谷子叶绿素含量高光谱特征分析及其反演模型构建

叶绿素直观反映作物的生长状态，其含量与植被胁迫、光合作用能力以及健康状况密切相关，很大程度决定了作物的产量。及时准确地估算叶绿素含量有助于发现叶片缺素症状，从而避免作物减产。无人机遥感技术以其高时空分辨率、低干扰及使用简便灵活的优点，填补了现有农业监测技术的缺陷，被广泛用于监测大田作物的氮素含量、叶绿素、叶面积指数等生理生化指标。

河北农业大学张爱军教授团队在河北省保定市顺平县耕耘农机服务专业合作社(115°08'19''E，38°46'59''N) ，设计了6 个谷子试验区，并对试验区进行氮肥梯度处理。分别在试验区的拔节期(8月11日) 、抽穗期(8月21日) 、灌浆期(9月10日) 、成熟期(9月28日) ，利用大疆公司经纬M600 Pro无人机搭载Gaiasky mini2－VN 高光谱相机（江苏双利合谱公司）对谷子冠层的光谱进行采集，无人机飞行高度为200m，测量时段为10:00—14:00，天气均为晴朗无风。与光谱测量同步，使用日本柯尼卡美能达公司叶绿素仪( SPAD－502) 测定样点附近5 株植株的叶绿素含量，每片叶子均匀测量3 次，取平均值作为样本的叶绿素含量，实现与叶片光谱数据的一一对应。

选取相关系数*大的波段构建一元函数模型（指数函数、一元线性函数、对数函数、多项式以及幂函数），选择其中*优的函数模型作为叶绿素含量的一元线性回归模型。基于光谱曲线，计算植被指数及三边参数，如表1所示，并建立相应的拟合方程。

本研究构建了一个输入层、一个输出层、五个隐含神经元、一个输出所构成的BP神经网络进行训练。BP神经网络算法的参数，如表2所示。针对各时期108组谷子叶片样本，利用神经网络建立叶绿素估算模型，选取各个时期的入选植被指数作为输入层，以谷子叶片的叶绿素值作为输出层。

表1 基于光谱曲线构建的植被指数和三边参数

表2 BP神经网络算法参数

谷子叶片叶绿素含量在不同生育期呈先增加后减少的趋势，*大值出现在抽穗期，约为66.40。谷子叶片的光谱反射率变化趋势基本一致，而光谱反射率随着叶绿素的增加呈现出降低的趋势。近红外波段的光谱一阶导数可以显著地增强红边波段，红边波段的一阶导数光谱是整个波段范围的*大值，对应为反射率在600～800 nm的强吸收效应。谷子叶片反射光谱及一阶导光谱如图1所示。

如表3所示，在不同生育期，分别基于一次线性、二次非线性、指数及对数形式构建各因子与叶绿素含量的对应关系。在拔节期和抽穗期NDVI与叶绿素含量有较好的对应关系（R² ＞ 0.52），估算值也具有*小的残差（RMSE < 2.28）。在灌浆期和成熟期，RENDVI、PSSRc则分别对叶绿素含量估算有较好的适用性。其中，NDVI的二次非线性、一次线性模型分别在拔节期和抽穗期表现良好；RENDVI、PSSRc则分别以一次线性及指数形式出现在灌浆期和成熟期。

表3 基于光谱指数的谷子叶片叶绿素含量预测模型

基于高相关的光谱特征参数NDVI、GNDVI、PSNDa、PSSRc、RENDVI及Dy构建了谷子叶片叶绿素含量PLSR预测模型（表5）。PLSR模型的Q²均高于0.56，对因变量的解释程度一般，R²均在0.6以上，而预测集的R²在0.55~0.71之间，其RMSECV在1.41~2.66之间。在拔节期，PLSR模型的**主成分对叶绿素变化的解释能力为67.8%，加入**、三主成分解释能力增加到82.7%、95.8%；抽穗期、灌浆期和成熟期PLSR模型对叶绿素的总解释能力分别为63.1%、84.5%和84.7%。PLSR预测模型精度整体上是优于单变量模型的。

表5 谷子叶片叶绿素值与敏感光谱指数的PLSR模型

表6列出了基于6个光谱参数构建的BP神经模型精度。从建模集来看，4个时期的模型决定系数均大于0.84，模型的稳定性较高，其中模型在灌浆期达到*佳估测精度，建模集R²达到了0.96，而RMSE*低，说明该时期的模型稳定性和预测能力较好。从图2可以看出，相比于传统的一元模型，利用BP神经网络对谷子叶片的SPAD值估测具有较高的精度，4个时期的预测精度均在0.66以上。综合比较，相较于偏*小二乘回归模型与一元线性模型，利用BP神经网络建模效果*佳。

表6 不同时期的BP神经网络模型精度

图2 谷子各时期光谱反射率BP神经网络模型测试集SPAD值预测结果

通讯作者信息

张爱军，河北省山区研究所研究员，博士生导师。

主要研究方向：植物营养生态与数字农业。

参考文献：

彭晓伟, 张爱军, 杨晓楠,等. 谷子叶绿素含量高光谱特征分析及其反演模型构建[J]. 干旱地区农业研究, 2022(002):040.

Doi: 10.7606/j.issn.1000-7601.2022.02.09