗(yàn)指標(biāo)決定系數(shù)R2均方根誤差RMSE相對(duì)誤差/%SDr/SDby=0.669 4x+10.7320.7840.9723.32逐步回歸模型SDr/SDb,RGy=0.687 4x+10.1480.7681.0463.36CKSDr/SDb,RG,(SDr-SDy)/(SDr+SDy)y=0.677 8x+10.3560.6031.5234.50SDr/SDb,RG,(SDr-SDy)/(SDr+SDy),(SDr-SDb)/(SDr+SDb)y=0.728 8x +8.645 20.5841.7044.52神經(jīng)網(wǎng)絡(luò)模型BES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,Iy=1.170 6x -5.035 80.8962.7634.29逐步回歸模型SDr/SDyy=0.599 8x+14.1170.7221.2193.58MSDr/SDy,SDyy=0.537 6x+16.4190.7371.0503.91神經(jīng)網(wǎng)絡(luò)模型BES,YES,SDb,SDy,(SDr-SDb)/(SDr+SDb),(SDr-SDy)/(SDr+SDy),SDr/SDb,SDr/SDy,RG,Iy =0.632 5x+13.0380.8903.9744.66

4 結(jié) 論

(1)黑黏土與沙土以質(zhì)量比1∶1混合后接種AM真菌時(shí)對(duì)玉米葉片葉綠素含量的提高作用最為顯著，植物生長(zhǎng)最好。

(2)原始光譜中綠峰、藍(lán)紫波吸收谷和紅谷的幅值與葉綠素含量呈負(fù)相關(guān)。經(jīng)一階微分后，葉綠素含量與“三邊”范圍內(nèi)一階微分呈負(fù)相關(guān)，與紅邊、藍(lán)邊斜率呈負(fù)相關(guān)，與黃邊斜率呈正相關(guān)，同時(shí)紅邊位置產(chǎn)生“紅移”現(xiàn)象。

(3)BP神經(jīng)網(wǎng)絡(luò)法建模型較逐步回歸模型具有更好的擬合精度和驗(yàn)證精度，CK和M的決定系數(shù)R2分別為0.860和0.857，驗(yàn)證精度也都在0.85以上，可以較好估測(cè)玉米葉綠素含量。