赣南脐橙叶片含水量和叶绿素含量的近红外检测

刘德力，周衍华，赵文星，刘燕德

(1.江西省兴国县农业和粮食局，江西兴国342400;2.华东交通大学机电工程学院，江西南昌330013)

赣南是我国种植面积最大的脐橙生产基地，年产量居世界第三，并有“中国脐橙之乡”之称的美誉。研究赣南脐橙果树生长发育就必须研究其生长发育过程营养元素的变化，这些元素直接影响果树的长势和产量。表征脐橙生长状况的最主要信息包括脐橙叶片的含水量和叶绿素含量。叶绿素含量与植株抗病性有直接关系［1－3］，水分直接影响脐橙的生长和产量以及品质。因此快速地获取脐橙水分状况，对脐橙估产及农情监测等方面具有重要意义［4］。

近红外光谱分析方法作为是一种快速、简便及无破坏性的测量方法，国内外很多学者基于该方法应用在植物营养元素的检测上［5－8］。董晶晶等利用反射光谱信息对提取叶片含水量的方法进行比较研究［8］。赵瑞娇等通过对温室番茄叶片叶绿素含量和叶片含水量研究并分析了不同营养水平下番茄冠层和叶片的反射光谱变化［9］。蒋焕煜等应用近红外检测技术对尖椒叶片叶绿素含量的分析，建立叶片叶绿素含量模型且预测相关系数和预测标准误差都很好［10］。

国内外利用近红外光谱检测技术应用在赣南脐橙的研究较少。因此笔者以江西赣南脐橙果园基地的脐橙叶片为研究对象，应用近红外光谱技术，分别用偏最小二乘(PLS)、主成分回归(PCR)和最小二乘支持向量机(LS-SVM)方法对脐橙叶片的含水量和叶绿素含量建立相应的模型。分析并比较3种建模方法PLS、PCR和PLR在预测脐橙叶片的含水量和叶绿素含量的模型精确度，从而得到一种快速检测叶片含水量和叶绿素含量的定量估计模型，为快速获取叶片养分含量提供理论依据。

1 材料与方法

1.1 脐橙叶片样品的采集与处理 供试的88个叶片样品来自江西省万安县脐橙果园种植基地，选取不同位置的脐橙果树，根据施肥与果树大小来划分选取22棵果树，每棵间距大于15 m。采集东西南北不同区域的同一层叶片，每棵树采集4片。对采集回来的叶片带回实验室，用水冲洗干净叶片，并晾干。然后对叶片样品进行编号、标记，在对样品进行光谱采集前储存条件平均温度20℃，相对湿度60%。

1.2 脐橙叶片样品近红外光谱数据的采集 脐橙叶片近红外光谱采集仪器为布鲁克TENSOR37型傅立叶变换近红外光谱仪。仪器相配套附件有旋转工作台、透射样品腔和RTInGaAs检测器等。光谱仪的基本参数设置:测量范围12 000～4 000 cm－1，分辨率为8 cm－1，重复扫描32次。试验期内室内温度都在15～20℃，空气湿度在45% ～50%。采集光谱的过程中，应该使脐橙叶片保持平整的状态。每次采集脐橙叶片光谱前应该进行参考板校正，每个脐橙叶片样品分别采集6条近红外光谱，然后取样品的平均光谱。

1.3 光谱预处理方法 采集的近红外光谱往往会受到噪声等各种外界因素的干扰。噪声主要包括以下几部分:基线漂移、高频随机噪声、样品不均匀和光散射等，这些因素直接对模型的建立产生不利影响，因此需要对光谱进行预处理以便降噪、减少各种不利因素的干扰，提高模型预测精度。该试验使用数据处理软件Unscrambler对傅立叶变换近红外光谱仪采集的光谱进行预处理，使用的预处理方法SG平滑、多元散射校正、一阶微分、二阶微分、标准归一化、基线校正(SG/MSC/1st D/2nd D/SNV/Baseline)6种预处理方法。

1.4 脐橙叶片含水量和叶绿素含量的测定

1.4.1 脐橙含水量的测定。脐橙叶片含水量采用相对含水量。对叶片称重，将称重纸放入精度为0.000 1 g的电子秤上，待数据显示稳定时进行归零操作。然后将样品放入称重纸上，待数据显示稳定时记录数据(m1)。将采集光谱后的叶片的88个样品放入烘箱烘干。按照上面操作过程对样品进行称重并记录数据m2。计算叶片的相对含水量(Leaf Moisture Content，LMC):

LMC=(m1－m2)/m1

1.4.2 脐橙叶片叶绿素含量的测定。脐橙叶片叶绿素含量的测定使用SPAD-520Plus叶绿素仪测量，SPAD值的大小反应了脐橙叶片中叶绿素的相对含量的多少。SPAD-520Plus叶绿素仪的测量区间相对叶片是一个很小的点，为了测量更加精确，该试验采取多次测量的方法，对采集光谱的叶片区域内进行上、下、左、右4个方位测量叶绿素含量，然后取4个位置的叶绿素含量平均值作为叶绿素含量的真值。

1.5 模型建立与评价 模型采用预测相关系数(RP)、预测均方根误差(RMSEP)进行评价。判断模型预测能力好不好，其模型结果应该具有较高的预测相关系数(RP)以及较小的预测集均方根误差(RMSEP)，RP越接近1、RMSEC和RMSEP越小并且两个值相差不大时，则说明所建模型越好，反之模型预测效果不好。

2 结果与分析

2.1 脐橙叶片近红外光谱图 图1为样品在4 000～12 000 cm－1范围内的原始光谱，其中5 180、6 869 cm－1为2 个明显的吸收峰。叶绿素是一种有机物，包含各种有机分子团OH、C－H、N－H等。5 180 cm－1吸收峰为O－H振动的组合频、N－H伸缩振动和弯曲振动的组合频、C－H第一组组合频(5 000～4 160 cm－1)叠加而成，6 869 cm－1吸收峰为O －H伸缩振动的一级倍频、N－H伸缩振动的一级倍频(6 666 cm－1)叠加所致。图1中3条曲线是从88个脐橙叶片样品中挑选出来，可大致分为高、中、低3类。

2.2 脐橙叶片含水量和叶绿素含量的测量结果 在88个脐橙叶片样本中，根据含量梯度法以近似2∶1的比例从总样中选取59个样本用于建模，剩余29个样本用于验证模型。其脐橙叶片样本的基本统计值见表1。

表1 样品测量的统计

2.3 脐橙叶片含水量和叶绿素含量的模型建立及验证 采集到的原始光谱使用一阶微分、二阶微分、SG平滑、标准正态变量变换、基线校正、多元散射校正方法进行预处理。分别建立了PLS、PCR和LS-SVM方法的脐橙叶片相对含水量模型和叶绿素含量模型。其结果分别如如表2、3、4所示。

表2 叶片含水量和叶绿素含量的PLS模型结果

在使用LS-SVM方法的模型建立中，要求调的参数就2个。γ和σ是算法的2个最为重要的参数:γ是正规化参数，决定误差的最小化以及光滑程度;σ2则是核函数RBF的参数。γ和σ2的参数优化采用几何学方法两点格子状搜寻技术［11－13］来。将模型参数(γ，σ2)的取值范围设定为10－3～106。模型参数的最优组合的确定是通过matlab软件计算得到的。

2.4 脐橙叶片含水量和叶绿素含量模型验证结果对比分析 采集的近红外光谱往往会受到噪声等各种外界因素的干扰。提高模型预测精度通常对采集的光谱进行预处理。而模型的评价由预测相关系数RP、预测均方根误差(RMSEP)决定。通常一个良好的模型应具有小的校正均方根误差RMSEC和预测均方根误差RMSEP，且两者的值越接近越好。根据评价原则，在用PLS方法建立的叶片含水量和叶绿素含量模型中，对比光谱不同预处理后，发现6种不同的预处理对预测叶片含水量的结果影响不大，RP的值在0.980左右，且RMSEC和RMSEP几乎无相差，其中最好的组合是None-PLS 建模，其中 RP为0.985，RMSEP 为0.023;在预测叶片叶绿素含量的结果除了对原始光谱进行1st预处理模型不甚理想，其他预处理模型结果相差不大，预测相关系数RP在0.90～0.94，其中最好的组合是原始光谱直接PLS建模，其中RP为 0.940，RMSEP 为 3.587。

表3 叶片含水量和叶绿素含量的PCR模型结果

表4 叶片含水量和叶绿素含量的LS-SVM模型结果

同样，在用PCR方法建立的叶片含水量和叶绿素含量模型中，对比光谱不同预处理后。找出建模最优组合，对叶片含水量预测效果最好的是MSC-PCR，其RP为0.981，RMSEP为0.025;在预测叶片叶绿素含量的效果最好SG-PCR，其中RP为0.903，RMSEP为4.451。在用 LS-SVM 方法建模中，对叶片含水量预测效果最好的是原始光谱直接LS-VSM建模，其中 RP为0.981，RMSEP为0.037;在预测叶片叶绿素含量的效果最好的组合是MSC-LS-VSM，其中RP为0.933，RMSEP 为0.230。

对比3种方法建立的预测模型。在预测叶片含水量的模型中，3种方法预测效果整体相差不大，其最优的预测模型是使用 PLS 建模(RP=0.985，RMSEP=0.023)。图2 为 PLS模型对29个叶片样品的验证散点图。在预测叶片叶绿素含量的模型中，3种方法预测效果相差不大，通过LS-SVM建模后，RMSEP值有所降低。虽然用PLS建模方法得到的RP=0.940 最大，但是RMSEP(RMSEP=3.587)较用LS-SVM 建模得到的结果(RMSEP=0.230)大，且用LS-SVM建模得到的RP(0.933)与0.940相差很小，所以在预测叶片叶绿素含量的模型中，最有预测效果是MSC-LS-VSM。图3是LS-SVM模型对叶绿素含量29个样品的验证散点图。

只用一种方法同时预测叶片含水量和叶绿素含量，在预测叶片含水量的最优建模方法是PLS，而在预测叶绿素含量时最优建模方法是LS-SVM，但是PLS方法预测叶绿素含量效果较LS-SVM相差不大。综合考虑，用一种方法同时预测叶片含水量和叶绿素含量，最优建模方法是PLS。

3 结论

试验以赣南脐橙叶片为研究对象，运用近红外光谱技术检测叶片含水量和叶绿素含量2个指标，在全波段4 000～12 000 cm－1范围内建立了2个指标的PLS、PCR和LS-SVM定量检测模型。结果分析发现，在预测叶片含水量和叶绿素含量的模型中，3种方法预测精度整体相差不大，且建模的预测结果都较为理想，可以定量预测叶片含水量和叶绿素含量。

在预测叶片含水量的模型中，3种方法预测效果整体相差不大，其最优的预测模型是使用PLS建模，其中RP=0.985，RMSEP=0.023。

在预测叶片叶绿素含量的模型中，3种方法预测效果相差不大，最优预测模型是MSC-LS-VSM，其中RP=0.933，RMSEP=0.23。只用一种方法对2个指标含量建模，其最优建模方法是PLS。

［1］陈臻，徐秉良.叶绿素含量与草坪草对叶枯病抗病性的关系［J］.草原与草坪，2005(2):59 －61.

［2］颜惠霞，徐秉良，梁巧兰，等.南瓜品种对白粉病的抗病性与叶绿素含量和气孔密度的相关性［J］.植物保护，2009，35(1):79 －81.

［3］刘会宁，朱建强，万幼新.几个欧亚种葡萄品种对霜霉病的抗性鉴定［J］.上海农业学报，2001，17(3):64 －67.

［4］吉海彦，马淏，梁雪.近红外光谱无损检测农作物叶片含水量的研究进展及发展趋势［J］.仪器仪表学报，2009，30(6):497 －499.

［5］MCWHIRT A L，WEINDORF D C，CHAKRABORTY S，et al.Visible near infrared diffuse reflectance spectroscopy(VisNIR DRS)for rapid measurement of organic matter in compost［J］.Waste Management ＆ Research，2012，30(10):1049 －1058.

［6］范如芹，杨学明，张晓平，等.东北黑土不同组分有机碳的近红外光谱测定［J］.光谱学与光谱分析，2012，32(2):349 －353.

［7］SAKIRKIN S P，MORGAN C S，AUVERMANN B W.Effects of sample processing on ash content determination in solid cattle manure with visible/near-infrared spectroscopy［J］.Transactions of ASABE，2010，53:421－428.

［8］董晶晶，牛铮，沈艳，等.利用反射光谱信息提取叶片水分含量的方法比较［J］.江西农业大学学报，2006，28(4):587 －591.

［9］赵瑞娇，李民赞，杨策.温室番茄冠层和叶片光谱特征分析及营养诊断［J］.光谱学与光谱分析，2010，30(11):3103 －3106.

［10］蒋焕煜，应义斌.尖椒叶片叶绿素含量的近红外检测分析实验研究［J］.光谱学与光谱分析，2007，27(3):499 －502.

［11］刘飞，王莉，何勇.应用有效波长进行奶茶品种鉴别的研究［J］.浙江大学学报:工学版，2010，44(3):619 －624.

［12］LIN H，CHEN Q，ZHAO J.Determination of free amino acid content in Radix Pseudostellariae using near infrared(NIR)spectroscopy and different multivariate calibrations［J］.Journal of Pharmaceutical and Biomedical Analysis，2009，50(5):803 －808.

［13］YU H Y，NIU X Y，LIN H J，et al.A feasibility study on on-line determination of rice wine composition by Vis–NIR spectroscopy and least squares support vecto machines［J］.Food Chemistry，2009，113(1):291 －296.