番茄苗期葉位色素含量高光譜檢測(cè)及可視化研究

趙建貴, 王國(guó)梁, 2, 張 宇, 趙麗潔, 陳 寧, 王文俊, 杜慧玲, 李志偉*

1. 山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院, 山西 太谷 030801 2. 山西農(nóng)業(yè)大學(xué)谷子研究所, 山西 長(zhǎng)治 046000 3. 山西農(nóng)業(yè)大學(xué)基礎(chǔ)部, 山西 太谷 030801

引 言

在設(shè)施番茄栽培過(guò)程中, 葉片色素間協(xié)同維持植物進(jìn)行光合作用。 植物葉片對(duì)氮素最為敏感, 適宜氮素濃度可促進(jìn)莖葉生長(zhǎng)及色素合成, 有效提升光合速率及有機(jī)物轉(zhuǎn)化效率[1]。 同時(shí), 氮素的易轉(zhuǎn)移性導(dǎo)致植物葉位光譜和色素含量形成空間差異。 通過(guò)對(duì)不同氮素濃度影響下植物葉片的光譜差的觀測(cè)研究, 既可探索植物最佳氮素濃度, 又可提高葉片色素含量的預(yù)測(cè)精度。 在色素檢測(cè)方面主要包括活體葉綠素儀法、 高效液相色譜法、 光聲光譜法和紫外分光光度法[2], 這些檢測(cè)手段雖能準(zhǔn)確測(cè)定色素含量, 但操作繁瑣, 破壞樣本, 成本較高。 可見(jiàn)光-近紅外光譜分析具有快速、 高效和無(wú)損檢測(cè)等優(yōu)點(diǎn), 因此, 近年來(lái)采用光譜分析法獲取植株葉片色素差異性, 逐漸成為國(guó)內(nèi)外學(xué)者的熱門研究。

高光譜成像技術(shù)具有同時(shí)獲取圖譜信息的優(yōu)勢(shì), 可實(shí)現(xiàn)對(duì)檢測(cè)物指標(biāo)的可視化表達(dá)。 趙琨等[3]對(duì)不同氮素濃度影響下的油菜葉位及葉點(diǎn)的SPAD值展開(kāi)研究, 結(jié)果表明油菜頂四葉頂部可作為無(wú)損檢測(cè)的最佳葉部。 孫紅等[4]對(duì)馬鈴薯開(kāi)花期不同葉位SPAD值預(yù)測(cè), 并繪制了葉位間可視化分布圖, 進(jìn)而反映了葉綠素動(dòng)態(tài)響應(yīng)關(guān)系。 余克強(qiáng)等[5]研究尖椒不同葉位SPAD值和氮素可視化, 較直觀反映出不同葉位葉綠素和氮素的分布與變化趨勢(shì), 結(jié)果表明葉綠素可在一定程度上反映氮含量。 目前, 植株葉片的高光譜反演主要在葉綠素、 氮素和含水率等方面, 且反演部位主要集中于冠層, 而針對(duì)不同葉位葉綠素a(chlorophyll a, Chla)、 葉綠素b(chlorophyll b, Chlb)和類胡蘿卜素(carotenoid, Caro)的定量化反演及可視化研究較少。

以不同氮素濃度栽培的番茄苗期不同葉位Chla、 Chlb、 葉綠素(chlorophyll, Chll)和Caro為研究指標(biāo), 采用競(jìng)爭(zhēng)自適應(yīng)加權(quán)算法(competitive adaptive reweighted sampling, CARS)和CARS-IRIV(iteratively retains informative variables, 迭代和保留信息變量)算法特征波段提取, 并建立偏最小二乘回歸(partial least squares regression, PLSR)預(yù)測(cè)模型, 采用最優(yōu)模型將色素定量化反演至不同葉位可視化分布, 旨在探索設(shè)施番茄營(yíng)養(yǎng)液最佳氮素濃度和各項(xiàng)色素定量預(yù)測(cè)模型及可視化表達(dá), 為設(shè)施農(nóng)業(yè)精準(zhǔn)化管理提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)設(shè)計(jì)及樣本采集

于2021年11月12日在山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院科研溫室栽培, 從育苗公司購(gòu)置的“4葉1芯”普羅旺斯品種番茄(LycopersicumesculentumMill.,cv.Provence)幼苗。 營(yíng)養(yǎng)液采用荷蘭溫室園藝研究所番茄配方[6]自配水溶肥料, 利用尿素設(shè)置10個(gè)氮素濃度(氮素濃度范圍59.64～605.68 mg·L-1, 步長(zhǎng)為60 mg·L-1, 記N20、 N40、 N60、 N80、 N100、 N120、 N140、 N160、 N180、 N200), 每個(gè)濃度栽培10株(N200栽培5株), 共95株, 利用“螯合純鈣肥”補(bǔ)充鈣離子, 使鈣離子濃度保持一致。 本試驗(yàn)對(duì)番茄“移栽-開(kāi)花”(苗期)階段進(jìn)行采樣, 此時(shí)主莖延伸出10—11枝, 將番茄葉片參照?qǐng)D1(a)排列, 其中9—7枝葉片為上葉位(Upper), 6—4枝葉片為中葉位(Middle), 3—1枝葉片為下葉位(Lower)[5]。 番茄枝葉為“單枝多葉”型植物, 同枝節(jié)葉片由于營(yíng)養(yǎng)元素的運(yùn)輸存在一定差異, 采樣參照?qǐng)D1(b)部位摘取樣本, 從而充分摘取相應(yīng)葉位樣本。 每株按葉位摘取大小均勻和平展的葉片3個(gè)樣本(6片葉片為一個(gè)樣本), 依次對(duì)樣本裝入密封袋編號(hào), 共285個(gè)樣本(1 710片葉片), 置于裝有干冰的保溫箱儲(chǔ)存。

1.2 高光譜成像采集

采用Starter Kit可見(jiàn)光-近紅外高光譜(Headwall Photonics, USA)掃描平臺(tái)[圖1(c)]對(duì)葉片圖像采集, 光譜范圍380～1 000 nm, 分辨率0.727 nm, 共856個(gè)波段。 由于在量程邊緣噪聲較大, 因此選取光譜范圍430～900 nm, 共646個(gè)波段。 系統(tǒng)參數(shù)設(shè)置: 移動(dòng)速度2.721 mm·s-1, 推掃行程100 mm, 鏡頭與葉片表面距離28 cm。 采用去離子水沖洗葉片表面灰塵與雜質(zhì), 通過(guò)濾紙吸干表面水分, 將每3片葉片平鋪于載物臺(tái), 通過(guò)黑白校正后獲取兩張高光譜圖像(共570張圖像)。

采用SpectralView軟件二次開(kāi)發(fā)的圖像數(shù)據(jù)批提取和處理軟件, 以橢圓模型選取圖像ROI, 遵循“從左到右, 從上到下”原則主動(dòng)提取圖像ROI信息, 將每個(gè)像素點(diǎn)批輸出平均光譜反射率作為后續(xù)處理的基礎(chǔ)數(shù)據(jù)集, 見(jiàn)圖2。

圖2 番茄葉片平均光譜曲線

1.3 葉片色素含量測(cè)定

對(duì)樣本采集光譜圖像后, 采用分光光度計(jì)法測(cè)定Chla、 Chlb、 Chll和Caro含量。 將每個(gè)樣本去除葉脈后剪成約2 mm×2 mm小塊, 均勻混合后稱取0.2 g, 倒入試管, 采用無(wú)水乙醇避光浸提24 h。 將制備好的色素浸提液分別在波長(zhǎng)665、 649和470 nm處測(cè)定吸光度值, 每個(gè)樣本重復(fù)3次, 具體測(cè)量和計(jì)算方法按照國(guó)家標(biāo)準(zhǔn)進(jìn)行[7]。

1.4 光譜數(shù)據(jù)處理及模型建立

采用卷積平滑(Savitzky-Golay, S-G)[8]、 標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate, SNV)[9]和多元散射校正(multiple soattering correction, MSC)[10]消除噪音、 葉片表面散射、 光程變化和組分間干擾引起的多重共線性誤差。 采用綜合考慮樣本光譜特征和理化特性差異的SPXY算法劃分?jǐn)?shù)據(jù)集[11], 將光譜數(shù)據(jù)按照3∶1分為訓(xùn)練集和預(yù)測(cè)集, 其統(tǒng)計(jì)結(jié)果見(jiàn)表1。 對(duì)光譜全波段、 CARS[12]和CARS-IRIV算法提取的特征波段建立PLSR模型。 采用相關(guān)系數(shù)(R)和均方根誤差(RMSE)評(píng)價(jià)模型的預(yù)測(cè)性能。

表1 番茄葉片色素?cái)?shù)據(jù)集統(tǒng)計(jì)

2 結(jié)果與討論

2.1 葉片色素含量變化規(guī)律分析

不同氮素濃度對(duì)番茄葉位色素含量均造成顯著差異, 見(jiàn)圖3。 當(dāng)營(yíng)養(yǎng)液氮素濃度<302.84 mg·L-1時(shí), 隨氮素濃度增加, Chla、 Chlb、 Chll和Caro最大增長(zhǎng)率分別達(dá)到14.29%、 20.75%、 17.45%和17.85%; 當(dāng)營(yíng)養(yǎng)液氮素濃度>302.84 mg·L-1時(shí), 隨氮素濃度增加, Chla、 Chlb、 Chll和Caro最大下降率分別達(dá)到16.35%、 21.74%、 17.78%和27.40%, 因此營(yíng)養(yǎng)液氮素濃度(N100)為302.84 mg·L-1, 葉片色素含量均達(dá)到最大, 即為番茄苗期營(yíng)養(yǎng)液最佳氮素濃度, 同時(shí)高濃度的抑制作用強(qiáng)于低濃度。 隨氮素濃度增加, 葉位色素含量均呈上葉位>中葉位>低葉位分布規(guī)律, 當(dāng)葉片上葉位到中葉位時(shí), Chla、 Chlb和Chll含量減少率幾乎一致, 達(dá)到7.92%左右, 而Caro含量減少率達(dá)到13.5%; 當(dāng)中葉位到下葉位時(shí), Chla、 Chlb、 Chll和Caro含量減少率幾乎一致, 達(dá)到19.12%左右, 是由于作物光合作用對(duì)營(yíng)養(yǎng)元素的吸收所導(dǎo)致, 表明植株處于生長(zhǎng)旺盛階段。

圖3 不同氮素濃度對(duì)番茄葉片不同葉位影響

2.2 番茄葉片光譜響應(yīng)特征

葉片色素含量不同, 光譜反射率存在差異。 由圖4(a)不同氮素濃度處理下的葉片光譜響應(yīng)曲線可知: 波長(zhǎng)430～500 nm處葉片光譜反射率趨于平緩, 是由于葉綠素和類胡蘿卜素強(qiáng)吸收造成; 550 nm附近的波峰是葉綠素強(qiáng)反射區(qū)[5]; 650～700 nm處的波谷是葉綠素強(qiáng)吸收區(qū); 700～750 nm處反射率呈陡增趨勢(shì), 其斜率與葉片單位面積葉綠素含量有關(guān); 750～900 nm處反射率緩慢增加并有明顯波點(diǎn)起伏, 是由于水或氧的吸收造成[3], 符合綠色植物光譜特性。 不同葉位光譜響應(yīng)曲線見(jiàn)圖4(b)。

圖4 番茄葉片光譜響應(yīng)曲線

2.3 特征波段提取

采用CARS算法多次迭代提取特征波段。 圖5(a)為特征波段數(shù)量的變化, 隨著蒙特卡羅隨機(jī)抽取樣本運(yùn)行次數(shù)增加, 提取出的波段均先呈指數(shù)減小后逐漸趨于平穩(wěn); 圖5(b)為交叉驗(yàn)證均方根誤差的變化, RMSECV值呈先減后增的變化趨勢(shì), 表明在波段提取過(guò)程中開(kāi)始剔除的波段與待測(cè)成分無(wú)相關(guān)性, 之后在波段子集中增加與待測(cè)成分無(wú)關(guān)的波段; 圖5(c)為波段回歸系數(shù)路徑變化, 在星號(hào)標(biāo)注處更多的保留了有效波段, 此時(shí)RMSECV達(dá)到最小值, 即當(dāng)RMSECV最小時(shí), 提取的波段即為最優(yōu)波段集合, Chla、 Chlb、 Chll和Caro分別提取10、 14、 14和19條特征波段, 見(jiàn)表2。

表2 CARS和CARS-IRIV算法特征波段提取

圖5 CARS算法特征波段提取

經(jīng)CARS算法特征波段提取結(jié)果顯示, 各項(xiàng)色素指標(biāo)均篩選出相鄰波段。 針對(duì)該狀況, 采用IRIV[13]算法對(duì)CARS算法提取的波段驗(yàn)證重要性, 通過(guò)對(duì)強(qiáng)弱信息波段組逆向消除“精”提取獲得最優(yōu)波段集合, Chla、 Chlb、 Chll和Caro分別提取4、 4、 10和11條特征波段, 有效減少了波段數(shù)量并更多的保留有效信息, 見(jiàn)表2。 本研究迭取到的Chla、 Chlb、 Chll和Caro特征波段與文獻(xiàn)[14]一致, 由于Chla、 Chlb、 Chll和Caro的分子結(jié)構(gòu)和組成不同, 在可見(jiàn)光光譜區(qū)域?qū)獾奈站哂幸欢ㄟx擇性[15], 其Chla與Chlb特征波段主要集中于可見(jiàn)光光譜區(qū)域, 在400～460和630～680 nm有兩個(gè)強(qiáng)吸收區(qū); Chll和Caro特征波段在可見(jiàn)光與近紅外區(qū)域均有, 其中Chll在400～460 nm是強(qiáng)吸收區(qū), Caro在400～500 nm是強(qiáng)吸收區(qū)。 值得注意的是, Chla、 Chlb、 Chll和Caro有重疊波段選中, 在可見(jiàn)光區(qū)域是由于受到生色基團(tuán)的作用, Chla、 Chll和Caro在近紅外區(qū)域主要是受到葉片內(nèi)部OH鍵和O2的作用。

2.4 模型建立與分析

以光譜全波段(Whole)、 CARS和CARS-IRIV算法提取的特征波段建立PLSR預(yù)測(cè)模型, 見(jiàn)表3。 各項(xiàng)色素指標(biāo)基于CARS-IRIV-PLSR預(yù)測(cè)模型結(jié)果均優(yōu)于Whole-PLSR和CARS-PLSR, 即Chla、 Chlb、 Chll和Caro的Rp分別達(dá)到0.772 2、 0.732 1、 0.847 1和0.858 7, 結(jié)果表明以“粗-精”特征波段篩選策略的CARS-IRIV算法可以盡可能地剔除相關(guān)性較弱變量, 以提高模型預(yù)測(cè)精度。

表3 基于全譜和特征波段的PLSR模型預(yù)測(cè)結(jié)果

2.5 葉片色素含量可視化分布

采用CARS-IRIV-PLSR分別建立Chla、 Chlb、 Chll和Caro回歸模型, 利用ENVI5.1處理將相應(yīng)波段疊加用于計(jì)算各像素點(diǎn)的色素含量, 結(jié)合偽彩圖反演到葉片圖像獲得含量可視化分布圖。 以最佳氮素濃度(N100)栽培的葉片展示色素分布, 色素含量范圍為0～20 mg·L-1, 見(jiàn)圖6, 圖中數(shù)字標(biāo)注是相應(yīng)葉片色素含量預(yù)測(cè)值。 結(jié)果表明Chla、 Chlb和Chll含量由葉片底部向頂部和葉脈向葉邊逐步減少, 而Caro則相反, 是由于葉片中Chll僅存在于葉綠體類囊體薄膜[16], 且Chla與Chlb等色素構(gòu)成Chll, 營(yíng)養(yǎng)物質(zhì)經(jīng)葉脈向葉片運(yùn)輸, 致使三者在葉片分布基本一致, 其分布規(guī)律與植物營(yíng)養(yǎng)運(yùn)輸機(jī)制一致, 在含量表達(dá)上存在差異; 而Caro存在于葉綠體類囊體薄膜和液泡[17], 番茄苗期正處于發(fā)育旺盛期, 光合作用促使葉片Chll較活躍且含量高, 而Caro主要作用于葉片顏色且含量低, 導(dǎo)致Caro被Chll所遮蓋[17], 致使Chll與Caro在葉片分布相反, 且含量分布存在較大差異; 該分布規(guī)律也解釋了葉片衰老后葉邊率先變黃, 符合綠色植株生理特性。 葉位間色素含量呈上葉位>中葉位>低葉位分布, 是由于作物的光合作用對(duì)營(yíng)養(yǎng)元素的吸收所導(dǎo)致, 與測(cè)定結(jié)果相一致。 因此, 通過(guò)色素可視化表達(dá)可直觀反映葉片中色素含量分布。

圖6 不同葉位色素含量可視化分布

3 結(jié) 論

檢測(cè)番茄苗期葉片Chla、 Chlb、 Chll和Caro含量, 采用可見(jiàn)光-近紅外高光譜成像技術(shù)對(duì)色素含量進(jìn)行模型預(yù)測(cè), 進(jìn)而便于實(shí)現(xiàn)色素可視化表達(dá), 主要結(jié)論如下:

(1)營(yíng)養(yǎng)液氮素濃度為302.84 mg·L-1, 葉片色素含量最大, 葉位色素含量呈上葉位>中葉位>下葉位分布規(guī)律, 可為設(shè)施農(nóng)業(yè)水肥氮素濃度定量化管理提供數(shù)據(jù)支撐;

(2)采用CARS-IRIV-PLSR建立番茄葉片各項(xiàng)色素指標(biāo)預(yù)測(cè)模型均達(dá)到較好效果, 該“粗-精”的特征波段優(yōu)選策略, 有效減少波段并保留有效信息, 提高了模型預(yù)測(cè)精度;

(3)結(jié)合CARS-IRIV-PLSR模型與高光譜成像技術(shù)有效對(duì)番茄葉片色素可視化, 有助于對(duì)設(shè)施農(nóng)業(yè)植物生長(zhǎng)狀況、 色素含量及養(yǎng)分虧缺無(wú)損監(jiān)測(cè)。