品种和割龄对橡胶树叶片氮含量高光谱估算的影响

黎小清，陈桂良，许木果，刘忠妹，邓乐晔

(云南省热带作物科学研究所，云南 景洪 666100)

品种和割龄对橡胶树叶片氮含量高光谱估算的影响

黎小清，陈桂良，许木果，刘忠妹，邓乐晔

(云南省热带作物科学研究所，云南 景洪 666100)

【目的】本文研究了品种和割龄对橡胶树叶片氮含量高光谱估算的影响。【方法】基于不同品种和割龄类型的橡胶树叶片样本，采用Savitzky-Golay(SG)平滑方法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。【结果】不同品种和割龄组合下模型的预测精度从优到劣依次为：既分品种又分割龄，只分割龄不分品种，只分品种不分割龄，不分品种和割龄。【结论】品种和割龄均会影响模型精度，尤其是割龄，不同的割龄分类方法预测结果差异较大，且割龄划分并非越细越好，将橡胶树割龄分为未开割、小于10割龄和10割龄以上3种类型时预测效果最佳。

高光谱；橡胶树；叶片；氮素；品种；割龄

【研究意义】氮是合成叶绿素、蛋白质和酶的重要组成部分，直接或间接影响着橡胶树的生长发育和代谢活动，是橡胶树生长和胶乳生产所必须的养分[1]。准确、快速地对橡胶树进行氮素营养诊断，并结合它的生长发育规律合理施用氮肥既能降低生产成本又能减少环境污染。叶片能够比较明显的反映出养分供应的变化，叶片分析是常用的营养诊断方法[2-3]，传统的叶片化学分析方法耗时、费工，而基于高光谱数据的橡胶树叶片氮素营养快速诊断技术的实现，将大大减少橡胶树叶片分析时间，并节约大量实验室资源，为大面积橡胶树氮素营养估测提供快速、高效的检测方法。【前人研究进展】众多国内外学者对植物氮素含量的高光谱估算进行了大量的研究，Thomas等(1972)利用波长550 nm处叶片反射率成功定量估算出甜椒的氮素含量[4]。很多学者利用高光谱数据对各种粮食和经济作物如小麦[5-7]、水稻[8-9]、玉米[10-11]、棉花[12-13]、油菜[14]、苹果树[15]、茶树[16]和桃树[17]等氮素含量估算做了大量的研究工作并取得了较好的效果。一些学者还研究了品种和生育时期对植物氮素含量高光谱估算的影响，如周丽丽等(2010)研究了不同品种玉米叶片氮含量高光谱估算模型，结果表明品种差异对模型精度有较大的影响[13]。刘冰峰等(2012)通过2个试验年份和2个品种间的交叉验证和检验，筛选出适合2个品种的不同生育时期的氮素高光谱估算模型[12]。薛利红等(2003)研究表明水稻冠层光谱反射率近红外与绿光波段的比值(R810/R560)与叶片氮积累量呈显著线性关系，且不受氮肥水平和生育时期的影响[10]。目前对橡胶树叶片氮素含量高光谱估算模型研究不多，陈贻钊等发现热研7-33-97品种橡胶树叶片氮含量与反射光谱在730 nm处相关性最好[18]。笔者基于割龄7年的RRIM600品系橡胶树叶片样本，分别采用偏最小二乘法和光谱指数法建立了橡胶树叶片氮素含量的高光谱估算模型，表明PLS模型具有较高的估算精度[19]。【本研究的切入点】橡胶树是多年生经济作物，不同品种和割龄的橡胶树对氮素的需求不同，叶片的外观、营养成分和生理特征也不相同，同一氮素含量高光谱估算模型能否在不同的品种和不同割龄段上应用值得研究。【拟解决的关键问题】文章基于不同品种和割龄组合的橡胶树叶片样本的氮素含量和光谱反射率，采用偏最小二乘法构建各组合的橡胶树叶片氮素含量高光谱估算模型，从而探讨品种和割龄对模型精度的影响。

1 材料与方法

1.1 叶片样品的采集

2012年8月，分别在东风农场、勐满农场和普文农场选取割龄为小于10年、10～20年和大于20年，品种为RRIM600和云研77-4的橡胶树(云研77-4还包括未开割橡胶树)，采集1片中下层主侧枝上顶蓬叶基部无病虫害、长势良好的成熟复叶，取中间1片小叶，作为1个样品，采集到样品578个。

表1不同品种和割龄类型的橡胶树叶片数量

Table 1 The number of rubber leaves of different types in varieties and tapping ages

品种Varieties割龄(年)Tappingages样品个数SamplesizeRRIM600lt;1010510～20104gt;2068云研77-4未开割59lt;106210～2094gt;2086

根据橡胶树的品种和割龄的差异，采集的叶片样品可划分为7种类型，各类型橡胶树叶片采集情况见表1。

1.2 叶片光谱反射率及氮含量的测定

采集到的叶片样品带回实验室，将表面擦拭干净，叶片反射率采用美国ASD公司光谱仪FieldSpec3配合植物探头以及叶片夹持器测定叶片正面光谱反射率。测量时以叶脉为界，将叶片分为上中下共6个区域，每个区域扫描3次，18条光谱曲线的平均值作为该样品的反射率。由于得到的橡胶树叶片样品反射率光谱曲线在350～399 nm范围内噪声较大，只留400～1025 nm用于建模。叶片氮含量的实验室测定采用凯氏定氮法。

1.3 模型及评价

1.3.1 偏最小二乘法 文章采用偏最小二乘法和留一交叉验证的方式建立橡胶树叶片氮含量预测模型，由均方根误差(RMSE)最小来确定最优校正模型。

1.3.2 模型评价指标 (1)均方根误差(RMSE)。

(1)

式中：yi和yi’分别为实测值和预测值；n为样本数。

(2)相对分析误差(RPD)。

(2)

式中：SD为样本实测值标准差，RMSE为均方根误差。RPD≥2.25，说明模型预测效果良好； 1.75lt;RPDlt;2.25，说明可以利用该高光谱数据进行定量分析，但预测精度有待于进一步提高；RPD≤1.75，则说明利用该高光谱数据难以进行定量分析[20]。

1.4 建模集样品的选取

在光谱建模分析过程中，出现异常样品通常是不可避免的，异常样品的存在严重影响校正模型的预测能力。因此必须将其从建模集中剔除。文章采用“二审”法剔除异常样品，利用PLS及留一交叉验证方法建模，以杠杆值和学生残差作为异常样本的判定准则[21]。剔除异常样品之后，还剩566个样品进行建模分析。

将剔除异常样品后的叶片样本按氮含量从小到大排序，每4个样本中第2个为验证样本，其余为建模样本，得到2组样本。为了比较不同品种和割龄组合下模型的预测精度，将叶片样本按品种和割龄分为19种类型，其中，A4=A1+A2，A5=A2+A3， B4=B1+B2，B5=B2+B3，A1B1=A1+B1，A2B2=A2+B2，A3B3=A3+B3，A4B4=A4+B4，A5B5=A5+B5，A=A1+A2+A3，B=B0+B1+B2+B3，AB=A+B。文章建模和验证所用叶片样品氮含量统计分析结果见表2。

表2 不同品种和割龄类型的叶片样品氮含量描述性统计

续表2 Continued table 2

品种和割龄类型Typeinvarietiesandtappingages类型代码Typecode样本集Sampleset样本个数Samplesize最小值(g/kg)Min最大值(g/kg)Max平均值(g/kg)Mean标准差(g/kg)SD2个品种大于20割龄A3B3所有样本15020.74835.48630.5542.946建模样本11220.74834.48530.5532.926验证样本3822.54035.48630.5573.0452个品种20割龄以下A4B4所有样本35817.44038.69630.7893.557建模样本26817.44038.69330.7963.542验证样本9018.10438.69630.7703.6202个品种10割龄以上A5B5所有样本34520.74838.69630.5433.168建模样本25820.74838.69330.5493.134验证样本8722.38538.69630.5253.285RRIM600品种全割龄段A所有样本27117.44038.69630.8043.968建模样本20217.44038.69330.7953.941验证样本6918.10438.69630.8314.077云研77-4品种全割龄段B所有样本29521.75537.93130.6142.734建模样本22121.75537.25330.6232.725验证样本7424.10637.93130.5882.7772个品种全割龄段AB所有样本56617.44038.69630.7053.380建模样本42317.44038.69330.7053.358验证样本14318.10438.69630.7053.456

2 结果与分析

2.1 SG平滑模式与偏最小二乘法因子数的优选

光谱仪所采集的光谱除样品的自身信息外，还包含了其他无关信息和噪声，如电噪声、样品背景和杂散光等。因此在建模前有必要通过光谱预处理消除光谱数据无关信息和噪声，从而提高建模精度。文章采用Savitzky-Golay平滑(SG平滑)方法对叶片光谱反射率R进行预处理，平滑点数限定为3～101的奇数，多项式次数限定为1～9，导数阶数限定为0～2，对预处理结果建立PLS模型，按照预测效果选择最优的SG平滑模式。SG平滑和PLS模型的建立通过MATLAB 2010编程实现，为了防止模型的过度拟合，限定PLS因子数最大为10。

图1为B1各阶导数的平滑点数对应的最优模型(从不同多项式次数和PLS因子数中优选)的预测均方根误差，导数阶数和平滑点数分别为0阶和67点时预测均方根误差最小。图2为B1各阶导数最优平滑模式的PLS因子数对应的预测均方根误差。B1各阶导数最优平滑模式的最优PLS因子数不相同，且平滑后预测效果显著提升。图1和图2结果表明，要得到最优的预测模型，对不同的SG平滑模式与偏最小二乘法因子数进行比较筛选是一个可行的方法。按照上述方法对其他18个类型的橡胶树叶片样本进行SG平滑模式与偏最小二乘法因子数的优选，得到各类型样本的各阶导数平滑最优模型的平滑点数、多项式次数、PLS主因子数及模型预测效果如表3所示。SG平滑处理能够显著提高模型的预测精度。

图1 B1各阶导数的平滑点数对应的最优预测均方根误差Fig.1 Optimal root mean square error of prediction (RMSEP) corresponding to smooth points number for each order derivation of B1

图2 B1各阶导数最优平滑模式的PLS因子数对应的预测均方根误差Fig.2 Root mean square error of prediction (RMSEP) corresponding to PLS factor of optimal smoothing model for each order derivation of B1

2.2 建立橡胶树叶片氮含量估算模型

根据表3中预测均方根误差最小选择各类型的最佳SG平滑模式，基于各类型建模集的最佳SG平滑模式处理后的高光谱数据，应用Unscrambler 9.7软件建立最优模型(表4)。

续表3 Continued table 3

类型Types导数阶数Orderofderivative多项式次数Polynomialdegree平滑点数SmoothingpointsPLS因子数PLSfactors预测均方根误差RMSEPB2未平滑--101.4090阶6,77781.2251阶5,610171.2032阶2,310161.233B3未平滑--51.0760阶11361.0211阶5,62550.9842阶2,310141.006B4未平滑--81.5530阶8,97991.4271阶1,26981.3912阶2,39771.389B5未平滑--61.5950阶8,97391.4901阶3,410161.4182阶2,38771.448A1B1未平滑--71.8890阶1591.8091阶1,22781.7532阶2,387101.863A2B2未平滑--82.0510阶8,94191.9831阶97371.9292阶2,37191.910A3B3未平滑--91.9320阶4,51991.8691阶5,62591.7392阶4,58771.760A4B4未平滑--92.1810阶6,73192.0371阶7,86381.9842阶4,58592.080A5B5未平滑--92.0420阶8,91392.0111阶5,66581.9382阶4,58381.931A未平滑--102.2840阶8,95192.3001阶7,89792.0782阶2,35592.232B未平滑--91.8040阶8,93781.781

续表3 Continued table 3

类型Types导数阶数Orderofderivative多项式次数Polynomialdegree平滑点数SmoothingpointsPLS因子数PLSfactors预测均方根误差RMSEP1阶3,49391.7542阶2,38981.751AB未平滑--92.1370阶8,91192.1011阶7,86592.0442阶6,76782.170

表4 不同品种和割龄类型的最优模型

用各类型验证集对各类型的最优模型进行精度验证,验证结果见表5。其中，A1、A1B1、B4、B5、B1、B0、A5B5、A2B2、A5、A4B4、A的RPD依次为2.620、2.226、2.161、2.122、2.064、1.950、1.827、1.784、1.783、1.770、1.753,预测效果较好。而A2、A3、A4、B2、B3、A3B3、B、AB的RPD低于1.75，预测效果不太理想。结果表明,对于2个品种的橡胶树，未开割或10年以下割龄的橡胶树叶片氮含量预测效果优于10～20割龄和大于20割龄的。A5和B5的预测效果优于A2、A3、B2、B3，说明在建模时并不是割龄划分越细越好，将10～20割龄和大于20割龄的叶片样本混合建模效果更好。

表6为2个品种全割龄段的验证集在不同分类方法下最优模型的预测结果，预测结果从优到劣依次为：既分品种又分割龄，只分割龄不分品种，只分品种不分割龄，不分品种和割龄。不同的割龄分类方法预测结果差异较大，将橡胶树割龄分为未开割、小于10割龄和10割龄以上3种类型时预测效果最好。其中，将橡胶树叶片分为A1、A5、B0、B1、B5进行建模预测效果最佳。

表5 不同品种和割龄类型的最优模型的预测精度

表6 样本集在不同分类方法下的预测精度

得到的橡胶树叶片氮含量高光谱估算模型如表7所示，模型的相对分析误差都大于1.75，预测效果总体较好。

3 讨 论

对于不同品种和割龄类型，基于SG平滑处理后的数据建立的模型要优于基于原始光谱反射率构建的模型，说明通过SG平滑处理是能够提高模型的预测精度，但各类型的最优SG平滑模式对应的导数阶数、多项式次数、平滑点数有较大差异。因此，要得到最优的预测模型，有必要对不同的SG平滑模式与偏最小二乘法因子数进行比较筛选。

本次叶片采集割龄划分为小于10年、10～20年、大于20年，今后还可以尝试更细的割龄分类方法，以筛选出更优的模型。总体而言，大割龄橡胶树叶片氮含量的预测效果不如小割龄或未开割的，今后需要加强对大割龄的橡胶树叶片氮含量的预测模型的研究。

表7 橡胶树叶片氮含量高光谱估算模型

4 结 论

基于不同品种和割龄类型的橡胶树叶片样本，采用Savitzky-Golay(SG)平滑方法和偏最小二乘法(PLS)构建了橡胶树叶片氮素含量高光谱估算模型。模型的预测精度从优到劣依次为：既分品种又分割龄，只分割龄不分品种，只分品种不分割龄，不分品种和割龄。不同的割龄分类方法预测结果差异较大，且割龄划分并非越细越好，将橡胶树割龄分为未开割、小于10割龄和10割龄以上3种类型时模型的相对分析误差都大于1.75，预测效果最佳。对于2个品种的橡胶树，未开割或小于10割龄的橡胶树叶片氮含量预测效果优于10～20割龄和大于20割龄的。

[1]何 康,黄宗道.热带北缘橡胶树栽培[M].广州:广东科技出版社,1987:189.

[2]唐 菁,杨承栋,康红梅.植物营养诊断方法研究进展[J].世界林业研究,2006,18(6):45-48.

[3]冯 伟,王永华,谢迎新,等.作物氮素诊断技术的研究综述[J].中国农学通报,2008,24(11):179-185.

[4]Thomas J R,Oerther G F.Estimating Nitrogen Content of Sweet Pepper Leaves by Reflectance Measurements[J].Agronomy Journal,1972,64:11-13.

[5]Hansen P M,Schjoerring J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment,2003,86:542-553.

[6]姚 霞,朱 艳,田永超,等.小麦叶层氮含量估测的最佳高光谱参数研究[J].中国农业科学,2009,42(8):2716-2725.

[7]冯 伟,朱 艳,姚 霞,等.利用红边特征参数监测小麦叶片氮素积累状况[J].农业工程学报,2009,25(11):194-201.

[8]张玉森,姚 霞,田永超,等.应用近红外光谱预测水稻叶片氮含量[J].植物生态学报,2010,34(6):704-712.

[9]薛利红,曹卫星,罗卫红,等.基于冠层反射光谱的水稻群体叶片氮素状况监测[J].中国农业科学,2003,36(7):807-812.

[10]金 梁,胡克林,田明明,等.夏玉米叶片分层氮素营养的高光谱诊断[J].光谱学与光谱分析,2013, 33(4):1032-1037.

[11]周丽丽,冯汉宇,阎忠敏,等.玉米叶片氮含量的高光谱估算及其品种差异[J].农业工程学报,2010,26(8):195-199.

[12]Read J J,Tarpley L,Mckinion J M,et al.Narrow-waveband reflectance ratios for remote estimation of nitrogen status in cotton.[J].Journal of Environmental Quality,2002,31(5):1442-1452.

[13]吴华兵,朱 艳,田永超,等.棉花冠层高光谱参数与叶片氮含量的定量关系[J].植物生态学报,2007,31(5):903-909.

[14]王 渊,黄敬峰,王福民,等.油菜叶片和冠层水平氮素含量的高光谱反射率估算模型[J].光谱学与光谱分析,2008,28(2):273-277.

[15]李丙智,李敏夏,周 璇,等.苹果树叶片全氮含量高光谱估算模型研究[J].遥感学报,2010,14(4):761-773.

[16]胡永光,李萍萍, 母建华,等.基于可见-近红外光谱技术预测茶鲜叶全氮含量[J].光谱学与光谱分析,2008,28(12):2821-2825.

[17]王 植,周连第,李 红,等.桃树叶片氮素含量的高光谱遥感监测[J].中国农学通报,2011,27(4):85-90.

[18]陈贻钊,林清火,华元刚,等.橡胶树叶片高光谱特征分析[J].热带亚热带植物学报,2010,18(3):293-297.

[19]黎小清,刘忠妹,丁华平,等.基于高光谱数据的橡胶树叶片氮素含量估算模型研究[J].西南农业学报,2015,28(3):569-574.

[20]Malley D F, McClure C, Martin P D, et al. Compositional analysis of cattle manure during composting using a field-portable near-infrared spectrometer[J]. Communications in Soil Science and Plant analysis, 2005, 36(4-6): 455-475.

[21]祝诗平,王一鸣,张小超,等.近红外光谱建模异常样品剔除准则与方法[J].农业机械学报,2004,35(4):115-119.

(责任编辑 王家银)

EffectsofVarietyandTappingAgeonEstimationofRubberLeafNitrogenContentBasedonHyper-spectral

LI Xiao-qing, CHEN Gui-liang, XU Mu-guo, LIU Zhong-mei, DENG Yue-ye

(Yunnan Institute of Tropical Crops, Yunnan Jinghong 666100,China)

【Objective】The effects of variety and tapping age on estimation of rubber leaf nitrogen content based on hyper-spectral was studied.【Method】Based on rubber leaf samples of different types in varieties and tapping ages, hyper-spectral estimation models of rubber leaf nitrogen content were established by Savitzky-Golay (SG) smoothing method and partial least squares (PLS).【Result】The model prediction accuracy of different types in varieties and tapping ages ranking from the highest level to the lowest level were as follows, type distinguished by both varieties and tapping ages, type distinguished by tapping ages only, type distinguished by varieties only and type distinguished by neither varieties nor tapping ages.【Conclusion】Both varieties and tapping ages affected the precision of the mode, especially tapping ages. There were significant differences in different tapping age classification method, and it was not necessarily true that more specific division in the tapping ages would achieve better effects. In fact, the optimal prediction effects would be achieved when rubber tree tapping ages were classified as pre-tapping, tapping less than 10 years and tapping more than 10 years, respectively.

Hyper-spectral; Rubber tree; Leaves; Nitrogen; Variety; Tapping age

O657.3；S129

A

1001-4829(2017)11-2497-09

10.16213/j.cnki.scjas.2017.11.018

2016-05-06

云南省热带作物科技创新体系建设资金；云南省应用基础研究计划(2011FZ251)

黎小清(1980-), 男, 江西萍乡人，副研究员，主要从事热带作物营养与3S技术应用，E-mail:lxq4118@163.com。