棉花冠层叶片叶绿素含量与高光谱参数的相关性

楚万林，齐雁冰，常庆瑞，蒲　洁

(西北农林科技大学 资源环境学院，陕西 杨凌 712100)



棉花冠层叶片叶绿素含量与高光谱参数的相关性

楚万林，齐雁冰，常庆瑞，蒲洁

(西北农林科技大学 资源环境学院，陕西 杨凌 712100)

【目的】 研究棉花冠层叶片叶绿素含量与高光谱参数的相关性，建立叶绿素含量估算模型。【方法】 2014年，以鲁棉研28号为研究对象，测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350～2 500 nm光谱反射率，以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源，在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上，采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型，并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】 1)棉花冠层叶片叶绿素含量在反射光谱766 nm处相关系数达到最大值，相关系数r=0.836；对于一阶导数光谱，叶绿素含量的敏感波段发生在753 nm处，r=0.878；2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型，筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg)，仅采用8种常用植被指数建立估算模型，筛选出的变量为比值植被指数(RVI)；3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高，均方根误差(RMSE)为1.075，相对误差(RE)为2.22%，相关系数(r)为0.952。【结论】 采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测，其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。

棉花；叶绿素含量；高光谱；植被指数

叶绿素是绿色植物光合作用的重要色素，影响到作物与外界的物质能量交换及作物的物质积累，其含量的高低对植物光合效率、发育状况等有重要的指示作用[1-2]，因而作物叶绿素含量的估测是监测作物长势的有效手段。同时，作物叶片的叶绿素含量与作物反射光谱之间联系紧密。因此，高光谱遥感技术为作物叶绿素含量的估测提供了一种更为简便、有效、快捷的方法。近年来，基于高光谱遥感的叶绿素含量的研究在国内外得到了广泛地开展，但这些研究大多是对小麦[1,3-4]、水稻[5-7]、玉米[2,8-9]等粮食作物的研究，对棉花这种重要经济作物的报道相对较少，且现有报道主要集中在以下3个方面：1)在不同施肥或灌溉等条件下的棉花冠层光谱特性[10]；2)以原始光谱反射率或者一阶导数光谱反射率为基础数据，求得叶绿素的敏感波段，并以此波段作为自变量建立回归方程，对叶绿素含量进行估测[11-12]；3)以红边面积、红边位置、红光吸收谷、绿色反射峰、不同类型植被指数等光谱数据的多种变换形式中的一种或几种作为估测叶绿素含量的变量，通过相关分析，确定这些不同变化形式的光谱数据与叶绿素含量的相关性，进而建立叶绿素含量的预测模型[13-15]。基于高光谱的农作物叶绿素模型估算是一个复杂的过程，其结果受到光谱处理方法、回归方法及所选指标灵敏性的影响，只有对模型各种影响因素进行系统分析对比，才能筛选出适宜的估算模型。

另外，国内的棉花研究区域主要集中在新疆地区[16-18]，这些研究大多集中在对叶绿素密度的研究上，而对棉花冠层叶片叶绿素含量的研究较少，且对渭北旱塬区棉花冠层叶片叶绿素含量的研究尚未见到，光照条件对棉花生长周期有显著的影响，区域的不同导致对棉花大面积遥感监测有不同的要求。因此，本研究将试验区设置在渭北旱塬区，对不同施氮水平下的棉花冠层光谱反射特性进行分析，以单波段的原始光谱反射率和一阶导数光谱反射率作为自变量与叶绿素含量进行相关性分析，筛选出叶绿素含量的敏感波段，并进一步以原始光谱、一阶微分光谱及光谱数据的不同变化形式(如红边位置、红边面积、植被指数等)作为自变量，建立叶绿素含量的估算模型，并全面对比所建立模型在棉花冠层叶绿素含量估测中的精度，确定能够较好地进行叶绿素含量估算的光谱变量，为大面积、无损和及时获取棉花冠层叶绿素含量信息提供依据。

1　材料与方法

1.1试验设计

试验于2014年在陕西省乾县齐南村进行，供试棉花品种为鲁棉研28号，每个小区面积为200 m2，设置5个氮肥梯度，分别为N0(不施氮)、N1(37.5 kg/hm2纯氮)、N2(75 kg/hm2纯氮)、N3(112.5 kg/hm2纯氮)、N4(150 kg/hm2纯氮)，每个梯度设置3个重复，随机排列，氮肥在播种前以碳铵一次性施入，其管理方式同常规大田。棉花种植方式为地膜覆盖垄种，行距为70 cm，待棉花出苗20 d后定株距为60 cm。

1.2冠层光谱数据采集与叶绿素含量的测定

使用美国SVCHR 1024i型便携式高光谱仪采集冠层光谱数据，波段范围350～2 500 nm，其中350～1 000 nm区间光谱分辨率为1.4 nm，1 000～1 850 nm区间光谱分辨率为3.8 nm，1 850～2 500 nm区间光谱分辨率为2.4 nm。选择试验区各施肥梯度大田内长势不同且无病虫危害的样本点，分别在棉花苗期(06-20)、现蕾期(07-15)、开花期(08-05)、花铃期(08-25)、盛铃期(09-15)、吐絮期(10-04)等关键生育时期进行棉花群体冠层光谱测定，测定时间选择在晴朗无云无风的11:00-14:00，测定前经参考板(白板)标定，传感器探头垂直向下，距离棉花冠层顶部约1 m，光谱仪视场角选用8°，光谱扫描时间设定在5 s，每样点测5条曲线，最后用其平均值作为该样点的光谱反射值。

叶绿素计(Chlorophyll meter)是一种新型的便携仪器，它是以叶绿素对红光(650 nm左右)和红外光(940 nm左右)的吸收特性为原理，进而测定作物叶片叶绿素含量的相对值。多数研究表明，SPAD-502叶绿素含量测定仪测定的SPAD值与叶绿素含量之间呈极显著相关，能够代表叶绿素含量值[19-24]。因此，本研究采用SPAD-502叶绿素仪测定值作为叶绿素含量值，选择在检测冠层光谱对应位置处测定SPAD值，每个样点重复采集多次，求其平均值作为该样点处的叶绿素含量值。

1.3模型参数的选取

为建立不同光谱参数的棉花冠层叶绿素含量预测模型，评价不同模型的预测精度，进而筛选出预测叶绿素含量的特征变量和最优模型，本研究采用3类高光谱特征参数进行模型构建。

1)叶绿素含量对于原始光谱和一阶导数光谱的敏感波段，以及350～1 100 nm原始光谱反射率和一阶导数光谱反射率。光谱的一阶微分方法是对原始反射光谱进行一阶微分，近似计算方法是：

式中：λi为通道i处的波长，R(λi)为波长λi处的光谱反射值，Δλ为相邻波长间隔。

2)基于原始光谱与一阶导数光谱变量的提取。提取变量有绿峰幅值Rg(绿光范围510～560 nm内的最大波段反射率)、绿峰位置λg(绿峰幅值处对应的波长)、红谷幅值Rr(红光范围640～680 nm内的最小波段反射率)、红谷位置λv(红谷幅值处对应的波长)、Rg/Rr(绿峰与红谷的比值)、绿峰与红谷的归一化值(Rg-Rr)/(Rg+Rr)、红边幅值Dr(红边680～760 nm范围内最大的一阶微分值)、红边位置λr(红边幅值处对应的波长)、红边面积SDr(红边范围内的一阶微分值总和)。

3)常用植被指数。主要有比值植被指数、归一化植被指数、垂直植被指数、差值植被指数、土壤调整植被指数、转换型土壤调整指数、修改型二次土壤调整指数、再归一化植被指数。各指数的计算方式如下：

比值植被指数(RVI):RVI=RNIR/RRed；

差值植被指数(DVI):DVI=RNIR-RRed；

修改型二次土壤调整指数(MSAVI2):MSAVI2=0.5[2(RNIR+1)-

式中： RNIR为近红外范围内第一个拐点对应的波长处光谱反射率；RRed为红谷位置对应波长的光谱反射率；L为调整系数，L=0.5；a、b为土壤线系数，a=10.489，b=6.604[25]。

1.4数据处理

基础数据输入、相关性分析和逐步回归分析、模型的构建及其检验、做图等采用Excel2010与SPSS19.0完成。经过异常值剔除后，本研究共选取78个样本，其中60个作为测试样本，18个作为精度检验样本。本研究利用相关系数(r)、相对误差(RE)及均方根误差(RMSE)3个指标进行模型精度的检验。通常认为，r值越接近于1，且RMSE与RE的值越小，预测方程求得的估算值与实测值的拟合效果越好，模型的精度越高。RMSE、RE的计算公式如下：

2　结果与分析

2.1棉花冠层的反射特性

由于本研究涉及的因素相对较多，不能一一列出，因此仅选出现蕾期不同氮素处理和N4水平下不同生长期的冠层光谱曲线进行分析，结果如图1所示。由图1可以看出，不同施氮水平和不同生育期的棉花冠层光谱的反射率均有一定的差别。对于不同的氮处理，棉花冠层光谱反射率在可见光范围内(400～680 nm)随施氮量的增加而呈现降低的趋势，这主要是由于叶绿素含量随着施氮水平的增长而增加，而叶绿素与其他色素对植被在可见光范围内的光谱反射率有决定性作用[26]。冠层光谱反射率在近红外范围内(780～1 300 nm)随施氮量增加呈现明显的增长趋势，这是由于近红外范围内的光谱反射率受叶片细胞的排列方式与植被整体结构影响较大[27]，因此与施氮量关系密切。对于不同生育时期，在可见光范围内，冠层光谱的反射率随生育进程的推进而不断减小，在吐絮期达到最小值；在近红外范围内，从苗期到花铃期反射率逐渐增加，花铃期到吐絮期反射率明显降低，这与棉花冠层叶片叶绿素含量变化及冠层结构改变关系密切。棉花从苗期到花铃期覆盖度增加，叶绿素含量与水分累积量增大，从而增强了对近红外的反射与对可见光的吸收；而在盛铃期与吐絮期，棉花营养生长基本停止，光合作用不断减弱，导致冠层光谱反射率不断降低。

图 1　不同氮素处理(A)及不同生育时期(B)棉花冠层光谱反射率

2.2棉花冠层叶片叶绿素含量与光谱变量的相关分析

2.2.1叶绿素含量与原始光谱以及一阶导数光谱的相关性棉花冠层叶片叶绿素含量与原始光谱及其一阶导数光谱的相关性如图2所示。

图 2　棉花冠层叶片叶绿素含量与原始光谱(A)及其一阶导数光谱(B)的相关性

图2显示，叶绿素含量与原始光谱的相关性整体上略低于与一阶导数光谱的相关性。通过分析可知，叶绿素含量与原始光谱及一阶导数光谱的敏感波段分别发生在766和753 nm，最大相关系数分别为0.836和0.878，均达到了P<0.01(r0.01=0.29)极显著相关水平。该结果与多数研究已经证明的叶片叶绿素敏感波段在670～770 nm范围内的结果一致[9,12,15,28]。

2.2.2叶绿素含量与提取变量及植被指数的相关性由表1和表2可看出，棉花冠层叶片叶绿素含量与大部分光谱提取变量和植被指数的相关性较好，与叶绿素含量相关性达到极显著水平的光谱提取变量有SDr、Dr、λr、λg、Rr、Rg/Rr、(Rg-Rr)/(Rg+Rr)，达到显著水平的仅有λv，而Rg与叶绿素含量的相关性不显著，相关系数最高的是SDr，r=0.796；所选取的植被指数均与叶绿素含量呈极显著相关，相关系数最高的是RVI，r=0.562。

表 1　棉花冠层叶片叶绿素含量与光谱提取变量的相关性Table 1　Correlations between chlorophyll content of cotton canopy leaf and spectral variables

注：**表示相关性达极显著水平(P≤0.01)，*表示相关性达显著水平(P≤0.05)。下表同。

Note:** Significant (P≤0.01)，* Significant (P≤0.05).The same below.

表 2　棉花冠层叶片叶绿素含量与植被指数的相关性Table 2　Correlations between chlorophyll content of cotton canopy leaf and vegetation indexes

2.3棉花冠层叶片叶绿素含量估算模型的建立

浦瑞良等[25]指出，逐步回归分析方法能够确定某种化学成分的重要波长位置，进而说明该波段值与化学成分有很好的相关性。因此为了能够筛选出叶绿素含量的特征变量，建立精度较高的估算模型，本研究主要采用线性回归(Linear regression，LR)和多元逐步回归(Multiply stepwise regression，MSR)方法构建叶绿素含量的高光谱估算模型。

2.3.1基于原始光谱和一阶导数光谱的叶绿素含量估算模型以叶绿素含量的敏感波段处反射率值为自变量(x)，以叶绿素含量为因变量(y)，构建叶绿素含量一元线性估算模型；以350～1 100 nm波段原始光谱反射率和一阶导数光谱反射率作为自变量，运用逐步回归的方法，建立叶绿素含量逐步回归方程，结果如表3所示，其中要求入选变量的回归系数相伴概率小于0.05，与叶绿素含量达到显著水平。从表3可以看出，基于一阶导数光谱的叶绿素含量一元线性回归模型精度优于基于原始光谱的一元线性回归模型，基于一阶导数光谱的叶绿素含量多元逐步回归模型精度优于基于原始光谱的多元逐步回归模型。由于参与分析的数据组不同，模型的精度会随之发生变化，多元逐步回归得到的线性模型更是如此[25]。可知基于一阶导数光谱的叶绿素含量估算模型相对较好。另外，基于一阶导数光谱的七元线性模型也较好，确定系数R2=0.907，达到极显著水平。

2.3.2基于冠层光谱提取变量与植被指数的叶绿素含量估算模型逐步回归方法是筛选与叶绿素含量关系紧密的光谱变量的有效方法，能够找出估算叶绿素的特征变量。从表4可以得出，以17种光谱数据变换形式(其中9种为光谱提取变量，8种为植被指数)作为自变量，进行逐步回归分析建立的叶绿素含量估算模型确定系数较高，复确定系数R2=0.791，并且达到极显著水平，从中筛选出的自变量有SDr、(Rg-Rr)/(Rg+Rr)、Rg，回归系数相伴概率均小于0.01，说明筛选出的该3种特征变量的回归系数显著性检验均达到了极显著水平。在进行逐步回归分析的17种光谱数据变换形式中，植被指数未被筛选出，这说明植被指数对棉花叶绿素含量的敏感性不强。本研究进一步运用8种植被指数作为自变量，建立逐步回归方程，发现仅有RVI被筛选出，复确定系数为0.316，达到极显著水平，且回归系数显著性检验也达到显著水平，说明RVI可以用来估测棉花叶绿素含量，只是没有采用SDr、(Rg-Rr)/(Rg+Rr)、Rg为自变量构建的模型的估测效果好。

表 3　基于原始光谱以及一阶导数光谱的棉花冠层叶片叶绿素含量估算模型Table 3　Chlorophyll content of cotton canopy leaf estimation models based on raw reflectance and derivative reflectance

注：R-LR、R-MSR分别表示基于原始光谱的线性回归模型和多元逐步回归模型；DR-LR、DR-MSR表示基于一阶导数光谱的线性回归模型和多元逐步回归模型；Rn表示波段n处的原始光谱反射率值；DRn表示波段n处的一阶导数光谱反射率值。

Note：R-LR.The linear regression prediction model based on raw spectral;R-MSR is the multiply stepwise regression prediction model based on raw spectral;DR-LR is the linear regression prediction model based on the first derivative spectral;DR-MSR is the multiply stepwise regression prediction model based on the first derivative spectral;Rnis the raw spectral reflectance at wavelengthn,DRnis the first derivative spectral reflectance at wavelengthn.

表 4　基于不同光谱数据变换形式的棉花冠层叶片叶绿素含量估算模型Table 4　Chlorophyll content of cotton canopy leaf estimation models based on different spectral data transformation forms

注：序号1是以8种植被指数作为自变量进行逐步回归的估测模型，序号2是以17种光谱数据变换形式作为自变量进行逐步回归的估测模型。

Note:1 is the multiply stepwise regression prediction model based on 8 kinds of vegetation index；2 is the multiply stepwise regression prediction model based on 17 spectrum transform forms.

2.4棉花冠层叶片叶绿素含量估测模型的精度检验

本研究采用18个随机抽取的检验样本点对各回归预测模型精度进行评价，结果见表5。从表5可以看出，6种预测模型相关性均达到极显著水平，基于原始光谱一元回归模型和多元逐步回归模型的估测精度低于相应的基于一阶导数光谱的叶绿素含量预测模型。在6种预测模型中，基于一阶导数光谱的多元逐步回归预测模型最优，由该模型求得的叶绿素含量估测值与实测值间的r值最大，为0.952；RMSE与RE值均最小，分别是1.075和2.22%。基于植被指数的多元逐步回归预测模型虽也能够对叶绿素含量进行估测，但估测精度较低。综上可知，构建的6种棉花叶绿素含量预测模型均是可行的，但其估测效果有所不同，在估测的过程中可以依据采集的冠层光谱数据情况进行择优选取。

表 5　棉花冠层叶片叶绿素含量估测模型的精度检验Table 5　Performance analysis of the estimation models of chlorophyll content of cotton canopy leaf

为了直观地反映各模型的预测效果，对随机抽取的18个棉花叶绿素含量实测值与利用各模型求得的估算值进行做图分析，结果见图3。

图 3基于不同模型的棉花冠层叶片叶绿素含量的实测值与估测值分布

Fig.3Distribution of estimated and measured chlorophyll content of cotton canopy leaf based on different models

图3中黑色实线表示的是1∶1线，点的分布越接近于该实线说明模型预测效果越好。从图3可见，基于一阶导数光谱的多元逐步回归模型其叶绿素含量估算值与实测值分布最接近于1∶1线，即该模型为最优估算模型。

3　结论与讨论

高光谱遥感与宽波段遥感相比具有光谱分辨率高和波段连续性强的特点，能够获得更为精细的光谱信息，是定量分析棉花冠层叶片叶绿素含量与光谱特征参数关系的重要工具，能够更为精确地获得叶绿素含量的敏感波段，有助于进一步提高棉花叶绿素含量的高光谱估算精度。本研究基于棉花冠层光谱反射率与冠层叶片叶绿素含量的相关性分析，筛选出叶绿素含量的敏感波段，根据不同的光谱参数，建立棉花整个生育期内叶片叶绿素含量的估算模型，为棉花叶绿素含量动态监测的实现提供了模型依据。在利用高光谱数据对叶绿素含量进行估算时，通常使用两类方法：一是基于原始光谱或者一阶导数光谱数据，通过一元或者多元逐步回归的方法，进而建立高光谱数据与叶绿素含量之间的关系；二是基于不同的光谱数据变换形式，通过回归分析方法建立与叶绿素含量之间的关系。靳彦华等[4]通过利用多种植被指数对水浇地与旱春地小麦叶绿素含量变化进行了研究，认为二次修正土壤调节植被指数能够较好地估测小麦叶绿素含量。易秋香等[9]认为，比值植被指数、归一化植被指数与玉米叶绿素含量均呈现正相关，且比值植被指数与叶绿素含量的相关性优于归一化植被指数与叶绿素含量的相关性。王登伟等[12]对棉花叶绿素含量与高光谱数据进行了多元统计的相关分析，发现叶绿素含量与一阶导数光谱的相关性达到极显著水平。

本研究不仅对不同条件下的棉花冠层光谱反射特性进行了分析，而且对各变量与棉花冠层光谱的相关性进行了探讨，建立了基于不同变量的叶绿素含量估算模型，并检验了各模型的预测精度，筛选出棉花叶绿素含量的特征变量及精度较高的预测模型。通过以上分析得到如下结论：1)棉花冠层光谱反射率在可见光范围内随着施氮量的增加和生育期的推进而降低；在近红外范围内，反射率随着施氮量的增加而升高，随着生育期的推进先升高后降低，在花铃期达到最大值。2)棉花冠层原始光谱及一阶导数光谱与棉花冠层叶片叶绿素含量的敏感波段分别在766和753 nm处。 3)将SDr、(Rg-Rr)/(Rg+Rr)、Rg作为自变量构建的模型对叶绿素含量的估测效果较好，复确定系数R2=0.791，达到极显著水平；用所选取的8种植被指数作为自变量进行逐步回归，构建的预测模型虽达到极显著水平，但建立估测模型时仅RVI被筛选出，且该模型的精度在6种模型中最差，证明植被指数对叶绿素含量的敏感性不强，估算效果没有其他模型好。4)基于一阶导数光谱一元回归模型和多元逐步回归估测模型的精度高于相应的基于原始光谱的一元和多元回归估测模型，并且基于一阶导数光谱的多元逐步回归预测模型的精度在6种模型中最高，是估算叶绿素含量的最优模型。

[1]Broge N H,Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data [J].Remote Sensing of Environment,2002,81(1):45-57.

[2]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(2):229-239.

[3]代辉,胡春胜,程一松,等.不同氮水平下冬小麦农学参数与光谱植被指数的相关性 [J].干旱地区农业研究,2005,23(4):16-21.

Dai H,Hu C S,Cheng Y S,et al.Correlation between agronomic parameters and spectral vegetation index in winter wheat under different nitrogen levels [J].Agricultural Research in the Arid Areas,2005,23(4):16-21.

[4]靳彦华,熊黑钢,张芳,等.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究 [J].麦类作物学报,2013,33(5):1012-1018.

Jin Y H,Xiong H G,Zhang F,et al.Models for estimating chlorophyll contents in spring wheat under different types of lands using hyperspectral vegetation indices [J].Journal of Triticeae Crops,2013,33(5):1012-1018.

[5]Haboudane D,Miller J R,Tremblay N,et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture [J].Remote Sensing of Environment,2002,81(2):416-426.

[6]金震宇,田庆久,惠凤鸣,等.水稻叶绿素浓度与光谱反射率关系研究 [J].遥感技术与应用,2003,18(3):134-137.

Jin Z Y,Tian Q J,Hui F M,et al.Study of relationship between rice chlorophyll concentration and rice reflectance [J].Remote Sensing Technology and Application,2003,18(3):134-137.

[7]徐新刚,赵春江,王纪华,等.新型光谱曲线特征参数与水稻叶绿素含量间的关系研究 [J].光谱学与光谱分析,2011,31(1):188-191.

Xu X G,Zhao C J,Wang J H,et al.Study on relationship between new characteristic parameters of spectral curve and chlorophyll content for rice [J].Spectroscopy and Spectral Analysis,2011,31(1):188-191.

[8]宋开山,张柏,李方,等.玉米叶绿素含量的高光谱估算模型研究 [J].作物学报,2005,31(8):1095-1097.

Song K S,Zhang B,Li F,et al.A hyperspectral model for estimating chlorophyll content in maize leaves [J].Acta Agronomica Sinica,2005,31(8):1095-1097.

[9]易秋香,黄敬峰,王秀珍,等.玉米叶绿素高光谱遥感估算模型研究 [J].科技通报,2007,23(1):83-87.

Yi Q X,Huang J F,Wang X Z,et al.Hyperspectral remote sensing estimation models for chlorophyll concentration in corn [J].Bulletin of Science and Technology,2007,23(1):83-87.

[10]Thomas I,Ching N P,Benning V M,et al.A review of multi-channel indices of class separability [J].International Journal of Remote Sensing,1987,18(3):331-350.

[11]卢霞.沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究 [J].安徽农业科学,2011,39(12):7452-7454.

Lu X.Spectral characteristics and correlation analysis with chlorophyll content for cotton at leaf level in Lianyungang coastal tidal flat [J].Journal of Anhui Agricultural Sciences,2011,39(12):7452-7454.

[12]王登伟,黄春燕,张伟,等.高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析 [J].棉花学报,2008,20(5):368-371.

Wang D W,Huang C Y,Zhang W,et al.Relationships analysis between cotton chlorophyll content,chlorophyll density and hyperspectral data [J].Cotton Science,2008,20(5):368-371.

[13]Horler D N H,Dockray M,Barber J.Red edge measurements for remotely sensing plant chlorophyll content [J].Advances in Space Research,1983,3(2):273-277.

[14]Pinar A,Curran P J.Grass chlorophyll and the reflectance red edge [J].International Journal of Remote Sensing,1996,17(2):351-357.

[15]姚霞,吴华兵,朱艳,等.棉花功能叶片色素含量与高光谱参数的相关性研究 [J].棉花学报,2007,19(4):267-272.

Yao X,Wu H B,Zhu Y,et al.Relationship between pigment concentrations and hyperspectral parameters in functional leaves of cotton [J].Cotton Science,2007,19(4):267-272.

[16]陈燕,黄春燕,王登伟,等.北疆棉花叶绿素密度的高光谱估算研究 [J].新疆农业科学,2006,43(6):451-454.

Chen Y,Huang C Y,Wang D W,et al.Estimating of cotton chlorophyll density in North Xinjiang by using high spectral data [J].Xinjiang Agricultural Sciences,2006,43(6):451-454.

[17]陈燕,王登伟,黄春燕,等.新疆棉花LAI和叶绿素密度的高光谱估算研究 [J].遥感信息,2007(2):33-36,41.

Chen Y,Wang D W,Huang C Y,et al.Estimating of cotton LAI and chlorophyll density by using hyperspectral data in Xinjiang [J].Remote Sensing Information,2007(2):33-36,41.

[18]黄春燕,王登伟,张煜星.基于棉花红边参数的叶绿素密度及叶面积指数的估算 [J].农业工程学报,2009,25(2):137-141.

Huang C Y,Wang D W,Zhang Y X.Estimating of cotton canopy chlorophyll density and leaf area index based on red-edge parameters [J].Transactions of the CSAE,2009,25(2):137-141.

[19]艾天成,李方敏,周治安,等.作物叶片叶绿素含量与SPAD值相关性研究 [J].湖北农学院学报,2000,20(1):6-8.

Ai T C,Li F M,Zhou Z A,et al.Relationship between chlorophyll meter readings and chlorophyll content of crop leaves [J].Journal of Hubei Agricultural College,2000,20(1):6-8.

[20]李鹏程,董合林,刘爱忠,等.棉花上部叶片叶绿素SPAD值动态变化研究 [J].中国农学通报,2012,28(3):121-126.

Li P C,Dong H L,Liu A Z,et al.A study on dynamic change of chlorophyll SPAD values of upper leaves in main stem of cotton [J].Chinese Agricultural of Science Bulletin,2012,28(3):121-126.

[21]李志宏,刘宏斌,张福锁.应用叶绿素仪诊断冬小麦氮营养状况的研究 [J].植物营养与肥料学报,2003,9(4):401-405.

Li Z H,Liu H B,Zhang F S.Research of nitrogen nutrition status for winter wheat based on chlorophyll meter [J].Plant Nutrition and Fertilizer Science,2003,9(4):401-405.

[22]裘正军,宋海燕,何勇,等.应用SPAD和光谱技术研究油菜生长期间的氮素变化规律 [J].农业工程学报,2007,23(7):150-154.

Qiu Z J,Song H Y,He Y,et al.Variation rules of the nitrogen content of the oilseed rape at growth stage using SPAD and visible-NIR [J].Transactions of the CSAE,2007,23(7):150-154.

[23]王娟,韩登武,任岗,等.SPAD值与棉花叶绿素和含氮量关系的研究 [J].新疆农业科学,2006,43(3):167-170.

Wang J,Han D W,Ren G,et al.A study on relation between SPAD value,chlorophyll and nitrogen content in cotton [J].Xinjiang Agricultural Sciences,2006,43(3):167-170.

[24]武新岩,郭建华,方正,等.SPAD计在黄瓜氮素营养诊断中的应用效果 [J].北方园艺,2010(11):13-16.

Wu X Y,Guo J H,Fang Z,et al.The application of SPAD on nitrogen diagnosis of cucumber [J].Northern Horticulture,2010(11):13-16.

[25]浦瑞良,宫鹏.高光谱遥感及其应用 [M].北京:高等教育出版社,2000.

Pu R L,Gong P.Hyperspectral remote sensing and its applications [M].Beijing:Higher Education Press,2000.

[26]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction [J].Remote Sensing of Environment,2002,81(1):76-87.

[27]Mutanga O,Skidmore A K,Van Wieren S.Discriminating tro-pical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry [J].Photogrammetry & Remote Sensing,2003,57:263-272.

[28]唐延林,王秀珍,黄敬峰,等.棉花高光谱及其红边特征(Ⅰ) [J].棉花学报,2003,15(3):146-150.

Tang Y L,Wang X Z,Huang J F,et al.The hyperspectra and their red edge characteristics of cotton(Ⅰ) [J].Cotton Science,2003,15(3):146-150.

Relationship between chlorophyll content and hyperspectral parameters in canopy leaves of cotton

CHU Wanlin,QI Yanbing,CHANG Qingrui,PU Jie

(CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

【Objective】 This study investigated the relationship between chlorophyll content and high spectral parameters of cotton canopy leaves and established a model for estimating chlorophyll content.【Method】 In 2014,Lumianyan 28 was selected to measure chlorophyll content and canopy hyperspectral reflectance in band of 350-2 500 nm of cotton at six different growth stages and nitrogen levels in a field experiment.The correlations between single narrow band raw reflectance (R),the first derivative spectral reflectance (DR),commonly used spectral variables, vegetation index,and chlorophyll content were analyzed and determined.Basing on the results of correlation analysis,the estimation models of chlorophyll content were established using linear regression and multiply stepwise regression methods,and then the precise of six models was analyzed.【Result】 1) The maximum correlation coefficient of chlorophyll content occurred at the reflectance band of 766 nm withr=0.836 and the highest correlation coefficient between the first derivative spectral data and chlorophyll content occurred at band of 753 nm withr=0.878.2) The variables screened wereSDr,(Rg-Rr)/(Rg+Rr),andRgfor the regression models of 9 spectral variables and 8 vegetation indexes.RVIwas also screened by the regression equation of 8 vegetation indexes.3) The model based on the first derivative spectral reflectance using multiply stepwise regression method obtained the most satisfied results for the estimation of chlorophyll content withRMSE=1.075,RE=2.22%,andr=0.952. 【Conclusion】 It is feasible to monitor the cotton growth by the raw spectral,the first derivative spectral reflectance,the extract spectral variables,and the vegetation index.The model based on the first derivative spectral reflectance was optimal to monitor the chlorophyll content of cotton canopy leaf.

cotton;chlorophyll content;hyperspectrum;vegetation index

时间:2016-08-0909:40DOI：10.13207/j.cnki.jnwafu.2016.09.010

2015-01-30

“十二五”农村领域国家科技计划课题(2013AA102401-2)

楚万林(1987-)，男，河南淮阳人，在读硕士，主要从事地图学与地理信息系统研究。

E-mail:chuwanlin0512@126.com

齐雁冰(1976-)，男，河南淮阳人，副教授，主要从事3S技术及其应用研究。E-mail:ybqi@nwsuaf.edu.cn

S562

A

1671-9387(2016)09-0065-09

网络出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20160809.0940.020.html