夏玉米叶片光合色素含量高光谱估算

落莉莉，常庆瑞，武旭梅，杨 景，李粉玲，王 琦

(西北农林科技大学资源环境学院，陕西 杨凌 712100)

高等植物叶片光合色素包括叶绿素(叶绿素a、叶绿素b)和类胡萝卜素。这些色素不仅可以吸收、传递和转换光能，还可以在光能过剩时保护光系统[1]。对植物叶片光合色素含量进行遥感估算，有助于合理指导田间施肥和产量预测。不同作物类型、不同色素含量的植物叶片对光的反射和吸收情况不同。高光谱遥感因其波段窄、分辨率高的优势，可以对植物光谱反射率的微弱差异进行定量分析[2]。所以，借助高光谱技术对植物光合色素含量进行遥感估算具有一定理论价值[3-4]。

目前，有关植物叶片光合色素含量高光谱估算的方法主要包括单变量回归[5-6]、多元逐步回归[7-8]和基于机器学习算法的回归分析[9-10]等。其中，随机森林方法(Random forest，RF)作为一种新型的机器学习算法，它通过对原始样本进行有放回抽样构建独立决策树进行分类，有效克服了单棵决策树泛化能力弱的缺点，具有良好的抗噪性能[11]，在小麦、水稻、苹果等植物的长势监测研究中得到广泛应用[12-16]。然而，该方法在植物光合色素含量特别是针对夏玉米叶片光合色素遥感定量估算方面的研究仍较少。因此，本文旨在探究一种夏玉米叶片光合色素含量遥感估算的方法与模型，以实现夏玉米叶片光合色素含量的快速、无损检测，为田间施肥指导和产量预测提供参考依据。

1 材料与方法

1.1 试验方案

试验于2016年7—10月在陕西省杨凌示范区西北农林科技大学教学试验农场(34.30°N,108.07°E)进行。供试玉米品种为大丰26号，分别进行氮、磷5个施肥水平处理：不施肥、50%标准施肥量、标准施肥量、150%标准施肥量、200%标准施肥量。其中，氮肥和磷肥标准施肥量分别为纯氮90 kg·hm-2和P2O560 kg·hm-2。每个施肥水平设置2个重复，共20个试验小区，小区面积为22 m2(4 m5.5 m)。所有肥料在播种时一次性施入，其它生产管理过程与当地常规生产方式相同。选择玉米关键生育期：拔节期、抽雄期、灌浆期和乳熟期，分别进行田间观测和样品采集。每个小区选取样本玉米2株，摘取其最上层三片成熟叶片装入塑封袋，带回实验室进行叶片光谱和光合色素含量同步测定。

1.2 叶片光谱反射率和色素含量测定

叶片光谱反射率采用美国SVC HR-1024I型光谱辐射仪测定。测定前先进行白板校正，再将叶片放入专用的手持光谱探测器，在叶子中间部位随机选取5个位置，每个位置测定2条光谱曲线，剔除异常曲线后取均值作为该样点玉米叶片的最终反射光谱。4个生育期共获得160条光谱曲线，从中随机选取107条用于回归模型构建，剩余53条用于模型精度检验。同时，避开光谱测定位置和叶脉位置，从叶片中部称取质量约为0.2 g的叶片样品，用浓度为95%的乙醇完全浸泡后采用分光光度计法进行光合色素含量测定。

一阶微分光谱能够有效削弱或消除土壤、水等背景因素对反射光谱的影响，提高有用光谱信息的提取。因此，本文对原始光谱进行一阶微分计算，具体公式如下：

式中，λi为第i波段的波长，R(λi)为波长λi对应的原始光谱反射率，R′(λi)为波长λi对应的一阶微分光谱。

1.3 光谱参数选择

光谱指数可以更全面地反映植物的生长信息[17]，红边参数与植物叶绿素含量及其浓度变化密切相关[18-19]。本文根据前人研究结果选取了与叶绿素 a、叶绿素 b、类胡萝卜素、总色素含量相关性较强的光谱指数和红边参数(统称为光谱参数，见表1)。由表1可知，所选光谱参数与光合色素具有良好的相关性，可用于光合色素含量估算。

1.4 数据处理与分析

在SVC HR-1024i软件中求取样点光谱曲线反射率均值，并对反射光谱进行重采样处理(采样间隔为1.0 nm)。在Matlab2016b软件中进行五点移动平均平滑(平滑次数设为5)，有效去除高频噪声影响[26]。用样本实测值和预测值线性拟合的决定系数(R2)、均方根误差(RMSE)和相对误差(RE)进行模型精度检验；根据R2最大、RMSE和RE最小原则确定最佳估算模型。

2 结果与分析

2.1 玉米叶片反射光谱特征

将样本玉米叶片按总色素含量等间隔分为3组：<1.45、1.45～ 2.15 mg·g-1和>2.15 mg·g-1。各组叶片的反射光谱曲线见图1。

由图1看出，当叶片总色素含量不同时，其反射光谱差异主要体现在可见光和近红外波段。(1)可见光范围(380～760 nm)内，在绿波段550 nm附近有一小的反射峰，两侧的红、蓝波段均出现吸收谷；随着总色素含量的增加，绿波段的反射峰愈加明显。这是因为该波段范围内，光谱反射率主要受色素含量的影响，色素含量越高，叶片对绿光的吸收越弱、反射越强。(2)近红外范围(760～1 000 nm)内，叶片整体反射率较高；光谱反射率随总色素含量的增加变化不大。这是因为该波段范围内，光谱反射率主要受叶片内部结构和水分含量的影响，受色素含量的影响相对较小。

表1 光谱参数选取及其与叶片光合色素含量的相关性分析Table 1 Spectral parameters selected and the correlation analysis of photosynthetic pigment

注：R为反射率，其下标数字为该反射率对应的波段(nm)；λ为波长；R(λ)为波长λ对应的反射率；R′(λ)为R(λ)的一阶微分；RDr为Dr对应反射率。**和*分别表示在0.01和0.05水平上显著相关，下同。

Note:Ris the spectral reflectance, and it’s subscript number is the band value(nm) of the reflectivity;λis wavelength;R(λ) is the reflectivity ofλ; andR′(λ) is the first derivative ofR(λ);RDris the reflectivity data ofDr. ** and * indicate the significant correlation at the level of 0.01 and 0.05, respectively，the same below.

图1 不同光合色素含量水平下的玉米叶片光谱特征Fig.1 The spectral characteristics of maize leaves having different photosynthetic pigments

在680～760 nm波段范围内，光谱反射率急剧上升，形成红边。对原始光谱求一阶微分得到红边特征，见图2。可以看出，玉米的红边特征存在明显的“多峰”现象，其峰值主要集中在700 nm附近。随着总色素含量的增加，红边位置由701 nm移动到704 nm和706 nm，表现出明显的“红移”现象，红边振幅和红边面积均增大。这是因为总色素含量越高，光合作用越强，叶片对长波光子的消耗也就越多[27]。

图2不同光合色素含量水平下的玉米叶片红边特征Fig.2 Red side characteristics of maize leaves having different photosynthetic pigments

2.2 基于光谱参数的叶片光合色素含量单变量回归模型构建

根据表1，分别选取与叶绿素a、叶绿素b、类胡萝卜素和总色素含量相关性较好的光谱参数PRVI(r=0.78)、PSSRc(r=-0.36)、PSSRc(r= 0.71)和Rch(r=-0.72)，对相应光合色素进行单变量回归分析，结果如表2。

单变量模型中，模拟效果最好的均为多项式模型，建模R2介于0.29～0.62之间，检验R2介于0.22～0.66之间。其中，模拟效果最好的为类胡萝卜素，叶绿素a和总色素含量次之，叶绿素b的模拟效果最差，但各模型的建模和验证R2均较低、RMSE较大，模拟效果较差。

2.3 基于光谱参数的叶片光合色素含量多元逐步回归模型构建

对表1列出的所有光谱参数与光合色素含量进行多元逐步回归分析(见表3)。模型的建模和检验R2介于0.57～ 0.79之间，与传统回归方法构建的单变量模型相比，各模型的精度均有所提高，提高幅度最大的为叶绿素b，总色素和叶绿素a次之，类胡萝卜素的精度提高较小。可见，单独的光谱参数并不能完整地反映植物的光谱信息，多元逐步回归方法通过对多个光谱参数进行线性组合，有效提高了模拟精度。

2.4 光合色素含量RF估算模型构建

为了进一步验证随机森林模型的预测精度，分别对叶绿素a、叶绿素b、类胡萝卜素和总色素含量进行随机森林回归分析。决策树变量确定为1 000，节点分割变量设置为3。

从光合色素的RF模型(表4)观察发现，所有模型的建模R2均超过了0.9，检验R2介于0.70 ～ 0.75之间，各模型的模拟效果均较好且模拟精度相差不大。与光合色素的单变量和多元逐步回归模型相比，RF模型精度均有所提高。模拟效果最好的为叶绿素a，类胡萝卜素和叶绿素b次之，总色素含量的模拟效果稍差。综合来看，基于随机森林建立的光合色素模型建模和检验R2均较高，且均达到0.01显著水平，RMSE和RE较小，模拟效果较好。

表2 基于光谱参数的叶片光合色素含量单变量回归模型

表3 基于光谱参数的叶片光合色素含量多元逐步回归模型

表4 玉米叶片光合色素RF回归模型

分别对各色素的检验样本实测值与RF模型预测值进行线性拟合(图3)。可以看出，当色素含量偏低时，随机森林模型预测值较实际值偏高；当色素含量偏高时，随机森林模型预测值较实测值偏低；只有当叶绿素a含量处于1.3 mg·g-1、叶绿素b含量处于0.57 mg·g-1、类胡萝卜素含量处于0.13 mg·g-1和总色素含量处于1.8 mg·g-1附近时，随机森林预测值和实际值相接近，预测结果较准确。这是由于当色素含量过低时，反射光谱对微小的色素差异不再敏感；色素含量过高时，吸收光谱又容易饱和；只有当色素含量处于一定范围内，反射光谱才会对光合色素含量较敏感，能够准确反映光合色素的含量。

图3 基于RF的光合色素实测值与预测值比较Fig.3 Measured photosynthetic pigments value versus predicted value based on random forest regression

3 讨论与结论

3.1 讨 论

植物的光合色素是表征其光合作用强度和潜在生产力的重要参数[28-29]。对不同色素分开研究有助于了解各色素的实际含量，更准确地掌握植物的营养状况[30]。高光谱技术能够快速、实时、无损地获取植物的反射光谱信息，为植物光合色素含量定量估算提供有效可行的方法。本研究分别构建了基于单变量、多元逐步回归和随机森林方法的遥感模型，得到的模拟效果差异明显。

(1)在单变量线性和非线性模型中，模拟效果最好的均为多项式模型，反映了光谱反射率和色素含量之间并非呈现简单的线性关系。所有模型的建模决定系数均达到0.01显著水平，检验决定系数除叶绿素b以外，也都达到0.01显著水平，但各模型的相对误差均较大，最大达到46.4%。

(2)多元逐步回归模型较单变量模型精度有所提高，提高幅度介于4.2%～40.90%之间。建模精度最高的是叶绿素b(R2=0.79)，检验精度最高的是叶绿素a(R2=0.68)。用敏感波段构建的植被指数进行光合色素模拟能够有效消除环境噪声的影响，但仍存在单一指数包含信息有限且容易出现饱和等缺点[31-33]。

(3)输入变量相同时，基于随机森林方法的估算模型较多元逐步回归模型精度明显提高；其中，叶绿素a的拟合效果最好，建模R2为0.93，检验R2为0.74，RMSE和RE均较小，其他色素的随机森林模型拟合效果也较好。这是因为随机森林算法中，产生决策树的训练样本和节点分裂时的最优属性都是随机的，可以有效提高分类精度[34]。此外，随机森林算法参数单一且不需要反复调参，更加增加了模型的稳定性和适用性。

3.2 结 论

本文以西北区夏玉米为研究对象，用敏感波段构建光谱指数，对夏玉米叶片光合色素含量进行基于单变量、多元逐步回归和随机森林算法的遥感模型构建，得到以下结论：

(1)不同总色素含量的玉米叶片，其反射光谱特征基本一致，随着总色素含量的增加，可见光范围内的光谱反射率逐渐增大，红边位置“红移”，近红外范围的光谱反射率变化不大。

(2)单变量模型中，各色素的多项式模型拟合效果均优于线性、指数、对数和幂函数模型，类胡萝卜素的多项式模型拟合精度最高。

(3)多元逐步回归方法尽管克服了变量单一的缺点，但由于所构建的模型仍然是线性的，在很大程度上限制了模型的精度。

(4)随机森林模型较单变量模型和多元逐步回归模型精度有显著提高，在夏玉米叶片光合色素含量研究中具有显著优越性，有较强的农业推广应用价值。