利用高光谱参数反演水稻叶片类胡萝卜素含量-莱森光学
引言
类胡萝卜素（car）是植物光合作用中吸收光能的主要色素之一，它不仅吸收传递光能，还具有保护叶绿素的功能。当有过剩的光能发生时，car就参与到叶黄素循环过程中将过剩的能量散失掉，从而避免了过剩光能对光合系统的伤害。当叶片受胁迫或衰老时，car的存在又可延缓叶绿素的快速分解，维持光合作用的进行。因此，利用高光谱技术快速监测叶片car含量信息，对于诊断植物不同发育阶段的生理状态具有重要的意义。
由于car与叶绿素吸收峰所处波段部分重叠，且多数叶片中叶绿素含量要高于car含量，因而，前人关于植被色素的光谱监测研究多侧重易于反演的叶绿素方面，而对car的研究相对较少。
在水稻研究方面，孙雪梅研究了光谱指数与水稻剑叶car含量间的关系，指出应用pssrc和psndc预测car含量有一定的局限性，而sipi、psri、pri也不能用于car含量预测；唐延林等则指出高光谱指数和红边位置λred与水稻叶片car含量间存在极显著相关；王福民等（2009）分析了所得波段范围内所有归一化光谱指数与水稻叶片car含量之间的关系，提出（r1536–r707）/（r1536+r707）可以较好地估算car含量。可见，对于能否利用植被光谱指数准确监测水稻叶片car含量尚存在一定的分歧，所提出的一些敏感光谱指数在其波段选择上也有一定的差异，且光谱指数研究范围也局限于某一些经验性或某一种构造类型的光谱指数，不能保证筛选出的光谱指数为最佳组合。
本研究以不同年份、品种类型、施氮水平的田间试验为基础，综合分析所得波段范围内所有两波段组合的比值与归一化光谱指数与水稻上部叶片car含量之间的定量关系，并对比分析前人提出的其他构造形式的car敏感光谱指数在水稻作物上的应用效果，探讨叶片水平高光谱技术提取car含量的可行方法，进而建立car含量的定量估算模型。希望能为水稻叶片car含量的无损监测和光合能力评价奠定基础。
材料与方法
2.1 试验设计
本研究共进行了4个水稻田间试验，涉及不同的试验点、年份、品种类型和施氮水平，具体的试验设计如下。
试验1（exp.1）：2005年在江苏省南京市农林局江宁试验站进行。供试品种为‘27123’和‘武香粳14’。土壤有机质含量1.61%、全氮含量0.136%、速效氮含量74.7mg/kg、速效磷含量10.36mg/kg、速效钾含量82.6mg/kg。设4个施氮水平：0、90、270和405kg/hm2纯氮，按基肥35%、分蘖肥15%、促花肥25%、保花肥25%施入；各处理配施135kg/hm2p2o5和190kg/hm2k2o，均做基肥一次性施入。试验小区随机区组排列，重复3次，小区面积为3.5m×9.0m=31.5m2，株行距为0.15m×0.25m。5月18日播种，6月18日移栽，其他管理同常规高产田。
试验2（exp.2）：2006年在江苏省南京市农林局江宁试验站进行。供试品种同试验1。土壤有机质含量1.43%、全氮含量0.11%、速效氮含量62.5mg/kg、速效磷含量10.36mg/kg、速效钾含量82.5mg/kg。设4个施氮水平：0、90、240和360kg/hm2纯氮，氮肥基追比及磷钾肥的施用同试验1。试验小区随机区组排列，重复3次，小区面积为5m×5m=25m2，株行距为0.15m×0.25m。5月18日播种，6月20日移栽，其他管理同常规高产田。
试验3（exp.3）：2006年在浙江省杭州市中国水稻研究所试验场（119°56′e，30°05′n）进行。选用9个不同株型和穗型的品种，分别为‘iii优98’、‘ii优航1号’、‘胜泰1号’、‘d优527’、‘ii优162’、‘国稻6号’、‘天优998’、‘汕优63’和‘ii优602’。土壤有机质含量1.02%、全氮含量0.101%、速效氮含量53.2mg/kg、速效磷含量9.6mg/kg、速效钾含量66mg/kg。设3个施氮水平：0、120和180kg/hm2纯氮，按基肥50%、分蘖肥30%和穗肥20%施入。各处理配施cap2h4o8450kg/hm2，kcl150kg/hm2。试验小区随机区组排列，3次重复，小区面积3m×3m=9m2，株行距为0.20m×0.28m。5月23日左右播种，6月13日移栽，其他管理同常规高产田。
试验4（exp.4）：2007年在江苏省南京市农林局江宁试验站（118°59′e，31°56′n）进行。供试品种为‘两优培九’和‘武香粳14号’。土壤有机质含量2.11%、全氮含量0.116%、速效氮含量103.9mg/kg、速效磷含量43.46mg/kg、速效钾含量80.5mg/kg。试验采用裂区设计，2个水分处理：间歇灌溉和水层灌溉（3–5cm），水分处理于秧苗移栽并返青之后开始实施至水稻成熟；3个施氮水平：0、180和300kg/hm2纯氮，按基肥50%、分蘖肥10%、促花肥20%、保花肥20%施入；磷钾肥的施用同试验1。小区面积为5m×6m=30m2，株行距为0.20m×0.28m，3次重复。5月18日播种，6月18日移栽，其他管理同常规高产田。
2.2 叶片取样及光谱测量
分别在水稻拔节、孕穗、抽穗、灌浆前期、灌浆中期和灌浆后期，从每个小区内选取水稻植株数穴，连根拔起，置于水桶中，带回实验室，每处理取6个代表性主茎，测定主茎顶1（l1）、顶2（l2）、顶3（l3）和顶4（l4）完全展开叶上、中、下部的反射光谱，取平均值作为被测叶位的光谱反射率。叶片光谱测量采用莱森光学ispecfield地物光谱仪自带的手持叶夹式叶片光谱探测器进行，探测器内置石英卤化灯，光源稳定；测量时叶片置于叶片夹的叶室中，从而保证叶片水平且被探测面积相同，以消除背景反射、叶片表面弯曲造成的光谱波动及叶片内部变异造成的影响。
2.3 叶片car含量测定
采集完光谱反射率后，将叶片样本迅速放于保鲜袋中，经液氮冷冻处理，然后测定car含量。测定时，将叶片剪碎、混匀，称0.10g左右，采用无水乙醇和丙酮1：1混合液于暗处提取，用紫外可见分光光度计测定470、645和663nm处的吸光度，然后以lichtenthaler法计算不同叶位叶片的car含量。
2.4 数据分析
方法本文选用最为常用的比值光谱（sr（λ1，λ2））和归一化差值（nd（λ1，λ2））指数，详细分析350–2500nm范围内任意两波段组合的sr和nd光谱指数与水稻叶片car含量间的关系，以期找到预测水稻叶片car含量的适宜光谱变量。
首先综合利用试验1和2的资料对光谱指数与叶片car含量进行相关分析，选出敏感波段及适宜光谱指数，并通过回归分析建立基于敏感光谱指数的水稻叶片car含量预测模型。然后基于试验3和4的数据资料，采用均方根差（rmse）、平均相对误差（re）和预测精度（p-r2）3个统计指标对所筛选的光谱指数及其预测模型进行测试和检验，并绘制观察值与预测值之间的1：1关系图。所有数据处理和分析过程均在matlab语言环境下编程实现。
结果与分析
3.1 水稻叶片car含量的变化特征
表2显示了本文中建模及测试样本集叶片car含量的统计结果，car含量的变幅范围分别为0.136–0.854mg/g和0.217–0.866mg/g，变异系数分别为28.8%和22.7%，显示样本具有较好的代表性。
表2 水稻叶片类胡萝卜素含量的变化
因不同年度试验、不同水稻品种间叶片car含量随生育期的变化具有一定的相似性，本节以试验2中‘武香粳14’为例说明不同处理及不同叶位叶片car含量变化情况。图1展示不同施氮水平间各叶位叶片平均car含量随生育期的变化模式，各生育期不同施氮水平间叶片car含量差异明显，均表现为n3>n2>n1>n0变化模式；随生育期的变化，在抽穗前（dat80）变化缓慢，而抽穗后均表现为快速下降的趋势，表明在生育前期，各处理叶片car含量均有一个积累保持期，这有利于防护叶片叶绿素的降解；后期随着叶片的营养转移及衰老，car含量持续下降，而施氮可提高叶片car含量，延缓叶片的衰老。
图1 水稻顶部叶片类胡萝卜素含量随生育期的变化(试验2, ‘武香粳14’)。n0、n1、n2、n3, 分别表示0、90、240和360 kg n/hm2 处理。l1、l2、l3、l4, 分别表示顶1、顶2、顶3、顶4叶。
图1显示了不同叶位间各处理平均car含量随生育期的变化模式，不同叶位间，car前期差异较小，在移栽后80天，叶片已全部抽出，进入孕穗期，叶位固定，之后各时期car含量明显表现为l1>l2>l3>l4的空间模式；随着生育期推进，各叶位叶片car含量变化有异，抽穗前，l1和l2表现为先缓慢下降后上升，l3和l4表现为缓慢下降，抽穗期后，均表现为持续快速下降趋势，说明上叶位比下叶位具有更强的生理活性。
3.2 水稻叶片光谱反射率的变化特征
为了清晰地描述不同car含量水平叶片的反射光谱特征，本研究将400组叶片的反射光谱按car含量从低到高分为car≤0.2、0.20.8mg/g6组，并将每组样本的光谱反射率进行平均，从而得到代表不同car含量水平的叶片反射光谱曲线图（图2）。
图2 不同类胡萝卜素含量(mg/g)水平水稻叶片的光谱反射率特征
图2显示在350–700nm可见光区，叶片反射率随着car含量的增加而降低，平均变化幅度达到230%，而在近红外波段（750–1350nm），叶片反射率随着car含量的增加而增加，但其平均变化幅度仅为5.17%。可见光区的光谱特征受各种色素的共同影响，色素含量高则吸收强，反射率就低，而近红外区域的光谱特征主要受叶肉结构的影响，本文中由色素含量变化造成的叶肉结构的差异相对较小，因此，受car含量变化的影响，近红外区叶片光谱反射率的变化强度要明显小于可见光部分。不同car含量下叶片光谱反射率的这种变化规律为研究利用高光谱技术反演水稻叶片car含量奠定了基础。
3.3 水稻叶片car含量与原始光谱及一阶导数间的相关性
将试验1和2中所有生育期的叶片car含量与对应的叶片光谱反射率及其一阶微分光谱数据（n=400）进行了总体相关分析（图3）。结果显示，波长小于745nm的光谱反射率与叶片car含量呈负相关，其中，在510–600nm绿光区域及695–717nm的红边区域，负相关达到较高水平（r<–0.88），相关性最好的波段分别为562nm（r=–0.887）和705nm（r=–0.895）。在750–1350nm近红外区域内，存在一个正相关系数平台，但相关性较小（r0.85），其中以sr（554，773）和nd（773，562）表现最好（表3），s-r2分别为0.854和0.867。在红边区域，以723nm附近与近红外波段的sr组合及713nm附近与近红外波段的nd组合表现突出（s-r2>0.89），近红外参考波段以770nm附近波段表现最好，sr（723，770）和nd（770，713）用于car含量估算的线性s-r2分别达到0.897和0.898（表3）。基于两年两个品种的试验数据，图5展示了sr（723，770）和nd（770，713）对不同生育期及不同叶位水稻叶片car含量的拟合效果。
图5 水稻叶片类胡萝卜素含量与比值指数(sr) (723, 770)及归一化指数(nd) (770, 713)的关系(n=400)。l1、l2、l3、l4同图1
3.5 模型的测试与检验
利用试验3和试验4的独立资料，采用均方根差（rmse）、平均相对误差（re）和预测精度（p-r2）3项统计指标，对各预测方程的可靠性与普适性进行了验证（表3）。检验结果显示，基于sr（723，770）和nd（770，713）建立的叶片car含量监测模型的测试效果最好（图6），观测值与模拟值之间的p-r2分别达到0.856和0.858，rmse分别为0.083和0.085mg/g，re分别为11.9%和12.0%。两指数的预测精度和预测误差均相近，这与两指数的构造波段相近，包含类似的光谱信息，且建模和测试数据相同有关，说明基于这两个光谱指数建立的模型对水稻叶片car含量的预测均具有较好的准确度和普适性。基于绿光波段提出的sr（554，773）和nd（773，562）不及上述红边波段组合优秀，p-r2分别为0.782和0.794，rmse依次为0.074和0.075mg/g，re分别为12.8%和12.7%（表3）。
表3 水稻叶片类胡萝卜素含量(y)与不同光谱指数(x)的定量关系(n = 400)及检验效果(n = 223)
进一步分析了前人提出的不同类型car指数在本研究中的应用效果（表3）。可以看出，前人基于car吸收波段470nm附近波段提出的pssrc和psndc与水稻叶片car含量的关系较差，拟合精度s-r2仅为0.718和0.712，这可能与car和叶绿素的吸收波段部分重叠受叶绿素影响有关。而前人构造的cri550、cri700、r760/r500和r672/（r550×r708），其对水稻叶片car含量的估算效果也不理想，拟合精度较低，预测误差也较大（re>18.5%），不及本研究新提出的各光谱指数表现优秀。
讨论
高光谱遥感以其高分辨率、多波段、海量数据等特点，为量化植被体内的单一光合色素提供了有效途径。植物体内的car含量较低，且生理变化复杂，导致已有光谱预测模型对car的估测精度较低。本文综合分析了不同年份、施氮水平、品种类型、生育时期水稻不同叶位叶片反射光谱与car含量之间的定量关系，结果显示，不同叶位水稻叶片car含量及不同car含量水平下水稻叶片光谱反射率均有明显的规律性差异，叶片光谱反射率与car含量间在可见光绿光及红边区域表现为显著的负相关性，而在近红外区域表现为较弱的正相关关系，这为光谱监测水稻叶片car含量提供了理论依据。
光谱指数可以使植被的有效反射信息最大化，而使外部因素影响最小化，构建适宜的敏感光谱指数已成为遥感提取植被生化组分信息的重要方法。孙雪梅比较了几种经验性光谱指数对水稻剑叶car含量的估算效果，指出光谱监测car含量比监测叶绿素含量要困难的多。本研究通过分析350–2500nm范围内所有两波段组合的比值及归一化光谱指数与叶片car含量间的定量关系，结果表明，拓宽光谱指数的研究范围，可以提取出适于水稻叶片car含量监测的理想光谱指数。光谱指数组合波段的选择对其预测能力影响较大，以红边723nm左右的波段（λ1）与近红外波段（λ2）的比值组合以及红边713nm左右的波段与近红外波段的归一化组合预测水稻叶片car含量的效果最好（s-r2>0.89），近红外参考波段以770nm附近波段表现最佳。
图6 基于比值指数sr (723, 770)和归一化指数nd (770, 713)的水稻叶片类胡萝卜素含量实测值与预测值间的比较(n = 223)。re、rmse, 同表3。
本文所选最佳光谱指数敏感波段范围与王福明等利用归一化光谱指数的研究结果相近，均在红边区域内，说明红边波段组合的光谱指数预测水稻叶片car含量具有较好的通用性；不同的是，构成指数参考波段的选择中，本文中无论是比值还是归一化光谱指数，均以近红外波段表现更好，短波红外波段（>1350nm）作为参考波段虽有一定的估算效果，但均不及近红外波段表现突出，这可能与短波红外波段对叶片水分浓度变化敏感，波动较大，不及近红外波段稳定有关。唐延林等利用绿光553nm与不同波段的比值组合进行水稻叶片色素含量的监测，本文也证明了绿光波段与近红外波段的比值或归一化组合对car含量有一定的预测作用，但其预测效果不及红边波段组合优秀（s-r2<0.867），不是预测水稻叶片car含量的理想选择。
进一步分析了前人在其他植被上提出的r760/r500、pssrc和psndc、r672/（r550×r708）、以及cri550和cri700等不同构造类型的car敏感光谱指数在本文中的应用效果，发现这些光谱指数对本文水稻叶片car含量的预测效果均较差（表3），可能是因为这些光谱指数均是基于特定的林木叶片提出的，所用叶片表层及叶肉结构与禾本科的水稻作物叶片差异较大；另一方面，这些已有指数均是基于少数经验性波段的敏感性分析上提出的，因其研究波段范围较窄而易导致关键光谱指数的丢失，不能保证筛选出的光谱指数的敏感性和稳定性。
本研究则采用了全波段综合分析方法，这有利于筛选出光谱指数的最佳组合。最终所选光谱指数均为可见光区敏感波段与近红外不敏感波段的组合，这在一定程度上有利于消除叶片结构及表面反射等因素对反演结果的影响。基于独立试验资料的检验结果表明，本研究新提出的sr（723，770）和nd（770，713）对水稻叶片car含量的预测具有较好的准确性和稳定性，这为水稻叶片光合色素的无损监测及便携式色素监测仪的开发奠定了基础。本研究采用叶夹式探测器测定叶片光谱，可以较好地消除背景及冠层结构的影响，光谱获取的精确性较高，所使用的数据来源于不同年份、不同品种和不同氮肥处理，其样品car含量涵盖范围较大，且来自不同生育时期和不同叶位，因而所建立的模型可靠性得到增强，具有较好的代表性，但今后仍需在更广泛的条件下进行测试和检验，以增强模型的估测精度和适用范围。
5、结论
水稻叶片car含量和光谱反射率在不同施氮水平、不同叶位间均存在明显的规律性变化，510–600nm绿光区域和695–717nm红边区域与叶片car含量间有较好的相关性，红边723nm左右波段与近红外波段的比值组合以及红边713nm附近波段与近红外波段的归一化组合可很好地监测水稻叶片car含量，近红外参考波段以770nm附近波段表现最好。新提出的sr（723，770）和nd（713，770）与叶片car含量间有很好的相关性，且预测性和重演性好，说明通过提取适当的叶片光谱指数可以有效地估算水稻叶片car含量。
欢迎关注公众号：莱森光学，了解更多光谱知识。
莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。
物联网技术带来破解机会
什么是人工智能课程
笔记本DOWN机支招
华为MateBook系列笔记本已经全面涨价
GPU计算——两度助力获得诺贝尔奖的幕后英雄
利用高光谱参数反演水稻叶片类胡萝卜素含量-莱森光学
新唐科技W588L035主板介绍
Eggtronic 为电动汽车提供基于 GaN 的无线交流传输技术
浅谈低功耗蓝牙（BLE）模块——EMB1036
思瑞浦推出16通道高精度ADC—TPAFE51760！
全新的MiniLED屏幕为什么能够迅速出圈
荣耀v9play和360 vizza哪个值得买？荣耀v9play和360 vizza看完就知道选谁
JumpStart 致力开发针对 K-12 儿童的现实（AR）与逼真 3D 形象互动
华为5G折叠屏手机Mate X实测三秒钟下载一部电影比4G网络快21倍
TDK开发出截止频率10GHz的薄膜共模滤波器
转鼓吸干机是什么？
关于福特嘉年华ST搭载混合喷射3缸机性能分析介绍
自动驾驶赛道上的“超级供应商”
MLCC高容物料急剧短缺，跟三星note7爆炸案有关？
苹果发布watchOS 6 变化相当之大
类胡萝卜素（car）是植物光合作用中吸收光能的主要色素之一，它不仅吸收传递光能，还具有保护叶绿素的功能。当有过剩的光能发生时，car就参与到叶黄素循环过程中将过剩的能量散失掉，从而避免了过剩光能对光合系统的伤害。当叶片受胁迫或衰老时，car的存在又可延缓叶绿素的快速分解，维持光合作用的进行。因此，利用高光谱技术快速监测叶片car含量信息，对于诊断植物不同发育阶段的生理状态具有重要的意义。
由于car与叶绿素吸收峰所处波段部分重叠，且多数叶片中叶绿素含量要高于car含量，因而，前人关于植被色素的光谱监测研究多侧重易于反演的叶绿素方面，而对car的研究相对较少。
在水稻研究方面，孙雪梅研究了光谱指数与水稻剑叶car含量间的关系，指出应用pssrc和psndc预测car含量有一定的局限性，而sipi、psri、pri也不能用于car含量预测；唐延林等则指出高光谱指数和红边位置λred与水稻叶片car含量间存在极显著相关；王福民等（2009）分析了所得波段范围内所有归一化光谱指数与水稻叶片car含量之间的关系，提出（r1536–r707）/（r1536+r707）可以较好地估算car含量。可见，对于能否利用植被光谱指数准确监测水稻叶片car含量尚存在一定的分歧，所提出的一些敏感光谱指数在其波段选择上也有一定的差异，且光谱指数研究范围也局限于某一些经验性或某一种构造类型的光谱指数，不能保证筛选出的光谱指数为最佳组合。
本研究以不同年份、品种类型、施氮水平的田间试验为基础，综合分析所得波段范围内所有两波段组合的比值与归一化光谱指数与水稻上部叶片car含量之间的定量关系，并对比分析前人提出的其他构造形式的car敏感光谱指数在水稻作物上的应用效果，探讨叶片水平高光谱技术提取car含量的可行方法，进而建立car含量的定量估算模型。希望能为水稻叶片car含量的无损监测和光合能力评价奠定基础。
材料与方法
2.1 试验设计
本研究共进行了4个水稻田间试验，涉及不同的试验点、年份、品种类型和施氮水平，具体的试验设计如下。
试验1（exp.1）：2005年在江苏省南京市农林局江宁试验站进行。供试品种为‘27123’和‘武香粳14’。土壤有机质含量1.61%、全氮含量0.136%、速效氮含量74.7mg/kg、速效磷含量10.36mg/kg、速效钾含量82.6mg/kg。设4个施氮水平：0、90、270和405kg/hm2纯氮，按基肥35%、分蘖肥15%、促花肥25%、保花肥25%施入；各处理配施135kg/hm2p2o5和190kg/hm2k2o，均做基肥一次性施入。试验小区随机区组排列，重复3次，小区面积为3.5m×9.0m=31.5m2，株行距为0.15m×0.25m。5月18日播种，6月18日移栽，其他管理同常规高产田。
试验2（exp.2）：2006年在江苏省南京市农林局江宁试验站进行。供试品种同试验1。土壤有机质含量1.43%、全氮含量0.11%、速效氮含量62.5mg/kg、速效磷含量10.36mg/kg、速效钾含量82.5mg/kg。设4个施氮水平：0、90、240和360kg/hm2纯氮，氮肥基追比及磷钾肥的施用同试验1。试验小区随机区组排列，重复3次，小区面积为5m×5m=25m2，株行距为0.15m×0.25m。5月18日播种，6月20日移栽，其他管理同常规高产田。
试验3（exp.3）：2006年在浙江省杭州市中国水稻研究所试验场（119°56′e，30°05′n）进行。选用9个不同株型和穗型的品种，分别为‘iii优98’、‘ii优航1号’、‘胜泰1号’、‘d优527’、‘ii优162’、‘国稻6号’、‘天优998’、‘汕优63’和‘ii优602’。土壤有机质含量1.02%、全氮含量0.101%、速效氮含量53.2mg/kg、速效磷含量9.6mg/kg、速效钾含量66mg/kg。设3个施氮水平：0、120和180kg/hm2纯氮，按基肥50%、分蘖肥30%和穗肥20%施入。各处理配施cap2h4o8450kg/hm2，kcl150kg/hm2。试验小区随机区组排列，3次重复，小区面积3m×3m=9m2，株行距为0.20m×0.28m。5月23日左右播种，6月13日移栽，其他管理同常规高产田。
试验4（exp.4）：2007年在江苏省南京市农林局江宁试验站（118°59′e，31°56′n）进行。供试品种为‘两优培九’和‘武香粳14号’。土壤有机质含量2.11%、全氮含量0.116%、速效氮含量103.9mg/kg、速效磷含量43.46mg/kg、速效钾含量80.5mg/kg。试验采用裂区设计，2个水分处理：间歇灌溉和水层灌溉（3–5cm），水分处理于秧苗移栽并返青之后开始实施至水稻成熟；3个施氮水平：0、180和300kg/hm2纯氮，按基肥50%、分蘖肥10%、促花肥20%、保花肥20%施入；磷钾肥的施用同试验1。小区面积为5m×6m=30m2，株行距为0.20m×0.28m，3次重复。5月18日播种，6月18日移栽，其他管理同常规高产田。
2.2 叶片取样及光谱测量
分别在水稻拔节、孕穗、抽穗、灌浆前期、灌浆中期和灌浆后期，从每个小区内选取水稻植株数穴，连根拔起，置于水桶中，带回实验室，每处理取6个代表性主茎，测定主茎顶1（l1）、顶2（l2）、顶3（l3）和顶4（l4）完全展开叶上、中、下部的反射光谱，取平均值作为被测叶位的光谱反射率。叶片光谱测量采用莱森光学ispecfield地物光谱仪自带的手持叶夹式叶片光谱探测器进行，探测器内置石英卤化灯，光源稳定；测量时叶片置于叶片夹的叶室中，从而保证叶片水平且被探测面积相同，以消除背景反射、叶片表面弯曲造成的光谱波动及叶片内部变异造成的影响。
2.3 叶片car含量测定
采集完光谱反射率后，将叶片样本迅速放于保鲜袋中，经液氮冷冻处理，然后测定car含量。测定时，将叶片剪碎、混匀，称0.10g左右，采用无水乙醇和丙酮1：1混合液于暗处提取，用紫外可见分光光度计测定470、645和663nm处的吸光度，然后以lichtenthaler法计算不同叶位叶片的car含量。
2.4 数据分析
方法本文选用最为常用的比值光谱（sr（λ1，λ2））和归一化差值（nd（λ1，λ2））指数，详细分析350–2500nm范围内任意两波段组合的sr和nd光谱指数与水稻叶片car含量间的关系，以期找到预测水稻叶片car含量的适宜光谱变量。
首先综合利用试验1和2的资料对光谱指数与叶片car含量进行相关分析，选出敏感波段及适宜光谱指数，并通过回归分析建立基于敏感光谱指数的水稻叶片car含量预测模型。然后基于试验3和4的数据资料，采用均方根差（rmse）、平均相对误差（re）和预测精度（p-r2）3个统计指标对所筛选的光谱指数及其预测模型进行测试和检验，并绘制观察值与预测值之间的1：1关系图。所有数据处理和分析过程均在matlab语言环境下编程实现。
结果与分析
3.1 水稻叶片car含量的变化特征
表2显示了本文中建模及测试样本集叶片car含量的统计结果，car含量的变幅范围分别为0.136–0.854mg/g和0.217–0.866mg/g，变异系数分别为28.8%和22.7%，显示样本具有较好的代表性。
表2 水稻叶片类胡萝卜素含量的变化
因不同年度试验、不同水稻品种间叶片car含量随生育期的变化具有一定的相似性，本节以试验2中‘武香粳14’为例说明不同处理及不同叶位叶片car含量变化情况。图1展示不同施氮水平间各叶位叶片平均car含量随生育期的变化模式，各生育期不同施氮水平间叶片car含量差异明显，均表现为n3>n2>n1>n0变化模式；随生育期的变化，在抽穗前（dat80）变化缓慢，而抽穗后均表现为快速下降的趋势，表明在生育前期，各处理叶片car含量均有一个积累保持期，这有利于防护叶片叶绿素的降解；后期随着叶片的营养转移及衰老，car含量持续下降，而施氮可提高叶片car含量，延缓叶片的衰老。
图1 水稻顶部叶片类胡萝卜素含量随生育期的变化(试验2, ‘武香粳14’)。n0、n1、n2、n3, 分别表示0、90、240和360 kg n/hm2 处理。l1、l2、l3、l4, 分别表示顶1、顶2、顶3、顶4叶。
图1显示了不同叶位间各处理平均car含量随生育期的变化模式，不同叶位间，car前期差异较小，在移栽后80天，叶片已全部抽出，进入孕穗期，叶位固定，之后各时期car含量明显表现为l1>l2>l3>l4的空间模式；随着生育期推进，各叶位叶片car含量变化有异，抽穗前，l1和l2表现为先缓慢下降后上升，l3和l4表现为缓慢下降，抽穗期后，均表现为持续快速下降趋势，说明上叶位比下叶位具有更强的生理活性。
3.2 水稻叶片光谱反射率的变化特征
为了清晰地描述不同car含量水平叶片的反射光谱特征，本研究将400组叶片的反射光谱按car含量从低到高分为car≤0.2、0.20.8mg/g6组，并将每组样本的光谱反射率进行平均，从而得到代表不同car含量水平的叶片反射光谱曲线图（图2）。
图2 不同类胡萝卜素含量(mg/g)水平水稻叶片的光谱反射率特征
图2显示在350–700nm可见光区，叶片反射率随着car含量的增加而降低，平均变化幅度达到230%，而在近红外波段（750–1350nm），叶片反射率随着car含量的增加而增加，但其平均变化幅度仅为5.17%。可见光区的光谱特征受各种色素的共同影响，色素含量高则吸收强，反射率就低，而近红外区域的光谱特征主要受叶肉结构的影响，本文中由色素含量变化造成的叶肉结构的差异相对较小，因此，受car含量变化的影响，近红外区叶片光谱反射率的变化强度要明显小于可见光部分。不同car含量下叶片光谱反射率的这种变化规律为研究利用高光谱技术反演水稻叶片car含量奠定了基础。
3.3 水稻叶片car含量与原始光谱及一阶导数间的相关性
将试验1和2中所有生育期的叶片car含量与对应的叶片光谱反射率及其一阶微分光谱数据（n=400）进行了总体相关分析（图3）。结果显示，波长小于745nm的光谱反射率与叶片car含量呈负相关，其中，在510–600nm绿光区域及695–717nm的红边区域，负相关达到较高水平（r<–0.88），相关性最好的波段分别为562nm（r=–0.887）和705nm（r=–0.895）。在750–1350nm近红外区域内，存在一个正相关系数平台，但相关性较小（r0.85），其中以sr（554，773）和nd（773，562）表现最好（表3），s-r2分别为0.854和0.867。在红边区域，以723nm附近与近红外波段的sr组合及713nm附近与近红外波段的nd组合表现突出（s-r2>0.89），近红外参考波段以770nm附近波段表现最好，sr（723，770）和nd（770，713）用于car含量估算的线性s-r2分别达到0.897和0.898（表3）。基于两年两个品种的试验数据，图5展示了sr（723，770）和nd（770，713）对不同生育期及不同叶位水稻叶片car含量的拟合效果。
图5 水稻叶片类胡萝卜素含量与比值指数(sr) (723, 770)及归一化指数(nd) (770, 713)的关系(n=400)。l1、l2、l3、l4同图1
3.5 模型的测试与检验
利用试验3和试验4的独立资料，采用均方根差（rmse）、平均相对误差（re）和预测精度（p-r2）3项统计指标，对各预测方程的可靠性与普适性进行了验证（表3）。检验结果显示，基于sr（723，770）和nd（770，713）建立的叶片car含量监测模型的测试效果最好（图6），观测值与模拟值之间的p-r2分别达到0.856和0.858，rmse分别为0.083和0.085mg/g，re分别为11.9%和12.0%。两指数的预测精度和预测误差均相近，这与两指数的构造波段相近，包含类似的光谱信息，且建模和测试数据相同有关，说明基于这两个光谱指数建立的模型对水稻叶片car含量的预测均具有较好的准确度和普适性。基于绿光波段提出的sr（554，773）和nd（773，562）不及上述红边波段组合优秀，p-r2分别为0.782和0.794，rmse依次为0.074和0.075mg/g，re分别为12.8%和12.7%（表3）。
表3 水稻叶片类胡萝卜素含量(y)与不同光谱指数(x)的定量关系(n = 400)及检验效果(n = 223)
进一步分析了前人提出的不同类型car指数在本研究中的应用效果（表3）。可以看出，前人基于car吸收波段470nm附近波段提出的pssrc和psndc与水稻叶片car含量的关系较差，拟合精度s-r2仅为0.718和0.712，这可能与car和叶绿素的吸收波段部分重叠受叶绿素影响有关。而前人构造的cri550、cri700、r760/r500和r672/（r550×r708），其对水稻叶片car含量的估算效果也不理想，拟合精度较低，预测误差也较大（re>18.5%），不及本研究新提出的各光谱指数表现优秀。
讨论
高光谱遥感以其高分辨率、多波段、海量数据等特点，为量化植被体内的单一光合色素提供了有效途径。植物体内的car含量较低，且生理变化复杂，导致已有光谱预测模型对car的估测精度较低。本文综合分析了不同年份、施氮水平、品种类型、生育时期水稻不同叶位叶片反射光谱与car含量之间的定量关系，结果显示，不同叶位水稻叶片car含量及不同car含量水平下水稻叶片光谱反射率均有明显的规律性差异，叶片光谱反射率与car含量间在可见光绿光及红边区域表现为显著的负相关性，而在近红外区域表现为较弱的正相关关系，这为光谱监测水稻叶片car含量提供了理论依据。
光谱指数可以使植被的有效反射信息最大化，而使外部因素影响最小化，构建适宜的敏感光谱指数已成为遥感提取植被生化组分信息的重要方法。孙雪梅比较了几种经验性光谱指数对水稻剑叶car含量的估算效果，指出光谱监测car含量比监测叶绿素含量要困难的多。本研究通过分析350–2500nm范围内所有两波段组合的比值及归一化光谱指数与叶片car含量间的定量关系，结果表明，拓宽光谱指数的研究范围，可以提取出适于水稻叶片car含量监测的理想光谱指数。光谱指数组合波段的选择对其预测能力影响较大，以红边723nm左右的波段（λ1）与近红外波段（λ2）的比值组合以及红边713nm左右的波段与近红外波段的归一化组合预测水稻叶片car含量的效果最好（s-r2>0.89），近红外参考波段以770nm附近波段表现最佳。
图6 基于比值指数sr (723, 770)和归一化指数nd (770, 713)的水稻叶片类胡萝卜素含量实测值与预测值间的比较(n = 223)。re、rmse, 同表3。
本文所选最佳光谱指数敏感波段范围与王福明等利用归一化光谱指数的研究结果相近，均在红边区域内，说明红边波段组合的光谱指数预测水稻叶片car含量具有较好的通用性；不同的是，构成指数参考波段的选择中，本文中无论是比值还是归一化光谱指数，均以近红外波段表现更好，短波红外波段（>1350nm）作为参考波段虽有一定的估算效果，但均不及近红外波段表现突出，这可能与短波红外波段对叶片水分浓度变化敏感，波动较大，不及近红外波段稳定有关。唐延林等利用绿光553nm与不同波段的比值组合进行水稻叶片色素含量的监测，本文也证明了绿光波段与近红外波段的比值或归一化组合对car含量有一定的预测作用，但其预测效果不及红边波段组合优秀（s-r2<0.867），不是预测水稻叶片car含量的理想选择。
进一步分析了前人在其他植被上提出的r760/r500、pssrc和psndc、r672/（r550×r708）、以及cri550和cri700等不同构造类型的car敏感光谱指数在本文中的应用效果，发现这些光谱指数对本文水稻叶片car含量的预测效果均较差（表3），可能是因为这些光谱指数均是基于特定的林木叶片提出的，所用叶片表层及叶肉结构与禾本科的水稻作物叶片差异较大；另一方面，这些已有指数均是基于少数经验性波段的敏感性分析上提出的，因其研究波段范围较窄而易导致关键光谱指数的丢失，不能保证筛选出的光谱指数的敏感性和稳定性。
本研究则采用了全波段综合分析方法，这有利于筛选出光谱指数的最佳组合。最终所选光谱指数均为可见光区敏感波段与近红外不敏感波段的组合，这在一定程度上有利于消除叶片结构及表面反射等因素对反演结果的影响。基于独立试验资料的检验结果表明，本研究新提出的sr（723，770）和nd（770，713）对水稻叶片car含量的预测具有较好的准确性和稳定性，这为水稻叶片光合色素的无损监测及便携式色素监测仪的开发奠定了基础。本研究采用叶夹式探测器测定叶片光谱，可以较好地消除背景及冠层结构的影响，光谱获取的精确性较高，所使用的数据来源于不同年份、不同品种和不同氮肥处理，其样品car含量涵盖范围较大，且来自不同生育时期和不同叶位，因而所建立的模型可靠性得到增强，具有较好的代表性，但今后仍需在更广泛的条件下进行测试和检验，以增强模型的估测精度和适用范围。
5、结论
水稻叶片car含量和光谱反射率在不同施氮水平、不同叶位间均存在明显的规律性变化，510–600nm绿光区域和695–717nm红边区域与叶片car含量间有较好的相关性，红边723nm左右波段与近红外波段的比值组合以及红边713nm附近波段与近红外波段的归一化组合可很好地监测水稻叶片car含量，近红外参考波段以770nm附近波段表现最好。新提出的sr（723，770）和nd（713，770）与叶片car含量间有很好的相关性，且预测性和重演性好，说明通过提取适当的叶片光谱指数可以有效地估算水稻叶片car含量。
欢迎关注公众号：莱森光学，了解更多光谱知识。
莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。
物联网技术带来破解机会
什么是人工智能课程
笔记本DOWN机支招
华为MateBook系列笔记本已经全面涨价
GPU计算——两度助力获得诺贝尔奖的幕后英雄
利用高光谱参数反演水稻叶片类胡萝卜素含量-莱森光学
新唐科技W588L035主板介绍
Eggtronic 为电动汽车提供基于 GaN 的无线交流传输技术
浅谈低功耗蓝牙（BLE）模块——EMB1036
思瑞浦推出16通道高精度ADC—TPAFE51760！
全新的MiniLED屏幕为什么能够迅速出圈
荣耀v9play和360 vizza哪个值得买？荣耀v9play和360 vizza看完就知道选谁
JumpStart 致力开发针对 K-12 儿童的现实（AR）与逼真 3D 形象互动
华为5G折叠屏手机Mate X实测三秒钟下载一部电影比4G网络快21倍
TDK开发出截止频率10GHz的薄膜共模滤波器
转鼓吸干机是什么？
关于福特嘉年华ST搭载混合喷射3缸机性能分析介绍
自动驾驶赛道上的“超级供应商”
MLCC高容物料急剧短缺，跟三星note7爆炸案有关？
苹果发布watchOS 6 变化相当之大