基于优化光谱指数的新疆春小麦冠层叶绿素含量估算

亚森江·喀哈尔，尼加提·卡斯木，尼格拉·塔什甫拉提，张 飞，茹克亚·萨吾提，阿不都艾尼·阿不里，师庆东,3，苏比努尔·居来提

(1.新疆大学资源与环境科学学院，新疆乌鲁木齐 830046; 2.新疆大学绿洲生态教育部重点实验室，新疆乌鲁木齐 830046; 3.新疆大学干旱生态环境研究所，新疆乌鲁木齐 830046)

叶绿素是植物光合作用过程中吸收光能的主要物质，其含量与光合能力和氮素状况有良好的相关性，已经成为评价作物生长发育和营养状况的一种重要指标[1-2]。抽穗期是春小麦生长发育的关键时期，对这一时期冠层叶绿素含量进行快速、准确监测对于春小麦田间管理非常重要。

利用高光谱遥感技术可以大尺度、高效率、低成本地监测作物冠层叶绿素含量[3]。Daughtry等[4]研究发现,作物冠层叶绿素含量对光谱红边位置敏感。Wu等[5]利用整合高光谱植被指数TCARI/OSAVI(R705,R750)和MCARI/OSAVI(R705,R750)预测冬小麦叶片叶绿素含量时，决定系数分别可以达到0.88和0.94，用Hyperion数据反演冠层叶绿素含量的精度分别为68%和76%。孟庆野等[6]在Prospect+SAIL模型的基础上对TCARI指数进行改进建立的MTCARI/OSAVI指数进一步减弱了土壤背景与LAI的影响，从而在植被冠层叶绿素含量的遥感模拟中取得良好的效果。潘 蓓等[7]利用高光谱植被指数CCI(D794/D763)构建的模型能较好地估测苹果冠层叶绿素含量。靳彦华等[8]应用多种高光谱植被指数对比分析水浇地和旱地春小麦不同生育时期冠层光谱及叶绿素含量的变化，并建立不同生态条件下春小麦冠层叶绿素含量的最佳估算模型。Sid’ko等[9]采用归一化植被指数制作试验田的冠层叶绿素含量反演图，最终找出不同小麦品种冠层叶绿素含量与产量之间的关系。上述报道主要从两方面开展了研究：一方面分析了叶绿素与光谱反射率之间的相关性，对各种光谱指数用于预测或模拟叶绿素含量的可行性与适宜性进行评估；另一方面则从敏感波段的甄选出发，构建基于特定光谱指数的叶绿素估算模型，并对其进行精度评价。但由于遥感反演精度仍较大程度地依赖于地区与环境差异，而且传统的一些高光谱植被指数易受田间管理、施肥、气候条件等多种因素的影响，存在较多的局限性，导致利用高光谱植被指数所建模型对不同条件下作物冠层叶绿素含量的预测能力存在很大的差异，精度也无法满足实际应用的需求。近期研究表明，通过对两两波段所有可能组合进行优化，得到的光谱指数优于前人用于预测植物参数的高光谱植被指数，而且优化光谱指数与植物生理参数之间相关性的二维可视化提供了对于敏感波段和光谱区域的清晰概述，利于在植物各种参数预测研究中确定最佳参数[10-15]。另外，有关多种优化光谱指数(RSIs、NDSIs、CIs和NPDIs)组合建模的研究也较少。基于此，本研究以新疆大学阜康实验基地的春小麦为研究对象，利用165个采样区的野外冠层高光谱数据，并结合实测春小麦抽穗期冠层叶绿素含量，尝试性地利用优化光谱指数进行偏最小二乘回归建模并验证模型精度，以期深度挖掘高光谱数据，从而进一步提高春小麦冠层叶绿素含量的高光谱估算精度，为高光谱传感器的设计、区域精准农业的发展提供科学支持与应用参考。

1 材料与方法

1.1 试验设计

本研究的春小麦小型试验田位于新疆大学阜康实验基地，其地理坐标87°34′5″～88°34′10″E，44°23′12″～44°23′15″N，地处天山东段(博格达山)北麓、准噶尔盆地南缘，位于冲洪积扇的上部，平均海拔577 m，属中温带大陆性干旱气候，冬季时间长，春秋季不明显，夏季酷热，昼夜温差大，年均气温6.7 ℃，年无霜期可达175 d，年均降水量205 mm，春夏降水量约占全年降水量的2/3。试验田播种春小麦总面积为150 m×150 m，品种为新春17号。试验田设置3个施肥梯度(过低、适中、过量)处理，以获得春小麦在不同营养状况下的数据。采样区以2 m×2 m为样方，共设置165个采样区。2017年6月4日进行采样，此时处于春小麦抽穗期早期。在该测量日，天空晴朗，无云无风，适合野外采集数据，并且春小麦叶片没有明显的天气因素造成的损害。

1.2 测定项目与方法

1.2.1 冠层叶绿素含量测定

在实验基地内的实验室中剪取新鲜叶片0.2 g，分别加入少量无水乙醇及石英砂和碳酸钙粉将其研磨成匀浆，至组织发白，过滤，25 mL定容，然后用UV2450-紫外可见分光光度计测量665和649 nm波长下的消光值，再依据公式计算叶绿素a、b的浓度值以及春小麦叶片单位质量叶绿素含量[16-17]。每个采样区使用五点取样法，其中每个采样点进行同植株倒一、倒二叶片各3次叶绿素含量测定，取五点算术平均值作为采样区冠层叶绿素含量值，并且通过试验田的11个横断面从165个采样区获得测量结果。将冠层叶绿素含量按从高到低的顺序进行排序，等间隔抽取99个建模集与66个验证集样本，由冠层叶绿素含量数据的主要描述性统计(表1)可知，数据离散程度不强，属于弱变异强度。

1.2.2 冠层高光谱反射率测定

使用美国ASD(analytical spectral devices)公司生产的FieldSpec3型光谱仪(波段范围350～2 500 nm)获得春小麦叶片的光谱反射率数据。光谱在350～1 000与1 000～2 500 nm区间的采样间隔分别为1.4与2 nm，重采样间隔为1 nm。实地测量是在当地时间上午10点到下午2点进行。在采样区进行测量时，光谱采样点与叶绿素含量采样点重合，每个活体样品由多个叶片组成，测量时探头的天顶角为15°，距植株叶片10 cm左右，重复测量10次，取光谱曲线的算术平均值作为该样区的冠层光谱反射率，每个采样区光谱测定之前均进行白板标定。

利用ViewSpec Pro软件导出高光谱数据。为减少噪声影响，将易受大气中水汽影响的噪声波段(1 800～2 000及1 350～1 500 nm)以及信噪比较低的边缘波段(350～399及2 401～2 500 nm)均剔除，同时考虑到数据连续性，本研究只对165个采样区的400～1 300 nm的反射光谱进行Savitzky-Golay滤波法平滑去噪处理。

表1 采样区春小麦冠层叶绿素含量统计特征Table 1 Statistical characteristics of the spring wheat canopy chlorophyll content in the sampling areas

1.3 数据分析与利用

1.3.1 优化光谱指数的选择

本研究根据前人研究成果，选择已定义的17种高光谱植被指数(表2)。考虑到这些指数的局限性，本研究又初步选择4种光谱指数在400～1 300 nm波段两两组合进行优化(表3)。

1.3.2 变量重要性准则

变量重要性准则由Wold[18]首先提出，以VIP值代表自变量对模型拟合的程度，VIP值小于1的自变量对因变量的贡献较小，可以考虑剔除。VIP值在XLSTAT 2015软件中计算，其计算公式如下：

其中，Wjf是j变量和f分量的权重值，SSYf是f分量和J个变量的方差的平方和，SSYtotal是解释因变量的总平方和，F是分量总数。

2 结果与分析

2.1 春小麦叶绿素含量与高光谱植被指数的相关性

春小麦冠层叶绿素含量与大多数高光谱植被指数相关性呈轻度相关(0.09≤|r|≤0.28)，与CRI1、OSAVI、CI和CRI2呈现中度相关(0.31≤|r|≤0.46)，其中与CRI1相关性最高(r=-0.46)(表4)。由此可见，这些高光谱植被指数与春小麦冠层叶绿素含量的相关性都相对较弱，不能满足估算春小麦冠层叶绿素含量的估测精度要求。

表2 本研究所用的高光谱植被指数Table 2 Previously published hyperspectral vegetation indices used in this study

表3 本研究选择的优化光谱指数Table 3 Optimized spectral indices selected in this study

R为原始光谱反射率，i与j为波长。

Ris the original spectral reflectance;iandjare wavelengths.

2.2 优化光谱指数与春小麦冠层叶绿素含量的相关性

在可见光范围内的400～700 nm之间波段组合的优化光谱指数与冠层叶绿素含量呈现较好的相关性，其中CIs、NDSIs、NPDIs与冠层叶绿素含量呈负相关，RSIs呈正相关(图1)。4种优化光谱指数均在对叶绿素具有强烈发射特性波段范围内的(R849，R850)表现强相关性， 最高均为0.702，且相关系数在的优化光谱指数最佳组合波段均在位于叶绿素强反射峰区的550 nm波长左右(表5)。优化光谱指数与冠层叶绿素含量之间的强相关性说明了其在抽穗期可用于春小麦冠层叶绿素含量监测。

表4 实测叶绿素含量与先前公布的高光谱植被指数的Pearson相关性Table 4 Pearson correlation of canopy chlorophyll content and previously published hyperspectral vegetation indices

**：P<0.01; *:P<0.05.

2.3 PLSR模型的建立与精度验证

PLSR是当前应用最为广泛的光谱建模方法。在各优化光谱指数中，将与冠层叶绿素含量相关性大于0.6的敏感波段组合指数输入到VIP准则，所有的敏感波段组合指数VIP值都大于1，而且(R849，R850)指数VIP值总是最大；在构建组合模型时，仅计算4个优化光谱指数中的最优指数VIP值，RSI(R849，R850)表现出最小的贡献率(图2)。

图1 优化光谱指数与春小麦冠层叶绿素含量的相关性(r)三维等高线图Fig.1 Three dimensional contour map of correlation(r) between uptimized spectral indices and canopy chlorophyll content of spring wheat

表5 优化光谱指数与冠层叶绿素含量的最高相关性(r)Table 5 Highest values of correlation(r) between optimum indices and canopy chlorophyll content

在选定上述有效指数后，将它们输入为PLSR模型的自变量，实测叶绿素含量输入为因变量，以此建立PLSR估算模型，并以决定系数(r2)和均方根误差(RMSE)作为评价模型精度的指标。本研究总共建立X-1、 X-2、X-3、X-4和X-5等5个偏最小二乘统计回归模型(表6)。基于4种优化光谱指数分别建立的独立模型X-1、X-2、X-3和X-4的建模精度都较高，其中X-3最好，其r2=0.67，RMSE=0.326 mg·g-1；在所有的5个模型中，建模精度最高的是结合4个优化光谱指数建立的组合模型，其r2=0.79，RMSE=0.275 mg·g-1。进一步验证发现，4个独立模型中依然是X-3模型预测能力最强(图3)，而组合模型能够实现最优融合，其预测精度较高，且偏差较小，说明利用优化光谱指数对春小麦冠层叶绿素含量进行估测是可行的。

图2 春小麦冠层叶绿素含量估测模型的VIP筛选Fig.2 VIP filter of RLSR model to estimate canopy chlorophy content of spring wheat

表6 春小麦冠层叶绿素含量预测模型Table 6 Models for prediction of canopy chlorophyll content of spring wheat

3 讨 论

连续的窄波段光谱包含更多植被信息，海量光谱数据的两波段优化算法能在二维层面上充分提取与叶绿素含量相关性最大的相关波段，在复杂的高光谱参数中达到快速寻优的效果，相比单波段(r≤0.28)具有更好的灵敏性，而且最佳波段组合结果也与Shibayama等[19]的研究结果一致。优化光谱指数相较于已有高光谱植被指数具有很大的优势，克服了一些传统高光谱植被指数可能存在的地域普适性差及不同生长状况下出现过饱和现象等缺点，4种优化光谱指数中CI的表现最佳，这些都表明用于光谱指数的波段组合和拟合算法都是影响模型预测能力的重要因素。另外，对比于独立模型，组合模型可以取得最佳的预测效果。这一方面可能是因为多个光谱指数结合在一定程度上可以充分利用各个光谱指数的特点，达到优势互补；另一方面也可能与本研究所使用的建模算法有关，因为当各变量内部高度线性相关时，用偏最小二乘回归法更有效。

本研究构建的模型基本能满足在干旱半干旱区实际应用的要求，为相关研究及区域精准农业提供科学支持与应用参考，这主要是由于本研究从以下几方面改善了叶绿素含量估算模型的实用性：(1)抽穗期是春小麦冠层叶绿素含量较高，光谱特征最为显著，最能反映春小麦生长状况的关键时期；(2)地表光谱包含的是混杂的复合信息，冠层光谱主要由植株生化组分、LAI、冠层结构、土壤背景等因素综合决定，野外冠层光谱更加接近于低空乃至航天高光谱遥感获取影像时的真实环境；(3)分光光度计实测叶片叶绿素含量较SPAD仪器测得的相对叶绿素含量而言测量结果更加精确，为模型的建立打下了坚实的数据基础；(4)使用的光谱指数优化方法有利于充分利用高光谱信息提高春小麦冠层叶绿素含量估算模型的精度。

本研究得到的优化光谱参数可为快速准确寻求卫星传感器中监测春小麦冠层叶绿素含量的最佳波段提供依据，如可选取MODIS的2(841～876 nm)、4(545～565 nm)或12(546～556 nm)通道达到在区域尺度上监测春小麦冠层叶绿素含量状况的目的。此外，波段的优化也可以为设计特定波段的主动传感器提供理论基础，进一步减少高光谱海量数据处理的工作量，为实现精准农业实时性的要求服务。最后，研究区虽然属于典型的干旱半干旱区，但是干旱半干旱区乃至中国具有区域异质性，而且春小麦在我国的种植范围广泛，种植品种繁多，这就会不可避免地导致本研究确定的春小麦冠层叶绿素含量反演优化光谱参数仍有一定的地域局限性，加之抽穗期只是春小麦生长期中较短的一段时期，优化光谱参数的时间普适性也有待完善。因此，比较光谱指数优化算法在不同地区、不同时期的最佳参数，以及在其他作物中的应用，都将是值得研究的方向。