基于成像高光谱的小麦叶片叶绿素含量估测模型研究

牛鲁燕，孙家波，刘延忠，张晓艳(山东省农业科学院 科技信息研究所，山东 济南 250100)

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

牛鲁燕，孙家波，刘延忠，张晓艳*
(山东省农业科学院 科技信息研究所，山东 济南 250100)

高光谱； 小麦； 叶绿素； 光谱特征； 相关性

叶绿素含量是植物生长过程中一个重要的生化参数，对植被光合能力、发育阶段以及营养状况有指示作用[1]。目前，常用于叶绿素含量监测的方法为分光光度法和SPAD-502型叶绿素仪法，传统的分光光度法费时、费力，属于有损检测，很难满足精准农业实时、快速、无损和大面积监测的要求。日本Minolta Camera公司生产的手持式SPAD-502型叶绿素仪只能逐点对叶片进行监测，并且需要测定多株平均值作为测定结果，工作量大[2]。高光谱遥感是一种快速、无损监测技术，可在不破坏植物组织结构的前提下，实现对作物生长季营养状况的监测[3]。国内学者对小麦高光谱的研究主要集中在小麦叶片氮含量高光谱差异[4]及其估算[5]、小麦生物量及叶面积指数估算[6-7]、小麦条锈病[8-9]、小麦全蚀病[10]、小麦白粉病[11]、小麦籽粒蛋白质含量[12]方面。在小麦叶绿素含量研究上主要集中于山西省[13]、河南省[14]、浙江省[15]等地，但对山东区域小麦叶绿素含量高光谱估测的研究鲜有报道。本研究尝试利用在试验区测定的小麦高光谱与实测的小麦叶绿素含量数据，在进行相关分析的基础上，建立小麦叶片叶绿素含量与光谱特征参量间的定量关系模型，以期为利用高光谱遥感技术对小麦生长监测提供理论依据和技术支持。

1 材料和方法

1.1 试验概况及样品采集

试验于2014年11月至2015年6月在山东省济南市章丘龙山试验基地(117.53°E、36.72°N)进行，供试品种为济麦22，播种量为150 kg/hm2。试验纯氮用量280 kg/hm2，磷、钾肥用量同当地常规，其他栽培管理措施与当地麦田相同。数据测定和采样时期分别为：4月10日(拔节期)、4月17日(孕穗期)、4月30日(抽穗期)、5月12日(开花期)、5月22日(灌浆期)、6月2日(成熟期)。

1.2 项目测定与方法

1.2.1 小麦光谱数据 冠层叶片光谱测量采用美国Surface Optics Corporation公司生产的SOC710VP可见-近红外高光谱成像式地物光谱仪，光谱范围为370～1 000 nm，光谱分辨率为4.687 5 nm。

光谱测定在可控制光照条件(钨灯照明)实验室内进行。测定前，将待测光谱的叶片表面擦拭干净。测定时，将叶片单层平整放置于反射率近似为0的黑色试验平台上，叶片两端用黑色板压住防止叶片上翘。光谱仪的视场角为25°，探头距待测叶片0.50 m，垂直向下正对待测叶片的中部。为了消除外界干扰以保证精度，在试验区选定两处固定位置，每个位置取6～8片叶，这两处叶片的高光谱反射率平均值作为该区的光谱反射率，测量过程中及时进行标准白板校正。

1.2.2 小麦叶绿素SPAD值 本次试验采用SPAD-502叶绿素仪测量小麦冠层叶片的SPAD值。小麦叶绿素SPAD值测定与光谱测量同步，为了减少测定误差，测定时，在处理区域连续取5个值，求平均，作为一个测定值，连续测5组数据。

1.3 高光谱数据预处理

数据预处理采用SRAnal 710、SOC 710软件，获得的高光谱图像数据经过3个步骤的标定，包括光谱标定、黑场标定和光谱辐射标定。利用SRAnal 710软件从所测光谱数据中提取反射率。

为了消除原始光谱数据中干扰因素对所建模型的影响，采用5点加权平滑法对采集的原始光谱进行平滑处理。

小麦叶片红边位置的提取采用对原始光谱数据求一阶导数法，红边区域内蕴含着丰富的植被生长信息，与植物生理生化参数关系密切，对反射率求一阶导数能达到减弱背景因素影响的目的，将植物光谱的变化特征较清晰地反映出来，一阶导数变化最大的波段位于红边区域。

1.4 数据处理方法

所有的数据在Excel中进行录入，采用ENVI 4.7进行图像处理，采用OriginPro 8.5、SPSS 18.0和Matlab进行相关分析等处理。

对于小麦叶片原始光谱反射率与叶绿素含量的相关性，采用皮尔逊(Pearson)相关系数进行表征。Pearson相关系数的绝对值越大，相关性越强。

为检验实测值与估测值之间的拟合效果，采用决定系数R2、均方根误差RMSE以及相对误差RE对模型进行测试和检验，从而筛选小麦叶片叶绿素含量的最佳高光谱监测模型。

2 结果与分析

2.1 不同生育时期小麦叶片的高光谱特征

图1表明，在不同的生育时期，小麦叶片光谱反射率的形状及其变化趋势基本相似。不同生育时期小麦叶片的反射率在可见光范围变化趋势基本一致，差异不明显，从高到低依次为灌浆期、孕穗期、抽穗期、拔节期、开花期、成熟期。在近红外区域，不同生育时期小麦叶片的高光谱曲线反射率在反射平台上差异明显，反射率从高到低依次为灌浆期、孕穗期、抽穗期、拔节期、开花期、成熟期。

相同的生育时期内，在不同的波段范围内，随波长的推移，其光谱反射率表现出不同的特征。在从500 nm开始的绿波段，叶片的吸收减少，反射率增强，在550 nm附近形成明显的反射率峰。此波峰左侧是蓝、紫光波段吸收谷，右侧是675 nm左右的红光波段吸收谷，之后反射率出现陡升，在750～1 080 nm附近红外波段形成1个较高的反射平台。

图1 不同生育时期小麦叶片光谱反射率的变化特征

2.2 红边位置的提取

红边是绿色植物在680～760 nm的反射率增高最快的点，也是一阶导数在该区间的拐点，是由于植物在红光波段强烈的吸收与近红外波段强烈的反射造成的。

从图2小麦叶片一阶导数光谱图可以看出，曲线变化趋势基本相似。在523 nm、710 nm处形成明显的波峰。在564 nm、652 nm形成明显的波谷。采用一阶导数最大值所在波段提取红边位置。本研究的红边位置为726 nm波长处。其与原始光谱的相关系数达到0.671，而该处一阶导数的相关系数为0.768，因此将红边位置的光谱反射率一阶导数确定为敏感变量。

图2 小麦叶片一阶导数光谱曲线特征

2.3 小麦叶片光谱反射率及其一阶导数与叶绿素含量的相关分析

对小麦叶片原始光谱反射率与叶绿素含量进行相关分析，结合SPSS统计分析结果(图3)表明，小麦冠层原始光谱反射率与叶绿素含量呈正相关。在372～397 nm波段小麦冠层的原始光谱反射率与叶绿素含量呈显著正相关(P<0.05)。在可见光范围内最大相关系数出现在波长为732 nm的位置上，Pearson相关系数为0.696。在377～407 nm和694～742 nm达到相关系数峰值，平均相关系数分别为0.807和0.641，因此选择这2组波段的原始光谱反射率作为估测小麦叶片叶绿素含量的敏感波段。

图3 小麦冠层原始光谱反射率与叶绿素含量的相关性

在近红外范围内最大相关系数出现在波长为1 033 nm的位置上，Pearson相关系数为0.737。另一个波峰的位置出现在波长为973 nm处，此处的Pearson相关系数为0.667。

由小麦叶片原始光谱反射率的一阶导数与叶绿素含量进行相关分析(图4)，结合SPSS统计分析结果可以得出，在波长377 nm处的Pearson相关系数为0.846，显著性(双向)水平P<0.05；在波长757 nm处的Pearson相关系数为0.864，显著性(双向)水平P<0.05；在波长742 nm处的Pearson相关系数为0.641，显著性(双向)水平为P<0.05。

在近红外范围内，在波长940 nm处出现波峰，Pearson相关系数为0.553；在波长918 nm处出现波峰，Pearson相关系数为0.355；在927 nm处出现波谷， Pearson相关系数为-0.524，在波长951 nm处出现波谷；Pearson相关系数为-0.576，因此将这些波段的一阶导数以及其所在的区间作为敏感变量。

图4 小麦冠层原始光谱反射率一阶倒数与叶绿素含量的相关性

由以上分析，共选择5个波段区间和7个单波段组合作为敏感变量，分别为732 nm、377～407 nm、694～742 nm的原始光谱反射率；503～544 nm、684～715 nm、736～763 nm以及377 nm、523 nm、710 nm、742 nm、757 nm一阶导数；红边位置726 nm一阶导数。

2.4 基于敏感性波段的模型建立

运用SPSS软件，将敏感波段进行各种变换后建立回归模型，进行比较找出每种变换中拟合度较高的模型，筛选结果见表1。

表1 回归模型及其参数的准确性(n=84)

变量估测模型R2FPR382线性函数SPAD=34．305+247．061R3820．685∗8．6840．042对数函数SPAD=102．768+19．04lnR3820．741∗11．4160．028幂函数SPAD=138．229R382x0．370．762∗12．7780．023R387线性函数SPAD=36．75+188．168R3870．691∗8．9380．040对数函数SPAD=95．236+16．983lnR3870．756∗12．3740．025幂函数SPAD=119．131R3870．3290．772∗13．5610．021R392线性函数SPAD=40．235+134．913R3920．738∗11．2800．028对数函数SPAD=86．869+14．059lnR3920．835∗20．2500．011二次多项式函数SPAD=468．482R3922-1539．252R392+23．9120．887∗11．7690．038幂函数SPAD=100．957R3920．270．843∗21．5000．010R402对数函数SPAD=76．68+9．312lnR4020．814∗17．5260．014二次多项式函数SPAD=325．512R4022-996．267R402+33．7750．904∗14．1150．030幂函数SPAD=82．828R4020．1780．814∗17．5350．014R407对数函数SPAD=74．559+8．106lnR4070．764∗12．9260．023幂函数SPAD=79．565R4070．1550．766∗13．0580．022R726对数函数SPAD=59．812+7．316lnR7260．679∗8．4460．044幂函数SPAD=59．958R7260．140．676∗8．3530．045R731对数函数SPAD=59．177+7．628lnR7310．692∗9．0020．040幂函数SPAD=59．236R7310．1460．690∗8．9140．041R736对数函数SPAD=58．368+7．547lnR7360．698∗9．2480．038幂函数SPAD=58．326R7360．1440．696∗9．1370．039R′705对数函数SPAD=77．907+5．372lnR′7050．704∗9．5020．037幂函数SPAD=84．625R′7050．1020．697∗9．2020．039R′710对数函数SPAD=80．813+5．52lnR′7100．863∗∗25．2450．007二次多项式函数SPAD=1625．671R′7102-38636．975R′710+42．7790．873∗10．3530．045幂函数SPAD=89．931R′7100．1060．875∗27．9220．006R′715对数函数SPAD=81．306+5．095lnR′7100．713∗9．9160．035二次多项式函数SPAD=4273．136R′7152-245671．338R′715-1．561E70．994∗∗254．7370．000三次多项式函数SPAD=2094．242R′7153+112646．744R′7152-1．561E7R′715+42．9911．000∗∗3247．4280．000R′726对数函数SPAD=115．867+12．963lnR′7260．677∗8．3700．044二次多项式函数SPAD=12707．275R′7262-646607．164R′726-1．8370．931∗20．1220．018三次多项式函数SPAD=7455．552R′7263-20．503E7R′726+11．3180．942∗24．3140．014幂函数SPAD=178．989R′7260．2530．701∗9．3670．038R′736对数函数SPAD=81．812+5．933lnR′7360．683∗8．6330．042幂函数SPAD=91．093R′7360．1130．675∗8．2980．045R′752对数函数SPAD=78．254+4．002lnR′7520．707∗9．6570．036幂函数SPAD=85．184R′7520．0760．700∗9．3430．038R′757线性函数SPAD=49．022+2688．112R′7570．747∗11．8320．026二次多项式函数SPAD=6292．587R′7572-733208．776R′757+46．6030．977∗∗64．7870．003三次多项式函数SPAD=4438．758R′7573+406231．726R′7572-1．499E8R′757+46．3330．986∗47．2580．021

注：**表示P<0.01；*表示P<0.05

从表1可以看出，以715 nm处的一阶导数作为变量确定的三次多项式函数估测模型，R2最大，达到1.000**；其次是以715 nm处的一阶导数作为变量确定的二次多项式函数估测模型，R2达到0.994**；以757 nm、726 nm处的一阶导数作为变量确定的二次、三次多项式函数估测模型R2分别达到0.977**、0.986*和0.931*、0.942*，以392 nm、402 nm处的反射光谱原始值为变量确定的二次多项式函数估测模型R2分别达到0.887*、0.904*，均较大。其余模型相对较小。因此，选择这9个估测模型以及显著性相关的4个线性函数进一步进行模型验证。

2.5 模型验证

为了检验估测模型的精确性和可靠性，随机抽取在同组试验中测定的小麦叶片试验数据，对筛选出的小麦叶片SPAD值的估测模型进行测试与检验，筛选出检验精度高的模型。由表2可以看出，R387进行检验拟合方程的R2达到了0.713，RMSE最小，所建立的小麦叶片叶绿素含量监测模型具有良好的拟合效果。这表明，R387模型对小麦叶片叶绿素含量具有较好的监测效果，其次为R382。其他估测模型检测精度均较低将其排除。

表2 模型的拟合精度参数检查(n=12)

变量估测模型实测值与估测值拟合方程检验指标斜率R2RMSERE/%R′715SPAD=2094．242R′7153+112646．744R′7152-1．561E7R′715+42．991y=0．758x+9．7500．7580．2974．1248．74R′757SPAD=4438．758R′7573+406231．726R′7572-1．499E8R′757+46．333y=0．336x+37．830．3360．1553．7515．82R382SPAD=34．305+247．061R382y=0．784x+12．840．7840．5581．3371．14R387SPAD=36．75+188．168R387y=0．860x+7．8570．8600．7131．9521．81R392SPAD=40．235+134．913R392y=0．872x+7．9300．8720．5643．4485．68

3 结论与讨论

受季节、土壤、气候等自然因素和施肥、栽培技术与管理等人为因素的影响，小麦叶片的高光谱信息会有不同的变化。本研究主要是对特定氮处理水平下小麦叶片叶绿素含量进行监测研究，并用同一区域的样本数据对模型进行了验证，增强了监测模型的可信性和适应性，但是对于不同地区、不同品种、不同生长期的小麦叶片叶绿素含量检测是否适用，还需要做进一步的探索。

[1] 蒋金豹,陈云浩,黄文江.用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度[J].光谱学与光谱分析,2010,30(8)：2243-2247.

[2] 王纪华，黄文江，劳彩莲,等.运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J].光谱学与光谱分析,2007,27(7)：1319-1322.

[3] 王克如,潘文超,李少昆,等.不同施氮量棉花冠层高光谱特征研究[J].光谱学与光谱分析,2011,31(7):1868-1872.

[4] 翟清云,张娟娟,熊淑萍,等.基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建[J].中国农业科学,2013,46(13)：2655-2667.

[5] 刘旻帝,薛建辉,褚军,等.基于高光谱指数的林农复合系统小麦冠层氮含量估算研究[J].南京林业大学学报(自然科学版)，2015,39(3):91-95.

[6] 孙小艳,常学礼,张宁,等.不同取样单元对干旱区绿洲小麦地上生物量光谱估算模型的影响[J].中国沙漠,2012,32(2):568-573.

[7] 侯学会,牛铮,黄妮,等.小麦生物量和真实叶面积指数的高光谱遥感估算模型[J].国土资源遥感,2012,95(4):30-35.

[8] 王海光,马占鸿,王韬,等.高光谱在小麦条锈病严重度分级识别中的应用[J].光谱学与光谱分析,2007,27(9):1811-1814.

[9] 王爽，马占鸿,孙振宇,等.基于高光谱遥感的小麦条锈病胁迫下的产量损失估计[J].中国农学通报,2011,27(21):253-258.

[10] 乔红波,师越,郭伟,等.利用近地成像高光谱遥感对小麦全蚀病的监测[J].植物保护学报,2015,42(3):475-476.

[11] 沈文颖,冯伟,李晓,等.基于叶片高光谱特征的小麦白粉病严重度估算模式[J].麦类作物学报,2015,35(1):129-137.

[12] 冯伟,姚霞,田永超,等.小麦籽粒蛋白质含量高光谱预测模型研究[J].作物学报,2007,33(12):1935-1942.

[13] 李方舟,冯美臣,杨武德,等.水旱地冬小麦叶绿素含量高光谱监测[J].生态学杂志,2013,32(12):3213-3218.

[14] 张娟娟,熊淑萍,翟清云,等.不同土壤质地小麦叶片叶绿素的高光谱响应及估测模型[J].麦类作物学报,2014,34(5):642-647.

[15] 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)：1607-1610.

Research of Estimation Models of Wheat Chlorophyll Content Based on Imaging Hyperspectral Data

NIU Luyan,SUN Jiabo,LIU Yanzhong,ZHANG Xiaoyan*
(Institute of Science and Technology Information,Shandong Academy of Agricultural Sciences,Ji’nan 250100,China)

In order to explore the wheat leaf spectral features and sensitive spectrum wave,the quantitative relationship models between the wheat chlorophyll content and the characteristics of spectrum was built,so as to promote the application of hyperspectral techniques in the real-time non-destructive detection of the wheat precise fertilization and the diagnosis of the growth of the wheat.The correlation coefficient between the chlorophyll content and spectral reflectance and its first deriviative was analyzed by correlation methods,and the chlorophyll content monitoring model was established.The beat models wereSPAD=36.75+188.168R387,SPAD=2 094.242R’7153+112 646.744R’7152-1.561E7R’715+42.991 after evaluation and validation.These two models could be well estimated wheat lesf SPAD values,in comparision,the accuracy of the model which based on the bandR387for predicting the SPAD values was higher.

hyperspectrum; wheat; chlorophyll; spectral features; correlation

2015-10-21

山东省农业重大应用技术创新项目

牛鲁燕(1983-)，女，山东鄄城人，助理研究员，硕士，主要从事农业信息和农情监测研究。 E-mail:nly83412@126.com

*通讯作者：张晓艳(1974-)，女，内蒙古通辽人，研究员，博士，主要从事农情监测和全产业链农业信息预警工作。 E-mail:239491965@qq.com

S512.1;TP79

A

1004-3268(2016)04-0150-05