基于數(shù)碼影像的香樟樹葉片葉綠素分布可視化研究

胡 陽，朱姣姣

(滁州學(xué)院 地理信息與旅游學(xué)院，安徽 滁州 239000)

基于數(shù)碼影像的香樟樹葉片葉綠素分布可視化研究

胡 陽，朱姣姣

(滁州學(xué)院 地理信息與旅游學(xué)院，安徽 滁州 239000)

葉綠素含量是植物生長的重要指標(biāo)。為了快速、無損地測定香樟樹葉片中葉綠素含量分布情況，本研究基于數(shù)碼相機和FieldSpec 4便攜式地物光譜儀2種不同傳感器，對比分析了顏色參數(shù)和光譜與SPAD值的關(guān)系，分別建立了多種定量預(yù)測模型，并且借助圖像處理軟件，實現(xiàn)了基于數(shù)碼影像香樟樹葉片SPAD值的可視化。結(jié)果表明：紅光和R720波段分別是數(shù)碼相機和光譜儀對SPAD值最敏感的波段；光譜指數(shù)可以提高光譜與SPAD值的相關(guān)性，而且以紅光和藍光波段組合的差值指數(shù)(R-B和DI)相關(guān)性水平最高；R-B所建香樟樹葉片SPAD值預(yù)測模型的均方根誤差RMSE為3.9736，預(yù)測精度R2為0.6197；而DI構(gòu)建的模型對SPAD值的預(yù)測能力比R-B高，其均方根誤差為2.002，且精度最高(R2=0.7338)?；跀?shù)碼影像的香樟樹葉片SPAD值分布圖在一定程度上可以有效描述葉片葉綠素分布狀況，進而判斷香樟樹的生長情況。因此，可以利用數(shù)碼相機的顏色參數(shù)監(jiān)測香樟樹葉片葉綠素含量及分布狀況。

香樟樹葉片；SPAD值；顏色參數(shù)；光譜指數(shù)；可視化

葉綠素是植物進行光合作用的主要物質(zhì)之一,其含量是指示植物光合作用能力、營養(yǎng)脅迫和發(fā)育狀況的重要因子[1]。在自然界中，物體的反射特型決定了380～760nm波長范圍內(nèi)可見光的顏色，葉片色素光譜特征決定了葉片顏色，葉綠素使得葉片呈現(xiàn)綠色[2]，而葉色的濃淡可反映出葉片葉綠素比例和含量，因此，能夠利用葉片可見光波段的光譜特征估算其葉綠素含量。

植物葉綠素含量與其可見光波段反射率密切相關(guān)，含量越高其反射率越低，但相關(guān)程度隨不同植物而變化[3]。王輝等[4]發(fā)現(xiàn)R710和R530是估測甜菜SAPD值的最佳波段，張永賀等[5]利用R690和R530建立了桉樹葉片葉綠素估算模型，結(jié)果表現(xiàn)較好?？梢?，高光譜儀在植物葉綠素含量監(jiān)測方面有著極為重要的作用。隨著成像高光譜儀不斷發(fā)展，關(guān)于植物葉片葉綠素分布的研究已成為熱點。趙雅茹等[6]利用成像光譜儀對南瓜葉片SPAD進行了可視化研究，較好地識別了南瓜葉片霜霉病。鄒小波等[7]發(fā)現(xiàn)高光譜圖像可以有效地測定葉綠素分布狀況。近年來，部分學(xué)者針對數(shù)碼相機使用廣泛、價格低廉等特點，展開了基于數(shù)碼影像的植物葉綠素監(jiān)測研究。王克如等[8]利用棉花葉片顏色參數(shù)預(yù)測葉片葉綠素含量，預(yù)測結(jié)果精度較高，王方永等[9]認(rèn)為R-B參數(shù)能夠有效地預(yù)測棉花葉片葉綠素含量。以上研究表明，用光譜儀和數(shù)碼相機監(jiān)測葉片葉綠素是可行的，并且借助圖像處理軟件可以實現(xiàn)葉綠素的可視化。

本文利用數(shù)碼相機和便攜式地物光譜儀兩種不同傳感器，以不同葉色的香樟樹葉片作為研究對象，綜合分析了顏色參數(shù)和光譜指數(shù)與葉片SPAD值的定量關(guān)系，比較了顏色參數(shù)和光譜指數(shù)所建預(yù)測模型對SPAD值的預(yù)測能力，同時，借助圖像處理軟件，實現(xiàn)了基于數(shù)碼影像的香樟樹葉片SPAD值分布的可視化，以期為利用數(shù)碼相機快速、無損地監(jiān)測香樟樹葉片葉綠素分布提供科學(xué)依據(jù)。

1 材料與方法

1.1 樣品準(zhǔn)備

本研究選取安徽省滁州市瑯琊山森林公園中4a生人工種植的香樟樹林為實驗對象。于2016年10月17日采集實驗樣品香樟樹葉片，樣本分別從40棵香樟樹隨機采集獲取，共400個葉片樣本，將其中300個樣本用于預(yù)測模型建立，另外100個樣本作為獨立檢驗樣本。樣本采集后置入保鮮箱，并于30min之內(nèi)送回實驗室進行數(shù)據(jù)采集。

1.2 數(shù)據(jù)采集

1.2.1 光譜數(shù)據(jù)采集 為消除光照不均勻和暗電流的影響，使用標(biāo)準(zhǔn)白板在測量前進行圖像校正，并將采集的香樟樹葉片表面清洗干凈后進行數(shù)據(jù)采集，光譜數(shù)據(jù)采集使用美國ASD公司的FieldSpec 4便攜式地物光譜儀，取樣光譜范圍為350～800nm，采樣間隔為2nm，光譜分辨率為3nm，視場角為25°。選擇室內(nèi)暗箱采集方式，光譜儀探頭距葉片6cm，使用20W鹵素?zé)糇鳛楣庠?，天頂?0°，方位角0°，樣本平鋪于近似全吸收的黑色橡膠上，在避開葉脈的前提下，每個樣本測定3次數(shù)據(jù)，求其平均作為葉片該處光譜反射值。

1.2.2 數(shù)碼影像采集與處理 借鑒前人研究經(jīng)驗[9]，利用數(shù)碼影像采集暗箱進行葉片影像采集，采集時將數(shù)碼相機(Olympus E-PL8 14-42mm II R)安放在暗箱頂部中心圓孔處，相機鏡頭與葉片保持垂直，距離約50cm，相機采用近拍模式，且有自動白平衡和閃光燈關(guān)閉設(shè)置。圖像最大分辨率為4608×3456，以JPEG格式傳輸至計算機。利用圖像處理軟件分割出香樟樹葉片后，使用MATLAB R2014b軟件提取葉片所有像素的R、G、B值作為其顏色信息[8]。

1.3 葉綠素測定

傳統(tǒng)的化學(xué)分析法測定的葉綠素含量是整個葉片的平均含量值，葉綠素在葉片不同位置的分布差異較大，因此使用SPAD-502測定葉片光譜，采集葉片同一位置的SPAD值替代葉綠素真實值。為保證數(shù)據(jù)準(zhǔn)確性，相同位置測定3次葉綠素含量數(shù)據(jù)，最后取平均值，葉綠素含量數(shù)據(jù)統(tǒng)計見表1。

表1 香樟樹葉片葉綠素含量描述統(tǒng)計表

1.4 數(shù)據(jù)分析

利用Excel軟件分析原始光譜以及所有兩波段組合的歸一化差值(式1)、差值(式2)和比值(式3)光譜指數(shù)與SPAD值的相關(guān)性，篩選出較高相關(guān)性的特征波段和光譜指數(shù)，建立葉綠素含量預(yù)測模型，通過擬合決定系數(shù)(R2)和標(biāo)準(zhǔn)誤差(SE)確定最佳模型。利用100個獨立檢驗數(shù)據(jù)對最優(yōu)模型進行測試，采用相對誤差RE%和均方根誤差RMSE綜合評定估測模型擬合效果。

ND(Rλ1,Rλ2)=(Rλ1-Rλ2)/(Rλ1+λ2)

(1)

DI(Rλ1,Rλ2)=Rλ1-Rλ2

(2)

RI(Rλ1,Rλ2)=Rλ1/Rλ2

(3)

2 結(jié)果與分析

2.1 葉綠素與葉片光譜特征相關(guān)性分析

植被反射率光譜曲線形狀在可見光區(qū)域與葉綠素含量密切相關(guān)，具有明顯的雙峰雙谷特點[10]。圖1表明，不同葉綠素含量的香樟樹葉片，其原始光譜曲線形狀的變化趨勢基本一致，葉綠素在綠光波段(500～600nm)形成一個反射峰，在其左右兩側(cè)，即藍光波段(380～500nm)和紅光波段(600～700nm)存在兩個葉綠素吸收帶，光譜反射率較低；在紅邊區(qū)(700～760nm)內(nèi)光譜反射率迅速增長。由此可見，植物可見光光譜反射率變化對應(yīng)葉綠素和葉片顏色的變化。

對香樟樹葉片葉綠素和葉片可見光區(qū)域波段反射率進行相關(guān)分析，如圖2所示。由圖可知，在500～750nm波段區(qū)間存在較高的負(fù)相關(guān)性，即葉綠素含量越高，其波段反射率越低，其中560nm和紅邊700nm處附近的反射率和葉綠素相關(guān)水平最高，而藍光波段400nm左右的相關(guān)性最低。

數(shù)碼相機采集的數(shù)字影像使用RGB顏色模型進行色彩存儲與表達，并通過對紅、綠、藍3個光譜寬波段(紅光波段中心波長為700nm，綠光波段中心波長為546.1nm，藍光波段中心波長為435.8nm)的反射光強的量化。實驗結(jié)果表明，紅光波段的反射光強(R值)與香樟樹葉片葉綠素SPAD值之間的相關(guān)水平最高，為負(fù)相關(guān)，相關(guān)系數(shù)為-0.65，且呈現(xiàn)指數(shù)函數(shù)關(guān)系；而綠光和藍光波段與SPAD值之間的相關(guān)性水平較差，其中藍光波段的相關(guān)性最差(r=0.38)，綠光波段的相關(guān)水平較低(r=0.62)，表明SPAD值與數(shù)字影像的R值以及高光譜影像的紅光波段(600-720nm)光強反射率的相關(guān)性具有一致性(圖2)。

圖1 香樟樹葉片反射率曲線圖 圖2 香樟樹葉片葉片反射率與SPAD值相關(guān)圖

2.2 光譜指數(shù)和SPAD值的定量關(guān)系

借助MATLAB軟件，基于多種模型分析了葉綠素與上述三種光譜指數(shù)的相關(guān)性，并生成相關(guān)系數(shù)等勢圖，結(jié)果表明，指數(shù)模型描述葉綠素和光譜指數(shù)的效果最好。圖3顯示，計算后的光譜指數(shù)比原始光譜與葉綠素含量的相關(guān)性水平較高，其中，差值指數(shù)表現(xiàn)效果最好，而歸一化指數(shù)和比值指數(shù)效果次之，且較為一致，總體上顯示SPAD值與藍光波段或綠光波段與紅光波段組合的光譜指數(shù)相關(guān)性水平較高。其中，630～650nm和370～400nm的波段組合與差值指數(shù)相關(guān)性水平最高，而歸一化差值指數(shù)和差值指數(shù)的表現(xiàn)基本一致，二者均與720～740nm和540～560nm的波段組合相關(guān)性較好。

a、差值指數(shù) b、歸一化差值 c、比值指數(shù)

圖3 香樟樹葉片SPAD值與光譜指數(shù)相關(guān)關(guān)系

借助SPSS軟件，對各特征波段組合的差值、歸一化差值和比值光譜指數(shù)與葉片SPAD值，采用多種模型進行擬合，并計算各模型的擬合決定系數(shù)(R2)和估計標(biāo)準(zhǔn)誤差(SE)。由表2可知，紅光和藍光波段是組合光譜指數(shù)的最佳波段，這與王克如關(guān)于葉色變化和葉綠素最不敏感和最敏感的波段分別位于藍光和紅光區(qū)域的研究一致[8]，可見二者組合的光譜指數(shù)在反映葉片葉綠素含量方面具有較好的效果。在模型擬合效果上，差值指數(shù)(DI)是描述SPAD的最佳回歸指數(shù)，差值指數(shù)(DI)與SPAD二者擬合的線性方程擬合程度最高，且標(biāo)準(zhǔn)誤較小。

表2 香樟樹葉片SPAD值(y)與光譜指數(shù)(x)的定量關(guān)系

采用上述相同方法，對數(shù)碼影像中的紅光、綠光和藍光三波段的差值、歸一化差值和比值光譜指數(shù)與SPAD值的相關(guān)性進行分析，構(gòu)建不同的擬合模型，并從中挑選出最佳模型(表2)。由表2可以看出，紅光和藍光波段組合的3種光譜指數(shù)與葉片SPAD值的相關(guān)水平較好，其中，差值指數(shù)(R-B)與SPAD二者擬合的線性方程擬合程度最高，且標(biāo)準(zhǔn)誤較小。對比兩種不同傳感器擬合效果，可以發(fā)現(xiàn)，利用數(shù)碼影像三波段組合的3種光譜指數(shù)具有一定的擬合效果，但整體上均低于FieldSpec 4的光譜指數(shù)。

2.3 預(yù)測模型檢驗

利用100個獨立檢驗樣本，采用相對均方根誤差(RRMSE%)和均方根誤差(RMSE)評價指標(biāo)，對上述篩選出的最優(yōu)光譜指數(shù)及模型進行模型預(yù)測性檢驗，確定最優(yōu)回歸模型(表3)。實驗結(jié)果表明：經(jīng)篩選后的兩種模型其實測值和預(yù)測值均通過了顯著性水平檢驗(P<0.05)。其中，基于FieldSpec 4傳感器的高光譜數(shù)據(jù)DI構(gòu)建的香樟樹葉片SPAD值預(yù)測模型，其RMSE為2.3002， R2為0.7338，預(yù)測精度較高，且誤差較小；而基于數(shù)碼影像數(shù)據(jù)的R-B構(gòu)建的模型RMSE為3.9736，R2為0.6197，預(yù)測精度較低、誤差較大，總體預(yù)測效果相對較差。實驗結(jié)果表明，基于數(shù)碼相機和地物光譜儀2種不同傳感器所構(gòu)建的光譜指數(shù)預(yù)測模型，在一定程度上均能對香樟樹葉片葉綠素含量進行有效預(yù)測；同時，基于FieldSpec 4高光譜儀的模型預(yù)測能力穩(wěn)定性較強，并且預(yù)測效果相對強于基于數(shù)碼影像數(shù)據(jù)構(gòu)建的預(yù)測模型。

表3 葉片光譜指數(shù)對香樟樹葉片葉綠素含量的預(yù)測性

注：顯著性水平p<0.05

2.4 香樟樹葉片SPAD可視化

圖4 香樟樹葉片SPAD可視化分布

隨機選取一個葉片樣本，利用Arcmap10.1軟件中的Fishnet工具，將數(shù)碼相機采集的香樟樹葉片影像劃分成39×78的網(wǎng)格(去除非葉片部分，共2061個網(wǎng)格)，基于網(wǎng)格對提取的葉片數(shù)碼影像所有像素的R、G、B值求取平均值，作為葉片最終的顏色參數(shù)，結(jié)合上述基于數(shù)碼影像構(gòu)建的最佳預(yù)測模型，計算出葉片各網(wǎng)格的SPAD值，最終生成香樟樹葉片SPAD含量的可視化分布圖(圖4)。

由圖4可以看出，葉片SPAD的預(yù)測范圍在25.0～45.5之間，其中，除40.1～45.5的SPAD值分布較少以外，其余三類分布范圍較大，且較分散，結(jié)合葉片數(shù)碼影像對比分析，造成分布不均勻的原因可能是葉片病蟲害所致。圖4右側(cè)還可以看到葉脈分布對SPAD值高低和分布的影響(葉脈中心SPAD值低于旁邊葉肉SPAD值)。另外，葉片邊緣存在少部分SPAD較高的區(qū)域，這與實際情況相差較大，其主要原因可能是采集影像時光線反射不均勻。

3 討論

葉綠素是植物葉片中重要的組成部分，是光合作用的主要參與者。快速、無損地測定葉片葉綠素的分布狀況，對掌握植物生長發(fā)育實時狀況，科學(xué)種植和管理，提高作物產(chǎn)量和質(zhì)量具有重要意義。本文分別使用數(shù)碼相機和地物光譜儀，從特征波段、光譜指數(shù)、顏色參數(shù)以及預(yù)測性方面比較了二者的優(yōu)劣性，分析了兩種不同傳感器對香樟樹葉片葉綠素預(yù)測的可行性和準(zhǔn)確性，并且借助圖像處理軟件，研究了基于數(shù)碼影像預(yù)測模型的葉片SPAD可視化分布狀況，使結(jié)果表達形式多樣化。

地物光譜儀作為目前普遍使用的高光譜數(shù)據(jù)采集儀器，其適用性和有效性均較強。在本研究中根據(jù)地物光譜儀采集的葉片高光譜數(shù)據(jù)建模和預(yù)測效果，紅邊波段(720nm附近)和SPAD相關(guān)水平最高，說明基于紅邊的研究仍然是研究葉綠素和高光譜信息關(guān)系的主要內(nèi)容。

數(shù)碼相機作為目前使用最為普遍的可見光傳感器，具有成本低、應(yīng)用廣泛等特點。本文從光譜反射率角度，將數(shù)碼影像的R、G、B值認(rèn)為是紅、綠、藍3個光譜寬波段反射光強的量化，通過組合光譜指數(shù)確定與SPAD的最佳預(yù)測模型，而并沒有與HIS顏色模型結(jié)合分析，忽視了飽和度等與葉片葉綠素的關(guān)系。但是基于數(shù)碼影像R-B和SPAD建立的預(yù)測模型，仍然具有較好的預(yù)測效果和準(zhǔn)確度，并且，借助圖像處理軟件實現(xiàn)了香樟樹葉片葉綠素含量可視化分布監(jiān)測，拓展了植物葉綠素監(jiān)測的表達形式，這表明利用數(shù)碼相機監(jiān)測香樟樹葉片葉綠素含量的說法具有可行性和有效性。

本研究的實驗樣本超過400個，其中300個用于建模，100個進行模型驗證，較為真實地反映了光譜信息與葉綠素含量之間的關(guān)系。但是由于數(shù)據(jù)采集時光線不均勻等原因，造成預(yù)測值與實際值存在部分差異，影響了最終香樟樹葉片SPAD分布的結(jié)果，因此，在下一步研究中將避免這些誤差，并對預(yù)測模型進行相關(guān)校正以期提高預(yù)測精度。雖然地物光譜儀測定葉綠素準(zhǔn)確度更高，但高成本是其應(yīng)用和推廣的瓶頸；而普通數(shù)碼相機雖準(zhǔn)確度相對較低，但憑借其廉價、使用方便等優(yōu)點，在葉片葉綠素含量監(jiān)測方面具有更好的推廣和應(yīng)用性。

[1] 張金恒，王 珂，王人潮.高光譜評價植被葉綠素含量的研究進展[J].上海交通大學(xué)學(xué)報(農(nóng)業(yè)科學(xué)版)，2003,21(1):74-80.

[2] Buscaglia H J,Varco J J.Early detection of cotton leaf nitrogen status using leaf reflectance [J].Plant Nutr,2002,25: 2067-2080.

[3] 張 文，陳 功，付 薇.施肥水平對草坪葉綠素含量及反射光譜的影響[J].農(nóng)技服務(wù)，2015(9):188-189.

[4] 王 輝，田海清，李 哲，等.基于高光譜的甜菜SPAD值估算研究[J].農(nóng)機化研究，2016(5): 176-180.

[5] 張永賀，陳文惠，郭喬影，等.桉樹葉片光合色素含量高光譜估算模型[J].生態(tài)學(xué)報，2013,33(3): 0876-0887.

[6] 趙艷茹，余克強，李曉麗，等.基于高光譜成像的南瓜葉片葉綠素分布可視化研究[J].光譜學(xué)與光譜分析，2014,34(5):1378-1382.

[7] 鄒小波，張小磊，石吉勇，等.基于高光譜圖像的黃瓜葉片葉綠素含量分布檢測[J].農(nóng)業(yè)工程學(xué)報，2014,30(13):169-175.

[8] 王克如，李少昆，王崇桃，等.用機器視覺技術(shù)獲取棉花葉片葉綠素濃度[J].作物學(xué)報，2006,32(1):34-40.

[9] 王方永，王克如，李少昆，等.利用數(shù)碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J].作物學(xué)報，2010,36(11):1981-1989.

[10] 尹占娥.現(xiàn)代遙感導(dǎo)論[M].北京：科學(xué)出版社，2008.

(編輯：嚴(yán)佩峰)

Research on Chlorophyll Distribution Visualization of Camphor-tree Leaves Based on Digital Imaging

HU Yang,ZHU Jiao-jiao

(Geography Information and Tourism College,Chuzhou University,Chuzhou 239000,China)

Chlorophyll content is an important indicator of plant growth.This study was to realize the SPAD of visualization and the distribution of the chlorophyll content between color parameters,spectrum and SPAD which depended on multiple quantitative prediction models and image processing software.Comparison and analysis for the fast and nondestructive determination estimation of color parameters,spectrum contents and SPAD were completed through using digital camera and FieldSpec 4 portable ground object spectrometer.Results show that the red wavelength region and the far-red wavelength region at 720 nm are the most sensitive bands for the SPAD of the digital camera and spectrometer.The spectral index can improve the correlation between the spectra and SPAD and the highest level of correlation is the difference in combination of red and blue wavelengths index (R-B and DI).R-B built camphor leaf SPAD prediction model of RMSE is 3.9736,accuracy R2of 0.6197,and DI model on SPAD of predictive ability is higher than R-B,the RMSE is 2.002,and the highest accuracy is (R2=0.7338).To some extent,using camphor leaf SPAD distribution based on digital imaging can effectively describe the leaves chlorophyll,distribution and then judge the growth of the camphor tree.So,the color parameters of the digital camera can monitor the chlorophyll content and distribution of camphor tree leaves.

camphor-tree leaves;SPAD;color parameter;spectral index;visualization

2017-04-07

國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201610377016)；安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201610377039)；滁州學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目資助(2016CXXL045)。

胡 陽(1995—)，男，安徽池州人，本科，研究方向：林業(yè)遙感.

S792.23

A

2095-8978(2017)03-0090-05