烤煙葉片鎘含量高光譜預(yù)測(cè)模型的構(gòu)建

陳楠，馮慧琳，楊艷東，3，陳萍，任天寶*，賈方方，劉國(guó)順

（1.河南農(nóng)業(yè)大學(xué)煙草學(xué)院/河南省生物炭工程技術(shù)研究中心，鄭州 450002；2.生物炭技術(shù)河南省工程實(shí)驗(yàn)室，鄭州 450002；3.南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，南京 210095；4.商丘師范學(xué)院生物與食品學(xué)院，河南 商丘 476000）

金屬鎘具有很強(qiáng)的生物毒性，被植物吸收后，不僅影響植被的生長(zhǎng)發(fā)育，還會(huì)通過植物以及食物鏈危害人體健康[1-5]。植株吸收的鎘含量達(dá)到一定量后會(huì)出現(xiàn)發(fā)育遲緩、植株矮小、葉片失綠等癥狀，進(jìn)而導(dǎo)致品質(zhì)降低以及作物減產(chǎn)。煙草是我國(guó)重要經(jīng)濟(jì)作物，鎘脅迫會(huì)降低煙葉化學(xué)成分之間的協(xié)調(diào)性，如糖堿比、氮堿比等[6]，還會(huì)導(dǎo)致可溶性糖[7]、鉀[8]含量降低，蛋白質(zhì)[9]含量增加，品質(zhì)下降。吳坤等[10]的研究發(fā)現(xiàn)，當(dāng)煙草植株內(nèi)鎘元素達(dá)到一定量后，會(huì)使光合色素含量減少，導(dǎo)致光合速率降低，進(jìn)而影響烤煙的安全和品質(zhì)。曹玉巧等[11]的研究發(fā)現(xiàn)，鎘在煙草葉片中積累過量時(shí)，會(huì)通過煙氣進(jìn)入人體，影響人體健康。

近些年來，隨著遙感技術(shù)的發(fā)展，快速、無損、實(shí)時(shí)獲取植被信息已經(jīng)成為可能。運(yùn)用遙感技術(shù)分析煙草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)的光譜監(jiān)測(cè)模型。這些模型能夠監(jiān)測(cè)植物葉片的鎘含量，例如李嵐?jié)萚12]的研究發(fā)現(xiàn)，鎘脅迫顯著影響菊苣葉片的高光譜反射特性。劉來等[13]以油菜為研究對(duì)象，建立了油菜葉片鎘含量與光譜特征參數(shù)之間的多元回歸模型。關(guān)麗等[14]著重分析受鎘污染的水稻葉片中葉綠素含量變化及其光譜反射特性，并建立了水稻冠層的葉綠素遙感監(jiān)測(cè)參數(shù)對(duì)鎘污染程度的響應(yīng)模型，但估算精度還有待進(jìn)一步提高。孫小香等[15]以水稻為研究對(duì)象，建立了水稻氮素的傳統(tǒng)線性模型、多元線性模型和BP神經(jīng)網(wǎng)絡(luò)模型，研究表明BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果最好。Chen等[16]以光譜參數(shù)為輸入?yún)?shù)，構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)模型反演水稻色素含量，發(fā)現(xiàn)其精度高于多元逐步回歸模型。與傳統(tǒng)的線性模型相比，具有強(qiáng)大的非線性映射能力的BP 神經(jīng)網(wǎng)絡(luò)結(jié)合高光譜數(shù)據(jù)分析，可以提高植被的生理生化參數(shù)預(yù)測(cè)準(zhǔn)確性[17]，對(duì)水稻[18]、小麥[19]、玉米[20]、大豆[21]等作物均具有良好的應(yīng)用效果。

為快速準(zhǔn)確地獲取煙草葉片鎘含量，本研究通過獲取鎘污染條件下煙草葉片中的鎘含量和高光譜反射率，結(jié)合植被指數(shù)對(duì)兩者進(jìn)行分析，并基于植被指數(shù)構(gòu)建煙草葉片鎘含量監(jiān)測(cè)模型，旨在為煙草安全生產(chǎn)和煙葉品質(zhì)管控提供理論依據(jù)和參考。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2019 年6 月至9 月在河南農(nóng)業(yè)大學(xué)國(guó)家煙草栽培生理生化重點(diǎn)實(shí)驗(yàn)室內(nèi)進(jìn)行。供試品種為中煙100。供試土壤取自河南農(nóng)業(yè)大學(xué)許昌校區(qū)現(xiàn)代煙草科教園區(qū)0～20 cm耕層，土壤類型為褐土，基礎(chǔ)肥力：pH7.25，堿解氮116.45 mg·kg-1，有效磷19.32mg·kg-1，速效鉀158.15 mg·kg-1，有機(jī)質(zhì)15.74 g·kg-1。采用超純水和硫酸鎘（3CdSO4·8H2O）配制硫酸鎘水溶液，一次性均勻加入土壤中，分別調(diào)節(jié)4 個(gè)土壤鎘含量為0、5、10、20 mg·kg-1，待水分蒸發(fā)后多次混篩均勻。試驗(yàn)采用盆栽的方式，將供試土壤自然風(fēng)干后過10 目篩，每盆裝土1.2 kg，土壤所施肥料為煙草復(fù)合肥（N∶P2O5∶K2O=10∶10∶20）0.01 kg、硫酸鉀0.01 kg、過磷酸鈣0.005 kg，將肥料與土壤充分混勻10 d后，選擇苗齡、長(zhǎng)勢(shì)一致，生長(zhǎng)狀況良好的煙苗進(jìn)行移栽，每盆一株，每日定時(shí)澆水。

從移栽后30 d 開始每隔15 d 對(duì)煙株鎘含量和光譜數(shù)據(jù)進(jìn)行測(cè)定，共測(cè)定3 個(gè)時(shí)期，每個(gè)時(shí)期每個(gè)處理6個(gè)重復(fù)，共72株。

1.2 葉片光譜數(shù)據(jù)的獲取

分別在煙株移栽后30、45、60 d 進(jìn)行葉片光譜測(cè)定。每處理選6 株生長(zhǎng)正常、長(zhǎng)勢(shì)一致的煙株。采用FieldSpec3便攜式地物光譜儀（美國(guó)ASD公司）測(cè)定高光譜數(shù)據(jù)，波長(zhǎng)350～2 500 nm，其中350～1 000 nm范圍內(nèi)采樣間隔1.4 nm，光譜分辨率3 nm；1 000～2 500 nm 范圍內(nèi)采樣間隔2 nm，分辨率10 nm。采用葉片夾持器在每個(gè)煙株選取上、下2片葉測(cè)定光譜，每片葉測(cè)5個(gè)點(diǎn)，測(cè)定時(shí)盡量避開主脈和支脈，如圖1所示。每點(diǎn)測(cè)定10條光曲線，每片葉共獲取光譜曲線50條，取平均值作為該株煙的葉片光譜，所有處理光譜數(shù)據(jù)共計(jì)72組，其中有效數(shù)據(jù)71組。每次測(cè)定前均用標(biāo)準(zhǔn)參考白板進(jìn)行校正。

圖1 煙草葉片光譜測(cè)定位置示意圖Figure 1 Position of tobacco leaf spectrum determination

1.3 煙葉中鎘含量的測(cè)定

每次測(cè)完所有煙草葉片的光譜數(shù)據(jù)之后2～3 h內(nèi)取樣殺青，盡可能減小光譜測(cè)量與取樣的時(shí)間差。采集的煙株葉片于烘箱中105 ℃殺青，65 ℃烘干，烘干后將煙葉研磨過40目篩。之后加入HNO3和H2O2置于自動(dòng)消解儀中進(jìn)行消解，消解后的溶液中鎘含量采用電感耦合等離子原子發(fā)射光譜儀（ICP-OES）測(cè)定。

1.4 植被指數(shù)

植被指數(shù)是由光譜數(shù)據(jù)經(jīng)線性和非線性組合構(gòu)成的對(duì)植被有一定指示意義的光譜參數(shù)。比值植被指數(shù)（Ratio vegetation index，RVI）是綠色植物的靈敏指示參數(shù)，可用于監(jiān)測(cè)和估算植物生物量；歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）是反映農(nóng)作物長(zhǎng)勢(shì)和營(yíng)養(yǎng)信息的重要參數(shù)，對(duì)獲取作物信息具有重要的指導(dǎo)作用[22-23]。

式中：Rλ1指在波長(zhǎng)λ1處葉片的光譜反射率；Rλ2指在波長(zhǎng)λ2處葉片的光譜反射率。

1.5 BP神經(jīng)網(wǎng)絡(luò)

BP（Back propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart 和McClelland 等科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。本研究將篩選的植被指數(shù)作為BP 神經(jīng)網(wǎng)絡(luò)的輸入因子，輸入層傳遞函數(shù)為S 型正切傳遞函數(shù)（Tansig），訓(xùn)練函數(shù)采用L-M 優(yōu)化算法函數(shù)（Trainlm），煙草葉片鎘含量作為輸出層，輸出層傳遞函數(shù)采用線性傳遞函數(shù)（Purelin）。

1.6 數(shù)據(jù)分析

用ViewSpecPro 導(dǎo)出原始光譜數(shù)據(jù)后，用Excel進(jìn)行前處理，Origin 進(jìn)行繪圖，采用Matlab 繪制等勢(shì)圖和進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與檢驗(yàn)。

2 結(jié)果與討論

2.1 不同鎘含量煙草葉片光譜反射率

根據(jù)所有樣本鎘含量水平，將樣本分為數(shù)量相近的3 類，分別為低鎘（<15 mg·kg-1）、中鎘（15～30 mg·kg-1）、高鎘（>30 mg·kg-1）。如圖2 所示，在可見光和近紅外范圍（400～910 nm）內(nèi)，隨著鎘含量增加，反射率先降低后增加，這種變化在綠光波段尤為明顯，在930～1 000 nm 波段范圍內(nèi)，葉片反射率與煙葉中鎘含量呈正相關(guān)。這可能是由于低濃度的鎘會(huì)促進(jìn)植物的生長(zhǎng)發(fā)育，使葉綠素含量增加，導(dǎo)致反射率降低[24]，當(dāng)超過一定的濃度后就會(huì)產(chǎn)生極其顯著的抑制作用，破壞葉片內(nèi)部結(jié)構(gòu)，使葉綠素含量減少，進(jìn)而導(dǎo)致葉片黃化失綠、反射率增加[25]。除此之外，在1000～2 500 nm 波段范圍內(nèi)，隨著鎘含量增加，反射率先增加后降低。

圖2 不同鎘含量烤煙葉片冠層光譜反射率Figure 2 Spectral reflectance of flue-cured tobacco canopy withdifferent cadmium contents in leaves

前人對(duì)小白菜、油菜等作物的研究表明，葉片光譜特征與葉片鎘含量具有較好的相關(guān)性[26-27]。本研究結(jié)果表明，不同鎘含量的煙草葉片光譜反射率也具有一定規(guī)律性，這使得應(yīng)用遙感技術(shù)監(jiān)測(cè)煙草鎘含量成為可能。

2.2 敏感波段的篩選

基于煙草葉片中鎘含量與光譜反射率的關(guān)系，采用減量精細(xì)采樣法，系統(tǒng)分析了不同條件下350～2 500 nm 光譜范圍內(nèi)任意兩波段的光譜反射率組合構(gòu)建的植被指數(shù)（RVI、NDVI）與煙草葉片鎘含量的定量關(guān)系，并繪制了決定系數(shù)（R2）的等勢(shì)圖（圖3）。

如圖3a 所示，RVI 的R2>0.6 的波段組合范圍為（510～555 nm，708～715 nm），篩選的核心波段為520 nm 和710 nm，光譜指數(shù)為RVI（520，710）；圖3b 中，NDVI的R2>0.6的波段組合范圍為（510～555 nm，708～714 nm），篩選的核心波段為530 nm 和710 nm，光譜指數(shù)為NDVI（530，710）。根據(jù)敏感波段，選擇決定系數(shù)較大的RVI 和NDVI，建立預(yù)測(cè)煙草葉片鎘含量的BP 神經(jīng)網(wǎng)絡(luò)模型。本研究篩選的波段主要集中在可見光和紅邊波段，這與劉來等[13]的研究結(jié)果一致。

圖3 RVI和NDVI的決定系數(shù)（R2）等勢(shì)圖Figure 3 Isopotential diagram of determination coefficient（R2）of RVI and NDVI

2.3 鎘含量監(jiān)測(cè)模型

隨機(jī)選取50 個(gè)樣本用來建立模型，剩余21 個(gè)樣本用來驗(yàn)證模型。選取已經(jīng)篩選出的決定系數(shù)最大的前20 個(gè)RVI（520，710）和前20 個(gè)NDVI（530，710）作為獨(dú)立的自變量，建立預(yù)測(cè)煙草葉片鎘含量的BP神經(jīng)網(wǎng)絡(luò)模型。

BP 神經(jīng)網(wǎng)絡(luò)模型采用試錯(cuò)法比對(duì)不同節(jié)點(diǎn)數(shù)的對(duì)應(yīng)值，獲得最佳隱藏節(jié)點(diǎn)數(shù)為13，設(shè)定目標(biāo)精度為0.01，迭代次數(shù)為5 000 次，當(dāng)擬合精度達(dá)到目標(biāo)精度時(shí)，神經(jīng)網(wǎng)絡(luò)自動(dòng)停止訓(xùn)練。BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果如圖4 所示，該預(yù)測(cè)模型的R2為0.681，RMSE 為8.001，表明BP 神經(jīng)網(wǎng)絡(luò)對(duì)煙草葉片鎘含量的預(yù)測(cè)效果良好。

圖4 BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果Figure 4 Training results of BP neural network model

2.4 模型檢驗(yàn)

選取剩余21 個(gè)樣本對(duì)所建模型進(jìn)行驗(yàn)證。圖5所示為BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)測(cè)值之間1∶1關(guān)系圖。圖中的點(diǎn)越是集中分布在對(duì)角線周圍，表明模型的預(yù)測(cè)精度越高、效果越好。BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)測(cè)值的R2為0.801，RMSE為4.430，檢驗(yàn)結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型對(duì)煙草葉片鎘含量具有良好的預(yù)測(cè)效果。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)結(jié)果Figure 5 Test results of BP neural network model

3 結(jié)論

（1）本研究表明，煙草葉片鎘含量與煙草葉片光譜反射率之間具有一定的相關(guān)性，鎘含量對(duì)煙草葉片的反射率產(chǎn)生一定影響。隨著鎘含量增加，在可見光和近紅外范圍（400～910 nm）內(nèi)反射率先降低后增加；在930～1 000 nm波段范圍內(nèi)，葉片反射率與煙葉中鎘含量呈正相關(guān)；在1 000～2 500 nm 波段范圍內(nèi)隨著鎘含量增加，反射率先增加后降低。

（2）采用減量精細(xì)采樣法繪制了RVI 和NDVI 的R2等勢(shì)圖。RVI的R2>0.6的波段組合范圍為（510～555 nm，708～714 nm），篩選的光譜指數(shù)為RVI（520，710）；NDVI 的R2>0.6 的波段組合范圍為（510～555 nm，708～714 nm），篩選的光譜指數(shù)為NDVI（530，710）。

（3）隨機(jī)選取50 個(gè)樣本建立了BP 神經(jīng)網(wǎng)絡(luò)模型，R2為0.681，RMSE 為8.001，并對(duì)模型進(jìn)行了檢驗(yàn)，R2為0.801，RMSE 為4.430，表明BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)煙草葉片鎘含量具有良好的預(yù)測(cè)效果。