基于優(yōu)化植被指數的多生育期茶葉游離氨基酸含量估算

段丹丹 劉仲華 趙春江 趙 鈺 王 凡

(1.湖南農業(yè)大學園藝學院， 長沙 410128； 2.國家農業(yè)信息化工程技術研究中心， 北京 100097； 3.北京農業(yè)智能裝備技術研究中心， 北京 100097)

0 引言

茶鮮葉中游離氨基酸含量直接影響成品茶茶湯的鮮爽風味[1]。因此，及時、快速、大面積地檢測茶鮮葉中氨基酸含量對于把握茶青品質、提高成品茶市場競爭力具有重要意義。傳統(tǒng)的審評測定方法依靠人為主觀判斷，耗時、費力，缺乏可量化的統(tǒng)一標準。

目前眾多品質無損檢測技術可快速診斷茶葉品質。光譜技術在檢測茶多酚、氨基酸及茶葉氮磷鉀含量等方面均取得了較多的研究成果[2-5]。前人研究主要進行單個生育期分析，針對茶樹多生育時期進行連續(xù)光譜檢測研究的報道較少。由于不同季節(jié)氣候條件的差異，春茶、夏茶和秋茶生長速率及生理代謝均具有明顯的差異，導致茶葉外形和內含物質具有明顯的差異。在小麥、水稻等糧食作物的研究中發(fā)現，反演模型在單生育時期具有較高的精度但無法推廣至全生育時期的作物農學參數檢測[6-7]。光譜變換在放大和提取光譜特征以及消除背景噪聲方面具有較好的效果[8-14]。為了分析變換后的光譜值與葉片氮素含量的相關關系，通過對玉米葉片光譜數據進行6種變換，在波長550 nm和680 nm處，光譜數據的歸一化對數處理對于提高回歸模型對氮素含量的反演精度有顯著效果[15]。通過一階導數與多元散射校正和平滑處理結合對原始光譜進行處理，提高了近紅外光譜預測水稻葉片氮含量的模型準確性和預測能力[16]。而微分光譜能消除水稻土壤和水面背景的影響，尤其影響寬波段光譜指數對作物農學參數的反演精度[17]。為了進一步提高估算模型的精度，科研人員利用前人研究成果，構建了優(yōu)化的新型植被指數[18-21]。光譜變換對凸顯特征光譜及剔除背景、噪聲影響具有重要作用，而現有植被指數均是基于原始反射率進行構建，將變換優(yōu)化植被指數用于多生育時期茶鮮葉游離氨基酸含量估算尚未見報道。

本文以茶鮮葉游離氨基酸含量為研究對象，對光譜數據進行5種光譜變換(倒數1/R、對數lgR、一階微分R′、倒數的一階微分(1/R)′、對數的一階微分(lgR)′)，并對常用的10種光譜指數波段進行替換，進而分析優(yōu)化植被指數在茶鮮葉游離氨基酸含量檢測中的作用。

1 材料與方法

1.1 研究區(qū)概況

本研究于2020年夏季、秋季以及2021年春季3個季節(jié)在廣東省英德市茶葉生產基地進行。實驗品種：英紅九號、金萱、鴻雁十二號、黃旦、金牡丹、英州一號、梅占、云南大葉、黃玫瑰和軟枝烏龍共計10個品種。夏茶采摘期在2020年5月11—15日、2020年6月1—5日。秋茶從2020年8月7日開始進行觀測，選取2020年9月14—18日、2020年10月5—9日。春茶從2021年2月3日開始進行觀測，選取2021年3月29日—4月1日、2021年4月12—16日。每組樣本設置5個重復。

1.2 光譜數據測定

采用美國ASD公司的FieldSpec4型光譜儀進行光譜檢測(波段350～2 500 nm，在350～1 000 nm光譜區(qū)的分辨率為1.40 nm，在1 000～2 500 nm間分辨率為2 nm，采樣間隔為1 nm)。茶鮮葉葉片測量前先通過標準白板進行光譜儀校正。并利用葉片夾持器(自帶光源)，通過手柄中的光源部分直接夾緊茶葉葉片所測部位(選擇葉片中部較寬部位)。本實驗的高光譜測定方法參考前人的實驗方法[22]并做適當改進，分別采集每個品種20片標準葉片光譜數據。

1.3 理化參數測定

在光譜數據采集位置對應采集和測量單位面積茶葉的鮮葉質量及干葉質量，在茶園選取約10個點進行測量，每個樣本點進行10次測量，獲取茶樹冠層光譜數據。3個生長季節(jié)的茶鮮葉通過高光譜檢測后采用國標法檢測游離氨基酸總量(GB/T 8314—2013)[23]。計算公式為

(1)

式中An——游離氨基酸干基質量分數，%

C——茶鮮葉茶氨酸或谷氨酸質量，mg

V1——試液總體積，mL

V2——測定所需試液體積，mL

m——試樣用量，g

w——試樣干物質質量分數，%

1.4 數據預處理

1.4.1光譜變換方法

為消除背景噪聲及水分的影響，刪除350～400 nm以及2 400～2 500 nm波段后，對茶鮮葉檢測得到的葉片光譜反射率分別進行光譜變換：原始光譜TR、倒數T1/R、對數TlgR、一階微分TR′、倒數的一階微分T(1/R)′、對數的一階微分T(lgR)′，結果如圖1所示。同一光譜變換中，不同季節(jié)的光譜反射率具有明顯差異。

圖1 不同季節(jié)變換光譜反射率Fig.1 Spectral reflectances of different spectral transformations

1.4.2光譜指數

基于10種常用的與氨基酸相關的光譜指數(歸一化差值植被指數(NDVI)[24]、土壤調節(jié)植被指數(SAVI)[25]、植物衰老反射指數(PSRI)[26]、綠度指數(GI)[27]、轉換葉綠素吸收植被指數(TCARI)[28]、寬范圍植被指數(WDRVI)[29]、改善角度植被指數2(MTVI2)[30]、轉換型植被指數(TVI)[31]、紅色邊緣葉綠素植被指數(CIred edge)[32]、土壤調節(jié)植被指數(OSAVI)[33])，以及其涉及的12個敏感光譜波段(中心波長分別為500、550、560、670、678、680、700、710、720、750、800、890 nm)，并利用光譜變換波段對應代替植被指數中的原始波段，每個植被指數包含6種形式(原始光譜TR-VI、倒數T1/R-VI、對數TlgR-VI、一階微分TR′-VI、倒數的一階微分T(1/R)′-VI、對數的一階微分T(lgR)′-VI，其中VI表示植被指數)。

1.5 數據處理方法

多元線性回歸(Multiple linear regression，MLR)是包括兩個或兩個以上自變量，并對應一個因變量的回歸模型，詳細步驟見文獻[34]。

1.6 統(tǒng)計分析

選取決定系數R2和均方根誤差(RMSE)驗證模型的精度[35]。R2反映模型建立和驗證的穩(wěn)定性，R2越接近于1，說明模型的穩(wěn)定性越好、擬合程度越高。RMSE用來檢驗模型的誤差，RMSE越小模型估算能力越好。

2 結果與分析

2.1 茶鮮葉游離氨基酸的描述性統(tǒng)計分析

本實驗共計樣本141份，其中春茶樣本50個，夏茶樣本55個，秋茶樣本36個。將其隨機分為106份作為建模集，35份作為驗證集，建模集和驗證集的氨基酸描述性統(tǒng)計分析如表1所示。3個季節(jié)10種茶樹鮮葉的氨基酸含量(干基質量分數)在2%～6%之間，不同季節(jié)氨基酸含量存在較大差異。春茶氨基酸含量最大值和平均值均最高(干基質量分數5.64%和4.03%)，秋茶氨基酸含量最大值和平均值均居中(干基質量分數4.43%和3.72%)，夏茶氨基酸含量最大值和平均值均最低(干基質量分數4.02%和2.91%)。其中，建模集數據的范圍可包含驗證集數據，建模集和驗證集數據劃分可靠。

表1 氨基酸干基質量分數的描述性統(tǒng)計分析Tab.1 Descriptive statistical analysis of tea amino acids

2.2 優(yōu)化植被指數

為進一步探討不同光譜變換對春茶、夏茶、秋茶反演的影響，對10個常用的植被指數對應波段進行替換，優(yōu)化后的植被指數與茶葉氨基酸含量相關性結果如圖2所示。春茶氨基酸含量與葉綠素相關的經典植被指數具有較高的相關性，與PSRI和CIred edge的相關系數絕對值分別為0.50和0.67。秋茶和春茶具有相似的結果，秋茶氨基酸含量與PSRI和CIred edge的相關性較高，相關系數絕對值分別為0.61和0.40。夏茶氨基酸含量與植被指數相關性相對較差，與TVI相關性最高，相關系數絕對值為0.39。對于春茶、夏茶和秋茶，基于T1/R-VI和TlgR-VI與茶葉氨基酸含量的相關性多低于經典植被指數與氨基酸含量的相關性。相比經典植被指數，3種微分處理后波段替換的GI、MTVI2、TVI、SAVI和OSAVI與春茶氨基酸含量的相關性具有顯著提高效果，3種微分處理后波段替換的PSRI、MTVI2、CIred edge和OSAVI與夏茶氨基酸含量的相關性顯著提高，與秋茶氨基酸含量顯著提高的有3種微分處理波段替換后的PSRI、TVI、CIred edge、SAVI和OSAVI。光譜處理后波段替換的優(yōu)化植被指數中，與春茶氨基酸含量相關性最高的植被指數是TR′-CIred edge、SAVI和OSAVI，相關系數絕對值均為0.61；與夏茶氨基酸含量相關性最高的植被指數是T(1/R)′替換后的PSRI，相關系數絕對值均為0.27；與秋茶氨基酸含量相關性最高的植被指數是T(lgR)′-TCARI，相關系數絕對值均為0.61。

圖2 茶鮮葉游離氨基酸含量與不同變換光譜指數的相關性分析Fig.2 Correlation of tea free mino acids with different spectral transformation indexes

通過5種光譜變換對10種植被指數進行優(yōu)化，除TlgR-TCARI外，其他植被指數被光譜變換優(yōu)化后與茶鮮葉游離氨基酸的相關性均高于經典植被指數與茶鮮葉游離氨基酸相關性，相關系數絕對值范圍為0.10～0.30(表2)。除2種優(yōu)化植被指數外(TlgR-TCARI、TlgR-TVI)，其余8種優(yōu)化植被指數與茶鮮葉游離氨基酸均達到極顯著相關性。

表2 優(yōu)化植被指數與游離氨基酸含量的相關性分析Tab.2 Correlation analysis between optimized vegetation index and free amino acids

2.3 基于優(yōu)化植被指數的茶鮮葉游離氨基酸模型

基于不同光譜變換替換的優(yōu)化植被指數構建的MLR氨基酸含量估算模型(表3)表明：對于春茶，TlgR-VI構建的MLR建模集模型精度最高，R2和RMSE分別為0.71和0.64%，TR′-VI構建的MLR驗證模型精度最高，R2和RMSE分別為0.56和0.90%，其他光譜變換替換的植被指數所構建的MLR模型建模集和驗證集均有較好的表現；夏茶，TlgR-VI構建的MLR建模集模型精度最高，R2和RMSE分別為0.50和0.37%，TR′-VI驗證模型精度最高，R2和RMSE分別為0.41和0.37%，除T(1/R)′-VI(建模集R2和RMSE分別為0.10和0.45%，驗證模型精度R2和RMSE分別為0.13和0.55%)外，其他光譜變換的植被指數所構建的MLR模型建模集和驗證集均有較好的表現；秋茶，TR′-VI構建的MLR建模集精度較高和驗證集模型精度最高(建模集R2和RMSE分別為0.66和0.28%，驗證模型精度R2和RMSE分別為0.78和0.36%)，其他光譜變換所構建的MLR模型建模集和驗證集均有較好的表現；全采茶季，TlgR-VI構建的MLR建模集精度較高和驗證集模型精度最高(建模集R2和RMSE分別為0.38和0.72%，驗證模型精度R2和RMSE分別為0.20和0.84%)，其他光譜變換所構建的MLR模型建模集和驗證集表現均較差。

為了更直觀地展現模型預測效果，制作了春、夏、秋茶3個季節(jié)的最優(yōu)氨基酸含量預測模型1∶1擬合圖，結果如圖3所示。

3 討論

本研究采集10個茶樹品種春季、夏季、秋季3個連續(xù)生育期的茶鮮葉光譜和游離氨基酸含量數據，選取6種光譜預處理方法和10個常用的植被指數，通過光譜變換優(yōu)化現有植被指數，進而對茶葉游離氨基酸含量進行光譜檢測估算。

茶鮮葉建模集和驗證集游離氨基酸含量的變化趨勢從大到小均為春茶游離氨基酸含量(干基質量分數建模均值4.03%，驗證均值3.98%)、秋茶游離氨基酸含量(干基質量分數建模均值3.72%，驗證均值3.56%)、夏茶游離氨基酸含量(干基質量分數建模均值2.91%，驗證均值2.93%)。這是由于春季物候條件適宜，茶樹內多種氨基酸合成酶活性最高。夏季由于多項物候條件變化，氣溫較高，濕度較大，導致茶樹內多種氨基酸合成酶活性降低。秋季，各項物候條件變?yōu)檩^適宜茶樹生長，茶樹內多種氨基酸合成酶活性再次升高。春茶氨基酸含量最高是由于春季是茶樹新稍生長最為旺盛的階段，而茶氨酸主要在茶樹新稍中[1]。因而，茶葉游離氨基酸總量呈現出春季最高、秋季較高、夏季最低的情況。茶葉游離氨基酸因生育時期不同而產生明顯差異，繼而由于茶樹冠層對光能的截獲、折射和反射特性各不相同，造成基于冠層高光譜的茶葉游離氨基酸含量檢測受生育期的影響較大。

現有植被指數主要以葉面積指數、覆蓋度和氮素含量為目標進行構建[27-33]，以氨基酸含量為目標的植被指數較少。本文選取的10種植被指數主要考慮與氨基酸次生代謝緊密相關的氮素反演植被指數，涉及波段主要包括500～890 nm的10個波段，與文獻[36]對氮素的研究分析一致。為全面分析優(yōu)化植被指數在茶葉氨基酸反演中的效應，本文對SAVI、OSAVI及TVI等不同計算形式也進行了分析。結果表明，SAVI、OSAVI和WDRVI這類相似的植被指數表達公式，在不同光譜變換后與茶葉氨基酸含量相關系數相近。本文基于光譜變換的反射率對優(yōu)化植被指數的波段反射率進行替換分析。一方面現有植被指數均為兩個或兩個以上波段進行的數學組合，廣泛應用于不同作物和目標的理化參數反演。另一方面，較少的波段是衛(wèi)星產品及儀器開發(fā)降低成本的重要手段。除TCARI外，其他植被指數波段被光譜變換后的波段替換后與茶鮮葉氨基酸含量的相關性高于經典植被指數(表2)，主要是由于受不同光譜變換方法的影響，且受該植被指數涉及的光譜波段影響。基于微分變換光譜所構建的優(yōu)化植被指數在春茶、夏茶、秋茶的建模和驗證中均得到了較好的精度，表明光譜變換后的優(yōu)化植被指數在不同茶樹品種樣本間普適性更強，這與文獻[17]研究結果相近。經過微分處理算法可以降低低頻背景光譜對目標光譜的影響，同時微弱的特征光譜可以得到凸顯[17]。基于對數變換的優(yōu)化植被指數在不同生育時期及全生長季中均表現出較好的普適性，這可能與植被指數構建原理有關。經典的植被指數旨在放大紅波和近紅外波段的差異[25-29]，而光譜對數變換能夠進一步擴大光譜差異，有效突出光譜特征。在明確光譜差異性影響因子之后，選擇適宜的光譜數據分析方法是提高光譜檢測精度，構建普適性強、穩(wěn)定性高的反演模型的基礎與前提。

表3 氨基酸含量MLR預測模型Tab.3 MLR models of tea amino acids

圖3 氨基酸含量最優(yōu)模型1∶1擬合圖Fig.3 Fitting diagram of optimal model of tea amino acids

4 結論

(1)茶鮮葉建模集和驗證集游離氨基酸含量的變化趨勢從大到小均為春茶游離氨基酸含量(干基質量分數建模均值4.03%，驗證均值3.98%)、秋茶游離氨基酸含量(干基質量分數建模均值3.72%，驗證均值3.56%)、夏茶游離氨基酸含量(干基質量分數建模均值2.91%，驗證均值2.93%)。

(2)除TlgR-TCARI外，其他植被指數被光譜變換優(yōu)化后與茶鮮葉游離氨基酸含量的相關性均高于經典植被指數與茶鮮葉游離氨基酸含量相關性，相關系數絕對值范圍為0.10～0.30。

(3)基于TlgR-VI構建的MLR模型在不同季節(jié)的建模集和驗證集中均得到了較好的精度，且適用于多生育時期茶鮮葉氨基酸含量的估測。基于TlgR-VI構建的全生育時期MLR具有較高的精度(建模集R2和RMSE分別為0.38和0.72%，驗證模型精度R2和RMSE分別為0.20和0.84%)。