基于小麦冠层近地多光谱图像的叶绿素（SPAD值）估测方法

周雪 王芳 赵庚星

摘要：选择山东省泰安市山东农业大学实验田为研究区，利用ADC便携式多光谱相机和SPAD-502叶绿素计采集该区泰农18和山农15两个品种小麦越冬期、返青期、起身期冠层近地多光谱图像和SPAD值，构建不同生育期小麦的归一化植被指数（NDVI）与SPAD值的线性、对数、乘幂、指数、二次函数5种模型，进而优选小麦叶绿素含量最佳估测模型。结果显示：泰农18和山农15两个小麦品种不同时期的SPAD值与NDVI值均具有极显著相关关系（P<0.01），相关系数在0.797～0.915之间；泰农18小麦冠层SPAD值估测最佳模型为y=68.585x0.5841，山农15小麦冠层SPAD值估测最佳模型为y=124.4x2+23.212x+44.973。该研究探索了基于近地多光谱数据的小麦叶绿素含量估测方法，为小麦叶绿素含量估测及营养诊断提供了一种快速有效的技术方法。

关键词：小麦冠层；多光谱图像；SPAD；NDVI；估测模型

中图分类号：S132+S512.1文献标识号：A文章编号：1001-4942（2016）06-0138-05

在大田作物生产中，为及时掌握作物生长情况，人们除根据经验进行外观诊断外，往往采用作物生长季内直接或间接分析地上部分的无机养分作为快速诊断作物营养状况的依据。植物缺乏营养元素会引起叶片叶色、形态、结构及其它外观不同的缺素症状，这为从植物外观形态上鉴别营养元素的缺乏提供了依据。研究表明，植物叶片营养元素状况与光谱特性密切相关，不同营养状况下植物光谱特性存在差异，这引起了农学、植物生理学和遥感等学科研究者的重视[1]，使利用不同生长状态下的光谱差异来分析植物生长状况、诊断营养水平成为了可能[2]。

小麦作为重要的粮食和经济作物，在世界和中国都有着广泛的种植，其长势监测和营养状况分析也成为国内外研究的热点之一。如商兆堂等[3]研究表明，小麦长势对产量和品质都有明显影响，且不同生育阶段的影响程度不尽相同；孙海燕等[4]对小麦营养品质现状进行了综述，并对其改良途径方法和前景进行了分析。大量研究表明，当植物氮营养水平较高时，植株长势趋于旺盛，叶绿素含量增高。不同生育期SPAD （Soil and Plant Analyzer Development）值可以间接反映植株全氮含量及叶片叶绿素含量，如朱新开等[5]研究表明，小麦不同叶位叶片SPAD值与叶绿素含量呈极显著正相关。目前SPAD值不仅用于研究小麦，还在水稻、棉花、苹果树等作物上获得广泛应用。

近年来，基于光谱技术的作物长势监测在精细农业领域得到了广泛应用[6，7]，同时，由于点状采样获取的光谱数据难以准确反映大田作物的空间变异信息，因此基于多光谱图像的检测技术在国内外越来越受到人们的关注[8，9]。Tetracam ADC第三代多光谱数码相机可以用于拍摄可见光波段520 nm到近红外波段950 nm的图像，分析地表植被和植物冠层的反射和吸收光谱，通过图像处理软件，可以轻松获得反映地表植被特征的重要指标NDVI（归一化植被指数）。因此，很多学者对NDVI展开了研究，如任红艳等[10]对小麦各生育期的NDVI动态变化的研究显示，小麦的NDVI值从起身期开始急剧上升，到孕穗期前后达到峰值；江东等[11]研究了NDVI曲线与农作物长势的时序互动规律，通过NDVI曲线的变化特征，推测作物的生长发育状况，监测作物长势；丁永军等[12]利用多光谱图像分析技术研究了温室番茄营养元素含量和图像特征的相关性，并快速、准确估测了番茄营养水平和生长状况。总体看，实用、可操作性强的农作物叶绿素及营养状况光谱估测模型及高效方法仍需进一步的研究探索。本研究利用ADC便携式多光谱相机获取不同品种不同生育期小麦冠层多光谱图像，并利用SPAD叶绿素计实测叶片叶绿素含量，构建小麦冠层叶绿素含量估测模型，旨在探索简易、快速、准确的小麦叶绿素状况实时分析方法，为大范围的小麦叶绿素监测与营养快速诊断奠定基础。

1材料与方法

1.1田间数据采集

1.1.1研究区概况研究区位于山东省泰安市山东农业大学试验田，地处东经116°02′至117°59′、北纬35°38′至36°28′之间，属于暖温带大陆性半湿润季风气候区，年平均气温13.0℃，7月份气温最高，平均26.4℃，1月份最低，平均-2.6℃，年平均降水量697 mm；土壤类型为棕壤，地形平坦，土层深厚；基础设施条件完善，种植农作物为小麦、玉米，产量较高。

1.1.2数据采集方法小麦品种为泰农18和山农15。从2014年12月～2015年4月，分别对越冬期（12月上旬～2月下旬）、返青期（2月下旬～3月上旬）、起身期（3月中下旬）小麦进行田间测量。测量时以田块为基本单位设置观测点，每平方米为一个观测单元，在其中心位置设置一个观测点并用小木桩做标记，在每个观测单元内随机选取2株小麦用SPAD-502测定冠层叶片的SPAD值，每株测3次，计算出2株小麦的平均值作为该样点的SPAD值。

小麦冠层多光谱图像的获取在天气晴朗、无风或者风速较小时进行，获取时间为10∶00～14∶00之间。获取图像时相机镜头垂直地表，距离小麦冠层约100 cm，每个样点重复测量3次，各点在测量前都要进行标准白板的校正。

1.2数据处理

1.2.1小麦SPAD值的处理首先将所测SPAD值数据按照不同观测点、品种、采样时间分别进行处理，剔除异常样点，使获得的小麦SPAD值多处于40～70之间，共获得有效观测样点40个。然后用Microsoft Excel对数据进行初步处理，计算各观测样点的平均值。

1.2.2小麦多光谱图像的处理田间获取的ADC多光谱图像如图1a所示，图1b为校正后的多光谱图像，图1c为处理后的多光谱图像。根据小麦多光谱图像的特点，借助Pixel Wrench 2软件对采集的样点多光谱图像进行处理，获取每个有效观测样点每张图像的光谱特征值（归一化植被指数NDVI），进而计算出各观测样点的NDVI平均值。

1.3数据分析

首先借助SPSS软件对泰农18和山农15越冬期、返青期、起身期的SPAD值与NDVI值进行相关分析，获得两种小麦各个生育期对应的相关系数，然后根据相关系数的显著性判断建立SPAD与NDVI关系模型的可行性，在此基础上，分别构建两种小麦不同生育期的线性、对数、乘幂、指数、二次函数5种模型，根据模型的拟合程度选取两种小麦的最佳估测模型作为该生育期叶绿素的反演模型。

2结果与分析

2.1小麦SPAD值的动态变化

泰农18、山农15不同时期SPAD均值的最小值都出现在越冬期，分别是49.85和48.00，最大值都出现在起身期，分别是59.08和57.53，且SPAD值从越冬期至起身期不断升高（表1）。由此可见，从越冬期到起身期不同品种小麦叶绿素含量呈不断增长趋势。

2.2小麦NDVI值的动态变化

两品种小麦冠层NDVI值随生育时期的推进具有一致的变化趋势，均不断增加（表2）。越冬期至返青期变化相对平缓，增幅较小，NDVI值大多处于0.060～ 0.480之间；返青期至起身期，气温回升，麦苗生长迅速，NDVI值开始大幅度上升，最高达到0.937，之后小麦进入开花、孕穗的生殖生长时期。

2.3小麦SPAD值与NDVI值的相关性

由表3可以看出，两种小麦冠层NDVI值与SPAD值均呈现出极显著相关关系（P<0.01），其中泰农18以起身期两者的相关系数最高，山农15以越冬期最高。表明，可以通过小麦不同时期的NDVI值来间接估测其叶绿素含量。

2.4小麦冠层SPAD值估测模型

建立了泰农18和山农15 SPAD值与NDVI值的关系模型，见表4，结果显示各估测模型的拟合度均较高，泰农18各模型的拟合度多高于山农15。泰农18越冬期、返青期、起身期拟合度最好的函数关系模型分别是对数方程y=10.399ln（x）+72.245、乘幂方程y=75.056x0.2667和乘幂方程y=68.585x0.5841，其中起身期的估测模型最佳，R2达0.8244。山农15越冬期、返青期、起身期拟合度最好的函数关系模型分别是多项式方程y=124.4x2+23.212x+44.973、多项式方程y=-76.006x2+83.432x+38.999和乘幂方程y=70.265x0.9766，其中越冬期估测模型最佳，R2为0.7658。可见，可以通过模拟模型，利用NDVI值比较简单、快速地估测出作物叶片的SPAD值。

3讨论与结论

本研究结果表明，小麦冠层NDVI值与SPAD值极显著相关，泰农18 SPAD值估测最佳模型为y=68.585x0.5841，R2为0.8244，估测最佳时期为起身期；山农15小麦冠层SPAD值估测最佳模型为y=124.4x2+23.212x+44.973，R2为0.7658，估测最佳时期为越冬期，这与夏天等[13]、郑飞等[14]的研究成果相一致。本研究所提出的利用ADC多光谱相机估测小麦冠层叶绿素含量的方法，对小麦科学栽培与管理有积极意义。

本研究仅提出了适合泰农18与山农15两品种三个生育时期的SPAD值估测模型，还需进一步研究其他小麦品种及其他时期的SPAD值估测方法，以探索具有普适性的小麦叶绿素估测及营养诊断方法。

参考文献：

[1]

唐延林，王人潮，张金恒，等. 高光谱与叶绿素计快速测定大麦氮素营养状况研究[J]. 麦类作物学报，2003，23 （1）：63-66.

[2]李民赞. 光谱分析技术及其应用[M].北京：科学出版社，2006.

[3]商兆堂，吴建中，蒋名淑，等.小麦长势对产量和品质的影响[J]. 安徽农业科学，2007，35（28）：8826-8829.

[4]孙海燕，杨靖，李友勇. 小麦营养品质现状及改良研究进展[J]. 现代农业科技，2015（16）：27-28.

[5]朱新开，盛海君，顾晶，等.应用SPAD值预测小麦叶片叶绿素和氮含量的初步研究[J].麦类作物学报，2005，25（2）：46-50.

[6]张喜杰，李民赞.基于反射光谱的温室黄瓜叶片磷素含量分析与预测[J].光谱与光谱分析，2008，28（10）：2404-2408.

[7]田永超，朱艳，姚霞，等.基于光谱信息的作物氮素营养无损监测技术[J].生态学杂志，2007，26（9）：1454-1463.

[8]Zarco-Tejada P J，Berni J A J，Suarez L， et al. Imaging chlorophyll fluorescence with an airborne narrow - band multispectral camera for vegetation stress detection [J]. Remote Sensing of Environment，2009，113（6）：1262-1275.

[9]吴迪，朱登胜，何勇，等.基于地面多光谱成像技术的茄子灰霉病无损检测研究[J].光谱学与光谱分析，2008，28（7）：1496-1500.

[10]任红艳，潘剑君，张佳宝.不同施氮水平下的小麦冠层光谱特征及产量分析[J].土壤通报， 2005，36（1）：26-29.

[11]江东，王乃斌，杨小唤，等. NDVI曲线与农作物长势的时序互动规律[J].生态学报， 2002， 22（2）：247-253.

[12]丁永军，李民赞，孙红，等.基于多光谱图像技术的番茄营养素诊断模型[J].农业工程学报，2012，28（8）：175-180.

[13]夏天，吴文斌，周清波，等.不同地域冬小麦叶片SPAD高光谱估算研究[J].中国农业资源与区划，2014，35（4）：49-57.

[14]郑飞，岳俊芹，邵运辉，等.不同弱春性小麦品种NDVI与SPAD之间的相关性[J].麦类作物学报，2008，28（2）：291-294.