引言

類胡蘿卜素（Car）是植物光合作用中吸收光能的主要色素之一，它不僅吸收傳遞光能，還具有保護葉綠素的功能。當有過剩的光能發生時，Car就參與到葉黃素循環過程中將過剩的能量散失掉，從而避免了過剩光能對光合系統的傷害。當葉片受脅迫或衰老時，Car的存在又可延緩葉綠素的快速分解，維持光合作用的進行。因此，利用高光譜技術快速監測葉片Car含量信息，對于診斷植物不同發育階段的生理狀態具有重要的意義。

由于Car與葉綠素吸收峰所處波段部分重疊，且多數葉片中葉綠素含量要高于Car含量，因而，前人關于植被色素的光譜監測研究多側重易于反演的葉綠素方面，而對Car的研究相對較少。

在水稻研究方面，孫雪梅研究了光譜指數與水稻劍葉Car含量間的關系，指出應用PSSRc和PSNDc預測Car含量有一定的局限性，而SIPI、PSRI、PRI也不能用于Car含量預測；唐延林等則指出高光譜指數和紅邊位置λred與水稻葉片Car含量間存在極顯著相關；王福民等（2009）分析了所得波段范圍內所有歸一化光譜指數與水稻葉片Car含量之間的關系，提出（R1536–R707）/（R1536+R707）可以較好地估算Car含量?？梢姡瑢τ谀芊窭弥脖还庾V指數準確監測水稻葉片Car含量尚存在一定的分歧，所提出的一些敏感光譜指數在其波段選擇上也有一定的差異，且光譜指數研究范圍也局限于某一些經驗性或某一種構造類型的光譜指數，不能保證篩選出的光譜指數為最佳組合。

本研究以不同年份、品種類型、施氮水平的田間試驗為基礎，綜合分析所得波段范圍內所有兩波段組合的比值與歸一化光譜指數與水稻上部葉片Car含量之間的定量關系，并對比分析前人提出的其他構造形式的Car敏感光譜指數在水稻作物上的應用效果，探討葉片水平高光譜技術提取Car含量的可行方法，進而建立Car含量的定量估算模型。希望能為水稻葉片Car含量的無損監測和光合能力評價奠定基礎。

材料與方法

2.1 試驗設計

本研究共進行了4個水稻田間試驗，涉及不同的試驗點、年份、品種類型和施氮水平，具體的試驗設計如下。

試驗1（EXP.1）：2005年在江蘇省南京市農林局江寧試驗站進行。供試品種為‘27123’和‘武香粳14’。土壤有機質含量1.61%、全氮含量0.136%、速效氮含量74.7mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.6mg/kg。設4個施氮水平：0、90、270和405kg/hm2純氮，按基肥35%、分蘗肥15%、促花肥25%、?；ǚ?5%施入；各處理配施135kg/hm2P2O5和190kg/hm2K2O，均做基肥一次性施入。試驗小區隨機區組排列，重復3次，小區面積為3.5m×9.0m=31.5m2，株行距為0.15m×0.25m。5月18日播種，6月18日移栽，其他管理同常規高產田。

試驗2（EXP.2）：2006年在江蘇省南京市農林局江寧試驗站進行。供試品種同試驗1。土壤有機質含量1.43%、全氮含量0.11%、速效氮含量62.5mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.5mg/kg。設4個施氮水平：0、90、240和360kg/hm2純氮，氮肥基追比及磷鉀肥的施用同試驗1。試驗小區隨機區組排列，重復3次，小區面積為5m×5m=25m2，株行距為0.15m×0.25m。5月18日播種，6月20日移栽，其他管理同常規高產田。

試驗3（EXP.3）：2006年在浙江省杭州市中國水稻研究所試驗場（119°56′E，30°05′N）進行。選用9個不同株型和穗型的品種，分別為‘III優98’、‘II優航1號’、‘勝泰1號’、‘D優527’、‘II優162’、‘國稻6號’、‘天優998’、‘汕優63’和‘II優602’。土壤有機質含量1.02%、全氮含量0.101%、速效氮含量53.2mg/kg、速效磷含量9.6mg/kg、速效鉀含量66mg/kg。設3個施氮水平：0、120和180kg/hm2純氮，按基肥50%、分蘗肥30%和穗肥20%施入。各處理配施CaP2H4O8450kg/hm2，KCl150kg/hm2。試驗小區隨機區組排列，3次重復，小區面積3m×3m=9m2，株行距為0.20m×0.28m。5月23日左右播種，6月13日移栽，其他管理同常規高產田。

試驗4（EXP.4）：2007年在江蘇省南京市農林局江寧試驗站（118°59′E，31°56′N）進行。供試品種為‘兩優培九’和‘武香粳14號’。土壤有機質含量2.11%、全氮含量0.116%、速效氮含量103.9mg/kg、速效磷含量43.46mg/kg、速效鉀含量80.5mg/kg。試驗采用裂區設計，2個水分處理：間歇灌溉和水層灌溉（3–5cm），水分處理于秧苗移栽并返青之后開始實施至水稻成熟；3個施氮水平：0、180和300kg/hm2純氮，按基肥50%、分蘗肥10%、促花肥20%、保花肥20%施入；磷鉀肥的施用同試驗1。小區面積為5m×6m=30m2，株行距為0.20m×0.28m，3次重復。5月18日播種，6月18日移栽，其他管理同常規高產田。

2.2 葉片取樣及光譜測量

分別在水稻拔節、孕穗、抽穗、灌漿前期、灌漿中期和灌漿后期，從每個小區內選取水稻植株數穴，連根拔起，置于水桶中，帶回實驗室，每處理取6個代表性主莖，測定主莖頂1（L1）、頂2（L2）、頂3（L3）和頂4（L4）完全展開葉上、中、下部的反射光譜，取平均值作為被測葉位的光譜反射率。葉片光譜測量采用萊森光學iSpecField地物光譜儀自帶的手持葉夾式葉片光譜探測器進行，探測器內置石英鹵化燈，光源穩定；測量時葉片置于葉片夾的葉室中，從而保證葉片水平且被探測面積相同，以消除背景反射、葉片表面彎曲造成的光譜波動及葉片內部變異造成的影響。

2.3 葉片Car含量測定

采集完光譜反射率后，將葉片樣本迅速放于保鮮袋中，經液氮冷凍處理，然后測定Car含量。測定時，將葉片剪碎、混勻，稱0.10g左右，采用無水乙醇和丙酮1：1混合液于暗處提取，用紫外可見分光光度計測定470、645和663nm處的吸光度，然后以Lichtenthaler法計算不同葉位葉片的Car含量。

2.4 數據分析

方法本文選用最為常用的比值光譜（SR（λ1，λ2））和歸一化差值（ND（λ1，λ2））指數，詳細分析350–2500nm范圍內任意兩波段組合的SR和ND光譜指數與水稻葉片Car含量間的關系，以期找到預測水稻葉片Car含量的適宜光譜變量。

首先綜合利用試驗1和2的資料對光譜指數與葉片Car含量進行相關分析，選出敏感波段及適宜光譜指數，并通過回歸分析建立基于敏感光譜指數的水稻葉片Car含量預測模型。然后基于試驗3和4的數據資料，采用均方根差（RMSE）、平均相對誤差（RE）和預測精度（P-R2）3個統計指標對所篩選的光譜指數及其預測模型進行測試和檢驗，并繪制觀察值與預測值之間的1：1關系圖。所有數據處理和分析過程均在MATLAB語言環境下編程實現。

結果與分析

3.1 水稻葉片Car含量的變化特征

表2顯示了本文中建模及測試樣本集葉片Car含量的統計結果，Car含量的變幅范圍分別為0.136–0.854mg/g和0.217–0.866mg/g，變異系數分別為28.8%和22.7%，顯示樣本具有較好的代表性。

表2水稻葉片類胡蘿卜素含量的變化

因不同年度試驗、不同水稻品種間葉片Car含量隨生育期的變化具有一定的相似性，本節以試驗2中‘武香粳14’為例說明不同處理及不同葉位葉片Car含量變化情況。圖1展示不同施氮水平間各葉位葉片平均Car含量隨生育期的變化模式，各生育期不同施氮水平間葉片Car含量差異明顯，均表現為N3>N2>N1>N0變化模式；隨生育期的變化，在抽穗前（DAT80）變化緩慢，而抽穗后均表現為快速下降的趨勢，表明在生育前期，各處理葉片Car含量均有一個積累保持期，這有利于防護葉片葉綠素的降解；后期隨著葉片的營養轉移及衰老，Car含量持續下降，而施氮可提高葉片Car含量，延緩葉片的衰老。

圖1水稻頂部葉片類胡蘿卜素含量隨生育期的變化(試驗2, ‘武香粳14’)。N0、N1、N2、N3,分別表示0、90、240和360 kg N/hm2處理。L1、L2、L3、L4,分別表示頂1、頂2、頂3、頂4葉。

圖1顯示了不同葉位間各處理平均Car含量隨生育期的變化模式，不同葉位間，Car前期差異較小，在移栽后80天，葉片已全部抽出，進入孕穗期，葉位固定，之后各時期Car含量明顯表現為L1>L2>L3>L4的空間模式；隨著生育期推進，各葉位葉片Car含量變化有異，抽穗前，L1和L2表現為先緩慢下降后上升，L3和L4表現為緩慢下降，抽穗期后，均表現為持續快速下降趨勢，說明上葉位比下葉位具有更強的生理活性。

3.2 水稻葉片光譜反射率的變化特征

為了清晰地描述不同Car含量水平葉片的反射光譜特征，本研究將400組葉片的反射光譜按Car含量從低到高分為Car≤0.2、0.20.8mg/g6組，并將每組樣本的光譜反射率進行平均，從而得到代表不同Car含量水平的葉片反射光譜曲線圖（圖2）。

圖2不同類胡蘿卜素含量(mg/g)水平水稻葉片的光譜反射率特征

圖2顯示在350–700nm可見光區，葉片反射率隨著Car含量的增加而降低，平均變化幅度達到230%，而在近紅外波段（750–1350nm），葉片反射率隨著Car含量的增加而增加，但其平均變化幅度僅為5.17%?？梢姽鈪^的光譜特征受各種色素的共同影響，色素含量高則吸收強，反射率就低，而近紅外區域的光譜特征主要受葉肉結構的影響，本文中由色素含量變化造成的葉肉結構的差異相對較小，因此，受Car含量變化的影響，近紅外區葉片光譜反射率的變化強度要明顯小于可見光部分。不同Car含量下葉片光譜反射率的這種變化規律為研究利用高光譜技術反演水稻葉片Car含量奠定了基礎。

3.3 水稻葉片Car含量與原始光譜及一階導數間的相關性

將試驗1和2中所有生育期的葉片Car含量與對應的葉片光譜反射率及其一階微分光譜數據（n=400）進行了總體相關分析（圖3）。結果顯示，波長小于745nm的光譜反射率與葉片Car含量呈負相關，其中，在510–600nm綠光區域及695–717nm的紅邊區域，負相關達到較高水平（r<–0.88），相關性最好的波段分別為562nm（r=–0.887）和705nm（r=–0.895）。在750–1350nm近紅外區域內，存在一個正相關系數平臺，但相關性較?。╮<0.34）。葉片Car含量與一階微分光譜間的相關關系表明，在500–510、535–550及685–795nm的幾個窄波段區域，其負相關達到較高水平（r<–0.87）；在635–670及710–760nm區域，其正相關達到較高水平（r>0.88），以744nm附近的相關性最高（r=0.92）?？梢?，可見光綠光及紅邊波段與水稻葉片Car含量關系密切，而近紅外波段對Car含量變化不太敏感，通過對這幾個區域光譜信息的充分挖掘，有可能找到用于水稻葉片Car含量監測的適宜光譜變量。

圖3水稻葉片類胡蘿卜素含量與葉片光譜反射率及一階導數光譜數據的相關性(n= 400)

3.4 水稻葉片Car含量的敏感光譜指數

高光譜反射率具有連續、精細的特點，有助于獲得豐富的波段組合，增強對植株生物理化參數的探測能力。本研究系統分析了350–2500nm范圍內任意兩波段組合而成的比值（SR）及歸一化差值（ND）光譜指數與水稻葉片Car含量間的關系。圖4突出顯示了400–1200nm范圍內兩波段組合的SR（圖4A）和ND（圖4B）光譜指數與Car含量間線性擬合的決定系數等勢圖，等勢線上的數字表示決定系數（S-R2）的起點。

圖4兩波段組合的比值(A)及歸一化(B)光譜指數估算類胡蘿卜素含量的決定系數(R2 )等勢圖

從圖4可以看出，可見光綠光至紅邊波段（λ1）與近紅外波段（λ2）的SR或ND組合與水稻葉片Car含量間均達到顯著相關水平，以綠光及紅邊波段組合表現突出。在綠光區域，綠峰處554nm附近與近紅外波段的SR組合及562nm附近與近紅外波段ND組合表現突出（S-R2>0.85），其中以SR（554，773）和ND（773，562）表現最好（表3），S-R2分別為0.854和0.867。在紅邊區域，以723nm附近與近紅外波段的SR組合及713nm附近與近紅外波段的ND組合表現突出（S-R2>0.89），近紅外參考波段以770nm附近波段表現最好，SR（723，770）和ND（770，713）用于Car含量估算的線性S-R2分別達到0.897和0.898（表3）?；趦赡陜蓚€品種的試驗數據，圖5展示了SR（723，770）和ND（770，713）對不同生育期及不同葉位水稻葉片Car含量的擬合效果。

圖5水稻葉片類胡蘿卜素含量與比值指數(SR) (723, 770)及歸一化指數(ND) (770, 713)的關系(n=400)。L1、L2、L3、L4同圖1

3.5 模型的測試與檢驗

利用試驗3和試驗4的獨立資料，采用均方根差（RMSE）、平均相對誤差（RE）和預測精度（P-R2）3項統計指標，對各預測方程的可靠性與普適性進行了驗證（表3）。檢驗結果顯示，基于SR（723，770）和ND（770，713）建立的葉片Car含量監測模型的測試效果最好（圖6），觀測值與模擬值之間的P-R2分別達到0.856和0.858，RMSE分別為0.083和0.085mg/g，RE分別為11.9%和12.0%。兩指數的預測精度和預測誤差均相近，這與兩指數的構造波段相近，包含類似的光譜信息，且建模和測試數據相同有關，說明基于這兩個光譜指數建立的模型對水稻葉片Car含量的預測均具有較好的準確度和普適性。基于綠光波段提出的SR（554，773）和ND（773，562）不及上述紅邊波段組合優秀，P-R2分別為0.782和0.794，RMSE依次為0.074和0.075mg/g，RE分別為12.8%和12.7%（表3）。

表3水稻葉片類胡蘿卜素含量(y)與不同光譜指數(x)的定量關系(n = 400)及檢驗效果(n = 223)

進一步分析了前人提出的不同類型Car指數在本研究中的應用效果（表3）?？梢钥闯?，前人基于Car吸收波段470nm附近波段提出的PSSRc和PSNDc與水稻葉片Car含量的關系較差，擬合精度S-R2僅為0.718和0.712，這可能與Car和葉綠素的吸收波段部分重疊受葉綠素影響有關。而前人構造的CRI550、CRI700、R760/R500和R672/（R550×R708），其對水稻葉片Car含量的估算效果也不理想，擬合精度較低，預測誤差也較大（RE>18.5%），不及本研究新提出的各光譜指數表現優秀。

討論

高光譜遙感以其高分辨率、多波段、海量數據等特點，為量化植被體內的單一光合色素提供了有效途徑。植物體內的Car含量較低，且生理變化復雜，導致已有光譜預測模型對Car的估測精度較低。本文綜合分析了不同年份、施氮水平、品種類型、生育時期水稻不同葉位葉片反射光譜與Car含量之間的定量關系，結果顯示，不同葉位水稻葉片Car含量及不同Car含量水平下水稻葉片光譜反射率均有明顯的規律性差異，葉片光譜反射率與Car含量間在可見光綠光及紅邊區域表現為顯著的負相關性，而在近紅外區域表現為較弱的正相關關系，這為光譜監測水稻葉片Car含量提供了理論依據。

光譜指數可以使植被的有效反射信息最大化，而使外部因素影響最小化，構建適宜的敏感光譜指數已成為遙感提取植被生化組分信息的重要方法。孫雪梅比較了幾種經驗性光譜指數對水稻劍葉Car含量的估算效果，指出光譜監測Car含量比監測葉綠素含量要困難的多。本研究通過分析350–2500nm范圍內所有兩波段組合的比值及歸一化光譜指數與葉片Car含量間的定量關系，結果表明，拓寬光譜指數的研究范圍，可以提取出適于水稻葉片Car含量監測的理想光譜指數。光譜指數組合波段的選擇對其預測能力影響較大，以紅邊723nm左右的波段（λ1）與近紅外波段（λ2）的比值組合以及紅邊713nm左右的波段與近紅外波段的歸一化組合預測水稻葉片Car含量的效果最好（S-R2>0.89），近紅外參考波段以770nm附近波段表現最佳。

圖6基于比值指數SR(723, 770)和歸一化指數ND (770, 713)的水稻葉片類胡蘿卜素含量實測值與預測值間的比較(n = 223)。RE、RMSE,同表3。

本文所選最佳光譜指數敏感波段范圍與王福明等利用歸一化光譜指數的研究結果相近，均在紅邊區域內，說明紅邊波段組合的光譜指數預測水稻葉片Car含量具有較好的通用性；不同的是，構成指數參考波段的選擇中，本文中無論是比值還是歸一化光譜指數，均以近紅外波段表現更好，短波紅外波段（>1350nm）作為參考波段雖有一定的估算效果，但均不及近紅外波段表現突出，這可能與短波紅外波段對葉片水分濃度變化敏感，波動較大，不及近紅外波段穩定有關。唐延林等利用綠光553nm與不同波段的比值組合進行水稻葉片色素含量的監測，本文也證明了綠光波段與近紅外波段的比值或歸一化組合對Car含量有一定的預測作用，但其預測效果不及紅邊波段組合優秀（S-R2<0.867），不是預測水稻葉片Car含量的理想選擇。

進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等不同構造類型的Car敏感光譜指數在本文中的應用效果，發現這些光譜指數對本文水稻葉片Car含量的預測效果均較差（表3），可能是因為這些光譜指數均是基于特定的林木葉片提出的，所用葉片表層及葉肉結構與禾本科的水稻作物葉片差異較大；另一方面，這些已有指數均是基于少數經驗性波段的敏感性分析上提出的，因其研究波段范圍較窄而易導致關鍵光譜指數的丟失，不能保證篩選出的光譜指數的敏感性和穩定性。

本研究則采用了全波段綜合分析方法，這有利于篩選出光譜指數的最佳組合。最終所選光譜指數均為可見光區敏感波段與近紅外不敏感波段的組合，這在一定程度上有利于消除葉片結構及表面反射等因素對反演結果的影響。基于獨立試驗資料的檢驗結果表明，本研究新提出的SR（723，770）和ND（770，713）對水稻葉片Car含量的預測具有較好的準確性和穩定性，這為水稻葉片光合色素的無損監測及便攜式色素監測儀的開發奠定了基礎。本研究采用葉夾式探測器測定葉片光譜，可以較好地消除背景及冠層結構的影響，光譜獲取的精確性較高，所使用的數據來源于不同年份、不同品種和不同氮肥處理，其樣品Car含量涵蓋范圍較大，且來自不同生育時期和不同葉位，因而所建立的模型可靠性得到增強，具有較好的代表性，但今后仍需在更廣泛的條件下進行測試和檢驗，以增強模型的估測精度和適用范圍。

5、結論

水稻葉片Car含量和光譜反射率在不同施氮水平、不同葉位間均存在明顯的規律性變化，510–600nm綠光區域和695–717nm紅邊區域與葉片Car含量間有較好的相關性，紅邊723nm左右波段與近紅外波段的比值組合以及紅邊713nm附近波段與近紅外波段的歸一化組合可很好地監測水稻葉片Car含量，近紅外參考波段以770nm附近波段表現最好。新提出的SR（723，770）和ND（713，770）與葉片Car含量間有很好的相關性，且預測性和重演性好，說明通過提取適當的葉片光譜指數可以有效地估算水稻葉片Car含量。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇