基于優(yōu)化光譜指數(shù)的新疆春小麥冠層葉綠素含量估算

亞森江·喀哈爾，尼加提·卡斯木，尼格拉·塔什甫拉提，張 飛，茹克亞·薩吾提，阿不都艾尼·阿不里，師慶東,3，蘇比努爾·居來提

(1.新疆大學資源與環(huán)境科學學院，新疆烏魯木齊 830046; 2.新疆大學綠洲生態(tài)教育部重點實驗室，新疆烏魯木齊 830046; 3.新疆大學干旱生態(tài)環(huán)境研究所，新疆烏魯木齊 830046)

葉綠素是植物光合作用過程中吸收光能的主要物質，其含量與光合能力和氮素狀況有良好的相關性，已經(jīng)成為評價作物生長發(fā)育和營養(yǎng)狀況的一種重要指標[1-2]。抽穗期是春小麥生長發(fā)育的關鍵時期，對這一時期冠層葉綠素含量進行快速、準確監(jiān)測對于春小麥田間管理非常重要。

利用高光譜遙感技術可以大尺度、高效率、低成本地監(jiān)測作物冠層葉綠素含量[3]。Daughtry等[4]研究發(fā)現(xiàn),作物冠層葉綠素含量對光譜紅邊位置敏感。Wu等[5]利用整合高光譜植被指數(shù)TCARI/OSAVI(R705,R750)和MCARI/OSAVI(R705,R750)預測冬小麥葉片葉綠素含量時，決定系數(shù)分別可以達到0.88和0.94，用Hyperion數(shù)據(jù)反演冠層葉綠素含量的精度分別為68%和76%。孟慶野等[6]在Prospect+SAIL模型的基礎上對TCARI指數(shù)進行改進建立的MTCARI/OSAVI指數(shù)進一步減弱了土壤背景與LAI的影響，從而在植被冠層葉綠素含量的遙感模擬中取得良好的效果。潘 蓓等[7]利用高光譜植被指數(shù)CCI(D794/D763)構建的模型能較好地估測蘋果冠層葉綠素含量。靳彥華等[8]應用多種高光譜植被指數(shù)對比分析水澆地和旱地春小麥不同生育時期冠層光譜及葉綠素含量的變化，并建立不同生態(tài)條件下春小麥冠層葉綠素含量的最佳估算模型。Sid’ko等[9]采用歸一化植被指數(shù)制作試驗田的冠層葉綠素含量反演圖，最終找出不同小麥品種冠層葉綠素含量與產(chǎn)量之間的關系。上述報道主要從兩方面開展了研究：一方面分析了葉綠素與光譜反射率之間的相關性，對各種光譜指數(shù)用于預測或模擬葉綠素含量的可行性與適宜性進行評估；另一方面則從敏感波段的甄選出發(fā)，構建基于特定光譜指數(shù)的葉綠素估算模型，并對其進行精度評價。但由于遙感反演精度仍較大程度地依賴于地區(qū)與環(huán)境差異，而且傳統(tǒng)的一些高光譜植被指數(shù)易受田間管理、施肥、氣候條件等多種因素的影響，存在較多的局限性，導致利用高光譜植被指數(shù)所建模型對不同條件下作物冠層葉綠素含量的預測能力存在很大的差異，精度也無法滿足實際應用的需求。近期研究表明，通過對兩兩波段所有可能組合進行優(yōu)化，得到的光譜指數(shù)優(yōu)于前人用于預測植物參數(shù)的高光譜植被指數(shù)，而且優(yōu)化光譜指數(shù)與植物生理參數(shù)之間相關性的二維可視化提供了對于敏感波段和光譜區(qū)域的清晰概述，利于在植物各種參數(shù)預測研究中確定最佳參數(shù)[10-15]。另外，有關多種優(yōu)化光譜指數(shù)(RSIs、NDSIs、CIs和NPDIs)組合建模的研究也較少。基于此，本研究以新疆大學阜康實驗基地的春小麥為研究對象，利用165個采樣區(qū)的野外冠層高光譜數(shù)據(jù)，并結合實測春小麥抽穗期冠層葉綠素含量，嘗試性地利用優(yōu)化光譜指數(shù)進行偏最小二乘回歸建模并驗證模型精度，以期深度挖掘高光譜數(shù)據(jù)，從而進一步提高春小麥冠層葉綠素含量的高光譜估算精度，為高光譜傳感器的設計、區(qū)域精準農業(yè)的發(fā)展提供科學支持與應用參考。

1 材料與方法

1.1 試驗設計

本研究的春小麥小型試驗田位于新疆大學阜康實驗基地，其地理坐標87°34′5″～88°34′10″E，44°23′12″～44°23′15″N，地處天山東段(博格達山)北麓、準噶爾盆地南緣，位于沖洪積扇的上部，平均海拔577 m，屬中溫帶大陸性干旱氣候，冬季時間長，春秋季不明顯，夏季酷熱，晝夜溫差大，年均氣溫6.7 ℃，年無霜期可達175 d，年均降水量205 mm，春夏降水量約占全年降水量的2/3。試驗田播種春小麥總面積為150 m×150 m，品種為新春17號。試驗田設置3個施肥梯度(過低、適中、過量)處理，以獲得春小麥在不同營養(yǎng)狀況下的數(shù)據(jù)。采樣區(qū)以2 m×2 m為樣方，共設置165個采樣區(qū)。2017年6月4日進行采樣，此時處于春小麥抽穗期早期。在該測量日，天空晴朗，無云無風，適合野外采集數(shù)據(jù)，并且春小麥葉片沒有明顯的天氣因素造成的損害。

1.2 測定項目與方法

1.2.1 冠層葉綠素含量測定

在實驗基地內的實驗室中剪取新鮮葉片0.2 g，分別加入少量無水乙醇及石英砂和碳酸鈣粉將其研磨成勻漿，至組織發(fā)白，過濾，25 mL定容，然后用UV2450-紫外可見分光光度計測量665和649 nm波長下的消光值，再依據(jù)公式計算葉綠素a、b的濃度值以及春小麥葉片單位質量葉綠素含量[16-17]。每個采樣區(qū)使用五點取樣法，其中每個采樣點進行同植株倒一、倒二葉片各3次葉綠素含量測定，取五點算術平均值作為采樣區(qū)冠層葉綠素含量值，并且通過試驗田的11個橫斷面從165個采樣區(qū)獲得測量結果。將冠層葉綠素含量按從高到低的順序進行排序，等間隔抽取99個建模集與66個驗證集樣本，由冠層葉綠素含量數(shù)據(jù)的主要描述性統(tǒng)計(表1)可知，數(shù)據(jù)離散程度不強，屬于弱變異強度。

1.2.2 冠層高光譜反射率測定

使用美國ASD(analytical spectral devices)公司生產(chǎn)的FieldSpec3型光譜儀(波段范圍350～2 500 nm)獲得春小麥葉片的光譜反射率數(shù)據(jù)。光譜在350～1 000與1 000～2 500 nm區(qū)間的采樣間隔分別為1.4與2 nm，重采樣間隔為1 nm。實地測量是在當?shù)貢r間上午10點到下午2點進行。在采樣區(qū)進行測量時，光譜采樣點與葉綠素含量采樣點重合，每個活體樣品由多個葉片組成，測量時探頭的天頂角為15°，距植株葉片10 cm左右，重復測量10次，取光譜曲線的算術平均值作為該樣區(qū)的冠層光譜反射率，每個采樣區(qū)光譜測定之前均進行白板標定。

利用ViewSpec Pro軟件導出高光譜數(shù)據(jù)。為減少噪聲影響，將易受大氣中水汽影響的噪聲波段(1 800～2 000及1 350～1 500 nm)以及信噪比較低的邊緣波段(350～399及2 401～2 500 nm)均剔除，同時考慮到數(shù)據(jù)連續(xù)性，本研究只對165個采樣區(qū)的400～1 300 nm的反射光譜進行Savitzky-Golay濾波法平滑去噪處理。

表1 采樣區(qū)春小麥冠層葉綠素含量統(tǒng)計特征Table 1 Statistical characteristics of the spring wheat canopy chlorophyll content in the sampling areas

1.3 數(shù)據(jù)分析與利用

1.3.1 優(yōu)化光譜指數(shù)的選擇

本研究根據(jù)前人研究成果，選擇已定義的17種高光譜植被指數(shù)(表2)?？紤]到這些指數(shù)的局限性，本研究又初步選擇4種光譜指數(shù)在400～1 300 nm波段兩兩組合進行優(yōu)化(表3)。

1.3.2 變量重要性準則

變量重要性準則由Wold[18]首先提出，以VIP值代表自變量對模型擬合的程度，VIP值小于1的自變量對因變量的貢獻較小，可以考慮剔除。VIP值在XLSTAT 2015軟件中計算，其計算公式如下：

其中，Wjf是j變量和f分量的權重值，SSYf是f分量和J個變量的方差的平方和，SSYtotal是解釋因變量的總平方和，F(xiàn)是分量總數(shù)。

2 結果與分析

2.1 春小麥葉綠素含量與高光譜植被指數(shù)的相關性

春小麥冠層葉綠素含量與大多數(shù)高光譜植被指數(shù)相關性呈輕度相關(0.09≤|r|≤0.28)，與CRI1、OSAVI、CI和CRI2呈現(xiàn)中度相關(0.31≤|r|≤0.46)，其中與CRI1相關性最高(r=-0.46)(表4)。由此可見，這些高光譜植被指數(shù)與春小麥冠層葉綠素含量的相關性都相對較弱，不能滿足估算春小麥冠層葉綠素含量的估測精度要求。

表2 本研究所用的高光譜植被指數(shù)Table 2 Previously published hyperspectral vegetation indices used in this study

表3 本研究選擇的優(yōu)化光譜指數(shù)Table 3 Optimized spectral indices selected in this study

R為原始光譜反射率，i與j為波長。

Ris the original spectral reflectance;iandjare wavelengths.

2.2 優(yōu)化光譜指數(shù)與春小麥冠層葉綠素含量的相關性

在可見光范圍內的400～700 nm之間波段組合的優(yōu)化光譜指數(shù)與冠層葉綠素含量呈現(xiàn)較好的相關性，其中CIs、NDSIs、NPDIs與冠層葉綠素含量呈負相關，RSIs呈正相關(圖1)。4種優(yōu)化光譜指數(shù)均在對葉綠素具有強烈發(fā)射特性波段范圍內的(R849，R850)表現(xiàn)強相關性， 最高均為0.702，且相關系數(shù)在的優(yōu)化光譜指數(shù)最佳組合波段均在位于葉綠素強反射峰區(qū)的550 nm波長左右(表5)。優(yōu)化光譜指數(shù)與冠層葉綠素含量之間的強相關性說明了其在抽穗期可用于春小麥冠層葉綠素含量監(jiān)測。

表4 實測葉綠素含量與先前公布的高光譜植被指數(shù)的Pearson相關性Table 4 Pearson correlation of canopy chlorophyll content and previously published hyperspectral vegetation indices

**：P<0.01; *:P<0.05.

2.3 PLSR模型的建立與精度驗證

PLSR是當前應用最為廣泛的光譜建模方法。在各優(yōu)化光譜指數(shù)中，將與冠層葉綠素含量相關性大于0.6的敏感波段組合指數(shù)輸入到VIP準則，所有的敏感波段組合指數(shù)VIP值都大于1，而且(R849，R850)指數(shù)VIP值總是最大；在構建組合模型時，僅計算4個優(yōu)化光譜指數(shù)中的最優(yōu)指數(shù)VIP值，RSI(R849，R850)表現(xiàn)出最小的貢獻率(圖2)。

圖1 優(yōu)化光譜指數(shù)與春小麥冠層葉綠素含量的相關性(r)三維等高線圖Fig.1 Three dimensional contour map of correlation(r) between uptimized spectral indices and canopy chlorophyll content of spring wheat

表5 優(yōu)化光譜指數(shù)與冠層葉綠素含量的最高相關性(r)Table 5 Highest values of correlation(r) between optimum indices and canopy chlorophyll content

在選定上述有效指數(shù)后，將它們輸入為PLSR模型的自變量，實測葉綠素含量輸入為因變量，以此建立PLSR估算模型，并以決定系數(shù)(r2)和均方根誤差(RMSE)作為評價模型精度的指標。本研究總共建立X-1、 X-2、X-3、X-4和X-5等5個偏最小二乘統(tǒng)計回歸模型(表6)。基于4種優(yōu)化光譜指數(shù)分別建立的獨立模型X-1、X-2、X-3和X-4的建模精度都較高，其中X-3最好，其r2=0.67，RMSE=0.326 mg·g-1；在所有的5個模型中，建模精度最高的是結合4個優(yōu)化光譜指數(shù)建立的組合模型，其r2=0.79，RMSE=0.275 mg·g-1。進一步驗證發(fā)現(xiàn)，4個獨立模型中依然是X-3模型預測能力最強(圖3)，而組合模型能夠實現(xiàn)最優(yōu)融合，其預測精度較高，且偏差較小，說明利用優(yōu)化光譜指數(shù)對春小麥冠層葉綠素含量進行估測是可行的。

圖2 春小麥冠層葉綠素含量估測模型的VIP篩選Fig.2 VIP filter of RLSR model to estimate canopy chlorophy content of spring wheat

表6 春小麥冠層葉綠素含量預測模型Table 6 Models for prediction of canopy chlorophyll content of spring wheat

3 討 論

連續(xù)的窄波段光譜包含更多植被信息，海量光譜數(shù)據(jù)的兩波段優(yōu)化算法能在二維層面上充分提取與葉綠素含量相關性最大的相關波段，在復雜的高光譜參數(shù)中達到快速尋優(yōu)的效果，相比單波段(r≤0.28)具有更好的靈敏性，而且最佳波段組合結果也與Shibayama等[19]的研究結果一致。優(yōu)化光譜指數(shù)相較于已有高光譜植被指數(shù)具有很大的優(yōu)勢，克服了一些傳統(tǒng)高光譜植被指數(shù)可能存在的地域普適性差及不同生長狀況下出現(xiàn)過飽和現(xiàn)象等缺點，4種優(yōu)化光譜指數(shù)中CI的表現(xiàn)最佳，這些都表明用于光譜指數(shù)的波段組合和擬合算法都是影響模型預測能力的重要因素。另外，對比于獨立模型，組合模型可以取得最佳的預測效果。這一方面可能是因為多個光譜指數(shù)結合在一定程度上可以充分利用各個光譜指數(shù)的特點，達到優(yōu)勢互補；另一方面也可能與本研究所使用的建模算法有關，因為當各變量內部高度線性相關時，用偏最小二乘回歸法更有效。

本研究構建的模型基本能滿足在干旱半干旱區(qū)實際應用的要求，為相關研究及區(qū)域精準農業(yè)提供科學支持與應用參考，這主要是由于本研究從以下幾方面改善了葉綠素含量估算模型的實用性：(1)抽穗期是春小麥冠層葉綠素含量較高，光譜特征最為顯著，最能反映春小麥生長狀況的關鍵時期；(2)地表光譜包含的是混雜的復合信息，冠層光譜主要由植株生化組分、LAI、冠層結構、土壤背景等因素綜合決定，野外冠層光譜更加接近于低空乃至航天高光譜遙感獲取影像時的真實環(huán)境；(3)分光光度計實測葉片葉綠素含量較SPAD儀器測得的相對葉綠素含量而言測量結果更加精確，為模型的建立打下了堅實的數(shù)據(jù)基礎；(4)使用的光譜指數(shù)優(yōu)化方法有利于充分利用高光譜信息提高春小麥冠層葉綠素含量估算模型的精度。

本研究得到的優(yōu)化光譜參數(shù)可為快速準確尋求衛(wèi)星傳感器中監(jiān)測春小麥冠層葉綠素含量的最佳波段提供依據(jù)，如可選取MODIS的2(841～876 nm)、4(545～565 nm)或12(546～556 nm)通道達到在區(qū)域尺度上監(jiān)測春小麥冠層葉綠素含量狀況的目的。此外，波段的優(yōu)化也可以為設計特定波段的主動傳感器提供理論基礎，進一步減少高光譜海量數(shù)據(jù)處理的工作量，為實現(xiàn)精準農業(yè)實時性的要求服務。最后，研究區(qū)雖然屬于典型的干旱半干旱區(qū)，但是干旱半干旱區(qū)乃至中國具有區(qū)域異質性，而且春小麥在我國的種植范圍廣泛，種植品種繁多，這就會不可避免地導致本研究確定的春小麥冠層葉綠素含量反演優(yōu)化光譜參數(shù)仍有一定的地域局限性，加之抽穗期只是春小麥生長期中較短的一段時期，優(yōu)化光譜參數(shù)的時間普適性也有待完善。因此，比較光譜指數(shù)優(yōu)化算法在不同地區(qū)、不同時期的最佳參數(shù)，以及在其他作物中的應用，都將是值得研究的方向。