贛南臍橙葉片含水量和葉綠素含量的近紅外檢測

劉德力，周衍華，趙文星，劉燕德

(1.江西省興國縣農(nóng)業(yè)和糧食局，江西興國342400;2.華東交通大學機電工程學院，江西南昌330013)

贛南是我國種植面積最大的臍橙生產(chǎn)基地，年產(chǎn)量居世界第三，并有“中國臍橙之鄉(xiāng)”之稱的美譽。研究贛南臍橙果樹生長發(fā)育就必須研究其生長發(fā)育過程營養(yǎng)元素的變化，這些元素直接影響果樹的長勢和產(chǎn)量。表征臍橙生長狀況的最主要信息包括臍橙葉片的含水量和葉綠素含量。葉綠素含量與植株抗病性有直接關(guān)系［1－3］，水分直接影響臍橙的生長和產(chǎn)量以及品質(zhì)。因此快速地獲取臍橙水分狀況，對臍橙估產(chǎn)及農(nóng)情監(jiān)測等方面具有重要意義［4］。

近紅外光譜分析方法作為是一種快速、簡便及無破壞性的測量方法，國內(nèi)外很多學者基于該方法應用在植物營養(yǎng)元素的檢測上［5－8］。董晶晶等利用反射光譜信息對提取葉片含水量的方法進行比較研究［8］。趙瑞嬌等通過對溫室番茄葉片葉綠素含量和葉片含水量研究并分析了不同營養(yǎng)水平下番茄冠層和葉片的反射光譜變化［9］。蔣煥煜等應用近紅外檢測技術(shù)對尖椒葉片葉綠素含量的分析，建立葉片葉綠素含量模型且預測相關(guān)系數(shù)和預測標準誤差都很好［10］。

國內(nèi)外利用近紅外光譜檢測技術(shù)應用在贛南臍橙的研究較少。因此筆者以江西贛南臍橙果園基地的臍橙葉片為研究對象，應用近紅外光譜技術(shù)，分別用偏最小二乘(PLS)、主成分回歸(PCR)和最小二乘支持向量機(LS-SVM)方法對臍橙葉片的含水量和葉綠素含量建立相應的模型。分析并比較3種建模方法PLS、PCR和PLR在預測臍橙葉片的含水量和葉綠素含量的模型精確度，從而得到一種快速檢測葉片含水量和葉綠素含量的定量估計模型，為快速獲取葉片養(yǎng)分含量提供理論依據(jù)。

1 材料與方法

1.1 臍橙葉片樣品的采集與處理 供試的88個葉片樣品來自江西省萬安縣臍橙果園種植基地，選取不同位置的臍橙果樹，根據(jù)施肥與果樹大小來劃分選取22棵果樹，每棵間距大于15 m。采集東西南北不同區(qū)域的同一層葉片，每棵樹采集4片。對采集回來的葉片帶回實驗室，用水沖洗干凈葉片，并晾干。然后對葉片樣品進行編號、標記，在對樣品進行光譜采集前儲存條件平均溫度20℃，相對濕度60%。

1.2 臍橙葉片樣品近紅外光譜數(shù)據(jù)的采集 臍橙葉片近紅外光譜采集儀器為布魯克TENSOR37型傅立葉變換近紅外光譜儀。儀器相配套附件有旋轉(zhuǎn)工作臺、透射樣品腔和RTInGaAs檢測器等。光譜儀的基本參數(shù)設置:測量范圍12 000～4 000 cm－1，分辨率為8 cm－1，重復掃描32次。試驗期內(nèi)室內(nèi)溫度都在15～20℃，空氣濕度在45% ～50%。采集光譜的過程中，應該使臍橙葉片保持平整的狀態(tài)。每次采集臍橙葉片光譜前應該進行參考板校正，每個臍橙葉片樣品分別采集6條近紅外光譜，然后取樣品的平均光譜。

1.3 光譜預處理方法 采集的近紅外光譜往往會受到噪聲等各種外界因素的干擾。噪聲主要包括以下幾部分:基線漂移、高頻隨機噪聲、樣品不均勻和光散射等，這些因素直接對模型的建立產(chǎn)生不利影響，因此需要對光譜進行預處理以便降噪、減少各種不利因素的干擾，提高模型預測精度。該試驗使用數(shù)據(jù)處理軟件Unscrambler對傅立葉變換近紅外光譜儀采集的光譜進行預處理，使用的預處理方法SG平滑、多元散射校正、一階微分、二階微分、標準歸一化、基線校正(SG/MSC/1st D/2nd D/SNV/Baseline)6種預處理方法。

1.4 臍橙葉片含水量和葉綠素含量的測定

1.4.1 臍橙含水量的測定。臍橙葉片含水量采用相對含水量。對葉片稱重，將稱重紙放入精度為0.000 1 g的電子秤上，待數(shù)據(jù)顯示穩(wěn)定時進行歸零操作。然后將樣品放入稱重紙上，待數(shù)據(jù)顯示穩(wěn)定時記錄數(shù)據(jù)(m1)。將采集光譜后的葉片的88個樣品放入烘箱烘干。按照上面操作過程對樣品進行稱重并記錄數(shù)據(jù)m2。計算葉片的相對含水量(Leaf Moisture Content，LMC):

LMC=(m1－m2)/m1

1.4.2 臍橙葉片葉綠素含量的測定。臍橙葉片葉綠素含量的測定使用SPAD-520Plus葉綠素儀測量，SPAD值的大小反應了臍橙葉片中葉綠素的相對含量的多少。SPAD-520Plus葉綠素儀的測量區(qū)間相對葉片是一個很小的點，為了測量更加精確，該試驗采取多次測量的方法，對采集光譜的葉片區(qū)域內(nèi)進行上、下、左、右4個方位測量葉綠素含量，然后取4個位置的葉綠素含量平均值作為葉綠素含量的真值。

1.5 模型建立與評價 模型采用預測相關(guān)系數(shù)(RP)、預測均方根誤差(RMSEP)進行評價。判斷模型預測能力好不好，其模型結(jié)果應該具有較高的預測相關(guān)系數(shù)(RP)以及較小的預測集均方根誤差(RMSEP)，RP越接近1、RMSEC和RMSEP越小并且兩個值相差不大時，則說明所建模型越好，反之模型預測效果不好。

2 結(jié)果與分析

2.1 臍橙葉片近紅外光譜圖 圖1為樣品在4 000～12 000 cm－1范圍內(nèi)的原始光譜，其中5 180、6 869 cm－1為2 個明顯的吸收峰。葉綠素是一種有機物，包含各種有機分子團OH、C－H、N－H等。5 180 cm－1吸收峰為O－H振動的組合頻、N－H伸縮振動和彎曲振動的組合頻、C－H第一組組合頻(5 000～4 160 cm－1)疊加而成，6 869 cm－1吸收峰為O －H伸縮振動的一級倍頻、N－H伸縮振動的一級倍頻(6 666 cm－1)疊加所致。圖1中3條曲線是從88個臍橙葉片樣品中挑選出來，可大致分為高、中、低3類。

2.2 臍橙葉片含水量和葉綠素含量的測量結(jié)果 在88個臍橙葉片樣本中，根據(jù)含量梯度法以近似2∶1的比例從總樣中選取59個樣本用于建模，剩余29個樣本用于驗證模型。其臍橙葉片樣本的基本統(tǒng)計值見表1。

表1 樣品測量的統(tǒng)計

2.3 臍橙葉片含水量和葉綠素含量的模型建立及驗證 采集到的原始光譜使用一階微分、二階微分、SG平滑、標準正態(tài)變量變換、基線校正、多元散射校正方法進行預處理。分別建立了PLS、PCR和LS-SVM方法的臍橙葉片相對含水量模型和葉綠素含量模型。其結(jié)果分別如如表2、3、4所示。

表2 葉片含水量和葉綠素含量的PLS模型結(jié)果

在使用LS-SVM方法的模型建立中，要求調(diào)的參數(shù)就2個。γ和σ是算法的2個最為重要的參數(shù):γ是正規(guī)化參數(shù)，決定誤差的最小化以及光滑程度;σ2則是核函數(shù)RBF的參數(shù)。γ和σ2的參數(shù)優(yōu)化采用幾何學方法兩點格子狀搜尋技術(shù)［11－13］來。將模型參數(shù)(γ，σ2)的取值范圍設定為10－3～106。模型參數(shù)的最優(yōu)組合的確定是通過matlab軟件計算得到的。

2.4 臍橙葉片含水量和葉綠素含量模型驗證結(jié)果對比分析 采集的近紅外光譜往往會受到噪聲等各種外界因素的干擾。提高模型預測精度通常對采集的光譜進行預處理。而模型的評價由預測相關(guān)系數(shù)RP、預測均方根誤差(RMSEP)決定。通常一個良好的模型應具有小的校正均方根誤差RMSEC和預測均方根誤差RMSEP，且兩者的值越接近越好。根據(jù)評價原則，在用PLS方法建立的葉片含水量和葉綠素含量模型中，對比光譜不同預處理后，發(fā)現(xiàn)6種不同的預處理對預測葉片含水量的結(jié)果影響不大，RP的值在0.980左右，且RMSEC和RMSEP幾乎無相差，其中最好的組合是None-PLS 建模，其中 RP為0.985，RMSEP 為0.023;在預測葉片葉綠素含量的結(jié)果除了對原始光譜進行1st預處理模型不甚理想，其他預處理模型結(jié)果相差不大，預測相關(guān)系數(shù)RP在0.90～0.94，其中最好的組合是原始光譜直接PLS建模，其中RP為 0.940，RMSEP 為 3.587。

表3 葉片含水量和葉綠素含量的PCR模型結(jié)果

表4 葉片含水量和葉綠素含量的LS-SVM模型結(jié)果

同樣，在用PCR方法建立的葉片含水量和葉綠素含量模型中，對比光譜不同預處理后。找出建模最優(yōu)組合，對葉片含水量預測效果最好的是MSC-PCR，其RP為0.981，RMSEP為0.025;在預測葉片葉綠素含量的效果最好SG-PCR，其中RP為0.903，RMSEP為4.451。在用 LS-SVM 方法建模中，對葉片含水量預測效果最好的是原始光譜直接LS-VSM建模，其中 RP為0.981，RMSEP為0.037;在預測葉片葉綠素含量的效果最好的組合是MSC-LS-VSM，其中RP為0.933，RMSEP 為0.230。

對比3種方法建立的預測模型。在預測葉片含水量的模型中，3種方法預測效果整體相差不大，其最優(yōu)的預測模型是使用 PLS 建模(RP=0.985，RMSEP=0.023)。圖2 為 PLS模型對29個葉片樣品的驗證散點圖。在預測葉片葉綠素含量的模型中，3種方法預測效果相差不大，通過LS-SVM建模后，RMSEP值有所降低。雖然用PLS建模方法得到的RP=0.940 最大，但是RMSEP(RMSEP=3.587)較用LS-SVM 建模得到的結(jié)果(RMSEP=0.230)大，且用LS-SVM建模得到的RP(0.933)與0.940相差很小，所以在預測葉片葉綠素含量的模型中，最有預測效果是MSC-LS-VSM。圖3是LS-SVM模型對葉綠素含量29個樣品的驗證散點圖。

只用一種方法同時預測葉片含水量和葉綠素含量，在預測葉片含水量的最優(yōu)建模方法是PLS，而在預測葉綠素含量時最優(yōu)建模方法是LS-SVM，但是PLS方法預測葉綠素含量效果較LS-SVM相差不大。綜合考慮，用一種方法同時預測葉片含水量和葉綠素含量，最優(yōu)建模方法是PLS。

3 結(jié)論

試驗以贛南臍橙葉片為研究對象，運用近紅外光譜技術(shù)檢測葉片含水量和葉綠素含量2個指標，在全波段4 000～12 000 cm－1范圍內(nèi)建立了2個指標的PLS、PCR和LS-SVM定量檢測模型。結(jié)果分析發(fā)現(xiàn)，在預測葉片含水量和葉綠素含量的模型中，3種方法預測精度整體相差不大，且建模的預測結(jié)果都較為理想，可以定量預測葉片含水量和葉綠素含量。

在預測葉片含水量的模型中，3種方法預測效果整體相差不大，其最優(yōu)的預測模型是使用PLS建模，其中RP=0.985，RMSEP=0.023。

在預測葉片葉綠素含量的模型中，3種方法預測效果相差不大，最優(yōu)預測模型是MSC-LS-VSM，其中RP=0.933，RMSEP=0.23。只用一種方法對2個指標含量建模，其最優(yōu)建模方法是PLS。

［1］陳臻，徐秉良.葉綠素含量與草坪草對葉枯病抗病性的關(guān)系［J］.草原與草坪，2005(2):59 －61.

［2］顏惠霞，徐秉良，梁巧蘭，等.南瓜品種對白粉病的抗病性與葉綠素含量和氣孔密度的相關(guān)性［J］.植物保護，2009，35(1):79 －81.

［3］劉會寧，朱建強，萬幼新.幾個歐亞種葡萄品種對霜霉病的抗性鑒定［J］.上海農(nóng)業(yè)學報，2001，17(3):64 －67.

［4］吉海彥，馬淏，梁雪.近紅外光譜無損檢測農(nóng)作物葉片含水量的研究進展及發(fā)展趨勢［J］.儀器儀表學報，2009，30(6):497 －499.

［5］MCWHIRT A L，WEINDORF D C，CHAKRABORTY S，et al.Visible near infrared diffuse reflectance spectroscopy(VisNIR DRS)for rapid measurement of organic matter in compost［J］.Waste Management ＆ Research，2012，30(10):1049 －1058.

［6］范如芹，楊學明，張曉平，等.東北黑土不同組分有機碳的近紅外光譜測定［J］.光譜學與光譜分析，2012，32(2):349 －353.

［7］SAKIRKIN S P，MORGAN C S，AUVERMANN B W.Effects of sample processing on ash content determination in solid cattle manure with visible/near-infrared spectroscopy［J］.Transactions of ASABE，2010，53:421－428.

［8］董晶晶，牛錚，沈艷，等.利用反射光譜信息提取葉片水分含量的方法比較［J］.江西農(nóng)業(yè)大學學報，2006，28(4):587 －591.

［9］趙瑞嬌，李民贊，楊策.溫室番茄冠層和葉片光譜特征分析及營養(yǎng)診斷［J］.光譜學與光譜分析，2010，30(11):3103 －3106.

［10］蔣煥煜，應義斌.尖椒葉片葉綠素含量的近紅外檢測分析實驗研究［J］.光譜學與光譜分析，2007，27(3):499 －502.

［11］劉飛，王莉，何勇.應用有效波長進行奶茶品種鑒別的研究［J］.浙江大學學報:工學版，2010，44(3):619 －624.

［12］LIN H，CHEN Q，ZHAO J.Determination of free amino acid content in Radix Pseudostellariae using near infrared(NIR)spectroscopy and different multivariate calibrations［J］.Journal of Pharmaceutical and Biomedical Analysis，2009，50(5):803 －808.

［13］YU H Y，NIU X Y，LIN H J，et al.A feasibility study on on-line determination of rice wine composition by Vis–NIR spectroscopy and least squares support vecto machines［J］.Food Chemistry，2009，113(1):291 －296.