烤煙葉片氯密度高光譜預(yù)測模型的建立

楊艷東，賈方方，劉新源，任天寶，劉 文，李夢匣，劉云飛，劉國順

(1.河南農(nóng)業(yè)大學(xué)/河南省生物炭工程技術(shù)中心/煙草行業(yè)煙草栽培重點實驗室，河南 鄭州 450002；2.商丘師范學(xué)院，河南 商丘 476000； 3.河南省煙草公司 三門峽市公司，河南 三門峽 472000；4.河南省煙草公司 鄭州市公司，河南 鄭州 450001)

氯是烤煙生長發(fā)育過程中的必需元素[1-3]，其含量是衡量煙葉品質(zhì)的重要指標(biāo)之一。氯可以促進(jìn)葉綠素[4]、煙堿[5]等物質(zhì)的合成，還能增強(qiáng)烤煙抗病性[6]。煙葉氯含量偏高，會導(dǎo)致煙葉厚且脆，香氣量少，彈性和燃燒性下降；氯含量偏低則煙葉油分少、枯燥易碎，成絲率低[7]。因此，及時、快速地獲取烤煙氯含量對煙葉的生產(chǎn)、加工及評價具有重要意義。傳統(tǒng)的氯含量測量方法需要破壞性取樣，耗時費力，且結(jié)果具有滯后性。運(yùn)用遙感技術(shù)分析烤煙冠層光譜反射率與理化參數(shù)的相關(guān)性，可建立各種理化參數(shù)光譜特征估測模型。JUN等[8]應(yīng)用多元線性回歸方法建立了烤煙葉片水分含量預(yù)測模型。劉延等[9]采用多元逐步回歸分析方法，建立了基于光譜特征單變量估測鉀含量的模型。研究表明，植被的理化參數(shù)與光譜反射率之間的關(guān)系是非線性的[10]。JIA等[11]建立了多種烤煙葉片氮含量預(yù)測模型，發(fā)現(xiàn)非線性BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更好。關(guān)于小麥[12]、水稻[13]、玉米[14]、大豆[15]、蘭花[16]等作物的報道表明，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果更好?？緹熒睾縖17-18]、葉面積指數(shù)[19]、煙蚜發(fā)生程度[20]等方面的預(yù)測模型也有相關(guān)報道，但關(guān)于烤煙葉片氯密度預(yù)測模型的研究尚未見報道。鑒于此，測定烤煙冠層高光譜特征參數(shù)及葉片氯密度，并比較一元線性回歸模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型對烤煙葉片氯密度預(yù)測效果，以期為快速、準(zhǔn)確獲取烤煙葉片氯密度提供理論依據(jù)。

1 材料和方法

1.1 試驗設(shè)計

3個品種處理：K326、云煙87、豫煙10，于2016年和2017年連續(xù)2 a在河南農(nóng)業(yè)大學(xué)現(xiàn)代煙草科技示范園(許昌市)進(jìn)行試驗。供試土壤為砂壤土，有機(jī)質(zhì)為8.46 g/kg、堿解氮為70.88 mg/kg、速效磷為11.16 mg/kg、速效鉀為166.50 mg/kg，前茬作物為芥菜(綠肥)。

3個地點處理：河南農(nóng)業(yè)大學(xué)現(xiàn)代煙草科技示范園(許昌市)、洛陽市嵩縣大坪鄉(xiāng)、三門峽市盧氏縣杜關(guān)鎮(zhèn)， 以下分別簡稱為許昌、洛陽、三門峽。供試烤煙品種為K326，于2016年和2017年連續(xù)2 a進(jìn)行試驗。各處理施肥方式一致，均按當(dāng)?shù)爻Ｒ?guī)方法施肥，氮肥為硝基磷酸銨，磷肥為過磷酸鈣，鉀肥為硫酸鉀。

1.2 烤煙冠層光譜數(shù)據(jù)獲取

分別于上述3個地點烤煙的伸根期(移栽后30 d)、旺長期(移栽后55 d)、成熟期(移栽后75 d)采集數(shù)據(jù)。選取具有代表性的煙株，用便攜式地物光譜儀 Field Spec 3(美國ASD公司)測定，獲取烤煙冠層光譜數(shù)據(jù)。波段為350～2 500 nm，其中，350～1 000 nm光譜分辨率為3 nm，采樣間隔為1.4 nm，視場角為25°；1 000～2 500 nm光譜分辨率為10 nm，采樣間隔為2 nm，視場角為25°。每株烤煙測10組數(shù)據(jù)，將其平均值作為該角度的反射率?？倶颖緮?shù)為244，隨機(jī)抽取50%的數(shù)據(jù)用于建立模型，剩余50%的數(shù)據(jù)用于驗證模型，因此，建立模型及驗證模型的樣本數(shù)均為122。

1.3 烤煙葉片氯密度

采用seal AA3流動分析儀(德國布朗盧比公司)測定氯含量[21]。參考有關(guān)文獻(xiàn)[22]，計算烤煙葉片氯密度：

式中，C為烤煙葉片樣品氯元素含量；SLW為比葉重(g/m2)，指單位葉面積干葉質(zhì)量；LAI為葉面積指數(shù)，指單位土地面積上植物葉片總面積與土地面積的比值。

1.4 數(shù)據(jù)處理

利用Viewspec Program導(dǎo)出原始光譜數(shù)據(jù)，利用Excel、Origin、Matlab 2014b軟件進(jìn)行數(shù)據(jù)分析、繪圖、建模。

2 結(jié)果與分析

2.1 不同氯含量烤煙葉片光譜反射率

如圖1所示，按照葉片氯元素含量不同將烤煙分為低氯(<0.6%)、中氯(0.6%～0.9%)、高氯(>0.9%)3個類別。高氯烤煙冠層反射率在全波段均高于中氯、低氯烤煙的冠層反射率。波長為1 150～1 340、1 430～1 790、2 040～2 350 nm時，烤煙葉片反射率表現(xiàn)為高氯>低氯>中氯，但低氯和中氯烤煙葉片反射率差異不明顯。波長為740～980 nm時，烤煙葉片反射率表現(xiàn)為高氯>中氯>低氯，差異明顯。上述結(jié)果表明，不同氯含量烤煙葉片光譜反射率不同，可用于遙感對大田烤煙氯元素狀況的監(jiān)測。

圖1 不同氯含量烤煙冠層光譜反射率Fig.1 Spectral reflectance of flue-cured tobacco with different chlorine densities

2.2 不同生育時期烤煙葉片氯密度變化規(guī)律

如圖2所示，各品種處理烤煙葉片氯密度均隨生育時期的變化呈現(xiàn)遞增的趨勢。不同生育時期K326和云煙87的葉片氯密度無明顯差異，但二者均小于豫煙10的葉片氯密度。尤其是旺長期和成熟期，K326和云煙87的葉片氯密度明顯低于豫煙10。3個烤煙品種，其葉片氯密度在伸根期均最小，成熟期均最大，其中，豫煙10葉片氯密度達(dá)7.954 g/m2。

不同生育時期許昌的烤煙葉片氯密度在3個地點中均最高。許昌和洛陽的烤煙葉片氯密度均隨生育時期的變化呈現(xiàn)增加的趨勢，而三門峽的葉片氯密度則表現(xiàn)為先增加后略微降低的趨勢。成熟期3個地點烤煙葉片氯密度以許昌的為最高，達(dá)2.914 g/m2，三門峽的最低，為0.756 g/m2。

2.3 烤煙葉片氯密度與植被指數(shù)相關(guān)性分析

參考前人研究結(jié)果篩選的植被指數(shù)共10種：修正三角形植被指數(shù)(Modified triangular vegetation index,MTVI)、歸一化植被指數(shù)1(Normalized difference vegetation index 1,NDVI1)、歸一化植被指數(shù)2(Normalized difference vegetation index 2,NDVI2)、新型植被指數(shù)(New vegetation index,NVI)、比值植被指數(shù)1(Ratio vegetation index 1,RVI1)、比值植被指數(shù)2(Ratio vegetation index 2,RVI2)、比值植被指數(shù)3(Ratio vegetation index 3,RVI3)、水分指數(shù)(Water index,WI)、歸一化色素葉綠素植被指數(shù)(Normalized chlorophyll pigment vegetation index,NCPI)、簡單比值水分指數(shù)(Simple ratio water index,SRWI)[23-31]，見表1。相關(guān)分析表明，10種植被指數(shù)與烤煙葉片氯密度均極顯著相關(guān)。NVI、RVI2、RVI3與烤煙葉片氯密度相關(guān)系數(shù)均>0.700，其中，RVI2與烤煙葉片氯密度相關(guān)系數(shù)最高，達(dá)0.785。MTVI和SRWI與烤煙葉片氯密度負(fù)相關(guān)。

RSS.伸根期；PGS.旺長期；MS.成熟期

植被指數(shù)Vegetation index計算公式Calculation formula相關(guān)系數(shù)Correlation cofficient參考文獻(xiàn)ReferenceMTVI1.2[1.2(R800-R550)-2.5(R670-R550)]-0.418**[23]NDVI1(R810-R560)/(R810+R560)0.434**[24]NDVI2(R800-R680)/(R800+R680)0.699**[25]NVI(R777-R747)/R6730.722**[26]RVI1R810/R5600.465**[24]RVI2R895/R6750.785**[27]RVI3R800/R6700.782**[28]WIR900/R9700.454**[29]NCPI(R800-R680)/(R800+R680)0.699**[30]SRWIR678/R1 070-0.685**[31]

注：1.**表示在0.01水平上極顯著相關(guān)；2.R表示反射率，下標(biāo)代表具體波段(nm)。

Note:1.** means that correlation is significant at the 0.01 level;2.Ris the reflectance,and the subscript represents the specific band (nm).

2.4 烤煙葉片氯密度預(yù)測模型建立

2.4.1 烤煙葉片氯密度一元線性回歸模型 RVI2與烤煙葉片氯密度相關(guān)系數(shù)最大(表1)，將二者構(gòu)建一元線性回歸方程，結(jié)果如圖3所示。RVI2和烤煙葉片氯密度正相關(guān)，構(gòu)建的一元線性回歸方程為y=1.467x+10.345，決定系數(shù)為0.617。構(gòu)建的一元線性回歸方程決定系數(shù)較小，表明模型預(yù)測效果不理想。

圖3 烤煙葉片氯密度一元線性回歸模型Fig.3 The simple linear regression model for chlorine density of flue-cured tobacco leaves

2.4.2 烤煙葉片氯密度多元線性回歸模型 選取相關(guān)系數(shù)絕對值均>0.680的6個植被指數(shù)：NDVI2、NVI、RVI2、RVI3、NCPI、SRWI，將其與烤煙葉片氯密度構(gòu)建多元線性回歸模型。逐步回歸分析，篩選出NVI、RVI2、RVI3作為自變量，構(gòu)建的多元線性回歸方程為y=0.084xNVI+0.645xRVI2-0.221xRVI3-3.608，決定系數(shù)為0.617，與一元線性回歸模型的決定系數(shù)相等，表明多元線性回歸模型的預(yù)測效果和一元線性回歸模型的預(yù)測效果相同。

2.4.3 烤煙葉片氯密度BP神經(jīng)網(wǎng)絡(luò)模型 BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有高度非線性映射能力和良好穩(wěn)健性模式識別特點，包含輸入層、隱含層和輸出層。以表1 中的10個植被指數(shù)作為輸入層，烤煙葉片氯密度作為輸出層，其傳遞函數(shù)為purelin，訓(xùn)練函數(shù)為trainlm，構(gòu)建的模型隱含層節(jié)點數(shù)為6，擬合結(jié)果如圖4所示。模型決定系數(shù)為0.868，表明BP神經(jīng)網(wǎng)絡(luò)模型擬合效果優(yōu)于一元線性回歸模型和多元線性回歸模型。

圖4 烤煙葉片氯密度BP神經(jīng)網(wǎng)絡(luò)模型Fig.4 BP neural network model for chlorine density of flue-cured tobacco leaves

2.5 烤煙葉片氯密度預(yù)測模型檢驗

將驗證模型的樣本數(shù)(122)作為自變量帶入上述3個預(yù)測模型，得到預(yù)測值。對預(yù)測值和實測值進(jìn)行分析，得到預(yù)測值和實測值1∶1關(guān)系圖(圖5)。一元線性回歸模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型3種驗證模型的決定系數(shù)分別為0.359、0.358、0.788，均方根誤差分別為1.573、1.577、0.828，表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果比一元線性回歸模型、多元線性回歸模型預(yù)測效果好，即非線性模型預(yù)測效果比線性模型預(yù)測效果好。

圖5 一元線性回歸模型(a)、多元線性回歸模型(b)和BP神經(jīng)網(wǎng)絡(luò)模型(c)的檢驗

3 結(jié)論與討論

高氯含量的烤煙，其冠層反射率在全波段均高于中氯和低氯烤煙的冠層反射率。不同品種烤煙葉片氯密度在整個生育期均表現(xiàn)為增加趨勢，成熟期最大。氯含量高的烤煙其光譜反射率也高，這可能與氯促進(jìn)色素、煙堿等物質(zhì)合成有關(guān)。研究表明，蛋白質(zhì)、氮在910、1 020、1 690 nm等波段的諧振和拉伸，造成了其在相應(yīng)波段的吸收特征[32]。

10種植被指數(shù)與烤煙葉片氯密度均極顯著相關(guān)，RVI2與烤煙葉片氯密度相關(guān)性最好，相關(guān)系數(shù)為0.785。植被指數(shù)是由多個波段或波長的反射率因子組合而成的參數(shù)，其與植被特征參數(shù)間的函數(shù)聯(lián)系比單一波段值穩(wěn)定、可靠。本研究從已有報道中選取10個植被指數(shù)與烤煙葉片氯密度進(jìn)行相關(guān)分析，其中，6個植被指數(shù)與烤煙葉片氯密度相關(guān)系數(shù)均>0.680,其中，RVI2、RVI3的效果最好，這與前人認(rèn)為NDVI、RVI效果較好[33]的結(jié)論不同，可能是研究對象和方法不同，以及不同的植被指數(shù)適用于不同的理化成分或農(nóng)學(xué)參數(shù)所致。

以植被指數(shù)為自變量建立的一元線性回歸模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果最好，其決定系數(shù)為0.868，均方根誤差為0.828，表明該模型具有較高的準(zhǔn)確性和精準(zhǔn)度，這與李夢竹等[34]的研究結(jié)果一致。

本研究基于BP神經(jīng)網(wǎng)絡(luò)建立的烤煙葉片氯密度預(yù)測模型，模型擬合效果較好，具有一定的適用性。然而，目前垂直向下的觀測方式主要獲取的是煙株上層信息，中下層信息難以獲取。應(yīng)進(jìn)一步強(qiáng)化多角度研究，建立不同層次的立體預(yù)測模型，對煙株礦質(zhì)營養(yǎng)和病害發(fā)生情況進(jìn)行監(jiān)測，為烤煙生長精準(zhǔn)管理提供理論依據(jù)。此外，高光譜數(shù)據(jù)信息量大，如何篩選更適用的植被指數(shù)，建立預(yù)測效果更好的模型，仍需進(jìn)一步研究。