基于熒光光譜的空間高等植物葉綠素含量測量技術

樊 平，鄭偉波，崔 釗

(中國科學院 上海技術物理研究所，上海 200083)

?

基于熒光光譜的空間高等植物葉綠素含量測量技術

樊 平，鄭偉波，崔 釗

(中國科學院 上海技術物理研究所，上海 200083)

開展高等植物光合作用過程參數的實時檢測技術研究，對于深入開展空間生物學效應具有重要意義。作為光合作用重要參數的高等植物葉綠素含量與其熒光光譜具有較好的相關性，為此，可以通過探測分析植物熒光光譜，建立其與葉綠素的相關性模型，間接表征其中的葉綠素含量。介紹一種新的建模方法即支持向量機(SVM)，通過實驗驗證，方法預測葉綠素含量是可行的，相對于一般采用的線性回歸法具有更好的預測效果和更高的測量精度。

熒光光譜； 標定； 支持向量機； 線性回歸

0 引 言

人類空間活動不斷增多,宇航員食物的獲取，氧氣的獲取和廢氣的凈化離不開高等綠色植物的培育生長。綠色高等植物既能進行光合作用,又是氧氣和二氧化碳最重要的交換中心。綠色高等植物在空間微重力、高輻射環境下的生長發育情況與地面有所不同。為了收集高等綠色植物在空間環境下的生長數據，需要開展一系列的空間生命科學研究。空間生命科學實驗儀器是空間生物學實驗的載體，完成空間生命科學實驗的實施、監控和觀測，其回收的樣品和收集的實驗過程數據是科學家進行生物學機理研究的主要依據[1]。

地面上，多光譜成像技術憑借其二維圖像信息與光譜信息融合的特點，已成為植物生理化學研究的一種重要手段，得到廣泛應用。將熒光光譜[2]運用于高等植物的觀測中具有快速實時無損等優點。用熒光光譜圖像準確地表示葉片葉綠素含量的分布取決于單點標定的準確性。一般采用線性回歸法建模對單點的熒光光譜和葉綠素含量之間建立模型，需要采集大量樣本的熒光光譜和用標準方法測定的葉綠素含量。

本文提出一種以統計學理論為基礎的支持向量機算法[3]進行葉綠素含量的標定，在處理小數量樣本時表現出良好的準確性。

1 基于熒光光譜葉綠素含量測量原理

1.1 葉綠素含量測量原理

葉片中的葉綠體是進行光合作用的主要場所。當光照射到葉片上時，有反射、透射以及吸收這三種形式。葉綠素分子吸收光能后大部分用來進行化學反應，極少部分以熱輻射和熒光發射的形式釋放。在觀察植物的熒光光譜光譜時，要通過藍光或者紫外光對葉片進行激發。

紫外光雖然可以激發熒光，但紫外光會對葉片內的組織產生損傷，植物在生長過程中為了抵擋紫外光就在葉片表面生成紫外遮擋物，所以紫外光很難穿透葉片，激發出的熒光較弱。葉綠素在藍光波段有明顯吸收峰，且藍光比紫外光更易穿透葉片到達葉綠素分子，所以,藍光比紫外光更能激發出熒光。

熒光光譜在470～480 nm,680～685 nm 以及 730～740 nm三個波段附近各有一個強度峰值。470～480 nm波段的峰值主要是由阿魏酸產生的，而680～685 nm和730～740 nm波段的峰值是由葉綠素產生的。因而研究葉綠素的含量只需從后兩個波段的強度峰值入手即可，大量研究表明:這兩個峰值下熒光強度的比值與葉綠素的含量存在線性關系。

1.2 測量系統

基于熒光光譜的葉綠素含量測量系統(如圖1所示)主要由激發光源、分光組件、成像控制組件及上位機構成。激發光源為藍光LED(<500 nm)，用于激發葉綠素熒光；分光組件采用濾光輪的形式濾光片；成像組件的圖像傳感器選用的芯片為IBIS5A—1300，像素大小為1024×1280，現場可編程門陣列(FPGA)控制成像采集輸出的同時控制電機運動，用于切換濾光片，以便獲取不同通道的光譜圖像數據；上位機實現數據接收和數據反演分析。數據反演分析主要要建立相關性模型，并且通過標定試驗進行參數標定。

圖1 光譜成像系統Fig 1 Spectral imaging system

1.3 標定原理

葉綠素含量的標定包含兩個步驟：一是獲得葉片某點熒光光譜；二是獲得該點標準葉綠素含量值。對熒光光譜用Matlab處理數據，提取特征量，然后將特征量和標準葉綠素含量值建模。步驟一可以采用如圖2所示的系統測量而得。

圖2 熒光光譜采集系統示意圖Fig 2 Collection system diagram for fluorescence spectra

該系統使用海洋光學公司的HR4000光譜儀，光纖探頭400 μm，軟件為SpectraSuite；激發光源為激光二極管泵浦激光器，型號為MBL—III—473；使用圓形漸變密度濾光片NDFC5020調節激光強度。將葉片用夾具固定，激光器發出的光經過衰減計照射到葉片上并與葉片成45°，將光纖探頭與葉片也成45°固定，采集到得信號經過光譜儀連接到計算機上。整個實驗需要在暗室中進行。將采集到的30幅熒光光譜用Matlab顯示在一幅圖中，如圖3所示。從圖3中可以看出:這30條曲線的特征大抵相同都有兩個峰，將左鋒值比上右峰值得到特征量。此特征量將用于建模。

圖3 采集到的熒光光譜Fig 3 Collected fluorescence spectra

標準葉綠素含量值這部分由中國科學院上海生命科學研究院植物生理生態研究所協助完成，具體步驟：1)將葉片上標記的點打孔取下，放在研缽中，加入 95 %的乙醇，過濾，制成實驗原液；2)由公式c=6.63A665-18.08A649測量溶液在 665 nm和649 nm的吸光度帶入公式即得葉綠素含量，見表1。

表1 樣品葉綠素含量

葉綠素含量的標定原理是先提取熒光光譜中的特征量，然后對特征量和標準的葉綠素含量值進行建模得到關系式。對于待測的葉子，只要測得熒光光譜提取特征量帶入關系式即可求得葉片的葉綠素含量。因此,建模過程中選擇什么樣的回歸方式顯得尤為重要。

2 標定方法與關鍵算法

2.1 支持向量機回歸理論

支持向量機(support vector machine，SVM)，SVM最初被用來解決分類問題，后來被推廣到函數逼近和信息融合領域。已知擬合點(xi,yi)，i=1,2,…,n,xi∈Rn為輸入量，yi∈R為輸出量。

SVM線性回歸其本質就是在線性回歸中在特征到結果中加入了一層映射，模型[4,5]為

(1)

鑒于只有葉綠素熒光光譜和葉綠素含量只有兩個變量，用線性回歸函數式(2)擬合樣本數據

f(x)=〈w,x〉+b

(2)

式中 w，b分別為式(1)中的α，θ0。

假設樣本數據可以在精度ε滿足不敏感損失函數

(3)

這時SVM的回歸擬合就是轉化為求優化目標函數最小化問題

(4)

2.2 SVM具體操作

非線性SVM回歸的具體操作是將輸入量xi通過核函數映射到高維，則目標函數為

(5)

(6)

3 實驗與結果

1)支持向量機的性能取決于懲罰系數C，核函數的函數設置γ，不敏感損失函數ε及核函數類型。懲罰系數C是對模型復雜度和泛化能力的折中，它決定了損失大于ε的懲罰程度，當C太小時，模型結構復雜度下降，訓練誤差可能超出接收范圍；當C→∞ 時，模型優化目標誤差退化至風險最小化，出現“過學習”現象。ε是SVM回歸的重要特征，它決定了支持向量的數目TotalSV。通過對LibSVM3.11軟件包中核函數類型對比,結果采用RBF核函數的e-SVR[6,7]。SVM中相關參數C=2.2，γ=2.8，ε=0.01；標準線性回歸R2=0.845 6。

2)目前沒有一個完備的方法來確定SVM回歸參數，常用的SVM參數的方法主要有:遺傳法(genetic algorithm,GA)、粒子群優化(PSO)算法、網絡優化選擇法。

遺傳算法的主要特點是直接對結構對象進行操作，不存在求導和函數連續性的限定；具有內在的隱并行性和更好的全局尋優能力。粒子群優化算法是一種新的全局優化進化算法。系統初始化為一組隨機解，通過疊代搜尋最優值,在解空間追隨最優的粒子進行搜索。網格優化算法是一種大范圍點集搜索方法。搜索范圍的確定仍需建模者設定。該方法簡單易行，但是訓練時間較長。

各尋優參數結果見表2，對比相關系數可知遺傳算法較好，但是網格優化算法所需支持向量數較少，SVM回歸模型較簡單。

表2 相應尋優算法所得參數及計算出的相關系數

將遺傳算法所求參數SVM回歸模型結果列于表3并同線性回歸結果進行比較，發現SVM回歸比線性回歸相關性好，平均絕對誤差比線性回歸小，因此，SVM回歸有較好的分析效果。

表3 SVM與線性回歸對比

4 結 論

本文分析了葉綠素熒光產生機制，以及基于熒光光譜的葉綠素含量測量原理，建立了基于熒光光譜的空間高等植物葉綠素含量測量系統，并采用SVM算法在標定部分進行建模。經過原理上的驗證，可見SVM在回歸的相關性和誤差上比標準線性回歸效果要好許多。

[1] 鄭偉波.空間高等植物培養觀察裝置及其空間飛行實驗[J].科學技術與工程，2007,17(7):4403-4407.

[2] 楊昊諭.基于葉綠素熒光光譜分析的植物生理信息檢測技術研究[D].長春：吉林大學,2010.

[3] 李海生.支持向量機回歸算法與應用研究[D].廣州：華南理工大學,2005:1-18.[4] Vapnik V N.The nature of statistical learning theory[M].New York:Springer Verlag,1995.

[5] Vapnik V N,Levin E,Le Cun-Y.Measuring the VC dimension of a lerning machine[J].Neural Computation,1994,6:851-876.

[6] Mendes R,Kenney J.The full informed particle swarm:Simpler,maybe better[J].IEEE Transaction on Evolutionary Computation,2004,8(3):204-210.

[7] 朱 波，劉 飛，李順江.基于優化有向無環圖支持向量機的多變量過程均值異常識別[J]．計算機集成制造系統，2013，19(3):549-568．

Measurement technology for chlorophyll content in space higher plants based on fluorescence spectrum

FAN Ping，ZHENG Wei-bo，CUI Zhao

(Shanghai Institute of Technical Physics，Chinese Academy of Sciences， Shanghai 200083，China)

Doing research on technology for real-time detection of process parame-ters of photosynthesis in higher plants have great significance for deeply studying biological effects of space.Chlorophyll content which is an important parameter of photosynthesis in higher plants shows a very good correlation with fluorescence spectra.Therefore,establish correlation model between fluorescence spectra and chlorophyll to indirectly represent the chlorophyll content by detecting and analyzing fluorescence spectra of plants.Describe a new method of modeling which is support vector machine(SVM).Through experimental verification,the method is feasible to predict the chlorophyll content,which has better prediction performance and higher precision than linear regression method.

fluorescence spectrum;calibration;support vector machine(SVM);linear regression

10.13873/J.1000—9787(2016)11—0140—03

2016—01—20

V 556

A

1000—9787(2016)11—0140—03

樊 平(1990-)，女，江蘇揚州人，碩士研究生，主要從事熒光光譜成像方面的研究工作。