基于高光譜的烤煙煙堿含量估測模型研究

邢雪霞 張童 劉冰洋 劉國順

摘要：為實現快速、準確估測烤煙煙堿含量，推動現代煙草農業進程，利用美國ASD公司生產的FieldSpec3野外光譜測定儀按不同生育期測定不同光質條件下光譜值，并同步測定烤煙葉片中煙堿含量。在提取相關植被指數的基礎上，采用主成分回歸和逐步回歸等分析方法，建立烤煙煙堿含量的定量估測模型。結果顯示，不同植被指數和煙堿含量相關性差異較大，紅邊面積/藍邊面積指數SDr/SDb與煙堿含量相關性最大，達到0.97；對于不同的建模方法，以主成分回歸的建模效果最好，模型的測試決定系數和均方根誤差分別為0.924、0.29。因此，主成分回歸法是建立不同光質條件下烤煙煙堿含量估測模型的最優方法。

關鍵詞：高光譜；煙堿；植被指數；逐步回歸；主成分回歸

中圖分類號：S572.01文獻標識號：A文章編號：1001-4942（2016）06-0142-05

煙堿是一種存在于生物體中含有氮雜環的有機化合物，也是煙草特有的化學組分。煙堿含量高低直接影響到煙葉色澤、吃味、刺激性和生理強度[1]。烤煙作為中國種植面積較大的一種經濟作物，實時、準確、快速和動態監測煙葉中的煙堿含量，對合理指導田間施肥技術，提高葉片的工農業可用性具有重要意義。近年來，高光譜技術作為一種農作物含氮率信息的非損傷性獲取方法備受關注[2]。該技術擁有測量目標連續波譜和分析目標物質成分的優勢，可用來精準監測農作物長勢和反演農作物理化參數[3]。因此，建立煙堿含量的高光譜預測模型可以為烤煙煙堿含量的遙感監測提供理論依據。

國內外關于利用植物光譜反射率進行營養狀況診斷、作物生物量估測進行了大量研究。石吉勇等[4]利用近紅外技術對黃瓜氮、鎂營養狀況進行了快速無損診斷；朱艷等[5]對小麥頂部葉片葉綠素熒光參數和反射光譜特征的變化規律及其相互關系進行了分析，結果顯示小麥葉片葉綠素熒光參數Fv/Fm和Fv/Fo隨施氮水平提高呈上升趨勢；陳鵬飛等[6]利用主成分回歸法構建了冬小麥籽粒蛋白質含量的遙感預測模型；Curran等[7]對干松針葉的12種生化組分（葉綠素a、葉綠素b、葉綠素a+b、木質素、氮、纖維素、水分、磷、蛋白質、氨基酸、糖和淀粉）含量進行了高光譜預測。前人雖然對植物的生化指標研究較多，但對高光譜在烤煙煙堿含量預測方面鮮有報道。

本文利用高光譜技術，在大田試驗數據的基礎上，選擇反映含氮化合物的氮素營養參數，并與不同光質條件下煙堿含量進行植被指數的線性和非線性擬合、逐步回歸分析和主成分回歸分析，篩選出煙堿含量的最優高光譜監測模型，旨在快速、準確預測烤煙品質和工農業的可用性。

1材料與方法

1.1田間試驗設置

2012年在南陽金葉園進行試驗。該試驗地的基礎肥力：速效氮含量為56.1 mg/kg，速效磷含量為18.0 mg/kg，速效鉀含量為135.0 mg/kg，pH為7.47，有機質含量為11.45 mg/kg。每個試驗施氮量為46 kg/hm2，氮磷鉀配比為1∶1∶3.5，且條施70%，穴施30%。

供試品種為云煙87，移栽時間為4月25日，種植密度為666.7m2 1 100株。試驗于移栽后30 d進行，以太陽光透過白色、綠色、藍色、紅色和黃色的濾光膜（生產廠商為上海偉康有色薄膜廠）獲取不同的光質條件，并將其搭建在6 m×6 m×2.8 m的南北走向的拱形支架上。根據優質生產技術規范進行田間管理。

1.2光譜的采集及煙堿含量的測定

采用美國ASD公司生產的FieldSpec3野外光譜儀進行葉片光譜的測定。光譜儀的參數和測定方法見參考文獻[8]。葉片光譜的測定時期為：煙株打頂之后5（下部葉采收）、10、15、20、25、30（中部葉采收）、35、40、45、50天（上部葉采收）。將測定完葉片光譜的煙葉于105℃條件下殺青15 min，60℃烘干至恒重后過60目篩，帶回實驗室，采用AAⅢ型連續流動化學分析儀（德國BRAN+LUEBBE公司生產）測定煙堿含量。

1.3植被指數的構建

從已有的研究中總結得出對植物氮素營養潛在敏感的10個植被指數（表1）。

1.4數據分析軟件

數據分析軟件主要包括ViewSpecPro、Microsoft Excel 2007和DPS v 7.05。樣本總量為85個，其中建模樣本60個，檢驗樣本25個。

1.5煙堿含量高光譜遙感模型的精度檢驗

選擇決定系數（R2）和均方根誤差（RMSE）評價模型的擬合效果。

2結果與分析

2.1煙堿含量與植被指數之間的相關性

通過分析烤煙煙堿含量與植被指數之間的相關性（表2）可知：煙堿含量與10種植被指數之間的相關性均達到了極顯著水平，其中紅邊比值指數ZM和歸一化差異指數ND705分別與煙堿含量呈極顯著負相關，其它呈極顯著正相關。紅邊面積/藍邊面積指數SDr/SDb與煙堿含量相關性最大，達到0.97，這可能是因為紅邊和藍邊面積包含較多氮營養敏感波段；最優土壤調節植被指數OSAVI和紅邊敏感點參數REIP與煙堿含量相關性較大，達到0.90以上，但是紅邊敏感點參數REIP較最優土壤調節植被指數OSAVI小。紅邊比值指數ZM和歸一化差異指數ND705與煙堿含量相關系數較小，這可能與植被指數包含的波段單一有關。易秋香等[15]研究表明，相同自變量不同擬合模型，擬合效果差別較大。提取與煙堿含量相關性較大的五個植被指數（mND705、SR、REIP、OSAVI、SDr/SDb）進行線性與非線性擬合、主成分回歸和逐步回歸，建立煙堿含量的最優高光譜監測模型。

2.2煙堿含量與植被指數之間的線性和非線性方程擬合

煙堿含量與植被指數之間的線性和非線性方程擬合結果（表2）顯示，煙堿含量與植被指數紅邊面積/藍邊面積指數SDr/SDb相關性最好。利用建模數據，對其進行以下線性和非線性函數的擬合：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（y為煙堿含量的擬合值；x為植被指數；a、b、c均為常數）。由表3可知，煙堿含量與SDr/SDb之間以拋物線函數的擬合R2最大，達到0.94；指數函數擬合程度最差，擬合度僅為0.69。由此可知，煙堿含量與植被指數SDr/SDb之間的最優非線性擬合回歸方程為：y=-0.79+0.42（SDr/SDb）-0.01（SDr/SDb）2。

2.3煙堿含量與植被指數之間的主成分回歸分析

主成分回歸分析可以有效避免在多元線性回歸分析中因自變量之間的多重共線性造成的誤差[16]。由表4可知，60個建模樣本中，植被指數之間存在極顯著相關關系，共線性現象嚴重。為充分合理利用各個植被指數，避免共線性造成的預測模型精度降低，在主成分分析之前，首先進行數據標準化處理。

表5為主成分回歸分析的結果，提取前4個能代表原變量99%變異的主成分，建立標準化煙堿含量預測模型，然后進一步去標準化，獲得基于植被指數估測煙堿含量的高光譜預測模型。主成分回歸分析獲得的煙堿含量高光譜預測模型的表達式為：煙堿含量=-7.63+0.13SDr/SDb+1.11OSAVI+0.89mND705+0.01SR+0.01REIP，決定系數R2為0.98。

2.4煙堿含量與植被指數之間的逐步回歸分析

利用DPS數據統計軟件進行逐步回歸分析，根據引入變量之后的顯著性進行變量的引入或者剔除，最終確定引入的變量為SDr/SDb、OSAVI和mNR705。逐步回歸分析最終獲得的預測模型為：煙堿含量=-1.69+0.12 SDr/SDb+2.55 OSAVI+0.7 mND705，決定系數為0.67。

為進一步研究煙堿含量與SDr/SDb、OSAVI和mNR705三個植被指數之間的數量關系，在逐步回歸分析的基礎上進行通徑分析（表6）。結果顯示：SDr/SDb與OSAVI和煙堿含量的通徑系數分別為0.5677、0.4716，即正相關；mND705與煙堿含量的通徑系數為-0.0231，即負相關。這與梁惠平等[3]的研究結果相反，可能和試驗處理以及試驗材料不同等有關。

2.5烤煙煙堿含量高光譜反演模型的精度檢驗

利用25組檢驗樣本，對線性和非線性最優擬合方程、主成分回歸以及逐步回歸模型進行精度檢驗，確定最優的煙堿含量高光譜預測模型。由圖1可以看出，主成分回歸和逐步回歸模型的預測效果較好，預測值和實測值之間的擬合決定系數R2達到0.9以上，但是逐步回歸模型的均方根誤差最高，達到0.49；拋物線模型的擬合度較低，決定系數僅為0.463，均方根誤差較高，預測效果差，可能與其參數比較單一有關。主成分回歸模型建模決定系數和預測效果最好，為最優的預測模型，預測烤煙煙堿含量可行性強，預測較準確。

3討論與結論

本研究采用大田試驗，利用葉片光譜反演不同光質條件下的烤煙煙堿含量，比較分析植被指數法、主成分回歸法和逐步回歸法對煙堿含量預測的精度，得出以下結論：煙堿含量與植被指數之間存在極顯著相關性，其中與植被指數紅邊面積/藍邊面積指數SDr/SDb相關性最好。 主成分回歸分析能有效降低共線性對預測模型造成的不穩定性，大大提高模型的穩定性和普適性；主成分分析得到的煙堿含量預測模型最優。

本研究所建立的模型是基于烤煙單一品種、單一年份的試驗數據，今后仍需要通過不同烤煙品種類型、不同生產力水平多年的田間試驗數據進行進一步的驗證與完善，從而達到快速檢測烤煙品質，實現煙葉生產的信息化和規模化管理。

參考文獻：

[1]

王瑞新.煙草化學[M].北京：中國農業出版社，2003.

[2]梁亮，楊敏華，臧卓.基于小波去噪與SVR的小麥冠層含氮率高光譜測定[J].農業工程學報，2010，26（12）：248-253.

[3]梁惠平，劉湘南.玉米氮營養指數的高光譜計算模型[J].農業工程學報，2010（1）：250-255.

[4]石吉勇，鄒小波，趙杰文，等.近紅外光譜技術快速無損診斷黃瓜植株氮、鎂元素虧缺[J].農業工程學報，2011，27（8）： 283-287.

[5]朱艷，田永超，馬吉鋒，等.小麥葉片葉綠素熒光參數與反射光譜特征的關系[J].作物學報，2007，33（8）：1286-1292.

[6]陳鵬飛，王吉順，潘鵬，等.基于氮素營養指數的冬小麥籽粒蛋白質含量遙感反演[J].農業工程學報，2011，27（9）：75-80.

[7]Curran P J，Dungan J L，Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry：testing the Kokaly and Clark methodologies[J].Remote Sensing of Environment，2001，76（3）：349-359.

[8]邢雪霞，劉國順，賈方方，等.烤煙葉片色素含量的高光譜預測模型研究[J].中國煙草學報，2014，20（1）：54-60.

[9]Zarco-Tejada P J， Miller J R， Noland T L，et al.Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39（7）：1491-1507.

[10]Gitelson A，Merzlyak M N.Quantitative estimation of chlorophyll-a using reflectance spectra：experiments with autumn chestnut and maple leaves [J].Journal of Photochemistry and Photobiology B：Biology，1994，22（3）： 247-252.

[11]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）：337-354.

[12]Rondeaux G，Steven M，Baret F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment，1996，55（2）：95-107.

[13]李向陽，劉國順，楊永鋒，等.烤煙葉片高光譜參數與多種生理生化指標關系研究[J].中國農業科學，2007，40（5）： 987-994.

[14]馮偉，朱艷，田永超，等.基于高光譜遙感的小麥葉片氮積累量[J].生態學報，2008（1）：23-32.

[15]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）：83-105.

[16]唐啟義，馮明光.DPS數據處理系統[M].北京：科學出版社，2007.