利用光谱特征参数估算病害胁迫下杉木叶绿素含量

伍 南， 刘君昂， 闫瑞坤， 周国英

（中南林业科技大学林业生物技术湖南省重点实验室，长沙 410004）

叶绿素作为光合作用中最重要的有机分子，其 浓度直接影响植物的初期生长［1]，且叶绿素分子结构也是合成植物叶片氮素的重要组成部分［2]。因此，通过测定叶绿素含量可以有效估算植物营养及生理状态［3]。叶绿素的常规测定是使用分光光度计法，由于这种方法要进行组织提取和分光光度计的测定，因此既耗时间又对植被造成损伤。而便携式高光谱仪是通过绿色植物叶片的反射率、透射率和吸收率来测定叶绿素含量的。因此，利用高光谱遥感技术实现快速、准确、无损地测定病害胁迫下的杉木叶绿素含量，对杉木病虫害的早期监测具有重要意义。

目前，国内外学者针对植物光谱与生化成分之间的相关关系进行了大量的研究［3－9]，对在各种环境胁迫下的植物光谱特征与叶绿素含量之间的关系也进行了深入的研究。Filella等［10]研究表明红边位置和形状可反映植物的叶绿素含量；Helmi等［11]研究了植被光谱与叶绿素浓度的关系，发现“红边位置”随叶绿素含量而变化，当植被健康并有高的叶绿素含量时，红边位置将会往长波方向移动，当遭受病虫害胁迫时，红边位置将向短波方向移动；李庆波等［12]研究表明，利用可见－近红外光谱检测植物叶片叶绿素含量是可行的；宋开山等［13]采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型，取得了较好的效果；黄文江等［14]建立了红边位置与叶绿素含量之间的线性关系模型，为冬小麦的生长状态及营养诊断提供依据；蒋金豹等［15]对病害胁迫下的小麦叶绿素含量进行了研究，认为随着胁迫程度加重，叶绿素含量逐渐降低；杜华强等［16]研究了马尾松针叶光谱特征与其叶绿素含量之间的关系，发现马尾松叶绿素与其反射光谱之间存在较高的线性关系。

杉木炭疽病（Colletotrichum gloeosporioides）是我国南方地区杉木（Cunninghamia lanceolata）人工林的重要病害之一［17－18]。因此，其病害的监测对杉木林生态系统健康发展有着重要意义。林辉［19]、刘旋［20]等采用回归分析技术建立了杉木叶绿素含量的高光谱估算模型，表明利用高光谱遥感技术对杉木叶绿素含量进行快速、无损的估算是可行的。但目前对于病害胁迫下杉木叶绿素含量的估算研究未见系统报道。本研究在对杉木炭疽病的发生特点及机理深入理解的基础上，通过实地调查病情指数并获取不同发病程度的杉木冠层光谱及其叶绿素含量，采用逐步回归、主成分回归及偏最小二乘回归方法构建了病害胁迫下杉木叶绿素含量的估算模型。以期用快速、准确、无损的遥感技术估算病害胁迫下杉木叶绿素的含量，为今后利用遥感技术进行森林病害监测和健康评价提供参考。

1 材料与方法

1.1 试验设计

试验场地位于湖南省攸县黄丰桥国有林场，在该林场共设置3块样地，所选样地林龄分别为3年、7年和15年。根据杉木炭疽病的发生特点及机理，试验于2011年4月、5月和6月分别测量了不同发病程度的杉木冠层光谱及相应的叶绿素含量。数据采集时，首先进行病情指数（disease index，DI）调查及病情严重度分级；考虑到杉木较高，因此光谱测试采取剪枝测量的方法［21]，将每株DI相同或相近的杉木小枝（6～8枝）从树冠上剪下作为测试样本；光谱测试完成后，立即将对应的杉木小枝装入保鲜袋，带回实验室进行叶绿素含量的测定。

1.2 测试样本材料及病情指数获取

在所选3块样地内取不同发病程度的杉木冠层小枝为测试样本材料。病情严重度按叶片受害面积占整个叶片面积百分数不同分为4级，即：0%为正常，代表值为0；30%以下为轻度，代表值为1；31%～60%为中度，代表值为2；61%～100%为重度，代表值为3。然后按照相应的代表值和公式计算出病情指数，见（1）式。

其中：x为各梯度的级值；n为最高梯度值3；f为各梯度的叶片数。测试时，注意选取DI相同或相近的冠层进行光谱测试。

1.3 光谱测试

光谱测试使用美国ASD公司生产的手持式野外光谱辐射仪，波长范围325～1 075nm，光谱分辨率为3.5nm，视场25°，质量1.2kg。试验选择在晴朗无云或少云的天气进行，为了减少太阳高度角变化对光谱测量结果的影响，测量时间选择为北京时间10：00～14：00（太阳高度角大于45°）。从每株DI相同或相近的杉木树冠上剪下6～8个小枝均匀叠放在一起作为测试目标，测量时仪器探头保持垂直向下，每次采集目标光谱前后进行1次白板校正。每个样本记录10条光谱曲线，以其平均值作为该样本的光谱反射率。

1.4 叶绿素测试

叶绿素含量测定采用分光光度法，用95%乙醇及少量石英砂和碳酸钙粉将叶片研磨成匀浆，至组织发白，过滤、静置，然后用上海光谱仪器有限公司制造的752型紫外－可见分光光度计测量663nm和645nm波长下的光密度A值，根据公式Ch1a＋b（mg／L）＝8.02×A663＋20.2×A645计算叶绿素的含量，再通过公式 Ch1a＋b（mg／g）＝浓度（mg／L）×提取液体积（mL）／质量（g）／1 000，将叶绿素含量转化为每克叶片的毫克数。

1.5 光谱数据预处理

为了消除原始光谱数据中基线漂移、样本不均、光散射及其他随机噪音的影响，需要对光谱数据进行预处理。本研究采用Savitzky－Golay平滑法，选用平滑点数为7，较好地消除了各种因素产生的噪音影响，同时考虑到因系统误差导致光谱曲线在首端和末端噪音较大，而截取400～900nm的波长范围进行研究，然后采用光谱归一化微分分析技术对原始光谱（R）进行一阶微分处理，得到微分光谱（D（R）），其计算公式见（2）式［22]：

其中：Δλ为两倍波段宽。

1.6 模型建立和精度验证方法

随机选取2011年4月、5月和6月采集的45个样本中的30个作为建模集，分别采用逐步回归、主成分回归和偏最小二乘回归法建立病害胁迫下杉木叶绿素含量的估算模型，其余15个样本作为验证集。模型精度通过相对误差、均方根误差（RMSE）和预测值与观察值之间的相关系数（r）进行验证，计算公式见（3）～（5）式：

其中：yi和分别代表实测值和由模型计算出来的预测值，取相对误差绝对值的平均值作为模型精度的检验指标。

其中：yi和分别代表实测值和由模型计算出来的预测值，n为样本数。

其中：yi和分别代表实测值和由模型计算出来的所有样本的平均值代表利用最佳模型预测出的样本值。

2 结果与分析

2.1 病害胁迫下杉木冠层的光谱特征

图1是不同病情指数的杉木冠层原始光谱曲线。从图1可以看出，健康杉木冠层的光谱反射率在绿光区域（510～580nm）有一个明显的峰区，这是因为在这一波段叶绿素吸收较少，所以形成了一个叶绿素的绿色强反射峰区，称之为“绿峰”；而在红光区域由于叶绿素的强吸收形成了一个吸收谷，约在680nm附近达到最大，称之为“红谷”。随着病情严重度的增加，杉木冠层光谱发生了明显的变化，主要表现为绿光范围内的“绿峰”和红光范围内的“红谷”逐渐消失，红光到近红外陡峭的红边被逐渐拉平（这主要是由于受病害的影响，叶绿素含量相对减少的结果），在近红外区域，健康杉木的光谱反射率明显大于感病杉木的光谱反射率。这种在光谱上的差异使得应用高光谱遥感技术估算病害胁迫下的杉木叶绿色含量成为可能。

图1 不同DI的杉木冠层光谱特征

2.2 叶绿素含量与光谱反射率之间的相关分析

病害胁迫下杉木叶绿素含量与其原始光谱反射率之间的相关系数曲线见图2。从图2可以看出，病害杉木叶绿素含量在614～698nm处与原始光谱反射率呈极显著负相关，724nm之后呈极显著正相关，且在近红外区域基本趋于稳定。病害杉木叶绿素含量与微分光谱（见图3）在424～486nm和552～682nm两个波段呈极显著负相关，在514～532nm，698～755nm和762～772nm 3个波段呈极显著正相关，其他波段相关性波动较大。其中叶绿素含量与原始光谱的相关系数绝对值最大为0.69，与微分光谱的相关系数绝对值最大为0.87。由此可见，可见光和近红外区域是病害杉木叶绿素反射和吸收的敏感区域，且微分光谱比原始光谱更为敏感。因此，利用高光谱遥感技术估算病害胁迫下杉木叶绿素含量是可行的。

2.3 高光谱特征参数的构建及与叶绿素含量的相关分析

鉴于可见光和近红外区域是病害杉木叶绿素反射和吸收的敏感区域，在此基础上结合前人的研究成果和经验［23]，利用建模集的30个样本信息进行光谱响应特征参数提取，共定义了关于蓝边、绿边、黄边、红边、红谷及3类植被指数的15个光谱特征参数（见表1）。

病害胁迫下杉木叶绿素含量与高光谱特征参数之间的相关性见表2。从表2可以看出，叶绿素含量与除SDb和SDg外的其他13个高光谱特征参数均达到极显著相关，这说明高光谱特征参数对叶绿素含量具有很好的指示作用，利用高光谱特征参数建立病害胁迫下杉木叶绿素含量的估算模型是可行的，特征参数的提取可以有效地简化分析模型和提高模型预测精度。

表1 高光谱特征参数的定义

表2 叶绿素与高光谱特征参数之间的相关性1）

2.4 模型建立及精度评价

从表2中筛选出相关系数较大的6个高光谱特征 参 数：Dr，SDr，SDb／SDg，NDVI［R680，R780]，（SDr－SDg）／（SDr＋SDg）和（SDg－SDb）／（SDg＋SDb）。通过对这6个参数进行共线性诊断后可知（见表3），各参数之间均存在显著关系，且部分参数之间相关系数在0.8以上，说明这6个参数间存在信息上的重叠，具有多重共线性关系。为了消除多重共线性对模型的不利影响，本次研究采用逐步回归、主成分回归及偏最小二乘回归建立病害胁迫下杉木叶绿素含量的估算模型。

表3 高光谱特征参数之间的相关性

从表4可知，逐步回归、主成分回归及偏最小二乘回归3种建模方法均消除了多重共线性的影响，模型的决定系数全部通过0.01极显著检验性水平。其中，逐步回归模型精度最高，模型的预测值与实测值之间的相关系数为0.906，相对误差为10.71%，均方根误差为0.194，建模结果如图4a所示。利用15个检验样本对模型进行精度检验，结果如图4b所示：预测值与实测值之间的相关系数为0.916，均方根误差为0.184，模型估算精度较高。

表4 叶绿素含量的逐步回归、主成分回归和最小二乘回归模型结果1）

图4 逐步回归模型的建模与验证

3 结论与讨论

本研究通过获取不同发病程度的杉木冠层光谱及相应的叶绿素含量，通过相关分析，选取6个与叶绿素含量相关系数较大的高光谱特征参数，并采用逐步回归、主成分回归及偏最小二乘回归方法消除了各参数间的多重共线性的影响，构建了叶绿素含量的估算模型。经综合分析主要得出以下结论：

（1）受病害的影响，叶绿素含量相对减少，导致健康和感病杉木的光谱特征存在明显差异，说明应用高光谱遥感技术估算病害胁迫下的杉木叶绿色含量是可行的。

（2）在病害杉木叶绿素含量与光谱数据的分析中，叶素含量与原始光谱在可见光（614～698nm）和近红外区域（724nm之后）达到极显著相关，且在近红外区域基本趋于稳定；与微分光谱在424～486、514～532、552～682、698～755nm和762～772nm 5个波段全部达到极显著相关。

（3）鉴于可见光和近红外区域是病害杉木叶绿素反射和吸收的敏感区，结合病害杉木的光谱响应特征共定义了15个高光谱特征参数。相关分析结果表明，除SDb和SDg外，其他13个高光谱特征参数与叶绿素含量均达到极显著相关。

（4）选取相关系数较大的6个高光谱特征参数，采用逐步回归、主成分回归及最小二乘回归方法建立病害杉木叶绿素含量估算模型。其中，以逐步回归模型精度最高，模型的预测值与实测值之间的相关系数为0.906，相对误差为10.71%，均方根误差为0.194。

本研究结果表明，利用高光谱特征参数估算病害杉木叶绿素含量是可行的。反之，从叶绿素含量的变化也能推测杉木冠层光谱特征，并通过光谱特征的变化分析其健康或受环境胁迫的情况。该研究结果可为今后利用高光谱遥感技术进行森林监测和健康评价提供科学参考。

［1]Blackburm G A.Hyperspectral remote sensing of plant pigments［J].Journal of Experimental Botany，2007，58（4）：855－867.

［2]Yang F，Li J，Gan X，et al.Assessing nutritional status of Festuca arundinacea by monitoring photosynthetic pigments from hyper－spectral Data［J].Computers and Electronics in Agriculture，2010，70（1）：52－59.

［3]Moran J A，Mitchell A K，Goodmanson G，et al.Differentiation among effects of nitrogen fertilization treatments on conifer seedlings by foliar reflectance：a comparison of methods［J].Tree Physiol，2000，20（16）：1113－1120.

［4]王登伟，黄春燕，张伟，等.高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析［J].棉花学报，2008，20（5）：268－271.

［5]申晓慧，张敬涛，姜成，等.大豆叶片叶绿素含量与光谱的特征分析［J].大豆科学，2009，28（4）：747－750.

［6]姚付启，张振华，杨润亚，等.基于红边参数的植被叶绿素含量高光谱估算模型［J].农业工程学报，2009，25（S2）：123－129.

［7]Daughtry C S T，Walthall C L，Kim M S，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J].Remote Sensing of Environment，2000，74：229－239.

［8]Martin M E，Aber J D.High spectral resolution remote sensing of forest canopy lignin，nitrogen，and ecosystem process［J].Ecological Application，1997，7（2）：431－443.

［9]Curran P J，Dawson T P.Estimating the foliar biochemical concentration of leaves with reflectance spectrometry testing the kodaly and clank methodologies［J].Remote Sensing of Environment，2001，76：349－359.

［10]Filella D，Pen－uelas J.The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status［J].International Journal of Remote Sensing，1994，15（7）：1459－1470.

［11]Helmi Z M S，Mohamad A M S，Azadeh G.Hyper－spectral remote sensing of vegetation using red edge position techniques［J].American Journal of Applied Sciences，2006，3（6）：1864－1871.

［12]李庆波，黄彦文，张广军，等.基于可见－近红外光谱的植物叶绿素含量无损检测方法研究［J].光谱学与光谱分析，2009，29（12）：3275－3278.

［13]宋开山，张柏，王宗明，等.大豆叶绿素含量高光谱反演模型研究［J].农业工程学报，2006，22（8）：16－21.

［14]黄文江，王纪华，刘良云，等.冬小麦红边参数变化规律及其营养诊断［J].遥感技术与应用，2003，18（4）：206－211.

［15]蒋金豹，际云浩，黄文江.病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究［J].光谱学与光谱分析，2007，27（7）：1363－1367.

［16]杜华强，葛宏立，范文义，等.马尾松针叶光谱特征与其叶绿素含量间关系研究［J].光谱学与光谱分析，2009，29（11）：3033－3037.

［17]曾大鹏，刘开玲，贺正兴，等.杉木炭疽病的研究［J].林业科学，1981，17（3）：250－257.

［18]朱建华，陈红梅，傅瑞树，等.杉木炭疽病空间格局及其变化研究［J].中国生态农业学报，2004，12（3）：169－171.

［19]林辉，刘璇，臧卓，等.杉木叶绿素含量高光谱遥感模型研究［J].中南林业科技大学学报，2010，30（11）：1－5.

［20]刘旋，林辉，臧卓，等.杉木叶绿素a含量与高光谱数据相关分析［J].中南林业科技大学学报，2010，30（5）：72－76.

［21]张田.福建省三明市松材线虫病遥感监测预测研究［D].北京：北京林业大学，2010.

［22]王磊，白由路，卢艳丽，等.光谱数据变换对玉米氮素含量反演精度的影响［J].遥感技术与应用，2011，26（2）：220－225.

［23]王秀珍，黄敬峰，李云梅，等.水稻生物化学参数与高光谱遥感特征参数的相关分析［J].农业工程学报，2003，19（2）：144－148.