马文君，常庆瑞，田明璐，班松涛

（西北农林科技大学资源环境学院，陕西杨凌712100）

棉花全生育期叶片SPAD值的遥感估算模型

马文君，常庆瑞，田明璐，班松涛

（西北农林科技大学资源环境学院，陕西杨凌712100）

叶绿素含量是评估棉花生长状况的重要参数，估算叶绿素含量对于棉花生长监测具有重要意义。以渭北旱塬区种植的棉花为试验材料，测量全生育期棉花叶片SPAD值与冠层反射率光谱，将原始高光谱反射率、一阶微分光谱反射率、不同波段组合的遥感光谱参数分别与SPAD值做相关性分析，用传统回归分析方法构建五种重要光谱参数的SPAD值预测模型，同时，采用PLSR方法建立全生育期SPAD值的估算模型。最后对模型进行检验，筛选出精度最高的模型。建模结果表明，基于多种光谱参数的全生育期PLSR预测模型精度最高、预测效果最好，估算模型的决定系数 R2为0.733，验证模型 R2为0.737。PLSR方法建立的多光谱参数的SPAD值估算模型预测效果显著，利用高光谱技术对棉花SPAD值进行监测，可为全生育期棉花长势遥感监测提供依据。

高光谱遥感；估算模型；PLSR；SPAD值；全生育期

1 材料与方法

1.1 研究区概况

试验于2014—2015年在渭北旱塬区的乾县梁山乡三合村（108°7′6″E，34°38′33″W）进行，当地属暖温带半干旱、半湿润大陆性季风气候，年降水量为550～730mm，年日照时数1 900～2 533 h，坡度0～5°。该区土壤类型主要是土和黄土，分别占到56.96%、40.63%，此外，褐土、黑垆土和潮土共占2.41%。因水土流失严重，导致土壤贫瘠，农业基础薄弱，严重制约农业可持续发展。研究区前茬作物棉花，供试品种为鲁棉研28号。本研究设计46个实验小区，小区大小为5 m×6 m。土壤肥力中等，含速效钾 212.9mg·kg－1，速效磷 14.33mg·kg－1，速效氮 18.3mg·kg－1，全氮 0.08%，全磷 0.08%，全钾1.5%。棉花种植方式为地膜覆盖垄种，采用大田常规管理方式。

1.2 数据获取

1.2.1 棉花冠层高光谱数据的测量 本试验采用SVCHR1024i便携式全波段地物光谱仪采集棉花冠层高光谱数据，光谱范围350～2 500 nm，其中350～1 000 nm区间光谱分辨率为1.4 nm，1 000～1 850 nm区间光谱分辨率为3.8 nm，1 850～2 500 nm为2.4 nm，选择晴朗无云无风天气的 10∶00至 14∶00，在每个小区选取3个具有代表性的、均匀的无病虫危害的样点，共138个样点。在棉花的成长全生育期进行冠层高光谱测量，每次测定均进行参考白板的标定，传感器探头垂直向下，距离棉花冠层顶部约50 cm，光谱扫描时间设为3 s，每样点测3～5条完整曲线，最后取其均值作为该样点的平均反射光谱，取各小区所有样点反射光谱的平均值作为小区平均反射光谱。

1.2.2 SPAD值的测量 本试验采用SPAD仪进行SPAD值田间即时测定。在测定光谱的样点处，选择棉花冠层第二、三片叶片进行测量，共测定138个样点，每个样点随机测量10个SPAD值，取其平均值作为该样点的冠层叶绿素值。为减小误差，在每片叶子的中部选取均匀分布的10个点，测量时避开叶脉部分。SPAD测量时间与光谱数据采集同步。

1.3 数据处理

1.3.1 高光谱图像信息选择 为了剔除土壤背景、大气散射的影响和提高不同吸收特征的对比度［17］，在实际分析处理高光谱数据的过程中，需要对原始高光谱数据进行各种变换［18］。基本的变换形式主要是微分变换、对数变换和对数的微分变换。

将得到的原始反射光谱曲线先用SVC HR－1024i软件做 Overlap／Matching处理，得到光滑完整的光谱曲线，再采用Origin对反射光谱做一阶微分处理以消除噪声影响、减小误差，其计算公式：

论专利独占被许可人的诉权 ..................................张 轶 01.19

式中，λi为通道i处的波长值；R（λi）为波长λi处的光谱反射值；Δλ为相邻波长间隔。

1.3.2 遥感光谱参数选择 通过不同波段反射率的线性或非线性组合变化进行遥感光谱参数提取，可以有效削弱背景信息对植被光谱特征的干扰，提高遥感数据表达叶绿素含量的精度。本文提取了22种对叶绿素含量敏感的宽波段光谱指数［19］和7种红边参数［21－22］来构建棉花冠层叶片 SPAD值估算模型。光谱参数计算方式见表1。

表1 遥感光谱参数及其计算公式Table 1 Remote sensing spectral variables andcalculating formulas

1.3.3 特征光谱建模预测 将上述29种光谱参数与SPAD值进行相关分析，选取相关性最大的遥感光谱参数进行建模。全生育期观测得到920个样本，其中800个作为测试样本，120个留作检验样本。

2 结果与分析

2.1 SPAD值与冠层光谱反射率的相关性

2.1.1 SPAD值与原始冠层光谱相关性 将棉花原始冠层光谱反射率与叶片SPAD值进行单相关分析（样本数 n＝800），结果如图1所示。由图1可知，棉花叶片SPAD与冠层光谱反射率在红边741.2～1 351.1 nm的正红外波段呈极显著正相关（99%置信水平，相关系数｜r｜＞0.091），在 509.3～643.9 nm的绿－红波段、686.9～733.3 nm的红波段，以及1 370.3～2 500 nm的近红外波段呈极显著负相关（99%置信水平，｜r｜＞0.091），这主要是叶绿素在此光谱区间的特殊收敛反射性能所决定的。其中，SPAD值的敏感波段出现在 708.2 nm（r＝－0.533）。2.1.2 SPAD值与一阶微分光谱相关性 将棉花冠层光谱反射率作一阶微分后与叶片SPAD值进行相关分析，结果如图2所示。从图2可以看出，SPAD值与光谱一阶微分的相关性整体上优于原始光谱的相关性。波长 510.7～545.5 nm的绿波段、564.9～624.9 nm的绿红波段、689.5～706.9 nm和 717.5～760.8 nm的红波段的｜r｜均大于图1中的最高值0.533，其中反映 SPAD含量的敏感波段出现在734.7 nm处，r＝0.6992。

图1 棉花叶片SPAD值与冠层原始光谱的相关性Fig.1 Correlation between leaf SPAD value and cotton’s canopy raw spectral reflectance

2.2 棉花叶片光谱参数与SPAD相关性

根据表1计算各种光谱参数，并与SPAD值进行相关性和显著性分析，得到表2。29个光谱参数中只有6个与SPAD值相关性未通过95%置信区间显著性检验；2个达到显著相关水平；多达21个为极显著相关水平，即光谱参数与SPAD值通过99%置信区间的显著性检验。

由表2可以看出，与全生育期棉花叶片SPAD相关性最好的几个光谱参数其相关系数从高到低依次为 MCARI、MCARI／OSAVI（0.671）、λr（0.669）、MTCI（0.665）、VARI（700）（0.658）。其中，MCARI、MCARI／OSAVI、VARI（700）与 SPAD值都是显著负相关；λr、MTCI与SPAD值呈显著正相关。这几个光谱参数的计算都与红光波段有关，而红光波段正是叶绿素的强吸收波段，表明这五个光谱参数对SPAD值的变化有较好的表征作用。

图2 棉花叶片SPAD值与一阶微分光谱的相关性Fig.2 Correlation between cotton’s leaf SPAD value and first derivative reflectance

2.3 棉花叶片SPAD值估算模型构建

利用冠层光谱数据对SPAD值进行估算时，采用两种方法建模：（1）选取对SPAD值相关性最显著的五个特征光谱参数（MCARI、MCARI／OSAVI、MTCI、VARI和λr）为自变量，构建 SPAD值估算模型。（2）应用PLSR［20］对全生育期800个样本的光谱特征参数建立棉花冠层叶片的SPAD值预测模型。建模结果见表3。

表2 棉花全生育期各光谱参数与SPAD的相关性Table 2 Correlation between leaf SPAD values of cotton and spectral variables at the whole growth period

表3 棉花全生育期叶片SPAD值的预测模型Table 3 SPAD value estimationmodels of cottonleave at the whole growth period

由表3可以看出，由传统回归分析方法建立的模型决定系数 R2都较低，由PLSR建立的模型 R2最高，达到0.733，说明PLSR方法建立的SPAD预测模型参考价值高，方程拟合度高。

2.4 模型检验

为了检验传统线性回归和PLSR两种方法的建模效果，选用120个检验样本对不同输入变量的模型精度进行检验，采用决定系数 R2、均方根误差RMSE和回归方程斜率三个指标来检验全生育期模型的预测能力，决定系数 R2和斜率绝对值越接近1，RMSE值越小，说明预测模型精度越高。模型检验结果见表4和图3。

由表4可知，用传统回归分析构建的五个一元线性回归方程和多元回归方程的验证模型R2都较低，都在0.53左右，均方根误差RMSE值高；而PLSR方法建模对应的验证模型 R2大（0.7370），RMSE最小，回归方程斜率最接近 1（0.762）。综合考虑，SPAD－PLSR模型相较于其它模型有明显的优势，能有效地对SPAD值进行估测。比较传统回归模型中的一元和多元线性模型，传统多元回归所对应的RMSE较小，回归方程斜率较大，说明多元回归模型比一元线性模型预测能力好；再比较传统回归方法构建的五个一元模型，SPAD－VARI（700）的 R2最大，但是其 RMSE也最大，同时回归方程斜率仅0.553，说明该模型预测精度不高；SPAD－MCARI模型的 R2仅次于 SPAD－VARI（700），同时均方根误差在五个模型中最小、回归方程斜率最接近于1，说明SPAD－MCARI模型在传统一元回归模型中精度最高、预测能力最好。

表4 SPAD值估算模型精度检验Table 4 Accuracy test of estimationmodels of SPAD value

图3 SPAD值的预测值与实测值分布Fig.3 Distribution of estimated and measured SPAD values

由图3可知，比较传统一元回归分析方法构建的五个模型，得到MCARI为自变量的模型其SPAD值预测值与实测值最接近，证明SPAD－MCARI模型在传统一元线性回归分析方法建立的模型中精度最高、对全生育期SPAD值的估测能力最好。比较一元回归模型与多元回归模型，得到多元回归模型预测值与实测值分布更集中，说明多元回归模型比一元回归模型预测精度高。比较不同方法建立的所有模型，可以看到用PLSR方法构建的模型实测值与预测值分布更集中、更接近1∶1线，说明SPADPLSR模型优势更明显，因此确定SPAD－PLSR模型为预测棉花冠层SPAD值的最佳模型。

3 讨论与结论

棉花冠层原始光谱反射率数据、一阶微分光谱数据与SPAD的相关性都较高，可以用来估算SPAD值。对于原始反射光谱，SPAD值的敏感波段发生在708.2 nm处；对于一阶微分光谱，SPAD含量的敏感波段发生在734.7 nm处。一阶微分光谱与SPAD的相关性整体上比原始光谱反射率数据做的相关性结果更好，这是由于微分消除了背景、大气散射的影响，并提高了不同吸收特征的对比度。

利用冠层光谱数据对SPAD值进行估算时，通常以原始光谱和一阶微分光谱为数据源，提取遥感光谱特征参数，以光谱数据变换形式对全生育期SPAD值作线性回归分析，从而建立基于光谱参数的SPAD预测模型［21］，这与本研究的第一种建模方法一致，而采用PLSR对全生育期重要光谱参数建模并检验，其预测值与实测值之间的分布更集中、更接近1∶1，说明其模型预测效果更好。因此SPADPLSR估算模型对棉花生长全生育期的冠层SPAD值估测更适用，这对指导棉花种植与生产具有积极指导作用，可为棉花遥感监测提供依据。在SPAD值预测模型参数选择方面，之前的学者应用最多的是由一阶微分提取的红边参数［22］，而本研究中与SPAD值相关性最好的光谱参数是MCARI、MCARI／OSAVI，造成这种差异的原因可能是地域不同、光照条件不同或是背景复杂情况不同。本文用常规线性回归对SPAD值构建的预测模型中，预测效果最好的是 SPAD－MCARI模型：y＝－64.33x＋61.822，R2＝0.461，模型精度检验结果与其它的相比，R2最大、RMSE最小。因此，SPAD－MCARI模型相较于其它模型有一定的优势，可以应用到精度要求不高的平台。

本研究用PLSR方法构建的SPAD值估算模型样本数量丰富、预测精度高，以全生育期详实的田间棉花基础数据建模，提高了估测模型的可靠性，为渭北旱塬区估测棉花冠层叶绿素提供了参考方法，为全生育期棉花长势的高光谱遥感监测提供依据，为解决当地粮食问题、农民增收和加快农村经济发展有着重要的现实意义。

［1］ 姚 霞，吴华兵，朱 艳，等.棉花功能叶片色素含量与高光谱参数的相关性研究［J］.棉花学报，2007，19（4）：267-272.

［2］ 赵艳茹，余克强，李晓丽，等.基于高光谱成像的南瓜叶片叶绿素分布可视化研究［J］.光谱学与光谱分析，2014，（5）：1378-1382.

［3］ 丁希斌，刘 飞，张 初，等.基于高光谱成像技术的油菜叶片SPAD值检测［J］.光谱学与光谱分析，2015，（2）：486-491.

［4］ 孔 振，施晓灯，何安国，等.不同施肥种类毛竹叶片色素含量及反射光谱相关性研究［J］.福建林业科技，2013，（3）：18-24.

［5］ 刘秀英，熊建利，林 辉.基于高光谱特征参数的樟树叶绿素含量的估算模型研究［J］.广东农业科学，2011，（5）：1-4.

［6］ 孙 莉，陈 曦，包安明，等.用高光谱数据诊断水分胁迫下棉花冠层叶片氮素状况的研究［J］.棉花学报，2004，16（5）：291-295.

［7］ 潘文超，李少昆，王克如，等.基于棉花冠层光谱的土壤氮素监测研究［J］.棉花学报，2010，22（1）：70-76.

［8］ 邓念武，徐 晖.单因变量的偏最小二乘回归模型及其应用［J］.武汉大学学报（工学版），2001，34（2）：14-16.

［9］ 杨国栋.基于变量筛选的偏最小二乘回归方法及其应用［D］.中南大学，2013.

［10］ 王纪华，黄文江，劳彩莲，等.运用PLS算法由小麦冠层反射光谱反演氮素垂直分布［J］.光谱学与光谱分析，2007，27（7）：1319-1322.

［11］ 陈君颖，田庆久，施润和.水稻叶片叶绿素含量的光谱反演研究［J］.遥感信息，2005，（6）：12-16.

［12］ 贺可勋，赵书河，来建斌，等.水分胁迫对小麦光谱红边参数和产量变化的影响［J］.光谱学与光谱分析，2013，33（8）：2143-2147.

［13］ 李岚涛，马 驿，魏全全，等.基于高光谱的冬油菜植株氮素积累量监测模型［J］.农业工程学报，2015，31（20）：147-156.

［14］ 蒋桂英.新疆棉花主要栽培生理指标的高光谱定量提取与应用研究［D］.湖南农业大学，2004.

［15］ 黄春燕.基于高光谱数据的北疆棉花遥感监测研究［D］.石河子大学，2005.

［16］ 王克如，潘文超，李少昆，等.不同施氨量棉花冠层高光谱特征研究［J］.光谱学与光谱分析，2011，31（7）：1868-1872.

［17］ 朱逢乐.基于光谱和高光谱成像技术的海水鱼品质快速无损检测［D］.浙江大学，2014.

［18］ 祁亚琴，吕 新，陈冠文，等.基于高光谱数据提取棉花冠层特征信息的研究［J］.棉花学报，2011，23（2）：167-171.

［19］ 李粉玲，王 力，刘 京，等.基于高分一号卫星数据的冬小麦叶片 SPAD值遥感估算［J］.农业机械学报，2015，46（9）：273-281.

［20］ 陆洪涛.偏最小二乘回归数学模型及其算法研究［D］.华北电力大学，2014.

［21］ 秦占飞，常庆瑞，申 健，等.引黄灌区水稻红边特征及SPAD高光谱预测模型［J］.武汉大学学报（信息科学版），2016，41（9）：1-8.

［22］ 袁 杰.基于高光谱红边参数定量提取棉花冠层特征信息的研究［D］.石河子：石河子大学，2007.

Remote sensing estimation model of cotton leaf SPAD value at the whole grow th period

MAWen-jun，CHANGQing-rui，TIANMing-lu，BAN Song-tao
（College of Nɑturɑl Resourcesɑnd Environment，Northwest A＆F University，Yɑngling，Shɑɑnxi 712100，Chinɑ）

Chlorophyll concentration is an important parameter to evaluate cotton’s growth conditions.So it is significant to estimate chlorophyll content formonitoring of cotton growth information.Thematerials of this research was the cotton in field inWei-bei plateau region.Firstly the SPAD valuewasmeasured with SPAD－502 in field，and the spectral reflectance of canopy wasmeasured with SVCHandheld spectrometer.Then the correlation was analyzed between the SPAD value and single narrow band raw reflectance，or the first derivative spectral reflectance，or spectral indices combined from differentband.The predictionmodelwas established with 5 representative spectral indices.At the same time，the simulationmodel of remote sensing of canopy SPAD value at thewhole growth period in cotton was estimated based on PLSRmethod.Finally，the highest precisionmodelwas filtered out by testing.The result showed that themodel based on various spectral indiceswith PLSRmethod obtained themost satisfing results for the estimation of chlorophyll concentration，R2of the estimationmodel is 0.733，R2of the verificationmodelwas up to 0.737.The remote sensingmodels at thewhole growth stage in cotton builtwith PLSRmethod based on important spectral indices provides a basis formonitoring cotton crop growing trend and forecasting production with reliable forecast.

hyperspectral remote sensing；estimationmodel；PLSR；SPAD value；thewhole growth period

TP79

A

1000-7601（2017）05-0042-07

10.7606／j.issn.1000-7601.2017.05.07

2016-06-06

2016-10-20

国家高技术研究发展计划（863计划）项目（2013AA102401－2）

马文君（1991—），女，浙江平湖人，硕士研究生，研究方向为遥感与GIS应用。E-mail：viviennemwj＠126.com。

常庆瑞（1959—），男，教授，博士生导师，主要从事遥感与 GIS应用研究。E-mail：changqr＠nwsuaf.edu.cn。