基于高光谱的核桃叶片铁元素含量反演模型研究

瞿余红，王振锡，丁雅，刘玉霞，董淼，李园

(新疆农业大学林学与园艺学院/新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

0 引 言

【研究意义】铁(Fe)元素是形成叶绿素所必须的营养元素[1]，在植物呼吸作用和代谢过程中发挥着重要的作用。当植株缺铁时，叶片呈黄绿色，严重时可由上而下枯死。铁元素作为评价植物长势的重要指标[2]，对植物的生长发育起着决定性的作用。经过近20年的规模发展，新疆林果产业进入了提质增效的阶段，特色经济林产业已经成为新疆农村经济发展和农民增收的主导产业[3]。阿克苏地区属于典型暖温带大陆性干旱气候，年日照时数长达2 670～3 022 h，昼夜温差大，适宜核桃生长，是新疆特色林果产业的核心产区。截至2015年，新疆南疆核桃(JuglansregiaL.)种植面积已达28×104hm2(420万亩)。依然存在栽培技术落后、缺乏科学施肥的问题，果树产量和品质提升仍然有较大的空间，探索准确、快捷、无损的核桃营养元素监测技术显得尤为迫切。因此，实时、快捷、准确的监测果树营养元素含量，指导果农对果树进行科学合理的施肥[4]，对保障区域林果业优质高效生产与可持续发展具有十分重要的现实意义[5]。【前人研究进展】传统叶片化学分析方法，对果树营养元素含量测定具有较高的检测精度[6]，但这些分析普遍对土壤和植株具有一定的破坏性，且受高耗性、繁冗复杂性、时滞性等制约，很难对大范围果树进行全面、快速的营养诊断。近年来高光谱技术发展迅速，国内外学者对玉米(Zeamays.)[7]、棉花(Gossypiumhirsutum)[8]、辣椒(Capsicumannuum)[9]、水稻(Oryzasativa)[10]、小麦(Triticumaestivum)[11]等作物进行了大量的研究，发现作物的营养状况与其叶片光谱特征紧密相关[12]；在对苹果[13](Maluspumila)、柑橘(Citrusreticulata)[14]、枣(Ziziphusjujuba)[15]等果树光谱的研究上发现经过二阶微分、归一化一阶微分等预处理后的光谱与氮含量的相关系数有所提高；Yoder[16]认为光谱反射率的一阶导数与叶绿素含量建模精度最高。胡珍珠[17]利用筛选出的双波段一阶微分构建的轮台白杏(Armeniacavulgariscv.)叶片铁浓度回归模型取得了很好的拟合效果。【本研究切入点】利用光谱分析技术监测果树营养元素含量已成为当前果树营养诊断的有效方法之一。当前对果树光谱的研究大多集中在大量元素上，普遍认为一阶微分光谱能够明显增强光谱与植物营养元素含量的相关关系[18]，但对植物微量元素反演方面的研究相对较少。试验基于高光谱的核桃叶片铁元素含量反演模型研究。【拟解决的关键问题】研究阿克苏核桃不同观测期叶片Fe素含量的叶片光谱敏感波段筛选，建立具有普适性的光谱估算模型。为阿克苏地区核桃微量元素快速无损估测提供技术途径。

1 材料与方法

1.1 材 料

试验于2016年9月5日在新疆阿克苏地区红旗坡农场(41°14′39″N～41°16′18″N、80°15′46″E～80°18′51″E，海拔1 215 m)进行。在试验区内随机选取8个生长状况良好的核桃生产园作为采样区，在每个采样区随机选取8棵健康核桃作为样株，分别在样株的阴面、阳面和中部三个位置方向上采摘3个叶片，每个方向作为一个采样单元，共计192个采样单元。为控制外界噪声、光照以及水分流失等因素对叶片光谱造成干扰，将采摘后的叶片迅速装入密封袋，带回实验室进行叶片光谱测定。

1.2 方 法

1.2.1 光谱测定

叶片光谱采用美国Analytical Spectral Device( ASD )公司生产的ASD FieldSpec4光谱仪进行测定，该光谱仪波段范围在350～2 500 nm，其中350～1 000 nm 光谱采样间隔为1.4 nm，光谱分辨率3 nm；1 000～2 500 nm 光谱采样间隔为2 nm，光谱分辨率为 10 nm。在光谱输出时，仪器自动进行重采样，每测量一次会获得5条光谱，每次数据测定前均需进行白板校正。测定过程中避开叶脉，分别于主叶脉左右两侧中部位置各采集一次光谱，将每个采样单元的30条光谱取平均值，即为当前单元的最终光谱，共得192组样本光谱数据。剔除部分奇异值后，剩余111组样本光谱数据，运用随机分组法将其中2/3(即74组)作为建模样本，剩余1/3(即37组)作为检验样本。

1.2.2 铁元素含量测定

为确保叶片光谱与元素含量的一致性，对已进行光谱测定的叶片置于60 ℃的烘箱内烘干48 h。将每个采样单元的3个叶片去除叶脉后粉碎、混匀，称取0.170～0.180 g叶样，用原子吸收光谱法进行Fe素含量的测定。

1.3 数据处理

1.3.1 光谱数据转换

原始光谱数据经微分、对数和归一化处理后，能够在不同程度上提高光谱数据与反演参量的相关关系。一阶微分光谱在一定程度上能够消除部分线性或者接近线性的噪声光谱对目标光谱的影响[19]；二阶微分则在消除背景信号上效果明显[20-21]。在光谱微分分析中发现，随阶数的增加，相关系数呈现出先增加后减少的趋势，且在阶数为2时达到最大值[22]；对数变换不仅在减弱因光照条件变化而引起的乘性因素方面有重要影响，而且在提高可见光区域光谱差异方面也有显著的效果[23]；归一化在消除信号干扰方面有很大的作用。因此，为进一步提高模型精度，采用一阶微分、二阶微分、对数、对数一阶微分、对数二阶微分、归一化、归一化一阶微分等7种数据转换形式，分析核桃叶片光谱与铁元素含量间的相关关系和模型构建。

1.3.2 数据分析与模型构建

利用EXCEL分析叶片原始光谱、不同数据转换后光谱与叶片Fe素含量的相关关系，在SPSS系统下采用线性回归和主成分分析回归模型进行估算模型构建。模型精度检验采用拟合度(R2)、均方根误差(RMSE)、预测偏差比(RPD)[24]等指标进行评价。

(1)

(2)

2 结果与分析

2.1 核桃叶片光谱反射率特征

植物叶片的光谱曲线是叶片组成、表面与内部结构特征在光谱序列上的综合响应。根据实测光谱数据绘制核桃叶片平均光谱曲线图。研究表明，核桃叶片光谱曲线符合健康绿色植物的反射波谱特征。在可见光波段(400～680 nm)内，核桃叶片由于受叶绿素的影响，主要吸收红光和蓝光，在552 nm处出现一个强的反射峰，称为“绿峰”，在665 nm处出现一个强的吸收谷，称为“红谷”。由于受到强散射作用，在680～760 nm光谱曲线急剧上升，形成“陡坡”，称为“红边”；在近红外波段(760～1 335 nm)内，受叶片内部细胞组织结构的影响，对光的吸收相对薄弱，形成了一个高反射率平台。在1 335～2 500 nm，受叶片含水量的影响，在1 440和1 930 nm附近形成两个吸收谷。 图1

2.2 不同数据转换光谱反射率与铁元素含量相关关系

将不同数据转换光谱与Fe素含量相关关系绘制成图。研究表明，数据转换光谱与Fe素含量相关系数较原始光谱明显提升，其中对数光谱和原始光谱相关系数曲线变化规律基本保持一致，均在可见光(410～742 nm)、近、中红外(1 390～2 500 nm)表现呈正相关，在近红外(742～1 390 nm)呈负相关；其余数据转换光谱相关系数曲线则波动较大。除原始光谱相关系数在0.791以外，其余光谱相关系数(R)均大于0.885，其中一阶微分、二阶微分、对数一阶微分、对数二阶微分和归一化一阶微分相关系数则达到在0.910以上。选择相关系数较大的前三种数据转换(二阶微分、对数二阶微分和归一化一阶微分)作为最佳的核桃叶片光谱数据转换方式。将原始光谱相关系数绝对值大于0.750(697～720 nm)，二阶微分(562、1 577、1 578、1 579、1 819、1 820和1 821 nm波长)、对数二阶微分(725～730 nm、1 140 nm、1 141 nm、1 443 nm、1 444 nm、1 445 nm波长)和归一化一阶微分(1 417～1 421 nm、2 196 nm、2 212～2 219 nm波长)光谱相关系数绝对值大于0.915的波长作为核桃叶片Fe素含量的敏感波段。表1，图2

图1 核桃叶片光谱曲线
Fig.1 Spectral curve of Juglans regia L. leaf
表1 不同光谱数据与Fe素含量最大相关系数
Table 1 Maximum correlation coefficient between different spectral data and Fe content

数据转换Data conversion 相关系数Correlation coefficient(R)数据转换Data conversion 相关系数(R)Correlation coefficient(R)原始Original 0.791**对数一阶微分Logarithmic first-order differential-0.914**一阶微分First-order differential-0.910**对数二阶微分Logarithmic second-order differential 0.921**二阶微分Second-order differential-0.915**归一化Normalization -0.885**对数Logarithm 0.892**归一化一阶微分Normalized first-order differential-0.919**

注：**在0.01水平上极显著相关(P<0.01)：*在0.05水平上显著相关(P<0.05)，下同

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

注：A:一阶微分与二阶微分光谱；B:原始光谱与对数光谱； C:对数一阶与对数二阶光谱；D:归一化与归一化一阶光谱

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

图2 不同数据转换核桃叶片光谱与Fe含量相关关系曲线
Fig 2 Correlation curves between the spectrum of Juglans regia L.leaf and Fe content in different data conversion

2.3 基于光谱数据的铁元素估算模型

2.3.1 线性回归模型

以不同数据变换后筛选出的敏感波段为自变量，Fe素含量为因变量，构建Fe素含量的逐步回归模型。研究表明，所有构建模型拟合程度均较好，R2值在0.795～0.902，且二阶微分、对数二阶微分和归一化一阶微分光谱所建立的模型拟合度(R2)均高于原始光谱。其中以731 nm、1 141 nm、726 nm波长为自变量构建的对数二阶微分光谱模型拟合效果最佳，R2值达到了0.902，比原始光谱拟合度提高了13.5%。归一化一阶、二阶微分、原始光谱拟合度依次递减，取值分别为0.896、0.871和0.795。表2

表2 不同光谱变量与叶片铁元素含量的线性回归模型
Table 2 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

数据转换Data conversion建模波段Modeling band估测模型Estimation model拟合度Fitting degree(R2)原始Original705 nmy=-1 022.385+9 579.491 λ7050.795**二阶微分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**对数二阶微分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**归一化一阶微分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 主成分回归模型

由于测得的核桃叶片光谱波段范围较广，仅通过提取某几个波长作为敏感波段构建的模型难以全面、准确地估测叶片Fe素含量。而主成分回归分析法(Principle component regression，PCR)在处理多指标问题方面效果比较显著[25]，通过对筛选出的敏感波段进行主成分分析，以新的主成分值为自变量，Fe素含量为因变量，建立PCR模型。研究表明，所有构建的模型拟合程度均较好，R2值在0.809～0.914。不同光谱变量建立的模型中，数据转换光谱拟合度明显高于原始光谱；且同一变量不同回归方程建立的模型中，三次方程拟合度略高于线性方程。其中以对数二阶光谱建立的PCR三次方程模型效果最好，R2值达到了0.927，比原始光谱拟合度提高了14.4%，二阶微分、归一化一阶、原始光谱拟合度依次递减，R2值分别为0.914、0.869和0.810。表3

表3 不同光谱变量与叶片铁元素含量的主成分回归模型
Table 3 The regression relationship between different Juglans regia L.leaf spectral variables and Fe content

数据转换Data conversion估测模型Estimation model拟合度Fitting degree(R2)原始Originaly=536.363+185.392 PC10.809**y=543.119+191.487PC13-6.354 PC12-2.29 PC10.810**二阶微分Second-order differentialy=536.363-194.415 PC10.890**y=535.819-59.048 PC13-5.374 PC12-123.671 PC10.914**对数二阶微分Logarithmic second-order differentialy=536.363+196.191 PC10.906**y=558.648+113.024 PC13-31.514 PC12+71.519 PC10.927**归一化一阶微分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 精度评价

为了检验模型的可靠性，分别对原始、二阶微分、对数二阶微分、归一化一阶微分光谱构建的线性回归模型和主成分回归建模的三次模型进行精度检验。一般而言，拟合度(R2)和预测偏差比(RPD)越大，均方根误差(RMSE)越小，表示模型的预测效果越好。RMSE表征了实测值与预测值间的离散程度，但衡量其优劣的标准仍因数量级的不同而有所区别。此外，RPD值在1.5～2.0，表示模型仅能粗略估测；在2.0～2.5，表示模型具有较好的预测能力；当RPD > 2.5时，表示模型具有非常好的预测能力。

研究表明，两种建模情况下，经过数据转换的光谱变量所建模型拟合度均在0.700以上，明显优于原始光谱建模。从建模方式上来看，PCR方法的拟合效果略优于线性回归法。以拟合度接近于1，RMSE接近0，RPD大于2的原则，对数二阶微分光谱建立的主成分回归模型拟合效果最好，R2达0.870，RMSE为0.304，RPO为2.39，显示出较强的稳定性与可靠性，可以作为研究区核桃叶片Fe素含量估算的最佳模型。表4

表4 不同光谱变量的模型精度验证
Table 4 Model accuracy verification of different spectral variables

模型类型The type of model数据转换方法Data conversion method拟合度(R2)Fitting degree(R2)RMSERPD线性回归Linear regression 原始0.564**0.8260.88二阶微分0.735**0.5131.42对数二阶微分0.821**0.3092.36归一化一阶微分0.801**0.3521.89主成分回归Principal component regression原始光谱0.642**1.6430.44二阶微分0.805**0.6461.13对数二阶微分0.870**0.3042.39归一化一阶微分0.810**0.8320.39

3 讨 论

由于作物的生长周期短、植株矮小便于操作，植被光谱营养元素估算的研究多集中在农作物方面，而在果树上的研究较少，尤其是树体微量元素的估算研究方面。以新疆南疆阿克苏地区规模栽植的核桃为研究对象，探索了核桃叶片Fe素含量估测方法，构建核桃叶片Fe素含量光谱估测模型，为南疆地区核桃微量元素快速、无损估测提供技术支撑。

核桃叶片光谱呈现出在可见光范围内变化较小，在近红外范围内变动较大的特征。这是因为在可见光范围内主要受到的是来自植物体本身色素含量及色素比例差异的影响，而在近红外范围内，植物本身组织结构、水分含量以及外界的基线漂移、光源散射、高频随机噪声则占主导作用。为了解决这些可能会对估测精度造成影响的因素，许多学者进行了大量研究。Barnes[26]提出可用基线校正的方法解决光谱分析中图谱漂移的现象，而较为常用的基线校正方法便是对光谱进行一阶微分、二阶微分处理。研究表明，经二阶微分处理后的锦橙叶片光谱与P含量在526、681 nm时相关系数分别达到了0.819和-0.845[27]。祁琼[28]利用一阶微分光谱(395、490、516、2 238 nm)反演的苔草氮素营养成分模型拟合度(R2)比原始光谱(700～740 nm)提高了4%。研究在前人研究的基础上，结合核桃叶片光谱数据特征，采用7种数据转换方法对核桃叶片原始光谱进行预处理。结果表明，经过数据转换后的光谱与Fe素含量的相关系数明显有所提升，且不同数据转换形式对光谱的增强效果不同[29]，二阶微分(562、1 577、1 820 nm)、对数二阶微分(726、731、1 141 nm)和归一化一阶微分(1 414、1 417、2 218 nm)光谱构建的Fe素含量模型具有较好的预测能力。分析可知，敏感波段主要分布在可见光的绿光和红光区，以及近红外的1 141、1 820、2 218 nm左右，但也因树种、地域及观测时间的不同而有所偏移。

从光谱数据建模方法上来看，对光谱进行不同形式数据变换，利用PCR法构建的研究区Fe素含量模型的拟合效果均优于逐步回归方法。在模型构建过程中，当自变量较多时，由于变量之间存在多重共线问题，线性逐步回归方法会剔除部分贡献较大但难以拟合的光谱波段，使得部分光谱信息丢失，建模结构单一，具有较大的局限性[30]。为了解决多元回归建模过程中共线性问题，黄文珂[31]提出用PCR建立的模型优于偏最小二乘法以及岭回归法，胡珍珠等[32]在研究核桃含水率与叶片光谱之间的响应时也证实了这一观点，认为PCR建模使多个自变量转化为几个相互独立的综合变量，消除了多重共线性的影响。研究采用PCR法构建的Fe素含量估测模型取得了较好的拟合效果，也说明了PCR方法在进行多变量模型拟合时具有一定的优势。

从模型精度来看，邢东兴等[4]建立的红富士苹果叶片Fe素含量估算模型拟合度R2在0.8以上。邵永妮[33]用PLS法预测水稻铁素水平时得出R2为0.596，认为用特征波段预测水稻Fe素含量可行。研究采用PCR法构建的Fe素含量估测模型拟合度达0.870 7，RMSE为0.304，RPO为2.39，拟合效果略优于这些研究结果，但低于胡珍珠[17]等所构建的新温185果实硬核期叶片Fe素浓度光谱模型精度(R2=0.933 4)，究其原因，可能是胡珍珠等[34]对试验地采用了“3414”实验设计，能够较好的反映树体叶片营养元素的不同梯度水平，而研究中实验方案采用了随机取样的方式，不同果农对树体的施肥量有所差异，树体叶片肥力梯度可能仍然存在差异偏小的问题，故而导致估算模型精度稍低。但从模型精度验证的总体情况来看，仍然显示出光谱技术在研究区核桃树体叶片Fe素含量估测方面具有较大的应用潜力，为阿克苏地区核桃营养元素快速无损检测提供依据。

研究光谱数据测定采用ASD FieldSpec4光谱仪，在室内通过仪器自带灯源，采用手持叶夹式对核桃叶片进行光谱测量，避免了野外测定过程中的光照条件不一致和人工操作不稳定等因素，光谱数据获取的精确性和稳定性相对较高。研究中光谱仪波段范围较广，为350～2 500 nm，便于进一步探索近、中红外波段的核桃叶片Fe素含量敏感波长研究。所构建模型拟合度(R2)相对较高，RMSE较小，具有较强的稳定性与可靠性，可以作为研究区核桃叶片Fe素含量估测模型。另外，由于研究采样范围相对较小，仍然需要通过大量不同采样区域的检验和完善，以提高其实用性。

4 结 论

研究区核桃叶片Fe素含量与光谱的敏感波段多集中在可见光范围以及近红外的1 141、1 820、2 218 nm左右。采用数据转换光谱普遍能够提高核桃叶片光谱反射率与Fe素含量间的相关关系，其中Fe素含量与对数二阶微分光谱的相关系数较原始光谱升高0.2左右，提升幅度较大。研究区核桃叶片Fe素含量的光谱估测模型构建方法中，主成分回归法优于线性回归，其中以对数二阶微分光谱构建的主成分回归模型经精度验证后是最佳的，能够较好的对核桃叶片Fe素含量进行估测，利用光谱技术在研究区果树叶片生化参量反演方面具有较大的应用潜力。