烤烟叶片色素含量的高光谱预测模型研究

邢雪霞，刘国顺，贾方方，孙榅淑，贾春雷

河南农业大学烟草行业烟草栽培重点实验室/烟草行业烟草栽培重点实验室，郑州文化路95号 450002

烤烟叶片色素含量的高光谱预测模型研究

邢雪霞，刘国顺，贾方方，孙榅淑，贾春雷

河南农业大学烟草行业烟草栽培重点实验室/烟草行业烟草栽培重点实验室，郑州文化路95号 450002

研究烤烟叶片的高光谱曲线特征，探索建立烤烟色素含量的高光谱预测模型，以促进高光谱技术在现代烟草农业中的发展。采用大田试验，分析了不同光质条件下，烤烟叶片光谱的特征。利用相关分析方法，确定了21个光谱参数与色素含量的相关性，并建立了叶片色素含量的高光谱线性与非线性模拟方程。不同光质处理下，烟叶叶片光谱曲线相似，在可见光与近红外短波区域差异比较明显，而在近红外长波区域基本没有差异。光谱参数G_NDVI和TCARI分别与叶绿素、类胡萝卜素含量之间有较好的相关性，并建立了预测模型。经精度检验结果显示，模型能较好的预测烤烟色素含量。光谱参数G_NDVI和TCARI能有效检测烤烟色素含量，为高光谱技术在不同生态区域的应用提供理论依据。

烤烟；高光谱；色素含量；模型

叶绿素被认为是植物营养胁迫、光合能力和衰老进程各阶段的良好指示剂[1]，光合色素分为叶绿素（叶绿素 a、叶绿素 b）和类胡萝卜素，前者主要是吸收光能物质，影响植被的光能利用率，后者有保护叶绿素的功能。因此实时、动态掌握作物叶片色素状况，可以对作物群体光合能力及营养状况进行有效监测，实现植物营养的快速诊断和高效管理。传统的色素分析方法需要破坏性取样，在时间和空间上难以满足实时、快速、无损、精确诊断的要求，而高光谱遥感技术的发展，使之成为可能，且易于进行大范围测量[2]。Blackburn利用670 nm附近叶绿素的主要吸收波段，构造了色素比值指数(PSSR)和色素归一化指数(PSND)，用于估算山毛榉、橡树、枫树和甜栗子4种树叶的色素含量[3]。张连蓬等对18种叶绿素指数进行普适性研究，结果表明植被指数TCARI、MCARI、mND705、mSR705具有优于其他植被指数的普适性，并认为建立回归反演模型时,非线性抛物线模型的预测精度优于线性模型[4]。蒋锦锋等应用近红外光谱技术建立烟草17项主要化学成分的快速无损检测方法[5]。李向阳等对不同施肥量的烟草叶片进行室内光谱测定，通过逐步回归分析方法建立了色素含量估测模型[6]。刘大双等对感染不同程度花叶病的烤烟光谱进行线性和非线性拟合估测烤烟叶绿素含量[7]。

光质对不同烤烟生态区烟叶独特的风格特色及质量有密切关系，邬春芳等认为云南独特的低纬高原气候造就云烟特有的清香型风格，而光照质量在诸多生态因子中作用最为突出[8]，陈伟等认为贵州产区上部叶开片不理想的原因是光质中蓝光含量多[9]。前人虽对利用高光谱技术测定色素含量有大量研究，但是尚未有基于光谱的不同光质条件下烤烟色素含量的研究。本研究在大田中通过不同颜色的滤光膜人工制造不同的光质组成，测定不同生育时期烤烟叶片光谱和色素含量，筛选出不同光质下烤烟的最优拟合光谱参量，同时对光谱指数与色素含量进行线性和非线性模拟，建立最佳估测模型，以期为烤烟适产优质栽培，遥感估产提供理论依据和技术支持，提高烤烟栽培的信息化管理水平。

1 材料与方法

1.1 田间试验设计

试验于2012年在河南省南阳市方城县金叶园科技园区（东径 112°54′，北纬 33°15′）进行。该试验地土壤为黄壤土，pH为7.48，有机质11.45 g· kg-1,全氮 0.72 g·kg-1，碱解氮 55.0 mg·kg-1，速效磷（P2O5）18.0 mg·kg-1，速效钾（K2O）135 mg·kg-1。每个处理施用的肥料均为硝酸铵（含纯氮34%），重过磷酸钙（含P2O546%），硫酸钾（含K2O 50%）；各处理总氮施用量为45 kg/hm2，按N﹕P2O5﹕K2O=1﹕1﹕3.5施入磷钾肥，其中氮、磷、钾肥的70%条施作基肥，30%作穴肥。

试验设白色滤光膜（CK）、蓝色滤光膜、绿色滤光膜、黄色滤光膜和红色滤光膜5个处理，以太阳光透过不同颜色的滤光膜（上海伟康有色薄膜厂）得到不同的光质。供试品种为云烟87，于4月25号按110cm×60cm行株距移栽，每处理种烟45棵。移栽后30 d，将不同颜色滤光膜搭在高2.8 m，底部宽6 m，长6 m的弓形铁支架上，弓形架为南北走向，南北两端口不覆盖，保持通风。田间栽培管理措施均按优质烟叶生产技术规范进行。

1.2 测定方法

1.2.1 光谱测定

叶片光谱的测定使用美国ASD公司生产的FieldSpec3野外光谱测定仪自带的手持式叶片夹持器，其内置石英卤化灯，光源稳定。测量时将烟株叶片放入夹持器叶室内，夹紧叶室，保证叶片的叶面积相同，同时消除环境背景及噪声的影响。光谱仪波段范围为350～2500 nm，350～1000 nm分辨率为3 nm，1000～2500 nm分辨率为10 nm。于移栽后30 d、45 d、60 d、75 d、90 d、105 d测定不同光质处理叶片光谱，每次测定前先进行白板校正。光谱测定时，选择各处理具有代表性、无病害的三棵烟株，分别对每棵烟株中部叶的叶尖、叶中、叶基三个部位进行测定，每个部位连续测定10组数据，以各个部位数据的平均数作为该叶片的光谱曲线。

1.2.2 色素含量测定

对测定完光谱的叶片进行取样，采用分光光度计法[10]测定叶绿素a(chlorophyll a，简写为chla、叶绿素b（chlorophyll b，简写为chlb）和类胡萝卜素（carotenoid，简写为car）的含量。

1.3 线性与非线性模型拟合模型的选择

简单线性函数：y=a+bx；幂函数：y=axb；指数函数：y=aebx；抛物线函数：y=a+bx+cx2；对数函数：y=a+bln（x）；S曲线函数：y=1/（a+be-x）。其中，y为色素含量的拟合值；x为光谱参量；a、b、c均为常数。

1.4 叶绿素含量高光谱遥感模型的精度检验

采用决定系数（R2）、均方根误差（RMSE）和相对误差（RE%）对预测值和实测值之间的拟合精度进行全面检验，以确定模型的适用性。

1.5 数据分析方法

本文收集整理了已报道的对色素敏感的叶片光谱指数（见表1），并分析其与本实验的相关性及回归方程，确定最优的模拟方程。

原始光谱数据通过光谱仪随机软件ViewSpecPro进行转换处理，其他数据处理在excel2007和DPS v7.05中进行。

另外，将不同时期测定的所有样本(n=90)，随机抽取其中的60个样品作为建模样本，剩余30个作为模型的检验样本。

表1 常用估算叶片色素含量的高光谱参数Tab.1 Hyperspectral indices for estimating leaf pigment concentrations

2 结果与分析

2.1 不同光质处理下烤烟光谱特征

光质条件对烤烟色素含量、细胞结构等均有重要的影响，调节烤烟的生长发育进程，进而影响叶片反射光谱的变化。由图1可知，不同光质下烤烟叶片的光谱反射率的形状基本相似，只是反射率值的高低略有不同，这说明不同光质下烤烟叶片的组织结构与主要组成物质差别不大，叶片色素含量、组织结构性状等有量的差异。在580～680 nm光谱曲线差异比较显著，这可能是因为可见光区的光谱特征受到各种色素含量共同影响，而光质对色素含量有着显著的影响。在850～1300 nm近红外短波区域，白光＞黄光＞红光＞蓝光＞绿光，该区域光谱的差异与叶肉的组织结构、细胞的层数有密切的关系。在近红外的长波区域（1350～2500 nm），不同处理间几乎没有差异，这是因为近红外的长波区域的光谱特征主要受水分的影响，而光质对烤烟水分含量的影响相对较小。不同光质下烤烟叶片高光谱反射率的这种变化奠定了研究烤烟叶片色素含量与其光谱反射参数之间关系的基础。

图1 不同光质下烤烟叶片的高光谱曲线Fig.1 Hyperspectral curves of tobacco leaf with different light constitution

2.2 光谱参数与色素含量相关性分析

分析不同光质下色素含量与光谱参数的相关性发现，与叶片叶绿素a和叶绿素a+b相关性较好的高光谱参数与叶绿素b的相关性也较好，这可能是因为叶绿素a、叶绿素b、叶绿素a+b关系密切，前人也经常使用相同的高光谱参数描述三者之间的定量关系。在已列出的21个高光谱参数中，有20个差异有高度统计学意义，其中PSSRa与叶绿素b差异无统计学意义，与叶绿素a和叶绿素a+b差异有统计学意义。同时发现，G_NDVI与叶绿素的含量相关性最大，与叶绿素a和叶绿素a+b的相关性达到了0.9以上，而TCARI与类胡萝卜素呈现显著的负相关性，相关系数达到-0.79。因此可以使用G_NDVI估测烤烟叶绿素含量，利用TCARI估测烤烟类胡萝卜素的含量，这与孙雪梅等[22]在水稻抽穗后顶一叶中色素含量的估测相一致。

表2 高光谱特征参数与色素含量之间的相关系数（n=90）Tab.2 Correlation analysis between chlorophyll density and hyperspectral indices (n=90)

2.3 烤烟色素含量模型的建立与检验

易秋香等研究表明，相同的自变量不同的拟合模型，拟合效果差别比较大[23]。因此以从表2中筛选出的G_NDVI、TCARI为自变量，对叶绿素和类胡萝卜素进行线性和非线性拟合，建立烤烟叶片色素含量与高光谱参数之间的线性、幂函数、指数函数、抛物线函数、对数函数、S函数6种检测模型。结果显示：G_NDVI与叶绿素a含量的关系以幂函数最优，与叶绿素b和叶绿素a+b以抛物线函数为最优；TCARI与类胡萝卜素以抛物线模型为最优，幂函数次之（表3）。

在以拟合R2最大的优选原则的基础之上，再进一步筛选对叶绿素a、叶绿素b、叶绿素a+b、类胡萝卜素的最佳预测模型。利用筛选出来的检验样本对建立的回归模型的精度进行检验。为评价实测值与检测值之间的预测效果，采用均方根差（RMSE）、相对误差（RE%）指标进行综合评定。Chl a、Chl b、Chla+b和 Car 的监测值与实测值之间较优拟合方程的均方根误差（RMSE）分别为0.075、0.090、0.088、0.080，相对误差（RE%）分别为 3.708、4.181、11.574、15.267，均相对较小，表明模型能较好地检测不同光质下烤烟色素的含量，表明模型能较好地监测烤烟叶片色素含量（表4）。

不同光质下，烤烟叶绿素a、叶绿素b、叶绿素a+b、类胡萝卜素的高光谱最佳估测模型分别为：chla=0.368*（G_NDVI）^0.242，chlb=0.336+0.053*（G_NDVI）+0.095*（G_NDVI）2，chla+b=0.355-0.011*（G_NDVI）+0.015*（G_NDVI）2，car=0.980-3.867*（TCARI)+5.850*（TCARI)2（表3）。

表3 烤烟色素含量与高光谱特征参数的线性与非线性回归模型（n=60)Tab.3 Regression models of leaf spectral parameters with pigment contents (n=60)

表4 烤烟叶片色素含量线性与非线性估测模型的误差分析（n=30）Tab.4 Performance of the estimation models for predicting leaf pigment concentrations in tobacco（n=30）

3 结论与讨论

本研究在烤烟生长的关键时期进行了6次试验，同步测定了不同光质处理条件下的叶片光谱反射率和色素含量；建立了烤烟色素含量的线性和非线性预测模型。通过分析得出以下结论：

（1）烤烟叶片光谱反射率在不同光质条件下差异显著。不同光质条件下烤烟叶片光谱反射率在可见光与近红外短波区域差异比较显著，而在近红外长波区域基本没有差异，这可能与光质对色素含量、细胞结构的影响密切相关。

（2）筛选出与叶绿素a、叶绿素b、叶绿素a+b、类胡萝卜素关系最密切的光谱参数。 21个光谱参数中，除了光谱参数PSSRa外，其他光谱参数均与色素含量达到1%的统计学意义。与叶绿素含量最密切的光谱参数为绿度归一化植被指数G_NDVI，与类胡萝卜素含量最密切的光谱参数为转换叶绿素吸收反射指数TCARI。

（3）在建立的线性和非线性拟合方程中，经过精度检验，叶绿素a含量以幂函数模型为最优，叶绿素b、叶绿素a+b、类胡萝卜素以抛物线模型为最优，最佳估测模型分别为：chla=0.368*（G_NDVI）^0.242，chlb=0.336+0.053*（G_NDVI）+0.095*（G_NDVI）2，chla+b=0.355-0.011*（G_NDVI）+0.015*（G_NDVI）2，car=0.980-3.867*（TCARI)+5.850*（TCARI)2。

本试验光谱测定采用高光谱仪自带光源的手持式叶片夹持器，它易于进行大面积的精确测量，这对揭示大田生态系统的高光谱时空分布，反演色素含量变化，提高测定结果及建立模型的精度具有重要的意义。然而，本实验检测模型是基于单年大田数据建立的，若今后能通过不同年份、不同品种、更多样本的广泛检验并不断完善，有效的实现估测模型精度与普适性的统一，将使高光谱技术在烟草栽培、营养诊断与产量估测方面具有更大的应用价值和前景。

[1]Merzlyak M N,Gitelson A A,Chivkunova O B,et al.Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J].Physiologia plantarum,1999,106(1):135-141.

[2]Gamon J A,Qiu H L.Ecological applications of remote sensing at multiple scales[J].Handbook of functional plant ecology,1999,805:846.

[3]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches[J].Remote sensing of environment,1998,66(3):273-285.

[4]张连蓬,柳钦火,王德高,等.高光谱遥感植被指数的普适性分析[J].测绘通报,2010,9:000.

[5]蒋锦锋,李莉,赵明月.应用近红外检测技术快速测定烟叶主要化学成分[J].中国烟草学报,2006,12(2):8-12.

[6]李向阳,刘国顺,杨永锋,等.烤烟叶片高光谱参数与多种生理生化指标关系研究[J].中国农业科学,2007,40(5):987-994.

[7]刘大双,刘国顺,李向阳,等.TMV 侵染后烤烟叶片色素含量高光谱估算模型研究[J].中国烟草学报,2009,15(2):60-65.

[8]邬春芳,李军营,李向阳,等.不同颜色薄膜遮光对烟草生长期质体色素含量的影响[J].中国烟草学报,2011,17(6):48-53.

[9]陈伟,蒋卫,梁贵林,等.光质对烤烟生长发育,主要经济性状和品质特征的影响[J].生态环境学报 ISTIC,2011,20(12).

[10]张志良,植物学.植物生理学实验指导[M].高等教育出版社,1990.

[11]Gitelson A A,Merzlyak M N.Signature analysis of leaf reflectance spectra:algorithm development for remote sensing of chlorophyll[J].Journal of plant physiology,1996,148(3):494-500.

[12]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches[J].Remote sensing of environment,1998,66(3):273-285.

[13]Carter G A.Ratios of leaf re flectances in narrow wavebands as indicators of plant stress[J].Remote sensing,1994,15(3):697-703.

[14]Carter G A,Cibula W G,Dell T R.Spectral reflectance characteristics and digital imagery of a pine needle blight in the southeastern United States[J].Canadian Journal of Forest Research,1996,26(3):402-407.

[15]Daughtry C S T,Walthall C L,Kim M S,et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment,2000,74(2):229-239.

[16]Haboudane D,Miller J R,Pattey E,et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies:Modeling and validation in the context of precision agriculture[J].Remote sensing of environment,2004,90(3):337-352.

[17]Zarco-Tejada P J,Berjón A,López-Lozano R,et al.Assessing vineyard condition with hyperspectral indices:Leaf and canopy re flectance simulation in a row-structured discontinuous canopy[J].Remote Sensing of Environment,2005,99(3):271-287.

[18]Rouse Jr J W,Haas R H,Deering D W,et al.Monitoring the vernal advancement and retrogradation (green wave effect)of natural vegetation[J].1974.

[19]朱西存,赵庚星,王瑞燕,等.苹果叶片的高光谱 特征及其色素含量监测[J].中国农业科学,2010,43(6):1189-1197.

[20]Peñuelas J,Piñol Ogaya R,Filella I.Estimation of plant water concentration by the reflectance Water Index WI(R900/R970)[J].International Journal of Remote sensing,1997,18(13):2869-2875.

[21]Gamon J A,Penuelas J,Field C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic ef ficiency[J].Remote Sensing of Environment,1992,41(1):35-44.

[22]孙雪梅,周启发,何秋霞.利用高光谱参数 预测水稻叶片叶绿素和籽粒蛋白质含量[J].作物学报,2005,31(7):844-850.

[23]易秋香,黄敬峰,王秀珍,等.玉米叶绿素高光谱遥感估算模型研究[J].科技通报,2007,23(1).

Hyperspectral prediction model of flue-cured tobacco leaf pigment content

XING Xuexia,LIU Guoshun,JIA Fangfang,SUN Wenshu,JIA Chunlei
National Tobacco Physiology and Biochemistry Research Center,Key laboratory of tobacco cultivation,Henan Agricultural University,Zhengzhou 450002,China

Hyperspectral characteristics of tobacco leaves were analyzed with the objective to build hyperspectral monitoring models for pigment content in tobacco leaves.The development of hyperspectral techniques in modern tobacco agriculture was discussed.Hyperspectral characteristics of tobacco leaf with different light constitution were investigated.Relationship between 21 hyperspectral parameters and pigment content was analyzed by using relevance analysis.Hyperspectral parameter-based linear and nonlinear monitoring models for tobacco leaf pigment content estimation were built.Hyperspectral curves under different light quality were similar.Difference in visible and near-infrared shortwave regional was signi ficant,while there is little difference in the near-infrared wavelength.Spectral indices of G_NDVI and TCARI showed a close correlation with chlorophyll and carotenoid content,and their monitoring models were set up accordingly.These models were proved to be reliable for monitoring content of leaf pigment monitoring by the index of root mean square deviation (RMSE) and relative error (RE%).Results showed the availability of G_NDVI and TCARI in monitoring leaf pigment content,thus providing a theoretical basis for the application of hyperspectral technology in different ecological areas.

tobacco；hyperspectral data；leaf pigment content；model

10.3969/j.issn.1004-5708.2014.01.010

S572.01

A

1004-5708（2014）01-0054-07

中国烟草总公司浓香型特色优质烟叶开发（110201101001（TS-01））

邢雪霞（1988—），硕士研究生，研究方向为烟草栽培生理，Email：xingxuexia2008@163.com

刘国顺（1954—），教授，主要从事烟草栽培生理生化教学及研究，Email：liugsh1851@163.com

2013-04-12