基于高光譜蘋果品種葉片鐵含量估測(cè)模型

劉玉霞，王振錫，李 園，丁 雅，瞿余紅，董 淼

(新疆農(nóng)業(yè)大學(xué)林學(xué)與園藝學(xué)院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室，烏魯木齊 830052)

0 引 言

【研究意義】鐵(Fe)元素是植物正常生命活動(dòng)所必需的微量元素之一[1]，是植物細(xì)胞中轉(zhuǎn)運(yùn)蛋白的重要輔助因子[2]。缺Fe會(huì)抑制植被葉綠體中光合電子鏈傳遞，影響植物光合作用[3]。Fe元素與其它元素之間比例失調(diào)還會(huì)引起果樹(shù)葉片失綠，新生幼嫩葉片變?yōu)辄S綠色，進(jìn)而變白，嚴(yán)重的將導(dǎo)致頂端枯死[4]。另外，低產(chǎn)果園樹(shù)體葉片大多出現(xiàn)缺Fe癥狀，表明果樹(shù)產(chǎn)量與葉片F(xiàn)e元素含量之間具有較強(qiáng)的正相關(guān)關(guān)系[5]。傳統(tǒng)果樹(shù)樹(shù)體營(yíng)養(yǎng)盈虧?rùn)z測(cè)均通過(guò)實(shí)地采樣和室內(nèi)化學(xué)分析來(lái)實(shí)現(xiàn)，所得結(jié)果比較精確，但費(fèi)時(shí)耗力、有破壞性和時(shí)效性差的缺陷[6]，僅能反映局部區(qū)域和短時(shí)間內(nèi)的元素含量變化，不適用于大面積果樹(shù)種植區(qū)的樹(shù)體營(yíng)養(yǎng)虧缺監(jiān)測(cè)。近年來(lái)，隨著遙感技術(shù)的快速發(fā)展，光譜分析技術(shù)能夠彌補(bǔ)傳統(tǒng)檢測(cè)方法缺乏空間廣泛性和時(shí)間連續(xù)性[7]的不足，能夠快捷、高效、無(wú)損的監(jiān)測(cè)作物生化組分含量的變化[8]。以新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)蘋果品種巖富10號(hào)為研究對(duì)象，該品種果大、色豐、風(fēng)味佳，其分布區(qū)僅限于阿克蘇市紅旗坡周邊區(qū)域。將光譜分析技術(shù)應(yīng)用于果樹(shù)葉片營(yíng)養(yǎng)元素含量估測(cè)，可以有效提高果樹(shù)營(yíng)養(yǎng)監(jiān)測(cè)效率，對(duì)于果樹(shù)營(yíng)養(yǎng)盈虧診斷、生長(zhǎng)狀態(tài)監(jiān)測(cè)發(fā)揮著重要作用[9]?！厩叭搜芯窟M(jìn)展】目前，國(guó)內(nèi)外利用高光譜技術(shù)估測(cè)植物營(yíng)養(yǎng)元素含量的研究對(duì)象主要集中在小麥(Triticumaestivum)[10-12]、玉米(Zeamays)[13-15]、水稻(Oryzasativa)[16-18]等農(nóng)作物，而在果樹(shù)方面植物營(yíng)養(yǎng)元素含量光譜估測(cè)在氮(N)、磷(P)、鉀(K)方面研究相對(duì)較多，微量元素較少。朱西存[19]、李丙智[20]、房賢一[21]等均基于光譜分析技術(shù)構(gòu)建了蘋果大量元素含量的線性模型，模型的估測(cè)效果都具有較高的精確度，R2均大于0.6。在敏感波段選擇方面，陳志強(qiáng)等[22]對(duì)蘋果(Maluspumila)花硼(B)含量開(kāi)展了光譜反演，發(fā)現(xiàn)蘋果花的一階微分光譜與B素含量極顯著負(fù)相關(guān)；Danghtry[23]和張瑤等[24]認(rèn)為與單一波段光譜參數(shù)相比，不同波長(zhǎng)組合的光譜組合能夠提高其與植被營(yíng)養(yǎng)元素含量的相關(guān)關(guān)系?！颈狙芯壳腥朦c(diǎn)】在植被Fe元素含量估測(cè)中，輪臺(tái)白杏葉片F(xiàn)e元素濃度與光譜反射率一階微分的相關(guān)系數(shù)達(dá)到了0.852 4[25-26]。巖富10號(hào)葉片F(xiàn)e元素含量與四點(diǎn)差分的一階微分光譜也表現(xiàn)出很好的相關(guān)性[27]。利用一階微分變換、光譜組合、偏最小二乘法(partial least squares，PLS)開(kāi)展巖富10號(hào)葉片F(xiàn)e元素含量的光譜估測(cè)?！緮M解決的關(guān)鍵問(wèn)題】蘋果品種巖富10號(hào)葉片8月光譜反射率特征與葉片F(xiàn)e元素含量的相關(guān)關(guān)系，構(gòu)建葉片F(xiàn)e元素含量的光譜估測(cè)模型，為基于高光譜的新疆林果產(chǎn)業(yè)大規(guī)模營(yíng)養(yǎng)診斷提供技術(shù)支撐。

1 材料與方法

1.1 材 料

試驗(yàn)于2016年8月在新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)進(jìn)行。研究區(qū)坐落于新疆塔里木盆地北緣，橫居天山山脈南麓中段(地理坐標(biāo)N41°17′56.42″～N41°18′56.16″、E80°20′23″～E80°20′56.16″)，海拔1 215 m。屬于暖溫帶大陸性干旱氣候，降雨量少，晝夜溫差大，全年無(wú)霜期達(dá)到169～247 d。全年日照居全國(guó)第二，平均每天達(dá)到8～11 h，年太陽(yáng)總輻射量為5 340～6 220 MJ/m2，光熱資源十分豐富，是蘋果種植的典型地區(qū)。在研究區(qū)隨機(jī)選取8個(gè)處于盛果期(7～8 a生)的蘋果種植園，每個(gè)園內(nèi)典型選取8棵樣株，分別在每棵樣株的陰面、中部、陽(yáng)面3個(gè)方向上進(jìn)行葉片采集，在每個(gè)采集部位重復(fù)取3片蘋果葉片作為光譜測(cè)定的樣本，共選取樣株64株，樣本點(diǎn)共計(jì)192個(gè)。將采集的新鮮葉片放入密封袋迅速帶回實(shí)驗(yàn)室，避開(kāi)主葉脈，采用主動(dòng)光譜在葉片的三個(gè)代表性部位(葉基、葉中、葉底)分別測(cè)定光譜反射率，并對(duì)每個(gè)樣本點(diǎn)測(cè)定葉片F(xiàn)e元素含量。

1.2 方 法

1.2.1 葉片光譜測(cè)定

葉片光譜反射率的測(cè)定采用美國(guó)Analytical Spectral Device(ASD)公司生產(chǎn)的便攜式野外地物光譜儀Field Spec4。它能夠捕獲可見(jiàn)光和近紅外光譜(visible and near-infrared)，其光譜波段范圍為350～2 500 nm，視場(chǎng)角為1～25°。光譜輸出時(shí)，儀器自動(dòng)進(jìn)行重采樣，重采樣間隔為1 nm，共輸出2 151個(gè)波段數(shù)。為了保證葉片光譜數(shù)據(jù)與葉片營(yíng)養(yǎng)元素含量測(cè)定的一致性，將葉片用脫脂棉擦拭干凈后，避開(kāi)葉脈，在葉基、葉中、葉底三個(gè)部位進(jìn)行光譜反射率采集，光譜測(cè)定前要注意標(biāo)準(zhǔn)白板校正，白板校正界面呈現(xiàn)一條反射率數(shù)值為1.00的平直線即可，每10 min進(jìn)行一次優(yōu)化，避免樣本所處的照明條件以及環(huán)境條件不同影響數(shù)據(jù)質(zhì)量。

1.2.2 葉片F(xiàn)e含量測(cè)定

將光譜測(cè)定后的葉片去除主葉脈，80℃ 下烘干，粉碎，采取HNO3-HCLO4消煮，靜置過(guò)夜，通過(guò)滴定、過(guò)濾，得到葉片F(xiàn)e元素含量待測(cè)液。采用AA-670型原子吸收光譜儀進(jìn)行葉片F(xiàn)e元素含量測(cè)定。測(cè)定公式為

Fe =P×V/M.

(1)

其中P為顯色液Fe的質(zhì)量濃度(mg/mL)，V為顯色液體積(mL)，M為干樣品質(zhì)量。

1.3 數(shù)據(jù)處理

1.3.1 光譜數(shù)據(jù)

觀察光譜曲線，利用View SpecPro軟件對(duì)獲取的葉片原始光譜反射率進(jìn)行異常值剔除，將篩選出的六組光譜數(shù)據(jù)求均值，將光譜數(shù)據(jù)轉(zhuǎn)化為文本(txt)數(shù)據(jù)，在Excel中采用五點(diǎn)加權(quán)法平滑數(shù)據(jù)。原始光譜數(shù)據(jù)經(jīng)微分處理能夠在一定程度上增強(qiáng)光譜數(shù)據(jù)與反演參量的相關(guān)關(guān)系，一階微分光譜在一定程度上能夠消除部分線性噪聲光譜對(duì)目標(biāo)光譜的影響剔除異常光譜。該文采用一階微分、倒數(shù)、對(duì)數(shù)、歸一化、倒數(shù)一階、對(duì)數(shù)一階、歸一化一階7種光譜微分變換，分析各數(shù)據(jù)變換與葉片F(xiàn)e元素含量之間的相關(guān)關(guān)系，并以加減乘除的運(yùn)算方法，構(gòu)建敏感波段間的光譜組合，尋找增強(qiáng)巖富10號(hào)葉片光譜與Fe元素含量間相關(guān)關(guān)系和模型精度最佳的敏感波段組合。

1.3.2 模型構(gòu)建與精度檢驗(yàn)

使用Excel開(kāi)展蘋果葉片光譜與鐵素含量的相關(guān)分析在SPSS下進(jìn)行逐步回歸分析(stepwise regression，SR)和偏最小二乘法建模。研究共保留樣本130個(gè)(隨機(jī)選取建模樣本100個(gè)，檢驗(yàn)樣本30個(gè))，采用決定系數(shù)(R2)均方根誤差(RMSE)、相對(duì)誤差(RE)評(píng)價(jià)模型的精度。

(2)

RE=△/L×100%.

(3)

2 結(jié)果與分析

2.1 葉片光譜特征

由光譜反射率數(shù)據(jù)繪制的巖富10號(hào)葉片平均光譜曲線可見(jiàn)，巖富10號(hào)葉片平均光譜反射率變化特征基本符合綠色植被的光譜曲線變化規(guī)律，在可見(jiàn)光范圍內(nèi)反射率較在550 nm處出現(xiàn)綠峰，在其兩側(cè)480(藍(lán)谷)和680 nm(紅谷)有兩個(gè)明顯的吸谷。這是由于光合作用過(guò)程中，葉片葉綠素對(duì)藍(lán)光和紅光吸收強(qiáng)烈，對(duì)綠光吸收較弱所致。葉片多重反射作用，在近紅外波段700～1 350 nm反射率急劇增加，形成明顯抬升，這一區(qū)域光譜反射率較高且波動(dòng)較小，并在1 086 nm處出現(xiàn)峰值。受到葉片含水量影響，致使吸收率升高，中紅外波段1 350～2 500 nm光譜反射率整體低于近紅外波段區(qū)間，并在1 450、1 945和2 500 nm處分別形成了明顯的吸收谷。圖1

圖1 巖富10號(hào)葉片原始光譜反射率

Fig.1 The foliar original spectral reflectance of Malus domestica Borkh. cv. Yan Fu No.10

2.2 葉片光譜與Fe元素含量相關(guān)性

2.3 葉片光譜組合與Fe元素含量相關(guān)性

圖2 巖富10號(hào)葉片光譜反射率與Fe元素含量之間關(guān)系

Fig.2 The relationship between foliar different spectral reflectance and Fe concentration of Malus domestica Borkh. cv. Yan Fu No.10

表1 巖富10號(hào)葉片光譜組合與Fe元素含量相關(guān)性

Table 1 The correlation between Malus domestica Borkh. cv. Yan Fu No.10 foliar spectral combination and Fe concentration

光譜參數(shù)Spectral parameters相關(guān)系數(shù)Correlation光譜參數(shù)Spectral parameters相關(guān)系數(shù)CorrelationR′990+R′1 1130.683 2R′990-R′1 113-0.840 1R′990+R′1 4080.784 3R′990-R′1 408-0.829 4R′990+R′1 3600.775 0R′990-R′1 360-0.820 9R′1113+R′1 3600.810 3R′1 113-R′1 360-0.797 8R′1360+R′1 4080.819 9R′1 360-R′1 408-0.790 6R′1113+R′1 4080.837 8R′1 113-R′1 408-0.803 7R′990×R′1 1130.839 4R′990/R′1 1130.713 1R′990×R′1 4080.846 2R′990/R′1 4080.732 8R′990×R′1 3600.827 5R′990/R′1 3600.796 6R′1 113×R′1 3600.819 6R′1 113/R′1 360-0.776 2R′1 360×R′1 408-0.815 5R′1 360/R′1 408-0.709 1R′1 113×R′1 408-0.827 6R′1 113/R′1 408-0.789 3

2.4 葉片F(xiàn)e元素含量高光譜估測(cè)模型

表2 巖富10號(hào)葉片F(xiàn)e元素含量與光譜組合的PLS模型

Table 2 The PLS models between Malus domestica Borkh. cv. Yan Fu No.10 foliar spectral combination and Fe concentration

自變量(x)Independent variablesPLS模型PLS modelsPLS擬合度Fitting degree of PLSP值P-ValueSR模型擬合度Fitting degree of SR models1.x1、x2、x3、x4y=-2 758.936+3 869 810 838x1+6 621 309.764 x2-897 094.880 x3+9 821 631.994 x40.827 5??0.002 20.675 9??2.x1、x2、x3y=2 076.785-18 122 670.9 x1-2 221 331.181 x2+109 470.982 x30.812 4??0.008 20.628 2??3.x1、x2、x4y=-2 512.759 6+196 619 048.501 4 x1-620 949.073 4 x2-3 823.203 8 x40.815 8??0.005 40.628 1?4.x1、x3、x4y=-2 247.304 9+200 494 184.679 2 x1+108 678.635 3 x3-3 898.554 8 x40.805 6?0.021 30.623 0??5.x2、x3、x4y=-2 150.564 0-621 243.230 4 x2+106 628.591 4 x3-3 825.015 0 x40.816 8?0.034 20.669 8??6.x1、x2y =1 591.403+70 095 161.58 x1-2 092 462.002 x20.795 1?0.031 60.554 9?7.x1、x3y =1 726.732 9+286 603 664.586 6 x1+155 354.606 4 x30.767 6?0.013 40.572 5??8.x1、x4y=-2 338.500 2+411 040 891.457 8 x1-3 610.145 5 x40.756 5?0.04630.5218?9.x2、x3y=1 788.713 2-904 830.959 8 x2+155 302.860 4 x30.752 2?0.02540.5013?10.x2、x4y=1 245.129 6-1 752 406.124 1 x2-57.631 5 x40.732 6?0.037 20.521 5?11.x3、x4y=-3 916.234 1+160 620.373 6 x3-5 761.825 5 x40.731 2?0.032 60.554 1?12.x1y=1 180.752+557 419 339.9 x10.661 1??0.001 70.483 4?13.x2y=1 302.061-1 760 404.321 x20.627 3??0.002 90.479 3?14.x3y=974.306+9 827 763 244 x30.682 8??0.001 60.474 2?15.x4y=2 211.293+302 151.273 x40.685 4??0.004 30.465 6?

注：字母P表示線性回歸模型的顯著性，*為顯著，P<0.05；**為極顯著，P<0.01

Note：The letterPindicates the significance of linear regression models,*is significant,P<0.05;**is extremely significant;P<0.01

2.5 模型檢驗(yàn)

為了驗(yàn)證建立的估測(cè)模型的普適性，選取30個(gè)樣本的葉片光譜反射率值與Fe元素含量數(shù)據(jù)，對(duì)PLS法構(gòu)建的擬合效果較好的前四個(gè)回歸模型a(x1、x2、x3、x4)、b(x2、x3、x4)、c(x1、x2、x4)、d(x1、x2、x3)進(jìn)行檢驗(yàn)，得到實(shí)測(cè)值與估測(cè)值的比較圖，用擬合度(R2)、均方根誤差(RMSE)和相對(duì)誤差(RE)判斷估測(cè)模型的精度水平。圖3，表3

研究表明，在95%的置信區(qū)間下，自變量個(gè)數(shù)越多的模型，其檢驗(yàn)精度也越高。四個(gè)模型的決定系數(shù)均在0.7以上，RMSE都小于0.26，RE在7%左右，說(shuō)明各估測(cè)模型具有較強(qiáng)的穩(wěn)定性，估測(cè)值與實(shí)測(cè)值差異不大。其中，模型a(x1、x2、x3、x4)和b(x2、x3、x4)的檢驗(yàn)精度較高，驗(yàn)證模型決定系數(shù)(R2)都在0.85以上。模型a(x1、x2、x3、x4)的檢驗(yàn)系數(shù)R2最高，達(dá)到了0.884 4，而且RMSE和RE也較小，分別為0.157 7和6.1%，說(shuō)明模型的精度較高，因此，研究區(qū)巖富10號(hào)葉片鐵含量最優(yōu)估測(cè)模型為y=-1 316.898 5+148 111 106.119x1-467 754.547 7x2+80 284.188 4x3-2 879.980 1x4。表3

圖3 巖富10號(hào)葉片F(xiàn)e元素含量實(shí)測(cè)值與估測(cè)值之間關(guān)系

Fig.3 The relationship between measured value and estimated value of Malus domestica Borkh. cv. Yan Fu No.10 foliar Fe concentration

表3 估測(cè)模型及精度

Table 3 Estimating models and precision

估測(cè)模型Estimating Models決定系數(shù)Inspection coefficient (R2)均方根誤差RMSE相對(duì)誤差RE (%)a(x1、x2、x3、x4)0.884 40.157 76.10b(x2、x3、x4)0.867 30.250 68.50c(x1、x2、x4)0.814 10.176 46.70d(x1、x2、x3)0.781 60.158 16.20

3 討 論

在植被生化參量的光譜估測(cè)模型構(gòu)建過(guò)程中，經(jīng)常采用的建模方法有回歸分析法，BP神經(jīng)網(wǎng)絡(luò)法，支持向量機(jī)法等。近年來(lái)采用PLS法反演植被生化參量，取得了較好的擬合效果。王卓遠(yuǎn)[6]對(duì)蘋果葉片N素濃度進(jìn)行了光譜估算模型構(gòu)建，結(jié)果表明，基于4個(gè)自變量的PLS估測(cè)模型的精度均高于逐步回歸分析模型，估測(cè)模型擬合度為0.632 3[33]；潘蓓、田喜等[34-35]在建立蘋果、柑橘營(yíng)養(yǎng)元素濃度光譜反演模型時(shí)，柑橘葉片營(yíng)養(yǎng)元素含量的估測(cè)模型的檢驗(yàn)精度達(dá)到了在0.75。蘇藝等[36]分別采用PLS與BP神經(jīng)網(wǎng)絡(luò)構(gòu)建橡膠小苗葉片P素含量的光譜估測(cè)模型，發(fā)現(xiàn)PLS的模型擬合效果最佳，R2達(dá)到了0.931 7。研究采用PLS與SR構(gòu)建了研究區(qū)蘋果葉片F(xiàn)e元素含量的光譜估測(cè)模型，結(jié)果顯示PLS模型精度明顯高于SR模型，其中PLS模型R2最高為0.827 5，而SR模型僅達(dá)到0.675 9。這是由于PLS法能夠?qū)⒍嘣€性回歸分析、典型相關(guān)分析和主成分分析有機(jī)結(jié)合，可以有效提高自變量與因變量之間的相關(guān)關(guān)系，進(jìn)而提高了模型擬合精度。

4 結(jié) 論