基于高光譜成像技術的番茄葉片葉綠素含量可視化分布研究

孟 露，張 捷，楊 甜，吳龍國

（寧夏大學農學院，銀川 750001）

隨著中國淡水資源的急劇短缺、供水不足、水源分配不合理等現象的發生，制約了中國農業經濟的進一步發展。寧夏位于中國西北干旱地區，微咸水和咸水資源相對豐富，為緩解淡水資源危機，采用替代水資源（如微咸水）灌溉已成為寧夏設施蔬菜生產不可避免的現實問題。國內外學者從微咸水水質、灌溉量、供水方式、灌溉方式等角度入手，開展對番茄的生長、產量及品質、果實各部位糖積累、植株礦質元素等方面的研究［1-13］，為進一步開發利用微咸水灌溉寧夏主栽設施蔬菜番茄提供了一定的指導作用。利用微咸水對玉米、棉花作物生理特性的研究發現，適宜濃度的微咸水可以提供保障作物正常生長的水分，但鹽分積累過量極易誘發植物生理干旱，最終引起光合作用、蒸騰作用和氣孔運動等生理指標的響應與調節［14-16］。葉片氮素作為反映植物生命體征的重要參數，決定了葉片光合作用的強弱［17］。因此，通過作物葉片氮素含量反映微咸水對機體逆境脅迫后生理生長的參數響應，為今后合理開發利用微咸水提供一定的指導作用。

目前，常采用葉綠素計檢測葉片氮素，該檢測方法耗時耗力，且只能對單個葉片進行檢測。新一代光譜檢測技術——高光譜成像技術，能夠同時獲得被檢測目標的光譜和圖像，利用光譜反射率及光譜反射波形特征精確地檢測圖像中每個像素點的光譜數據以及圖像信息，可為可視化與檢測提供技術支持［18］。隨著光譜和成像技術的快速發展，高光譜技術已廣泛應用于對農作物生理生化指標進行實時、快速、無損獲取與估測［19］，主要涉及葉綠素含量分布、營養元素含量、水分含量等方面［20-24］。在田間，利用高光譜技術獲取作物冠層光譜可間接獲取作物生長過程中葉片氮含量、生物量、葉面積指數等多種指標［25-27］，為冠層葉片的氮素檢測提供了新的技術手段。

本研究以溫室番茄植株為研究對象，應用高光譜成像技術，對不同濃度鹽溶液灌溉下的番茄葉片中葉綠素含量進行研究，結合多種光譜和圖像處理方法及化學計量方法，研究了不同預處理方法、特征波長提取以及建模方法的對比分析，優選最佳的番茄葉片可視化模型，為微咸水在番茄上的合理利用提供一定借鑒。

1 材料與方法

1.1 材料

供試番茄選用“博美2 號”品種，購于寧夏賀蘭縣天源種業公司，共計108 株番茄幼苗，于子葉展開3～4 片時移苗，采用栽培基質盆栽的方式種植，每盆種植4 株番茄幼苗。試驗設計9 個處理：對照組CK為去離子水；A-H 處理分別為 0.2、0.4、0.6、0.8、1.0、1.2、1.4、1.6 g/L NaCl溶液，每個處理3 次重復。

最適灌水量為550 mL，定植后每隔2 d 灌水一次，種植30 d 后采摘番茄冠層葉片，試驗共采集150片葉片，立刻用便攜式葉綠素測定儀和便攜式高光譜成像設備進行葉綠素測定及圖像采集，并將采集后的葉片編號放入密封袋中，用低溫保藏箱立刻運回實驗室。

1.2 方法

1.2.1 葉綠素測定方法 葉綠素采用便攜式葉綠素測定儀（型號SPAD-502Plus，柯尼卡美能達）進行葉片測量，每株番茄植株取2 個冠層葉片，避開葉脈集中的部位，在葉片不同位置均勻測定3 個SPAD 值，取其平均值代表該葉片數值。

1.2.2 高光譜成像系統與參數設置 可見近紅外波段高光譜成像系統（型號GaiaField-F-V10），四川雙利合譜公司生產，共有176 個波段，光譜分辨率為3.8 nm，波段范圍400～1 000 nm。為避免在溫室內圖像尺寸及空間分辨率失真，選擇12：00 至16：00 時間段進行番茄葉片采集。最佳采集參數條件為：物距210 mm、掃描速度0.147 cm/s，成像光譜儀曝光時間 8 ms、增益為 2。

1.2.3 番茄葉片感興趣區域選擇及光譜信息提取采用便攜式高光譜成像設備對番茄葉片進行采集，選擇黑色塑料作為背景。為提取葉片感興趣區域，對高光譜圖像中的葉片、白板、背景的光譜曲線進行提取，得到特征曲線（圖1a），選擇960 nm 下的圖像進行閾值分割。在圖1a 中，A-B 選擇掩模閾值1.0～5.0，C-D 與 CK 選擇掩模閾值 1.0～3.5，E-F 選擇掩模閾值1.6～3.5，G-H 選擇掩模閾值0.9～3.0。對原始圖像進行掩模得到的高光譜圖像如圖1b 所示。最后通過Envi4.8 軟件對掩模后的番茄葉片高光譜圖像提取光譜信息（圖2）。

圖1 不同處理下的番茄葉片高光譜圖像提取

圖2 不同鹽水濃度下番茄葉片原始光譜

1.2.4 數據分析方法 由于高光譜圖像是三維數據，信息量冗余，原始光譜存在基線漂移，需要對原始光譜進行預處理，為模型建立奠定基礎。利用Unscrambler X10.4 軟件進行數據預處理及預測模型建立，采用Matlab R2014a 軟件進行特征光譜提取、圖形繪制及可視化。

常見的光譜預處理有高斯濾波、中值濾波、歸一化處理、一階導數、基線校準、多元散射校正、標準正態變化等。主要是去除光譜或圖像信息中非品質信息的影響以及儀器噪音和暗電流等引起的光譜曲線基線漂移和不重復現象、不同成分之間相互干擾引起的多重共線性和背景因數等對光譜曲線的影響［28-30］。

特征光譜信息提取可以最大限度地降低數據維數并為在線應用提供理論支撐。本研究采用權重系數法、競爭性自適應重加權算法（Competitive adaptive weighted sampling，CARS）、無信息變量信息消除法（Uninformation variable elimination，UVE）、連續投影算法（Successive projection algorithm，SPA）。

在葉片葉綠素定量模型構建方面，主要應用多元線性回歸（Multiple linear regression，MLR）、主成分回歸（Principal component regression，PCR）、偏最小二乘回歸（Partial least squares regression，PLSR）、支持向量機回歸（Support vector machine regression，SVR）及人工神經網絡（Artificial neural network，ANN）等方法。模型的效果采用相關系數R與均方根誤差RMSE參數進行評價。R越大、RMSE越小，構建的模型的效果越好。

2 結果與分析

2.1 異常樣本剔除

由于提取的光譜數據與葉片葉綠素含量實測值在建立模型過程中，常會因異常樣本的存在影響模型的效果。因此，在建立模型之前，需要對樣本中的光譜異常與化學值異常進行剔除。本研究采用歐式距離與馬氏距離剔除了20 個異常樣本；采用蒙特卡洛法進行異常樣本剔除（圖4），通過建立的PLSR 模型效果篩選異常樣本，最終得到132 個樣本，用于建立番茄葉片葉綠素含量定量模型。

圖4 蒙特卡洛剔除異常樣本與光譜曲線

2.2 樣本劃分

采用SPXY 方法劃分樣本校正集與預測集，132個樣本共選擇校正集98 個，預測集34 個，并保證校正集葉綠素含量區間包含預測集葉綠素含量區間，番茄葉片葉綠素實測值如表1 所示。

表1 番茄葉片葉綠素含量實測值

2.3 預處理優選

為了避免光譜信息中非品質信息的影響以及儀器噪音和暗電流等引起的光譜曲線基線漂移和不重復現象、不同成分之間相互干擾引起的多重共線性和背景因素等對光譜曲線的影響，對原始光譜進行平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、基線校準、標準正態化等預處理，對比分析其模型的效果。

由表2 可知，平均平滑預處理所建立模型的預測能力優于高斯濾波、中值濾波、卷積平滑預處理；對比分析5 種歸一化預處理，最大值歸一化所建立的PLSR 模型效果最好；對比分析原始光譜與其他預處理光譜的PLSR 模型，優選原始光譜所建立PLSR 模型。雖然5 類光譜預處理方法未能提高模型的效果，但也說明通過感興趣區域選擇方式提取的原始光譜可以降低儀器噪音以及光譜曲線漂移等現象的影響，為今后采用便攜式高光譜成像對番茄葉片葉綠素含量定量分析提供參考依據。

表2 不同預處理光譜的PLSR 模型對比

2.4 特征波長提取分析

為了降低數據冗余，便于應用到實際生產中。利用 Unscrambler X10.4 軟件結合 Matlab R2014a 軟件對原始光譜數據進行特征波長提取。特征波長提取方法主要有PLSR 權重系數法（β 權重系數）、無信息變量消除變換法（UVE）、競爭自適應重復加權法（CARS）及連續投影算法（SPA）等，結果如圖5 所示。

圖5 特征波長提取

由圖 5 可知，β 權重系數法提取 5 個波段（469、547、659、690、760 nm），其中469 nm 與葉綠素及類胡蘿卜素的吸收有關。CARS 法提取了13 個特征波長（475、495、498、571、574、581、652、655、662、707、764、931、983 nm）；UVE 法提取了 134 個特征波長；SPA 法提取了4 個特征波長（392、465、686、760 nm），其中465 nm 及葉綠素與類胡蘿卜素的吸收有關；為了進一步降低維數，分別對UVE 與CARS 提取的波段進行SPA 特征提取，UVE+SPA 提取了4 個波段（392、465、666、725 nm），CARS+SPA 提取了 6 個波段（571、652、707、764、931、983 nm），詳見表3。

表3 不同方法所提取的特征波長

2.5 特征波長下建立模型

為了對比分析提取特征波長的方法，采用PLSR方法進行模型效果分析，結果見表4。

由表 4 可知，CARS+SPA 與 UVE+SPA 方法提取特征波段所建立的PLSR 模型比單一方法提取特征波長所建立模型的效果差；對比UVE+SPA 與SPA 提取特征波段，波段的不同造成建立的PLSR 模型差異較大，SPA 方法所建立的模型最優。因此，SPA 法提取了4 個特征波長（392、465、686、760 nm）被應用于建立番茄葉片葉綠素定量預測模型。

表4 不同特征波長下的PLSR 模型

2.6 不同模型對比分析

為了優選出最優的特征波長模型，利用MLR、PCR、PLSR、SVR、ANN 方法分別對 SPA 提取的特征波長進行模型對比，結果如表5 所示。

由表5 可知，MLR、PCR、PLSR 所建立的模型的效果優于 SVR、ANN 所建立的模型；MLR、PCR、PLSR 所建立的模型具有相同的相關系數與均方根誤差，這也為今后番茄葉片葉綠素在線監測提供多種選擇。應用PLSR 模型的校正集及預測集建模效果如圖6 所示。

表5 不同建模方法對比分析

圖6 番茄葉片PLSR 模型

2.7 番茄葉片葉綠素化學成像

為了直觀對比分析3 種線性回歸模型對葉片葉綠素高光譜模型的預測效果，采用MatlabR2014 軟件對番茄葉片圖像進行可視化分析，結果如圖7 所示。

由圖7 可知，不同微咸水灌溉下，番茄葉片中葉綠素含量分布差異顯著；同一鹽濃度水平下，3 種線性回歸模型的可視化分布的效果為PLSR＞PCR＞MLR；在PLSR 可視化模型下，對比分析不同處理番茄葉綠素分布情況可以看出，CK 與A-B 組番茄葉片葉綠素含量分布差異較小，說明低濃度的咸水灌溉未影響葉片葉綠素含量；而隨著鹽分濃度的增加，番茄葉片葉綠素含量分布顯著下降，這主要是因為過量的鹽分使番茄葉片遭受鹽脅迫，導致葉片內葉綠素含量降低，直接影響葉片正常的光合作用，最終對番茄產量造成影響。因此，通過高光譜成像技術對番茄葉片葉綠素的快速監測，為生產高產優質的番茄提供技術保障，同時也為中國其他水果蔬菜的葉綠素快速監測提供技術借鑒。

圖7 番茄葉片葉綠素可視化分布

3 結論

試驗對不同微咸水灌溉下的番茄葉片進行研究，探討了9 個處理下番茄葉片的光譜提取方法、異常樣本剔除、特征波長提取以及優化建模方法與可視化研究，得到以下結論。

1）選用歐式距離與馬氏距離結合蒙特卡洛法進行異常樣本剔除，對于建立穩健的模型十分必要。

2）預處理方法的選擇，在一定的程度上可以改善光譜信息中參雜的噪音干擾；而試驗中光譜預處理未能取得預期效果，這與光譜采集環境以及提取方法有關，可為高光譜數據處理提供一定的借鑒。

3）SPA 法提取的 4 個特征波長（392、465、686、760 nm）所建立的番茄葉片葉綠素定量模型，具有較好的預測效果。

4）對比分析了番茄葉片葉綠素的線性與非線性回歸模型，番茄葉片葉綠素的線性回歸模型取得較好的預測效果，最優預測模型的相關系數與均方根誤差分別為0.896、1.111；在此基礎上，對其進行可視化分析，最終選擇PLSR 模型進行番茄葉片葉綠素在線預測，可為番茄植株其他指標的快速檢測提供借鑒。