基于光谱分析不同温度下棉花叶片SPAD值含量估测

付彦博，王治国，耿庆龙，齐莹莹，孟阿静，饶晓娟，冯耀祖

(1.新疆农业科学院土壤肥料与农业节水研究所，乌鲁木齐 830091；2.新疆农业科学院科技成果转化中心，乌鲁木齐 830091；3.新疆农业职业技术学院，新疆昌吉 831100)

基于光谱分析不同温度下棉花叶片SPAD值含量估测

付彦博1，王治国1，耿庆龙1，齐莹莹2，孟阿静1，饶晓娟3，冯耀祖1

(1.新疆农业科学院土壤肥料与农业节水研究所，乌鲁木齐 830091；2.新疆农业科学院科技成果转化中心，乌鲁木齐 830091；3.新疆农业职业技术学院，新疆昌吉 831100)

【目的】研究不同温度对棉花叶片SPAD值的影响，利用高光谱反演叶片SPAD值。【方法】以不同温度处理花铃期水培棉花叶片为材料，利用美国SVC-HR768光谱仪测定叶片光谱反射率和SPAD502叶绿素计测定叶片SPAD值，采用相关分析、线性回归等方法，分析叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数数据之间的关系。【结果】随着温度的升高，叶片SPAD值和原始光谱反射率逐渐下降，叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数数据均具有较好的相关性，通过相关系数、调整R2和平均相对误差最大优选原则综合比较，筛选建立的叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数的较优估测模型，相关系数分别为0.81、0.857和0.833，调整R2分别0.747、0.844和0.824，平均相对误差分别为9.12%、5.78%和7.72%。【结论】一阶微分光谱671和683 nm组合波段构建的模型Y=50.487X683-131.617X671+36.777预测叶片SPAD值最为精确，高光谱参数次之，原始光谱最差，为利用高光谱遥感信息反演花铃期棉花叶片SPAD值提供理论依据。

棉花；温度；SPAD值；光谱反射率；参数；一阶微分；模型

0 引 言

【研究意义】温度变化是影响作物养分吸收和利用重要因素之一，不同的作物对温度有着不同的响应[1,2]，而作物的营养胁迫状况和作物长势状况与叶绿素密切相关[3]，实时监测植物叶片中叶绿素含量的动态变化是长势监测的重要环节[4]。遥感技术可以解决叶绿素含量大面积快速测定的问题，其具有大面积快速、无破坏性采样、及时等特点，被广泛应用[5-7]。【前人研究进展】Bauerle等[8]通过研究发现SPAD值与400～700 nm波长范围内光存在显著回归关系，但建立的模型精确度不高。随后，相继利用高光谱数据分别对水稻、小麦、玉米、油菜、土豆、白三叶等植物的SPAD值含量进行了估测研究[9-13]。利用红边位置为参数所建的模型能够准确的预测水稻叶片的SPAD值[9]。姚付启等[10]利用“绿峰”与“红谷”分别预测小麦各个生育期的SPAD值光谱模型。李俊霞等[11]利用550 nm的光谱反射率估测了不同施氮水平下不同品种玉米叶片SPAD值。【本研究切入点】前人研究重点多放在不同施氮水平下的农作物，而对不同温度下棉花的SPAD值定量估测鲜见报道。旨在采用相关分析、线性回归等统计方法确定棉花叶片SPAD值与原始光谱、一阶微分光谱和高光谱参数数据之间的关系。【拟解决的关键问题】以新疆棉花为研究对象， 测定并分析棉花叶片SPAD值与光谱反射率的关系，建立不同温度处理下棉花叶片SPAD值的高光谱估测模型，为新疆不同温度下棉花叶片SPAD值快速的营养诊断提供技术支撑与理论依据。

1 材料与方法

1.1 材 料

试验于2014年6～9月在新疆农业科学院土壤肥料与农业节水研究安宁渠国家灰漠土肥力与肥料效益基地网室 (N:44.59055556°，E:87.77916667°) 进行，海拔高度680～920 m，采用Vantage Pro2有线自动气象站测得6～9月平均气温21.5℃，降水量45.82 mm。棉花品种为新陆早41号。

1.2 方 法

1.2.1 试验设计

幼苗先通过沙培在光照培养箱下育苗，当幼苗长出第一片真叶时移入水培中培养，水培盆规格：长×宽×高=50 cm×35 cm×20 cm；营养液配方参照霍格兰仕营养液，每隔7 d换一次营养液，每隔8 h冲一次氧，每次加氧时间30 min。设置3个处理培养：常规处理，增温处理和降温处理。增温处理在盆底部放置恒温加热棒，将温度调控在30℃培养；降温处理采用循环制冷机降温，温度为18℃，每个处理中均放置U盘温度计，测定水中实时温度，采用即时温度计测定各处理的即时温度。处理分四个时期，各时期处理时间为10 d，每处理3次重复，花铃期棉花于9月10日开始进行温度处理，常规处理平均温度为16.3℃。

1.2.2 光谱数据采集与SPAD值的测定

于9月17日，利用美国 SVC- HR768光谱仪测定叶片光谱反射率和 SPAD502叶绿素计测定叶片 SPAD值，试验在安宁渠国家灰漠土基地暗室进行。测定时探头垂直距棉花叶片表面40 cm，每盆测定3个叶片(倒三叶)，每个叶片测定l0条光谱反射率曲线，去掉异常线后取平均作为该叶片的光谱反射率值。表1

表1 SVC-HR768光谱参数
Table 1 SVC-HR768 spectral parameters

参数名称Parametername光谱波段Spectralbands(nm)通道数Channelnumber光谱带宽Spectralbandwidth最小积分时间Minimumintegraltime(ms)视场角Viewingangle(°)光源天顶角Thezenithangleoflightsource(°)标准光源Standardilluminant(W)参数值Parametervalues350～2500768350～1000nm范围内≤3.5nm;1000～1500nm和1500～2100nm范围≤16nm141550

1.3 数据处理

为了使数据具有更好的连续性，采用SVC HR-768光谱仪配套软件进行预处理。采用SPSS 19.0统计软件进行单因素方差分析(one-way ANOVA)和回归模型建立。

2 结果与分析

研究表明，花铃期不同温度处理下，棉花叶片的SPAD值发生明显变化，其棉花叶片SPAD值大小顺序为降温>常规>增温，各处理之间差异均达到显著水平(P<0.05)，与常规处理相比较，增温处理降低了14.70%，降温处理增高了12.53%。图1

图1 不同温度处理下SPAD值
Fig.1 The SPAD of different temperature treatment

2.1 不同温度处理下水培棉花叶片原始光谱特征

研究表明，不同的波段棉花光谱响应不同，在350～760 nm，不同温度处理之间的棉花叶片光谱反射率差异不是很大，但是550～700 nm区域是叶绿素的两个主要吸收峰；在700～2 350 nm区域内光谱反射率随着温度的升高原始光谱反射逐渐降低。图2

图2 不同温度处理下原始光谱反射率
Fig.2 Original spectral reflectance of different temperature treatment

2.2 叶片SPAD值与原始光谱反射率的相关性

研究表明，原始光谱反射率与棉花叶片SPAD值具有较好的相关性，相关系数在0.3～0.8，且呈正相关。在可见光波段350～500 nm范围内两者之间的相关系数较低；在500～750 nm附近是叶绿素的强反射峰，该波段与叶绿素含量密切相关， 在红边位置附近原始光谱反射率与棉花叶片SPAD值相关系数最高，达0.85，且达到极显著水平(P<0.01)。在770～1 900 nm叶片SPAD值与原始光谱之间的相关系数达0.8，达到显著水平(P<0.01)。图3

2.3 叶片SPAD值与一阶微分光谱反射率相关性

光谱数据的一阶微分有利于部分消除大气对目标的影响，能够更好的反映和揭示植被光谱的内在特性[14]，650～800 nm出现明显的反射峰，在1 400 nm左右出现明显的波谷(图4(a))。棉花叶片SPAD值与一阶微分光谱之间的相关性(图4(b))，发现棉花叶片SPAD值与一阶微分光谱之间的相关性呈正负相关交替，相关系数在-0.9～0.9。在480～550、670～760和1 400～1 650 nm相关系数为正相关，且达到极显著水平(P<0.01)，在560～670和1 350～1 400 nm相关系数为负相关且达到较高水平。图4，表2，表3

图3 棉花叶片SPAD值与原始光谱相关性
Fig.3 Correlation between SPAD and original spectrum of cotton leaves

图4 棉花叶片SPAD值与一阶微分光谱反射率相关性
Fig.4 The relationship between the SPAD and the first order differential spectral reflectance表2 光谱参数定义
Table 2 Definition of hyperspectral remote sensing parameters

类型Type光谱参数Spectralparameter计算公式或定义Formulaordefinition基于光谱位置的特征变量CharacteristicvariablesbasedonthespectralpositionDr红边(680～760nm)内最大一阶微分值Db蓝边(490～530nm)内最大一阶微分值Dy黄边(550～580nm)内最大一阶微分值Rg绿峰(510～580nm)内原始光谱最大的相对反射率Ro红谷(640～680nm)内原始光谱最小的反射率基于光谱面积的变量VariablesbasedonthespectralareaSDr红边(680～760nm)内一阶微分总和5SDb蓝边(490～530nm)内一阶微分总和5SDy黄边(550～580nm)内一阶微分总和5

表3 棉花叶片SPAD值(y)与不同敏感波段光谱(x)之间定量关系
Table 3 Quantitative relation between SPAD(y) and spectrum of different sensitive bands(x)

类型Type敏感波段Sensitivebands(nm)模型Model调整R2AdjustedR2一阶导数Firstderivative480～550560～7501350～1650Y=109.516X493+39.8200.683Y=94.327X485+124.857X493+40.1060.833Y=-92.039X635+38.1640.677Y=46.684X683+37.2240.663Y=50.487X683-131.617X671+36.7770.844Y=-11.887X1375+36.4310.660Y=183.091X1639-36.8280.677Y=1162.322X1639-376.7051X1572+40.2330.806

2.4 叶片SPAD值与高光谱参数的关系

研究表明，棉花叶片SPAD与高光谱参数具有一定相关性，棉花叶片SPAD值与Dy的相关性较差，与Rg、Ro的相关性呈显著相关关系，与其他变量Dr、Db、SDr、SDb相关性均呈极显著相关关系。说明采用这些变量对叶片SPAD值进行估算具有可行性。棉花叶片SPAD值与高光谱特征变量之间具有很强的相关性，从这些变量中进行单变量线性拟合分析，建立较适合于叶片SPAD值估算的高光谱遥感模型。构建的回归模型中，SDr和SDy所构建的一阶微分总与基于其他变量所构建的模型相比，具有最大的调整R2系数(0.801和0.824)， 说明利用该光谱参数建立的模型精度和稳定性较好，能够用来估测叶片SPAD值。表4

2.5 棉花叶片SPAD值高光谱估测模型的建立及优化

根据其建立的模型相关系数和调整R2系数的最大优选原则综合比较，筛选以原始光谱反射率、一阶微分光谱、高光谱参数为自变量建立的棉花叶片SPAD值的估测模型，进行叶片SPAD值估算。根据所建立的棉花叶片SPAD值高光谱预测模型，一阶微分光谱模型中，在683和671 nm共同构建的模型最好，调整R2值达到了0.844，平均相对误差为5.98%，说明模型稳定性较好，可见利用671和683 nm处的一阶微分光谱反射率诊断棉花叶片SPAD值是可行的；原始光谱反射率的模型中，698 nm处构建的模型较好，调整R2值为0.747，预测平均误差为9.12%，表明利用698 nm处光谱也可以预测棉花叶片SPAD值。高光谱参数建立的模型中，SDb构建的模型较好，调整R2值为0.824，预测平均误差为7.72%，表明高光谱参数SDb可以预测棉花叶片SPAD值。基于原始光谱反射率、一阶微分光谱反射率和高光谱参数建立的模型相比，一阶微分光谱反射率所建立的模型的精度优于原始光谱和高光谱参数所建立的模型。表4，表5

表4 棉花叶片SPAD值(y)与不同光谱参数(x)之间定量关系
Table 4 Quantitative relation between SPAD(y) and spectrum of different spectral parameters (x)

光谱参数Spectralparameters回归方程Model调整R2AdjustedR2相关系数(r)CorrelationcoefficientDrY=6.276X+35.4610.7570.776**DbY=17.617X+36.7180.5370.761**DyY=-27.727X+36.7670.384-0.419RgY=0.486X+35.0560.6640.691*RoY=1.134X+33.5340.5720.660*SDrY=0.204X+35.6040.8010.816**SDbY=1.337X+36.5100.8240.833**SDyY=-2.280X+36.1830.410-0.441

注：**代表极显著(P<0.05)，*代表显著(P<0.05)

Note:**Showed very significant (P< 0.01)，*Showed significantlyP<0.05)

表5 棉花叶片SPAD值量高光谱估测模型
Table 5 Hyperspectral Estimation Model for SPAD value of cotton leaves

变量xVariable模型表达式Modelexpression调整R2AdjustedR2相对误差范围(%)Relativeerrorrange平均相对误差(%)Averagerelativeerror698(原始)Y=0.471X698+35.9870.7476.60～16.909.12485,493Y=124.857X493+94.327X485+40.1060.8332.40～13.087.77683,671Y=50.487X683-131.617X671+36.7770.8441.30～9.705.781639,1572Y=1162.322X1639-376.7051X1572+40.2330.8063.90～12.708.23SDrY=0.204X+35.6040.8014.80～12.708.35SDbY=1.337X+36.5100.8243.20～11.507.72

3 讨 论

棉花是喜温作物，亦是温度敏感型作物，温度是影响棉花生长发育，物质代谢的重要能量因素[15]。温度过高或过低都会影响棉花的生长导致棉花减产[16,17]。棉花在各生育期的温度响应不同，研究结果表明 ，30℃处理下叶片SPAD值较常规温度处理(9月10～17日日平均温度为15.8℃)和低温处理的SPAD值相比均降低，说明30℃处理阻碍了花铃期的棉花的生长。

通过对不同温度下花铃期棉花叶片SPAD值于原始光谱反射率，一阶微分光谱反射率及高光谱参数之间的相关性分析，叶片SPAD值叶片在不同处理下有不同的反射特征，这种差别在“红边”附近最为明显，这与其它作物的光谱反射特征相同[18]。棉花叶片SPAD值一阶微分光谱的敏感波段位于480～550、560～760和1 350～1 600 nm，最优波长为组合波段(485、493 nm)、(671、683 nm)和(1 639、1 572 nm)处，这与袁小康等[19]对番茄的研究结果(670 nm)和王强等[20]对棉花的研究结果(756 nm)的结果有部分相同，也有部分差异，主要原因是多方面的，如品种、环境和测量仪器型号等不同。高光谱参数建立的预测模型中，SDb和SDr的光谱预测模型较优，研究结果与唐延林等[21]的研究结果一致。研究根据相关系数和调整R2系数的最大优选原则，初步筛选原始光谱反射率(698 nm)的一阶微分(671和683 nm)，高光谱参数(SDb)构建的SPAD值预测模型进行叶片SPAD值估算。但将水培棉花的实验结果完全用于大田棉花试验还需进一步研究和验证。

4 结 论

4.1 不同温度处理下，棉花叶片SPAD值发生明显变化，与常规处理相比较，增温处理降低了14.70%，降温处理增高了12.53%。

4.2 不同温度处理下，棉花叶片的原始光谱反射率存在明显差异， 700～2 350 nm区域不同处理之间棉花叶片光谱反射率差异较大，且随着温度的升高光谱反射逐渐降低。

4.3 不同温度处理下，棉花叶片原始光谱反射率、一阶微分和高光谱参数与叶片SPAD值均具有良好的相关性，原始光谱最佳估测模型为Y=0.471X698+35.987，调整R2=0.747；一阶微分模型Y= 50.487X683-131.617X671+36.777，调整R2=0.844，高光谱参数模型为Y= 1.337XSDb+ 36.510，调整R2=0.824；通过平均相对误差筛选优化，最终确定棉花叶片SPAD值与光谱的一阶微分模型Y= 50.487X683-131.617X671+36.777作为对叶片SPAD值的预测模型最为理想。

References)

[1] 郑丕尧.作物生理学导论[M].北京:北京农业大学出版社,1992:469-471.

ZHENG Pi-yao. (1992).Anintroductiontocropphysiology[M]. Beijing: China Agricultural University Press: 469-471. (in Chinese)

[2] 冯玉龙,刘恩举,孟庆超.根系温度对植物的影响Ⅱ.根温对植物代谢的影响[J].东北林业大学学报,1995,23(4):94-99.

FENG Yu-long, LIU En-ju, MENG Qing-chao. (1995).Influence of temperature of root system on plant (Ⅱ)-influence of root temperature on plant metabolism [J].JournalofNortheastForestryUniversity, 23(4):94-99. (in Chinese)

[3] Collins, W., & Collins, W. (1978). Remote sensing of crop type and maturity.PhotogrammetricEngineeringandRemoteSensing, 44(1):43-55.(in Chinese)

[4] 李云梅，倪绍祥，王秀珍．线性回归模型估算水稻叶片叶绿素含量的适宜性分析[J].遥感学报,2003,9(5):364-371.

LI Yun-mei, NI Shao-xiang, WANG Xiu-zhen.(2003). The robustness of linear regression model in rice leaf chlorophyll concentration prediction [J].JournalofRemoteSensing, 9(5):364-371. (in Chinese)

[5] 申广荣,王人潮.植被高光谱遥感的应用研究综述[J].上海交通大学学报(农业科学版)， 2001,19(4): 315-321.

SHEN Guang-rong, WANG Ren-chao,(2001).Review of the application of vegetation hyperspectral remote sensing [J].JournalofShanghaiJiaotongUniversity, 19(4): 315-321. (in Chinese)

[6] 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,2014,34(20):5 736-5 745.

GONG Zhao-ning, ZHAO Ya-li, ZHAO Wen-ji, et al. (2014). Estimation model for plant leaf chlorophyll content based on the spectral index content[J].ActaEcologicaSinica, 34(20):5,736-5,745. (in Chinese)

[7] 章文龙,曾从盛,高灯州, 等.闽江河口湿地秋茄叶绿素含量高光谱遥感估算[J].生态学报,2014,34(21):6 190-6 197.

ZHANG Wen-long, ZENG Cong-sheng, GAO Deng-zhou, et al.(2014). Estimating the chlorophyll content of Kandelia candel based on hyper-spectral remote sensing in the Min River Estuarine wetland [J].ActaEcologicaSinica, 34(21): 6,190-6,197. (in Chinese)

[8] Bauerle, W. L., Weston, D. J., Bowden, J. D., Dudley, J. B., & Toler, J. E. (2004). Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species.ScientiaHorticulturae, 101(1):169-178.(in Chinese)

[9] 谢晓金,申双和,李映雪,等.高温胁迫下水稻红边特征及SPAD和LAI的监测[J].农业工程学报,2010,26(3):183-190.

XIE Xiao-jin, SHEN Shuang-he, LI Ying-xue, et al.(2010). Red edge characteristics and monitoring SPAD and LAI for rice with high temperature stress[J].TransactionsoftheCSAE, 26(3):183-190. (in Chinese)

[10] 姚付启,蔡焕杰,孙金伟,等.平稳小波变换在冬小麦SPAD高光谱监测中的应用[J].应用生态学报,2015,26(7):2 139-2 145.

YAO Fu-qi, CAI Huan-jie, SUN Jin-wei, et al. (2015). Application of stationary wavelet transformation to winter wheat SPAD hyperspectral monitoring [J].ChineseJournalofAppliedEcology, 26(7):2,139-2,145. (in Chinese)

[11] 李俊霞,杨俐苹,白由路,等.不同品种玉米氮含量与叶片光谱反射率及SPAD值的相关性[J].中国土壤与肥料,2015,(3):34-39,119.

LI Jun-xia, YANG Li-ping, BAI You-lu, et al.(2015). The correlation of total nitrogen content with leaf spectral reflectance and SPAD values in different maize varieties [J].SoilandFertilizerSciencesinChina, (3):34-39,119. (in Chinese)

[12] 丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015,(2):486-491.

DING Xi-bing, LIU Fei, ZHANG Chu, et al.(2015). Prediction of SPAD vale in oilseed rape leaves using hyperspectral imaging technique[J].SpectroscopyandSpectralAnalysis, (2):486-491. (in Chinese)

[13] 张贤,晏荣,曹文娟,等.SPAD及FT-NIR光谱法快速筛选白三叶种质蛋白质性状[J].光谱学与光谱分析,2009,(9):2 388-2 391.

ZHANG Xian, YAN Rong, CAO Wen-juan, et al.(2009). Rapid selection of white clover germplasms' crude protein traits by SPAD and Fourier transform near-infrared reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis, (9):2,388-2,391. (in Chinese)

[14] 柴仲平,王雪梅,盛建东,等. 基于光谱分析的库尔勒香梨叶片全氮含量估测研究[J].果树学报,2013,(3):421-426.

CHAI Zhong-ping, WANG Xue-mei, SHEN Jian-dong, et al.(2013). Prediction of the total nitrogen content in leaves of Korla fragrant pear by spectral analysis [J].JournalofFruitScience, (3):421-426. (in Chinese)

[15] Wang, H. L., Gan, Y. T., Wang, R. Y., Niu, J. Y., Zhao, H., & Yang, Q. G., et al. (2008). Phenological trends in winter wheat and spring cotton in response to climate changes in northwest china.Agricultural&ForestMeteorology, 148(8-9):1,242-1,251. (in Chinese)

[16] Singh, R. P., Pvv, P., Sunita, K., Giri, S. N., & Reddy, K. R. (2007). Influence of high temperature and breeding for heat tolerance in cotton: a review.AdvancesinAgronomy, 93:313-385.(in Chinese)

[17] Bhatt, J. G. (1977). Growth and flowering of cotton (gossypiumhirsutuml.) as affected by daylength and temperature.JournalofAgriculturalScience, 89(3):583-587.(in Chinese)

[18] 梁爽,赵庚星,朱西存.苹果树叶片叶绿素含量高光谱估测模型研究[J].光谱学与光谱分析,2012,(5):1 367-1 370.

LIANG Shuang, ZHAO Geng-xing, ZHU Xi-cun.(2012). Hyperspectral estimation models of chiorophyll content in apple leaves[J].SpectroscopyandSpectralAnalysis, (5):1,367-1,370. (in Chinese)

[19] 袁小康,杨再强,邱译萱,等.番茄叶片叶绿素含量光谱估算模型[J].中国农业气象,2014,(6):700-707.

YUAN Xiao-kang, YANG Zai-qiang, QI Yi-xuan, et al.(2014).Chlorophyll Content of Tomato Leaf Estimate Model Under Different Water Stress Treatments Based on Hyperspectral [J].ChineseJournalofAgrometeorology, (6):700-707. (in Chinese)

[20] 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.

WANG Qiang, YI Qiu-xiang, BAO An-ming, et al. (2012). Estimating chlorophyll density of cotton canopy by hyperspectral reflectance[J].TransactionsoftheCSAE, (15):125-132. (in Chinese)

[21] 唐延林,王纪华,黄敬峰,等.水稻成熟过程中高光谱与叶绿素、类胡萝卜素的变化规律研究[J].农业工程学报,2003,19(6):167-173.

TANG Yan-lin, WANG Ji-hua, HUANG Jing-feng, et al.(2003). Variation law of hypersprctral data and chlorophyll and carotenoid for rice in mature process [J].TransactionsoftheCSAE, 19(6):167-173. (in Chinese)

Supported by:Supported by National Natural Science Foundation of China "Effects of drip irrigation water temperature on Xinjiang gray desert soil and cotton growth" (51169025)and Effect of Mulched Drip Oxygation on Soil Environment and Growth of Cotton in Xinjiang(41261076)

FENG Yao-zu(1973-), male, resarcher doctor, resarch direction:plant nutriction

Prediction of SPAD Value of Cotton Leaf at Different Temperatures Leaves Based on Spectral Analysis

FU Yan-bo1, WANG Zhi-guo1, GENG Gin-long1, QI Ying-ying2， MENG A-jing3, RAO Xiao-juan1, FENG Yao-zu1

(1.ResearchInstituteofSoil,FertilizerandAgriculturalWaterConservation,XinjiangAcademyofAgriculturalSciences,Urumqi830091,China; 2.TransformationCenterofScientificandTechnologicalAchievements,XinjiangAcademyofAgriculturalSciences,Urumqi830091,China; 3.XinjiangAgriculturalVocationalandTechnicalCollege,Urumqi831100,China)

【Objective】 To understand the effect of different temperatures on the SPAD value of cotton leaves, the SPAD value of leaf was retrieved by hyperspectral data during the blossoming and boll-forming period. 【Method】The statistical methods, such as the correlation analysis and linear regression, were used to analyze the relationship between SPAD value, original spectra, first-order differential spectra and hyperspectral parameters. 【Result】It was shown that the SPAD and original spectral reflectivity of the leaf would decrease with the rising temperature. The SPAD value was correlated to the original spectra, first-order differential spectra and hyperspectral parameters. After the overall comparison of correlation coefficient, adjustedR2and the optimization of mean relative error, the optimal estimation mode for the SPAD value, original spectra, first-order differential spectra and hyperspectral parameters were built, with the correlation coefficient being 0.81, 0.857 and 0.833, the adjustedR2being 0.747, 0.844 and 0.824 as well as the mean relative error being 9.12%, 5.78% and 7.72%. The model built through the combination of the first-order differential spectra 671 nm and 683 nm (Y=50.487X683-131.617X671+36.777) can achieve the highest accuracy in predicting the SPAD value, followed by the hyperspectral parameter and original spectra. 【Conclusion】As shown by the experimental results, the hyperspectral sensing information can provide the theoretical basis for predicting the SPAD value for the cotton leaf during the blossoming and boll-forming period.

cotton；temperature；SPAD value; spectral reflectance；parameters；first order differential

10.6048/j.issn.1001-4330.2017.03.003

2016-12-08

国家自然科学基金项目“滴灌灌溉水温对新疆灰漠土环境及棉花生长影响机制研究”(51169025)；国家自然科学基金项目“膜下加氧滴灌对棉田土壤环境及棉花生长的影响”(41261076)

付彦博(1986-)，男，河南人，助理研究员，硕士，研究方向为土壤生态与农业节水，(E-mail)fuyanbo2010@163.com

冯耀祖(1973-)，男，甘肃武威人，研究员，研究方向为植物营养，(E-mail)fengyaozu@sina.com

S562.01

A

1001-4330(2017)03-0409-08