基于高光譜的核桃葉片鐵元素含量反演模型研究

瞿余紅，王振錫，丁雅，劉玉霞，董淼，李園

(新疆農業大學林學與園藝學院/新疆教育廳干旱區林業生態與產業技術重點實驗室，烏魯木齊 830052)

0 引 言

【研究意義】鐵(Fe)元素是形成葉綠素所必須的營養元素[1]，在植物呼吸作用和代謝過程中發揮著重要的作用。當植株缺鐵時，葉片呈黃綠色，嚴重時可由上而下枯死。鐵元素作為評價植物長勢的重要指標[2]，對植物的生長發育起著決定性的作用。經過近20年的規模發展，新疆林果產業進入了提質增效的階段，特色經濟林產業已經成為新疆農村經濟發展和農民增收的主導產業[3]。阿克蘇地區屬于典型暖溫帶大陸性干旱氣候，年日照時數長達2 670～3 022 h，晝夜溫差大，適宜核桃生長，是新疆特色林果產業的核心產區。截至2015年，新疆南疆核桃(JuglansregiaL.)種植面積已達28×104hm2(420萬畝)。依然存在栽培技術落后、缺乏科學施肥的問題，果樹產量和品質提升仍然有較大的空間，探索準確、快捷、無損的核桃營養元素監測技術顯得尤為迫切。因此，實時、快捷、準確的監測果樹營養元素含量，指導果農對果樹進行科學合理的施肥[4]，對保障區域林果業優質高效生產與可持續發展具有十分重要的現實意義[5]。【前人研究進展】傳統葉片化學分析方法，對果樹營養元素含量測定具有較高的檢測精度[6]，但這些分析普遍對土壤和植株具有一定的破壞性，且受高耗性、繁冗復雜性、時滯性等制約，很難對大范圍果樹進行全面、快速的營養診斷。近年來高光譜技術發展迅速，國內外學者對玉米(Zeamays.)[7]、棉花(Gossypiumhirsutum)[8]、辣椒(Capsicumannuum)[9]、水稻(Oryzasativa)[10]、小麥(Triticumaestivum)[11]等作物進行了大量的研究，發現作物的營養狀況與其葉片光譜特征緊密相關[12]；在對蘋果[13](Maluspumila)、柑橘(Citrusreticulata)[14]、棗(Ziziphusjujuba)[15]等果樹光譜的研究上發現經過二階微分、歸一化一階微分等預處理后的光譜與氮含量的相關系數有所提高；Yoder[16]認為光譜反射率的一階導數與葉綠素含量建模精度最高。胡珍珠[17]利用篩選出的雙波段一階微分構建的輪臺白杏(Armeniacavulgariscv.)葉片鐵濃度回歸模型取得了很好的擬合效果。【本研究切入點】利用光譜分析技術監測果樹營養元素含量已成為當前果樹營養診斷的有效方法之一。當前對果樹光譜的研究大多集中在大量元素上，普遍認為一階微分光譜能夠明顯增強光譜與植物營養元素含量的相關關系[18]，但對植物微量元素反演方面的研究相對較少。試驗基于高光譜的核桃葉片鐵元素含量反演模型研究。【擬解決的關鍵問題】研究阿克蘇核桃不同觀測期葉片Fe素含量的葉片光譜敏感波段篩選，建立具有普適性的光譜估算模型。為阿克蘇地區核桃微量元素快速無損估測提供技術途徑。

1 材料與方法

1.1 材 料

試驗于2016年9月5日在新疆阿克蘇地區紅旗坡農場(41°14′39″N～41°16′18″N、80°15′46″E～80°18′51″E，海拔1 215 m)進行。在試驗區內隨機選取8個生長狀況良好的核桃生產園作為采樣區，在每個采樣區隨機選取8棵健康核桃作為樣株，分別在樣株的陰面、陽面和中部三個位置方向上采摘3個葉片，每個方向作為一個采樣單元，共計192個采樣單元。為控制外界噪聲、光照以及水分流失等因素對葉片光譜造成干擾，將采摘后的葉片迅速裝入密封袋，帶回實驗室進行葉片光譜測定。

1.2 方 法

1.2.1 光譜測定

葉片光譜采用美國Analytical Spectral Device( ASD )公司生產的ASD FieldSpec4光譜儀進行測定，該光譜儀波段范圍在350～2 500 nm，其中350～1 000 nm 光譜采樣間隔為1.4 nm，光譜分辨率3 nm；1 000～2 500 nm 光譜采樣間隔為2 nm，光譜分辨率為 10 nm。在光譜輸出時，儀器自動進行重采樣，每測量一次會獲得5條光譜，每次數據測定前均需進行白板校正。測定過程中避開葉脈，分別于主葉脈左右兩側中部位置各采集一次光譜，將每個采樣單元的30條光譜取平均值，即為當前單元的最終光譜，共得192組樣本光譜數據。剔除部分奇異值后，剩余111組樣本光譜數據，運用隨機分組法將其中2/3(即74組)作為建模樣本，剩余1/3(即37組)作為檢驗樣本。

1.2.2 鐵元素含量測定

為確保葉片光譜與元素含量的一致性，對已進行光譜測定的葉片置于60 ℃的烘箱內烘干48 h。將每個采樣單元的3個葉片去除葉脈后粉碎、混勻，稱取0.170～0.180 g葉樣，用原子吸收光譜法進行Fe素含量的測定。

1.3 數據處理

1.3.1 光譜數據轉換

原始光譜數據經微分、對數和歸一化處理后，能夠在不同程度上提高光譜數據與反演參量的相關關系。一階微分光譜在一定程度上能夠消除部分線性或者接近線性的噪聲光譜對目標光譜的影響[19]；二階微分則在消除背景信號上效果明顯[20-21]。在光譜微分分析中發現，隨階數的增加，相關系數呈現出先增加后減少的趨勢，且在階數為2時達到最大值[22]；對數變換不僅在減弱因光照條件變化而引起的乘性因素方面有重要影響，而且在提高可見光區域光譜差異方面也有顯著的效果[23]；歸一化在消除信號干擾方面有很大的作用。因此，為進一步提高模型精度，采用一階微分、二階微分、對數、對數一階微分、對數二階微分、歸一化、歸一化一階微分等7種數據轉換形式，分析核桃葉片光譜與鐵元素含量間的相關關系和模型構建。

1.3.2 數據分析與模型構建

利用EXCEL分析葉片原始光譜、不同數據轉換后光譜與葉片Fe素含量的相關關系，在SPSS系統下采用線性回歸和主成分分析回歸模型進行估算模型構建。模型精度檢驗采用擬合度(R2)、均方根誤差(RMSE)、預測偏差比(RPD)[24]等指標進行評價。

(1)

(2)

2 結果與分析

2.1 核桃葉片光譜反射率特征

植物葉片的光譜曲線是葉片組成、表面與內部結構特征在光譜序列上的綜合響應。根據實測光譜數據繪制核桃葉片平均光譜曲線圖。研究表明，核桃葉片光譜曲線符合健康綠色植物的反射波譜特征。在可見光波段(400～680 nm)內，核桃葉片由于受葉綠素的影響，主要吸收紅光和藍光，在552 nm處出現一個強的反射峰，稱為“綠峰”，在665 nm處出現一個強的吸收谷，稱為“紅谷”。由于受到強散射作用，在680～760 nm光譜曲線急劇上升，形成“陡坡”，稱為“紅邊”；在近紅外波段(760～1 335 nm)內，受葉片內部細胞組織結構的影響，對光的吸收相對薄弱，形成了一個高反射率平臺。在1 335～2 500 nm，受葉片含水量的影響，在1 440和1 930 nm附近形成兩個吸收谷。 圖1

2.2 不同數據轉換光譜反射率與鐵元素含量相關關系

將不同數據轉換光譜與Fe素含量相關關系繪制成圖。研究表明，數據轉換光譜與Fe素含量相關系數較原始光譜明顯提升，其中對數光譜和原始光譜相關系數曲線變化規律基本保持一致，均在可見光(410～742 nm)、近、中紅外(1 390～2 500 nm)表現呈正相關，在近紅外(742～1 390 nm)呈負相關；其余數據轉換光譜相關系數曲線則波動較大。除原始光譜相關系數在0.791以外，其余光譜相關系數(R)均大于0.885，其中一階微分、二階微分、對數一階微分、對數二階微分和歸一化一階微分相關系數則達到在0.910以上。選擇相關系數較大的前三種數據轉換(二階微分、對數二階微分和歸一化一階微分)作為最佳的核桃葉片光譜數據轉換方式。將原始光譜相關系數絕對值大于0.750(697～720 nm)，二階微分(562、1 577、1 578、1 579、1 819、1 820和1 821 nm波長)、對數二階微分(725～730 nm、1 140 nm、1 141 nm、1 443 nm、1 444 nm、1 445 nm波長)和歸一化一階微分(1 417～1 421 nm、2 196 nm、2 212～2 219 nm波長)光譜相關系數絕對值大于0.915的波長作為核桃葉片Fe素含量的敏感波段。表1，圖2

圖1 核桃葉片光譜曲線
Fig.1 Spectral curve of Juglans regia L. leaf
表1 不同光譜數據與Fe素含量最大相關系數
Table 1 Maximum correlation coefficient between different spectral data and Fe content

數據轉換Data conversion 相關系數Correlation coefficient(R)數據轉換Data conversion 相關系數(R)Correlation coefficient(R)原始Original 0.791**對數一階微分Logarithmic first-order differential-0.914**一階微分First-order differential-0.910**對數二階微分Logarithmic second-order differential 0.921**二階微分Second-order differential-0.915**歸一化Normalization -0.885**對數Logarithm 0.892**歸一化一階微分Normalized first-order differential-0.919**

注：**在0.01水平上極顯著相關(P<0.01)：*在0.05水平上顯著相關(P<0.05)，下同

Note:**Significant(P≤0.01)，*Significant(P≤0.05).The same as below

注：A:一階微分與二階微分光譜；B:原始光譜與對數光譜； C:對數一階與對數二階光譜；D:歸一化與歸一化一階光譜

Note: A：First-order differential and second-order differential spectra; B:The original spectrum and the logarithmic spectrum; C:Logarithmic first order and logarithmic second order spectrum; D:Normalized and normalized first order spectra

圖2 不同數據轉換核桃葉片光譜與Fe含量相關關系曲線
Fig 2 Correlation curves between the spectrum of Juglans regia L.leaf and Fe content in different data conversion

2.3 基于光譜數據的鐵元素估算模型

2.3.1 線性回歸模型

以不同數據變換后篩選出的敏感波段為自變量，Fe素含量為因變量，構建Fe素含量的逐步回歸模型。研究表明，所有構建模型擬合程度均較好，R2值在0.795～0.902，且二階微分、對數二階微分和歸一化一階微分光譜所建立的模型擬合度(R2)均高于原始光譜。其中以731 nm、1 141 nm、726 nm波長為自變量構建的對數二階微分光譜模型擬合效果最佳，R2值達到了0.902，比原始光譜擬合度提高了13.5%。歸一化一階、二階微分、原始光譜擬合度依次遞減，取值分別為0.896、0.871和0.795。表2

表2 不同光譜變量與葉片鐵元素含量的線性回歸模型
Table 2 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

數據轉換Data conversion建模波段Modeling band估測模型Estimation model擬合度Fitting degree(R2)原始Original705 nmy=-1 022.385+9 579.491 λ7050.795**二階微分Second-order differential562 nm、1 577 nm、1 820 nmy=-47.894-6 131 730.612 λ1 577-3 232 163.174 λ562-18 401 095.684 λ1 8200.871**對數二階微分Logarithmic second-order differential731 nm、1 141 nm、726 nmy=1 471.743-930 689.997 λ731+6 522 425.485 λ1 141+1 373 454.114 λ7260.902**歸一化一階微分Normalized first-order differential2 218 nm、1 414 nm、1 417 nm、1 421 nmy=554.881-817 043.092 λ2 218+4 333 219.844 λ1 414-2 370 279.404 λ1 417-1 801 704.104 λ1 4210.896**

2.3.2 主成分回歸模型

由于測得的核桃葉片光譜波段范圍較廣，僅通過提取某幾個波長作為敏感波段構建的模型難以全面、準確地估測葉片Fe素含量。而主成分回歸分析法(Principle component regression，PCR)在處理多指標問題方面效果比較顯著[25]，通過對篩選出的敏感波段進行主成分分析，以新的主成分值為自變量，Fe素含量為因變量，建立PCR模型。研究表明，所有構建的模型擬合程度均較好，R2值在0.809～0.914。不同光譜變量建立的模型中，數據轉換光譜擬合度明顯高于原始光譜；且同一變量不同回歸方程建立的模型中，三次方程擬合度略高于線性方程。其中以對數二階光譜建立的PCR三次方程模型效果最好，R2值達到了0.927，比原始光譜擬合度提高了14.4%，二階微分、歸一化一階、原始光譜擬合度依次遞減，R2值分別為0.914、0.869和0.810。表3

表3 不同光譜變量與葉片鐵元素含量的主成分回歸模型
Table 3 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

數據轉換Data conversion估測模型Estimation model擬合度Fitting degree(R2)原始Originaly=536.363+185.392 PC10.809**y=543.119+191.487PC13-6.354 PC12-2.29 PC10.810**二階微分Second-order differentialy=536.363-194.415 PC10.890**y=535.819-59.048 PC13-5.374 PC12-123.671 PC10.914**對數二階微分Logarithmic second-order differentialy=536.363+196.191 PC10.906**y=558.648+113.024 PC13-31.514 PC12+71.519 PC10.927**歸一化一階微分Normalized first-order differentialy=536.363-192.031 PC10.868**y=533.252-183.241 PC13-2.396 PC12-5.584 PC10.869**

2.4 精度評價

為了檢驗模型的可靠性，分別對原始、二階微分、對數二階微分、歸一化一階微分光譜構建的線性回歸模型和主成分回歸建模的三次模型進行精度檢驗。一般而言，擬合度(R2)和預測偏差比(RPD)越大，均方根誤差(RMSE)越小，表示模型的預測效果越好。RMSE表征了實測值與預測值間的離散程度，但衡量其優劣的標準仍因數量級的不同而有所區別。此外，RPD值在1.5～2.0，表示模型僅能粗略估測；在2.0～2.5，表示模型具有較好的預測能力；當RPD > 2.5時，表示模型具有非常好的預測能力。

研究表明，兩種建模情況下，經過數據轉換的光譜變量所建模型擬合度均在0.700以上，明顯優于原始光譜建模。從建模方式上來看，PCR方法的擬合效果略優于線性回歸法。以擬合度接近于1，RMSE接近0，RPD大于2的原則，對數二階微分光譜建立的主成分回歸模型擬合效果最好，R2達0.870，RMSE為0.304，RPO為2.39，顯示出較強的穩定性與可靠性，可以作為研究區核桃葉片Fe素含量估算的最佳模型。表4

表4 不同光譜變量的模型精度驗證
Table 4 Model accuracy verification of different spectral variables

模型類型The type of model數據轉換方法Data conversion method擬合度(R2)Fitting degree(R2)RMSERPD線性回歸Linear regression 原始0.564**0.8260.88二階微分0.735**0.5131.42對數二階微分0.821**0.3092.36歸一化一階微分0.801**0.3521.89主成分回歸Principal component regression原始光譜0.642**1.6430.44二階微分0.805**0.6461.13對數二階微分0.870**0.3042.39歸一化一階微分0.810**0.8320.39

3 討 論

由于作物的生長周期短、植株矮小便于操作，植被光譜營養元素估算的研究多集中在農作物方面，而在果樹上的研究較少，尤其是樹體微量元素的估算研究方面。以新疆南疆阿克蘇地區規模栽植的核桃為研究對象，探索了核桃葉片Fe素含量估測方法，構建核桃葉片Fe素含量光譜估測模型，為南疆地區核桃微量元素快速、無損估測提供技術支撐。

核桃葉片光譜呈現出在可見光范圍內變化較小，在近紅外范圍內變動較大的特征。這是因為在可見光范圍內主要受到的是來自植物體本身色素含量及色素比例差異的影響，而在近紅外范圍內，植物本身組織結構、水分含量以及外界的基線漂移、光源散射、高頻隨機噪聲則占主導作用。為了解決這些可能會對估測精度造成影響的因素，許多學者進行了大量研究。Barnes[26]提出可用基線校正的方法解決光譜分析中圖譜漂移的現象，而較為常用的基線校正方法便是對光譜進行一階微分、二階微分處理。研究表明，經二階微分處理后的錦橙葉片光譜與P含量在526、681 nm時相關系數分別達到了0.819和-0.845[27]。祁瓊[28]利用一階微分光譜(395、490、516、2 238 nm)反演的苔草氮素營養成分模型擬合度(R2)比原始光譜(700～740 nm)提高了4%。研究在前人研究的基礎上，結合核桃葉片光譜數據特征，采用7種數據轉換方法對核桃葉片原始光譜進行預處理。結果表明，經過數據轉換后的光譜與Fe素含量的相關系數明顯有所提升，且不同數據轉換形式對光譜的增強效果不同[29]，二階微分(562、1 577、1 820 nm)、對數二階微分(726、731、1 141 nm)和歸一化一階微分(1 414、1 417、2 218 nm)光譜構建的Fe素含量模型具有較好的預測能力。分析可知，敏感波段主要分布在可見光的綠光和紅光區，以及近紅外的1 141、1 820、2 218 nm左右，但也因樹種、地域及觀測時間的不同而有所偏移。

從光譜數據建模方法上來看，對光譜進行不同形式數據變換，利用PCR法構建的研究區Fe素含量模型的擬合效果均優于逐步回歸方法。在模型構建過程中，當自變量較多時，由于變量之間存在多重共線問題，線性逐步回歸方法會剔除部分貢獻較大但難以擬合的光譜波段，使得部分光譜信息丟失，建模結構單一，具有較大的局限性[30]。為了解決多元回歸建模過程中共線性問題，黃文珂[31]提出用PCR建立的模型優于偏最小二乘法以及嶺回歸法，胡珍珠等[32]在研究核桃含水率與葉片光譜之間的響應時也證實了這一觀點，認為PCR建模使多個自變量轉化為幾個相互獨立的綜合變量，消除了多重共線性的影響。研究采用PCR法構建的Fe素含量估測模型取得了較好的擬合效果，也說明了PCR方法在進行多變量模型擬合時具有一定的優勢。

從模型精度來看，邢東興等[4]建立的紅富士蘋果葉片Fe素含量估算模型擬合度R2在0.8以上。邵永妮[33]用PLS法預測水稻鐵素水平時得出R2為0.596，認為用特征波段預測水稻Fe素含量可行。研究采用PCR法構建的Fe素含量估測模型擬合度達0.870 7，RMSE為0.304，RPO為2.39，擬合效果略優于這些研究結果，但低于胡珍珠[17]等所構建的新溫185果實硬核期葉片Fe素濃度光譜模型精度(R2=0.933 4)，究其原因，可能是胡珍珠等[34]對試驗地采用了“3414”實驗設計，能夠較好的反映樹體葉片營養元素的不同梯度水平，而研究中實驗方案采用了隨機取樣的方式，不同果農對樹體的施肥量有所差異，樹體葉片肥力梯度可能仍然存在差異偏小的問題，故而導致估算模型精度稍低。但從模型精度驗證的總體情況來看，仍然顯示出光譜技術在研究區核桃樹體葉片Fe素含量估測方面具有較大的應用潛力，為阿克蘇地區核桃營養元素快速無損檢測提供依據。

研究光譜數據測定采用ASD FieldSpec4光譜儀，在室內通過儀器自帶燈源，采用手持葉夾式對核桃葉片進行光譜測量，避免了野外測定過程中的光照條件不一致和人工操作不穩定等因素，光譜數據獲取的精確性和穩定性相對較高。研究中光譜儀波段范圍較廣，為350～2 500 nm，便于進一步探索近、中紅外波段的核桃葉片Fe素含量敏感波長研究。所構建模型擬合度(R2)相對較高，RMSE較小，具有較強的穩定性與可靠性，可以作為研究區核桃葉片Fe素含量估測模型。另外，由于研究采樣范圍相對較小，仍然需要通過大量不同采樣區域的檢驗和完善，以提高其實用性。

4 結 論

研究區核桃葉片Fe素含量與光譜的敏感波段多集中在可見光范圍以及近紅外的1 141、1 820、2 218 nm左右。采用數據轉換光譜普遍能夠提高核桃葉片光譜反射率與Fe素含量間的相關關系，其中Fe素含量與對數二階微分光譜的相關系數較原始光譜升高0.2左右，提升幅度較大。研究區核桃葉片Fe素含量的光譜估測模型構建方法中，主成分回歸法優于線性回歸，其中以對數二階微分光譜構建的主成分回歸模型經精度驗證后是最佳的，能夠較好的對核桃葉片Fe素含量進行估測，利用光譜技術在研究區果樹葉片生化參量反演方面具有較大的應用潛力。