基于高光谱的核桃-大豆复合系统大豆叶绿素估算研究

施光耀，王若伦，桑玉强，张劲松，孟平

(1.中国林业科学研究院林业研究所/国家林业局林木培育重点实验室,北京 100091;2.河南农业大学林学院,河南 郑州 450002)

农林复合系统在中国具有悠久的历史，是一种传统而高效的土地资源利用模式，旨在解决农林用地矛盾、改善生态环境，提升自然资源利用效率以及加快农业农村现代化[1-2]。本研究区位于华北低山丘陵区，果粮间作等农林复合模式是该区域工程建设的重要内容之一，也是中国林业生态工程建设的重点地域，开展基于高光谱信息的农林复合系统研究对于加快农业农村现代化、科技化发展具有积极的促进作用和广阔的应用前景[3-4]。植被叶绿素含量的传统测量方法过程繁琐且费时、费力，在应用推广上易受到一定限制[5]，快速监测植被色素含量的变化成为一个亟待解决的问题。目前，随着计算机核心技术的升级和高光谱技术的不断发展，基于特定光谱波段内连续获取高分辨率的地物光谱信息的高光谱设备，已经能够满足科研和实践中实时、无损、精准地监测植被生理生化信息的变化[6]，对植物生长状况的快速监测具有重要的应用价值[7]，能够服务于精准农林业，为其发展提供技术支撑。因此，高光谱技术的发展和应用，可为无损、快速监测农林复合系统中作物的生长状态提供可能。大豆(Glycinemax)是中国重要粮食作物之一，栽培历史悠久且种植面积辽阔[8]。华北低山丘陵区有大面积的核桃-大豆复合种植类型，是中国重要的粮食产区。在农林复合系统内，因太阳辐射和水分等生态要素分布的非均一性，与传统的大豆种植方式相比，其小气候条件发生了根本的变化，对于光照、水分以及养分等分配明显不同于大田种植，这就使得植被生长状态不一致。监测复合系统下不同区域植被的生长状况，对于植被生产力的评估和产量的预测具有重要的意义。因此，本研究通过构建大豆叶绿素含量反演的高光谱估算模型，能够实时地监测复合系统下大豆叶绿素含量的变化，对于大豆生长状态的反映具有重要科学意义与应用价值[9-12]。已有研究多集中在农业大规模的大豆集中种植[13-15]，因其下界面和冠层的均一，相较农林复合模式下易实现高光谱信息的反演，实现植被生理状态监测的目的。在农林复合系统中下界面复杂且因林冠层的存在而产生微气象效应，会导致林下作物叶片形态、生理特性以及光谱响应特征的变化，使得现有大豆叶绿素反演模型不适用。此外，以往的研究多集中在大豆叶绿素总含量的反演[16-18]，对于叶绿素A，叶绿素B含量的变化关注较少且含量监测鲜有报道，然而叶绿素A，叶绿素B在植物的生长发育过程中具有重要意义，其作用不容忽视。因此，本研究以华北低山丘陵区核桃-大豆农林复合系统为研究对象，基于高光谱快速无损检测技术提取大豆光谱信息，筛选大豆叶绿素含量变化的敏感光谱波段及区间，建立敏感波段为基础的光谱参数模型，以实现对复合模式下大豆叶片叶绿素A，叶绿素B以及叶绿素总含量的实时监测，为农林复合模式下大豆的精准、快速、无损监测提供理论基础。

1 材料与方法

1.1 试验地概况

试验地点位于河南省济源市标准化示范区内，基地占地150 hm2，土壤以褐色壤土为主，土壤厚度80 cm以上。该地区为典型低山丘陵区，年均降水量642 mm，降雨时间分配不均，多集中于夏季，7—9月降水可达全年降水量的68.3%。当地主要种植方式有核桃-大豆间作、核桃-冬凌草间作、核桃单作、大豆单作模式等，其中核桃-大豆间作为主要间作模式。本试验在2017年生长季进行，样地核桃树龄5 a，株行距为4 m×5 m，平均株高3.5 m，南北冠幅2.5 m，东西冠幅2.8 m，种植密度为546株·hm-2，林下大豆品种为荷豆19，种植日期为2017年8月中旬，生长周期约为3个月。

图1 大豆种植空间示意图Fig.1 Thespatial sketch map of soybean planting

1.2 试验方法

在核桃-大豆复合种植试验地选取3块4 m×5 m的样方，确保样方内大豆长势一致。在大豆不同的生长物候期(出芽期、展叶期、出枝期、开花期和结荚期)采集大豆第2分枝，采集完毕后快速将其装入保鲜袋并封口，置于盛有冰块的保鲜箱中，迅速带回实验室。选取采集的第2分枝上的长势一致的3片叶子，确保叶片完全展开、无明显病虫害等损伤，作为测试样品，同一植株上的3片叶子代表该植株叶绿素含量进行分析。

1.3 仪器设备

1.3.1 高光谱测定 叶片光谱测定采用高分辨率地物光谱仪(Field Spec 4.0 Hi-Res;Analytics Spectra Devices.,Inc;USA)。测量在一个控制光照条件的暗室内进行。使用脱脂棉对待测大豆叶片进行擦拭，保证表面无灰尘等颗粒物的阻碍。为提升高光谱信息反演精度，测量前使用标准反射白板进行光谱校正，利用光谱仪自带卤素灯作为试验光源，使用光谱植被光纤探头和叶片夹固定叶片，保证叶片的平整和探测面积的一致，进而消除叶片表面弯曲和背景反射等造成的光谱曲线波动影响。每个样本测定3次，每次采集5组数据，用平均值作为该样本叶片光谱反射值，测量时避开叶脉和叶柄。

1.3.2 叶绿素测定 叶绿素测定采用ARNON法[19]。大豆每片叶片打3孔，打孔器直径为1.5 cm，打孔取样时应尽量避开叶脉，将样品剪成细丝后混合匀称取质量，用20 mL质量分数为95%的乙醇避光浸泡48 h后，采用UV-2800紫外可见光光度计(Unico,Wisconsin,USA)测定叶绿素含量，测量波长为663和645 nm，设置3个重复。叶绿素含量的单位为mg·g-1。

1.4 数据处理

应用View Spec Pro 6.15、Excel 2010和Origin统计分析软件进行数据处理。

2 结果与分析

2.1 高光谱信息与叶绿素含量相关性分析

对大豆叶片光谱各个波段反射率与叶绿素含量的相关性分析表明，在535～570 nm波段和700～740 nm波段内具有较高的相关性(相关系数均达到0.651以上)且光谱吸收率较高，其中在波段706 nm处，相关系数达到0.684。在740～1 350 nm波段之间的光谱反射率存在显著正相关关系，整个近红外区域，相对系数变化较为平稳(图2)，光谱吸收率较低，对叶绿素反演的敏感性较差。本研究选取535～570 nm和700～740 nm波段作为建立大豆叶片叶绿素含量监测的敏感波段。

图2 大豆叶片光谱反射率及相关系数(出枝期)Fig.2 Spectral reflectance and correlation coefficient of soybean leaves(Branching period)

植物光谱反射率的一阶微分可以消除部分背景干扰影响，构建较高精度的参数估算模型[20-21]。通过分析反射率一阶微分曲线及其与大豆叶片叶绿素含量的相关关系(图3)，发现一阶微分曲线在可见光680～700 nm波段其值增长速度最快，且在700 nm波段处达到最大值，叶绿素含量与该波段原始光谱反射率的相关系数为-0.614，与其一阶微分的相关系数为0.731，相关性均较强。因此，将700 nm波段确定为样本叶片反射率的“红边”位置，同时根据反射率一阶微分曲线确定了“红边”上、下拐点分别为波段670 nm和波段800 nm以及波段567 nm处的“绿峰”。此外，相关系数曲线表明，在波段519，638，696，737 nm为一阶微分与叶绿素含量相关系数曲线的拐点，对应的相关系数分别为-0.784、0.729、-0.802、0.847(图3)，将这些波段的一阶微分值以及所在的小区间将作为敏感变量进行进一步分析。

2.2 大豆叶片高光谱参数与叶绿素含量的相关性

基于大豆叶片光谱信息，筛选出敏感波段535～570、700～740，519、638、696、737 nm波段处的一阶微分值，“红边”位置700 nm波段、“红边”上、下拐点670、800 nm波段以及红边斜率(Red-edge slope,Dr)，波段567 nm处的“绿峰”(Green emission,Rg)，计算得到了6类叶片色素含量相关的高光谱参数：一阶微分(R519′、R638′、R696′、R737′)，红边参数[22]：红边位置(Red edge position,λr)、红边斜率Dr、绿峰，比值植被指数(R800/R567[23]、R800/R670[24])，归一化植被指数(R800-R670)/(R800+R670)[24]，叶片叶绿素指数(R800-R700)/(R800-R670)[25]及叶绿素指数R567-R700/R700[26]。

对构建的各光谱参数与对应的大豆叶片色素含量进行相关分析，结果表明，建立的6种光谱参数与叶片叶绿素A、叶绿素B、总叶绿素含量之间均具有较好的相关性(P<0.01)，6种光谱参数均可用于核桃大豆复合系统中大豆叶片色素含量的监测。对比各参数发现，光谱参数R696′、R737′和叶片叶绿素指数R800～R700/R800～R670与叶片色素含量之间的相关关系明显优于其他光谱参数。本试验条件下，对大豆叶片色素含量的估测效果更佳。

表1 大豆叶片高光谱参数与叶绿素含量的相关系数(n=98)Table 1 Correlation coefficient of hyperspectral parameters and pigment content in soybean leaves (n=98)

2.3 估算模型的构建

基于最优原则选取了光谱参数R696′、R737′和叶片叶绿素指数R800～R700/R800～R670与ChlA、ChlB、ChlT分别进行回归分析，建立大豆叶片光谱参数与色素含量之间的线性、对数、二次多项式、幂函数、指数共5种监测模型。从构建的模型中，以决定系数(R2)最优原则，获得对不同类型色素含量的最佳反演模型。分析结果表明，R800/R550与ChlA、ChlT含量的关系以幂函数模型最佳；Dr与ChlA、Chl T以指数模型最佳；叶片叶绿素指数R850～R710/R850～R680与Chl A、Chl B和ChlT以幂函数模型最佳(表2)。

表2 大豆叶片色素含量与其光谱参数的回归模型(n=98)Table 2 Regression model of pigment content and spectral parameters of soybean leaves (n=98)

针对大豆叶绿素含量的估算效果表现来判断对叶绿素含量估测最佳的光谱参数(图4)。从表2可以看出，ChlA估算以一阶微分R737′表现最佳，决定系数(R2)为0.742，优于叶片叶绿素指数(R2为0.708)和一阶微分R696′(R2为0.656)；ChlB以一阶微分R737′表现最佳，决定系数(R2)分别为0.575，优于叶片叶绿素指数(R2为0.566)和一阶微分R696′(R2为0.521)；ChlT以一阶微分R737′表现最佳，决定系数(R2)分别为0.717，优于叶片叶绿素指数(R2为0.687)和一阶微分R696′(R2为0.637)。因此，ChlA、ChlB、ChlT估算均以一阶微分R737′模型最优，其估算模型分别为：y=717.89x+0.634，y=0.517ln(x)+3.735，y=877.18x+0.849。

图4 大豆叶片光谱参数的色素估算模型(n=98)Fig.4 A pigment monitoring model for spectral parameters of soybean leaves (n=98)

2.4 估算模型的检验

为了检验模型的稳定性和精度，利用大豆叶片的试验数据(n=28)，对建立的大豆叶片色素含量估算模型进行检验(如图5)。选取以R737′为参数建立的估算模型，计算得到大豆叶片各色素含量的估算值，并结合大豆叶片色素含量的实测值，分别对ChlA、ChlB、ChlT含量的估算结果进行检验。为评价叶绿素A、叶绿素B和叶绿素总含量的实测值与估算值之间的差异性，采用相关性分析与均方根差(RMSE)作为指标进行综合评定。ChlA、ChlB和ChlT的模型估算值与实测值之间的决定系数分别为0.856，0.838，0.853，均方根误差(RMSE)0.222，0.053，0.290，相对误差(RE)为0.089，0.092，0.092，估算值与实测值之间具有较小的差异性，因此，该光谱参数建立的模型能较好地估算大豆叶片色素含量，达到了监测农林复合系统中大豆叶绿素含量变化的需求。

3 结论与讨论

本研究选取的6类光谱参数均可用于叶片叶绿素含量的估算，其中光谱参数R696′、R737′和叶片叶绿素指数R800～R700/R800～R670与大豆叶绿素含量之间的相关性明显优于其他光谱参数。通过对各光谱参数建立回归模型估算各叶绿素含量，发现R696′模型与ChlA、Chl B和ChlT含量的关系以线性函数模型最佳；R737′模型与ChlA、ChlT含量以线性函数模型最佳，与ChlB含量以对数函数模型最佳；叶片叶绿素指数R800～R700/R800～R670与ChlA、Chl B和ChlT含量以指数函数模型最佳。在此基础上，以决定系数(R2)最大为优选原则，进一步筛选估算效果最佳的模型，结果表明，ChlA、ChlB和ChlT含量估算以R737′模型表现最优，估算模型分别为：y=717.89x+0.634、y=0.517ln(x)+3.735、y=877.18x+0.849。

为评价模型的估算效果，采用决定系数与相对误差(RE)进行综合评定。叶绿素A、叶绿素B和叶绿素总含量的估算值与实测值的决定系数分别为0.856，0.838，0.853，相对误差(RE)0.089，0.092，0.092，表明以R737′参数构建的估算模型能够较好地监测农林复合系统中大豆叶片叶绿素含量的变化。

本试验在华北低山丘陵区农林复合模式下，进行林下大豆叶片叶绿素含量的光谱参数估算。农林复合系统是山地传统的种植模式，环境条件存在差异[27]。农林复合模式下作物生长受到林下水、光、气、热的综合影响，反映其生理指标的光谱参数会发生变化[28]，不同农林复合系统中的作物叶片光谱信息也会产生较大差异[29]。相关研究表明，单波段反射率包含的光谱信息简单且易受背景噪声的扰动，对光谱信息基于微分变换、多波段组合等方法构建光谱参数，包含更多的波段信息，可以有效减少背景噪声的影响，显著提高植被生理生化参数的监测效果[30]。综合大豆叶片高光谱曲线特征、植被叶片叶绿素含量关系密切的可见光波段[31]、反映植被生长状况地敏感波段：植被光谱“红边位置”以及结合前人的研究经验[21,32-33]，本研究基于采集的大豆叶片试验数据计算得到了相关参数能够实现大豆叶片色素含量的反演。因此，基于叶片反射光谱信息，构建农林复合系统中大豆叶绿素含量的估算模型，对进一步评估农林复合系统生产力、指导农业经营管理，具有重要意义。本研究结果与前人研究结果对比发现[9,34]，本研究中，光谱信息在红光波段内的敏感波段后移，可能是因为受到林冠的遮挡，农林复合系统中光强的限制，导致大豆在光照不充足情况下光合作用受限，敏感波段后移以此获得更多的能量来补充光合作用。农林复合系统中，大豆光谱信息的绿峰位置较申晓慧等[35]研究的单作的大豆明显后移，可能是因为农林复合系统中大豆叶片叶绿素较单作大豆较低，导致光谱信息中绿峰幅值及位置的后移。汤旭光等[36]开展了基于高光谱技术的大豆叶片叶绿素含量估算研究，发现叶绿素含量与绿峰波段有关，二者呈现负相关关系。与王渊等[38]对油菜进行生理参数反演的结论相一致，采用一阶微分的方法消除背景噪音，能够有效地消除叶面积变化产生的影响，提高反演模型的精度[39]。本研究通过农林复合系统下构建的红边参数模型能够准确地反演大豆叶绿素含量变化，对叶绿素的含量监测具有很好的指导作用。HORLER等[40]对利用单一植被光谱所构建的叶绿素浓度反演模型进行了研究，发现光谱红边位置在指示植被叶绿素浓度方面具有重要作用，其波段的反射率与叶绿素浓度密切相关。CURRAN等[41]研究植物冠层总叶绿素含量变化，结果表明红边位置对总叶绿素含量变化十分敏感。姚付启等[42]研究指出，光谱曲线信息中的红边参数是植被生理指标反演的重要参数，其中红边位置与植物叶片叶绿素含量相关，红边斜率则主要与叶面积指数相关。因此，光谱曲线中红边参数的提取在植被生理生化参数反演的模型构建方面具有重要意义。