不同生育期冬小麦高光谱数据与SPAD值的相关分析

鲁东大学学报( 自然科学版) Ludong University Journal( Natural Science Edition)2014， 30( 4) : 325329 收稿日期: 2014- 09- 16; 修回日期: 2014- 10- 08 基金项目: 国家自然科学基金( 51309016， 51179162) ; 湖北省自然科学基金( 2013CFB401) ; 中央级公益性科研院所基本科研业务费 资助项目( CKSF2014041/NS) ; 国家科技支撑计划资助项目( 2011BAD29B01) 作者简介: 姚付启( 1981) ， 男， 山东费县人。工程师， 博士， 研究方向为农业节水与农业信息技术。E mail: fuqiyao163163 com。 通讯作者: 蔡焕杰( 1962) ， 男， 山东藁城人。教授， 博士研究生导师， 研究方向为农业节水和水资源高效利用研究。E mail: caihj nwsuaf edu cn。 不同生育期冬小麦高光谱数据与 SPAD 值的相关分析 姚付启1， 2， 蔡焕杰2， 张振华3， 涂人猛4 ， 乔 伟1 ( 1 长江科学院农业水利研究所， 武汉 430010; 2 西北农林科技大学旱区农业水土工程教育部重点实验室， 陕西 杨凌 712100; 3 鲁东大学地理与规划学院， 山东 烟台 264039; 4 湖北省社会科学院经济所， 武汉 430000) 摘要: 利用 ASD 便携式野外光谱仪和 SPAD 502 叶绿素计实测了冬小麦冠层的高光谱反射率与 SPAD 值 建 立了基于归一化植被指数( NDVI) 与比值植被指数( VI) 不同生育期冬小麦 SPAD 值估算模型 结果表明: 从 返青期到灌浆期， 可见光波段， 冠层光谱反射率与 SPAD 值负相关， 在 “红边” 处， 由负相关变成正相关 一阶导 数光谱与 SPAD 值相关系数在有些波段要高于冠层原始光谱与 SPAD 值的相关系数 在返青期， NDVI 与 VI 估算效果相当( 估算模型 2分别为 0. 7957， 0. 8027) 在拔节期、 抽穗期、 灌浆期，NDVI 估算效果较好( 估算 模型 2分别为 0. 8096， 0. 7557， 0. 5033) 关键词: 冬小麦; 叶绿素含量; 高光谱遥感 中图分类号: S311文献标志码: A 文章编号: 1673- 8020( 2014) 04- 0325- 05 叶绿素在光合作用过程中直接影响到植物的 光能利用率 同时， 叶绿素含量还是植被营养胁 迫、 光合能力强弱和衰老进程的指示剂13 因此 监测植被叶绿素含量水平， 对于植被生长情况诊 断、 水肥调控等均具有重要的意义 传统的作物色 素监测方法一般基于破坏性取样和有机溶剂提取 湿化学分析方法4 ， 在时间或空间上难以满足实 时、 快速、 无损、 准确诊断的要求 近年来， 随着高 光谱分辨率遥感技术的发展， 可以直接对地物进 行微弱光谱差异的定量分析， 在作物叶绿素含量、 叶面积指数等生理生态参数的估算研究中优势 明显 57 目前， 国内外学者对高光谱数据估测冬小麦 叶绿素含量已做了大量研究 Hansen 等 8 研究表 明， 小麦 680 750 nm 的高光谱反射率与叶绿素 等变量有较好的相关性 赵祥等 9 应用偏最小二 乘回归方法， 建立了冬小麦冠层波谱与叶绿素含 量的回归反演计算模型， 模型在 350 1060 波段 具有较高的反演精度 冯伟等 10 建立的归一化角 度指数能够准确估算病害冬小麦冠层叶绿素浓 度 综上所述， 利用光谱数据检测农作物的叶绿素 含量方面已经取得了很大进展 但通常特定的试 验条件与特定的作物类型所建立的光谱估算模型 在应用于其他作物或在不同环境条件下同种作物 处在不同的生理状态时需要进行订正， 同时由于 越来越多的传感器运用于遥感估算， 有必要检验 现有方法的有效性 此外， 传统的基于高光谱的冬 小麦叶绿素含量估算模型在不同生育期是否存在 差异性研究较少 11 基于此， 本文以不同水氮条 件下的大田试验资料为基础， 分析了不同生育期 冬小麦冠层光谱反射率、 导数光谱与 SPAD 值的 相关性， 建立了基于归一化植被指数( NDVI) 与比 值植被指数( VI) 不同生育期冬小麦 SPAD 值估 算模型， 以期为遥感准确检测冬小麦叶绿素含量 及其生长状况提供科学依据 1材料与方法 1. 1试验地概况 试验于西北农林科技大学教育部旱区农业水 土工程重点实验室的灌溉试验站( 东经 10824， 北纬 3418， 海拔 521 m) 进行 该站位于陕西省 关中地区， 地下水埋深较大， 所以忽略地下水补给 326鲁东大学学报( 自然科学版)第 30 卷 量 属于大陆性暖温带季风气候， 全年平均无霜期 212 d， 多年平均气温 12. 9， 多年平均降水量 635. 1 mm， 年均蒸发量 1500 mm 试验地土壤质 地为中壤土， 1 m 土层平均田间持水量为 23% 25%， 凋萎含水率为 8. 5% ( 以上均为质量含水 率) ， 平均干容重为 1. 44 g/cm3 耕层土壤( 0 25 cm) 的基本肥力 ( 质量分数) : 土壤有机质 15. 28 g/kg， 全氮 0. 87 g/kg， 全磷 0. 74 g/kg， 全 钾 17. 64 g/kg， 速效磷 80. 5 mg/kg， 硝态氮 85. 32 mg/kg 土壤肥力中等偏上 1. 2实验设计 供试作物为冬小麦， 品种为 “小偃 22 号 ” 、 “秦 农142 ” 、 “ 郑麦9023” 试验设4 个施肥水平， 分别为 0， 60， 120， 180 kg hm 2 纯氮， 五氧化二磷 240 kghm 2， 播种时一次全部施入 设置 2 个灌溉水 平， 分为充分灌溉、 水分亏缺 小麦于 2009 年 10 月 17 日播种， 2010 年3 月3 日返青， 6 月9 日成熟收获 2010 年10 月17 日播种， 2011 年3 月6 日返青， 2011 年6 月7 日成熟收获 试验为随机区组排列， 试验小 区面积( 3 m 4 m) ， 行距25 cm， 设4 个重复 1. 3光谱测量 采用美国 ASD 便携式野外光谱仪 ( ASD FieldSpec HandHeld) 对冬小麦冠层进行光谱测 定， 光谱仪波段范围为 325 1075 nm， 光谱分辨 率 3. 5 nm， 光谱采样间隔 1. 6 nm， 视场角 25 选 择天气晴朗、 无风或者风力很小时于北京时间 11 00 13 00 进行光谱测定 2010 年， 在各生育 期分别做 4 次光谱测量; 2011 年， 各生育期内分 别做 3 次光谱测量 各处理测定前后进行参考板 校正， 测量时传感器探头垂直向下， 据冠层垂直高 度 1m 每个处理光谱值重复采集 10 次， 把 10 组 数据的平均值作为该样品最终光谱反射率 1. 4叶绿素含量测定 叶绿素仪主要利用 650 nm 和 940 nm 中心波 段叶片透射率进行叶片叶绿素含量的测定， 其读数 SPAD 值可以较好地表征叶片绿度， 近年来在不同 作物中取得了良好的应用效果 1213 使用叶绿素 计测定冬小麦的叶绿素含量是完全可行的， 在一定 条件下可代替叶绿素含量的直接测定， 本文即用便 携式叶绿素仪 SPAD 502 测定值 SPAD 值代替叶 绿素含量 待冠层光谱测定之后， 用便携式叶绿素 仪 SPAD 502 在光谱测量范围内均匀的测量 20 个值， 求取平均值作为此小区的一个叶绿素含量 1. 5导数光谱 根据数理研究的成果， 导数光谱技术能压缩 背景噪音对目标信号的影响或不理想的低频信 号， 因而可以被应用在许多遥感研究中 对于植被 而言， 光谱数据的一阶微分有利于部分消除大气、 土壤背景、 凋落物等低频光谱成分对目标的影响， 突出目标， 反映和揭示植被光谱的内在特性， 有利 于植被指数、 叶面积指数等植被信息的定量反演 采用光谱归一化微分分析技术， 对反射光谱进行 一阶微分， 其近似计算方法如式( 1) ( i)= d( ( i) ) d = ( i+1) ( i1) 2 ， ( 1) 式中 i为每个波段的波长; ( i)为波长 i处的原 始光谱反射率; ( i) 为波长i处的一阶微分光谱; 为波长 i1到 i的间隔， 视光谱采样间隔决定 1. 6植被指数的计算 总体来说， 当前应用最为广泛的指数是归一 化植被指数 NDVI( Normal difference vegetation in- dex) 、 比值植被指数 VI( atio vegetation index) ， 其常用来估算作物的生理生态参数， 如覆盖度、 叶 面积指数、 生物量、 叶绿素含量等 1416 同时为了 使所建立模型更好的应用到 LANDSAT 卫星中 去， 利用所测高光谱数据模拟 TM3 与 TM4 波段， 即由 高 光 谱 数 据 ( 630 690 nm)和 ( 760 900 nm) 波段平均反射率分别代表 TM3 和 TM4 数据 NDVI， VI 植被指数计算公式如表 1 表 1本文中所用植被指数计算公式 名称计算公式 归一化植被指数 NDVINDVI = NI ed NI + ed 比值植被指数 VIVI = NI ed 注: NI ， ed分别代表了近红外波段( 760 900 nm) 、 红光波 段( 630 690 nm) 光谱反射率平均值 2结果与分析 2. 1冬小麦冠层原始光谱、 导数光谱与冬小麦 SPAD 的相关分析 对冬小麦叶绿素含量与光谱反射率之间相关 第 4 期姚付启， 等: 不同生育期冬小麦高光谱数据与 SPAD 值的相关分析327 性的探讨具有重要的应用价值 不同生长阶段的 冬小麦具有不同的叶绿素含量等生态特征， 这些 差异将反映在光谱反射率的变化上 基于此， 本文 分别对 2010 年冬小麦返青期、 拔节期、 抽穗期、 灌 浆期和成熟期原始光谱反射率、 导数光谱与 SPAD 值的相关性进行了分析( 返青期、 拔节期、 抽穗期、 灌浆期、 成熟期样本个数分别为 126， 130， 122， 131 和 125) 图 1 展示了 5 个时期原始 光谱反射率与 SPAD 值的相关系数变化， 从中可 以看出， 返青期、 拔节期、 抽穗期和灌浆期原始光 谱反射率与 SPAD 值的相关系数变化趋势类似 可见光波段( 350 760 nm) ， 光谱反射率与 SPAD 值呈负相关; 在 “红边” 处( 760 nm 附近) ， 相关系 数迅速变为 0， 在 “红边” 肩部达到最大值 返青期、 拔节期、 抽穗期与灌浆期导数光谱与 SPAD 值之间的相关系数在一些波段处高于原始 光谱与 SPAD 值的相关系数， 这是由于求导过程 去除了土壤背景对原始光谱的影响 相比返青期、 拔节期、 抽穗期与灌浆期 4 个时期， 成熟期光谱反 射率及其导数光谱与 SPAD 值的相关系数值较 低， 尽管导数光谱与 SPAD 值的相关性在一些波 段有一定程度提高 这种现象出现的原因可能与 随着冬小麦的成熟， 叶片变黄， 叶绿素逐渐分解， 导致冬小麦光谱信息逐渐不明显有关 这表明， 基 于高光谱信息对冬小麦 SPAD 值的反演有一定的 适宜时期， 不宜使用成熟期光谱信息 返青期 拔节期 抽穗期 灌浆期 成熟期 图 1各个生育期冠层原始光谱、 一阶导数光谱与 冬小麦 SPAD 值的相关分析 2. 2植被指数与冬小麦 SPAD 值的回归分析 由图 1 可以看出， 不同波段、 不同生育期， 冬 小麦的光谱反射率与 SPAD 值之间的相关性存在 差异 植被指数能够有效的反映植被在可见光、 近 红外波段范围内反射特征与土壤反射背景特征之 间的差异， 可以有效地综合反映与增强植被信息 通过分析 2010 年冬小麦数据， 分别建立了基于 NDVI 与 VI 的冬小麦返青期、 拔节期、 抽穗期和 灌浆期的 SPAD 值估算模型， 见表 2 同时， 采用 2011 年冬小麦返青期、 拔节期、 抽穗期与灌浆期 所得实测数据对估算模型进行了检验， 见表 3 由表 2 可知， 归一化植被指数 NDVI 与冬小 麦返青期、 拔节期、 抽穗期和灌浆期 SPAD 值的最 佳拟合方程分别为一元线性回归方程、 指数回归 方程、 指数回归方程与一元线性回归方程， 各决定 系数分别为 0. 7957， 0. 8096， 0. 7557 与0. 5033 比 328鲁东大学学报( 自然科学版)第 30 卷 值植被指数 VI 与冬小麦返青期、 拔节期、 抽穗 期和灌浆期 SPAD 值的最佳拟合方程均为对数回 归方程， 方程决定系数分别为 0. 8027， 0. 7607， 0. 5301 与 0. 4262， 回归方程决定系数 2随着生 育期的推移， 有显著变小趋势 表 2基于植被指数 NDVI 和 VI 冬小麦不同生育期 SPAD 的估算模型 生育期植被指数最佳回归方程决定系数 2样本数 n 返青期 NDVIy =48. 7482x 6. 74450. 7957 VIy = 16. 2734ln( x) 0. 86460. 8027 126 拔节期 NDVIy = 4. 3452e2. 8005x0. 8096 VIy = 20. 2710ln( x) 4. 20830. 7607 130 抽穗期 NDVIy = 2. 3793e3. 7414x0. 7557 VIy =19. 0972ln( x) + 2. 69940. 5301 122 灌浆期 NDVIy = 73. 5320 x +3. 96380. 5033 VIy = 19. 7210ln( x) + 20. 54680. 4262 131 表 3基于植被指数 NDVI， VI 冬小麦不同生育期 SPAD 值估算模型的预测性 生育期植被指数预测值与实测值回归方程决定系数 2样本数 n 返青期 NDVIy = 0. 7864x + 5. 31490. 7675 VIy = 0. 7479x + 6. 26620. 7479 129 拔节期 NDVIy = 0. 7546x + 6. 81490. 7546 VIy = 0. 7326x + 7. 49910. 7346 127 抽穗期 NDVIy = 0. 5853x + 16. 15420. 5853 VIy = 0. 3546x + 25. 13770. 3546 131 灌浆期 NDVIy = 0. 5033x + 16. 87340. 5033 VIy = 0. 3836x + 21. 03830. 3836 121 由表 3 可知， NDVI 回归模型与 VI 回归模 型在冬小麦不同生育期表现出不同的预测性能 在冬小麦生长的四个时期内， 与基于 VI 回归模 型相比， 基于 NDVI 回归模型均取得较好的预测 效果， 模型预测值与实测值之间的线性方程的决 定系 数 2四 个 时 期 分 别 为 0. 7675， 0. 7546， 0. 5853 与 0. 5033; 但也应指出， 在灌浆期， 基于 NDVI 回归模型对 SPAD 值预测的决定系数与其 他时期相应值比较较低 综上所述， 运用 NDVI， VI 植被指数可以有效反演冬小麦在不同生育期 的 SPAD 值， 优先使用 NDVI 植被指数 3结语 1)冬小麦返青期、 拔节期、 抽穗期和灌浆期 冠层原始光谱与 SPAD 值相关性类似 在可见光 波段( 350 760 nm) ， 光谱反射率与 SPAD 值呈 负相关; 在 “红边” 处( 760 nm 附近) ， 相关系数迅 速变为 0， 在 “红边” 肩部达到最大值 一阶导数光 谱与 SPAD 值相关系数在有些波段要高于冠层原 始光谱与 SPAD 值的相关系数 成熟期光谱反射 率与 SPAD 值的相关性不显著， 导数光谱与 SPAD 值的相关性在一些波段有一定程度的提高， 但相 关系数还是偏低 2)由近红外波段和可见光波段构建的 ND- VI、 VI 可以有效反演冬小麦不同生育期的 SPAD 值 其中， NDVI 与冬小麦返青期、 拔节期、 抽穗期 和灌浆期 SPAD 值之间分别存在较为理想的线性 函数、 指数函数、 指数函数和线性函数关系; VI 与冬小麦返青期、 拔节期、 抽穗期和灌浆期 SPAD 值间均存在较为理想的对数函数关系 从构建模 型的决定系数 2来看， NDVI 与不同生育期冬小 麦 SPAD 回归效果较 VI 更为理想， 估算精度 更高 参考文献: 1 Collins W emote sensing of crop type and maturity J Photogrammetric Engineering and emote Sens- ing， 1978， 44: 43 145 2 Zlatev Z， Berova M， Stoeva N， et al Use of physiologi- cal parameters as stress indicators J Journal of En- vironmental Protection and Ecology， 2003， 4( 4) : 841 1849 3 Li H， Guo P G， Michael B， et al Evaluation of chlorophyll content and fluorescence parameters as indicators of drought tolerance in barley J Agricul- tural Sciences in China， 2006， 10( 5) : 751 1757 4 Lichtenthaler H K Chlorophylls and carotenoids: pig- ments of photosynthetic biomembranesJ Methods in enzymology， 1987， 148: 350 382 第 4 期姚付启， 等: 不同生育期冬小麦高光谱数据与 SPAD 值的相关分析329 5 Blackburn G A Quantifying chlorophylls and carote- niods at leaf and canopy scales: an evaluation of some hyperspectral approaches J emote Sensing of En- vironment， 1998， 66( 3) : 273 285 6 王伟， 彭彦昆， 马伟， 等 冬小麦叶绿素含量高光谱 检测技术J 农业机械学报， 2010， 41( 5) : 172 177 7 杨杰， 田永超， 姚霞， 等 水稻上部叶片叶绿素含量 的高光谱估算模型 J 生态学报， 2009， 29 ( 12) : 6561 6571 8 Hansen P M， Jorgensen J ， Thomsen A Predicting grain yield and protein content in winter wheat and spring barley using repeated canopy reflectance meas- urements and parial least squares regressionJ Journal of Agricultural Science， 2002， 139( 3) : 307 1318 9 赵祥， 刘素红， 王培娟， 等 基于高光谱数据的小麦 叶绿素含量反演 J 地理与地理信息科学， 2004， 20( 3) : 36 139 10 冯伟， 王晓宇， 宋晓， 等 白粉病胁迫下小麦冠层叶 绿素密度的高光谱估测 J 农业工程学报， 2013， 29( 13) : 114 1123 11 李彩虹， 冯美臣， 王超， 等 不同播期冬小麦叶绿素 含量的冠层光谱响应研究 J 核农学报， 2014， 28 ( 2) : 0309 0316 12 艾天成， 李方敏， 周治安， 等 作物叶片叶绿素含量 与 SPAD 值相关性研究J 湖北农学院学报， 2000， 20( 1) : 6 8 13裘正军， 宋海燕， 张学霞， 等 应用 SPAD 和光谱技 术研究油菜生长期间的氮素变化规律 J 农业工 程学报， 2007， 23( 7) : 150 154 14Adams M L， Philpot W D， Norvell W A Yellowness index: an application of spectral second derivatives to estimate chlorosis of leaves in stressed vegetation J International Journal of emote Sensing， 1999， 20( 18) : 3663 3675 15 Gitelson A A， Kaufman Y J， Stark ， et al Novel al- gorithms for remote estimation of vegetation fraction J emote Sensing of Environment， 2002， 80( 1) : 76 87 16 Serrano L， Penuelas J， Ustin S L emote sensing of ni- trogen and lignin in Mediterranean vegetation from AVIIS data: decomposing biochemical from structural signals J emote Sensing of Environment， 2002， 81 ( 2) : 355 364 Correlation Analysis of Hyperspectral Data and SPAD Value of Winter Wheat in Different Growing Stage YAO Fu- qi1， 2， CAI Huan- jie2， ZHANG Zhen- hua3， TU en- meng4， QIAO Wei1 ( 1 Institute of Agricultural water conservancy of ChangJiang iver Scientific esearch Institute， Wuhan 430012， China; 2 Key Laboratory of Agricultural Soil and Water Engineering in Arid Areas， Ministry of Education， Northwest AF University， Yangling 712100， China; 3 College of Geography and Planning of Ludong University， Yantai 264025， China; 4 Hubei Academy of Social Science