基于高光譜反射率的糜子冠層葉片葉綠素含量估算

韓浩坤，妙佳源，張鈺玉，張大眾，宗國豪，宮香偉，李 境，馮佰利

(旱區作物逆境生物學國家重點實驗室，西北農林科技大學農學院， 陜西 楊凌 712100)

葉綠素作為主要吸收光能的物質，直接影響光合作用效果，是反映植物生長狀況和健康狀況的重要參數[1]，也是作物對環境脅迫、氮素狀況、發育階段等的反應指示器[2]，被作為作物生長檢測的重要指標。傳統的葉綠素含量檢測主要是通過化學分析的方法，效率低且破壞作物生長，因此需要尋找一種快速測量作物葉綠素含量的檢測方法。

利用高光譜遙感技術估算植被葉綠素含量的研究已廣泛開展。在可見光范圍內，植被反射光譜主要受植被色素影響[3]，其中葉綠素含量與植被光譜特征具有密切聯系，因此，可用植被冠層的反射光譜來估算葉綠素含量。馮偉[4]等研究表明白粉病脅迫下冠層葉綠素含量與紅光600～630 nm和紅邊690～718 nm的反射率顯著相關；冀榮華[5]等研究表明，蘋果葉片葉綠素含量與反射光譜在515～590 nm和688～715 nm兩波段內具有較高的相關性；劉豪杰[6]等根據玉米拔節期550、650、766 nm和850 nm波長反射率，計算植被指數與葉綠素含量的關系，建立了多品種玉米拔節期葉綠素含量診斷模型；M.Schlemmer[7]等研究表明在780～800、540～560 nm以及730～750 nm波段的反射率可以用于反映玉米葉片葉綠素含量；妙佳源[8]等初步研究了旱區糜子冠層光譜的紅邊特性。楊峰[9]等研究了水稻和小麥高光譜植被指數與葉綠素含量之間關系，表明二次修正土壤調節植被指數(MSAVI2)與水稻葉綠素含量相關性較好，建立了葉綠素含量模型；王強[10]等通過線性及多元逐步回歸技術構建棉花冠層葉綠素高光譜診斷模型，表明植被指數估算精度要優于單波段或多波段線性模型；譚海珍[11]等利用MSI200型成像光譜儀和ASD Fieldspc FR2500型非成像地物光譜儀對冬小麥苗期葉綠素含量監測，將植被指數與葉綠素含量擬合建模，表明比值植被色素指數預測精度較高；Mark N[12]等研究表明R800/R700和R800/R640的比值與蘋果葉片葉綠素含量成正相關；劉桃菊[13]等研究水稻冠層高光譜與葉綠素含量的相關性，表明比值植被指數和色素比值指數可作為監測水稻冠層葉片葉綠素含量的特征變量；艾金泉[14]等系統分析了利用植被指數估算互花米草葉片光合色素含量，表明在各波長范圍內二者的相關性變化趨勢一致，其中紅邊區域是估算的最佳波段；石吉勇[15]等采用聯合區間偏最小二乘法優選光譜特征區間，最終建立黃瓜葉片葉綠素含量光譜模型。已有研究大多通過實測光譜數據來構建植被指數建立葉綠素含量估算模型，但有關糜子農田冠層結構特征、高產農田冠層葉片光合色素變化及其估測模型尚未見相關報道。

本文針對不同類型的糜子品種，在各生育期采集冠層光譜反射率，計算多種植被指數，旨在建立糜子葉綠素含量估算模型，為遙感技術在糜子葉綠素含量監測上提供理論依據和技術支持。

1 材料與方法

1.1 試驗地概況

試驗地位于陜西榆林小雜糧試驗示范基地，109.78°N，38.39°E，海拔1 100 m，干旱半干旱大陸性季風氣候，年平均氣溫10℃，平均降水400 mm 左右，無霜期150 d左右。試驗地為風沙土，耕層有機質6.11 g·kg-1，pH值為8.25，全氮0.36 g·kg-1，堿解氮25.38 mg·kg-1，速效磷2.47 mg·kg-1，速效鉀53.37 mg·kg-1。

1.2 試驗設計

試驗于2014—2015年實施，采取隨機區組設計，3次重復，小區面積10 m2(2 m×5 m)，基本苗45 萬株·hm-2，行距33.3 cm。供試8個品種中粳性品種3個分別為品糜1號(M1)、隴糜5號(M2)、隴糜8號(M3)，糯性品種5個分別為龍黍21號(M4)、寧糜15號(M5)、晉黍5號(M6)、晉黍8號(M7)和粘豐5號(M8)。2014年6月15日播種，9月23日收獲；2015年6月12日播種，9月20日收獲。其它栽培管理同高產農田[16]。

1.3 測定指標及方法

1.3.1 冠層光譜反射率測量 糜子冠層光譜反射率采用美國ASD公司的便攜式野外光譜儀(FieldSpec 3)。波段為350～2 500 nm，其中350～1 000 nm采樣間隔為1.4 nm，1 000～2 500 nm采樣間隔為2 nm，視場角25°，距冠層頂垂直高度約15～20 cm。測量選擇在天氣晴朗、無云、無風時進行，測定時間為10∶00—14∶00。于糜子拔節期、抽穗期、開花期、灌漿初期、灌漿后期和成熟期測量。每小區測5個點，每個觀測點記錄10個光譜數據，取算數平均值作為該觀測點光譜反射率。各小區測量前，進行標準白板校正(標準白板反射率為1)。

1.3.2 葉綠素含量測量 測量光譜的同時，用日本生產的SPAD-502便攜式葉綠素儀測定糜子葉片的葉綠素含量，其讀數可以準確表征葉綠素相對含量。在測定冠層光譜反射率所選定的5個位點下每個位點隨機選取3株，測其旗葉、倒二葉、倒三葉，測量時避開葉脈位置，測定葉片的上、中、下部位，最后取均值作為該葉片的葉綠素含量相對值，取所有位點的平均值作為表征該品種冠層葉片葉綠素含量相對值。

1.4 植被指數及擬合模型的選擇

總結前人研究冠層水平綠色植物葉片葉綠素含量估算的高光譜指數，選擇歸一化植被指數(normal difference vegetation index，NDVI)[17]，差值植被指數(differential vegetation index，DVI)[18]，比值植被指數(ratio vegetation index，RVI)[19]，優化土壤調整植被指數(optimized soil adjusted vegetation index，OSAVI)[20]，比值植被色素指數(plant pigment ratio，PPR)[21]，轉換葉綠素吸收反射指數(transform the chlorophyll absorption reflection index，TCARI)[22]，綠度歸一化植被指數(green degree of normalized difference vegetation index，GNDVI)[23]，色素比值指數(pigment specific simple ratio，PSSR)[24]，色素歸一化差值指數(pigment specific normalized difference，PSND)[24]，葉綠素指數(chlorophyll index，RCh)[25]，三角植被指數(triangular vegetation index，TVI)[26]，綠色葉綠素指數(green chlorophyll index，CIgreen)[27]，紅邊葉綠素指數(red edge chlorophyll index，CIred edge)[27]，歸一化色素葉綠素指數(normalized pigment chlorophyll index，NPCI)[28]，結構不敏感色素指數(structure insensitive pigment index，SIPI)[29]，植被衰老反射率指數(plant senescence reflectance index，PSRI)[30]等，以葉綠素含量為因變量，不同類型植被指數為自變量，建立葉綠素高光譜遙感監測模型。不同植被指數計算公式見表1。

1.5 數據處理

依據不同年份、不同生育時期、不同品種將葉綠素和冠層光譜反射率數據進行匯總，按表1公式計算植被指數。使用便攜式野外光譜儀(FieldSpec 3)測定設備自帶的ViewSpecPro軟件的Splice Correction功能對原始數據修正，剔除反射率數值不合理波段。以2015年數據為基礎，對糜子冠層光譜參數與葉片葉綠素含量進行相關分析，通過回歸分析建立糜子葉片葉綠素含量監測模型，利用擬合決定系數(R2)和F值篩選方程。然后利用2014年數據對所建模型進行測試和檢驗，采用均方根差(root mean square error，RMSE)和相對誤差(relative error，RE)作為精度評價標準。公式如下：

表1 采用的高光譜植被指數 Table 1 Hyperspectral vegetation indices

注：R為原始光譜反射率，RX表示在波長x nm處的光譜反射率；RNIR為760～900 nm波段范圍內光譜反射率平均值；RRED為630～690 nm波段范圍內光譜反射率平均值；RGREEN為540～560 nm波段范圍內光譜反射率平均值；RRed Edge為720～740 nm波段范圍內光譜反射率平均值。

Note:R, spectral reflectance;Rx, reflectance of x nm.RNIR, average spectral reflectance of 760～900 nm;RRED, average spectral reflectance of 630～690 nm;RGREEN, average spectral reflectance of 540～560 nm;RRed Edge, average spectral reflectance of 720～740 nm.

2 結果與分析

2.1 不同品種糜子冠層葉綠素含量

如圖1所示，隨著生育進程的推進，不同糜子品種葉片葉綠素含量呈先升高后降低的趨勢，其中品糜1號(M1)、隴糜5號(M2)、隴糜8號(M3)、龍黍21號(M4)和粘豐5號(M8)在抽穗期葉綠素含量達到最大值，寧糜15號(M5)、晉黍5號(M6)、晉黍8號(M7)在開花期達到最大值。不同品種之間差異顯著(P<0.05)。

圖1 不同生育期糜子品種葉片葉綠素含量變化

Fig.1 Changes of chlorphyll content in the leaf in different growth stages of proso millet

注：ES、HS、FP、EFS、MFS、MS分別代表拔節期、抽穗期、開花期、灌漿初期、灌漿中期、成熟期，下同。

Note: ES, HS, FP, EFS, MFS, and MS represent elongation stage, heading stage, flowering period, early filling stage, middle filling stage and maturation stage, respectively; the same below.

2.2 不同品種糜子冠層光譜反射率

不同品種糜子冠層光譜反射率存在差異，但是反射光譜曲線走勢基本一致，在近紅外光波段差異較明顯。以2015年晉黍5號冠層光譜反射率為例，分析不同生育期冠層光譜反射率的變化(圖2)。為降低噪聲影響，將全波段范圍(350～2 500 nm)內1 350、1 850 nm和2 450 nm附近波段及其附近波段噪聲數據剔除，以便分析。

圖2 晉黍5號生育期內冠層光譜反射率變化

Fig.2 Canopy spectral reflectance in development stages of Jinshu No.5

由圖2可知，各生育期在550 nm處有一反射峰，主要是綠光對光合色素的強烈反射造成的，不同時期差異較大；在波長670 nm附近產生了一個較明顯的吸收谷，主要是葉綠素對紅光的吸收作用產生的；在710～760 nm之間，光譜反射率急劇上升。在970 nm附近光譜反射率出現一個吸收谷，在1 600 nm附近有一反射峰。近紅外光波段從抽穗期開始，反射率逐漸升高，到灌漿初期反射率達到最高值。

分析不同品種灌漿初期冠層光譜反射率的變化(圖3)。在550 nm處有一反射峰，各品種差異較大，冠層光譜反射率最高為晉黍5號(M6)，最低為粘豐5號(M8)；在710～760 nm之間，光譜反射率急劇上升；在800 nm附近冠層光譜反射率為寧糜15號(M5)最高，粘豐5號(M8)最低。

圖3 不同品種糜子灌漿初期冠層光譜反射率

Fig.3 Canopy spectral reflectance in early grain filling stage of different proso millet

2.3 葉綠素含量與冠層光譜反射率的相關性

通過糜子葉片葉綠素含量與高光譜植被指數之間的相關性分析(圖4)可知，在可見光波段，糜子拔節期、開花期和灌漿初期冠層光譜反射率與冠層葉綠素均表現為穩定的正相關，開花期和灌漿初期呈顯著正相關(P<0.01)，成熟期呈負相關。在近紅外波段，不同生育期冠層光譜反射率與葉綠素相關性趨勢一致，750～1 100 nm之間有一個相對穩定的平臺，呈正相關，其中抽穗期、開花期和灌漿初期呈顯著正相關(P<0.01)。

圖4 不同生育期糜子冠層光譜與冠層葉綠素含量的相關分析

Fig.4 Correlation between canopy reflectance spectrum and canopy chlorophyll content of proso millet

2.4 糜子葉綠素含量統一監測模型的擬合與驗證

2.4.1 葉綠素含量與高光譜指數的相關性分析 通過計算不同類型植被指數，對不同生育時期冠層光譜反射率與葉綠素含量進行相關性分析(表2)。由表2可知，除DVI、PPR、RCh和TVI這4個植被指數外，其余16個植被指數與葉綠素含量均達到極顯著相關(P<0.01)，均可以作為構建葉綠素含量統一監測模型的參數。

表2 植被指數與葉綠素含量的相關系數 Table 2 Correlation coefficient between vegetation indices and chlorophyll content

2.4.2 葉綠素含量統一監測模型的擬合與驗證 選擇2015年的糜子葉綠素含量與對應的植被指數，建立糜子葉片葉綠素含量統一監測模型，以2014年數據對模型進行驗證(表3)。由表3可知，R2范圍為0.379～0.795；模型預測值與田間實測值的RE范圍為8.93%～56.87%，RMSE范圍為0.045～0.889。從所選的模型中選擇擬合(R2)較高，RMSE和RE%較小的擬合模型作為估測葉綠素含量的最佳模型，其中RVI、GNDVI800、GNDVI750、GNDVI、PSSRb、PSNDa、PSNDb和CIgreen 8個模型擬合程度較高。預測精度最高的3個模型是RVI與葉綠素含量擬合的一元三次方程，PSNDb與葉綠素含量擬合的指數函數，GNDVI750與葉綠素含量擬合的一元三次方程。R2分別為0.791、0.779、0.748；RE分別為9.58%、8.93%、11.80%；RMSE分別為0.045、0.140、0.196。

3 結論與討論

本研究表明，不同糜子品種葉綠素含量在整個生育期內的變化趨勢一致，但最大值出現時期不同，主要集中在抽穗期到開花期之間，整個生育期呈現“低-高-低”的拋物線變化趨勢。參試品種冠層光譜反射曲線走勢基本一致，在近紅外光波段，灌漿初期的光譜反射率達到最大值。在550、670、970 nm以及710～760 nm和760～1 100 nm光譜反射率差異較大，這與前人研究基本一致[31-33]。將不同時期冠層光譜反射率與葉綠素含量進行相關分析，發現在750～1 100 nm波段，冠層光譜反射率與葉綠素含量呈正相關，劉桃菊[13]等研究表明，此波段是綠色植物的各種變量與反射率關系最敏感波段[34-35]，所以可以利用近紅外反射平臺處光譜反射率能更好反映葉綠素含量動態變化。這對該區域內糜子群體長勢實時監測具有重要意義。

表3 糜子葉片葉綠素含量統一監測模型的擬合及驗證 Table 3 Fitting and performance of chlorophyll content model of proso millet

劉豪杰[6]等研究發現，玉米RVI與葉綠素含量相關性達到極顯著水平，可建立大田玉米葉綠素含量診斷模型；孫雪梅[36]等研究水稻發現利用550 nm反射率構造的綠度歸一化植被指數GNDVI750與葉綠素含量相關性最好。本研究表明，近紅外波段(760～900 nm)與紅光波段(630～690 nm)和550 nm左右的綠光波段組合的植被指數與糜子冠層葉綠素含量具有較高相關性，是預測冠層葉綠素含量最理想的區域。結合前人研究，基于敏感波段光譜，選擇20種不同類型植被指數，分析其與葉綠素含量的相關性，發現其中16個植被指數達到極顯著相關(P<0.01)，這與前人研究基本一致[37-38]，但是NDVI、OSAVI、TCARI、CIred edge、NPCI、SIPI和PSRI建立的檢測模型精度不高(RMSE>0.500)，PSSRa和CIgreen建立的檢測模型的相對誤差較高(>20.0%)，不適宜作為監測模型。篩選預測精度最高的3個模型參數分別是RVI、PSNDb和GNDVI750。決定系數分別為0.791、0.779、0.748；實測值與預測值間的相對誤差分別為9.58%、8.93%、11.80%，均方根誤差分別為0.045、0.140、0.196。

高光譜數據豐富，可根據不同的作物群體、不同的需求探索與不同的植被指數之間的關系，從而篩選出合理有效的植被指數，建立檢測模型。本試驗主要以北方干旱半干旱區域內主栽糜子品種數據為基礎，因此模型仍需在不同栽培措施、不同地域等條件下進行更為廣泛的驗證完善，進而促進高光譜遙感技術在糜子上的應用，為糜子產區長勢監測提供重要技術支撐。

[1] 唐延林，王紀華，黃敬峰，等.水稻成熟過程中高光譜與葉綠素、類胡蘿卜素的變化規律研究[J].農業工程學報，2003，19(6)：167-173.

[2] 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 Sens，1994，15(7)：1459-1470.

[3] Gausman H W, Allen W A, Cardenas R. Relation of light reflectance to histologieal and Physical evaluations of cotton leaf maturity[J]. Application of Optics，1970，9:545-552.

[4] 馮 偉，王曉宇，宋 曉，等.白粉病脅迫下小麥冠層葉綠素密度的高光譜估測[J].農業工程學報，2013，29(13)：114-123.

[5] 冀榮華，鄭立華，鄧小蕾，等.基于反射光譜的蘋果葉片葉綠素和含水率預測模型[J].農業機械學報，2014，45(8)：269-275.

[6] 劉豪杰，趙 毅，文 瑤，等.基于多波段光譜探測儀的玉米冠層葉綠素含量診斷[J].農業機械學報，2015，46(增刊)：228-233,245.

[7] Schlemmer M, Gitelson A, Schepers J, et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J]. International Journal of Applied Earth Observation and Geoinformation，2013，25(1):47-54.

[8] 妙佳源，張鈺玉，王 孟，等.旱區糜子農田冠層光譜反射特征研究初報[J].黑龍江八一農墾大學學報，2015，27(5)：6-9.

[9] 楊 峰，范亞民，李建龍，等.高光譜數據估測稻麥葉面積指數和葉綠素密度[J].農業工程學報，2010，26(2)：237-243.

[10] 王 強，易秋香，包安明，等.基于高光譜反射率的棉花冠層葉綠素密度估算[J].農業工程學報，2012，28(15)：125-132.

[11] 譚海珍，李少昆，王克如，等.基于成像光譜儀的冬小麥苗期冠層葉綠素密度監測[J].作物學報，2008，34(10)：1812-1817.

[12] Mark N, Merzlyak, Alexei E, et al. Reflectance spectral features and non-destructive estimation of chlorophyll, carotenoid and anthocyanin content in apple fruit[J]. Postharvest Biology and Technology，2003，27(2):197-211.

[13] 劉桃菊，胡雯君，張笑東，等.水稻冠層高光譜特征變量與葉綠素含量的相關性研究[J].激光生物學報，2015，24(5)：428-435.

[14] 艾金泉，陳文惠，陳麗娟，等.冠層水平互花米草葉片光合色素含量的高光譜遙感估算模型[J].生態學報，2015，35(4)：1175-1186.

[15] 石吉勇，鄒小波，趙文杰，等.黃瓜葉片葉綠素含量近紅外光譜無損監測[J].農業機械學報，2011，42(5)：178-182,141.

[16] 林汝法，柴 巖，廖 琴，等.中國小雜糧[M].北京：中國農業科學技術出版社，2002:80-85.

[17] Rouse J W, Haas R H, Schell J A, et al. Monitoring the Vernal Advancement and Retrogradation of Natural Vegetation[C]//NASA/GSFC，Type III，Final Report. Greenbelt，MD，USA: Nasa, 1974：1-371.

[18] Richardson A J， Wiegand C L. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering &Remote Sensing，1977，43(12)：1541-1552.

[19] Pearson R L, Miller D L. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass prairie[J]. Remote Sensing of Environment，1972，45(2)：7-12.

[20] Rondeaux G， Steven M， Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55(2)：95-107.

[21] Metternicht G. Vegetation indices derived from high-resolution airborne videography for precision crop management[J]. Internationl Journal of Remote Sensing，2003，24(14)：2855-2877.

[22] Daughtry C S T， Walthall C L， Kim M S， et al. Estimating corn foliar chlorophyll content from leaf and canopy reflectance[J]. Remote Sens Environ，2000，74(2)：229-239.

[23] Gitelson A A， Kaufman Y J， Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing Environment，1996，58(3)：289-298.

[24] Blackburn G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales：An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，1998，66(3):273-285.

[25] Gupta R K, Vijayan D, Prasad T S. New hyperspectral vegetation characterization parameters[J]. Advances in Space Research，2001，28(1)：201-206.

[26] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment.，2000，76(2)：156-172.

[27] Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal Plant Physiology，2003，160(3)：271-282.

[28] Penuelas J, Gamon J A, Fredeen A L, et al. Reflectance indices associated with physiological changes in nitrogen and water-limited sunflower leaves[J]. Remote Sensing of Environment，1994，48(2)：135-146.

[29] Pe?uelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica，1995，31(2)：221-230.

[30] Merzlyak M N, Gitelson A A, Chivkunova O B, et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum，1999，106(1)：135-141.

[31] 金震宇，田慶久，惠鳳鳴，等．水稻葉綠素濃度與光譜反射率關系研究[J].遙感技術與應用，2003，18(3)：134-137．

[32] 鞠昌華，田永超，朱 艷，等.小麥疊加葉片的葉綠素含量光譜反演研究[J].麥類作物學報，2008，28(6)：1068-1074.

[33] 馮 偉，朱 艷，田永超，等.基于高光譜遙感的小麥冠層葉片色素密度監測[J].生態學報，2008，28(10)：4902-4911.

[34] 姚付啟.冬小麥高光譜特征及其生理生態參數估算模型研究[D].楊凌：西北農林科技大學，2012：45-50.

[35] 馮 偉，朱 艷，姚 霞，等.小麥葉片色素含量的高光譜監測[J].應用生態學報，2008，19(5)：992-999.

[36] 孫雪梅，周啟發，何秋霞.利用高光譜參數預測水稻葉片葉綠素和籽粒蛋白質含量[J].作物學報，2005，31(7)：844-850.

[37] 賀 佳，劉冰峰，李 軍.不同生育時期冬小麥FPAR高光譜遙感監測模型研究[J].農業機械學報，2015，46(2)：261-269,275.

[38] 唐延林.水稻高光譜特征及其生物理化參數模擬與估測模型研究[D].杭州：浙江大學，2004：90-106.