丛枝菌根(arbuscular mycorrhiza，AM)真菌是自然界土壤中普遍存在的一种土壤微生物，可与80%以上的有花植物形成互惠共生关系，密切影响着宿主植物的生长和发育[1-3]。大量研究结果表明,AM真菌与植物共生可以改善土壤水稳定性团聚体、土壤渗透势和总孔隙度等，同时提高土壤有机质含量[4-5]。东部草原露天矿区黑黏土因黏性强，通气透水能力差不适宜植物的生长，为改善这种现状，需按比例掺入一定质量的沙土以降低其黏性结构，接种丛枝菌根真菌，以期实现对黑黏土的快速改良。以往评价丛枝菌根对土壤的改善作用通常需要通过离体采集植物样本在实验室进行一系列的生理生化实验，不能实现实时监测，高光谱遥感技术具有数据获取速度快，精度高，无需破坏植株本身的特点。因此，采用高光谱遥感技术对不同土质上植株生长状况进行检测，为实现微生物复垦技术对土壤改良效应奠定基础。

植物体内叶绿素含量是反应植被生长及营养状况的重要生化参数[6]。如何准确并高效地估算出植被的叶绿素质量分数将是研究植被各项特征指标的关键因素[7]。传统的叶绿素监测方法不仅受到研究区域的局限，而且监测效率也不高。近年来随着遥感技术的快速发展与应用，基于叶绿素对特定波长光谱的吸收和反射的特性[8-9]，利用高光谱遥感技术来监测植被叶绿素质量分数的方法逐渐被人们所熟知和认可。高光谱遥感以其波段多且窄的特点，能直接对植被进行微弱光谱差异的定量分析，在植被精细监测研究中占据明显的优势[10]。使用高光谱遥感技术对植被叶绿素含量定量估算的研究多通过建立叶绿素含量与植被光谱特征之间的回归模型来实现[11-14]。笔者以玉米作为研究对象，分析了不同处理下原始光谱和一阶微分光谱部分特征参数的差异，并选用逐步回归模型和BP神经网络的建模方法，意在选取合适的光谱特征参数并以此为基础建立高拟合度的叶绿素含量估测模型，为实现以高光谱遥感技术动态高效监测微生物修复效果奠定基础。

1 材料与方法

1.1 供试材料与设计

供试黑黏土来自内蒙古自治区呼伦贝尔市宝日希勒矿区，沙土为普通河沙土，经过1 mm筛，用高压灭菌锅灭菌2 h，杀灭土壤中的土著菌根真菌后风干备用。黑黏土的基本理化性状为:速效磷的含量为2.68 mg/kg，速效钾的含量为75.62 mg/kg，pH值为7.42，EC值为294 μS/cm。沙土的基本理化性状为:速效磷的含量为6.13 mg/kg，速效钾的含量为50.38 mg/kg，pH值为7.48，EC值为52.5 μS/cm。实验用盆为20 cm(口径)×16 cm(底径)×22 cm(高)。供试玉米种子为品糯28号，供试菌种为摩西管柄囊霉(Funneliformis mosseae)，每穴加菌剂50 g。

试验共设8个处理，每个处理设4次重复，共32盆。设4个土壤基质水平:沙土(S)、黏土(N)，沙土与黏土按质量1∶1配比(S∶N=1∶1)、沙土与黏土按质量3∶1配比(S∶N=3∶1)。设2个接种AM真菌水平:接种丛枝菌根(M)和不接种菌根的对照组(CK)。使用NH4NO3，KH2PO4，K2SO4作为底肥，使土壤中氮、磷、钾的含量分别达100，30，150 mg/kg。将玉米种子用体积浓度为10%的H2O2溶液浸泡10 min做表面消毒，再用去离子水多次清洗，每盆播种玉米种子3颗，出苗后定苗为1株。每盆土壤基质为4.8 kg，土壤湿度约为田间持水70%～80%，所有处理在中国矿业大学(北京)的日光温室中培养。

1.2 光谱数据采集

每盆选取3～6片叶片，使用SVC HR-1024i型全波段地物光谱仪采集叶片光谱反射率信息，其波长范围为350～2 500 nm，光谱采样间隔在350～1 000 nm内是1.377 nm，在 1 000～2 500 nm内为2 nm。测量时间为2017-07-10，即为出苗后60 d。光谱测定中使用仪器内置光源，为消除环境变化对仪器的影响，每隔0.5 h用白板进行1次校正。每片叶子选取3个采样点，每个采样点采集3个光谱数据，取其平均作为1个样本结果。

1.3 叶绿素测定

叶绿素一般采用分光光度法测量，但是研究表明叶片绿色度(SPAD值)与叶绿素含量具有显著的相关性，SPAD 值能较好地反映叶片叶绿素含量的变化，使用叶绿素计测定叶片叶绿素含量是完全可行的，在一定条件下可代替叶绿素含量的直接测定[15]。在光谱数据采集后，在光谱采样点周围，使用SPAD-502型便携式叶绿素仪进行玉米叶片叶绿素含量的测定。每采样点测量5次取平均作为1个采样点的叶绿素值。

1.4 数据处理

试验光谱数据使用SVC HR-1024i PC进行初步处理。采用移动平均法对实测光谱进行去噪处理，即选取测定样本某一点前后光谱曲线上一定范围测定它的平均值作为该点的值。计算公式为

(1)

其中，R′i为样本第 i 点的反射率值，i=1，2，3，…，n。

经对比选用九点加权移动平均的方法[16]，即选用i及其前后各4个点的反射率值加权后作为i点的反射率值。使用Excel数据分析工具对获取到的光谱数据进行平均处理及汇总。

光谱微分处理既可以消除基线漂移或平滑背景干扰的影响,也可以提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换,并有效限制低频背景对目标光谱的影响[14]。故对原始光谱进行一阶微分处理。在 MATLAB R2016a 中对光谱数据进行平滑处理，并通过编程计算各波段光谱特征参数与叶绿素含量之间的相关关系。

1.5 回归模型

多元统计分析技术是植被高光谱研究中采用最广泛的技术之一，它以高光谱数据或者其变换形式作为自变量，以植被的生理参数为因变量，建立多元回归线性模拟模型[17-19]。作为一种常用的解决生理参数与光谱特征参数间线性关联的建模方法，多元线性模型并非是自变量越多越好，因为自变量越多剩余标准差可能越大，因此利用逐步回归筛选并剔除引起多重共线性的变量，逐个引入与某一指标关系最密切的因子，从而自动筛选出一种较好的函数表达式，保证反演模型的稳定与准确。将得到的光谱特征参数作为输入变量，叶绿素含量作为输出变量，利用 SPSS 软件建立逐步回归模型，将验证数据输入，验证模型精度。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，通过反向传播途径不断调整网络的阈值与权值，直到网络的误差平方和值达到最小[20]。在数据分析时，不需要建立具体的数学模型，仿真性强[21]，对非线性问题有很好的解释性。将得到的相关系数较高的光谱特征参数作为输入变量，叶绿素含量作为输出变量，利用 MATLAB R2016a 中的神经网络工具箱建立神经网络模型，并将验证数据输入模型，验证模型精度。

1.6 光谱特征参数选取

为分析不同配比黏土基质下接种丛枝菌根对玉米叶片光谱特征的影响并对玉米叶片叶绿素含量进行反演建模。由于绿色植物叶片的叶绿素含量对可见光波段的光谱反射率起主要的影响作用，结合微分处理有利于提高光谱数据的判读性，结合前人的经验，提取常用特征参数(表1)，主要是“三边参数”及其比值和归一化参数[13,22]。

2 结果与分析

2.1 不同处理下玉米叶绿素含量的差异

相同基质下接种丛枝菌根真菌可提高叶绿素的含量(表2)。沙土S和S∶N=3∶1处理接菌未达到差异显著水平，而N和S∶N=1∶1的接菌处理均达到显著差异。未接菌时，S∶N=3∶1的叶绿素含量最高但较其他基质未达到显著差异，接菌后S∶N=1∶1的叶绿素含量最高且除N外均达到显著水平，即在接菌条件下以1∶1的比例掺入沙土时对玉米叶绿素含量的提高效果最明显，接菌处理可以减少沙土的掺入量，节约成本，接菌处理下S∶N=1∶1对植物生长促进作用最好。可能一方面掺入沙土可降低黑黏土的黏性，混合后土壤基质的通气透水性较纯黏土好，也保证了土壤的保水性;另一方面，接种AM真菌后，增强了根系对水分和营养元素的吸收能力，使玉米植株叶绿素含量更高，呈现出更好的生长状态。

表1 光谱特征参数及定义
Table 1 Spectral characteristics parameters and definitions

表2 不同处理下玉米叶片叶绿素含量
Table 2 Chlorophyll content of maize leaves under different treatments

注∶同一个处理下的小写字母表示在0.05水平上有显著差异。

2.2 不同处理下玉米原始光谱特征参数的差异

因可见光波段(380～760 nm)的反射率与叶绿素含量存在密切的关系[23]，所选特征参数多集中于可见光波段，故截取340～800 nm间的反射率光谱数据，经九点加权平均后得到原始光谱曲线(图1)。结合表3可以看出，相同基质下，接种丛枝菌根可降低绿峰幅值。未接菌时，S∶N=1∶1 的绿峰幅值大于N，而S∶N=3∶1则小于N;接种AM真菌后，S∶N=1∶1小于N，同时S∶N=3∶1大于N，结合叶绿素含量可知，不同处理下叶绿素含量越高时，绿峰幅值越小，即两者呈现负相关，在接菌处理的沙黏土配比1∶1(S∶N=1∶1)时达到最小。蓝紫波吸收谷值和红谷幅值也具有相同的规律。即在此处理下玉米植株对光的吸收量更大，光合作用更强，相应的绿峰、红谷、蓝紫波吸收谷位置并未呈现明显规律。

2.3 不同处理下玉米一阶微分光谱的特征参数差异

经一阶微分处理后的光谱曲线具有相似的形状和变化规律，但因叶绿素含量的不同，各处理间的“三边”参数存在一定程度的差异，结合表4进行具体分析。

蓝边参数中，相同基质下蓝边斜率和蓝边一阶微分和均呈现接菌小于未接菌。掺入沙土后，不论是对照还是接种AM真菌其蓝边斜率和蓝边一阶微分和随着叶绿素含量的不同存在着明显的规律变化，即叶绿素含量与蓝边斜率、蓝边一阶微分和呈负相关。接菌条件下，S∶N=1∶1时蓝边斜率和蓝边一阶微分和的差异最大，即在此条件下对叶绿素含量的提升作用最明显。蓝边位置在520 nm附近且与叶绿素无明确关系。

黄边斜率为负值，相同基质下，接菌可提高黄边斜率，且与叶绿素含量呈正相关。黄边范围内一阶微分和为负值，相同基质接菌后绝对值小于对照，与叶绿素含量呈负相关。配比沙土后，黄边斜率与黄边范围一阶微分和也因叶绿素含量的不同分别呈现正相关与负相关。黄边位置在570 nm附近，无明显位移。

红边参数中，红边斜率与红边范围一阶微分和均与叶绿素含量呈负相关，即相同基质接菌小于未接菌。未接菌时，S∶N=1∶1的红边斜率与红边范围一阶微分和大于N，而接菌后小于N，结合红边斜率与红边范围一阶微分和与叶绿素负相关，可知S∶N=1∶1时，接菌对叶绿素含量的提升作用更显著。对比叶绿素含量与红边位置可知随着叶绿素含量的增加，红边位置有向着长波方向移动，即产生了“红移”，这与田明璐等[24]关于苹果花叶病叶片红边特征的研究结果相似。

表3 不同处理下玉米原始光谱特征参数的比较
Table 3 Characteristic parameters of original curves of maize under different treatments

表4 不同处理下玉米一阶微分“三边”参数差异
Table 4 Differences in trilateral parameters of first-order differential spectra of maize under different treatments

2.4 叶绿素含量与各特征参数的相关性分析

由于接种丛枝菌根对玉米的生长具有促进的作用，使玉米叶片的叶绿素含量产生变化且差异显著，进而影响光谱特征参数，使M与CK玉米叶片叶绿素含量和光谱特征参数进行相关性分析显示出一定的差异，这是可能是因为AM真菌对植物生长的促进作用是一个多因素综合结果，接菌植物的光谱响应也并非是由某单一因素引起[22]，统一的进行相关性分析可能会对模型精度产生影响，故采用光谱特征参数分别与M和CK的叶绿素含量进行相关性分析。“三边”参数能够较好的反应绿色植物的光谱特征，对植物的叶绿素较为敏感，故选取蓝、黄、红3边的斜率和一阶微分和以及红蓝、红黄一阶微分和的比值及归一化值作为特征参数;同时在原始光谱中选取了具有代表性的绿峰和红谷反射率以及归一化植被指数共13个光谱特征参数。

用叶绿素含量对13个特征参数分别进行相关分析，得到不接种丛枝菌根的CK和接种丛枝菌根的M的相关系数见表5。

表5 接菌处理下叶绿素含量与各光谱特征参数的相关系数
Table 5 Correlation coefficient between chlorophyll content and spectral characteristic parameters

CK与M的各相关系数整体上相近,BES，SDb，(SDr-SDb)/(SDr+SDb)，(SDr-SDy)/(SDr+SDy)，

SDr/SDb，SDr/SDy，NDVI均达到了0.7以上的相关性，YES，SDy，RG也达到了0.6以上的相关性，故选用这10个特征参数进行反演模型构建。结合除S∶N=3∶1外其余3种基质下接菌与空白处理的叶绿素含量均达到显著差异，故对两种处理进行分别建模。

2.5 基于光谱参数的叶绿素值估算模型的建立及检验

本文选取了2种常用的建模方法，探寻线性关联的逐步回归模型和用于非线性关系的BP神经网络模型，比较两种不同的建模方法在输入相同的光谱特征参数时对叶绿素含量估测的能力，并对2种建模方法进行检验，优选出拟合度更高的模型。

2.5.1 逐步回归模型

将得到的光谱数据分为对照和接菌两组，每组共计80条光谱曲线。每组随机选取60组数据建立逐步线性回归模型，剩余的20组数据作为验证集对模型精度进行检验。将筛选出的相关性较高的10个光谱参数作为自变量，将叶绿素含量作为因变量进行逐步线性回归，得到的模型见表6。

表6 基于逐步回归分析法的玉米叶片叶绿素含量估测模型
Table 6 Estimation model of chlorophyll content in corn leaves based on stepwise regression analysis

注:x1为SDr/SDb;x2为RG;x3为(SDr-SDy)/(SDr+SDy);x4为(SDr-SDb)/(SDr+SDb);x5为SDr/SDy;x6为SDy;y为估测的SPAD值。

CK得到4个反演模型，当有4个特征参数入选时，模型的决定系数R2最高为0.804，同时均方根误差RMSE最小，模拟精度最高。M得到2个反演模型，当有2个特征参数入选时，模型的决定系数R2最高为0.733，同时均方根误差RMSE最小，模拟精度最高。

2.5.2 BP神经网络模型

使用的Matlab提供的NeuralNet Fitting工具进行神经网络模型的建立，网络共有输入层、中间层和输出层 3 层。输入相关系数较高的10个光谱特征参数作为神经网络的输入神经元，叶绿素含量作为输出神经元。将CK和M各80组数据输入，其中56组作为训练数据，12组为验证数据，剩余12组为测试数据。因隐含层神经元个数对BP神经网络的性能具有影响，为选择合适的神经元个数，这里选取的评价指标为程序运行10次对决定系数平均值的影响，具体结果见表7。经多次试验对比，认为当设定隐含层神经元个数为10时BP神经网络性能最优。网络训练函数为基于数值最优化理论的 Levenbeger-Marquardt。结果表明(表7)，CK组的决定系数R2为0.860，均方根误差RMSE为1.028;M组的决定系数R2为0.857，均方根误差RMSE为1.098。取逐步回归模型中决定系数最高的模型，与BP神经网络模型进行对比，其不同处理下预测值与真值的拟合结果散点图如图2所示。可以看出，BP神经网络较逐步回归模型具有更好的模型决定系数，同时具有更小的均方根误差。

表7 不同处理下10次运行对应结果
Table 7 Corresponding results of 10 operations under different treatments

2.5.3 模型精度验证及比较

分别对所建立的所有模型进行精度检验，由表8可知，不论是CK 还是M，BP神经网络模型都具有更高的验证精度，模型的决定系数都在0.85以上，相较于逐步回归模型精度有一定幅度的提升。但由于BP神经网络算法的网络权值初始化是随机的，神经网络程序在每次运行后得到的训练结果是不同的[25]，因此BP神经网络学习过程存在易陷入局部最小，并不能确保取得全局最佳效果。本研究经过多次训练，通过比较选取了决定系数和RMSE都相对最小的一次训练结果作为训练好的BP神经网络模型。综合多次训练结果，认为BP神经网络模型拥有更好的玉米叶绿素含量估测能力。

表8 基于BP神经网络法的玉米叶片叶绿素含量估测模型
Table 8 Estimation model of chlorophyll content in maize leaves based on BP neural network method

3 讨 论

已有大量的研究证明接种AM真菌对土壤具有改良作用[4-5]，刘文科等[26]也对不同土壤基质下接种AM真菌对植物生长的影响做了相应研究。毕银丽课题组将微生物修复作用与高光谱技术联系起来[14,24,27-31]，但在不同土壤基质下接种AM真菌对植物叶片光谱的影响，国内外鲜有研究。本文从叶绿素含量入手，探究了在4种不同土壤基质下接种AM对玉米叶片光谱的影响。

在可见光范围内，植被反射光谱主要受植被色素的影响，因此光谱反射率与绿色植物叶绿素含量存在密切的关系[12]，当叶绿素浓度低时，对可见光的吸收就小，则在绿光区域反射率较大。冉琼等[32]认为接种AM真菌可提高叶绿素含量，促使作物光合作用能力增强，王群等[33]发现不同质地土壤对玉米叶绿素荧光特性和产量有显著影响。接种AM与配比沙土对玉米叶片叶绿素含量的提升作用在光谱上的体现与徐琳煜等[34]关于白术干旱胁迫时间越久叶片叶绿素含量降低绿峰幅值升高相同，与孙红等[35]关于马铃薯叶片光谱反射率在382～700 nm叶绿素含量越高反射率越低相似。因此，可通过比较可见光波段反射率与相关光谱特征参数的方式，比较出植株叶绿素含量的高低，判断植物光合作用的强弱。接种AM真菌和配比沙土对玉米生长的影响是多方面的，本文仅通过叶绿素含量与光谱响应相联系来体现这种多方面的影响，具有局限性，需进行深入探究。

已有大量的研究运用多种光谱特征参数结合叶绿素含量进行光谱定量估算[36-37]。余蛟洋等[38]通过对比认为逐步线性回归模型能较好预测苹果叶片叶绿素含量;刘文雅和潘洁[39]采用BP神经网络模型估算马尾松叶绿素含量，取得较好预测结果。大量研究表明，逐步线性回归和BP神经网络两种建模方法在各种植物叶片叶绿素含量反演中具有良好的估测能力，本研究中BP神经网络模型的建模精度比逐步回归模型更高，但验证集中的RMSE值却比逐步回归模型的大，故在如何提高BP神经网络模型的稳定性，提高预测精度方面需要进一步研究(表9)。此外室内实验的结果能否运用到野外实验中去，切实为微生物复垦修复作用提供可靠的数据支持也需结合野外实验数据做深入研究。

表9 模型精度检验结果比较
Table 9 Comparison of model accuracy test results

4 结 论

(1)黑黏土与沙土以质量比1∶1混合后接种AM真菌时对玉米叶片叶绿素含量的提高作用最为显著，植物生长最好。

(2)原始光谱中绿峰、蓝紫波吸收谷和红谷的幅值与叶绿素含量呈负相关。经一阶微分后，叶绿素含量与“三边”范围内一阶微分呈负相关，与红边、蓝边斜率呈负相关，与黄边斜率呈正相关，同时红边位置产生“红移”现象。

(3)BP神经网络法建模型较逐步回归模型具有更好的拟合精度和验证精度，CK和M的决定系数R2分别为0.860和0.857，验证精度也都在0.85以上，可以较好估测玉米叶绿素含量。

参考文献（References）:

[1] ANIMESH S,TAKASHI A,WANG Q Y,et al.Arbuscular mycorrhizal influences on growth,nutrient uptake,and use efficiency of Miscanthussacchariflorus growing on nutrient-deficient river bank soil[J].Flora,2015,212:46-54.

[2] VERSLUES P E,AGARWAL M,KATIYAR-AGARWAL S,et al.Methods and concepts in quantifying resistance to drought,salt and freezing,abiotic stresses that affect plant water status[J].The Plant Journal,2006,45(4):523-539.

[3] ORWIN K H,KIRSCHBAUM M U F,ST John M G,et al.Organic nutrient uptake by mycorrhizal fungi enhances ecosystem carbon storage:A model-based assessment[J].Ecology Letters,2011,14(5):493-502.

[4] 贺学礼,郭辉娟,王银银.土壤水分和AM真菌对沙打旺根际土壤理化性质的影响[J].河北大学学报(自然科学版),2013,33(5):508-519.

HE Xueli,GUO Huijuan,WANG Yinyin.Effects of soil moisture and AM fungi on the soil physicochemical property in the rhizosphere of Astragalus adsurgens[J].Journal of Hebei University(Natural Science Edition),2013,33(5):508-519.

[5] RILLIG M C,WRIGHT S F,EVINER V T.The role of arbuscular mycorrhizal fungi and glomalin in soil aggregation:Comparing effects of five plant species[J].Plant & Soil,2002,238(2):325-333.

[6] 蒋金豹,陈云浩,黄文江.用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度[J].光谱学与光谱分析,2010,30(8):2243-2247.

JIANG Jinbao,CHEN Yunhao,HUANG Wenjiang.Using hyperspectral remote sensing to estimate canopy chlorophyll density of wheat under yellow rust stress[J].Spectroscopy and Spectral Analysis,2010,30(8):2243-2247.

[7] 梅安新,彭望禄,秦其明,等.遥感导论[M].北京:高等教育出版社,2001:14-25.

[8] 姜海玲,张立福,杨杭,等.植被叶片叶绿素含量反演的光谱尺度效应研究[J].光谱学与光谱分析,2016,36(1):169-176.

JIANG Hailing,ZHANG Lifu,YANG Hang,et al.Research on spectral scale effect in the estimation of vegetation leaf chlorophyll content[J].Spectroscopy and Spectral Analysis,2016,36(1):169-176.

[9] 王晓乔,王访,廖桂平,等.油菜光谱的多重分形分析及叶绿素诊断建模[J].光谱学与光谱分析,2016,36(11):3657-3663.

WANG Xiaoqiao,WANG Fang,LIAO Guiping,et al.Multifractal analysis of rapeseed spectrum for chlorophyll diagnosis modeling[J].Spectroscopy and Spectral Analysis,2016,36(11):3657-3663.

[10] VANE G,GOETZ A F H.Terrestrial imaging spectrometry:Current status,future trends[J].Remote Sensing of Environment,1993,44(2-3):117-126.

[11] 宫兆宁,赵雅莉,赵文吉,等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报,2014,34(20):5736-5745.

GONG Zhaoning,ZHAO Yali,ZHAO Wenji,et al.Estimation model for plant leaf chlorophyll content based on the spectral index content[J].Acta Ecologica Sinica,2014,34(20):5736-5745.

[12] 韩浩坤,妙佳源,张钰玉,等.基于高光谱反射率的糜子冠层叶片叶绿素含量估算[J].干旱地区农业研究,2018,36(1):164-170.

HAN Haokun,MIAO Jiayuan,ZHANG Yuyu,et al.Estimating chlorophyll content of proso millet canopy by hyperspectral reflectance[J].Agricultural Research in the Arid Areas,2018,36(1):164-170.

[13] 田明璐,班松涛,常庆瑞,等.基于无人机成像光谱仪数据的棉花叶绿素含量反演[J].农业机械学报,2016,47(11):285-293.

TIAN Minglu,BAN Songtao,CHANG Qingrui,et al.Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(11):285-293.

[14] 毕银丽,孙江涛,YPYSZHAN Zhakypbek,等.不同施磷水平下接种菌根玉米营养状况及光谱特征分析[J].煤炭学报,2016,41(5):1227-1235.

BI Yinli,SUN Jiangtao,YPYSZHAN Zhakypbek,et al.Hyperspectral characterization and nutrition condition of maize inoculated with arbuscular mycorrhiza in different phosphorus levels[J].Journal of China Coal Society,2016,41(5):1227-1235.

[15] 姜丽芬,石福臣,王化田,等.叶绿素计SPAD-502在林业上应用[J].生态学杂志,2005,24(12):1543-1548.

JIANG Lifen,SHI Fuchen,WANG Huatian,et al.Application tryout of chlorophyll meter SPAD-502 in forestry[J].Chinese Journal of Ecology,2005,24(12):1543-1548.

[16] 范云豹,赵文吉,宫兆宁,等.基于高光谱信息的芦苇和香蒲地上干生物量反演方法研究[J].湿地科学,2016,14(5):654-664.

FAN Yunbao,ZHAO Wenji,GONG Zhaoning,et al.Inversion methods for above-ground dry biomass of phragmites australis and typha angustifolia based on hyperspectral information[J].Wetland Science,2016,14(5):654-664.

[17] 石吉勇,邹小波,赵杰文,等.高光谱图像技术检测黄瓜叶片的叶绿素叶面分布[J].分析化学,2011,39(2):243-247.

SHI Jiyong,ZOU Xiaobo,ZHAO Jiewen,et al.Measurement of chlorophyll distribution in cucumber leaves based on hyper-spectral imaging technique[J].Chinese Journal of Analytical Chemistry,2011,39(2):243-247.

[18] 贾继堂,程琳琳,余洋,等.一种基于多元统计分析的土壤含水量高光谱反演模型[J].测绘科学技术学报,2013,30(6):614-618.

JIA Jitang,CHENG Linlin,YU Yang,et al.A hyper spectral remote sensing model of soil moisture content based on multivariate statistical analysis[J].Journal of Geomatics Science and Technology,2013,30(6):614-618.

[19] 邹小波,张小磊,石吉勇,等.基于高光谱图像的黄瓜叶片叶绿素含量分布检测[J].农业工程学报,2014,30(13):169-175.

ZOU Xiaobo,ZHANG Xiaolei,SHI Jiyong,et al.Detection of chlorophyll content distribution in cucumber leaves based on hyperspectral imaging[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(13):169-175.

[20] 孙俊,武小红,张晓东,等.基于高光谱图像的生菜叶片水分预测研究[J].光谱学与光谱分析,2013,33(2):522-526.

SUN Jun,WU Xiaohong,ZHANG Xiaodong,et al.Research on lettuce leaves’moisture prediction based on hyperspectral images[J].Spectroscopy and Spectral Analysis,2013,33(2):522-526.

[21] 林洁,陈效民,张勇,等.基于BP神经网络的太湖典型农田土壤水分动态模拟[J].南京农业大学学报,2012,35(4):140-144.

LIN Jie,CHEN Xiaomin,ZHANG Yong,et al.Simulation of soil moisture dynamics based on the BP neural network in the typical farmland of Tai Lake region[J].Journal of Nanjing Agricultural University,2012,35(4):140-144.

[22] 陈书琳,毕银丽,齐礼帅,等.接种菌根大豆叶绿素含量差异的光谱特征分析[J].中国矿业大学学报,2015,44(1):170-175.

CHEN Shulin,BI Yinli,QI Lishuai,et al.Hyperspetral characteristics difference and estimation for chlorophyll content of soybean inoculated with mycorrhiza[J].Journal of China University of Mining & Technology,2015,44(1):170-175.

[23] 俞欣妍,刘健,余坤勇,等.叶片—冠层尺度的毛竹林分光谱特征[J].西北林学院学报,2017,32(3):7-13.

YU Xinyan,LIU Jian,YU Kunyong,et al.Spectral scale differences between leaf and canopy of spectral characteristics of phyllostachys pubescens forest[J].Journal of Northwest Forestry University,2017,32(3):7-13.

[24] 田明璐,班松涛,常庆瑞,等.高光谱影像的苹果花叶病叶片花青素定量反演[J].光谱学与光谱分析,2017,37(10):3187-3192.

TIAN Minglu,BAN Songtao,CHANG Qingrui,et al.Quantified estimation of anthocyanin content in mosaic virus infected apple leaves based on hyperspectral imaging[J].Spectroscopy and Spectral Analysis,2017,37(10):3187-3192.

[25] 李媛媛,常庆瑞,刘秀英,等.基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J].农业工程学报,2016,32(16):135-142.

LI Yuanyuan,CHANG Qingrui,LIU Xiuying,et al.Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network[J].Transactions of the Chinese Society of Agricultural Engineering,2016,32(16):135-142.

[26] 刘文科,冯固,李晓林.三种土壤上六种丛枝菌根真菌生长特征和接种效应[J].植物营养与肥料学报,2006,12(4):530-536.

LIU Wenke,FENG Gu,LI Xiaolin.The growth characteristics and symbiotic effectiveness of six arbuscular mycorrhizal fungi on three soils associated with maize[J].Plant Nutrition and Fertilizer Science,2006,12(4):530-536.

[27] CHEN Shulin,BI Yinli,QI Lishuai.Monitoring subtle difference of chlorophyll of amorpha fruticosa inoculated with arbuscular mycorrhizal fungi in coal mining area[J].Energy Education Science and Technology Part A.Energy Science and Research,2014,32(1):481-488.

[28] 陈书琳,毕银丽,齐礼帅,等.接种菌根大豆叶片光谱分析和叶绿素含量估测[J].中国农业大学学报,2014,19(2):125-130.

CHEN Shulin,BI Yinli,QI Lishuai,et al.Hyperspetral characteristics and estimation for chlorophyll content of soybean inoculated with AMF[J].Journal of China Agricultural University,2014,19(2):125-130.

[29] 毕银丽,陈书琳,孔维平,等.接种微生物对大豆生长及其根际土壤的影响[J].生态科学,2014,33(1):121-126.

BI Yinli,CHEN Shulin,KONG Weiping,et al.Effects of microorganism inoculation on growth of soybean and its rhizosphere soil[J].Ecological Science,2014,33(1):121-126.

[30] 孔维平,毕银丽,李少朋,等.利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量[J].农业工程学报,2014,30(12):123-131.

KONG Weiping,BI Yinli,LI Shaopeng,et al.Hyperspectral estimation of leaf chlorophyll content in mycorrhizal inoculated soybean under drought stress[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(12):123-131.

[31] 陈书琳,毕银丽.遥感技术在微生物复垦中的应用研究[J].国土资源遥感,2014,26(3):16-23.

CHEN Shulin,BI Yinli.Application of remote sensing technology to microbial reclamation[J].Remote Sensing For Land & Resources,2014,26(3):16-23.

[32] 冉琼,钟章成.模拟岩溶旱钙土壤基质中AM真菌对玉米幼苗光合生长的影响[J].生态学报,2015,35(2):460-467.

RAN Qiong,ZHONG Zhangcheng.Effect of AMF on the photosynthetic characteristics and growth of maize seedlings under the stress of drought,high calcium and their combination in Karst area[J].Acta Ecologica Sinica,2015,35(2):460-467.

[33] 王群,李潮海,栾丽敏,等.不同质地土壤夏玉米生育后期光合特性比较研究[J].作物学报,2005,31(5):628-633.

WANG Qun,LI Chaohai,LUAN Limin,et al.Photosynthetic characteristics of summer maize (Zea mays L.) during the late growth stage in different soil texture[J].Acta Agronomica Sinica,2005,31(5):628-633.

[34] 徐琳煜,刘守赞,白岩,等.白术叶片对干旱胁迫的光谱特征响应[J].中国生态农业学报,2018,(5):719-727.

XU Linyu,LIU Shouzan,BAI Yan,et al.Responses of leaf spectral characteristics of Atractylodes macrocephala Koidz.to drought stress[J].Chinese Journal of Eco-Agriculture,2018,(5):719-727.

[35] 孙红,郑涛,刘宁,等.高光谱图像检测马铃薯植株叶绿素含量垂直分布[J].农业工程学报,2018,34(1):149-156.

SUN Hong,ZHENG Tao,LIU Ning,et al.Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging[J].Transactions of the Chinese Society of Agricultural Engineering,2018,34(1):149-156.

[36] KIRA O,LINKER R,GITELSON A.Non-destructive estimation of foliar chlorophyll and carotenoid contents:Focus on informative spectral bands[J].International Journal of Applied Earth Observations & Geoinformation,2015,38:251-260.

[37] 丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015,35(2):486-491.

DING Xibin,LIU Fei,ZHANG Chu,et al.Prediction of SPAD value in oilseed rape leaves using hyperspectral imaging technique[J].Spectroscopy and Spectral Analysis,2015,35(2):486-491.

[38] 余蛟洋,常庆瑞,由明明,等.基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算[J].西北林学院学报,2018,33(2):156-165.

YU Jiaoyang,CHANG Qingrui,YOU Mingming,et al.Estimation of apple leaf SPAD value based on hyperspectrum and BP neural network[J].Journal of Northwest Forestry University,2018,33(2):156-165.

[39] 刘文雅,潘洁.基于神经网络的马尾松叶绿素含量高光谱估算模型[J].应用生态学报,2017,28(4):1128-1136.

LIU Wenya,PAN Jie.A hyperspectral assessment model for leaf chlorophyll content of Pinus massoniana based on neural network[J].Chinese Journal of Applied Ecology,2017,28(4):1128-1136.

Spectral inversion of maize with different ratios of black clay in the eastern mining area by inoculation with AM fungi

GONG Yunli,HU Jingjing,SONG Ziheng,ZHANG Jian,BI Yinli

(College of Geoscience and Surveying Engineering,China University of Mining Technology (Beijing),Beijing 100083,China)

Abstract:In order to improve the present situation of strong viscosity,poor permeability and low nutrient availability of black clay in open pit mining area of eastern grassland,two levels of inoculation with AM fungi were set up:inoculation with arbuscular mycorrhizal fungi (M) and control group without inoculation (CK).At the same time,the clay was set up with four different proportions:sand (S),clay (N),sandy soil and clay with mass ratio of 1:1 (S:N=1:1) and mass ratio of 3∶1 (S∶N=3∶1).Hyperspectral remote sensing technique was used to monitor the effects of arbuscular mycorrhizal fungi inoculation on plant growth and development under different substrates.The differences of typical spectral characteristic parameters under different treatments were compared,and the characteristic parameters with high correlation with chlorophyll content were screened.Stepwise regression and BP neural network modeling method were used to invert the chlorophyll content,which laid a theoretical foundation for monitoring the effect of microbial reclamation.The results showed that the chlorophyll content of maize after inoculation with AM fungi was higher than that of the control group.The growth condition of the inoculated group was stronger than that of the control group by comparing the trilateral parameters.That is,the inoculation with arbuscular mycorrhiza could promote plant growth.The black clay after the sand ratio had higher chlorophyll content and better growth condition than pure clay.Under the condition of inoculation,when the ratio of sand to clay was 1∶1,the chlorophyll content of maize increased most obviously.Selecting 10 spectral characteristic parameters with high correlations,using stepwise regression and BP neural network to establish the model of chlorophyll content for control and inoculation respectively.BP neural network method showed better estimation ability.The model determination coefficient and model test determination coefficient of the control group were 0.860 and 0.896,respectively.The model determination system of the inoculation group was the model de-termination system.The coefficient of determination of number and model test is 0.857 and 0.890 respectively,which could be used to estimate the chlorophyll content of maize leaves.

Key words:AM fungi;soil ratio;hyperspectral;chlorophyll;neural network

龚云丽，胡晶晶,宋子恒,等.接种AM真菌对东部草原矿区不同配比黑黏土的玉米光谱反演[J].煤炭学报,2019,44(12):3797-3806.doi:10.13225/j.cnki.jccs.SH19.0975

GONG Yunli,HU Jingjing,SONG Ziheng,et al.Spectral inversion of maize with different ratios of black clay in the eastern mining area by inoculation with AM fungi[J].Journal of China Coal Society,2019,44(12):3797-3806.doi:10.13225/j.cnki.jccs.SH19.0975

中图分类号:S144

文献标志码:A

文章编号:0253-9993(2019)12-3797-10

收稿日期:2019-07-19

修回日期:2019-10-16

责任编辑:常明然

基金项目:国家重点研发计划资助项目(2016YFC0501106)

作者简介:龚云丽(1991—)，女，河南平顶山人，硕士研究生。Tel：010-62331429,E-mail：13262199811@163.com

通讯作者:毕银丽(1971—)，女，陕西米脂人，教授，博士。Tel:010-62339048,E-mail:ylbi88@126.com