TMV胁迫下烟草SPAD值的遥感估算模型研究

许跃奇，阎海涛，常 栋，王晓强，何晓冰，马文辉，贾方方

（1.河南省烟草公司 平顶山市公司，河南 平顶山 467000；2.商丘师范学院 生物与食品学院, 河南 商丘 476000）

烟草花叶病（Tobacco Mosaic Virus）是一种在世界各植烟国普遍发生、局部地区严重流行的烟草病毒病害［1］，也是我国各产烟区的主要病害，严重限制了烟叶的产量和质量的提高。烟株感病初期叶片会出现深绿相间的斑驳和杂斑，后期则形成深绿色泡斑，叶片卷曲变形，色泽不均，厚薄不一，叶密不开片［2］。若在烟草伸根期之前发病，损失可达50%~70%，甚至绝收；旺长期发病，损失达30%~50%［3］。因此，在烟草生长的早期实现花叶病的定期监测和病害预测至关重要。

叶绿素是植物光合作用中主要的光能吸收物质［4］，其含量高低是植物营养胁迫［5-6］、衰老进程［7］和病害胁迫［8］的良好指示剂。叶片绿色度（SPAD值）可表征作物叶片中叶绿素的相对含量［9-10］，其变化会导致作物相应光谱的改变，这为利用遥感技术对烟草花叶病进行实时监测提供了可能。谢传奇等［11］对灰霉病胁迫下番茄叶片中SPAD值的高光谱图像信息进行了研究，建立了PLSR、PCR、BPNN和LS-SVM模型，结果表明：LS-SVM模型用于检测SPAD值效果最好。谢静等［12］研究认为利用高光谱成像技术结合偏最小二乘法建立的预测模型可反演水稻叶片上任意像素的SPAD值，可为水稻的病害预警提供方法。李梅等［13］对晚疫病病害胁迫下马铃薯叶片中的SPAD值与高光谱特性进行了关联研究，比较了SPAD值的基于全光谱的PLSR模型、基于特征波长的LS-SVM模型和基于植被指数的二次多项式模型，认为三者在预测效果和简化应用方面各有优劣。前人在作物的病害监测方面已取得了较大进展［14-16］，促进了病害早识别、早防控的实现，降低了作物产量损失和品质劣变，减少了农药错施、滥施引起的环境污染。然而，上述研究多是基于前人经验，利用已有的光谱参数对作物病害进行估测，鲜有针对烟草病害的敏感光谱波段筛选和参数提取，而关于烟草花叶病冠层尺度SPAD值的定量估算则尚未见报道。

因此，本研究通过人工诱发烟草花叶病（TMV）并测量感病和健康烟株的冠层光谱和冠层SPAD值 ，综合分析二者之间的相关性，探索构建检测烟草花叶病SPAD值的最佳波段、光谱参数及模型，预测烟草的花叶病病害胁迫，为生产中TMV的精准诊断及高效管理提供理论基础与技术途径。

1 材料与方法

1.1 试验设计

试验于2019年和2020年连续2年在河南省平顶山市郏县李口镇进行，采用大田试验。供试土壤为褐土，前茬作物红薯，试验土壤的pH值为 7.77、有机质含量为9.53 g/kg、碱解氮含量为69.74 mg/kg、速效磷含量为2.74 mg/kg、速效钾含量为106.61 mg/kg。供试烟草品种为中烟100，分别于2019年4月28日和2020年4月25日移栽，按行株距120 cm×60 cm种植。小区面积共667 m2，试验田其他栽培管理措施按当地优质烟叶生产技术规范进行。

烟草TMV病毒从烟草普通花叶病中分离得到，由商丘师范学院植物与微生物互作河南省高校重点实验室提供并保存。在移栽后15 d，于烟草第5片叶上常规摩擦接种。接种后第5 d开始进行调查，按照接种后烟株的显症情况，选取单一TMV侵染胁迫所致的花叶病对烟株进行病害分级。于移栽后30 d开始采集并测定发病烟株，每个病害等级处理设置3个重复。病害分级标准参照中华人民共和国烟草行业标准烟草病害分级及调查方法分级：0级（全株无病）、1级（心叶脉明或轻微花叶，或上部1/3叶片花叶但不变形，植株无明显矮化）、2级（1/3至1/2叶片花叶，或少数叶片变形，或主脉变黑，植株矮化为正常株高的2/3以上）、3级（1/2至2/3叶片花叶，变形或主侧脉坏死，或植株矮化为正常株高的2/3至1/2）、4级（全株叶片花叶，严重变形或坏死，病株矮化为正常植株高度的1/2以上至1/3）。

1.2 测定方法

1.2.1 光谱测定 采用美国ASD公司生产的Field Spec3野外光谱测定仪， 光谱范围为350~ 2500 nm，区间为350~1000 nm的光谱分辨率为14 nm，1000~2500 nm 区间内的分辨率为2 nm，光谱采样间隔1.6 nm，视场角25°。选择晴朗、无风、无云的天气，于北京时间10：00～14：00进行光谱测定。分别于移栽后第30、45、60、75、90和115 d，按照病害等级， 每个病级选3株长势一致，能反映病害水平的大田烟株测量光谱。测量时传感器探头垂直向下，据冠层垂直高度为1.5 m，每株烟光谱值重复采集10次，取其平均数为该株烟的光谱反射率。各处理测定之前均进行白板校正。

1.2.2 烟草叶片SPAD值 日本Minolta Camera公司生产的SPAD-502叶绿素仪，利用650 nm红光波段和940 nm近红外光波段的透射光比值测量叶绿素的相对含量，其SPAD值无量纲，同叶绿素含量具有较高的相关性，常用于表征叶绿素含量［17］。待冠层光谱测定之后，取同株烟草的下（第6片叶）、中（第11片叶）、上部（第18片叶）同一部位烟叶，测定每片烟叶的叶尖及叶片两侧的近叶尖、叶中、近叶基、叶基这5个部位的SPAD值，取其平均数为该片烟叶的SPAD值，将不同叶位的SPAD值通过加权，求得整株烟草的SPAD值。

1.3 数据分析

利用光谱数据处理软件ViewSpec Programs对原始光谱数据进行异常值剔除、平均、数据导出等处理，利用Matlab 12.0、SPSS 18.0和Excel 2003等软件对数据进行处理及计算。

通过构造光谱植被指数，可同时将植被反射率最大和外部影响因素最小化。本文构造了400~1300 nm波长范围内任意2个波段组合而成的差值（DVI）［18］、比值（RVI）［19］和归一化（NDVI）［20］植被指数，分析它们与花叶病胁迫下烟草冠层SPAD值的关系。

1.4 模型评价指标

模型预测性能的评价指标包括决定系数（R2）和均方根误差（RMSE），其计算公式如下。

2 结果与分析

2.1 TMV胁迫下烟草SPAD值动态变化

由图1可见，除第30天外，其余时期感病烟株的SPAD值均明显小于健康植株的，随着发病等级的加重而降低，且随着生育时期推移，此规律愈加明显。这是由于烟草植株感染TMV后，叶片颜色变浅，呈淡绿色，导致SPAD值减小；而移栽后30 d烟株尚处于伸根期，早期发病的烟株除了叶片皱缩，严重矮化外，叶片的厚度及颜色也不均匀，可能导致发病植株的SPAD值高于健康植株。

图1 TMV胁迫下烟草冠层SPAD值动态变化

2.2 TMV胁迫下烟草冠层反射光谱的动态变化

图2展示了TMV胁迫下烟草冠层反射光谱的变化趋势，光谱测定时期和测定植株均同烟草SPAD值的测定（图1）相对应。TMV胁迫下烟株冠层光谱变化的整体趋势为：从移栽后30~75 d，冠层光谱稳中有升；移栽后75~115 d，由于烟株凋萎，叶片发黄，下部叶和中部叶采收，冠层结构发生变化，进而导致冠层光谱呈现降低趋势。不同时期处理间差异明显，且在可见光，近红外，短波红外光区规律一致，但不同时期处理间的动态变化则无一致规律，具体表现如下：移栽后30 d：3级＞1级＞0级＞4级≥2级；移栽后45 d：1级≥3级＞2级＞0级＞4级；移栽后60 d：3级＞0级≥1级＞2级＞4级；移栽后75 d：0级＞1级＞2级＞3级＞4级；移栽后90 d：2级＞4级＞0级＞3级＞1级；移栽后115 d：4级＞3级＞2级＞1级＞0级。

图2 TMV胁迫下烟草冠层光谱曲线动态变化

由此可见，高光谱遥感波段多，信息量大，仅从表观反射光谱中，难以提取有用信息。同时，由于冠层光谱受植物冠层结构、土壤背景、大气状况等的干扰，难以准确提取植被信息。通过构造光谱指数，可以使植被反射信息最大化，外部因素影响最小化。

2.3 烟草SPAD值光谱指数模型构建

2.3.1 TMV胁迫下烟草SPAD值与光谱指数的定量关系 植物叶片在可见光区（400～700 nm） 、红边区（680～760 nm）和近红外光区（780～1300 nm） 的光谱反射率和叶片光合色素含量之间有较高的相关性，加之350~400 nm噪音较大，因此本文主要选择400~1300 nm之间的波段进行分析。

植被指数是由光谱数据经过线性和非线性组合构成的对植被有一定指示意义的各种光谱参数。为了探寻估算冠层SPAD值的最佳光谱指数，本文采用减量精细采样法，系统分析了400~1300 nm范围内任意2个波段组合的差值（DVI）、比值（RVI）和归一化（NDVI）植被指数与冠层SPAD值的相关性。图3为400~1300 nm内不同波段的光谱指数组合估算冠层SPAD值的线性拟合决定系数R2等势图，图3a显示SPAD值同差值植被指数（DVI）相关性较好的波段主要集中在796~1110 nm的近红外波段，而比值植被指数（RVI）（图3b）和归一化植被指数（NDVI）（图3c）具有很强的一致性，主要集中在719~760 nm的近红外波段。

图3 光谱指数与烟草SPAD值的决定系数（R2）等势图（n=82）

2.3.2 光谱指数模型 TMV胁迫下烟草冠层反射光谱构成的3种光谱指数中，与SPAD值相关性最好的指数分别为 DVI（R835，R910），RVI（R731，R741）和NDVI（R731，R741）。分别利用这3个最优光谱指数与SPAD值建立线性回归模型（图4a-图4c），模型的决定系数R2分别为0.62、0.60和0.61，均大于0.5，说明模型的预测准确度较好。

图4 烟草SPAD值的DVI（835，910）、RVI（731，741）、NDVI（731，741）和BP神经网络预测模型（n=82）

2.3.3 SMLR模型 根据烟草SPAD值的DVI、RVI和NDVI决定系数等势图（图3），分别选取决定系数R2最高的前20个DVI参数、RVI参数和NDVI参数，以这60个参数作为自变量，以对应的烟草SPAD值为因变量，建立逐步回归方程（Stepwise multiple linear regression， SMLR）：y=17.88+202.38×DVI（R1077-R1107）-43.80×NDVI［（R719-R733）/ （R719+R733）］。方程的决定系数R2达到0.69，其预测稳定性要稍优于3个线性模型。

2.3.4 BP神经网络模型 BP神经网络在非线性映射功能方面具有无可比拟的优势，其神经元传输函数为非线性函数，映射方式为“点对点”映射［18-21］。本文采用了三层BP神经网络，包括输入层，单隐含层和输出层。以逐步回归方程中的自变量作为输入层，烟草SPAD值作为输出层。采用“试错法”来确定隐含层节点数，该模型的隐含层节点数为45。输入层的传递函数为正切函数tansig，输出层的传递函数为线性函数purelin。以2020年的试验数据作为BP神经网络模型的预测样本，预测效果的R2为0.89，预测效果最好（图4d）。

2.4 模型验证

利用2019年的试验数据对已建立的DVI、RVI、NDVI、SMLR和BP神经网络模型进行验证，分别构建了5个模型的实测值与预测值的1∶1关系图，采用预测精度（P-R2）和均方根误差（RMSE）进行定量评价（图5）。结果显示：5种模型的精度（P-R2）分别为0.49、0.52、0.52、0.51和0.79，均方根误差RMSE分别为5.33、5.22、5.23、17.13和3.40。其中以BP神经网络模型的验证效果最好，P-R2最大，RMSE最小，拟合值曲线最接近1∶1关系线，说明模型的预测值和实测值符合度较高。

图5 烟草SPAD值的预测值和实测值1∶1关系图（n=87）

3 讨论

应用遥感技术构建植被指数对作物色素含量进行反演，进而评价其光合能力和健康状况是目前植被遥感领域的研究热点［22］。尽管生物胁迫和非生物胁迫均可降低作物的叶绿素含量，但导致其叶绿素变化的机制却是不同的。水分胁迫、营养胁迫等非生物胁迫主要是因为植物本身养分供应不足限制了叶绿素合成［23-24］；而诸如TMV等病害胁迫则是由于病菌的大量繁殖及有毒物质的积累，堵塞了导管并破坏植株的内部结构，从而造成叶绿素的降解加速。因此，应首先明确引起叶绿素变化的内在机理；此外，不同病害胁迫所导致的植株形态结构及生理变化具有“内在性”和“专一性”等特点，而高光谱遥感则主要提取作物表观性特征，因此早期病害植株在原始光谱反射率上差异较小，若是仅对原始光谱进行分析，将很难及时识别病害的发生。同时，冠层光谱又受大气、植株背景等因素的影响，且随着病害程度加重、生育时期推进，影响冠层光谱的主要因素也会发生变化，因此，若用原始光谱指数，难以准确估算病害状况。本研究采用减量精细采样法，系统分析了TMV胁迫下烟草冠层400~1300 nm波段范围内任意2个波段结合组成的差值、比值和归一化植被指数等相对植被指数，不仅加强了生物胁迫下植株“内在性”与遥感的“表观性”特征相结合，同时也弱化了病害时期、植株背景等的影响，克服了“异病同谱”的缺陷，对烟草花叶病的实时监测更具针对性和适用性。

前人对不同作物的SPAD值进行了光谱研究，发现玉米、油菜等作物的SPAD值的光谱敏感波段均集中于可见光波段［25-27］。本文筛选出以835 nm、910 nm、731 nm和741 nm为 中 心 的TMV胁迫下烟草SPAD值光谱敏感波段。其中731 nm和741 nm均位于可见光波段的红光波段，而835 nm和910 nm则位于近红外波段，相比前人研究，新增了近红外波段为烟草SPAD值的光谱敏感波段。然而，本研究中获取烟株冠层光谱信息的方式为将传感器垂直植株冠层向下，这种垂直观测模式通常只获取了植株上层的光谱信息，难以对其中下层叶片的长势参数进行遥感反演。而TMV发病特性为自下而上，因此垂直的冠层光谱探测将具有一定程度的滞后性。同时，大量研究［28-30］表明：非垂直角度所观测到的反射率与垂直角度所观测的反射率有明显差别；太阳—地表—传感器之间空间位置的不同会导致传感器观测视场内植被和土壤的光照和阴影成分比例发生变化，进而影响到植被二向反射率的变化。因此，下一步我们的研究方向将利用多角度遥感技术对作物生物胁迫下的叶绿素含量及密度进行立体监测，综合分析作物中下层叶片的生长信息对整个冠层光谱信息的影响。

本文分别建立了烟草冠层SPAD值的DVI（R835，R910）、RVI（R731，R741）和 NDVI（R731，R741）的 光 谱指数线性估测模型、SMLR线性模型及BP神经网络估测模型，这5个模型的预测精准度及稳定性均以BP神经网络最佳，SMLR模型的预测精度虽优于3个光谱指数线性模型，但是其验证效果则表现不甚理想（P-R2=0.51，RMSE=17.13）。SMLR和BP神经网络模型的输入参数均是60个与SPAD值相关性最好的光谱参数，但是二者预测和评估效果相差甚远，一方面是由于这60个参数的分布规律，归根结底来自于SPAD值的分布规律，均不是明显的线性规律，所以使得BP神经网络点对点的非线性预测优势得以充分发挥。

4 结论

本文在确定烟草TMV胁迫下SPAD值光谱敏感波段的基础上，又尝试构建了不同预测模型，有效地对研究区域的烟草SPAD值进行了反演，进而大致估算烟草的健康状况，为其长势监测提供理论参考。

（1）TMV胁迫下烟草SPAD值随着生育期进展均表现为先増后降的趋势，在移栽后75 d达到最大值。而同一生育期，除了伸根期（移栽后30 d），其余时期均呈现随TMV病害等级加重SPAD值降低的趋势。

（2）烟草冠层光谱整体变化规律以移栽后75 d为转折点，75 d之前是稳中有升，随后则明显降低。处理间差异明显，但在不同时期冠层光谱无明显一致变化规律。

（3）烟草SPAD值的敏感波段组合位于可见光波段和近红外波段：796~1078 nm波段和898~1110 nm的差值组合，719~731 nm波段和733~759 nm波段的比值组合和归一化组合。其中尤以DVI（R835，R910）、RVI（R731，R741）和 NDVI（R731，R741）与SPAD值的相关性最好。

（4）建立的SPAD值的DVI（R835，R910）、RVI（R731，R741）、NDVI（R731，R741）线性预测模型、SMLR模型和BP神经网络预测模型中，以BP神经网络模型的预测精度最高，R2为0.89，模型的验证效果也最佳，P-R2最大（0.79），RMSE最小（3.40）。表明BP神经网络能够实时监测TMV胁迫下烟草的叶绿素状况，这为烟草病害的光谱监测提供了新的技术思路和方法途径。