基于成像高光譜的蘋果葉片葉綠素含量估測模型研究

牛魯燕，鄭紀業，張曉艷，孫家波，王風云，孔慶福

葉綠素含量是植物生長過程中一個重要的生化參數，對植被光合能力、發育階段以及營養狀況有指示作用［1］。目前，常用于葉綠素監測的方法為分光光度法和SPAD－502型葉綠素儀檢測法；但傳統的分光光度法費時、費力，屬于有損檢測，很難滿足精準農業實時、快速、無損和大面積監測的要求。日本Minolta Camera公司生產的手持式SPAD－502型葉綠素儀只能逐點對葉片進行監測，并且需要測定多株，將平均值作為測定結果，工作量大［2］。高光譜遙感是一種快速、無損監測技術，可在不破壞植物組織結構的前提下，實現對作物生長季營養狀況的監測［3］。

國內學者對蘋果高光譜的研究主要集中在樹冠LAI高光譜估測［4］、樹冠 SPAD 高光譜估測［5］、基于RGB模型的蘋果葉片葉綠素含量估測［6］、葉片磷素含量高光譜估測［7］、蘋果樹葉片病害區域提取［8］等。但針對山東區域內蘋果樹正常葉片和受紅蜘蛛脅迫的葉片葉綠素含量估測的研究鮮有報道。

本研究利用在試驗區測定的蘋果葉片高光譜與實測的蘋果葉片葉綠素含量數據，在進行相關分析的基礎上，建立了蘋果葉片葉綠素含量與光譜特征參量間的定量關系模型，以期為利用高光譜遙感技術對蘋果生長監測提供理論依據和技術支持。

1 材料與方法

1.1 實驗設計

本試驗所使用的葉片是在山東泰安萬吉山基地采摘的蘋果樹葉片；將采摘的葉片裝在保鮮袋中，在確保低溫無損害的條件下帶回實驗室。采集時間為2017年6月8日。

對受紅蜘蛛危害的葉片，根據紅蜘蛛在葉面上的數量進行等級劃分，分為初級、中級、高級三種受損程度，并采集正常葉片（定義為0級）作為對照。每種程度采摘10片葉子，共收集40片蘋果葉。

1.2 光譜測定

蘋果樹葉片高光譜測量采用美國Surface Optics Corporation公司生產的SOC710VP可見－近紅外高光譜成像式地物光譜儀在可控制光照條件（鎢燈照明）實驗室內進行，光譜范圍為350～1050 nm，光譜分辨率為4.6875 nm

1.3 蘋果葉片葉綠素SPAD值的測定

本次試驗采用SPAD－502葉綠素儀測量蘋果葉片的SPAD值。采用現摘現測的方式，并對每片葉片進行標記，與所測定的高光譜數據對應。

2 結果與分析

2.1 紅蜘蛛脅迫下蘋果葉片的光譜特征提取與分析

從圖1可以看出，蘋果葉片在紅蜘蛛脅迫（葉片附有紅蜘蛛）下，受脅迫程度不同（初級、中級、高級）的葉片光譜反射率差異不明顯，但與正常葉片在420～700、750～1050 nm波段差異明顯。

在4種狀態（0級、初級、中級、高級）下，蘋果葉片高光譜反射率曲線有一致的趨勢，即380和550 nm處的反射峰、680 nm處的吸收谷、680～780 nm處的紅邊，以及780 nm以上波段的近紅外反射平臺。在近紅外波段（780～1050 nm），正常葉片的反射率值最高，高級受損葉片和中級受損葉片次之，初級受破壞葉片最低。這說明，正常葉片內部細胞結構正常，形成多次反射，所以反射率值最高；受紅蜘蛛脅迫的葉片，葉片內部細胞遭到破壞，反射率值要低于正常葉片。

隨著脅迫程度的加深，附著在葉片上的紅蜘蛛本身的反射率隨波長的增加而逐漸升高，所以在近紅外波段850～1050 nm這個范圍內，高級受損葉片的反射率開始逐步高于中級受損葉片。

正常葉片和受紅蜘蛛脅迫葉片的光譜反射率在420～700、750～1050 nm波段有明顯差異，因此這2個波段可作為判斷遭受紅蜘蛛脅迫的識別波段。

紅蜘蛛的光譜反射率也表現出一定的植被特征，在近紅外波段（780～1050 nm）由于紅蜘蛛個體的反射導致葉片反射率有增高趨勢，這也可以為劃分紅蜘蛛病情指數提供一定的參考。

在400～780 nm波段范圍內，受紅蜘蛛不同程度脅迫的蘋果葉片間光譜反射率差別不大。

2.2 紅邊位置的提取

紅邊是綠色植物在680～750 nm的反射率增高最快的點，也是一階導數在該區間的拐點，是由植物在紅光波段強烈的吸收與近紅外波段強烈的反射造成的。

圖2表明，蘋果葉片0級和高級的一階導數高光譜曲線變化趨勢基本相似，在400 nm處和720 nm處都形成一個明顯的波谷和波峰。采用一階導數最大值所在波段提取紅邊位置，本研究的紅邊位置在720 nm波長處。

圖1 蘋果葉片的原始光譜反射率高光譜曲線

圖2 蘋果葉片的原始光譜反射率一階導數高光譜曲線

2.3 受紅蜘蛛脅迫蘋果葉片光譜反射率及其一階導數與葉綠素含量的相關分析

在蘋果成長的早期，初級、中級、高級受紅蜘蛛破壞葉片的反射率相差不大，可以把三者統稱為遭受紅蜘蛛的脅迫狀態。在本文中我們選擇高級受紅蜘蛛破壞后的葉片進行分析。

相關分析和SPSS統計分析結果（圖3）表明，蘋果0級葉片的原始光譜反射率與葉綠素含量呈負相關，在377 nm處呈顯著負相關（P＜0.05），是原始光譜反射率作為估測蘋果葉片葉綠素含量的敏感波長；在可見光范圍（490～780 nm）內最大相關系數出現在波長710 nm處，相關系數為－0.605，其次為715 nm處，相關系數為－0.589。蘋果高級葉片的原始光譜反射率與葉綠素含量間的相關系數比較小，且相關性不顯著，但是也出現了明顯的波峰和波谷。

圖3 蘋果葉片原始光譜反射率與葉綠素含量的相關性

對蘋果0級葉片的光譜反射率一階導數與葉綠素含量進行相關分析，結果（圖4）表明：在513～539 nm、564～585 nm、694 nm（Pearson相關系數為－0.822**）、699 nm（Pearson相關系數為－0.877**）處兩者間均呈極顯著負相關；在372 nm（Pearson相關系數為－0.672*）、498 nm（Pearson相關系數為－0.694*）、508 nm（Pearson相關系數為－0.739*）、544 nm（Pearson相關系數為－0.739*）、549 nm（Pearson相關系數為－0.749*）、559 nm（Pearson相關系數為－0.758*）、590 nm（Pearson相關系數為0.736*）、611 nm（Pearson相關系數為 0.759*）、642 nm（Pearson相關系數為0.716*）、705 nm（Pearson相關系數為－0.759*）、816 nm（Pearson相關系數為0.749*）、843 nm（Pearson相關系數為－0.726*）、945 nm（Pearson相關系數為0.674*）、951 nm（Pearson相關系數為0.771*）處均呈顯著相關。

由圖4還可見：蘋果高級葉片的光譜反射率一階導數與葉綠素含量在961 nm處呈顯著正相關，Pearson相關系數為0.632*；在972 nm處呈顯著負相關，Pearson相關系數為－0.723*。

圖4 蘋果葉片的原始光譜反射率一階導數與葉綠素含量的相關性

綜合以上分析結果，對于蘋果0級葉片，選擇2個波段區間和4個單波段作為敏感變量，分別為377 nm 處的原始光譜反射率，513～539、564～585、694 和699 nm處的原始光譜反射率一階導數，以及紅邊位置720 nm處的原始光譜反射率。對于蘋果高級葉片，選擇961和972 nm處的原始光譜一階導數、紅邊位置720 nm處的原始光譜反射率作為敏感變量。

2.4 基于敏感性波段的模型建立

應用SPSS軟件，將敏感波段的原始光譜反射率進行各種變換后作為變量，建立蘋果葉片葉綠素含量的估測回歸模型；然后進行比較，找出每種變換中擬合度較高的模型，篩選結果見表1。從表1可以看出：以377 nm處原始光譜反射率作為變量確定的線性函數估測模型的R2最大，為0.427*；其次是以377 nm處原始光譜反射率作為變量確定的對數函數估測模型，其R2值為0.425*。因此對這2個估測模型進行進一步的驗證。

表1 蘋果0級葉片葉綠素含量回歸模型及其參數的準確性（n＝135）

續表1：

從表2可以看出：以972 nm處的一階導數作為變量確定的線性函數估測模型的R2最大，為0.523*；其次是以961 nm處的一階導數作為變量確定的線性函數估測模型，其R2值為0.400*。對這2個估測模型進一步進行模型驗證。

表2 蘋果高級葉片葉綠素含量回歸模型及其參數的準確性（n＝30）

2.5 模型驗證

隨機抽取在同組試驗中測定的蘋果葉片的試驗數據，對上述篩選出的蘋果葉片SPAD值的4個估測模型進行測試與檢驗，篩選出檢驗精度高的模型。結果見表3和表4。

表3 蘋果0級葉片模型的擬合精度參數檢查（n＝9）

表4 蘋果高級葉片模型的擬合精度參數檢查（n＝20）

3 結論與討論

受季節、土壤、氣候等自然因素和施肥、栽培技術與管理等人為因素的影響，蘋果葉片的高光譜信息會有不同的變化。本研究主要對山東區域內蘋果葉片葉綠素含量進行監測研究，并用同一區域的樣本數據對模型進行了驗證，增強了監測模型的可信性和適應性。但是所建立的估測模型對于不同地區、不同品種、不同生長期的蘋果葉片葉綠素含量檢測是否適用，還需要做進一步的探索。

本研究利用葉綠素含量與高光譜特征參量之間的關系，建立了蘋果葉片葉綠素含量的估測模型，經過精度檢驗分析對比，最后確定山東區域蘋果0級（正常）葉片葉綠素含量的最佳估測模型為線性函數模型SPAD＝152.450－1884.851R377；蘋果高級受損葉片葉綠素含量的最佳估測模型為線性函數模型SPAD＝49.371－46428.473 R’972。這兩個模型為蘋果葉片葉綠素含量的估測提供了方法和參考，對蘋果的精準施肥以及快速、無損長勢監測具有一定的指導意義和參考價值。

［1］蔣金豹，陳云浩，黃文江.用高光譜微分指數估測條銹病脅迫下小麥冠層葉綠素密度［J］.光譜學與光譜分析，2010，30（8）：2243－2247.

［2］王紀華，黃文江，勞彩蓮，等.運用PLS算法由小麥冠層反射光譜反演氮素垂直分布［J］.光譜學與光譜分析，2007，27（2）：1319－1322.

［3］王克如，潘文超，李少昆，等.不同施氮量棉花冠層高光譜特征研究［J］.光譜學與光譜分析，2011，31（7）：1868－1872.

［4］韓兆迎，朱西存，房賢一，等.基于SVM與RF的蘋果冠層樹冠 LAI高光譜估測［J］.光譜學與光譜分析，2016，36（3）：800－805.

［5］韓兆迎，朱西存，王凌，等.基于連續統去除法的蘋果冠層SPAD高光譜估測［J］.激光與光電子學進展，2016，53（023001）：1－10.

［6］程立真，朱西存，高璐璐，等.基于RGB模型的蘋果葉片葉綠素含量估測［J］.園藝學報，2017，44（2）：381－390.

［7］程立真，朱西存，高璐璐，等.基于隨機森林模型的蘋果葉片磷素含量高光譜估測［J］.果樹學報，2016，33（10）：1216－1229.

［8］胡榮明，魏曼，競霞，等.基于成像高光譜的蘋果樹葉片病害區域提取方法研究［J］.西北農林科技大學學報：自然科學版，2012，40（8）：95－99.