利用光譜特征參數估算病害脅迫下杉木葉綠素含量

伍 南， 劉君昂， 閆瑞坤， 周國英

（中南林業科技大學林業生物技術湖南省重點實驗室，長沙 410004）

葉綠素作為光合作用中最重要的有機分子，其 濃度直接影響植物的初期生長［1]，且葉綠素分子結構也是合成植物葉片氮素的重要組成部分［2]。因此，通過測定葉綠素含量可以有效估算植物營養及生理狀態［3]。葉綠素的常規測定是使用分光光度計法，由于這種方法要進行組織提取和分光光度計的測定，因此既耗時間又對植被造成損傷。而便攜式高光譜儀是通過綠色植物葉片的反射率、透射率和吸收率來測定葉綠素含量的。因此，利用高光譜遙感技術實現快速、準確、無損地測定病害脅迫下的杉木葉綠素含量，對杉木病蟲害的早期監測具有重要意義。

目前，國內外學者針對植物光譜與生化成分之間的相關關系進行了大量的研究［3－9]，對在各種環境脅迫下的植物光譜特征與葉綠素含量之間的關系也進行了深入的研究。Filella等［10]研究表明紅邊位置和形狀可反映植物的葉綠素含量；Helmi等［11]研究了植被光譜與葉綠素濃度的關系，發現“紅邊位置”隨葉綠素含量而變化，當植被健康并有高的葉綠素含量時，紅邊位置將會往長波方向移動，當遭受病蟲害脅迫時，紅邊位置將向短波方向移動；李慶波等［12]研究表明，利用可見－近紅外光譜檢測植物葉片葉綠素含量是可行的；宋開山等［13]采用特定葉綠素敏感波段建立了植被指數葉綠素估算模型，取得了較好的效果；黃文江等［14]建立了紅邊位置與葉綠素含量之間的線性關系模型，為冬小麥的生長狀態及營養診斷提供依據；蔣金豹等［15]對病害脅迫下的小麥葉綠素含量進行了研究，認為隨著脅迫程度加重，葉綠素含量逐漸降低；杜華強等［16]研究了馬尾松針葉光譜特征與其葉綠素含量之間的關系，發現馬尾松葉綠素與其反射光譜之間存在較高的線性關系。

杉木炭疽病（Colletotrichum gloeosporioides）是我國南方地區杉木（Cunninghamia lanceolata）人工林的重要病害之一［17－18]。因此，其病害的監測對杉木林生態系統健康發展有著重要意義。林輝［19]、劉旋［20]等采用回歸分析技術建立了杉木葉綠素含量的高光譜估算模型，表明利用高光譜遙感技術對杉木葉綠素含量進行快速、無損的估算是可行的。但目前對于病害脅迫下杉木葉綠素含量的估算研究未見系統報道。本研究在對杉木炭疽病的發生特點及機理深入理解的基礎上，通過實地調查病情指數并獲取不同發病程度的杉木冠層光譜及其葉綠素含量，采用逐步回歸、主成分回歸及偏最小二乘回歸方法構建了病害脅迫下杉木葉綠素含量的估算模型。以期用快速、準確、無損的遙感技術估算病害脅迫下杉木葉綠素的含量，為今后利用遙感技術進行森林病害監測和健康評價提供參考。

1 材料與方法

1.1 試驗設計

試驗場地位于湖南省攸縣黃豐橋國有林場，在該林場共設置3塊樣地，所選樣地林齡分別為3年、7年和15年。根據杉木炭疽病的發生特點及機理，試驗于2011年4月、5月和6月分別測量了不同發病程度的杉木冠層光譜及相應的葉綠素含量。數據采集時，首先進行病情指數（disease index，DI）調查及病情嚴重度分級；考慮到杉木較高，因此光譜測試采取剪枝測量的方法［21]，將每株DI相同或相近的杉木小枝（6～8枝）從樹冠上剪下作為測試樣本；光譜測試完成后，立即將對應的杉木小枝裝入保鮮袋，帶回實驗室進行葉綠素含量的測定。

1.2 測試樣本材料及病情指數獲取

在所選3塊樣地內取不同發病程度的杉木冠層小枝為測試樣本材料。病情嚴重度按葉片受害面積占整個葉片面積百分數不同分為4級，即：0%為正常，代表值為0；30%以下為輕度，代表值為1；31%～60%為中度，代表值為2；61%～100%為重度，代表值為3。然后按照相應的代表值和公式計算出病情指數，見（1）式。

其中：x為各梯度的級值；n為最高梯度值3；f為各梯度的葉片數。測試時，注意選取DI相同或相近的冠層進行光譜測試。

1.3 光譜測試

光譜測試使用美國ASD公司生產的手持式野外光譜輻射儀，波長范圍325～1 075nm，光譜分辨率為3.5nm，視場25°，質量1.2kg。試驗選擇在晴朗無云或少云的天氣進行，為了減少太陽高度角變化對光譜測量結果的影響，測量時間選擇為北京時間10：00～14：00（太陽高度角大于45°）。從每株DI相同或相近的杉木樹冠上剪下6～8個小枝均勻疊放在一起作為測試目標，測量時儀器探頭保持垂直向下，每次采集目標光譜前后進行1次白板校正。每個樣本記錄10條光譜曲線，以其平均值作為該樣本的光譜反射率。

1.4 葉綠素測試

葉綠素含量測定采用分光光度法，用95%乙醇及少量石英砂和碳酸鈣粉將葉片研磨成勻漿，至組織發白，過濾、靜置，然后用上海光譜儀器有限公司制造的752型紫外－可見分光光度計測量663nm和645nm波長下的光密度A值，根據公式Ch1a＋b（mg／L）＝8.02×A663＋20.2×A645計算葉綠素的含量，再通過公式 Ch1a＋b（mg／g）＝濃度（mg／L）×提取液體積（mL）／質量（g）／1 000，將葉綠素含量轉化為每克葉片的毫克數。

1.5 光譜數據預處理

為了消除原始光譜數據中基線漂移、樣本不均、光散射及其他隨機噪音的影響，需要對光譜數據進行預處理。本研究采用Savitzky－Golay平滑法，選用平滑點數為7，較好地消除了各種因素產生的噪音影響，同時考慮到因系統誤差導致光譜曲線在首端和末端噪音較大，而截取400～900nm的波長范圍進行研究，然后采用光譜歸一化微分分析技術對原始光譜（R）進行一階微分處理，得到微分光譜（D（R）），其計算公式見（2）式［22]：

其中：Δλ為兩倍波段寬。

1.6 模型建立和精度驗證方法

隨機選取2011年4月、5月和6月采集的45個樣本中的30個作為建模集，分別采用逐步回歸、主成分回歸和偏最小二乘回歸法建立病害脅迫下杉木葉綠素含量的估算模型，其余15個樣本作為驗證集。模型精度通過相對誤差、均方根誤差（RMSE）和預測值與觀察值之間的相關系數（r）進行驗證，計算公式見（3）～（5）式：

其中：yi和分別代表實測值和由模型計算出來的預測值，取相對誤差絕對值的平均值作為模型精度的檢驗指標。

其中：yi和分別代表實測值和由模型計算出來的預測值，n為樣本數。

其中：yi和分別代表實測值和由模型計算出來的所有樣本的平均值代表利用最佳模型預測出的樣本值。

2 結果與分析

2.1 病害脅迫下杉木冠層的光譜特征

圖1是不同病情指數的杉木冠層原始光譜曲線。從圖1可以看出，健康杉木冠層的光譜反射率在綠光區域（510～580nm）有一個明顯的峰區，這是因為在這一波段葉綠素吸收較少，所以形成了一個葉綠素的綠色強反射峰區，稱之為“綠峰”；而在紅光區域由于葉綠素的強吸收形成了一個吸收谷，約在680nm附近達到最大，稱之為“紅谷”。隨著病情嚴重度的增加，杉木冠層光譜發生了明顯的變化，主要表現為綠光范圍內的“綠峰”和紅光范圍內的“紅谷”逐漸消失，紅光到近紅外陡峭的紅邊被逐漸拉平（這主要是由于受病害的影響，葉綠素含量相對減少的結果），在近紅外區域，健康杉木的光譜反射率明顯大于感病杉木的光譜反射率。這種在光譜上的差異使得應用高光譜遙感技術估算病害脅迫下的杉木葉綠色含量成為可能。

圖1 不同DI的杉木冠層光譜特征

2.2 葉綠素含量與光譜反射率之間的相關分析

病害脅迫下杉木葉綠素含量與其原始光譜反射率之間的相關系數曲線見圖2。從圖2可以看出，病害杉木葉綠素含量在614～698nm處與原始光譜反射率呈極顯著負相關，724nm之后呈極顯著正相關，且在近紅外區域基本趨于穩定。病害杉木葉綠素含量與微分光譜（見圖3）在424～486nm和552～682nm兩個波段呈極顯著負相關，在514～532nm，698～755nm和762～772nm 3個波段呈極顯著正相關，其他波段相關性波動較大。其中葉綠素含量與原始光譜的相關系數絕對值最大為0.69，與微分光譜的相關系數絕對值最大為0.87。由此可見，可見光和近紅外區域是病害杉木葉綠素反射和吸收的敏感區域，且微分光譜比原始光譜更為敏感。因此，利用高光譜遙感技術估算病害脅迫下杉木葉綠素含量是可行的。

2.3 高光譜特征參數的構建及與葉綠素含量的相關分析

鑒于可見光和近紅外區域是病害杉木葉綠素反射和吸收的敏感區域，在此基礎上結合前人的研究成果和經驗［23]，利用建模集的30個樣本信息進行光譜響應特征參數提取，共定義了關于藍邊、綠邊、黃邊、紅邊、紅谷及3類植被指數的15個光譜特征參數（見表1）。

病害脅迫下杉木葉綠素含量與高光譜特征參數之間的相關性見表2。從表2可以看出，葉綠素含量與除SDb和SDg外的其他13個高光譜特征參數均達到極顯著相關，這說明高光譜特征參數對葉綠素含量具有很好的指示作用，利用高光譜特征參數建立病害脅迫下杉木葉綠素含量的估算模型是可行的，特征參數的提取可以有效地簡化分析模型和提高模型預測精度。

表1 高光譜特征參數的定義

表2 葉綠素與高光譜特征參數之間的相關性1）

2.4 模型建立及精度評價

從表2中篩選出相關系數較大的6個高光譜特征 參 數：Dr，SDr，SDb／SDg，NDVI［R680，R780]，（SDr－SDg）／（SDr＋SDg）和（SDg－SDb）／（SDg＋SDb）。通過對這6個參數進行共線性診斷后可知（見表3），各參數之間均存在顯著關系，且部分參數之間相關系數在0.8以上，說明這6個參數間存在信息上的重疊，具有多重共線性關系。為了消除多重共線性對模型的不利影響，本次研究采用逐步回歸、主成分回歸及偏最小二乘回歸建立病害脅迫下杉木葉綠素含量的估算模型。

表3 高光譜特征參數之間的相關性

從表4可知，逐步回歸、主成分回歸及偏最小二乘回歸3種建模方法均消除了多重共線性的影響，模型的決定系數全部通過0.01極顯著檢驗性水平。其中，逐步回歸模型精度最高，模型的預測值與實測值之間的相關系數為0.906，相對誤差為10.71%，均方根誤差為0.194，建模結果如圖4a所示。利用15個檢驗樣本對模型進行精度檢驗，結果如圖4b所示：預測值與實測值之間的相關系數為0.916，均方根誤差為0.184，模型估算精度較高。

表4 葉綠素含量的逐步回歸、主成分回歸和最小二乘回歸模型結果1）

圖4 逐步回歸模型的建模與驗證

3 結論與討論

本研究通過獲取不同發病程度的杉木冠層光譜及相應的葉綠素含量，通過相關分析，選取6個與葉綠素含量相關系數較大的高光譜特征參數，并采用逐步回歸、主成分回歸及偏最小二乘回歸方法消除了各參數間的多重共線性的影響，構建了葉綠素含量的估算模型。經綜合分析主要得出以下結論：

（1）受病害的影響，葉綠素含量相對減少，導致健康和感病杉木的光譜特征存在明顯差異，說明應用高光譜遙感技術估算病害脅迫下的杉木葉綠色含量是可行的。

（2）在病害杉木葉綠素含量與光譜數據的分析中，葉素含量與原始光譜在可見光（614～698nm）和近紅外區域（724nm之后）達到極顯著相關，且在近紅外區域基本趨于穩定；與微分光譜在424～486、514～532、552～682、698～755nm和762～772nm 5個波段全部達到極顯著相關。

（3）鑒于可見光和近紅外區域是病害杉木葉綠素反射和吸收的敏感區，結合病害杉木的光譜響應特征共定義了15個高光譜特征參數。相關分析結果表明，除SDb和SDg外，其他13個高光譜特征參數與葉綠素含量均達到極顯著相關。

（4）選取相關系數較大的6個高光譜特征參數，采用逐步回歸、主成分回歸及最小二乘回歸方法建立病害杉木葉綠素含量估算模型。其中，以逐步回歸模型精度最高，模型的預測值與實測值之間的相關系數為0.906，相對誤差為10.71%，均方根誤差為0.194。

本研究結果表明，利用高光譜特征參數估算病害杉木葉綠素含量是可行的。反之，從葉綠素含量的變化也能推測杉木冠層光譜特征，并通過光譜特征的變化分析其健康或受環境脅迫的情況。該研究結果可為今后利用高光譜遙感技術進行森林監測和健康評價提供科學參考。

［1]Blackburm G A.Hyperspectral remote sensing of plant pigments［J].Journal of Experimental Botany，2007，58（4）：855－867.

［2]Yang F，Li J，Gan X，et al.Assessing nutritional status of Festuca arundinacea by monitoring photosynthetic pigments from hyper－spectral Data［J].Computers and Electronics in Agriculture，2010，70（1）：52－59.

［3]Moran J A，Mitchell A K，Goodmanson G，et al.Differentiation among effects of nitrogen fertilization treatments on conifer seedlings by foliar reflectance：a comparison of methods［J].Tree Physiol，2000，20（16）：1113－1120.

［4]王登偉，黃春燕，張偉，等.高光譜數據與棉花葉綠素含量和葉綠素密度的相關分析［J].棉花學報，2008，20（5）：268－271.

［5]申曉慧，張敬濤，姜成，等.大豆葉片葉綠素含量與光譜的特征分析［J].大豆科學，2009，28（4）：747－750.

［6]姚付啟，張振華，楊潤亞，等.基于紅邊參數的植被葉綠素含量高光譜估算模型［J].農業工程學報，2009，25（S2）：123－129.

［7]Daughtry C S T，Walthall C L，Kim M S，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J].Remote Sensing of Environment，2000，74：229－239.

［8]Martin M E，Aber J D.High spectral resolution remote sensing of forest canopy lignin，nitrogen，and ecosystem process［J].Ecological Application，1997，7（2）：431－443.

［9]Curran P J，Dawson T P.Estimating the foliar biochemical concentration of leaves with reflectance spectrometry testing the kodaly and clank methodologies［J].Remote Sensing of Environment，2001，76：349－359.

［10]Filella D，Pen－uelas J.The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status［J].International Journal of Remote Sensing，1994，15（7）：1459－1470.

［11]Helmi Z M S，Mohamad A M S，Azadeh G.Hyper－spectral remote sensing of vegetation using red edge position techniques［J].American Journal of Applied Sciences，2006，3（6）：1864－1871.

［12]李慶波，黃彥文，張廣軍，等.基于可見－近紅外光譜的植物葉綠素含量無損檢測方法研究［J].光譜學與光譜分析，2009，29（12）：3275－3278.

［13]宋開山，張柏，王宗明，等.大豆葉綠素含量高光譜反演模型研究［J].農業工程學報，2006，22（8）：16－21.

［14]黃文江，王紀華，劉良云，等.冬小麥紅邊參數變化規律及其營養診斷［J].遙感技術與應用，2003，18（4）：206－211.

［15]蔣金豹，際云浩，黃文江.病害脅迫下冬小麥冠層葉片色素含量高光譜遙感估測研究［J].光譜學與光譜分析，2007，27（7）：1363－1367.

［16]杜華強，葛宏立，范文義，等.馬尾松針葉光譜特征與其葉綠素含量間關系研究［J].光譜學與光譜分析，2009，29（11）：3033－3037.

［17]曾大鵬，劉開玲，賀正興，等.杉木炭疽病的研究［J].林業科學，1981，17（3）：250－257.

［18]朱建華，陳紅梅，傅瑞樹，等.杉木炭疽病空間格局及其變化研究［J].中國生態農業學報，2004，12（3）：169－171.

［19]林輝，劉璇，臧卓，等.杉木葉綠素含量高光譜遙感模型研究［J].中南林業科技大學學報，2010，30（11）：1－5.

［20]劉旋，林輝，臧卓，等.杉木葉綠素a含量與高光譜數據相關分析［J].中南林業科技大學學報，2010，30（5）：72－76.

［21]張田.福建省三明市松材線蟲病遙感監測預測研究［D].北京：北京林業大學，2010.

［22]王磊，白由路，盧艷麗，等.光譜數據變換對玉米氮素含量反演精度的影響［J].遙感技術與應用，2011，26（2）：220－225.

［23]王秀珍，黃敬峰，李云梅，等.水稻生物化學參數與高光譜遙感特征參數的相關分析［J].農業工程學報，2003，19（2）：144－148.