烤煙葉片色素含量的高光譜預(yù)測模型研究

邢雪霞，劉國順，賈方方，孫榅淑，賈春雷

河南農(nóng)業(yè)大學(xué)煙草行業(yè)煙草栽培重點實驗室/煙草行業(yè)煙草栽培重點實驗室，鄭州文化路95號 450002

烤煙葉片色素含量的高光譜預(yù)測模型研究

邢雪霞，劉國順，賈方方，孫榅淑，賈春雷

河南農(nóng)業(yè)大學(xué)煙草行業(yè)煙草栽培重點實驗室/煙草行業(yè)煙草栽培重點實驗室，鄭州文化路95號 450002

研究烤煙葉片的高光譜曲線特征，探索建立烤煙色素含量的高光譜預(yù)測模型，以促進高光譜技術(shù)在現(xiàn)代煙草農(nóng)業(yè)中的發(fā)展。采用大田試驗，分析了不同光質(zhì)條件下，烤煙葉片光譜的特征。利用相關(guān)分析方法，確定了21個光譜參數(shù)與色素含量的相關(guān)性，并建立了葉片色素含量的高光譜線性與非線性模擬方程。不同光質(zhì)處理下，煙葉葉片光譜曲線相似，在可見光與近紅外短波區(qū)域差異比較明顯，而在近紅外長波區(qū)域基本沒有差異。光譜參數(shù)G_NDVI和TCARI分別與葉綠素、類胡蘿卜素含量之間有較好的相關(guān)性，并建立了預(yù)測模型。經(jīng)精度檢驗結(jié)果顯示，模型能較好的預(yù)測烤煙色素含量。光譜參數(shù)G_NDVI和TCARI能有效檢測烤煙色素含量，為高光譜技術(shù)在不同生態(tài)區(qū)域的應(yīng)用提供理論依據(jù)。

烤煙；高光譜；色素含量；模型

葉綠素被認為是植物營養(yǎng)脅迫、光合能力和衰老進程各階段的良好指示劑[1]，光合色素分為葉綠素（葉綠素 a、葉綠素 b）和類胡蘿卜素，前者主要是吸收光能物質(zhì)，影響植被的光能利用率，后者有保護葉綠素的功能。因此實時、動態(tài)掌握作物葉片色素狀況，可以對作物群體光合能力及營養(yǎng)狀況進行有效監(jiān)測，實現(xiàn)植物營養(yǎng)的快速診斷和高效管理。傳統(tǒng)的色素分析方法需要破壞性取樣，在時間和空間上難以滿足實時、快速、無損、精確診斷的要求，而高光譜遙感技術(shù)的發(fā)展，使之成為可能，且易于進行大范圍測量[2]。Blackburn利用670 nm附近葉綠素的主要吸收波段，構(gòu)造了色素比值指數(shù)(PSSR)和色素歸一化指數(shù)(PSND)，用于估算山毛櫸、橡樹、楓樹和甜栗子4種樹葉的色素含量[3]。張連蓬等對18種葉綠素指數(shù)進行普適性研究，結(jié)果表明植被指數(shù)TCARI、MCARI、mND705、mSR705具有優(yōu)于其他植被指數(shù)的普適性，并認為建立回歸反演模型時,非線性拋物線模型的預(yù)測精度優(yōu)于線性模型[4]。蔣錦鋒等應(yīng)用近紅外光譜技術(shù)建立煙草17項主要化學(xué)成分的快速無損檢測方法[5]。李向陽等對不同施肥量的煙草葉片進行室內(nèi)光譜測定，通過逐步回歸分析方法建立了色素含量估測模型[6]。劉大雙等對感染不同程度花葉病的烤煙光譜進行線性和非線性擬合估測烤煙葉綠素含量[7]。

光質(zhì)對不同烤煙生態(tài)區(qū)煙葉獨特的風(fēng)格特色及質(zhì)量有密切關(guān)系，鄔春芳等認為云南獨特的低緯高原氣候造就云煙特有的清香型風(fēng)格，而光照質(zhì)量在諸多生態(tài)因子中作用最為突出[8]，陳偉等認為貴州產(chǎn)區(qū)上部葉開片不理想的原因是光質(zhì)中藍光含量多[9]。前人雖對利用高光譜技術(shù)測定色素含量有大量研究，但是尚未有基于光譜的不同光質(zhì)條件下烤煙色素含量的研究。本研究在大田中通過不同顏色的濾光膜人工制造不同的光質(zhì)組成，測定不同生育時期烤煙葉片光譜和色素含量，篩選出不同光質(zhì)下烤煙的最優(yōu)擬合光譜參量，同時對光譜指數(shù)與色素含量進行線性和非線性模擬，建立最佳估測模型，以期為烤煙適產(chǎn)優(yōu)質(zhì)栽培，遙感估產(chǎn)提供理論依據(jù)和技術(shù)支持，提高烤煙栽培的信息化管理水平。

1 材料與方法

1.1 田間試驗設(shè)計

試驗于2012年在河南省南陽市方城縣金葉園科技園區(qū)（東徑 112°54′，北緯 33°15′）進行。該試驗地土壤為黃壤土，pH為7.48，有機質(zhì)11.45 g· kg-1,全氮 0.72 g·kg-1，堿解氮 55.0 mg·kg-1，速效磷（P2O5）18.0 mg·kg-1，速效鉀（K2O）135 mg·kg-1。每個處理施用的肥料均為硝酸銨（含純氮34%），重過磷酸鈣（含P2O546%），硫酸鉀（含K2O 50%）；各處理總氮施用量為45 kg/hm2，按N﹕P2O5﹕K2O=1﹕1﹕3.5施入磷鉀肥，其中氮、磷、鉀肥的70%條施作基肥，30%作穴肥。

試驗設(shè)白色濾光膜（CK）、藍色濾光膜、綠色濾光膜、黃色濾光膜和紅色濾光膜5個處理，以太陽光透過不同顏色的濾光膜（上海偉康有色薄膜廠）得到不同的光質(zhì)。供試品種為云煙87，于4月25號按110cm×60cm行株距移栽，每處理種煙45棵。移栽后30 d，將不同顏色濾光膜搭在高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，南北兩端口不覆蓋，保持通風(fēng)。田間栽培管理措施均按優(yōu)質(zhì)煙葉生產(chǎn)技術(shù)規(guī)范進行。

1.2 測定方法

1.2.1 光譜測定

葉片光譜的測定使用美國ASD公司生產(chǎn)的FieldSpec3野外光譜測定儀自帶的手持式葉片夾持器，其內(nèi)置石英鹵化燈，光源穩(wěn)定。測量時將煙株葉片放入夾持器葉室內(nèi)，夾緊葉室，保證葉片的葉面積相同，同時消除環(huán)境背景及噪聲的影響。光譜儀波段范圍為350～2500 nm，350～1000 nm分辨率為3 nm，1000～2500 nm分辨率為10 nm。于移栽后30 d、45 d、60 d、75 d、90 d、105 d測定不同光質(zhì)處理葉片光譜，每次測定前先進行白板校正。光譜測定時，選擇各處理具有代表性、無病害的三棵煙株，分別對每棵煙株中部葉的葉尖、葉中、葉基三個部位進行測定，每個部位連續(xù)測定10組數(shù)據(jù)，以各個部位數(shù)據(jù)的平均數(shù)作為該葉片的光譜曲線。

1.2.2 色素含量測定

對測定完光譜的葉片進行取樣，采用分光光度計法[10]測定葉綠素a(chlorophyll a，簡寫為chla、葉綠素b（chlorophyll b，簡寫為chlb）和類胡蘿卜素（carotenoid，簡寫為car）的含量。

1.3 線性與非線性模型擬合模型的選擇

簡單線性函數(shù)：y=a+bx；冪函數(shù)：y=axb；指數(shù)函數(shù)：y=aebx；拋物線函數(shù)：y=a+bx+cx2；對數(shù)函數(shù)：y=a+bln（x）；S曲線函數(shù)：y=1/（a+be-x）。其中，y為色素含量的擬合值；x為光譜參量；a、b、c均為常數(shù)。

1.4 葉綠素含量高光譜遙感模型的精度檢驗

采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE%）對預(yù)測值和實測值之間的擬合精度進行全面檢驗，以確定模型的適用性。

1.5 數(shù)據(jù)分析方法

本文收集整理了已報道的對色素敏感的葉片光譜指數(shù)（見表1），并分析其與本實驗的相關(guān)性及回歸方程，確定最優(yōu)的模擬方程。

原始光譜數(shù)據(jù)通過光譜儀隨機軟件ViewSpecPro進行轉(zhuǎn)換處理，其他數(shù)據(jù)處理在excel2007和DPS v7.05中進行。

另外，將不同時期測定的所有樣本(n=90)，隨機抽取其中的60個樣品作為建模樣本，剩余30個作為模型的檢驗樣本。

表1 常用估算葉片色素含量的高光譜參數(shù)Tab.1 Hyperspectral indices for estimating leaf pigment concentrations

2 結(jié)果與分析

2.1 不同光質(zhì)處理下烤煙光譜特征

光質(zhì)條件對烤煙色素含量、細胞結(jié)構(gòu)等均有重要的影響，調(diào)節(jié)烤煙的生長發(fā)育進程，進而影響葉片反射光譜的變化。由圖1可知，不同光質(zhì)下烤煙葉片的光譜反射率的形狀基本相似，只是反射率值的高低略有不同，這說明不同光質(zhì)下烤煙葉片的組織結(jié)構(gòu)與主要組成物質(zhì)差別不大，葉片色素含量、組織結(jié)構(gòu)性狀等有量的差異。在580～680 nm光譜曲線差異比較顯著，這可能是因為可見光區(qū)的光譜特征受到各種色素含量共同影響，而光質(zhì)對色素含量有著顯著的影響。在850～1300 nm近紅外短波區(qū)域，白光＞黃光＞紅光＞藍光＞綠光，該區(qū)域光譜的差異與葉肉的組織結(jié)構(gòu)、細胞的層數(shù)有密切的關(guān)系。在近紅外的長波區(qū)域（1350～2500 nm），不同處理間幾乎沒有差異，這是因為近紅外的長波區(qū)域的光譜特征主要受水分的影響，而光質(zhì)對烤煙水分含量的影響相對較小。不同光質(zhì)下烤煙葉片高光譜反射率的這種變化奠定了研究烤煙葉片色素含量與其光譜反射參數(shù)之間關(guān)系的基礎(chǔ)。

圖1 不同光質(zhì)下烤煙葉片的高光譜曲線Fig.1 Hyperspectral curves of tobacco leaf with different light constitution

2.2 光譜參數(shù)與色素含量相關(guān)性分析

分析不同光質(zhì)下色素含量與光譜參數(shù)的相關(guān)性發(fā)現(xiàn)，與葉片葉綠素a和葉綠素a+b相關(guān)性較好的高光譜參數(shù)與葉綠素b的相關(guān)性也較好，這可能是因為葉綠素a、葉綠素b、葉綠素a+b關(guān)系密切，前人也經(jīng)常使用相同的高光譜參數(shù)描述三者之間的定量關(guān)系。在已列出的21個高光譜參數(shù)中，有20個差異有高度統(tǒng)計學(xué)意義，其中PSSRa與葉綠素b差異無統(tǒng)計學(xué)意義，與葉綠素a和葉綠素a+b差異有統(tǒng)計學(xué)意義。同時發(fā)現(xiàn)，G_NDVI與葉綠素的含量相關(guān)性最大，與葉綠素a和葉綠素a+b的相關(guān)性達到了0.9以上，而TCARI與類胡蘿卜素呈現(xiàn)顯著的負相關(guān)性，相關(guān)系數(shù)達到-0.79。因此可以使用G_NDVI估測烤煙葉綠素含量，利用TCARI估測烤煙類胡蘿卜素的含量，這與孫雪梅等[22]在水稻抽穗后頂一葉中色素含量的估測相一致。

表2 高光譜特征參數(shù)與色素含量之間的相關(guān)系數(shù)（n=90）Tab.2 Correlation analysis between chlorophyll density and hyperspectral indices (n=90)

2.3 烤煙色素含量模型的建立與檢驗

易秋香等研究表明，相同的自變量不同的擬合模型，擬合效果差別比較大[23]。因此以從表2中篩選出的G_NDVI、TCARI為自變量，對葉綠素和類胡蘿卜素進行線性和非線性擬合，建立烤煙葉片色素含量與高光譜參數(shù)之間的線性、冪函數(shù)、指數(shù)函數(shù)、拋物線函數(shù)、對數(shù)函數(shù)、S函數(shù)6種檢測模型。結(jié)果顯示：G_NDVI與葉綠素a含量的關(guān)系以冪函數(shù)最優(yōu)，與葉綠素b和葉綠素a+b以拋物線函數(shù)為最優(yōu)；TCARI與類胡蘿卜素以拋物線模型為最優(yōu)，冪函數(shù)次之（表3）。

在以擬合R2最大的優(yōu)選原則的基礎(chǔ)之上，再進一步篩選對葉綠素a、葉綠素b、葉綠素a+b、類胡蘿卜素的最佳預(yù)測模型。利用篩選出來的檢驗樣本對建立的回歸模型的精度進行檢驗。為評價實測值與檢測值之間的預(yù)測效果，采用均方根差（RMSE）、相對誤差（RE%）指標進行綜合評定。Chl a、Chl b、Chla+b和 Car 的監(jiān)測值與實測值之間較優(yōu)擬合方程的均方根誤差（RMSE）分別為0.075、0.090、0.088、0.080，相對誤差（RE%）分別為 3.708、4.181、11.574、15.267，均相對較小，表明模型能較好地檢測不同光質(zhì)下烤煙色素的含量，表明模型能較好地監(jiān)測烤煙葉片色素含量（表4）。

不同光質(zhì)下，烤煙葉綠素a、葉綠素b、葉綠素a+b、類胡蘿卜素的高光譜最佳估測模型分別為：chla=0.368*（G_NDVI）^0.242，chlb=0.336+0.053*（G_NDVI）+0.095*（G_NDVI）2，chla+b=0.355-0.011*（G_NDVI）+0.015*（G_NDVI）2，car=0.980-3.867*（TCARI)+5.850*（TCARI)2（表3）。

表3 烤煙色素含量與高光譜特征參數(shù)的線性與非線性回歸模型（n=60)Tab.3 Regression models of leaf spectral parameters with pigment contents (n=60)

表4 烤煙葉片色素含量線性與非線性估測模型的誤差分析（n=30）Tab.4 Performance of the estimation models for predicting leaf pigment concentrations in tobacco（n=30）

3 結(jié)論與討論

本研究在烤煙生長的關(guān)鍵時期進行了6次試驗，同步測定了不同光質(zhì)處理條件下的葉片光譜反射率和色素含量；建立了烤煙色素含量的線性和非線性預(yù)測模型。通過分析得出以下結(jié)論：

（1）烤煙葉片光譜反射率在不同光質(zhì)條件下差異顯著。不同光質(zhì)條件下烤煙葉片光譜反射率在可見光與近紅外短波區(qū)域差異比較顯著，而在近紅外長波區(qū)域基本沒有差異，這可能與光質(zhì)對色素含量、細胞結(jié)構(gòu)的影響密切相關(guān)。

（2）篩選出與葉綠素a、葉綠素b、葉綠素a+b、類胡蘿卜素關(guān)系最密切的光譜參數(shù)。 21個光譜參數(shù)中，除了光譜參數(shù)PSSRa外，其他光譜參數(shù)均與色素含量達到1%的統(tǒng)計學(xué)意義。與葉綠素含量最密切的光譜參數(shù)為綠度歸一化植被指數(shù)G_NDVI，與類胡蘿卜素含量最密切的光譜參數(shù)為轉(zhuǎn)換葉綠素吸收反射指數(shù)TCARI。

（3）在建立的線性和非線性擬合方程中，經(jīng)過精度檢驗，葉綠素a含量以冪函數(shù)模型為最優(yōu)，葉綠素b、葉綠素a+b、類胡蘿卜素以拋物線模型為最優(yōu)，最佳估測模型分別為：chla=0.368*（G_NDVI）^0.242，chlb=0.336+0.053*（G_NDVI）+0.095*（G_NDVI）2，chla+b=0.355-0.011*（G_NDVI）+0.015*（G_NDVI）2，car=0.980-3.867*（TCARI)+5.850*（TCARI)2。

本試驗光譜測定采用高光譜儀自帶光源的手持式葉片夾持器，它易于進行大面積的精確測量，這對揭示大田生態(tài)系統(tǒng)的高光譜時空分布，反演色素含量變化，提高測定結(jié)果及建立模型的精度具有重要的意義。然而，本實驗檢測模型是基于單年大田數(shù)據(jù)建立的，若今后能通過不同年份、不同品種、更多樣本的廣泛檢驗并不斷完善，有效的實現(xiàn)估測模型精度與普適性的統(tǒng)一，將使高光譜技術(shù)在煙草栽培、營養(yǎng)診斷與產(chǎn)量估測方面具有更大的應(yīng)用價值和前景。

[1]Merzlyak M N,Gitelson A A,Chivkunova O B,et al.Nondestructive optical detection of pigment changes during leaf senescence and fruit ripening[J].Physiologia plantarum,1999,106(1):135-141.

[2]Gamon J A,Qiu H L.Ecological applications of remote sensing at multiple scales[J].Handbook of functional plant ecology,1999,805:846.

[3]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches[J].Remote sensing of environment,1998,66(3):273-285.

[4]張連蓬,柳欽火,王德高,等.高光譜遙感植被指數(shù)的普適性分析[J].測繪通報,2010,9:000.

[5]蔣錦鋒,李莉,趙明月.應(yīng)用近紅外檢測技術(shù)快速測定煙葉主要化學(xué)成分[J].中國煙草學(xué)報,2006,12(2):8-12.

[6]李向陽,劉國順,楊永鋒,等.烤煙葉片高光譜參數(shù)與多種生理生化指標關(guān)系研究[J].中國農(nóng)業(yè)科學(xué),2007,40(5):987-994.

[7]劉大雙,劉國順,李向陽,等.TMV 侵染后烤煙葉片色素含量高光譜估算模型研究[J].中國煙草學(xué)報,2009,15(2):60-65.

[8]鄔春芳,李軍營,李向陽,等.不同顏色薄膜遮光對煙草生長期質(zhì)體色素含量的影響[J].中國煙草學(xué)報,2011,17(6):48-53.

[9]陳偉,蔣衛(wèi),梁貴林,等.光質(zhì)對烤煙生長發(fā)育,主要經(jīng)濟性狀和品質(zhì)特征的影響[J].生態(tài)環(huán)境學(xué)報 ISTIC,2011,20(12).

[10]張志良,植物學(xué).植物生理學(xué)實驗指導(dǎo)[M].高等教育出版社,1990.

[11]Gitelson A A,Merzlyak M N.Signature analysis of leaf reflectance spectra:algorithm development for remote sensing of chlorophyll[J].Journal of plant physiology,1996,148(3):494-500.

[12]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches[J].Remote sensing of environment,1998,66(3):273-285.

[13]Carter G A.Ratios of leaf re flectances in narrow wavebands as indicators of plant stress[J].Remote sensing,1994,15(3):697-703.

[14]Carter G A,Cibula W G,Dell T R.Spectral reflectance characteristics and digital imagery of a pine needle blight in the southeastern United States[J].Canadian Journal of Forest Research,1996,26(3):402-407.

[15]Daughtry C S T,Walthall C L,Kim M S,et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment,2000,74(2):229-239.

[16]Haboudane D,Miller J R,Pattey E,et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies:Modeling and validation in the context of precision agriculture[J].Remote sensing of environment,2004,90(3):337-352.

[17]Zarco-Tejada P J,Berjón A,López-Lozano R,et al.Assessing vineyard condition with hyperspectral indices:Leaf and canopy re flectance simulation in a row-structured discontinuous canopy[J].Remote Sensing of Environment,2005,99(3):271-287.

[18]Rouse Jr J W,Haas R H,Deering D W,et al.Monitoring the vernal advancement and retrogradation (green wave effect)of natural vegetation[J].1974.

[19]朱西存,趙庚星,王瑞燕,等.蘋果葉片的高光譜 特征及其色素含量監(jiān)測[J].中國農(nóng)業(yè)科學(xué),2010,43(6):1189-1197.

[20]Pe?uelas J,Pi?ol Ogaya R,Filella I.Estimation of plant water concentration by the reflectance Water Index WI(R900/R970)[J].International Journal of Remote sensing,1997,18(13):2869-2875.

[21]Gamon J A,Penuelas J,Field C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic ef ficiency[J].Remote Sensing of Environment,1992,41(1):35-44.

[22]孫雪梅,周啟發(fā),何秋霞.利用高光譜參數(shù) 預(yù)測水稻葉片葉綠素和籽粒蛋白質(zhì)含量[J].作物學(xué)報,2005,31(7):844-850.

[23]易秋香,黃敬峰,王秀珍,等.玉米葉綠素高光譜遙感估算模型研究[J].科技通報,2007,23(1).

Hyperspectral prediction model of flue-cured tobacco leaf pigment content

XING Xuexia,LIU Guoshun,JIA Fangfang,SUN Wenshu,JIA Chunlei
National Tobacco Physiology and Biochemistry Research Center,Key laboratory of tobacco cultivation,Henan Agricultural University,Zhengzhou 450002,China

Hyperspectral characteristics of tobacco leaves were analyzed with the objective to build hyperspectral monitoring models for pigment content in tobacco leaves.The development of hyperspectral techniques in modern tobacco agriculture was discussed.Hyperspectral characteristics of tobacco leaf with different light constitution were investigated.Relationship between 21 hyperspectral parameters and pigment content was analyzed by using relevance analysis.Hyperspectral parameter-based linear and nonlinear monitoring models for tobacco leaf pigment content estimation were built.Hyperspectral curves under different light quality were similar.Difference in visible and near-infrared shortwave regional was signi ficant,while there is little difference in the near-infrared wavelength.Spectral indices of G_NDVI and TCARI showed a close correlation with chlorophyll and carotenoid content,and their monitoring models were set up accordingly.These models were proved to be reliable for monitoring content of leaf pigment monitoring by the index of root mean square deviation (RMSE) and relative error (RE%).Results showed the availability of G_NDVI and TCARI in monitoring leaf pigment content,thus providing a theoretical basis for the application of hyperspectral technology in different ecological areas.

tobacco；hyperspectral data；leaf pigment content；model

10.3969/j.issn.1004-5708.2014.01.010

S572.01

A

1004-5708（2014）01-0054-07

中國煙草總公司濃香型特色優(yōu)質(zhì)煙葉開發(fā)（110201101001（TS-01））

邢雪霞（1988—），碩士研究生，研究方向為煙草栽培生理，Email：xingxuexia2008@163.com

劉國順（1954—），教授，主要從事煙草栽培生理生化教學(xué)及研究，Email：liugsh1851@163.com

2013-04-12