基于高光譜的柑橘葉片鉀含量快速診斷模型

李勛蘭　王武　楊蕾　韓國輝　楊海健　洪林

摘? ?要? ?及時準確地監(jiān)測柑橘樹體鉀營養(yǎng)狀況，有助于科學(xué)施肥，提高柑橘果實的品質(zhì)和產(chǎn)量。試驗對采集的W·默科特葉片鉀含量及葉片光譜信息進行相關(guān)性分析，利用主成分分析和連續(xù)投影算法進行降維處理，同時結(jié)合偏最小二乘回歸和最小二乘支持向量機回歸分別建立了葉片鉀含量預(yù)測模型。結(jié)果顯示，柑橘葉片鉀含量特征波長主要集中在450～600 nm、700 nm左右、980～1030 nm區(qū)域;最小二乘支持向量機回歸模型的預(yù)測效果明顯優(yōu)于偏最小二乘回歸模型，預(yù)測集相關(guān)系數(shù)達0.91。結(jié)果表明，利用高光譜成像技術(shù)結(jié)合最小二乘支持向量機回歸可實現(xiàn)對柑橘葉片鉀含量的快速診斷。

關(guān)鍵詞? ?柑橘;高光譜;鉀含量;偏最小二乘回歸;最小二乘支持向量機回歸

中圖分類號：S666? ?文獻標(biāo)志碼：B? ? DOI：10.19415/j.cnki.1673-890x.2019.22.011

鉀素是柑橘生長發(fā)育所必需的三大營養(yǎng)元素之一，具有提高果實品質(zhì)和增強抗性等作用。合理施用鉀肥不僅能提高柑橘產(chǎn)量，還能提升果實品質(zhì)。不同生長時期的柑橘樹體內(nèi)鉀素供求狀況和代謝變化非常復(fù)雜，對樹體葉片鉀素含量進行實時監(jiān)控，有利于制訂科學(xué)的柑橘變量施肥方案，保證果實品質(zhì)和產(chǎn)量，提高果園產(chǎn)出效率。

目前，柑橘葉片營養(yǎng)元素含量檢測的常規(guī)方法是化學(xué)分析方法，但其存在耗時長、工作量大、過程繁瑣、時效性差和樣本易損壞等缺點，難以對大面積柑橘果園的樹體營養(yǎng)元素進行實時、精確檢測。高光譜成像技術(shù)具有快速、無損、精確度高等優(yōu)點，利用高光譜技術(shù)對植物營養(yǎng)水平的診斷一直是研究熱點，但這類研究主要集中在對氮含量的診斷分析上[1-3]，而對鉀含量的快速診斷研究則較少。劉延等[4]分析了烤煙葉片鉀元素含量與原始光譜、光譜一階微分及高光譜特征變量間的相關(guān)性，采用多元逐步回歸分析方法建立了鉀含量高光譜預(yù)測模型。朱西存等[5]對蘋果花期冠層的高光譜信息和鉀素含量分別進行相關(guān)分析，以相關(guān)系數(shù)最大者為自變量，采用模糊識別算法，建立鉀素含量估測模型。目前，對柑橘植株鉀元素含量快速診斷方面的研究報道很少。劉艷麗等[6]利用高光譜技術(shù)對柑橘花鉀含量進行估測研究，采用iPLS和siPLS篩選特征波段，建立柑橘花鉀含量高光譜模型。易時來等[7]對高光譜信息預(yù)處理方法進行比較，采用偏最小二乘法建立了盆栽錦橙葉片鉀含量高光譜監(jiān)測模型。由于研究對象和方法不同，前人所建立的鉀含量預(yù)測模型不具備普適性，應(yīng)用效果也有待驗證。

本研究以重慶地區(qū)常見柑橘品種W·默科特為研究對象，通過對葉片鉀含量與葉片高光譜信息的相關(guān)性分析，比較兩種建模方法的精確性，以篩選出最佳的柑橘鉀含量預(yù)測方法，建立柑橘鉀含量快速診斷模型，為精確、科學(xué)、實時指導(dǎo)柑橘施肥提供參考。

1 材料與方法

1.1 葉片及其高光譜信息采集

試驗樣品于2017年12月、2018年4月在重慶市江津區(qū)先鋒鎮(zhèn)柑橘品種區(qū)試果園內(nèi)采集，供試材料為9年生枳橙砧W·默科特雜柑。每次隨機選擇長勢基本一致的植株，共10株，從樹冠東西南北4個方位采集春梢的第3片健康鮮葉，每個方位采集3個葉片作為一個樣本，每株采集4個葉片樣本，兩次共采集樣本80個。將采集的葉片樣本用自封袋封裝，低溫保存運輸，在實驗室用清水將葉片洗凈，晾干后，同步測定其高光譜信息和鉀含量。

葉片高光譜信息通過高光譜儀（Imspector， V10E， 芬蘭）、EMCCD（Raptor Photonics公司，英國）、光源（150W/21V 鹵鎢燈 Illuminator Technologies，Inc， 美國）、移動平臺和控制器、筆記本電腦組成的高光譜數(shù)據(jù)采集系統(tǒng)在暗箱中采集。將樣品平鋪于黑色卡紙上，設(shè)定移動平臺移動速度為1.87 mm·s-1，葉片距相機物鏡40 cm，曝光時間60 ms，光譜分辨率2.8 nm。采集葉片高光譜圖像前要進行黑白標(biāo)定圖像采集。

1.2 葉片鉀含量測定與高光譜信息提取

采集完高光譜信息后，立刻進行葉片鉀含量測定。將葉片在105 ℃溫度下殺青，然后在80 ℃溫度下烘干至恒重，采用火焰分光光度法測量葉片鉀含量[8]。

高光譜圖像采集后，對圖像進行黑白標(biāo)定（公式1），以去除噪聲和其他光源的干擾。

（1）

式（1）中，R為相對圖像，I為采集到的絕對圖像，W為采集時的全白標(biāo)定圖像，B為采集時的全黑標(biāo)定圖像。

利用ENVI 5.0軟件對標(biāo)定后的圖像提取葉片高光譜圖像感興趣區(qū)域（ROI），選擇波峰800 nm的灰度圖像，選取反射率介于0.4～0.7的葉片區(qū)域作為感興趣區(qū)域，提取感興趣區(qū)域的平均光譜數(shù)據(jù)作為整個葉片（除中脈區(qū)域外）的光譜反射率用于后續(xù)分析。

1.3 數(shù)據(jù)處理

采用標(biāo)準正態(tài)變換對采集到的葉片原始光譜數(shù)據(jù)進行預(yù)處理，以消除葉片表面散射及光程變化對反射光譜的影響[9]。為了消除首尾波段存在的噪聲，選擇波長范圍在450～1030 nm的光譜信息進行葉片鉀含量光譜分析。本文利用Kennard-Stone算法[10]按照建模集與預(yù)測集3∶1的比例進行樣本劃分，選取60個樣本作為建模集，20個樣本作為預(yù)測集。

為分析葉片鉀含量與光譜的相關(guān)性，進行簡單相關(guān)性分析。

為篩選最佳建模方法，本試驗采用偏最小二乘回歸（PLSR）和最小二乘支持向量機回歸（LS-SVR）分別建立預(yù)測模型。利用主成分分析對預(yù)處理后的光譜信息進行降維，再建立PLSR預(yù)測模型。采用連續(xù)投影算法對預(yù)處理后的光譜信息提取光譜特征波長，然后將提取到的光譜特征波長對應(yīng)光譜信息作為輸入，利用LS-SVR建立葉片鉀含量預(yù)測模型，本試驗采用十折交叉驗證對LS-SVR模型的兩個重要參數(shù)gam和sig2進行尋優(yōu)處理，將尋優(yōu)得到gam和sig2值代入模型，利用建模集數(shù)據(jù)建立模型。

2 結(jié)果與分析

2.1 葉片鉀含量及光譜信息的關(guān)系

原始光譜標(biāo)準正態(tài)變換后450～1 030 nm光譜反射率見圖1。從圖1可以看出，所采集的W·默科特葉片光譜反射值在450 nm附近、550 nm左右、680 nm左右、750 nm左右及1 000 nm左右存在較明顯差異。

從葉片鉀含量與光譜信息相關(guān)性分析結(jié)果（圖2）可以看出，在450～1030 nm波長區(qū)域，葉片鉀素含量與光譜反射值成正相關(guān)。葉片鉀素含量與波長450～600 nm和1 010～1 030 nm范圍的光譜反射值相關(guān)系數(shù)絕對值最大，該區(qū)域?qū)χ参镡浐款A(yù)測具有重要意義。

2.2 主成分分析及特征波長提取

從主成分分析對光譜信息進行降維處理的結(jié)果（見表1）可知，前2個主成分累計貢獻率達到94%，可代表所分析數(shù)據(jù)94%的信息。

連續(xù)投影算法可以有效消除各波長變量之間的共線性影響，使得變量之間的共線性達到最小，降低模型的復(fù)雜度。通過Matlab2017a用連續(xù)投影算法對預(yù)處理后的光譜數(shù)據(jù)提取特征波長，當(dāng)RMSE值最小時，獲得特征波長14個，分別為450 nm、497 nm、520 nm、539 nm、556 nm、582 nm、682 nm、715 nm、734 nm、980 nm、1 007 nm、1 013 nm、1 026 nm、1 030 nm，主要集中在450～600 nm、700 nm左右、980～1 030 nm

區(qū)域。

2.3 建模預(yù)測結(jié)果

利用主成分分析提取到的前2個主成分作為輸入，建立葉片鉀含量PLSR模型對預(yù)測集進行預(yù)測，得到預(yù)測集相關(guān)系數(shù)RP為0.64，均方根誤差RMSEP為0.61，建模集相關(guān)系數(shù)RC為1.22，均方根誤差RMSEC為0.41。將連續(xù)投影算法提取到的14個特征波長對應(yīng)光譜信息作為輸入，建立葉片鉀含量最小二乘支持向量機回歸模型對預(yù)測集進行預(yù)測，得到預(yù)測集相關(guān)系數(shù)RP為0.91，均方根誤差RMSEP為1.07，建模集相關(guān)系數(shù)RC為0.82，均方根誤差RMSEC為0.67。根據(jù)預(yù)測模型要有較高的相關(guān)系數(shù)，較小的RMSEP和RMSEC及RMSEP、RMSEC之間的差異要較小的模型性能評判原則，從PLSR模型和LS-SVR模型預(yù)測結(jié)果可以看出，本試驗所建立的柑橘葉片鉀含量LS-SVR的預(yù)測精度較高，且預(yù)測效果明顯優(yōu)于PLSR模型。

3 小結(jié)

本研究分析了W·默科特葉片鉀含量與葉片光譜信息的相關(guān)性，利用主成分分析和連續(xù)投影算法對光譜信息進行降維處理，采用偏最小二乘回歸和最小二乘法支持向量機回歸分別建立了葉片鉀含量預(yù)測模型。主要研究結(jié)果：利用連續(xù)投影算法可提取光譜特征波長;葉片鉀含量光譜敏感波段主要集中在450～600 nm、700 nm左右、980～1030 nm波長區(qū)域;利用最小二乘支持向量機回歸模型可以實現(xiàn)對柑橘葉片鉀含量的預(yù)測。

參考文獻：

[1] 張國圣，許童羽，于豐華，等.基于高光譜的水稻葉片氮素估測與反演模型[J].浙江農(nóng)業(yè)學(xué)報，2017，29（5）：845-849.

[2] 甘海明，岳學(xué)軍，洪添勝，等.基于深度學(xué)習(xí)的龍眼葉片葉綠素含量預(yù)測的高光譜反演模型[J].華南農(nóng)業(yè)大學(xué)學(xué)報，2018，39（3）：102-110.

[3] 黃雙萍，洪添勝，岳學(xué)軍，等.基于高光譜的柑橘葉片氮素含量多元回歸分析[J].農(nóng)業(yè)工程學(xué)報，2013，29（5）：132-138.

[4] 劉延，吳秋菊，舒清態(tài).基于非成像高光譜的云煙97號葉片鉀含量估算研究[J].山東農(nóng)業(yè)科學(xué)，2018，50（4）：138-141.

[5] 朱西存，姜遠茂，趙庚星，等.基于模糊識別的蘋果花期冠層鉀素含量高光譜估測[J].光譜學(xué)與光譜分析，2013，33（4）：1023-1027.

[6] 劉艷麗，何紹蘭，呂強，等.柑橘花鉀素營養(yǎng)的高光譜表征[J].果樹學(xué)報，2014（6）：1065-1071.

[7] 易時來，鄧烈，何紹蘭，等.錦橙葉片鉀含量光譜監(jiān)測模型研究[J].中國農(nóng)業(yè)科學(xué)，2010，43（4）：780-786.

[8] 邢東興，常慶瑞.基于光譜分析的果樹葉片全氮，全磷，全鉀含量估測研究——以紅富士蘋果樹為例[J].西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版），2009，37（2）：141-147.

[9] 周竹，李小昱，李培武，等.基于 GA-LSSVM 和近紅外傅里葉變換的霉變板栗識別[J].農(nóng)業(yè)工程學(xué)報，2011，27（3）：331-335.

[10] 汪志濤，易時來，呂強，等.蓬萊鎮(zhèn)組紫色土光譜特征及其堿解氮預(yù)測方法研究[J].中國南方果樹，2016，45（2）：23-27.

（責(zé)任編輯：易? 婧）