基于高光譜的核桃-大豆復(fù)合系統(tǒng)大豆葉綠素估算研究

施光耀，王若倫，桑玉強，張勁松，孟平

(1.中國林業(yè)科學(xué)研究院林業(yè)研究所/國家林業(yè)局林木培育重點實驗室,北京 100091;2.河南農(nóng)業(yè)大學(xué)林學(xué)院,河南 鄭州 450002)

農(nóng)林復(fù)合系統(tǒng)在中國具有悠久的歷史，是一種傳統(tǒng)而高效的土地資源利用模式，旨在解決農(nóng)林用地矛盾、改善生態(tài)環(huán)境，提升自然資源利用效率以及加快農(nóng)業(yè)農(nóng)村現(xiàn)代化[1-2]。本研究區(qū)位于華北低山丘陵區(qū)，果糧間作等農(nóng)林復(fù)合模式是該區(qū)域工程建設(shè)的重要內(nèi)容之一，也是中國林業(yè)生態(tài)工程建設(shè)的重點地域，開展基于高光譜信息的農(nóng)林復(fù)合系統(tǒng)研究對于加快農(nóng)業(yè)農(nóng)村現(xiàn)代化、科技化發(fā)展具有積極的促進作用和廣闊的應(yīng)用前景[3-4]。植被葉綠素含量的傳統(tǒng)測量方法過程繁瑣且費時、費力，在應(yīng)用推廣上易受到一定限制[5]，快速監(jiān)測植被色素含量的變化成為一個亟待解決的問題。目前，隨著計算機核心技術(shù)的升級和高光譜技術(shù)的不斷發(fā)展，基于特定光譜波段內(nèi)連續(xù)獲取高分辨率的地物光譜信息的高光譜設(shè)備，已經(jīng)能夠滿足科研和實踐中實時、無損、精準地監(jiān)測植被生理生化信息的變化[6]，對植物生長狀況的快速監(jiān)測具有重要的應(yīng)用價值[7]，能夠服務(wù)于精準農(nóng)林業(yè)，為其發(fā)展提供技術(shù)支撐。因此，高光譜技術(shù)的發(fā)展和應(yīng)用，可為無損、快速監(jiān)測農(nóng)林復(fù)合系統(tǒng)中作物的生長狀態(tài)提供可能。大豆(Glycinemax)是中國重要糧食作物之一，栽培歷史悠久且種植面積遼闊[8]。華北低山丘陵區(qū)有大面積的核桃-大豆復(fù)合種植類型，是中國重要的糧食產(chǎn)區(qū)。在農(nóng)林復(fù)合系統(tǒng)內(nèi)，因太陽輻射和水分等生態(tài)要素分布的非均一性，與傳統(tǒng)的大豆種植方式相比，其小氣候條件發(fā)生了根本的變化，對于光照、水分以及養(yǎng)分等分配明顯不同于大田種植，這就使得植被生長狀態(tài)不一致。監(jiān)測復(fù)合系統(tǒng)下不同區(qū)域植被的生長狀況，對于植被生產(chǎn)力的評估和產(chǎn)量的預(yù)測具有重要的意義。因此，本研究通過構(gòu)建大豆葉綠素含量反演的高光譜估算模型，能夠?qū)崟r地監(jiān)測復(fù)合系統(tǒng)下大豆葉綠素含量的變化，對于大豆生長狀態(tài)的反映具有重要科學(xué)意義與應(yīng)用價值[9-12]。已有研究多集中在農(nóng)業(yè)大規(guī)模的大豆集中種植[13-15]，因其下界面和冠層的均一，相較農(nóng)林復(fù)合模式下易實現(xiàn)高光譜信息的反演，實現(xiàn)植被生理狀態(tài)監(jiān)測的目的。在農(nóng)林復(fù)合系統(tǒng)中下界面復(fù)雜且因林冠層的存在而產(chǎn)生微氣象效應(yīng)，會導(dǎo)致林下作物葉片形態(tài)、生理特性以及光譜響應(yīng)特征的變化，使得現(xiàn)有大豆葉綠素反演模型不適用。此外，以往的研究多集中在大豆葉綠素總含量的反演[16-18]，對于葉綠素A，葉綠素B含量的變化關(guān)注較少且含量監(jiān)測鮮有報道，然而葉綠素A，葉綠素B在植物的生長發(fā)育過程中具有重要意義，其作用不容忽視。因此，本研究以華北低山丘陵區(qū)核桃-大豆農(nóng)林復(fù)合系統(tǒng)為研究對象，基于高光譜快速無損檢測技術(shù)提取大豆光譜信息，篩選大豆葉綠素含量變化的敏感光譜波段及區(qū)間，建立敏感波段為基礎(chǔ)的光譜參數(shù)模型，以實現(xiàn)對復(fù)合模式下大豆葉片葉綠素A，葉綠素B以及葉綠素總含量的實時監(jiān)測，為農(nóng)林復(fù)合模式下大豆的精準、快速、無損監(jiān)測提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗地概況

試驗地點位于河南省濟源市標(biāo)準化示范區(qū)內(nèi)，基地占地150 hm2，土壤以褐色壤土為主，土壤厚度80 cm以上。該地區(qū)為典型低山丘陵區(qū)，年均降水量642 mm，降雨時間分配不均，多集中于夏季，7—9月降水可達全年降水量的68.3%。當(dāng)?shù)刂饕N植方式有核桃-大豆間作、核桃-冬凌草間作、核桃單作、大豆單作模式等，其中核桃-大豆間作為主要間作模式。本試驗在2017年生長季進行，樣地核桃樹齡5 a，株行距為4 m×5 m，平均株高3.5 m，南北冠幅2.5 m，東西冠幅2.8 m，種植密度為546株·hm-2，林下大豆品種為荷豆19，種植日期為2017年8月中旬，生長周期約為3個月。

圖1 大豆種植空間示意圖Fig.1 Thespatial sketch map of soybean planting

1.2 試驗方法

在核桃-大豆復(fù)合種植試驗地選取3塊4 m×5 m的樣方，確保樣方內(nèi)大豆長勢一致。在大豆不同的生長物候期(出芽期、展葉期、出枝期、開花期和結(jié)莢期)采集大豆第2分枝，采集完畢后快速將其裝入保鮮袋并封口，置于盛有冰塊的保鮮箱中，迅速帶回實驗室。選取采集的第2分枝上的長勢一致的3片葉子，確保葉片完全展開、無明顯病蟲害等損傷，作為測試樣品，同一植株上的3片葉子代表該植株葉綠素含量進行分析。

1.3 儀器設(shè)備

1.3.1 高光譜測定 葉片光譜測定采用高分辨率地物光譜儀(Field Spec 4.0 Hi-Res;Analytics Spectra Devices.,Inc;USA)。測量在一個控制光照條件的暗室內(nèi)進行。使用脫脂棉對待測大豆葉片進行擦拭，保證表面無灰塵等顆粒物的阻礙。為提升高光譜信息反演精度，測量前使用標(biāo)準反射白板進行光譜校正，利用光譜儀自帶鹵素?zé)糇鳛樵囼灩庠?，使用光譜植被光纖探頭和葉片夾固定葉片，保證葉片的平整和探測面積的一致，進而消除葉片表面彎曲和背景反射等造成的光譜曲線波動影響。每個樣本測定3次，每次采集5組數(shù)據(jù)，用平均值作為該樣本葉片光譜反射值，測量時避開葉脈和葉柄。

1.3.2 葉綠素測定 葉綠素測定采用ARNON法[19]。大豆每片葉片打3孔，打孔器直徑為1.5 cm，打孔取樣時應(yīng)盡量避開葉脈，將樣品剪成細絲后混合勻稱取質(zhì)量，用20 mL質(zhì)量分數(shù)為95%的乙醇避光浸泡48 h后，采用UV-2800紫外可見光光度計(Unico,Wisconsin,USA)測定葉綠素含量，測量波長為663和645 nm，設(shè)置3個重復(fù)。葉綠素含量的單位為mg·g-1。

1.4 數(shù)據(jù)處理

應(yīng)用View Spec Pro 6.15、Excel 2010和Origin統(tǒng)計分析軟件進行數(shù)據(jù)處理。

2 結(jié)果與分析

2.1 高光譜信息與葉綠素含量相關(guān)性分析

對大豆葉片光譜各個波段反射率與葉綠素含量的相關(guān)性分析表明，在535～570 nm波段和700～740 nm波段內(nèi)具有較高的相關(guān)性(相關(guān)系數(shù)均達到0.651以上)且光譜吸收率較高，其中在波段706 nm處，相關(guān)系數(shù)達到0.684。在740～1 350 nm波段之間的光譜反射率存在顯著正相關(guān)關(guān)系，整個近紅外區(qū)域，相對系數(shù)變化較為平穩(wěn)(圖2)，光譜吸收率較低，對葉綠素反演的敏感性較差。本研究選取535～570 nm和700～740 nm波段作為建立大豆葉片葉綠素含量監(jiān)測的敏感波段。

圖2 大豆葉片光譜反射率及相關(guān)系數(shù)(出枝期)Fig.2 Spectral reflectance and correlation coefficient of soybean leaves(Branching period)

植物光譜反射率的一階微分可以消除部分背景干擾影響，構(gòu)建較高精度的參數(shù)估算模型[20-21]。通過分析反射率一階微分曲線及其與大豆葉片葉綠素含量的相關(guān)關(guān)系(圖3)，發(fā)現(xiàn)一階微分曲線在可見光680～700 nm波段其值增長速度最快，且在700 nm波段處達到最大值，葉綠素含量與該波段原始光譜反射率的相關(guān)系數(shù)為-0.614，與其一階微分的相關(guān)系數(shù)為0.731，相關(guān)性均較強。因此，將700 nm波段確定為樣本葉片反射率的“紅邊”位置，同時根據(jù)反射率一階微分曲線確定了“紅邊”上、下拐點分別為波段670 nm和波段800 nm以及波段567 nm處的“綠峰”。此外，相關(guān)系數(shù)曲線表明，在波段519，638，696，737 nm為一階微分與葉綠素含量相關(guān)系數(shù)曲線的拐點，對應(yīng)的相關(guān)系數(shù)分別為-0.784、0.729、-0.802、0.847(圖3)，將這些波段的一階微分值以及所在的小區(qū)間將作為敏感變量進行進一步分析。

2.2 大豆葉片高光譜參數(shù)與葉綠素含量的相關(guān)性

基于大豆葉片光譜信息，篩選出敏感波段535～570、700～740，519、638、696、737 nm波段處的一階微分值，“紅邊”位置700 nm波段、“紅邊”上、下拐點670、800 nm波段以及紅邊斜率(Red-edge slope,Dr)，波段567 nm處的“綠峰”(Green emission,Rg)，計算得到了6類葉片色素含量相關(guān)的高光譜參數(shù)：一階微分(R519′、R638′、R696′、R737′)，紅邊參數(shù)[22]：紅邊位置(Red edge position,λr)、紅邊斜率Dr、綠峰，比值植被指數(shù)(R800/R567[23]、R800/R670[24])，歸一化植被指數(shù)(R800-R670)/(R800+R670)[24]，葉片葉綠素指數(shù)(R800-R700)/(R800-R670)[25]及葉綠素指數(shù)R567-R700/R700[26]。

對構(gòu)建的各光譜參數(shù)與對應(yīng)的大豆葉片色素含量進行相關(guān)分析，結(jié)果表明，建立的6種光譜參數(shù)與葉片葉綠素A、葉綠素B、總?cè)~綠素含量之間均具有較好的相關(guān)性(P<0.01)，6種光譜參數(shù)均可用于核桃大豆復(fù)合系統(tǒng)中大豆葉片色素含量的監(jiān)測。對比各參數(shù)發(fā)現(xiàn)，光譜參數(shù)R696′、R737′和葉片葉綠素指數(shù)R800～R700/R800～R670與葉片色素含量之間的相關(guān)關(guān)系明顯優(yōu)于其他光譜參數(shù)。本試驗條件下，對大豆葉片色素含量的估測效果更佳。

表1 大豆葉片高光譜參數(shù)與葉綠素含量的相關(guān)系數(shù)(n=98)Table 1 Correlation coefficient of hyperspectral parameters and pigment content in soybean leaves (n=98)

2.3 估算模型的構(gòu)建

基于最優(yōu)原則選取了光譜參數(shù)R696′、R737′和葉片葉綠素指數(shù)R800～R700/R800～R670與ChlA、ChlB、ChlT分別進行回歸分析，建立大豆葉片光譜參數(shù)與色素含量之間的線性、對數(shù)、二次多項式、冪函數(shù)、指數(shù)共5種監(jiān)測模型。從構(gòu)建的模型中，以決定系數(shù)(R2)最優(yōu)原則，獲得對不同類型色素含量的最佳反演模型。分析結(jié)果表明，R800/R550與ChlA、ChlT含量的關(guān)系以冪函數(shù)模型最佳；Dr與ChlA、Chl T以指數(shù)模型最佳；葉片葉綠素指數(shù)R850～R710/R850～R680與Chl A、Chl B和ChlT以冪函數(shù)模型最佳(表2)。

表2 大豆葉片色素含量與其光譜參數(shù)的回歸模型(n=98)Table 2 Regression model of pigment content and spectral parameters of soybean leaves (n=98)

針對大豆葉綠素含量的估算效果表現(xiàn)來判斷對葉綠素含量估測最佳的光譜參數(shù)(圖4)。從表2可以看出，ChlA估算以一階微分R737′表現(xiàn)最佳，決定系數(shù)(R2)為0.742，優(yōu)于葉片葉綠素指數(shù)(R2為0.708)和一階微分R696′(R2為0.656)；ChlB以一階微分R737′表現(xiàn)最佳，決定系數(shù)(R2)分別為0.575，優(yōu)于葉片葉綠素指數(shù)(R2為0.566)和一階微分R696′(R2為0.521)；ChlT以一階微分R737′表現(xiàn)最佳，決定系數(shù)(R2)分別為0.717，優(yōu)于葉片葉綠素指數(shù)(R2為0.687)和一階微分R696′(R2為0.637)。因此，ChlA、ChlB、ChlT估算均以一階微分R737′模型最優(yōu)，其估算模型分別為：y=717.89x+0.634，y=0.517ln(x)+3.735，y=877.18x+0.849。

圖4 大豆葉片光譜參數(shù)的色素估算模型(n=98)Fig.4 A pigment monitoring model for spectral parameters of soybean leaves (n=98)

2.4 估算模型的檢驗

為了檢驗?zāi)Ｐ偷姆€(wěn)定性和精度，利用大豆葉片的試驗數(shù)據(jù)(n=28)，對建立的大豆葉片色素含量估算模型進行檢驗(如圖5)。選取以R737′為參數(shù)建立的估算模型，計算得到大豆葉片各色素含量的估算值，并結(jié)合大豆葉片色素含量的實測值，分別對ChlA、ChlB、ChlT含量的估算結(jié)果進行檢驗。為評價葉綠素A、葉綠素B和葉綠素總含量的實測值與估算值之間的差異性，采用相關(guān)性分析與均方根差(RMSE)作為指標(biāo)進行綜合評定。ChlA、ChlB和ChlT的模型估算值與實測值之間的決定系數(shù)分別為0.856，0.838，0.853，均方根誤差(RMSE)0.222，0.053，0.290，相對誤差(RE)為0.089，0.092，0.092，估算值與實測值之間具有較小的差異性，因此，該光譜參數(shù)建立的模型能較好地估算大豆葉片色素含量，達到了監(jiān)測農(nóng)林復(fù)合系統(tǒng)中大豆葉綠素含量變化的需求。

3 結(jié)論與討論

本研究選取的6類光譜參數(shù)均可用于葉片葉綠素含量的估算，其中光譜參數(shù)R696′、R737′和葉片葉綠素指數(shù)R800～R700/R800～R670與大豆葉綠素含量之間的相關(guān)性明顯優(yōu)于其他光譜參數(shù)。通過對各光譜參數(shù)建立回歸模型估算各葉綠素含量，發(fā)現(xiàn)R696′模型與ChlA、Chl B和ChlT含量的關(guān)系以線性函數(shù)模型最佳；R737′模型與ChlA、ChlT含量以線性函數(shù)模型最佳，與ChlB含量以對數(shù)函數(shù)模型最佳；葉片葉綠素指數(shù)R800～R700/R800～R670與ChlA、Chl B和ChlT含量以指數(shù)函數(shù)模型最佳。在此基礎(chǔ)上，以決定系數(shù)(R2)最大為優(yōu)選原則，進一步篩選估算效果最佳的模型，結(jié)果表明，ChlA、ChlB和ChlT含量估算以R737′模型表現(xiàn)最優(yōu)，估算模型分別為：y=717.89x+0.634、y=0.517ln(x)+3.735、y=877.18x+0.849。

為評價模型的估算效果，采用決定系數(shù)與相對誤差(RE)進行綜合評定。葉綠素A、葉綠素B和葉綠素總含量的估算值與實測值的決定系數(shù)分別為0.856，0.838，0.853，相對誤差(RE)0.089，0.092，0.092，表明以R737′參數(shù)構(gòu)建的估算模型能夠較好地監(jiān)測農(nóng)林復(fù)合系統(tǒng)中大豆葉片葉綠素含量的變化。

本試驗在華北低山丘陵區(qū)農(nóng)林復(fù)合模式下，進行林下大豆葉片葉綠素含量的光譜參數(shù)估算。農(nóng)林復(fù)合系統(tǒng)是山地傳統(tǒng)的種植模式，環(huán)境條件存在差異[27]。農(nóng)林復(fù)合模式下作物生長受到林下水、光、氣、熱的綜合影響，反映其生理指標(biāo)的光譜參數(shù)會發(fā)生變化[28]，不同農(nóng)林復(fù)合系統(tǒng)中的作物葉片光譜信息也會產(chǎn)生較大差異[29]。相關(guān)研究表明，單波段反射率包含的光譜信息簡單且易受背景噪聲的擾動，對光譜信息基于微分變換、多波段組合等方法構(gòu)建光譜參數(shù)，包含更多的波段信息，可以有效減少背景噪聲的影響，顯著提高植被生理生化參數(shù)的監(jiān)測效果[30]。綜合大豆葉片高光譜曲線特征、植被葉片葉綠素含量關(guān)系密切的可見光波段[31]、反映植被生長狀況地敏感波段：植被光譜“紅邊位置”以及結(jié)合前人的研究經(jīng)驗[21,32-33]，本研究基于采集的大豆葉片試驗數(shù)據(jù)計算得到了相關(guān)參數(shù)能夠?qū)崿F(xiàn)大豆葉片色素含量的反演。因此，基于葉片反射光譜信息，構(gòu)建農(nóng)林復(fù)合系統(tǒng)中大豆葉綠素含量的估算模型，對進一步評估農(nóng)林復(fù)合系統(tǒng)生產(chǎn)力、指導(dǎo)農(nóng)業(yè)經(jīng)營管理，具有重要意義。本研究結(jié)果與前人研究結(jié)果對比發(fā)現(xiàn)[9,34]，本研究中，光譜信息在紅光波段內(nèi)的敏感波段后移，可能是因為受到林冠的遮擋，農(nóng)林復(fù)合系統(tǒng)中光強的限制，導(dǎo)致大豆在光照不充足情況下光合作用受限，敏感波段后移以此獲得更多的能量來補充光合作用。農(nóng)林復(fù)合系統(tǒng)中，大豆光譜信息的綠峰位置較申曉慧等[35]研究的單作的大豆明顯后移，可能是因為農(nóng)林復(fù)合系統(tǒng)中大豆葉片葉綠素較單作大豆較低，導(dǎo)致光譜信息中綠峰幅值及位置的后移。湯旭光等[36]開展了基于高光譜技術(shù)的大豆葉片葉綠素含量估算研究，發(fā)現(xiàn)葉綠素含量與綠峰波段有關(guān)，二者呈現(xiàn)負相關(guān)關(guān)系。與王淵等[38]對油菜進行生理參數(shù)反演的結(jié)論相一致，采用一階微分的方法消除背景噪音，能夠有效地消除葉面積變化產(chǎn)生的影響，提高反演模型的精度[39]。本研究通過農(nóng)林復(fù)合系統(tǒng)下構(gòu)建的紅邊參數(shù)模型能夠準確地反演大豆葉綠素含量變化，對葉綠素的含量監(jiān)測具有很好的指導(dǎo)作用。HORLER等[40]對利用單一植被光譜所構(gòu)建的葉綠素濃度反演模型進行了研究，發(fā)現(xiàn)光譜紅邊位置在指示植被葉綠素濃度方面具有重要作用，其波段的反射率與葉綠素濃度密切相關(guān)。CURRAN等[41]研究植物冠層總?cè)~綠素含量變化，結(jié)果表明紅邊位置對總?cè)~綠素含量變化十分敏感。姚付啟等[42]研究指出，光譜曲線信息中的紅邊參數(shù)是植被生理指標(biāo)反演的重要參數(shù)，其中紅邊位置與植物葉片葉綠素含量相關(guān)，紅邊斜率則主要與葉面積指數(shù)相關(guān)。因此，光譜曲線中紅邊參數(shù)的提取在植被生理生化參數(shù)反演的模型構(gòu)建方面具有重要意義。