基于高光谱的低温胁迫下冬小麦SPAD估算

孙明馨,刘 琪,王 帅,王凤文,董召荣

(1.安徽农业大学资源与环境学院;2.安徽农业大学农学院,安徽 合肥 230036; 3.农业部合肥农业环境科学观测实验站,安徽 合肥 230000)

冬小麦是世界上种植历史最悠久的粮食作物，晚霜冻害是发生在冬小麦拔节期的主要气象灾害之一[1]，对冬小麦的产量和品质有重要影响[2].所以，对冬小麦低温冻害的实时监测显得尤为重要.

冬小麦受低温胁迫前、后生理生化指标的变化研究主要集中在超氧化物歧化酶(superoxide dismutase,SOD)、丙二醛、叶绿素、糖、过氧化物酶(peroxidase,POD)等方面[3-5].高光谱与植被的叶绿素等指标参数之间存在显著相关性[6]，冬小麦受到低温胁迫后，植株体合成与代谢发生紊乱，叶绿素等指标合成与代谢受阻，叶绿素含量下降，使叶绿素在可见光、近红外等波段的反射率发生变化[7].因此，利用高光谱数据与作物的叶绿素等指标的相关性构建预测模型是可行的[8-9].目前，很多学者在利用高光谱技术监测气象灾害方面进行了研究，并得到了一定的进展.陈春玲等[10]获取不同生长期的玉米叶片高光谱数据进行分析，构建较优的高光谱特征参数结合不同的建模方法对玉米叶片叶绿素含量进行估测.殷紫等[11]分析冬小麦各生理生化参数与冠层光谱的相关性，建立冬小麦叶片叶绿素含量、叶面积指数和植株含氮量的高光谱反演估测模型.植被指数是指利用对遥感卫星探测数据进行线性和非线性组合，反映植被生长状况和分布特征的指数[12]，与叶绿素含量最相关的植被指数是差值植被指数(difference vegetation index,DVI)和土壤调节植被指数(soil adjusted vegetation index,SAVI)[13-15].辛彦斌[16]计算了光谱数据的植被指数和灰度运算值，建立了基于灰度运算值的作物灾害监测模型，具有较好的效果.然而，近年来对于冬小麦受冻害早期短时的高光谱监测研究较少，前人选取植被指数(normalized vegetation index,NDVI)、比值植被指数(ratio vegetation index,RVI)和“三边”参数作为特征参数的不多，得到的模型准确度一般[7,17].

本研究基于高光谱技术，对低温胁迫下的冬小麦叶绿素相对含量(soil and plant analyzer development,SPAD)值和光谱特征进行研究，选取特征参数建立了基于高光谱的冬小麦SPAD估测模型并进行验证.在保证一定精度的条件下减少了大量运算，节省了运算时间，提高了建模的速度.其结果可以为及时、准确、高效地监测冬小麦受灾情况提供科学的方法，并为农作物的防灾减灾提供技术支持.

1 材料与方法

1.1 试验设计

本试验于2018年10月至2019年3月在安徽农业大学农萃园和气象学实验室进行.试验用冬小麦品种为扬麦13.

冬小麦于2018年10月20日播种，小区面积为6.0 m×2.4 m=14.4 m2，行距0.25 m，小区设置保护行0.5 m.播种量为184.5 kg·hm-2，翻埋时施用P2O5150 kg·hm-2、K2O 120 kg·hm-2，氮肥基肥和磷钾肥一起施用，无机氮肥施用尿素，分基肥、拔节肥二次施用(4∶1)，总施氮量240 kg·hm-2.冬小麦生长至拔节期，移栽到盆钵中于室内培养7 d，均匀浇水，不再施肥.然后在人工气候室内对冬小麦进行人工模拟低温试验，试验温度设置为-5 ℃，低温胁迫时间设置为6和8 h，另外设置对照组(CK，不进行低温胁迫，放置于室内)，共3个处理，每个处理3个重复，共9个处理(每个处理1盆小麦)，进行低温胁迫前、胁迫结束、结束后1 h、结束后2 h及CK的高光谱和叶绿素(SPAD)的测定.

1.2 测定方法

使用美国ASD FieldSpec Pro FR(350～2 500 nm,探头视场角为25°)型光谱仪对冬小麦进行低温胁迫前、后的光谱进行连续测定[18].每次测量前后用标准参考白板进行校正.选取大小相近且平整的冬小麦叶片进行标记并测定其光谱反射率，每个处理标记4片叶片，每片标记叶片重复采集3次数据.高光谱数据采集后，利用ASD数据处理软件进行高光谱数据预处理.

利用SPAD-502叶绿素测定仪对冬小麦叶片SPAD进行测定.

1.3 数据处理方法

1.3.1 高光谱微分变换 光谱数据在采集的过程中容易受到周边环境和温度的影响而产生噪音，进而影响光谱数据的准确性，将光谱数据进行微分处理可以有效降低噪音的影响.本研究中光谱数据主要采用一阶微分计算，计算公式见(1)：

(1)

式中，R′(λa)表示一阶微分值.

1.3.2 植被指数 通过对光谱多波段的综合计算，降低其他信息对于光谱波段的影响.NDVI计算公式见式(2)，RVI计算公式见式(3).

(2)

(3)

式中，Ra和Rb表示光谱波长在a处和b处的反射率.

1.3.3 模型构建 对原始光谱反射率进行NDVI和RVI植被指数计算后，将SPAD分别与原始光谱反射率、光谱反射率一阶微分值以及“三边”参数构建的归一化植被指数和比值植被指数建立相关关系[19,20]，构建基于高光谱的SPAD估算模型.

1.3.4 模型检验 随机选取异于建模数据的实测数据对估算模型进行验证，通过均方根误差和平均相对误差这两个指标评估模型的精度，依据均方根误差和平均相对误差最小的模型精度最高这一原则选取最优估算模型.计算公式见(4)和(5)：

(4)

(5)

式中，n为样本数，Pi和Qi表示第i个样本的预测值和实测值.

2 结果与分析

2.1 低温胁迫后原始光谱与SPAD的相关性

图1为低温胁迫后冬小麦叶片SPAD值与高光谱反射率之间的相关性.从图1(a)可以看出，低温胁迫后叶片SPAD值与原始光谱反射率在可见光和近红外波段之间相关系数高且为正相关.在可见光波段范围内，叶片SPAD值与叶片光谱反射率最大正相关波段是780 nm，相关系数为0.598 7.在近红外波段范围内，叶片SPAD值与叶片光谱反射率相关系数最大的波段是1 100 nm处，相关系数为0.601 8.且均通过了0.05显著性水平检验.

图1(b)为低温胁迫后冬小麦叶片SPAD值与叶片光谱反射率一阶微分值之间的相关关系.在可见光波段范围内，叶片SPAD值与光谱反射率一阶微分值最大正相关波段是750 nm，相关系数为0.814 9，最大负相关波段是555 nm，相关系数为-0.647 8.在近红外波段范围内，与SPAD值最大正相关波段是1 018 nm，相关系数达到了0.627 2，最大负相关波段是1 679 nm，相关系数达到了-0.810 2.且均通过了0.05显著性水平检验.本研究最终选取1 100 nm处的原始光谱反射率以及555、750、1 018和1 679 nm处的光谱反射率一阶微分值，用于构建基于高光谱的SPAD估算模型.

a.原始光谱;b.高光谱的一阶微分.图1 冬小麦拔节期叶片SPAD与高光谱的相关性分析Fig.1 Correlation analysis on the hyper-spectrum and SPAD values of winter wheat leaves at the jointing stage

2.2 低温胁迫后植被指数(NDVI和RVI)与SPAD的相关性

利用NDVI和RVI植被指数对原始光谱数据进行组合运算，建立光谱反射率与叶片SPAD值之间的相关性(图2).从NDVI的P值中可以看出600 nm附近，700～2 250 nm附近以及1 200～1 500 nm附近的NDVI值与SPAD值相关性较低，其余波段的NDVI值与SPAD值均具有极显著相关关系(P<0.01)；从R2值中可以看出500 nm附近和1 000～1 500 nm附近的NDVI值与SPAD值相关性较低，其余波段的NDVI值与SPAD值相关性较高.其中735与802 nm处建立的NDVI值与SPAD值相关性最高，达到了0.86.从RVI的P值可以得出，在1 000～1 500 nm附近的RVI值与SPAD值相关性较低，其余波段的RVI值与SPAD值均具有极显著相关关系；RVI值与SPAD值的R2值结果与NDVI值的R2值相似，相关性最好的波段也极为相近，其中735和803 nm波段建立的RVI值与SPAD值相关性最大，达到了0.86.

a.NDVI;b.RVI.图2 冬小麦叶片SPAD与植被指数的P值和R2Fig.2 P and R2 of SPAD and vegetation indexes of winter wheat leaves

2.3 基于高光谱的SPAD估测模型的建立与验证

冬小麦光谱特征参数与叶片SPAD值的相关性见表1.除蓝边面积与SPAD值相关性较低以外，其余特征参数与冬小麦低温胁迫后的SPAD值均具有极显著相关关系(P<0.01).基于NDVI与RVI筛选出的特征光谱参数与冬小麦叶片SPAD值的相关性最高，达到了0.861 9.在“三边”参数中，红边面积与SPAD值为正相关关系，黄边面积与SPAD值则为负相关关系，红边参数与低温胁迫后冬小麦叶片SPAD值相关性最高.红边面积与蓝边面积构建的归一化植被指数与SPAD值相关性最高，相关系数为0.653 3.

表1 冬小麦叶片SPAD与特征参数间的相关系数(N=67)Table 1 Correlation coefficients between SPAD and characteristic parameters of winter wheat leaves (N=67)

由上述研究可知，蓝边面积与SPAD值的相关性没有通过显著性相关检验，因此将上述研究中通过显著性相关检验的特征参数通过指数、对数、线性和乘幂函数形式与冬小麦叶片SPAD值构建估算模型.选取4种函数中决定系数最大的模型为最终构建模型.其中建模实测数据有67组，随机选取异于建模的47组实测数据对构建的SPAD值估算模型进行验证，采用均方根误差和平均相对误差对模型进行检验.表2是冬小麦叶片SPAD值与高光谱估算模型及验证误差值.以植被指数RVI[735,803]波段构建的SPAD值估算模型平均相对误差最小，仅0.2，均方根误差也较小.因此遵循均方根误差和平均相对误差越小其模型精度越高的原则，选取基于植被指数RVI[735,803]波段构建的估算模型作为冬小麦SPAD值估算模型，其模型公式为CSPAD=273.9XRVI[735,803]-257.47.

表2 冬小麦叶片SPAD值与高光谱估算模型及验证(N=47)Table 2 SPAD values of winter wheat leaves and corresponding hyperspectral estimation models and verifications(N=47)

3 结论

高光谱遥感技术是一种具有快速、实时、无损的数据采集和处理方法[21,22]，近年来常被用来精确检测农作物叶绿素含量.本研究基于高光谱技术，对低温胁迫下的冬小麦SPAD和光谱特征进行研究，建立了基于高光谱的冬小麦SPAD估测模型并进行验证.研究结果表明，低温胁迫后冬小麦叶片SPAD与波长为780 nm的原始光谱相关系数为0.597 8；与1 100 nm原始光谱相关系数为0.601 8，且均通过了显著性检验；因此利用高光谱数据与作物的叶绿素等指标的相关性构建预测模型具有可行性.在735和802 nm处建立的NDVI指数与SPAD的相关性最好，相关系数为0.86；在735和803 nm处建立的RVI指数与SPAD的相关性最好，相关系数为0.86.植被指数 RVI、NDVI与小麦SPAD相关性普遍较好，适合建立小麦SPAD估测模型；对模型进行精度检验的过程中，综合分析均方根误差、平均相对误差、决定系数，选取基于RVI[735,803]波段构建的估算模型作为SPAD估算模型，得出模型表达式为CSPAD=273.9XRVI[735,803]-257.47.

小麦经低温胁迫后会发生一系列生理生化变化，其中一些指标如SOD活性和MDA含量等可作为品种抗冻性鉴定的生理生化指标[23,24].由于试验步骤不够细化，很多其他可以表达出作物受低温胁迫信息的生理生化指标未能得到深入研究，所建立的估测模型的精准度有待于进一步提高，将来应该对不同物候期以及更多的生理生化指标如叶片丙二醛含量与脯氨酸、水杨酸和茉莉酸等植物激素的遥感监测进行进一步研究，从而更加全面地利用高光谱遥感作为指导农作物生产的依据.试验在淮北温带季风气候区进行，研究建立的模型适合于我国黄淮地区冬小麦种植区.但研究缺少其他品种小麦进行对比试验，故后续试验需添加其他品种增加模型的适用性.

有学者研究了在冠层尺度下冬小麦不同冻害胁迫程度与冬小麦冠层高光谱数据应用情况，通过主成分分析法进行冬小麦群体冻害严重度反演，模型精度检验的评价指标R2为0.630 9[7].本试验对小麦叶片光谱特征的研究，利用微分的处理方法，有效去除了背景因素的影响，选取NDVI、RVI和“三边”参数等特征参数建立模型并验证，得到了较好的结果，体现了一定的规律性.在保证一定精度的条件下减少了大量运算，节省了运算时间，提高了建模的速度，为进一步利用高光谱遥感数据检测冻害情况提供了依据和数据，对精准农业的研究和实践有重要的参考价值.