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(zhì)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(jiān)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(shù)據(jù)，對二者進行了相關(guān)分析；首先采用相關(guān)系數(shù)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(jīng)對比發(fā)現(xiàn)，以原始高光譜反射率所構(gòu)建的估算模型精度不高；一階導(dǎo)數(shù)與葉綠素含量之間的關(guān)系采取同樣的方法，表明線性模型可較好地預(yù)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(gòu)建的模型均通過極顯著檢驗，以λr所構(gòu)建的指數(shù)模型具有最大的決定系數(shù)（r2=0.543 5）和F值（F=33.333）；通過精度檢驗，綜合分析認(rèn)為，以662 nm處的一階微分反射率所構(gòu)建的線性模型和以紅邊位置所構(gòu)建的指數(shù)模型均可作為葉綠素含量估算較為合適的高光譜模型。

關(guān)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(biāo)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(zhì)，它的數(shù)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(fā)育階段和氮素含量有較好的相關(guān)性，可以作為植被長勢監(jiān)測的一種有效指標(biāo)[1]。在可見光區(qū)，植被的反射波來估算其生化參數(shù)—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(fā)展[4]。目前，利用高光譜遙感數(shù)據(jù)估計植被生化參數(shù)主要有3類方法：一是通過多元統(tǒng)計分析方法，包括光譜反射率、導(dǎo)數(shù)光譜[5-6]；二是基于特征光譜位置變量的分析技術(shù)，包括紅邊位置、綠峰位置等[7]；三是光學(xué)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(nóng)作物的葉綠素含量方面已經(jīng)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(yīng)用于其他植被類型或環(huán)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(xiàn)有方法的有效性以及探索發(fā)展新方法[9]，建立適應(yīng)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(nèi)試驗獲取光譜和葉綠素含量數(shù)據(jù)，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(shè)計

試驗區(qū)位于山東省濟陽縣山東省農(nóng)業(yè)科學(xué)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(qū)，每個小區(qū)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(yīng)用統(tǒng)計分析方法，研究花生葉綠素含量敏感的波段，構(gòu)建花生生物物理化學(xué)參數(shù)的高光譜估算模型。

1.2 花生冠層光譜與葉綠素參數(shù)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(fēng)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(shù)據(jù)，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(shè)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(biāo)準(zhǔn)板進行太陽輻射光譜校正[10]。

葉綠素含量（mg/g）參數(shù)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(fù)2次），記錄葉片數(shù)，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(shù)據(jù)的特征參量

1.3.1 一階導(dǎo)數(shù) 對于植被而言，光譜數(shù)據(jù)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(biāo)的影響，突出目標(biāo)，反映和揭示植被光譜的內(nèi)在特性，高光譜數(shù)據(jù)微分變換的結(jié)果一般是求導(dǎo)數(shù)光譜，盡管高光譜遙感具有光譜的連續(xù)性，但由于光譜實際采樣間隔的離散性，導(dǎo)數(shù)光譜一般是用差分方法來近似計算[11]。

1.3.2 “三邊”參數(shù)、“綠峰”參數(shù)和紅光吸收谷參數(shù) 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(shù)主要有“三邊”位置、“三邊”幅值。表2 “三邊”參數(shù)、“綠峰”參數(shù)和紅光吸收谷參數(shù)

基于光譜位置變量定義描述1.藍邊幅值Db藍邊內(nèi)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(qū)2.藍邊位置λbDb對應(yīng)的波長λb是Db對應(yīng)的波長位置3.黃邊幅值Dy黃邊內(nèi)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(qū)4.黃邊位置λyDy對應(yīng)的波長λy是Dy對應(yīng)的波長位置5.紅邊幅值Dr紅邊內(nèi)最大的一階微分值紅邊覆蓋范圍680～760 nm6.紅邊位置λrDr對應(yīng)的波長λr是Dr對應(yīng)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(nèi)最大的波段反射率8.綠峰位置λgRg對應(yīng)的波長λg是Rg對應(yīng)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(nèi)最小的波段反射率10.紅光吸收谷位置λo紅谷反射率對應(yīng)的波長λo是Rr對應(yīng)的波長位置

2 結(jié)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(jié)莢期，葉綠素含量上升，主要是因為葉片數(shù)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(xiàn)下降趨勢[12]。

2.2 葉綠素含量與高光譜反射率的相關(guān)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(guān)性在近紅外波段波動性顯著相關(guān)，在藍光波段374～488 nm處呈極顯著相關(guān)，相關(guān)系數(shù)在408 nm處達到最大（r=0.669），藍光容易遭受散射的影響，不穩(wěn)定的藍光波段不宜選取；紅邊波段范圍695～705 nm處呈顯著相關(guān)，并且在699 nm處相關(guān)系數(shù)最高（r=-0.432），呈顯著負(fù)相關(guān)，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(fā)現(xiàn)，非線性模型中對數(shù)模型決定系數(shù)r2=0.197 9 大于線性模型r2=0.186 4（圖3），因此，對數(shù)模型對葉綠素含量的預(yù)測能力優(yōu)于線性模型。

2.3 葉綠素含量與反射率一階導(dǎo)數(shù)的相關(guān)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(dǎo)數(shù)之間的相關(guān)性隨波長的變化呈現(xiàn)出劇烈變化，相關(guān)系數(shù)達到0.7左右，達到極顯著相關(guān)水平，說明采用反射率的一階導(dǎo)數(shù)對葉綠素含量進行預(yù)測具有可行性[12]。

通過分析發(fā)現(xiàn)，葉綠素含量與反射率的一階導(dǎo)數(shù)在 419 nm 處具有最大相關(guān)系數(shù)（r=-0.76），呈極顯著負(fù)相關(guān)，藍光波段不可取，在可見光波段662 nm處相關(guān)系數(shù)最大（r=0.74），呈極顯著正相關(guān)。以662 nm處反射率的一階導(dǎo)數(shù)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(dǎo)數(shù)之間的關(guān)系進行描述，結(jié)果如圖5所示。

由圖5可見，線性模型的決定系數(shù)r2=0.548 8大于非線性模型中相關(guān)系數(shù)最高的指數(shù)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(guān)系進行描述。

2.4 葉綠素含量與高光譜特征變量的相關(guān)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(guān)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(guān)水平（表3）。從挑選出的相關(guān)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(jié)果如表4所示。

由表4可見，以λr為自變量所構(gòu)建的指數(shù)模型與所有其他各類模型相比，具有最大的判定系數(shù)，模型通過了極顯著檢驗水平，因此認(rèn)為選取這一模型對葉綠素含量進行預(yù)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(shù)，而且要求方程本身具有較為簡單的數(shù)學(xué)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(yù)測精度進行分析比較[12]，結(jié)果見表5。

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

3 結(jié)論

通過以上分析，對葉綠素含量與高光譜反射率及一階導(dǎo)數(shù)以及與高光譜特征變量之間的關(guān)系得出以下結(jié)論：以原始高光譜反射率與葉綠素含量最大相關(guān)波段處的反射率為自變量，葉綠素含量為因變量所構(gòu)建的線性和非線性估算模型對比結(jié)果表明，原始高光譜反射率與葉綠素含量的相關(guān)性不明顯；對反射率的一階導(dǎo)數(shù)與葉綠素含量之間的關(guān)系采取同樣的方法，結(jié)果表明線性模型的預(yù)測能力優(yōu)于非線性模型，線性模型可對葉綠素含量進行較好的預(yù)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(yù)測模型表明，以λr為自變量所構(gòu)建的指數(shù)模型，具有最大的判定系數(shù)（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(shù)學(xué)表達形式也較為簡單；通過精度檢驗，綜合分析認(rèn)為以662 nm處的一階微分反射率所構(gòu)建的線性模型和以紅邊位置所構(gòu)建的指數(shù)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(shù)的植被葉綠素含量高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)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(nóng)業(yè)科學(xué)，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(xué)[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(xué)參數(shù)高光譜遙感估算模型研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2005.