基于高光譜分析技術(shù)的桉樹葉片黃化識(shí)別

趙雋宇，石媛媛，楊瑞青，鄧 昀，程小輝，陳守學(xué)，曹繼釗，唐 健

（1.廣西壯族自治區(qū)林業(yè)科學(xué)研究院 廣西林用新型肥料研發(fā)中心，廣西南寧 530002；2.廣西華沃特集團(tuán)股份有限公司，廣西南寧 530025；3.桂林理工大學(xué)，廣西桂林 541004）

桉樹（Eucalyptusspp.）是我國南方地區(qū)重要的用材林樹種，可用于生產(chǎn)旋切板、紙漿等，為推動(dòng)南方地區(qū)經(jīng)濟(jì)發(fā)展做出了重要貢獻(xiàn)[1]。因長期采取短輪伐期（5～7 年）、高強(qiáng)度和粗放式的經(jīng)營模式，桉樹人工林地力衰退[2-4]；近年來桉樹黃化病頻發(fā)，嚴(yán)重限制桉樹人工林及其下游產(chǎn)業(yè)的發(fā)展。桉樹黃化病是一種較特殊的生理性病害，表現(xiàn)為發(fā)病后植株失綠，長出黃色葉片，在無處理的情況下通常50～70天自動(dòng)復(fù)綠，但在黃化期間，植株生長停滯，新葉抽出速度異常緩慢，當(dāng)年生長量減少約20%～40%；在黃化病發(fā)生初期，增施有效態(tài)鐵（Fe）、錳（Mn）肥及噴灑葉面肥可顯著減少黃化病造成的經(jīng)濟(jì)損失[5]。受限于森林土壤高度的空間變異性和較高的土壤調(diào)查成本[6-7]，通過大規(guī)模土壤調(diào)查、實(shí)驗(yàn)室分析的方式對(duì)桉樹黃化病進(jìn)行預(yù)防，成本較高。桉樹黃化病發(fā)生受水、熱條件變化的影響[8]，如何在桉樹植株未表現(xiàn)出病害時(shí)準(zhǔn)確識(shí)別黃化病是目前亟待解決的問題。

高光譜（Hyperspectral）是近年來發(fā)展較迅速的一種光學(xué)分析技術(shù)，已被應(yīng)用于木材性質(zhì)研究[9-10]和植物生理信息獲取[11-13]等方面。目前，大多數(shù)高光譜儀器的光譜范圍為400～1 000 nm，主要為可見光和部分近紅外波段，也有1 000～1 700 nm 近紅外波段的范圍[14]；通過檢測(cè)葉片、果實(shí)等器官中細(xì)胞或果肉組織內(nèi)部結(jié)構(gòu)對(duì)光不同程度的反射、散射[15-16]，及植物葉片中水分、色素等的吸收作用[17]，對(duì)植物光譜響應(yīng)特征進(jìn)行提取，并進(jìn)行形式化、定量化表達(dá)，不僅可以研究植物病蟲害侵染程度、侵染種類和侵染階段，也有助于進(jìn)一步研究光譜響應(yīng)特性與病蟲害間的關(guān)系，為深入研究病蟲害光學(xué)遙感監(jiān)測(cè)提供依據(jù)[18]。與傳統(tǒng)的田間調(diào)查和人工監(jiān)測(cè)方式相比，可見-近紅外（Visible and Near-infrared，VNIR）光譜技術(shù)通過傳感器獲取電磁波能量和目標(biāo)地物輻射反射信息，不與目標(biāo)地物直接接觸，更高效和準(zhǔn)確，且允許在整個(gè)生長季內(nèi)對(duì)植物生長情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)、分析和評(píng)價(jià)，有助于制定合理的防治措施[19]。

本研究以桉樹人工林病態(tài)和正常植株為研究對(duì)象，采集葉片并測(cè)定其光譜數(shù)據(jù)，采用基礎(chǔ)圖譜解析和數(shù)學(xué)變換方法處理原始光譜數(shù)據(jù)，分析不同葉片的光譜特征，同時(shí)進(jìn)行線性判別分析，將黃化葉片、暫未表現(xiàn)出病態(tài)的葉片和正常健康葉片分類，找到與葉片黃化相關(guān)的特征光譜波段，對(duì)存在潛在黃化風(fēng)險(xiǎn)的葉片進(jìn)行識(shí)別，旨在利用高光譜技術(shù)開發(fā)一種高效、快速且低成本的桉樹黃化病篩查方法，為桉樹人工林產(chǎn)業(yè)高產(chǎn)、高效和可持續(xù)經(jīng)營保駕護(hù)航。

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)地位于廣西壯族自治區(qū)國有黃冕林場(chǎng)（109°43′E，24°37′N），屬中亞熱帶氣候，溫?zé)岫嘤?，雨熱同季，年均氣?9 ℃，年均降水量1 750 mm，年均蒸發(fā)量1 426 mm；以低山地貌為主，相對(duì)高差200～400 m；土壤以砂頁巖發(fā)育的紅壤為主，質(zhì)地為輕壤。

1.2 供試材料

在黃化林區(qū)內(nèi)，隨機(jī)設(shè)立立地條件一致的3 個(gè)20×20 m標(biāo)準(zhǔn)地，采用平均木法確定10株活立木，采集黃化葉片（Chlorosis）；從每株活立木頂端向下采集10 片新鮮葉片，共計(jì)100 片葉片（圖1a）。以相同的方法采集黃化林中受病害影響但未表現(xiàn)出病害的未發(fā)病葉片（Chlorosis-Normal）（圖1b）和同一林班內(nèi)立地條件一致的正常健康葉片（Normal）（圖1c），將正常葉片作為對(duì)照組。采集完成后，將樣品放入4 ℃冰盒內(nèi)保存，用于室內(nèi)高光譜信息采集。

圖1 黃化葉片（a）、未發(fā)病葉片（b）和正常葉片（c）Fig.1 Chlorosis(a),Chlorosis-Normal(b)and Normal(c)

1.3 光譜數(shù)據(jù)采集

采用美國ASD FieldSpec 4 地物反射高光譜儀和手持式葉片夾收集植物葉片的光譜，采集同一株活立木10 片葉片的光譜數(shù)據(jù)，取平均值。光譜波段為可見-近紅外波段（350～2 500 nm），分辨率為1 nm，探頭視場(chǎng)角為15°；光源采用儀器配套的50 W鹵素?zé)?，光源入射角?0°。采用儀器控制器扣除空氣背景值后測(cè)定葉片光譜數(shù)據(jù)。每種葉片均采集10次光譜數(shù)據(jù)，取平均值為最終葉片光譜數(shù)據(jù)。

1.4 光譜數(shù)據(jù)預(yù)處理

采用ViewSpec Pro 6.0 軟件對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。由于儀器自身性能會(huì)造成光譜數(shù)據(jù)噪聲，首先去掉光譜儀器量程兩端（<400 nm、>2 400 nm），同時(shí)對(duì)原始光譜反射率（R）進(jìn)行對(duì)數(shù)變換（Logarithm，Log），減少噪聲影響；為使不同時(shí)間和不同地點(diǎn)條件下測(cè)量的光譜曲線具有可比性，對(duì)實(shí)地光譜測(cè)量數(shù)據(jù)進(jìn)行歸一化處理。計(jì)算每條光譜曲線在測(cè)量波段范圍內(nèi)的反射率均值；每條光譜曲線的每個(gè)波長位置除以反射率均值，得到歸一化數(shù)據(jù)。

1.5 線性判別分析

偏最小二乘法判別分析（Partial Least Squares Discriminant Analysis，PLS-DA）是一種有監(jiān)督模式識(shí)別的多變量統(tǒng)計(jì)分析方法，在構(gòu)造因素時(shí)考慮輔助矩陣，并以代碼的形式表示類成員信息。正交偏最小二乘法判別分析（Orthogonal Partial Least Squares Discriminant Analysis，OPLS-DA）是偏最小二乘法判別分析的延伸，通過增加正交驗(yàn)證，消除不相關(guān)變量，降低模型的復(fù)雜性，使建立的模型具有更好的擬合度。OPLS-DA 利用響應(yīng)變量Y中的信息將X分成3 部分；將光譜數(shù)據(jù)與分類變量進(jìn)行線性回歸的判別步驟為：（1）建立校正集樣本的分類變量（Category Variable）；（2）根據(jù)需要區(qū)分的類別數(shù)量將分類變量拆分，以代碼形式表示分類變量；（3）建立代碼列與校正集光譜數(shù)據(jù)的PLS 模型；（4）計(jì)算驗(yàn)證集樣本的PLS 預(yù)測(cè)Yp和偏差D。Yp>0.5 且D<0.5，判定樣本屬于該類；Yp<0.5 且D<0.5，判定樣本不屬于該類；D≥0.5，該判別模型不穩(wěn)定。

1.6 數(shù)據(jù)處理

所有數(shù)據(jù)的基礎(chǔ)處理均采用Excel 2010 軟件完成；數(shù)學(xué)變換均采用Origin 2018 軟件完成；PLSDA、OPLS-DA 均采用Simca 軟件完成。模型評(píng)價(jià)指標(biāo)為擬合度（R2）和均方根誤差（Root Mean Squared Error，RMSE）；R2是一個(gè)0 到1 之間的值，表示模型預(yù)測(cè)變量與實(shí)際觀察變量的擬合程度，越接近1，模型擬合度越好；RMSE 是衡量模型預(yù)測(cè)錯(cuò)誤的指標(biāo)，反映模型預(yù)測(cè)變量與實(shí)際觀察變量的標(biāo)準(zhǔn)偏差，值越小，模型預(yù)測(cè)能力越好。

2 結(jié)果與分析

2.1 光譜反射率特征分析

不同葉片光譜反射曲線呈相同趨勢(shì)，反射率差異明顯；受病害影響葉片的原始光譜反射率大部分情況下高于正常葉片；對(duì)數(shù)變換后的變化規(guī)律與原始光譜反射率呈相反趨勢(shì)（圖2）。原始光譜反射率吸收峰主要有5 個(gè)，分別在可見光區(qū)域（550 nm）及近紅外1 180、1 288、1 630 和2 200 nm 處；在近紅外波段800～1 260、1 400～1 720 和2 000～2 400 nm，正常葉片的原始光譜反射率明顯低于受病害影響葉片（圖2a）。經(jīng)對(duì)數(shù)變換后，黃化葉片、未發(fā)病葉片和正常葉片的光譜反射率差異減小，但峰形更尖銳，差異峰主要出現(xiàn)在640、1 508 和2 000 nm 處，波谷出現(xiàn)在550和2 280 nm處（圖2b）。這些差異可作為識(shí)別桉樹葉片黃化的光譜特征波段。

圖2 不同葉片原始光譜反射率（a）與對(duì)數(shù)變換（b）Fig.2 Original spectral reflection rates(a)and logarithmic transformation(b)of different leaves

2.2 主成分分析

主成分得分圖是通過主成分分析（Principal Component Analysis，PCA）將高維數(shù)據(jù)降維至二維或三維的一種可視化方法[20]。圖中，每個(gè)點(diǎn)表示1 個(gè)樣本，坐標(biāo)軸對(duì)應(yīng)主成分，坐標(biāo)軸的標(biāo)簽為原始特征的名稱或主成分的編號(hào)。主成分得分圖上的散點(diǎn)分布可表征光譜間的相似性。對(duì)不同葉片的光譜數(shù)據(jù)進(jìn)行主成分分析，第一主成分（PC1）和第二主成分（PC2）分別包含42.9%和26.0%的方差信息，可代表原始光譜68.9%以上的主要信息（圖3）。不同葉片的原始光譜有一定差異，未發(fā)生重疊，分布較分散；黃化葉片在1、2 和4 象限均有分布；未發(fā)病葉片在1、2、3 和4 象限均有分布；正常葉片主要分布在2、3 和4 象限；未表現(xiàn)聚類特征。PCA 方法可以很大程度地壓縮數(shù)據(jù)并盡可能保留有效信息，但難以通過光譜數(shù)據(jù)的主成分得分圖對(duì)不同葉片進(jìn)行有效分類。

圖3 不同葉片光譜指標(biāo)主成分得分圖Fig.3 Principal component score figure of spectral indexes of different leaves

2.3 不同葉片光譜數(shù)據(jù)判別分析

將所有樣品的不同光譜指標(biāo)（R、Log）作為建模數(shù)據(jù)輸入模型，采用PLS-DA 和OPLS-DA 對(duì)不同葉片進(jìn)行判別分析。PLS-DA 和OPLS-DA 在原始光譜的2 150 個(gè)光譜點(diǎn)位數(shù)據(jù)中提取得到的主成分（累計(jì)方差大于99.9%）分別為7和4個(gè)，將這些主成分作為樣本屬性數(shù)據(jù)，并為數(shù)據(jù)集中同種葉片的屬性值設(shè)定相同標(biāo)簽（表1）。從擬合度來看，OPLSDA 的判別效果優(yōu)于PLS-DA。判別分析模型散點(diǎn)圖顯示，圖4c和d的點(diǎn)位分布比圖4a和b更集中，聚類效果更好，未出現(xiàn)不同類型樣品點(diǎn)位重疊的現(xiàn)象。由于OPLS-DA增加了正交驗(yàn)證，同種葉片光譜數(shù)據(jù)的相似性提高，不同葉片光譜數(shù)據(jù)的差異擴(kuò)大；相對(duì)于PLS-DA 僅處理數(shù)據(jù)相關(guān)性和冗余性，OPLS-DA 在桉樹黃化葉片判別上效果更優(yōu)。圖4a和b 顯示，與PLS-DA 相比，Log-PLS-DA 的點(diǎn)位離散程度更小，雖然黃化葉片2、3 號(hào)點(diǎn)位與未發(fā)病葉片8號(hào)點(diǎn)位重疊，但其他各點(diǎn)位分布更集中，說明對(duì)數(shù)變換對(duì)于提高樣品差異性有一定效果。

表1 不同葉片判別分析模型Tab.1 Discriminant analysis models for different leaves

圖4 不同葉片光譜指標(biāo)判別函數(shù)散點(diǎn)圖Fig.4 Scatter plots of discriminant functions for spectral indexes of different leaves

4 種判別分析方法中，最優(yōu)判別模型為Log-OPLS-DA，其R2為0.91，RMSE 為0.203；同種葉片的樣本表現(xiàn)出較強(qiáng)的聚類特征，僅未發(fā)病葉片14號(hào)點(diǎn)位與黃化葉片2、3號(hào)點(diǎn)位的間距較近（圖4d）。

對(duì)最優(yōu)模型Log-OPLS-DA 進(jìn)行獨(dú)立樣本驗(yàn)證，驗(yàn)證樣品為黃化葉片，驗(yàn)證集樣本量為8個(gè)，占總樣品個(gè)數(shù)的27.6%（圖5）。在Log-OPLS-DA 模型中，主成分累計(jì)方差達(dá)到98.7%，判別錯(cuò)誤樣品為2 個(gè)（22、23號(hào)），22號(hào)驗(yàn)證樣點(diǎn)處于正常葉片區(qū)域，23號(hào)樣點(diǎn)處于未分類區(qū)域，正確樣品為6 個(gè)（24、25、26、27、28 和29），識(shí)別率達(dá)到75.0%。同類模型對(duì)除草劑危害葉片的識(shí)別率為70%以上[21]，說明本研究建立的Log-OPLS-DA 判別分析模型能準(zhǔn)確識(shí)別桉樹葉片黃化情況，具有一定的應(yīng)用前景。

圖5 獨(dú)立樣本驗(yàn)證集Fig.5 Independent sample validation set

3 結(jié) 論

本研究選擇桉樹種植區(qū)域內(nèi)出現(xiàn)黃化病的林分，采集黃化葉片、未發(fā)病葉片和正常葉片在350～2 500 nm 的可見-近紅外光譜數(shù)據(jù)，發(fā)現(xiàn)黃化葉片特征識(shí)別光譜主要有5 個(gè)，分別在可見光區(qū)域（550 nm）及近紅外1 180、1 288、1 630 和2 200 nm處，受病害影響葉片的光譜吸收率明顯降低。不同葉片光譜反射曲線呈相同趨勢(shì)，反射率差異明顯，差異較大的波段主要為近紅外波段800～1 260、1 400～1 720和2 000～2 400 nm，在這些波段，受病害影響葉片的原始光譜反射率明顯高于正常葉片；對(duì)數(shù)變換能在一定程度上減少光譜數(shù)據(jù)冗余量，突出差異；兩種線性判別分析方法均能識(shí)別潛在黃化葉片，Log-OPLS-DA 的判別效果更好，模型R2為0.91，RMSE 為0.203。采用線性判別分析明顯提高不同葉片的聚類程度，OPLS-DA 有更好的聚類效果，能實(shí)現(xiàn)桉樹黃化葉片判別，同時(shí)對(duì)潛在黃化葉片進(jìn)行預(yù)判，具有一定的應(yīng)用推廣潛力。

在未來的研究中，一方面應(yīng)擴(kuò)大樣本量，對(duì)病害程度進(jìn)行分級(jí)，有利于識(shí)別準(zhǔn)確率的提高[22-23]；另一方面，應(yīng)引入基于機(jī)器學(xué)習(xí)算法的非線性模型，如支持向量機(jī)（Support Vector Machine，SVM）[24]、隨機(jī)森林（Random Forest）[25]等監(jiān)督分類算法進(jìn)行判別分析，提升模型精度，為桉樹黃化病的預(yù)測(cè)、預(yù)警提供更有力的支撐。

利益沖突：所有作者聲明無利益沖突。

作者貢獻(xiàn)聲明：趙雋宇負(fù)責(zé)樣品收集與分析、光譜數(shù)據(jù)采集和論文撰寫與修改；石媛媛、唐健負(fù)責(zé)研究計(jì)劃制定；楊瑞青負(fù)責(zé)樣品處理和數(shù)據(jù)分析；鄧昀、程小輝負(fù)責(zé)文獻(xiàn)檢索和數(shù)據(jù)分析；陳守學(xué)負(fù)責(zé)研究計(jì)劃制定和數(shù)據(jù)分析指導(dǎo)；曹繼釗負(fù)責(zé)研究計(jì)劃制定和統(tǒng)籌實(shí)施。