南疆骏枣叶片含水量的近红外光谱检测研究

胡艳培，姚江河*，李春蓉，陈好斌

(1.塔里木大学信息工程学院，新疆阿拉尔 843300；2.塔里木大学经济与管理学院，新疆阿拉尔 843300)

新疆是我国红枣的主产区，南疆骏枣是新疆红枣的代表[1-2]。研究南疆骏枣枣树生长过程就要知道其生长过程所需营养元素的变化，这些元素对枣树的产量和长势有很大影响。骏枣叶子的含水量象征枣树生长的健康状况，果树叶片长势、品质、颜色及其形态结构会随着水分含量的多少发生一系列的变化[3]，可以根据叶片的水分含量实时检测和诊断。因此，快速地获取骏枣叶片水分状况，对骏枣的估产、长势、农情监测、可视化农业等方面具有重要的意义[4-5]。

NIR技术检测方法是一种低成本、快速和无损的检测方法[6-8]。目前已被广泛地应用在食品业、烟草业、医药、农业等行业[9-13]，其主要应用于植物营养元素的检测(叶绿素、氮等含量)[14]、早期病虫害诊断[15]和土壤性质分析[16]等。田永超等[17]研究在不同的水氮条件下，水稻冠层Spectral reflectance与植株含水量的量化关系。董晶晶等[18]利用Spectral reflectance信息提取叶片含水量，研究反射率与含水量存在线性关系。吉海彦等[19]使用辐射光谱仪测量冬小麦的反射光谱，分别建立反射光谱与冬小麦叶片水分含量和叶绿素含量的定量模型。贾灿潮等[20]应用NIR技术快速测定何首乌中水分的含量，所建模型预测性和精度较好。洪添胜等[21]利用波段为400～1 000 nm高光谱图像技术对雪花梨水分进行无损检测的研究，通过ANN(人工神经网络)对雪花梨建立水分的预测模型。结果表明，雪花梨水分的预测相关系数(R)为0.94 。张晓东等[22]利用高光谱图像技术检测生菜含水率，采用自适应波段选择法优选出特征波长；建立偏最小二乘回归模型，得出生菜叶片的含水量模型的相关系数(R)为0.90。但有关南疆骏枣叶片含水量的近红外光谱检测技术国内外研究很少，因此笔者以南疆骏枣叶片为研究对象，应用NIR技术，对采集到的骏枣叶片原始光谱进行SNV、Autoscaling、Normalize、MSC预处理，比较4种不同的光谱预处理方法对骏枣叶片含水量模型的影响，进而确定其适合的预处理方法，以此来简化模型的运算过程，为大面积遥感监测以及进一步研究骏枣叶子含水量提供理论依据和数据支撑。

1 材料与方法

1.1骏枣叶片样品的采集与处理采集的90个叶片样品来自新疆南疆第一师10团塔里木大学试验枣园种植基地，选取不同位置的骏枣树，根据枣树树龄划分选取18棵枣树，每棵间隔1 m。采集枣树上、中、下三层叶片(新叶、成熟叶、老叶)，每棵树采集8片。采摘回来的叶片带回重点实验室，挑选出完好无损的73个叶片，用水清洗干净叶子，并晾干。然后对叶片样品进行编号、标记。

1.2采集样品的近红外光谱数据骏枣叶片近红外光谱采集仪器为聚光科技SupNIR-1520TM便携式近红外光谱分析仪，波长为1 000～1 800 nm，光谱分辨率≤12 nm，光谱采集的过程中，使骏枣叶片处于平整。每次采集骏枣叶片光谱前应进行参比，每个骏枣叶片样品分别采集叶片正反面2条光谱，然后求取样品光谱的平均值。

1.3骏枣叶片光谱预处理方法在近红外光谱应用时，不仅可以测到样品中有用的信息，还可以测到其他的信息和噪声，这是因为受到样本背景、电噪声、杂散射等因素的干扰。在建立模型前必须对原始的光谱数据进行预处理是分析样品中成分的前提条件。文中使用的4种预处理方法分别为SNV、Autoscaling、Normalize、MSC。

1.4骏枣叶片含水量的测定骏枣叶片含水量测定采用相对含水量。首先对叶片进行称重，放入精密度为万分之一的电子秤上，待数据稳定时进行归零。最后将采集完光谱后的叶子放入烘箱烘干。重复上面操作对所有样品进行称重、记录下数据，计算叶片相对含水量。

1.5模型建立与评价模型采用相关系数(R)、预测残差平方和(PRESS)、预测精度(precision)、预测标准偏差(RMSEP)等参数来评价。较高的相关系数(R)、较小的预测残差平方和(PRESS)和预测标准偏差(RMSEP)是判断模型预测能力好坏的标准，相关系数越接近1，则说明所建模型的预测(或回归)结果好、预测能力越强，反之模型预测能力不好。用预测精度(precision)来衡量模型的准确程度，值越接近1，说明模型的精确度越高，反之，精确度就越低。

2 结果与分析

2.1骏枣叶片原始光谱图骏枣原始光谱图见图1。

图1 骏枣叶片原始光谱图Fig.1 Original spectral image of Jun jujube leaves

2.2骏枣叶片含水量的测量结果在采集的90个叶片中挑选出完好无损的73个骏枣叶片样本，从中选取53个作为校正集样本，剩余20个作为预测集样本。其骏枣叶片样本水分的最大值、最小值分别为0.669 1、0.504 3，平均值为0.599 9，平均偏差为0.003 4。

2.3骏枣叶片含水量的模型建立与验证采集到的原始光谱使用SNV(标准正态变量变换)、Autoscaling(标准化)、Normalize(归一化)、MSC(多远散射校正)进行预处理。使用偏最小二乘法建立骏枣叶片含水量的模型。其结果如表1所示。

2.4骏枣叶片模型验证结果对比分析采集到的近红外光谱往往会受到样本背景、电噪音和杂散射等因素的干扰。提高模型的预测精密度就要对采集的光谱进行预处理。而模型的评价由预测相关系数(R)、预测精(precision)、预测残差平方和(PRESS)、预测标准偏差(RMSEP)来决定。

根据模型的评价标准，对比4种不同光谱预处理后，发现预处理对骏枣叶片含水量结果影响较明显，经MSC预处理后的光谱如图2所示，消除了散射的影响和基线的漂移。模型建立的最好的组合是原始光谱+MSC+PLS(图3)。相关系数由原始的0.673 1提高到0.874 6，预测精度由0.950 7提高到0.957 8，预测残差平方和由0.028 4降低到0.017 7，预测标准偏差由0.037 7降低到0.029 7。

3 结论与讨论

传统的人工对叶片检测方法不但费时而且又费力，效果不是很佳，特别容易对叶片造成损伤。近年来，近红外光谱技术发展较快，在农业中已经被广泛应用，可以实现对作物叶片快速、有效、无破坏性的信息采集与检测，用近红外光谱技术检测方法为大面积遥感监测以及进一步研究骏枣叶子含水量提供理论依据和数据支撑。

(1)对运用4种预处理方法进行比较，为增大预处理方法比较的广泛性，可以对更多的预处理方法进行比较，如导数、center、平滑、去趋势、FT、WT等方法。

(2)只对8—9月骏枣树叶片进行试验，为进一步提高模型的适用性和广泛性，对6—10月骏枣树叶片进行建模分析。

(3)只用PLS建立模型，为了选择更优的模型，可以使用更多的建模方法(如BP神经网络、LS-SVM、PCA、ANN等)，以选择更优的模型。

试验以南疆骏枣叶片为研究对象，运用NIR技术检测叶片含水量的指标，在全波段1 000～1 800 nm建立PLS检测模型。结果发现，在骏枣叶片含水量的光谱预处理中，4种预处理方法中除了标准化相关系数降低，其余都达到0.80以上，精度都达到95%。叶片含水量的预处理最好的组合是：原始光谱+MSC+PLS，其中R=0.874 6，P=0.957 8，PRESS=0.017 7，RMSEP=0.029 7。