基于高光谱影像的虫害水稻叶片花青素含量估算

田明璐,班松涛,袁 涛,王彦宇,马 超,李琳一

(上海市农业科学院农业科技信息研究所,上海市数字农业工程技术研究中心,农业农村部长三角智慧农业技术重点实验室,上海 201403)

稻纵卷叶螟是水稻的一种常见虫害,大规模的虫害会造成水稻严重减产,因此对稻纵卷叶螟为害状况的监测十分重要[1]。花青素(Anthocyanin,Anth)是一类渗透调节物质,具有抗氧化、修复叶片损伤后等作用[2]。研究发现当植物遭受生物或非生物胁迫时,花青素浓度会显著升高[3],花青素含量可以成为反映植物生理状况的一种指标。从这一特性出发,遭受稻纵卷叶螟为害的水稻叶片花青素含量能够作为判断虫害程度的重要依据。稻纵卷叶螟对叶片的损害是从局部开始向全叶片蔓延,在同一片叶上不同位置花青素含量也有较大的差异。目前植物叶片花青素测量主要采用化学方法或便携式仪器测量,无法精确描述叶片尺度上花青素含量的分布状况。Gitelson等[2]、Sims等[4]研究表明,植物叶片内花青素含量与波长为550 nm的反射光谱有着密切的关系;基于高光谱的植物叶片花青素反演已被刘秀英等[5]的研究证实为可行。而高光谱图像具有图谱合一的特点,图像上每一个像元点都含有大量光谱信息,利用高光谱图像可以进一步得到花青素在叶片上的分布状况[6]。因此,本研究使用高光谱图像估算稻纵卷叶螟虫害叶片的花青素含量分布状况,以期为水稻叶片花青素值测量和虫害监测提供一种直观、快速、定量化的技术手段。

1 材料与方法

1.1 数据获取与处理

于2018年8月20日,在同一块水稻田内,采集50片健康水稻叶片和50片遭受不同程度稻纵卷叶螟虫害的叶片,装入保鲜袋中带回实验室。在暗室环境下,将叶片置于黑色吸光背景布上,使用高光谱成像系统分别获取每一片叶片的高光谱图像。该成像系统由高光谱成像仪、卤素光源和电动传动平台三部分构成。所用到的高光谱成像仪型号为Resonon Pika L,是一种外置推扫式高光谱成像仪,光谱范围为400—1 000 nm,光谱分辨率为2.1 nm,光谱通道数为281,空间通道数为900。高光谱图像获取完成后,使用Dualex Scientific+植物多酚测定仪测量水稻叶片花青素值。该仪器基于植物荧光技术实现对叶片花青素含量的无损测量,所得到的花青素值为无量纲数值,能够表征叶片被测部位的花青素含量[7]。在健康叶片上选取叶中区域,在虫害叶片上选取虫害最集中的区域,测量花青素值,并标记测量位置,共计得到100个样点的花青素值测量得到的各水稻叶片的花青素含量描述性统计信息如表1所示。

表1 水稻叶片花青素值描述性统计Table 1 Descriptive statistics of the rice leaf anthocyanin values

在ENVI软件中,使用ROI(Region of interest)工具分别圈选每个叶片与花青素值测量对应的区域,统计区域内所有像元的光谱反射率的平均值作为该区域的光谱反射率数据,并与对应的花青素值进行关联,构成100组样本数据。

1.2 研究方法

1.2.1 光谱处理

使用Savitaky-Golay卷积法对各样本的光谱进行平滑处理,消除因探测器和环境造成的噪声干扰[8]。为了进一步消除背景干扰,对平滑处理后的光谱进行一阶导数变换[9]。一阶导数光谱的计算公式为:

式中,λi为波段i的波长;R(λi)为i波段的波段反射率;Δλ为波长λi-1到波长λi的距离;R′(λi)为波长λi的一阶导数光谱值。

1.2.2 植被指数选取

植被指数(Vegetation index,VI)通过对不同波段光谱反射率的数学运算,增强植被相关的信息[10]。花青素是一种植物色素,因此本研究选取12种与色素关系密切的植被指数,分析这些植被指数与花青素值的相关关系。各植被指数的名称及定义如表2所示。

表2 植被指数及计算公式Table 2 Vegetation indices and the formulas

1.2.3 建模方法

使用随机抽样法,从100组数据中选择70个作为建模数据集(Calibration dataset,记为cal),余下30个作为验证数据集(Validation dataset,记为val)。分别使用多元逐步回归(Multiple stepwise regression,MSR)、偏最小二乘回归(Partial least squares regression,PLSR)和支持向量机回归(Support vector regression,SVR)3种算法构建水稻叶片花青素估算模型,以决定系数R2和均方根误差(RMSE)为标准比较各模型的建模精度,比较不同模型的精度;当R2越接近于1、RMSE越接近于0时,模型精度越高。

2 结果与分析

2.1 水稻叶片花青素值与虫害严重程度关系

通过叶片遭稻纵卷叶螟啃食面积所占比例,将虫害分为健康(无虫害)、轻度(叶片有一小部分轻微变黄,被害部分在20%以下)、中度(叶片约有1∕3变成黄白色,被害部分在40%以下)和重度(叶片大部分已成黄白色,被害部分在40%以上)4种程度等级,对比不同虫害程度叶片花青素值的平均值,如图1所示。健康水稻叶片的花青素值平均为0.05,轻度虫害叶片的花青素均值为0.08,中度虫害叶片的花青素均值为0.17,而重度虫害的叶片花青素均值达到了0.27。结果表明,水稻叶片的花青素含量随着虫情的严重程度加剧而升高,叶片花青素值可以反映出水稻遭受虫害的严重程度。

图1 不同程度稻纵卷叶螟为害的水稻叶片花青素值Fig.1 Anthocyanin value of rice leaf in different infested level

2.2 水稻叶片花青素值与光谱相关性分析

分别对花青素值与对应的反射光谱和一阶导数光谱进行相关性分析,结果如图2所示。对于反射光谱,在波长为400—710 nm的可将光-红边波段范围内,花青素值与光谱反射率表现为极显著正相关(0.01水平),相关系数达到0.6以上,最高为0.878(677 nm处);在波长为730—870 nm的红边-近红外波段范围,花青素与光谱反射率表现为较弱的负相关,相关系数绝对值最大不超过0.35;在波长870—1 000 nm的近红外范围,二者不具有相关性。对于一阶导数光谱,花青素值与一阶导数光谱在波长为400—490 nm、520—536 nm、544—650 nm、690—760 nm、780—930 nm 5个波段范围内表现出极显著相关(0.01水平),其中400—490 nm、520—536 nm和690—760 nm 3处范围相关系数绝对值较高,对应的相关系数和波长分别为0.883(464 nm)、0.843(553 nm)、-0.811(713 nm)。

图2 花青素值与各波段光谱相关性Fig.2 Correlation coefficient between the anthocyanin value and spectra at each band

2.3 水稻叶片花青素值与植被指数相关性分析

如图3所示,水稻叶片花青素值与各植被指数均表现出极显著相关(0.01水平),且相关系数绝对值都比较高,均在0.7以上。其中,花青素值与NDVI、RVI、GNDVI、SIPI、CRI1、CRI2、RARSc、NPQI和PRI 9个植被指数极显著负相关,负相关性最强的为NDVI,相关系数为-0.887;与ARI1、ARI2和RARSa 3个植被指数极显著正相关,正相关性最强的为RARSa,相关系数为0.878。

图3 花青素值与各植被指数相关性Fig.3 Correlation coefficient between the anthocyanin value and vegetation indices

2.4 水稻叶片花青素值高光谱估算模型

使用建模数据集构建水稻叶片花青素估算模型:选用相关系数绝对值高于0.6的波段上的原始反射光谱、一阶导数光谱、以及12个植被指数作为自变量,对每一种自变量分别采用MSR、PLSR和SVR 3种算法,构建水稻叶片花青素估算模型;将验证数据集中对应的光谱变量代入各个模型中得到花青素预测值,通过对花青素预测值与实测值的线性拟合分析,对各模型精度进行检验;结果如表3所示。整体来说,各模型均达到较高的精度(Rcal2、Rval2均大于0.7)。其中精度最高的是以植被指数为自变量、使用PLSR算法的Anth_VI_PLSR模型:建模达Rcal2到0.801、验证Rval2达到0.783,为所有模型中的最高值;RMSEcal为0.032、RMSEcal为0.035,是所有模型中的最低值。

表3 水稻叶片花青素值估算模型及精度验证Table 3 Estimation models of rice leaf anthocyanin value and the precision validation

从自变量选择的角度看,在使用同种建模算法时,采用植被指数为自变量的模型精度普遍较高。从建模算法选择的角度看,在使用同种自变量时,SVR算法的建模精度相对较高,但验证精度较低;PLSR算法在建模和验证中都取得较高的精度;MSR算法的建模精度相对较低,但在模型验证中精度优于SVR模型;PLSR和MSR算法均表现出较好稳定性。

2.5 水稻叶片花青素值分布

以遭受不同程度稻纵卷叶螟虫害的1—3号叶片为例,使用Anth_VI_PLSR模型对3片叶的高光谱图像进行逐像元解算,得到花青素值在3个叶片上的分布图(图4)。图4b上每一个像元的值表示叶片上该点的花青素值。可以看出,叶片上不同虫害程度位置的花青素值有着明显的差异,虫害越严重,对应区域的花青素值越高。

图4 水稻叶片花青素值分布Fig.4 Distribution of anthocyanin value in the infested leaves

3 讨论

水稻叶片花青素值与反射率在可见光-红边波段范围内表现出极显著正相关,并在红光波段达到最大值,这些结果与前人对小麦[20]和玉米[5]叶片花青素值高光谱特征的研究相一致,这主要是由于花青素是非光合类色素,对可见光以反射为主,且对红光反射能力最强[2]。此外,作为一种色素类物质,花青素值也与多个色素相关的植被指数有着很高的相关性,但针对具体指数的相关性系数与前人研究有所差异,这主要是由于植物种类的不同造成的。

基于不同光谱参数和算法建立的水稻叶片花青素值估算模型中,以植被指数为自变量、使用PLSR算法的Anth_VI_PLSR模型精度最高。采用植被指数为自变量的模型精度高于采用光谱反射率和一阶导数光谱的模型。这主要是由于纯光谱变量中引入的波段较多、噪音也较多,造成模型精度下降;植被指数通过比值、归一化等运算可以消除噪声信息,因而模型精度更高。采用PLSR算法的模型精度高于MSR和SVR算法,是由于PLSR算法综合使用了主成分分析、典型相关分析和多元线性回归分析等方法,在模型的构建中最大程度利用了自变量信息,因此具有较好的预测能力。

花青素具有辅助修复叶片损伤的功能,在植物受到胁迫时,叶片内会产生更多花青素,因此叶片花青素值及其分布不但可以反映出水稻遭受虫害的严重程度,也可以反映病害、干旱、养分缺乏等其他生物或非生物胁迫的严重程度,可以广泛地用作一种定量化判断水稻健康状况的方法。

4 结论

本研究通过高光谱影像估算水稻叶片花青素值,并据此判断遭受稻纵卷叶螟为害叶片的虫害程度,主要结论为:(1)水稻叶片花青素值与反射率在波长为400—710 nm的可将光-红边波段范围内在0.01水平上表现出极显著正相关,相关系数在677 nm的红光波段达到最大值,为0.878;花青素值与一阶导数光谱在多个波段范围表现出极显著相关性(0.01水平),相关系数绝对值在464 nm处达到最大值,为0.883;花青素值与多个植被指数高度相关,其中相关性最强的为NDVI,相关系数达到-0.887。(2)水稻叶片花青素值估算模型中,基于植被指数和PLSR算法的Anth_VI_PLSR模型精度最高(Rcal2为0.801)。基于Anth_VI_PLSR模型计算得到的水稻叶片花青素值分布图能够直观的反映出花青素值随着病害程度的变化规律。