基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

王婷婷，常庆瑞，刘梦云，郑 煜，杨 景

(西北农林科技大学资源环境学院，陕西杨凌 712100)

叶绿素是植被光合能力强弱、营养生理状况以及衰老进程的良好指示剂，其含量的测定对农作物长势监测、施肥调控与产量评估具有重要意义[1]。检测叶绿素含量的方法主要有分光光度法、高效液相色谱法、原子吸收法等。这些方法虽然准确，但步骤繁琐，普遍具有破坏性[2]。基于叶片叶绿素对光的吸收和透射原理，开发的手持便携式叶绿素计，如最为常用的SPAD-502叶绿素计和Dualex植物多酚-叶绿素测量仪，它们均能快速、非破坏性地测定叶绿素水平[3]。但仪器必须接触测定，工作量较大，费时费力，而且无法达到实时动态监测的目的。

遥感技术的发展为叶绿素含量等植被生理生化参数的动态监测提供了新的技术手段，有关其应用研究已经取得了一定进展[4-9]。前人针对不同的手持便携式叶绿素计就校准模型构建进行了大量研究。 研究表明，SPAD-502测定值容易受到树木叶片结构特征(比如叶片厚度、比叶质量、叶脉及水分含量)的影响[17]。Dualex 4估测叶绿素值与水稻叶片叶绿素浓度呈极显著线性相关(P<0.001)，且应选取水稻叶片中上部进行测试[28]。通过对比Dualex、SPAD 和 CCM 3个仪器对叶绿素的估算精度，得出Dualex在整个数据范围内线性关系最优[10]。Dualex对叶绿素质量分数(Chl-M)和单位面积叶绿素质量(Chl-S)的估测精度较好，且高于SPAD叶绿素计[3]。另外，Dualex植物多酚-叶绿素测量仪可以同时测定4个指标(Chl、Flav、Anth和NBI)，在野外作业中相比其他手持便携式叶绿素计可以节省人力和时间，提高工作效率。而利用高光谱遥感技术反演Dualex植物多酚-叶绿素仪测定的叶绿素含量的研究尚不多见。本研究利用Dualex植物多酚-叶绿素测量仪测定不同生育时期冬小麦叶片叶绿素含量，同时进行叶片光谱测定，选取多种参数对叶绿素含量进行反演建模，以确定各生育时期叶绿素含量的快速监测模型，以期为作物生长状况监测、生理生化研究提供理论依据和技术支持。

1 材料与方法

1.1 试验设计与样品采集

本研究于2016-2017年度的不同施肥量的冬小麦田间试验区进行，研究区位于陕西杨凌西北农林科技大学教学试验农场(东经108°10′，北纬34°14′)和陕西省咸阳市乾县梁山乡齐南村(东经108°07′，北纬34°38′)。

杨凌试验点设置5个氮肥处理和5个磷肥处理，其中氮肥处理的施氮量分别为180、135、90、45和0 kg·hm-2，磷肥处理的施磷(P2O5)量分别为90、67.5、45、22.5和0 kg·hm-2，每个处理设2次重复，重复小区相邻，共计20个小区，小区面积为27.5 m2(5 m×5.5 m)。

乾县试验点设置氮、磷、钾肥各6个处理，其中氮肥处理的施氮量分别为50、120、90、60、30和0 kg·hm-2，磷肥处理的施磷(P2O5)量分别为112.5、90、67.5、45、22.5和0 kg·hm-2，钾肥处理的施钾(K2O)量分别为112.5、90、67.5、45、22.5和0 kg·hm-2，每个处理设2次重复，重复小区相邻，共计36个小区，小区面积为125.0 m2(10 m×12.5 m)。另设一个大区试验，设置5个施氮处理，施氮量分别为240、180、120、60和0 kg·hm-2，每个处理2次重复，重复处理相邻，每个地块150 m2(10 m×15 m)。

各处理的肥料均在冬小麦播前一次性施入，生育期不追肥，其他栽培管理措施同一般高产麦田。小麦品种为小偃22。在拔节期、抽穗期、开花期和灌浆期进行田间观测和样品采集。采样时，每个小区选取2个样点，在样点附近采摘10株植株冠层的共10片相同叶位(沿主茎自上而下第一片)的叶片，用保鲜袋密封，装入蓝冰保温箱带回实验室进行光谱及叶绿素含量测定。

1.2 叶片叶绿素测定

采用Dualex Scientific+(Force-A，Orsay，法国)测量冬小麦叶片叶绿素含量。每个样点选择新鲜叶片6片，对每片叶子从叶柄至叶尖分段测量3次(避开叶脉部分)，取平均值，6片叶子的平均为该样点的叶片叶绿素含量。下文提到的Chl均代表 Dualex所测定的叶绿素含量。每个生育时期共122组样本数据，共观测4个生育时期。叶片叶绿素统计特征如表1所示。

表1 冬小麦叶片叶绿素含量(Chl)统计特征Table 1 Statistical features of leaf Chl in winter wheat

1.3 叶片光谱测定

叶片光谱测定采用SVR HR-1024i 型全波段地物光谱仪，测量波长范围350～2 500 nm，光谱采样间隔在350～1 000 nm波段为1.377 nm，在1 000～2 500 nm波段为2 nm。光谱测定中使用仪器内置光源，为消除环境变化对仪器的影响，每隔0.5 h进行一次参考板校正。选择每个样点测定过叶绿素的6片叶片(保证Chl与光谱测定的叶片一一对应)为对象，每片叶子使用叶片夹从叶柄至叶尖分段测量3次(避开叶脉部分和Dualex测量仪夹过的部分)，求平均值后得出该叶片的光谱反射率曲线，再将6片叶子光谱曲线求平均，得到该样点的光谱反射率。

1.4 数据处理

利用SVC HR-1024i PC、Excel 2013、Origin 2016、Python 3.6、JMP Trial 14和Matlab 7.10.0等软件对数据进行处理和计算。由于叶绿素对叶片光谱的响应波段主要在可见光和红外波段，因此本研究主要选择350～1 000 nm波段进行分析，并将光谱重采样至1 nm。由于光谱仪采集的是离散的数据，因此采用式(1)对原始光谱数据进行一阶导数计算：

R′=(Ri+1-Ri-1)/(λi+1+λi)+(λi-λi-1)

=[(Ri+1)-(Ri-1)]/ △λ

(1)

式中，Ri为波长inm处的光谱反射率，R′是Ri的一阶微分，λi为第i个通道的波长。

1.5 光谱特征参数的选择

本研究在前人研究的基础上，结合数据特点，从多种可用于叶绿素含量测定的高光谱指数中选择了物理意义明确、认可度较高的8个对叶绿素含量响应明显的植被指数和6种常见的三边参数进行分析和建模(表2)。

1.6 模型建立与优化

对每个生育时期采集的122个样本按Chl值进行排序，采用分层抽样的方法抽取92个作为建模样本集，剩余30个作为检验样本集。采用偏最小二乘法(PLS)和支持向量回归(SVR)算法构建模型，偏最小二乘在JMP Trial 14中进行，SVR的训练和建模在Python 3.6中进行。

模型精度验证和预测能力评判采用r2、均方根误差RMSE和相对误差RE三个指标来评价4个生育时期不同模型的拟合和预测能力。r2越接近1，RMSE和RE越小，表示模型拟合能力和预测能力越好。

2 结果与分析

2.1 不同生育时期冬小麦叶片叶绿素含量及其高光谱特征

冬小麦叶片叶绿素含量(Chl)在不同生育时期差异显著，且随着生育进程的推进呈现出先上升后降低的变化趋势，以开花期Chl平均值最高(图1)。从冬小麦不同生育时期的反射光谱曲线(图2)看，在400～500 nm的蓝紫光波段和675 nm的红光附近，由于叶绿素的强烈吸收，出现了两个吸收谷，反射率不足0.1，同时550 nm处由于叶绿素的强烈反射，形成了一个明显的反射峰，反射率达到0.2左右。在680～1 000 nm，叶绿素由对红光的强烈吸收到对近红外光的多次散射，反射率急剧升高，在波长750～1 000 nm的红外区域，反射率稳定在0.5以上，形成了一个高反射平台。在不同生育时期，由于叶片的叶绿素含量等理化性质不同，其光谱曲线表现出有规律性的变化。在可见光波段，随着Chl的增加，叶片光合作用加强，光谱反射率不断降低。灌浆期反射率最高，绿峰反射率超过了0.2，开花期反射率最低，出现了反射率小于0.05的吸收谷。

2.2 冬小麦叶片Chl高光谱参数的普通回归估算

2.2.1 基于特征波段的冬小麦叶片Chl估算模型

相关性分析表明，冬小麦叶片Chl与原始光谱反射率在550 nm反射峰附近呈显著负相关，尤其是抽穗、开花和灌浆期的相关性比较高，相关系数分别达到了-0.541、-0.793和-0.832(图3)。拔节期相关性较差，主要是因为拔节期冬小麦叶片处于发育初期，叶绿素含量较低，且叶片数量较少，对光谱的敏感性较差。冬小麦叶片Chl与一阶导数光谱在504～550 nm和700 nm附近呈显著负相关，相关系数随着生育时期的推进而逐渐增加；在570～672 nm和711～767 nm处表现为极显著正相关，在开花期754 nm处的相关系数最高，达到0.947(图4)。总体来看，叶片Chl与一阶导数光谱的相关系数绝对值在各生育时期均高于原始光谱反射率，原始光谱的敏感波段在550 nm附近，一阶导数光谱的敏感波段在700 nm附近，而且一阶导数光谱增强了叶片Chl与可见光波段及红边波段的相关性。

表2 用于Chl反演的高光谱指数Table 2 Hyperspectral indices for Chl inversion

图1 不同生育时期冬小麦叶片Chl值

图2 不同生育时期冬小麦叶片光谱反射率曲线

分别从原始光谱及一阶导数光谱中选择与Chl相关系数最高的波段作为自变量构建基于敏感波段的叶片Chl单变量估算模型(表3)。整体来看，一阶导数光谱的模型决定系数r2均超过0.6，整体上大于原始光谱。

图3 不同生育时期冬小麦叶片Chl与原始光谱相关性

图4 不同生育时期冬小麦叶片Chl与一阶导数光谱相关性

表3 基于敏感波段的冬小麦叶片Chl单变量估算模型Table 3 Chl estimation models of single variable based on sensitive bands in winter wheat

Ri为波长inm处的光谱反射率；Dj是Rj的一阶微分。**:P<0.01; *:P<0.05.

Riis spectral reflectance at wavelengthinm;Djis the first derivative ofRi. **:P<0.01; *:P<0.05.

2.2.2 基于三边参数的冬小麦叶片Chl估算

从表4可以看出，三边参数中红边面积(Sred)、蓝边位置(λblue)和黄边位置(λyellow)与Chl的相关性较低，尤其是在抽穗期，均未通过0.01水平显著性检验；蓝边面积(Sblue)、黄边面积(Syellow)和红边位置(λred)与叶片Chl相关极显著，相关系数均高于0.5，相关性最高是在灌浆期，红边位置(λred)的相关系数达到0.893；各生育时期中，开花期Chl与各三边参数相关性最高，灌浆期和抽穗期次之，拔节期最低。

根据相关性，拔节期、抽穗期和开花期均选择Sblue、Syellow和λred，灌浆期选择Sblue、Sred和λred，分别建立各生育时期叶片Chl估算模型(表5)。所建模型的拟合性均达到了极显著水平。从模型预测效果看，拔节期模型预测精度较低，r2低于0.4，但误差也较小，RE约为6.5%左右，RMSE在3.4以下；开花期模型预测精度较高，r2高于0.69，RMSE都低于4，RE在6.5%左右；抽穗期和灌浆期模型虽r2比较高，但RMSE和RE较也高，其中灌浆期以Sred参数建立的模型预测精度较差，RE达到了19.494%。总体来说，利用三边参数建立的单因素模型拟合度和预测精度均低于利用一阶导光谱敏感波段建立的单因素模型。

表4 不同生育时期冬小麦叶片Chl与三边参数的相关性(n=122)Table 4 Correlation coefficients between spectral characteristic variables and Chl values of wheat leaves at different growth stages

表5 基于三边参数的冬小麦叶片Chl单变量估算模型Table 5 Chl estimation models of single variable based on trilateral parameters in winter wheat

2.2.3 基于植被指数的冬小麦叶片Chl估算

经相关分析，在不同生育时期，8种植被指数与冬小麦叶片Chl均极显著相关(表6)，抽穗期、开花期和灌浆期Chl与NDVI705、mNDVI705和GNDVI的相关性都较高，其中灌浆期的相关性系数分别是0.921、0.923和0.931；GRVI与Chl相关性也较高，各生育时期相关系数均大于0.65。根据各植被指数与Chl值的相关性，每个生育时期选择与叶片Chl相关性最高的3个植被指数用于构建模型。拔节期选择GDNVI、GRVI和FD(730-525)/(730+525)，抽穗期、开花期和灌浆期均选择NDVI705、mNDVI705和GNDVI。

为达到较高的模型拟合精度，分别尝试建立线性、多项式、对数、指数及幂函数模型，依据r2最高、误差最小的原则选取最终模型(表7)。除拔节期外，其他生育时期建模r2均超过了0.8，验证r2在0.7以上，灌浆期基于mNDVI705所构建的模型验证r2达到了0.911。各生育时期显著相关的植被指数都能够较好地反映小麦Chl值变化，可以用来构建估测模型。

表6 叶片Chl 与8种已知植被指数相关性(n=122)Table 6 Correlation coefficients between six known vegetation indices and Chl values of wheat leaves

表7 基于相关性强的3种植被指数的Chl估算模型Table 7 Chl estimation models based on the strong correlation of the three vegetation indices

2.3 冬小麦叶片Chl偏最小二乘回归模型估算

以上述一阶导数敏感波段、相关性较高的三边参数和植被指数共7个参数作为自变量，采用偏最小二乘法(PLS)分别建立各生育时期的冬小麦叶片Chl估算模型。从表8可以看出，各生育时期估算模型的r2都有了一定的提升，尤其是拔节期，r2达到了0.8。检验结果(图5)表明，模型预测精度较高，拔节期、抽穗期、开花期和灌浆期的RMSE分别是2.034、2.492、2.194和3.548，RE分别是4.2%、4.6%、4.3%和5.8%。与单变量估算模型相比较，多元模型精度有所提高，在一定程度上得到了优化。

2.4 支持向量回归(SVR)模型的Chl估算

应用(SVR)方法进行Chl估算模型构建，核函数类型选择径向基核(RBF)，惩罚系数c与RBF核函数参数g通过交叉验证确定，其余参数采用默认值，得到各生育时期的最佳估算模型(表9)。对比表9与表8可知，各生育时期SVR的预测r2均大于PLS的预测r2，不同生育时期分别增长1.1%～8.2%，同时RMSE和RE也较小，表明以7个参数构建模型时，与PLS模型相比，SVR模型的精度更高，预测能力更好。

表8 基于偏最小二乘法的Chl估算模型Table 8 Chl estimation models based on the Partial Least Squares(PLS)

图5 基于偏最小二乘法的冬小麦叶片Chl估算模型精度检验

生育时期Growth stagecg建模 Modelingr2RMSERE/%验证 Verificationr2RMSERE/%拔节期 Jointing stage1 024.00.003 90.8131.6393.2890.7142.1704.666抽穗期 Heading stage 64.02.000 00.9271.8103.1990.8453.9768.380开花期 Flowering stage524 288.00.001 00.9441.4432.6910.9033.1126.440灌浆期 Filling stage512.00.250 00.9292.5785.6670.9033.4596.873

3 讨 论

叶绿素含量是表征植物生长状态最重要的指标之一。无论是国内还是国外，利用高光谱遥感进行冬小麦叶绿素含量反演的研究都已比较成熟。梁亮等利用高光谱指数REP建立的LS-SVR模型实现了小麦叶绿素含量的准确估测，预测r2达到了0.722[1]。然而植物含氮量、花青素含量等理化参数对植被长势监测也具有重要影响。Dualex植物多酚-叶绿素仪相对大部分研究中所使用的叶绿素相对含量测量仪器在同样的时间内可以同时获取叶绿素含量、花青素和氮平衡指数等多个指标数据。但是，至今利用Dualex植物多酚-叶绿素仪进行植物理化参数高光谱反演的研究尚不多见。本研究基于Dualex植物多酚-叶绿素仪，通过多期地面实测数据，利用不同的光谱参数和建模方法建立了各生育时期的冬小麦Chl估测模型，实现了冬小麦叶绿素含量的准确估测，预测r2最高达到了0.944。

基于一阶导数光谱构建的模型建模和验证精度均高于基于高光谱特征参数建立的单因素模型，一阶导数光谱更适合反演冬小麦叶片的Chl值，这与许多学者的研究结果一致[23-24]。在单个参数构建的传统回归模型中，r2最高的均为非线性模型，其形成机理和影响机制有待进一步验证。

光谱在可见光-近红外区域具有红谷、绿峰和红边等明显的光谱特征，与Chl具有较高的相关性[8]。本研究选取的8个与冬小麦叶绿素含量密切相关的植被指数构建的单因素模型结果表明，拔节期和灌浆期Chl与GNDVI构建的模型精度最高，抽穗期和开花期与NDVI705构建的模型精度最高。这是因为抽穗期和开花期叶绿素含量较高，小麦会吸收更多的红光，红边向长波方向移动，基于红边的红边归一化植被指数NDVI705与Chl相关性更高，拔节期和灌浆期叶绿素含量较低，红边向短波方向移动，基于绿光波段的绿色归一化植被指数GNDVI与Chl相关性更高。

与其他时期相比，拔节期Chl与光谱相关性较差，估算模型精度较低。这主要是因为拔节期冬小麦叶绿素含量较低，光谱中获得的叶绿素信息较少。叶绿素含量在多个波段均对光谱有一定的影响，很多光谱参数与叶绿素具有较高的相关性。单一光谱指数往往只包含作物光谱的部分信息，模型的精度和稳定性都难以得到保证。因此本研究利用一阶导数光谱、具有高度相关性的三边参数和植被指数共7个参数建立的多元估算模型(PLS和SVR模型)具有较高的模型精度，特别是在拔节期，基于SVR方法建立的模型预测精度相比基于单个植被指数建立的估算模型提高了21%。

本研究只对Dualex植物多酚-叶绿素仪的Chl这一个指标进行了高光谱反演，结果表明Dualex植物多酚-叶绿素仪可以实现植物的叶绿素准确估算。在今后的研究中可以尝试对基于Dualex植物多酚-叶绿素仪的其他指标进行高光谱反演，为作物长势监测提供更全面、科学的理论和技术支持。