基于高光譜的琯溪蜜柚葉片磷素含量估算模型研究

栗方亮 孔慶波 張青

摘要：蜜柚葉片磷素（phosphorus，P）含量是準(zhǔn)確診斷和定量評價生長狀況的重要指標(biāo)，為快速、無損、精確地估測磷素含量，需要建立蜜柚葉片磷素含量高光譜估算模型。基于蜜柚葉片高光譜數(shù)據(jù)和磷素含量實測數(shù)據(jù)，提取原始光譜及一階微分光譜特征波段和光譜特征變量，構(gòu)建單變量估算模型、偏最小二乘回歸模型和BP神經(jīng)網(wǎng)絡(luò)回歸模型，并確定蜜柚葉片磷素含量最佳估算模型。在350～1 050 nm波段，原始光譜和一階微分光譜與葉片磷素含量在可見光范圍內(nèi)有多波段相關(guān)性顯著，并出現(xiàn)多個極值。原始光譜敏感波長為549和718 nm，一階微分的敏感波長為528、703和591 nm。在建立的回歸模型中，選擇決定系數(shù)較高的模型進(jìn)行精度檢驗，其中BP神經(jīng)網(wǎng)絡(luò)模型的擬合R2（0.775 9）最大，偏最小二乘估算模型的擬合R2（0.749 9）次之。綜合建模精度和模型檢驗精度，確定BP神經(jīng)網(wǎng)絡(luò)模型為蜜柚葉片磷含量的最佳估算模型，建模和驗證的R2分別為0.71和0.775 9；其次為偏最小二乘估算模型，建模和驗證的R2分別為0.64和0.749 9。上述結(jié)果可為大面積的蜜柚葉片營養(yǎng)遙感監(jiān)測診斷和合理施肥提供理論依據(jù)。

關(guān)鍵詞：高光譜；蜜柚；磷素；光譜指數(shù)doi：10.13304/j.nykjdb.2021.1002

中圖分類號：S666.3； S127 文獻(xiàn)標(biāo)志碼：A 文章編號：10080864（2023）01010009

琯溪蜜柚（Citrus grandis L. Osbeck. cv.‘Guanximiyou）原產(chǎn)于福建省漳州市平和縣，2019 年栽培面積達(dá)4.505 萬hm2，年產(chǎn)量184.78萬t，產(chǎn)值51.91億元[1]。磷是影響作物產(chǎn)量和品質(zhì)的重要營養(yǎng)元素之一，在植物的各種代謝過程中具有重要作用，如蛋白質(zhì)形成、光合作用、細(xì)胞分裂、呼吸、能量儲存和營養(yǎng)運移等，且是核酸、磷脂和氨基酸輔酶等的組成部分[2-4]。葉片磷含量快速、準(zhǔn)確的診斷對實時了解植物磷素水平、確保磷肥精準(zhǔn)施用、提高磷肥利用率具重要意義。植物缺磷會干擾葉綠素形成，導(dǎo)致葉片失綠、花青素積累，改變?nèi)~片或冠層光譜反射特性[56]。高光譜技術(shù)波段多、分辨率高且連續(xù)，為定量分析植物營養(yǎng)元素含量與光譜特征的關(guān)系提供了有力工具[7]，已被廣泛應(yīng)用于多種作物的參數(shù)估計，如葉綠素含量、氮素、葉片含水量、葉面積指數(shù)、葉和果實色素含量、生物量及病害監(jiān)測等[8-10]。在植物磷素檢測中也有研究，如可見光和近紅外光譜區(qū)域可用于預(yù)測玉米、油菜和草葉片磷含量[11]。Mahajan等[12]發(fā)現(xiàn)利用雙波段（1 080 和1 460 nm）組合植被指數(shù)預(yù)測小麥磷含量的效果較好。馮海寬等[13]證明，基于徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)重組合估算蘋果葉片全磷含量模型建模集的決定系數(shù)（R2）、均方根誤差（rootmean square error，RMSE）和相對誤差（relativeerror，RE）最佳。程立真等[14]以蘋果光譜植被指數(shù)建立的隨機森林模型可估測葉片磷含量。李嵐?jié)萚4]利用偏最小二乘回歸構(gòu)建了冬油菜葉片磷含量模型，建模和驗證的R2 分別為0.822 和0.769。

這些研究大多基于反射指數(shù)結(jié)合幾個光譜波段直接預(yù)測磷含量，或通過預(yù)測相關(guān)物質(zhì)的含量（例如葉綠素含量）間接檢測磷含量。盡管對磷素含量的光譜診斷已有研究，然而由于影響因素眾多，如其對作物色素合成及纖維素、木質(zhì)素、淀粉和糖等物質(zhì)積累，細(xì)胞結(jié)構(gòu)排列的影響較復(fù)雜，磷素含量與光譜的關(guān)系尚不清楚[4]，結(jié)論亦不盡一致，特別是作物品種不同，對磷素的吸收利用規(guī)律差異很大。

目前研究主要集中在水稻、玉米等均一化較明顯、具有共性特性的農(nóng)作物。而蜜柚生長過程中變異性很大，對果園進(jìn)行均一的施肥管理無法滿足不同果樹個體需求，往往導(dǎo)致施肥量過高或過低。偏最小二乘回歸（partial least squaresregression，PLS）和反向傳播神經(jīng)網(wǎng)絡(luò)（backpropagation neural network，BPNN）等方法是處理光譜數(shù)據(jù)的常用方法[15]，選擇最佳回歸模型尤為重要。本研究利用高光譜技術(shù)對琯溪蜜柚葉片磷素含量進(jìn)行估測，利用相關(guān)分析方法研究光譜反射率原始光譜、一階微分光譜及植被指數(shù)與蜜柚葉片磷素含量的關(guān)系，篩選出敏感參數(shù)并建立準(zhǔn)確性高、誤差率低的蜜柚葉片磷素估算模型，旨在探索快速、準(zhǔn)確估測蜜柚葉片磷素含量的方法，為準(zhǔn)確、科學(xué)、實時指導(dǎo)蜜柚磷肥管理提供理論依據(jù)與技術(shù)途徑。

1 材料與方法

1.1 試驗區(qū)概況

平和縣是我國最大的柚類商品基地縣，被譽為“中國琯溪蜜柚之鄉(xiāng)”，地處福建省漳州市西南部，位于24°02′—24°35′N， 116°54′—117°31′E，屬南亞熱帶季風(fēng)氣候，年平均氣溫21.3 ℃，降雨量約1 700 mm，無霜期318 d。

1.2 樣品采集

采樣點位于平和縣霞寨鎮(zhèn)黃莊村、南勝鎮(zhèn)前山村和坂仔鎮(zhèn)心田村，樹體種植時間約為10年。采集‘琯溪蜜柚紅肉蜜柚葉片，采集時間為2020年4、7和11月。每棵樹體東、西、南、北4個方向和上、下2層共采集10片葉作為1個樣本，選取頂梢向下的第3和第4片、大小均勻的健康葉片。葉片采集后裝入保鮮袋并進(jìn)行編號，測試前洗凈擦干。每時期選取120個葉片樣本，共360組，其中建模組270個樣本，預(yù)測組90個樣本。

1.3 高光譜數(shù)據(jù)采集

采用美國Analytical Spectral Device（ASD）公司生產(chǎn)的便攜式野外地物光譜儀Field Spec 3測定蜜柚葉片光譜反射率。該光譜儀波段范圍在350～2 500 nm，其中，350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。在光譜輸出時，儀器自動進(jìn)行重采樣（重采樣間隔為1 nm），共輸出2 151個波段數(shù)。光譜采樣測試過程中，樣品被展平置于采樣波段接近全吸收的工作臺上，以避免雜光干擾，并確保樣品充滿儀器的視場角。對每個葉片樣品上、中、下不同部位采集10條光譜曲線，剔除異常值后，取平均值作為該樣本的反射率光譜值。