实验用的水稻品种是籼型两系杂交水稻两优30, 在华中农业大学植物科技学院水稻种植基地育秧, 于秧龄25 d左右, 采集长势良好且相当的水稻秧苗进入实验室培养。 为了获得较大跨幅的叶绿素标准值, 以适应水稻在实际生长过程中, 外界氮环境和生育阶段的不同而导致叶绿素含量产生的变化, 实验室设置的三组培养皿中分别按氮肥正常投入量的0, 1, 2倍作三个水平的施肥处理, 其他肥料按正常量投入, 其肥料施用量如表1。 待秧苗秧龄约60 d时进行实验观测, 每种氮营养水平各采集5株水稻, 共采集水稻整株15株。

表1

Table 1

表1(Table 1)

表1 氮肥水平设置 Table 1 Nitrogen fertilizer level 氮肥 水平 元素 每株用量 (全生育期 g· 株-1) 肥料种类 肥料用量 (全生育期 g· 株-1) N0 纯N 0.00 尿素(分析纯) 0.00 P2O5 0.50 磷酸二氢钠(分析纯) 1.10 K2O 1.00 氯化钾 1.58 N1 纯N 1.00 尿素(分析纯) 2.14 P2O5 0.50 磷酸二氢钠(分析纯) 1.10 K2O 1.00 氯化钾 1.58 N2 纯N 1.50 尿素(分析纯) 3.22 P2O5 0.50 磷酸二氢钠(分析纯) 1.10 K2O 1.00 氯化钾 1.58

表1 氮肥水平设置 Table 1 Nitrogen fertilizer level

水稻叶片叶绿素含量的测定使用的是由日本Minolta公司制造的叶绿素计SPAD-502, 采用分段采集的方式获得同期叶片样本的SPAD值, 代表所测位置叶绿素含量的相对多少^[8]。 从每株水稻中随机选择同一分蘖上的三片叶, 从叶尖向叶枕测量, 每测量一个点用记号笔在叶片上画出SPAD502仪测量夹的边缘, 标记测量区域, 在叶脉两侧的每个测点重复三次求取平均值, 共获得SPAD值295组, 其中平均值为42.84, 方差为5.53, 测量方式如图1。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 SPAD测量区域标注Fig.1 Marking SPAD measurement area

系列多光谱图像拍摄中使用的相机是经过近红外改造的Nikon D7000单反相机, 移除相机内部原装的红外截止镜(ICF, IR cut-off filter), 保证外界的红外光能够传播到成像原件表面, 从而使相机具备了拍摄红外图像的能力。 镜头采用尼康AF-S 50mm f/1.4D定焦镜头, 通过在镜头前方分别加装红外截止镜或不同波长的近红外长通滤波片, 使得改装后的相机能够拍摄物体的可见光图像和不同波长的近红外图像。 使用了6个特定波长的长通滤波片, 分别为650, 680, 720, 760, 850和950 nm, 如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 消费级近红外相机的组成Fig.2 Composition of the consumer near infrared camera

拍摄前, 将实验室培养皿中栽培的水稻整株带泥取出, 尽量避免因蒸腾作用而致使水稻叶片即时的性状发生改变, 把一株水稻同一分蘖上的三片完全展开叶平铺于裹着黑布的硬纸板中央, 确保叶片平展贴合背景板并固定, 做好标签。 考虑到今后可能的大田推广, 水稻样本图像拍摄于室外, 以户外稳定的自然光为光源。 拍摄时, 设定统一的相机参数, 以免产生因参数不同引发的图像偏差, 快门1/120, 光圈7.2, ISO-200, 相机离叶片大约160 cm, 为可拍摄整个叶片的适宜高度; 相机视线基本保持与叶片垂直, 视场内有标准白板参照。 拍摄获得1张RGB图像和对应中心波长分别为650, 680, 720, 760, 850和950 nm的6张NIR图像, 以Tiff格式进行储存, 如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 水稻叶的RGB影像和不同波段近红外图像Fig.3 Rice leaf’ s RGB images and some infrared pictures of rice leaves at different wavebands

为了验证消费级近红外相机对叶绿素含量的预测效果的可靠性, 同时使用高光谱成像仪采集水稻叶片的高光谱图像。 实验选用的高光谱成像仪为美国的Headwall Photonics公司设计制造的HyperSpec VNIR, 光谱范围为400~1 000 nm(可见-近红外), 光谱分辨率为1.9 nm。 将高光谱成像仪调整到刚好可以拍摄到水稻整个叶片的适宜高度(约170 cm), 镜头光圈选择以物体最清晰为准(约6.5), 卤素灯亮度设定为中等强度, 将水稻样本放在移动平台上, 小平台运动速度设定为250 μ m· s^-1。 图像采集前需要对扫描仪镜头进行暗电流校正和白板(成分为氧化镁, 硫酸钡)校正。

系列多光谱图像包括水稻叶片的可见光图像和多个近红外波段图像, 根据标记框所标记的SPAD值测量位置, 框选出ROI区域, 选取过程中尽量保持截取区域像元个数一致(约120个)。 针对每一个SPAD值测量位置, 在多个波段图像中分别提取每个测量点和白板区域的图像光谱数据, 即图像灰度平均值DOS和白板区域灰度平均值DNW, 计算各个波段三通道平均相对反射率, 进行白板校正消除光照不均对图像质量的影响, 如式(1)所示

Ref(t)=DNSDNW(1)

其中, Ref_(t)是某个波段SPAD值测量位置的反射率, t表示同一波段上不同水稻叶片上不同的测量点。

高光谱图像通过Savitaky-Golay卷积平滑和标准正态变量校正进行预处理, 消除随机噪声后, 采用与系列多光谱图像同样的处理办法, 选取SPAD测量位置的ROI区域, 提取平均光谱, 计算相对反射率。 最终共获得反射率数据239组, 其中包括系列多光谱图像和高光谱影像提取出的两个系列ROI的反射率, 采用蒙特卡洛方法随机各选择159组数据作为建模集, 剩下的80组数据作为检验集。

在考虑反射差异特性的基础上, 选择了5种植被指数用于叶绿素反演, 包括归一化植被指数NDVI、 绿色标准化植被指数GNDVI、 比值植被指数RVI、 绿色比值植被指数GVI、 绿色差值植被指数GDVI, 如表2所示。

表2

Table 2

表2(Table 2)

表2 不同植被指数的计算公式 Table 2 Formula of different Vegetation indices Vegetation index Formula NDVI (NIR-Red)/(NIR+Red) GNDVI (NIR-Green)/(NIR+Green) RVI NIR/Red GVI NIR/Green GDVI NIR-Green

表2 不同植被指数的计算公式 Table 2 Formula of different Vegetation indices

用这五种植被指数分别与SPAD值进行回归分析, 以一元二次函数作为植被指数的拟合方法, 建立植被指数单因子预测模型。 多因子预测模型是利用多个植被指数或多个波段反射率信息作为与SPAD值关联的变化因子, 运用偏最小二乘法和最小二乘支持向量机法作为多因子回归的两种建模方法, 其中偏最小二乘回归模型表示的是变量因子与因变量SPAD值之间的线性关系, 最小二乘支持向量机回归模型表示的是变量因子与因变量SPAD值之间的非线性关系。 为了对所建立模型的性能进行量化评价, 以决定系数R²和均方根误差RMSE两个统计指标来衡量拟合模型的效果, 如果一个模型在建模集上的R²值越高, 在验证集上的RMSE值越低, 即认定回归模型的精度越高, 更能预测叶绿素含量的变化。 R²和RMSE的计算公式如式(2)和式(3)

R2=1-∑i=1n(yi-y˙i)2∑i=1n(yi-y̅i)2(2)RMSE=∑i=1n(yi-y˙i)2n(3)

其中, y_i表示观测值, y˙i为估测值, y̅i为观测值的平均值, n为样本容量。

2.1.1 可见光联合单个近红外波段对水稻叶片叶绿素(SPAD)的预测与检验^[9]

绿色作物对红光的强吸收以及绿光的高反射, 导致其在红绿波段和近红外波段的反射率差异较大, 利用近红外650, 680, 720, 760, 850和950 nm各波段R, G和B三通道的相对反射率分别与可见光红绿波段的相对反射率组合来计算五种植被指数, 并联合SPAD值进行回归分析, 建立水稻植株叶绿素预测模型。 图4为各个植被指数预测模型的R², 其中横坐标对应的是不同近红外波段的R, G和B通道, 纵坐标是通道与可见光R和G波段组合构造的5种植被指数在一元二次函数拟合下的建模集精度R²。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 组合波段单通道决定系数R2Fig.4 Determination coefficient R2 of single channel with couple-bands

从图4中可以看出, 植被指数GNDVI和GVI的模型预测效果最佳, R²最高达到0.75, NDVI与RVI指数次之且相差不大, R²在0.56到0.59之间, GDVI起伏较大。 同时760 nm近红外波段的预测模型效果最好, 并且三个通道的表现基本一致, 模型精度: R通道> B通道> G通道。

表3和表4分别表示R通道下五种植被指数与SPAD值之间建立的预测模型的建模精度和检验精度。 结果表明, 在一元二次函数拟合形式下, 建模集中760 nm波段的R通道构造的GVI植被指数预测模型的精度最优, 在检验集中验证了这一结果, 近红外760 nm波段的R通道是叶绿素含量预测的最佳选择, GVI则是对SPAD解释能力最好的植被指数, 因此将可见光G波段和近红外760 nm波段的组合称作叶绿素反演的最优波段。 由于检验集数据量相对建模集数据量少, 综合考虑, 选取近红外760 nm波段R通道与可见光绿光波段(G通道)构造的GVI植被指数作为自变量, SPAD值作为因变量的二次函数预测模型(y=-2.764 8x₂+28.887x-31.14)称为最优植被指数模型, 模型精度R²=0.785 1, RMSE=1.476 2。 以上结果表明, 利用植被指数进行可见光和单个近红外波段组合的预测能够取得较好的模型精度。

表3

Table 3

表3(Table 3)

表3 植被指数预测模型建模精度 Table 3 Modeling accuracy of VI prediction models 波段 NDVI GNDVI RVI GVI GDVI R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 650R 0.506 8 2.236 3 0.721 0 1.682 1 0.509 1 2.231 0 0.728 4 1.659 5 0.308 2 2.648 6 680R 0.582 0 2.058 6 0.752 4 1.584 5 0.577 7 2.069 0 0.758 2 1.566 7 0.536 0 2.169 2 720R 0.612 7 1.981 7 0.773 1 1.516 6 0.607 0 1.996 2 0.778 0 1.500 4 0.566 8 2.095 9 760R 0.626 0 1.947 4 0.780 2 1.492 8 0.618 9 1.965 7 0.785 1 1.476 2 0.755 7 1.573 9 850R 0.577 8 2.069 2 0.745 8 1.605 5 0.568 2 2.092 5 0.751 1 1.588 5 0.317 0 2.631 5 950R 0.459 5 2.340 9 0.631 6 1.932 6 0.453 3 2.354 4 0.635 8 1.921 8 0.141 1 2.951 2

表3 植被指数预测模型建模精度 Table 3 Modeling accuracy of VI prediction models

表4

Table 4

表4(Table 4)

表4 植被指数预测模型检验精度 Table 4 Testing accuracy of VI prediction models 波段 NDVI GNDVI RVI GVI GDVI R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 650R 0.557 4 2.124 7 0.736 5 1.639 3 0.552 9 2.135 5 0.736 0 1.640 9 0.315 7 2.642 0 680R 0.624 9 1.956 1 0.770 3 1.530 7 0.629 3 1.944 4 0.772 6 1.522 9 0.587 8 2.169 4 720R 0.649 8 1.899 8 0.790 6 1.461 5 0.654 2 1.878 1 0.794 1 1.449 3 0.596 6 2.095 5 760R 0.663 2 1.853 5 0.797 4 1.437 7 0.669 9 1.835 0 0.801 9 1.421 5 0.770 1 1.572 2 850R 0.612 5 1.988 0 0.774 4 1.517 1 0.623 6 1.959 4 0.779 0 1.501 5 0.334 2 2.606 0 950R 0.479 7 2.306 0 0.667 1 1.842 7 0.483 1 2.296 2 0.665 1 1.848 3 0.163 5 2.921 0

表4 植被指数预测模型检验精度 Table 4 Testing accuracy of VI prediction models

进一步关注多个植被指数参与的多因子预测模型与SPAD值之间的相关性。 将这五种植被指数作为输入, 采用偏最小二乘法(PLS)和最小二乘支持向量机(LS-SVM)作为建模方法, 构建四种类型的植被指数同水稻叶片叶绿素含量的相关关系模型。 在此过程中, 以“ 敏感波段” 760 nm波段及“ 优选通道” R通道的相对反射率与可见光红绿波段相对反射率组合计算五种植被指数。 如表5所示, 五个植被指数联合SPAD最小二乘支持向量机回归的精度为0.831 4, 比五个植被指数经偏最小二乘回归建立预测模型的精度略高, 从效果来看, 植被指数多因子预测模型比植被指数单因子预测模型的精度有所提高。

表5

Table 5

表5(Table 5)

表5 植被指数多因子预测模型建模和检验精度 Table 5 Modeling accuracy and testing accuracy of VI factors prediction models 模型 建模集 检验集 R2 RMSE R2 RMSE VIs-PLS 0.822 7 1.304 8 0.821 6 1.383 9 VIs-LS-SVM 0.831 4 1.214 9 0.807 9 1.351 9

表5 植被指数多因子预测模型建模和检验精度 Table 5 Modeling accuracy and testing accuracy of VI factors prediction models

2.1.2 可见光联合多个近红外波段对水稻叶片叶绿素(SPAD)的预测与检验

由于单个波段所承载的特征信息有限, 集中所有波段和通道的反射率信息与SPAD值关联进行回归, 模型精度结果将证明能否有助于提高模型稳定和预测效果。 将可见光图像和650, 680, 720, 760, 850和950 nm近红外图像的三个成像通道的相对反射率作为自变量输入, SPAD值作为因变量, 采用偏最小二乘法(PLS)和最小二乘支持向量机(LS-SVM)作为建模方法, 多波段结合回归模型精度如表6所示。

表6

Table 6

表6(Table 6)

表6 多波段结合回归模型的建模精度和检验精度 Table 6 Modeling accuracy and testing accuracy of bands regression models 模型 建模集 检验集 R2 RMSE R2 RMSE Bands-PLS 0.854 1 1.178 3 0.815 7 1.405 2 Bands-LS-SVM 0.846 8 1.235 1 0.824 3 1.386 5

表6 多波段结合回归模型的建模精度和检验精度 Table 6 Modeling accuracy and testing accuracy of bands regression models

可见光波段与6个近红外波段的三个通道图像信息与SPAD值进行PLS回归建模集的决定系数R²为0.854 1, 检验集决定系数R²为0.815 7, 达到较好的预测精度。

同最优植被指数模型和多个植被指数建立的LS-SVM模型相比, 多波段结合PLS模型的建立需要用到可见光图像和六个波段的近红外图像, 相对复杂, 而最优植被指数模型和LS-SVM模型只用到可见光和760 nm近红外图像, 在实际运用中可能更加便捷。

截取高光谱对应长通滤波片波段位置的光谱曲线, 在MATLAB中计算波段区域内高光谱相对反射率的平均值, 例如650 nm长通滤波片近红外图像一系列测点的相对反射率值对应的高光谱相对反射率值即是这系列测点高光谱650~1 000 nm间相对反射率的平均值, 近红外波段以此类推。 而可见光红波段对应的高光谱范围是620~700 nm, 绿波段选择的是490~580 nm。 NDVI, GNDVI, RVI, GVI和GDVI植被指数的计算方式如前所述, 拟合函数依然以一元二次函数进行拟合, 因为高光谱相机没有消费级近红外相机相应的三个成像通道, 故高光谱数据做相对应的处理后各个波段所得到的单因子植被指数模型的精度如表7和表8所示, 表7列举了预测模型建模精度, 表8列举了预测模型检验精度。

表7

Table 7

表7(Table 7)

表7 植被指数预测模型建模精度 Table 7 Modeling accuracy of VI prediction models 高光谱对 应波段/nm NDVI GNDVI RVI GVI GDVI R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 650 0.662 7 2.124 8 0.753 2 1.568 2 0.651 5 1.840 9 0.721 1 1.639 7 0.407 0 2.580 3 680 0.714 1 1.965 6 0.799 1 1.500 2 0.713 0 1.678 2 0.776 4 1.539 5 0.660 6 2.153 6 720 0.732 9 1.856 6 0.816 7 1.378 4 0.733 1 1.610 9 0.795 8 1.458 8 0.693 6 1.995 8 760 0.724 8 1.868 5 0.813 0 1.412 3 0.727 7 1.648 1 0.792 6 1.469 3 0.631 5 2.027 2 850 0.712 7 1.912 1 0.796 0 1.503 9 0.713 4 1.689 4 0.771 8 1.550 5 0.496 2 1.927 7 950 0.642 4 2.127 8 0.710 0 1.678 2 0.642 1 1.915 0 0.691 6 1.727 4 0.333 1 2.753 9

表7 植被指数预测模型建模精度 Table 7 Modeling accuracy of VI prediction models

表8

Table 8

表8(Table 8)

表8 植被指数预测模型检验精度 Table 8 Testing accuracy of VI prediction models 高光谱对 应波段/nm NDVI GNDVI RVI GVI GDVI R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 650 0.386 2 2.642 7 0.686 6 1.769 3 0.369 3 2.641 1 0.680 8 1.782 6 0.458 7 2.449 1 680 0.501 4 2.163 5 0.726 9 1.612 8 0.491 3 2.167 7 0.726 3 1.622 5 0.629 4 2.931 1 720 0.566 1 2.089 9 0.763 6 1.530 7 0.523 4 2.090 9 0.764 2 1.538 9 0.483 5 2.354 4 760 0.533 8 2.267 7 0.749 7 1.505 4 0.556 6 1.979 0 0.764 2 1.535 6 0.704 4 1.605 6 850 0.494 1 2.373 2 0.739 8 1.609 2 0.479 9 2.626 4 0.737 4 1.614 9 0.483 5 2.354 5 950 0.268 5 2.768 1 0.602 6 1.929 9 0.257 3 2.714 5 0.595 6 1.933 2 0.072 0 3.058 2

表8 植被指数预测模型检验精度 Table 8 Testing accuracy of VI prediction models

对比之前的结果, 高光谱数据处理后得到的单因子模型精度略高于消费级近红外相机在同波段同一植被数所得的单因子回归模型。 在6个近红外波段上, 高光谱有与消费级近红外相机相似的变化趋势, 预测精度都是先增大后减小, 稍有不同的是消费级相机条件下, 760 nm近红外波段能够获得最优的预测精度, 而高光谱条件下, 720 nm近红外波段各植被指数的预测效果最佳。

在高光谱条件下GNDVI植被指数的预测效果要略优于消费级近红外相机条件下最优的GVI植被指数, 各个植被指数在高光谱条件下的预测表现与消费级相机条件下的预测表现基本相同, GVI和GNDVI植被指数要优于其余三个植被指数。

在植被指数多因子预测模型中, 将高光谱条件下对应消费级相机720 nm近红外波段的平均相对反射率计算得到的5种植被指数作为输入, 通过偏最小二乘回归和最小二乘支持向量机回归所得的预测结果如表9所示。 结果表明, 消费级近红外相机成像方式能够获得与高光谱成像方式相当精度的植被指数多因子预测模型。

表9

Table 9

表9(Table 9)

表9 高光谱对应多植被指数预测模型的 建模精度和检验精度 Table 9 Modeling accuracy and testing accuracy of hyperspectral VIs prediction models 模型 建模集 检验集 R2 RMSE R2 RMSE 高光谱VIs-PLS 0.840 9 1.209 5 0.807 9 1.351 9 高光谱VIs-LS-SVM 0.865 8 1.139 6 0.814 5 1.346 2

表9 高光谱对应多植被指数预测模型的 建模精度和检验精度 Table 9 Modeling accuracy and testing accuracy of hyperspectral VIs prediction models

如果将高光谱对应的6个近红外波段处理后的数据通过偏最小二乘回归和最小二乘支持向量机回归方法, 建立起多个波段结合的多因子预测模型, 则其结果如表10。 数据表明, 高光谱条件下的多波段结合的多因子预测模型精度要略高于消费级近红外相机成像条件下的多波段多因子预测模型。

表10

Table 10

表10(Table 10)

表10 高光谱对应多波段结合预测模型的建模精度和检验精度 Table 10 Modeling accuracy and testing accuracy of hyperspectral bands prediction models 模型 建模集 检验集 R2 RMSE R2 RMSE 高光谱Bands-PLS 0.883 9 1.115 4 0.852 7 1.161 2 高光谱Bands-LS-SVM 0.871 0 1.128 6 0.863 1 1.138 5

表10 高光谱对应多波段结合预测模型的建模精度和检验精度 Table 10 Modeling accuracy and testing accuracy of hyperspectral bands prediction models

从预测的角度讲, 两种方式均可以准确估测水稻叶片的叶绿素的含量, 虽然基于系列多光谱图像的数据源比基于高光谱图像的数据源的回归精度略低, 但是两者相差不大。 高光谱成像技术将成像技术和高光谱技术融合, 在基础研究方面具有优势。 而消费级近红外相机成像技术在实时监测方面更加高效便捷, 它克服了高光谱技术数据量大、 仪器昂贵等缺点。 此外, 在维持作物自然形态前提下, 获取多个研究领域所需的作物器官表面的养分三维分布信息, 消费级近红外成像方式还具有高光谱成像方式无法解决的优势, 比如高光谱相机存在空间分辨率低的问题, 而且和普通相机中心透视投影的成像方式不同, 高光谱线性扫描成像模式也导致高光谱图像精确配准的实现困难。

目前, 大田作物长势观测获取作物冠层多光谱、 红外遥感数据的方式主要有三种, 一种是手持式高光谱、 多光谱采集仪器, 这种仪器也可以装置在三脚架、 高塔或遥感车上; 一种是将高光谱、 多光谱或红外仪器通过飞机或其他飞行工具在空中获取作物冠层遥感信息; 还有一种是从更高的外层空间通过遥感卫星获取。 但是卫星遥感在扩大探测范围同时不可避免的牺牲了地面作物的分辨率。 我国的农业条件需要有更简单方便的遥感工具来获取图像。 手持式或机载式光谱反射仪很有发展前景, 但在农业上的广泛使用尚需时日, 其主要原因是其高昂的价格和复杂的技术, 也有认识上和技术上的许多问题还需要深入研究。 消费级近红外相机的构成简单, 携带轻便, 操作容易, 可以借助并结合其他观测平台, 对建立标准化的快速、 简便的作物光谱分析手段和确立作物监测指标具有很大帮助。 消费级近红外相机成像技术是在传统真彩色数字图像技术和红外摄影获得底片后扫描的方式基础上发展而来的, 既比数字图像拥有更高的图像分辨率, 又比冲印扫描方式的红外获取更精确, 是一种值得继续拓展研究的方法, 在农作物无损长势观测领域, 拥有广阔的应用前景。 表11对高光谱成像技术与消费级近红外相机成像技术在成本、 操作、 性能等方面进行了比较。

表11

Table 11

表11(Table 11)

表11 高光谱成像技术与消费级近红外相机成像技术间的比较 Table 11 Comparison between hyperspectral image technology and consumer near infrared camera photo technology 指标 高光谱成像技术 消费级近红外相机成像技术 成本 价格高昂 费用低廉 操作 相对复杂 易于掌握 性能 波段窄且多, 运行慢 波段不连续, 便捷 用途 适合基础研究 用于在线监测

表11 高光谱成像技术与消费级近红外相机成像技术间的比较Table 11 Comparison between hyperspectral image technology and consumer near infrared camera photo technology

基于消费级近红外相机获取的系列多光谱图像, 由最优植被指数模型(VI模型)、 多个植被指数最小二乘支持向量机回归模型(VIs-LS-SVM模型)、 多个波段结合的偏最小二乘回归模型(Bands-PLS模型), 结合MATLAB对叠加配准的多波段图像进行处理, 可以得到空间域内水稻叶片每个像素点的反演叶绿素值, 将这些像素点的叶绿素值进行图片生成和伪彩色处理, 最终可得到水稻叶片叶绿素含量的分布图, 如图5所示。 不同的颜色代表不同的叶绿素值, 越红则叶绿素值越高, 越蓝则越小。 其中水稻叶片上的黑色数字是记号笔标记的测量位置对应的编号, 叶片叶枕部位的编号代表对应的叶片, 剑叶的3号标记最为清晰, 标号为2的叶片存在的叶斑在图中也有清晰的呈现。 叶片边缘部分对应的为蓝色, 叶绿素值接近0, 其主要原因是叶片老化以及光的折射。 中间叶脉部分也呈现不同程度的深蓝或浅蓝, 也是叶绿素含量低的缘故。 叶片中上部叶绿素值相对较高, 这是叶片叶绿素较为集中的部分, 是植物光合作用的主要部分。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 水稻叶片叶绿素值分布Fig.5 Chlorophyll distribution of on the rice leaves

从图5中可以看出, 该水稻编号为3的剑叶以及编号为1的上层叶片整体呈现红色即叶绿素值较高, 图中靠右编号为2的偏下层叶片中下段出现蓝色, 表明叶绿素含量低, 叶片呈现出缺氧状态。 水稻叶片整体显示从3号叶向2号叶由红色向橙黄色逐渐过渡, 再向浅蓝色转变, 结合水稻实验设计以及具体的生长情况分析此种现象发生的原因有两个, 一是这株水稻本身处在缺氮状态下, 培养中受到氮营养胁迫, 二是这株水稻已经开始灌浆, 处在即将抽穗的前期, 水稻中的营养正在重新分配, 以保证结实期籽粒生长养分供给。 以上原因导致在养分输送过程中, 部分叶片养分供给不足, 较其他叶片水稻叶绿素值偏低, 与反演结果一致。

实际操作中水稻叶面SPAD值的VI模型分布图和VIs-LS-SVM模型分布图的获取相对简单, 只用到了可见光图像和波长为760 nm的近红外图像, 而Bands-PLS模型分布图的获得相对复杂, 要用到包括760 nm等所有近红外波段图像和可见光图像, 因此称基于最优近红外预测波段760 nm图像建立的VIs-LS-SVM模型为最佳预测模型。