劉玉霞，王振錫，李 園，丁 雅，瞿余紅，董 淼

(新疆農業(yè)大學林學與園藝學院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產業(yè)技術重點實驗室，烏魯木齊 830052)

0 引 言

【研究意義】鐵(Fe)元素是植物正常生命活動所必需的微量元素之一[1]，是植物細胞中轉運蛋白的重要輔助因子[2]。缺Fe會抑制植被葉綠體中光合電子鏈傳遞，影響植物光合作用[3]。Fe元素與其它元素之間比例失調還會引起果樹葉片失綠，新生幼嫩葉片變?yōu)辄S綠色，進而變白，嚴重的將導致頂端枯死[4]。另外，低產果園樹體葉片大多出現缺Fe癥狀，表明果樹產量與葉片Fe元素含量之間具有較強的正相關關系[5]。傳統(tǒng)果樹樹體營養(yǎng)盈虧檢測均通過實地采樣和室內化學分析來實現，所得結果比較精確，但費時耗力、有破壞性和時效性差的缺陷[6]，僅能反映局部區(qū)域和短時間內的元素含量變化，不適用于大面積果樹種植區(qū)的樹體營養(yǎng)虧缺監(jiān)測。近年來，隨著遙感技術的快速發(fā)展，光譜分析技術能夠彌補傳統(tǒng)檢測方法缺乏空間廣泛性和時間連續(xù)性[7]的不足，能夠快捷、高效、無損的監(jiān)測作物生化組分含量的變化[8]。以新疆阿克蘇地區(qū)紅旗坡農場蘋果品種巖富10號為研究對象，該品種果大、色豐、風味佳，其分布區(qū)僅限于阿克蘇市紅旗坡周邊區(qū)域。將光譜分析技術應用于果樹葉片營養(yǎng)元素含量估測，可以有效提高果樹營養(yǎng)監(jiān)測效率，對于果樹營養(yǎng)盈虧診斷、生長狀態(tài)監(jiān)測發(fā)揮著重要作用[9]?！厩叭搜芯窟M展】目前，國內外利用高光譜技術估測植物營養(yǎng)元素含量的研究對象主要集中在小麥(Triticumaestivum)[10-12]、玉米(Zeamays)[13-15]、水稻(Oryzasativa)[16-18]等農作物，而在果樹方面植物營養(yǎng)元素含量光譜估測在氮(N)、磷(P)、鉀(K)方面研究相對較多，微量元素較少。朱西存[19]、李丙智[20]、房賢一[21]等均基于光譜分析技術構建了蘋果大量元素含量的線性模型，模型的估測效果都具有較高的精確度，R2均大于0.6。在敏感波段選擇方面，陳志強等[22]對蘋果(Maluspumila)花硼(B)含量開展了光譜反演，發(fā)現蘋果花的一階微分光譜與B素含量極顯著負相關；Danghtry[23]和張瑤等[24]認為與單一波段光譜參數相比，不同波長組合的光譜組合能夠提高其與植被營養(yǎng)元素含量的相關關系?！颈狙芯壳腥朦c】在植被Fe元素含量估測中，輪臺白杏葉片Fe元素濃度與光譜反射率一階微分的相關系數達到了0.852 4[25-26]。巖富10號葉片Fe元素含量與四點差分的一階微分光譜也表現出很好的相關性[27]。利用一階微分變換、光譜組合、偏最小二乘法(partial least squares，PLS)開展巖富10號葉片Fe元素含量的光譜估測。【擬解決的關鍵問題】蘋果品種巖富10號葉片8月光譜反射率特征與葉片Fe元素含量的相關關系，構建葉片Fe元素含量的光譜估測模型，為基于高光譜的新疆林果產業(yè)大規(guī)模營養(yǎng)診斷提供技術支撐。

1 材料與方法

1.1 材 料

試驗于2016年8月在新疆阿克蘇地區(qū)紅旗坡農場進行。研究區(qū)坐落于新疆塔里木盆地北緣，橫居天山山脈南麓中段(地理坐標N41°17′56.42″～N41°18′56.16″、E80°20′23″～E80°20′56.16″)，海拔1 215 m。屬于暖溫帶大陸性干旱氣候，降雨量少，晝夜溫差大，全年無霜期達到169～247 d。全年日照居全國第二，平均每天達到8～11 h，年太陽總輻射量為5 340～6 220 MJ/m2，光熱資源十分豐富，是蘋果種植的典型地區(qū)。在研究區(qū)隨機選取8個處于盛果期(7～8 a生)的蘋果種植園，每個園內典型選取8棵樣株，分別在每棵樣株的陰面、中部、陽面3個方向上進行葉片采集，在每個采集部位重復取3片蘋果葉片作為光譜測定的樣本，共選取樣株64株，樣本點共計192個。將采集的新鮮葉片放入密封袋迅速帶回實驗室，避開主葉脈，采用主動光譜在葉片的三個代表性部位(葉基、葉中、葉底)分別測定光譜反射率，并對每個樣本點測定葉片Fe元素含量。

1.2 方 法

1.2.1 葉片光譜測定

葉片光譜反射率的測定采用美國Analytical Spectral Device(ASD)公司生產的便攜式野外地物光譜儀Field Spec4。它能夠捕獲可見光和近紅外光譜(visible and near-infrared)，其光譜波段范圍為350～2 500 nm，視場角為1～25°。光譜輸出時，儀器自動進行重采樣，重采樣間隔為1 nm，共輸出2 151個波段數。為了保證葉片光譜數據與葉片營養(yǎng)元素含量測定的一致性，將葉片用脫脂棉擦拭干凈后，避開葉脈，在葉基、葉中、葉底三個部位進行光譜反射率采集，光譜測定前要注意標準白板校正，白板校正界面呈現一條反射率數值為1.00的平直線即可，每10 min進行一次優(yōu)化，避免樣本所處的照明條件以及環(huán)境條件不同影響數據質量。

1.2.2 葉片Fe含量測定

將光譜測定后的葉片去除主葉脈，80℃ 下烘干，粉碎，采取HNO3-HCLO4消煮，靜置過夜，通過滴定、過濾，得到葉片Fe元素含量待測液。采用AA-670型原子吸收光譜儀進行葉片Fe元素含量測定。測定公式為

Fe =P×V/M.

(1)

其中P為顯色液Fe的質量濃度(mg/mL)，V為顯色液體積(mL)，M為干樣品質量。

1.3 數據處理

1.3.1 光譜數據

觀察光譜曲線，利用View SpecPro軟件對獲取的葉片原始光譜反射率進行異常值剔除，將篩選出的六組光譜數據求均值，將光譜數據轉化為文本(txt)數據，在Excel中采用五點加權法平滑數據。原始光譜數據經微分處理能夠在一定程度上增強光譜數據與反演參量的相關關系，一階微分光譜在一定程度上能夠消除部分線性噪聲光譜對目標光譜的影響剔除異常光譜。該文采用一階微分、倒數、對數、歸一化、倒數一階、對數一階、歸一化一階7種光譜微分變換，分析各數據變換與葉片Fe元素含量之間的相關關系，并以加減乘除的運算方法，構建敏感波段間的光譜組合，尋找增強巖富10號葉片光譜與Fe元素含量間相關關系和模型精度最佳的敏感波段組合。

1.3.2 模型構建與精度檢驗

使用Excel開展蘋果葉片光譜與鐵素含量的相關分析在SPSS下進行逐步回歸分析(stepwise regression，SR)和偏最小二乘法建模。研究共保留樣本130個(隨機選取建模樣本100個，檢驗樣本30個)，采用決定系數(R2)均方根誤差(RMSE)、相對誤差(RE)評價模型的精度。

(2)

RE=△/L×100%.

(3)

2 結果與分析

2.1 葉片光譜特征

由光譜反射率數據繪制的巖富10號葉片平均光譜曲線可見，巖富10號葉片平均光譜反射率變化特征基本符合綠色植被的光譜曲線變化規(guī)律，在可見光范圍內反射率較在550 nm處出現綠峰，在其兩側480(藍谷)和680 nm(紅谷)有兩個明顯的吸谷。這是由于光合作用過程中，葉片葉綠素對藍光和紅光吸收強烈，對綠光吸收較弱所致。葉片多重反射作用，在近紅外波段700～1 350 nm反射率急劇增加，形成明顯抬升，這一區(qū)域光譜反射率較高且波動較小，并在1 086 nm處出現峰值。受到葉片含水量影響，致使吸收率升高，中紅外波段1 350～2 500 nm光譜反射率整體低于近紅外波段區(qū)間，并在1 450、1 945和2 500 nm處分別形成了明顯的吸收谷。圖1

圖1 巖富10號葉片原始光譜反射率

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

2.2 葉片光譜與Fe元素含量相關性

2.3 葉片光譜組合與Fe元素含量相關性

圖2 巖富10號葉片光譜反射率與Fe元素含量之間關系

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

表1 巖富10號葉片光譜組合與Fe元素含量相關性

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

光譜參數Spectral parameters相關系數Correlation光譜參數Spectral parameters相關系數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 葉片Fe元素含量高光譜估測模型

表2 巖富10號葉片Fe元素含量與光譜組合的PLS模型

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

自變量(x)Independent variablesPLS模型PLS modelsPLS擬合度Fitting degree of PLSP值P-ValueSR模型擬合度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表示線性回歸模型的顯著性，*為顯著，P<0.05；**為極顯著，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 模型檢驗

為了驗證建立的估測模型的普適性，選取30個樣本的葉片光譜反射率值與Fe元素含量數據，對PLS法構建的擬合效果較好的前四個回歸模型a(x1、x2、x3、x4)、b(x2、x3、x4)、c(x1、x2、x4)、d(x1、x2、x3)進行檢驗，得到實測值與估測值的比較圖，用擬合度(R2)、均方根誤差(RMSE)和相對誤差(RE)判斷估測模型的精度水平。圖3，表3

研究表明，在95%的置信區(qū)間下，自變量個數越多的模型，其檢驗精度也越高。四個模型的決定系數均在0.7以上，RMSE都小于0.26，RE在7%左右，說明各估測模型具有較強的穩(wěn)定性，估測值與實測值差異不大。其中，模型a(x1、x2、x3、x4)和b(x2、x3、x4)的檢驗精度較高，驗證模型決定系數(R2)都在0.85以上。模型a(x1、x2、x3、x4)的檢驗系數R2最高，達到了0.884 4，而且RMSE和RE也較小，分別為0.157 7和6.1%，說明模型的精度較高，因此，研究區(qū)巖富10號葉片鐵含量最優(yōu)估測模型為y=-1 316.898 5+148 111 106.119x1-467 754.547 7x2+80 284.188 4x3-2 879.980 1x4。表3

圖3 巖富10號葉片Fe元素含量實測值與估測值之間關系

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

表3 估測模型及精度

Table 3 Estimating models and precision

估測模型Estimating Models決定系數Inspection coefficient (R2)均方根誤差RMSE相對誤差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 討 論

在植被生化參量的光譜估測模型構建過程中，經常采用的建模方法有回歸分析法，BP神經網絡法，支持向量機法等。近年來采用PLS法反演植被生化參量，取得了較好的擬合效果。王卓遠[6]對蘋果葉片N素濃度進行了光譜估算模型構建，結果表明，基于4個自變量的PLS估測模型的精度均高于逐步回歸分析模型，估測模型擬合度為0.632 3[33]；潘蓓、田喜等[34-35]在建立蘋果、柑橘營養(yǎng)元素濃度光譜反演模型時，柑橘葉片營養(yǎng)元素含量的估測模型的檢驗精度達到了在0.75。蘇藝等[36]分別采用PLS與BP神經網絡構建橡膠小苗葉片P素含量的光譜估測模型，發(fā)現PLS的模型擬合效果最佳，R2達到了0.931 7。研究采用PLS與SR構建了研究區(qū)蘋果葉片Fe元素含量的光譜估測模型，結果顯示PLS模型精度明顯高于SR模型，其中PLS模型R2最高為0.827 5，而SR模型僅達到0.675 9。這是由于PLS法能夠將多元線性回歸分析、典型相關分析和主成分分析有機結合，可以有效提高自變量與因變量之間的相關關系，進而提高了模型擬合精度。

4 結 論