区域尺度冬小麦叶绿素含量的高光谱预测和空间变异研究

郭 燕，程永政，黎世民，贺 佳，王来刚，刘 婷，王利军，郑国清

(河南省农业科学院农业经济与信息研究所,河南郑州 450002)



区域尺度冬小麦叶绿素含量的高光谱预测和空间变异研究

郭 燕，程永政，黎世民，贺 佳，王来刚，刘 婷，王利军，郑国清

(河南省农业科学院农业经济与信息研究所,河南郑州 450002)

为从区域尺度探讨小麦SPAD的近地高光谱遥感监测技术，采用ASDField Spec 3.0型便携式高光谱仪获取的冬小麦冠层高光谱数据，利用相关分析和偏最小二乘法(PLSR)对SPAD进行建模预测，并采用地统计学方法进行空间变异制图。结果表明，冬小麦叶片SPAD值在不同生长阶段存在一定的差异，但在不同区域之间差异不显著。基于PLSR建立模型，并利用原始光谱和二阶导数光谱进行预测，R2分别为0.653和0.995，均方根误差分别为2.622和0.327，相对析误差分别为1.549和13.66。综合来看，二阶导数光谱所建立的模型预测能力比原始光谱好。选择拔节期和成熟期进行区域化表达，与实测得到的SPAD空间分布图相比，采用全光谱数据和二阶导数光谱数据预测的SPAD均表现出了较高的空间相似性，其中二阶导数接近实测值。

冬小麦；叶绿素；高光谱；空间变异

叶绿素含量是反映植被光合能力强弱和衰老进程的重要指标[1-3]。传统的叶绿素含量检测方法一般基于破坏性取样和有机溶剂提取湿化学分析方法[4]，难以满足实时、快速、无损、准确诊断的要求，也不符合精准农业的需要。近年来，随着近地遥感技术的发展，通过获取近地地物的高光谱，可以直接对地物进行光谱差异的定量分析，在作物叶绿素含量、叶片营养元素、叶面积指数等生理生态参数的估算研究中表现出较为明显的优势[3,5-7]。

在叶绿素含量的预测、反演方面，利用地面冠层高光谱估测作物叶绿素含量(soil and plant analyzer development，SPAD)已经成为一种重要手段。20世纪70年代，Thomas等[8]利用光谱分析技术对甜椒叶片的含氮量进行了检测，证明了光谱技术检测植物氮素含量的可行性。随后，国内外许多学者在此方面进行了相关的研究分析。吴长山等[9]、胡 昊等[10]、Delegido等[3]研究发现，水稻、玉米、大麦等作物冠层光谱反射率在可见光波段及红边位置与叶片叶绿素浓度和叶绿素密度都存在较好的相关性。在研究方法上，Horler等[11]研究了植被光谱与叶绿素浓度的关系，并提出了光谱“红边”位置在植被叶绿素浓度估计中的作用。赵 祥等[12]应用偏最小二乘回归方法，建立了冬小麦冠层波谱与叶绿素含量的回归反演计算模型，模型在350～1 060 nm波段具有较高的反演精度。冯 伟等[13]建立的归一化植被指数能够准确估算冬小麦冠层叶绿素浓度。以上这些研究主要是通过小区试验或者是在特定的区域内，利用高光谱遥感技术进行叶绿素含量反演或估算，而针对区域尺度SPAD的高光谱遥感估算的研究较少。由于不同的生态环境植被SPAD对高光谱的敏感波段不尽相同，建立的模型在不同区域环境的适应性也不同，因此开展区域尺度的基于高光谱遥感估算植被SPAD的研究具有重要意义。

鉴于此，本研究选取黄淮地区为研究区，以冬小麦为研究对象，分析了冬小麦冠层反射光谱与SPAD之间的定量关系，采用全波段数据构建区域尺度冬小麦SPAD最佳估算模型，并进行区域尺度SPAD的空间变异制图，以期为冬小麦大田生长状况的适时动态监测提供参考。

1 材料与方法

1.1 研究区

研究区位于河南省中部许昌市(图1)，属黄河泛滥和双洎河冲积而成的冲积平原，地形以平原为主，属亚温带季风性气候，四季分明；其气候特点是春季干旱多风，夏季炎热雨量集中，秋季晴朗清爽，冬季寒冷干燥。许昌市常年小麦种植面积在20万hm2以上，是河南省粮食主产区之一，也是国家农业信息化首批试点城市。考虑到样点的空间代表性和均匀性，在许昌县、鄢陵县、禹州市、襄城县、长葛市5市/县布设22个观测样点，在小麦的生育期进行了4次观测和生长情况的记录。

1.2 数据采集

1.2.1 高光谱数据采集及预处理

在冬小麦生长的关键时期(拔节期、孕穗期、灌浆期和成熟期)，采用ASD Field Spec 3.0型便携式高光谱仪测量冬小麦冠层光谱反射率，仪器视场角为25°，波段范围为325～1 075 nm。所有光谱测量均在天气晴朗、无风或者风速较小时进行，测量时间为10:00-14:00，每次测量时需用白色标准版校准1次，探头垂直向下，探头距冠层的垂直高度约30 cm。每个样区测定3个样点，每点重复10次，取平均值作为该小区小麦的冠层光谱。由于在采样期受到天气条件的影响，22个样区共获取有效光谱77条。

每个样品的光谱曲线首先去除噪声较大的边缘波段(325～349 nm和1 000～1 075 nm)，然后采用Savitzky-Golay法进行光谱平滑并进行散射校正，随后对光谱进行二阶微分求导，具体过程由the Unscrambler X10.1和R软件实现。

图1 研究区中的采样点Fig.1 Sampling locations of study area

1.2.2 叶绿素含量测定

采用SPAD-502仪器通过测量叶片对两个波段650 nm和940 nm的吸收率，来评估当前叶片中的叶绿素相对含量或“绿色程度”。Marenco等[14]研究发现，SPAD-502测量叶绿素含量的精度很高，几乎跟化学实验测得的叶绿素结果一样。因此，可以利用SPAD值作为衡量叶绿素含量的指标。在每个生育期进行冠层光谱采集的同时，在每个子样点附近1 m范围内随机选择10株冬小麦，用SPAD-502在所测光谱位点测定10个功能叶(倒二叶)的SPAD值，为保证两种数据的精确对应，每片叶从叶尖到叶鞘均匀测定9点，避开叶脉干扰，取平均值作为该叶片的SPAD值。

1.3 数据分析

1.3.1 偏最小二乘回归

目前，在探索建立SPAD与高光谱之间的关系模型中，最常用的是一些线性模型，如多元逐步线性回归(MSLR)、偏最小二乘回归(PLSR)、主成分回归(PCA)等。其中PLSR兼具有多元线性回归、典型相关分析和主成分分析的思想，实现了数据结构的简化，不但可以解决自变量之间多重相关的问题，同时又克服了主成分分析对自变量解释能力较强，但对因变量解释能力较弱的缺点，适合于光谱分析这种自变量较多的情况[15]。模型采用留一法交叉验证(Leave-One-Out)[16]。PLSR建模在光谱处理软件The Unscrambler X 10.1中实现。

模型的评价参数主要用决定系数(R2)、均方根误差(RMSE)、标准预测误差(SEP)、相对分析误差(RPD= SEP/ RMSE)。其中R2和RPD越大，预测效果越好。另外，当RPD>2时说明模型具有极好的预测能力，当1.4

1.3.2 空间插值SPAD预测制图

目前，区域化的方法主要是采用地统计学中的空间插值法进行由点到面的延伸。现代地统计自20世纪50年代首次被应用于矿藏勘探工作中，目前已经广泛应用于空间域和时空域自然变量的定量化研究，如空间变异和结构分析、空间预测等众多领域[18]。本研究利用空间逆距离插值法对SPAD进行区域化预测分析。其公式为：

其中Z*(x0)是待估点x0处的估计值，Z(xi)是实测值，λi是分配给每个实测值的权重，且∑λi=1。n是参与x0点估值的实测值的数目。

本过程用ArcGIS10.1软件进行。

2 结果与分析

2.1 不同生长阶段冬小麦叶绿素含量的变化

从测定结果(表1)看，从拔节期到成熟期，小麦叶绿素含量(SPAD值)呈先增后减的趋势，其中孕穗期的SPAD值最大(57.77)。标准差、标准误差和变异系数从拔节期到灌浆期均呈减小的趋势，到成熟期增大，这可能与随着冬小麦的成熟，叶片变黄，叶绿素逐渐分解，导致冬小麦光谱信息逐渐不明显有关。进一步采用Tukey-Kramer方法进行均值比较，孕穗期与灌浆期间及拔节期与成熟期间SPAD值的差异不显著，其余时期间差异均显著(图2)。

2.2 不同地点冬小麦叶绿素含量的差异

在冬小麦生长的不同时期，禹州市、襄城县、许昌县、长葛市和鄢陵5个区域的SPAD值表现各异(表2)。在拔节期，长葛市SPAD值的变异系数最大(14.52%)，襄城县最小(0.16%)；在孕穗期，鄢陵县SPAD值的变异系数最大(9.89%)，长葛市最小(3.09%)；在灌浆期，禹州市SPAD值的变异系数最大(6.73%)，襄城县最小(2.34%)；在成熟期，禹州市的SPAD值的变异系数最大(3.84%)，许昌县最小(1.32%)。综观整个生长期，同一区域SPAD值的变异系数随着生育期的推进，呈现出逐渐减小的趋势，而且生育后期的变异系数趋于稳定，最终基本上维持在2.0%左右。同时采用Tukey-Kramer法对各生育时期不同地点间95%的置信区间SPAD值的均值差分进行了比较，结果表明，不同地点之间差异不显著(图2)。

表1 不同生长阶段冬小麦叶绿素含量(SPAD值)的统计特征Table 1 SAPD value statistics at different growth stages of wheat

平均值后的字母a、b表示在0.05水平上差异显著(Tukey-Kramer法一尾分析)。
Letters a and b following the mean of SPAD indicate significant difference among the stages at 0.05 level by Tukey-Kramer method with one-way ANOVA analysis.

表2 不同地点冬小麦SPAD值的统计分析Table 2 SPAD value statistics of wheat at different regions

图中字母a～e分别代表禹州市、襄城县、许昌县、长葛市和鄢陵县。如果区间包含有0值，则表示地点间存在显著差异。
The letters a,b,c,d and e in the figure represent Yuzhou city,Xiangcheng county,Xuchang county,Changge city and Yanling county,respectively. The interval involving 0 means significant difference between the sites.
图2 不同地点冬小麦SPAD含量Tukey同时95%的置信区间SPAD的均值差分对比分析
Fig.2 One-way Anova analysis of SPAD at the five regions

2.3 冬小麦的冠层光谱特征

从冬小麦四个时期的光谱特征曲线(图3)看，在可见光波段(350～680 nm)，孕穗期的光谱反射率最低，拔节期的较高。在近红外光波段(680～1 100 nm)，孕穗期的光谱反射率最高，成熟期的较低，说明在孕穗期，对可见光波段吸收多，叶片光合作用强。

将冬小麦冠层光谱原始反射率及其二阶导数微分反射率分别与叶片SPAD值进行Pearson相关分析，结果(图4)表明，原始光谱在可见光波段(350～760 nm)与SPAD值呈负相关；在“红边”处(760 nm附近)相关系数迅速变为0，在“红边”肩部达到最大值；二阶导数微分光谱与SPAD值之间的相关系数在一些波段处高于原始光谱与SPAD值的相关系数，这是由于求导过程去除了土壤背景对原始光谱的影响。

图3 四个时期的光谱反射特征曲线Fig.3 Reflectance spectral at the four growth stages

图4 光谱与SPAD值的相关系数Fig.4 Coefficient of correlation between SPAD and reflectance and second derivative reflectance

2.4 SPAD预测模型的评估

采用PLSR构建的模型，进行小麦SPAD预测，其中采用原始光谱预测的R2为0.653，采用二阶导数光谱预测的R2为0.995(图5)。从预测误差看，原始光谱的RMSE和RPD值分别为2.622和1.549，二阶导数光谱的RMSE和RPD分别为0.327和13.66。综合上述3个指标来看，利用二阶导数建立的预测模型具有较好的预测能力。

图5 SPAD预测结果Fig.5 Predicted SPAD by reflectance and second derivative reflectance with PLSR

2.5 区域尺度SPAD空间变异分析

采用地统计学中的空间插值方法，选择冬小麦拔节期和成熟期的SPAD值进行区域尺度叶绿素含量的预测变异分析。与实测得到的SPAD空间分布图相比，采用原始光谱数据和二阶导数光谱数据预测的SPAD值均表现出了较高的空间相似性(图6)。相关分析表明，拔节期和成熟期实测值与原始光谱预测值的空间相关系数分别为0.76和0.83，与二阶导数光谱预测值的空间相关系数分别为0.99和0.98。这说明，利用二阶导数光谱得到的空间分布与实测结果更为接近。从区域上可以看出，成熟期的SPAD值在区域上低于拔节期，这与2.1和2.2部分不同生长阶段和不同县市统计分析出的结果相一致。说明在区域尺度上光谱测量手段是可以被用来实时快速地获取SPAD空间分布信息。

3 讨 论

近地高光谱遥感技术的迅速发展为利用定量遥感方法获取农作物生理生化参数提供了更精细的数据来源，选择合适的波段与处理方法可有效提取这些生理生化参数，相比传统的测试方法可以节省人力、物力和财力。SPAD值是反映作物光合作用强弱、长势好坏的重要参量，目前很多学者已经开展了利用光谱估算叶绿素含量的研究，但模型预测精度和稳定性依然存在矛盾[9-10,19-21]。目前，还有国内外许多学者一直致力寻找对植被叶绿素较敏感的波段建立模型[19-20]。这些已有的研究主要是针对某一类作物或者是区域范围利用高光谱遥感技术进行叶绿素含量反演或估算。由于不同地区、不同环境的植被SPAD值对高光谱的敏感波段不尽相同，植被指数在不同区域环境的适应性也不同，因而开展区域尺度范围内SPAD值估测对了解作物长势、产量预测等具有重要意义。本研究基于地统计学中属性均具有空间相关性的特点，通过空间插值技术，将获取的点数据推演到面上，进行SPAD值空间变异性的区域范围的图形化表达，以提供给政府决策部门和农民最为直观的信息。

本研究针对反射波谱数据，从全光谱波段角度，采用PLSR对冬小麦叶绿素含量进行不同时期的研究分析，探索建立一个统一的预测模型。在本研究中采用原始光谱预测SPAD值的能力较二阶导数光谱差。根据Chang等[17]的研究，当RPD大于2的时候，预测模型具有极好的预测能力。综合R2、RMSE和RPD来看，采用二阶导数光谱对SPAD值可以达到较好的预测效果。在后续的研究中，我们将会对试验进一步完善，对研究结果是否能代表北方冬小麦的特征，能否正确用于域范围内的估算将作进一步验证。

图6 区域尺度上冬小麦SPAD的空间分布Fig.6 Distribution of SPAD in regional area

[1]LI R H,GUO P G,MICHAEL B,etal.Evaluation of chlorophyll content and fluorescence parameters as indicators of drought tolerance in barley [J].AgriculturalSciencesinChina,2006,10(5):751.

[2]谭昌伟,周清波,齐 腊,等.水稻氮素营养高光谱遥感诊断模型[J].应用生态学报,2008,19(6):1261.

TAN C W,ZHOU Q B,QI L,etal.Hyperspectral remote sensing diagnosis models of rice plant nitrogen nutritional status [J].ChineseJournalofAppliedEcology,2008,19(6):1261.

[3]CROFT H,CHEN J M,ZHANG Y.The applicability of empirical vegetation indices for determining leaf chlorophyll content over different leaf and canopy structures [J].EcologicalComplexity,2014,17:119.

[3]DELEGIDO J,VAN WITTENBERGHE S,etal.Chlorophyll content mapping of urban vegetation in the city of Valencia based on the hyperspectral NAOC index [J].EcologicalIndicators,2014,40:34.

[4]LICHTENTHALER H K.Chlorophylls and carotenoids:pigments of photosynthetic biomembranes [J].MethodsinEnzymology,1987,148:350.

[5]罗 丹,常庆瑞,齐雁冰,等.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究[J].麦类作物学报,2016,36(9):1225.

LUO D,CHANG Q R,QI Y B,etal.Estimation model for chlorophyll contentin winter wheat canopy based on spectral indices [J].JournalofTriticeaeCrops,2016,36(9):1225.

[6]张 浩,胡 昊,陈 义,等.水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型[J].核农学报,2012,26(1):135.

ZHANG H,HU H,CHEN Y,etal.Estimating nitrogen of rice leaf and protein of rice seed based on hyperspectral data [J].JournalofNuclearAgriculturalSciences,2012,26(1):135.

[7]MAHAJAN G R,SAHOO R N,PANDEY R N,etal.Using hyperspectral remote sensing techniques to monitor nitrogen,phosphorus,sulphur and potassium in wheat (TriticumaestivumL.) [J].PrecisionAgriculture,2014,15:499.

[8]THOMAS J R,OERTHER G F.Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J].AgronomyJournal,1972,64(1):11.

[9]吴长山,项月琴,郑兰芬,等.利用高光谱数据对作物群体叶绿素密度估算的研究[J].遥感学报,2000,4(3):228.

WU C S,XIANG Y Q,ZHENG F L,etal.Estimating chlorophyll density of crop canopies by using hyperspectral data [J].JournalofRemoteSensing,2000,4(3):228.

[10]胡 昊,白由路,杨丽苹,等.基于SPAD-502与GreenSeeker的冬小麦氮营养诊断研究 [J].中国农业生态学报,2010,18(4):748.

HU H,BAI Y L,YANG L P,etal.Diagnosis of nitrogen nutrition in winter wheat(Triticumaestivum) via SPAD-502 and GreenSeeker [J].ChineseJournalofEco-Agriculture,2010,18(4):748.

[11]HORLER D N H,DOCKRAY M,BARBER J.The red-edge of plant leaf reflectance [J].InternationalJournalofRemoteSensing,1983,4(4):273.

[12]赵 祥,刘素红,王培娟,等.基于高光谱数据的小麦叶绿素含量反演[J].地理与地理信息科学,2004,20(3):36.

ZHAO X,LIU S H,WANG P J,etal.A Method for inverting chlorophyll content of wheat using hyperspectral [J].GeographyandGeo-InformationScience,2004,20(3):36.

[13]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.

FENG W,ZHU Y,TIAN Y C,etal.Monitoring canopy leaf pigment density in wheat with hyperspectral remote sensing [J].ActaEcologicalSinica,2008,28(10):4902.

[14]MARENCO R A,ANTEZANA-VERA S A,NASCIMENTO H C S.Relationship between specific leaf area,leaf thickness,leaf water content and SPAD-502 readings in six Amazonian tree species [J].Photosynthetica,2009,47(2):184.

[15]WILLIAMS P C,NORRIS K H.Qualitative applications of near-infrared reflectance spectroscopy//WILLIAMS P C,NORRIS K H(eds).Near Infrared Technology in the Agricultural and Food Industries [M].American Association of Cereal Chemists,St.Paul,MN,1987:241.

[16]EFRON B,TIBSHIRANI R.Improvements on cross-validation:the 632+ bootstrap method [J].JournaloftheAmericanStatisticalAssociation,1997,92(438):548.

[17]CHANG C W,LAIRD D,MAUSBACH M,etal.Near infrared reflectance spectroscopy principal components regression analyses of soil properties [J].SoilScienceSocietyofAmericaJournal,2001,65:480.

[18]史 舟,李 艳.地统计学在土壤学中的应用[M].北京:中国农业出版社,2006:33.

SHI Z,LI Y.Geostatistics and its application in soil science [M].Beijing:China Agriculture Press,2006:33.

[19]ZARCO-TEJADA P J,MILLER J R,MORALES A,etal.Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops [J].RemoteSensingofEnvironment,2004,90(4):463.

[20]杨海清,姚建松,何 勇.基于反射光谱技术的植物叶片SPAD值预测建模方法研究[J].光谱学与光谱分析,2009,29(6):1607.

YANG H Q,YAO J S,HE Y.SPAD predication of leave based on reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2009,29(6):1607.

[21]姜海玲,杨 杭,陈小平,等.利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J].光谱学与光谱分析,2015,35(4):975.

JIANG H L,YANG H,CHEN X P,etal.Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J].SpectroscopyandSpectralAnalysis,2015,35(4):975.

Hyperspectral-Based Estimation and Spatial Variability of Chlorophyll Content of Winter Wheat in Regional Scale

GUO Yan,CHENG Yongzheng,LI Shimin,HE Jia,WANG Laigang,LIU ting,WANG Lijun,ZHENG Guoqing

(Institute of Agricultural Economics and Information,Henan Academy of Agricultural Sciences,Zhengzhou,Henan 450002，China)

Proximal sensing technology has been developed as a useful tool for rapid and economic predictions of many crop physiological and biochemical parameters. Over the past two decades,development of robust and widely applicable visible near-infrared (vis-NIR) diffuse reflectance spectroscopy (DRS) models with an acceptable level of accuracy is an ongoing task. Vegetation SPAD (Soil and Plant Analyzer Development) is one of the most important agronomic parameters (eg. chlorophyll content) for assessing vegetation growth status and health condition. In the present study,the winter wheat canopy hyperspectrum obtained from handheld ASD Field Spec 3.0 were employed to establish the relationships and predication models to assess SPAD content with correlation analysis and partial least squares regression (PLSR) method,and then spatial variability of SPAD in regional scale was characterize by geostatistal analysis method. The result showed that significant differences existed among the four growth stages of elongation,booting,filling and maturation using one-way ANOVA with Tukey-Kramer comparison method at 0.05 level,but there was no significance among the five regions (Yuzhou city,Xiangcheng county,Xuchang county,Changge city and Yanling county). Based on PLSR models,predication by original reflectanceR2= 0.653 was smaller than that by second derivative spectral (R2= 0.995),with RMSE of 2.622 and 0.327,respectively. Moreover,RPD of the latter was larger (13.66) than that of the former (1.549). Comprehensive consideration ofR2,RMSE and RPD,model built with the second derivative spectral has better ability to estimate SPAD. Regionalization expression at jointing stage and mature stage showed high spatial similarity for reflectance and the second derivative spectra compared with the measured SPAD. It can be concluded that this method can be extended to determine the physiological and biochemical parameters of winter wheat as well as other crops,with high practical value.

Winter wheat; SPAD; Chlorophyll; Hyperspectral spectral; Spatial variability

时间：2017-07-07

网络出版地址：http://kns.cnki.net/kcms/detail/61.1359.S.20170707.1816.030.html

2016-12-20

2017-02-07

国家自然科学基金项目(41601213)；高分辨率对地观测系统重大专项(09-Y30B03-9001-13/15)；河南省科技攻关重点项目(172102110090)；河南省农业科学院优秀青年基金项目(2016YQ21)

E-mail：10914063@zju.edu.cn

S512.1；S314

A

1009-1041(2017)07-0970-08