于 躍，于海業(yè)，李曉凱，王洪健，劉 爽，張 蕾，隋媛媛

吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院，吉林 長春 130022

引 言

葉綠素作為植物光合作用的重要色素，其含量、分布和變化可以直接或間接反映植物的光合能力、養(yǎng)分狀況和生長健康狀況。 精確診斷葉綠素含量對農(nóng)作物的長勢監(jiān)測、營養(yǎng)診斷、作物估產(chǎn)以及病蟲害預(yù)警等科學(xué)管理具有重要意義。 水稻是我國重要糧食作物。 吉林省地處水稻生產(chǎn)的“黃金帶”，主要品種為粳稻，一年一季，7月中旬起水稻分蘗期結(jié)束，陸續(xù)進(jìn)入拔節(jié)孕穗期，該生育期是水稻從長根、長葉、長蘗等以分蘗為中心的營養(yǎng)生長期開始進(jìn)入以幼穗發(fā)育為中心的生殖生長期的關(guān)鍵轉(zhuǎn)折期，此時水稻葉片中的葉綠素含量直接影響光合強(qiáng)度和有機(jī)物的積累量，進(jìn)而影響幼穗的發(fā)育以及水稻的產(chǎn)量。 因此，對拔節(jié)孕穗期水稻葉綠素含量的研究具有一定的現(xiàn)實(shí)意義。

目前，利用光譜指數(shù)反演植被葉綠素含量是十分有效的方法[1]。 構(gòu)建光譜指數(shù)是為了提取光譜中與葉綠素含量構(gòu)成較高相關(guān)性的信息，一般將特定波段對應(yīng)的反射率進(jìn)行組合計算，而特定波段的選擇通常需要參照一定的物理基礎(chǔ)。 最初Horler等將綠色植被670～780 nm波段范圍內(nèi)特征曲線的一階導(dǎo)數(shù)最大值定義為“紅邊”，對應(yīng)的物理含義為紅光波段對葉綠素強(qiáng)烈吸收的峰值位置，并認(rèn)為植被冠層光譜“紅邊”位置與葉綠素含量之間可能存在密切的聯(lián)系；Curran等通過“紅邊”位置與植被冠層總?cè)~綠素含量敏感程度的研究對這一結(jié)論進(jìn)行了佐證[2]。 隨后一些學(xué)者利用該波段范圍內(nèi)一些關(guān)鍵波段的組合運(yùn)算建立了一系列光譜指數(shù)，如比值植被指數(shù)(ratio vegetation index，RVI)、差值植被指數(shù)(difference vegetation index，DVI)[3]、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)[4]等，放大了光譜反射率與植被葉綠素含量之間的聯(lián)系。 隨著對葉綠素含量反演研究的深入，一些學(xué)者發(fā)現(xiàn)，基于“紅邊”位置范圍內(nèi)關(guān)鍵波段組合獲得的光譜指數(shù)由于僅包含兩個或三個波段的運(yùn)算，相對于完整的光譜反射率特征曲線，所包含的有效信息十分有限，將這些光譜指數(shù)應(yīng)用于不同品種、生長時期、地點(diǎn)等因素影響下的作物中時，計算出來的結(jié)果可能與真實(shí)情況具有較大的偏差。 因此，一些學(xué)者提出了積分指數(shù)的概念，綜合更多的敏感波長以增加光譜指數(shù)的適用性。 Oppelt和Mauser等計算了玉米反射率光譜600～735 nm范圍內(nèi)兩點(diǎn)積分運(yùn)算的面積與包絡(luò)線的比值，稱之為葉綠素吸收積分指數(shù)(chlorophyll absorption intergral, CAI)[5]，探究了該指數(shù)對玉米葉面積指數(shù)和冠層葉綠素密度的預(yù)測能力，并分析了該指數(shù)對冠層結(jié)構(gòu)、光照幾何、土壤背景反射率和大氣條件的敏感性；Delegido等為研究處于復(fù)雜環(huán)境中的城市植被葉綠素的空間分布建立了反射率曲線歸一化面積指數(shù)(normalized area over reflectance curve，NAOC)[6]，利用該指數(shù)對梧桐、棗椰等多種綠色植被的葉綠素含量進(jìn)行反演，發(fā)現(xiàn)NAOC指數(shù)對于綠色植被的葉綠素含量有著較強(qiáng)的反演能力，并通過NAOC指數(shù)與葉片葉綠素含量之間的線性擬合提供了一種遙感估測植被葉片葉綠素的簡便方法。 但是該光譜指數(shù)對于農(nóng)田環(huán)境下拔節(jié)孕穗期水稻的葉綠素含量是否同樣具有較強(qiáng)的預(yù)測能力還有待探究。

通過將NAOC光譜指數(shù)定義的積分計算簡化為基于積分限(a，b)即雙波段組合運(yùn)算的方式進(jìn)行優(yōu)化，并利用相關(guān)分析法篩選出原始光譜和三種數(shù)學(xué)變換光譜中與水稻葉片SPAD具有較高相關(guān)系數(shù)的特征波段組合，將計算得到的優(yōu)化光譜和變換光譜指數(shù)用于構(gòu)建拔節(jié)孕穗期水稻葉片SPAD的反演模型，最后對比分析三種建模方法的精度及穩(wěn)定性，確定基于優(yōu)化光譜和變換光譜指數(shù)建立的水稻葉片SPAD最優(yōu)反演模型。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)區(qū)概況與數(shù)據(jù)采集

試驗(yàn)于2019年7月28日在長春市雙陽區(qū)(43°30′E，125°39′N，平均海拔234.3 m)良種繁育場水稻種植基地進(jìn)行。 供試品種為吉粳509，一年一季稻。 試驗(yàn)當(dāng)日晴朗無風(fēng)，于上午10：00至下午14：00進(jìn)行水稻生理信息的獲取。 測量時，選擇10株生長狀況良好、長勢較為接近的水稻植株分別進(jìn)行編號；在目標(biāo)葉片的選取過程中，參考水稻生育進(jìn)程的葉齡模式，統(tǒng)一選擇葉面積較大的葉片即主莖第七、八片葉(也稱倒二葉、倒三葉)作為數(shù)據(jù)獲取目標(biāo)，采集原始樣本共20組。 采集的數(shù)據(jù)包括水稻目標(biāo)葉片高光譜和葉綠素含量： (1)目標(biāo)葉片高光譜采用Analytical Spectral Devices分析光譜儀器公司生產(chǎn)的HandHeld 2手持式地物光譜儀進(jìn)行測量，該儀器的光譜波段范圍為325～1 075 nm，采樣間隔為1.4 nm，分辨率為3 nm@700 nm。 使用前預(yù)熱20 min，每個葉片獲取3條光譜曲線，每次測量后均使用白板校正。 (2)葉綠素含量： 選取日本產(chǎn)SPAD-502葉綠素儀同步獲取對應(yīng)水稻葉片的葉綠素相對含量。 所測得的SPAD值雖然不能代表葉片真實(shí)的葉綠素含量，但考慮到該葉綠素儀具有顯著的便攜性和無損檢測的特質(zhì)，且已有研究表明兩組數(shù)值之間存在明顯的正相關(guān)關(guān)系，因此使用SPAD值近似替代水稻葉片的真實(shí)葉綠素含量。 測量時需避開主葉脈，從葉尖到葉尾等間隔標(biāo)記五個點(diǎn)，每個點(diǎn)測量一次，重復(fù)測量5次后取其平均值作為該葉片葉綠素含量的測量值。

1.2 光譜數(shù)據(jù)預(yù)處理

為了避免環(huán)境噪聲的干擾，需要對原始光譜曲線進(jìn)行預(yù)處理。 由于小波分析具有放大微小信號變化的特性，因此常用于捕捉作物對重金屬污染、脅迫等極端條件的微弱響應(yīng)[7]。 有研究表明小波分析法能夠把對水稻原始光譜信號有影響的因素進(jìn)行有效的排除，如背景影響、設(shè)備工作時產(chǎn)生的噪聲影響以及大氣的散射、反射和吸收等[8]。 小波分析由傅里葉分析衍生而來，其優(yōu)點(diǎn)是可以將信號從時域和頻域兩個維度進(jìn)行分解，通過對小波母函數(shù)的縮放平移運(yùn)算來實(shí)現(xiàn)噪聲剔除和信號局部特征的細(xì)化，有效保護(hù)原始信號中的尖峰信號和突變信號。 在原始光譜信號中，信號的主要特征保留在低頻部分，信號的細(xì)節(jié)和噪聲主要分布在高頻部分。 小波分析正是通過設(shè)定閾值的方式保留低頻部分的主要信號特征，在高頻部分篩選有效信息，實(shí)現(xiàn)噪聲剔除的目的[9]。 對分解、篩選后的低頻部分和高頻部分信號進(jìn)行融合和重構(gòu)，獲得去噪后的光譜反射率曲線。

1.3 優(yōu)化光譜指數(shù)NAOC

NAOC指數(shù)是一種包含多個光譜帶的積分光譜指數(shù)，其物理含義如圖1所示。a和b為光譜曲線中600～800 nm之間分別位于670 nm波段兩側(cè)的兩個點(diǎn)，NAOC則代表黃色區(qū)域與整個矩形區(qū)域面積的比值。 NAOC指數(shù)定義為

(1)

圖1 NAOC光譜指數(shù)示意圖Fig.1 Diagram of NAOC spectral index

有學(xué)者針對NAOC指數(shù)的變量降維和運(yùn)算簡化提出了優(yōu)化策略。 Facundo Carmona等通過對位于紅邊波段的兩個陰影部分面積做近似處理，將原始公式中積分運(yùn)算得到的綠色區(qū)域面積簡化為直角梯形的面積，原始NAOC指數(shù)所表示的黃色區(qū)域與矩形區(qū)域面積比即可簡化為除去該直角梯形后剩余的三角形與矩形的面積比[10]。 將其定義為

(2)

此時，光譜指數(shù)的數(shù)值完全取決于積分限(a，b)，而a和b在原始光譜曲線中也可以看作是兩個波段的組合。 因此，優(yōu)化后的NAOC指數(shù)亦可看作一種基于雙波段組合的簡單運(yùn)算光譜指數(shù)，但是所包含的有效信息卻遠(yuǎn)多于其他基于雙波段組合運(yùn)算的光譜指數(shù)。 本工作在已有研究的基礎(chǔ)上，著重探究優(yōu)化NAOC光譜指數(shù)以及幾種數(shù)學(xué)變換形式下的變換NAOC光譜指數(shù)對水稻葉片葉綠素含量的反演能力。

2 結(jié)果與討論

2.1 基于小波分析的水稻葉片高光譜預(yù)處理

目前，小波分析可以通過Matlab2017b中小波分析工具箱快速實(shí)現(xiàn)。 常見的小波母函數(shù)有Harr小波，Daubechies小波和Symlet小波等，不同類型小波的對稱性、正交性和緊支撐性都不相同，對于信號局部特征的描述能力也有很大的差異[11-12]。 預(yù)實(shí)驗(yàn)選擇了結(jié)果較優(yōu)的4階Daubechies小波即db4小波對原始反射率光譜進(jìn)行1～6層小波分解，結(jié)果如圖2所示。 L0層為原始光譜信號，所包含的噪聲較多，以上下震蕩的“毛刺”形式呈現(xiàn)；L1—L6層為分解重構(gòu)后的光譜信號，可以看出隨著分解次數(shù)的不斷增加，高頻信號被不斷地篩除，“毛刺”逐漸減少，光譜曲線趨于平滑。 當(dāng)分解層數(shù)達(dá)到5～6層時，信號局部特征發(fā)生了改變，部分原始信號中的特征點(diǎn)出現(xiàn)了移位甚至變形，說明此時存在過度分解的情況。綜合考慮重構(gòu)光譜信號的平滑度和信噪比等因素，最終確定L4層重構(gòu)光譜為原始光譜反射率曲線小波分析去噪處理的結(jié)果。

圖2 小波分析L1—L6層重構(gòu)反射率光譜Fig.2 Reconstructed reflectance spectra ofL1—L6 layers by wavelet analysis

2.2 優(yōu)化光譜指數(shù)與水稻葉片SPAD的相關(guān)性分析

圖3 優(yōu)化光譜和變換光譜指數(shù)與水稻葉片SPAD相關(guān)性等勢圖Fig.3 Isopotential diagram of correlation coefficient between optimized and transformed spectral indices and SPAD of rice leaves

為了評價優(yōu)化光譜和變換光譜指數(shù)與水稻葉片SPAD的相關(guān)程度，還選擇了幾種常見的基于雙波段或三波段運(yùn)算的光譜指數(shù)與水稻葉片SPAD進(jìn)行相關(guān)性分析。 除了前文中提到的RVI、DVI和NDVI指數(shù)，還選擇了綠色歸一化植被指數(shù)(green normalized difference vegetation index，GNDVI)、三角形植被指數(shù)(triangle vegetation index，TVI)、土壤調(diào)節(jié)植被指數(shù)(soil-adjusted vegetation index，SAVI)、修正的葉綠素吸收率指數(shù)(modified chlorophyll absorption ratio index，MCARI)和MERIS陸地葉綠素指數(shù)(MERIS terrestrial chlorophyll index，MTCI)共計八種常用光譜指數(shù)，如表1所示列舉了8種植被指數(shù)的計算公式、參考文獻(xiàn)以及計算所得的與水稻葉片SPAD的皮爾森線性相關(guān)系數(shù)。

表1 八種常用雙波段光譜指數(shù)及其與水稻葉片SPAD線性相關(guān)系數(shù)

表1中，L是隨著植被密度變化的參數(shù)，當(dāng)植被覆蓋度很高時為0(此時SAVI=NDVI)。 對于L的取值，Huete指出，L取0.5時SAVI消除土壤反射率的效果最好。 因此表中L取0.5[13-14]。

從表1中相關(guān)分析的結(jié)果可以看出8種常用的基于雙波段或三波段的光譜指數(shù)中與水稻葉片SPAD相關(guān)度最高的是MCARI和NDVI，相關(guān)系數(shù)分別為0.687和0.618，均小于0.7，說明本工作提出的優(yōu)化光譜和變換光譜指數(shù)雖同樣基于雙波段組合運(yùn)算，針對水稻葉片SPAD的相關(guān)性分析結(jié)果卻明顯優(yōu)于常見的幾種基于雙波段組合運(yùn)算的光譜指數(shù)。

2.3 基于優(yōu)化光譜和變換光譜指數(shù)建立水稻葉片SPAD反演模型

表2 三種建模方法反演結(jié)果Table 2 Inversion results of three modeling methods

由以上結(jié)果可以看出，不論是建模集還是驗(yàn)證集，利用優(yōu)化光譜和變換光譜指數(shù)建立的三種反演模型決定系數(shù)均大于0.79，歸一化均方根誤差最大不超過5.4%，表明三種反演模型均能實(shí)現(xiàn)對水稻葉片SPAD精準(zhǔn)預(yù)測的功能。 而三種反演模型中，采用BP神經(jīng)網(wǎng)絡(luò)方法建立的模型其驗(yàn)證集具有相對較高的決定系數(shù)，其值為0.857，模型擬合度相對較好；預(yù)測精度也相對較高，歸一化均方根誤差僅為4.829 9%。 通過建模過程中的不斷嘗試，確定了最佳的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為3層，隱藏層節(jié)點(diǎn)數(shù)為6，設(shè)置學(xué)習(xí)速率為0.1，當(dāng)?shù)螖?shù)達(dá)900次時，神經(jīng)網(wǎng)絡(luò)模型精度趨于穩(wěn)定，此時該模型對于水稻葉片SPAD的反演效果最佳。

3 結(jié) 論

圖4 預(yù)測結(jié)果散點(diǎn)圖(a)： PLSR；(b)： SVM；(c)： BP神經(jīng)網(wǎng)絡(luò)Fig.4 Scatter plots of prediction results(a)： PLSR；(b)： SVM；(c)： BP

利用四種形式的優(yōu)化光譜和變換光譜指數(shù)對應(yīng)的相關(guān)系數(shù)中高于0.87的3個積分波段組合計算得到60個優(yōu)化光譜指數(shù)值，按照2∶1的比例劃分為建模集和驗(yàn)證集，建立PLSR，SVM和BP神經(jīng)網(wǎng)絡(luò)三種水稻葉片SPAD反演模型。 三種反演模型決定系數(shù)均大于0.79，歸一化均方根誤差小于5.4%，表明三種反演模型均能實(shí)現(xiàn)對水稻葉片SPAD精準(zhǔn)預(yù)測的功能。 而三種反演模型中，BP神經(jīng)網(wǎng)絡(luò)具有最高的驗(yàn)證集決定系數(shù)0.857，歸一化均方根誤差為4.829 9%，因此，BP神經(jīng)網(wǎng)絡(luò)模型為利用優(yōu)化光譜和變換光譜指數(shù)反演水稻葉片SPAD的最佳模型。

通過現(xiàn)有技術(shù)手段實(shí)現(xiàn)了水稻葉片SPAD的高光譜反演，其優(yōu)點(diǎn)在于： (1)既保留了積分指數(shù)所包含的特定波段范圍內(nèi)大量的光譜信息又能以簡單的四則運(yùn)算代替復(fù)雜的積分運(yùn)算，一定程度上提高模型效率；(2)對本文提出的優(yōu)化光譜和變換光譜指數(shù)與水稻葉片SPAD建立全波段的二維相關(guān)性分析，在合理?xiàng)l件下可以獲得最優(yōu)相關(guān)系數(shù)，最大限度的保證建模參數(shù)的有效性和模型的精度。 影響拔節(jié)孕穗期水稻生長發(fā)育的因素多樣且復(fù)雜，由于數(shù)據(jù)采集的局限性，只針對葉綠素含量這一單一因素的影響進(jìn)行了探討，并未考慮葉面積指數(shù)、凈光合速率等其他生理信息的作用。 因此，針對多種生理信息交互作用下的綜合反演研究還有待進(jìn)一步探究。