解文武

摘要：通過測(cè)定盆栽試驗(yàn)條件下不同微生物作用的玉米植株葉片高光譜反射率并對(duì)其葉片含水量進(jìn)行差異分析，探討不同微生物作用對(duì)植被葉片含水量的影響及其光譜特征變化，并嘗試?yán)酶吖庾V遙感技術(shù)對(duì)不同處理?xiàng)l件下玉米葉片含水量進(jìn)行監(jiān)測(cè)識(shí)別。結(jié)果表明，葉片含水量最佳估測(cè)模型中，CK處理預(yù)測(cè)模型Y=0.839×[exp（0.006 t）]預(yù)測(cè)精度最高，決定系數(shù)（R2）達(dá)0.851，RMSE為0.018，G.m處理預(yù)測(cè)模型Y=0.84-100.128 t-166 349.654 t2預(yù)測(cè)精度最低，決定系數(shù)（R2）為0.638，RMSE為0.013。不同處理所建模型均可實(shí)現(xiàn)相應(yīng)葉片含水量的有效預(yù)測(cè)，為微生物復(fù)墾領(lǐng)域?qū)Σ煌⑸镒饔孟轮脖蝗~片含水量的快速高效無損監(jiān)測(cè)與評(píng)價(jià)提供了信息支持。

關(guān)鍵詞：高光譜遙感;微生物復(fù)墾;葉片含水量;估測(cè)模型

中圖分類號(hào)：P237? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2018）24-0151-05

DOI：10.14088/j.cnki.issn0439-8114.2018.24.041? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： By measuring the hyperspectral reflectance of maize plant leaves with different types of microorganism under the condition of pot experiment， the difference of the leaf water content was analyzed，Investigate the effect of different microorganisms on the water content of vegetation and the change of its spectral characteristics，and tried to use hyperspectral remote sensing technology to monitor and identify the water content of maize leaves under different treatment conditions. The results show that the CK prediction model Y=0.839×[exp（0.006 t）] has the highest prediction accuracy in the best estimation model of the leaf water content， the coefficient of determination is 0.851，RMSE is 0.018，the prediction precision of G.m processing model Y=0.84-100.128 t-166 349.654 t2 is the lowest， the coefficient of determination R2 is 0.638，RMSE is 0.013. The models constructed by different treatments can effectively predict the water content of the corresponding leaves，in the field of microbial reclamation，information support is provided for the rapid and efficient monitoring and evaluation of the water content of vegetation leaves under the action of different types of microorganism.

Key words： hyperspectral remote sensing; microbial reclamation; leaf water content; estimation model

植被含水量可有效推斷植株水分狀況，進(jìn)而指導(dǎo)植被干旱監(jiān)測(cè)和灌溉用水，可控制植被長(zhǎng)勢(shì)及最終產(chǎn)量，在植被整個(gè)生育期內(nèi)至關(guān)重要[1，2]。鑒于光譜的可見光及近紅外多個(gè)波段可響應(yīng)植被水分信息，因而敏感波段及光譜特征分析技術(shù)成為國(guó)內(nèi)外學(xué)者反演植被水分信息的重要手段。研究發(fā)現(xiàn)5個(gè)分別以970、1 200、1 450、1 930、2 500 nm為中心的葉片吸收帶[3]，為高光譜遙感技術(shù)估測(cè)植被葉片含水量奠定了理論基礎(chǔ)。

光譜特征分析以導(dǎo)數(shù)光譜、連續(xù)統(tǒng)去除光譜應(yīng)用最為廣泛，有研究證實(shí)了光譜特征分析反演植被水分含量的可行性，為利用遙感技術(shù)監(jiān)測(cè)植被長(zhǎng)勢(shì)提供了依據(jù)[4-6]。植被水分指數(shù)可削減單波段散射效應(yīng)，因而可將其用于植被水分含量反演[7-16]。雖然，相關(guān)學(xué)者在葉片含水量方面進(jìn)行了大量研究，但研究主要集中在因含水量變化導(dǎo)致的相應(yīng)植被葉片光譜的差異。這些研究奠定了植被信息高光譜識(shí)別與定量反演的基礎(chǔ)，但對(duì)于不同含水量條件下光譜特征差異分析及不同含水量條件下植被葉片含水量的預(yù)測(cè)仍缺乏系統(tǒng)研究。本研究對(duì)不同微生物作用所導(dǎo)致的不同含水量的植被葉片光譜特征及相應(yīng)葉片含水量定量估算進(jìn)行研究，探討不同處理對(duì)植被葉片含水量的影響及其光譜特征變化，試圖通過不同方法尋找能夠識(shí)別不同微生物作用下玉米葉片含水量的光譜特征波段及數(shù)學(xué)模型，以實(shí)現(xiàn)微生物復(fù)墾后不同處理植被葉片含水量的高精度估測(cè)，為微生物復(fù)墾領(lǐng)域植被葉片含水量的高效無損監(jiān)測(cè)提供新的技術(shù)手段和監(jiān)測(cè)途徑。

1? 材料與方法

1.1? 供試菌種

供試菌種為硅酸鹽細(xì)菌C6X菌株（記為CR）和菌根真菌（內(nèi)生菌根真菌菌種摩西球囊霉菌，Glomus mosseae）（記為G.m），由中國(guó)礦業(yè)大學(xué)（北京）微生物復(fù)墾實(shí)驗(yàn)室分離篩選。

1.2? 供試基質(zhì)

供試基質(zhì)按照石英、鉀長(zhǎng)石和伊利石質(zhì)量比1∶1∶3進(jìn)行配制，各礦物均碾碎至100目。供試基質(zhì)均進(jìn)行高溫、高壓蒸汽滅菌（121 ℃，2 h），風(fēng)干。

1.3? 供試植物

供試玉米種子購(gòu)于中國(guó)農(nóng)業(yè)科學(xué)院，播種前用10%H2O2浸泡10 min進(jìn)行表面消毒，然后用去離子水反復(fù)清洗數(shù)遍，瀝干水分備用。

1.4? 試驗(yàn)用盆

使用高18 cm、盆口直徑24 cm、底盆直徑15 cm的小盆。每盆裝風(fēng)干基質(zhì)5.0 kg。

1.5? 試驗(yàn)處理

基質(zhì)設(shè)4種處理，分別為不接菌（記為CK）、接種硅酸鹽細(xì)菌C6X菌株（記為CR）、接種菌根真菌（記為G.m）、硅酸鹽細(xì)菌C6X菌株和菌根真菌聯(lián)合接種（記為CR+G.m）。每種處理設(shè)9個(gè)重復(fù)，共計(jì)36盆，隨機(jī)擺放。定期對(duì)植物按基質(zhì)最大持水量的75%澆水并根據(jù)天氣情況通風(fēng)管理。

1.6? 指標(biāo)測(cè)定

分別在玉米不同生長(zhǎng)階段（20、40、60 d）對(duì)每種處理隨機(jī)選取3盆植株進(jìn)行玉米葉片光譜曲線采集并同步測(cè)定相關(guān)生理生化參數(shù)指標(biāo)。

1）葉片含水量測(cè)定。采集葉片光譜的同時(shí)進(jìn)行同步采樣，采用烘干稱重法對(duì)相應(yīng)葉片進(jìn)行葉片含水量的測(cè)定。每株玉米采樣時(shí)選擇上中下層各兩片，測(cè)定光譜的同時(shí)進(jìn)行葉片含水量測(cè)定。采用精度為0.001 g的天平對(duì)鮮葉稱重，稱重后將葉片放入105 ℃恒溫箱殺青15 min，于80 ℃下烘干至恒重后稱其干重，計(jì)算各葉片含水量。

單葉含水率=（單葉鮮重-單葉干重）/單葉鮮重×100%

2）光譜數(shù)據(jù)采集。盆栽玉米于2015年5月底種植，分別在玉米生長(zhǎng)20、40、60 d時(shí)對(duì)各處理玉米葉片上、中、下部分各采集至少兩片并按順序進(jìn)行編號(hào)。光譜測(cè)定采用美國(guó)ASD公司生產(chǎn)的的FieldSpec 3便攜式地物光譜儀（手持式），相關(guān)參數(shù)分別為光譜波段范圍350～2 500 nm，數(shù)據(jù)輸出間隔1 nm，350～1 000 nm之間光譜分辨率為3 nm，1 000～2 500 nm之間光譜分辨率為10 nm。為避免長(zhǎng)時(shí)間測(cè)定造成誤差，每片葉片光譜測(cè)定前，均對(duì)光譜儀進(jìn)行白板校正，玉米葉片光譜曲線采用植被探頭與葉片夾式光譜探測(cè)器（儀器自帶）測(cè)定，每片葉片分別在葉尖、葉中、葉根處視葉片大小選取5～10個(gè)點(diǎn)進(jìn)行光譜曲線測(cè)定，每點(diǎn)讀取5次數(shù)值，盡量避開葉脈部分，以每片葉片所測(cè)定光譜曲線的均值作為該葉片的光譜表征。每個(gè)處理設(shè)置3株重復(fù)，取3株玉米葉片反射光譜均值作為其最終光譜曲線。20 d時(shí)共收集60個(gè)樣本，40 d時(shí)共收集82個(gè)樣本，60 d時(shí)共收集70個(gè)樣本，即全部生長(zhǎng)期共收集樣本212個(gè)。

3）光譜數(shù)據(jù)預(yù)處理。對(duì)不同時(shí)期采集到的原始光譜曲線，首先剔除異常光譜數(shù)據(jù)，其次通過光譜儀配套軟件ViewSpec Pro 5.0對(duì)其余光譜數(shù)據(jù)進(jìn)行取均值、平滑處理（5點(diǎn)平滑法）。因?yàn)楣庾V儀采集的光譜曲線均為離散數(shù)據(jù)，因而對(duì)原始光譜數(shù)據(jù)進(jìn)行一階微分處理（式1）：

2? 結(jié)果與分析

2.1? 不同微生物作用對(duì)各時(shí)期玉米葉片含水量的影響

不同微生物作用對(duì)各時(shí)期玉米植株葉片含水量的影響見圖1。由圖1中可知，20、40和60 d 3個(gè)生長(zhǎng)階段，隨著玉米生長(zhǎng)期的延后，各個(gè)處理玉米葉片RWC含量整體呈下降趨勢(shì)，同一處理在不同時(shí)期玉米葉片RWC含量均達(dá)顯著差異水平，含量大小表現(xiàn)為20 d>40 d>60 d;同一時(shí)期，不同處理之間整體呈先上升后下降趨勢(shì)。20 d時(shí)，不同處理之間玉米植株葉片RWC含量差異顯著，3種接菌處理的玉米葉片RWC含量均顯著高于不接菌處理CK組，以G.m組為最高;40 d時(shí)，不同處理玉米植株葉片RWC含量整體變化規(guī)律與20 d時(shí)相同，只是CR組和G.m+CR組RWC含量差異不顯著;60 d時(shí)，不同處理之間玉米植株RWC含量只有CR組和G.m+CR組與CK組差異顯著，4種處理以CR組葉片RWC值最高，G.m組與CK組差異不明顯，G.m+CR組葉片RWC值顯著低于CK組。這可能是由于G.m和G.m+CR處理長(zhǎng)勢(shì)明顯好于其他兩處理，葉片數(shù)量和面積較大，蒸騰量增加所致。同一處理葉片含水量隨著接菌時(shí)間的增加均逐漸減小，這和蒸騰量以及測(cè)定時(shí)距離澆水時(shí)間長(zhǎng)短有關(guān)。

2.2? 不同處理玉米樣本葉片含水量與光譜曲線相關(guān)性分析

對(duì)4個(gè)不同微生物作用下玉米植株3個(gè)時(shí)期全部樣本葉片一階導(dǎo)數(shù)光譜數(shù)據(jù)與葉片含水量進(jìn)行整體相關(guān)性分析見圖2。由圖2中可知，各處理經(jīng)統(tǒng)計(jì)分析所得相關(guān)系數(shù)隨波長(zhǎng)的變化趨勢(shì)基本一致。結(jié)果表明，在可見光區(qū)域（400～780 nm），相關(guān)系數(shù)以550 nm為臨界點(diǎn)，550 nm之前均呈負(fù)相關(guān)且相關(guān)系數(shù)絕對(duì)值逐漸增大，550 nm之后相關(guān)系數(shù)整體呈正相關(guān)且逐漸變小，在700 nm左右相關(guān)系數(shù)出現(xiàn)波谷，呈負(fù)相關(guān)狀態(tài);在近紅外短波區(qū)域（780～1 100 nm），相關(guān)系數(shù)呈正負(fù)相關(guān)快速交替關(guān)系，且無明顯規(guī)律;在近紅外長(zhǎng)波區(qū)域，相關(guān)系數(shù)在1 300～1 400、1 600～1 900和2 200～2 500 nm波段處呈正相關(guān)，其余波段范圍呈負(fù)相關(guān);其中1 400、1 650、2 250 nm附近出現(xiàn)波峰，1 500、2 000 nm附近出現(xiàn)波谷。一階微分光譜與葉片含水量強(qiáng)相關(guān)性主要出現(xiàn)在550～600 nm、700 nm附近、1 600～1700 nm、1 400～1 550 nm，該波段范圍可作為葉片含水量定量監(jiān)測(cè)的最優(yōu)敏感波段，但針對(duì)不同微生物處理后的玉米葉片，應(yīng)分別精確選定。

2.3? 不同處理玉米葉片含水量預(yù)測(cè)模型建立

光譜指數(shù)是一種可對(duì)目標(biāo)地物產(chǎn)生指示作用的數(shù)學(xué)模型，由經(jīng)線性和非線性組合后的一系列光譜特征數(shù)據(jù)構(gòu)成。光譜指數(shù)可減弱太陽高度角、環(huán)境條件等因素對(duì)原始光譜數(shù)據(jù)的影響，增強(qiáng)目標(biāo)地物相關(guān)信息，提高信息提取精度[8]。本研究為探求不同處理?xiàng)l件下葉片含水量最佳預(yù)測(cè)光譜指數(shù)，根據(jù)經(jīng)預(yù)處理后的原始光譜數(shù)據(jù)及一階微分光譜數(shù)據(jù)分別計(jì)算其與相應(yīng)葉片含水量的相關(guān)關(guān)系，同時(shí)結(jié)合前人研究以及根據(jù)相關(guān)關(guān)系建立新的特征參數(shù)，最終選擇相關(guān)性較大的光譜指數(shù)作為模型建立的特征變量。各處理光譜指數(shù)選擇及含義見表2。

表2中所選特征參數(shù)，對(duì)不同處理的玉米葉片分別進(jìn)行相關(guān)性分析（表3），各處理分別選擇相關(guān)性較大的3個(gè)特征參數(shù)作為預(yù)測(cè)模型建立的特征變量，進(jìn)而在線性、二次曲線、對(duì)數(shù)、指數(shù)、冪函數(shù)5中常用函數(shù)中采用曲線估計(jì)方法在充分考慮擬合優(yōu)度（決定系數(shù)）、顯著性檢驗(yàn)和實(shí)際情況的前提下選擇最佳預(yù)測(cè)模型（表4）。

2.4? 不同處理玉米葉片含水量預(yù)測(cè)模型精度驗(yàn)證

經(jīng)篩選后各處理玉米葉片含水量預(yù)測(cè)模型均可獲得較好預(yù)測(cè)效果（圖3），對(duì)經(jīng)不同微生物處理后的玉米葉片含水量均具備良好預(yù)測(cè)能力，可針對(duì)不同生長(zhǎng)狀況的玉米葉片含水量進(jìn)行準(zhǔn)確估測(cè)。

3? 結(jié)論

1）在對(duì)不同微生物作用下盆栽玉米植株各時(shí)期（20 d/40 d/60 d）葉片含水量的統(tǒng)計(jì)分析表明，不同微生物作用下玉米植株長(zhǎng)勢(shì)變化差異顯著，雙接菌處理（G.m+CR組）玉米植株長(zhǎng)勢(shì)明顯好于其他處理。單接種硅酸鹽細(xì)菌（CR組）對(duì)玉米植株生長(zhǎng)的促進(jìn)效果顯著弱于單接種叢植菌根（G.m組）處理。在玉米生長(zhǎng)的后期（60 d），CR與CK處理、G.m+CR與G.m處理所對(duì)應(yīng)玉米植株長(zhǎng)勢(shì)差異顯著弱于玉米生長(zhǎng)中期（40 d）。

2）研究認(rèn)為，MSI、NDII、WBI、NDWI等光譜指數(shù)可對(duì)植被含水量進(jìn)行有效預(yù)測(cè)，但研究表明這些光譜指數(shù)只對(duì)表征等效水厚度適用，而對(duì)植被葉片含水量這標(biāo)并不敏感。本研究結(jié)果中，以上指數(shù)所建立模型R2、RMSE、F值所表現(xiàn)出相應(yīng)預(yù)測(cè)精度都不理想。可能是由于光譜指數(shù)MSI、NDII、WBI和NDWI均直接由植被光譜反射所構(gòu)建，易受背景信息影響而使模型中增加干擾因子，理想的優(yōu)選光譜指數(shù)可有效削弱乃至剔除土壤背景干擾以實(shí)現(xiàn)對(duì)植被理化指標(biāo)的精確估測(cè)。本研究在原始光譜基礎(chǔ)上進(jìn)行一階微分處理，以消除土壤背景信息影響，在所構(gòu)建的光譜指數(shù)中，各處理表現(xiàn)最為理想的3個(gè)指數(shù)均可有效表征玉米葉片含水量，實(shí)現(xiàn)對(duì)不同微生物作用下玉米葉片含水量的定量估測(cè)。

3）本試驗(yàn)結(jié)果表明，葉片含水量最佳估測(cè)模型中，CK處理預(yù)測(cè)模型Y=0.839×[exp（0.006 t）]預(yù)測(cè)精度最高，決定系數(shù)（R2）達(dá)0.851，RMSE為0.018，G.m處理預(yù)測(cè)模型Y=0.84-100.128 t-166 349.654 t2預(yù)測(cè)精度最低，決定系數(shù)（R2）為0.638，RMSE為0.013。研究表明在對(duì)不同微生物作用下玉米植株葉片含水量的定量估測(cè)上，所建模型預(yù)測(cè)精度理想且均可用于相關(guān)指標(biāo)的定量估測(cè)，證實(shí)了高光譜遙感技術(shù)植被監(jiān)測(cè)的可行性，為微生物復(fù)墾對(duì)不同微生物作用下植被葉片含水量的快速高效無損監(jiān)測(cè)與評(píng)價(jià)提供了信息支持。但針對(duì)不同處理的玉米植株葉片含水量并無統(tǒng)一的特征變量進(jìn)行估測(cè)，模型的普適性有待進(jìn)一步研究。

參考文獻(xiàn)：

[1] 林? 毅，李? 倩，王宏博，等.高光譜反演植被水分含量研究綜述[J].中國(guó)農(nóng)學(xué)通報(bào)，2015，31（3）：167-172.

[2] LI H，PAYNE W A，MICHELS J，et al. Reducing plant abiotic and biotic stress：Drought and attacks of greenbugs， corn leaf aphids and virus disease in dryland sorghum[J].Environmental and Experimental Botany，2008，63（1）：305-316.

[3] ZHANG J H，GUO W J. Quantitative retrieval of crop water content under different soil moistures levels[A].Asia-pacific Remote Sensing Symposium，2000.

[4] 沈? 艷，牛? 錚，王? 汶，等.基于導(dǎo)數(shù)光譜變量葉片含水量模型的建立[J].地理與地理信息科學(xué)，2005，21（4）：16-19.

[5] 孫? 林，程麗娟.植被葉片生化組分的光譜響應(yīng)特征分析[J].光譜學(xué)與光譜分析，2010，30（11）：3031-3035.

[6] PENUELAS J，PINOL J，OGAYA R， et al. Estimation of plant water concentration by the reflectance water index（R900/R970）[J].International Journal Remote Sensing，1997，18（13）：2869-2875.

[7] 黃春燕，王登偉，肖莉娟，等.不同水分條件下棉花光譜數(shù)據(jù)對(duì)冠層葉片溫度的響應(yīng)特征[J].棉花學(xué)報(bào)，2014，26（3）：244-251.

[8] 劉小軍，田永超，姚? 霞，等.基于高光譜的水稻葉片含水量監(jiān)測(cè)研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2012，45（3）：435-442.

[9] GAO B C. NDWI-Anormalized difference water index for remote sensing of vegetation liquid water from space[J].Imaging Spectrometry，1995，2480（3）：257-266.

[10] FENSHOLT R，SANDHOLT I. Derivation of a shortwave infrared water stress index from MODIS near and shortwave infrared data in a semiarid environment[J].Remote Sens Environ，2003，87（1）：111-121.

[11] 梁? 亮，張連蓬，林? 卉，等.基于導(dǎo)數(shù)光譜的小麥冠層葉片含水量反演[J].中國(guó)農(nóng)業(yè)科學(xué)，2013，46（1）：18-29.

[12] 阿布都瓦斯提·吾拉木，李召良，秦其明，等.全覆蓋植被冠層水分遙感監(jiān)測(cè)的一種方法：短波紅外垂直失水指數(shù)[J].中國(guó)科學(xué)（D輯：地球科學(xué)），2007，37（7）：957-965.

[13] ABDUWASIT G，LI Z L，QIN Q M，et al. Estimating crop water stress with ETM+NIR and SWIR data[J].Agr For Meteor，2008，148（11）：1679-1695.

[14] ZHANG J H，GUO W J. Studying on spectral characteristics of winter wheat with different soil moisture condition[A].The 2nd International Symposium on Recent Advances in Quantitative Remote Sensing：RAQRS'II，Spain，2006.

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

[17] 羅紅霞，闞應(yīng)波，王玲玲，等.基于高光譜遙感技術(shù)的農(nóng)作物病蟲害應(yīng)用研究現(xiàn)狀[J].廣東農(nóng)業(yè)科學(xué)，2012，39（18）：76-80.