基于高光谱成像技术的油菜叶片叶绿素含量预测

杨婧， 廖桂平， 刘凡， 官春云

(湖南农业大学农学院，长沙 410128)

油菜是重要的油料作物，其种植面积和总产量在油料作物中占有相当大的比例[1]。叶绿素含量是影响植物生长的重要因素[2]，传统的测定方法主要有紫外分光光度法、荧光分析法、活体叶绿素仪法、光声光谱法和高效液相色谱法等[3]。这些方法需实地调查或取样进行实验室测定，难以做到实时检测，分光光度法、荧光分析法、光声光谱法和液相色谱法在测定过程中还要进行破坏性取样[4]，叶绿素仪法虽不用进行破坏性取样，操作简单，但测取效率不高，费时费力。快速准确预测叶绿素含量才能够及时监测作物生长发育过程中叶绿素的变化并及时做出相应调整，将大大降低栽培和生产成本，提高最终产量。预测叶绿素最初依靠人工经验，虽然在一定程度上满足了实时快速的要求，但是对人的能力、经验要求较高，而且准确率也得不到保证。生化实验测出的结果准确，但是存在高成本、不及时、操作复杂等缺点。高光谱技术实现了对作物信息的快速、实时、准确、无损监测。通过建立高光谱与叶绿素之间的联系[5-6]，再利用回归分析等方法预测叶绿素含量是遥感技术在农业方面应用的重要内容。

精细农业技术是田间作物管理的重要手段，高光谱遥感分辨率高、图谱合一，其所获取的信息在信息量、波段数、波段相关性、处理方法、应用模型等[7]方面都要优于传统的全色、多光谱遥感。随着科技的发展，高光谱遥感的分辨率越来越高，应用的范围也越来越广，特别是在作物生长监测上发挥了很大的作用[8-9]。高光谱技术监测作物生长过程主要体现在改善栽培[10]、优化作物分类收获、监控作物品质[11]、预测理化指标[12]等方面，是精细农业遥感监测的主要的信息来源。

高光谱信息冗长、数据量大，不方便处理和应用，影响模型精度。因此，对高光谱信息进行特征波段筛选、提取等是很有必要的。而利用敏感波段构建的光谱指数可以进一步强化特征，提高模型精度，已有研究表明光谱指数能很好的估算绿色植物的叶绿素含量[13-14]。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，因其很强的非线性映射能力和很好预测能力在高光谱反演中应用广泛[15]。

近年来，随着油菜栽培技术的快速发展，出现了许多栽培措施，而这些新措施的大面积推广亟需通过遥感技术来进行无损监测其长势。为此，本研究利用SPAD仪和高光谱成像仪研究油菜叶绿素含量与光谱间的定量关系，找出其原始光谱反射率、一阶导数对叶绿素的敏感波段并计算光谱指数，利用光谱指数和SPAD值分别构建线性回归以及BP神经网络模型，以便找出最佳反演模型，为今后通过高光谱遥感监测油菜田间生长提供参考依据。

1 材料与方法

1.1 试验材料

试验于2018—2019年度在湖南农业大学耘园基地进行。试验地位于28°10′E、113°4′N，四季分明，年均气温17 ℃，是典型的亚热带季风性气候。试验田为土壤黑色壤土，土壤的理化性质如表1，种植制度为稻油轮做。2018年9月27日播种，试验品种为高油酸油菜品种708、710，由湖南农业大学油料所提供。

表1 土壤基本理化性质Table 1 Basic physical and chemical properties of soil

1.2 试验设计

试验按种植密度、施肥量两因子随机区组设计，每个小区三个重复。于2018年10月1日在油菜幼幼苗期时对油菜施加氮磷钾复合肥(N+P2O5+K2O)，施肥量设为三个水平，分别为低(300 kg·hm-2)、中(600 kg·hm-2)、高(900 kg·hm-2)；种植密度设三个水平，分别为低(15万株·hm-2)、中(22.5万株·hm-2)、高(30万株·hm-2)，每个处理3次重复，加上空白对照组共60个小区，小区面积为16 m2，按大田管理方式进行管理。

1.3 数据采集

分别于幼苗期(11月中旬)和蕾薹期(1月中旬)测定油菜叶绿素和光谱曲线。幼苗期选择已伸展开的嫩叶、蕾薹期选择从上往下第3 片功能叶。采用日本美能达公司SPAD-502测定叶绿素，每小区共随机采集5次重复，取其平均值。经SPAD测定的叶片，采摘下来先用自来水洗净后，再用超纯水清洗，然后用吸湿纸吸去植株表面水分，使用美国SOC公司SOC710便携式高光谱成像仪(波长范围400～1 000 nm，分辨率4.687 5 nm)测定光谱曲线。每片叶在油菜叶片敏感区域为距叶尖1/5处[12]选取5个区域，用这5个区域的平均反射率作为该叶片的反射率(图1)。

1.4 数据处理

1.4.1光谱数据预处理 采用五点加权平滑法对原始光谱数据进行预处理[16-17]，逐步回归分析挑选敏感波段，利用敏感波段构建光谱指数，本文主要用到下列光谱指标。

光谱反射率：ρ=ρn

(1)

一阶导数：R’=Rn+1-Rn-1/2Δλ

(2)

比值植被指数[18]：RSI=Rn/Rm

实验组总体健康、生理功能、社会功能、活力、生理职能、情感职能、躯体疼痛和精神健康方面和对照组实验数据间均存在着明显的差异,且P<0.05,具备统计学分析意义。见表1。

(3)

差值植被指数[19]：DSI=Rn-Rm

(4)

归一化植被指数[20]：NDSI=Rn-Rm/Rn+Rm

(5)

改进型叶绿素比值指数[21]：MCARI=[(R700-R670)-0.2×(R700-R550)]×(R700/R670)

(6)

式中，ρn为n处的反射率值， Δλ是相邻两个光谱波段之间的波长距离。

1.4.2预测模型建立及精度验证 采用一元线性回归和BP神经网络两种方法研究油菜叶片光谱数据和叶片叶绿素之间的关系。先将与油菜叶片SPAD值相关性较高的光谱指数作为自变量，SPAD值为因变量,逐一引入一元回归方程，构建一元回归模型。对60组油菜样本，其中50个样本为训练集，10个样本为测试集，构建由一个输入，两个输出层(包含一个隐含层)，五个隐含神经元，一个输出所构成的BP神经网络进行训练。设置迭代次数为1 000，学习精度为0.01，训练目标为均方根误差小于0.001。训练完成后以叶绿素预测值为横轴，以叶绿素实测值为纵轴建立神经网络模型并进行验证，拟合值R越接近1说明模型拟合地越好。通过均方根误差(RMSE)评价模型精度[22]，RMSE值越小则结果越精确。

一元回归分析方程：y=kx+b

(7)

(8)

式中，y代表叶绿素含量，x为特征变量，b为回归常数，yi和y′i分别代表叶片叶绿素含量的实测值和预测值，n为总样本数。

2 结果与分析

2.1 两个生育期油菜叶片的SPAD值和光谱特征分析

比较两个生育期的油菜叶片SPAD的平均值(表2)可以看出，两个生育期的SPAD值标准差、偏度绝对值比较接近；蕾薹期的平均值、最大值、最小值均高于幼苗期，整体差异显著。

表2 不同生育期油菜叶片样本SPAD值统计分析Table 2 Statistical analysis of SPAD value of rapeseed leaf samples at different growth stages

对两个生育期的光谱反射率和一阶导数的平均值进行分析(图2)，两个生育期的光谱反射率及其一阶导曲线基本一致，均符合绿色植物叶片的“两峰三谷”特征[23]。由幼苗期到蕾薹期，油菜叶片光谱反射率呈上升趋势。从光谱反射率的一阶导数图可以看出，曲线走势和光谱反射率曲线相对应。

2.2 油菜叶片光谱反射率及其一阶导与SPAD值的相关分析

两个生育期的光谱反射率及一阶导与对应的叶片SPAD值相关性如图3所示，可以看出，在幼苗期光谱反射率和SPAD值呈正相关，而蕾薹期呈负相关；两个生育期曲线的走向基本一致，波峰、波谷的出现也具有一定的规律性，幼苗期有两个相关性谷分别出现在波段520～580 nm和波段680～730 nm处，相关性峰出现在在波段640～700 nm处，并在绿光561 nm附近达到极值；而蕾薹期在520～580 nm和680～730 nm两个波段对应的是相关性峰，在波段640～700 nm处对应的是相关性谷，极值出现在绿光554 nm附近。反射率的一阶导数与SPAD值的相关性和反射率的情况基本一致，幼苗期的相关性峰和相关性谷对应的是蕾薹期的相关性谷和相关性峰，但两个生育期极值位置有所不同，幼苗期极值出现在红光738 nm附近，蕾薹期极值出现在绿光506 nm附近。根据油菜叶片光谱反射率及其一阶导与SPAD值的相关分析再结合逐步回归的结果(表3)，最后得出油菜叶片光谱对于SPAD值的敏感波长(表4)。

表3 油菜叶片光谱逐步回归结果Table 3 Stepwise regression results of leaf spectra of rapeseed

表4 油菜叶片对SPAD值的敏感波长Table 4 Sensitive wavelength of rapeseed leaves to SPAD value

2.3 光谱指数与油菜叶片SPAD值的相关性分析

将确定好的敏感波长两两组合，利用其所对应的光谱值分别计算RSI、DSI、NDSI和MCARI，并将结果与油菜叶片SPAD值进行相关性分析(表5仅列出相关系数在0.5以上的光谱指数)。由表5可知，两个生育期所计算出的光谱指数绝大部分与SPAD值都具有极显著相关关系，而且蕾薹期光谱指数与SPAD值相关性普遍比幼苗期要高。在不同波长和RSI、DSI、NDSI和MCARI组合中，RSI和NDSI这两种光谱指数的与叶片SPAD值相关性明显好于DSI和MCARI的组合。

表5 与油菜叶片SPAD值具有显著相关性的光谱指数Table 5 Spectral parameter significantly correlated with SPAD values of rapeseed leaves

2.4 一元回归模型的建立与模型精度检验

2.4.1一元回归模型的建立 以油菜叶片SPAD值相关性最高的两个光谱指数为自变量与SPAD值建立一元线性回归模型(表6)。由表6可知，幼苗期以波段组合514和738 nm的一阶导比值植被指数RSI决定系数最高(R2=0.524 3)，均方根误差最小(RMSE=1.644 3)；蕾薹期以波段组合555和646 nm的反射率比值植被指数RSI决定系数最高(R2=0.646 9)，均方根误差最小(RMSE=1.645 7)。综合两个生育期，蕾薹期的估算模型精度要高于幼苗期，拟合效果也更好。

表6 基于高光谱指数的叶片SPAD值估算模型Table 6 Estimation model of leaf SPAD value based on hyperspectral index

2.4.2神经网络分析 针对60组油菜叶片样本，利用神经网络建立叶绿素估算模型。每个样本由敏感波段及其两两组合的光谱指数组成，共计23个光谱指数为特征输入，SPAD值为输出，用其中50个样本作为训练集，10个样本为测试集，采用Trainlm训练方法[24]进行回归分析。从回归结果(图4～7)来看，幼苗期和蕾薹期一阶导数模型的拟合比较好，R分别为0.779 8和0.839 8。

训练完成后再对随机产生的测试集样本进行仿真测试得到预测值，将预测值归一化之后和真实值比较(图8、9)，利用决定系数(R2)，均方根误差(RMSE)对模型性能进行评价(表7)。

表7 油菜叶片光谱指数与SPAD值神经网络模型检验结果Table 7 Testing results of spectral index and SPAD value of rapeseed leaves by neural network model

从评价结果可以得出，神经网络模型创建的模型精度高于一元线性回归模型，决定系数都在0.7以上，均方根误差在1.2～1.7之间，相对最优一元线性回归模型精度也有大幅度的提升，其中幼苗期反射率光谱指数构建的模型精度最高(R2=0.807 0，RMSE=1.131 5)，蕾薹期一阶导数光谱指数构建的模型精度最高(R2=0.873 2，RMSE=1.322 3)。不同的是在训练结果显示拟合比较好的幼苗期一阶导数模型，在最后的模型检验效果却是一个偏低的水平，可能跟模型对测试集样本的划分有关。蕾薹期和幼苗期的BP神经网络模型比传统的回归模型更适合预测油菜的叶绿素含量。

3 讨论

使用光谱特征波段估测叶片叶绿素含量具有较高的精度和效率，方慧等[25]研究油菜叶片叶绿素含量和不同氮肥水平之间相关性，发现位于可见光-红边波段的绿峰、红边波段能够良好地预测叶片叶绿素含量。张永贺等[26]对叶片叶绿素含量和三边参数的关系进行了计算，其中,SDr、SDb、SDr/SDb、(SDr-SDb)/(SDr+SDb)等参数相关系数均大于0.6，能较精确地估测叶片叶绿素含量，为高光谱遥感大面积监测油菜营养生长期生长状况提供了理论依据，也减少了高光谱数据处理的工作量。

本研究利用油菜幼苗期和蕾薹期的叶片光谱数据分别建立与两个生育期的叶片SPAD值的叶绿素估算模型，认为对SPAD值敏感的光谱波段范围均在可见光范围内；由敏感波段两两组合计算出的光谱指数中，RSI和NDSI这两种光谱指数与SPAD值的相关系数明显要高于DSI和MCARI，并且蕾薹期所计算出的光谱指数的相关系数要高于幼苗期；本研究还利用神经网络构建的叶绿素估算模型，精度评价结果均显示比较高的水平，幼苗期反射率光谱指数构建的模型精度最高，决定系数R2为0.807，蕾薹期一阶导数光谱指数构建的模型精度最高，决定系数R2为0.873，蕾薹期的叶绿素估算模型整体效果要优于幼苗期的模型，其原因可能是幼苗期叶片较小，油菜生长较慢，主要通过根从地下获取营养生长，此时叶绿素还不是主要的影响因素，不同样本叶绿素差异较小导致整体相关性下降。另外，本研究分别建立幼苗期和蕾薹期光谱指数与油菜叶片SPAD值的估算模型，一元线性回归模型采用相关系数最高的两个光谱指数建模，其模型精度还远低于基于本文所计算的全部光谱指数所构建神经网络模型。BP神经网络模型是预测叶绿素含量较为理想的模型。

本研究以光谱指数为基础，结合一元线性回归和神经网络建立叶绿素的估算模型，在今后研究中可以探索更多种类的光谱指数，以及更加精确稳定的模型预测叶绿素含量，并且应用到大田环境中做实时快速无损监测。