基于高光谱的棉花叶片磷含量估测模型

马元花，印彩霞，王红玉，刘宇轩，刘前通，张 泽

（1石河子大学农学院/新疆生产建设兵团绿洲生态农业重点实验室，新疆石河子 832000；2西北农林科技大学农学院，陕西杨凌 712100）

0 引言

磷作为植物必需的大量元素之一，参与植物的光合作用、呼吸作用和能量代谢等各种生理过程[1]，对棉花的产量提升和品质有一定影响，精准监测植物吸收磷肥情况对作物健康生长和磷肥施用至关重要。目前，马铃薯、大豆和禾谷类等作物在磷肥利用方面已做了大量的工作[2-4]，但在磷营养精准监测方面还有待进一步研究。化学检测植物磷含量的精度较高，但存在费时、费力、成本高等缺点。光谱技术在作物农情信息监测中已经发展得较为成熟[5-7]，特别是叶绿素、氮素等营养监测技术愈加成熟。孙红等[8]利用随机蛙跳结合偏最小二乘的方法(random frog-partial least square，RF-PLS)计算了马铃薯叶片各像素点的叶绿素含量，实现了马铃薯叶片叶绿素的无损监测。裴浩杰等[9]提出原始光谱构建的多元线性回归(multiple linear regression，MLR)模型能够较精确地监测苹果叶片叶绿素含量，其中相关性较好的波段为554、708、995 nm。李美清等[10]采用最小二乘支持向量机(least squares-support vector machine，LS-SVM)将番茄的生理特征与光谱特征相结合进行磷含量预测，决定系数(coefficient of determination，R2)达 0.96。刘红玉等[11]借助图像纹理特征进行磷含量监测，提出偏最小二乘回归模型监测效果最佳。梁颖等[12]发现蓝紫光能够增强植株体内的渗透调节物质从而增强对低磷的适应能力。师祖姣等[13]发现植株的磷含量与冬小麦的归一化植被指数(normalized vegetation index，NDVI)相关性较差，但可见光和近红外波段的冠层光谱与冬小麦磷含量具有显著关系，R2达0.6～0.87。毕银丽等[14]发现，在低磷胁迫下玉米冠层光谱发生显著变化。不同磷肥处理下光谱反射率具有较大差异且在可见光和近红外波段差异较显著[15-17]。王磊等[18]发现，可见光组成的光谱变量与磷的回归关系要优于近红外区域，叶片在可见光波段的光谱指数更适合春玉米磷含量监测。任红艳等[19]发现，在可见光波段，随着磷含量的增加反射率降低，而在近红外处，光谱反射率随磷含量的增高而增高，这与氮素对小麦冠层光谱的响应特征相似。

综上所述，很多学者利用光谱技术开展了作物营养元素的监测与反演，但大多研究重点围绕氮的光谱监测，对于影响作物抗性、品质等方面的磷元素则缺少一定的研究。笔者以棉花不同叶位叶片为研究对象，通过研究光谱参数与叶绿素、磷含量的关系，明确光谱反射率对棉花叶片磷含量的响应特征，以期构建基于高光谱的棉花叶片磷含量反演模型，探索棉花磷含量的快速无损监测方法。

1 材料与方法

1.1 试验设计

以‘新陆早50号’（株型紧凑，叶色深绿）为材料，于2019年4月在新疆维吾尔自治区石河子市石河子大学农学院试验站开展试验。盆栽容器规格口径27 cm、高36 cm、底部直径25.5 cm，棉花生长土壤统一采用营养土，pH 5.2～6.8，含泥炭土、草灰、椰壳粉、蛭石、谷壳粉、珍珠岩及有机质肥料，每盆装土14 L。盆栽试验采用Hoagland营养液配方（表1），通过NH4H2PO4用量来控制磷肥梯度，设置5个磷肥处理，分别标记为P1、P2、P3、P4、P5，对应的 NH4H2PO4的母液浓度分别为 17.26、69.05、115.08、172.62、230.16 g/L，每个处理种植30盆，共种植150盆。每盆3株，株距、盆距各为10 cm，根据棉花在各生育阶段的需水需肥规律，每10天施一次营养液。

表1 培养植物的改良Hoagland营养液的组成

大田试验通过施重过磷酸钙调节土壤有效磷含量，设5个施磷量，分别为150、225、300、375、450 kg/hm2。氮钾肥施肥量为硫酸铵675 kg/hm2，硫酸钾300 kg/hm2。

1.2 叶绿素含量和叶片磷含量的测定

盆栽试验分别在棉花播种后第52、75、100、108、119、138天，测定棉株主茎的倒一叶(L1)、倒二叶(L2)、倒三叶(L3)和倒四叶(L4)的叶绿素含量。每次采样分别从每个处理中选取1盆，每盆3株，共计15株。大田试验分别在棉花播种后的第52、78、100、110、131天对棉花整株所有叶片采样。采样后用保鲜袋迅速冷藏封存。测定叶绿素含量时，从叶片正中取主叶脉两边对称部位的叶片0.10～0.14 g，剪碎塞入刻度试管，加入混合提取液（无水乙醇和丙酮1:1混合液）50 mL，室温下遮光直至叶片完全发白，用紫外可见分光光度计U2800分别测定645、663 nm处吸光度，计算叶绿素含量[式(2)]。剩余叶片按叶位进行分样，后在烘箱105℃杀青30 min，80℃烘干至恒重，称重后粉碎，经H2SO4-H2O2法消煮后采用钼蓝比色法，用紫外分光光度计在波长490 nm处测定吸光度值，计算叶片磷含量[式(3)]。

式中，A645和A663分别指波长在645 nm和663 nm的吸光度值，CT指总叶绿素含量，ρP指将A490带入校准曲线求出的显色液中磷的质量浓度，V1指消煮液定容体积，V2指吸取测定的消煮液体积，V3指显色液体积，m指称样量，10-4是指将浓度单位换算成百分含量的换算系数。

1.3 光谱数据的获取

棉花叶片高光谱数据用Field SpecPro SR3500型背挂式野外高光谱辐射仪（美国ASD公司）进行采集。光谱仪探测范围为350～2500 nm，其中350～1000 nm波段间隔是1.4 nm，光谱分辨率是3 nm；1000～2500 nm光谱釆样间隔是2 nm，光谱分辨率是10 nm。测定时将叶片表面用干净的纱布擦拭干净。每个叶片采用单叶夹耦合的方法进行采样，分别测试叶脉两侧叶尖对称完好的部位，每个采样点测定10条光谱曲线，取平均值作为该点的光谱值，每个叶片左右两点的反射率平均值为该叶片的光谱值。为保证测量精度，每组目标的观测前后均用白板校正。光谱数据的获取时间与1.2中叶片取样时间一致。

1.4 植被指数的筛选

通过分析植被指数(vegetation index，VI)与叶绿素、叶片磷含量之间的相关性，最终筛选出相关性较好的12个植被指数，用于模型构建和验证，详见表2。

表2 本研究选取的部分植被指数及其计算公式

1.5 数据处理

使用Excel 2016对数据进行初步处理，SPSS 21.0进行相关性分析和显著性检验，Sigmaplot 14.0作图。采用决定系数(R2)、均方根误差(RMSE)对建立的模型进行验证，R2越接近1、RMSE越小模型效果越好。采集的样本数据中，30个盆栽样本用于建模，10个大田样本用于模型验证。

2 结果与分析

2.1 不同叶位叶片叶绿素、磷含量的变化规律

2.1.1 不同施磷量对棉花叶片磷含量的影响 图1结果表明，随着棉花生育期的推进，叶片磷含量呈现先降低再升高的趋势，在播种后第52天和第119天左右出现峰值，播种后第52天时，磷含量最高，L1～L4的磷含量平均值分别约为0.59%、0.59%、0.61%、0.59%。不同叶位叶片的磷含量变化趋势不同。在第108天，L1在P5处理下磷含量达到最高，L2、L4在P1处理下磷含量达到最高，L3在P4处理下磷含量最高。可见在同一生育期，不同叶位的磷含量有较大差异。在各生育期，不同叶位的叶片对磷肥的响应程度也有差异。总体来看，大部分叶位的磷含量在P3或P4处理下达到最高，由此可得，适宜施磷量会促进磷的积累，但磷肥过多反而会抑制磷积累。

图1 不同施磷量下棉花叶片磷含量动态

2.1.2 不同施磷量对棉花叶片叶绿素含量的影响 图2表明，棉花叶片叶绿素含量随生长出现2个波峰，即在播种后的52～138天呈现先升后降然后再升再降的趋势，而不同磷肥浓度处理下和不同叶位下叶绿素含量不同。棉花各生育期，P3处理下叶绿素含量均较高。在低磷水平下(P1、P2、P3)，随着施磷量的增加，不同叶位的叶绿素含量升高；在高磷水平下(P4、P5)，叶绿素含量随着施磷量的增加呈现降低趋势。

图2 不同叶位棉花叶片叶绿素含量

2.1.3 叶绿素含量与叶片磷含量的相关性 对棉花叶片磷含量与叶绿素含量的相关性进行分析，设叶绿素含量为因变量，叶片磷含量为自变量。以倒四叶结果最佳，而棉花倒四叶的生长情况能反映棉花生长速度、叶面积、光能利用率等，具有一定的代表性。由表3可知，播种后第52～138天叶绿素含量与叶片磷含量呈现一定的线性关系。决定系数、均方根误差分别在0.00～0.96、0.01～0.36的范围内，其中在第100天时植株叶片磷含量与叶绿素含量呈显著正相关，表达式为y=3.8246x-1.3455，相关系数达0.96，RMSE为0.01。

表3 叶片磷含量与叶绿素含量的关系

2.2 叶片磷含量敏感波段与敏感指数筛选

2.2.1 叶片光谱反射率的变化规律 图3结果表明，棉花不同叶位光谱反射率存在一定差异。可见光区域(400～700 nm)，光谱反射率随着施磷量的增加而升高，在550 nm处形成1个反射峰，在640～670 nm之间形成1个吸收谷，之后在670～760 nm急速上升形成反射高峰平台。在近红外区域(780～3000 nm)，光谱反射率随着施磷量的增加而降低，在700～1300 nm光谱反射率呈单峰趋势，P4处理光谱反射率最高，低施磷水平(P1、P2、P3)光谱反射率较低。1440 nm和1885 nm处有2个吸收谷。可以得出，光谱反射率随着磷肥高低变化有明显差异的波段区域为760～1300、1650～1830、2250～2300 nm。

图3 不同叶位棉花叶片光谱反射率

2.2.2 棉花不同叶位磷、叶绿素含量与光谱反射率之间的关系 检验棉花叶片磷含量与光谱反射率相关性检验发现，棉花叶片磷含量与光谱反射率总体呈现为正相关，但均不显著（图4）。两者相关系数最大为0.45，分布在波段起始位置，但由于起始波段易受仪器噪声等因素干扰，导致相关系数变高。因此本研究剔除受噪声影响较大的前10个波段，选取相关系数最高的波段(449 nm)构建磷含量估测模型，模型为y=3.5694x+0.3555，R2最高为0.21，因此不能直接用光谱反射率监测叶片磷含量。

图4 叶片磷含量与光谱相关性

由棉花各叶片光谱反射率与叶绿素含量的关系分析（图5）可知，棉花叶片光谱反射率与叶绿素含量具有显著相关性，在可见光波段呈显著负相关，近红外和短波红外波段为正相关且存在敏感波段。其中L1响应波段为711～1895、1970～2450 nm，相关系数达0.64；L2响应波段为707～1900、1952～2478 nm，相关系数达0.80；L3响应波段为749～1897、1962～2465 nm，相关系数 达 0.66；L4响 应 波 段 为 1385～1615、1741～1868、2056～2316 nm，相关系数达0.39。由此可见，叶绿素与光谱反射率具有很好的相关关系，基于此，筛选了对叶绿素响应较好的波段、与叶绿素含量相关性较好的12种植被指数[29]，构建叶绿素含量和植被指数的模型；并将叶绿素含量监测模型视为棉花叶片磷含量的光谱变量，进而实现对棉花叶片的磷含量监测。

图5 不同叶位棉花叶绿素含量与光谱相关性

2.2.3 叶绿素含量与光谱指数的相关性 筛选前人提出的与叶绿素关系较好的植被指数，用播种后100天的叶绿素含量进行相关性分析，提出棉花不同叶位下的叶绿素敏感指数。由表4可知，与L1叶绿素含量显著相 关 的 植 被 指 数 有 RVI、NDVI、RENDVI、GNDVI、MRESR、ARI、MACI、GRVI、ACI、MTCI，相关系数分别为0.43、0.37、0.50、0.49、0.46、-0.37、0.47、0.47、-0.49、0.47；与L2叶绿素含量显著相关的植被指数有RVI、RENDVI、MRESR、MACI、GRVI、TVI、MTCI，相关系数分别为0.38、0.38、0.39、0.39、0.39、0.39、0.41；没有与L3叶绿素含量显著相关的植被指数；与L4叶绿素含量显著相关的植被指数有NDVI、ARVI、RENDVI、MRESR、ARI、MTCI，相关系数分别为 0.39、0.41、0.45、0.41、-0.75、0.38，其中ARI相关系数达最高，为-0.75。

表4 不同叶位叶绿素含量和植被指数的相关系数

2.3 棉花叶片磷含量光谱指标构建

设叶绿素含量为因变量，相关性最高的植被指数作为自变量，构建叶绿素含量(I)与植被指数(X)的模型（各叶位分别选择3个相关性较好的植被指数）。结果（表5）表明，叶绿素含量和相关性响应的植被指数具有较好的关系，不同模型的决定系数R2达0.47～0.82。

表5 棉花叶片磷含量光谱指标（叶绿素含量与植被指数的反演模型）

其中，L1叶绿素含量与RENDVI的相关性最好(R2=0.71，RMSE=0.20)，L2叶绿素含量和 TVI相关性最好(R2=0.76，RMSE=0.09)，L3叶绿素含量和ARI相关性最好(R2=0.47，RMSE=0.15)，L4叶绿素含量和ARI相关性最好(R2=0.82，RMSE=0.10)。

基于叶绿素与磷含量的线性关系（表3），设表5的叶绿素含量估算模型（文中称其为光谱变量）为自变量，构建基于高光谱指数的棉花叶片磷含量估测模型，并对模型进行精度验证。利用多元线性回归构建模型，按照1:3的比例，设置3/4的样本（建模集）进行建模、1/4的样本（验证集）进行模型验证。模型表达式如式(4)。

式中，ωP指叶片磷含量，I1～I12指表5中的光谱变量。由图6可知，通过光谱变量估测的磷含量与实测磷含量具有较高的相似性，模型精度建模集R2和RMSE分别达0.75、0.04，验证集R2和RMSE分别达0.73、0.05，综上所述，基于叶绿素光谱指数和反演模型构建的磷含量光谱指标可以进行棉花叶片磷含量的精准估测。

图6 实测值与估测值对比分析

3 结论

本研究以盆栽棉花倒一叶(L1)、倒二叶(L2)、倒三叶(L3)和倒四叶(L4)的光谱反射率和叶绿素含量为基础，分析了棉花叶片磷含量、叶绿素含量与光谱反射率的相关关系，构建了叶绿素反演模型，并将这一反演模型作为磷含量光谱指标。其中4个叶位叶片对应相关性最好的模型，L1为 I1=2.6131XRENDVI-0.4275，R2=0.71，RMSE=0.2；L2为I5=0.0142XTVI+0.3274，R2=0.76，RMSE=0.09；L3为I9=-0.3445XARI+0.4996，R2=0.47，RMSE=0.15；L4为I10=-0.5082XARI+0.3484，R2=0.82，RMSE=0.1。将上述叶绿素含量估测模型作为光谱变量，利用叶绿素含量和磷含量的线性关系构建了棉花叶片磷含量综合反演模型，ωP=-3.32-1.21I1+0.91I2+2.67I3-0.13I4+0.0009I5-0.05I6+0.16I7-1.05I8-0.07I9+0.03I10-0.13I11+3.47I12。其中ωP指叶片磷含量，I指光谱变量，R2、RMSE分别达0.75、0.04。

本研究选择相关性最好的播种后100天的叶绿素含量与磷含量的回归关系来构建叶片磷含量反演模型。虽然随棉花生育进程的推进，及空间、天气和设备等方面的影响，叶绿素和磷含量的相关性存在差异，对模型的精准度造成影响，但是利用少量大田数据对模型进行验证，发现模型精度较高，具有一定的预测性。在今后的研究中，可以通过增加叶绿素与磷含量的回归模型构建的样本量，结合不同生育时期的变化趋势，利用多种建模方法，进一步提高叶片磷含量监测模型的精度。综上所述，基于叶绿素含量构建的磷含量光谱变量可实现磷含量的有效监测。

4 讨论

磷是棉株体内重要化合物的组成元素，对光合产物的合成、分解和运转起重要作用，目前，使用光谱技术监测农作物生理参数的研究已有很多[6-7]，但对磷含量研究相对较少。贾良良等[30]研究表明，作物叶片中叶绿素对于光谱反射曲线影响最为重要。本研究发现，磷肥差异导致可见光、近红外和短波红外反射率均发生较大变化，李宗非等[31]和王赏贵等[32]研究表明，氮肥差异会造成可见光、近红外2个波段的光谱反射率发生显著变化，这与本研究中磷肥高低导致的反射率变化规律类似。本研究提出，棉花不同叶位下叶绿素敏感波段 L1为 711～1895、1970～2450 nm，L2为 707～1900、1952～2478 nm，L3为 749～1897、1962～2465 nm，L4为 1385～1615、1741～1868、2056～2316 nm。而前人筛选出的氮素敏感波段分布在485～664[33]、690～720[34]、890～960[35]、960～1140[35]、820～1100[27]、150～1300 nm[36]。可见氮素敏感波段分布很广，但也有学者研究表明，这些敏感波段源于叶绿素与氮素强相关[37]。这些氮素敏感波段与本研究叶绿素敏感波段基本吻合，因此，如何区分叶绿素、氮含量、磷含量引起的光谱差异，是农作物营养监测需要解决的问题之一。“绿峰”(550 nm)作为叶绿素含量的显著特征，可实现农作物叶绿素快速监测[38]，探究叶绿素与磷含量的关系，构建磷含量光谱指标，是磷含量监测可考虑的方向之一。

本研究表明，棉花叶片的光谱特征在不同磷水平下存在差异，且在近红外波段差异极为明显，这与其他作物的光谱特征存在相似之处[39]。本研究利用多元线性回归的方法实现磷含量监测，R2达0.72。马文君等[40]对比传统回归和偏最小二乘回归(partial least square regression，PLSR)构建的SPAD估测模型，表明PLSR预测模型精度最佳。林芬芳等[41]将敏感波段作为自变量，构建多元线性回归和BP人工神经网络模型，结果表明BP神经网络对水稻磷含量监测效果最好。张浩等[42]采用人工神经网络、偏最小二乘回归和多元线性回归方法对水稻氮素和籽粒蛋白质进行监测，表明偏最小二乘法构建的预测模型效果最佳。李旭青等[43]提出随机森林构建的模型需要的样本量少、精度高、不会过拟合，使模型具有普适性。因此，不同建模方法对模型精度影响较大。

本研究筛选的叶绿素敏感波段与杨福芹等[44]、韩兆迎等[45]、刘冰峰等[46]相近。同时，本研究还发现，相比于单一敏感波段，植被指数用来建模效果更佳，其中花青素反射指数进行叶绿素监测结果最好。而刘冰峰等[46]提出归一化指数对磷含量监测效果较好。在以后的研究中，可将敏感波段的植被指数作为营养元素监测的突破口，寻找不同作物不同元素监测的最适指数。