基于高光譜的烤煙葉綠素含量估算模型研究*＊

蔣柏春，李德侖，韋克蘇，張富貴，王杰，劉紅蕓

(1.貴州大學機械工程學院，貴陽市，550025；2.貴州省煙草科學研究院，貴陽市，550025；3.四川礦產機電技師學院，成都市，611230）

0 引言

葉綠素是綠色植物光合作用的重要色素，影響到作物與外界的物質能量交換及作物的物質積累，其含量的高低對植物光合效率、發育狀況及烘烤工藝等有重要的指示作用[1-2]，因而煙葉葉綠素含量的估測是監測烘烤煙葉烘烤狀態的有效手段。

同時，作物葉片的葉綠素含量與作物反射光譜之間聯系緊密。高光譜具有波段多、圖譜合一和分辨率高的特點，把二維圖像和光譜技術融為三維的圖譜信息。

用高光譜成像技術檢測的葉綠素具有安全、快速、無損、定量等特點，并能對葉片大區域葉綠素含量的檢測，有較大的應用潛力[3]。

國內外學者在玉米、草叢及葡萄等葉片的葉綠素含量的高光譜估測方面都有研究。Kaasalinen等[4]利用雷達高光譜技術建立了葉綠素快速和無損預測模型。

李敏夏等[5]分析了蘋果葉片高光譜特征與葉綠素含量和SPAD值的關系，研究了葉片的SPAD值和葉綠素含量與微分光譜之間的相關性，李方舟等[6]做了基于高光譜數據的水旱地冬小麥葉綠素含量監測，取得了比較理想的結果，楊杰等[7]通過修正光譜指數建立了水稻上部葉片葉綠素含量的高光譜估算模型，楊峰等[8]利用高光譜技術研究了不同生長期下小麥與水稻兩種作物的葉綠素含量和冠層光譜之間的變化，將兩種作物的葉綠素含量與其冠層光譜數據的相關性進行比較，進而確定了監測兩種作物葉綠素含量的最佳植被指數，但對于在煙葉烘烤過程中實時檢測煙葉不同烘烤溫度下葉綠素含量的相關研究較少。

文章以貴陽市平壩區云煙87為研究對象，探討合適的光譜參數和反演方法，為葉綠素含量快速準確估算提供參考，進而為煙葉烘烤工藝提供依據。

1 材料與方法

1.1 試驗設計

試驗于2019年在貴州省貴陽市平壩區天龍實驗基地進行，挑選不同地塊煙葉，取下部煙葉為實驗對象，供試烤煙品種為云煙87，試驗設置尚熟、成熟、完熟三種成熟度，按照442烘烤工藝進行烘烤，分別在烤前、40℃后、45℃后進行取樣分析，每次每個關鍵點取樣3片為一個重復，取10個重復，每個樣本都進行如下處理：從烤房中取樣，編號，進行高光譜數據采集，采集完高光譜數據后帶回實驗室進行干燥殺青及粉碎，運用分光光度法測定葉綠素含量。

1.2 烤煙葉片光譜測定

葉片光譜測量采用雙利合譜公司生產的GaiaSky—mini2光譜測定儀，這種探測器內置石英鹵化燈,光源穩定，波長測量范圍400～1 000 nm，光譜分辨率3.5 nm，測量時葉片置于密閉的采集光箱中標定的固定位置，攤開葉片，在采集光譜數據時，使光譜相機垂直向下，正對煙葉，且在測定時其距離烤煙煙葉的高度為1.6 m。每次測量前進行標準白板校正，每次記錄3組數據，最后以其平均值作為該樣本的光譜反射值。

1.3 烤煙葉片葉綠素濃度的測定

采用分光光度法測定葉綠素含量[9]，將進行完光譜測定的煙葉帶回實驗室進行干燥殺青及粉碎，每個樣本做3個重復，取其平均值作為該煙葉的葉綠素值和類胡蘿卜素值計算公式

Ca=13.95A665-6.80A649

Cb=24.96A649-7.32A665

式中：Ca——葉綠素a濃度，mg/L；

Cb——葉綠素b濃度，mg/L；

Cc——類胡蘿卜素濃度，mg/L；

A665——葉綠素提取液在波長為665 nm下的吸光度；

A649——葉綠素提取液在波長為649 nm下的吸光度；

A470——葉綠素提取液在波長為470 nm下的吸光度。

1.4 數據處理分析

采用SpecView，ENVI5.3.1 整理光譜數據，SPSS22.0，Excel進行數據分析，Matlab 16b，Python3.6進行模型構建，最后對模型精度進行評價，比較各模型的決定系數、均方根誤差及均方誤差。

2 結果與分析

2.1 不同成熟度烤煙葉綠素含量和光譜反射率的變化

運用分光光度法測定云煙87不同成熟度，不同烤煙烘烤溫度點色素含量，每個關鍵點色素含量取其平均值結果如表1揚示。可以看出，隨著烘烤過程中溫度上升，烤煙葉片葉綠素含量隨之降低，其中，葉綠素含量在烘烤至40℃時降解速率最快，類胡蘿卜素先降低后升高，其中，類胡蘿卜素含量在烘烤至40℃時降低，40℃～45℃時升高。鮮煙葉葉片葉綠素含量揚占的比例高于類胡蘿卜素，烘烤過程中葉綠素含量比例迅速降解，烘烤至45℃時，類胡蘿卜素含量揚占比例高于葉綠素。葉綠素含量于不同成熟度間與不同程度烘烤處理間差異顯著。對于不同成熟度烤煙葉片在烘烤過程中不同溫度點時，葉綠素含量表現為：尚熟＞成熟＞完熟。

表1 云煙87不同成熟度，不同烤煙烘烤溫度點色素含量變化Tab.1 Changes in pigment content of Yunyan 87 with different maturity and different curing temperature points mg/L

2.2 原始光譜反射率及一階導數光譜反射率

圖1分別反映了烤煙在尚熟，成熟，完熟下隨著烘烤溫度的上升煙葉葉片光譜反射率的變化。由圖1可知，隨著烘烤過程中溫度的上升，各成熟度煙葉葉片光譜反射率間的差異表現較為明顯。3種不同成熟度的鮮煙葉光譜在400～480 nm的反射率都小于0.1，主要是煙葉葉綠素和類胡蘿卜素對紫外光和藍紫光的吸收，光線的投射和反射量很小，這個波段的反射率曲線較為平緩且反射率很低，400～700 nm可見光區域內，反射曲線呈現“一峰兩谷”的現象，在550 nm處出現波峰，此處為葉綠素的強反射區，稱為“綠峰”。在近紅外波段（700～1 000 nm），各種處理及成熟度煙葉光譜反射率都較高，40℃烘烤煙葉光譜反射率在可見光譜區域內高于鮮煙葉，45℃烘烤煙葉光譜反射率高于40℃烘烤煙葉，表明隨著烘烤溫度的上升，葉綠素含量逐漸降低，光譜反射率上升，不同成熟度烤煙光譜反射率隨溫度變化大致相同，但對于40℃與45℃的原始光譜反射率曲線區分不夠明顯。

圖1不同成熟度云煙87在不同烘烤溫度點高光譜反射率Fig.1 Hyperspectral reflectance of Yunyan 87 with different maturity levels at different baking temperatures

針對原始光譜曲線沒法直接區分40℃與45℃的烤煙葉片，對原始光譜曲線進行一階導數求導，其結果如圖2揚示。由圖2可知，一階導數光譜曲線具有多峰現象，在可見光范圍內具有明顯的峰值，峰值出現在490～510 nm,560～570 nm,580～720 nm等，而 在400～700 nm以及大波段范圍內，跳躍性較大，這是由一階導數的計算方法揚決定的[10]。而處理這些峰的位置、大小，以及軸與峰之間揚包圍的面積差異，是構建光譜特征參數的依據，對于尚熟的3條一階導數光譜曲線都在490～500 nm，690～700 nm出現波峰但波峰高度不同，可以明顯區分不同烘烤溫度點烘烤煙葉，從煙葉的一階微分光譜數值中提取位置變量，面積變量等光譜特征參數用于烤煙葉片葉綠素含量反演模型的構建。

圖2 不同成熟度云煙87在不同烘烤溫度點一階導數光譜反射率Fig.2 First derivative spectral reflectance of Yunyan 87 with different maturity at different baking temperature points

2.3 特征波長選擇

連續投影算法[11]（SPA）是一種新興的敏感波長選取算法，能夠從光譜信息中充分尋找含有最低限度的冗余信息的變量組，有效消除各種波長變量之間的共線性影響，使得變量之間的共線性達到最小，降低模型的復雜度。其簡便快速的特點得到越來越多的應用，在多種樣品波長的選取中取得了很好的效果[12]。

本文使用ENVI軟件從不同成熟度，不同烘烤溫度點各選取10片煙葉高光譜圖像，共90張煙葉圖像，用ENVI5.3.1 軟件選取合適的感興趣區域Region of Interesting（ROI），如圖3揚示，首先在每片煙葉圖像中隨機選擇3個感興趣區域（大小為1像素×1像素的正方形），然后提取每個感興趣區域內光譜信息，最后將3個區域的光譜取平均值，得到對應的1條原始光譜數據，分別處理云煙87不同成熟度不同烘烤溫度點烘烤煙葉，每個烘烤溫度點處理10片烘烤煙葉，共得到90條煙葉光譜數據。

圖3 葉綠素的ROIFig.3 ROI of chlorophyll

將ENVI軟件提取出來的數據處理后輸入matlab R2016b，用SPA算法對ROI區域的平均光譜進行篩選，SPA算法優先選10個波長作為葉綠素含量的優選波長組合，這些波段都是葉綠素信息區域波段，含有葉綠素的吸收峰，且此時的預測平均標準偏差最小，運用這些波長建立多元線性回歸模型，運算結果如圖4揚示。根據云煙87不同成熟度不同烘烤溫度點煙葉篩選416 nm，420 nm，465 nm，648 nm，700 nm，775 nm，850 nm，875 nm，916 nm和935 nm作為特征波長。

圖4 SPA運行結果Fig.4 SPA running results

2.5 建模方法與模型評價

2.5.1 SPA-BP,SPA-Ridge,SPA-LR模型

BP神經網絡實質上實現了一個從輸入到輸出的映射功能，數學理論證明三層的神經網絡就能夠以任意精度逼近任何非線性連續函數。這使得其特別適合于求解內部機制復雜的問題，即BP神經網絡具有較強的非線性映射能力。BP神經網絡在訓練時，能夠通過學習自動提取輸出、輸出數據間的“合理規則”，并自適應的將學習內容記憶于網絡的權值中，能很好的對光譜數據和理化值進行擬合[13]。將SPA算法篩選出的10個特征波長數據作為輸入，建立SPA-BP模型進行不同烘烤溫度點煙葉葉綠素含量的預測和驗證[14]。訓練樣本數據共48組，測試樣本數據24組，每組有10個特征變量，因此SPA-BP模型的輸入層、隱含層、輸出層的神經節點各為48,10，1，用BP神經網絡建模[15-16]，其真實值與預測值對比結果如圖5(a)。

Ridge回歸模型是一種專用于共線性數據分析的有偏估計回歸方法，實質上是一種改良的最小二乘估計法，Ridge回歸模型通過放棄最小二乘法的無偏性，避免部分光譜信息的損失從而提高精度來獲得回歸系數，表明Ridge回歸是更為符合實際、更可靠的回歸方法[17-18]。

線性回歸（Linear Regression）[19]是線性回歸方程的最小平方函數對一個或多個自變量和因變量之間關系進行建模的一種回歸分析方法，這種函數是一個或多個稱為回歸系數的模型參數的線性組合，只有一個自變量的情況稱為簡單回歸，大于一個自變量情況的叫做多元回歸。將SPA算法篩選出的10個特征波長數據作為輸入，建立SPA-Ridge模型和SPA-LR模型進行不同烘烤溫度點煙葉葉綠素含量的回歸預測，建立SPA-LASSO,SPA-LR模型，其真實值與預測值對比結果如圖5(b)。

圖5 模型結果Fig.5 Model results

通過分析圖5，表2可以看出，3種基于SPA連續投影算法的預測模型都能有效預測不同烘烤溫度點煙葉葉片葉綠素濃度，其中SPA-BP預測模型效果最好，R2為0.967,RMSE為0.101,SPA-LR預測模型次之，R2為0.956，SPA-Ridge預測模型最低，R2達到了0.916，由于LR和Ridge這類線性模型對原始數據中異常數據過于敏感，Ridge回歸進行建模分析前會先原始數據進行正則化處理，這會導致部分有效數據的丟失，因此SPA-Ridge模型的預測能力較SPA-BP模型的精度稍差。LR回歸雖未對原始數據進行其他處理，但線性回歸魯棒性很差，受到個別數據噪點的影響很大，導致SPA-LR模型預測和測試表現很差。然而BP神經網絡方法因為非線性映射能力和自適應學習能力，從而SPA-BP預測效果要優于線性方法，有更好的尋優能力和預測精度。

表2 不同預測模型建模結果Tab.2 Modeling results of different prediction models

2.5.2 檢測結果驗證

表3為煙葉葉片葉綠素含量反演值和參考值結果。

最后選取SPA-BP模型對剩余的24組烘烤葉片樣本進行反演值和參考值的仿真驗證。將24組煙葉葉片樣本的10個波段圖像的反射率代入反演模型計算出煙葉葉片葉綠素含量反演值。

參照趙紅寧等[20]運用近紅外光譜法快速測定砂仁中的水分時判別模型穩健性驗證方法，以誤差率＜0.1來判別實測值與預測值相等，其余表示不相等，則SPA-BP預測模型的準確率為83.33%，SPA-Ridge預測模型的準確率為70.83%，SPA-LR預測模型的準確率為75%，基本符合對葉綠素含量的預測。

3 結論

以貴州省貴陽市平壩區天龍實驗基地烘烤煙葉為研究對象，在分析烘烤煙葉葉綠素含量與光譜反射率相關性的基礎上，選取能夠反映煙葉葉綠素差異的光譜參數，分別采用SPA-BP,SPA-Ridge和SPALR3種方法建立了烘烤煙葉葉片葉綠素含量的預測模型，并對各種模型的預測精度進行了比較，得到以下結論。

1）云煙87不同成熟度烘烤煙葉隨著烘烤過程中溫度上升，烤煙葉片葉綠素含量隨之降低，葉綠素含量于不同成熟度間與不同程度烘烤處理間差異顯著。對于不同成熟度烤煙葉片在烘烤過程中不同溫度點時，葉綠素含量表現為：尚熟＞成熟＞完熟。

2）由不同烘烤煙葉原始光譜曲線表明：隨著烘烤溫度的上升，葉綠素含量逐漸降低，光譜反射率上升，不同成熟度烤煙光譜反射率隨溫度變化大致相同，對于40℃與45℃的原始光譜反射率曲線區分不夠明顯，而一階導數光譜反射率中，同一成熟度煙葉不同烘烤溫度點光譜曲線特征變化較大，3條曲線都在490～500 nm，690～700 nm等出現波峰但波峰高度不同，可以明顯區分不同烘烤溫度點烘烤煙葉。

3）通過SPA算法可對高光譜數據進行特征波段篩選，實現數據的降維優化，SPA算法篩選得出的部分特征波段具有較好的合理性，可為葉綠素高光譜監測傳感器設計和反演機理研究提供參考。

4）分別用基于SPA算法的SPA-BP,SPARidge,SPA-LR3種預測模型預測不同烘烤溫度點煙葉葉片的葉綠素濃度，3種模型的R2分別為0.967，0.916，0.956，都能很好預測葉綠素含量，其中SPABP模型要優于其他兩種模型，檢驗SPA-BP模型時，以誤差率＜0.1來判別實測值與預測值相等，其余表示不相等，則SPA-BP預測模型的準確率為83.33%，SPA-Ridge預測模型的準確率為70.83%，SPA-LR預測模型的準確率為75%，基本符合對葉綠素含量的預測。