谷子葉綠素含量高光譜特征分析及其反演模型構建

葉綠素直觀反映作物的生長狀態，其含量與植被脅迫、光合作用能力以及健康狀況密切相關，很大程度決定了作物的產量。及時準確地估算葉綠素含量有助于發現葉片缺素癥狀，從而避免作物減產。無人機遙感技術以其高時空分辨率、低干擾及使用簡便靈活的優點，填補了現有農業監測技術的缺陷，被廣泛用于監測大田作物的氮素含量、葉綠素、葉面積指數等生理生化指標。

河北農業大學張愛軍教授團隊在河北省保定市順平縣耕耘農機服務專業合作社(115°08'19''E，38°46'59''N) ，設計了6 個谷子試驗區，并對試驗區進行氮肥梯度處理。分別在試驗區的拔節期(8月11日) 、抽穗期(8月21日) 、灌漿期(9月10日) 、成熟期(9月28日) ，利用大疆公司經緯M600 Pro無人機搭載Gaiasky mini2－VN 高光譜相機（江蘇雙利合譜公司）對谷子冠層的光譜進行采集，無人機飛行高度為200m，測量時段為10:00—14:00，天氣均為晴朗無風。與光譜測量同步，使用日本柯尼卡美能達公司葉綠素儀( SPAD－502) 測定樣點附近5 株植株的葉綠素含量，每片葉子均勻測量3 次，取平均值作為樣本的葉綠素含量，實現與葉片光譜數據的一一對應。

選取相關系數*大的波段構建一元函數模型（指數函數、一元線性函數、對數函數、多項式以及冪函數），選擇其中*優的函數模型作為葉綠素含量的一元線性回歸模型?；诠庾V曲線，計算植被指數及三邊參數，如表1所示，并建立相應的擬合方程。

本研究構建了一個輸入層、一個輸出層、五個隱含神經元、一個輸出所構成的BP神經網絡進行訓練。BP神經網絡算法的參數，如表2所示。針對各時期108組谷子葉片樣本，利用神經網絡建立葉綠素估算模型，選取各個時期的入選植被指數作為輸入層，以谷子葉片的葉綠素值作為輸出層。

表1 基于光譜曲線構建的植被指數和三邊參數

表2 BP神經網絡算法參數

谷子葉片葉綠素含量在不同生育期呈先增加后減少的趨勢，*大值出現在抽穗期，約為66.40。谷子葉片的光譜反射率變化趨勢基本一致，而光譜反射率隨著葉綠素的增加呈現出降低的趨勢。近紅外波段的光譜一階導數可以顯著地增強紅邊波段，紅邊波段的一階導數光譜是整個波段范圍的*大值，對應為反射率在600～800 nm的強吸收效應。谷子葉片反射光譜及一階導光譜如圖1所示。

如表3所示，在不同生育期，分別基于一次線性、二次非線性、指數及對數形式構建各因子與葉綠素含量的對應關系。在拔節期和抽穗期NDVI與葉綠素含量有較好的對應關系（R² ＞ 0.52），估算值也具有*小的殘差（RMSE < 2.28）。在灌漿期和成熟期，RENDVI、PSSRc則分別對葉綠素含量估算有較好的適用性。其中，NDVI的二次非線性、一次線性模型分別在拔節期和抽穗期表現良好；RENDVI、PSSRc則分別以一次線性及指數形式出現在灌漿期和成熟期。

表3 基于光譜指數的谷子葉片葉綠素含量預測模型

基于高相關的光譜特征參數NDVI、GNDVI、PSNDa、PSSRc、RENDVI及Dy構建了谷子葉片葉綠素含量PLSR預測模型（表5）。PLSR模型的Q²均高于0.56，對因變量的解釋程度一般，R²均在0.6以上，而預測集的R²在0.55~0.71之間，其RMSECV在1.41~2.66之間。在拔節期，PLSR模型的**主成分對葉綠素變化的解釋能力為67.8%，加入**、三主成分解釋能力增加到82.7%、95.8%；抽穗期、灌漿期和成熟期PLSR模型對葉綠素的總解釋能力分別為63.1%、84.5%和84.7%。PLSR預測模型精度整體上是優于單變量模型的。

表5 谷子葉片葉綠素值與敏感光譜指數的PLSR模型

表6列出了基于6個光譜參數構建的BP神經模型精度。從建模集來看，4個時期的模型決定系數均大于0.84，模型的穩定性較高，其中模型在灌漿期達到*佳估測精度，建模集R²達到了0.96，而RMSE*低，說明該時期的模型穩定性和預測能力較好。從圖2可以看出，相比于傳統的一元模型，利用BP神經網絡對谷子葉片的SPAD值估測具有較高的精度，4個時期的預測精度均在0.66以上。綜合比較，相較于偏*小二乘回歸模型與一元線性模型，利用BP神經網絡建模效果*佳。

表6 不同時期的BP神經網絡模型精度

圖2 谷子各時期光譜反射率BP神經網絡模型測試集SPAD值預測結果

通訊作者信息

張愛軍，河北省山區研究所研究員，博士生導師。

主要研究方向：植物營養生態與數字農業。

參考文獻：

彭曉偉, 張愛軍, 楊曉楠,等. 谷子葉綠素含量高光譜特征分析及其反演模型構建[J]. 干旱地區農業研究, 2022(002):040.

Doi: 10.7606/j.issn.1000-7601.2022.02.09