干旱胁迫下旺长期烤烟冠层叶绿素密度的高光谱估测

*

（1.河南农业大学，烟草行业烟草栽培重点实验室，郑州 450002；2.商丘师范学院，河南 商丘 476000）

干旱胁迫下旺长期烤烟冠层叶绿素密度的高光谱估测

李梦竹1，刘国顺1*，贾方方2

（1.河南农业大学，烟草行业烟草栽培重点实验室，郑州 450002；2.商丘师范学院，河南 商丘 476000）

为精准、实时、无损地估算烤烟冠层叶绿素密度，快速获取烤烟光合性能与营养状况，基于不同程度干旱胁迫处理，采用ASD光谱仪，在综合分析群体原始高光谱反射率、一阶导数光谱反射率及已有光谱指数与冠层叶绿素密度（CCD）关系的基础上，建立烤烟 CCD估算模型。结果表明：（1）干旱胁迫后烤烟冠层光谱反射率随叶绿素密度呈现规律性变化。（2）712 nm处的一阶导数与CCD相关性最好（r=0.838）。（3）利用一阶导数光谱建立的反演叶绿素密度的线性模型和BP神经网络模型中，均以BP神经网络模型效果最好，其模型决定系数R2为0.9686，均方根误差RMSE0.0778，表明模型的精度和稳定性均较好。研究结果可为实时监测旺长期烤烟群体光合能力及水分胁迫状况提供栽培管理依据。

烤烟；旺长期；冠层叶绿素密度；干旱胁迫；估算模型

叶绿素是植物营养状况、光合性能及植被发育的良好指示器[1-2]，众多研究表明，干旱胁迫会引起烤烟叶绿素含量的降低[3-4]。在绿色植物典型光谱特征中发现，在可见光范围内受色素影响较大，在近红外区域则主要受叶片内部结构、生物量和含水量等影响，故利用烤烟光谱信息对叶绿素含量进行估算是可行的[5-6]。叶绿素密度表示单位土地面积上的叶片叶绿素含量，同时包含植株个体色素含量信息与植被群体盖度特征，而冠层光谱能反映作物群体光谱特征，因此，实时监测干旱胁迫对烤烟冠层叶绿素密度（CCD）造成的动态变化，即可随时掌握作物群体光合能力。

吴长山等[7]研究发现，早稻、晚稻、玉米的群体光谱反射率及其导数和叶绿素密度的相关性很好，并建立了统一的线性回归关系。Blackburn[8-9]发现，冠层和叶片尺度上色素浓度与反射光谱的一阶和二阶导数极显著相关，他利用叶绿素特征吸收波段470、635和680 nm构造了适宜估算叶绿素状况的光谱指数，但Sims等[10]的研究则表明，550、700 nm较680 nm反射率对叶绿素更敏感。为估算作物叶绿素密度，学者们也提出了众多光谱指数，如TVI、SIPI、PRI、SRPI等，但用来估算的适宜光谱指数会因不同条件下不同作物及不同生育时期而不同。

本文基于不同干旱胁迫下旺长期烤烟CCD和群体原始高光谱反射率、一阶导数及已有光谱指数间的相关关系，构建烤烟CCD估算模型，以实时监测旺长期烤烟群体光合能力和水肥营养状况。

1 材料与方法

1.1 试验设计

试验1：于2015年在河南农业大学许昌校区现代烟草农业园区（北纬34°01′，东经113°49′）进行，供试品种为K326和中烟100。采用桶栽，桶高70 cm，直径40 cm，装风干土75 kg。供试土壤是淋溶褐土，前茬作物为红薯，主要理化性质：田间持水量23.19%，容重1.39 g/cm3，pH 7.77，有机质含量9.53 g/kg，碱解氮69.74 mg/kg，速效磷2.74 mg/kg，速效钾 106.61 mg/kg。施用化肥为分析纯(NH4)2SO4，KNO3和 KH2PO4，m(N):m(P2O5):m(K2O)=1:1.5:3，施N量按200 mg/kg干土作为基肥一次性施入，将土壤与肥料混合均匀后装桶。采用人工防雨棚设计，遇降雨即将棚拉上。于2015年5月15日移栽，还苗后开始控水，每天补充水分1次，使土壤相对含水量保持在60%～65%，进入旺长期后开始进行连续25 d的干旱胁迫（移栽后30～55 d），使用Takeme-10型土壤水分速测仪测定土壤含水量，按照下列公式计算每株需浇水质量[11]：

每天浇水质量=（设定土壤绝对质量含水量－实际土壤绝对质量含水量）×土重

设定土壤绝对质量含水量=设定土壤相对含水量×田间持水量

实际土壤绝对质量含水量=绝对体积含水量÷土壤容重

试验设4个干旱胁迫程度处理：正常需水量（相对含水量80%～85%）、轻度干旱胁迫（相对含水量70%～80%）、中度干旱胁迫（相对含水量60%～70%）及重度干旱胁迫（相对含水量50%～60%），各处理设6次重复，共48桶，桶间距75 cm，试验为随机区组设计。

试验2：于2016年在河南农业大学许昌校区现代烟草农业园区（北纬34°01′，东经113°49′）进行，所设试验处理、测定指标以及栽培管理措施均同试验1。此试验的数据用于预测模型的检验。

1.2 烤烟冠层光谱测定

光谱测定使用美国ASD公司生产的FieldSpec3野外光谱测定仪，波长测量范围350～2500 nm。在移栽后55 d，挑选各处理健康无病的烟株，在晴朗、无风、无云的天气进行烤烟冠层光谱数据的采集，时间为10:00—14:00。在采集光谱数据时，使传感器探头垂直向下，正对烟株，且在测定时其距离烤烟冠层顶的高度为 l m。每次测量前进行标准白板校正，每次记录10组数据，最后以其平均值作为该样本的光谱反射值，每个处理测4株。

1.3 烤烟CCD的测定

采用分光光度法测定叶绿素含量[12]。随机取已测定冠层光谱烟株的上、中、下部叶进行测定，取其平均值作为该烟株CCD，计算公式如下：

叶绿素a=13.95×A665-6.88×A649

叶绿素b=24.96×A649-7.32×A665

式中Ax——提取液在波段x处的吸光度值。

总叶绿素=叶绿素a+叶绿素b

叶绿素质量分数（mg/g）=（总叶绿素浓度×提取液体积）/样品鲜质量

叶绿素密度（g/m2）=单位面积鲜叶质量×叶绿素质量分数

1.4 光谱指数的选择

光谱指数是由多个波段或波长的反射率因子组合而成，表1为参考前人研究结果所筛选的作物CCD光谱参数。

表1 本研究所采用的光谱参数列表Table 1 Summary of different hyperspectral parameters used in this study

1.5 数据分析

采用ViewSpec Pro整理光谱数据，SPSS 22.0进行数据分析，Excel和Matlab 6.0进行模型构建，利用决定系数R2、均方根误差RMSE进行模型精度检验。

2 结 果

2.1 不同处理下旺长期烤烟CCD和光谱反射率的变化

图1中示出，随土壤干旱程度的加剧，烤烟CCD随之降低，不同品种间与不同程度干旱处理间差异显著。在正常处理下达到最大值，不同基因型烤烟品种表现一致。K326的轻度、中度、重度干旱胁迫较正常需水量处理分别降低了 23.43%、32.72%、36.91%，对于中烟100，分别下降了11.74%、33.80%、40.01%，可见干旱程度越重，其值降低趋势越明显。表明土壤干旱胁迫可导致烤烟CCD降低。

随着土壤干旱程度的加剧与烤烟CCD的降低，其冠层光谱反射率间的差异表现较为明显，图2反映了烤烟在旺长期不同程度干旱胁迫下冠层光谱特征的变化。由图可知，重度干旱处理在可见光区的波峰高于正常需水量处理，这可能是因为光谱反射率变化的主要影响因素为色素，而干旱胁迫导致叶绿素含量降低，从而光吸收能力减弱，其反射率便随CCD的降低而增加；在近红外光区800～1300 nm处，两个品种的光谱曲线差异都较为明显，其中正常需水量处理在红边区域的峰值达到最高，可能是因为此区域内光谱特征的主要影响因素为冠层及叶片结构，干旱胁迫后烤烟群体结构被破坏，光谱反射率随CCD的降低而降低，表明干旱胁迫后烤烟冠层光谱反射率随 CCD呈现规律性变化，不同基因型烤烟品种表现一致。

图1 不同处理下烤烟CCD的变化Fig. 1 Changes of canopy chlorophyll density of the fluecured tobacco under different treatments

图2 不同处理条件下烤烟叶片高光谱反射率Fig. 2 Spectral reflectance of the flue-cured tobacco leaf under different treatments

2.2 烤烟CCD与原始光谱反射率及其一阶导数的相关性

将CCD与烤烟冠层原始光谱及一阶导数分别进行相关分析（n=32），由图 3可知，整体上烤烟CCD与一阶导数的相关性要优于原始光谱。CCD与734 nm处的原始光谱反射率相关性最好（r=0.745，P=0.000），与在红边区域 712 nm处的一阶导数相关系数最高（r=0.838，P=0.000），两者均表现为极显著正相关。

2.3 CCD与光谱特征指数的定量关系

利用8种传统特征光谱指数与CCD进行相关性分析（n=32）可以得出（表2），三角植被指数（TVI）、结构不敏感色素指数（SIPI）、光化学植被指数（PRI）、简单比值色素指数（SRPI）、植被衰老反射率指数（PSRI）、二次修正土壤调节植被指数（MSAVI2）与烤烟CCD的相关性均达到极显著水平，其中TVI与其相关性最好(P=0.000)，其相关系数（r=0.754）虽高于CCD与734 nm处的原始光谱反射率的相关系数（r=0.745），却低于CCD与在红边区域的712 nm处的一阶导数相关系数（r=0.838），故采用712 nm处的一阶导数来构建烤烟CCD估算模型。

图3 CCD与原始光谱及一阶导数相关性(n=32)Fig. 3 Correlation of canopy chlorophyll density with raw reflectance and derivative reflectance (n=32)

表2 高光谱特征参数与CCD之间的相关系数（n=32）Table 2 Correlation analysis between canopy chlorophyll density and hyperspectral indices (n=32)

2.4 烤烟CCD估算模型的建立

2.4.1 线性回归模型的建立 采用 712 nm处的一阶导数（DR712）建立一元线性回归模型（n=32）。由图4可知，烤烟CCD与DR712呈现正相关关系，两者构建的一元线性回归方程为Y=403.476X-2.781，此模型的决定系数R2为0.703，均方根误差RMSE为0.0866。式中Y代表CCD，X代表DR712。

图4 烤烟CCD的线性回归分析（n=32）Fig. 4 Regression analysis for estimating canopy chlorophyll density of flue-cured tobacco (n=32)

2.4.2 BP神经网络模型的建立 BP神经网络是一种按误差逆传播算法训练的多层前馈网络，具有高度非线性映射能力和良好稳健性模式识别特点。图5为采用了三层BP神经网络（输入层、隐藏层、输出层）对烤烟CCD的预测结果。以SMLR模型中的独立变量（DR712）作为输入层，其传递函数为正切S型传递函数(tansig)；以烤烟CCD作为输出层，其传递函数为线性传递函数(purelin)；训练函数为trainlm。构建模型的隐含层节点数为21，采用“试错法”反复尝试确定。如图5所示，烤烟CCD模型的决定系数R2为0.9686，均方根误差RMSE为0.0778，与一元线性回归模型相比可知，BP神经网络对于预测烤烟CCD具有较好的精度。

2.4.3 预测模型的检验 利用试验2的数据作为样本对所构建的两种模型进行检验（n=16）（图6），得到对CCD所构建的线性回归模型和BP神经网络模型的验证结果R2分别为0.726、0.933，RMSE分别为0.0976、0.0023。由此可见，BP神经网络模型的准确性更好。

图5 BP神经网络模型的预测结果（n=32）Fig. 5 The predicted result of the BP network model (n=32)

图6 预测模型的检验（n=16）Fig. 6 Test of prediction models (n=16)

3 讨 论

目前，已有众多学者对作物 CCD进行了相关研究，并筛选出一些特征植被指数与敏感波段，如杨峰等[21]研究得到，二次修正调节植被指数与水稻农学参数相关性最好，800 nm处的光谱反射率与小麦农学参数相关性最好。当然，有关烤烟色素含量的估算模型也已有所研究，李向阳等[22]通过筛选与各种生理生化指标关系最密切的光谱参数得到Ychla+b=1.419+9.992XSAVI-27.702X蓝边面积（R2=0.440）（SAVI为土壤调整植被指数）。邢雪霞等[23]得到的高光谱最佳估测模型为Ychla+b=0.355-0.011XG-NDVI+ 0.015XG-NDVI2（R2=0.830）（G-NDVI为绿度归一化植被指数），但这些大都为根据光谱指数或高光谱位置变量、面积变量和植被变量等单一的构建了线性或非线性回归模型，而本文则是对不同程度干旱胁迫下烤烟CCD进行了单独的分析研究，并构建了精度更高的BP神经网络模型。

4 结 论

本文分析比较了不同程度干旱处理烤烟 CCD及其光谱数据，结果表明712 nm处的一阶导数与CCD相关性最好（r=0.838），以BP神经网络模型的精度和稳定性最佳。今后应进一步探讨烤烟在整个生育时期对CCD的光谱响应规律，以期构建精度更高、实用性更广的烤烟叶绿素密度监测模型。

参考文献

[1] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106: 135-141.

[2] PEFIUELAS J, FILELLA I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status [J]. Trends in Plant Science, 1998, 3(4): 151-156.

[3] 汪耀富，韩锦峰，林学梧. 烤烟生长前期对干旱胁迫的生理生化响应研究[J]. 作物学报，1996，22（1）：117-121.

[4] 韩锦峰，汪耀富，岳翠凌，等. 干旱胁迫下烤烟和氮代谢研究[J]. 华北农学报，1994，9（2）：39-45.

[5] CURRAN P J, DUNGAN J L, MACLER B A, et al. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration[J]. Remote Sensing of Environment, 1991, 35(1): 69-76.

[6] FENG W, YAO X, TIAN Y C, et al. Monitoring leaf pigment status with hyperspectral remote sensing in wheat[J]. Australian Journal of Agricultural Research, 2008, 59(8): 748-760.

[7] 吴长山，项月琴，郑兰芬，等. 利用高光谱数据对作物群体叶绿素密度估算的研究[J]. 遥感学报，2000，4（3）：228-232.

[8] 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.

[9] BLACKBURN G A. Spectral indices for estimating photosynthetic pigment concentrations: A test using senescent tree leaves[J]. International Journal of Remote Sensing, 1998, 19(4): 657-675.

[10] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2): 337-354.

[11] 贾方方. 不同水分状况对烤烟高光谱特性及生理生化指标的影响[D]. 郑州：河南农业大学，2010.

[12] 邹琦. 植物生理生化实验指导[M]. 北京：中国农业出版社，1995.

[13] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote sensing of environment, 2004, 90(3): 337-352.

[14] PEFIUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 3l: 221-230.

[15] GAMON J A, PENUELAS J, FIELD C B. A narrowwaveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 34-44.

[16] PEÑUELAS J, GAMON J A, FREDEEN A L, et al. Reflectance indices associated with physiological changes in nitrogenand water-limited sunflower leaves[J]. Remote Sensing of Environment, 1994, 48(2): 135-146.

[17] MERZLYAK M N, GITELSON A A, CHIVKUNOVA O B, et a1. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum, 1999, 106(1): l35-141.

[18] QI J, CHEHBOUNI A, HUETE A R, et a1. A modified soil adjusted vegetation index[J]．Remote Sensing of Environment, 1994, 48(2): 119-126.

[19] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1966, 55(2): 95-107.

[20] GITELSON A A, KAUFMAN Y J, STARK R, et a1. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

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

[22] 李向阳. 烟草高光谱特性及其生物理化指标和化学品质、香气成分估测模型研究[D]. 郑州：河南农业大学，2007.

[23] 邢雪霞，刘国顺，贾方方，等. 烤烟叶片色素含量的高光谱预测模型研究[J]. 中国烟草学报，2014，20（1）：54-60.

Hyperspectral Estimation of Canopy Chlorophyll Density in Flue-cured Tobacco under Different Drought Stress at the Vigorous Growth Stage

LI Mengzhu1, LIU Guoshun1*, JIA Fangfang2
(1. National Tobacco Cultivation & Physiology & Biochemistry Research Center, Henan Agricultural University, Zhengzhou 450002, China; 2. Shangqiu Normal University, Shangqiu, Henan 476000, China)

This study aims to estimate the canopy chlorophyll density (CCD) of flue-cured tobacco with non destructive and accurate methods in real time to obtain the photosynthetic capacity and nutritional status. To this end, the relationship of canopy chlorophyll density and hyperspectral reflectance of flue-cured tobacco under different drought stresses was studied using an ASD spectrometer. Estimating models of the flue-cured tobacco canopy chlorophyll density were set up by means of the first derivative spectral reflectance. The results indicated that flue-cured tobacco canopy spectral reflectance showed orderly changes with chlorophyll density after drought stresses. The correlation between the first derivative spectral reflectance at 712 nm and chlorophyll density is the best (r=0.838). The BP neural network generated the best estimation. In the inversion of monadic linear model and BP neural network model for CCD using the first derivative spectral reflectance, the BP neural network model showed the best effect with theR2reached 0.9686 andRMSEbeing 0.0778. The results may provide the basis for the cultivation and management through long-term real-time monitoring of the photosynthetic capacity and water stress status of the flue-cured tobacco flourishing population.

flue-cured tobacco; the vigorous growth stage; canopy chlorophyll density; water stress; estimating model

S572.01

1007-5119（2017）01-0023-06

10.13496/j.issn.1007-5119.2017.01.004

国家烟草专卖局特色优质烟叶重大专项“浓香型特色优质烟叶开发”[110201101001(TS-01)]；河南中烟工业有限责任公司科技项目“基于土壤碳氮平衡的烟草专用肥工程化技术研发”（ZW2014005）

李梦竹（1993-），女，硕士研究生，研究方向为烟草栽培生理生化。E-mail：pipizhu0128@qq.com。*通信作者，E-mail：liugsh1851@163.com

2016-03-24

2016-09-30