CN105954226B - 对叶表结构不敏感的叶绿素含量的检测方法 - Google Patents
对叶表结构不敏感的叶绿素含量的检测方法 Download PDFInfo
- Publication number
- CN105954226B CN105954226B CN201610403118.8A CN201610403118A CN105954226B CN 105954226 B CN105954226 B CN 105954226B CN 201610403118 A CN201610403118 A CN 201610403118A CN 105954226 B CN105954226 B CN 105954226B
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- chlorophyll content
- chlorophyll
- leaf
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 99
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 99
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000009977 dual effect Effects 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 9
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 239000000049 pigment Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 235000019441 ethanol Nutrition 0.000 claims description 4
- 230000031700 light absorption Effects 0.000 claims description 4
- 239000004570 mortar (masonry) Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004080 punching Methods 0.000 claims description 4
- 239000006228 supernatant Substances 0.000 claims description 4
- 210000003462 vein Anatomy 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 22
- 240000002044 Rhizophora apiculata Species 0.000 description 12
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 244000069378 Aegiceras corniculatum Species 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001635619 Avicennia marina Species 0.000 description 2
- 206010003664 atrial septal defect Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000862501 Kandelia candel Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 201000009217 atrial heart septal defect 3 Diseases 0.000 description 1
- 208000008044 atrial septal defect 3 Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- -1 green degree Substances 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
本发明公开了一种对叶表结构不敏感的叶绿素含量的检测方法,涉及利用光学手段来测量叶绿素含量的方法技术领域。所述方法包括:获取植物叶片表面高光谱反射率;测量叶绿素含量;对九种类型的植被指数和叶绿素含量建立回归方程,求取相关系数和均方根误差;对三十六种已发表的植被指数和叶绿素含量建立回归方程,求相关系数和均方根误差;确定对叶绿素含量变化最敏感和最不敏感的波段;确定九种类型的植被指数中对叶表结构最不敏感的植被指数类型;基于叶片正反面光谱信息开发新的估测叶绿素含量的植被指数,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量。所述方法能快速、准确、无损的检测植物叶片中叶绿素的含量。
Description
技术领域
本发明涉及利用光学手段来测量叶绿素含量的方法技术领域,尤其涉及一种对叶表结构不敏感的叶绿素含量的检测方法。
背景技术
红树林是具有重要生态意义的海岸生境,是生长在热带、亚热带海岸潮间带的特殊植被,受周期性潮水浸淹,以红树植物为主体的常绿灌木或乔木组成的潮滩湿地木本生物群落。红树林广泛生长在我国东南沿海的海湾和河口,自然分布于海南、广东、广西、福建、台湾、香港和澳门等省区。深圳湾福田红树林是我国唯一处于城市中心的红树林生态系统,对当地的生态和经济发展具有重要意义。但是由于人为干扰和气候变化,福田红树林处于衰退状况,目前的分布面积仅有369ha。深圳市政府已经投资数十亿资金用于提高红树林健康状况。增进对红树林健康状况的了解对红树林的管理好保护具有重要意义。
叶绿素是植物生理活性和环境胁迫的重要指标,对叶绿素含量的准确估测同样对红树林监测具有重要意义。传统检测叶绿素含量的方法是化学光谱法,但这种方法耗时耗力,甚至有的时候对于大面积叶绿素检测是不现实的。与之不同,高光谱遥感提供了一种快速、无损伤的大面积检测叶绿素含量的方法。使用光谱遥感估测植被叶片叶绿素含量是有重要意义的,因为光谱特性和快速无损的监测植被生长状况有关,并且部分相关于植被的生物化学物质含量。
现有技术已经有数十年的研究致力于从植被光谱中找到叶绿素敏感的光谱区域,这些光谱区域可以通过使用波段的组合(比如植被指数)来无损定量的分离出来。这些光谱区域可以用于大尺度的生物量、绿度、含氮量、色素组成和光合作用状况的监测。现有技术中的一些研究发现,叶绿素吸收值最大波段(680nm-760nm)和绿光波段(550nm)附近的波长区域是对叶绿素含量变化最敏感的区域。基于窄波段光谱反射率的叶绿素植被指数近年来引起了相当多的关注,并且现有技术研究发现部分窄波段指数和叶片的叶绿素含量有很好的相关性(比如,R550,R680,R672/R550,R672/R550,R750/R700,1/R700-1/R750,1/R550-1/R750,D754/D704,D715/D705)。然而极少有研究者尝试评估在同时考虑叶片正反面光谱反射率的情况下植被指数对叶绿素含量的估测精度。当获取遥感数据的时候,高层冠层的多重散射会引起入射太阳光在下层植被和其他叶片上面的反射,从而使得太阳光从下方反射照到叶子反面。此外,一些植物还会改变它的方向,使得叶片正面避开太阳而把叶片的反面暴露给阳光。这将会使得遥感数据同时包含来自叶片正面和反面的光谱信息。叶片的表型(比如叶片茸毛、蜡质、栅栏组织、海绵组织等等)不仅仅在植被物种间不同,在同一片叶子的正反面间表型也可能不相同。因此,开发叶绿素指数时应该考虑来自叶片反面的光谱信息。
发明内容
本发明所要解决的技术问题是提供一种对叶表结构不敏感的叶绿素含量的检测方法,所述方法能快速、准确、无损的检测植物叶片中叶绿素的含量。
为解决上述技术问题,本发明所采取的技术方案是:一种对叶表结构不敏感的叶绿素含量的检测方法,其特征在于所述方法包括如下步骤:
1)获取植物叶片表面高光谱反射率,并测量该植物叶片的叶绿素含量;
2)对九种类型的植被指数的所有波段组合结果与叶绿素含量的相关性进行分析;
3)根据相关系数r和均方根误差RMSE确定对预测叶绿素含量最有效的植被指数;
4)建立叶绿素和植被指数之间的回归方程,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量。
进一步的技术方案在于:所述步骤1)中使用ASD3便携式光谱测量仪的叶片夹,采集400-1000nm波长范围内的叶片正反面的光谱反射信息,采集过程中,对所有叶片尽量选取同一部位,避免测量到叶脉,每个叶片测量三次,每隔5分钟进行一次白板校正。
进一步的技术方案在于:所述步骤1)中利用直径6mm的打孔器将测量叶片反射率的叶片区域取出,每个叶片打五个孔,将打孔后叶片放入研钵,加入2ml 95%(v/v)乙醇,进行彻底研磨,然后将色素溶液转移到50ml的棕色容量瓶,定容后在3800r/min的速度下离心10分钟,然后取出上清液,使用Lambda 900分光光度计测量其吸光值,最后根据如下公式计算得出叶绿素含量,单位为μg/cm2:
叶绿素=(6.10×(R665-R750)-20.04×(R649-R750))×V/S (1)
其中Rλ表示波长为λnm处的反射率,V表示容量瓶的容积,S表示叶片的面积。
进一步的技术方案在于:所述步骤2)中九种类型的植被指数是指:单一波段反射值R、比值植被指数SR、归一化植被指数ND、MDATT、RSP、倒数植被指数RR、倒数差植被指数DR、导数植被指数D以及导数比值植被指数RD,其中
R(Rλ)=Rλ (1)
SR(Rλ1,Rλ2)=Rλ1/Rλ2 (2)
ND(Rλ1,Rλ2)=|(Rλ1-Rλ2)|/(Rλ1+Rλ2) (3)
MDATT(Rλ1,Rλ2,Rλ3)=(Rλ3-Rλ1)/(Rλ3-Rλ2) (4)
RSP(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2×Rλ3) (5)
RR=1/Rλ (6)
DR(Rλ1,Rλ2)=1/Rλ1-1/Rλ2 (7)
D(Rλ)=Dλ (8)
RD(Rλ1,Rλ1)=Dλ1/Dλ2 (9)
其中,Rλ表示波长为λnm处的反射率,Dλ表示λnm处光谱反射率的一阶微分值。
进一步的技术方案在于:所述步骤2)中通过Matlab软件遍历九种类型的植被指数的所有波段组合筛选出相关系数最高的植被指数。
进一步的技术方案在于:所述步骤3)中r的值越大,RMSE的值越小,植被指数对叶绿素含量的预测能力越强。
进一步的技术方案在于:所述步骤4)中通过预测统计分析软件建立九种类型的植被指数和叶绿素含量建立回归方程,并求取出该回归方程的相关系数和均方根误差:打开预测统计分析软件,选择“分析”-“回归”-“线性”,“因变量”选择“叶绿素”,“自变量”选择“植被指数”,点击“确定”,得到回归结果。
采用上述技术方案所产生的有益效果在于:所述方法通过建立新的对叶表结构不敏感的植被指数,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量,能够快速、准确、无损的检测植物叶片中叶绿素的含量。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实所述方法的流程图;
图2是最佳MDATT指数(R527–R746)/(R527–R747)与对应叶绿素含量建立的线性模型。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例一
本实施例公开了一种对叶表结构不敏感的叶绿素含量的检测方法,其特征在于所述方法包括如下步骤:
1)获取植物叶片表面高光谱反射率,并测量该植物叶片的叶绿素含量:
1-1)使用ASD3便携式光谱测量仪(光谱分析仪,Boulder,CO,USA)的叶片夹,采集400-1000nm波长范围内的叶片正反面的光谱反射信息。采集过程中,对所有叶片尽量选取同一部位,避免测量到叶脉。每个叶片测量三次,每隔5分钟进行一次白板校正;
1-2)中利用直径6mm的打孔器将测量叶片反射率的叶片区域取出,每个叶片打五个孔。将打孔后叶片放入研钵,加入2ml 95%(v/v)乙醇,进行彻底研磨。然后将色素溶液转移到50ml的棕色容量瓶,定容后在3800r/min的速度下离心10分钟。然后取出上清液,使用Lambda 900分光光度计(美国Perkin Elemer仪器公司)测量其吸光值,最后根据如下公式计算得出叶绿素含量,单位为μg/cm2:
叶绿素=(6.10×(R665-R750)-20.04×(R649-R750))×V/S (1)
其中Rλ表示波长为λnm处的反射率,V表示容量瓶的容积,S表示叶片的面积。
2)对九种类型的植被指数的所有波段组合结果与叶绿素含量的相关性进行分析:
2-1)九种类型的植被指数是指:单一波段反射值R、比值植被指数SR、归一化植被指数ND、MDATT、RSP、倒数植被指数RR、倒数差植被指数DR、导数植被指数D以及导数比值植被指数RD,其中
R(Rλ)=Rλ (10)
SR(Rλ1,Rλ2)=Rλ1/Rλ2 (11)
ND(Rλ1,Rλ2)=|(Rλ1-Rλ2)|/(Rλ1+Rλ2) (12)
MDATT(Rλ1,Rλ2,Rλ3)=(Rλ3-Rλ1)/(Rλ3-Rλ2) (13)
RSP(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2×Rλ3) (14)
RR=1/Rλ (15)
DR(Rλ1,Rλ2)=1/Rλ1-1/Rλ2 (16)
D(Rλ)=Dλ (17)
RD(Rλ1,Rλ1)=Dλ1/Dλ2 (18)
其中,Rλ表示波长为λnm处的反射率,Dλ表示λnm处光谱反射率的一阶微分值。
2-2)通过Matlab软件遍历九种类型的植被指数的所有波段组合筛选出相关系数最高的植被指数。
3)根据相关系数(r)和均方根误差(RMSE)确定对预测叶绿素含量最有效的植被指数:
3-1)中r的值越大,RMSE的值越小,植被指数对叶绿素含量的预测能力越强。
4)建立叶绿素和植被指数之间的回归方程,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量。
4-1)中通过预测统计分析软件(PREDICTIVE ANALYTICS SOFTWARE)建立九种类型的植被指数和叶绿素含量建立回归方程,并求取出该回归方程的相关系数和均方根误差:打开预测统计分析软件(Predictive analytics software),选择“分析”-“回归”-“线性”,“因变量”选择“叶绿素”,“自变量”选择“植被指数”,点击“确定”,得到回归结果。
实施例二
本实施例通过在红树林分别采集白骨壤,桐花树和无瓣海桑五十五片叶子,测量其光谱反射率和叶绿素含量,开发新的不受叶表信息影响的叶绿素指数。
总体的,如图1所示,本实施例公开了一种对叶表结构不敏感的叶绿素含量的检测方法,所述方法包括如下步骤:
1)获取植物叶片表面高光谱反射率,并测量该植物叶片的叶绿素含量;
2)对九种类型的植被指数的所有波段组合结果与叶绿素含量的相关性进行分析;
3)根据相关系数(r)和均方根误差(RMSE)确定对预测叶绿素含量最有效的植被指数;
4)建立叶绿素和植被指数之间的回归方程,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量。
具体的:
光谱测量:使用ASD3便携式光谱测量仪(光谱分析仪,Boulder,CO,USA)的叶片夹,采集400-1000nm波长范围内的叶片正反面的光谱反射信息。采集过程中,对所有叶片尽量选取同一部位,避免测量到叶脉。每个叶片测量三次,每隔5分钟进行一次白板校正。
叶绿素含量测量:利用直径6mm的打孔器将测量叶片反射率的叶片区域取出,每个叶片打五个孔。将打孔后叶片放入研钵,加入2ml 95%(v/v)乙醇,进行彻底研磨。然后将色素溶液转移到50ml的棕色容量瓶,定容后在3800r/min的速度下离心10分钟。然后取出上清液,使用Lambda 900分光光度计(美国Perkin Elemer仪器公司)测量其吸光值。叶绿素含量的计算公式如下:
叶绿素(μg/cm2)=(6.10×(R665-R750)-20.04×(R649-R750))×V/S(1)其中Rλ表示波长为λnm处的反射率,V表示棕色容量瓶的容积,S表示叶片的面积。
数据分析:本发明用实验数据测试了三十六种已经发表的估测叶绿素含量的植被指数(表1)。大部分被测指数可以被分为九大类(公式1-9)。本发明中的指数是在叶片层次开发出来,用来估测叶绿素含量的。此外,本发明通过使用Matlab 7.0编写的程序遍历了九种植被类型的所有的波段组合。
R(Rλ)=Rλ (19)
SR(Rλ1,Rλ2)=Rλ1/Rλ2 (20)
ND(Rλ1,Rλ2)=|(Rλ1-Rλ2)|/(Rλ1+Rλ2) (21)
MDATT(Rλ1,Rλ2,Rλ3)=(Rλ3-Rλ1)/(Rλ3-Rλ2) (22)
RSP(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2×Rλ3) (23)
RR=1/Rλ (24)
DR(Rλ1,Rλ2)=1/Rλ1-1/Rλ2 (25)
D(Rλ)=Dλ (26)
RD(Rλ1,Rλ1)=Dλ1/Dλ2 (27)
R(Rλ)=Rλ (28)
SR(Rλ1,Rλ2)=Rλ1/Rλ2 (29)
ND(Rλ1,Rλ2)=|(Rλ1-Rλ2)|/(Rλ1+Rλ2) (30)
MDATT(Rλ1,Rλ2,Rλ3)=(Rλ3-Rλ1)/(Rλ3-Rλ2) (31)
RSP(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2×Rλ3) (32)
RR=1/Rλ (33)
DR(Rλ1,Rλ2)=1/Rλ1-1/Rλ2 (34)
D(Rλ)=Dλ (35)
RD(Rλ1,Rλ1)=Dλ1/Dλ2 (36)
所有的波段组合的指数以及其他已经发表了的植被指数都通过本发明实验实测的正反面光谱数据(秋茄叶片正反面合在一起(n=55)、白骨壤叶片正反面合在一起(n=55)、桐花树叶片正反面合在一起(n=55)、无瓣海桑叶片正反面合在一起(n=55)、所有样本合在一起(n=220))计算得出植被指数值,并与对应的叶绿素含量做线性相关性分析。最佳拟合状态下的相关系数(r)和均方根误差(RMSE)被用来评估指数的优劣和对叶片表面结构是否敏感。
表1.本发明用到的植被指数
Rx表示在x nm处的光谱反射率;Dx表示在x nm处的光谱反射率的一阶导数;dRE是在红光区域(670-800nm)光谱反射率一阶微分的最大值;dG是在绿光区域(500–580nm)光谱反射率一阶微分的最大值。
使用220个样本(即包含四种植被叶片的正反面)的数据来计算不同波段组合的植被指数与叶绿素含量的相关系数,使得本发明可以有效的提取出来与叶绿素含量线性相关最大的波段组合。结果显示,R类型指数对叶绿素含量变化最敏感的波段是707nm,r的值是-0.72。SR类型指数对叶绿素最敏感的波段组合位于748nm和751nm处(r=-0.84)。最佳的ND类型指数是(R748-R751)/(R748+R751)(r=-0.84)。MDATT和RSP类型的植被指数对叶绿素最敏感的指数分别是(R527–R746)/(R527–R747)(r=-0.90)和R508/(R702×R703)(r=0.84)。1/R707(r=0.72)和1/R749-1/R751(r=0.82)分别是最佳的RR和DR植被指数类型的波段组合。D类型的植被指数在541nm处对叶绿素含量变化最敏感(r=-0.86),RD类型的所有波段组合的指数中,D751/D540(r=0.90)对叶绿素含量变化最敏感,具体结果如表2所示。
其中,MDATT型指数对叶绿素含量最敏感,且正反面差异最小,因为MDATT类型的植被指数通过波段的做差以及相比,消除了散射带来的影响。
R=RS+Sexp(-kiCi) (11)
其中,Rs指的是叶表反射率,S指的是叶片内部结构带来的散射,ki和Ci分别指的是叶片色素对光的吸收率及其浓度。
MDATT类型的植被指数通过做差,消除了Rs带来的影响;通过相比,消除了来自S的影响。因此,MDATT消除了由于叶片表面结构以及内部结构不同而带来的差异,在叶片正反面表现最稳定。其中表现最佳的MDATT类型的指数是(R527–R746)/(R527–R747)。该指数不仅仅通过做差和相比相处了散射的影响,同时是对叶绿素含量最敏感和最不敏感的波段的组合。
表2.基于四种典型红树林树种叶片正反面的光谱反射率的植被指数值
注:*表示叶片正反面差异不显著的植被指数(P<0.01,n=152)。
为了进一步证实(R527–R746)/(R527–R747)对叶绿素含量估测的稳定性,对光谱反射率进行了如下变换:
Rdegraded=a+bRoriginal (12)
其中Roriginal和Rdegraded分别是变换之前和之后的反射率,a和b分别是叶表和内部反射影响因子。分别对a和b赋予如下三组值:a=0.1,b=0.5;a=-0.3,b=0.9;a=-0.01,b=-0.9。结果显示,变换前后,(R527–R746)/(R527–R747)和叶绿素含量的相关系数没有发生任何改变。因此,(R527–R746)/(R527–R747)对叶表结构是不敏感的。
如下方程式基于(R527–R746)/(R527–R747)的叶绿素含量估算方程:
chlorophyll(μg/cm2)=-8431.1(R527-R746)/(R527-R747)+8433.2 (13)
如图2所示为本发明开发的最佳MDATT指数(R527–R746)/(R527–R747)与对应叶绿素含量建立的线性模型,经计算得出r=0.86,RMSE=10.25μg/cm2,证明本发明新开发的植被指数对估测叶绿素含量是有效的。
所述方法通过建立新的对叶表结构不敏感的植被指数,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量,能够快速、准确、无损的检测植物叶片中叶绿素的含量。
Claims (6)
1.一种对叶表结构不敏感的叶绿素含量的检测方法,其特征在于,所述方法包括如下步骤:
1)获取植物叶片表面高光谱反射率,并测量该植物叶片的叶绿素含量;利用直径6mm的打孔器将测量叶片反射率的叶片区域取出,每个叶片打五个孔,将打孔后叶片放入研钵,加入2ml体积比为95%的乙醇,进行彻底研磨,然后将色素溶液转移到50ml的棕色容量瓶,定容后在3800r/min的速度下离心10分钟,然后取出上清液,使用Lambda 900分光光度计测量其吸光值;
2)对九种类型的植被指数的所有波段组合结果与叶绿素含量的相关性进行分析;所述九种类型的植被指数是指:单一波段反射值R、比值植被指数SR、归一化植被指数ND、MDATT、RSP、倒数植被指数RR、倒数差植被指数DR、导数植被指数D以及导数比值植被指数RD;
3)根据相关系数r和均方根误差RMSE确定对预测叶绿素含量最有效的植被指数;
4)建立叶绿素和植被指数之间的回归方程,使用新的对叶表结构不敏感的植被指数检测植物叶片的叶绿素含量,最后根据如下公式计算得出叶绿素含量,单位为μg/cm2:
叶绿素=(6.10×(R665-R750)-20.04×(R649-R750))×V/S,
其中Rλ表示波长为λnm处的反射率,V表示容量瓶的容积单位为ml,S表示叶片的面积,单位为cm2。
2.如权利要求1所述的对叶表结构不敏感的叶绿素含量的检测方法,其特征在于:
所述步骤1)中使用3便携式光谱测量仪的叶片夹,采集400-1000nm波长范围内的叶片正反面的光谱反射信息,采集过程中,对所有叶片尽量选取同一部位,避免测量到叶脉,每个叶片测量三次,每隔5分钟进行一次白板校正。
3.如权利要求1所述的对叶表结构不敏感的叶绿素含量的检测方法,其特征在于,所述步骤2)中九种类型的植被指数是指:单一波段反射值R、比值植被指数SR、归一化植被指数ND、MDATT、RSP、倒数植被指数RR、倒数差植被指数DR、导数植被指数D以及导数比值植被指数RD,其中
R(Rλ)=Rλ,
SR(Rλ1,Rλ2)=Rλ1/Rλ2,
ND(Rλ1,Rλ2)=|(Rλ1-Rλ2)|/(Rλ1+Rλ2),
MDATT(Rλ1,Rλ2,Rλ3)=(Rλ3-Rλ1)/(Rλ3-Rλ2),
RSP(Rλ1,Rλ2,Rλ3)=Rλ1/(Rλ2×Rλ3),
RR=1/Rλ,
DR(Rλ1,Rλ2)=1/Rλ1-1/Rλ2,
D(Rλ)=Dλ,
RD(Rλ1,Rλ1)=Dλ1/Dλ2,
其中,Rλ表示波长为λnm处的反射率,Dλ表示λnm处光谱反射率的一阶微分值。
4.如权利要求1所述的对叶表结构不敏感的叶绿素含量的检测方法,其特征在于,所述步骤2)中通过Matlab软件遍历九种类型的植被指数的所有波段组合筛选出相关系数最高的植被指数。
5.如权利要求1所述的对叶表结构不敏感的叶绿素含量的检测方法,其特征在于,所述步骤3)中r的值越大,RMSE的值越小,植被指数对叶绿素含量的预测能力越强。
6.如权利要求1所述的对叶表结构不敏感的叶绿素含量的检测方法,其特征在于,所述步骤4)中通过预测统计分析软件建立九种类型的植被指数和叶绿素含量建立回归方程,并求取出该回归方程的相关系数和均方根误差:打开预测统计分析软件,选择“分析”-“回归”-“线性”,“因变量”选择“叶绿素”,“自变量”选择“植被指数”,点击“确定”,得到回归结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403118.8A CN105954226B (zh) | 2016-06-08 | 2016-06-08 | 对叶表结构不敏感的叶绿素含量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610403118.8A CN105954226B (zh) | 2016-06-08 | 2016-06-08 | 对叶表结构不敏感的叶绿素含量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105954226A CN105954226A (zh) | 2016-09-21 |
CN105954226B true CN105954226B (zh) | 2019-06-14 |
Family
ID=56909143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610403118.8A Active CN105954226B (zh) | 2016-06-08 | 2016-06-08 | 对叶表结构不敏感的叶绿素含量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105954226B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504240B (zh) * | 2016-10-31 | 2019-10-15 | 塔里木大学 | 一种枣树冠层叶绿素a含量的卫星遥感监测方法 |
CN108663330B (zh) * | 2018-04-19 | 2019-08-16 | 中国自然资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN111175783A (zh) * | 2019-12-31 | 2020-05-19 | 塔里木大学 | 一种棉花冠层叶绿素b含量的卫星遥感监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5672780B2 (ja) * | 2010-06-08 | 2015-02-18 | 富士ゼロックス株式会社 | 画像形成装置 |
-
2016
- 2016-06-08 CN CN201610403118.8A patent/CN105954226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762463A (zh) * | 2009-12-16 | 2010-06-30 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 |
CN102200576A (zh) * | 2011-03-10 | 2011-09-28 | 王桥 | 叶绿素a浓度反演方法及系统 |
CN105277491A (zh) * | 2015-09-24 | 2016-01-27 | 中国农业科学院农业资源与农业区划研究所 | 叶绿素含量测量方法及装置 |
Non-Patent Citations (4)
Title |
---|
Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture;Driss Haboudane等;《Remote Sensing of Environment》;20021231;第416-426页 |
基于高光谱图像的黄瓜叶片叶绿素含量分布检测;邹小波等;《农业工程学报》;20140731;第30卷(第13期);第2.3-2.4节 |
植物叶片正反面对叶绿素遥感估算的影响;陆星彤;《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》;20151215(第12期);第二、四章 |
高光谱技术分析茶树叶片中叶绿素含量及分布;赵杰文等;《光谱学与光谱分析》;20110228;第31卷(第2期);第512-515页 |
Also Published As
Publication number | Publication date |
---|---|
CN105954226A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
Feng et al. | Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data | |
CN102175618B (zh) | 一种稻麦叶片氮含量光谱监测模型建模方法 | |
Yi et al. | Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression | |
CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
Le et al. | Specific absorption coefficient and the phytoplankton package effect in Lake Taihu, China | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
CN103528965B (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
CN103196838A (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
CN104215591A (zh) | 一种可见-近红外光谱无损判别的方法 | |
CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
CN101561395B (zh) | 一种浮游植物群落组成快速测定方法 | |
CN111912793A (zh) | 利用高光谱测量烟草中镉含量的方法及预测模型的建立 | |
Brambilla et al. | Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
Barry et al. | Estimation of chlorophyll content in Eucalyptus globulus foliage with the leaf reflectance model PROSPECT | |
Zhang et al. | Comparison of various approaches for estimating leaf water content and stomatal conductance in different plant species using hyperspectral data | |
CN109060771A (zh) | 一种基于光谱不同特征集的共识模型构建方法 | |
Jin et al. | Developing a two-step method for retrieving cyanobacteria abundance from inland eutrophic lakes using MERIS data | |
CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |