花生葉綠素含量的高光譜遙感估算模型研究

顏丙囤+梁守真+王猛

摘要：葉綠素是植物體進行光合作用吸收光能物質的主要色素，直接影響植被的光合作用。高光譜遙感為快速、大面積監測植被的葉綠素變化提供了可能。實測了不同品種、肥水條件下，花生冠層的高光譜反射率與葉綠素含量數據，對二者進行了相關分析；首先采用相關系數較大的波段作為變量進行葉綠素含量的估算，其次采用特定葉綠素敏感波段建立葉綠素估算模型。經對比發現，以原始高光譜反射率所構建的估算模型精度不高；一階導數與葉綠素含量之間的關系采取同樣的方法，表明線性模型可較好地預測葉綠素含量；最后在高光譜特征變量中，λr、λg、λo為自變量所構建的模型均通過極顯著檢驗，以λr所構建的指數模型具有最大的決定系數（r2=0.543 5）和F值（F=33.333）；通過精度檢驗，綜合分析認為，以662 nm處的一階微分反射率所構建的線性模型和以紅邊位置所構建的指數模型均可作為葉綠素含量估算較為合適的高光譜模型。

關鍵詞：花生；葉綠素含量；高光譜遙感；估算模型

中圖分類號：S127 文獻標志碼：A 文章編號：1002-1302（2017）01-0197-04

在光合作用過程中，吸收光能的植被色素有葉綠素與類胡蘿卜素，其中葉綠素是吸收光能的主要物質，它的數量直接影響著植被的光合作用。植被色素含量與光合作用能力、發育階段和氮素含量有較好的相關性，可以作為植被長勢監測的一種有效指標[1]。在可見光區，植被的反射波來估算其生化參數—色素含量[2]。

植被葉綠素含量的高光譜遙感反演最早是在葉片尺度上開展的[3]，進而在冠層尺度上得到發展[4]。目前，利用高光譜遙感數據估計植被生化參數主要有3類方法：一是通過多元統計分析方法，包括光譜反射率、導數光譜[5-6]；二是基于特征光譜位置變量的分析技術，包括紅邊位置、綠峰位置等[7]；三是光學輻射傳輸模型方法[8]。迄今為止，高光譜遙感在估算植被尤其是農作物的葉綠素含量方面已經取得了很大進展，但反演模型通常是建立在特定的試驗條件與特定的植被類型條件下，普適性較差，難以在應用于其他植被類型或環境條件的同種植被。同時由于越來越多的傳感器運用于遙感估算，有必要檢驗現有方法的有效性以及探索發展新方法[9]，建立適應性更強的模型反演植被色素。本研究以花生為研究對象，通過實地測量和室內試驗獲取光譜和葉綠素含量數據，探討花生葉綠素含量的高光譜反演方法。

1 材料與方法

1.1 試驗設計

試驗區位于山東省濟陽縣山東省農業科學院試驗基地（36°41′～37°15′N，116°52′～117°27′E），試驗地南北走向，由南向北依次布置低肥、中肥、高肥、空白4個水平肥料處理，由東向西依次布置品種山花14號、山花9號、山花15號、花育20號、花育25號、花育46號2個系列6個花生品種，共24個小區，每個小區南北長10 m，東西寬3.2 m，面積32 m2。自2015年7月1日至2015年9月13日期間，每隔10 d左右，依次在試驗田里選取樣本點進行花生光譜和葉綠素測量。

利用花生在不同施肥條件、不同生育期以及不同品種間光譜和葉綠素含量差異，應用統計分析方法，研究花生葉綠素含量敏感的波段，構建花生生物物理化學參數的高光譜估算模型。

1.2 花生冠層光譜與葉綠素參數測量

采用FieldSpec Handheld（325～1 075 nm）便攜式光譜儀進行花生冠層光譜測量，光譜范圍為325～1 075 nm，采樣間隔（波段寬）為1.41 nm。光譜采集時間控制在北京時間 11：00—13：00，要求天氣無風無云，探頭垂直于冠層頂。每處理測定1個樣點，每樣點獲取4條光譜數據，每條光譜掃描時間0.2 s，以其平均值作為該處理冠層的光譜反射值。光譜儀視場角度25°，花生每壟距離加溝平均距離為0.8 m，壟面的寬度0.6 m，花生的墩距0.15 m。為了觀測光譜能夠代表地面狀況，設定觀測點位于花生每壟中間正上方，視場范圍為0.8 m，計算得觀測架高度為1.8 m，共10墩花生，在各處理測定前后用標準板進行太陽輻射光譜校正[10]。

葉綠素含量（mg/g）參數獲?。赫≈髑o倒3葉葉片，用直徑6 mm打孔器打取葉片約0.200 g（避開中脈，重復2次），記錄葉片數，分別放到試管中，用25 mL乙醇（100%） ∶丙酮=1 ∶1的混合液浸泡，蓋塞子，避光（葉綠素見光分解）存放，直至葉片完全變白（即提取完全）后進行比色測定（中間需搖晃2次），測試前搖晃均勻，靜置后用分光光度計測定。

1.3 高光譜數據的特征參量

1.3.1 一階導數 對于植被而言，光譜數據的一階微分有利于部分消除大氣、土壤背景、凋落物等低頻光譜成分對目標的影響，突出目標，反映和揭示植被光譜的內在特性，高光譜數據微分變換的結果一般是求導數光譜，盡管高光譜遙感具有光譜的連續性，但由于光譜實際采樣間隔的離散性，導數光譜一般是用差分方法來近似計算[11]。

1.3.2 “三邊”參數、“綠峰”參數和紅光吸收谷參數 植被光譜的“三邊”是指它的“藍邊”、“黃邊”和“紅邊”，描述“三邊”特征的參數主要有“三邊”位置、“三邊”幅值。表2 “三邊”參數、“綠峰”參數和紅光吸收谷參數

基于光譜位置變量定義描述1.藍邊幅值Db藍邊內最大的一階微分值藍邊覆蓋范圍490～530 nm，是藍光向綠光的過渡區2.藍邊位置λbDb對應的波長λb是Db對應的波長位置3.黃邊幅值Dy黃邊內最大的一階微分值黃邊覆蓋范圍560～640 nm，是綠光向紅光的過渡區4.黃邊位置λyDy對應的波長λy是Dy對應的波長位置5.紅邊幅值Dr紅邊內最大的一階微分值紅邊覆蓋范圍680～760 nm6.紅邊位置λrDr對應的波長λr是Dr對應的波長位置7.綠峰幅值Rg綠峰反射率Rg是波長510～560 nm范圍內最大的波段反射率8.綠峰位置λgRg對應的波長λg是Rg對應的波長位置9.紅光吸收谷幅值Rr紅谷反射率Rr是波長640～680 nm范圍內最小的波段反射率10.紅光吸收谷位置λo紅谷反射率對應的波長λo是Rr對應的波長位置

2 結果與分析

2.1 花生葉綠素含量隨時間變化趨勢

由圖1可見，花生葉綠素含量隨生育期總體先呈上升趨勢，在開花下針期至結莢期，葉綠素含量上升，主要是因為葉片數量增加和葉面積增大。在成熟初期，由于葉片和莖稈逐漸老化變黃，光合作用減弱，呈現下降趨勢[12]。

2.2 葉綠素含量與高光譜反射率的相關性分析

從圖2可見，原始高光譜反射率與葉綠素含量的相關性在近紅外波段波動性顯著相關，在藍光波段374～488 nm處呈極顯著相關，相關系數在408 nm處達到最大（r=0.669），藍光容易遭受散射的影響，不穩定的藍光波段不宜選??；紅邊波段范圍695～705 nm處呈顯著相關，并且在699 nm處相關系數最高（r=-0.432），呈顯著負相關，因此，選擇699 nm處的光譜反射率為自變量，葉綠素含量為因變量進行線性和非線性擬合分析。

通過分析發現，非線性模型中對數模型決定系數r2=0.197 9 大于線性模型r2=0.186 4（圖3），因此，對數模型對葉綠素含量的預測能力優于線性模型。

2.3 葉綠素含量與反射率一階導數的相關性分析及估算模型

由圖4可見，葉綠素含量與反射率的一階導數之間的相關性隨波長的變化呈現出劇烈變化，相關系數達到0.7左右，達到極顯著相關水平，說明采用反射率的一階導數對葉綠素含量進行預測具有可行性[12]。

通過分析發現，葉綠素含量與反射率的一階導數在 419 nm 處具有最大相關系數（r=-0.76），呈極顯著負相關，藍光波段不可取，在可見光波段662 nm處相關系數最大（r=0.74），呈極顯著正相關。以662 nm處反射率的一階導數為自變量，葉綠素含量為因變量，通過線性和非線性回歸分析對葉綠素含量與反射率的一階導數之間的關系進行描述，結果如圖5所示。

由圖5可見，線性模型的決定系數r2=0.548 8大于非線性模型中相關系數最高的指數模型r2=0.512 7，所以選取線性模型對一階微分與葉綠素含量之間的關系進行描述。

2.4 葉綠素含量與高光譜特征變量的相關分析及估算模型

總體上看只有紅邊位置（λr）、綠峰位置（λg）、紅谷位置（λo）與葉綠素含量達到極顯著相關水平，其余各高光譜變量與葉綠素含量均未達到極顯著相關水平（表3）。從挑選出的相關性達到極顯著水平的變量進行單變量線性和非線性回歸分析及曲線擬合分析，建立各高光譜變量與葉綠素含量的線性和非線性方程，期望找出較適合于葉綠素含量估算的高光譜模型。結果如表4所示。

由表4可見，以λr為自變量所構建的指數模型與所有其他各類模型相比，具有最大的判定系數，模型通過了極顯著檢驗水平，因此認為選取這一模型對葉綠素含量進行預測具可行性。

估算模型不僅要求與因變量具有較高的判定系數，而且要求方程本身具有較為簡單的數學表達形式及其較小的均方根差，對所建立的葉綠素含量的估算模型進行進一步篩選歸納后，對模型的預測精度進行分析比較[12]，結果見表5。

分析表5可見，前者的決定系數大于后者，說明以原始光譜一階微分反射率所構建的線性模型對參數變化的解釋能力好于后者，擬合系數高于后者，即實測值和理論值之間線性相關較后者顯著，精度指標兩者的差異不大，因此認為這2個模型均可作為葉綠素含量估測較好的模型。

3 結論

通過以上分析，對葉綠素含量與高光譜反射率及一階導數以及與高光譜特征變量之間的關系得出以下結論：以原始高光譜反射率與葉綠素含量最大相關波段處的反射率為自變量，葉綠素含量為因變量所構建的線性和非線性估算模型對比結果表明，原始高光譜反射率與葉綠素含量的相關性不明顯；對反射率的一階導數與葉綠素含量之間的關系采取同樣的方法，結果表明線性模型的預測能力優于非線性模型，線性模型可對葉綠素含量進行較好的預測；以高光譜特征變量為自變量，葉綠素含量為因變量所進行的單變量線性和非線性預測模型表明，以λr為自變量所構建的指數模型，具有最大的判定系數（r2=0.543 5）和F值（F=33.333），模型通過極顯著檢驗，并且這一模型的數學表達形式也較為簡單；通過精度檢驗，綜合分析認為以662 nm處的一階微分反射率所構建的線性模型和以紅邊位置所構建的指數模型均可作為葉綠素含量估算較為合適的高光譜模型。

參考文獻：

[1]Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]. International Journal of Remote Sensing，1994，15（7）：1459-1470.

[2]Thomas J R，Gausman H W. Leaf reflectance vs.leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977，69（5）：799-802.

[3]Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations：a test using senescent tree leaves[J]. International Journal of Remote Sensing，1998，19（4）：657-675.

[4]Bruce L M，Li J. Wavelets for computationally efficient hyperspectral derivative analysis[J]. Geoscience and Remote Sensing，2001，39（7）：1540-1546.

[5]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment，1989，30（3）：271-278.

[6]Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves[J]. International Journal of Remote Sensing，1999，20（14）：2741-2759.

[7]Miller J R，Hare E W，Wu J. Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J]. Remote Sensing，1990，11（10）：1755-1773.

[8]Dawson T P，Curran P J，Plummer S E. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment，1998，65（1）：50-60.

[9]姚付啟，張振華，楊潤亞，等. 基于紅邊參數的植被葉綠素含量高光譜估算模型[J]. 農業工程學報，2009（S2）：123-129.

[10]王 猛，張 杰，梁守真，等. 玉米倒伏后冠層光譜變化特征分析[J]. 安徽農業科學，2014（31）：11187-11188，11201.

[11]楊可明，肖金榜. 遙感影像光譜信息處理的EXCEL實踐教學[J]. 遙感信息，2009（1）：70-74.

[12]易秋香. 玉米主要生物物理和生物化學參數高光譜遙感估算模型研究[D]. 烏魯木齊：新疆農業大學，2005.