烤烟叶片氯密度高光谱预测模型的建立

杨艳东，贾方方，刘新源，任天宝，刘 文，李梦匣，刘云飞，刘国顺

(1.河南农业大学/河南省生物炭工程技术中心/烟草行业烟草栽培重点实验室，河南 郑州 450002；2.商丘师范学院，河南 商丘 476000； 3.河南省烟草公司 三门峡市公司，河南 三门峡 472000；4.河南省烟草公司 郑州市公司，河南 郑州 450001)

氯是烤烟生长发育过程中的必需元素[1-3]，其含量是衡量烟叶品质的重要指标之一。氯可以促进叶绿素[4]、烟碱[5]等物质的合成，还能增强烤烟抗病性[6]。烟叶氯含量偏高，会导致烟叶厚且脆，香气量少，弹性和燃烧性下降；氯含量偏低则烟叶油分少、枯燥易碎，成丝率低[7]。因此，及时、快速地获取烤烟氯含量对烟叶的生产、加工及评价具有重要意义。传统的氯含量测量方法需要破坏性取样，耗时费力，且结果具有滞后性。运用遥感技术分析烤烟冠层光谱反射率与理化参数的相关性，可建立各种理化参数光谱特征估测模型。JUN等[8]应用多元线性回归方法建立了烤烟叶片水分含量预测模型。刘延等[9]采用多元逐步回归分析方法，建立了基于光谱特征单变量估测钾含量的模型。研究表明，植被的理化参数与光谱反射率之间的关系是非线性的[10]。JIA等[11]建立了多种烤烟叶片氮含量预测模型，发现非线性BP神经网络模型预测效果更好。关于小麦[12]、水稻[13]、玉米[14]、大豆[15]、兰花[16]等作物的报道表明，BP神经网络模型的预测效果更好。烤烟色素含量[17-18]、叶面积指数[19]、烟蚜发生程度[20]等方面的预测模型也有相关报道，但关于烤烟叶片氯密度预测模型的研究尚未见报道。鉴于此，测定烤烟冠层高光谱特征参数及叶片氯密度，并比较一元线性回归模型、多元线性回归模型、BP神经网络模型对烤烟叶片氯密度预测效果，以期为快速、准确获取烤烟叶片氯密度提供理论依据。

1 材料和方法

1.1 试验设计

3个品种处理：K326、云烟87、豫烟10，于2016年和2017年连续2 a在河南农业大学现代烟草科技示范园(许昌市)进行试验。供试土壤为砂壤土，有机质为8.46 g/kg、碱解氮为70.88 mg/kg、速效磷为11.16 mg/kg、速效钾为166.50 mg/kg，前茬作物为芥菜(绿肥)。

3个地点处理：河南农业大学现代烟草科技示范园(许昌市)、洛阳市嵩县大坪乡、三门峡市卢氏县杜关镇， 以下分别简称为许昌、洛阳、三门峡。供试烤烟品种为K326，于2016年和2017年连续2 a进行试验。各处理施肥方式一致，均按当地常规方法施肥，氮肥为硝基磷酸铵，磷肥为过磷酸钙，钾肥为硫酸钾。

1.2 烤烟冠层光谱数据获取

分别于上述3个地点烤烟的伸根期(移栽后30 d)、旺长期(移栽后55 d)、成熟期(移栽后75 d)采集数据。选取具有代表性的烟株，用便携式地物光谱仪 Field Spec 3(美国ASD公司)测定，获取烤烟冠层光谱数据。波段为350～2 500 nm，其中，350～1 000 nm光谱分辨率为3 nm，采样间隔为1.4 nm，视场角为25°；1 000～2 500 nm光谱分辨率为10 nm，采样间隔为2 nm，视场角为25°。每株烤烟测10组数据，将其平均值作为该角度的反射率。总样本数为244，随机抽取50%的数据用于建立模型，剩余50%的数据用于验证模型，因此，建立模型及验证模型的样本数均为122。

1.3 烤烟叶片氯密度

采用seal AA3流动分析仪(德国布朗卢比公司)测定氯含量[21]。参考有关文献[22]，计算烤烟叶片氯密度：

式中，C为烤烟叶片样品氯元素含量；SLW为比叶重(g/m2)，指单位叶面积干叶质量；LAI为叶面积指数，指单位土地面积上植物叶片总面积与土地面积的比值。

1.4 数据处理

利用Viewspec Program导出原始光谱数据，利用Excel、Origin、Matlab 2014b软件进行数据分析、绘图、建模。

2 结果与分析

2.1 不同氯含量烤烟叶片光谱反射率

如图1所示，按照叶片氯元素含量不同将烤烟分为低氯(<0.6%)、中氯(0.6%～0.9%)、高氯(>0.9%)3个类别。高氯烤烟冠层反射率在全波段均高于中氯、低氯烤烟的冠层反射率。波长为1 150～1 340、1 430～1 790、2 040～2 350 nm时，烤烟叶片反射率表现为高氯>低氯>中氯，但低氯和中氯烤烟叶片反射率差异不明显。波长为740～980 nm时，烤烟叶片反射率表现为高氯>中氯>低氯，差异明显。上述结果表明，不同氯含量烤烟叶片光谱反射率不同，可用于遥感对大田烤烟氯元素状况的监测。

图1 不同氯含量烤烟冠层光谱反射率Fig.1 Spectral reflectance of flue-cured tobacco with different chlorine densities

2.2 不同生育时期烤烟叶片氯密度变化规律

如图2所示，各品种处理烤烟叶片氯密度均随生育时期的变化呈现递增的趋势。不同生育时期K326和云烟87的叶片氯密度无明显差异，但二者均小于豫烟10的叶片氯密度。尤其是旺长期和成熟期，K326和云烟87的叶片氯密度明显低于豫烟10。3个烤烟品种，其叶片氯密度在伸根期均最小，成熟期均最大，其中，豫烟10叶片氯密度达7.954 g/m2。

不同生育时期许昌的烤烟叶片氯密度在3个地点中均最高。许昌和洛阳的烤烟叶片氯密度均随生育时期的变化呈现增加的趋势，而三门峡的叶片氯密度则表现为先增加后略微降低的趋势。成熟期3个地点烤烟叶片氯密度以许昌的为最高，达2.914 g/m2，三门峡的最低，为0.756 g/m2。

2.3 烤烟叶片氯密度与植被指数相关性分析

参考前人研究结果筛选的植被指数共10种：修正三角形植被指数(Modified triangular vegetation index,MTVI)、归一化植被指数1(Normalized difference vegetation index 1,NDVI1)、归一化植被指数2(Normalized difference vegetation index 2,NDVI2)、新型植被指数(New vegetation index,NVI)、比值植被指数1(Ratio vegetation index 1,RVI1)、比值植被指数2(Ratio vegetation index 2,RVI2)、比值植被指数3(Ratio vegetation index 3,RVI3)、水分指数(Water index,WI)、归一化色素叶绿素植被指数(Normalized chlorophyll pigment vegetation index,NCPI)、简单比值水分指数(Simple ratio water index,SRWI)[23-31]，见表1。相关分析表明，10种植被指数与烤烟叶片氯密度均极显著相关。NVI、RVI2、RVI3与烤烟叶片氯密度相关系数均>0.700，其中，RVI2与烤烟叶片氯密度相关系数最高，达0.785。MTVI和SRWI与烤烟叶片氯密度负相关。

RSS.伸根期；PGS.旺长期；MS.成熟期

植被指数Vegetation index计算公式Calculation formula相关系数Correlation cofficient参考文献ReferenceMTVI1.2[1.2(R800-R550)-2.5(R670-R550)]-0.418**[23]NDVI1(R810-R560)/(R810+R560)0.434**[24]NDVI2(R800-R680)/(R800+R680)0.699**[25]NVI(R777-R747)/R6730.722**[26]RVI1R810/R5600.465**[24]RVI2R895/R6750.785**[27]RVI3R800/R6700.782**[28]WIR900/R9700.454**[29]NCPI(R800-R680)/(R800+R680)0.699**[30]SRWIR678/R1 070-0.685**[31]

注：1.**表示在0.01水平上极显著相关；2.R表示反射率，下标代表具体波段(nm)。

Note:1.** means that correlation is significant at the 0.01 level;2.Ris the reflectance,and the subscript represents the specific band (nm).

2.4 烤烟叶片氯密度预测模型建立

2.4.1 烤烟叶片氯密度一元线性回归模型 RVI2与烤烟叶片氯密度相关系数最大(表1)，将二者构建一元线性回归方程，结果如图3所示。RVI2和烤烟叶片氯密度正相关，构建的一元线性回归方程为y=1.467x+10.345，决定系数为0.617。构建的一元线性回归方程决定系数较小，表明模型预测效果不理想。

图3 烤烟叶片氯密度一元线性回归模型Fig.3 The simple linear regression model for chlorine density of flue-cured tobacco leaves

2.4.2 烤烟叶片氯密度多元线性回归模型 选取相关系数绝对值均>0.680的6个植被指数：NDVI2、NVI、RVI2、RVI3、NCPI、SRWI，将其与烤烟叶片氯密度构建多元线性回归模型。逐步回归分析，筛选出NVI、RVI2、RVI3作为自变量，构建的多元线性回归方程为y=0.084xNVI+0.645xRVI2-0.221xRVI3-3.608，决定系数为0.617，与一元线性回归模型的决定系数相等，表明多元线性回归模型的预测效果和一元线性回归模型的预测效果相同。

2.4.3 烤烟叶片氯密度BP神经网络模型 BP神经网络是一种按误差逆传播算法训练的多层前馈网络，具有高度非线性映射能力和良好稳健性模式识别特点，包含输入层、隐含层和输出层。以表1 中的10个植被指数作为输入层，烤烟叶片氯密度作为输出层，其传递函数为purelin，训练函数为trainlm，构建的模型隐含层节点数为6，拟合结果如图4所示。模型决定系数为0.868，表明BP神经网络模型拟合效果优于一元线性回归模型和多元线性回归模型。

图4 烤烟叶片氯密度BP神经网络模型Fig.4 BP neural network model for chlorine density of flue-cured tobacco leaves

2.5 烤烟叶片氯密度预测模型检验

将验证模型的样本数(122)作为自变量带入上述3个预测模型，得到预测值。对预测值和实测值进行分析，得到预测值和实测值1∶1关系图(图5)。一元线性回归模型、多元线性回归模型、BP神经网络模型3种验证模型的决定系数分别为0.359、0.358、0.788，均方根误差分别为1.573、1.577、0.828，表明BP神经网络模型预测效果比一元线性回归模型、多元线性回归模型预测效果好，即非线性模型预测效果比线性模型预测效果好。

图5 一元线性回归模型(a)、多元线性回归模型(b)和BP神经网络模型(c)的检验

3 结论与讨论

高氯含量的烤烟，其冠层反射率在全波段均高于中氯和低氯烤烟的冠层反射率。不同品种烤烟叶片氯密度在整个生育期均表现为增加趋势，成熟期最大。氯含量高的烤烟其光谱反射率也高，这可能与氯促进色素、烟碱等物质合成有关。研究表明，蛋白质、氮在910、1 020、1 690 nm等波段的谐振和拉伸，造成了其在相应波段的吸收特征[32]。

10种植被指数与烤烟叶片氯密度均极显著相关，RVI2与烤烟叶片氯密度相关性最好，相关系数为0.785。植被指数是由多个波段或波长的反射率因子组合而成的参数，其与植被特征参数间的函数联系比单一波段值稳定、可靠。本研究从已有报道中选取10个植被指数与烤烟叶片氯密度进行相关分析，其中，6个植被指数与烤烟叶片氯密度相关系数均>0.680,其中，RVI2、RVI3的效果最好，这与前人认为NDVI、RVI效果较好[33]的结论不同，可能是研究对象和方法不同，以及不同的植被指数适用于不同的理化成分或农学参数所致。

以植被指数为自变量建立的一元线性回归模型、多元线性回归模型、BP神经网络模型中，BP神经网络模型预测效果最好，其决定系数为0.868，均方根误差为0.828，表明该模型具有较高的准确性和精准度，这与李梦竹等[34]的研究结果一致。

本研究基于BP神经网络建立的烤烟叶片氯密度预测模型，模型拟合效果较好，具有一定的适用性。然而，目前垂直向下的观测方式主要获取的是烟株上层信息，中下层信息难以获取。应进一步强化多角度研究，建立不同层次的立体预测模型，对烟株矿质营养和病害发生情况进行监测，为烤烟生长精准管理提供理论依据。此外，高光谱数据信息量大，如何筛选更适用的植被指数，建立预测效果更好的模型，仍需进一步研究。