芥菜型油菜不同叶色叶绿素含量与冠层反射光谱的定量关系

程 潜，陈家乐，张振乾，王 悦，陈 浩，邬贤梦

（湖南农业大学农学院，南方粮油作物协同创新中心，湖南 长沙 410128）

芥菜型油菜不同叶色叶绿素含量与冠层反射光谱的定量关系

程 潜，陈家乐，张振乾，王 悦，陈 浩，邬贤梦

（湖南农业大学农学院，南方粮油作物协同创新中心，湖南 长沙 410128）

以绿色和紫色叶的盆栽芥菜型油菜为试验对象，分别于幼苗期和抽薹期测定其冠层高光谱和SPAD值，研究两者之间的关系。研究结果为：以绿叶型油菜原始光谱两特征波段和一阶导数光谱两特征波段构建光谱参数，其中基于DVI'（717，955）的线性和多项式模型拟合决定系数较高，分别达到0.429 8，0.453 5；以紫叶型油菜原始光谱两特征波段构建光谱参数，其中基于RVI（698，107 2）的指数模型拟合决定系数较高，达到0.425 3。研究结果表明，高光谱模型具有一定的预测精度，可为区域尺度油菜生长的快速、无损遥感监测提供参考。

油菜；叶绿素；高光谱遥感技术

传统的农学研究采用实地调查或采样进行实验室测定，费时费力、效率低下，而且实验室测定需要对作物破坏性采样[1]。精细农业技术能对田间作物进行科学管理，特别是高光谱遥感技术能在作物生长监测上发挥重要作用[2-3]。通过遥感监测作物生长过程进而改善栽培[4-5]，优化作物分类收获、分级收购加工体制，提高作物品质监控水平，保证作物品质[6]。叶绿素含量遥感监测能够提供作物生理生化状态的有效信息[7]，同时叶绿素含量与作物的氮含量、光合作用也密切相关[8]。作物叶绿素含量的高光谱遥感监测主要应用在冠层[9-11]。地物波谱仪就是利用高光谱遥感数据反演得到地物反射的光谱信息，它能研究地表物体的种类、物质的成分、含量、存在状态、空间分布以及动态变化[12]。近年来，随着油菜育种技术的快速发展，出现了不同生态型的油菜品系（品种），而这些新品种的大面积推广亟需通过遥感技术来进行无损监测其长势。为此，项目组分别利用SPAD 502和地物波谱仪（美国ASD FieldSpec Pro FR 2500型背挂式野外地物波谱仪）研究不同颜色油菜叶片叶绿素含量与光谱间的定量关系，找出其中敏感波段，为今后通过高分辨率卫星影像监测油菜田间生长提供参考依据。

1 材料与方法

1.1 试验材料

不同叶色芥菜型油菜，选自湖南农业大学油料所，绿叶型油菜含有28个样品，紫叶型含有23个样品，分别采用盆栽方式种植。

1.2 测定项目与方法

1.2.1 SPAD值测定 分别于苗期、抽薹期采用SPAD 502叶绿素测定仪（日本）测量油菜的SPAD值。在晴朗天气测定倒数第三片叶，注意避开叶脉。

1.2.2 冠层光谱测定 采用地物波谱仪测定油菜苗期、抽薹期高光谱，测试波段为350～2 500 nm。测定时尽量选择在晴朗、无云、无风的天气，时间为10:00～13:00。选择长势均匀一致的冠层区域重复测量3次，取其平均值。参照王强等[13]的方法进行测量。

1.3 冠层光谱数据分析

从原始光谱反射率中提取光谱植被指数，其中包括比值植被指数（RVI），差值植被指数（DVI）和归一化植被指数（NDVI）；对冠层反射光谱数据进行一阶微分处理，同样从中提取比值植被指数（RVI'），差值植被指数（DVI'）和归一化植被指数（NDVI'）[1]，用Excel 2010处理上述植被指数。

2 结果与分析

2.1 不同叶色叶片叶绿素含量（SPAD值）

绿叶型和紫叶型油菜的苗期和抽薹期叶绿素含量分别见图1和图2。

图1 绿叶型油菜叶片叶绿素含量

图2 紫叶型油菜叶片叶绿素含量

叶绿素含量是油菜重要的生理指标，与光合作用密切相关，该研究用SPAD值来表征叶绿素含量，从图1和图2中可以看出不管是绿叶型还是紫叶型油菜，其抽薹期的SPAD值都比同植株苗期SPAD值要大，高出10～15，表明从苗期到抽薹期油菜植株不断长大，叶绿素含量也呈逐渐增加趋势。

2.2 不同叶色油菜叶片叶绿素含量与冠层反射光谱的定量关系

由图3看出，紫叶型和绿叶型油菜可见光波段的反射率都比较低，这主要由于可见光被叶片叶绿素吸收导致；700～780 nm波段的反射率由很低迅速升到很高，是因为叶绿素强烈吸收红外光和对近红外光多次散射；780～1 300 nm为近红外区，反射率较高，这与植物叶片内部组织结构的多次反射和散射有关；1 300 nm以后，植物对光的吸收增加，反射和散射减少，反射率也变小，在1 800 nm以后，由于噪音的存在，反射率呈现不规则变化。

图3 不同叶色芥菜型油菜的光谱特征

2.3 基于相关性系数较大波段的绿叶型油菜叶片叶绿素含量模型

2.3.1 绿叶型油菜叶片叶绿素含量与冠层光谱反射率的相关分析 通过对光谱反射率与叶绿素含量进行相关性分析，结果发现，绿叶型油菜叶绿素含量与光谱原始数据的最大相关系数为-0.120 9，位于近红外波段1 062 nm，最小相关系数为-0.412 3，为554 nm，在可见光区域。这两个相关波段建立相关光谱参数，得到其与叶绿素含量的相关系数（表1）。

表1 光谱参数与叶片叶绿素含量之间的相关性分析 (n=56)

2.3.2 绿叶型叶片叶绿素含量与一阶微分光谱的相关分析 为了消除地面土壤对反射光谱的影响，对一阶微分光谱与绿叶型油菜叶绿素含量进行相关性分析，结果表明，叶绿素含量与光谱一阶导数的最大相关系数为0.637 5，位于可见光红光波段717 nm；最小相关系数为-0.681 7，为955 nm，在近红外区域。这两个相关波段建立相关光谱参数，得到其与叶绿素含量的相关系数（表2）。

表2 一阶微分光谱参数与叶片叶绿素含量之间的相关性分析 (n=56)

2.3.3 基于相关性系数较大波段的叶片叶绿素模型 综合两表的各光谱参数与叶绿素含量（SPAD值）的相关系数，选出较大（＞0.6）的光谱参数，并用这些相关光谱参数建立叶绿素含量的线性与非线性模型，模型方程、拟合决定系数R2（表3）。

表3 叶片叶绿素含量与优选光谱参数的定量关系

基于优选光谱参数的油菜叶片叶绿素含量监测模型拟合决定系数都经过检验，达到显著水平，其中DVI'（717，955）的线性、指数、对数和多项式达到极显著水平，较大的相关系数为0.429 8，0.453 5。

2.4 基于相关性系数较大波段的紫叶型油菜叶片叶绿素含量模型

2.4.1 紫叶型油菜叶片叶绿素含量与冠层光谱反射率的相关分析 通过对光谱反射率与叶绿素含量进行相关性分析，结果发现紫叶型油菜叶绿素含量与光谱原始数据的最大相关系数为0.024 1，位于近红外波段1 072 nm，最小相关系数为-0.356 0，为698 nm，在可见光区域。这两个相关波段建立相关光谱参数，得到其与叶绿素含量的相关系数（表4）。

表4 光谱参数与叶片叶绿素含量之间的相关性分析 (n=46)

2.4.2 紫叶型叶片叶绿素含量与一阶微分光谱的相关分析 为了消除地面土壤对反射光谱的影响，对一阶微分光谱与叶绿素含量进行相关性分析，结果发现，紫叶叶绿素含量与光谱一阶导数的最大相关系数为0.736 8，位于可见光区域波段754 nm，最小相关系数为-0.683 9，为955 nm，在近红外区域。这两个相关波段建立相关光谱参数，得到其与叶绿素含量的相关系数（表5）。

表5 一阶微分光谱参数及与紫叶叶片叶绿素含量之间的相关性分析 (n=46)

2.4.3 基于相关性系数较大波段的叶片叶绿素模型 综合两表的各光谱参数与叶绿素含量（SPAD值）的相关系数，选出相关系数较大（＞0.6）的光谱参数，并用这些相关光谱参数建立叶绿素含量的线形与非线性模型，模型方程、拟合决定系数R2（表6）。

表6 油菜叶片叶绿素含量与优选光谱参数的定量关系

基于优选光谱参数的油菜叶片叶绿素含量监测模型拟合决定系数都通过检验，达到显著水平，并且基于RVI（698，107 2）的指数、线性、多项式和幂模型达到极显著水平，其中指数模型拟合决定系数最高，达到0.425 3。

3 结论与讨论

（1）绿叶型叶绿素含量与原始光谱的最大相关系数为-0.120 9，位于近红外波段1 062 nm，最小相关系数为-0.412 3，为554 nm，在可见光区域；叶绿素含量与光谱一阶导数的最大相关系数为0.637 5，位于可见光红光波段717 nm，最小相关系数为-0.681 7，为955 nm，在近红外区域，并分别以原始光谱两特征波段和一阶导数光谱两特征波段构建光谱参数，其中基于DVI'（717，955）的线性和多项式模型拟合决定系数较高，分别达到0.429 8，0.453 5。通过检验，达到极显著水平。

（2）紫叶型油菜叶绿素含量与光谱原始数据的最大相关系数为0.024 1，位于近红外波段1 072 nm，最小相关系数为-0.356 0，为698 nm，在可见光区域。叶绿素含量与光谱一阶导数的最大相关系数为0.736 8，位于可见光区域波段754 nm，最小相关系数为-0.683 9，为955 nm，在近红外区域。其中基于RVI（698，107 2）的指数模型拟合决定系数较高，达到0.425 3。通过检验，达到显著水平，具有一定的预测精度。

研究数据模型拟合决定系数与何友铸[1]的研究结果存在差异，可能是由于实验材料及样品处理方式等不同所致。项目组研究了油菜冠层反射光谱与油菜单叶SPAD值间的定量关系，从冠层水平监测叶片叶绿素水平，利用高光谱遥感技术获得油菜冠层的精细光谱信息，建立了有一定预测精度的监测模型，从而能够精准监测油菜生理生化状况、作物长势和产量品质等，促进了油菜生产的科学化管理。

[1] 何友铸. 油菜生理生化参数、油菜籽含油量与冠层反射光谱的定量关系[D]. 长沙：湖南农业大学，2015.

[2] 汪懋华. “精细农业”发展与工程技术创新[J]. 农业工程学报，1999，（1）：1-8.

[3] 胡著智，王慧麟，陈钦峦. 遥感技术与地学应用[M]. 南京：南京大学出社，1999，（8）：1-5.

[4] 王纪华，赵春江，刘良云，等. 信息技术在小麦调优栽培及品质测报上的应用[J]. 中国科技成果，2004，（12）：47-50.

[5] 潘瑜春，王纪华，赵春江，等. 基于网络GIS的作物品质监测与调优栽培系统[J]. 农业工程学报，2004，（6）：120-123.

[6] 王纪华，李存军，刘良云. 作物品质遥感监测预报研究进展[J]. 中国农业科学，2008，（9）：2633-2640.

[7] Lichtenthaler H K. The stress concept in plants：An introduction [J]. Annals of the New York Academy of Science，1998，（851）：187-198.

[8] Myneni R B，Hall F G，Sellers P J，et al . The interpretation of special vegetation indexes [J]. IEEE Trans on Geoscience remote sensing，1995，（33）：481- 486.

[9] 刘伟东，项月琴，郑兰芬，等. 高光谱数据与水稻叶面积指数及叶绿素密度的相关分析[J]. 遥感学报， 2000，（4）：279- 283.

[10] 宫兆宁，赵雅莉，赵文吉，等. 基于光谱指数的植物叶片叶绿素含量的估算模型[J]. 生态学报，2014，（20）：5736-5745.

[11] 谭海珍，李少昆，王克如，等. 基于成像光谱仪的冬小麦苗期冠层叶绿素密度监测[J]. 作物学报，2008，（10）：1812-1817.

[12] 陈述彭，童庆禧，郭华东. 遥感信息机理研究[M]. 北京：北京科学出版，1998.

[13] 王 强，易秋香，包安明，等. 基于高光谱反射率的棉花冠层叶绿素密度估算[J]. 农业工程学报，2012，（15）：125-132.

（责任编辑：肖彦资）

The Quantitative Relationship between the Chlorophyll Content of Different Leaf Color and Canopy Reflectance Spectra of Brassica Juncea

CHENG Qian，CHEN Jia-le，ZHANG Zhen-qian，WANG Yue，CHEN Hao，WU Xian-meng
（College of Agriculture, Hunan Agricultural University, Southern Regional Collaborative Innovation Center for Grain and Oil Crops in China, Changsha 410128, PRC）

The potted Brassica juncea with green leaves and purple leaves were used as raw materials, the hyperspectral reflectance characteristics and SPAD were determined and the relationships between them were discussed.The results showed that constructed the spectral parameters by two characteristic bands of the original spectrum and the first derivative spectrum of the two characteristic bands from green leaf rape, based on DVI'(717, 955), the linear and polynomial model fitting coefficient was higher, reaching to 0.429 8, respectively, 0.453 5; used original spectral two characteristic bands of purple leaves type rapeto construct spectral parameters, which the fitting coefficientwas high and reached 0.425 3 base on RVI (698, 1072) exponential model. The results showed that the hyperspectral model had a certain accuracy, which can provide a reference for the rapid and non-destructive remote sensing monitoring of regional scale rape growth.

rape; chlorophyll; hyperspectral remote sensing technology

S565

：A

：1006-060X（2017）02-0028-04

10.16498/j.cnki.hnnykx.2017.002.008

2016-11-25

国家自然科学基金（31201240）；湖南省科技重大专项（2014FJ1006）

程 潜（1996-），男，湖南岳阳市人，本科生，专业为农学。

张振乾