基于高光谱的柑橘叶片钾含量快速诊断模型

李勋兰　王武　杨蕾　韩国辉　杨海健　洪林

摘   要   及时准确地监测柑橘树体钾营养状况，有助于科学施肥，提高柑橘果实的品质和产量。试验对采集的W·默科特叶片钾含量及叶片光谱信息进行相关性分析，利用主成分分析和连续投影算法进行降维处理，同时结合偏最小二乘回归和最小二乘支持向量机回归分别建立了叶片钾含量预测模型。结果显示，柑橘叶片钾含量特征波长主要集中在450～600 nm、700 nm左右、980～1030 nm区域;最小二乘支持向量机回归模型的预测效果明显优于偏最小二乘回归模型，预测集相关系数达0.91。结果表明，利用高光谱成像技术结合最小二乘支持向量机回归可实现对柑橘叶片钾含量的快速诊断。

关键词   柑橘;高光谱;钾含量;偏最小二乘回归;最小二乘支持向量机回归

中图分类号：S666   文献标志码：B    DOI：10.19415/j.cnki.1673-890x.2019.22.011

钾素是柑橘生长发育所必需的三大营养元素之一，具有提高果实品质和增强抗性等作用。合理施用钾肥不仅能提高柑橘产量，还能提升果实品质。不同生长时期的柑橘树体内钾素供求状况和代谢变化非常复杂，对树体叶片钾素含量进行实时监控，有利于制订科学的柑橘变量施肥方案，保证果实品质和产量，提高果园产出效率。

目前，柑橘叶片营养元素含量检测的常规方法是化学分析方法，但其存在耗时长、工作量大、过程繁琐、时效性差和样本易损坏等缺点，难以对大面积柑橘果园的树体营养元素进行实时、精确检测。高光谱成像技术具有快速、无损、精确度高等优点，利用高光谱技术对植物营养水平的诊断一直是研究热点，但这类研究主要集中在对氮含量的诊断分析上[1-3]，而对钾含量的快速诊断研究则较少。刘延等[4]分析了烤烟叶片钾元素含量与原始光谱、光谱一阶微分及高光谱特征变量间的相关性，采用多元逐步回归分析方法建立了钾含量高光谱预测模型。朱西存等[5]对苹果花期冠层的高光谱信息和钾素含量分别进行相关分析，以相关系数最大者为自变量，采用模糊识别算法，建立钾素含量估测模型。目前，对柑橘植株钾元素含量快速诊断方面的研究报道很少。刘艳丽等[6]利用高光谱技术对柑橘花钾含量进行估测研究，采用iPLS和siPLS筛选特征波段，建立柑橘花钾含量高光谱模型。易时来等[7]对高光谱信息预处理方法进行比较，采用偏最小二乘法建立了盆栽锦橙叶片钾含量高光谱监测模型。由于研究对象和方法不同，前人所建立的钾含量预测模型不具备普适性，应用效果也有待验证。

本研究以重庆地区常见柑橘品种W·默科特为研究对象，通过对叶片钾含量与叶片高光谱信息的相关性分析，比较两种建模方法的精确性，以筛选出最佳的柑橘钾含量预测方法，建立柑橘钾含量快速诊断模型，为精确、科学、实时指导柑橘施肥提供参考。

1 材料与方法

1.1 叶片及其高光谱信息采集

试验样品于2017年12月、2018年4月在重庆市江津区先锋镇柑橘品种区试果园内采集，供试材料为9年生枳橙砧W·默科特杂柑。每次随机选择长势基本一致的植株，共10株，从树冠东西南北4个方位采集春梢的第3片健康鲜叶，每个方位采集3个叶片作为一个样本，每株采集4个叶片样本，两次共采集样本80个。将采集的叶片样本用自封袋封装，低温保存运输，在实验室用清水将叶片洗净，晾干后，同步测定其高光谱信息和钾含量。

叶片高光谱信息通过高光谱仪（Imspector， V10E， 芬兰）、EMCCD（Raptor Photonics公司，英国）、光源（150W/21V 卤钨灯 Illuminator Technologies，Inc， 美国）、移动平台和控制器、笔记本电脑组成的高光谱数据采集系统在暗箱中采集。将样品平铺于黑色卡纸上，设定移动平台移动速度为1.87 mm·s-1，叶片距相机物镜40 cm，曝光时间60 ms，光谱分辨率2.8 nm。采集叶片高光谱图像前要进行黑白标定图像采集。

1.2 叶片钾含量测定与高光谱信息提取

采集完高光谱信息后，立刻进行叶片钾含量测定。将叶片在105 ℃温度下杀青，然后在80 ℃温度下烘干至恒重，采用火焰分光光度法测量叶片钾含量[8]。

高光谱图像采集后，对图像进行黑白标定（公式1），以去除噪声和其他光源的干扰。

（1）

式（1）中，R为相对图像，I为采集到的绝对图像，W为采集时的全白标定图像，B为采集时的全黑标定图像。

利用ENVI 5.0软件对标定后的图像提取叶片高光谱图像感兴趣区域（ROI），选择波峰800 nm的灰度图像，选取反射率介于0.4～0.7的叶片区域作为感兴趣区域，提取感兴趣区域的平均光谱数据作为整个叶片（除中脉区域外）的光谱反射率用于后续分析。

1.3 数据处理

采用標准正态变换对采集到的叶片原始光谱数据进行预处理，以消除叶片表面散射及光程变化对反射光谱的影响[9]。为了消除首尾波段存在的噪声，选择波长范围在450～1030 nm的光谱信息进行叶片钾含量光谱分析。本文利用Kennard-Stone算法[10]按照建模集与预测集3∶1的比例进行样本划分，选取60个样本作为建模集，20个样本作为预测集。

为分析叶片钾含量与光谱的相关性，进行简单相关性分析。

为筛选最佳建模方法，本试验采用偏最小二乘回归（PLSR）和最小二乘支持向量机回归（LS-SVR）分别建立预测模型。利用主成分分析对预处理后的光谱信息进行降维，再建立PLSR预测模型。采用连续投影算法对预处理后的光谱信息提取光谱特征波长，然后将提取到的光谱特征波长对应光谱信息作为输入，利用LS-SVR建立叶片钾含量预测模型，本试验采用十折交叉验证对LS-SVR模型的两个重要参数gam和sig2进行寻优处理，将寻优得到gam和sig2值代入模型，利用建模集数据建立模型。

2 结果与分析

2.1 叶片钾含量及光谱信息的关系

原始光谱标准正态变换后450～1 030 nm光谱反射率见图1。从图1可以看出，所采集的W·默科特叶片光谱反射值在450 nm附近、550 nm左右、680 nm左右、750 nm左右及1 000 nm左右存在较明显差异。

从叶片钾含量与光谱信息相关性分析结果（图2）可以看出，在450～1030 nm波长区域，叶片钾素含量与光谱反射值成正相关。叶片钾素含量与波长450～600 nm和1 010～1 030 nm范围的光谱反射值相关系数绝对值最大，该区域对植物钾含量预测具有重要意义。

2.2 主成分分析及特征波长提取

从主成分分析对光谱信息进行降维处理的结果（见表1）可知，前2个主成分累计贡献率达到94%，可代表所分析数据94%的信息。

连续投影算法可以有效消除各波长变量之间的共线性影响，使得变量之间的共线性达到最小，降低模型的复杂度。通过Matlab2017a用连续投影算法对预处理后的光谱数据提取特征波长，当RMSE值最小时，获得特征波长14个，分别为450 nm、497 nm、520 nm、539 nm、556 nm、582 nm、682 nm、715 nm、734 nm、980 nm、1 007 nm、1 013 nm、1 026 nm、1 030 nm，主要集中在450～600 nm、700 nm左右、980～1 030 nm

区域。

2.3 建模预测结果

利用主成分分析提取到的前2个主成分作为输入，建立叶片钾含量PLSR模型对预测集进行预测，得到预测集相关系数RP为0.64，均方根误差RMSEP为0.61，建模集相关系数RC为1.22，均方根误差RMSEC为0.41。将连续投影算法提取到的14个特征波长对应光谱信息作为输入，建立叶片钾含量最小二乘支持向量机回归模型对预测集进行预测，得到预测集相关系数RP为0.91，均方根误差RMSEP为1.07，建模集相关系数RC为0.82，均方根误差RMSEC为0.67。根据预测模型要有较高的相关系数，较小的RMSEP和RMSEC及RMSEP、RMSEC之间的差异要较小的模型性能评判原则，从PLSR模型和LS-SVR模型预测结果可以看出，本试验所建立的柑橘叶片钾含量LS-SVR的预测精度较高，且预测效果明显优于PLSR模型。

3 小结

本研究分析了W·默科特叶片钾含量与叶片光谱信息的相关性，利用主成分分析和连续投影算法对光谱信息进行降维处理，采用偏最小二乘回归和最小二乘法支持向量机回归分别建立了叶片钾含量预测模型。主要研究结果：利用连续投影算法可提取光谱特征波长;叶片钾含量光谱敏感波段主要集中在450～600 nm、700 nm左右、980～1030 nm波长区域;利用最小二乘支持向量机回归模型可以实现对柑橘叶片钾含量的预测。

参考文献：

[1] 张国圣，许童羽，于丰华，等.基于高光谱的水稻叶片氮素估测与反演模型[J].浙江农业学报，2017，29（5）：845-849.

[2] 甘海明，岳学军，洪添胜，等.基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J].华南农业大学学报，2018，39（3）：102-110.

[3] 黄双萍，洪添胜，岳学军，等.基于高光谱的柑橘叶片氮素含量多元回归分析[J].农业工程学报，2013，29（5）：132-138.

[4] 刘延，吴秋菊，舒清态.基于非成像高光谱的云烟97号叶片钾含量估算研究[J].山东农业科学，2018，50（4）：138-141.

[5] 朱西存，姜远茂，赵庚星，等.基于模糊识别的苹果花期冠层钾素含量高光谱估测[J].光谱学与光谱分析，2013，33（4）：1023-1027.

[6] 刘艳丽，何绍兰，吕强，等.柑橘花钾素营养的高光谱表征[J].果树学报，2014（6）：1065-1071.

[7] 易時来，邓烈，何绍兰，等.锦橙叶片钾含量光谱监测模型研究[J].中国农业科学，2010，43（4）：780-786.

[8] 邢东兴，常庆瑞.基于光谱分析的果树叶片全氮，全磷，全钾含量估测研究——以红富士苹果树为例[J].西北农林科技大学学报（自然科学版），2009，37（2）：141-147.

[9] 周竹，李小昱，李培武，等.基于 GA-LSSVM 和近红外傅里叶变换的霉变板栗识别[J].农业工程学报，2011，27（3）：331-335.

[10] 汪志涛，易时来，吕强，等.蓬莱镇组紫色土光谱特征及其碱解氮预测方法研究[J].中国南方果树，2016，45（2）：23-27.

（责任编辑：易  婧）