李勛蘭　王武　楊蕾　韓國(guó)輝　楊海健　洪林

摘? ?要? ?及時(shí)準(zhǔn)確地監(jiān)測(cè)柑橘樹體鉀營(yíng)養(yǎng)狀況，有助于科學(xué)施肥，提高柑橘果實(shí)的品質(zhì)和產(chǎn)量。試驗(yàn)對(duì)采集的W·默科特葉片鉀含量及葉片光譜信息進(jìn)行相關(guān)性分析，利用主成分分析和連續(xù)投影算法進(jìn)行降維處理，同時(shí)結(jié)合偏最小二乘回歸和最小二乘支持向量機(jī)回歸分別建立了葉片鉀含量預(yù)測(cè)模型。結(jié)果顯示，柑橘葉片鉀含量特征波長(zhǎng)主要集中在450～600 nm、700 nm左右、980～1030 nm區(qū)域;最小二乘支持向量機(jī)回歸模型的預(yù)測(cè)效果明顯優(yōu)于偏最小二乘回歸模型，預(yù)測(cè)集相關(guān)系數(shù)達(dá)0.91。結(jié)果表明，利用高光譜成像技術(shù)結(jié)合最小二乘支持向量機(jī)回歸可實(shí)現(xiàn)對(duì)柑橘葉片鉀含量的快速診斷。

關(guān)鍵詞? ?柑橘;高光譜;鉀含量;偏最小二乘回歸;最小二乘支持向量機(jī)回歸

中圖分類號(hào)：S666? ?文獻(xiàn)標(biāo)志碼：B? ? DOI：10.19415/j.cnki.1673-890x.2019.22.011

鉀素是柑橘生長(zhǎng)發(fā)育所必需的三大營(yíng)養(yǎng)元素之一，具有提高果實(shí)品質(zhì)和增強(qiáng)抗性等作用。合理施用鉀肥不僅能提高柑橘產(chǎn)量，還能提升果實(shí)品質(zhì)。不同生長(zhǎng)時(shí)期的柑橘樹體內(nèi)鉀素供求狀況和代謝變化非常復(fù)雜，對(duì)樹體葉片鉀素含量進(jìn)行實(shí)時(shí)監(jiān)控，有利于制訂科學(xué)的柑橘變量施肥方案，保證果實(shí)品質(zhì)和產(chǎn)量，提高果園產(chǎn)出效率。

目前，柑橘葉片營(yíng)養(yǎng)元素含量檢測(cè)的常規(guī)方法是化學(xué)分析方法，但其存在耗時(shí)長(zhǎng)、工作量大、過(guò)程繁瑣、時(shí)效性差和樣本易損壞等缺點(diǎn)，難以對(duì)大面積柑橘果園的樹體營(yíng)養(yǎng)元素進(jìn)行實(shí)時(shí)、精確檢測(cè)。高光譜成像技術(shù)具有快速、無(wú)損、精確度高等優(yōu)點(diǎn)，利用高光譜技術(shù)對(duì)植物營(yíng)養(yǎng)水平的診斷一直是研究熱點(diǎn)，但這類研究主要集中在對(duì)氮含量的診斷分析上[1-3]，而對(duì)鉀含量的快速診斷研究則較少。劉延等[4]分析了烤煙葉片鉀元素含量與原始光譜、光譜一階微分及高光譜特征變量間的相關(guān)性，采用多元逐步回歸分析方法建立了鉀含量高光譜預(yù)測(cè)模型。朱西存等[5]對(duì)蘋果花期冠層的高光譜信息和鉀素含量分別進(jìn)行相關(guān)分析，以相關(guān)系數(shù)最大者為自變量，采用模糊識(shí)別算法，建立鉀素含量估測(cè)模型。目前，對(duì)柑橘植株鉀元素含量快速診斷方面的研究報(bào)道很少。劉艷麗等[6]利用高光譜技術(shù)對(duì)柑橘花鉀含量進(jìn)行估測(cè)研究，采用iPLS和siPLS篩選特征波段，建立柑橘花鉀含量高光譜模型。易時(shí)來(lái)等[7]對(duì)高光譜信息預(yù)處理方法進(jìn)行比較，采用偏最小二乘法建立了盆栽錦橙葉片鉀含量高光譜監(jiān)測(cè)模型。由于研究對(duì)象和方法不同，前人所建立的鉀含量預(yù)測(cè)模型不具備普適性，應(yīng)用效果也有待驗(yàn)證。

本研究以重慶地區(qū)常見柑橘品種W·默科特為研究對(duì)象，通過(guò)對(duì)葉片鉀含量與葉片高光譜信息的相關(guān)性分析，比較兩種建模方法的精確性，以篩選出最佳的柑橘鉀含量預(yù)測(cè)方法，建立柑橘鉀含量快速診斷模型，為精確、科學(xué)、實(shí)時(shí)指導(dǎo)柑橘施肥提供參考。

1 材料與方法

1.1 葉片及其高光譜信息采集

試驗(yàn)樣品于2017年12月、2018年4月在重慶市江津區(qū)先鋒鎮(zhèn)柑橘品種區(qū)試果園內(nèi)采集，供試材料為9年生枳橙砧W·默科特雜柑。每次隨機(jī)選擇長(zhǎng)勢(shì)基本一致的植株，共10株，從樹冠東西南北4個(gè)方位采集春梢的第3片健康鮮葉，每個(gè)方位采集3個(gè)葉片作為一個(gè)樣本，每株采集4個(gè)葉片樣本，兩次共采集樣本80個(gè)。將采集的葉片樣本用自封袋封裝，低溫保存運(yùn)輸，在實(shí)驗(yàn)室用清水將葉片洗凈，晾干后，同步測(cè)定其高光譜信息和鉀含量。

葉片高光譜信息通過(guò)高光譜儀（Imspector， V10E， 芬蘭）、EMCCD（Raptor Photonics公司，英國(guó)）、光源（150W/21V 鹵鎢燈 Illuminator Technologies，Inc， 美國(guó)）、移動(dòng)平臺(tái)和控制器、筆記本電腦組成的高光譜數(shù)據(jù)采集系統(tǒng)在暗箱中采集。將樣品平鋪于黑色卡紙上，設(shè)定移動(dòng)平臺(tái)移動(dòng)速度為1.87 mm·s-1，葉片距相機(jī)物鏡40 cm，曝光時(shí)間60 ms，光譜分辨率2.8 nm。采集葉片高光譜圖像前要進(jìn)行黑白標(biāo)定圖像采集。

1.2 葉片鉀含量測(cè)定與高光譜信息提取

采集完高光譜信息后，立刻進(jìn)行葉片鉀含量測(cè)定。將葉片在105 ℃溫度下殺青，然后在80 ℃溫度下烘干至恒重，采用火焰分光光度法測(cè)量葉片鉀含量[8]。

高光譜圖像采集后，對(duì)圖像進(jìn)行黑白標(biāo)定（公式1），以去除噪聲和其他光源的干擾。

（1）

式（1）中，R為相對(duì)圖像，I為采集到的絕對(duì)圖像，W為采集時(shí)的全白標(biāo)定圖像，B為采集時(shí)的全黑標(biāo)定圖像。

利用ENVI 5.0軟件對(duì)標(biāo)定后的圖像提取葉片高光譜圖像感興趣區(qū)域（ROI），選擇波峰800 nm的灰度圖像，選取反射率介于0.4～0.7的葉片區(qū)域作為感興趣區(qū)域，提取感興趣區(qū)域的平均光譜數(shù)據(jù)作為整個(gè)葉片（除中脈區(qū)域外）的光譜反射率用于后續(xù)分析。

1.3 數(shù)據(jù)處理

采用標(biāo)準(zhǔn)正態(tài)變換對(duì)采集到的葉片原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，以消除葉片表面散射及光程變化對(duì)反射光譜的影響[9]。為了消除首尾波段存在的噪聲，選擇波長(zhǎng)范圍在450～1030 nm的光譜信息進(jìn)行葉片鉀含量光譜分析。本文利用Kennard-Stone算法[10]按照建模集與預(yù)測(cè)集3∶1的比例進(jìn)行樣本劃分，選取60個(gè)樣本作為建模集，20個(gè)樣本作為預(yù)測(cè)集。

為分析葉片鉀含量與光譜的相關(guān)性，進(jìn)行簡(jiǎn)單相關(guān)性分析。

為篩選最佳建模方法，本試驗(yàn)采用偏最小二乘回歸（PLSR）和最小二乘支持向量機(jī)回歸（LS-SVR）分別建立預(yù)測(cè)模型。利用主成分分析對(duì)預(yù)處理后的光譜信息進(jìn)行降維，再建立PLSR預(yù)測(cè)模型。采用連續(xù)投影算法對(duì)預(yù)處理后的光譜信息提取光譜特征波長(zhǎng)，然后將提取到的光譜特征波長(zhǎng)對(duì)應(yīng)光譜信息作為輸入，利用LS-SVR建立葉片鉀含量預(yù)測(cè)模型，本試驗(yàn)采用十折交叉驗(yàn)證對(duì)LS-SVR模型的兩個(gè)重要參數(shù)gam和sig2進(jìn)行尋優(yōu)處理，將尋優(yōu)得到gam和sig2值代入模型，利用建模集數(shù)據(jù)建立模型。

2 結(jié)果與分析

2.1 葉片鉀含量及光譜信息的關(guān)系

原始光譜標(biāo)準(zhǔn)正態(tài)變換后450～1 030 nm光譜反射率見圖1。從圖1可以看出，所采集的W·默科特葉片光譜反射值在450 nm附近、550 nm左右、680 nm左右、750 nm左右及1 000 nm左右存在較明顯差異。

從葉片鉀含量與光譜信息相關(guān)性分析結(jié)果（圖2）可以看出，在450～1030 nm波長(zhǎng)區(qū)域，葉片鉀素含量與光譜反射值成正相關(guān)。葉片鉀素含量與波長(zhǎng)450～600 nm和1 010～1 030 nm范圍的光譜反射值相關(guān)系數(shù)絕對(duì)值最大，該區(qū)域?qū)χ参镡浐款A(yù)測(cè)具有重要意義。

2.2 主成分分析及特征波長(zhǎng)提取

從主成分分析對(duì)光譜信息進(jìn)行降維處理的結(jié)果（見表1）可知，前2個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到94%，可代表所分析數(shù)據(jù)94%的信息。

連續(xù)投影算法可以有效消除各波長(zhǎng)變量之間的共線性影響，使得變量之間的共線性達(dá)到最小，降低模型的復(fù)雜度。通過(guò)Matlab2017a用連續(xù)投影算法對(duì)預(yù)處理后的光譜數(shù)據(jù)提取特征波長(zhǎng)，當(dāng)RMSE值最小時(shí)，獲得特征波長(zhǎng)14個(gè)，分別為450 nm、497 nm、520 nm、539 nm、556 nm、582 nm、682 nm、715 nm、734 nm、980 nm、1 007 nm、1 013 nm、1 026 nm、1 030 nm，主要集中在450～600 nm、700 nm左右、980～1 030 nm

區(qū)域。

2.3 建模預(yù)測(cè)結(jié)果

利用主成分分析提取到的前2個(gè)主成分作為輸入，建立葉片鉀含量PLSR模型對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)集相關(guān)系數(shù)RP為0.64，均方根誤差RMSEP為0.61，建模集相關(guān)系數(shù)RC為1.22，均方根誤差RMSEC為0.41。將連續(xù)投影算法提取到的14個(gè)特征波長(zhǎng)對(duì)應(yīng)光譜信息作為輸入，建立葉片鉀含量最小二乘支持向量機(jī)回歸模型對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)集相關(guān)系數(shù)RP為0.91，均方根誤差RMSEP為1.07，建模集相關(guān)系數(shù)RC為0.82，均方根誤差RMSEC為0.67。根據(jù)預(yù)測(cè)模型要有較高的相關(guān)系數(shù)，較小的RMSEP和RMSEC及RMSEP、RMSEC之間的差異要較小的模型性能評(píng)判原則，從PLSR模型和LS-SVR模型預(yù)測(cè)結(jié)果可以看出，本試驗(yàn)所建立的柑橘葉片鉀含量LS-SVR的預(yù)測(cè)精度較高，且預(yù)測(cè)效果明顯優(yōu)于PLSR模型。

3 小結(jié)

本研究分析了W·默科特葉片鉀含量與葉片光譜信息的相關(guān)性，利用主成分分析和連續(xù)投影算法對(duì)光譜信息進(jìn)行降維處理，采用偏最小二乘回歸和最小二乘法支持向量機(jī)回歸分別建立了葉片鉀含量預(yù)測(cè)模型。主要研究結(jié)果：利用連續(xù)投影算法可提取光譜特征波長(zhǎng);葉片鉀含量光譜敏感波段主要集中在450～600 nm、700 nm左右、980～1030 nm波長(zhǎng)區(qū)域;利用最小二乘支持向量機(jī)回歸模型可以實(shí)現(xiàn)對(duì)柑橘葉片鉀含量的預(yù)測(cè)。

參考文獻(xiàn)：

[1] 張國(guó)圣，許童羽，于豐華，等.基于高光譜的水稻葉片氮素估測(cè)與反演模型[J].浙江農(nóng)業(yè)學(xué)報(bào)，2017，29（5）：845-849.

[2] 甘海明，岳學(xué)軍，洪添勝，等.基于深度學(xué)習(xí)的龍眼葉片葉綠素含量預(yù)測(cè)的高光譜反演模型[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，39（3）：102-110.

[3] 黃雙萍，洪添勝，岳學(xué)軍，等.基于高光譜的柑橘葉片氮素含量多元回歸分析[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（5）：132-138.

[4] 劉延，吳秋菊，舒清態(tài).基于非成像高光譜的云煙97號(hào)葉片鉀含量估算研究[J].山東農(nóng)業(yè)科學(xué)，2018，50（4）：138-141.

[5] 朱西存，姜遠(yuǎn)茂，趙庚星，等.基于模糊識(shí)別的蘋果花期冠層鉀素含量高光譜估測(cè)[J].光譜學(xué)與光譜分析，2013，33（4）：1023-1027.

[6] 劉艷麗，何紹蘭，呂強(qiáng)，等.柑橘花鉀素營(yíng)養(yǎng)的高光譜表征[J].果樹學(xué)報(bào)，2014（6）：1065-1071.

[7] 易時(shí)來(lái)，鄧烈，何紹蘭，等.錦橙葉片鉀含量光譜監(jiān)測(cè)模型研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2010，43（4）：780-786.

[8] 邢東興，常慶瑞.基于光譜分析的果樹葉片全氮，全磷，全鉀含量估測(cè)研究——以紅富士蘋果樹為例[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，37（2）：141-147.

[9] 周竹，李小昱，李培武，等.基于 GA-LSSVM 和近紅外傅里葉變換的霉變板栗識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：331-335.

[10] 汪志濤，易時(shí)來(lái)，呂強(qiáng)，等.蓬萊鎮(zhèn)組紫色土光譜特征及其堿解氮預(yù)測(cè)方法研究[J].中國(guó)南方果樹，2016，45（2）：23-27.

（責(zé)任編輯：易? 婧）