夏玉米葉片光合色素含量高光譜估算

落莉莉，常慶瑞，武旭梅，楊 景，李粉玲，王 琦

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西 楊凌 712100)

高等植物葉片光合色素包括葉綠素(葉綠素a、葉綠素b)和類胡蘿卜素。這些色素不僅可以吸收、傳遞和轉(zhuǎn)換光能，還可以在光能過剩時保護光系統(tǒng)[1]。對植物葉片光合色素含量進行遙感估算，有助于合理指導(dǎo)田間施肥和產(chǎn)量預(yù)測。不同作物類型、不同色素含量的植物葉片對光的反射和吸收情況不同。高光譜遙感因其波段窄、分辨率高的優(yōu)勢，可以對植物光譜反射率的微弱差異進行定量分析[2]。所以，借助高光譜技術(shù)對植物光合色素含量進行遙感估算具有一定理論價值[3-4]。

目前，有關(guān)植物葉片光合色素含量高光譜估算的方法主要包括單變量回歸[5-6]、多元逐步回歸[7-8]和基于機器學(xué)習(xí)算法的回歸分析[9-10]等。其中，隨機森林方法(Random forest，RF)作為一種新型的機器學(xué)習(xí)算法，它通過對原始樣本進行有放回抽樣構(gòu)建獨立決策樹進行分類，有效克服了單棵決策樹泛化能力弱的缺點，具有良好的抗噪性能[11]，在小麥、水稻、蘋果等植物的長勢監(jiān)測研究中得到廣泛應(yīng)用[12-16]。然而，該方法在植物光合色素含量特別是針對夏玉米葉片光合色素遙感定量估算方面的研究仍較少。因此，本文旨在探究一種夏玉米葉片光合色素含量遙感估算的方法與模型，以實現(xiàn)夏玉米葉片光合色素含量的快速、無損檢測，為田間施肥指導(dǎo)和產(chǎn)量預(yù)測提供參考依據(jù)。

1 材料與方法

1.1 試驗方案

試驗于2016年7—10月在陜西省楊凌示范區(qū)西北農(nóng)林科技大學(xué)教學(xué)試驗農(nóng)場(34.30°N,108.07°E)進行。供試玉米品種為大豐26號，分別進行氮、磷5個施肥水平處理：不施肥、50%標準施肥量、標準施肥量、150%標準施肥量、200%標準施肥量。其中，氮肥和磷肥標準施肥量分別為純氮90 kg·hm-2和P2O560 kg·hm-2。每個施肥水平設(shè)置2個重復(fù)，共20個試驗小區(qū)，小區(qū)面積為22 m2(4 m5.5 m)。所有肥料在播種時一次性施入，其它生產(chǎn)管理過程與當(dāng)?shù)爻Ｒ?guī)生產(chǎn)方式相同。選擇玉米關(guān)鍵生育期：拔節(jié)期、抽雄期、灌漿期和乳熟期，分別進行田間觀測和樣品采集。每個小區(qū)選取樣本玉米2株，摘取其最上層三片成熟葉片裝入塑封袋，帶回實驗室進行葉片光譜和光合色素含量同步測定。

1.2 葉片光譜反射率和色素含量測定

葉片光譜反射率采用美國SVC HR-1024I型光譜輻射儀測定。測定前先進行白板校正，再將葉片放入專用的手持光譜探測器，在葉子中間部位隨機選取5個位置，每個位置測定2條光譜曲線，剔除異常曲線后取均值作為該樣點玉米葉片的最終反射光譜。4個生育期共獲得160條光譜曲線，從中隨機選取107條用于回歸模型構(gòu)建，剩余53條用于模型精度檢驗。同時，避開光譜測定位置和葉脈位置，從葉片中部稱取質(zhì)量約為0.2 g的葉片樣品，用濃度為95%的乙醇完全浸泡后采用分光光度計法進行光合色素含量測定。

一階微分光譜能夠有效削弱或消除土壤、水等背景因素對反射光譜的影響，提高有用光譜信息的提取。因此，本文對原始光譜進行一階微分計算，具體公式如下：

式中，λi為第i波段的波長，R(λi)為波長λi對應(yīng)的原始光譜反射率，R′(λi)為波長λi對應(yīng)的一階微分光譜。

1.3 光譜參數(shù)選擇

光譜指數(shù)可以更全面地反映植物的生長信息[17]，紅邊參數(shù)與植物葉綠素含量及其濃度變化密切相關(guān)[18-19]。本文根據(jù)前人研究結(jié)果選取了與葉綠素 a、葉綠素 b、類胡蘿卜素、總色素含量相關(guān)性較強的光譜指數(shù)和紅邊參數(shù)(統(tǒng)稱為光譜參數(shù)，見表1)。由表1可知，所選光譜參數(shù)與光合色素具有良好的相關(guān)性，可用于光合色素含量估算。

1.4 數(shù)據(jù)處理與分析

在SVC HR-1024i軟件中求取樣點光譜曲線反射率均值，并對反射光譜進行重采樣處理(采樣間隔為1.0 nm)。在Matlab2016b軟件中進行五點移動平均平滑(平滑次數(shù)設(shè)為5)，有效去除高頻噪聲影響[26]。用樣本實測值和預(yù)測值線性擬合的決定系數(shù)(R2)、均方根誤差(RMSE)和相對誤差(RE)進行模型精度檢驗；根據(jù)R2最大、RMSE和RE最小原則確定最佳估算模型。

2 結(jié)果與分析

2.1 玉米葉片反射光譜特征

將樣本玉米葉片按總色素含量等間隔分為3組：<1.45、1.45～ 2.15 mg·g-1和>2.15 mg·g-1。各組葉片的反射光譜曲線見圖1。

由圖1看出，當(dāng)葉片總色素含量不同時，其反射光譜差異主要體現(xiàn)在可見光和近紅外波段。(1)可見光范圍(380～760 nm)內(nèi)，在綠波段550 nm附近有一小的反射峰，兩側(cè)的紅、藍波段均出現(xiàn)吸收谷；隨著總色素含量的增加，綠波段的反射峰愈加明顯。這是因為該波段范圍內(nèi)，光譜反射率主要受色素含量的影響，色素含量越高，葉片對綠光的吸收越弱、反射越強。(2)近紅外范圍(760～1 000 nm)內(nèi)，葉片整體反射率較高；光譜反射率隨總色素含量的增加變化不大。這是因為該波段范圍內(nèi)，光譜反射率主要受葉片內(nèi)部結(jié)構(gòu)和水分含量的影響，受色素含量的影響相對較小。

表1 光譜參數(shù)選取及其與葉片光合色素含量的相關(guān)性分析Table 1 Spectral parameters selected and the correlation analysis of photosynthetic pigment

注：R為反射率，其下標數(shù)字為該反射率對應(yīng)的波段(nm)；λ為波長；R(λ)為波長λ對應(yīng)的反射率；R′(λ)為R(λ)的一階微分；RDr為Dr對應(yīng)反射率。**和*分別表示在0.01和0.05水平上顯著相關(guān)，下同。

Note:Ris the spectral reflectance, and it’s subscript number is the band value(nm) of the reflectivity;λis wavelength;R(λ) is the reflectivity ofλ; andR′(λ) is the first derivative ofR(λ);RDris the reflectivity data ofDr. ** and * indicate the significant correlation at the level of 0.01 and 0.05, respectively，the same below.

圖1 不同光合色素含量水平下的玉米葉片光譜特征Fig.1 The spectral characteristics of maize leaves having different photosynthetic pigments

在680～760 nm波段范圍內(nèi)，光譜反射率急劇上升，形成紅邊。對原始光譜求一階微分得到紅邊特征，見圖2。可以看出，玉米的紅邊特征存在明顯的“多峰”現(xiàn)象，其峰值主要集中在700 nm附近。隨著總色素含量的增加，紅邊位置由701 nm移動到704 nm和706 nm，表現(xiàn)出明顯的“紅移”現(xiàn)象，紅邊振幅和紅邊面積均增大。這是因為總色素含量越高，光合作用越強，葉片對長波光子的消耗也就越多[27]。

圖2不同光合色素含量水平下的玉米葉片紅邊特征Fig.2 Red side characteristics of maize leaves having different photosynthetic pigments

2.2 基于光譜參數(shù)的葉片光合色素含量單變量回歸模型構(gòu)建

根據(jù)表1，分別選取與葉綠素a、葉綠素b、類胡蘿卜素和總色素含量相關(guān)性較好的光譜參數(shù)PRVI(r=0.78)、PSSRc(r=-0.36)、PSSRc(r= 0.71)和Rch(r=-0.72)，對相應(yīng)光合色素進行單變量回歸分析，結(jié)果如表2。

單變量模型中，模擬效果最好的均為多項式模型，建模R2介于0.29～0.62之間，檢驗R2介于0.22～0.66之間。其中，模擬效果最好的為類胡蘿卜素，葉綠素a和總色素含量次之，葉綠素b的模擬效果最差，但各模型的建模和驗證R2均較低、RMSE較大，模擬效果較差。

2.3 基于光譜參數(shù)的葉片光合色素含量多元逐步回歸模型構(gòu)建

對表1列出的所有光譜參數(shù)與光合色素含量進行多元逐步回歸分析(見表3)。模型的建模和檢驗R2介于0.57～ 0.79之間，與傳統(tǒng)回歸方法構(gòu)建的單變量模型相比，各模型的精度均有所提高，提高幅度最大的為葉綠素b，總色素和葉綠素a次之，類胡蘿卜素的精度提高較小。可見，單獨的光譜參數(shù)并不能完整地反映植物的光譜信息，多元逐步回歸方法通過對多個光譜參數(shù)進行線性組合，有效提高了模擬精度。

2.4 光合色素含量RF估算模型構(gòu)建

為了進一步驗證隨機森林模型的預(yù)測精度，分別對葉綠素a、葉綠素b、類胡蘿卜素和總色素含量進行隨機森林回歸分析。決策樹變量確定為1 000，節(jié)點分割變量設(shè)置為3。

從光合色素的RF模型(表4)觀察發(fā)現(xiàn)，所有模型的建模R2均超過了0.9，檢驗R2介于0.70 ～ 0.75之間，各模型的模擬效果均較好且模擬精度相差不大。與光合色素的單變量和多元逐步回歸模型相比，RF模型精度均有所提高。模擬效果最好的為葉綠素a，類胡蘿卜素和葉綠素b次之，總色素含量的模擬效果稍差。綜合來看，基于隨機森林建立的光合色素模型建模和檢驗R2均較高，且均達到0.01顯著水平，RMSE和RE較小，模擬效果較好。

表2 基于光譜參數(shù)的葉片光合色素含量單變量回歸模型

表3 基于光譜參數(shù)的葉片光合色素含量多元逐步回歸模型

表4 玉米葉片光合色素RF回歸模型

分別對各色素的檢驗樣本實測值與RF模型預(yù)測值進行線性擬合(圖3)。可以看出，當(dāng)色素含量偏低時，隨機森林模型預(yù)測值較實際值偏高；當(dāng)色素含量偏高時，隨機森林模型預(yù)測值較實測值偏低；只有當(dāng)葉綠素a含量處于1.3 mg·g-1、葉綠素b含量處于0.57 mg·g-1、類胡蘿卜素含量處于0.13 mg·g-1和總色素含量處于1.8 mg·g-1附近時，隨機森林預(yù)測值和實際值相接近，預(yù)測結(jié)果較準確。這是由于當(dāng)色素含量過低時，反射光譜對微小的色素差異不再敏感；色素含量過高時，吸收光譜又容易飽和；只有當(dāng)色素含量處于一定范圍內(nèi)，反射光譜才會對光合色素含量較敏感，能夠準確反映光合色素的含量。

圖3 基于RF的光合色素實測值與預(yù)測值比較Fig.3 Measured photosynthetic pigments value versus predicted value based on random forest regression

3 討論與結(jié)論

3.1 討 論

植物的光合色素是表征其光合作用強度和潛在生產(chǎn)力的重要參數(shù)[28-29]。對不同色素分開研究有助于了解各色素的實際含量，更準確地掌握植物的營養(yǎng)狀況[30]。高光譜技術(shù)能夠快速、實時、無損地獲取植物的反射光譜信息，為植物光合色素含量定量估算提供有效可行的方法。本研究分別構(gòu)建了基于單變量、多元逐步回歸和隨機森林方法的遙感模型，得到的模擬效果差異明顯。

(1)在單變量線性和非線性模型中，模擬效果最好的均為多項式模型，反映了光譜反射率和色素含量之間并非呈現(xiàn)簡單的線性關(guān)系。所有模型的建模決定系數(shù)均達到0.01顯著水平，檢驗決定系數(shù)除葉綠素b以外，也都達到0.01顯著水平，但各模型的相對誤差均較大，最大達到46.4%。

(2)多元逐步回歸模型較單變量模型精度有所提高，提高幅度介于4.2%～40.90%之間。建模精度最高的是葉綠素b(R2=0.79)，檢驗精度最高的是葉綠素a(R2=0.68)。用敏感波段構(gòu)建的植被指數(shù)進行光合色素模擬能夠有效消除環(huán)境噪聲的影響，但仍存在單一指數(shù)包含信息有限且容易出現(xiàn)飽和等缺點[31-33]。

(3)輸入變量相同時，基于隨機森林方法的估算模型較多元逐步回歸模型精度明顯提高；其中，葉綠素a的擬合效果最好，建模R2為0.93，檢驗R2為0.74，RMSE和RE均較小，其他色素的隨機森林模型擬合效果也較好。這是因為隨機森林算法中，產(chǎn)生決策樹的訓(xùn)練樣本和節(jié)點分裂時的最優(yōu)屬性都是隨機的，可以有效提高分類精度[34]。此外，隨機森林算法參數(shù)單一且不需要反復(fù)調(diào)參，更加增加了模型的穩(wěn)定性和適用性。

3.2 結(jié) 論

本文以西北區(qū)夏玉米為研究對象，用敏感波段構(gòu)建光譜指數(shù)，對夏玉米葉片光合色素含量進行基于單變量、多元逐步回歸和隨機森林算法的遙感模型構(gòu)建，得到以下結(jié)論：

(1)不同總色素含量的玉米葉片，其反射光譜特征基本一致，隨著總色素含量的增加，可見光范圍內(nèi)的光譜反射率逐漸增大，紅邊位置“紅移”，近紅外范圍的光譜反射率變化不大。

(2)單變量模型中，各色素的多項式模型擬合效果均優(yōu)于線性、指數(shù)、對數(shù)和冪函數(shù)模型，類胡蘿卜素的多項式模型擬合精度最高。

(3)多元逐步回歸方法盡管克服了變量單一的缺點，但由于所構(gòu)建的模型仍然是線性的，在很大程度上限制了模型的精度。

(4)隨機森林模型較單變量模型和多元逐步回歸模型精度有顯著提高，在夏玉米葉片光合色素含量研究中具有顯著優(yōu)越性，有較強的農(nóng)業(yè)推廣應(yīng)用價值。