基于高光谱苹果品种叶片铁含量估测模型

刘玉霞，王振锡，李 园，丁 雅，瞿余红，董 淼

(新疆农业大学林学与园艺学院/新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

0 引 言

【研究意义】铁(Fe)元素是植物正常生命活动所必需的微量元素之一[1]，是植物细胞中转运蛋白的重要辅助因子[2]。缺Fe会抑制植被叶绿体中光合电子链传递，影响植物光合作用[3]。Fe元素与其它元素之间比例失调还会引起果树叶片失绿，新生幼嫩叶片变为黄绿色，进而变白，严重的将导致顶端枯死[4]。另外，低产果园树体叶片大多出现缺Fe症状，表明果树产量与叶片Fe元素含量之间具有较强的正相关关系[5]。传统果树树体营养盈亏检测均通过实地采样和室内化学分析来实现，所得结果比较精确，但费时耗力、有破坏性和时效性差的缺陷[6]，仅能反映局部区域和短时间内的元素含量变化，不适用于大面积果树种植区的树体营养亏缺监测。近年来，随着遥感技术的快速发展，光谱分析技术能够弥补传统检测方法缺乏空间广泛性和时间连续性[7]的不足，能够快捷、高效、无损的监测作物生化组分含量的变化[8]。以新疆阿克苏地区红旗坡农场苹果品种岩富10号为研究对象，该品种果大、色丰、风味佳，其分布区仅限于阿克苏市红旗坡周边区域。将光谱分析技术应用于果树叶片营养元素含量估测，可以有效提高果树营养监测效率，对于果树营养盈亏诊断、生长状态监测发挥着重要作用[9]。【前人研究进展】目前，国内外利用高光谱技术估测植物营养元素含量的研究对象主要集中在小麦(Triticumaestivum)[10-12]、玉米(Zeamays)[13-15]、水稻(Oryzasativa)[16-18]等农作物，而在果树方面植物营养元素含量光谱估测在氮(N)、磷(P)、钾(K)方面研究相对较多，微量元素较少。朱西存[19]、李丙智[20]、房贤一[21]等均基于光谱分析技术构建了苹果大量元素含量的线性模型，模型的估测效果都具有较高的精确度，R2均大于0.6。在敏感波段选择方面，陈志强等[22]对苹果(Maluspumila)花硼(B)含量开展了光谱反演，发现苹果花的一阶微分光谱与B素含量极显著负相关；Danghtry[23]和张瑶等[24]认为与单一波段光谱参数相比，不同波长组合的光谱组合能够提高其与植被营养元素含量的相关关系。【本研究切入点】在植被Fe元素含量估测中，轮台白杏叶片Fe元素浓度与光谱反射率一阶微分的相关系数达到了0.852 4[25-26]。岩富10号叶片Fe元素含量与四点差分的一阶微分光谱也表现出很好的相关性[27]。利用一阶微分变换、光谱组合、偏最小二乘法(partial least squares，PLS)开展岩富10号叶片Fe元素含量的光谱估测。【拟解决的关键问题】苹果品种岩富10号叶片8月光谱反射率特征与叶片Fe元素含量的相关关系，构建叶片Fe元素含量的光谱估测模型，为基于高光谱的新疆林果产业大规模营养诊断提供技术支撑。

1 材料与方法

1.1 材 料

试验于2016年8月在新疆阿克苏地区红旗坡农场进行。研究区坐落于新疆塔里木盆地北缘，横居天山山脉南麓中段(地理坐标N41°17′56.42″～N41°18′56.16″、E80°20′23″～E80°20′56.16″)，海拔1 215 m。属于暖温带大陆性干旱气候，降雨量少，昼夜温差大，全年无霜期达到169～247 d。全年日照居全国第二，平均每天达到8～11 h，年太阳总辐射量为5 340～6 220 MJ/m2，光热资源十分丰富，是苹果种植的典型地区。在研究区随机选取8个处于盛果期(7～8 a生)的苹果种植园，每个园内典型选取8棵样株，分别在每棵样株的阴面、中部、阳面3个方向上进行叶片采集，在每个采集部位重复取3片苹果叶片作为光谱测定的样本，共选取样株64株，样本点共计192个。将采集的新鲜叶片放入密封袋迅速带回实验室，避开主叶脉，采用主动光谱在叶片的三个代表性部位(叶基、叶中、叶底)分别测定光谱反射率，并对每个样本点测定叶片Fe元素含量。

1.2 方 法

1.2.1 叶片光谱测定

叶片光谱反射率的测定采用美国Analytical Spectral Device(ASD)公司生产的便携式野外地物光谱仪Field Spec4。它能够捕获可见光和近红外光谱(visible and near-infrared)，其光谱波段范围为350～2 500 nm，视场角为1～25°。光谱输出时，仪器自动进行重采样，重采样间隔为1 nm，共输出2 151个波段数。为了保证叶片光谱数据与叶片营养元素含量测定的一致性，将叶片用脱脂棉擦拭干净后，避开叶脉，在叶基、叶中、叶底三个部位进行光谱反射率采集，光谱测定前要注意标准白板校正，白板校正界面呈现一条反射率数值为1.00的平直线即可，每10 min进行一次优化，避免样本所处的照明条件以及环境条件不同影响数据质量。

1.2.2 叶片Fe含量测定

将光谱测定后的叶片去除主叶脉，80℃ 下烘干，粉碎，采取HNO3-HCLO4消煮，静置过夜，通过滴定、过滤，得到叶片Fe元素含量待测液。采用AA-670型原子吸收光谱仪进行叶片Fe元素含量测定。测定公式为

Fe =P×V/M.

(1)

其中P为显色液Fe的质量浓度(mg/mL)，V为显色液体积(mL)，M为干样品质量。

1.3 数据处理

1.3.1 光谱数据

观察光谱曲线，利用View SpecPro软件对获取的叶片原始光谱反射率进行异常值剔除，将筛选出的六组光谱数据求均值，将光谱数据转化为文本(txt)数据，在Excel中采用五点加权法平滑数据。原始光谱数据经微分处理能够在一定程度上增强光谱数据与反演参量的相关关系，一阶微分光谱在一定程度上能够消除部分线性噪声光谱对目标光谱的影响剔除异常光谱。该文采用一阶微分、倒数、对数、归一化、倒数一阶、对数一阶、归一化一阶7种光谱微分变换，分析各数据变换与叶片Fe元素含量之间的相关关系，并以加减乘除的运算方法，构建敏感波段间的光谱组合，寻找增强岩富10号叶片光谱与Fe元素含量间相关关系和模型精度最佳的敏感波段组合。

1.3.2 模型构建与精度检验

使用Excel开展苹果叶片光谱与铁素含量的相关分析在SPSS下进行逐步回归分析(stepwise regression，SR)和偏最小二乘法建模。研究共保留样本130个(随机选取建模样本100个，检验样本30个)，采用决定系数(R2)均方根误差(RMSE)、相对误差(RE)评价模型的精度。

(2)

RE=△/L×100%.

(3)

2 结果与分析

2.1 叶片光谱特征

由光谱反射率数据绘制的岩富10号叶片平均光谱曲线可见，岩富10号叶片平均光谱反射率变化特征基本符合绿色植被的光谱曲线变化规律，在可见光范围内反射率较在550 nm处出现绿峰，在其两侧480(蓝谷)和680 nm(红谷)有两个明显的吸谷。这是由于光合作用过程中，叶片叶绿素对蓝光和红光吸收强烈，对绿光吸收较弱所致。叶片多重反射作用，在近红外波段700～1 350 nm反射率急剧增加，形成明显抬升，这一区域光谱反射率较高且波动较小，并在1 086 nm处出现峰值。受到叶片含水量影响，致使吸收率升高，中红外波段1 350～2 500 nm光谱反射率整体低于近红外波段区间，并在1 450、1 945和2 500 nm处分别形成了明显的吸收谷。图1

图1 岩富10号叶片原始光谱反射率

Fig.1 The foliar original spectral reflectance of Malus domestica Borkh. cv. Yan Fu No.10

2.2 叶片光谱与Fe元素含量相关性

2.3 叶片光谱组合与Fe元素含量相关性

图2 岩富10号叶片光谱反射率与Fe元素含量之间关系

Fig.2 The relationship between foliar different spectral reflectance and Fe concentration of Malus domestica Borkh. cv. Yan Fu No.10

表1 岩富10号叶片光谱组合与Fe元素含量相关性

Table 1 The correlation between Malus domestica Borkh. cv. Yan Fu No.10 foliar spectral combination and Fe concentration

光谱参数Spectral parameters相关系数Correlation光谱参数Spectral parameters相关系数CorrelationR′990+R′1 1130.683 2R′990-R′1 113-0.840 1R′990+R′1 4080.784 3R′990-R′1 408-0.829 4R′990+R′1 3600.775 0R′990-R′1 360-0.820 9R′1113+R′1 3600.810 3R′1 113-R′1 360-0.797 8R′1360+R′1 4080.819 9R′1 360-R′1 408-0.790 6R′1113+R′1 4080.837 8R′1 113-R′1 408-0.803 7R′990×R′1 1130.839 4R′990/R′1 1130.713 1R′990×R′1 4080.846 2R′990/R′1 4080.732 8R′990×R′1 3600.827 5R′990/R′1 3600.796 6R′1 113×R′1 3600.819 6R′1 113/R′1 360-0.776 2R′1 360×R′1 408-0.815 5R′1 360/R′1 408-0.709 1R′1 113×R′1 408-0.827 6R′1 113/R′1 408-0.789 3

2.4 叶片Fe元素含量高光谱估测模型

表2 岩富10号叶片Fe元素含量与光谱组合的PLS模型

Table 2 The PLS models between Malus domestica Borkh. cv. Yan Fu No.10 foliar spectral combination and Fe concentration

自变量(x)Independent variablesPLS模型PLS modelsPLS拟合度Fitting degree of PLSP值P-ValueSR模型拟合度Fitting degree of SR models1.x1、x2、x3、x4y=-2 758.936+3 869 810 838x1+6 621 309.764 x2-897 094.880 x3+9 821 631.994 x40.827 5∗∗0.002 20.675 9∗∗2.x1、x2、x3y=2 076.785-18 122 670.9 x1-2 221 331.181 x2+109 470.982 x30.812 4∗∗0.008 20.628 2∗∗3.x1、x2、x4y=-2 512.759 6+196 619 048.501 4 x1-620 949.073 4 x2-3 823.203 8 x40.815 8∗∗0.005 40.628 1∗4.x1、x3、x4y=-2 247.304 9+200 494 184.679 2 x1+108 678.635 3 x3-3 898.554 8 x40.805 6∗0.021 30.623 0∗∗5.x2、x3、x4y=-2 150.564 0-621 243.230 4 x2+106 628.591 4 x3-3 825.015 0 x40.816 8∗0.034 20.669 8∗∗6.x1、x2y =1 591.403+70 095 161.58 x1-2 092 462.002 x20.795 1∗0.031 60.554 9∗7.x1、x3y =1 726.732 9+286 603 664.586 6 x1+155 354.606 4 x30.767 6∗0.013 40.572 5∗∗8.x1、x4y=-2 338.500 2+411 040 891.457 8 x1-3 610.145 5 x40.756 5∗0.04630.5218∗9.x2、x3y=1 788.713 2-904 830.959 8 x2+155 302.860 4 x30.752 2∗0.02540.5013∗10.x2、x4y=1 245.129 6-1 752 406.124 1 x2-57.631 5 x40.732 6∗0.037 20.521 5∗11.x3、x4y=-3 916.234 1+160 620.373 6 x3-5 761.825 5 x40.731 2∗0.032 60.554 1∗12.x1y=1 180.752+557 419 339.9 x10.661 1∗∗0.001 70.483 4∗13.x2y=1 302.061-1 760 404.321 x20.627 3∗∗0.002 90.479 3∗14.x3y=974.306+9 827 763 244 x30.682 8∗∗0.001 60.474 2∗15.x4y=2 211.293+302 151.273 x40.685 4∗∗0.004 30.465 6∗

注：字母P表示线性回归模型的显著性，*为显著，P<0.05；**为极显著，P<0.01

Note：The letterPindicates the significance of linear regression models,*is significant,P<0.05;**is extremely significant;P<0.01

2.5 模型检验

为了验证建立的估测模型的普适性，选取30个样本的叶片光谱反射率值与Fe元素含量数据，对PLS法构建的拟合效果较好的前四个回归模型a(x1、x2、x3、x4)、b(x2、x3、x4)、c(x1、x2、x4)、d(x1、x2、x3)进行检验，得到实测值与估测值的比较图，用拟合度(R2)、均方根误差(RMSE)和相对误差(RE)判断估测模型的精度水平。图3，表3

研究表明，在95%的置信区间下，自变量个数越多的模型，其检验精度也越高。四个模型的决定系数均在0.7以上，RMSE都小于0.26，RE在7%左右，说明各估测模型具有较强的稳定性，估测值与实测值差异不大。其中，模型a(x1、x2、x3、x4)和b(x2、x3、x4)的检验精度较高，验证模型决定系数(R2)都在0.85以上。模型a(x1、x2、x3、x4)的检验系数R2最高，达到了0.884 4，而且RMSE和RE也较小，分别为0.157 7和6.1%，说明模型的精度较高，因此，研究区岩富10号叶片铁含量最优估测模型为y=-1 316.898 5+148 111 106.119x1-467 754.547 7x2+80 284.188 4x3-2 879.980 1x4。表3

图3 岩富10号叶片Fe元素含量实测值与估测值之间关系

Fig.3 The relationship between measured value and estimated value of Malus domestica Borkh. cv. Yan Fu No.10 foliar Fe concentration

表3 估测模型及精度

Table 3 Estimating models and precision

估测模型Estimating Models决定系数Inspection coefficient (R2)均方根误差RMSE相对误差RE (%)a(x1、x2、x3、x4)0.884 40.157 76.10b(x2、x3、x4)0.867 30.250 68.50c(x1、x2、x4)0.814 10.176 46.70d(x1、x2、x3)0.781 60.158 16.20

3 讨 论

在植被生化参量的光谱估测模型构建过程中，经常采用的建模方法有回归分析法，BP神经网络法，支持向量机法等。近年来采用PLS法反演植被生化参量，取得了较好的拟合效果。王卓远[6]对苹果叶片N素浓度进行了光谱估算模型构建，结果表明，基于4个自变量的PLS估测模型的精度均高于逐步回归分析模型，估测模型拟合度为0.632 3[33]；潘蓓、田喜等[34-35]在建立苹果、柑橘营养元素浓度光谱反演模型时，柑橘叶片营养元素含量的估测模型的检验精度达到了在0.75。苏艺等[36]分别采用PLS与BP神经网络构建橡胶小苗叶片P素含量的光谱估测模型，发现PLS的模型拟合效果最佳，R2达到了0.931 7。研究采用PLS与SR构建了研究区苹果叶片Fe元素含量的光谱估测模型，结果显示PLS模型精度明显高于SR模型，其中PLS模型R2最高为0.827 5，而SR模型仅达到0.675 9。这是由于PLS法能够将多元线性回归分析、典型相关分析和主成分分析有机结合，可以有效提高自变量与因变量之间的相关关系，进而提高了模型拟合精度。

4 结 论