地物光谱仪应用 | 玉米叶片叶绿素含量测定

在农业生产与科研领域，叶绿素含量是反映植物生长状况的关键指标，它能直观体现植物受外界胁迫及环境因子干扰的状态，快速、高效地实现叶绿素含量的大面积监测，对精准农业发展具有重要意义。

为进一步提升玉米叶片叶绿素含量的反演精度，的OFS系列地物光谱仪对盆栽玉米叶片进行光谱数据采集，该仪器的光谱采集范围覆盖 350~2500 nm，采集叶片的光谱特征。同时，使用 SPAD-502 叶绿素测定仪对叶片叶绿素含量进行实测，每个样本叶片选取 5 个不同位置重复测定 5 次，取平均值作为实测值，确保数据的准确性。测试搭建图见图1.

图1 测试设备搭建图

图2 测试结果光谱图

对获取的光谱数据进行均值和一阶微分处理，以消除大气效应、阴影与土壤等背景影响，进而提取出包括光谱位置、光谱面积、植被指数三大类共 11 个光谱特征参数（SCP）。通过相关性分析发现，这些参数与叶绿素含量存在不同程度的相关性，其中归一化面积参数的相关性最高，相关系数达 0.8010。

表1 玉米叶片叶绿素含量与光谱特征参数(SCP)之间的相关性分析

为优化模型输入，对 11 个光谱特征参数进行主成分分析（PCA），提取出累计方差贡献率达 98.841% 的前 5 个主成分，在保留原始数据核心信息的同时，有效消除了变量间的共线性，降低了模型复杂度。随后，以这 5 个主成分为输入因子，构建了玉米叶片叶绿素含量的 BP 神经网络反演模型（SCP-PCA-BP 模型），并选取与叶绿素含量相关性较高的 8 个光谱特征参数建立常规线性回归模型作为对比。

表2 叶片光谱特征参数的PCA特征值及各自的方差贡献率

研究结果显示，SCP-PCA-BP 模型表现出卓越的反演性能，所有样本的预测值与实测值之间的决定系数（r2）达到 0.9687，均方根误差（RMSE）仅为 0.8939；而线性回归模型中，即使预测效果最佳的归一化面积参数模型，其决定系数也仅为 0.7040，均方根误差高达 2.849。此外，在 11 个光谱特征参数中，归一化面积的预测效果最好，该模型的决定系数r2 达到0.7040，高于其他特征参数的回归预测模型。

表3 玉米叶片光谱特征参数与叶绿素含量之间的预测性

综上所述，采用的OFS系列地物光谱仪测定玉米叶片的高光谱数据和叶绿素浓度相对值，对这些参数和叶绿素含量进行一系列预测分析后，能够大大提高玉米叶片叶绿素含量的预测精度。