张南++熊黑钢++靳彦华

摘要：通过分析红花（Carthamus tinctorius L.）原始光谱、变换光谱以及其他25种应用最普遍的高光谱参数与其叶绿素含量的相关性，并选择每个生长期与红花叶绿素含量相关性较好的高光谱指数和波段，建立不同生长期红花叶绿素含量的线性、抛物线、指数和对数模型，并用RMSE评价模型精度。最后得出各期的最佳模型：出苗期归一化差异指数（NDI）的抛物线模型具有最大模型精度0.900和检验精度0.932；分枝期黄边幅值（Dy）的抛物线模型精度为0.850，检验模型精度为0.811；始花期444 nm处二阶导数光谱的抛物线模型精度为0.734，检验精度为0.866；终花期798 nm处二阶导数光谱的抛物线模型精度为0.929；成熟期795 nm处二阶导数光谱的指数模型精度为0.904，检验精度为0.868。

关键词：红花（Carthamus tinctorius L.）；叶绿素；高光谱；估测模型

中图分类号：S127 文献标识码：A 文章编号：0439-8114（2016）21-5651-08

DOI：10.14088/j.cnki.issn0439-8114.2016.21.055

Hyperspectral Estimation Models for Chlorophyll Content

Based on the Measured Spectra of Safflower

ZHANG Nan1a，1b，XIONG Hei-gang1b，2，JIN Yan-hua1a，1b

（1a.College of Resource & Environment Science；b.Key Laboratory of Oasis Ecology，Xinjiang University，Urumqi 830046，China；

2.College of Art & Science，Beijing Union University，Beijing 100083，China）

Abstract： In order to establish linear and parabolic， index and logarithm model of safflower（Carthamus tinctorius L.） chlorophyll content，the correlation of original spectra， transform spectra，and 25 kinds of most common hyperspectral application parameters and chlorophyll content in different stages were analyzed. The high spectral indexes and wavelengths having good correlation with the chlorophyll content of safflower during every growing period were selected. RMSE were used for appraising the model precision. Finally the best models of different periods were gotten，during the seedling stage，the largest model precision and test precision were 0.900 and 0.932 respectively for the parabolic model of NDI. During the branch period，the model precision and test precision were 0.850 and 0.811 respectively for the parabolic model of Dy. During the beginning flowering period，the model precision and test precision were 0.734 and 0.866 respectively for the parabolic model of the second derivative spectra at the wavelength 444 nm. During the final flowering period，the model precision was 0.929 for the parabolic model of the second derivative spectra at the wavelength 798 nm. During the mature period，the model precision and test precision were 0.904 and 0.866 respectively for the index model of the second derivative spectra at the wavelength 795 nm.

Key words：safflower（Carthamus tinctorius L.）；chlorophyll；hyperspectrum； estimation model

紅花（Carthamus tinctorius L.），又称草红花，为菊科红花属植物，其栽培管理简便，适用于机械耕作，且产量和出油率均较高，是一种集药用、油料为一体的特种经济作物。中国是世界上红花种植面积较大的国家之一，新疆地区种植面积占全国50%以上，对新疆经济发展起着举足轻重的作用。关于叶绿素与高光谱的研究，大多数都集中于玉米、小麦、水稻、大豆以及经济林果上，对红花的研究甚少。因此在红花主产区开展光谱特征的叶绿素估算模型研究，对红花的精细化管理具有十分重要的指导意义和实际价值；同时利用实测光谱对红花进行长势监测和估产时，需要考虑光谱指数在不同生长期的敏感性，选出不同生长阶段的最佳指数以及导数波段，才能为红花的精确动态监测和科学管理及决策提供有力的技术支持。

叶片色素状况是评价植株光合能力、监测生长状况和预测产量潜力的重要指标，作物叶片中叶绿素含量的多少，既显示作物的生长状况，又是作物与环境发生物质能量交换的重要条件，了解叶绿素状况就可以对作物群体光合能力及营养状况进行有效监测，在作物生长与产量预测以及精确诊断与动态调控中具有重要意义。高光谱探测技术为快速无损监测作物叶片色素提供了有效手段[1-3]。国内许多学者分别从不同角度和方法出发进行农作物叶绿素遥感反演研究，取得了一系列成果[4-7]。对于红花的研究大多侧重于其光谱的特征研究，而对其光谱特征与叶绿素关系的研究甚少，对整个生长期光谱特征与叶绿素含量关系的研究更少。本研究对红花生育阶段叶片叶绿素含量与冠层光谱的相关性进行了分析，并且选取与叶绿素含量相关性较高的指数和波段，建立不同生长阶段不同类型的红花叶绿素含量的估算模型，通过比较最终选出每个阶段的红花叶绿素含量的最佳估算模型，从而促进对红花的精细化管理。

1 研究区域概况

研究区域位于新疆维吾尔族自治区东北部，昌吉市东部的奇台县（89°13′E-91°22′E，42°25′N-45°29′N）。地处中纬度地带，地势南北高、中间低，呈条状马鞍形，地貌类型可分为南部山区（丘陵）、中部平原、北部沙漠、东北部山地丘陵四大部分，由于受地理环境、太阳辐射、大气环流的影响，属于中温带大陆性干旱气候，其特点是冬季漫长而严寒，夏季短促而炎热，春秋季节不明显。年平均气温5.5 ℃，7月平均气温22.6 ℃，极端最高气温39 ℃，1月平均气温-18.9 ℃，极端最低气温-37.3 ℃。气候干燥，年平均相对湿度60%。风向平时盛行南风，灾害性天气多西北风，最大风力12级，年平均风速2.9 m/s。无霜期年平均153 d（从4月下旬到10月上旬），年平均降水量269.4 mm。

2 材料与方法

2.1 试验设计

2012年5～8月，在新疆奇台县大面积红花种植地选择一块试验地（地理位置为89°39′43″E，43°52′20″N，海拔964 m，行距50 cm），施肥、灌溉及红花行间距与其他红花种植地相同。对红花出苗期、分枝期、始花期、终花期、成熟期的光谱反射率和叶片叶绿素含量进行同步田间监测。

2.2 光谱和叶绿素测定

光谱数据采集采用美国ASD公司的FieldSpecPro3地物光谱仪，该光谱仪波段范围为350～2 500 nm，本研究只选取满足试验需要的350～1 100 nm范围内的波段，其包括遥感的可见光和近红外波段。探头视场角25°， 每次测定前进行一次光谱仪暗电流测定及时校正仪器噪声对观测结果的影响。选择40个点进行光谱测定，每个点测5次， 取其平均值作为该点的光谱反射值。试验选择晴朗无云无大风的天气进行，于北京时间13：00～15：00采集红花的光谱数据。并用Viewspec pro软件对采集的数据进行处理。

测定光谱的同时，用SPAD-502叶绿素仪测定红花叶片叶绿素含量。每个叶片测定5次，取平均值，作为该叶片叶绿素含量。

2.3 高光谱参数的选取

选取原始光谱、光谱一阶导数、二阶导数以及应用最为广泛的指数（表1）[8-16]，作为估算红花叶绿素的参数。导数光谱不仅能够压缩背景噪音对目标信号的影响，使数据更科学，而且能揭示光谱值的内在特征。因此可以利用导数光谱建立叶绿素与反射率光谱之间的关系，估算植被内部叶绿素含量。

2.4 模型检验

采用均方根误差（RMSE）来評价模型精度。

RMSE=

式中，yi和yi′分别为叶绿素含量SPAD值的实测值和模型计算的预测值，n为检验样本数，RMSE值越小则模型精度越高。利用DPS统计软件分析红花冠层光谱反射率与叶片叶绿素含量的相关性，作图均在Excel中进行。

3 结果与分析

3.1 红花不同生长期叶绿素含量变化特征

从图1可知，红花的叶绿素含量随着生长期的推移呈先上升后下降的趋势，从出苗期到始花期（6月20日左右），随着植株的生长，叶片面积变大，结构成分也发生变化，叶绿素含量达到整个生长期最高值，SPAD值为66.5；开花后叶绿素含量开始降低，终花期（7月11日左右）后叶绿素含量迅速下降，其原因是红花接近成熟，植株发黄，叶片水分降低，导致叶黄素替代了叶绿素；成熟期植株叶片基本变黄，植株部分变干，叶绿素含量最低。

3.2 红花不同生长期光谱反射率曲线特征

从图2可知，在可见光波段内，叶绿素含量对其光谱特性具有重要作用，在550 nm附近有一个叶绿素的反射峰，其两侧450 nm和670 nm处的蓝波段和红波段则是吸收谷，在近红外波段750 nm附近反射率急剧增加，形成高反射，且不同生长期红花光谱反射率出现明显的分离，这种特征在出苗期到终花期较为明显；成熟期植株发黄，枝干枯死，其叶绿素含量大量减少，使得反射率在可见光波段内增加；在近红外波段明显低于其他生长期。

3.3 红花不同生长期叶绿素含量与高光谱参数的相关性分析

利用DPS统计软件计算红花叶绿素含量与高光谱参数之间的相关系数，结果见表2。从表2可知，出苗期除红边幅值（Dr）、VI3、VI5外，红花叶绿素含量与其余光谱变量之间均呈极显著相关，其中与红谷反射率（Rr）、土壤调节植被指数（OSAVI）、归一化差异指数（NDI）的相关系数均大于等于0.94，因为红花在出苗期，覆盖度很小，受土壤、湿度、粗糙度等背景因素影响较大，而归一化差异指数、土壤调节指数可以去部分背景因素的影响；分枝期叶片叶绿素含量与黄边幅值（Dy）、黄边面积（SDy）、VI6相关性均达到极显著相关且相关系数大于等于0.83；始花期、终花期、成熟期，红花叶片叶绿素含量与高光谱参数相关系数均低于0.80，由于红花花期，冠层光谱主要反映花的信息，果实成熟后，红花冠层光谱主要反映果实的信息，因此叶片叶绿素含量与红花冠层光谱的相关系数较低。

3.4 始花期、終花期、成熟期原始和变换光谱与叶绿素含量之间的相关性分析

始花期、终花期、成熟期的高光谱特征变量与叶绿素含量的相关性均不高（表2），其原因是由于花期时红花冠层花青素代替了叶绿素，成熟期植被停止生长，水分和养分减少，植被变黄，导致其相关性很低。因此将以上3个时期的原始光谱反射率、光谱一阶导数、二阶导数与相应的叶绿素含量进行相关分析，以寻求对红花叶绿素含量敏感的波段。始花期，原始光谱与叶绿素含量的相关性总体不高，相关系数均在0.5以下，如图3a所示；460 nm处一阶导数光谱与叶绿素含量相关系数为r=0.830，如图3a1所示；444 nm处二阶导数光谱反射率与叶绿素含量相关系数为r=0.825 1，如图3a2。终花期，红花原始光谱反射率与叶绿素含量在整个波段范围内呈正相关，并且从可见光到近红外波段，相关性呈上升趋势，如图3b所示；488 nm处一阶导数光谱与叶绿素含量相关系数为r=-0.784 1，如图3b1所示；798 nm处二阶导数光谱与叶绿素含量相关系数为r=-0.815 6，如图3b2。成熟期，红花原始光谱反射率与叶绿素含量在整个波段范围内呈正相关，并且在350～1 100 nm波段范围内相关性呈下降趋势，在449 nm处相关系数最高为r=0.955 0，如图3c所示；767 nm处一阶导数光谱与叶绿素含量相关系数为r=-0.855 7，如图3c1所示；795 nm处二阶导数光谱与叶绿素含量相关系数为r=0.927 8，如图3c2所示。导数光谱能够去除原始光谱中的噪声，可以更好地反映植物的光谱信息与生长情况，且导数光谱具有灵敏度高和专属性强等特点[17]，红花不同生长期其导数光谱各不相同，且导数光谱与叶绿素含量相关性存在较高值，因此可以利用导数光谱鉴别红花不同生长阶段叶绿素含量。

4 建模

选取高光谱参数、导数光谱与对应的叶绿素含量相关性较高的指标，并且都通过0.01极显著检验。将每一期用于建立叶绿素含量估算模型的样本随机分为两组，其中样本的2/3用于建模，剩余的1/3用于模型检验。根据表2，选取相关系数排在前3位的高光谱特征变量，即出苗期选取土壤调节指数（Rr）、红谷反射率（OSAVI）、归一化差异指数（NDI）；分枝期选取黄边幅值（Dy）、黄边面积（SDy）、绿峰反射率（V16）。以选出的高光谱变量作为自变量，叶片叶绿素含量为因变量，建立数学模型。根据图3，始花期、终花期、成熟期选取一阶、二阶导数光谱与叶绿素相关性较高的光谱反射为自变量，叶片叶绿素含量为因变量。

4.1 线性和非线性模型

一次线性模型：Y=aX+b

对数模型：Y=aX2+bX+c

抛物线模型：Y=aln（X）+b

指数模型：Y=aebx

式中，Y代表叶绿素含量，X为从高光谱指数中选取的自变量，a、b、c为回归系数[18-20]。出苗期至成熟期叶绿素含量与高光谱变量模型以及精度检验见表3。

4.2 最佳模型选取

5个不同的生长期分别选取一个最佳模型，即建模精度最大且RMSE最小作为判定最佳模型的依据。出苗期归一化差异指数（NDI）的抛物线模型具有最大模型精度0.900和检验精度0.932，最小RMSE等于1.168；分枝期黄边幅值（Dy）的抛物线模型精度等于0.850，检验模型精度等于0.811，最小RMSE等于0.216。始花期444 nm处二阶导数光谱的抛物线模型精度为0.734，检验模型精度等于0.866，最小RMSE等于0.717；终花期798 nm处二阶导数光谱的抛物线模型精度为0.929，RMSE为0.114；成熟期795 nm处二阶导数光谱的指数模型精度等于0.904，检验精度等于0.868，最小RMSE等于2.684。结果如图4所示。

5 小结与讨论

本研究利用整个物候季红花冠层光谱和叶片叶绿素含量的实测数据，分析不同生长阶段叶片叶绿素含量与冠层光谱曲线各自的变化特征，对两者的相关性进行了分析，选取相关性较高的高光谱特征变量和导数波段，构建红花不同生长期高光谱指数、一阶、二阶导数光谱与叶绿素含量的估算模型，并且通过对比各种变量所建模型，最终选择出每个生长阶段对红花叶绿素含量预测最准确的模型，得出以下结论。

1）红花叶片叶绿素含量从出苗到成熟期呈先增大后降低的特征，不同生长阶段冠层光谱具有不同的反射特征，花期前可以利用高光谱特征变量估算叶绿素含量，花期开始到成熟期利用冠层光谱的二阶导数峰值对其叶绿素含量进行估算，以便提高对作物的精细化管理。

2）25个高光谱植被指数中，出苗期归一化差异指数（NDI）、分支期黄边幅值（Dy）与叶片叶绿素含量有较高相关性，并且预测模型最准确。

3）红花开花后冠层花青素代替了叶绿素，高光谱指数和叶片叶绿素含量相关性很低，因此高光谱指数不能预测花期以后的叶绿素，但二阶导数光谱具有灵敏度高和专属性强等优点，可以利用其建立花期到成熟期叶绿素含量估算模型，始花期、终花期、成熟期分别在444、798、795 nm处二阶导数与其对应的叶绿素建模，所得模型精度最高，R2分别为0.866、0.929、0.868。

4）利用叶绿素含量与高光谱特征变量以及导数光谱之间的关系，建立红花不同生长阶段叶绿素含量的估算模型，选出红花不同生长期叶绿素含量的最佳模型。但是对于红花不同品种、不同生长条件下实测叶绿素与卫星遥感手段结合对红花的长势、产量估算是今后的研究主题。

参考文献：

[1] FILELLA D，PENUELAS J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J].International Journal of Remote Sensing，1994，15（7）：1459-1470.

[2] 馮 伟，朱 艳，田永超.基于高光谱遥感的小麦冠层叶片色素密度监测[J].生态学报，2008，28（10）：4902-4911.

[3] TANG X G，SONG K S，LIU D W，et al.Comparison of methods for estimating soybean chlorophyll content based on visual near infrared reflection spectra[J].Spectroscopy and Spectral Analysis，2011，31（2）：371-374.

[4] ZHANG Y H，CHEN W H，GUO Q Y，et al. Hyperspectral estimation models for photosynthetic pigment contents in leaves of Eucalyptus[J].Acta Ecologica Sinica，2013，33（3）：876-887.

[5] 靳彦华，熊黑钢，张 芳，等.基于红边参数的水浇地与旱地春小麦各生育期叶绿素最佳估测模型比较研究[J].中国农业生态学报，2014，30（3）：66-71.

[6] SONG K S，ZHANG B，LI F，et al.A hyperspectral model for estimating chlorophyll content in maize leaves[J].Acta Agronomica Sinica，2005，31（8）：1095-1097.

[7] 刘伟东，项月琴，郑兰芬，等.高光谱数据与水稻叶面积指数及叶绿素密度的相关分析[J].遥感学报，2000，4（4）：279-283.

[8] HUANG J F，WANG F M，WANG X Z，et al. Relationship between narrow band normalized deference vegetation index and rice agronomic variables，communications in soil[J].Science and Plant Analysis，2004，35（20）：2689-2708.

[9] YANG X H，WANG F M，HUANG J F，et al. Comparison between radial basis function neural network and regression model for estimation of rice biophysical parameters using remote sensing[J].Soil Science Society of China，2009，19（2）：176-188.

[10] HUANG J F，BLACKBURN G A.Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis is of hyperspectral data[J].International Journal of Remote Sensing，2011，32（24）：1-22.

[11] YANG X G，FAN W Y，YU Y.Establishment of hyperspectral remote sensing model for estimating forest chlorophyll content in Daxing'anling Mountain[J].Forest Engineering，2010，26（2）：8-11.

[12] XUE Z C，GAO H Y，PENG T，et al. Application of spectral reflectance on research of plant eco-physiology[J].Plant Physiology Journal，2011，47（4）：313-320.

[13] DING S Y，LI H M，QIAN L X.Research advances in remote sensing techniques in estimation of vegetation biochemical material contents[J].Chinese Journal of Ecology，2004，23（4）：109-117.

[14] QIAN Y R，YANG F，LI J L，et al. Estimation of photosynthetic pigment of Festuca arundinacea using hyper-spectral data[J].Acta Prataculturae Sinice，2009，18（4）：94-102.

[15] 宋开山，张 柏，王宗明，等.大豆叶绿素含量高光谱反演模型研究[J].农业工程学报，2006，22（8）：16-21.

[16] SIM D A，GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J].Remote Sensing of Environment，2002，81（2）：331-354.

[17] 徐美玲，谭群友，罗彦凤，等.二阶导数光谱法测定溴吡斯的明聚乳酸微球的包封率[J].中国医院药学杂志，2011，31（5）：372-375.

[18] MINOLTA Co.，LTD.. Chlorophyll SPAD-502 in Struction Manual[M].Osaka：Radiometric Instruments Operations，1989.

[19] SHI R H，ZHUANG D F，NIU Z，et al.Quantitative inversion of chlorophyll content based on radiative transfer model[J].Chinese Journal of Ecology，2006，25（5）：591-595.

[20] SUN Y X，WANG J H，LI B G，et al.Contrastive analysis based on neural network of winter wheat's chlorophyll concentration inversion with hyperspectral data[J].Remote Sensing Technology and Application，2007，22（4）：492-496.