赵佳佳，冯美臣，王超，杨武德，李志花，朱智慧，任鹏，刘婷婷，王慧琴

(山西农业大学 旱作工程研究所，山西 太谷 030801)

基于光谱植被指数的冬小麦叶绿素含量反演

赵佳佳，冯美臣，王超，杨武德，李志花，朱智慧，任鹏，刘婷婷，王慧琴

(山西农业大学 旱作工程研究所，山西 太谷 030801)

植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性，研究功能叶SPAD与其冠层光谱的关系，对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换，研究其功能叶片SPAD值与冠层光谱的相关性，对监测冬小麦叶绿素含量的敏感波段进行了提取，并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明，基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线，提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723 nm；并构建了冬小麦叶绿素含量的预测模型，以FDNDVI(630,723)预测模型较好，其R2可达0.9485，模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805，拟合效果较好，表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。

高光谱；SPAD；叶绿素；植被指数；监测模型

叶绿素是与光合作用有关的重要色素。植物体叶绿素含量的变化与其光合能力、生长发育以及氮素状况有较好的相关性，通常被称为监测植物生长发育和营养状况的指示器[1～3]。SPAD(Soil and Plant Analyzer Development)值又称叶片绿色度，反映了植株叶片的相对叶绿素含量大小[4]。Marenco[5]等研究发现SPAD-520测量叶绿素含量的精度很高，几乎和化学实验测定结果一样。叶绿素仪虽能够准确测定叶片叶绿素含量，但只能逐点对叶片进行测量，较费时、费力，并且测定不全面。因此需要研究一种实时、快速叶绿素监测方法。高光谱遥感技术的应用可实现农田大面积的实时、快速无损监测。此外，叶片SPAD易实现与高光谱数据的准确对应[6]，提高预测模型的准确性。因此，通过遥感技术监测大范围作物叶片SPAD动态变化作为一种重要的手段，对评价作物长势和氮肥高效管理方面有重要意义[7,8]。

叶绿素含量是叶片的主要农学参数，对可见光波段反射率变化敏感[9]。Dash等[10]基于单一的植被指数对冠层叶绿素含量进行估测，表明绿、红以及近红外波段附近的光谱反射率对于叶绿素含量较为敏感。杨海清等[11]所提取到的植物叶片SPAD值的敏感波段为683.24～733.91 nm。在监测模型的构建方面，刘飞等[12]采用可见-近红外光谱技术并结合化学计量学方法建立了黄瓜叶片SPAD的校正模型，认为采用光谱特征波段对黄瓜叶片SPAD值的监测更有效。Bauerle等[13]在研究木质植物光合作用时，指出在400～700 nm波长范围内，SPAD测量值与叶片透射和吸收值存在显著回归关系，但与光谱反射的回归关系不精确。姚付启等[14]基于红边位置、峰度系数、偏度系数建立了叶片叶绿素含量的高光谱估测模型，表明与单变量模型相比人工神经网格模型反演精度较高。王凯龙等[15]比较了15种高光谱指数与SPAD的相关性，以确定不同生长阶段估算小麦叶片的SPAD值的最佳植被指数； 不同地区、不同环境中的植被叶绿素含量对高光谱的敏感波段不尽相同，各植被指数在不同环境的适应性也不同，利用高光谱遥感技术监测农学参数已经成为了定量遥感和精准农业的研究热点问题之一[16,17]。基于此，本文立足于本地区冬小麦种植的特点，对冬小麦冠层光谱与功能叶片SPAD进行相关性分析，提取冬小麦叶绿素含量的冠层敏感波段并构建不同植被指数，对回归模型进行比较，研究不同模型反演叶绿素含量的变化的精度，以期为冬小麦叶绿素含量的快速、无损伤监测提供一定的科学依据和理论参考。

1 材料与方法

1.1 试验设计

本研究于2012年和2013年选取山西农业大学农作站(东经112°28′～ 113°01′，北纬37°12′～37°32′)作为研究区域，该地区全年平均气温在5～10℃，年均降雨量为450 mm左右，属暖温带大陆性气候。

本实验选用本地区大面积推广的小麦品种“长4738”，供试土壤为黄土母质发育而成的石灰性褐土，土壤肥力水平中等，其理化性质为土壤有机质含量22.01 g·kg-1；碱解氮53.8 mg·kg-1，有效磷18.43 mg·kg-1；速效钾236.9 mg·kg-1。

试验采取随机区组设计，氮肥梯度设置为0 kg·hm-2、75 kg·hm-2、150 kg·hm-2、225 kg·hm-2、300 kg·hm-2，重复3次，小区面积24 m2(4 m×6 m)，于播种期施基肥，在拔节期、孕穗期追肥，基追比为3∶1∶1。

1.2 数据采集

1.2.1 冠层光谱

在返青期、拔节期、孕穗期、开花期及花后每隔7 d进行田间小麦冠层光谱测定。采用美国ASD FieldSpec 3.0型便携式高光谱仪测量冬小麦冠层光谱反射率，仪器视场角为25°，波段范围为350～2500 nm。所有光谱测量均在天气晴朗、无风或者风速较小时进行，测量时间为10:00～14:00，每次测量时需用白色标准版校准1次，探头垂直向下，探头距冠层的垂直高度约1 m。每个小区测定3点，每点重复10次，取平均值作为该小区小麦的冠层光谱。

1.2.2 叶绿素测定

SPAD值是衡量植物叶绿素相对含量及绿色程度的重要参数，因此可以利用SPAD值作为衡量叶绿素含量的指标。用叶绿素仪(SPAD-520)在所测光谱位点测定10个功能叶(倒二叶)的SPAD值，为保证两种数据的精确对应，每片叶从叶尖到叶鞘均匀测定9点，避开叶脉干扰，取平均值作为该叶片的SPAD值。

1.3 数据分析

鉴于光谱仪在测量的波段范围两端有比较大的噪声且叶绿素主要在可见光波段内影响植物光谱反射率，所以选择400～1400 nm作为本次研究波段。利用软件ViewSpec Pro进行光谱数据的预处理和变换，并利用DPS 6.5软件、Origin 8.0和Excel进行数据的相关性、回归分析和制图。本文以2012年试验数据进行监测模型的构建，2013年试验数据用于监测模型的检验。

利用光谱反射率与叶片SPAD的相关性分析，筛选冬小麦叶绿素含量的敏感波段，并构建多种植被指数(表1)及其预测模型，模型的准确性用预测值与实测值的拟合方程精度(R2)、相对误差(RE)和均方根误差(RMSE)进行综合评价，并绘制预测值与实测值的1∶1线性关系图。

表1 常用植被指数的计算公式及出处

2 结果与分析

2.1 冬小麦叶片SPAD值与冠层光谱反射率的相关性分析

将冬小麦冠层光谱原始反射率及其一阶微分反射率分别与叶片SPAD值进行相关分析，图1、图2为叶片SPAD与不同形式反射率的相关系数曲线。从图中可以看出，SPAD与原始反射率420～730 nm波段呈极显著负相关，且与500、690 nm处相关性最大，在740 nm后呈正相关，与745～950 nm的近红外波段呈极显著正相关，以760 nm相关性最大。而SPAD与一阶微分光谱相关性变化幅动较大，在红光波段呈负相关，以470 nm和630 nm达最大极显著负相关，在近红外波段相关性变化幅动大，723 nm呈极显著正相关且相关系数最大。因此，分别选取500、690、760 nm和470、630、723 nm作为冬小麦叶绿素含量监测的敏感波段。

2.2 预测模型的构建

利用植被光谱数据线性和非线性组合构建的光谱指数通常称为植被指数，主要反映植被在可见光、近红外波段反射与土壤背景之间的差异，各植被指数在一定条件下能表明植被生长状况。利用所筛选出的各敏感波段，构建相应植被指数，并与功能叶SPAD值进行相关分析，结果见表2。

图1 冠层光谱反射率与冬小麦叶片SPAD值的相关性

图2 一阶导数光谱反射率与小麦叶片SPAD值的相关性

表2 小麦功能叶片SPAD与植被指数的相关性分析

注：**和*分别表示0.01极显著水平和0.05显著水平，下同。

Note：**and * is the signification at the 0.01 and 0.05 level,respectively.The same below.

由表2可以看出，冬小麦叶片SPAD与导数光谱指数FDGRVI(470,723)、FDRVI(630,723)呈不显著相关，其余均达极显著相关，且相关性高，表明FDRVI(630,723)和FDGRVI(470,723)两种植被指数不适宜进行叶绿素含量的监测；而与原始光谱指数均呈极显著相关，且相关系数较高，以NDVI(690,760)相关性较大。充分说明利用对叶片SPAD的敏感波段建立植被指数以反映冬小麦生长状况具有可行性。

因此，分别以相关系数较大的NDVI(690,760)、FDNDVI(630,723)和FDDVI(630,723)为自变量，以SPAD值为因变量进行回归分析，建立冬小麦叶绿素含量的监测模型。模型采用线性、对数、二次多项式、乘幂、指数等形式，表3为建立的各指数最佳监测模型。

表3 基于植被指数的冬小麦叶绿素含量预测模型

从表3可以看出，所建预测模型的决定系数较高，均达0.93以上，都能较好地反映整个生育期冬小麦叶绿素含量与植被指数之间的变化关系，其中FDNDVI(630,723)模型的R2最大，为0.9485。

2.3 预测模型的检验及评价

为验证模型的预测效果，选取2013年15组数据进行模型验证，采用R2、RE、和RMSE指标对模型进行检验(表4)，R2越大，表明拟合程度越高；RE和RMSE越小，表明模型预测精度越高。

表4 预测模型的验证

由表4可见，各光谱植被指数的拟合程度较高，均达0.73以上，且RE、RMSE较低，拟合效果好，表明利用光谱反射率敏感波段能较好地模拟和预测叶绿素含量。而导数光谱指数FDNDVI(630,723)、FDDVI(630,723)的模型较原始光谱指数NDVI(690,760)拟合精度高，RE、RMSE也较低，拟合效果好。总体上，基于导数光谱指数的叶绿素含量监测模型均给出了较好的检验结果。因此，可以利用冠层光谱反射率的关键光谱植被指数对冬小麦叶绿素含量进行较为准确的预测，综合考虑R2、RE和RMSE，其中尤以FDNDVI(630,723)模型预测效果最佳。为了更好地展示其拟合效果，以实测值与预测值作1∶1线性关系图(图3)。

3 讨论与结论

本文通过对整个生育时期的冬小麦叶片SPAD与冠层光谱原始反射率、一阶导数反射率的相关性分析，确定了监测冬小麦叶绿素的光谱敏感波段，分别为500、690、760 nm和470、630、723 nm，表明基于冠层光谱反射率相关性分析能很好地提取冬小麦的光谱敏感波段。冬小麦SPAD与各原始光谱植被指数均呈极显著相关，以NDVI(690,760)相关性较大，为0.9238。与导数光谱指数FDDVI(630,723)、FDNDVI(630,723)达极显著相关，相关性高，分别为0.9343和0.9240。选取相关性较高的植被指数建立的各预测模型决定系数较高，均达0.93以上，通过验证和分析，RE和RMSE均较小，表明利用冬小麦冠层光谱植被指数能较好地模拟和预测叶片SPAD；而作物冠层原始光谱反射率的一阶微分能消除基线漂移或平缓背景干扰，其敏感波段组合能较好地估测叶片叶绿素含量。综合考虑R2、RE和RMSE，以FDNDVI(630,723)模型预测效果最佳。

采用高光谱技术测定作物冠层光谱，采用叶绿素计测定叶绿素含量，实现了光谱反射率和叶绿素含量关系的无损行与精确性研究。但作物冠层光谱特性是由作物光谱特性和背景土壤特性[22]组成的，影响作物冠层光谱的因素有很多，比如在光谱测定过程中会受到太阳光入射角、双向反射、气溶胶、风速等诸多外部因素的影响[23]，同时就本试验实际情况而言，播种时播种方式、播种时间等诸多人为和作物生长等环境因素，影响小麦种植密度和长势情况。利用高光谱遥感技术监测冬小麦叶片SPAD时，基于人为选取样点数据的分析很难实现全面监测，且光谱测定过程中受诸多外界因素影响均可能造成监测精度降低。同时本试验还涉及测定范围局限，数量较小，品种单一等因素，因此在提高监测精度方面还有待更深入的研究。

图3 预测值与实测值的拟合效果

[1]童庆禧,张兵,郑兰芬.高光谱遥感的多学科应用[M].北京:电子工业出版社,2006:20-80.

[2]方慧,宋海燕,曹芳,等.油菜叶片的光谱特征与叶绿素含量之间的关系研究[J].光谱学与光谱分析,2007,27(9):1731-1734.

[3]黄敬峰,王秀珍,胡新博.新疆北部不同类型天然草地产草量遥感监测模型[J].中国草地,1999(1):7-11.

[4]谢晓金,申双和,李映雪,等.高温胁迫下水稻红边特征及SPAD和LAI的监测[J].农业工程学报,2010,26(3):183-190.

[5]Marenco R A,Antezana-vera S A,Nascimentoh C S.Relationship between specific leaf area,leaf thickness,leaf water content and SPAD-520 readings in six Amazonian tree species[J].Photosynthetica,2009,47(2):184-190.

[6]邹红玉,丁丽霞.基于反射光谱数据的茶树叶片SPAD值估算模型研究[J].遥感信息,2011(5):71-75.

[7]冯伟,朱艳,姚霞,等.小麦叶片色素含量的高光谱监测[J].应用生态学报,2008,19(5):992-999.

[8]Miguel P,Ruben O,Ignacio I,et al.New method to assess barley nitrogen nutrition status based on image colour analysis:comparison with SPAD-502[J].Computers and Electronics in Agriculture,2009,65(2):213-218.

[9]Sampson P H,Zarco-tejada P J,Mohammed G H,et al.Hyper-spectral remote sensing of forest condition:Estimating chlorophyll content intolerant hardwoods[J].Forest science,2003,49(3):381-391.

[10]Dash J,Curran P J.The MERIS terrestrial chlorophyll index[J].International Journal of Remote Sensing,2004,25(23):5403-5413.

[11]杨海清,杨建松,何勇.基于反射光谱技术的植物叶片SPAD值预测建模方法研究[J].光谱学与光谱分析,2009,29(6):1607-1610.

[12]刘飞,王莉,何勇,等.基于可见/近红外光谱技术的黄瓜叶片SPAD值检测[J].红外与毫米波学报,2009,28(4):272-276.

[13]Bauerle W L,Weston D J,Bowden J D,et al.Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species[J].Scientia Horticulturae,2004,101(1/2):169-178.

[14]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(增刊2):123-128.

[15]王凯龙,熊黑钢,张芳.干旱区冬小麦不同生长阶段的光谱特征与叶绿素含量估测研究[J].干旱区资源与环境,2013,27(11):45-49.

[16]Wang F M,Huang J F,Zhou Q F,et al.Optimal waveband identification for estimation of leaf area index of paddy rice[J].Journal of Zhejiang University Science,2008,9(12):953-963.

[17]Kuusk A,Lang M,Nilson T.Simulation of the reflectance of ground vegetation in sub-boreal forests[J].Agricultural and Forest Meteorology,2004,126(1/2):33-46.

[18]Pearson R L,Miller D L.Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie[C]// Proceedings of the Eighth International Symposium on Remote Sensing of Environment.Michigan:Ann Arbor,1972:1357-1381.

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

[20]Rouse J W,Haas R W,Schell J A,et al.Monitoring the vernal advancement and retro gradation (green wave effect) of natural vegetation[C]//NASA/GSFCT Type ш Final Report,Greenbelt,MD,USA,1974:309-317.

[21]Gitelson A A,Kaufman Y,Merzlyakm N.Use of green channel in remote of sensing global vegetation from EOS-MODIS[J].Remote Sensing of Environment,1996,58:289-298.

[22]Zhu Yongguan,Howes N K,Smith S E.Phosphorus uptake and utilisation efficiencies of different wheat cultivars based on a sand-culture screening system[J].Pedosphere,2002,12(4):329-337.

[23]任红艳,潘剑君,张佳宝.不同磷肥水平的小麦冠层多光谱特征研究[J].土壤,2005,37(4):405-409.

SimulatingtheContentofChlorophyllinWinterWheatBasedonSpectralVegetationIndex

Zhao Jiajia，Feng Meichen，Wang Chao，Yang Wude，Li Zhihua，Zhu Zhihui，Ren Peng，Liu Tingting，Wang Huiqin

(InstituteofDryFarmingEngineering,ShanxiAgriculturalUniversity,TaiguShanxi030801,China)

The SPAD value of plant leaf is significantly correlated with the content of chlorophyll and nitrogen level, and it is important to monitor the chlorophyll content rapidly and non-destructively. The first derivative of the winter wheat canopy spectral reflectance was converted, and the correlation between spectrum and the leaf SPAD was analyzed at the growth period of winter wheat. The sensitive bands for monitoring the leaf SPAD were determined, and the quantitative relation between leaf SPAD and canopy reflectance spectra were established. The results showed that the sensitive bands for monitoring the winter wheat leaf SPAD were 500 nm, 690 nm, 760 nm and 470 nm, 630 nm, 723 nm, respectively, based on the correlation coefficient between the winter wheat canopy spectral reflectance and the first derivative and leaf SPAD. The spectral parameters and the prediction model for monitoring winter wheat chlorophyll content was constructed, the regression coefficient R2of the estimated model based on the FDNDVI(690, 760) was 0.9485, and the calibrated parameters of predicted model R2, MRE and RMSE were 0.8099, 0.0294 and 1.805, respectively. It was also concluded that the monitoring model could effectively estimate the winter wheat leaf chlorophyll content, and this was proved to be an effective method for monitoring wheat growth.

Hyper-spectral; SPAD; Chlorophyll; Vegetation index; Monitoring model

2014-05-14

2014-06-08

赵佳佳(1990-)，女(汉)，山西晋城人，在读硕士，研究方向：作物生态与作物信息技术。

杨武德，教授，博士生导师。Tel:13834835129; E-mail:sxauywd@126.com

国家自然科学基金项目(31371572)；山西省科技攻关项目(20110311038,20120311001-2)；山西省青年科技研究基金项目(2012021023-5)

S127

A

1671-8151(2014)05-0391-06

(编辑：武英耀)