基于高光譜影像的蟲(chóng)害水稻葉片花青素含量估算

田明璐,班松濤,袁 濤,王彥宇,馬 超,李琳一

(上海市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所,上海市數(shù)字農(nóng)業(yè)工程技術(shù)研究中心,農(nóng)業(yè)農(nóng)村部長(zhǎng)三角智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,上海 201403)

稻縱卷葉螟是水稻的一種常見(jiàn)蟲(chóng)害,大規(guī)模的蟲(chóng)害會(huì)造成水稻嚴(yán)重減產(chǎn),因此對(duì)稻縱卷葉螟為害狀況的監(jiān)測(cè)十分重要[1]?；ㄇ嗨?Anthocyanin,Anth)是一類(lèi)滲透調(diào)節(jié)物質(zhì),具有抗氧化、修復(fù)葉片損傷后等作用[2]。研究發(fā)現(xiàn)當(dāng)植物遭受生物或非生物脅迫時(shí),花青素濃度會(huì)顯著升高[3],花青素含量可以成為反映植物生理狀況的一種指標(biāo)。從這一特性出發(fā),遭受稻縱卷葉螟為害的水稻葉片花青素含量能夠作為判斷蟲(chóng)害程度的重要依據(jù)。稻縱卷葉螟對(duì)葉片的損害是從局部開(kāi)始向全葉片蔓延,在同一片葉上不同位置花青素含量也有較大的差異。目前植物葉片花青素測(cè)量主要采用化學(xué)方法或便攜式儀器測(cè)量,無(wú)法精確描述葉片尺度上花青素含量的分布狀況。Gitelson等[2]、Sims等[4]研究表明,植物葉片內(nèi)花青素含量與波長(zhǎng)為550 nm的反射光譜有著密切的關(guān)系;基于高光譜的植物葉片花青素反演已被劉秀英等[5]的研究證實(shí)為可行。而高光譜圖像具有圖譜合一的特點(diǎn),圖像上每一個(gè)像元點(diǎn)都含有大量光譜信息,利用高光譜圖像可以進(jìn)一步得到花青素在葉片上的分布狀況[6]。因此,本研究使用高光譜圖像估算稻縱卷葉螟蟲(chóng)害葉片的花青素含量分布狀況,以期為水稻葉片花青素值測(cè)量和蟲(chóng)害監(jiān)測(cè)提供一種直觀(guān)、快速、定量化的技術(shù)手段。

1 材料與方法

1.1 數(shù)據(jù)獲取與處理

于2018年8月20日,在同一塊水稻田內(nèi),采集50片健康水稻葉片和50片遭受不同程度稻縱卷葉螟蟲(chóng)害的葉片,裝入保鮮袋中帶回實(shí)驗(yàn)室。在暗室環(huán)境下,將葉片置于黑色吸光背景布上,使用高光譜成像系統(tǒng)分別獲取每一片葉片的高光譜圖像。該成像系統(tǒng)由高光譜成像儀、鹵素光源和電動(dòng)傳動(dòng)平臺(tái)三部分構(gòu)成。所用到的高光譜成像儀型號(hào)為Resonon Pika L,是一種外置推掃式高光譜成像儀,光譜范圍為400—1 000 nm,光譜分辨率為2.1 nm,光譜通道數(shù)為281,空間通道數(shù)為900。高光譜圖像獲取完成后,使用Dualex Scientific+植物多酚測(cè)定儀測(cè)量水稻葉片花青素值。該儀器基于植物熒光技術(shù)實(shí)現(xiàn)對(duì)葉片花青素含量的無(wú)損測(cè)量,所得到的花青素值為無(wú)量綱數(shù)值,能夠表征葉片被測(cè)部位的花青素含量[7]。在健康葉片上選取葉中區(qū)域,在蟲(chóng)害葉片上選取蟲(chóng)害最集中的區(qū)域,測(cè)量花青素值,并標(biāo)記測(cè)量位置,共計(jì)得到100個(gè)樣點(diǎn)的花青素值測(cè)量得到的各水稻葉片的花青素含量描述性統(tǒng)計(jì)信息如表1所示。

表1 水稻葉片花青素值描述性統(tǒng)計(jì)Table 1 Descriptive statistics of the rice leaf anthocyanin values

在ENVI軟件中,使用ROI(Region of interest)工具分別圈選每個(gè)葉片與花青素值測(cè)量對(duì)應(yīng)的區(qū)域,統(tǒng)計(jì)區(qū)域內(nèi)所有像元的光譜反射率的平均值作為該區(qū)域的光譜反射率數(shù)據(jù),并與對(duì)應(yīng)的花青素值進(jìn)行關(guān)聯(lián),構(gòu)成100組樣本數(shù)據(jù)。

1.2 研究方法

1.2.1 光譜處理

使用Savitaky-Golay卷積法對(duì)各樣本的光譜進(jìn)行平滑處理,消除因探測(cè)器和環(huán)境造成的噪聲干擾[8]。為了進(jìn)一步消除背景干擾,對(duì)平滑處理后的光譜進(jìn)行一階導(dǎo)數(shù)變換[9]。一階導(dǎo)數(shù)光譜的計(jì)算公式為:

式中,λi為波段i的波長(zhǎng);R(λi)為i波段的波段反射率;Δλ為波長(zhǎng)λi-1到波長(zhǎng)λi的距離;R′(λi)為波長(zhǎng)λi的一階導(dǎo)數(shù)光譜值。

1.2.2 植被指數(shù)選取

植被指數(shù)(Vegetation index,VI)通過(guò)對(duì)不同波段光譜反射率的數(shù)學(xué)運(yùn)算,增強(qiáng)植被相關(guān)的信息[10]?；ㄇ嗨厥且环N植物色素,因此本研究選取12種與色素關(guān)系密切的植被指數(shù),分析這些植被指數(shù)與花青素值的相關(guān)關(guān)系。各植被指數(shù)的名稱(chēng)及定義如表2所示。

表2 植被指數(shù)及計(jì)算公式Table 2 Vegetation indices and the formulas

1.2.3 建模方法

使用隨機(jī)抽樣法,從100組數(shù)據(jù)中選擇70個(gè)作為建模數(shù)據(jù)集(Calibration dataset,記為cal),余下30個(gè)作為驗(yàn)證數(shù)據(jù)集(Validation dataset,記為val)。分別使用多元逐步回歸(Multiple stepwise regression,MSR)、偏最小二乘回歸(Partial least squares regression,PLSR)和支持向量機(jī)回歸(Support vector regression,SVR)3種算法構(gòu)建水稻葉片花青素估算模型,以決定系數(shù)R2和均方根誤差(RMSE)為標(biāo)準(zhǔn)比較各模型的建模精度,比較不同模型的精度;當(dāng)R2越接近于1、RMSE越接近于0時(shí),模型精度越高。

2 結(jié)果與分析

2.1 水稻葉片花青素值與蟲(chóng)害嚴(yán)重程度關(guān)系

通過(guò)葉片遭稻縱卷葉螟啃食面積所占比例,將蟲(chóng)害分為健康(無(wú)蟲(chóng)害)、輕度(葉片有一小部分輕微變黃,被害部分在20%以下)、中度(葉片約有1∕3變成黃白色,被害部分在40%以下)和重度(葉片大部分已成黃白色,被害部分在40%以上)4種程度等級(jí),對(duì)比不同蟲(chóng)害程度葉片花青素值的平均值,如圖1所示。健康水稻葉片的花青素值平均為0.05,輕度蟲(chóng)害葉片的花青素均值為0.08,中度蟲(chóng)害葉片的花青素均值為0.17,而重度蟲(chóng)害的葉片花青素均值達(dá)到了0.27。結(jié)果表明,水稻葉片的花青素含量隨著蟲(chóng)情的嚴(yán)重程度加劇而升高,葉片花青素值可以反映出水稻遭受蟲(chóng)害的嚴(yán)重程度。

圖1 不同程度稻縱卷葉螟為害的水稻葉片花青素值Fig.1 Anthocyanin value of rice leaf in different infested level

2.2 水稻葉片花青素值與光譜相關(guān)性分析

分別對(duì)花青素值與對(duì)應(yīng)的反射光譜和一階導(dǎo)數(shù)光譜進(jìn)行相關(guān)性分析,結(jié)果如圖2所示。對(duì)于反射光譜,在波長(zhǎng)為400—710 nm的可將光-紅邊波段范圍內(nèi),花青素值與光譜反射率表現(xiàn)為極顯著正相關(guān)(0.01水平),相關(guān)系數(shù)達(dá)到0.6以上,最高為0.878(677 nm處);在波長(zhǎng)為730—870 nm的紅邊-近紅外波段范圍,花青素與光譜反射率表現(xiàn)為較弱的負(fù)相關(guān),相關(guān)系數(shù)絕對(duì)值最大不超過(guò)0.35;在波長(zhǎng)870—1 000 nm的近紅外范圍,二者不具有相關(guān)性。對(duì)于一階導(dǎo)數(shù)光譜,花青素值與一階導(dǎo)數(shù)光譜在波長(zhǎng)為400—490 nm、520—536 nm、544—650 nm、690—760 nm、780—930 nm 5個(gè)波段范圍內(nèi)表現(xiàn)出極顯著相關(guān)(0.01水平),其中400—490 nm、520—536 nm和690—760 nm 3處范圍相關(guān)系數(shù)絕對(duì)值較高,對(duì)應(yīng)的相關(guān)系數(shù)和波長(zhǎng)分別為0.883(464 nm)、0.843(553 nm)、-0.811(713 nm)。

圖2 花青素值與各波段光譜相關(guān)性Fig.2 Correlation coefficient between the anthocyanin value and spectra at each band

2.3 水稻葉片花青素值與植被指數(shù)相關(guān)性分析

如圖3所示,水稻葉片花青素值與各植被指數(shù)均表現(xiàn)出極顯著相關(guān)(0.01水平),且相關(guān)系數(shù)絕對(duì)值都比較高,均在0.7以上。其中,花青素值與NDVI、RVI、GNDVI、SIPI、CRI1、CRI2、RARSc、NPQI和PRI 9個(gè)植被指數(shù)極顯著負(fù)相關(guān),負(fù)相關(guān)性最強(qiáng)的為NDVI,相關(guān)系數(shù)為-0.887;與ARI1、ARI2和RARSa 3個(gè)植被指數(shù)極顯著正相關(guān),正相關(guān)性最強(qiáng)的為RARSa,相關(guān)系數(shù)為0.878。

圖3 花青素值與各植被指數(shù)相關(guān)性Fig.3 Correlation coefficient between the anthocyanin value and vegetation indices

2.4 水稻葉片花青素值高光譜估算模型

使用建模數(shù)據(jù)集構(gòu)建水稻葉片花青素估算模型:選用相關(guān)系數(shù)絕對(duì)值高于0.6的波段上的原始反射光譜、一階導(dǎo)數(shù)光譜、以及12個(gè)植被指數(shù)作為自變量,對(duì)每一種自變量分別采用MSR、PLSR和SVR 3種算法,構(gòu)建水稻葉片花青素估算模型;將驗(yàn)證數(shù)據(jù)集中對(duì)應(yīng)的光譜變量代入各個(gè)模型中得到花青素預(yù)測(cè)值,通過(guò)對(duì)花青素預(yù)測(cè)值與實(shí)測(cè)值的線(xiàn)性擬合分析,對(duì)各模型精度進(jìn)行檢驗(yàn);結(jié)果如表3所示。整體來(lái)說(shuō),各模型均達(dá)到較高的精度(Rcal2、Rval2均大于0.7)。其中精度最高的是以植被指數(shù)為自變量、使用PLSR算法的Anth_VI_PLSR模型:建模達(dá)Rcal2到0.801、驗(yàn)證Rval2達(dá)到0.783,為所有模型中的最高值;RMSEcal為0.032、RMSEcal為0.035,是所有模型中的最低值。

表3 水稻葉片花青素值估算模型及精度驗(yàn)證Table 3 Estimation models of rice leaf anthocyanin value and the precision validation

從自變量選擇的角度看,在使用同種建模算法時(shí),采用植被指數(shù)為自變量的模型精度普遍較高。從建模算法選擇的角度看,在使用同種自變量時(shí),SVR算法的建模精度相對(duì)較高,但驗(yàn)證精度較低;PLSR算法在建模和驗(yàn)證中都取得較高的精度;MSR算法的建模精度相對(duì)較低,但在模型驗(yàn)證中精度優(yōu)于SVR模型;PLSR和MSR算法均表現(xiàn)出較好穩(wěn)定性。

2.5 水稻葉片花青素值分布

以遭受不同程度稻縱卷葉螟蟲(chóng)害的1—3號(hào)葉片為例,使用Anth_VI_PLSR模型對(duì)3片葉的高光譜圖像進(jìn)行逐像元解算,得到花青素值在3個(gè)葉片上的分布圖(圖4)。圖4b上每一個(gè)像元的值表示葉片上該點(diǎn)的花青素值?？梢钥闯?葉片上不同蟲(chóng)害程度位置的花青素值有著明顯的差異,蟲(chóng)害越嚴(yán)重,對(duì)應(yīng)區(qū)域的花青素值越高。

圖4 水稻葉片花青素值分布Fig.4 Distribution of anthocyanin value in the infested leaves

3 討論

水稻葉片花青素值與反射率在可見(jiàn)光-紅邊波段范圍內(nèi)表現(xiàn)出極顯著正相關(guān),并在紅光波段達(dá)到最大值,這些結(jié)果與前人對(duì)小麥[20]和玉米[5]葉片花青素值高光譜特征的研究相一致,這主要是由于花青素是非光合類(lèi)色素,對(duì)可見(jiàn)光以反射為主,且對(duì)紅光反射能力最強(qiáng)[2]。此外,作為一種色素類(lèi)物質(zhì),花青素值也與多個(gè)色素相關(guān)的植被指數(shù)有著很高的相關(guān)性,但針對(duì)具體指數(shù)的相關(guān)性系數(shù)與前人研究有所差異,這主要是由于植物種類(lèi)的不同造成的。

基于不同光譜參數(shù)和算法建立的水稻葉片花青素值估算模型中,以植被指數(shù)為自變量、使用PLSR算法的Anth_VI_PLSR模型精度最高。采用植被指數(shù)為自變量的模型精度高于采用光譜反射率和一階導(dǎo)數(shù)光譜的模型。這主要是由于純光譜變量中引入的波段較多、噪音也較多,造成模型精度下降;植被指數(shù)通過(guò)比值、歸一化等運(yùn)算可以消除噪聲信息,因而模型精度更高。采用PLSR算法的模型精度高于MSR和SVR算法,是由于PLSR算法綜合使用了主成分分析、典型相關(guān)分析和多元線(xiàn)性回歸分析等方法,在模型的構(gòu)建中最大程度利用了自變量信息,因此具有較好的預(yù)測(cè)能力。

花青素具有輔助修復(fù)葉片損傷的功能,在植物受到脅迫時(shí),葉片內(nèi)會(huì)產(chǎn)生更多花青素,因此葉片花青素值及其分布不但可以反映出水稻遭受蟲(chóng)害的嚴(yán)重程度,也可以反映病害、干旱、養(yǎng)分缺乏等其他生物或非生物脅迫的嚴(yán)重程度,可以廣泛地用作一種定量化判斷水稻健康狀況的方法。

4 結(jié)論

本研究通過(guò)高光譜影像估算水稻葉片花青素值,并據(jù)此判斷遭受稻縱卷葉螟為害葉片的蟲(chóng)害程度,主要結(jié)論為:(1)水稻葉片花青素值與反射率在波長(zhǎng)為400—710 nm的可將光-紅邊波段范圍內(nèi)在0.01水平上表現(xiàn)出極顯著正相關(guān),相關(guān)系數(shù)在677 nm的紅光波段達(dá)到最大值,為0.878;花青素值與一階導(dǎo)數(shù)光譜在多個(gè)波段范圍表現(xiàn)出極顯著相關(guān)性(0.01水平),相關(guān)系數(shù)絕對(duì)值在464 nm處達(dá)到最大值,為0.883;花青素值與多個(gè)植被指數(shù)高度相關(guān),其中相關(guān)性最強(qiáng)的為NDVI,相關(guān)系數(shù)達(dá)到-0.887。(2)水稻葉片花青素值估算模型中,基于植被指數(shù)和PLSR算法的Anth_VI_PLSR模型精度最高(Rcal2為0.801)?；贏nth_VI_PLSR模型計(jì)算得到的水稻葉片花青素值分布圖能夠直觀(guān)的反映出花青素值隨著病害程度的變化規(guī)律。