苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响*

徐若涵，杨再强,2**，申梦吟，王明田

苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响*

徐若涵1，杨再强1,2**，申梦吟1，王明田3

（1．南京信息工程大学气象灾害预报预警与评估协同创新中心，南京 210044；2．江苏省农业气象重点实验室，南京 210044；3．四川省气象台，成都 610091）

2020年9月−2021年1月以“红颜”（×Duch “Benihope”）草莓为试材，在南京信息工程大学开展低温环境控制试验。设置21℃（日最高气温）/11℃（日最低气温）、18℃/8℃、15℃/5℃和12℃/2℃共4个低温处理，持续时间设置3d、6d、9d、12d共4个水平，以25℃/15℃为对照（CK）。测定草莓叶片叶绿素含量以及冠层高光谱反射率，研究低温胁迫对草莓叶绿素含量及冠层反射光谱的影响，筛选出叶绿素含量估算模型的敏感波段与特征参数。结果表明：（1）同一低温条件下，草莓叶片叶绿素a、叶绿素b和总叶绿素(a+b)等参数随着胁迫天数的延长而减少；同一胁迫天数下，温度越低其含量越低，即低温胁迫程度越大叶绿素含量下降幅度也越大。（2）不同温度同一胁迫天数处理草莓苗期冠层光谱反射率变化规律大致相同。在可见光区域草莓冠层反射光谱曲线均存在绿峰和红谷，在近红外反射平台随着温度降低，光谱反射率数值逐渐增大，即反射平台逐渐增高。（3）草莓冠层一阶微分光谱曲线变化较剧烈，有明显波峰和波谷，在红边范围内偶有双峰现象。随着低温胁迫程度的加深，一阶微分光谱最高峰的值越高，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐降低，红边位置红移。（4）草莓叶绿素(a+b)含量与冠层原始光谱反射率的相关系数均呈负相关，与原始光谱的近红外波段反射率的相关性明显高于可见光波段。叶绿素(a+b)含量与原始光谱反射率相关性较好，均达到显著水平，其中737nm波段相关系数达到最大，因此可以用其作为敏感波段对叶绿素含量进行预测。叶绿素(a+b)含量与植被指数中的DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相关性达极显著水平，可以选其作为特征参数对叶绿素含量进行预测。

草莓；低温胁迫；叶绿素；冠层光谱；植被指数

草莓（×Duch.）是多年生草本植物，原产地为南美洲，现在中国及欧洲等地都广为栽培。2017年中国草莓种植面积居世界第一位[1]；2019年中国草莓种植面积为125千hm2，产量为327.6万t；2020年中国草莓出口数量为5594.6t，出口创汇为1406.4万美元。草莓生长需要温暖的环境，有利于其生长的温度为10～30℃，最适温度为15～25℃，低于10℃时花芽分化停止，当草莓所处环境大幅度降温时整个植株的叶片会变成深绿色，呈水浸状萎蔫[2]。叶绿素是反应草莓植株健康状况的重要指标之一[3−5]，因此，确定叶绿素含量对于研究草莓逆境胁迫具有重要意义[6]。在南方冬季低温是影响草莓生长的主要因子，研究低温胁迫下草莓叶绿素含量及冠层反射光谱的变化，对揭示低温灾害致灾机理和环境优化调控具有重要意义。

测定叶绿素含量传统的方法是使用生理生化的手段，此方法可以准确测定单位面积叶片的叶绿素a（Chla）、叶绿素b（Chlb）和类胡萝卜（Car）含量，但是该方法需要破坏取样，工作量大且耗时，同时对大尺度的农田作物难以实现快速、实时、有效的检测[7]。另一种方法是使用便携式叶绿素测定仪即SPAD-502来测定叶片相对叶绿素含量，该方法能准确测定叶片的SPAD值（相对叶绿素含量），但该仪器需要将待测叶片夹住（接触式）并且是单点测量，同样很难用于大面积作物的叶绿素含量的监测[8]。高光谱地物成像分析技术是近年来广为应用的一种快速、无损监测技术，并且在不破坏植物结构的条件下，可以实现对农作物的生长状况的监测，具有相当大的发展潜力[9]。

迄今为止，关于低温对“红颜”草莓苗期叶绿素含量和冠层反射光谱影响的研究未见报道。为此，本研究设计环境控制试验，系统研究低温胁迫对草莓叶绿素含量及冠层反射光谱的影响规律，筛选出叶绿素含量估算模型的敏感波段与特征参数，以期为利用高光谱反射开展低温胁迫下草莓长势监测和环境调控提供参考方法[10]。

1 材料与方法

1.1 试验设计

试验于2020年9月−2021年1月在南京信息工程大学环境控制试验的人工气候室（PGC–FLEX，Conviron，加拿大）进行，以“红颜”（×Duch“Benihope”）草莓为试材，由南京盘城草莓园种植基地提供。在草莓苗期（9～12片真叶，叶长≥5cm）时移入种植盆内，进行短期低温处理。草莓苗规格高10cm，叶片数6～10片，种植盆高40cm，内径20cm，基质为土壤，有机质含量4.5%，pH6.5，土壤含水量始终保持在50%～60%。参考韦婷婷等[11]的研究逐时模拟南京气温动态变化，设置气候室的低温变化，如图1所示，设计4个低温水平，分别为21℃（日最高气温）/11℃（日最低气温）、18℃/8 ℃、15℃/5℃和12℃/2℃，持续时间设置3d、6d、9d、12d共4个水平，以25℃/15 ℃为对照（CK），温室空气相对湿度控制为60%±5个百分点，8：00−20：00光照强度设置为800μmol·m−2·s−1，其它时段为0。将苗期长势一致，且健康的盆栽草莓放入人工气候室处理，同一温度条件放入20盆，每3天拿出5盆，并取其功能叶片（从上到下第3−5片成熟叶片）进行叶绿素含量以及高光谱的测定。每株幼苗取3个叶片，每个处理5个重复。

图1 人工气候箱动态低温模式的设定

1.2 叶绿素含量和冠层高光谱的测定

1.2.1 叶绿素含量测定

取新鲜草莓功能叶片，擦净表面污物，去除中脉后剪碎，称取0.5g放入研钵中研磨，同时加入80%丙酮2mL进行冷却，研磨成均浆。把均浆倒入离心管中，离心除去颗粒，再用80%丙酮将上清液稀释并定容至体积为10mL，然后在25℃室温里黑暗提取48h，直至叶片中的色素被完全提取出来。最后使用紫外分光光度计（UV-1800，岛津）测量波长为645nm、663nm和652nm下的吸光度值[12]。Chla和Chlb含量计算式为[13]

Ca=（12.72A663-2.59A645）V/（1000W） （1）

Cb=（22.88A645-4.67A663）V/（1000W） （2）

Ca+b= 34.5A652×1000 （3）

其中，C代表叶绿素含量（mg·g−1）；A663、A645和A652分别代表波长为663nm、645nm和652nm处的吸光度值；V代表提取液体的总体积（mL）；W代表取样的鲜重（g）；34.5为叶绿素a和叶绿素b在波长652nm处的吸光系数。

1.2.2 冠层高光谱测定

冠层光谱采用高光谱成像仪（SOC711，USA）测定，其400−1000nm区间的光谱分辨率为1.3nm，通过SOC711-VP数据采集软件控制光谱成像系统。在10：00−14：00晴朗无风的天气，尽量将探头垂直正对草莓冠层顶部，距离约0.5m，减少土壤背景的影响，用白板校正，观测前后均以参考板标定，每个处理测定10次，取其平均值作为光谱数据。

1.3 数据处理和分析

1.3.1 光谱特征参数

原始光谱特征参数由400−1000nm波段的原始光谱反射率组成。可见光光谱在400−780nm，绿光范围492−577nm，红光范围622−780nm。可见光区域内绿光范围内原始光谱呈波峰状称为绿峰；红光范围内原始光谱较小，呈波谷状，称为红谷。近红外波段大于780nm。

虽然高光谱遥感光谱具有较强的连续性，但是实际测定时光谱间隔具有离散性，为了消除土壤背景、大气散射、凋落物等低频光谱成分的影响，对原始光谱反射率进行一阶微分变换，计算式为

式中，R'i为第i个一阶微分光谱反射率，Ri为第i个原始光谱反射率，Ri+1为第i+1个原始光谱反射率，Ri−1为第i−1个原始光谱反射率，λi为第i个波长，λi+1为第i+1个波长，λi−1为第i−1个波长。

红边是一阶微分光谱红光波段反射率增大最快的点，其所处位置也是一阶微分光谱反射率最大值所对应的波长，红边特征可以反映植被的生长状况。红边所处波段的波长向长波方向移动称为红移，向短波方向移动称为蓝移。

1.3.2 植被指数

植被指数是通过对不同光谱波段进行运算，得到反映植物生长状况的数值。表1为与叶绿素含量密切相关的植被指数。

表1 各植被指数计算式

注：RNIR代表近红外波段光谱反射率的平均值；RRed代表红光波段光谱反射率的平均值；L代表调整系数，L=0.5；a与b代表土壤线系数，a=10.489，b=6.604。

Note: RNIRrepresents the average value of spectral reflectance in near-infrared band; RRedrepresents the average value of spectral reflectance in the red band; L represents the adjustment coefficient, L=0.5; a and b represent soil linear coefficient, a=10.489, b=6.604. DVI is Difference Vegetation Index. MSAVI is Modified Soil Adjustment Vegetation Index. NDVI is Normalized Difference Vegetation Index. PVI is Perpendicular Vegetation Index. RDVI is Renormalized Difference Vegetation Index. RVI is Ratio Vegetation Index. SAVI is Soil Adjusted Vegetation Index. TSAVI is Transform Soil Adjustment Vegetation Index.

2 结果与分析

2.1 低温胁迫对草莓叶片叶绿素含量的影响

由表2可见，正常生长状态下（CK），草莓冠层叶片叶绿素a、叶绿素 b以及叶绿素（a+b）含量在观测期内无显著差异，而低温处理相同天数后（3d、6d、9d或12d），叶绿素含量较CK均明显下降，且低温胁迫程度越大叶绿素含量下降幅度也越大。相同的胁迫低温下，胁迫时间越长叶绿素a含量越低。与同期CK相比，21℃/11℃、18℃/8℃、15℃/5℃和12℃/2℃低温处理下的叶绿素a含量在胁迫12d时分别下降21.6%、26.7%、27.1%和46.2%。叶绿素b含量的变化趋势与叶绿素a类似，相同的胁迫低温下都随着胁迫天数的延长而呈现降低的趋势。21℃/11℃的低温下，叶绿素b的含量在处理9d时显著下降，与同期CK相比下降5.9%；而在18℃/8℃、15℃/5 ℃低温下在处理6d时即显著下降，分别下降10.3%和18.3%。叶绿素（a+b）含量随温度变化与叶绿素a、叶绿素b的含量变化趋势类似，同一胁迫低温下，随着胁迫天数的延长而减少；同一胁迫天数下，温度越低其含量越低。同一胁迫低温下，胁迫时间越长叶绿素（a+b）含量越少。21℃/11℃和18℃/8℃处理下的叶绿素（a+b）含量在处理9d时显著下降，与CK同期相比分别下降11.9%和15.7%，而15℃/ 5 ℃和12℃/2℃处理下的叶绿素（a+b）含量在处理6d时即已显著下降，与CK同期相比分别下降了20.2%和21.6%。

总之，低温胁迫对叶绿素a、叶绿素b和叶绿素（a+b）含量造成不同程度的影响，温度越低，胁迫时间越长，叶绿素含量下降越明显。

2.2 低温胁迫对草莓冠层光谱反射率的影响

图2所示为低温胁迫下不同天数的草莓冠层原始光谱特征曲线。由图可知，相同胁迫天数不同温度处理下“红颜”草莓苗期冠层原始光谱反射率变化规律大致相同，随着温度的降低，叶绿素含量随之减少。CK处理下不同天数草莓冠层原始光谱反射率变化不明显，但随着低温胁迫程度的加深，其他处理各波段的冠层原始光谱反射率均高于CK。在可见光区域草莓冠层原始光谱反射率均较低，所有处理的光谱曲线均存在绿峰，在绿光波段492−577nm，光合色素对绿光吸收较少甚至反射绿光，形成反射峰，绿峰为反射光谱在绿光波段的反射率最大值，在550nm附近，所以叶片呈绿色；所有处理的光谱曲线均存在红谷，在622−780nm的红光波段，叶绿素吸收红光较为强烈，形成吸收谷，红谷为原始光谱在红光波段反射率的最低点，在680nm附近。在相同天数不同低温处理的光谱曲线中，在低温处理3d时，绿峰最大值出现在15℃/5℃低温处理，原始光谱发射率为0.169；在低温处理6d时，绿峰最大值出现在12℃/2℃，原始光谱发射率为0.158；在低温处理9d时，绿峰最大值出现在15℃/5℃，原始光谱发射率为0.174；在低温处理12d时，绿峰最大值出现在12℃/2℃，原始光谱发射率为0.159；红谷最小值均出现在CK，原始光谱发射率为0.014；在相同天数不同低温处理的光谱曲线中，均以12℃/2℃处理绿峰、红谷变化最显著。780nm后为近红外波段，各处理反射率均急剧增加，形成较高的反射平台。

表2 各温度处理持续不同天数后草莓叶片叶绿素含量比较

注：数据为平均值±标准误差。同列不同大写字母表示不同温度持续相同天数处理间在0.05水平上差异显著（Duncan检验），不同小写字母表示在相同温度持续不同天数处理间在0.05水平上差异显著（Duncan检验）。下同。

Note: The data are mean±standard error. Different capital letters in the same column indicate that there is significant difference at 0.05 level among treatments which are under different temperatures for the same stress days (Duncan test), and different small letters indicate that there is significant difference at 0.05 level among treatments which are under the same temperature for different stress days (Duncan test). The same as below.

图2 各温度处理持续不同天数后草莓冠层原始光谱曲线

总之，在400−1000nm波段，低温胁迫后叶片原始光谱反射率增大，且温度越低、持续时间越长，叶片反射率越大；可见光区域，低温胁迫后草莓冠层原始反射光谱曲线除红谷和绿峰外变化幅度不明显，但在近红外波段随着温度降低，原始光谱反射率随之增大，反射平台逐渐增高，以12℃/2℃低温处理时达到最大，且低温胁迫12d反射率变化幅度最大。

由图3可知，草莓冠层一阶微分光谱曲线变化较剧烈，在521nm波段附近有明显波峰；在566nm波段附近有明显波谷；在711nm波段附近有明显的波峰，偶有双峰现象。图3a中，21℃/11℃处理3d时有明显双峰现象，左峰位于705nm波段，一阶微分反射率为0.012，右峰位于721nm波段，一阶微分反射率也为0.012。图3b中，18℃/8℃处理6d时有明显双峰现象，左峰位于705nm波段，一阶微分反射率为0.014，右峰位于721nm波段，一阶微分反射率为0.013。图3c中，21℃/11℃处理6d时有明显双峰现象，左峰位于700nm波段，一阶微分反射率为0.012，右峰位于716nm波段，一阶微分反射率为0.011。图3d中，21℃/11℃处理6d时有明显双峰现象，左峰位于705nm波段，一阶微分反射率为0.011，右峰位于716nm波段，一阶微分反射率为0.012；18 ℃/8℃处理6d时有明显双峰现象，左峰位于705nm波段，一阶微分反射率为0.013，右峰位于716nm波段，一阶微分反射率为0.014；15℃/5℃处理6d时有明显双峰现象，左峰位于705nm波段，一阶微分反射率为0.016，右峰位于716nm波段，一阶微分反射率为0.014。相同天数不同温度胁迫下，12℃/2℃的一阶微分光谱峰值最高。相同温度不同胁迫天数下，以12d的一阶微分光谱峰值最高。

所有处理中，红边位于700−721nm波段。相同天数不同胁迫温度处理下，一阶微分光谱反射率的峰值随着低温胁迫程度的加剧而升高。相同温度不同胁迫天数处理下，CK一阶微分光谱反射率的红边位置未移动，而其他处理，无论是相同温度不同天数，还是相同天数不同温度，随着胁迫程度的加深，草莓冠层一阶微分光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐降低，红边位置红移，与CK的一阶微分光谱反射率的差异逐渐减小。

图3 各温度处理持续不同天数后草莓冠层一阶微分光谱曲线

总之，苗期草莓冠层一阶导数光谱曲线变化比较剧烈，有明显波峰和波谷，偶有双峰现象，在低温胁迫下，温度越低、持续时间越长，一阶微分光谱最高峰的值越高，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐减低，红边位置红移。

2.3 低温胁迫下草莓叶绿素含量与冠层光谱的关系

相关分析表明，草莓冠层原始光谱反射率与叶绿素含量均呈负相关关系。由图4可见，400−541nm区间二者的相关系数整体呈增大趋势，541−695nm之后相关系数整体呈减小趋势，695nm处相关系数急剧增大，737nm处相关系数达到最大值0.92，在近红外区趋于稳定，叶绿素含量与原始光谱近红外波段反射率的相关性明显高于可见光波段。在400−1000nm区域，仅659−669nm波段叶绿素含量与原始高光谱反射率的相关系数未达到极显著水平，但均达到显著水平。

总之，在400−1000nm区域，叶绿素含量与原始高光谱反射率相关性较好，均达到显著水平，其中737nm波段相关系数达到最大，因此可以用其作为敏感波段对叶绿素含量进行预测。

图4 草莓冠层原始光谱反射率与叶绿素(a+b)含量的相关系数

表3为草莓苗期植被指数与叶绿素含量的相关系数。由表可见，NDVI、PVI、RVI与草莓冠层叶片叶绿素含量呈正相关，相关系数分别为0.253、0.881、0.263，其中仅PVI达到了极显著水平。DVI、MSAVI、RDVI、SAVI、TSAVI与草莓冠层叶片叶绿素含量的相关系数分别为0.876、0.878、0.809、0.741和0.893，均呈负相关，且均达到极显著水平。

总之，草莓苗期植被指数与叶绿素含量的关系中DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相关性好且达到了极显著水平，因此可以选其作为特征参数对叶绿素含量进行预测。

表3 草莓苗期各植被指数与叶绿素(a+b)含量的相关系数

注：**表示相关系数通过0.01水平的显著性检验（双尾检验）。

Note:**indicates that the correlation coefficient reaches the extremely significant at 0.01 level (two tailed test).

3 讨论与结论

3.1 讨论

在生产上，草莓经常受低温胁迫的影响，应用高光谱技术可无损高效监测低温灾害影响及草莓长势。本研究以苗期的草莓品种“红颜”为试材，测定冠层叶片叶绿素含量以及冠层高光谱等参数。张雪茹等[3]的研究表明低温胁迫影响叶绿素的合成，低温胁迫时间越长叶绿素含量降低幅度越大。这与本研究得出结果相似，低温处理的叶绿素含量都低于对照组，这是由于低温胁迫使叶片内部结构被破坏，叶绿素含量下降[22]。

所有低温处理的草莓冠层的原始光谱曲线变化趋势相同。可见光区域的光谱反射率上升，这是由于叶绿素含量降低，色素吸收可见光减弱，反射率升高[23]。在近红外区域，低温胁迫后原始光谱反射率均出现较大幅度抬升，原始光谱反射率升高。在可见光波段内有绿峰和红谷，在近红外波段较高的反射平台有明显的吸收谷与反射峰，这是所有绿色植物所共有的规律[24]。

黄春燕等[25]研究表明，作物生长旺盛时，红边红移；生长衰败时，红边蓝移。沙依然等[26]研究表明，干旱胁迫水稻红边位置蓝移。朱怀卫等[27]研究表明，UV-B增强，水稻光谱红边蓝移。周晓等[28]研究还发现，一阶微分光谱的三边参数中红边更能反映稻纵卷叶螟的危害。沈掌宗等[29]研究表明，红边测定水稻叶绿素含量最简便有效，因为叶绿素含量与一阶微分光谱的红边位置显著相关，相比其它三边参数，红边反映作物受害更显著。Daughtry等[30]研究表明红边位置的不同可以指示叶绿素含量的变化。唐延林等[31]对多种作物的研究表明，叶绿素含量与红边位置呈极显著的线性相关。在低温胁迫下，无论是相同温度不同天数，还是相同天数不同温度，随着胁迫程度的加深，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐减低，红边位置红移，与CK的一阶微分光谱反射率的差异逐渐减小。这种现象是由于草莓遭受低温胁迫后，启动自我调节和修复能力减少胁迫对自身生长发育的损伤。谢晓金[32]研究表明水稻冠层一阶导数光谱具有明显的双峰现象。而本研究中草莓冠层一阶导数光谱偶有双峰现象，与之产生差异的主要原因可能是由于本试验草莓处于苗期，受土壤背景的影响，冠层光谱的双峰现象并不明显。

对草莓冠层原始光谱反射率与叶绿素含量的相关性分析表明，在近红外波段711−1000nm二者呈极显著负相关，说明可以用原始光谱反射率与叶绿素含量相关性较大的波段对叶绿素含量进行预测。其中737nm波段相关系数达到最大，或许可以作为低温胁迫下苗期草莓的敏感波段，有效反映叶绿素含量的变化情况，从而实现用高光谱技术监测草莓冠层叶片叶绿素含量的变化。本研究与多数研究已经证明的叶绿素敏感波段集中在680−750nm红边波段[33]的结果一致。

姚远等[34]选用PVI、RVI和NDVI这3种植被指数监测干旱区人工林地生物量，其中基于PVI的地上生物量的指数模型为最优化关系模型。PVI与叶绿素含量的相关性较好，消除了土壤背景的影响，降低了对大气的敏感度。本试验所用草莓是盆栽作物，NDVI和RVI受植物覆盖度影响大，因此相关性低，而DVI和PVI植被覆盖度低时效果好，因此相关性高。RDVI结合了DVI和NDVI优点，不受植被覆盖率影响。MSAVI减小了SAVI中的裸土影响，因此MSAVI与叶片叶绿素含量的相关系数大于SAVI。SAVI修正了NDVI对土壤背景的敏感，转换性土壤调整指数TSAVI比NDVI更好地适用于低植被覆盖[35]，因此SAVI和TSAVI与叶片叶绿素含量的相关系数均大于NDVI。

尽管本研究得出的叶绿素含量与光谱反射率和植被指数的相关性较高，但都是在一定的条件下进行的。王晓星[23]研究表明，不同生长阶段的夏玉米具有不同的叶绿素含量，这些差异将反映在光谱反射率的变化上，可能随着叶片变黄，叶绿素分解，导致光谱信息不明显。因此，后期还需要研究低温胁迫对不同品种、生育期、季节、地区和栽培方式等造成的影响，从而实现更具有普遍性的低温胁迫下草莓叶绿素含量及冠层高光谱变化的机理研究。

3.2 结论

（1）同一低温条件下，胁迫天数越长，草莓叶片叶绿素a、叶绿素b和叶绿素(a+b)含量越少；同一胁迫天数下，温度越低其含量越低。即低温胁迫程度越大叶绿素含量下降幅度越大。

（2）不同温度同一胁迫天数处理草莓苗期冠层光谱反射率变化规律大致相同。在可见光区域草莓冠层反射光谱曲线均存在绿峰和红谷，在近红外反射平台随着温度降低，光谱反射率数值逐渐增大，即反射平台逐渐增高。

（3）草莓冠层一阶微分光谱曲线变化比较剧烈，有明显波峰和波谷，在红边范围内偶有双峰现象。随着低温胁迫程度的加深，一阶微分光谱最高峰的值越高，草莓冠层光谱的近红外反射率升高，红边位置蓝移，之后该峰值逐渐减低，红边位置红移。

（4）叶绿素(a+b)含量与草莓冠层原始光谱反射率的相关系数均呈负相关关系，在可见光波段整体呈现先增大后减小的趋势，之后急剧增大相关系数达到最大值，在近红外区达到稳定状态变化较为平缓，叶绿素(a+b)含量与原始光谱近红外波段反射率的相关性明显高于可见光波段。叶绿素(a+b)含量与原始光谱反射率相关性较好，均达到显著水平，其中737nm波段相关系数达到最大，因此可以用其作为敏感波段对叶绿素含量进行预测。叶绿素(a+b)含量与草莓苗期植被指数中DVI、MSAVI、PVI、RDVI、SAVI和TSAVI的相关性好且达到了极显著水平，因此可以选其作为特征参数对叶绿素含量进行预测。

[1] 舒锐,焦健,臧传江,等.我国草莓产业现状及发展建议[J].中国果菜,2019,39(1):51-53.

Shu R,Jiao J,Zang C J,et al.Present situation and development suggestions of strawberry industry in China [J].Chinese Fruits and Vegetables,2019,39(1):51-53. (in Chinese)

[2] 王毅,杨宏福,李树德.园艺植物冷害和抗冷性的研究:文献综述[J].园艺学报,1994(3):239-244.

Wang Y,Yang H F,Li S D.Study on chilling injury and cold resistance of horticultural plants:literature review[J]. Acta Horticulturae Sinica,1994(03):239-244.(in Chinese)

[3] 张雪茹,冯美臣,杨武德,等.基于光谱变换的低温胁迫下冬小麦叶绿素含量估测研究[J].中国生态农业学报,2017, 25(9):1351-1359.

Zhang X R,Feng M C,Yang W D,et al.Estimation of chlorophyll content in winter wheat under low temperature stress based on spectral transformation[J].Chinese Journal of Ecological Agriculture,2017,25(9):1351-1359.(in Chinese)

[4] Evans J. R.Photosynthesis and nitrogen relationships in leaves of C3 plants[J].Oecologia,1989,78(1):9-19.

[5] 贺冬仙,胡娟秀.基于叶片光谱透过特性的植物氮素测定[J].农业工程学报,2011,27(4):214-218.

He D X,Hu J X.Determination of plant nitrogen based on spectral transmission characteristics of leaves[J]. Transactions of the CSAE,2011,27(4):214-218.(in Chinese)

[6] Zarco-Tejada Pablo J,Miller John R,Morales A,et al. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops[J]. Remote Sensing of Environment,2004,90(4):463- 476.

[7] 张玮,王鑫梅,潘庆梅,等.干旱胁迫下雷竹叶片叶绿素的高光谱响应特征及含量估算[J].生态学报,2018,38(18): 6677-6684.

Zhang W,Wang X M,Pan Q M,et al.Hyperspectral response characteristics and content estimation of chlorophyll in Phyllostachys pubescens leaves under drought stress[J].Acta Ecologica Sinica,2018,38(18):6677- 6684.(in Chinese)

[8] 程志庆,张劲松,孟平,等.杨树叶片叶绿素含量高光谱估算模型研究[J].农业机械学报,2015,46(8):264-271.

Cheng Z Q,Zhang J S,Meng P,et al.Study on Hyperspectral estimation model of chlorophyll content in poplar leaves[J]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(8):264-271.(in Chinese)

[9] 董哲,杨武德,张美俊,等.基于高光谱遥感的玉米叶片SPAD值估算模型研究[J].作物杂志,2019(3):1-6.

Dong Z,Yang W D,Zhang M J,et al.Study on estimation model of SPAD value of maize leaves based on hyperspectral remote sensing[J].Crops,2019(3):1-6.(in Chinese)

[10] 冯贵兰,李正楠,周文刚.大数据分析技术在网络领域中的研究综述[J].计算机科学,2019,46(6):1-20.

Feng G L,Li Z N,Zhou W G.Research summary of big data analysis technology in network field[J].Computer Science, 2019,46(6):1-20.(in Chinese)

[11] 韦婷婷,杨再强,王琳,等.玻璃温室和塑料大棚内逐时气温模拟模型[J].中国农业气象,2018,39(10):644-655.

Wei T T,Yang Z Q,Wang L,et al.Hourly temperature simulation model in glass greenhouse and plastic greenhouse[J].Chinese Journal of Agrometeorology, 2018, 39(10):644-655.(in Chinese)

[12] 陆思宇,杨再强,张源达,等.高温条件下光周期对鲜切菊花叶片光合系统荧光特性的影响[J].中国农业气象,2020, 41(10):632-643.

Lu S Y,Yang Z Q,Zhang Y D,et al.Effect of photoperiod on fluorescence characteristics of photosynthetic system of fresh-cut chrysanthemum leaves under high temperature[J]. Chinese Journal of Agrometeorology,2020,41(10):632-643. (in Chinese)

[13] Lu T,Yu H J,Li Q,et al.Improving plant growth and alleviating photosynthetic inhibition and oxidative stress from low-light stress with exogenous GR24 in tomato (L.)seedlings[J].Frontiers in Plant Science,2019,10:490.

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

[15] Qi J G,Chehbouni A,Huete Alfredo R,et al.A modified soil adjusted vegetation index[J].Remote Sensing of Environment, 1994,48(2):119-126.

[16] Rouse J W,Haas Rüdiger H,Schell J A,et al.Monitoring vegetation systems in the great plains with ERTS[J].NASA Special Publication,1974,351(1974):309.

[17] Richardson Arthur J,Wiegand C L.Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing,1977,43(12):1541-1552.

[18] Roujean J L,Breon F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment,1995,51(3):375-384.

[19] Pearson R L,Miller Lee D.Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[J].Remote Sensing of Environment, 1972 (VIII):1355.

[20] Huete Alfredo R.A soil-adjusted vegetation index(SAVI) [J].Remote Sensing of Environment,1988, 25(3):295-309.

[21] Baret Frédéric,Guyot G,Major D J.TSAVI:a vegetation index which minimizes soil brightness effects on LAI and APAR estimation:12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium [C].IEEE,1989.

[22] 任鹏,冯美臣,杨武德,等.冬小麦冠层高光谱对低温胁迫的响应特征[J].光谱学与光谱分析,2014,34(9):2490-2494.

Ren P,Feng M C,Yang W D,et al.Response characteristics of winter wheat canopy hyperspectral to low temperature stress[J].Spectroscopy and Spectral Analysis,2014,34(9): 2490-2494.(in Chinese)

[23] 王晓星.夏玉米冠层光谱特征及其生理生态参量的高光谱估算模型[D].杨凌:西北农林科技大学,2015.

Wang X X.Hyperspectral estimation model of canopy spectral characteristics and physiological and ecological parameters of summer maize[D].Yangling:Northwest University of Agriculture and Forestry Science and Technology,2015. (in Chinese)

[24] 王烁,常庆瑞,刘梦云,等.基于高光谱遥感的棉花叶片叶绿素含量估算[J].中国农业大学学报,2017,22(4):16-27.

Wang S,Chang Q R,Liu M Y,et al.Estimation of chlorophyll content in Cotton Leaves Based on HyperspectralRemote Sensing[J].Journal of China Agricultural University, 2017,22(4):16-27.(in Chinese)

[25] 黄春燕,王登伟,张煜星.基于棉花红边参数的叶绿素密度及叶面积指数的估算[J].农业工程学报,2009,25(S2):137- 141.

Huang C Y,Wang D W,Zhang Y X.Estimation of chlorophyll density and leaf area index based on cotton red edge parameters[J].Transactions of the CSAE,2009,25(S2): 137-141.(in Chinese)

[26] 沙依然·外力,葛道阔,曹宏鑫,等.拔节抽穗期不同时长干旱胁迫对水稻冠层光谱特征的影响[J].中国农业气象, 2014,35(5):586-592.

Waili S Y R,Ge D K,Cao H X,et al.Effects of drought stress on spectral characteristics of rice canopy at different jointing and heading stages[J].Chinese Journal of Agrometeorology,2014,35(5):586-592.(in Chinese)

[27] 朱怀卫,娄运生,石一凡,等.UV-B增强下施硅对水稻冠层反射光谱特征的影响[J].中国农业气象,2017,38(3):172- 180.

Zhu H W,Lou Y S,Shi Y F,et al.Effects of silicon application on reflectance spectra of rice canopy under UV-B enhancement[J].Chinese Journal of Agrometeorology, 2017,38(3):172-180.(in Chinese)

[28] 周晓,包云轩,王琳,等.稻纵卷叶螟为害水稻的冠层光谱特征及叶绿素含量估算[J].中国农业气象,2020,41(3): 173-186.

Zhou X,Bao Y X,Wang L,et al.Hyperspectral features of rice canopy and SPAD values estimation under the stress of rice leaf folder[J].Chinese Journal of Agrometeorology, 2020,41(3):173-186.(in Chinese)

[29] 沈掌泉,王秀珍,王人潮,等.不同氮素营养水平的水稻冠层光谱红边参数及其应用研究[J].浙江大学学报(农业与生命科学版),2001(3):67-72.

Shen Z Q,Wang X Z,Wang R C,et al.Red edge parameters of rice canopy spectra at different nitrogen levels and their application[J].Journal of Zhejiang University(Agriculture and Life Sciences Edition),2001(3):67-72.(in Chinese)

[30] Daughtry Craig S T,Walthall C L,Kim M S,et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment,2000,74(2): 229-239.

[31] 唐延林,黄敬峰,王秀珍,等.水稻、玉米、棉花的高光谱及其红边特征比较[J].中国农业科学,2004(1):29-35.

Tang Y L,Huang J F,Wang X Z,et al.Comparison of hyperspectral and red edge characteristics of rice,corn and cotton[J].Chinese Agricultural Science,2004(1):29-35.(in Chinese)

[32] 谢晓金.高温胁迫下水稻生理生化特性及高光谱估测研究[D].南京:南京信息工程大学,2011.

Xie X J.Physiological and biochemical characteristics and hyperspectral estimation of rice under high temperature stress[D].Nanjing:Nanjing University of Information Science and Technology,2011.(in Chinese)

[33] Hansen P M,Schjoerring J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment, 2003,86(4):542-553.

[34] 姚远,丁建丽,倪绍忠,等.基于垂直植被指数的干旱区荒漠环境人工杨树林生物量模型[J].生态学杂志,2012,31 (1):222-226.

Yao Y, Ding J L,Ni S Z,et al.Biomass model of artificial poplar forest in arid desert environment based on vertical vegetation index[J].Chinese Journal of Ecology,2012, 31(1):222-226.(in Chinese)

[35] 田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998(4):10-16.

Tian Q J,Min X J.Research progress of vegetation index[J]. Advances in Earth Science,1998(4):10-16.(in Chinese)

Effects of Low Temperature Stress at Seedling Stage on Chlorophyll Content and Canopy Hyperspectral of "Hongyan" Strawberry

XU Ruo-han1, YANG Zai-qiang1，2, SHEN Meng-yin1, WANG Ming-tian3

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, China; 2. Jiangsu Key Laboratory of Agrometeorology, Nanjing 210044;3. Sichuan Meteorological Observatory, Chengdu 610091)

From September 2020 to January 2021, take “hongyan”(×Duch “Benihope”) strawberry as test material to carry out low temperature environmental control test in Nanjing University of Information Science and Technology. Four low temperature treatments 21℃ (daily maximum temperature) / 11 ℃ (daily minimum temperature), 18℃/8℃, 15℃/5℃ and 12℃/2℃ were set, and the duration was set at four levels of 3d, 6d, 9d and 12d, with 25℃/15℃ as the control (CK). The chlorophyll content of strawberry leaves and canopy hyperspectral reflectance were measured. The effects of low temperature stress on chlorophyll content and canopy reflectance spectrum of strawberry were studied. The sensitive bands and characteristic parameters of chlorophyll content estimation model were selected. The results show that: (1) Under the same low temperature condition, Chla, Chlb and Chl(a+b) content of strawberry leaves decreased with the extension of stress days. Under the same stress days, the lower the temperature, the lower Chla, Chlb and Chl(a+b) content, that is, the greater the degree of low temperature stress, the greater the decline of chlorophyll content. (2) The changes of canopy spectral reflectance of strawberry seedlings under different temperatures and the same stress days were roughly the same. In the visible region, there are green peaks and red valleys in the reflection spectrum curve of strawberry canopy. In the near-infrared reflection platform, the spectral reflectance increases gradually with the decrease of temperature, that is, the reflection platform increases gradually. (3) The first-order differential spectrum curve of strawberry canopy changed violently, with obvious peaks and valleys, and occasionally double peaks in the red edge range. With the deepening of low temperature stress, the higher the value of the highest peak of the first-order differential spectrum, the near-infrared reflectance of strawberry canopy spectrum increased and the red edge position shifted blue, and then the peak gradually decreased and the red edge position shifted red. (4) The correlation coefficient between Chl(a+b) content and original spectral reflectance of strawberry canopy is negatively correlated. The correlation between Chl(a+b) content and reflectance in near-infrared band is significantly higher than that in visible band. The correlation between Chl(a+b) content and original spectral reflectance is good, reaching a significant level. The correlation coefficient of 737nm band is the largest, so it can be used as a sensitive band to predict chlorophyll content. The correlation between Chl(a+b) content and DVI, MSAVI, PVI, RDVI, SAVI and TSAVI in vegetation index is very significant, which can be selected as a characteristic parameter to predict chlorophyll content.

Strawberry; Low temperature stress; Chlorophyll; Canopy spectrum; Vegetation index

10.3969/j.issn.1000-6362.2022.02.006

徐若涵,杨再强,申梦吟,等.苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响[J].中国农业气象,2022,43(2):148-158

收稿日期：2021−07−12

国家重点研发计划项目（2019YFD1002202）

通讯作者：杨再强，教授，研究方向为设施农业气象，E-mail：yzq@nuist.edu.cn

徐若涵，E-mail: xrh_xuruohan@qq.com