一种猕猴桃树叶片叶绿素含量高光谱估算方法与流程

本发明属于农业技术领域，具体地说，涉及一种猕猴桃树叶片叶绿素含量高光谱估算方法。

背景技术：

叶绿素是植物进行光合作用不可或缺的必要色素，其含量影响植物的初级生产力，能够表明植物的营养与生长状况，它被称作是植物营养胁迫、光合作用能力和各生长阶段的良好指示剂。作物的长势与其光谱特征有直接关系，它的生长、营养状况直接反映在其光谱响应特征之中。由于植被和叶片光谱反射率在可见光范围主要受植被色素(叶绿素和类胡萝卜素)和覆盖度的影响，在近红外区域则主要受冠层和叶片结构、生物量、蛋白质、纤维素等影响，因此可以用作物冠层或叶片反射光谱及其变量来估算其农学参数，特别是色素含量。红边是植被叶绿素对红光波段强烈吸收，对近红外波段多次散射形成强反射而形成，它是植物光谱区别于其它地物的特有性质。当植物由于感染病虫害或因污染或物候变化而“失绿”时，红边会“蓝移”；当植物生物量、色素含量高，生长旺盛时，红边会“红移”。定量遥感中常采用微分技术找寻关键波段如“红边”、“绿峰”等，建立光谱参数与各作物冠层生理生化参数的定量关系，如王秀珍等探讨从原始光谱、一阶微分光谱以及其对应的位置变量、面积变量和植被指数变量与作物生理生化参数间的定量关系；curran、filella等指出红边位置与红边形状可作为估算植物生物理化参数的指标；杜华强等研究红边位置、红边振幅、红边面积、红谷吸收度及红边波段构建的植被指数等高光谱特征参数与马尾松叶绿素间的函数关系；唐延林等利用棉花冠层光谱红边参数建立与色素含量及其他农学参数间的定量关系；j.delegido等构建归一化红边高光谱植被指数反演作物叶面积指数；juchang-hua等通过构建新的红边参数—红边对称度(resrededgesymmetry)反演油菜叶绿素含量，lantaoli等利用红边区域左峰值面积和右峰值面积估算冬油菜叶绿素密度。不同地区，不同环境，不同植物类型的光谱信息不尽相同，其红边响应也不同，已有的光谱植被指数对其他植被类型或在不同环境条件下处在不同生理状态的同种植被的适用性也需要进一步订正。其他学者的研究也大多集中在小麦、玉米、棉花、水稻、油菜等大田作物上，对猕猴桃的相关研究还未见报道。秦岭北麓是我国猕猴桃的最适宜产地。周至、眉县、武功和杨陵等地是其中心产区。应用高光谱遥感进行猕猴桃长势监测，建立叶片叶绿素含量高光谱估算模型，可以为猕猴桃栽培管理和营销提供决策依据，具有重要的理论和实践意义。

技术实现要素：

本发明的目的在于提供一种猕猴桃树叶片叶绿素含量高光谱估算方法，该方法利用高光谱技术实现猕猴桃叶片spad值的估测。

其具体技术方案为：

一种猕猴桃树叶片叶绿素含量高光谱估算方法，包括以下步骤：

步骤1、光谱反射率与叶绿素含量测定

光谱反射率采用美国生产的svchr-1024i型便携式野外光谱辐射仪测定，光谱探测范围为350～2500nm，其中350～1000nm光谱分辨率3.5nm，1000～1850nm光谱分辨率为9.5nm，1850～2500nm光谱分辨率为6.5nm，将样品叶片擦拭干净，平整地置于叶片夹上，在叶片的上、中、下部位各测量2次，每片叶子获得6条反射光谱曲线，取其平均值作为该叶片的光谱反射率曲线；

叶片叶绿素含量采用spad-502型叶绿素仪测定，用spad值代替叶绿素含量，测量时从猕猴桃叶尖到叶尾分段测量三次，每次测量4个点，计算平均值作为该叶片的spad值；

步骤2、数据处理

在进行数据分析前，利用光谱仪自带的处理软件将测定的原始光谱数据进行重采样并导出，采样间隔为1nm。为减少背景噪声的影响，有效提高对植物生物理化参数的检测，采用光谱归一化微分分析技术，对光谱求一阶微分。由于光谱仪采集的数据是离散的，一阶微分公式为：

式中，di是波段i的一阶微分值，ri是波段i的光谱反射率，λi是波长。

实验中，分别在幼果期、壮果期各采集84片叶子，分层抽样选取其中132组样本数据作为训练集，其余36组样品数据作为验证集，建立反演模型，并对反演模型进行检验，数据处理及建模在excel2013、matlab2013b和origin2016中完成。

与现有技术相比，本发明的有益效果：

本发明应用猕猴桃不同生育期叶片的高光谱数据，与表征叶绿素相对含量的spad值进行相关分析，再利用微分技术提取红边信息，在传统红边参数基础上，引入红边偏度和红边峰度两个新红边参数，并分析其与spad的相关性。为给西北地区猕猴桃长势监测提供科学依据，

附图说明

图1是不同spad值的光谱反射特征；

图2是光谱反射率与spad相关性；

图3是不同spad值的一阶微分光谱特征；

图4是，猕猴桃叶片不同生育期spad模型检验其中，图4(a)sλred(幼果期)；图4(b)多元逐步回归(幼果期)；图4(c)sλred(壮果期)；图4(d)多元逐步回归(壮果期)，图4(e)sλred(果期)。图4(f)多元逐步回归(果期)。

具体实施方式

下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。

1材料与方法

1.1研究区概况

研究区选择在国家杨凌高新技术产业示范区的蒋家寨村。该村位于陕西省咸阳市杨凌区。地理位置108°01′16"e,34°18′15"n，处于关中平原腹地，渭河三级阶地，海拔高度53.5—560m，地形平坦，土层深厚，土壤肥沃。该区位于暖温带半湿润大陆性季风气候，平均温12.9℃，年降水量649.5mm。夏季炎热多雨，冬季寒冷干旱，春秋温暖，四季分明。研究区是中国农耕文明的发祥地，农业生产历史悠久。近年来，随着示范区的发展，果品生产成为区域农业生产的主导产业。蒋家寨村形成优质猕猴桃生产基地。

试验基地选取栽植7—10年的成年猕猴桃园，在猕猴桃生长的关键生育期采集样品，进行叶片反射光谱和叶绿素含量测定。具体采样分别在2016年6月28日(幼果期)、2016年9月21日(壮果期)。选择7个不同的猕猴桃园，每个园选取3株正常生长发育的猕猴树。每株采集4片不同长势的、无病虫害和损伤的健康叶片，每期采集84片叶片，用塑料袋密封，保存在放置冰块的冷冻保鲜箱内，立即运回实验时进行分析测定。

1.2光谱反射率与叶绿素含量测定

测定光谱反射率和叶绿素含量。光谱反射率采用美国生产的svchr-1024i型便携式野外光谱辐射仪测定，(光谱探测范围为350～2500nm，其中350～1000nm光谱分辨率3.5nm，1000～1850nm光谱分辨率为9.5nm，1850～2500nm光谱分辨率为6.5nm)。为保证数据精确性，将样品叶片擦拭干净，平整地置于叶片夹上，在叶片的上、中、下部位各测量2次，每片叶子获得6条反射光谱曲线，取其平均值作为该叶片的光谱反射率曲线。

叶片叶绿素含量采用spad-502型叶绿素仪测定，因为传统研磨叶片提取叶绿素方法损坏作物，且不能对叶片叶绿素立即测定，经学者实验验证spad值与叶绿素存在极显著相关性，所以用spad值代替叶绿素含量^[25,26]。该仪器可在田间无损状况下快速测量植物叶片单位面积叶片当前叶绿素的相对含量，即spad值。测量时从猕猴桃叶尖到叶尾分段测量三次，每次测量4个点(避开叶脉部分)，计算平均值作为该叶片的spad值。

1.3数据处理

在进行数据分析前，利用光谱仪自带的处理软件将测定的原始光谱数据进行重采样并导出，采样间隔为1nm。为减少背景噪声的影响，有效提高对植物生物理化参数的检测，采用光谱归一化微分分析技术，对光谱求一阶微分。由于光谱仪采集的数据是离散的，因此本文中一阶微分公式为：

式中，di是波段i的一阶微分值，ri是波段i的光谱反射率，λi是波长。

实验中，分别在幼果期、壮果期各采集84片叶子，分层抽样选取其中132组样本数据作为训练集，其余36组样品数据作为验证集，建立反演模型，并对反演模型进行检验。数据处理及建模在excel2013、matlab2013b和origin2016中完成。

2结果与分析

2.1不同spad猕猴桃叶片高光谱特征变化

图1为猕猴桃叶片不同spad值所对应的原始光谱反射率曲线。由图1可以看出，不同spad的猕猴桃叶片光谱反射率趋势基本相同，均在可见光区域反射率较低，分别在550nm附近和430nm、670nm附近出现一个反射峰和两个吸收谷，这是由于叶片叶绿素对绿光的一定反射，及其对蓝光、红光强烈吸收所致。在670nm附近反射率迅速上升，在700～800nm的近红外区域形成一个反射率超过0.45的高的反射峰，这主要是因为叶片内部组织结构多次反射、散射所致。从图1中还可看出，不同spad值的叶片反射光谱存在明显差异,在可见光区域，光谱反射率随着叶片spad值的升高而降低，在近红外波段光谱反射率则随着叶片spad值的升高而升高。

将猕猴桃叶片光谱反射率与叶绿素相对含量spad进行单相关性分析。结果如图2所示，在波长350nm～748nm、1360nm～2200nm两个波段范围，spad与光谱反射率呈负相关，其中446nm～733nm波段，负相关性达到极显著水平(99.99％置信区间，n＝168)，在700nm处负相关系数最大，为-0.8559，在绿光波段附近565nm处具有最小相关系数，为-0.8494。在波长748nm～1360nm处为正相关，但没有达到显著水平。受绿色植物叶片色素影响的光谱主要在可见光区域，此区域相关系数为负，即猕猴桃叶片可见光区域的光谱反射率随着spad值的升高而降低，叶绿素含量越高，吸收越强。1360nm～2200nm波段范围内，spad与光谱反射率达到极显著相关，但是此波段范围还受叶片内部组织结构、叶片含水量等因素影响。

2.2猕猴桃叶片光谱红边特征

红边为红光范围(680-760nm)内反射光谱一阶微分最大值对应的光谱位置。利用光谱归一化微分分析技术，提取出植物的红边位置、红边幅值、红边面积、红边偏度和红边峰度等红边参数。图3为光谱反射率一阶微分曲线的红光波段，由此可以确定出红边特征参数。

猕猴桃叶片光谱反射率红边特征位于660nm～760nm之间，红边位置、红边振幅和红边面积均随着叶片spad值不同而呈现特征变化。从图3可看出，不同spad值的叶片红边一阶微分光谱曲线形状发生改变，随着叶绿素含量增加，红边位置从696nm移动到714nm，即“红移”明显。这是由于当植被旺盛生长，叶片叶绿素含量增加时，对红光的吸收增强，导致680nm附近的吸收谷轻微加深和明显变宽^[27]，从而造成红边位置向长波方向移动，红边振幅则随着叶绿素含量的增加而降低，下降幅度超过50％，红边峰值曲线整体向下移动，红边面积也有所减小，由此表明，一阶微分曲线形状—红边参数与叶绿素含量存在密切关系。与姚付启^[28]、王圆圆^[29]等人研究结果一致。偏度用来描述样本分布对称性程度，当分布左右对称，如正态分布，偏度为0，若偏度为正，则数据均值左侧离散度较右侧弱；反之，则数据均值左侧离散度较右侧强。峰度用来描述样本数据偏离某分布的情况，如正态分布，峰度为3，但在实际应用中，通常减3使正态分布峰度为0。若峰度大于0,说明样本曲线峰值比正态分布高；反之，则样本曲线峰值比正态分布小。因此，本文在传统红边参数和参考前人研究基础上，引入红边偏度和红边峰度^[28-30]来描述红边峰值形状，进而估算叶片叶绿素含量。

红边是绿色植物最明显的光谱特征之一，具有可诊断性特征。红边参数主要包括(1)红边位置λred：红光范围内(680nm～760nm)一阶微分最大值所对应的波长位置；(2)红边幅值dred：红光范围内(680nm～760nm)一阶微分光谱最大值；(3)红边面积sdred：红光范围内(680nm～760nm)一阶导数光谱所包围的面积。(4)红边偏度sλred：红光范围内一阶导数光谱的偏度^[30]；(5)红边峰度kλred：红光范围内一阶导数光谱的峰度^[30]。表1为对猕猴桃不同生育期样本叶片的光谱反射率所反映的红边参数与叶片spad值的相关性统计。由表1可知猕猴桃叶片的spad值与红边位置λred呈极显著正相关，随着叶片叶绿素含量增加，红边位置向长波方向移动，相关系数在0.85以上；叶片spad值与红边幅值dred、红边偏度sλred和红边峰度kλred都呈极显著负相关，随着spad值增加，红边幅值降低，红边曲线形状由右偏逐渐转变为左偏，峰度值也降低。其中与偏度的相关性最强，相关系数高达0.89以上，与幅值的相关性较弱；只有红边面积与spad的相关性较低，未达到显著相关水平。

表1猕猴桃不同生育期红边参数与spad的相关系数

注：**表示在0.001水平极显著，*表示在0.01水平显著。

2.3不同生育期叶片spad估算模型构建

2.3.1基于红边参数的spad单因素估算模型

根据spad与红边参数的相关性分析结果，选取与spad达到极显著性相关的特征参数：红边位置、红边幅值、红边偏度、红边峰度，分别与spad建立单因素回归模型。在进行回归建模时，对所选入的光谱特征参数变量分别尝试了线性、指数、多项式、幂函数模型，最后选取拟合效果最好的函数模型是二次多项式模型，结果如表2所示。

表2不同果期红边参数与spad单因素回归模型

由表2可得出，在猕猴桃不同生育期，除红边幅值模型外，其它3种红边参数模型都达到极显著水平(p<0.01)，红边参数与spad拟合模型均有较好的估算能力。在各生育期，拟合效果最好的是红边偏度sλred模型，r²在0.821以上，均方根误差rmse最小，都在5以下，其次是红边位置λred模型，建模精度略低于红边偏度模型；精度较低的是红边峰度kλred模型，但其r²也超过0.72，rmse在6以下，能够用于spad值估算。不同生育期估算模型的建模精度壮果期最高，幼果期较低，全生育期适中。

为分析这些模型在猕猴桃不同生育期的适用性，对模型进行精度验证，各模型检验结果参数如表2。各生育期以红边偏度、红边峰度和红边位置为自变量的估算模型都达到极显著水平。精度高低与建模精度的规律相一致。

将验证精度与建模精度相比较，只有壮果期以红边偏度sλred为自变量的模型验证精度比建模精度高，其他生育期和不同红边参数所建模型验证精度均比建模精度低，说明不同生育期虽各模型的spad值都达到精度要求，但是预测效果最好最稳定的模型是壮果期的红边偏度模型。

2.3.2基于红边参数的多元逐步回归模型

红边参数对spad值的影响不是相互独立的，而是相互交叉的。在上述五个与spad有相关关系的光谱特征参数变量中，根据红边参数对因变量spad影响的大小进行多元逐步回归分析，建立猕猴桃叶片spad多元回归估算模型。表3为不同生育期的多元逐步回归模型，各模型方程全部通过0.01极显著水平(p<0.01)检验。由表3可知，不同生育期估算模型的红边参数不同，幼果期估算模型的红边参数为红边幅值dred和红边面积sdred；壮果期估算模型的红边参数为红边面积sdred和红边偏度sλred；全生育期估算模型的红边参数为红边幅值dred、红边偏度sλred和红边峰度kλred。与单因素模型区别最大的是与spad相关性不高的红边面积sdred和估算模型精度不高的红边幅值dred两个红边参数，构成多元逐步回归模型的主要自变量。

表3不同生育期多元逐步回归模型

2.4单因素模型与多元回归模型精度比较

为确定在猕猴桃不同生育期基于红边参数的叶片spad值估算的最优模型，用检验样本对模型进行验证。将单因素回归拟合最佳模型与逐步回归分析模型进行精度比较。图4为猕猴桃不同生育期叶片spad实测值与预测值的拟合分布图，其中图4a～4e分别为以红边偏度sλred建立的多项式模型的预测结果，图4b～4f为分别为多元逐步回归模型的预测结果。图中实线为实测值的回归方程，黑色虚线表示1:1线，反映了实测值与预测值的相近程度，回归方程越接近1:1线，，说明模型预测精度和效果越好。

结合表2、表3各模型精度与图4拟合分析，两类模型的方程都通过0.01水平的检验，各建模精度和验证精度都很高，模型在猕猴桃不同生育期计算的预测值和实测值之间都呈极显著相关，表明这些模型都可对猕猴桃叶片spad值进行监测。

经过各模型精度指标对比和拟合图分析，在幼果期、壮果期和全生育期，多元逐步回归模型与单因素多项式回归模型相比较，建模精度更高，拟合效果更好，用检验样本进行精度验证，多元逐步回归模型的预测值和实测值更为接近，预测效果也最好，这可能是逐步回归模型把多个对spad有影响的因素考虑到方程中，模型包含了更多信息，使方程的学习和预测能力都得到提高，且与单因素模型相比更具稳定性。因此可以把多元逐步回归模型作为猕猴桃生长发育过程监测叶片spad值的最优估算模型。

3结论

叶绿素是监测植物长势和预测产量的重要农学指标。本文应用猕猴桃不同生育期叶片的高光谱数据，与表征叶绿素相对含量的spad值进行相关分析，再利用微分技术提取红边信息，在传统红边参数基础上，引入红边偏度和红边峰度两个新红边参数，并分析其与spad的相关性。将与spad有显著性相关的红边参数进行单因素回归建模和逐步多元回归分析，得到以下结论：

(1)从幼果期到壮果期，叶片spad值呈升高趋势，这是由于猕猴桃果实迅速膨大，作物处于旺盛生长状态，叶片叶绿素含量增加。整个生长果期内，不同spad值的猕猴桃叶片原始光谱有明显差异，表现为随着spad值的升高，在可见光波段范围内光谱反射率逐渐降低，近红外波段范围内光谱反射率则随着叶片spad值的升高而升高；

(2)在猕猴桃的整个生育期，叶片叶绿素含量不同，其反射光谱的红边参数呈现规律变化。不同spad值的叶片一阶微分光谱曲线形状发生改变，红边位置范围在690nm～720nm之间,且随着spad值的升高，红边位置向长波方向移动，即“红移”；红边幅值随着spad值的增大而递减；红边面积也有所减小，即叶片叶绿素含量与红边一阶微分曲线形状有密切关系；

(3)植被的红边蕴含丰富的光谱信息，本文研究发现以描述红边一阶微分曲线形状的新红边参数—红边偏度，能够比常规红边参数更好地反演叶片叶绿素含量。在幼果期、壮果期和统一果期，均以新引入的红边偏度sλred建立的二次多项式模型具有更好的拟合能力和更高的预测效果，估算模型r²在0.821以上，预测r²在0.782以上；

(4)多元逐步回归模型具有更高的拟合和估算效果，其估算精度和预测效果均比单因素变量建立的模型好，在幼果期、壮果期和全生育期，估算模型r²分别为0.836、0.877和0.857。且与单因素多项式回归模型相比，多元逐步回归模型更具稳定性，在幼果期、壮果期和全生育期，其预测r²分别为0.848、0.926、和0.850。因此在猕猴桃的不同生育期，可用红边参数为自变量的多元逐步回归模型对猕猴桃叶片的spad进行监测。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。