不同地域冬小麦叶片SPAD高光谱估算研究*

夏 天，吴文斌，周清波※，陈仲新，周 勇

(1．农业部农业信息技术重点实验室，北京 100081;2．中国农业科学院农业资源与农业区划研究所，北京 100081;3．华中师范大学城市与环境科学学院，湖北武汉 430079)

1 引言

近年来，高光谱遥感技术迅速发展，使得遥感技术可以直接对地物进行微弱光谱差异的定量分析，在植被遥感研究与应用中表现出强大优势［1-3］。利用高光谱估测植物叶绿素 (Soil and Plant Analyzer Development，SPAD)含量等参数已经成为一种重要手段［4-5］，它能了解植株叶绿素的含量及动态变化，对评价作物生产能力、估测产品和监测品质均有重要意义。

国内外许多学者在此方面进行了相关研究，如Sampson［6］和Carter［7］等发现叶片的叶绿素含量作为叶片的主要参数，它决定着叶片光谱可见光部分的变化，叶绿素的含量与光谱反射率具有较好的相关。Hansen［8］等利用NDVI指数的偏最小二乘法，估算出冬小麦冠层生理生化参数。Dash［9］基于单一的植被类型的冠层叶绿素含量估测，结果表明绿、红以及红外波段附近的光谱信息对于叶绿素含量较为敏感;杨海清［10］利用反射光谱技术建立的SPAD预测模型;董晶晶［11］和赵祥［12］等应用高光谱数据反演冬小麦叶绿素含量。此外，还有国内外许多学者一直致力寻找对植被叶绿素较敏感的波段建立模型［13-17］。研究发现，这些已有的研究主要针对某一个区域植被或作物，利用高光谱遥感技术进行叶绿素含量反演或估算，跨区域的植被SPAD遥感估算研究较少。由于不同地区、不同环境的植被SPAD对高光谱的敏感波段不尽相同，植被指数在不同区域环境的适应性也不同，因此开展多区域的基于高光谱遥感估算植被SPAD的比对研究具有重要意义。

基于此，研究选取江汉平原的湖北省潜江市和黄淮海平原的山东省济南市为研究区，以冬小麦作物为研究对象，首先，使用便携式ASD Field spec 3高光谱仪与Konica Minolta SPAD-502型手持式叶绿素测量计 (简称SPAD-502)对冬小麦不同生育期进行叶片SPAD及冠层反射光谱数据定位观测。SPAD-502仪器通过测量叶片对两个波段650nm和940nm的吸收率，来评估当前叶片中的叶绿素的相对含量或“绿色程度”。Marenco研究发现SPAD-502测量叶绿素含量的精度很高，几乎跟化学实验测得的叶绿素结果一样［18］。之后，探究冬小麦冠层反射光谱与SPAD之间的定量关系，构建不同地域冬小麦SPAD最佳遥感估算模型。该研究结果可为研究不同地域冬小麦生育期内光谱变化情况，建立冬小麦光谱与叶绿素之间的关系，适时动态地掌握冬小麦的生长状况提供参考［19］，也可以不同区域的多品种冬小麦叶片SPAD遥感诊断和预测提供技术支持。

2 材料与方法

2.1 田间数据采集

图1显示了湖北省潜江市后湖管理区和山东省济南市长清区的地理位置。潜江市境内地势平坦，土壤以黏土为主，地面高程在26～31m之间，水系纵横，雨量丰沛，属亚热带季风性湿润气候，年均气温在16．1℃左右，年均降水量1 110mm。区内种植水稻和冬小麦两种粮食作物，其中冬小麦品种主要为郑麦9023和皖麦369。济南市地处中纬度地带，境内土壤主要为棕壤、褐土、潮土和风沙土，属于暖温带半湿润大陆性季风气候，四季分明，春季干旱少雨，夏季炎热多雨，秋季较为干燥，冬季气温低，年平均气温14．3℃，年平均降水量660．7mm。研究区内主要种植泰农18号、临麦2号和稳千1号等多个品种冬小麦。

由于温度、降水等气候原因，江汉平原冬小麦发育所需的积温时间较黄淮海平原冬小麦所需的积温时间短，后湖地区的冬小麦在每年的5月下旬成熟，而长清地区的冬小麦在每年的6月中旬成熟。江汉平原冬小麦的每个生育期较黄淮海平原的冬小麦均提前了15～20天左右。该研究从2010年3～6月，分析在两个区域的冬小麦关键生育期 (拔节期、抽穗期、灌浆期、成熟期)进行田间测量。

图1 两个研究区域的空间分布

田间测量以田块为基本元设置观测点，在每个观测点田块的东、南、西、北、中五个方位设置监测点，使用差分GPS记录监测点的坐标，分别在每个子样点附近1 m范围内随机选择4株使用SPAD-502测定冬小麦叶片SPAD。通过仪器分别夹住叶片的上部1/3处、中部和下部1/3处测量SPAD并求其平均值。小麦的一生叶片分为3组:近根叶组、中层叶组和上层叶组。倒二叶属于上层叶组，在孕穗期，小麦植株最后三片功能叶对每穗结实粒数影响:倒二叶＞剑叶＞倒三叶［20］。由于倒二叶对小麦产量具有决定性的影响，同时倒二叶属于上层叶组对冠层光谱有直接影响，故研究选取倒二叶作为研究对象。冬小麦冠层光谱反射率测量在天气晴朗、无风或者风速较小时进行，时间为10:00～14:00之间。测量时光纤探头垂直地表约120 cm，在视场范围内重复测量10次，取平均值。各点在测量前都进行标准白板校正 (标准白板反射率为1，所得目标物光谱为无量纲的相对反射率)。

2.2 数据处理

2．2．1 冬小麦SPAD数据处理

首先对采集的冬小麦SPAD进行预处理，将所有的SPAD数据按照采样地区、采样监测点、采样的方位和采样时间分别进行处理。后湖样区的郑麦9023、皖麦369和长清样区的临麦2号、稳千1号、泰农18号在SPAD峰值大小及出现的物候期上略有差异 (图2)。郑麦9023和皖麦369的SPAD最大值出现在抽穗期，分别为51．6和48，最小值出现在成熟期分别为4．8和6．5。临麦2号、稳千1号和泰农18号在拔节期叶片SPAD最高，分别为53、63．9和67．4，最小值出现在成熟期，分别为 16．1、16．9和17．5。长清样区冬小麦的SPAD整体水平较后湖样区要好，这说明长清样区冬小麦的整体生长状况较优，后湖样区的冬小麦叶片SPAD从拔节开始不断增加，抽穗期时达到最大。然后进入灌浆期，随着冬小麦的营养不断的供给麦穗，叶子和麦秆慢慢凋萎，成熟期冬小麦叶片的SPAD达到最低点。而长清样区的冬小麦在拔节期叶片SPAD处于最高峰，抽穗期至灌浆期缓慢下降，直至成熟期降到最低点。

图2 不同生育期冬小麦叶片SPAD变化

2．2．2 冬小麦光谱数据处理

为了减弱噪声对实际光谱数据的影响，对原始的高光谱进行除噪声处理。对350～2 500 nm光谱范围内1 400 nm、1 900 nm和2 500 nm附近反射率大于1的波段及其周围所对应的噪声数据进行剔除，这样所得光谱在该波长范围内的噪声比较小，有利于研究使用［21］。

分析冬小麦冠层光谱数据发现，不同生育期冬小麦冠层光谱反射率的变化较明显 (图3)。长清样区冬小麦拔节期至抽穗期，可见光部分反射率逐渐减低，而近红外部分反射率逐渐升高。抽穗期至灌浆期;灌浆期至成熟期，可见光部分反射率逐渐升高，而近红外部分反射率逐渐降低。该地区的冬小麦光谱特征与前人研究的规律是一致的［22］。后湖样区冬小麦拔节期至抽穗期，可见光部分反射率逐渐降低，但近红外部分反射率也逐渐降低，这与长清样区的情况有所不同。抽穗期至灌浆期;灌浆期至成熟期，可见光部分反射率是逐渐升高，近红外部分反射率降低。当冬小麦长势好，覆盖度高时，在可见光部分由于叶绿素强烈吸收而反射率较低，在近红外平台区域由于冠层结构作用导致反射率表现较高。两地区的冬小麦从拔节期至抽穗期在植被强烈反射带地区有所不同，作者综合实地观察和已有研究，该研究出现冠层光谱的差异与种植地区和冬小麦的品种差异有着一定的关系［23］。

图3 不同生育期冬小麦冠层光谱反射率变化

2．2．3 冬小麦SPAD估算模型构建

研究选取4种能反映冬小麦叶绿素特点的植被指数 (表1)构建反演模型。比值植被指数 (RVI)绿色植被的一个灵敏的指示参数，它与叶绿素含量相关性高。差值植被指数 (DVI)对土壤背景的变化较RVI敏感，植被覆盖度高时，对植被的敏感度有所下降，适宜于冬小麦初期的植被覆盖研究。归一化植被指数 (NDVI)可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件相关辐射照度的变化的影响，常用于研究植被生长状态及覆盖度。而绿波段指数 (GRVI)对叶绿素浓度有较高的敏感性。

利用SPSS软件统计分析功能对两个样区的冬小麦SPAD进行方差分析，研究它们之间是否存在差异，并根据方差分析结果来确定数据集分类。将分类后的冬小麦冠层光谱反射率与冬小麦SPAD相关性分析，找出光谱敏感区域;然后利用高光谱数据计算4种植被指数，并与冬小麦SPAD构建回归模型，确定拟合度高、误差小的冬小麦SPAD反演模型;最后利用实测SPAD数据对反演模型进行精度检验。

表1 高光谱植被指数表达式

3 结果与分析

3.1 冬小麦SPAD差异分析

对两样区冬小麦的SPAD分别按拔节期、抽穗期、灌浆期、成熟期利用SPSS软件进行方差分析 (表2)，结果显示 F检验统计量的值为33．398、18．914、23．880、89．143远大于1，对应的概率 P均小于0．05，在0．05的显著性水平下，说明后湖样区和长清样区的冬小麦各生育期都存在显著的差异。故该研究将样本分为后湖样本和长清样本两个样本进行研究。

表2 后湖样区与长清样区冬小麦各生育期SPAD方差分析

3.2 冬小麦SPAD预测模型

由图4可以看出，后湖管理区可见光部分变化十分强烈，其中蓝光波段为正相关，绿光波段为负相关，红光波段在680 nm附近达到负相关最大值-0．70，然后迅速转为正相关。近红外区域760～1 000 nm部分相关性相对比较平稳，维持在0．75左右。而长清区在可见光部分 (350～720 nm波段)，冬小麦冠层高光谱反射率与SPAD值呈负相关，其中500～560 nm之间由于叶绿素的强吸收带的影响出现一个小波峰。红光波段620～720 nm处于负相关，最低达到-0．70左右，720 nm附近相关系数迅速接近于零，720～760 nm波段冬小麦冠层高光谱反射率与SPAD值呈正相关，相关系数随着波长不断增加达到0．70，此区域色素对光能的吸收逐渐减弱，而细胞结构对光的反射开始增强，在近红外反射平台区域对冠层及叶片结构表现最为敏感。近红外区域760～1 000 nm部分相关性相对比较平稳，维持在0．70左右。

图4 两个样区冬小麦高光谱反射率与SPAD相关性

结合光谱的实际情况，该研究选取以近红外890 nm、红外680 nm、绿光550 nm波段的光谱反射率的组合4种植被指数可以较好的反映冬小麦特征。通过4种高光谱指数与冬小麦SPAD进行相关性分析 (表3)，预处理时按照地域分为后湖和长清两大类，分析结果显示，两样区冬小麦叶片SPAD与4种植被指数的相关系数在0．686～0．901之间。其中后湖样区郑麦9023的 NDVI与SPAD相关系数最高，达到了0．901，其次是DVI达到了0．803，RVI和GRVI与SPAD相关性相对较低，分别为0．780和0．686。同时在长清样区NDVI与SPAD相关系数最高达到0．873，其次是GRVI为0．793;RVI和DVI相对较低分别为0．748和0．737。从SPSS结果来分析，以上几种植被指数都能够很好反映SPAD的变化，均能够利用其建模模拟分析。

表3 不同地域冬小麦SPAD与植被指数的相关系数

然后将各种植被指数与冬小麦SPAD拟合一元回归模型，分析模型拟合精度，该研究均选取拟合度最高的线性模型进行建模，各植被指数与SPAD构建回归模型如图5所示。后湖样区模型拟合度均较高，R2为0．786～0．902之间，其中NDVI构建的指数方程拟合度最优，其次是RVI模型和DVI模型。长清样区拟合度相对较低，R2为0．666～0．817之间，其中NDVI构建的线性方程拟合度最优，其次为GRVI方程和RVI方程。两样区均较适宜使用NDVI植被指数估测该地区冬小麦SPAD。

3.3 模型检验

为了检验上述SPAD估算模型精度，该研究将模型应用于后湖地区和长清样区的其他地块估算冬小麦叶片SPAD，然后和实地采集的观测数据进行比对，采用总均方根差RMSE(Root Mean Square Error)对模拟值和实际值进行了检验。如图6所示，后湖样区冬小麦拟合的GRVI、RVI、NDVI和DVI这4种模型的RMSE 分别为12．09、5．25、5．17和5．75;长清样区冬小麦拟合 GRVI、RVI、NDVI和 DVI这4种模型的RMSE分别为5．25、5．46、5．22、6．49。以上数据表明，后湖样区和长清样区的NDVI拟合预测模型能够较好地估算冬小麦SPAD。

4 结论与讨论

该研究在江汉平原的湖北省潜江市和黄淮海平原的山东省济南市对冬小麦的关键生长期 (拔节期、抽穗期、灌浆期和成熟期)同步采集冬小麦冠层光谱反射率与倒二叶片SPAD，并利用数学统计分析并构建冬小麦SPAD反演模型，得出以下结论。

(1)后湖样区和长清样区冬小麦各生育期的SPAD存在显著差异，两样区冬小麦拔节期和抽穗期对应的各生育期冠层光谱在近红外波段的变化也存在差异，其光谱变化趋势相反。如果将两区域冬小麦部分地域笼统的按照一种情况来进行冬小麦SPAD预测研究，笔者认为存在模型的适用性、精度问题。

图5 两个区域不同的冬小麦SPAD估算模型 (A．后湖样区，B．长清样区)

(2)后湖样区和长清样区冬小麦叶片SPAD与4种植被指数的相关系数在0．686～0．901之间，相关性均较好，其中NDVI与冬小麦的相关系数最高，后湖样区为0．901，长清样区为0．873。

(3)各种回归模型精度检验表明，NDVI模型总体精度高，但后湖样区最优估算模型是NDVI指数模型，而长清样区则是NDVI线性模型。这其中的主要原因是两地区NDVI在拔节期和抽穗期的变化趋势相反，长清地区NDVI与SPAD呈线性变化，而后湖地区NDVI与SPAD的变化呈非线性变化，故两区域采用不同的NDVI回归模型进行冬小麦叶片SPAD估算。

图6 两个区域冬小麦SPAD估算值与观测值对比 (A．后湖样区，B．长清样区)

该研究还存在一些不足，研究成果是否能代表我国南方和北方冬小麦的特征，能否解决两大区域范围内的估算工作有待进一步验证。实验过程中两样区冬小麦SPAD的峰值出现在不同的生育期，是品种差异还是南北差异造成的原因或者是其他原因造成的，SPAD的峰值出现的生育期是否跟冬小麦的产量存在一定关系等，这些问题有待进一步研究。

［1］夏天，周清波，陈仲新，等．基于HJ-1卫星的冬小麦叶片SPAD遥感监测研究．中国农业资源与区划，2012，33(6):38～44

［2］谢晓金，申双和，李映雪，等．高温胁迫下水稻红边特征及SPAD和LAI的监测．农业工程学报，2010，26(3):183～190

［3］张莉，吴文斌，左丽君，等．基于EOS/MODIS数据的南方水稻面积提取技术．中国农业资源与区划，2011，32(4):39～44

［4］Pagola M，Ortiz R，Irigoyen Ⅰ，et al．New method to assess barley nitrogen nutrition status based on image colour analysis Comparison with SPAD-502．Computers and Electronics in Agriculture，2009:213～218

［5］Markwell J，Osterman J C，Mitchell J L．Calibration of the Minolta SPAD-502 leaf chlorophyll meter．Photosynthesis Research，1995，46:467 ～472

［6］Sampson P H，Zarco-Tejada P J，Mohammed G．H，et al．Hyperspectral remote sensing of forest condition:Estimating chlorophyll content intolerant hardwoods．Forest Science，2003，49(3):381～391

［7］Carter G．A，Knapp A．K．Leaf optical properties in higher plants:linking spectral characteristics to stress and chlorophyll concentrations．American Journal of Botany，2001，88:677 ～684

［8］Hansen P M，Schjoerring J K．Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least Squares regression．Remote Sensing of Enviroment，2003，86:542 ～553

［9］Dash J，Curran P J．The MERIS terrestrial chlorophyll index．International Journal of Remote Sensing，2004，25，(23):5403 ～5413

［10］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．光谱学与光谱分析，2009，29(6):1607～1610

［11］董晶晶，王力，牛铮．植被冠层水平叶绿素含量的高光谱估测．光谱学与光谱分析，2009，29(11):3003～3006

［12］赵祥，刘素红，王培娟，等．基于高光谱数据的小麦叶绿素含量反演．地理与地理信息科学，2004，20(3):36～39

［13］William L Bauerle，David J Weston，Joseph D Bowden，Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species．Scientia Horticulturae，2004，169 ～178

［14］Zarco-Tejada P J，Miller J R，Morales A，et al．Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops．Remote Sensing of Environment，2004，90(4):463 ～476

［15］Horler D N H，Barber J，Barringer A R．Effects of heavy metals on the absorbance and reflectance spectra of plants．International journal of remote Sensing，1980，1(2):121～136

［16］Curran P J，Dungan J L，Gholz H l．Exploring the relationship between reflectance red edge and chlorophyll content in slash pine．Tree Physiology，1990，7:33～38

［17］宋开山，张柏，王宗明，等．大豆叶绿素含量高光谱反演模型研究．农业工程学报，2006，22(8):16～21

［18］Marenco R A，Antezana-Vera S A，Nascimento H C S．Relationship between specific leaf area，leaf thickness，leaf water content and SPAD-502 readings in six Amazonian tree species．Photosynthetica，2009，47(2):184 ～190

［19］杨峰，范亚民，李剑龙，等．高光谱数据估测稻麦叶面积指数和叶绿素密度．农业工程学报，2010，26(2):237～243

［20］于振文．作物栽培学各论．中国农业出版社，2003

［21］夏天，吴文斌，周清波，等．基于高光谱的冬小麦叶面积指数估算方法．中国农业科学，2012，45(10):2085～2092

［22］冯伟，朱艳，田永强，等．基于高光谱遥感的小麦叶片氮积累量．生态学报，2008，28(1):23～32

［23］卢艳丽，王纪华，李少昆．冬小麦不同群体冠层结构的高光谱响应研究．中国农业科学，2005，38(5):911～915

［24］Anderson G L，Hanson J D，Haas R H．Evaluating landsat thematic mapper derived vegetation indices for estimating above-ground biomass on semisrid rangelands．Remote sensing of Environment，1993，45(2):165 ～175

［25］Richardson A J，Wiegand C L．Distinguishing vegetation from soil background information．photogram Engineering and Remote sensing，1977，43(12):1541～1552

［26］Miller J R，Hare E W，Wu J．Quantitative characterization of the vegetation red edge reflectance 1．An inverted-Gaussian reflectance model．International Journal of Remote Sensing，1990，11(10):1755 ～1773

［27］Gitelson A A，Kaufman Y，Merzlyak M N．Use of green Channel in Remote of sensing Global Vegetation from EOS-MODIS．Remote Sensing of Environment，1996，58:289 ～298