基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

何彩莲, 郑顺林, 周少猛, 张　琴, 袁继超, 胡建军

(1四川农业大学 农学院， 四川 成都 611130; 2四川省农业科学院 作物研究所， 四川 成都 610066)



基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

何彩莲1, 郑顺林1, 周少猛1, 张琴1, 袁继超1, 胡建军2

(1四川农业大学 农学院， 四川 成都 611130; 2四川省农业科学院 作物研究所， 四川 成都 610066)

摘要：【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型，为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪，获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率，提取植被指数，测定马铃薯叶片叶绿素a、叶绿素b含量，并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好，其中修正归一化差异指数(mND705)、修正简单比值指数(mSR705)、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中，MTCI构建的乘幂模型估测叶绿素a含量的效果最佳，mND705构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量，mND705构建的指数模型能较为精确地估测叶绿素b含量；这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。

关键词：高光谱技术； 光谱反射率； 马铃薯； 植被指数； 叶绿素含量； 反演模型

叶绿素能够进行光合作用，将光能转换为化学能，合成有机化合物，为植物生长提供养料[1]。植株体内叶绿素含量与其生长发育、光合能力以及氮素状况有较好的相关性，被称为监测植物生长发育和营养状况的指示器[2-3]。目前叶绿素含量测定通常采用研磨浸提或直接浸提[4]，耗时耗力, 而且会对植株造成损害。快速、无损地掌握植株叶绿素含量能减少对植株的损害，在作物生长监测、产量预测、精确诊断与动态调控中具有十分重要的意义[5]。

高光谱遥感技术能够较准确地估算农作物的叶绿素含量[6]，为快速、大面积监测植被的叶绿素含量的变化提供了可能[7]。Maderira等[8]发现光谱反射率能够作为有效估测叶绿素含量的指标。Gitelson等[9]利用大豆、玉米的冠层反射率导数成功地建立了叶片叶绿素含量估测模型。Wu等[10]分析了十几种光谱指数估测玉米叶片叶绿素含量的精确度。宋开山等[5-6]构建了玉米与大豆叶绿素含量的神经网络估测模型，提高了叶绿素反演的精确度。蒋金豹等[11]利用光谱微分指数成功地构建了小麦叶绿素含量的估测模型。靳彦华等[12]基于叶片冠层光谱构建了不同地类、不同生育期春小麦叶绿素含量的最佳估测模型。杨峰等[13]基于14种植被指数构建了稻麦叶绿素含量估测的最佳模型。这些研究对于监测水稻、玉米、小麦等粮油作物的生长动态，并进行科学的田间管理起到了积极作用。针对马铃薯Solanumtuberosum叶片叶绿素含量监测的研究鲜见报道。本文采用高光谱遥感技术，测定了马铃薯植株叶片12个光谱植被指数；通过分析12个植被指数与叶绿素a、叶绿素b含量的相关性，筛选出与叶绿素a、叶绿素b相关性最好的植被指数，建立估测叶绿素a和叶绿素b含量的最佳模型，为马铃薯长势及植株氮营养诊断提供技术支撑。

1材料与方法

1.1材料

脱毒马铃薯：川芋117，为四川省农业科学院作物研究所培育和提供的马铃薯新品种。

1.2盆栽试验

试验在四川农业大学成都校区进行，采用精准控制条件下的沙培盆栽试验，盆规格为35 cm×56 cm，每盆装河沙20 kg，每盆种植马铃薯6株，播深5 cm。以SM营养液为基础、硝酸铵为氮素形式，设置6个施氮处理，每处理4次重复，施氮量(纯氮)分别为0、 55、 110、 220、 330和440 kg·hm-1(以N0、N1、N2、N3、N4、N5表示)，各施氮处理均在马铃薯整个生育期内分6次均匀施入。

1.3光谱反射率和叶绿素含量的测定

光谱反射率(R)使用荷兰AvaField-3便携式高光谱地物波谱仪测定，光谱使用范围为350～1 050 nm。马铃薯苗期、块茎形成期、块茎成熟期，选择晴朗无云的天气于11:00—14:00进行测定。3个生育时期，每处理选取代表其生长势的马铃薯植株3株，每株取功能叶片(倒4叶)，立即带回遮光的实验室内，平铺于黑色背景的工作台上，用AvaField-3进行光谱反射率测定。测量时，标准探头靠近叶片，每片叶重复测定10次，取平均值为该处理的光谱反射值，共获得54组光谱反射率有效数据。每个处理测定完成后，及时用标准白板对探头进行校正。

植被指数为自变量，叶绿素a和叶绿素b的含量为因变量，以54组样本为对象建立回归模型：

线性函数：y=a+bx，

对数函数：y=a+blnx，

指数函数：y=aebx，

二次函数：y=a+bx+cx2，

三次函数：y=a+bx+cx2+dx3，

乘幂函数：y=axb,

式中，y代表叶绿素含量；x代表植被指数；a、b、c、d分别为常数。

叶绿素含量测定：在光谱测定的同时测定叶绿素含量。用打孔器在样品叶片中间部位叶脉两侧取2个小圆片，以千分之一精度电子天平称质量。放入15 mL带塞的刻度试管中，在试管中加丙酮、乙醇、水(体积比为4.5∶4.5∶1.0)混合溶液15 mL，盖塞，室温下置黑暗处浸提过夜，其间摇动数次。观察叶组织颜色变白时，取上清液分别于 645和663 nm下测定其吸光值，计算叶绿素含量：

ρ(叶绿素a)=12.7D663 nm-2.59D645 nm，

ρ(叶绿素b)=22.9D645 nm-4.67D663 nm。

数据分析使用Excel、Origin、Spss17.0数据处理软件进行。

1.4光谱植被指数的选取

光谱植被指数是某些光谱波段反射值的特定组合。本文选取前人研究中与叶绿素含量有关的12个植被指数：简单比值指数(SRI)、归一化植被指数(NDVI)、差值植被指数(DVI)、结构不敏感色素指数(SIPI)、修正归一化差异指数(mND705)、 修正简单比值指数(mSR705)、光化学植被指数(PRI)、植被衰减指数 (PSRI)、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)、优化土壤调节植被指数(OSAVI)和转化叶绿素吸收反射指数(TCARI)[14-18]。各植被指数的计算公式如下：

SRI =R800 nm/R680 nm，

NDVI = (R800 nm-R680 nm) / (R800 nm+R680 nm)，

DVI =R800 nm-R680 nm，

SIPI = (R800 nm-R445 nm) / (R800 nm+R680 nm)，

mND705= (R750 nm-R705 nm)/(R750 nm+R705 nm-2R445 nm)，

mSR705= (R750 nm-R445 nm)/(R705 nm-R445 nm)，

PRI = (R570 nm-R531 nm) / (R570 nm+R531 nm)，

PSRI = (R680 nm-R500 nm) /R750 nm，

MTCI = (R750 nm-R710 nm)/(R710 nm-R680 nm)，

MCARI = (R700 nm-R670 nm) -0.2(R700 nm-R550 nm)×(R700 nm/R670 nm)，

OSAVI = (1+0.16)(R800 nm-R670 nm)/(R800 nm+R670 nm+0.16)，

TCARI = 3[(R700 nm-R670 nm) -0.2(R700 nm-R550 nm)] ×(R700 nm/R670 nm),

式中，R为光谱反射率。

2结果与分析

2.1叶绿素含量与光谱反射率的相关性

将马铃薯叶片叶绿素a、b含量与相对应的54组叶片光谱反射率进行相关性分析。由图1可以看出叶绿素a、b含量与原始光谱反射率除在410～730 nm处呈现负相关关系外，其他波段均呈现正相关关系。叶绿素a含量与原始光谱反射率分别在420～725、738～1 050 nm处呈极显著相关(P<0.01)，在420～725 nm处呈极显著负相关，而在738～1 050 nm处呈极显著正相关。叶绿素b含量与原始光谱反射率分别在422～724、737～1 050 nm处呈极显著相关，在422～722 nm处呈极显著负相关，而在737～1 050 nm处呈极显著正相关。叶绿素a、b含量分别在704、 519 nm处与原始光谱反射率相关程度最高，其值分别为-0.77、 -0.78。分析叶绿素含量与原始光谱反射率的相关性，确定马铃薯叶片叶绿素含量敏感波段为400～800 nm。

图1　马铃薯叶片原始光谱反射率与叶绿素含量的相关性

2.2叶绿素含量预测模型的构建

2.2.1植被指数的筛选将马铃薯叶片叶绿素a、b含量分别与所选择的12个植被指数进行相关性分析。结果表明， SRI、NDVI、DVI、SIPI、mND705、mSR705、PRI、PSRI、MTCI、MCARI、OSAVI和TCARI等12个植被指数与叶绿素a含量的相关系数(R)分别为0.700**、0.723**、0.695**、0.765**、0.807**、0.791**、 0.630**、-0.171、 0.816**、-0.769**、0.718**和-0.768**，与 叶绿素b含量的R分别为 0.781**、0.788**、0.695**、0.790**、0.806**、0.799**、 0.706**、-0.349*、 0.797**、-0.727**、0.785**和-0.727**。PSRI与叶绿素a、b含量的R均最小，且与叶绿素a含量的R未达显著相关(P>0.05)；其他11个植被指数与叶绿素a、b含量的相关性均达到极显著水平(P<0.01)，且mND705、 mSR705、 MTCI和MCARI与叶绿素a、b含量的相关性最好，因此，选择这4个植被指数建立马铃薯叶片叶绿素含量估测模型。

2.2.2叶绿素含量估测模型的构建 用筛选出的mND705、 mSR705、 MTCI、 MCARI建立预测叶绿素a含量的线性、对数、指数、二次、三次、乘幂模型，所建立的模型的决定系数(R2)均达到极显著水平(P<0.01)；R2较高，表明该模型能较好地估测马铃薯叶片叶绿素a含量(表1)。构建的叶绿素a含量估测模型中，R2最高的是MTCI构建的乘幂模型，R2为0.797；其次是mND705构建的指数模型，R2为0.796。

mND705、 mSR705、 MTCI、 MCARI所建立的预测叶绿素b含量的线性、对数、指数、二次、三次、乘幂模型的R2较高，均达到极显著水平，可以用于马铃薯叶片的叶绿素b含量估测(表1)。mND705构建的指数模型估测叶绿素b含量的R2最高，为0.727；其次是mSR705构建的乘幂模型，R2为0.715。

表1马铃薯叶片叶绿素含量估测模型1)

Tab.1Estimation models of chlorophyll contents in potato leaves

植被指数模型类型叶绿素a叶绿素b估测模型R2估测模型R2mND705线性y=2.595x-0.4590.651**y=1.143x-0.0900.649**对数y=1.166lnx+1.7240.594**y=0.515lnx+0.8720.594**指数y=0.158e3.116x0.796**y=0.137e2.382x0.727**二次y=2.119x2+0.408x+0.0640.662**y=1.020x2-0.091x+0.1620.662**三次y=-11.613x3+18.998x2-7.233x+1.1050.669**y=-0.594x3+1.883x2-0.300x+0.2150.662**乘幂y=2.237x1.4510.779**y=1.031x1.1030.703**mSR705线性y=0.240x-0.0630.626**y=0.107x+0.1350.638**对数y=0.907lnx-0.1870.657**y=0.401lnx-0.0280.659**指数y=0.273e0.317x0.686**y=0.227e0.213x0.656**二次y=-0.049x2+0.641x-0.6800.671**y=-0.017x2+0.244x-0.1190.665**三次y=-0.028x3+0.29x2-0.626x+0.7550.691**y=-0.008x3+0.082x2-0.124x+0.2980.674**乘幂y=0.226x1.0690.772**y=0.178x0.8230.715**MTCI线性y=0.556x+0.1380.666**y=0.240x+0.1820.635**对数y=0.720lnx+0.7520.649**y=0.311lnx+0.4470.622**指数y=0.344e0.635x0.736**y=0.248e0.483x0.666**二次y=-0.125x2+0.945x-0.1270.678**y=-0.047x2+0.387x+0.0820.644**三次y=-0.231x3+0.923x2-0.485x+0.4220.694**y=-0.062x3+0.233x2-0.004x+0.2290.650**乘幂y=0.678x0.8670.797**y=0.417x0.6530.706**MCARI线性y=-0.057x+1.6210.591**y=-0.024x+0.8150.528**对数y=-0.688lnx+2.5530.639**y=-0.279lnx+1.1860.539**指数y=1.953e-0.07x0.757**y=0.913e-0.051x0.630**二次y=0.002x2-0.116x+1.9380.641**y=0.001x2-0.040x+0.9020.5480**三次y=-0.025x3+0.004x2-0.142x+2.040.642**y=0.013x3+x2-0.026x+0.8480.549**乘幂y=5.654x-0.8060.743**y=1.948x-0.5800.601**

1)mND705、 mSR705、 MTCI、 MCARI分别为修正归一化差异指数、修正简单比值指数、地面叶绿素指数、修改叶绿素吸收反射指数；估测模型中，y代表叶绿素含量，x代表植被指数；**表示达极显著水平(P<0.01)。

3讨论与结论

叶绿素主要用于植物光合作用，叶绿素含量高低能反映植物生长状况，同时也能表征作物的生长能力，影响作物经济产量[21]。高光谱技术波段多、光谱分辨率高且连续，可获得地物的连续光谱曲线，能够反映相邻波段间的细微差别，为定量分析叶绿素含量提供了强有力的工具[22]。杨峰等[13]利用二次修正土壤调节植被指数分别建立了相应的回归模型，用以预测水稻的叶面积指数和叶绿素密度。宋开山等[23]利用归一化植被指数、土壤调和植被指数、再归一植被指数、第二修正比值植被指数等建立了大豆叶绿素a反演模型，提高了大豆叶绿素a含量估测精度，为便捷、高效地监测作物生长提供了新的思路。潘蓓等[24]分析苹果春梢停止期6种植被指数与叶绿素含量的相关性，提出以CCI(D794 nm/D763 nm)指数为自变量建立的估测模型为苹果树冠层的最佳叶绿素含量估测模型。赵佳佳等[25]认为冬小麦叶绿素含量敏感波段为500、 690、 760与470、 630、 723 nm，冬小麦叶绿素含量估测的最佳模型是以导数光谱FDNDVI(630、 723 nm)构建的模型。

本试验通过对马铃薯叶片叶绿素a、b含量与叶片原始光谱反射率的相关性分析，确定了马铃薯叶片叶绿素含量光谱敏感波段为400～800 nm，证明了基于叶片原始光谱反射率相关性提取植被指数进行马铃薯叶片叶绿素a、b含量反演的可能性。马铃薯植被指数与叶绿素a、b含量相关性较好，除植被衰减指数(PSRI)外，其余11个植被指数均与叶绿素a、b含量极显著相关。筛选的4个植被指数修正归一化差异指数(mND705)、修正简单比值指数(mSR705)、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)分别建立叶绿素a、b含量的线性、指数、对数等估测回归模型。通过分析对比发现叶绿素a含量最佳预测模型为MTCI构建的乘幂模型，叶绿素b含量最佳预测模型为mND705构建的指数模型。叶绿素a、b含量估测模型为快速、无损地反映马铃薯叶片叶绿素含量提供了技术支持，间接地为估测马铃薯植株氮营养状况提供了研究方向。本文是在盆栽试验条件下进行的叶片光谱植被指数估测马铃薯叶片叶绿素含量的研究，在更为复杂的大田条件下其应用受到制约，今后的研究要进一步基于大田与作物冠层进行，推动高光谱遥感技术在农业生产上的应用。

参考文献：

[1]孙阳阳,汪国平,杨可明,等.玉米叶绿素含量高光谱反演的线性模型研究[J].山东农业科学, 2015,47(7):117-121.

[2]童庆禧,张兵,郑兰芬.高光谱遥感的多学科应用[M].北京:电子工业出版社, 2006:20-80．

[3]方慧,宋海燕,曹芳,等.油菜叶片的光谱特征与叶绿素含量之间的关系研究[J].光谱学与光谱分析, 2007,27(9):1731-1734.

[4]朱凌红,周澎,王忠民,等.高光谱数据与叶绿素含量及植被指数的相关性研究进展[J].内蒙古民族大学学报(自然科学版), 2014,29(1):41-44.

[5]王凯龙,熊黑钢,张芳.干旱区冬小麦不同生长阶段的光谱特征与叶绿素含量估测研究[J].干旱区资源与环境, 2013,27(11):45-49.

[6]宋开山,张柏,李方,等.玉米叶绿素含量的高光谱估算模型研究[J].作物学报, 2005,31(8):1095-1097.

[7]宋开山,张柏,王宗明,等.大豆叶绿素含量高光谱反演模型研究[J].农业工程学报, 2006,22(8):16-21.

[8]MADERIRA A C,MENDONCA A,FERREIRA M E,et al. Relationship between spectroradiometric and chlorophyll measurements in green beans[J].Commun Soil Sci Plant Anal, 2000,31(5/6):631-643．

[9]GITELSON A A,GRITE Y,MERZLYAJ M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. J Plant Physiol, 2003,160(3)：271-282.

[10]WU C Y,NIU Z,TANT Q,et al. Estimating chlorophyll content from hyperspectral vegetation indices:Modeling and validation[J].Agr Forest Meteorol, 2008,148(8/9):1230-1241.

[11]蒋金豹,陈云浩,黄文江.用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度[J].光谱学与光谱分析, 2010,30(8):2243-2247．

[12]靳彦华,熊黑钢,张芳,等.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究[J].麦类作物学报, 2013,33(5):1012-1018.

[13]杨峰,范亚民,李建龙,等.高光谱数据估测稻麦叶面积指数和叶绿素密度[J].农业工程学报, 2010,26(2):237-243.

[14]邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社, 2010.

[15]SIMS D A,GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structures and developmental stages[J].Remote Sens Environ, 2002,81(2):337-354.

[16]黄敬峰,王福民,王秀珍.水稻高光谱遥感实验研究[M].杭州:浙江大学出版社, 2010.

[17]PENUELAS J,BARET F,FILELLA I.Semiempirical indices to assess carotenoids chlorophyll-a ratio from leaf spectral reflectance[J].Photosynthetica, 1995，31(2)：221-230.

[18]MERZLYAK M N,GITELSON A A,CHIVKUNOVA O B,et al.Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J].Physiol Plantarum, 1999,106(1):135-141.

[19]DASH J,CURRAN P J.Evaluation of the MERIS terrestrial chlorophyll index (MTCI)[J].Adv Space Res, 2007,39 (1):100-104.

[20]HABOUDANE D,MILLER J R,TREMBLA N,et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J].Remote Sens Environ, 2002,81(2): 416-426.

[21]张晓华,常庆瑞,章曼,等.基于高光谱植被指数的西北玉米不同时期叶绿素含量估测[J].中国农业大学学报, 2015,20(4):75-81.

[22]浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社, 2000.

[23]宋开山,张柏,王宗明,等.基于小波分析的大豆叶绿素a含量高光谱反演模型[J].植物生态学报, 2008,32(1):152-160.

[24]潘蓓,赵庚星,朱西存,等.利用高光谱植被指数估测苹果树冠层叶绿素含量[J].光谱学与光谱分析, 2013,33(8):2203-2206.

[25]赵佳佳,冯美臣,王超,等.基于光谱植被指数的冬小麦叶绿素含量反演[J].山西农业大学学报(自然科学版), 2014,34(5):391-396.

【责任编辑庄延，周志红】

收稿日期：2016- 01- 05优先出版时间：2016- 07- 05

作者简介：何彩莲(1991—),女,硕士研究生，E-mail:hecailian818@163.com ；通信作者：郑顺林(1974—), 男,副教授, 博士,E-mail:zhengshunlin123@163.com

基金项目：国家现代农业产业技术体系建设专项(CARS20)；四川省育种攻关及配套项目(2011NZ0098-15-5)

中图分类号：S532; S127

文献标志码：A

文章编号：1001- 411X(2016)05- 0045- 05

Estimation models of chlorophyll contents in potato leaves based on hyperspectral vegetation indices

HE Cailian1, ZHENG Shunlin1, ZHOU Shaomeng1, ZHANG Qin, YUAN Jichao1, HU Jianjun2

(1 College of Agronomy, Sichuan Agricultural University, Chengdu 611130, China;2 Crop Research Institute of Sichuan Academy of Agricultural Sciences, Chengdu 610066, China)

Abstract：【Objective】 To build models for estimating chlorophyll a and chlorophyll b contents in potato，Solanum tuberosum， leaves by using hyperspectral vegetation indices, and provide a basis for scientific and nondestructive estimation of chlorophyll content in potato leaves. 【Method】Leaf spectral reflectance was measured for potato plants at different growth stages under different nitrogen levels by using a portable spectrometer. The hyperspectral vegetation indices were extracted from leaf spectral reflectance. The contents of chlorophyll a and chlorophyll b in potato leaves were measured, and the relationship between hyperspectral vegetation index and chlorophyll content was analyzed. 【Result】There were 12 vegetation indices with relatively good correlations with chlorophyll content. Modified normalized difference index(mND705), modified simple ratio index(mSR705),MERIS terrestrial chlorophyll index(MTCI) and modified chlorophyll absorption reflectance index(MCARI) had the highest correlations with chlorophyll contents among the 12 vegetation indices. Estimation models were established based on above-mentioned four indices. The power model based on MTCI offered the best estimation of chlorophyll a content, and the index model based on MCARI offered the best estimation of chlorophyll b content.【Conclusion】The power model based on MTCI and the index model based on mND705can be respectively used to estimate chlorophyll a and chlorophyll b contents in potato leaves with relatively high accuracy，and indirectly monitor nitrogen deficiency in potato plants.

Key words：hyperspectral technology; spectral reflectance；Solanum tuberosum; vegetation index; chlorophyll content; inversion model

优先出版网址：http://www.cnki.net/kcms/detail/44.1110.s.20160705.1159.010.html

何彩莲, 郑顺林, 周少猛，等.基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型[J].华南农业大学学报，2016,37(5):45- 49.