基于甜菜冠层高光谱红边参数的SPAD值诊断

杨荣超 田海清 李斐 史树德 李哲 黄涛

摘要：通过大田小区试验，利用野外便携式ASD光谱仪和SPAD-502叶绿素计分别实测甜菜冠层的高光谱反射率和叶片的叶绿素含量。基于冠层光谱反射率的一阶导数，提取甜菜冠层光谱的红边参数，分析不同SPAD值的红边参数的变化规律，以及各个红边参数与甜菜SPAD值的相关关系，并建立估测模型。结果发现，当甜菜SPAD值增大时，红边位置发生“红移”现象，红边振幅、红边面积增大；当SPAD值降低时，规律则相反。在红边参数对SPAD值的估测模型中，红边位置的一元线性估测模型精度最高；红边参数决定系数比红边位置的一元线性估算模型提高了 30.3%。

关键词：红边参数；高光谱；甜菜；SPAD值

中图分类号： S636.901文献标志码： A

文章编号：1002-1302（2017）11-0153-04[HS）][HT9.SS]

叶绿素是植物在光合作用中吸收光能的主要物质。叶绿素含量与植被的光合能力、发育阶段以及氮素状况有较好的相关性，是氮含量及冠层色素密度动态变化的指示剂，了解叶绿素状况就可以对作物群体光合能力及营养状况进行有效监测，在作物生长与产量预测以及精确诊断与动态调控中具有重要意义[1]。传统的叶绿素含量测量方法大多在室内用化学试剂测定，需要破坏植株且测定方法繁琐，結果等待时间长，不能及时地指导田间植物的生长管理，因此急需寻求一种无损、快速、高效的叶绿素含量测试方法[2-3]。近年来，高光谱遥感技术在对作物生化参数的定量分析中得到广泛应用。利用植物冠层反射高光谱数据，结合植物叶片SPAD值来估测植物叶绿素含量，已成为作物生长过程中氮素诊断的一种重要手段。

红边由于植被在红光波段强吸收以及近红外波段的强反射，使光谱反射率在680～760 nm区域陡然上升，形成了绿色植物光谱最明显的特征[4]，与绿色植物的叶绿素含量、氮含量等生化参数之间具有很好的相关关系。在国外，Horler等研究植被光谱与叶绿素浓度的关系，提出光谱红边位置在植被叶绿素浓度估计中的作用[5]；Strachan等研究表明，3个施氮水平的玉米红边位置和叶绿素计SPAD值呈极显著相关，r2=0.81[6]；Hansen等研究表明，小麦高光谱反射率与叶绿素密度的敏感波段，87%集中在红边光谱范围内[7]。在国内相关研究中，姚付启等提出基于红边位置，对法国梧桐、毛白杨建立叶绿素的估算模型，其决定系数分别达到0.736 6、0728 9[8]；朱咏莉等研究表明，红边位置、最小振幅、红边面积以及红边振幅和最小振幅比值与生菜叶片SPAD值间均具有极显著的相关关系，其中以红边位置的相关程度最高[9]；张永贺等研究表明，用不同算法获取的红边位置变量所构建的回归模型估测叶绿素含量是可行的[10]。对于用红边参数来估算绿色植物的叶绿素含量，在国内外已经有很多研究成果，但是用红边参数来反演甜菜叶片叶绿素含量的研究还未见报道。

本研究通过大田小区试验，以甜菜为研究对象，利用野外便携式ASD光谱仪和SPAD-502叶绿素计分别获取甜菜冠层的高光谱反射率和叶片的叶绿素含量。基于甜菜冠层光谱反射率的一阶导数，提取叶片的红边参数（红边位置、红边面积、红边振幅、最小振幅、归一化红边指数以及红边振幅与最小振幅的比值），分析不同SPAD值的情况下红边参数的响应特征，并建立各个红边参数对SPAD值的估测模型以及红边参数与SPAD值的相关分析。

1材料与方法

1.1试验设计

建模试验区：试验在内蒙古赤峰市松山区太平地镇甜菜规模种植区域进行，供试作物为甜菜，品种为KWS1676。试验采用单因素（N）设计，共设7个施氮水平，施氮量分别为0、15、32、76、108、163、217 kg/hm2。先在大棚内进行纸筒育苗，而后在5月中下旬将甜菜幼苗移栽至试验田内，田间作物按常规方式进行管理，于9月27日成熟后收获。试验小区面积为40 m2，行距50 cm，株距25 cm，设4个重复，小区按完全随机排列布置。

验证试验区：为了验证估算模型的鲁棒性和普适性，笔者选取了建模试验区附近的农民田块，从而用获取的数据验证所建估算模型的精确度。验证试验的甜菜品种和幼苗移栽时间与建模试验一致，施氮量为15 kg/hm2（当地甜菜种植常规施肥量），田间管理和建模试验小区一致。

1.2冠层高光谱采集

采用美国ASD公司（Analytical Spectral Devices）生产的野外便携式ASD Qualityspec光谱仪对甜菜冠层光谱进行采集。光谱仪波段范围为350～1 830 nm，其中，350～1 000 nm采样间隔为1.4 nm，光谱分辨率为3 nm；1 000～1 830 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。光谱采集时间选择在天气晴朗、无风、无云的10：00—14：00进行，采集时光纤探头垂直向下，距甜菜冠层1 m，探头视场角为25°，每个样点测量4次光谱，取平均值作为采样点光谱，且每个试验小区光谱采集前进行参考白板校正。

1.3叶片叶绿素含量测定

在试验过程中，在采集甜菜样品冠层光谱后，用便携式SPAD-502叶绿素计测定该样品冠层叶片SPAD值，测量20次后求取平均值，以平均值作为该采样小区的SPAD值，实现冠层光谱数据与叶片SPAD值的依次对应。

1.4红边参数的计算

采用ASD光谱仪自带的ViewSpecPro光谱分析软件提取甜菜冠层高光谱的反射率，并求得波段680～760 nm范围内反射率的一阶导数，从而计算出各个红边参数：红边振幅Dλ[HT5.]red[HT]，红光范围（680～760 nm）内光谱反射率的一阶导数的最大值；红边位置λred，红边振幅所对应的波长；红边面积Sred，红光范围（680～760 nm）内一阶导数光谱包围的面积；最小振幅Dλ[HT5.]min[HT]，红光范围（680～760 nm）内光谱反射率的一阶导数的最小值；红边振幅与最小振幅的比值，Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值；归一化红边指数NREI，（Dλ[HT5.]red[HT]-Dλ[HT5.]min[HT]）/（Dλ[HT5.]red[HT]+Dλ[HT5.]min[HT]）。

2结果与分析

2.1红边特征参数对不同SPAD值的响应特性

为分析甜菜红边参数（红边位置、红边振幅、红边面积）对不同SPAD值的响应特性，随机选取4组不同SPAD值所对应的红光范围内的一阶导数光谱值（表1、图1）。

当SPAD值分别为39.1、43.0、45.3、52.4时，相对应的红边位置分别为714、719、721、723 nm；红边振幅分别为0008 781、0.009 390、0.009 625、0.010 266；红边面积分别为 0.422 549、0.443 417、0.459 680、0.488 768（表1）。研究发现，随着甜菜叶片SPAD值的升高，红边位置向长波方向移动，即“红移”现象；红边振幅和红边面积也随之增大（表1、图1）。这和姚付启等得出的冬小麦的传统红边特征参数对不同SPAD值响应规律是一样的[4]。由此可以反映出甜菜的红边参数与SPAD值之间存在相关联系。

2.2红边参数与SPAD值相关性分析

红边面积、红边振幅与SPAD值的相关性很低，没有达到显著水平，不适合用来作为SPAD值估算模型的变量；归一化红边指数、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值、红边位置与SPAD值呈正相关，最小振幅与SPAD值呈负相关，与SPAD的相关性均达到极显著水平，其中以红边位置的相关性最高（表2）。因此，可以将归一化红边指数、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值和红边位置作为SPAD值估算模型的变量。

基于建模试验区168组样品数据，分别将提取的归一化红边指数、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值和红边位置参数作为单一自变量，SPAD值作为因变量，对二者建立线性函数、指数函数、对数函数、幂函数以及二项式函数的回归方程。基于验证试验区119组数据，对所建立的估算模型进行验证。以决定系数R2、均方根误差RMSE和相对误差RE来综合评价估算模型的鲁棒性和普适性。归一化红边指数、最小振幅及Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值對SPAD值的最佳估算模型均为指数函数，R2分别为0.267 1、0.289 2、0.295 4，均方根误差RMSE分别为 3.286 3、3.279 1、3.277 2，相对误差RE分别为5.91%、5.59%、5.97%；红边位置对SPAD值的最佳估算模型为一元线性函数，决定系数R2为0.310 9，均方根误差RMSE为 2.681 8，相对误差RE为4.83%。综合各个红边参数的最佳估算模型来看，基于红边位置的一元线性估算模型的精度最高（表3、图2）。[FL）]

2.4多元线性回归模型

多元线性回归分析就是研究因变量与2个或2个以上自变量的回归问题。若因变量y与自变量（x1，x2，…，xk）具有线性关系，它们之间的线性回归模型可以表示为：

[JZ]y=a0+a1x1+a2x2+…+akxk。

式中：a为回归常数；a1，a2，…，ak为回归系数；x1，x2，…，xk为引入的显著变量。

归一化红边指数、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及红边位置与甜菜冠层SPAD值都具有较好的一元线性关系，为了寻求精度更高的估算模型，建立上述4个显著变量与甜菜冠层SPAD值的多元线性回归模型（表3）。

[JP3]经过MATLAB软件的分析处理，建立的多元线性回归模型为y=-9 171.45×Dλ[HT5.]min[HT]+1.55×（Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]）+0.66×λred-12282×NREI-338.72，其R2为0.405 0，比红边位[JP]置的最佳估算模型提高了30.3%，在预测效果中，均方根误差为 2.785 9，相对误差为4.79%，估算精度也得到了提高（图3）。[JP]

3结论与讨论

本研究通过获取的甜菜冠层高光谱反射率及叶片SPAD值数据，分析了红边参数对不同SPAD值的响应特性，并建立了各个红边参数与SPAD值的相关性分析以及5种函数的估算模型，最后将归一化红边指数、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及红边位置作为显著变量进行多元线性回归分析，得出以下结论：

（1）在不同SPAD值下，红边参数的响应特性具体表现为随着SPAD值的升高，红边位置发生“红移”现象，红边振幅和红边面积随之增大；随着SPAD值的降低，红边位置发生“蓝移”现象，红边振幅和红边面积随之减小。

（2）在相关性分析中，红边振幅和红边面积与SPAD值没有达到显著相关水平，归一化红边指数、最小振幅、Dλ[HT5.]red[HT]/Dλ[HT5.]min[HT]值及红边位置与SPAD值达到极显著相关水平。

（3）在各个红边参数对SPAD值的估算模型中，基于红边位置的一元线性估算模型的精度最高（RMSE=2.681 8，RE=[HJ]

（4）通过多元线性回归分析，其模型的决定系数比红边位置的最佳估算模型提高了30.3%，其估算精度也高于各个红边参数对SPAD值估算模型的精度。

由于本研究的结论是在单一因素（N）营养控制下得出的，而对于甜菜在更为复杂的实际生长环境下，所得出的结论有待进一步验证。例如，在缺水、虫害等环境下，红边参数与叶片SPAD值的关系以及响应特性有待进一步研究。

[HS2*3][HT8.5H]参考文献：

[1]冯伟，朱艳，田永超，等. 基于高光谱遥感的小麦冠层叶片色素密度监测[J]. 生态学报，2008，28（10）：4902-4911.

[2]孙红，李民赞，赵勇，等. 冬小麦生长期光谱变化特征与叶绿素含量监测研究[J]. 光谱学与光谱分析，2010，30（1）：192-196.

[3]宋文冲，胡春胜，程一松，等. 作物氮素营养诊断方法研究进展[J]. 土壤通报，2006，37（2）：369-372.

[4]姚付启，蔡焕杰，李亚龙，等. 基于红边参数的冬小麦SPAD高光谱遥感监测[J]. 中国农村水利水电，2015（3）：84-87.

[5]Horler D H，Barber J，Barringer A R. Effects of heavy metals on the absorbance and reflectance spectra of plants[J]. International Journal of Remote Sensing，1980，1（2）：121-136.

[6]Strachan I B，Pattey E，Boisvert J B. Impact of nitrogen and environment conditions on corn as detected by hyperspectral reflectance[J]. Remote Sensing of Environment，2002，80（2）：213-224.

[7]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen statue in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[8]姚付啟，张振华，杨润亚，等. 基于红边参数的植被叶绿素含量高光谱估算模型[J]. 农业工程学报，2009，25（增刊2）：123-129.

[9]朱咏莉，李萍萍，毛罕平，等. 生菜叶片光谱红边参数对氮营养的响应特征分析[J]. 农业机械学报，2011，42（11）：174-177.[ZK）]

[10]张永贺，郭啸川，褚武道，等. 基于红边位置的木荷叶片叶绿素含量估测模型研究[J]. 红外与激光工程，2013，42（3）：798-804.[JP][ZK）][HT][HJ][FL）]