烤煙煙堿含量的高光譜預測模型

趙文等

摘要：利用高光譜參數預測烤煙葉片中的煙堿含量，選取大田試驗條件下不同光照強度處理的煙株測定光譜反射率。選擇18個高光譜參數與煙堿含量進行相關性分析并構建回歸方程，進而建立烤煙葉片煙堿含量的高光譜參數預測模型，并對模型進行均方根誤差和相對誤差檢驗。結果表明：煙堿含量與選取的高光譜參數之間的相關系數均達到極顯著水平，最高為0.83。選取其中相關性最好的8個高光譜參數并建立多種函數的回歸模型發現，拋物線的擬合精度r2在各方程中為最優，達到0.773。結合誤差檢驗得出：選取的8個參數中誤差檢驗與預測模型的精度相符合，說明預測模型穩定性良好，能夠進行煙堿含量的快速、簡便、準確的預測，尤其以NDSI導數、RSI導數、SASI導數的拋物線預測模型為最佳。

關鍵詞：烤煙；高光譜；煙堿含量；預測模型

中圖分類號： TS41+1 文獻標志碼： A 文章編號：1002-1302（2014）03-0275-05

煙堿作為煙草特有的化學成分，對煙葉的刺激性、生理強度以及香吃味都有很大的影響[1-2]。有研究表明，煙葉中的煙堿含量介于1.5%～3.5%之間時，煙葉為優質水平；煙堿含量過低時，則吸食平淡乏味；煙堿含量過高時，則煙氣勁頭過大[3-4]。近年來，隨著高光譜遙感技術的發展，基于高光譜原理的無損傷測試技術已經逐步在農業上得到應用，目前國內外學者已經對多種作物進行了光譜反射率及化學組分的相關性研究。Johnson等研究了2 160 nm波段處樹葉反射率的一階導數與葉片全氮含量間的相關性，結果發現相關性在整個可見光至紅外波段范圍內最好，用光譜分析方法估測鮮葉的含氮量時發現，其精度大于85%[5]。牛錚等的研究表明，小麥鮮葉片的精細光譜特征能夠較好地反映出其7種化學組分含量，尤其對粗蛋白、氮、鉀含量的反映最好，r2均達到0.8以上[6]。高光譜預測在煙草上的應用尚處于起步階段，李向陽等采用逐步回歸方法建立了K326烤煙葉片煙堿含量的回歸方程，認為一階導數光譜回歸模型的模擬效果較好，但要達到田間實時實地檢測，還要考慮外界環境的影響[7]。吳玉萍等指出，不同品種烤煙間的煙堿含量差異顯著，因此研究不同品種烤煙的大田環境光譜預測模型很有必要[8]。劉良云等認為，460～740 nm波段光譜反射率與煙堿和全氮含量呈極顯著負相關，430～710 nm波段光譜透過率與全氮含量呈極顯著負相關、與煙堿含量呈顯著負相關[9]。有研究表明，利用PPR（550，450）和NRI（近紅外）建立的煙葉氮素、煙堿、鉀離子含量的光譜預測模型都有很好的穩定性。辛榮等指出，利用多元分析中的逐步回歸法、主成分分析法建立全氮預測模型的效果較好[10]。此類研究雖然較多，但尚未見涉及不同光照強度處理下高光譜對煙堿含量的預測模型。由于光照強度對烤煙煙堿含量的影響較大，且光照強度過低會導致煙堿含量升高，煙葉品質下降[11]，因此本試驗采用在大田中使用不同層數的紗布遮陰處理煙葉，通過對不同生育期內光譜反射率的測定研究烤煙煙堿含量與光譜之間的關系，旨在建立一個精確的煙堿高光譜參數預測模型，為快速測定烤煙葉片中的煙堿含量提供新的研究方法和思路。

1 材料與方法

1.1 試驗材料

供試品種為云煙87。本試驗于2012年在河南省南陽市方城金葉園（112°54′E，33°15′N）內進行。試驗地的土壤為黃壤土，pH 值7.48，有機質含量11.45 g/kg，全氮含量 0.72 g/kg，堿解氮含量 55.0 mg/kg，速效磷（P2O5）含量 18.0 mg/kg，速效鉀（K2O）含量135 mg/kg。

1.2 儀器與試劑

試驗用主要儀器有：FieldSpec3野外地物光譜測定儀，美國分析光譜儀器公司；連續流動分析儀（AutoAnalyzer 3 High Resolution，簡稱AA3 HR）。主要試劑有乙酸（分析純）。

1.3 試驗設計

試驗設覆蓋1層（S1）、2層（S2）、3層（S3）白色聚乙烯紗網3個遮陰處理，輻射量依次為太陽輻射總量的85%、65%、45%，以自然光作為對照（CK）。按110 cm×60 cm的行株距進行栽種，每處理種45棵煙。移栽后將不同層數的紗網搭在高2.8 m，底部寬6 m、長6 m的弓形鐵支架上，弓形架為南北走向，不覆蓋南北兩端口，保持通風。2012年4月25日移栽，煙草還苗后開始進行遮陰處理。田間栽培管理措施均按優質煙葉的生產技術規范進行。

1.4 試驗方法

1.4.1 葉片的光譜測定 葉片的光譜測定使用野外光譜測定儀，自帶手持式葉片夾持器，內置石英鹵化燈（光源穩定）。測量時將煙株葉片放入夾持器葉室內并夾緊葉室，以保證葉片的葉面積相同，同時消除環境背景及噪聲的影響。光譜儀波段范圍為350～2 500 nm，其中350～1 000 nm波段的分辨率為3 nm；1 000～2 500 nm波段的分辨率為10 nm。移栽后30 d開始對不同遮陰處理的煙草葉片進行光譜測定，然后每隔15 d測定1次，至上部葉采收完畢而結束試驗測定。每次測定前首先進行白板校正，測定時選擇各處理具有代表性、無病害的煙株，每張葉片分別選取葉尖、葉中、葉基3個部位，每個部位連續測定10組數據，每個處理重復測定3次，以各個部位數據的平均數作該葉片的光譜曲線。

1.4.2 煙堿含量的測定 葉片光譜測定結束后即對光譜測定的葉片取樣，先將葉片用清水沖洗干凈并用濾紙吸干，在 105 ℃ 下殺青15 min，再在60 ℃下烘干，采用連續流動分析儀（AutoAnalyzer 3 High Resolution，簡稱AA3 HR）測定煙堿含量。試驗樣品的處理方法：稱取0.25 g煙樣于50 mL磨口三角瓶中（精確到0.000 1 g），加入25 mL 5%乙酸溶液并蓋上蓋子，在振蕩器上振蕩萃取30 min后用定性濾紙過濾，注意棄去前幾毫升濾液并收集后續濾液作分析。每個樣品重復測量3次。endprint

1.5 擬合模型的選擇

簡單線性函數：y=a+bx；冪函數：y=axb；指數函數：y=aebx；拋物線函數：y=a+bx+cx2；對數函數：y=a+bln（x）；S曲線函數：y=1/（a+be-x）。式中：y為煙堿含量的擬合值；x為光譜參數或者光譜反射率的一階導數；a、b、c均為常數。

1.6 數據分析方法

由于煙堿中含有大量的C—H、N—H，而近紅外（NIR）光譜區域（波長范圍780～2 526 nm）以及紅邊波段（680～760 nm）對C—H、N—H基團比較敏感[12]。因此本試驗選擇位于近紅外波段以及紅邊波段范圍內或附近的光譜指數（表1），分析其與煙堿含量的相關性并構建回歸方程，以確定最優的模擬方程。

原始光譜數據通過光譜儀自帶軟件View Spec Pro進行處理，其他數據處理工作在Excel 2007和DPS 7.05中進行。選擇各生育時期測定的樣本（n=72）構建模型，另外選取20個樣本作為檢驗樣本。采用均方根誤差（RMSE）和相對誤差（RE）對預測值和實測值之間的擬合精度進行檢驗，以確定模型的適用性。

3 結論與討論

本研究選取了18個高光譜參數研究烤煙葉片中煙堿含量的預測模型，通過建立不同參數的多個擬合方程，為研究高光譜預測煙堿含量提供了新思路。為了尋找能夠精確預測煙堿含量的高光譜參數，從而簡化利用高光譜進行煙堿含量預測的方法，本研究選取多個紅邊以及近紅外波段的光譜指數建立煙堿預測模型，并得到良好的效果，這與前人研究高光譜預測氮素的敏感波段結果[13]基本一致，說明煙草葉片中的氮含量與煙堿含量的相關性較大。

與單純使用反射率或導數相比，采用光譜參數對煙堿含量進行預測較好地簡化了估算模型的復雜度。分析各參數的多個回歸方程擬合精度（r2）可知，拋物線函數回歸模型的擬合精度最高，并且均方根誤差以及相對誤差的檢測結果較好。同時發現，NDSI導數、RSI導數、SASI導數的相關性系數較好，均達到0.76以上，且都為極顯著相關，并且這3個參數的拋物線回歸模型擬合度也較高，均不小于0731 5，均方根誤差≤0.262 5，相對誤差≤11.120 310，檢測結果較為穩定，具有較好的煙堿估測能力。3個參數的最佳估測模型分別為NDSI（FD700，FD690）y=1673 3-6.006 5×NDSI+7.250 4×NDSI2；RSI（FD691，FD711）y=-0.0015+0.7950×RSI+0058 3×RSI2；SASI（FD700，FD690）（L=-0.01） y=1.474 9-1.200 5×SASI+0.280 7×SASI2。相同參數的光譜反射率導數預測結果之所以優于光譜反射率的預測結果，是由于導數光譜可部分或全部消除環境因素對目標物光譜的影響[10]。

由于本研究基于大田烤煙的實際生長環境而對烤煙的各個生理時期進行實地的光譜測定，因此數據能夠更加準確地反映實際情況。由于不同光照強度對煙堿含量的影響較大，因此采用不同層數的遮陰網對光照強度進行處理，選取各個生育期的上、中、下部煙葉進行光譜試驗測定。在建模過程中，利用各個時期的數據進行分析，有效消除了不同生育時期的影響，使模型更具有普遍適用性。因此，本試驗對于煙堿含量的高光譜參數的預測有較好的適用范圍，具有一定的通用性，可以為煙堿高光譜參數模型的建立提供一定的借鑒，但由于試驗模型的建立采用了1年的試驗數據，因此想要得到更加精準的預測效果則需要進行更多的模型檢測。另外，本試驗采用的烤煙品種為云煙87，對其他烤煙品種的適用性還需要進一步驗證，同時由于本試驗所處的地理、氣候、環境等因素的限制，尚未能確定是否能夠適應較大海拔差異、經緯度差異的植煙地烤煙煙堿的預測。

參考文獻：

[1]Brunnemann K D，Masaryk J，Hoffmann D. Role of tobacco stems in the formation of N-nitrosamines in tobacco and cigarette mainstream and sidestream smoke[J]. Journal of Agricultural and Food Chemistry，1983，31（6）：1221-1224.

[2]Fannin F F，Bush L P. Nicotine demethylation in Nicotiana[J]. Medical Science Research，1992，20：867-868.

[3]Adams J D，Owens-Tucciarone P，Hoffmann D. Tobacco-specific N-nitrosamines in dry snuff[J]. Food and Chemical Toxicology，1987，25（3）：245-246.

[4]史宏志，張建勛. 煙草生物堿[M]. 北京：中國農業出版社，2004：7-11.

[5]Johnson L F，Billow C R. Spectrometry estimation of total nitrogen concentration in Douglas-fir foliage[J]. International Journal of Remote Sensing，1996，17（3）：489-500.

[6]牛 錚，陳永華，隋洪智，等. 葉片化學組分成像光譜遙感探測機理分析[J]. 遙感學報，2000，4（2）：125-130.

[7]李向陽，于建軍，劉國順.利用光譜反射率預測烤煙葉片煙堿含量[J]. 農業工程學報，2008，24（8）：169-173.

[8]吳玉萍，鄧建華，文大榮，等. 云南不同品種和產區烤煙煙堿含量的差異[J]. 煙草科技，2010（9）：40-42，50.endprint

[9]劉良云，靳志偉，王紀華，等. 光譜法預測煙葉中的煙堿、鉀和氮素[J]. 煙草科技，2005（6）：26-29.

[10]辛 榮，唐延林. 紫外光譜法預測烤煙煙葉中的全氮[J]. 光譜學與光譜分析，2009，29（5）：1367-1370.

[11]薛劍波，符云鵬，尹永強. 影響煙草中煙堿含量的因素及調控措施[J]. 安徽農業科學，2005，33（6）：1053-1055.

[12]王保興，陳國輝，汪 旭，等. 近紅外光譜技術在煙草領域的應用進展[J]. 光譜實驗室，2006，23（5）：1075-1084.

[13]姚 霞，朱 艷，田永超，等. 小麥葉層氮含量估測的最佳高光譜參數研究[J]. 中國農業科學，2009，42（8）：2716-2725.

[14]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and Nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[15]薛利紅，曹衛星，羅衛紅，等. 小麥葉片氮素狀況與光譜特性的相關性研究[J]. 植物生態學報，2004，28（2）：172-177.

[16]朱 艷，李映雪，周冬琴，等. 稻麥葉片氮含量與冠層反射光譜的定量關系[J]. 生態學報，2006，26（10）：3463-3469.

[17]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[18]馮 偉，姚 霞，朱 艷，等. 基于高光譜遙感的小麥葉片含氮量監測模型研究[J]. 麥類作物學報，2008，25（5）：851-860.

[19]李映雪，朱 艷，田永超，等. 小麥葉片氮含量與冠層反射光譜指數的定量關系[J]. 作物學報，2006，32（3）：358-362.

[20]Pearson R L，Miller L D.Mapping of standing crop biomass for estimation of the productivity of the short-grass prairie，pawnee national grasslands[C]//Proc.8th International Symposium on Remote Sensing of Environment. USA：Michigan，1972：1357-1381.

[21]Peuelas J，Filella I，Gamon J A.Assessment of photosynthetic radiation-use efficiency with spectral reflectance[J]. New Phytologist，1995，131（3）：291-296.

[22]Gitelson A A， Merzlyak M N. Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyⅡ[J]. Journal of Plant Physiology，1996，148（3/4）：494-500.endprint

[9]劉良云，靳志偉，王紀華，等. 光譜法預測煙葉中的煙堿、鉀和氮素[J]. 煙草科技，2005（6）：26-29.

[10]辛 榮，唐延林. 紫外光譜法預測烤煙煙葉中的全氮[J]. 光譜學與光譜分析，2009，29（5）：1367-1370.

[11]薛劍波，符云鵬，尹永強. 影響煙草中煙堿含量的因素及調控措施[J]. 安徽農業科學，2005，33（6）：1053-1055.

[12]王保興，陳國輝，汪 旭，等. 近紅外光譜技術在煙草領域的應用進展[J]. 光譜實驗室，2006，23（5）：1075-1084.

[13]姚 霞，朱 艷，田永超，等. 小麥葉層氮含量估測的最佳高光譜參數研究[J]. 中國農業科學，2009，42（8）：2716-2725.

[14]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and Nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[15]薛利紅，曹衛星，羅衛紅，等. 小麥葉片氮素狀況與光譜特性的相關性研究[J]. 植物生態學報，2004，28（2）：172-177.

[16]朱 艷，李映雪，周冬琴，等. 稻麥葉片氮含量與冠層反射光譜的定量關系[J]. 生態學報，2006，26（10）：3463-3469.

[17]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[18]馮 偉，姚 霞，朱 艷，等. 基于高光譜遙感的小麥葉片含氮量監測模型研究[J]. 麥類作物學報，2008，25（5）：851-860.

[19]李映雪，朱 艷，田永超，等. 小麥葉片氮含量與冠層反射光譜指數的定量關系[J]. 作物學報，2006，32（3）：358-362.

[20]Pearson R L，Miller L D.Mapping of standing crop biomass for estimation of the productivity of the short-grass prairie，pawnee national grasslands[C]//Proc.8th International Symposium on Remote Sensing of Environment. USA：Michigan，1972：1357-1381.

[21]Peuelas J，Filella I，Gamon J A.Assessment of photosynthetic radiation-use efficiency with spectral reflectance[J]. New Phytologist，1995，131（3）：291-296.

[22]Gitelson A A， Merzlyak M N. Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyⅡ[J]. Journal of Plant Physiology，1996，148（3/4）：494-500.endprint

[9]劉良云，靳志偉，王紀華，等. 光譜法預測煙葉中的煙堿、鉀和氮素[J]. 煙草科技，2005（6）：26-29.

[10]辛 榮，唐延林. 紫外光譜法預測烤煙煙葉中的全氮[J]. 光譜學與光譜分析，2009，29（5）：1367-1370.

[11]薛劍波，符云鵬，尹永強. 影響煙草中煙堿含量的因素及調控措施[J]. 安徽農業科學，2005，33（6）：1053-1055.

[12]王保興，陳國輝，汪 旭，等. 近紅外光譜技術在煙草領域的應用進展[J]. 光譜實驗室，2006，23（5）：1075-1084.

[13]姚 霞，朱 艷，田永超，等. 小麥葉層氮含量估測的最佳高光譜參數研究[J]. 中國農業科學，2009，42（8）：2716-2725.

[14]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and Nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[15]薛利紅，曹衛星，羅衛紅，等. 小麥葉片氮素狀況與光譜特性的相關性研究[J]. 植物生態學報，2004，28（2）：172-177.

[16]朱 艷，李映雪，周冬琴，等. 稻麥葉片氮含量與冠層反射光譜的定量關系[J]. 生態學報，2006，26（10）：3463-3469.

[17]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[18]馮 偉，姚 霞，朱 艷，等. 基于高光譜遙感的小麥葉片含氮量監測模型研究[J]. 麥類作物學報，2008，25（5）：851-860.

[19]李映雪，朱 艷，田永超，等. 小麥葉片氮含量與冠層反射光譜指數的定量關系[J]. 作物學報，2006，32（3）：358-362.

[20]Pearson R L，Miller L D.Mapping of standing crop biomass for estimation of the productivity of the short-grass prairie，pawnee national grasslands[C]//Proc.8th International Symposium on Remote Sensing of Environment. USA：Michigan，1972：1357-1381.

[21]Peuelas J，Filella I，Gamon J A.Assessment of photosynthetic radiation-use efficiency with spectral reflectance[J]. New Phytologist，1995，131（3）：291-296.

[22]Gitelson A A， Merzlyak M N. Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyⅡ[J]. Journal of Plant Physiology，1996，148（3/4）：494-500.endprint