基于小麥冠層近地多光譜圖像的葉綠素（SPAD值）估測方法

周雪 王芳 趙庚星

摘要：選擇山東省泰安市山東農業大學實驗田為研究區，利用ADC便攜式多光譜相機和SPAD-502葉綠素計采集該區泰農18和山農15兩個品種小麥越冬期、返青期、起身期冠層近地多光譜圖像和SPAD值，構建不同生育期小麥的歸一化植被指數（NDVI）與SPAD值的線性、對數、乘冪、指數、二次函數5種模型，進而優選小麥葉綠素含量最佳估測模型。結果顯示：泰農18和山農15兩個小麥品種不同時期的SPAD值與NDVI值均具有極顯著相關關系（P<0.01），相關系數在0.797～0.915之間；泰農18小麥冠層SPAD值估測最佳模型為y=68.585x0.5841，山農15小麥冠層SPAD值估測最佳模型為y=124.4x2+23.212x+44.973。該研究探索了基于近地多光譜數據的小麥葉綠素含量估測方法，為小麥葉綠素含量估測及營養診斷提供了一種快速有效的技術方法。

關鍵詞：小麥冠層；多光譜圖像；SPAD；NDVI；估測模型

中圖分類號：S132+S512.1文獻標識號：A文章編號：1001-4942（2016）06-0138-05

在大田作物生產中，為及時掌握作物生長情況，人們除根據經驗進行外觀診斷外，往往采用作物生長季內直接或間接分析地上部分的無機養分作為快速診斷作物營養狀況的依據。植物缺乏營養元素會引起葉片葉色、形態、結構及其它外觀不同的缺素癥狀，這為從植物外觀形態上鑒別營養元素的缺乏提供了依據。研究表明，植物葉片營養元素狀況與光譜特性密切相關，不同營養狀況下植物光譜特性存在差異，這引起了農學、植物生理學和遙感等學科研究者的重視[1]，使利用不同生長狀態下的光譜差異來分析植物生長狀況、診斷營養水平成為了可能[2]。

小麥作為重要的糧食和經濟作物，在世界和中國都有著廣泛的種植，其長勢監測和營養狀況分析也成為國內外研究的熱點之一。如商兆堂等[3]研究表明，小麥長勢對產量和品質都有明顯影響，且不同生育階段的影響程度不盡相同；孫海燕等[4]對小麥營養品質現狀進行了綜述，并對其改良途徑方法和前景進行了分析。大量研究表明，當植物氮營養水平較高時，植株長勢趨于旺盛，葉綠素含量增高。不同生育期SPAD （Soil and Plant Analyzer Development）值可以間接反映植株全氮含量及葉片葉綠素含量，如朱新開等[5]研究表明，小麥不同葉位葉片SPAD值與葉綠素含量呈極顯著正相關。目前SPAD值不僅用于研究小麥，還在水稻、棉花、蘋果樹等作物上獲得廣泛應用。

近年來，基于光譜技術的作物長勢監測在精細農業領域得到了廣泛應用[6，7]，同時，由于點狀采樣獲取的光譜數據難以準確反映大田作物的空間變異信息，因此基于多光譜圖像的檢測技術在國內外越來越受到人們的關注[8，9]。Tetracam ADC第三代多光譜數碼相機可以用于拍攝可見光波段520 nm到近紅外波段950 nm的圖像，分析地表植被和植物冠層的反射和吸收光譜，通過圖像處理軟件，可以輕松獲得反映地表植被特征的重要指標NDVI（歸一化植被指數）。因此，很多學者對NDVI展開了研究，如任紅艷等[10]對小麥各生育期的NDVI動態變化的研究顯示，小麥的NDVI值從起身期開始急劇上升，到孕穗期前后達到峰值；江東等[11]研究了NDVI曲線與農作物長勢的時序互動規律，通過NDVI曲線的變化特征，推測作物的生長發育狀況，監測作物長勢；丁永軍等[12]利用多光譜圖像分析技術研究了溫室番茄營養元素含量和圖像特征的相關性，并快速、準確估測了番茄營養水平和生長狀況。總體看，實用、可操作性強的農作物葉綠素及營養狀況光譜估測模型及高效方法仍需進一步的研究探索。本研究利用ADC便攜式多光譜相機獲取不同品種不同生育期小麥冠層多光譜圖像，并利用SPAD葉綠素計實測葉片葉綠素含量，構建小麥冠層葉綠素含量估測模型，旨在探索簡易、快速、準確的小麥葉綠素狀況實時分析方法，為大范圍的小麥葉綠素監測與營養快速診斷奠定基礎。

1材料與方法

1.1田間數據采集

1.1.1研究區概況研究區位于山東省泰安市山東農業大學試驗田，地處東經116°02′至117°59′、北緯35°38′至36°28′之間，屬于暖溫帶大陸性半濕潤季風氣候區，年平均氣溫13.0℃，7月份氣溫最高，平均26.4℃，1月份最低，平均-2.6℃，年平均降水量697 mm；土壤類型為棕壤，地形平坦，土層深厚；基礎設施條件完善，種植農作物為小麥、玉米，產量較高。

1.1.2數據采集方法小麥品種為泰農18和山農15。從2014年12月～2015年4月，分別對越冬期（12月上旬～2月下旬）、返青期（2月下旬～3月上旬）、起身期（3月中下旬）小麥進行田間測量。測量時以田塊為基本單位設置觀測點，每平方米為一個觀測單元，在其中心位置設置一個觀測點并用小木樁做標記，在每個觀測單元內隨機選取2株小麥用SPAD-502測定冠層葉片的SPAD值，每株測3次，計算出2株小麥的平均值作為該樣點的SPAD值。

小麥冠層多光譜圖像的獲取在天氣晴朗、無風或者風速較小時進行，獲取時間為10∶00～14∶00之間。獲取圖像時相機鏡頭垂直地表，距離小麥冠層約100 cm，每個樣點重復測量3次，各點在測量前都要進行標準白板的校正。

1.2數據處理

1.2.1小麥SPAD值的處理首先將所測SPAD值數據按照不同觀測點、品種、采樣時間分別進行處理，剔除異常樣點，使獲得的小麥SPAD值多處于40～70之間，共獲得有效觀測樣點40個。然后用Microsoft Excel對數據進行初步處理，計算各觀測樣點的平均值。

1.2.2小麥多光譜圖像的處理田間獲取的ADC多光譜圖像如圖1a所示，圖1b為校正后的多光譜圖像，圖1c為處理后的多光譜圖像。根據小麥多光譜圖像的特點，借助Pixel Wrench 2軟件對采集的樣點多光譜圖像進行處理，獲取每個有效觀測樣點每張圖像的光譜特征值（歸一化植被指數NDVI），進而計算出各觀測樣點的NDVI平均值。

1.3數據分析

首先借助SPSS軟件對泰農18和山農15越冬期、返青期、起身期的SPAD值與NDVI值進行相關分析，獲得兩種小麥各個生育期對應的相關系數，然后根據相關系數的顯著性判斷建立SPAD與NDVI關系模型的可行性，在此基礎上，分別構建兩種小麥不同生育期的線性、對數、乘冪、指數、二次函數5種模型，根據模型的擬合程度選取兩種小麥的最佳估測模型作為該生育期葉綠素的反演模型。

2結果與分析

2.1小麥SPAD值的動態變化

泰農18、山農15不同時期SPAD均值的最小值都出現在越冬期，分別是49.85和48.00，最大值都出現在起身期，分別是59.08和57.53，且SPAD值從越冬期至起身期不斷升高（表1）。由此可見，從越冬期到起身期不同品種小麥葉綠素含量呈不斷增長趨勢。

2.2小麥NDVI值的動態變化

兩品種小麥冠層NDVI值隨生育時期的推進具有一致的變化趨勢，均不斷增加（表2）。越冬期至返青期變化相對平緩，增幅較小，NDVI值大多處于0.060～ 0.480之間；返青期至起身期，氣溫回升，麥苗生長迅速，NDVI值開始大幅度上升，最高達到0.937，之后小麥進入開花、孕穗的生殖生長時期。

2.3小麥SPAD值與NDVI值的相關性

由表3可以看出，兩種小麥冠層NDVI值與SPAD值均呈現出極顯著相關關系（P<0.01），其中泰農18以起身期兩者的相關系數最高，山農15以越冬期最高。表明，可以通過小麥不同時期的NDVI值來間接估測其葉綠素含量。

2.4小麥冠層SPAD值估測模型

建立了泰農18和山農15 SPAD值與NDVI值的關系模型，見表4，結果顯示各估測模型的擬合度均較高，泰農18各模型的擬合度多高于山農15。泰農18越冬期、返青期、起身期擬合度最好的函數關系模型分別是對數方程y=10.399ln（x）+72.245、乘冪方程y=75.056x0.2667和乘冪方程y=68.585x0.5841，其中起身期的估測模型最佳，R2達0.8244。山農15越冬期、返青期、起身期擬合度最好的函數關系模型分別是多項式方程y=124.4x2+23.212x+44.973、多項式方程y=-76.006x2+83.432x+38.999和乘冪方程y=70.265x0.9766，其中越冬期估測模型最佳，R2為0.7658。可見，可以通過模擬模型，利用NDVI值比較簡單、快速地估測出作物葉片的SPAD值。

3討論與結論

本研究結果表明，小麥冠層NDVI值與SPAD值極顯著相關，泰農18 SPAD值估測最佳模型為y=68.585x0.5841，R2為0.8244，估測最佳時期為起身期；山農15小麥冠層SPAD值估測最佳模型為y=124.4x2+23.212x+44.973，R2為0.7658，估測最佳時期為越冬期，這與夏天等[13]、鄭飛等[14]的研究成果相一致。本研究所提出的利用ADC多光譜相機估測小麥冠層葉綠素含量的方法，對小麥科學栽培與管理有積極意義。

本研究僅提出了適合泰農18與山農15兩品種三個生育時期的SPAD值估測模型，還需進一步研究其他小麥品種及其他時期的SPAD值估測方法，以探索具有普適性的小麥葉綠素估測及營養診斷方法。

參考文獻：

[1]

唐延林，王人潮，張金恒，等. 高光譜與葉綠素計快速測定大麥氮素營養狀況研究[J]. 麥類作物學報，2003，23 （1）：63-66.

[2]李民贊. 光譜分析技術及其應用[M].北京：科學出版社，2006.

[3]商兆堂，吳建中，蔣名淑，等.小麥長勢對產量和品質的影響[J]. 安徽農業科學，2007，35（28）：8826-8829.

[4]孫海燕，楊靖，李友勇. 小麥營養品質現狀及改良研究進展[J]. 現代農業科技，2015（16）：27-28.

[5]朱新開，盛海君，顧晶，等.應用SPAD值預測小麥葉片葉綠素和氮含量的初步研究[J].麥類作物學報，2005，25（2）：46-50.

[6]張喜杰，李民贊.基于反射光譜的溫室黃瓜葉片磷素含量分析與預測[J].光譜與光譜分析，2008，28（10）：2404-2408.

[7]田永超，朱艷，姚霞，等.基于光譜信息的作物氮素營養無損監測技術[J].生態學雜志，2007，26（9）：1454-1463.

[8]Zarco-Tejada P J，Berni J A J，Suarez L， et al. Imaging chlorophyll fluorescence with an airborne narrow - band multispectral camera for vegetation stress detection [J]. Remote Sensing of Environment，2009，113（6）：1262-1275.

[9]吳迪，朱登勝，何勇，等.基于地面多光譜成像技術的茄子灰霉病無損檢測研究[J].光譜學與光譜分析，2008，28（7）：1496-1500.

[10]任紅艷，潘劍君，張佳寶.不同施氮水平下的小麥冠層光譜特征及產量分析[J].土壤通報， 2005，36（1）：26-29.

[11]江東，王乃斌，楊小喚，等. NDVI曲線與農作物長勢的時序互動規律[J].生態學報， 2002， 22（2）：247-253.

[12]丁永軍，李民贊，孫紅，等.基于多光譜圖像技術的番茄營養素診斷模型[J].農業工程學報，2012，28（8）：175-180.

[13]夏天，吳文斌，周清波，等.不同地域冬小麥葉片SPAD高光譜估算研究[J].中國農業資源與區劃，2014，35（4）：49-57.

[14]鄭飛，岳俊芹，邵運輝，等.不同弱春性小麥品種NDVI與SPAD之間的相關性[J].麥類作物學報，2008，28（2）：291-294.