基于高光譜成像技術的不同時期番茄植株的快速無損判別研究

馬 玲，馬 倩，李亞嬌，張祎洋，王 靜，馬思艷，馬 燕，杜明華，吳龍國，2*

（1.寧夏大學 農學院，寧夏 銀川 750001；2.寧夏現代設施園藝工程技術研究中心，寧夏 銀川 750001）

番茄作為我國設施栽培面積最大的園藝作物，已成為許多地區的主要經濟支柱作物，寧夏番茄因顏色粉紅、果實扁圓、含糖度高、貨架期長、營養豐富等特點而深受消費者喜愛。但寧夏降水量小且蒸發量大，水資源極為短缺，嚴重制約了設施蔬菜產業的發展。在種植過程中，適宜濃度的微咸水灌溉不僅能提供充足的水分，保障番茄作物的正常生長，還可提高番茄果實的營養價值［1］。

雖然微咸水灌溉可以緩解淡水資源危機，為作物生長提供水分，但是持續微咸水灌溉極易引起作物根層土壤鹽分累積，導致次生鹽漬化，最終影響作物的產量［2－3］。持續微咸水灌溉可抑制作物生長，主要歸因于微咸水給作物生長帶來的負效應［4］。這種負效應首先會導致土壤次生鹽漬化，直接或間接對土壤物理、化學和生物學性狀造成負面影響，如通氣性變差及抗侵蝕能力變弱［5］、有機質和養分的有效性下降［5］、微生物和酶活性下降，進而對微生物調控的各類過程（如固氮、溶磷等養分轉換及協助作物抗逆）造成不利影響［6－7］。因此，發展快速監測作物鹽脅迫的方法是助力寧夏設施蔬菜產業發展的重要任務。

李莎等［8］發現灌溉水礦化度是影響作物根層含鹽量的主要因素，楊樹青等［9］的研究結果表明對于不同作物的灌溉水利用效率礦化度的計算不同，柴付軍等［10］指出，長期多次向土壤中澆水會對其返鹽產生影響。有學者向土壤澆灌礦化度微咸水，經過長時間試驗，發現未對土壤產生次生鹽漬化效應［11－13］。上述研究主要關注微咸水灌溉方法及其水土環境效應等方面，但對作物本身的關注較少（集中在對作物產量和品質的影響等）。所以，有必要從作物受到逆境威脅時對生理的參數響應和調控的視角，探討微咸水灌溉下糧食作物的產量形成機制及對微咸水灌溉的調控技術，為合理開發利用微咸水給出相應的指導。

光譜技術作為一種新型的無損探測技術，可以利用物體的光譜特性推測其化學成分和特征結構，在較大范圍上克服了常規探測技術所存在的缺陷。高光譜成像技術則由于具備非常廣泛的高光譜反應范圍和納米量級的高光譜分辨率，能夠精確鑒定地物光譜的細微差別，進而揭示地物組成與構造等方面的重大差異。Magnus等［14］將相關優化偏移（COW）算法在一個工業批處理過程的數據集上進行了測試。結果表明，COW可用于在線實時對齊，是一種同步時變過程數據的實用工具。李嵐濤等［15］考察了7個鎘脅迫梯度下菊苣葉片的高光譜響應特征，王松磊等［16］通過可見近紅外高光譜成像技術構建了快速檢測番茄葉片含水率的模型，鄭小慎等［17］認為利用高光譜技術可以對作物葉綠素含量作出合理評價，孫紅等［18］通過高光譜成像檢測了土豆葉片的含水量，石吉勇等［19］提出了一種以葉綠素葉面分布特征診斷黃瓜中氮（N）、鎂（Mg）元素虧缺的高光譜檢測方法。文獻［20］構建了一種新的多變量選擇方法——變量組合集群分析（VCPA）法提取特征波長，通過指數遞減函數消除貢獻較小的變量，縮小了變量空間，其過程類似于達爾文進化論中的“適者生存”原則［21］。目前VCPA法已與其他建模方法相結合廣泛應用于食品質量檢測［22］、作物蛋白質含量檢測［23］、醫藥［24］以及植物病害診斷［25］等多個領域。上述研究體現了高光譜成像技術在植物葉片物質含量檢測方面的優勢。

本文基于高光譜成像技術對番茄植株葉片進行定性研究，通過對番茄植株進行不同微咸水處理，采摘果實成熟期的葉片，利用高光譜成像技術提取番茄葉片特征光譜參數，采用偏最小二乘回歸算法（PLSR）分析光譜特征參數與不同鹽處理植株之間的相關關系，篩選并建立了番茄植株的鹽脅迫診斷模型，以期為番茄植株的在線原位監測提供理論依據。

1 實驗部分

1.1 材 料

供試番茄品種選用“博美2號”，購于寧夏賀蘭縣天源種業公司。

1.2 試驗設計

于2020年7月至10月在寧夏大學國家實訓基地玻璃溫室中，采用基質盆栽的方式進行種植，在番茄苗長到四葉一心時移植，每盆移栽一株幼苗，待緩苗一周后，對番茄苗進行不同鹽脅迫處理，設計A：50 mmol/L NaCl溶液；B：100 mmol/L NaCl溶液；C：150 mmol/L NaCl溶液；D：200 mmol/L NaCl溶液；E：250 mmol/L NaCl溶液共5個鹽分濃度進行處理，對照組（CK）：0 mmol/L NaCl溶液。每個處理重復3次。每隔3 d，每株番茄植株按照500 mL灌溉量進行灌溉。采摘果實成熟期的上、中、下層葉片，每層采摘2片，共采集192片樣本用于模型建立。

1.3 高光譜成像

采用HyperSIS－NIR高光譜成像系統（900 ~ 1 700 nm，光譜分辨率5 nm，256個波段）對番茄葉片進行光譜圖像收集，該系統由北京卓立漢光儀器有限公司生產的高光譜成像光譜儀、CCD相機、4個35 W鹵鎢燈、電控位移平臺、計算機和數據采集軟件組成。通過反復調試獲得最優采集參數：物距為400 mm，位移平臺速度為15 mm/s，曝光時間為10 ms。

1.4 數據分析方法

1.4.1 光譜預處理由于高光譜圖像是三維數據，信息量冗余，同時原始光譜存在基線漂移，因此需進行預處理。光譜預處理的目的在于減弱因儀器噪音、暗電流、多重共線性以及背景等產生的干擾［26－27］，主要方法有多元散射校正（MSC）、標準正態化（SNV）、正交信號校正（OSC）、COW等。

1.4.2 特征波長提取光譜儀采集的光譜數據往往數百甚至上千個，大量的數據會加大計算的難度，增加模型的復雜度，且光譜信息中包含大量的冗余與共線性數據，影響模型的效果。一般采用數據壓縮提取特征信息或提取特征波長的方法提取有效信息，減少計算量，簡化模型并提高模型的精度［28］。本研究采用間隔變量迭代空間收縮法（iVISSA）、間隔隨機蛙跳法（IRF）、遺傳偏最小二乘算法（GAPLS）、競爭性自適應加權算法（CARS）、變量組合集群分析（VCPA）等方法提取特征波長。

1.4.3 模型構建與評價為正確評估所建模型的準確度和穩定性，并確定樣品間的含水量間隔，預先將192個樣本分成校正集和預測集，選取3/4的樣本作為建模集，另外1/4樣本則作為預測集。以土壤的高反射率和含水量為主要輸入量，通過偏最小二乘回歸的方法構建了土壤含水量高光譜預測模型，模型有效性由決定系數（R2）、校正均方根誤差（RMSEC）、預測均方根誤差（RMSEP）和相對分析誤差（RPD）值進行綜合評估。

2 結果與討論

2.1 番茄植株不同高度葉片的光譜特征分析

為了分析不同濃度鹽脅迫下上、中、下層葉片的光譜特征，分別提取不同濃度鹽脅迫處理下每株番茄植株不同高度下的葉片平均光譜，結果如圖1所示。

圖1 不同鹽脅迫下葉片的平均光譜Fig.1 Average spectra of leaves under different salt stress

由圖1可知：不同濃度鹽脅迫處理下的光譜曲線在1 473 nm處有吸收峰，主要是水分子OH—基團的二倍頻吸收，可通過圖中光譜反射率的大小判斷含水率的高低［29］。對于CK，番茄上、中部葉片的反射率低于下部葉片的反射率，說明下部葉片水分含量小于上、中部葉片，符合植物正常生長的規律。如圖1A所示，植株在50 mmol/L NaCl的脅迫下，下部葉片的反射率均高于上、中部葉片，說明下部葉片的含水率低，這與CK規律相一致，表明低鹽脅迫并未對植株上、中、下部葉片在1 473 nm處的光譜產生顯著影響；植株在100、200、250 mmol/L NaCl的脅迫下（圖1B、D、E），上部葉片反射率均高于中、下部葉片，說明鹽脅迫處理使得上部葉片在1 473 nm處的光譜反射率增大，充分反映出鹽脅迫的影響，即番茄植株上部葉片最先反應缺水；如圖1C，番茄植株中部葉片在1 473 nm處的反射率高于上、下部葉片，說明中部葉片含水率低，表明150 mmol/L的NaCl溶液對番茄植株的影響相對較高。同一鹽濃度（200、250 mmol/L NaCl溶液）下，植株葉片水分分布呈現下部 > 中部 > 上部，可為今后番茄植株精準灌溉提供指導。

2.2 不同鹽濃度下番茄植株葉片的光譜特征分析

為了進一步分析鹽分對番茄葉片光譜的影響機制，對不同鹽濃度處理后番茄植株不同高度下葉片的光譜數據進行分析，結果如圖2所示。

圖2 不同高度下番茄葉片的平均光譜Fig.2 Average spectra of tomato leaves at different heights

由圖2A可知，在1 473 nm處，上部葉片的光譜反射率呈現處理50 = 100 > 200 > CK > 150 > 250的趨勢，說明微量的鹽脅迫導致植株增加了光合作用，避免了鹽脅迫對機體造成的損傷；當濃度過大時，機體產生自我保護，氣孔關閉，從而積累水分，因此光譜反射率降低。中部葉片的光譜反射率呈現處理50 = CK > 100 > 150 > 200 > 250的趨勢（圖2B），說明高濃度的鹽脅迫導致光譜反射率降低。下部葉片在1 473 nm處的光譜反射率呈現處理CK > 50 > 100 > 150 > 200 > 250的趨勢，且差異顯著（圖2C）。綜上，隨著鹽濃度的增大，中部和下部葉片的光譜反射率呈現降低的趨勢，而上部葉片則出現反射率先增加再降低的趨勢。

2.3 模型建立

為了建立不同鹽脅迫下番茄葉片的預測模型，采用光譜－理化值共生距離（Sample set partitioning based on joint x－y distance，SPXY）法對192個番茄葉片光譜數據進行樣本劃分。選擇3/4的樣本作為校正集，1/4的樣本作為預測集，并保證預測集在校正集范圍內。按照實驗處理A、B、C、D、E、CK，依次將其賦值為1、2、3、4、5、0，用于模型建立。

2.3.1 光譜預處理建模為保障精確化學計量學模型的有效性，必須對原始光譜進行預處理。本文分別選用MSC、SNV、OSC、COW進行光譜預處理，采用PLSR進行建模，結果如表1所示。其中RMSECV為交叉驗證均方根誤差，其值越小表明模型效果越好。

表1 經不同預處理的PLSR模型對比Table 1 PLSR models of different pretreatment

由表1可知：經MSC與SNV預處理所建立模型的決定系數R2C、R2P以及RPD值均小于原始光譜，RMSEP均大于原始光譜，說明MSC與SNV預處理使得模型的有效性減弱。COW光譜預處理與原始光譜建模效果差異不明顯，且模型的穩定性一致。OSC預處理所建立的模型的相關系數R2P和RPD值均高于其他預處理方法，RMSEP也比其他預處理所建模型低，可能是在使用OSC處理后，消除了光譜矩陣中的一些與鹽脅迫信息無關的噪聲信號，提高了模型的預測精度。綜上，OSC預處理后所建模型的有效性最佳，因此，優選OSC處理的光譜進行后續的光譜建模。

2.3.2 特征波長提取為了降低數據處理量，通過Matlab 2020a軟件對原始數據進行特征波長提取，以減少無用信息，提高模型的預測能力和穩定性。本文中采用iVISSA、IRF、GAPLS、CARS、VCPA提取特征波段，同時通過PLSR法構建光譜模型，結果如表2所示。

表2 不同提取特征波長的模型對比分析Table 2 Comparative analysis of models with different extracted characteristic wavelengths

由表2可知，由CARS和iVISSA提取特征波長構建的PLSR模型R2P值更好，且特征波長相對較小。而GAPLS提取特征波長構建的PLSR模型的RPD值最低，說明其所建模型的有效性最低。VCPA與IRF提取特征波長所建模型的R2P、RPD差異性小。但VCPA傾向于選擇更少的變量，可在多次指數衰減函數（EDF）運行后，從其余變量的所有組合中找到最優變量子集。因此，VCPA可以在變量較少的數據集上獲得更好的預測性能［20］。綜合特征波長數、R2、RMSEC、RMSEP和RPD值，優選VCPA－PLSR模型用于無損快速診斷番茄植株的鹽脅迫程度，其預測模型的R2P與RMSEP分別為0.917、0.456，VCPA法提取的11個特征波長為945、975、990、1 002、1 005、1 067、1 204、1 326、1 595、1 642、1 660 nm。該法為快速無損檢測番茄植株鹽脅迫程度提供了一種有前景的策略，預測效果如圖3所示。

圖3 VCPA－PLSR模型的預測效果Fig.3 Prediction effect of VCPA－PLSR model

3 結 論

本文通過應用近紅外高光譜成像技術對不同鹽脅迫處理的番茄葉片進行檢測，基于不同光譜預處理方法和特征波長提取方法建立了鹽脅迫葉片的PLSR模型并進行比較，優選出最佳模型。結果顯示：預處理在一定程度上提高了數據的預期效果，對數據噪音波段有一定的改善作用，經OSC預處理后所建模型的有效性最佳，VCPA法提取了11個特征波長。所建立的番茄葉片定性模型具有較好的預測效果。