基于高光谱的小麦冠层叶绿素（SPAD值）估测模型

陈晓娜，赵庚星，周 雪，张 颖，宿宝巍

（山东农业大学资源与环境学院，山东泰安271018）

小麦是我国主要的谷物之一，在各地广泛种植，尤其是华北地区[1]。小麦长势、产量的准确预测对农业生产和区域经济的发展具有重要意义。叶绿素含量与作物的生长状况、光合作用能力和作物产量密切相关[2－5]，因此，叶绿素含量的测定对小麦长势监测、施肥调控和产量评估具有重要意义。利用遥感技术监测土壤的时空变化及作物的营养状况与长势，并为最终的作物估产提供有效手段，是现代“精确农业”的重要技术之一[6－8]。卫星遥感信息反映的是野外条件下地物的反射辐射状况，田间野外测定的地面光谱与其具有很好的可比性[9]。一般认为，光谱分辨率在λ/10（λ表示波长）数量级范围内的遥感称为高光谱遥感，随着高分辨率遥感技术研究的发展，利用弱光谱差异对植被特征展开精细定量分析成为可能[10－12]。

很多学者通过分析植被叶片生化参数与辐射能量的关系，利用可见光波段和近红外波段的波谱反射率进行线性或非线性组合，构建各种功能和用途的植被指数，从而实现定量估算植被叶绿素含量[13－16]。赵祥等[17]利用偏最小二乘回归方法、黄慧等[18]利用偏最小二乘法和逐步线性回归法对小麦高光谱数据进行处理，建立了冬小麦冠层波谱与叶绿素含量的反演模型，效果良好。程志庆等[19]改进了植被参数高光谱遥感反演最佳波段提取算法，验证了利用OIFC法提取高光谱特征波段的可行性。潘蓓等[20]研究了利用敏感区间和波段组合确定最佳估测模型的方法。姚付起等[21]建立了基于红边位置、峰度系数、偏度系数的模型，结果发现，人工神经网络模型反演精度更高。Tan等[22]和GEYER等[23]利用高光谱技术估测了水稻和苹果等不同作物产量，均取得良好的效果。总体上看，农作物生长相关参数的准确、实时、可操作性的估测技术方法仍需进一步研究探讨。

本研究利用小麦冠层实测高光谱和SPAD数据，分别构建基于敏感波段和植被指数的小麦冠层SPAD值估测模型，旨在进一步探索小麦冠层叶绿素的光谱估测方法，为小麦生长信息的快速获取提供有效手段。

1 材料和方法

1.1 试验区及样本获取

试验区设在山东农业大学科技试验田（泰安市泰山区）。田间光谱测试日期为小麦返青期，于2016年3月16日进行采样，为保证试验结果精度，试验区域分为50个样区，每个样区设置4个采样点，同步获取冠层高光谱数据和SPAD值。

小麦冠层光谱测定采用美国ASD FieldSpec 3光谱仪，其波段值为350～2 500 nm。其中，350～1 000 nm光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 000～2 500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。输出波段波长间隔为1 nm，共有2 151个波段，波段光谱仪视场角为25°。进行光谱测量时，手枪垂直对准被测物，距离小麦冠层1.0 m，每个样品记录10个采样光谱，该样点的光谱反射率取其平均值。为减少误差，测量过程中及时进行白板校正，测定时天气晴，光照良好，风力二级，测量时间为10:00—14:00。

SPAD值是衡量植物叶绿素相对含量或绿色程度的重要参数。相关研究表明，SPAD值与叶绿素总量呈现显著正相关，SPAD值作为叶绿素总量是可行的。本试验采用SPAD－502叶绿素探测仪，叶片SPAD值的测量与光谱测定同步，为减少误差，在采集标识的采样点（光谱数据测量所对应的范围内）处选取5个小麦植株冠层测定，利用仪器直接得出平均值。测量方法简单高效，不会对小麦植株造成破坏。

1.2 数据处理与方法

1.2.1 光谱数据处理 ASD FieldSpec 3光谱仪在300～1 000 nm波段和1 000～2 500 nm波段采用的探测元件不同，在2个探测元件的结合处会出现偏差[24]，光谱图像上则表现为1 000 nm处光谱曲线不连续（图1－A），为消除偏差，用 ViewSpec Pro 6.0软件进行断点校正。图1可看到消除偏差的光谱图像对比。

图1 原始光谱曲线和校正后光谱曲线

利用ViewSpec Pro 6.0光谱处理软件对小麦冠层反射光谱数据进行处理，剔除偏差较大的曲线，取平均值作为小麦样品的光谱反射率。受光谱仪本身和测量环境的影响，光谱仪工作波段有噪音影响，为消除或减弱光谱测定中风速、光照条件等影响，对冠层光谱反射率曲线进行变换。研究表明，微分技术能提高光谱数据与叶绿素含量的相关性。采用光谱微分技术，计算光谱梯度，确定光谱拐点以及最大值与最小值反射率波长位置，光谱的低阶处理对环境和仪器噪声有去除作用[24]。因此，本试验对光谱反射率数据进行一阶导数、对数和倒数变换。

1.2.2 SPAD值处理 对采集到的200个小麦冠层SPAD样本数据进行检查筛选，从中剔除7个异常样本后，对193个SPAD样本进行描述性统计，SPAD含量平均值为57.2，最大值67.0，最小值46.2，标准差为4.1，变异系数为7.17%。说明总体SPAD值处于相似水平，差异较小。

1.2.3 SPAD估测模型建立 首先，将小麦冠层SPAD与光谱波段进行相关性分析，得出显著相关的波段即敏感波段，进而建立基于单个敏感波段和多敏感波段组合的冠层SPAD值估测模型。另一方面，植被指数作为通过光谱波段的线性与非线性组合生成的表征植被状况的一种光谱定量指标，能够消除一定土壤、水体等影响，经常被用来反演植被叶绿素。因此，本文利用常用的4种植被指数：归一化植被指数NDVI、比值植被指数RVI、土壤调节植被指数SAVI和生理反射植被指数PRI（表1），构建基于植被指数的小麦冠层SPAD值估测模型。其中，生理反射植被指数PRI中Rref是个参考波段，根据分析出的敏感波段，选择为R570。

表1 采用的4种植被指数

2 结果与分析

2.1 光谱变换分析

对小麦冠层反射率曲线进行倒数、对数和一阶微分变换的结果如图2所示。

图2 小麦冠层反射率及变换曲线

从图2可以看出，反射率经对数变换后，曲线与原始反射率曲线的走势一致，2条曲线波峰和波谷的位置处于同一波段，且对数变换弱化了曲线起伏趋势；倒数变换后，曲线与反射率曲线呈相反走势，未能更好突出原始反射率曲线的起伏趋势；而经过导数变换后，曲线的趋势与变换前出现了更大波动，有明显的峰值波段。因此，光谱反射率一阶可更好寻找敏感波段。

从反射率导数曲线图中可以看出，在可见光范围内，存在一个510～580 nm的反射小高峰，峰值波段为550 nm，两侧呈现反射低谷，此为植被色素强吸收蓝紫光和黄红光，而在绿光波段表现反射峰。在700～780 nm光谱曲线急剧上升，在780～1 300 nm形成了反射高台，被称为“红外高台阶”，1 300～2 500 nm的光谱反射率主要受植物水吸收红外线影响，呈现明显的锯齿状，为水的噪音影响。因此，在相关性分析之前对数据进行筛选，删除了 1350～1430，1800～1960，2345～2500nm的噪声数据。由反射率曲线和反射率导数曲线可以得到红边位置，即植被光谱反射率在700～750 nm增长最快的点，也是反射率一阶导数在此区间的拐点，对比2个图可以看出，728 nm就是红边位置。

2.2 叶绿素含量与原始光谱及反射率一阶导数的相关性分析

对小麦冠层SPAD值与原始光谱反射率和光谱一阶导数进行相关性进行分析，结果如图3所示。

图3 反射率及一阶导数与SPAD的相关性

从图3反射率与叶绿素相关性曲线可以看出，在整个光谱区间中反射率与SPAD的相关关系都是正相关，且550，725，1 349 nm波段的光谱反射率与SPAD值的相关性较大，可作为叶绿素的敏感波段；在可见光范围内大部分光谱区间反射率与SPAD相关系数都达到0.35以上，但是676 nm左右的相关系数却低于0.3。从图3反射率一阶导数与SPAD的相关曲线中可以得出，871，1 994，1 468，1 995 nm 波段的反射率导数与SPAD相关性较大，可以作为敏感波段；同时看出，与原始反射率相比，部分反射率一阶导数与SPAD的相关性更大。

2.3 基于敏感波段的叶绿素估测模型

在SPSS软件中将各种变换后得到的敏感波段与SPAD进行11种形式的曲线回归建模，结果如图4所示。

图4 敏感波段回归模型精度曲线

由图4可知，R′871建立的模型中拟合度最高的是二次和三次模型，R2均为0.271；R′1994、R′1468、R′1995和 R550建立的模型中拟合度最高的均是三次模型，R2分别是 0.344，0.398，0.442，0.151；R725建立的曲线模型中有多个模型R2是0.166，R1349建立的曲线模型中有多个模型R2是0.181。由曲线可得出，由反射率敏感波段（R550、R725和R1349）构建的模型拟合度均小于反射率导数敏感波段（R′871、R′1994、R′1468和 R′1995） 所构建的模型，且模型精度曲线趋近直线；反射率导数构建的模型精度曲线中，R′871的模型精度曲线平缓，R′1994和 R′1468次之，R′1995的曲线起伏程度最大，经比较，R′1995模型拟合度最高，R′871模型拟合度最低。总体而言，单一敏感波段与SPAD的曲线回归拟合度和准确度整体不高。

在此基础上，将相关分析后得到的单一敏感波段筛选组合，进行多个自变量的回归分析，建立多元线性回归模型，并对所建立的线性回归模型进行比较，进而找出拟合度较高的模型（表2）。经过调整，得出对小麦冠层SPAD数据拟合模型精度较高的敏感波段组合依此为：R′871，R1349，R725，R′1995＞ R′871，R′1995＞ R′1460，R′1468，R′871，R′587＞ R′1468，R′1460，R′871，以R′871，R1349，R725，R′1995多元线性回归模型为最佳估测模型，方程为：Chl=85 619R′871+7 047.345R′1995－ 67.081R1349+74.421R725+41.612，决定系数R2=0.668，调整R2=0.632，拟合度较好。

表2 拟合度较高的多元线性回归模型

2.4 基于植被指数的叶绿素估测模型

将上述4种植被指数在SPSS软件中进行回归分析，结果如图5所示。

图5 叶绿素含量指标与植被指数回归分析结果

经分析，NDVI的二次方程、RVI的指数方程、SAVI的对数方程和PRI的线性方程分别是其模型中拟合度最好的，比较各回归模型的决定系数，各植被指数建立的SPAD含量预测模型中精度表现为：NDVI＞ RVI＞ SAVI＞ PRI，其中 NDVI建立的模型拟合度最高，估测方程为：y=61.978x2－34.426x+54.089，其中，y为小麦冠层叶绿素含量指标SPAD值，x为NDVI指数，R2为0.845，模型精度较高。

3 结论与讨论

本研究采集了小麦冠层光谱反射率与SPAD值，利用光谱数据及反射率一阶导数的相关性确定敏感波段，并用SPAD值作为叶绿素总量与光谱数据和植被指数构建模型，取得效果良好。

反射率经对数变换和倒数变换后，曲线与原始反射率曲线的走势一致或相反，2条曲线波峰和波谷与原始反射率曲线处于同一波段，甚至弱化了曲线起伏趋势，相对原始光谱没有优势，而经过导数变换后，曲线的趋势与变换前出现了波动，有明显的峰值波段，可以用光谱反射率一阶导数和原始光谱反射率寻找敏感波段。

小麦冠层光谱反射率与叶绿素含量密切相关，总体呈正相关，在1 180～1 300 nm相关系数最大，在550，725，1349 nm相关系数较大。在871，1 468，1 994，1 995 nm 的光谱反射率一阶导数与叶绿素含量相关性显著，大于光谱反射率与叶绿素的相关性。

小麦冠层光谱反射率预测叶绿素含量可行。基于敏感波段与SPAD构建线性回归模型中最佳模型为 R′871，R1349，R725，R′1995多元线性回归模型，表达式为 Chl=85 619R′871+7 047.345R′1995－67.081R1349+74.421R725+41.612，决定系数R2=0.668，调整R2=0.632。用植被指数与SPAD建立模型中最佳模型是NDVI的二次模型，模型为y=61.978x2－34.426x+54.089，决定系数 R2为0.845。基于植被指数NDVI的二次估测模型效果优于基于敏感波段的多元线性回归模型。

本研究采用了小麦冠层的SPAD值，没有测量实际的叶绿素含量，用SPAD值来表达叶绿素与光谱数据的相关性和模型，与真实值存在一定的差异；另外，冠层数据因受仪器稳定性和环境条件影响出现了一定的噪声干扰，文中简单删除了噪声影响波段，而更准确有效的噪音去除方法仍有待进一步探索。

[1]冯美臣,杨武德.小麦遥感估产研究进展与发展趋势[J].作物研究,2005,19(4):251－254.

[2]顾骏飞,周振翔,李志康,等.水稻低叶绿素含量突变对光合作用及产量的影响[J].作物学报,2016,42(4):551－560.

[3]LUKAS V,RODRIGUEZ－MORENO F,DRYSLOVA T,et al.Effectiveness of chlorophyll meter measurement in winter wheat at field scale level[J].Agriculture,2014,60(2):41－49.

[4]王瑞,陈永忠,陈隆升,等.油茶叶片SPAD值与叶绿素含量的相关分析[J].中南林业科技大学学报,2013,33(2):77－80.

[5]王平荣,张帆涛,高家旭,等.高等植物叶绿素生物合成的研究进展[J].西北植物学报,2009,29(3):629－636.

[6]BEERI O,PELED A.Spectral indices for precise agriculture monitoring[J].International journal of remote sensing,2006,27(9/10):2039－2047.

[7]MLADEN J,LUKA S,DOMAGOJZ,etal.Technicaland technological aspects in plant protection in the precision farming system[J].Poljoprivreda,2007,21(1):75－81.

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

[9]张佳华,姚凤梅,李秉柏,等.星－地光学遥感信息监测水稻高温热害研究进展[J].中国科学：地球科学，2011,41(10):1396－1406.

[10]THOMAS J R,OERTHER G F.Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J].Argon,1972,64:11－13.

[11]张良培,张立福.高光谱遥感[M].武汉:武汉大学出版社,2005.

[12]DAUGHTRY C T,WALTHALL C L,KIM M S,et al.Estimating corn leaf chlorophyll concentration from leafand canopy reflectance[J].Remote sensing of environment,2000,74(2):229－239.

[13]谭琨.高光谱遥感影像半监督分类研究[M].徐州:中国矿业大学出版社,2014.

[14]郭铌.植被指数及其研究进展[J].干旱气象,2003,21(4):71－75.

[15]李映雪,朱艳,曹卫星.不同施氮条件下小麦冠层的高光谱和多光谱反射特征[J].麦类作物学报,2006,26(2):103－108.

[16]李敏夏,张林森,李丙智,等.苹果叶片高光谱特性与叶绿素含量和SPAD值的关系[J].西北林学院学报,2010,25(2):35－39.

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

[18]黄慧,王伟,彭彦昆,等.利用高谱扫描技术检测小麦叶片叶绿素含量[J].光谱学与光谱分析,2010,30(7):1811－1814.

[19]程志庆,张劲松,孟平,等.植被数高光谱遥感反演最佳波段提取算法的改进[J].农业工程学报,2015,31(12):179－185.

[20]潘蓓,赵庚星,朱西存,等.利用高谱植被指数估测苹果树冠层叶绿素含量[J].光谱学与光谱分析,2013,33(8):2203－2206.

[21]姚付启,张振华,杨润亚,等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报,2009,25(S2):123－129.

[22]TAN C W,SAMANTA A,JIN X L,et al.Using hyperspectral vegetation indices to estimate the fraction of photosynthetically active radiation absorbed by corn canopies[J].International journal of remote sensing,2013,34(24):8789－8802.

[23]GEYER M,HEROLD B,ZUDE M,et al.Non－destructive evaluation of apple fruit maturity on the tree[J].Vegetable crops research bulletin,2007,66(66):161－169.

[24]陈红艳.土壤主要养分含量的高光谱估测研究[D].泰安:山东农业大学,2012.

[25]MILLER J R,HARE E W,WU J,et al.Quantitative characterization of the vegetation red edge reflectance 1.An inverted－Gaussian reflectance model[J].International journal of remote sensing,1990,11(10):1755－1773.

[26]ANDERSON G L,HANSON J D,HAAS R H,et al.Evaluating landsat thematic mapper derived vegetation indices for estimating above－ground biomass on semiarid rangelands[J].Remote sensing of environment,1993,45(2):165－175.

[27]HUETE A R.A Soil－Adjusted vegetation index(SAVI)[J].Remote sensing of environment,1988,25(3):295－309.

[28]GAMON J A,PENUELAS J,FIELD C B,et al.A narrowwaveband spectral index that tracks diurnal changes in photosynthetic efficiency[J].Remote sensing of environment,1992,41(1):35－44.