洪帅，张泽，张立福，马露露，海兴岩，王振，张辉，吕新*

（1.石河子大学农学院，新疆石河子832003；2.石河子大学生命科学学院，新疆石河子832003；3.中国科学院遥感与数字地球研究所，北京100080）

叶绿素含量是反映植被生长阶段以及营养状况的重要生化参数，也是植物总体生长状况的1 个重要指标。随着高光谱技术的不断发展，高光谱植被指数与叶片叶绿素含量的关系已被大量研究。程乾等[1]通过研究光谱指数与水稻叶片叶绿素含量的相关性，认为红边位置（Red edge po-sition，REP） 和增强植被指数 （Enhanced vegetation index，EVI） 可以作为监测水稻叶片叶绿素含量的遥感参数；祁亚琴等[2]用归一化植被指数和比值植被指数估算棉花生物量，表明基于比值植被指数建立的幂函数模型为估算棉花生物量的最佳模型。Wessman 等[3-4]利用冠层反射光谱测定植物含氮水平以及叶绿素的含量，证明高光谱技术能够对叶绿素含量进行准确估值，说明叶绿素含量与光谱特性之间具有明显的相关性。杨杰等[5]研究表明，在350～2 500 nm 的光谱波段，采取随机两两组建的形式建立多个比值与归一化光谱指数，认为由特征波段（728 nm、709 nm）构建的比值植被指数可精确估算水稻上部叶片叶绿素含量；田明璐等[6]发现在多种光谱参数建立的叶绿素相对含量（SPAD）反演模型中，使用多元逐步回归方法的模型精度高于线性回归模型。

由于作物[7-10]、地区[11-16]、栽培方式和生育时期的不同，前人所建立的拟合模型也不相同，所以有必要研究西北地区滴灌棉花不同生育时期的叶绿素含量估测模型。本研究以新疆北疆主栽棉花品种新陆早45[17]为研究对象，利用高光谱数据进行相关分析，研究冠层高光谱数据与冠层叶片叶绿素含量的关系，利用其相关性构建叶绿素含量的高光谱估测模型，以期为滴灌棉花大规模长势监测提供依据和方法。

1 材料与方法

1.1 试验设计

试验于2017年在新疆玛纳斯县六户地镇进行。供试棉花品种为新陆早45 号（松散型、叶色偏淡）。小区覆膜，膜宽2.05 m，栽培模式为“1 膜3 管6 行”，行距配置为（10＋66＋10＋66＋10）cm，株距10.5 cm。试验地种植方式为棉花连作，东西行向，两侧设置保护区。每个小区面积为25 m2（10 m×2.5 m），完全随机区组设计，重复3次，小区间设隔离带。施氮量设5 个水平，即0、120、240、360、480 kg·hm－2纯氮，分别以N0、Nl、N2、N3、N4 表示，其中N0 为对照（常规大田高产施纯氮量介于240～360 kg·hm－2，为比较氮素水平对叶绿素含量的影响，采用N0 为对照；因为若以高产肥量做对照，只能比较高肥、低肥量相较于高产肥量三者之间的不同，无法分清楚每个氮素梯度的影响）。灌溉定额为当地滴灌棉田一般灌溉量，其他田间管理均按高产栽培要求进行。

1.2 光谱数据获取

棉花冠层高光谱数据由Field SpecPro FR2 500 型背挂式野外高光谱辐射仪（Analytical spectral devices，美国ASD 公司）采集。该光谱仪波段范围为350～2 500 nm，采样间隔为1 nm。各生育时期尽量选择在晴朗无云、无风或风速很小的天气进行冠层光谱测定，测定当天的时间范围控制在12∶00—14∶00。测量时传感器探头垂直向下，光谱仪视场角为25°，距棉花冠层顶垂直高度约为1 m。每个小区采集3 个点，每个点采集5条光谱数据，最后用5 条数据的平均值作为该小区采样点的光谱值。为保证测量精度，对每组目标在观测前后均进行标准白板校正，以减少云层及太阳高度变化等对光谱反射率的影响。

1.3 叶绿素含量的测定

试验所有棉花植株均从苗期开始取样，共计9 次，取样时间分别为出苗后的第37、45、56、71、83、93、103、113、124 天。在每试验小区连续选取有代表性的棉株3 株为样本，每个样本采集棉株主茎倒2 叶，并用保鲜袋迅速冷藏封存，在实验室对鲜叶片进行叶绿素含量的测定。叶绿素测定方法采用丙酮、乙醇和水（体积比4.5∶4.5∶1）的混合液浸提，浸提后用721 型紫外分光光度计测其吸光值。计算公式如下：Ca＝12.7×E663－2.69×E645；Cb＝2 2.9×E645－4.68×E663；CT＝Ca＋Cb＝8.02×E663＋20.21×E645.式中：Ca、Cb分别是叶绿素a、叶绿素b 含量值，CT为总叶绿素含量，单位为mg·L－1；E663为叶绿素浸提液在紫外分光光度计663 nm 处吸光度值，其余类似。

1.4 高光谱参数的选择

光谱指数与叶片色素或光合作用以及植物的水、营养状态等有关。光谱波段组合的选取参照一定的物理基础，可以部分消除环境背景的影响，提高对目标参数的敏感性。本研究根据棉花冠层叶片的光谱特征，结合前人研究，选取了对叶绿素含量响应敏感的波段，构成12 种指数进行分析。具体计算公式见表1。

表1 光谱指数计算公式Table 1 Spectral index formula

1.5 数据处理

分析出苗后第56 天（现蕾初期，T1）、第93天（盛蕾期、T2）、第103 天（花铃期、T3）、第124天（吐絮期、T4）4 个时期的光谱反射率和叶绿素含量的相关规律；将地物点在不同波段的反射率数据进行线性或非线性地组合计算可以得出各种光谱指数，挑选出对叶绿素含量高度敏感的光谱指标，比较多种拟合方法确立棉花叶绿素含量的光谱模型，采用均方根误差（RMSE）和决定系数（R2）检验建立的指数优选估测模型，R2越接近1，RMSE越小，则模型拟合度越好。对每个生育时期所筛选的估算模型进行验证，同时绘制叶片叶绿素含量实测值与估算值之间散点图。本研究数据分析在软件SPSS19.0 和Microsoft excel 2007 中完成，图像分析在Origin 8.0 软件中完成。

2 结果与分析

2.1 不同施氮量处理下滴灌棉花冠层叶片叶绿素含量的变化特征

图1 滴灌棉花不同施氮水平棉花叶片叶绿素含量Fig.1 Chlorophyll content in cotton leaves with different nitrogen application levels

由图1 可以看出，出苗后不足60 d 时，N0 处理下棉花冠层叶片叶绿素含量不低于其他施肥处理，说明土壤中的养分足以供应棉花苗期的生长发育。从出苗第45 天起，棉花进入快速生长发育期，高氮施肥处理下的叶绿素合成加快。从第56 天起，高施氮量处理的叶绿素含量变化异常。通过分析整个生育期的气象、病虫害资料和田间观测数据，发现第56～93 天期间棉花大田中病虫害较为严重，以棉蚜为主，导致棉花叶片叶绿素含量降低；棉蚜消退后，叶绿素含量升高。

2.2 大田不同生育时期滴灌棉花冠层光谱特征

由图2 可知：棉花光谱曲线呈现出典型植被特征，在550 nm 处出现反射峰，在720～1 300 nm 近红外波段为显著的高反射范围。波长1 300～1 400 nm 近红外波段和1 800～1 950 nm近红外波段由于大气中水分吸收光的作用，光谱曲线出现强烈噪声，并且在1 200～1 400 nm 波段内反射率呈现急剧下降趋势。滴灌棉花不同生育时期的冠层反射率在350～720 nm 和1 850～2 500 nm 波段内差异不明显，但在720～1 800 nm 近红外波段有明显差异；在760～1 350 nm 差异最明显，呈现出花铃期反射率最高，吐絮期反射率最低。盛蕾期反射率低于现蕾期，因为盛蕾期大面积发生棉叶螨，导致棉花叶片冠层受害严重，光谱反射率降低。

图2 大田不同生育时期滴灌棉花冠层反射率光谱Fig.2 Canopy reflectance spectrum of cotton under drip irrigation at different growth stages in field

2.3 滴灌棉花冠层叶片叶绿素含量与光谱指数的相关性

由表2 可知，现蕾期光谱指数VOG1与叶绿素含量呈显著正相关，相关系数达到0.944；盛蕾期相关最显著的光谱指数也是VOG1，相关系数达到0.907；花铃期相关性好的光谱指数是VOG1、VOG2、SDr，相关系数分别为0.895、－0.917、－0.902；吐絮期相关性好的光谱指数是VOG1、Db，相关系数分别为0.930、0.900。4 个时期棉花冠层叶片叶绿素含量与VOG1相关性均较好。

表2 不同生育时期叶绿素含量和光谱指数的相关系数Table 2 Correlation coefficients of chlorophyll contents and spectral indexes at different growth stages

2.4 滴灌棉花冠层叶片叶绿素含量估算模型的构建

以叶绿素含量为因变量，将0.05 水平显著性检验相关性最好的3 种光谱指数作为自变量，分别构建一元线性回归模型。现蕾期选择RVI、VOG1、REIP；盛蕾期选择Dr、VOG1、VOG2；花铃期选择VOG1、VOG2、SDr；吐絮期选择VOG1、Db、SDb。以棉花冠层叶片叶绿素含量为因变量，选取通过0.05 水平显著性检验的光谱指数作为自变量，构建多元逐步回归模型，记作R-MSR。经过多次检验，根据决定系数R2最接近1 和RMSE最小，且自变量数目尽可能精简的原则，在现蕾期入选的指数为VOG1、Dr，盛蕾期入选的为VOG1，花铃期入选的为VOG2、SDr，吐絮期入选的为VOG1。R-MSR模型中，x1、x2为入选的光谱指数。

优选的光谱指数与叶绿素含量构建的线性回归模型如表3 所示，每个生育时期选择的指数拟合模型的决定系数均有达到0.8 以上的，说明筛选的参与回归模型建立的各光谱指数都显著包含可估测叶片叶绿素含量的信息。现蕾期和花铃期的R-MSR模型的精度要高于单变量回归模型。在盛蕾期和吐絮期多元逐步回归模型建立中，只有1 个指数入选。因此，每个时期精度最好的模型都为多元逐步回归模型，且模型的决定系数都高于0.8，均方根误差（RMSE）均小于0.1，表现出较高的精度。

2.5 模型检验滴灌棉花冠层叶片叶绿素含量估测模型的精度检验

利用20 条检验样本数据 （每个生育时期5条）进行模型估测值和实际值拟合分析，使用拟合方程的决定系数（R2）、均方根误差（RMSE）检验模型的估测能力和精度，结果如表4、 图3 所示。从表4 可以看出，4 个生育时期的模型决定系数都高于0.62，现蕾期的超过0.8，RMSE为0.11。因此，认为模型精度较好。综上所述，构建的不同生育时期棉花冠层叶片叶绿素含量估测模型是可行的，可以根据采集冠层光谱数据的生育时期择优选取估测模型。

表3 叶绿素含量和光谱指数的反演模型Table 3 Inversion model of chlorophyll content and spectral index

表4 叶绿素含量估算模型的检验结果Table 4 Test results of chlorophyll content estimation model

3 讨论

目前，使用高光谱数据建立经验模型来反演作物的生理参数已经得到认可，模型的精准度也越来越高。但大部分前人的研究都是对作物整个生育期进行建模研究[18-26]，而作物不同生育时期生长发育的表观色泽、形态、理化参数都能够干扰高光谱仪器的测量。因此，本研究使用便携式光谱仪进行各生育时期的监测，并用于反演滴灌棉花冠层叶片叶绿素含量，得出了不同生育时期的冠层叶片叶绿素含量的反演模型，取得较好效果，为农业遥感的应用提供了理论支持。

图3 建模样本棉花叶片叶绿素估测值和实测值拟合结果Fig.3 Fitting result of chlorophyll estimation and measured value of cotton leaf in sample

棉花冠层叶片叶绿素含量高光谱反演模型没有确定的标准化模型，不同种作物的最佳反演模型无法通用，同种作物的最佳反演模型，也因天气、地理、品种、长势、监测仪器、大田管理等的不同而不同。本试验受限于天气、空间、设备、技术等多方面影响，没有获得更为详细的高光谱数据，得出的反演估测模型也受限于此次测量结果。此外，本次试验每个生育时期建模样本数量较低。本年度叶绿素数据采集了8 次，总计120条数据，但是只用到60 条数据，每个模型的建立基于15 条数据，数据量较少，影响精准度。

本试验为1年试验，试验数据受到大田中病虫害的影响：叶绿素含量在病虫害发生期间波动反常，数值下降；同时期的光谱反射率出现异常下降现象，对比文献[18-26]与大田当时实际生产资料发现，规模较大的棉蚜发生时会产生大量的蚜虫分泌物，较多的分泌物堆积会使叶面出现黝黑发亮的现象，导致光谱反射率降低。本试验完全采用大田种植管理，天气、水分、日照、虫害均与大田种植一致，故虫害的发生反而会使模型的估测值与真实值更加相近。本试验在4 个棉花生育关键时期的数据，包含了病虫害发生时和正常生长时的数据值。棉花大田种植无法避免主要病虫害的发生，因此基于正常大田栽培建立的棉花冠层叶片叶绿素估测模型更加适用于大田监测，更具有广谱性。最终建立的不同生育时期的模型中，盛蕾期决定系数最低（R2＝0.823），而新疆北方大田中棉蚜大规模爆发时期就是在此阶段，猜测病虫害导致了此时期模型决定系数的下降。本试验中，病虫害导致叶绿素、光谱反射率、模型精度降低，但受限于本试验的时间等问题，无法深入探究此问题，后期将开展相关研究，进而期待为精准农业提供帮助。

4 结论

本研究以滴灌棉花冠层叶片光谱数据和冠层叶绿素含量数据为基础，揭示了氮素水平对叶绿素含量的影响，也分别分析了12 种光谱指数和不同生育时期的叶绿素含量的相关关系，在此基础上选择相关性好的光谱参数构建线性回归模型和多元逐步回归模型，得到了下面结论：（1）不施肥土壤中的氮素养分只能保证苗期棉花的叶绿素合成不受限制，进入下一阶段的生长发育后，氮素不足成为限制叶绿素合成的因素之一；棉蚜爆发，也会使叶绿素含量降低。（2）棉花的4个生育时期（现蕾期、盛蕾期、花铃期和吐絮期）中冠层叶片叶绿素含量都与Vogelmann 红边指数1（VOG1）相关，相关系数分别是0.944、0.907、0.895、0.930。（3）大田种植时不同生育时期的棉花叶片叶绿素模型有很大差异。所建立模型的决定系数由高到低依次为现蕾期＞花铃期＞吐絮期＞盛蕾期。建立的现蕾期模型（y＝82.509x1＋89.937x2－94.438） 精度与准确度均是最好的，模型检验R2达到0.843。此外，还发现病虫害的发生会降低模型精度。