基于高光譜的核桃葉片鐵元素含量反演模型研究

瞿余紅，王振錫，丁雅，劉玉霞，董淼，李園

(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)元素是形成葉綠素所必須的營(yíng)養(yǎng)元素[1]，在植物呼吸作用和代謝過(guò)程中發(fā)揮著重要的作用。當(dāng)植株缺鐵時(shí)，葉片呈黃綠色，嚴(yán)重時(shí)可由上而下枯死。鐵元素作為評(píng)價(jià)植物長(zhǎng)勢(shì)的重要指標(biāo)[2]，對(duì)植物的生長(zhǎng)發(fā)育起著決定性的作用。經(jīng)過(guò)近20年的規(guī)模發(fā)展，新疆林果產(chǎn)業(yè)進(jìn)入了提質(zhì)增效的階段，特色經(jīng)濟(jì)林產(chǎn)業(yè)已經(jīng)成為新疆農(nóng)村經(jīng)濟(jì)發(fā)展和農(nóng)民增收的主導(dǎo)產(chǎn)業(yè)[3]。阿克蘇地區(qū)屬于典型暖溫帶大陸性干旱氣候，年日照時(shí)數(shù)長(zhǎng)達(dá)2 670～3 022 h，晝夜溫差大，適宜核桃生長(zhǎng)，是新疆特色林果產(chǎn)業(yè)的核心產(chǎn)區(qū)。截至2015年，新疆南疆核桃(JuglansregiaL.)種植面積已達(dá)28×104hm2(420萬(wàn)畝)。依然存在栽培技術(shù)落后、缺乏科學(xué)施肥的問(wèn)題，果樹產(chǎn)量和品質(zhì)提升仍然有較大的空間，探索準(zhǔn)確、快捷、無(wú)損的核桃營(yíng)養(yǎng)元素監(jiān)測(cè)技術(shù)顯得尤為迫切。因此，實(shí)時(shí)、快捷、準(zhǔn)確的監(jiān)測(cè)果樹營(yíng)養(yǎng)元素含量，指導(dǎo)果農(nóng)對(duì)果樹進(jìn)行科學(xué)合理的施肥[4]，對(duì)保障區(qū)域林果業(yè)優(yōu)質(zhì)高效生產(chǎn)與可持續(xù)發(fā)展具有十分重要的現(xiàn)實(shí)意義[5]?！厩叭搜芯窟M(jìn)展】傳統(tǒng)葉片化學(xué)分析方法，對(duì)果樹營(yíng)養(yǎng)元素含量測(cè)定具有較高的檢測(cè)精度[6]，但這些分析普遍對(duì)土壤和植株具有一定的破壞性，且受高耗性、繁冗復(fù)雜性、時(shí)滯性等制約，很難對(duì)大范圍果樹進(jìn)行全面、快速的營(yíng)養(yǎng)診斷。近年來(lái)高光譜技術(shù)發(fā)展迅速，國(guó)內(nèi)外學(xué)者對(duì)玉米(Zeamays.)[7]、棉花(Gossypiumhirsutum)[8]、辣椒(Capsicumannuum)[9]、水稻(Oryzasativa)[10]、小麥(Triticumaestivum)[11]等作物進(jìn)行了大量的研究，發(fā)現(xiàn)作物的營(yíng)養(yǎng)狀況與其葉片光譜特征緊密相關(guān)[12]；在對(duì)蘋果[13](Maluspumila)、柑橘(Citrusreticulata)[14]、棗(Ziziphusjujuba)[15]等果樹光譜的研究上發(fā)現(xiàn)經(jīng)過(guò)二階微分、歸一化一階微分等預(yù)處理后的光譜與氮含量的相關(guān)系數(shù)有所提高；Yoder[16]認(rèn)為光譜反射率的一階導(dǎo)數(shù)與葉綠素含量建模精度最高。胡珍珠[17]利用篩選出的雙波段一階微分構(gòu)建的輪臺(tái)白杏(Armeniacavulgariscv.)葉片鐵濃度回歸模型取得了很好的擬合效果?！颈狙芯壳腥朦c(diǎn)】利用光譜分析技術(shù)監(jiān)測(cè)果樹營(yíng)養(yǎng)元素含量已成為當(dāng)前果樹營(yíng)養(yǎng)診斷的有效方法之一。當(dāng)前對(duì)果樹光譜的研究大多集中在大量元素上，普遍認(rèn)為一階微分光譜能夠明顯增強(qiáng)光譜與植物營(yíng)養(yǎng)元素含量的相關(guān)關(guān)系[18]，但對(duì)植物微量元素反演方面的研究相對(duì)較少。試驗(yàn)基于高光譜的核桃葉片鐵元素含量反演模型研究?！緮M解決的關(guān)鍵問(wèn)題】研究阿克蘇核桃不同觀測(cè)期葉片F(xiàn)e素含量的葉片光譜敏感波段篩選，建立具有普適性的光譜估算模型。為阿克蘇地區(qū)核桃微量元素快速無(wú)損估測(cè)提供技術(shù)途徑。

1 材料與方法

1.1 材 料

試驗(yàn)于2016年9月5日在新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)(41°14′39″N～41°16′18″N、80°15′46″E～80°18′51″E，海拔1 215 m)進(jìn)行。在試驗(yàn)區(qū)內(nèi)隨機(jī)選取8個(gè)生長(zhǎng)狀況良好的核桃生產(chǎn)園作為采樣區(qū)，在每個(gè)采樣區(qū)隨機(jī)選取8棵健康核桃作為樣株，分別在樣株的陰面、陽(yáng)面和中部三個(gè)位置方向上采摘3個(gè)葉片，每個(gè)方向作為一個(gè)采樣單元，共計(jì)192個(gè)采樣單元。為控制外界噪聲、光照以及水分流失等因素對(duì)葉片光譜造成干擾，將采摘后的葉片迅速裝入密封袋，帶回實(shí)驗(yàn)室進(jìn)行葉片光譜測(cè)定。

1.2 方 法

1.2.1 光譜測(cè)定

葉片光譜采用美國(guó)Analytical Spectral Device( ASD )公司生產(chǎn)的ASD FieldSpec4光譜儀進(jìn)行測(cè)定，該光譜儀波段范圍在350～2 500 nm，其中350～1 000 nm 光譜采樣間隔為1.4 nm，光譜分辨率3 nm；1 000～2 500 nm 光譜采樣間隔為2 nm，光譜分辨率為 10 nm。在光譜輸出時(shí)，儀器自動(dòng)進(jìn)行重采樣，每測(cè)量一次會(huì)獲得5條光譜，每次數(shù)據(jù)測(cè)定前均需進(jìn)行白板校正。測(cè)定過(guò)程中避開(kāi)葉脈，分別于主葉脈左右兩側(cè)中部位置各采集一次光譜，將每個(gè)采樣單元的30條光譜取平均值，即為當(dāng)前單元的最終光譜，共得192組樣本光譜數(shù)據(jù)。剔除部分奇異值后，剩余111組樣本光譜數(shù)據(jù)，運(yùn)用隨機(jī)分組法將其中2/3(即74組)作為建模樣本，剩余1/3(即37組)作為檢驗(yàn)樣本。

1.2.2 鐵元素含量測(cè)定

為確保葉片光譜與元素含量的一致性，對(duì)已進(jìn)行光譜測(cè)定的葉片置于60 ℃的烘箱內(nèi)烘干48 h。將每個(gè)采樣單元的3個(gè)葉片去除葉脈后粉碎、混勻，稱取0.170～0.180 g葉樣，用原子吸收光譜法進(jìn)行Fe素含量的測(cè)定。

1.3 數(shù)據(jù)處理

1.3.1 光譜數(shù)據(jù)轉(zhuǎn)換

原始光譜數(shù)據(jù)經(jīng)微分、對(duì)數(shù)和歸一化處理后，能夠在不同程度上提高光譜數(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或者接近線性的噪聲光譜對(duì)目標(biāo)光譜的影響[19]；二階微分則在消除背景信號(hào)上效果明顯[20-21]。在光譜微分分析中發(fā)現(xiàn)，隨階數(shù)的增加，相關(guān)系數(shù)呈現(xiàn)出先增加后減少的趨勢(shì)，且在階數(shù)為2時(shí)達(dá)到最大值[22]；對(duì)數(shù)變換不僅在減弱因光照條件變化而引起的乘性因素方面有重要影響，而且在提高可見(jiàn)光區(qū)域光譜差異方面也有顯著的效果[23]；歸一化在消除信號(hào)干擾方面有很大的作用。因此，為進(jìn)一步提高模型精度，采用一階微分、二階微分、對(duì)數(shù)、對(duì)數(shù)一階微分、對(duì)數(shù)二階微分、歸一化、歸一化一階微分等7種數(shù)據(jù)轉(zhuǎn)換形式，分析核桃葉片光譜與鐵元素含量間的相關(guān)關(guān)系和模型構(gòu)建。

1.3.2 數(shù)據(jù)分析與模型構(gòu)建

利用EXCEL分析葉片原始光譜、不同數(shù)據(jù)轉(zhuǎn)換后光譜與葉片F(xiàn)e素含量的相關(guān)關(guān)系，在SPSS系統(tǒng)下采用線性回歸和主成分分析回歸模型進(jìn)行估算模型構(gòu)建。模型精度檢驗(yàn)采用擬合度(R2)、均方根誤差(RMSE)、預(yù)測(cè)偏差比(RPD)[24]等指標(biāo)進(jìn)行評(píng)價(jià)。

(1)

(2)

2 結(jié)果與分析

2.1 核桃葉片光譜反射率特征

植物葉片的光譜曲線是葉片組成、表面與內(nèi)部結(jié)構(gòu)特征在光譜序列上的綜合響應(yīng)。根據(jù)實(shí)測(cè)光譜數(shù)據(jù)繪制核桃葉片平均光譜曲線圖。研究表明，核桃葉片光譜曲線符合健康綠色植物的反射波譜特征。在可見(jiàn)光波段(400～680 nm)內(nèi)，核桃葉片由于受葉綠素的影響，主要吸收紅光和藍(lán)光，在552 nm處出現(xiàn)一個(gè)強(qiáng)的反射峰，稱為“綠峰”，在665 nm處出現(xiàn)一個(gè)強(qiáng)的吸收谷，稱為“紅谷”。由于受到強(qiáng)散射作用，在680～760 nm光譜曲線急劇上升，形成“陡坡”，稱為“紅邊”；在近紅外波段(760～1 335 nm)內(nèi)，受葉片內(nèi)部細(xì)胞組織結(jié)構(gòu)的影響，對(duì)光的吸收相對(duì)薄弱，形成了一個(gè)高反射率平臺(tái)。在1 335～2 500 nm，受葉片含水量的影響，在1 440和1 930 nm附近形成兩個(gè)吸收谷。 圖1

2.2 不同數(shù)據(jù)轉(zhuǎn)換光譜反射率與鐵元素含量相關(guān)關(guān)系

將不同數(shù)據(jù)轉(zhuǎn)換光譜與Fe素含量相關(guān)關(guān)系繪制成圖。研究表明，數(shù)據(jù)轉(zhuǎn)換光譜與Fe素含量相關(guān)系數(shù)較原始光譜明顯提升，其中對(duì)數(shù)光譜和原始光譜相關(guān)系數(shù)曲線變化規(guī)律基本保持一致，均在可見(jiàn)光(410～742 nm)、近、中紅外(1 390～2 500 nm)表現(xiàn)呈正相關(guān)，在近紅外(742～1 390 nm)呈負(fù)相關(guān)；其余數(shù)據(jù)轉(zhuǎn)換光譜相關(guān)系數(shù)曲線則波動(dòng)較大。除原始光譜相關(guān)系數(shù)在0.791以外，其余光譜相關(guān)系數(shù)(R)均大于0.885，其中一階微分、二階微分、對(duì)數(shù)一階微分、對(duì)數(shù)二階微分和歸一化一階微分相關(guān)系數(shù)則達(dá)到在0.910以上。選擇相關(guān)系數(shù)較大的前三種數(shù)據(jù)轉(zhuǎn)換(二階微分、對(duì)數(shù)二階微分和歸一化一階微分)作為最佳的核桃葉片光譜數(shù)據(jù)轉(zhuǎn)換方式。將原始光譜相關(guān)系數(shù)絕對(duì)值大于0.750(697～720 nm)，二階微分(562、1 577、1 578、1 579、1 819、1 820和1 821 nm波長(zhǎng))、對(duì)數(shù)二階微分(725～730 nm、1 140 nm、1 141 nm、1 443 nm、1 444 nm、1 445 nm波長(zhǎng))和歸一化一階微分(1 417～1 421 nm、2 196 nm、2 212～2 219 nm波長(zhǎng))光譜相關(guān)系數(shù)絕對(duì)值大于0.915的波長(zhǎng)作為核桃葉片F(xiàn)e素含量的敏感波段。表1，圖2

圖1 核桃葉片光譜曲線
Fig.1 Spectral curve of Juglans regia L. leaf
表1 不同光譜數(shù)據(jù)與Fe素含量最大相關(guān)系數(shù)
Table 1 Maximum correlation coefficient between different spectral data and Fe content

數(shù)據(jù)轉(zhuǎn)換Data conversion 相關(guān)系數(shù)Correlation coefficient(R)數(shù)據(jù)轉(zhuǎn)換Data conversion 相關(guān)系數(shù)(R)Correlation coefficient(R)原始Original 0.791**對(duì)數(shù)一階微分Logarithmic first-order differential-0.914**一階微分First-order differential-0.910**對(duì)數(shù)二階微分Logarithmic second-order differential 0.921**二階微分Second-order differential-0.915**歸一化Normalization -0.885**對(duì)數(shù)Logarithm 0.892**歸一化一階微分Normalized first-order differential-0.919**

注：**在0.01水平上極顯著相關(guān)(P<0.01)：*在0.05水平上顯著相關(guān)(P<0.05)，下同

Note:**Significant(P≤0.01)，*Significant(P≤0.05).The same as below

注：A:一階微分與二階微分光譜；B:原始光譜與對(duì)數(shù)光譜； C:對(duì)數(shù)一階與對(duì)數(shù)二階光譜；D:歸一化與歸一化一階光譜

Note: A：First-order differential and second-order differential spectra; B:The original spectrum and the logarithmic spectrum; C:Logarithmic first order and logarithmic second order spectrum; D:Normalized and normalized first order spectra

圖2 不同數(shù)據(jù)轉(zhuǎn)換核桃葉片光譜與Fe含量相關(guān)關(guān)系曲線
Fig 2 Correlation curves between the spectrum of Juglans regia L.leaf and Fe content in different data conversion

2.3 基于光譜數(shù)據(jù)的鐵元素估算模型

2.3.1 線性回歸模型

以不同數(shù)據(jù)變換后篩選出的敏感波段為自變量，F(xiàn)e素含量為因變量，構(gòu)建Fe素含量的逐步回歸模型。研究表明，所有構(gòu)建模型擬合程度均較好，R2值在0.795～0.902，且二階微分、對(duì)數(shù)二階微分和歸一化一階微分光譜所建立的模型擬合度(R2)均高于原始光譜。其中以731 nm、1 141 nm、726 nm波長(zhǎng)為自變量構(gòu)建的對(duì)數(shù)二階微分光譜模型擬合效果最佳，R2值達(dá)到了0.902，比原始光譜擬合度提高了13.5%。歸一化一階、二階微分、原始光譜擬合度依次遞減，取值分別為0.896、0.871和0.795。表2

表2 不同光譜變量與葉片鐵元素含量的線性回歸模型
Table 2 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

數(shù)據(jù)轉(zhuǎn)換Data conversion建模波段Modeling band估測(cè)模型Estimation model擬合度Fitting degree(R2)原始Original705 nmy=-1 022.385+9 579.491 λ7050.795**二階微分Second-order differential562 nm、1 577 nm、1 820 nmy=-47.894-6 131 730.612 λ1 577-3 232 163.174 λ562-18 401 095.684 λ1 8200.871**對(duì)數(shù)二階微分Logarithmic second-order differential731 nm、1 141 nm、726 nmy=1 471.743-930 689.997 λ731+6 522 425.485 λ1 141+1 373 454.114 λ7260.902**歸一化一階微分Normalized first-order differential2 218 nm、1 414 nm、1 417 nm、1 421 nmy=554.881-817 043.092 λ2 218+4 333 219.844 λ1 414-2 370 279.404 λ1 417-1 801 704.104 λ1 4210.896**

2.3.2 主成分回歸模型

由于測(cè)得的核桃葉片光譜波段范圍較廣，僅通過(guò)提取某幾個(gè)波長(zhǎng)作為敏感波段構(gòu)建的模型難以全面、準(zhǔn)確地估測(cè)葉片F(xiàn)e素含量。而主成分回歸分析法(Principle component regression，PCR)在處理多指標(biāo)問(wèn)題方面效果比較顯著[25]，通過(guò)對(duì)篩選出的敏感波段進(jìn)行主成分分析，以新的主成分值為自變量，F(xiàn)e素含量為因變量，建立PCR模型。研究表明，所有構(gòu)建的模型擬合程度均較好，R2值在0.809～0.914。不同光譜變量建立的模型中，數(shù)據(jù)轉(zhuǎn)換光譜擬合度明顯高于原始光譜；且同一變量不同回歸方程建立的模型中，三次方程擬合度略高于線性方程。其中以對(duì)數(shù)二階光譜建立的PCR三次方程模型效果最好，R2值達(dá)到了0.927，比原始光譜擬合度提高了14.4%，二階微分、歸一化一階、原始光譜擬合度依次遞減，R2值分別為0.914、0.869和0.810。表3

表3 不同光譜變量與葉片鐵元素含量的主成分回歸模型
Table 3 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

數(shù)據(jù)轉(zhuǎn)換Data conversion估測(cè)模型Estimation model擬合度Fitting degree(R2)原始Originaly=536.363+185.392 PC10.809**y=543.119+191.487PC13-6.354 PC12-2.29 PC10.810**二階微分Second-order differentialy=536.363-194.415 PC10.890**y=535.819-59.048 PC13-5.374 PC12-123.671 PC10.914**對(duì)數(shù)二階微分Logarithmic second-order differentialy=536.363+196.191 PC10.906**y=558.648+113.024 PC13-31.514 PC12+71.519 PC10.927**歸一化一階微分Normalized first-order differentialy=536.363-192.031 PC10.868**y=533.252-183.241 PC13-2.396 PC12-5.584 PC10.869**

2.4 精度評(píng)價(jià)

為了檢驗(yàn)?zāi)Ｐ偷目煽啃裕謩e對(duì)原始、二階微分、對(duì)數(shù)二階微分、歸一化一階微分光譜構(gòu)建的線性回歸模型和主成分回歸建模的三次模型進(jìn)行精度檢驗(yàn)。一般而言，擬合度(R2)和預(yù)測(cè)偏差比(RPD)越大，均方根誤差(RMSE)越小，表示模型的預(yù)測(cè)效果越好。RMSE表征了實(shí)測(cè)值與預(yù)測(cè)值間的離散程度，但衡量其優(yōu)劣的標(biāo)準(zhǔn)仍因數(shù)量級(jí)的不同而有所區(qū)別。此外，RPD值在1.5～2.0，表示模型僅能粗略估測(cè)；在2.0～2.5，表示模型具有較好的預(yù)測(cè)能力；當(dāng)RPD > 2.5時(shí)，表示模型具有非常好的預(yù)測(cè)能力。

研究表明，兩種建模情況下，經(jīng)過(guò)數(shù)據(jù)轉(zhuǎn)換的光譜變量所建模型擬合度均在0.700以上，明顯優(yōu)于原始光譜建模。從建模方式上來(lái)看，PCR方法的擬合效果略優(yōu)于線性回歸法。以擬合度接近于1，RMSE接近0，RPD大于2的原則，對(duì)數(shù)二階微分光譜建立的主成分回歸模型擬合效果最好，R2達(dá)0.870，RMSE為0.304，RPO為2.39，顯示出較強(qiáng)的穩(wěn)定性與可靠性，可以作為研究區(qū)核桃葉片F(xiàn)e素含量估算的最佳模型。表4

表4 不同光譜變量的模型精度驗(yàn)證
Table 4 Model accuracy verification of different spectral variables

模型類型The type of model數(shù)據(jù)轉(zhuǎn)換方法Data conversion method擬合度(R2)Fitting degree(R2)RMSERPD線性回歸Linear regression 原始0.564**0.8260.88二階微分0.735**0.5131.42對(duì)數(shù)二階微分0.821**0.3092.36歸一化一階微分0.801**0.3521.89主成分回歸Principal component regression原始光譜0.642**1.6430.44二階微分0.805**0.6461.13對(duì)數(shù)二階微分0.870**0.3042.39歸一化一階微分0.810**0.8320.39

3 討 論

由于作物的生長(zhǎng)周期短、植株矮小便于操作，植被光譜營(yíng)養(yǎng)元素估算的研究多集中在農(nóng)作物方面，而在果樹上的研究較少，尤其是樹體微量元素的估算研究方面。以新疆南疆阿克蘇地區(qū)規(guī)模栽植的核桃為研究對(duì)象，探索了核桃葉片F(xiàn)e素含量估測(cè)方法，構(gòu)建核桃葉片F(xiàn)e素含量光譜估測(cè)模型，為南疆地區(qū)核桃微量元素快速、無(wú)損估測(cè)提供技術(shù)支撐。

核桃葉片光譜呈現(xiàn)出在可見(jiàn)光范圍內(nèi)變化較小，在近紅外范圍內(nèi)變動(dòng)較大的特征。這是因?yàn)樵诳梢?jiàn)光范圍內(nèi)主要受到的是來(lái)自植物體本身色素含量及色素比例差異的影響，而在近紅外范圍內(nèi)，植物本身組織結(jié)構(gòu)、水分含量以及外界的基線漂移、光源散射、高頻隨機(jī)噪聲則占主導(dǎo)作用。為了解決這些可能會(huì)對(duì)估測(cè)精度造成影響的因素，許多學(xué)者進(jìn)行了大量研究。Barnes[26]提出可用基線校正的方法解決光譜分析中圖譜漂移的現(xiàn)象，而較為常用的基線校正方法便是對(duì)光譜進(jìn)行一階微分、二階微分處理。研究表明，經(jīng)二階微分處理后的錦橙葉片光譜與P含量在526、681 nm時(shí)相關(guān)系數(shù)分別達(dá)到了0.819和-0.845[27]。祁瓊[28]利用一階微分光譜(395、490、516、2 238 nm)反演的苔草氮素營(yíng)養(yǎng)成分模型擬合度(R2)比原始光譜(700～740 nm)提高了4%。研究在前人研究的基礎(chǔ)上，結(jié)合核桃葉片光譜數(shù)據(jù)特征，采用7種數(shù)據(jù)轉(zhuǎn)換方法對(duì)核桃葉片原始光譜進(jìn)行預(yù)處理。結(jié)果表明，經(jīng)過(guò)數(shù)據(jù)轉(zhuǎn)換后的光譜與Fe素含量的相關(guān)系數(shù)明顯有所提升，且不同數(shù)據(jù)轉(zhuǎn)換形式對(duì)光譜的增強(qiáng)效果不同[29]，二階微分(562、1 577、1 820 nm)、對(duì)數(shù)二階微分(726、731、1 141 nm)和歸一化一階微分(1 414、1 417、2 218 nm)光譜構(gòu)建的Fe素含量模型具有較好的預(yù)測(cè)能力。分析可知，敏感波段主要分布在可見(jiàn)光的綠光和紅光區(qū)，以及近紅外的1 141、1 820、2 218 nm左右，但也因樹種、地域及觀測(cè)時(shí)間的不同而有所偏移。

從光譜數(shù)據(jù)建模方法上來(lái)看，對(duì)光譜進(jìn)行不同形式數(shù)據(jù)變換，利用PCR法構(gòu)建的研究區(qū)Fe素含量模型的擬合效果均優(yōu)于逐步回歸方法。在模型構(gòu)建過(guò)程中，當(dāng)自變量較多時(shí)，由于變量之間存在多重共線問(wèn)題，線性逐步回歸方法會(huì)剔除部分貢獻(xiàn)較大但難以擬合的光譜波段，使得部分光譜信息丟失，建模結(jié)構(gòu)單一，具有較大的局限性[30]。為了解決多元回歸建模過(guò)程中共線性問(wèn)題，黃文珂[31]提出用PCR建立的模型優(yōu)于偏最小二乘法以及嶺回歸法，胡珍珠等[32]在研究核桃含水率與葉片光譜之間的響應(yīng)時(shí)也證實(shí)了這一觀點(diǎn)，認(rèn)為PCR建模使多個(gè)自變量轉(zhuǎn)化為幾個(gè)相互獨(dú)立的綜合變量，消除了多重共線性的影響。研究采用PCR法構(gòu)建的Fe素含量估測(cè)模型取得了較好的擬合效果，也說(shuō)明了PCR方法在進(jìn)行多變量模型擬合時(shí)具有一定的優(yōu)勢(shì)。

從模型精度來(lái)看，邢東興等[4]建立的紅富士蘋果葉片F(xiàn)e素含量估算模型擬合度R2在0.8以上。邵永妮[33]用PLS法預(yù)測(cè)水稻鐵素水平時(shí)得出R2為0.596，認(rèn)為用特征波段預(yù)測(cè)水稻Fe素含量可行。研究采用PCR法構(gòu)建的Fe素含量估測(cè)模型擬合度達(dá)0.870 7，RMSE為0.304，RPO為2.39，擬合效果略優(yōu)于這些研究結(jié)果，但低于胡珍珠[17]等所構(gòu)建的新溫185果實(shí)硬核期葉片F(xiàn)e素濃度光譜模型精度(R2=0.933 4)，究其原因，可能是胡珍珠等[34]對(duì)試驗(yàn)地采用了“3414”實(shí)驗(yàn)設(shè)計(jì)，能夠較好的反映樹體葉片營(yíng)養(yǎng)元素的不同梯度水平，而研究中實(shí)驗(yàn)方案采用了隨機(jī)取樣的方式，不同果農(nóng)對(duì)樹體的施肥量有所差異，樹體葉片肥力梯度可能仍然存在差異偏小的問(wèn)題，故而導(dǎo)致估算模型精度稍低。但從模型精度驗(yàn)證的總體情況來(lái)看，仍然顯示出光譜技術(shù)在研究區(qū)核桃樹體葉片F(xiàn)e素含量估測(cè)方面具有較大的應(yīng)用潛力，為阿克蘇地區(qū)核桃營(yíng)養(yǎng)元素快速無(wú)損檢測(cè)提供依據(jù)。

研究光譜數(shù)據(jù)測(cè)定采用ASD FieldSpec4光譜儀，在室內(nèi)通過(guò)儀器自帶燈源，采用手持葉夾式對(duì)核桃葉片進(jìn)行光譜測(cè)量，避免了野外測(cè)定過(guò)程中的光照條件不一致和人工操作不穩(wěn)定等因素，光譜數(shù)據(jù)獲取的精確性和穩(wěn)定性相對(duì)較高。研究中光譜儀波段范圍較廣，為350～2 500 nm，便于進(jìn)一步探索近、中紅外波段的核桃葉片F(xiàn)e素含量敏感波長(zhǎng)研究。所構(gòu)建模型擬合度(R2)相對(duì)較高，RMSE較小，具有較強(qiáng)的穩(wěn)定性與可靠性，可以作為研究區(qū)核桃葉片F(xiàn)e素含量估測(cè)模型。另外，由于研究采樣范圍相對(duì)較小，仍然需要通過(guò)大量不同采樣區(qū)域的檢驗(yàn)和完善，以提高其實(shí)用性。

4 結(jié) 論

研究區(qū)核桃葉片F(xiàn)e素含量與光譜的敏感波段多集中在可見(jiàn)光范圍以及近紅外的1 141、1 820、2 218 nm左右。采用數(shù)據(jù)轉(zhuǎn)換光譜普遍能夠提高核桃葉片光譜反射率與Fe素含量間的相關(guān)關(guān)系，其中Fe素含量與對(duì)數(shù)二階微分光譜的相關(guān)系數(shù)較原始光譜升高0.2左右，提升幅度較大。研究區(qū)核桃葉片F(xiàn)e素含量的光譜估測(cè)模型構(gòu)建方法中，主成分回歸法優(yōu)于線性回歸，其中以對(duì)數(shù)二階微分光譜構(gòu)建的主成分回歸模型經(jīng)精度驗(yàn)證后是最佳的，能夠較好的對(duì)核桃葉片F(xiàn)e素含量進(jìn)行估測(cè)，利用光譜技術(shù)在研究區(qū)果樹葉片生化參量反演方面具有較大的應(yīng)用潛力。