甜菜光譜與生長信息相關性分析

張 晶， 張 玨，2， 王 輝， 田海清， 李 斐

(1.內蒙古農業大學機電工程學院，內蒙古呼和浩特 010018； 2.內蒙古師范大學物理與電子信息學院，內蒙古呼和浩特 010022； 3.內蒙古農業大學生態環境學院，內蒙古呼和浩特 010019)

通信作者：田海清，博士，教授，博士生導師，從事農牧業機械智能化研究。E-mail：hqtian@126.com。

甜菜是世界第二大制糖原料，由其制得的糖量占世界食糖總量的20%。甜菜也是我國僅次于甘蔗的重要糖料作物，其產糖量占我國食糖總產量的10%，在我國東北、華北和西北的許多農村經濟中占有重要地位[1]。

目前我國甜菜產區普遍存在單產偏低或單產高但含糖率低的問題，造成這些問題的原因在于甜菜生長期沒有合理地施肥，尤其是氮肥對甜菜單產及其含糖率的影響很大[2]。在作物生產中，準確、快速、經濟地測定作物的氮素營養狀況，可以及時、精確地指導田間氮肥用量，以獲得最大的經濟效益和最小的環境污染程度[3]。近年來，隨著科學技術水平的不斷提高，氮素營養診斷技術正從傳統的實驗室間接檢測向現場直接無損檢測方向發展[4]。

近紅外光譜技術是一種無損、無污染的分析技術，具有光譜范圍廣、波段多、光譜分辨率高、數據量大等優點，可以用來監測作物葉片和冠層生化組分的狀況和變化，被廣泛應用于食品、農業等領域[5]。國內外學者已經利用近紅外光譜技術在小麥[6]、水稻[7]、棉花[8]、油菜[9]等作物上進行了深入研究。王人潮等認為，診斷水稻氮素營養水平的葉片光譜敏感波段范圍為760～900、630～660、530～560 nm[10]；Thomas等發現，甜椒葉片含氮量與550～675 nm波長間葉片的反射系數高度相關[11]；薛利紅等認為，通過光譜分析可以識別不同栽培措施和生長狀況水稻群體[12]；景娟娟等研究了不同氮素水平下小麥光譜反射特征、導數光譜特征的變化規律[13]。

氮肥的施加量會直接影響甜菜葉片的顏色、形態結構以及其他生長信息，從而影響甜菜的光譜特性[14]。因此，研究甜菜冠層的高光譜特性與葉片的SPAD值、地上生物量和全氮等生長信息的關系，就可以估測甜菜體內的氮素含量，從而科學地指導農事活動[15]。

在獲取光譜數據的過程中，會受到環境及人員操作等外界因素的影響，檢測儀器在采集數據過程中也會受到雜散光、樣本背景、電子噪音和儀器性能等因素的干擾，使得獲取的原始光譜數據存在大量噪聲[16]。為了提高光譜分析的準確度，需要對原始光譜進行預處理。目前，近紅外光譜預處理中經常使用的預處理方法有平滑、微分、標準正態變量變化與多元散射校正等[17-18]。

本試驗擬研究多種光譜預處理方法，并且通過分析各種預處理方法得到的光譜數據與甜菜生長信息的相關性，最終確定最佳光譜預處理方法，以便為后續的氮素預測模型研究提供有利的理論依據。

1 材料與方法

1.1 試驗設計

本試驗于2014年在內蒙古赤峰市松山區太平地鎮甜菜規模種植區域開展，試驗甜菜品種為KWS1676，甜菜幼苗在大棚內培育，于5月中下旬移栽至試驗田內，收獲時間在9月下旬至10月上旬。試驗小區面積40 m2，行距50 cm，株距 25 cm，設4個重復試驗，試驗小區按完全隨機排列布置。本試驗為單因素(N)試驗，共設7個氮肥水平(N1、N2、N3、N4、N5、N6、N7)，施肥量依次為0、15、32.5、76、108.5、163、217.5 kg/hm2，田間管理按常規方式進行。

1.2 冠層光譜測定

采用美國ASD(全稱Analytical Spectral Devices)公司生產的ASD Qualityspec光譜儀測定甜菜冠層光譜信息，該光譜儀的測量波長范圍是350～1 830 nm，其中350～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～1 830 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。光譜數據的采集選擇晴朗、無云、無風時進行，時間定在北京時間10：00—14：00。數據采集時，光纖探頭垂直向下，距離甜菜冠層的垂直高度依據樣品冠層的大小及探頭視場角確定，使樣品冠層恰能位于探頭視場范圍內。依據采樣小區甜菜長勢，選擇能代表整個種植區內植株生長狀況的樣品，且每個試驗小區在光譜采集前進行參考白板校正。圖1為甜菜葉叢生長期在不同氮素水平下的冠層反射光譜曲線。

從圖1可以看出，不同氮素水平下甜菜冠層光譜響應曲線的變化趨勢相同，但光譜響應曲線的差異也較明顯：在可見光(550～680 nm)波段，不同氮肥水平甜菜冠層的反射率都比較低，而且與施氮水平呈負相關，在550 nm左右的反射率最高，表現出綠峰處的強反射特征；在680～750 nm紅邊處，各施氮處理對甜菜冠層光譜反射率略有影響；在近紅外(750～1 100 nm)波段，甜菜冠層的反射率隨氮素的增加而增大。由光譜曲線的總變化趨勢可知，近紅外波段的反射率隨施氮量的增大而提高，可見光波段的反射率隨施氮量增加而降低，這主要與不同施氮處理下甜菜冠層葉綠素含量、葉面積覆蓋度等生理生化指標有關。

1.3 生長信息測定

1.3.1 植株SPAD值測定 采集甜菜冠層光譜信息后，采用便攜式葉綠素儀SPAD-502測定甜菜葉片的SPAD值，為了提高測量的精度，對采樣點的甜菜植株葉片進行10～20次測定，取其平均值作為該采樣小區的SPAD值。

1.3.2 植株生物量測定 測定冠層光譜及SPAD值后，將甜菜樣品地上莖葉部分、地下塊根分開，使用電子天平分別測定鮮質量，之后放入牛皮紙袋，在烘箱內于105 ℃殺青 30 min，再于70 ℃烘至恒質量(即為干質量)。

1.3.3 植株葉片含氮量測定 采用微量凱氏定氮法測定植株氮含量。將植株樣品粉碎，與濃硫酸、催化劑一同加熱消化，使蛋白質充分分解。分解得到的氨與硫酸結合生成硫酸銨，之后堿化蒸餾游離，用硼酸吸收，最后用鹽酸標準溶液滴定。計算氮素含量的公式如下：

X=[(V1-V2)×N×0.014]/[m×(10/100)]×F×100%。

(1)

式中：X為樣品中蛋白質的全氮含量，g/kg；V1為樣品消耗硫酸或鹽酸標準液的體積，mL；V2為鹽酸標準溶液的體積，mL；N為硫酸或鹽酸標準溶液的當量濃度，mol/L；m為樣品的質量(g)或體積(mL)；F為氮換算為蛋白質的系數，為6.25。

2 光譜數據預處理

2.1 平滑

光譜平滑預處理的目標是去除隨機高頻誤差。如果原始光譜數據存在高頻噪聲，可以通過對一定窗口范圍內的波長數進行擬合或者平均運算來獲取該波長點的最佳估算值，以減少噪聲對該波長點數值的干擾，提高信噪比[19]。

Savitzky-Golay卷積平滑算法由Savitzlcy和Golay提出，采用該算法對原始光譜進行處理時，先采用最小二乘擬合系數建立濾波函數，再對移動窗口內的波長點數據進行多項式的最小二乘擬合[20]。擬合的表達式如下：

(2)

(3)

式中：Xj為第j列光譜值。

2.2 微分

一階微分(first derivative)和二階微分(second derivative)是光譜分析中使用較多的預處理方法，該方法可以減少由于光照角度、光程和樣本表面不均勻等造成的光譜基線漂移，同時還可以有效地提高光譜分辨率和靈敏度。常用的光譜微分方法是直接差分法[21]。使用差分法時，關鍵要選取適當的差分寬度，避免差分過程中引入較大的噪聲。

一階微分和二階微分的計算公式如下：

(4)

(5)

式中：λj為第j波段；FDRλj為波段j和波段j+1之間的光譜一階微分；SDRλj為波段j和波段j+2之間的光譜二階微分；Rλj、Rλj+1、Rλj+2分別為第j、j+1、j+2波段的原始光譜反射率；Δλ為波段j+1和波段j之間的波長差距。

2.3 多元散射校正

多元散射校正(multiplicative scatter correction，簡稱MSC)是由Isaksson和Naes提出的一種化學計量學算法。該算法通過對每個波長點的光譜數據進行散射校正，可以有效地消除散射影響，增強了與目標成分含量相關的光譜信息[22]。首先要求建立一個待測樣品的“理想光譜”，即對獲得的樣品光譜進行計算時，光譜的變化與樣品中的成分含量滿足直接的線性關系。然后以該光譜為標準要求對所有其他樣品的近紅外光譜進行修正。

在一般情況下，以所有光譜的平均光譜作為一個“理想光譜”。通過每條光譜與平均光譜進行最小二乘法[23]擬合，可以很好地消除線性誤差[24]。具體計算過程如下：

(1) 計算樣品平均光譜(理想光譜)：

(6)

(2) 線性回歸，并用最小二乘法求取回歸系數ai、回歸常數bi：

(7)

(3) 對每條光譜進行校正：

(8)

2.4 標準正態變換

標準正態變換(standard normal variate transformation，簡稱SNV)類似于多元散射校正，為了減少樣品由于固體顆粒的大小、表面散射以及光程變化造成的光譜誤差，標準正態變換對每條光譜進行單獨校正[25]。

利用標準正態變換預處理后的光譜值的計算公式如下：

(9)

式中：Xi,SNV為第i個樣品標準正態變換后的光譜值；xi為第i個樣品光譜的平均值；k=1,2,…,m，其中m為波長數。

3 冠層光譜相關性分析

采用平滑、微分、多元散射校正和標準正態變換4種預處理方法對甜菜冠層的原始光譜數據進行預處理，并將原始光譜數據和處理后的光譜數據分別與甜菜植株SPAD值、生物量以及葉片含氮量進行相關性分析，其相關關系曲線分別如圖2、圖3、圖4所示。

由圖2可以看出，各曲線上都有明顯的藍邊和黃邊特征光譜變化區，但不同預處理下的冠層光譜反射率和SPAD值相關關系曲線差異較大。平滑后的光譜響應曲線與原始光譜曲線幾乎相同，但改善了原始光譜在1 350～1 450 nm波段存在的噪聲影響。微分處理后的效果較好，綠峰處的相關性達到-0.668 78；在620～670 nm波段范圍內，冠層光譜反射率與SPAD值呈極顯著正相關，特別在645 nm處，相關性達到0.682 03。標準正態變換和多元散射校正預處理效果最佳，前者相關性在726 nm處達到-0.799 68，后者在727 nm處達到 -0.802 71。綜上所述，采用多元散射校正比較適合甜菜SPAD值的測定。

由圖3可以看出，原始光譜在1 370 nm附近存在較大的噪聲，經過平滑處理后得到改善，但是曲線相關度不高。經標準正態變換和多元散射校正預處理后的光譜曲線在706 nm處的相關性最高，二者在紅邊位置(680～750 nm)和近紅外(850～950 nm)處，冠層光譜反射率與生物量呈顯著正相關。微分處理曲線上有很明顯的藍邊、黃邊和紅邊等特征光譜變化區，綠峰處反射率與生物量的相關度可達到-0.599 98；紅邊位置(680～750 nm)的反射率與生物量呈顯著正相關。因此可知，微分光譜預處理方法比較適用于甜菜植株生物量的測定。

由圖4可以看出，經過平滑處理后的光譜曲線少了很多毛刺，特別在1 365～1 372 nm附近表現得尤為明顯，相關度為0.061 63～0.087 08，且光譜曲線有明顯的黃邊、紅邊特征光譜區。標準正態變換和多元散射校正預處理后的曲線圖相似，前者在718 nm處的相關度為0.647 43，而后者可達到 -0.654 784。微分處理后光譜曲線有明顯的藍邊和紅邊特征光譜區，在480～550 nm波段，冠層光譜反射率與葉片含氮量呈顯著正相關，綠峰處的相關度可達到0.667 88；而在 795 nm 處的相關度為-0.717 41。因此可見，微分光譜比較適用于甜菜冠層葉片含氮量的測定。

不同預處理方法與甜菜冠層的SPAD值、生物量和葉片含氮量最大相關系數如表1所示。可見利用多元散射校正進行光譜預處理得到的光譜數據與甜菜植株SPAD值相關度最高。另外，經過多元散射校正去噪后的光譜曲線更加收斂緊湊，可以有效消除散射影響所導致的基線線性平移和傾斜偏移現象。對于生物量和葉片含氮量， 通過一階微分得到的光譜數據與二者的相關度最高，而且微分光譜曲線上有較多的波峰和波谷，說明微分預處理可以更好地提取與生物量和葉片含氮量相關的光譜。

表1 不同預處理方法下甜菜光譜和SPAD值、生物量、冠層葉片含氮量最大相關系數

4 結論

本研究采用4種預處理方法(卷積平滑、一階微分、多元散射校正、標準正態變換)對甜菜冠層光譜數據進行預處理，并對預處理后的光譜數據分別與甜菜的SPAD值、生物量以及葉片含氮量進行相關性分析。

(1)在甜菜SPAD值與光譜反射率的相關性分析中，采用多元散射校正預處理后的光譜相關性最好，尤其在727 nm附近，相關性最明顯。

(2)在甜菜生物量與冠層光譜的相關性分析中，4種預處理后的光譜數據與甜菜生物量的相關性都達到了顯著水平，其中一階微分的預處理效果最好，多元散射校正和標準正態變換次之。

(3)在甜菜葉片含氮量與光譜反射率的相關性分析中，一階微分光譜的相關性最高，且其相應的相關性曲線存在較多的波峰和波谷，表明微分變換有利于提取更多與葉片含氮量相關的光譜信息，采用多元散射校正和標準正態變換處理后的光譜相關性次之。

參考文獻：

[1]姚文秋. 現代甜菜產業技術[M]. 北京：中國農業大學出版社，2014：11-13.

[2]王秋紅，周建朝，王孝純. 采用SPAD儀進行甜菜氮素營養診斷技術研究[J]. 中國農學通報，2015，31(36)：92-98.

[3]夏文豪，劉 濤，關 鈺，等. 硝酸鹽反射儀和SPAD法對玉米氮素營養診斷的比較[J]. 中國生態農業學報，2016，24(10)：1339-1346.

[4]李嵐濤，張 萌，任 濤，等. 應用數字圖像技術進行水稻氮素營養診斷[J]. 植物營養與肥料學報，2015，21(1)：259-268.

[5]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.

[6]王麗愛，馬 昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46(1)：259-265.

[7]孫玉煥，楊志海. 水稻氮素營養診斷方法研究進展[J]. 安徽農業科學，2008，36(19)：8035-8037，8049.

[8]黃春燕，王登偉，曹連莆，等. 棉花地上鮮生物量的高光譜估算模型研究[J]. 農業工程學報，2007，23(3)：131-135.

[9]孔汶汶，劉 飛，鄒 強，等. 基于近紅外光譜技術的油菜葉片丙二醛含量快速檢測方法研究[J]. 光譜學與光譜分析，2011，31(4)：988-991.

[10]王人潮，黃敬峰. 水稻遙感估產[M]. 北京：中國農業出版社，2002：28-38.

[11]Thomas J R，Gausman H W. Leaf reflectance vs. leaf chlorophyll and carotenoid concentration for eight crops[J]. Agronomy Journal，1976，69(5)：799-802.

[12]薛利紅，曹衛星，羅衛紅. 不同栽培措施下拔節期水稻冠層反射光譜特征及其模糊聚類分析[J]. 中國水稻科學，2004，18(2)：151-155.

[13]景娟娟，王紀華，王錦地，等. 不同氮素營養條件下的冬小麥生理及光譜特性[J]. 遙感信息，2003，21(2)：28-31.

[14]王樹堂，黃立功，張成建，等. 氮素對甜菜代謝、品質和產量的影響[J]. 農業科技通訊，2012，5(5)：184-185，190.

[15]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.

[16]李曉飛. 小波分析在光譜數據去噪處理中的應用[D]. 上海：上海交通大學，2009：1-2.

[17]褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展，2004，16(4)：528-542.

[18]尼 珍，胡昌勤，馮 芳. 近紅外光譜分析中光譜預處理方法的作用及其發展[J]. 藥物分析雜志，2008，28(5)：824-829.

[19]王 欣. 近紅外分析中光譜預處理方法的研究與應用進展[J]. 科技資訊，2013(15)：2.

[20]Zhao A X，Tang X J，Zhang Z H，et al. Optimizing Savitzky-Golay parameters and its smoothing pretreatment for FTIR gas spectra[J]. Spectroscopy and Spectral Analysis，2016，36(5)：1340-1344.

[21]Medeghini L，Mignardi S，De Vito C，et al. Evaluation of a FTIR data pretreatment method for principal component analysis applied to archaeological ceramics[J]. Microchemical Journal，2016，125：224-229.

[22]王志輝，丁麗霞. 基于葉片高光譜特性分析的樹種識別[J]. 光譜學與光譜分析，2010，30(7)：1825-1829.

[23]孫 祥，楊信廷，劉燕德，等. 基于最小二乘法的暫培箱溫度調控模型[J]. 江蘇農業科學，2016，44(3)：426-430.

[24]王動民，紀俊敏，高洪智. 多元散射校正預處理波段對近紅外光譜定標模型的影響[J]. 光譜學與光譜分析，2014，34(9)：2387-2390.

[25]王偉明，董大明，鄭文剛，等. 梨果糖濃度近紅外漫反射光譜檢測的預處理方法研究[J]. 光譜學與光譜分析，2013，33(2)：359-362.