葡萄葉片葉綠素含量高光譜估測模型研究

牛魯燕 張曉艷 鄭紀業 孔慶富 王風云

摘要：針對傳統方法測定葉綠素含量存在的不足，采用高光譜技術建立了快速、準確、無損估測葡萄葉片葉綠素含量的方法。以采自泰安萬吉山基地的葡萄葉片的高光譜反射率和SPAD值為數據源，在分析SPAD值與原始光譜反射率、原始光譜反射率一階導數、高光譜特征變量間相關性的基礎上，篩選敏感波段，建立了基于高光譜反射率的葡萄葉片葉綠素含量估測模型，即SPAD=59.352+44836.313R′601，其中R′601為601 nm波段原始光譜反射率一階導數。

關鍵詞：葡萄；葉綠素；高光譜；光譜特征

中圖分類號：S123文獻標識號：A文章編號：1001-4942（2018）07-0152-04

Abstract In view of the shortage of traditional monitoring methods for chlorophyll content， the hyperspectral technology was used to estimate the chlorophyll content in grape leaves rapidly， accurately and nondestructively. With the hyperspectral reflectance and SPAD value of grape leaves collected from the Wanjishan Base in Taian as data， the correlation between the SPAD value and the original spectral reflectance， spectral reflectance derivative and high spectral value were analyzed， and then the sensitive bands were screened out. Based on these， we established the estimation model of chlorophyll content in grape as SPAD=59.352+44836.313R′601， in which， R′601 was the spectral reflectance derivative of 601 nm brand.

Keywords Grape； Chlorophyll； Hyperspectral； Spectral features

葉綠素含量在指示植物營養脅迫、光合作用能力和生長狀況等方面具有重要作用。傳統的葉綠素含量測定一般采用破壞性的分光光度法，不僅繁瑣、費時，而且野外條件下樣本的保存及運輸都存在困難。SPAD-502型葉綠素儀可以無損地即時測量植物葉片的葉綠素相對含量（SPAD值），使用簡單、方便，且SPAD值與葉片的實際葉綠素含量顯著正相關[1]，可以很好地表征植物葉片的葉綠素變化趨勢，但該方法只能逐點對單個葉片進行測量，測定結果受葉片大小、厚薄影響較大，需取多次測定結果的平均值作為最終測定結果，工作量大[2]。

高光譜遙感是一種快速、無損的監測技術，可在不破壞植物組織結構的前提下，實現對作物生長季營養狀況的監測[3，4]。目前國內學者對高光譜遙感技術在作物生長監測方面的研究多集中在水稻[5]、玉米[6，7]、小麥[8]等糧食作物以及棉花[9]、大豆[10]、蘋果[11]等經濟作物上，而在葡萄上的應用研究主要是針對果實，如：徐麗等[12]使用高光譜成像系統采集葡萄漫反射光譜，提出一種應用高光譜成像技術檢測葡萄可溶性固形物含量的方法，并證明基于高光譜成像技術可以實現采后葡萄可溶性固形物含量的準確無損檢測；吳迪等[13]采集60組釀酒葡萄樣本高光譜圖像，獲取樣本光譜曲線，并采用多元散射校正預處理方法提高信噪比，最終應用高光譜成像技術結合連續投影算法實現葡萄果皮中花色苷含量的快速無損檢測，結果表明，利用近紅外高光譜成像技術能夠有效檢測釀酒葡萄果皮中的花色苷含量；劉旭等[14]以釀酒葡萄赤霞珠果實為研究對象，采集60組樣本的900～1 700 nm近紅外波段高光譜圖像，利用高光譜成像技術檢測葡萄果皮中的花色苷含量，并用pH示差法測量樣本果皮中花色苷含量，結果顯示基于PLSR模型推薦的13個隱含變量建立的BP神經網絡模型的預測決定系數和預測均方根誤差分別為0.9102和0.3795；楊杰等[15]為明確采用高光譜成像技術對葡萄可溶性固形物檢測的可行性，用高光譜成像系統采集葡萄樣本的漫反射光譜，建立葡萄可溶性固形物的定量預測模型，并對比分析不同光程校正方法、不同預處理方法對建模精度的影響，結果表明，應用高光譜成像技術可以對葡萄可溶性固形物含量進行無損檢測。但利用高光譜反射率對生長時期葡萄葉片葉綠素含量反演方面的研究甚少。本研究嘗試利用葡萄葉片高光譜與葉綠素相對含量（SPAD值）數據，經相關分析篩選出敏感波段，并在此基礎上建立葡萄葉片SPAD值與敏感波段光譜特征參量間的定量關系模型，探求利用光譜分析技術監測葡萄葉片葉綠素狀況的可行性。

1 材料與方法

1.1 葉綠素測定及樣品采集

2017年6月8日從山東泰安萬吉山葡萄種植基地，選擇巨玫瑰葡萄品種生長一致、健康的葉片，用SPAD-502型葉綠素儀測其SPAD值，然后采下葉片進行標記后立即裝于保鮮袋中，在確保低溫、無損害的條件下帶回實驗室，用于高光譜測定。

1.2 光譜數據采集

采用美國Surface Optics Corporation公司生產的SOC710VP可見-近紅外高光譜成像式地物光譜儀在可控制光照條件（鎢燈照明）的實驗室內進行，光譜范圍為350～1 050 nm，光譜分辨率為4.6875 nm。測定前，先用標準白板進行校正，并將待測葉片表面擦拭干凈。測定時，將葉片單層、平整放置于反射率近似為零的黑色試驗平臺上，兩端用黑色板壓住防止葉片上翹；光譜儀的視場角為25°，探頭距待測葉片0.50 m，垂直向下正對待測葉片的中部。

1.3 數據處理與分析

1.3.1 數據預處理 SOC710VP可見-近紅外高光譜成像式地物光譜儀獲得的高光譜圖像立方數據是灰度值（DN值），灰度值是遙感影像像元亮度值，無單位，是一個整數值，值的大小與傳感器的輻射分辨率、地物反射率、大氣透過率和散射率等有關。為了便于計算和數據的分析處理，需將DN值轉換成反射率值，利用SOC710VP可見-近紅外高光譜成像式地物光譜儀自帶的分析軟件SRAnal710通過降噪、光譜標定、黑場標定及空間、光譜輻射標定等一系列操作來實現轉換。

1.3.2 數據統計分析及模型檢驗 采用ENVI 4.7軟件對數據進行進一步處理，選取感興趣區，并計算得出每個波段所對應的平均反射率值。采用OriginPro 8.5、SPSS 18.0和Matlab進行一階函數求導、相關分析等處理。

利用皮爾遜相關系數（Pearson）表征葡萄葉片原始光譜反射率、原始光譜反射率一階導數與SPAD值的相關關系，Pearson相關系數的絕對值越大，相關性越強。

為檢驗模型估測的準確性，采用決定系數（R2）對模型進行測試和檢驗，篩選出適合葡萄葉片葉綠素含量的最佳高光譜監測模型。

2 結果與分析

2.1 葡萄葉片的高光譜特征

從圖1可以看出，葡萄葉片的光譜反射率在紫光波段的373～418 nm處形成一個小的反射率峰，峰值出現在393 nm處；另一個較大的峰是在綠光和可見光區域的524～591 nm處，在從500 nm開始的綠波段，葉片的吸收減少，反射率增強，在555 nm處達到明顯的反射率峰值，其左側450 nm處為藍光波段吸收谷，右側675 nm處為紅光波段吸收谷；之后反射率陡升，在774～989 nm的近紅外波段形成一個較高的反射平臺，可能是由于葉片的多孔薄壁細胞組織對近紅外光強烈反射形成的；995 nm之后，葡萄葉片的光譜反射率開始下降。

2.2 紅邊位置的提取

紅邊是綠色植物在680～760 nm之間反射率增高最快的點，也是原始光譜一階導數在該區間的拐點。紅邊區域內蘊含著豐富的植被生長信息，與植物生理生化參數關系密切。本研究中葡萄葉片紅邊位置的提取采用對原始光譜數據求一階導數法，一階微分變化最大的波段即為紅邊區域。對原始光譜反射率求一階導數能達到減弱背景因素影響的目的，將植物光譜的變化特征較清晰地反映出來。從圖2 可以看出，在680～750 nm處有一個明顯的反射率峰，峰值位于720 nm波長處，即為本研究的紅邊位置。

2.3 葡萄葉片高光譜反射率及其一階導數與葉綠素含量的相關分析

利用SPSS對葡萄葉片原始光譜反射率與葉綠素含量進行相關分析，結果（圖3）顯示，在波段398～408、462～498、669～684、726～1 039 nm處，葡萄葉片的原始光譜反射率與葉綠素含量呈正相關，其余波段處為負相關，但均未達到顯著水平。

對葡萄葉片原始光譜反射率求一階導數，并分析其與葉綠素含量的相關性，結果表明，在524、529、575、601、689 nm處葡萄葉片光譜反射率的一階導數與葉綠素含量極顯著相關，皮爾遜相關系數依次為-0.81674、-0.8052、0.780865、0.899322、-0.84706；在498、509、514、519、534、570、580、596、606、695、790、795、995、1 000 nm處兩者間顯著相關，皮爾遜相關系數依次為-0.76241、-0.67871、-0.68596、-0.75786、-0.69367、0.762222、0.719671、0.69382、0.639712、-0.76306、0.764118、0.691367、-0.74011、-0.76345。

2.4 基于敏感波段的模型建立

根據以上分析，我們選取原始光譜反射率一階導數與葉綠素含量極顯著相關的5個波段（524、529、575、601、689 nm）、顯著相關中皮爾遜相關系數絕對值比較大的5個波段（498、570、695、790、1 000 nm）以及紅邊位置（720 nm），運用SPSS軟件，建立SPAD值與敏感波段反射率一階微分的回歸模型，結果見表1。

可以看出，以601 nm處光譜反射率的一階微分作為變量確定的線性函數估測模型和二次多項式估測模型R2最大，均達到0.809；其次是以689 nm處光譜反射率的一階微分作為變量確定的冪函數、對數函數、二次多項式函數和線性函數估測模型，R2的值分別為0.726、0.720、0.719、0.718。因此，選擇601 nm波段的2個估測模型進行進一步驗證。

2.5 模型驗證

為了檢驗估測模型的精確性和可靠性，選取同時期同一地點的20個樣本的葉片光譜反射率和SPAD數據，對篩選出的葡萄葉片SPAD值的估測模型進行測試和驗證，得到預測值與真實值的擬合方程，由表2可以看出，模型SPAD=59.352+44836.313R′601的檢驗精度最高，對葡萄葉片葉綠素相對含量的擬合效果較好。

3 討論與結論

本研究采用高光譜技術建立了快速、準確、無損估測葡萄葉片葉綠素含量的方法，得出如下結論：

（1）葡萄葉片光譜反射率在紫光波段、綠光和可見光區域出現兩個明顯的反射峰，峰值分別出現在393 nm和555 nm處。

（2）葡萄葉片光譜反射率的一階導數與葉綠素含量極顯著相關的波段出現在524、529、575、601、689 nm處。

（3）利用選出的敏感波段，建立了葡萄葉片葉綠素含量的高光譜監測模型，經過精度檢驗比較，確定其最佳估測模型為SPAD=59.352+44836.313R′601。該模型為葡萄葉片葉綠素含量的估測提供了比較快捷的方法和途徑，并對葡萄的實時營養和長勢監測具有一定的指導意義和參考價值。

本研究主要是對泰安基地6月8日采摘的葡萄葉片葉綠素含量進行監測研究，并用同一區域、同一時期的樣本數據對模型進行了驗證，但是對不同地區、不同樹齡、不同品種、不同生長期的葡萄葉片葉綠素含量監測是否適用，還需要進一步探索。今后的研究中可以增加樣本數量和種類，明確不同品種、不同樹齡、不同生長期對葡萄葉片光譜指標模型的影響，以期建立預測性能高且可移植的模型，促進該技術在作物長勢中的應用。

參 考 文 獻：

[1] 李敏夏，張林森，李丙智，等.蘋果葉片高光譜特性與葉綠素含量和SPAD值的關系[J].西北林學院學報，2010，25（2）：35-39.

[2] 王紀華，黃文江，勞彩蓮，等.運用PLS算法由小麥冠層反射光譜反演氮素垂直分布[J].光譜學與光譜分析，2007，27（2）：1319-1322.

[3] 王克如，潘文超，李少昆，等.不同施氮量棉花冠層高光譜特征研究[J].光譜學與光譜分析， 2011，31（7）：1868-1872.

[4] 桂江生，吳子嫻，顧敏，等. 高光譜成像技術在農業中的應用概述[J]. 浙江農業科學，2017，58（7）：1101-1105.

[5] 秦占飛，常慶瑞，申健，等.引黃灌區水稻紅邊特征及SPAD高光譜預測模型[J].武漢大學學報（信息科學版），2016，41（9）：1168-1175.

[6] 陳志強，王磊，白由路，等.整個生育期玉米葉片SPAD高光譜預測模型研究[J].光譜學與光譜分析，2013，33（10）：2838-2842.

[7] 牛魯燕，孫家波，鄭紀業，等.不同施肥處理兩夏玉米品種穗位葉光譜特征比較[J].山東農業科學，2017，49（8）：145-149.

[8] 牛魯燕，孫家波，劉延忠，等.基于成像高光譜的小麥葉片葉綠素含量估測模型研究[J].河南農業科學，2016，45（1）：150-154.

[9] 王爍，常慶瑞，劉夢云，等.基于高光譜遙感的棉花葉片葉綠素含量估算[J].中國農業大學學報，2017，22（4）：16-27.

[10]陳婉凈，閻廣建，呂琳，等.大豆葉片水平葉綠素含量的高光譜反射率反演模型研究[J].北京師范大學學報（自然科學版），2012，48（1）：60-65.

[11]韓兆迎，朱西存，王凌，等.基于連續統去除法的蘋果樹冠SPAD高光譜估測[J].激光與光電子學進展，2016，53（2）：214-223.

[12]徐麗，楊杰，王運祥，等.采后葡萄可溶性固形物含量的高光譜成像檢測研究[J].河南農業科學，2017，46（3）：143-147.

[13]吳迪，寧紀鋒，劉旭，等.基于高光譜成像技術和連續投影算法檢測葡萄果皮花色苷含量[J].食品科學，2014，35（8）：57-61.

[14]劉旭，吳迪，梁曼，等.基于高光譜的釀酒葡萄果皮花色苷含量多元回歸分析[J].農業機械學報，2013，44（12）：180-186，139.

[15]楊杰，馬本學，王運祥，等.葡萄可溶性固形物的高光譜無損檢測技術[J].江蘇農業科學，2016，44（6）：401-403.