基于高光譜的草坪草葉綠素含量模擬估算

紀(jì) 童，王 波，楊軍銀，柳小妮*，王洪偉，王彩玲，潘冬榮，徐 君

1. 甘肅農(nóng)業(yè)大學(xué)草業(yè)學(xué)院，甘肅 蘭州 730070 2. 草業(yè)生態(tài)系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室(甘肅農(nóng)業(yè)大學(xué))，甘肅 蘭州 730070 3. 中國人民武裝警察部隊(duì)工程大學(xué)，陜西 西安 710086 4. 西安石油大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710065 5. 甘肅省草原技術(shù)推廣總站，甘肅 蘭州 730000 6. 西安航空學(xué)院，陜西 西安 710077

引 言

“草坪色澤”是評(píng)價(jià)草坪優(yōu)劣的重要指標(biāo)，草坪色澤的確定，主要有目測(cè)法和包括勒克斯計(jì)法、 分光光度法和植物效能分析儀-PEA在內(nèi)的實(shí)測(cè)法。目測(cè)法評(píng)定結(jié)果因人而異，受主觀影響較大。實(shí)測(cè)法雖然結(jié)果準(zhǔn)確，但方法繁瑣，在景觀尺度上進(jìn)行大范圍測(cè)量較為困難。如何對(duì)草坪草進(jìn)行快速、 無損的估算對(duì)草坪業(yè)的發(fā)展尤為重要。

近年來，隨著遙感技術(shù)的快速發(fā)展，高光譜技術(shù)已成為現(xiàn)代遙感技術(shù)的重要組成部分，如利用光譜儀進(jìn)行植物光譜識(shí)別[1]，以及對(duì)植物含水量[2]、 葉綠素含量[3]、 土壤有機(jī)質(zhì)[4]、 生物量等的估算和反演研究，這些成果有效解讀了地物光譜特征規(guī)律，為遙感監(jiān)測(cè)，生產(chǎn)生活提供了理論支撐與技術(shù)指導(dǎo)。

植被指數(shù)一直是研究植被特征最簡單、 最常用的方法之一。結(jié)合植被指數(shù)定量估測(cè)植被葉綠素含量成為當(dāng)今研究熱點(diǎn)之一。韓浩坤等[5]建立了糜子(PanicummiliaceumL.)冠層葉片葉綠素含量的高光譜反射率模型，使用植被指數(shù)RVI，PSNDb和GNDVI750較為準(zhǔn)確地預(yù)測(cè)了糜子冠層葉綠素含量。張瑋等[2]發(fā)現(xiàn)反射率一階微分值構(gòu)建的多元回歸方程以及修正的綠色歸一化植被指數(shù)(mGNDVI)對(duì)雷竹(Phyllostachyspraecox)葉片葉綠素的擬合效果較好。竇志國等[6]發(fā)現(xiàn)高光譜數(shù)據(jù)全波段反演能較好地估算蘆葦粉大尾蚜蟲(Hyalopteruspruni)為害下蘆葦(Phragmitesaustralis)葉綠素相對(duì)含量。

近年來單因素線性回歸模型與多元線性回歸模型被廣泛的應(yīng)用于光譜模型建立，如周敏姑等[7]利用一元與多元線性回歸建立了SPAD-SAVI模型，并作為無人機(jī)遙感快速、 無損監(jiān)測(cè)冬小麥葉綠素的技術(shù)手段；鄭一立等[8]采用二元回歸、 多元回歸、 偏最小二乘法和基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)方法建立了竹(Bambusoideae)葉片氮含量估測(cè)模型，發(fā)現(xiàn)基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)方法估測(cè)效果較好。

目前高光譜技術(shù)測(cè)定葉綠素相對(duì)含量主要應(yīng)用于農(nóng)作物[9]、 森林和部分天然草地[10]，尚未見針對(duì)草坪草的研究報(bào)道。本研究以3種常用的草坪草為研究對(duì)象，在草坪生長旺季(4月—6月)[11]，使用TYS-A3500葉綠素儀和SOC710VP光譜儀，采集不同草坪草冠層葉綠素含量和對(duì)應(yīng)的光譜數(shù)據(jù)，對(duì)葉綠素含量(SPAD)進(jìn)行倒數(shù)(1/SPAD)和倒數(shù)的對(duì)數(shù)(log1/SPAD)變換[12]，探尋SPAD及其相關(guān)變換值與高光譜波段擬合度較高的植被指數(shù)，并構(gòu)建SPAD及其相關(guān)變換值的估算模型，旨在為使用高光譜進(jìn)行草坪質(zhì)量評(píng)價(jià)提供新的思路。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)材料為3個(gè)常見的草坪草品種：“紅象”高羊茅(Festucaarundinaceacv. Hongxiang)，“百靈鳥”多年生黑麥草(Loliumperennecv. Bailingniao)和“肯塔基”草地早熟禾(Poapratensiscv. Kentucky)。

1.2 方法

試驗(yàn)于2017年4月在甘肅農(nóng)業(yè)大學(xué)培養(yǎng)室中進(jìn)行，分為建模組(n=50)，檢驗(yàn)組(n=15)。選擇籽粒飽滿的草坪草種子栽種于口徑一致的花盆(20 cm×20 cm)中。土壤來自甘肅農(nóng)業(yè)大學(xué)牧草試驗(yàn)站，有機(jī)質(zhì)含量0.84%，pH 7.5，速效氮95.05 mg·kg-1，速效磷7.32 mg·kg-1，速效鉀182.8 mg·kg-1。每盆施用磷酸銨30 g·m-2后，約播種 100粒種子。培養(yǎng)期間，隔3 d稱重澆一次水，保證水量一致，水分恒定。苗期施尿素一次，施量為純氮5 g·m-2。1個(gè)月取樣測(cè)定葉片葉綠素(SPAD)含量，同時(shí)測(cè)定對(duì)應(yīng)的光譜數(shù)據(jù)。

1.2.1 光譜數(shù)據(jù)獲取與校正

所用儀器：美國SOC公司SOC710VP 便攜式可見/紅外成像光譜儀。光譜范圍：400～1 000 nm；分辨率：4.687 5 nm；波段：128個(gè)；Dynamic Range：12-bit；每行像素：696 。

使用SOC710VP于暗室測(cè)定光譜, 測(cè)量的結(jié)果為像素值，通過SRAnalysis軟件進(jìn)行反射率標(biāo)準(zhǔn)化，以獲取原始光譜反射率。測(cè)定時(shí)采用儀器自帶鎢燈光源，鏡頭距材料上方15 cm目標(biāo)物周圍要有良好的通視條件，高度角10°以上無近遮擋物，測(cè)量期間附近應(yīng)無運(yùn)動(dòng)物體(避免外界自然光的影響)。使用反射參考板時(shí)，不應(yīng)該接觸光學(xué)面，參考板每次清潔后重新定標(biāo)。取草坪草冠層9點(diǎn)光譜數(shù)據(jù)的平均值作為原始光譜反射率。

1.2.2 草坪草葉片葉綠素含量測(cè)定

所用儀器：TYS-A手持葉綠素儀。測(cè)量最小間隔：小于2 s；測(cè)量范圍：0.0～99.9 SPAD；精度：±1.0 SPAD (室溫下，SPAD值介乎0～50)；重復(fù)性：±0.3 SPAD單位以內(nèi)(SPAD值介乎0～50)；重現(xiàn)性：±0.5 SPAD單位以內(nèi)(SPAD值介乎0～50)。測(cè)定時(shí)不必?fù)p傷植物葉片，可直接檢測(cè)，工作效率更高。

為減少試驗(yàn)誤差，每測(cè)一組光譜數(shù)據(jù)后，立即使用TYS-A手持葉綠素儀進(jìn)行草坪草葉綠素含量的測(cè)定。隨機(jī)選取葉片，在距葉尖3 cm處、 葉中、 距葉尾3 cm處各測(cè)一次葉綠素SPAD含量值，最后取平均值作為樣品SPAD值。

1.2.3 數(shù)據(jù)處理與分析

選擇10個(gè)植被指數(shù)[13-15](表1)，采用Person相關(guān)分析方法，進(jìn)行10個(gè)植被指數(shù)和草坪草葉片的3個(gè)葉綠素指標(biāo)：SPAD，1/SPAD，log(1/SPAD)的相關(guān)分析。

表1 光譜指數(shù)Table 1 Spectral index

10個(gè)植被指數(shù)中，GI，CI和RGI對(duì)植物自身葉綠素含量變化較敏感，EVI，RVI和VARI可以有效矯正大氣溶膠影響，NDVI670，NDVI705和MSR705對(duì)冠層結(jié)構(gòu)非常敏感，PSRI可用于植被健康的監(jiān)測(cè)與檢測(cè)。

以葉綠素指標(biāo)為因變量，選擇相關(guān)分析中系數(shù)最大的光譜指數(shù)為自變量，運(yùn)用單因素回歸和多元逐步線性回歸法，建立草坪草葉片SPAD相關(guān)指標(biāo)值的反演模型。為確定最優(yōu)模型，用驗(yàn)證樣本對(duì)模型進(jìn)行檢驗(yàn)，篩選最優(yōu)模型。

2 結(jié)果與討論

2.1 不同草坪草的光譜反射率(REF)

圖1為3種草坪草在400～1 000 nm波段的光譜反射率(REF)。

圖1 不同草坪草光譜反射率(REF)Fig.1 Spectral reflectance of different turf grasses(REF)

由圖1可以看出，3種草坪草光譜曲線變化趨勢(shì)相似，波峰、 波谷等出現(xiàn)的位置基本一致。在可見光波段(400～760 nm)，3種草坪草在400～530 nm波段內(nèi)反射率近乎一致且變化平穩(wěn)。在420～450 nm波段，高羊茅、 多年生黑麥草和草地早熟禾都出現(xiàn)了2個(gè)小的反射波峰，隨之又迅速降低出現(xiàn)第1個(gè)波谷。680 nm處出現(xiàn)了第2個(gè)波谷，之后在760 nm附近均形成植物所特有的“紅邊”，這種紅邊現(xiàn)象雖然整體趨勢(shì)相差不大，但是不同植物之間REF還是有區(qū)別，高羊茅、 草地早熟禾在765 nm處REF達(dá)到最大值，分別為0.92，0.91，多年生黑麥草在760 nm處REF最大(0.80)。

在近紅光波段(780～1 000 nm)內(nèi)，REF一直都保持較高水平，在895 nm處出現(xiàn)了一個(gè)微小的吸收谷，但整體趨勢(shì)是下降的，草地早熟禾的REF在730～1 000 nm波段明顯大于高羊茅和多年生黑麥草。

2.2 葉綠素指標(biāo)與不同光譜指數(shù)的相關(guān)性

經(jīng)Person相關(guān)性矩陣分析(圖2)，植被指數(shù)PSRI，VARI，RGI，GI，ARVI，CI與葉綠素指標(biāo)SPAD極顯著(p<0.01)相關(guān)，MSR705和NDVI670與SPAD顯著(p<0.05)相關(guān)，而EVI和NDVI705與SPAD不相關(guān)(p>0.05)。其中VARI，RGI和PSRI與SPAD的相關(guān)系數(shù)分別為0.7**，-0.64**和-0.59**，絕對(duì)值均大于0.59，相關(guān)性較高。與葉綠素指標(biāo)1/SPAD極顯著相關(guān)的植被指數(shù)有PSRI，VARI，RGI，GI，ARVI和CI，而EVI，NDVI705，MSR705和NDVI670與1/SPAD的相關(guān)性不顯著。RGI(0.88**)，PSRI(0.85**)和VARI(-0.79**)與1/SPAD相關(guān)系數(shù)的絕對(duì)值均大于0.79，說明植被指數(shù)RGI，PSRI和VARI與1/SPAD的相關(guān)性較高。與葉綠素指標(biāo)log(1/SPAD)極顯著相關(guān)的植被指數(shù)有PSRI，VARI，RGI，GI，ARVI和NDVI670；顯著相關(guān)的植被指數(shù)是CI；而EVI，NDVI705和MSR705與log(1/SPAD)相關(guān)性不顯著。其中VARI(-0.8**)，RGI(0.8**)和PSRI(0.75**)的相關(guān)系數(shù)的絕對(duì)值較高，均大于0.75。

圖2 相關(guān)性矩陣注：圖形分為兩部分，上三角為相關(guān)系數(shù)與顯著性檢驗(yàn)，下三角為散點(diǎn)圖與擬合曲線，圖中星號(hào)代表顯著性檢驗(yàn)P值，無*與*代表差異性不顯著，**與***代表差異性顯著，各變量的相關(guān)關(guān)系可在兩變量的行列交叉處找到Fig.2 Person correlation matrixNote: The graph is divided into two parts, the upper triangle is the correlation coefficient and significance test, the lower triangle is the scatter diagram and fitting curve, in which the asterisk represents the significance test P value, no * and * represent the insignificant difference, ** and *** represent the significant difference, and the correlation of each variable can be found at the row and column intersection of the two variables

2.3 反演模型的建立

運(yùn)用單因素回歸和多元逐步線性回歸建立的草坪草葉片SPAD相關(guān)指標(biāo)值的反演模型如表2所示。

表2表明，利用VARI，RGI和PSRI這3個(gè)植被指數(shù)建立的葉綠素指標(biāo)反演模型的擬合系數(shù)R2均較高，其中植被指數(shù)RGI非線性擬合葉綠素SPAD和1/SPAD指標(biāo)的效果最好，R2分別為0.646和0.870；而利用VARI非線性擬合log1/SPAD指標(biāo)的效果也較好，R2=0.657。

表2 單因素回歸模型Table 3 Single factor regression model

圖3是植被指數(shù)與3個(gè)葉綠素指標(biāo)多元逐步線性回歸分析結(jié)果。即將10個(gè)植被指數(shù)分別代入多元逐步回歸中，得出的方程如下：

圖3 葉綠素指標(biāo)的多元線性回歸模型注：虛線面代表的是預(yù)測(cè)值，圖中的點(diǎn)是實(shí)際值；虛線面到點(diǎn)的垂直距離代表殘差值Fig.3 SPAD multiple linear regression modelNote: The dot-line-plan represents predicted values, and the points in the graph represent actual values；The vertical distance from the dot-line-plane to the point represents the residual value

ySPAD=47.235xVARI-23.75xMSR705+20.481

(R2=0.532，RMSE=0.150)

y1/SPAD=0.161xRGI+0.007xGI-0.054

(R2=0.817，RMSE=0.023)

ylog(1/SPAD)=0.895xRGI+0.298xMSR705-2.08

(R2=0.680，RMSE=0.600)

其中多元回歸方程：y1/SPAD=0.161xRGI+0.007xGI-0.054的擬合系數(shù)R2最大，RMSE最小。說明利用植被指數(shù)RGI和GI，通過多元線性回歸，可以很好的擬合葉綠素指標(biāo)1/SPAD。

2.4 模型精度檢驗(yàn)

為了進(jìn)一步驗(yàn)證模型的準(zhǔn)確性和穩(wěn)定性，選擇R2大于0.7的擬合模型進(jìn)行精度檢驗(yàn)，結(jié)果如圖4所示。

由圖4可知，植被指數(shù)RGI多元線性回歸擬合1/SPAD的R2=0.928 9，而均方根誤差RMSE=0.002；VARI擬合1/SPAD的R2=0.782 3，RMSE=0.057 7，RGI擬合1/SPAD的R2=0.825 8，RMSE=0.03，PSRI擬合1/SPAD的R2=0.908 4，RMSE為0.01。以上反演模型，擬合系數(shù)都較大，且擬合誤差較小，反演精度均較高。即利用植被指數(shù)RGI，VARI和 PSRI可以很好的擬合葉綠素倒數(shù)(1/SPAD)。

圖4 草坪草葉片1/SPAD實(shí)測(cè)值與預(yù)測(cè)值比較Fig.4 Comparison of measured and predicted SPAD values of Turfgrass blade

3 結(jié) 論

3.1 不同草坪草的光譜特征

植被葉片和冠層的光譜差異與植被葉片顏色、 葉片中的葉綠素含量、 冠層結(jié)構(gòu)、 植物長勢(shì)等緊密相關(guān)。

530～650 nm波段是綠光波段，草坪草葉片均呈綠色，3種草坪草光譜曲線整體趨勢(shì)相差不大，但不同種間反射率還是有區(qū)別。在730～1 000 nm波段，草地早熟禾光譜特征更為明顯，這可能是因?yàn)椴莸卦缡旌倘~片狹長且枝葉茂盛、 蓋度大，葉與葉之間透視光反射導(dǎo)致近紅外反射增強(qiáng)的結(jié)果。

3.2 葉綠素指標(biāo)與植被指數(shù)相關(guān)性分析

使用GNDVI能夠較好的預(yù)測(cè)草坪草葉綠素含量，3個(gè)葉綠素指標(biāo)SPAD，1/SPAD，log(1/SPAD)與選取的植被指數(shù)相關(guān)性較強(qiáng)，其中RGI，PSRI和VARI與3個(gè)葉綠素指標(biāo)均呈極顯著相關(guān)，相關(guān)系數(shù)絕對(duì)值均大于0.65。

利用相關(guān)性最高植被指數(shù)RGI，PSRI和VARI，通過單因素回歸與多元線性回歸，建立草坪草葉綠素含量的估算模型，其中葉綠素1/SPAD與植被指數(shù)擬合程度最高，log(1/SPAD)次之，原值SPAD最低，與李哲等[12]的研究結(jié)果類似。植被指數(shù)RGI在所有擬合模型中的R2(0.870)均高于其他植被指數(shù)。

3.3 葉綠素估算模型

綜合估算精度與預(yù)測(cè)效果，雖然多元逐步回歸模型y1/SPAD=0.161xRGI+0.007xGI-0.054的模擬精度略低于RGI(1/SPAD)，但模型擬合檢驗(yàn)效果最好，預(yù)測(cè)值和實(shí)測(cè)值更接近，可據(jù)其模擬估算草坪草葉綠素含量。而多元線性模型的精度與預(yù)測(cè)效果較好，可能是因?yàn)榫C合考慮了多個(gè)植被指數(shù)，提高了回歸模型預(yù)測(cè)效果。余蛟洋等[14]也發(fā)現(xiàn)了多元線性回歸模型反演獼猴桃(Actinidia Chinensis)葉片SPAD值單因素回歸模型效果更好，與本研究結(jié)果相似。

以上試驗(yàn)結(jié)果為草坪草葉綠素的快速估算提供了理論基礎(chǔ)，后期擬進(jìn)行大田草坪草葉綠素含量的反演研究，為草坪草質(zhì)量評(píng)估提供更便利的方案。