白粉病胁迫下小麦冠层叶绿素密度的高光谱估测.pdf

第 29 卷 第 13 期 农 业 工 程 学 报 Vol.29 No.13 114 2013 年 7 月 Transactions of the Chinese Society of Agricultural Engineering Jul.2013 白粉病胁迫下小麦冠层叶绿素密度的高光谱估测 冯 伟，王晓宇，宋 晓，贺 利，王晨阳，郭天财（河南农业大学国家小麦工程技术研究中心，郑州 450002）摘 要：为了明确病害胁迫下作物生长特征及其危害程度，基于大田小区和盆栽小麦白粉病接种试验，在病害胁迫下不同生育时期测定群体光谱及叶绿素密度。综合分析群体光谱反射率、一阶微分及传统光谱特征参数与冠层叶绿素密度间关系，建立病害叶绿素密度估算模型并检验。结果表明，随病情指数增加，叶绿素含量下降，不同感性品种均如此，对白粉病易感品种的危害较重。病害冠层叶绿素密度与红光 600630 nm 和红边 690718 nm的反射率及红边长波段（718756 nm）的一阶微分间相关性最显著。在传统植被指数中，以 SDr/SDb 和 VOG3为变量的估测模型拟合精度较高，决定系数 R2分别为 0.752 和 0.723，模型检验相对误差（RE）最小，RE 分别为18.0%和 18.6%。利用红边区域（680760 nm）波段差异特性，选取 680、718 和 756 nm 波段新建红边角度指数（REAI），较传统植被指数的模型拟合精度更高，归一化角度指数 NDAI(,)和比值角度指数 RAI(,)的 R2分别为 0.783 和 0.776，模型检验误差更小，RE 分别为 16.8%和 17.5%。因此，NDAI(,)是估测病害小麦冠层叶绿素密度的可靠指标，对利用该模型监测小麦光合潜力和病害影响评价具有积极意义。关键词：光谱分析，叶绿素，模型，估测，白粉病胁迫，冬小麦 doi：10.3969/j.issn.1002-6819.2013.13.016 中图分类号：Q657.3 文献标志码：A 文章编号：1002-6819(2013)-13-0114-10 冯 伟，王晓宇，宋 晓，等.白粉病胁迫下小麦冠层叶绿素密度的高光谱估测J.农业工程学报，2013，29(13)：114123.Feng Wei,Wang Xiaoyu,Song Xiao,et al.Hyperspectral estimation of canopy chlorophyll density in winter wheat under stress of powdery mildewJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(13):114123.(in Chinese with English abstract)0 引 言 光合作用中吸收光能的植物色素有叶绿素和类胡萝卜素，其中叶绿素是主要的吸收光能物质，其含量高低与光合能力、发育时期和营养水平关系密切，可敏感指示环境胁迫、光合潜力和阶段发育1-2。小麦白粉病是世界性病害，中国在 20 世纪 70 年代以前主要在西南及山东沿海局部发病严重，随后发生范围不断扩大，危害程度加重，导致叶片退绿发黄，叶绿素含量降低，严重影响小麦光合作用3-4。因此，通过快速光谱测试实时无损估算胁迫下叶绿素含量，对作物病害及群体光合能力进行有效评价，在作物精确诊断和高效管理中具有重要意义。绿色植物典型的光谱特征，在可见光范围内主 收稿日期：2012-12-15 修订日期：2013-05-31 基金项目：国家自然科学基金（30900867）和现代农业（小麦）产业技术体系（MATS）专项资助。作者简介：冯 伟（1976），男，博士，副研究员，主要从事小麦生长监测与遥感应用研究。郑州 国家小麦工程技术研究中心，450002。Email: 通信作者：郭天财（1953），男，教授，博导，主要从事小麦生态与高产栽培技术研究郑州。郑州 国家小麦工程技术研究中心，450002。Email: 要受色素影响，而在近红外区域主要受叶片内部结构、生物量和含水量等影响。因此，可以利用植被光谱信息特征来估算叶绿素含量5-6。Horler 等7研究了植被光谱与叶绿素浓度的关系，提出反射光谱红边位置可指示植被叶绿素浓度变化。由于红边一阶微分数据的离散性，传统算法的红边位置对叶绿素含量反演产生较大偏差，Miller 等和 Cho 等8-9分别利用倒高斯光学模型和线性外推法修正了红边位置算法，对叶绿素状况的估算取得了较好效果。Blackburn10-11发现，冠层和叶片尺度上色素浓度与反射光谱的一阶和二阶导数极显著相关，并利用叶绿素特征吸收波段 470、635 和 680 nm 构造了适宜估算叶绿素状况的光谱指数，但 Sims 等12进一步研究表明，550、700 nm 较 680 nm 反射率对叶绿素更敏感。孟庆野等13在 PROSPECT+SAIL 辐射传输物理模型基础上对红边特征进行相关分析，引入红边、红谷和绿峰 3 个敏感波段，提出了改进转换叶绿素吸收反射指数（modified transformed chlorophyll absorption ratio index，MTCARI）。以上研究均基于植被健康生长条件下利用光谱分析技术估算叶绿素含量，但当作物遭受病害胁迫后，植株生物量下降，叶绿素和水分减少，叶片结构破农业信息与电气技术第 13 期 冯 伟等：白粉病胁迫下小麦冠层叶绿素密度的高光谱估测 115 坏，在光谱特征上常表现为可见光和短波红外波段光谱反射率增加，近红外波段减小，这与绿色植被典型光谱特征存在很大差异14-15。前人研究确立的健康植被条件下其叶绿素遥感估测指标及模型很难适用于病虫危害后植被叶绿素状况的遥感监测与评价。近年来作物病虫害光谱分析与监测评价相结合逐渐受到众多学者的广泛关注，目前有关病虫危害后植被理化参数遥感监测的研究报道较少，而白粉病胁迫下小麦冠层叶绿素密度的光谱估测尚未见报道。本文开展白粉病胁迫下小麦冠层叶绿素密度高光谱估测研究，建立小麦冠层叶绿素密度的反演模型，以期用简便、无损的遥感技术估测病害小麦冠层叶绿素密度，为大面积遥感监测小麦病害、光合能力及估产提供理论依据和技术支持。1 材料与方法 1.1 试验设计 试验 1（EXP.1）于 2009-2010 年在河南农业大学科教示范园区大田进行。供试材料为对白粉病表现易感的品种偃展 4110 和豫麦 34，中感品种周麦18 和郑麦 366。前茬为玉米，土壤为砂壤土，播前030 cm 土壤有机质质量分数 8.3 g/kg，全氮0.87 g/kg，速效磷24.44 mg/kg，速效钾 124.32 mg/kg，施肥量为 270 kg/hm2纯氮、120 kg/hm2 P2O5和90 kg/hm2 K2O。试验设计为 3 次重复，小区面积为20.3 m2。10 月 15 日播种，三叶期定苗，各小区栽培管理均一致，其他同一般高产麦田。同时在病圃田培养偃展 4110 等易感材料，作为试验接种的病菌来源。依据接种频次设定重（1 d 接种一次，I3）、中（2 d 接种一次，I2）和轻（3 d 接种一次，I1）3个接种等级处理，另设不接种的对照区（I0）。小麦拔节期开始接种白粉病菌，一直持续至最低级别处理开始表现明显发病症状时停止人工接种。小麦抽穗期开始染病，冠层光谱测试和采样时期为花后3 d、花后 15 d 和花后 25 d。试验 2（EXP.2）于 20092010 年在河南农业大学科教示范园区温棚进行。试验材料为易感品种偃展 4110 和豫麦 49，中感品种矮抗 58 和郑麦 366。土壤为过筛后砂壤土，每盆装土 15 kg，盆面直径25 cm，花盆埋于陆地，盆面高出地面 2 cm，所用肥料同大田，施用量为 2 倍大田。10 月 18 日播种，三叶期定苗。在拔节后期进行白粉病接种，依据接种量大小和频次设定重、中和轻 3 个接种等级，另设不接种的对照区。小麦孕穗期开始染病，冠层光谱测试和采样时期为抽穗期和花后 10 d，测定时分单盆、2 盆并和 4 盆并进行，3 种方式均测定 2 组数据。试验 3（EXP.3）于 20102011 年在河南农业大学国家小麦工程技术研究中心病圃田进行。供试材料为易感品种偃展 4110 和西农 979，中感品种矮抗 58。土壤为砂壤土，播前 030 cm 土壤有机质质量分数 16.3 g/kg，全氮 1.22 g/kg，速效磷35.65 mg/kg，速效钾 114.68 mg/kg，施肥量为270 kg/hm2纯氮、120 kg/hm2 P2O5和90 kg/hm2 K2O。依据接种量大小和频次设置 4 个接种梯度处理，2次重复，小区面积为 8.1 m2。10 月 15 日播种，三叶期定苗，各小区栽培管理均一致，其他同一般高产麦田。小麦孕穗期开始染病，冠层光谱测试和采样时期为抽穗期和花后 15 d。1.2 测定项目与方法 1.2.1 光谱数据获取 小麦冠层光谱测定采用 FieldSpec HandHeld 手持便携式光谱分析仪（美国 ASD 公司生产），波段值为 3251 075 nm，光谱采样间隔为 1.6 nm，光谱分辨率为 3.5 nm，探头视场角 25。冠层光谱测定选择在天气晴朗、无风或风速很小时进行，北京时间 10：0014：00，传感器探头垂直向下，距冠层顶垂直高度约 1.0 m，地面视场范围直径为0.44 m。测量过程中及时进行标准白板校正，以 10 条光谱为一采样光谱，每个采样点记录 10 个光谱，以其平均值作为该点的光谱反射率。1.2.2 病情指数调查 在各小区随机调查 30 株小麦发病程度，严重度具体分 9 个等级：即 0、1%、10%、20%、30%、45%、60%、80%和 100%，分别记录各严重度的小麦叶片数，然后利用式（1）算出病情指数16：()(%)100 xfDInf=（1）式中，x 为各梯度的级值，n 为最高梯度值为 9，f为各梯度的叶片数。1.2.3 冠层叶绿素密度测定 与光谱测量同步，每小区取有代表性单茎 12个，分 2 份分别测定叶绿素含量和生物量。叶绿素含量测定时，取叶片中部 0.1 g 剪成细丝，用无水乙醇和丙酮（v/v=1/1）混合液暗处提取，用紫外可见分光光度计测定 470、645 和 663 nm 处的吸光度，然后参考 Lichtenthaler 方法17计算叶绿素含量。将叶片质量乘以对应叶片叶绿素含量，即得单位土地面积绿叶片的叶绿素总量（干物质量），作为冠层叶片叶绿素密度（kg/hm2）。1.3 数据分析与利用 由于光谱仪采集的是离散数据，因此采用式（2）计算光谱反射率的一阶微分值18。农业工程学报 2013 年 116 11()()()()2iiiidRRRRd+=（2）式中，R(i)为i nm处的光谱反射率，R(i)是i处的一阶微分，i是第i个通道的波长。在一阶微分中提取了红边特征，其在680760 nm之间反射率增长很快，为健康植被的显著光谱特征。参考相关文献14,18选用了不同类型光谱参数，在Matlab语言环境下编程实现了光谱指数与叶绿素密度间相关系数运算，选择8个与叶绿素含量最显著相关的光谱特征参数列于表。以试验1和试验2资料为基础，对常见特征光谱指数与冠层叶绿素密度间进行相关回归分析，优选和构建敏感光谱参数，建立小麦冠层叶绿素密度监测模型。利用试验3独立资料对所筛选建立的模型进行测试和检验，采用预测精度（R2）、均方根误差（RMSE，式（3）和相对误差（RE，式（4）等统计指标进行评价。211()niiiRMSEPOn=（3）()211100%niiiiOPREnO=（4）式中，Pi和Oi分别为估测值和观察值，n为样本数。表 1 本研究采用的高光谱参数算法及出处 Table 1 Summary of different hyperspectral parameters used in this study 光谱参数 Spectral parameter 定义与算法 Definition and algorithm 参考文献 Reference RVI(810,560)810 nm 与 560 nm 处反射率比值 Ratio of reflectance at 810 nm to 560 nm R810/R560 Rouse et al.(1974)19 GM1 750 nm 与 550 nm 处反射率比值 Ratio of reflectance at 750 nm to 550 nm R750/R550 Gitelson and Merzlyak(1994)20 VOG3 红边光谱比值植被指数 Red edge reflectance ratio indices (R734-R747)/(R715+R720)Zarco-Tejada et al.(2001)21 mSR705 修正 SR705 简单比值指数 Simple ratio indices modified on SR705(R750-R445)/(R705-R445)Sims&Gamon(2002)12 PSSRb 特定色素简单比值法 Pigment specific simple ratio R800/R635 Blackburn(1998)10 ZM 750 nm 与 710 nm 处反射率比值 Ratio of reflectance at 750 nm to 710 nm R750/R710 Gupta et al.(2003)22 SDr/SDb 红蓝边面积比 Radio of the red-edge integral areas and the blue-edge integral areas 7555301111680490()/2()/2iiiiiiRRRR+=Feng et al.(2008)23 REPIG 基于倒高斯模型的红边位置 Red edge position obtained from inverted gaussian fitting technique 2002()()()exp2ssRRRR=REPIG=i+Miller et al.(1990)8 注：R 和 分别表示原始光谱反射率和波长，Rs为近红外区域肩反射率，R0为近红外区域低谷反射率，为高斯模型变异参数。Notes:R and denote spectral reflectance and wavelength respectively.Rs is the“shoulder”spectral reflectance within the red edge(680760 nm),R0 is the minimum spectral reflectance at wavelength 0corresponding to the chlorophyll absorption well,and is the Gaussian function deviation parameter.2 结果与分析 2.1 不同接种等级下小麦叶绿素含量和病情指数的的变化 以试验1的易感品种偃展4110和中感品种周麦18为例，说明不同接种处理对叶绿素含量和病情指数的影响。从表2可以看出，在病菌感染的灌浆期随灌浆进程小麦叶绿素含量呈下降趋势，2品种一致。随接种等级增加，植株发病严重，病情指数升高，叶绿素含量下降；且随发病日期延长，病情指数增加，病害对叶绿素的影响加重。品种间比较，易感品种偃展4110发病速度更快，叶绿素含量损失更多。就单个品种单个时期而言，病情指数与叶绿素含量呈显著负相关（r0.65*）。在红边的近红外端（730750 nm）相关性很弱(|r|0.2)。在750950 nm近红外波段内则呈显著正相关，但相关系数相对较小（r0.4*），这是由于近红外波段主要受冠层及叶片组织结构影响，而对叶绿素密度的变化不敏感。由此可知，可见红光及红边波段对小麦叶绿素密度的变化较为敏感，通过对此区域光谱信息的挖掘将有助于进一步解析白粉病侵染后小麦叶绿素密度与对应光谱之间的定量关系。图 2 小麦叶片叶绿素密度与原始光谱反射率的相关性 Fig.2 Correlation patterns of canopy chlorophyll density to spectral reflectance of wheat 2.4 病害小麦叶绿素密度与常见光谱参数的定量关系 以前人提出的不同类型光谱参数（比值、差值、归一化、红边特征及微分等）为基础，综合试验1和试验2的不同生育时期小麦冠层叶绿素密度与光农业工程学报 2013 年 118 谱参数进行指数及线性模型估算（n=183），将其中表现较好的8个光谱参数、方程拟合的决定系数及标准误差列于表3，并选用2个光谱参数为代表，将回归方程作散点图直观展示方程拟合效果（图3）。结果显示，光谱参数RVI(810,560)、GM1和PSSRb的线性回归方程的拟合精度（决定系数）优于指数模型，其他光谱参数的指数模型拟合精度均高于线性模型；从方程拟合标准误差来看，所有优选参数的方程拟合RMSE均为指数模型低于线性模型。综合而言，选用误差较小的指数模型可以较好地对叶绿素密度进行建模估算，指数模型中特征光谱参数VOG3和SDr/SDb对叶绿素密度拟合效果较好，决定系数分别为0.723（P0.001）和0.752（P0.001），拟合误差分别为1.311和1.240 kg/hm2。表 3 小麦叶片叶绿素密度与光谱参数的定量关系 Table 3 Quantitative relationships of canopy chlorophyll density(y)to different spectral indices(x)in wheat 指数模型 Index model 线性模型 Linear model 光谱参数 Spectral parameter 模拟方程 Simulation equation 决定系数 R2均方根误差RMSEcal 模拟方程 Simulation equation 决定系数 R2 均方根误差RMSEcal RVI(810,560)y=1.035e0.236x 0.698 1.314 y=1.215x-2.203 0.731 1.530 GM1 y=0.779e0.337x 0.703 1.298 y=1.722x-3.590 0.724 1.551 PSSRb y=1.591e0.124x 0.668 1.391 y=0.648x-0.046 0.716 1.572 VOG3 y=1.383e-4.31x 0.723 1.311 y=-21.63x-0.578 0.720 1.568 mSR705 y=1.080e0.581x 0.698 1.380 y=2.938x-1.869 0.689 1.623 ZM y=0.711e0.601x 0.712 1.392 y=2.992x-3.851 0.699 1.618 SDr/SDb y=0.755e0.135x 0.752 1.240 y=0.675x-3.579 0.738 1.509 REPIG y=4E-72e0.230 x 0.751 1.517 y=1.131x-807.7 0.715 1.577 图 3 小麦冠层叶绿素密度与光谱参数的关系 Fig.3 Relationships of canopy chlorophyll density to reflectance spectral index SDr/SDb,VOG3 in wheat 2.5 红边角度波长选择及监测模型构建 表2中优选敏感参数的2波段分别位于近红外740810 nm和可见光500720 nm区域，图1和图2显示在红边范围内存在一特殊区域，在该区域短波方向反射率随叶绿素密度增加而降低，而在长波方向表现升高趋势。因此，通过对叶绿素密度反应敏感且表现异质的2波段进行比值或归一化组合，可显著提高植被指数对叶绿素密度的拟合能力。图4显示不同叶绿素密度下小麦一阶微分光谱在红边区域内（680756 nm）反应特征。680 nm为红边起点，760 nm附近为氧和水强吸收谷，其一阶微分光谱不稳定，故将756 nm作为红边终点。在该红边区域，718 nm附近一阶微分值在不同叶绿素密度下未表现出明显规律，而在此位点的短波方向（680718 nm）和长波方向（718756 nm）一阶微分值与叶绿素密度间分别表现出显著负（r=0.42*）和正（r=0.68*）相关。因此，718 nm波段将红边区域对称分为对叶绿素密度响应表现异质的2部分，图5中角度（式4）主要受叶绿素吸收深度的影响，其大小随叶绿素含量提高而增加，角度（式5）主要受冠层生物量反射高度的影响，其大小随生物量增大而增加，对以上第 13 期 冯 伟等：白粉病胁迫下小麦冠层叶绿素密度的高光谱估测 119 角度取正切值，具体表示单位光谱波段反射率的变化量。图 4 小麦不同叶绿素密度下红边区一阶微分光谱的变化 Fig.4 Changes in first derivative spectra of wheat under different chlorophyll density 图 5 光谱红边区域角度指数示意图 Fig.5 Sketch map for and of angle calculation within red edge part of the spectrum ()()arctgiiRR=（4）()()arctgiiRR+=（5）比值角度指数（ratio angle index），(,)RAI=（6）归一化角度指数（normalized difference angle index），(,)NDAI=+（7）其中，i是波段i的波长值、R(i)是波长i的光谱反射率，是2波长的差值。本文光谱间隔为38 nm，起点波长为680 nm，终点波长为756 nm，中心波长为718 nm。冠层叶绿素密度为叶绿素含量和生物量乘积，更能反映冠层潜在的光合生产能力。通过对叶绿素吸收深度和生物量反射高度反应敏感的2个角度进行组合计算，综合试验1和试验2不同生育时期的小麦冠层叶绿素密度与新构建红边角度指数进行相关回归分析(n=183)，其中，两角度比值（RAI）和标准化差值（NDAI）能很好地表征冠层叶绿素密度的变化动态（图6）。以NDAI(,)为变量的指数方程拟合决定系数为0.783（P0.001），标准误差为1.186 kg/hm2，以RAI(,)为变量的指数方程拟合决定系数和标准误差分别为0.776（P20%），其他模型预测误差均在允许范围之内。综合比较，常见光谱参数VOG3、ZM和SDr/SDb的指数模型检验结果较好，检验精度R2为0.8960.902，RE为18.0%18.6%。新建红边角度指数较常见光谱参数进一步改善了模型预测效果（图7），NDAI(,)模型的检验精度R2为0.916，RE为16.8%，RAI(,)模型的R2为0.907，RE为17.5%，表明模拟值与实测值间存在较小误差。这些结果显示，利用关键的光谱特征参数，尤其红边角度指数可以对小麦白粉病胁迫后冠层叶绿素密度进行有效的定量监测与评价。表 4 小麦叶片叶绿素密度估算模型的预测能力 Table 4 Performance of the estimation models for predicting canopy chlorophyll density in wheat 光谱参数 Spectral parameter 决定系数 R2 均方根误差RMSEval 相对误差 RE RVI(810,560)0.878 1.073 0.202 GM1 0.892 1.003 0.190 PSSRb 0.875 1.089 0.210 VOG3 0.899 0.975 0.186 mSR705 0.891 1.013 0.194 ZM 0.896 0.973 0.185 SDr/SDb 0.902 0.911 0.180 REPIG 0.893 1.851 0.256 RAI(,)0.907 0.897 0.175 NDAI(,)0.916 0.887 0.168 a.NDAI(,):归一化角度指数 b.RAI(,):比值角度指数 a.Normalized difference angle index b.Ratio angle index 图 7 基于红边角度指数的小麦冠层叶绿素密度实测值与预测值的比较 Fig.7 Comparison of observed with predicted canopy chlorophyll density in wheat based on red edge angle index 3 讨 论 作物冠层叶绿素密度包含植株叶绿素含量和群体绿叶重信息，Blackburn10认为叶绿素密度更能反映冠层潜在的光合能力。目前，应用遥感技术构造植被指数对冠层叶绿素密度进行反演，快速评价生物胁迫对植被冠层潜在光合能力的影响是目前植被遥感领域研究的热点内容之一。尽管生物胁迫与非生物胁迫在对植被叶绿素含量降低方面具有相同点，非生物胁迫主要抑制叶绿素合成，而生物胁迫的白粉病不仅加速了叶绿素降解和冠层结构破坏，并形成较多霉层病斑和凋谢物，随之反映在冠层光谱上也就存在差异3,14。前人在非生物胁迫下构建的典型植被指数必然不能满足病害胁迫下叶绿素状况的反演，如何提高病害胁迫下植被冠层叶绿素密度的反演精度则是遥感监测的难点。我们前期的氮肥胁迫试验发现，小麦叶绿素密度与冠层光谱间相关性在波段间存在差异，可见光波段整体相关性较低（r0.7），而近红外波段较高（r0.8）23；本文的白粉病胁迫结果表明，可见光波段两者间相关性较高（r0.65*），而在近红外波段相关系数较小（r0.4*）。因此，引起作物冠层叶绿素含量下降的原因可能很多，如虫害、干旱和缺素等胁迫，在光谱特征上有相似变化，但也有各自特点，这将是今后遥感监测作物胁迫程度的重要研究内容。前人关于植被冠层色素含量的遥感监测多基于非生物胁迫（干旱和缺氮等），依据叶绿素吸收特征波段不断提出和发展特征光谱参数，如不同算法的红边位置8-9,24、PSSR10、PSND11、GM121、mSR70521、CCII25、RI1dB22、VOG221和归一化导数指数26等。生物胁迫对叶绿素含量的影响不同于非生物胁迫，病害胁迫下植被叶绿素状况的遥感评价相对较少，徐华潮等27利用红边位置和红边斜率监测松材线虫侵染松树后叶绿素含量的变化。陈兵等28构建了植被指数NDVE(702,758)实现了对黄萎病胁迫下棉花叶片色素含量的估算，但稳定性低于传统光谱指数。曹学仁等3利用绿光和红光波段的反射率估计叶绿素含量，但数据仅为一个品种类型，且只包括旗叶和顶二叶，难以准确评价生物胁第 13 期 冯 伟等：白粉病胁迫下小麦冠层叶绿素密度的高光谱估测 121 迫对小麦冠层潜在光合能力的影响。本文利用对白粉病表现高感和中感的2个类型品种，涉及2种试验系统，利用传统植被指数SDr/SDb和VOG3可以对病害胁迫下叶绿素密度进行估算，这与非生物胁迫下叶绿素含量的评价是一致的6,21。由于生物胁迫的光谱特征与非生物胁迫不同，还需进一步探讨针对性更强、精度更高和适用性更广的植被指数。本试验表明，750 nm两侧的波段对叶绿素含量的变化表现异质性，通过微分技术发现红边区域内718 nm附近的波段对叶绿素变化不敏感，而其两侧的波段表现异向反应，680和756 nm为红边起点和终点，据此，利用680、718和750 nm波段构建角度植被指数，与传统植被指数SDr/SDb和VOG3相比，其对冠层叶绿素密度的估算精度更高，检验误差更小，可作为白粉病害小麦叶绿素密度的最佳估算模型。尽管本试验为2 a数据，涉及不同感病类型品种和2种生产试验环境，其结果仍需在不同的大田环境下加以验证和完善。今后的工作要探讨其他病害胁迫下红边角度指数的响应，分析其他因素对利用红边角度指数估算冠层叶绿素密度的影响，以期建立精度高、适用广和实用程度好的光谱监测模型，为作物长势监测、生产力评价和精准农业管理提供信息支持。4 结 论 1）病害小麦冠层叶绿素密度对群体反射率的影响主要发生在可见光波段，叶绿素密度与群体反射率在红光600630 nm及红边690718 nm区域处具有极显著相关性，受病害破坏冠层结构的影响，在近红外波段相关性显著降低。2）与病害小麦冠层叶绿素密度相关性显著且检验结果较好的特征光谱参数，单波段较差，其次双波段，多波段光谱参数最好，监测模型以指数方程最佳。反应敏感的光谱指数波段多处于红边区域（680760 nm），且位列于718 nm附近两侧，这为构建红边角度指数提供了选择波段的思路。3）在传统植被指数中，以SDr/SDb和VOG3为变量的叶绿素密度估测模型拟合精度较高，决定系数均高于0.72（P0.001），检验误差较小(18.0%18.6%)。4）基于病害小麦冠层叶绿素密度与原始光谱及一阶微分的关系分析，结合与叶绿素密度相关系数较大的传统植被指数的入选波段，新构建了红边角度指数，建立了病害小麦冠层叶绿素密度估算模型。新建角度指数较传统植被指数回归模型拟合精度更高，检验误差更小，NDAI(,)模型的相对误差RE为16.8%，说明NDAI(,)能准确估算病害小麦冠层叶绿素密度，实时评价冠层光合潜力。参 考 文 献 1 Merzlyak M N,Gitelson A A,Chivkunova O B,et al.Nondestructive optical detection of pigment changes during leaf senescence and fruit ripeningJ.Physiologia Plantarum,1999,106(1):135141.2 Peuelas J,Filella I.Visible and near-infrared reflectance techniques for diagnosing plant physiological statusJ.Trends in Plant Science,1998,3(4):151156.3 曹学仁，周益林，段霞瑜，等.白粉菌侵染后田间小麦叶绿素含量与冠层光谱反射率的关系J.植物病理学报，2009，39(3)：290296.Cao Xueren,Zhou Yilin,Duan Xiayu,et al.Relationships between canopy reflectance and chlorophyll contents of wheat infected with powdery mildew in fieldsJ.Acta Phytopathologica Sinica,2009,39(3):290296.(in Chinese with English abstract)4 牛立元，王鸿升，石明旺.小麦叶片 SOD、POD 活性与白粉病抗性关系J.河南职业技术师范学院学报，2004b，32(4)：58.Niu Liyuan,Wang Hongsheng,Shi Mingwang.Changes of SOD and POD activities in wheat leaves infected by wheat powdery mildew and their relations to resistanceJ.Journal of Henan Vocation-Technical Teachers College,2004,32(4):58.(in Chinese with English abstract)5 Curran P J,Dungan J L,Macler B A,et al.The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentrationJ.Remote Sensing of Environment,1991,35(1):6976.6 Feng W,Yao X,TianY C,et al.Monitoring leaf pigment status with hyperspectral remote sensing in wheatJ.Australian Journal of Agricultural Research,2008(8),59:748760.7 Horler D N H,Dockray M,Barber J,et al.Red edge measurements for remotely sensing plant chlorophyll contentJ.Advance in Space Research,1983,3(2):273277.8 Miller J R,Hare E W,Wu J.Quantitative characterization of the vegetation red edge reflectance modelJ.International Journal of Remote Sensing,1990,11(10):17551773.9 Cho M A,Skidmore A K.A new technique for extracting the red edge position from hyperspectral data:The linear extrapolation methodJ.Remote Sensing of Environment,2006,101(2):181193.10 Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approachesJ.Remote Sensing of Environment,1998,66(3):273285.农业工程学报 2013 年 122 11 Blackburn G A.Spectral indices for estimating photosynthetic pigment concentrations:A test using senescent tree leavesJ.International Journal of Remote Sensing,1998,19(4):657675.12 Sims D A,Gamon J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structures and developmental stagesJ.Remote Sensing of Environment,2002,81(2):337354.13 孟庆野，董恒，秦其明，等.基于高光谱遥感监测植被叶绿素含量的一种植被指数-MTCARIJ.光谱学与光谱分析，2012，32(8)：22182222.Meng Qinye,Dong Heng,Qin Qiming,et al.MTCARI:A Kind of vegetation index monitoring vegetation leaf chlorophyll content based on hyperspectral remote sensingJ.Spectroscopy and Spectral Analysis,2012,