不同微生物作用下玉米叶片含水量高光谱定量估测

解文武

摘要：通过测定盆栽试验条件下不同微生物作用的玉米植株叶片高光谱反射率并对其叶片含水量进行差异分析，探讨不同微生物作用对植被叶片含水量的影响及其光谱特征变化，并尝试利用高光谱遥感技术对不同处理条件下玉米叶片含水量进行监测识别。结果表明，叶片含水量最佳估测模型中，CK处理预测模型Y=0.839×[exp（0.006 t）]预测精度最高，决定系数（R2）达0.851，RMSE为0.018，G.m处理预测模型Y=0.84-100.128 t-166 349.654 t2预测精度最低，决定系数（R2）为0.638，RMSE为0.013。不同处理所建模型均可实现相应叶片含水量的有效预测，为微生物复垦领域对不同微生物作用下植被叶片含水量的快速高效无损监测与评价提供了信息支持。

关键词：高光谱遥感;微生物复垦;叶片含水量;估测模型

中图分类号：P237         文献标识码：A

文章编号：0439-8114（2018）24-0151-05

DOI：10.14088/j.cnki.issn0439-8114.2018.24.041           開放科学（资源服务）标识码（OSID）：

Abstract： By measuring the hyperspectral reflectance of maize plant leaves with different types of microorganism under the condition of pot experiment， the difference of the leaf water content was analyzed，Investigate the effect of different microorganisms on the water content of vegetation and the change of its spectral characteristics，and tried to use hyperspectral remote sensing technology to monitor and identify the water content of maize leaves under different treatment conditions. The results show that the CK prediction model Y=0.839×[exp（0.006 t）] has the highest prediction accuracy in the best estimation model of the leaf water content， the coefficient of determination is 0.851，RMSE is 0.018，the prediction precision of G.m processing model Y=0.84-100.128 t-166 349.654 t2 is the lowest， the coefficient of determination R2 is 0.638，RMSE is 0.013. The models constructed by different treatments can effectively predict the water content of the corresponding leaves，in the field of microbial reclamation，information support is provided for the rapid and efficient monitoring and evaluation of the water content of vegetation leaves under the action of different types of microorganism.

Key words： hyperspectral remote sensing; microbial reclamation; leaf water content; estimation model

植被含水量可有效推断植株水分状况，进而指导植被干旱监测和灌溉用水，可控制植被长势及最终产量，在植被整个生育期内至关重要[1，2]。鉴于光谱的可见光及近红外多个波段可响应植被水分信息，因而敏感波段及光谱特征分析技术成为国内外学者反演植被水分信息的重要手段。研究发现5个分别以970、1 200、1 450、1 930、2 500 nm为中心的叶片吸收带[3]，为高光谱遥感技术估测植被叶片含水量奠定了理论基础。

光谱特征分析以导数光谱、连续统去除光谱应用最为广泛，有研究证实了光谱特征分析反演植被水分含量的可行性，为利用遥感技术监测植被长势提供了依据[4-6]。植被水分指数可削减单波段散射效应，因而可将其用于植被水分含量反演[7-16]。虽然，相关学者在叶片含水量方面进行了大量研究，但研究主要集中在因含水量变化导致的相应植被叶片光谱的差异。这些研究奠定了植被信息高光谱识别与定量反演的基础，但对于不同含水量条件下光谱特征差异分析及不同含水量条件下植被叶片含水量的预测仍缺乏系统研究。本研究对不同微生物作用所导致的不同含水量的植被叶片光谱特征及相应叶片含水量定量估算进行研究，探讨不同处理对植被叶片含水量的影响及其光谱特征变化，试图通过不同方法寻找能够识别不同微生物作用下玉米叶片含水量的光谱特征波段及数学模型，以实现微生物复垦后不同处理植被叶片含水量的高精度估测，为微生物复垦领域植被叶片含水量的高效无损监测提供新的技术手段和监测途径。

1  材料与方法

1.1  供试菌种

供试菌种为硅酸盐细菌C6X菌株（记为CR）和菌根真菌（内生菌根真菌菌种摩西球囊霉菌，Glomus mosseae）（记为G.m），由中国矿业大学（北京）微生物复垦实验室分离筛选。

1.2  供试基质

供试基质按照石英、钾长石和伊利石质量比1∶1∶3进行配制，各矿物均碾碎至100目。供试基质均进行高温、高压蒸汽灭菌（121 ℃，2 h），风干。

1.3  供试植物

供试玉米种子购于中国农业科学院，播种前用10%H2O2浸泡10 min进行表面消毒，然后用去离子水反复清洗数遍，沥干水分备用。

1.4  试验用盆

使用高18 cm、盆口直径24 cm、底盆直径15 cm的小盆。每盆装风干基质5.0 kg。

1.5  试验处理

基质设4种处理，分别为不接菌（记为CK）、接种硅酸盐细菌C6X菌株（记为CR）、接种菌根真菌（记为G.m）、硅酸盐细菌C6X菌株和菌根真菌联合接种（记为CR+G.m）。每種处理设9个重复，共计36盆，随机摆放。定期对植物按基质最大持水量的75%浇水并根据天气情况通风管理。

1.6  指标测定

分别在玉米不同生长阶段（20、40、60 d）对每种处理随机选取3盆植株进行玉米叶片光谱曲线采集并同步测定相关生理生化参数指标。

1）叶片含水量测定。采集叶片光谱的同时进行同步采样，采用烘干称重法对相应叶片进行叶片含水量的测定。每株玉米采样时选择上中下层各两片，测定光谱的同时进行叶片含水量测定。采用精度为0.001 g的天平对鲜叶称重，称重后将叶片放入105 ℃恒温箱杀青15 min，于80 ℃下烘干至恒重后称其干重，计算各叶片含水量。

单叶含水率=（单叶鲜重-单叶干重）/单叶鲜重×100%

2）光谱数据采集。盆栽玉米于2015年5月底种植，分别在玉米生长20、40、60 d时对各处理玉米叶片上、中、下部分各采集至少两片并按顺序进行编号。光谱测定采用美国ASD公司生产的的FieldSpec 3便携式地物光谱仪（手持式），相关参数分别为光谱波段范围350～2 500 nm，数据输出间隔1 nm，350～1 000 nm之间光谱分辨率为3 nm，1 000～2 500 nm之间光谱分辨率为10 nm。为避免长时间测定造成误差，每片叶片光谱测定前，均对光谱仪进行白板校正，玉米叶片光谱曲线采用植被探头与叶片夹式光谱探测器（仪器自带）测定，每片叶片分别在叶尖、叶中、叶根处视叶片大小选取5～10个点进行光谱曲线测定，每点读取5次数值，尽量避开叶脉部分，以每片叶片所测定光谱曲线的均值作为该叶片的光谱表征。每个处理设置3株重复，取3株玉米叶片反射光谱均值作为其最终光谱曲线。20 d时共收集60个样本，40 d时共收集82个样本，60 d时共收集70个样本，即全部生长期共收集样本212个。

3）光谱数据预处理。对不同时期采集到的原始光谱曲线，首先剔除异常光谱数据，其次通过光谱仪配套软件ViewSpec Pro 5.0对其余光谱数据进行取均值、平滑处理（5点平滑法）。因为光谱仪采集的光谱曲线均为离散数据，因而对原始光谱数据进行一阶微分处理（式1）：

2  结果与分析

2.1  不同微生物作用对各时期玉米叶片含水量的影响

不同微生物作用对各时期玉米植株叶片含水量的影响见图1。由图1中可知，20、40和60 d 3个生长阶段，随着玉米生长期的延后，各个处理玉米叶片RWC含量整体呈下降趋势，同一处理在不同时期玉米叶片RWC含量均达显著差异水平，含量大小表现为20 d>40 d>60 d;同一时期，不同处理之间整体呈先上升后下降趋势。20 d时，不同处理之间玉米植株叶片RWC含量差异显著，3种接菌处理的玉米叶片RWC含量均显著高于不接菌处理CK组，以G.m组为最高;40 d时，不同处理玉米植株叶片RWC含量整体变化规律与20 d时相同，只是CR组和G.m+CR组RWC含量差异不显著;60 d时，不同处理之间玉米植株RWC含量只有CR组和G.m+CR组与CK组差异显著，4种处理以CR组叶片RWC值最高，G.m组与CK组差异不明显，G.m+CR组叶片RWC值显著低于CK组。这可能是由于G.m和G.m+CR处理长势明显好于其他两处理，叶片数量和面积较大，蒸腾量增加所致。同一处理叶片含水量随着接菌时间的增加均逐渐减小，这和蒸腾量以及测定时距离浇水时间长短有关。

2.2  不同处理玉米样本叶片含水量与光谱曲线相关性分析

对4个不同微生物作用下玉米植株3个时期全部样本叶片一阶导数光谱数据与叶片含水量进行整体相关性分析见图2。由图2中可知，各处理经统计分析所得相关系数随波长的变化趋势基本一致。结果表明，在可见光区域（400～780 nm），相关系数以550 nm为临界点，550 nm之前均呈负相关且相关系数绝对值逐渐增大，550 nm之后相关系数整体呈正相关且逐渐变小，在700 nm左右相关系数出现波谷，呈负相关状态;在近红外短波区域（780～1 100 nm），相关系数呈正负相关快速交替关系，且无明显规律;在近红外长波区域，相关系数在1 300～1 400、1 600～1 900和2 200～2 500 nm波段处呈正相关，其余波段范围呈负相关;其中1 400、1 650、2 250 nm附近出现波峰，1 500、2 000 nm附近出现波谷。一阶微分光谱与叶片含水量强相关性主要出现在550～600 nm、700 nm附近、1 600～1700 nm、1 400～1 550 nm，该波段范围可作为叶片含水量定量监测的最优敏感波段，但针对不同微生物处理后的玉米叶片，应分别精确选定。

2.3  不同处理玉米叶片含水量预测模型建立

光谱指数是一种可对目标地物产生指示作用的数学模型，由经线性和非线性组合后的一系列光谱特征数据构成。光谱指数可减弱太阳高度角、环境条件等因素对原始光谱数据的影响，增强目标地物相关信息，提高信息提取精度[8]。本研究为探求不同处理条件下叶片含水量最佳预测光谱指数，根据经预处理后的原始光谱数据及一阶微分光谱数据分别计算其与相应叶片含水量的相关关系，同时结合前人研究以及根据相关关系建立新的特征参数，最终选择相关性较大的光谱指数作为模型建立的特征变量。各处理光谱指数选择及含义见表2。

表2中所选特征参数，对不同处理的玉米叶片分别进行相关性分析（表3），各处理分别选择相关性较大的3个特征参数作为预测模型建立的特征变量，进而在线性、二次曲线、对数、指数、幂函数5中常用函数中采用曲线估计方法在充分考虑拟合优度（决定系数）、显著性检验和实际情况的前提下选择最佳预测模型（表4）。

2.4  不同处理玉米叶片含水量预测模型精度验证

经筛选后各处理玉米叶片含水量预测模型均可获得较好预测效果（图3），对经不同微生物处理后的玉米叶片含水量均具备良好预测能力，可针对不同生长状况的玉米叶片含水量进行准确估测。

3  结论

1）在对不同微生物作用下盆栽玉米植株各时期（20 d/40 d/60 d）叶片含水量的统计分析表明，不同微生物作用下玉米植株长势变化差异显著，双接菌处理（G.m+CR组）玉米植株长势明显好于其他处理。单接种硅酸盐细菌（CR组）对玉米植株生长的促进效果显著弱于单接种丛植菌根（G.m组）处理。在玉米生长的后期（60 d），CR与CK处理、G.m+CR与G.m处理所对应玉米植株长势差异显著弱于玉米生长中期（40 d）。

2）研究认为，MSI、NDII、WBI、NDWI等光谱指数可对植被含水量进行有效预测，但研究表明这些光谱指数只对表征等效水厚度适用，而对植被叶片含水量这标并不敏感。本研究结果中，以上指数所建立模型R2、RMSE、F值所表现出相应预测精度都不理想。可能是由于光谱指数MSI、NDII、WBI和NDWI均直接由植被光谱反射所构建，易受背景信息影响而使模型中增加干扰因子，理想的优选光谱指数可有效削弱乃至剔除土壤背景干扰以实现对植被理化指标的精确估测。本研究在原始光谱基础上进行一阶微分处理，以消除土壤背景信息影响，在所构建的光谱指数中，各处理表现最为理想的3个指数均可有效表征玉米叶片含水量，实现对不同微生物作用下玉米叶片含水量的定量估测。

3）本试验结果表明，叶片含水量最佳估测模型中，CK处理预测模型Y=0.839×[exp（0.006 t）]预测精度最高，决定系数（R2）达0.851，RMSE为0.018，G.m处理预测模型Y=0.84-100.128 t-166 349.654 t2预测精度最低，决定系数（R2）为0.638，RMSE为0.013。研究表明在对不同微生物作用下玉米植株叶片含水量的定量估测上，所建模型预测精度理想且均可用于相关指标的定量估测，证实了高光谱遥感技术植被监测的可行性，为微生物复垦对不同微生物作用下植被叶片含水量的快速高效无损监测与评价提供了信息支持。但针对不同处理的玉米植株叶片含水量并无统一的特征变量进行估测，模型的普适性有待进一步研究。

参考文献：

[1] 林  毅，李  倩，王宏博，等.高光谱反演植被水分含量研究综述[J].中国农学通报，2015，31（3）：167-172.

[2] LI H，PAYNE W A，MICHELS J，et al. Reducing plant abiotic and biotic stress：Drought and attacks of greenbugs， corn leaf aphids and virus disease in dryland sorghum[J].Environmental and Experimental Botany，2008，63（1）：305-316.

[3] ZHANG J H，GUO W J. Quantitative retrieval of crop water content under different soil moistures levels[A].Asia-pacific Remote Sensing Symposium，2000.

[4] 沈  艳，牛  铮，王  汶，等.基于导数光谱变量叶片含水量模型的建立[J].地理与地理信息科学，2005，21（4）：16-19.

[5] 孙  林，程丽娟.植被叶片生化组分的光谱响应特征分析[J].光谱学与光谱分析，2010，30（11）：3031-3035.

[6] PENUELAS J，PINOL J，OGAYA R， et al. Estimation of plant water concentration by the reflectance water index（R900/R970）[J].International Journal Remote Sensing，1997，18（13）：2869-2875.

[7] 黄春燕，王登伟，肖莉娟，等.不同水分条件下棉花光谱数据对冠层叶片温度的响应特征[J].棉花学报，2014，26（3）：244-251.

[8] 刘小军，田永超，姚  霞，等.基于高光谱的水稻叶片含水量监测研究[J].中国农业科学，2012，45（3）：435-442.

[9] GAO B C. NDWI-Anormalized difference water index for remote sensing of vegetation liquid water from space[J].Imaging Spectrometry，1995，2480（3）：257-266.

[10] FENSHOLT R，SANDHOLT I. Derivation of a shortwave infrared water stress index from MODIS near and shortwave infrared data in a semiarid environment[J].Remote Sens Environ，2003，87（1）：111-121.

[11] 梁  亮，张连蓬，林  卉，等.基于导数光谱的小麦冠层叶片含水量反演[J].中国农业科学，2013，46（1）：18-29.

[12] 阿布都瓦斯提·吾拉木，李召良，秦其明，等.全覆盖植被冠层水分遥感监测的一种方法：短波红外垂直失水指数[J].中国科学（D辑：地球科学），2007，37（7）：957-965.

[13] ABDUWASIT G，LI Z L，QIN Q M，et al. Estimating crop water stress with ETM+NIR and SWIR data[J].Agr For Meteor，2008，148（11）：1679-1695.

[14] ZHANG J H，GUO W J. Studying on spectral characteristics of winter wheat with different soil moisture condition[A].The 2nd International Symposium on Recent Advances in Quantitative Remote Sensing：RAQRS'II，Spain，2006.

[16] JORDAN C F. Derivation of leaf area index from quality of light on the forest floor[J].Ecology，1969，50（4）：663-666.

[17] 羅红霞，阚应波，王玲玲，等.基于高光谱遥感技术的农作物病虫害应用研究现状[J].广东农业科学，2012，39（18）：76-80.