近红外高光谱成像扫描速度对拟南芥冠层含水率预测的影响

吕梦琪，宋宇杰，翁海勇，3，孙大伟，3, 董晓娅，方 慧，3，岑海燕，3*

1. 浙江大学生物系统工程与食品科学学院，浙江 杭州 310058 2. 江苏大学农业装备工程学院，江苏 镇江 212013 3. 农业农村部光谱检测重点实验室，浙江 杭州 310058 4. 浙江大学计算机科学与技术学院，浙江 杭州 310027

引 言

干旱胁迫是影响植物正常生长发育的重要因素之一，快速定量测定植物冠层的含水率，了解作物受干旱胁迫的严重程度，对制定合理的灌溉决策、实现作物精准管理有重要意义。拟南芥属十字花科，具有显花植物的全部特征，生育期短，其基因易于被诱导、克隆和筛选[1]。因此拟南芥是基于植物冠层分析技术研究植物干旱胁迫响应的理想实验对象。

传统的植物冠层含水率测量手段以化学分析法为主，即将植物带到实验室后，测定其干、湿重量，从而计算含水率[2]。由此可见，传统植物冠层含水率的测量方法破坏植物冠层组织结构，且测量过程繁琐，无法实现快速检测[3-5]。近几年基于高光谱成像的植物冠层分析技术快速发展，利用植物冠层反射光谱建立冠层含水率定量分析模型，能够实现无损检测[6-8]。拟南芥干旱胁迫突变体基因型对干旱胁迫条件响应效果明显。Christoph RömerA等[9]利用高光谱图像预测谷物缺水情况的无监督学习分类方法，将真实生长环境下的谷物高光谱图像与人工模拟的图像比较，证明高光谱图像对于谷物生长情况预测的鲁棒性较高。Ge等[10]的研究证明了高光谱图像中提取的玉米叶片反射光谱与含水率有明显关系。Piyush Pandey等[11]的研究表明高通量植物冠层高光谱成像技术可以量化预测植物叶片的含水率和氮含量。Kim等[12]研究了800～1 600 nm的短波近红外高光谱与杨树叶片含水率的关系，当干旱胁迫达到20%及以上时，可以区分出两种状态的叶片。宋镇等[4]应用高光谱成像技术，建立了高精度杏鲍菇含水率预测模型。

上述研究表明，利用近红外高光谱成像建立植物冠层含水率预测模型具有可行性，尽管上述方法获得了较好的预测效果，但将高光谱成像技术应用于在线检测仍需要进一步研究。基于扫描速度对植物冠层含水率检测的研究很少，本研究以模式植物拟南芥为例，利用拟南芥突变体、野生型基因型对干旱胁迫的响应不同的性质，探究测定含水率理化性质时合适的植株冠层高光谱成像扫描速度，并建立拟南芥冠层反射率与含水率的预测模型。

1 实验部分

1.1 样本及培养方法

本试验以哥伦比亚型拟南芥Col-0(Arabidopsis thaliana, ecotype Columbia)和OSCA1(Arabidopsis reduced hyperosmolality-induced [Ca2+]iincrease 1)突变体为研究材料。其中Col-0为野生型对照组，OSCA1为干旱敏感型突变体。OSCA1基因型拟南芥保卫细胞和根细胞的渗透钙离子通道受损，无法调节植物体内渗透压，致使蒸腾调控作用和根生长受到抑制，从而导致其生长在干旱胁迫下更易受到抑制[13]。

采用1/2 MS (Half-strength Murashigend Skoogsalts)无菌培养基培养和营养土移栽相结合的方法快速种植拟南芥。拟南芥在1/2 MS无菌培养的第10天进行移栽，每盆中加入约150 mL的营养土，每盆1株。最后用喷壶喷水1次，覆盖保鲜膜。保鲜膜覆盖维持3 d，每天定时浇5 mL超纯水。在植物培养箱中全过程培养拟南芥，环境温度设定为22 ℃，湿度为70%，光合有效辐射为100 μmol·(m2·s)-1，光照周期为16/8 h。

共采用192株拟南芥，其中OSCA1突变型96株，Col-0野生型96株。通过不同的扫描速度采集高光谱图像后，对在不同培养条件下的每株拟南芥的近红外高光谱图像进行处理分析。

1.2 拟南芥干旱胁迫处理方法

在营养土中培养拟南芥植株13 d后，选择生长状态一致的拟南芥植株，以5 mL超纯水为变量进行干旱处理，处理时间为：1，2，3，4和5 d。以0 d作为空白对照组，在生长状态下，空白对照组的拟南芥植株每天有5 mL超纯水作为水分来源，实验组干旱处理期间无外加水分来源。

1.3 近红外高光谱图像采集

拟南芥光谱数据的采集使用高光谱成像仪，其波长范围是874～1 734 nm，共有256个波段。本研究所用系统配置有IMSector N17E光谱仪(Spectral imaging LTD., Oulu, Finland)，两个150 W卤钨灯的2900Lightsource线光源(Illumination Technologies Inc., USA)，型号为OLES22的Cmount成像镜头(Spectral imaging LTD., Oulu, Finland)，型号为IRCP0076d的电控位移平台(Isuzu Optics Crops., Taiwan, China)，高光谱成像系统采集软件(Isuzu Optics Crops, Taiwan, China)以及配套的电脑。

在20 mm·s-1(原始扫描速度)、30 mm·s-1(1.5×原始扫描速度)和40 mm·s-1(2×原始扫描速度)的扫描速度下分别获取拟南芥冠层的近红外高光谱图像，进行参考板与暗电流校正，将校正后的近红外高光谱图像读入计算机，对采集后的图像进行校正，校正公式为

R=(Iraw-Idark)/(Iref-Idark)

(1)

式中：R为校正后的图像，Iraw为原始图像，Idark为暗电流图像，Iref为参考板图像。

通过对高光谱图像分割、降噪，获取拟南芥的全部冠层，作为目标区域(region of interest，ROI)，求出拟南芥冠层在874～1 733 nm的平均光谱反射率，研究高光谱成像扫描速度对图像信息的影响。

1.4 冠层含水率测量

首先，准确称量拟南芥冠层样本的质量(精度为0.001 g)，然后按照顺序放入干燥箱，温度设定为80 ℃，干燥20 min后放入干燥器中静置10 min至室温，称取样品质量。再将样品放入干燥箱5 min后冷却再次测量。重复干燥、冷却、测量的操作，直至干燥后的样品质量恒定，取出样本后计算冠层含水率，计算公式为

M(%)=(M1-m0)/(M1-m1)

(2)

式中：M为冠层含水率(%)，m1为容器质量(g)，M1为烘干前冠层样本质量和容器总重(g)，m0为烘干后冠层样本质量和容器总重(g)[14-15]。

1.5 拟南芥检测特征波段选择与建模方法

1.5.1 PLSR模型建立

偏最小二乘算法(partial least squares regression, PLSR)将多因变量的样本映射到多自变量空间，回归建模，当变量内部有高度线性相关性时，回归模型的准确度高[16-17]。将拟南芥的冠层反射率原始特征数据X0(N×m)维和Y0(N×n)维利用主成分回归的思想进行标准化处理，得到E0=(xj)N×m和F0=(yi)N×n两个标准化的矩阵。对拟南芥近红外高光谱冠层反射率信息重新综合筛选，从中选取若干对含水率具有最佳解释能力的成分进行回归建模。通过拉格朗日算法逐次迭代计算，建立PLSR回归模型，进行含水率预测。

1.5.2 连续投影算法选择特征波长

利用拟南芥冠层近红外高光谱全波段信息进行模型训练预测冠层含水率时，数据量大，运行速度较慢。连续投影算法(successive projection algorithm，SPA)筛选矢量空间线性最小化的前向变量，从光谱变量中找出冗杂信息最少的变量组，并且该变量组内变量之间共线性最小[18]。

构造测试集矩阵的正交投影矢量，求解出最大投影至对应的波长位置，获得降维的测试集矩阵，根据多元定量校正模型获取m个(1≤m≤256)最优波长的数值。

1.5.3 模型识别效果的评判标准及数据分析软件

模型预测精度选择决定系数(determination coefficients，R2)、均方根误差(root mean squared error，RMSE)、相对分析误差(relative percent deviation，RPD)三个参数。R2反映模型建立和验证的稳定性，越接近1，模型稳定性越好；RMSE越小的模型预测能力越好；RPD≥2时，模型具有极好的预测能力。

本次数据分析的软件平台为MATLAB R2017b(MathWorks, Inc., Natick, MA, USA)和IBM SPSS Statistics(Version 24.0, IBM Corporation, Armonk, New York, USA)。

2 结果与讨论

2.1 拟南芥RGB图像随干旱天数变化

拟南芥培养过程中对干旱胁迫的响应与拟南芥基因型、干旱胁迫强度等因素有关。从图1中可以看出，拟南芥培养到十叶期附近，干旱天数越长，受干旱胁迫影响越大，两种基因型的拟南芥主侧茎受到抑制，叶面积越小。

图1(a)为正常状态下的Col-0野生型拟南芥，图1(g)为正常状态下的OSCA1干旱敏感型突变体，但是无法根据肉眼进行区分。如图1(f)与图1(l)比较，OSCA1突变体拟南芥冠层叶片呈现明显卷曲，Col-0拟南芥卷曲程度较低。因此Col-0野生型与OSCA1突变体基因型拟南芥可以作为植物冠层含水率预测的实验对象。

图1 拟南芥的RGB图片(a)—(f)：Col-0野生型干旱胁迫天数0～5 d；(g)—(l)：OSCA1突变体基因型干旱胁迫天数0～5 dFig.1 RGB images of Arabidopsis phenotypes(a)—(f)：Col-0 ecotype on 0～5 days of drought stress；(g)—(l)：OSCA1 mutant genotypes on 0～5 days of drought stress

2.2 拟南芥冠层含水率随干旱胁迫天数变化

从图2拟南芥冠层含水率变化趋势中可以看出，在相同培养条件下，Col-0野生型拟南芥冠层含水率略高于OSCA1突变型拟南芥，随着干旱胁迫时间增加，拟南芥冠层含水率降低。

图2 拟南芥冠层含水率与干旱胁迫天数的关系

OSCA1突变型拟南芥在干旱胁迫条件下，冠层含水率下降速度大于Col-0野生型拟南芥。通过样本的标准偏差分析，在干旱胁迫0天的情况下，Col-0野生型标准偏差为0.10，OSCA1突变型标准偏差为0.12，在干旱胁迫5 d的情况下，Col-0野生型标准偏差为0.86，OSCA1突变型标准偏差为0.97。从中可以看出实验所用OSCA1突变型拟南芥的抗旱能力低于野生型拟南芥。

在正常培养状态下，OSCA1突变型与野生型含水率存在差异，Duncan检验结果显示，在空白对照组的对照下，实验组中干旱天数为1和2 d的两组拟南芥突变体与野生型含水率显著性差异均小于0.01，对干旱胁迫程度响应并不敏感。

2.3 不同光谱预处理方法模型效果分析

原始扫描速度下，拟南芥冠层近红外高光谱平均光谱在930和1 400 nm左右分别出现反射率峰值，且在这些峰值上的光谱值差异较大。在1 450 nm为O—H的伸缩振动的一级倍频，附近有明显的水分吸收谷[19]。不同干旱胁迫程度的拟南芥近红外高光谱图像反射率曲线的吸收深度和吸收面积不同。

图3 拟南芥冠层近红外高光谱平均光谱(20 mm·s-1)Fig.3 Mean spectra of all Arabidopsis canopy (20 mm·s-1)

把预处理后的光谱数据作为自变量，拟南芥冠层含水率作为因变量，建立PLSR模型。比较原始光谱与多元散射校正(multiplicative scatter correction, MSC)、Savitsky-Golay、Savitsky-Golay对数变换三种预处理方式后PLSR模型的结果，选取最佳光谱预处理方法用于后续的数据处理。MSC预处理方法所建立的PLSR模型结果最优。该方法得出的决定系数R2、相对分析误差RPD最大分别为0.907和3.28，证明模型有较好的准确度和稳定性；同时原始光谱与MSC预处理光谱的RMSEP相同，表明MSC预处理方法最优。

表1 不同光谱预处理方法的PLSR模型结果(20 mm·s-1)

图4 基于不同扫描速度的全波段PLSR模型结果(a)：20 mm·s-1；(b)：30 mm·s-1；(c)：40 mm·s-1Fig.4 PLSR model results for different moving speeds with full spectra(a)：20 mm·s-1；(b)：30 mm·s-1；(c)：40 mm·s-1

2.4 基于全波段的不同扫描速度下拟南芥冠层含水率预测模型

利用扫描速度为20 mm·s-1的拟南芥近红外高光谱图像计算拟南芥冠层的平均反射率，将经过MSC预处理后全波段下的平均冠层反射率作为输入变量，利用PLSR算法建立冠层含水率预测模型。后改变扫描速度为30和40 mm·s-1，同样采用PLSR算法建立冠层含水率预测模型，可以发现，随着扫描速度的增加，高光谱图像的空间分辨率降低，冠层含水率预测模型的准确度略有下降，扫描速度从20 mm·s-1提升到30 mm·s-1，预测模型决定系数R2下降0.88%，相对分析误差RPD下降4.3%；扫描速度提升到40 mm·s-1的情况下，预测模型R2下降2.3%，相对分析误差RPD下降6.9%。综合考虑效率和准确度，选择30 mm·s-1扫描速度进行拟南芥冠层含水率预测效果最佳。

如图5所示，1.5×原始扫描速度下的近红外高光谱图片的空间维度分辨率为原始扫描速度的66%，2×原始扫描速度的近红外高光谱图像的空间维度分辨率为1×原始扫描速度的44.75%。三种扫描速度情况下，PLSR冠层含水率预测模型的RPD≥2，证明模型始终有较好的预测能力。但利用全波段信息建立的冠层含水率预测模型1.5×原始扫描速度的冠层含水率预测模型准确度降低0.94%，小于1%，因此利用近红外光谱预测植物冠层含水率时，适当提高扫描速度，能够显著加快信息处理速度。

图5 不同光谱图像扫描速度的图像空间分辨率(a)：20 mm·s-1；(b)：30 mm·s-1；(c)：40 mm·s-1Fig.5 The variation of spatial resolution caused by different scanning speeds(a)：20 mm·s-1；(b)：30 mm·s-1；(c)：40 mm·s-1

2.5 基于特征波长的不同扫描速度下拟南芥冠层含水率预测模型

利用连续投影算法，从基于MSC预处理后的不同扫描速度的全波段冠层反射率数据中，筛选出最优波长数据，将最优波长下的拟南芥冠层反射率数据作为输入变量，建立冠层含水率预测模型。

从图6结果中可以发现基于最优特征波长建立的PLSR拟南芥冠层含水率预测模型中，20 mm·s-1扫描速度预测准确度R2为0.847，30和40 mm·s-1扫描速度的准确度与原始扫描速度相比，分别下降5.0%和13.3%。SPA筛选最优特征波长，只能保证高光谱图像中的部分关键信息不丢失，三种扫描速度的拟南芥冠层含水率预测模型准确率与全波段情况下的预测模型准确率相比分别下降了7.1%，10.9%和17.5%，在SPA方法中, 只用了极少数的变量来建模，所以建立的PLSR模型精度均低于全波长冠层含水率模型。

表2 不同扫描速度下连续投影算法的近红外高光谱图像的最优特征波长

3 结 论

图6 基于特征波长的PLSR模型效果(a)：20 mm·s-1；(b)：30 mm·s-1；(c)：40 mm·s-1