佛手瓜叶片光谱特征与SPAD值估算模型研究

舒田 黎瑞君 陈智虎 孙长青 刘春艳 许元红

摘要：构建佛手瓜叶片叶绿素含量估算模型，为实现高光谱技术监测佛手瓜叶片叶绿素含量变化提供参考依据。利用SPAD-502 PLUS叶绿素仪同步测定佛手瓜叶片的SPAD值，以Field Spec 3地物光谱仪采集佛手瓜叶片光谱数据。对原始光谱去噪处理后经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换提取其特征波段，然后利用红边及绿峰位置构建了SPAD值的预测模型，并采用决定系数（R2）、均方根误差（RMSE）和相对误差（RE）对模型进行精度评价。结果表明，在400～1 000 nm波长范围内，佛手瓜叶片光谱特征在可见光区的绿峰波段反射率在22%左右，在近红外区形成高反射率，达到56%左右。通过对原始光谱曲线进行一阶微分变换、倒数对数变换和倒数对数的一阶微分数学变换后，提取出佛手瓜叶片的特征波长分别有520、550、640、650、670、680、700 nm。以单一红边位置与佛手瓜SPAD值建立的模型，r2为0.814 2，以此模型进行SPAD值预测，得到预测值与实测值的决定系数r2为 0.833 7，RMSE为2.83，RE为4.36%；以红边与绿峰位置和佛手瓜SPAD值建立的模型，r2为0.824 7，同样以该模型进行SPAD值预测，得到的预测值与实测值的决定系数r2为0.885，RMSE为2.16，RE为3.43%。构建的红边及绿峰位置的回归预测模型对预测佛手瓜叶片SPAD值是可行的，为佛手瓜生产精准调控、产量评估和科学管理提供必要技术支撑。

关键词：佛手瓜；光谱特征；高光谱；SPAD值；估算模型

中图分类号：S127  文献标志码：A  文章编号：1002-1302（2023）09-0222-05

基金项目：贵州省科技支撑计划（编号：黔科合支撑［2021］一般211号）；贵州省科学技术基金项目（编号：黔科合基础-ZK［2021］一般130号）。

作者简介：舒 田（1981—），男，湖南邵阳人，博士，副研究员，从事GIS与农业遥感、农业信息技术研究。E-mail：378074794@qq.com。

通信作者：黎瑞君，硕士，助理研究员，主要从事农业信息技术研究。E-mail：635905436@qq.com。

佛手瓜［Sechium edule （Jacq.） Swartz.］别称捧瓜、千金瓜、寿瓜、洋瓜、棚瓜、虎儿瓜、葵瓜等，为葫芦科多年生草本攀缘植物［1-2］。佛手瓜嫩叶、茎和块根均可食用，是一种药食同源蔬菜［3-4］。佛手瓜在我国主要种植于贵州、云南、四川、广东、福建、浙江等省份，生长快、产量高，产量可达60～90 t/hm2。佛手瓜喜温暖气候，不耐高温和严寒，生长适宜温度为18～25 ℃，温度、光照和水分等是影响佛手瓜生长的主要因素，是一种典型的短日照植物。佛手瓜性凉、味甘，以叶和果实入药，瓜苗富含硒元素，具有强抗氧化作用。

叶绿素作为植物进行光合作用过程的重要农学参数，其含量与植物光合速率、氮素水平、健康状况及产量等密切相关，是植物营养胁迫、光合作用能力、叶片氮素含量以及生长发育状况的重要指示剂［5-9］。通常在实际研究和应用中，采用SPAD值来表征植物的叶绿素含量［10］。传统的叶片叶绿素含量检测常用分光光度计法［11-12］，测定叶绿素含量时常用研磨法和浸泡法，但该方法操作复杂、费时费力，且容易损害叶片组织结构。加上叶绿素内部结构不稳定，见光易分解，测量结果与实际可能存在着误差［13-14］。叶绿素仪能够准确表征叶绿素的相对含量，实现对SPAD值的快速、高效和无损检测。SPAD值表现植物叶片叶绿素含量的相对值，使用SPAD值代替叶绿素含量已成为植被长势好坏的重要考量［15］。众所周知，可见光范围内植物叶片光谱反射率主要受色素含量影响，叶绿素含量影响植物的光谱特性。当植物健康正常并旺長时，叶绿素含量高时“绿峰蓝移”。当作物染病后，色素系统被破坏而“失绿”，从而出现病斑、黑斑或伤斑，这将导致可见光波段的反射率“绿峰红移”［16-17］，说明植物叶片色素含量可通过光谱反射率进行估算［18］。具有多波段、高光谱分辨率且连续性优的高光谱技术可直接对地表物体进行微弱光谱差异的定量分析［19］，利用高光谱遥感来探测作物叶片叶绿素含量的研究也受到越来越多学者的关注。王克晓等分析了油菜叶片光谱反射特征和光谱参数与SPAD值的相关性，构建了偏最小二乘法回归（PLSR）、BP（back propagation）神经网络（BPNN）、支持向量机回归（SVR）和深度神经网络（DNN）等模型对叶片SPAD值进行了估测［20］。李媛媛等利用玉米叶片的一阶微分光谱得到其不同光谱位置参数，然后将与SPAD值相关系数高的4个参数作为输入变量，将SPAD值作为输出变量构建了BP神经网络模型［21］。章曼等分析了不同施肥条件下水稻不同生育期冠层反射光谱和叶绿素含量的变化特征，以及高光谱植被指数与叶绿素含量的相关关系［22］。雷祥祥等基于PROSPECT模型，拟合了蔬菜叶片的反射率光谱，通过线性反演得到了蔬菜叶片叶绿素含量和SPAD值［23］。郭晶晶等获取了不同光照强度下生菜全生命周期的动态高光谱和SPAD值数据，探讨了高光谱曲线的变化规律并建立了高光谱与SPAD值之间的关系模型［24］。

但是上述研究大多数集中在水稻、油菜、玉米和生菜上，对于藤架式的瓜果类蔬菜研究甚少。本研究在探讨佛手瓜挂果期黄绿叶片光谱特征的基础上，对原始光谱进行去噪处理后经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换，提取了红边位置和绿峰位置以及其他特征波段，同时构建了SPAD值的预测模型，以期为佛手瓜叶片叶绿素含量的准确估算，实现高光谱技术监测绿色植被叶绿素含量变化提供技术支撑和理论参考。

1 材料与方法

1.1 试验区概况与数据采集

试验于2022年10月26日上午在贵州省惠水县好花红镇弄苑村的广州市荔湾区-黔南州惠水县乡村振兴协作示范基地-万亩佛手瓜产业园进行（中心点坐标106°38′30.9″E，25°59′19.6″N，平均海拔1 165m）。供试品种为绿皮佛手瓜，当天晴朗无风，气温30 ℃左右，于11：20开始进行佛手瓜叶片生理及光谱信息的采集。测量时正值佛手瓜挂果期，选择生长状况良好、长势接近且叶片面积较大的黄绿叶片（图1），共采集原始叶片样本84组。采集的数据包括佛手瓜目标叶片高光谱和叶绿素含量：（1）目标叶片高光谱采用美国ASD公司的地物光谱仪（Field Spec 3）测量，波谱范围为350～2 500 nm，当光谱范围为350～1 000 nm时，光谱采样间隔为1.377 nm，光谱分辨率为3 nm；当光谱范围为1 001～2 500 nm时，光谱采样间隔为2 nm，光谱分辨率为10 nm。使用前先预热0.5 h，每个叶片获取3条曲线并取均值，每次测量后使用白板进行校正。（2）叶绿素含量采用日本产的SPAD-502 PLUS叶绿素仪同步获取，避开主叶脉从叶尖到叶尾等间隔测量，每片叶获取5条数据，因SPAD-502读数与叶绿素含量密切相关，因此将测量的平均值代表SPAD值［25］。

分别取每一张佛手瓜叶片的SPAD值及反射光谱的平均值作为该叶片的SPAD值与对应的光谱反射率。研究一共测得84份叶片样本，按2 ∶ 1的比例随机选取56份进行建模，剩余28份进行验证。测定的佛手瓜叶片各类型样本的SPAD值统计特征见表1。

1.2 光谱数据预处理

由于反射率受到大气、水汽以及植物自身因素的影响，需要对原始光谱曲线进行预处理。光谱曲线在首尾两端存在较大噪声，数据显得异常，本研究仅保留400～1 000 nm范围反射光谱数据进行分析处理。數据处理及分析利用MATLAB软件对光谱数据进行Savitzky-Golay平滑去噪处理（5点二次多项式），在ENVI软件对平滑处理后的原始光谱反射率R进行去除包络线C（R）处理，同时利用MATLAB软件的计算代码对预处理后的原始光谱反射率（R）进行一阶微分变换R′、倒数对数处理 lg（1/R） 以及倒数对数的一阶微分［lg（1/R）］′数学变换。

1.3 模型构建与精度检验

对地物光谱仪采集的数据通过公式（1）进行一阶微分近似计算，得到红边位置和绿峰位置。

式中：λi为i nm处的波长；λi+1为（i+1） nm处的波长；λi-1为（i-1） nm处的波长；R（λi+1）为波长λi+1的反射率；R（λi-1）为波长λi-1的反射率；R′（λi）为λi的一阶微分。

然后以红边位置和绿峰位置作为自变量，SPAD值作为因变量，采用SPSS进行多元回归分析，建立叶片SPAD值的预测模型。模型精度检验的标准为较高的决定系数（r2）、较低的均方根误差（RMSE）和相对误差（RE）。三者可通过公式（2）、公式（3）、公式（4）来计算获得［9］。

式中：yi为实测值；y^i为预测值；yi为实测值平均值；n为样本总数。

2 结果与分析

2.1 原始光谱特征分析

图2是不同等级SPAD值的佛手瓜叶片的光谱特性。可以看出，无论在可见光还是近红外波段，佛手瓜叶片光谱反射率呈现典型绿色植物的光谱特征：400～500、650～700 nm之间的蓝光和红光波段由于进行光合作用的光辐射能被叶绿素全部吸收而形成2个低反射区，反射率一般在10%以下；在550 nm的绿波段处，由于叶片的吸收减少形成1个反射峰，反射率在20%左右；在700 nm左右反射率陡然上升近似垂直直线，斜率变大，进入红外区后光谱曲线变得平缓，成为高反射区，一般可达到50%～60%，从红光波段的低吸收点到近红外的高反射率的过渡地区，该波段范围的斜率与植被单位面积叶绿素含量关系密切，学界称为“红边位置”［26］，一般位于700～750 nm之间。可见光波段内随着叶绿素含量的增加（即SPAD值等级的提高），光谱反射率越低，吸收作用越强；然而到近红外后变化不太规则，SPAD值最低的反射率还是最高，总体趋势与可见光波段内变化一致。通过图1和图2可以看出，黄绿叶相比绿叶来说，表面有黄色或褐色斑块，犹如叶片受到病虫害侵染后产生的病斑或伤斑，色素系统破坏而失绿，SPAD值也相对降低，可见光波长范围内绿峰位置有“红移”的趋势，而红边位置有“蓝移”的现象，这与黄文江等的研究结论［27-28］颇为相似。

2.2 不同数学变换的光谱特征分析

2.2.1 一阶微分变换光谱分析 根据公式（1）得到佛手瓜叶片的一阶微分光谱曲线，具体见图3。可以看出，佛手瓜叶片不同等级SPAD值在700 nm左右波长一阶微分光谱的反射率最大，其次就是520 nm左右，2个峰值间明显可以看出随着SPAD值等级提高，光谱反射率降低。640 nm处有个明显的吸收谷，随着SPAD值等级的增加反射率也随之增加，其他波长反射率不明显。因此，经过一阶微分变换后不同SPAD值等级的光谱反射率变化得到增强，更容易区分并提取有效特征波段。图3可以明显提取佛手瓜叶片的特征波长位置分别为700、640、520 nm。

2.2.2 倒数对数变换光谱分析 从图4可以看出，原始光谱经过倒数对数变换后，与原始光谱曲线形成反向走势，佛手瓜叶片不同等级SPAD值在 550 nm 波长附近出现吸收谷，不同等级SPAD值在该波长位置差别最为明显且容易识别，其次就是680 nm左右反射峰。因此，经过倒数对数变换可提取出佛手瓜叶片的特征波长为550 nm和680 nm。

2.2.3 倒数对数的一阶微分变换光谱分析 同样，原始光谱经过倒数对数的一阶微分变换后得到图5光谱曲线，曲线走势也与原始光谱形成反向走势，佛手瓜叶片不同等级SPAD值在520 nm和690 nm附近出现较大吸收谷，但区别不明显。然而在红外波段的650 nm和670 nm处出现较高反射率且差别最为明显。因此，经过倒数对数的一阶微分变换可提取出佛手瓜叶片的特征波长为650 nm和670 nm。

2.3 SPAD值预测模型构建

将佛手瓜叶片原始光谱中可见光波段出现的峰值对应的波长定义为绿峰位置，佛手瓜叶片原始光谱一阶微分光谱反射率最大处所对应的波长定义为红边位置，以红边位置和绿峰位置作为2个自变量，叶绿素含量（SPAD值）作为因变量，在SPSS中进行多元回归分析，建立佛手瓜叶片叶绿素含量（SPAD值）的预测模型，并通过决定系数（r2）、均方根误差（RMSE）以及相对误差（RE）对其精度进行评价。

采用单一的红边位置与佛手瓜叶片的SPAD值建立的模型见公式（5），其决定系数r2达到 0.814 2。而采用红边位置 绿峰位置 与佛手瓜叶片SPAD值建立的模型见公式（6），其决定系数r2达到0.824 7。

由此可以看出，采用红边位置λred、绿峰位置λgreen这2个变量建立的模型效果比单个红边位置建立的模型效果要好，这与方慧等的研究结果［5］是一致的。

最后，根据公式（5）和公式（6）得到佛手瓜叶片SPAD的预测值与实测值关系，以单一红边位置λred得到的SPAD值与实测值的r2为0.833 7，RMSE为2.83，RE为4.36%（图6-a）。而以红边位置λred绿峰位置λgreen得到的SPAD值与实测值的R2达到0.885，RMSE为2.16，RE为3.43%（图6-b），所有值均优于以单一红边位置建立的模型。

3 讨论

本研究在绿皮佛手瓜黄绿叶片的原始光谱曲线基础上，通过一阶微分变换、倒数对数变换和倒数对数的一阶微分变换后得到一系列的特征波段。同时，基于单一红边位置以及基于红边和绿峰位置分别构建SPAD值的预测模型，旨在讨论基于不同敏感波段建模的共性和差异，花宇辉等的研究［29-30］中均提出了模型构建的新方法，得到了较高的决定系数、较低的均方根误差和相对误差。对于构建的作物叶片SPAD值的预测模型，均建立在原始反射光谱之上。所得光谱指数可定性或定量地表征作物生长的各项指标，建立光谱指数与叶绿素含量之间的定量模型，也是对田间测量和实验室测定的叶绿素含量验证的有效评估［31］。于跃等基于原始光谱的构建并优化光谱指数而建立的水稻叶片SPAD值的高光谱反演模型［32］、郭松等基于原始光谱变换及植被指数建立的玉米叶绿素含量估算模型［33］和何桂芳等建立的石楠叶片叶绿素含量估算模型［34］的r2均在0.8以上。吴文强等利用主成分分析及BP神经网络算法在红边参数基础上建立的桃树叶片SPAD值反演模型，r2达到了0.93［35］。因此，合适的模型、方法的选择、算法的运用、光谱植被指数的选取、特征或敏感波段的筛选等对模型构建的精度都至关重要。

4 結论

通过对原始光谱反射率曲线的平滑去噪处理，佛手瓜叶片光谱反射率呈现典型绿色植物的光谱特征。可见光区的绿峰波段反射率在22%，进入近红外后形成高反射率后变得平缓，反射率达到56%左右。同时，可见光波段内随着叶绿素含量的增加（即SPAD值等级的提高），光谱反射率越低，而接近近红外后变化稍不规则，总体上还是与可见光波段内变化一致，这也是绿色植被特征的光谱特征；采用对原始光谱曲线经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换后的常见变换形式，可以很快提取到不同SPAD值等级下佛手瓜叶片的特征波段，以及红边位置和绿峰位置；本研究利用绿峰位置和红边位置作为自变量，SPAD值作为因变量构建的回归模型比单一红边位置构建的预测模型精度要高，决定系数r2达到0.824 7，最终以该模型预测的SPAD值与实测值决定系数r2也达到0.885，该方法对于预测佛手瓜叶片SPAD值是行之有效的，下一步从佛手瓜全生育期着手，构建全生育期的优化光谱植被指数，基于深度学习和神经网络算法构架最优SPAD值预测模型，为佛手瓜生产精准调控、产量评估和科学管理提供必要技术支撑。

参考文献：

［1］Fu A Z，Wang Q，Mu J L，et al. Combined genomic，transcriptomic，and metabolomic analyses provide insights into chayote （Sechium edule） evolution and fruit development［J］. Horticulture Research，2021，8：35.

［2］朱鑫彤，赵 文，周 茜，等. 佛手瓜采后保鲜及加工的研究进展［J］. 食品研究与开发，2021，42（2）：214-219.

［3］Jain J R，Timsina B，Satyan K B，et al. A comparative assessment of morphological and molecular diversity among Sechium edule （Jacq.） Sw.accessions in India［J］. 3 Biotech，2017，7（2）：106.

［4］Verma V K，Pandey A，Jha A K，et al. Genetic characterization of chayote［Sechium edule （Jacq.） Swartz.］landraces of North Eastern Hills of India and conservation measure［J］. Physiology and Molecular Biology of Plants，2017，23（4）：911-924.

［5］方 慧，宋海燕，曹 芳，等. 油菜叶片的光谱特征与叶绿素含量之间的关系研究［J］. 光谱学与光谱分析，2007，27（9）：1731-1734.

［6］徐新刚，赵春江，王纪华，等. 新型光谱曲线特征参数与水稻叶绿素含量间的关系研究［J］. 光谱学与光谱分析，2011，31（1）：188-191.

［7］李 哲，张 飞，陈丽华，等. 光谱指数的植物叶片叶绿素含量估算模型［J］. 光谱学与光谱分析，2018，38（5）：1533-1539.

［8］Cui B，Zhao Q J，Huang W J，et al. Leaf chlorophyll content retrieval of wheat by simulated RapidEye，Sentinel-2 and EnMAP data［J］. Journal of Integrative Agriculture，2019，18（6）：1230-1245.

［9］陳 澜，常庆瑞，高一帆，等. 猕猴桃叶片叶绿素含量高光谱估算模型研究［J］. 西北农林科技大学学报（自然科学版），2020，48（6）：79-89，98.

［10］丁希斌，刘 飞，张 初，等. 基于高光谱成像技术的油菜叶片SPAD值检测［J］. 光谱学与光谱分析，2015，35（2）：486-491.

［12］滕利荣，孟庆繁. 生物学基础实验教程［M］. 北京：科学出版社，2008.

［13］徐彩平，刘 霞，陈宇炜. 浮游植物叶绿素a浓度测定方法的比较研究［J］. 生态与农村环境学报，2013，29（4）：438-442.

［14］薛 香，吴玉娥. 小麦叶片叶绿素含量测定及其与SPAD值的关系［J］. 湖北农业科学，2010，49（11）：2701-2702，2751.

［15］赵小敏，孙小香，王芳东，等. 水稻高光谱遥感监测研究综述［J］. 江西农业大学学报，2019，41（1）：1-12.

［16］浦瑞良，宫 鹏. 高光谱遥感及其应用［M］. 北京：高等教育出版社，2000.

［17］舒 田，陈智虎，刘春艳，等. 水果病虫害高光谱遥感应用研究进展［J］. 江苏农业科学，2022，50（20）：19-29.

［18］孙玉婷，杨红云，孙爱珍，等. 水稻叶片SPAD值的高光谱估算模型［J］. 南方农业学报，2020，51（5）：1062-1069.

［19］梁 爽，赵庚星，朱西存.苹果树叶片叶绿素含量高光谱估测模型研究［J］. 光谱学与光谱分析，2012，32（5）：1367-1370.

［20］王克晓，周 蕊，李 波，等. 基于高光谱的油菜叶片SPAD值估测模型比较［J］. 福建农业学报，2021，36（11）：1272-1279.

［21］李媛媛，常庆瑞，刘秀英，等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算［J］. 农业工程学报，2016，32（16）：135-142.

［22］章 曼，常庆瑞，张晓华，等. 不同施肥条件下水稻冠层光谱特征与叶绿素含量的相关性［J］. 西北农业学报，2015，24（11）：49-56.

［23］雷祥祥，赵 静，刘厚诚，等. 基于PROSPECT模型的蔬菜叶片叶绿素含量和SPAD值反演［J］. 光谱学与光谱分析，2019，39（10）：3256-3260.

［24］郭晶晶，于海业，刘 爽，等. 生菜叶片绿度的高光谱判别方法研究［J］. 光谱学与光谱分析，2022，42（8）：2557-2564.

［25］Donnelly A，Yu R，Rehberg C，et al. Leaf chlorophyll estimates of temperate deciduous shrubs during autumn senescence using a SPAD-502 meter and calibration with extracted chlorophyll［J］. Annals of Forest Science，2020，77（2）：30.

［26］王纪华，赵春江，黄文江，等. 农业定量遥感基础与应用［M］. 北京：科学出版社，2008.

［27］黄文江. 作物病害遥感监测机理与应用［M］. 北京：中国农业科学技术出版社，2009.

［28］赵春江. 农业遥感研究与应用进展［J］. 农业机械学报，2014，45（12）：277-293.

［29］花宇辉，高志强. 秋玉米SPAD值的光谱估算模型研究［J］. 作物杂志，2019（5）：173-179.

［30］王芳东，严志雁，赵小敏，等. 油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择［J］. 江西农业大学学报，2022，44（1）：86-96.

［31］刘 爽，于海业，张郡赫，等. 基于最优光谱指数的大豆叶片叶绿素含量反演模型研究［J］. 光谱学与光谱分析，2021，41（6）：1912-1919.

［32］于 跃，于海业，李晓凯，等. 优化光谱指数建立水稻叶片SPAD的高光谱反演模型［J］. 光谱学与光谱分析，2022，42（4）：1092-1097.

［33］郭 松，常庆瑞，崔小涛，等. 基于光谱变换与SPA-SVR的玉米SPAD值高光谱估测［J］. 东北农业大学学报，2021，52（8）：79-88.

［34］何桂芳，吴 见，彭 建，等. 基于高光谱的石楠叶片叶绿素含量估算模型［J］. 西北林学院学报，2022，37（1）：25-32，59.

［35］吴文强，常庆瑞，陈 涛，等. 基于PCA-BP神经网络算法桃树叶片SPAD值高光谱估算［J］. 西北林学院学报，2019，34（5）：134-140，224.