劉 爽，于海業(yè)，樸兆佳，陳美辰，于 通，孔麗娟，張 蕾，黨敬民，隋媛媛

吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院，吉林 長春 130022

引 言

生理信息的準(zhǔn)確獲取可使管理者根據(jù)其生長狀況合理控制作物生長的環(huán)境參數(shù)，使水、肥、農(nóng)藥等得到精確的管理，因此，生理信息準(zhǔn)確獲取技術(shù)的研究可提高農(nóng)業(yè)生產(chǎn)的科學(xué)性，有效促進我國農(nóng)業(yè)整體水平的快速發(fā)展。近年來光譜技術(shù)的應(yīng)用推動了作物生理信息研究方面的快速發(fā)展，尤其是高光譜技術(shù)，獲取的光譜波段是連續(xù)的，光譜信息較精準(zhǔn)，因此被廣泛應(yīng)用于作物的生理信息研究[1]。但是，高光譜數(shù)據(jù)的波長間往往會包含一些其他的多余信息，增加大量的計算工作，因此對全波段的波長變量進行優(yōu)選和精簡十分必要。目前的研究表明，無關(guān)信息的存在會極大地降低模型的穩(wěn)健性，因此，對高光譜數(shù)據(jù)進行特征波長的篩選提取是建立最優(yōu)大豆生理信息反演模型的重要基礎(chǔ)[2-4]。

近年來提出了一些新型的特征波長變量優(yōu)選方法，主要包括競爭性自適應(yīng)權(quán)重取樣法(competitive adaptive reweighted sampling，CARS)、連續(xù)投影法(successive projections algorithm，SPA)、相關(guān)系數(shù)法(Correlation coefficient，CC)和其他算法等[5]。國內(nèi)外學(xué)者針對不同特征波長提取方法在建立判別模型上的應(yīng)用開展了大量的研究，Dai等[6]以蝦為研究對象，以冷凍和非冷凍為試驗條件，將SPA與SNV結(jié)合建立新鮮度檢測的判別模型，模型預(yù)測集的正確率均高于95%。劉澤蒙等[7]應(yīng)用離散螢火蟲算法(DFA)進行光譜特征變量篩選建立發(fā)酵液丁二酸含量的PLSR模型，Rc和Rp值高達(dá)0.986和0.969，模型精度優(yōu)于全光譜建模。牛智友等[8]應(yīng)用CARS算法進行生物質(zhì)秸稈中N和O元素含量的高光譜敏感變量優(yōu)選，用PLS方法建立了元素定量分析模型，建模變量數(shù)分別為24個和10個，相對分析誤差RPD分別為3.11和2.32，表明可進行實際應(yīng)用。目前對特征波長的提取方法研究，多是應(yīng)用在營養(yǎng)成分及元素含量等方面，而針對農(nóng)作物生理信息的研究鮮有報道。

本文通過高光譜技術(shù)采集大豆開花結(jié)莢期不同葉片的光譜、葉綠素含量、凈光合速率和光合有效輻射數(shù)據(jù)，采用9種預(yù)處理方法及3種特征波長篩選算法，篩選出最優(yōu)預(yù)處理方法和特征波長優(yōu)選方法，再結(jié)合PLS建模探討不同建模方法組合對反演大豆生理信息(葉綠素含量和光能利用率)準(zhǔn)確性的影響，為研究精準(zhǔn)、無損且快速的大豆生理信息檢測技術(shù)提供理論依據(jù)。

1 實驗部分

實驗于吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院日光溫室內(nèi)進行，供試大豆品種為虎山60，采用盆栽試驗，于2019年6月19日播種于塑料花盆中，每盆播種1粒種子，播種20盆，所有植株均進行一致管理，最后挑選10株長勢較好、形態(tài)均勻且健康無病蟲害的大豆植株作為實驗樣本。

1.1 數(shù)據(jù)采集與處理

于2019年7月27日和8月4日(分別以D1和D2表示)進行2次數(shù)據(jù)采集，2次采集的數(shù)據(jù)種類相同，采樣時間為9:00—14:00，測量時天氣晴朗，共采集50片大豆功能葉片的高光譜、葉綠素含量、凈光合速率和光合有效輻射4種數(shù)據(jù)。高光譜采用美國Analytical Spectral Devices分析光譜儀器公司產(chǎn)HH2地物光譜儀測定，測量范圍325～1 075 nm，采樣間隔1.4 nm，分辨率3 nm@700 nm，每片葉獲取10條光譜數(shù)據(jù)。葉綠素含量采用日本產(chǎn)SPAD-502測定，每片葉獲取3條數(shù)據(jù)。因SPAD-502讀數(shù)與葉綠素含量密切相關(guān)，因此文中將其值代表葉綠素含量[9]。凈光合速率和光合有效輻射采用美國產(chǎn)LI-6400型光合作用儀測定，每片葉獲取3條數(shù)據(jù)。以上4種數(shù)據(jù)均取其平均值作為分析所用數(shù)據(jù)。所用的數(shù)據(jù)處理與分析軟件為ViewSpec Pro，SPSS 24.0，Matlab R2015b和Origin 19.0。

1.2 光能利用率的計算

光能利用率通過下式進行計算[10]

Lue=Pn/Par×100%

式中：Lue為光能利用率；Pn為凈光合速率；Par為光合有效輻射。

2 結(jié)果與討論

2.1 基于不同預(yù)處理方法的高光譜建模分析

采用5種單一預(yù)處理方法分別為MSC，SNV，SG，F(xiàn)D和SD及4種組合方法分別為MSC-SG-FD，MSC-SG-SD，SNV-SG-FD，SNV-SG-SD共9種方法對原始光譜進行處理，采用梯度法選取40個樣本作為校正集，其余10個樣本作為預(yù)測集建立全波段PLS模型，模型的評價指標(biāo)為校正集和預(yù)測集相關(guān)系數(shù)Rc和Rp，其中，RAW預(yù)處理表示原始光譜，作為其他預(yù)處理方法的對照，結(jié)果如表1?？梢钥闯觯瑢τ谕环N生理信息，D1和D2建立的最優(yōu)模型所用預(yù)處理方法相同，MSC-SG-FD預(yù)處理后建立的葉綠素含量模型校正集和預(yù)測集相關(guān)系數(shù)最高，D1所建模型的Rc和Rp分別為0.909和0.882，D2所建模型的Rc和Rp分別為0.909和0.880。SNV-SG-FD預(yù)處理后建立的光能利用率模型校正集和預(yù)測集相關(guān)系數(shù)最高，D1所建模型的Rc和Rp分別為0.913和0.894，D2所建模型的Rc和Rp分別為0.902和0.869。選取MSC-SG-FD作為建立葉綠素含量反演模型所用預(yù)處理方法，SNV-SG-FD作為建立光能利用率反演模型所用預(yù)處理方法。

表1 高光譜預(yù)處理方法優(yōu)選結(jié)果Table 1 Optimization results from hyperspectral pre-processing methods

2.2 特征波長優(yōu)選方法分析

本研究采用的光譜儀有512個波長點，光譜變量較多，含有較多的冗余和共線性變量，需對其進行優(yōu)選以獲取最有效的光譜信息。將MSC-SG-FD和SNV-SG-FD預(yù)處理后的光譜進行特征波長篩選以分別建立大豆葉綠素含量和光能利用率的PLS反演模型。

2.2.1 CARS法篩選特征波長

基于CARS法進行大豆生理信息反演模型的特征波長提取結(jié)果如圖1。CARS算法中，每次通過自適應(yīng)加權(quán)采樣(adaptive reweighted sampling, ARS)保留PLS模型中回歸系數(shù)絕對值權(quán)重較大的點作為新的子集，去掉權(quán)重較小的點，然后基于新的子集建立PLS模型，經(jīng)多次計算，選擇PLS模型交叉驗證均方根誤差(RMSECV)最小的子集中的波長作為特征波長。由于CARS法中的蒙特卡羅采樣隨著采樣次數(shù)的不同呈現(xiàn)不同的運算結(jié)果[11-12]，所以本文通過設(shè)定不同的采樣次數(shù)后分別進行運算以選取相對較優(yōu)的波長變量，圖1為將采樣次數(shù)設(shè)為50次的最優(yōu)運算結(jié)果。如圖1(a)所示，采樣次數(shù)較少時，由于指數(shù)衰減函數(shù)(exponentially decreasing function，EDF)的作用，CARS法保留的波長變量數(shù)快速降低，當(dāng)采樣次數(shù)逐漸增加時，保留變量數(shù)的降低速度逐漸減緩。由圖1(a)可見，RMSECV值呈現(xiàn)不同程度的波動，“*”線標(biāo)出最小RMSECV值所對應(yīng)的采樣次數(shù)，即從開始到此次采樣次數(shù)的運算過程中剔除了與大豆生理信息無關(guān)的信息，則此次所選的波長子集即為建立大豆生理信息高光譜反演模型的最優(yōu)波長，所選的波長數(shù)量見圖1(a)。由圖1(a)和(b)可知，第25次(D1)和第18次(D2)采樣時，RMSECV值最小，對應(yīng)的最優(yōu)大豆葉綠素含量建模變量數(shù)分別為41個和96個，剔除的變量數(shù)分別為471個和416個，所選變量占全波段的8.01%和18.75%。由圖1(c)和(d)可知，第24次(D1)和第27次(D2)采樣時，RMSECV值最小，對應(yīng)的最優(yōu)大豆光能利用率建模變量數(shù)分別為46個和32個，剔除的變量數(shù)分別為466個和480個，所選變量占全波段的8.98%和6.25%。

圖1 CARS法篩選特征波長(a): 葉綠素含量(D1); (b): 葉綠素含量(D2); (c): 光能利用率(D1); (d):光能利用率(D2)Fig.1 Characteristic wavelengths selected by CARS algorithm(a): Chlorophyll content (D1); (b): Chlorophyll content(D2);(c): Light energy utilization (D1); (d): Light energy utilization(D2)

2.2.2 SPA法篩選特征波長

基于SPA法進行大豆生理信息反演模型的特征波長提取結(jié)果如圖2。SPA法在運算過程中通過分析投影向量的大小進行特征波長變量的篩選，通過計算校正模型的RMSE值，其值最小時，對應(yīng)的波長子集即為優(yōu)選波長[13]。由圖2可見，隨變量數(shù)的增加，RMSE值逐漸減小，“□”表示最小RMSE值，對應(yīng)的即為最優(yōu)特征波長變量。如圖2(a)和(b)所示，經(jīng)SPA法后分別篩選出20個(D1)和23個(D2)特征波長用于建立最優(yōu)的大豆葉綠素含量反演模型，剔除的變量數(shù)分別為492個和489個，所選變量占全波段的3.91%和4.49%。如圖2(c)和(d)所示，分別篩選出27個(D1)和37個(D2)特征波長用于建立最優(yōu)的大豆光能利用率反演模型，剔除的變量數(shù)分別為485個和475個，所選變量占全波段的5.27%和7.23%。

圖2 SPA法篩選特征波長(a): 葉綠素含量(D1); (b): 葉綠素含量(D2); (c): 光能利用率(D1); (d):光能利用率(D2)Fig.2 Characteristic wavelengths selected by SPA algorithm(a): Chlorophyll content (D1); (b): Chlorophyll content(D2);(c): Light energy utilization (D1); (d): Light energy utilization(D2)

2.2.3 CC法篩選特征波長

基于CC法進行大豆生理信息反演模型的特征波長提取結(jié)果如圖3。CC法通過計算光譜中每一個波長下的光譜值與葉綠素含量和光能利用率的相關(guān)系數(shù)，其值的絕對值越大，越可能選此波長作為特征波長，結(jié)合波長與對應(yīng)的相關(guān)系數(shù)做出波長-相關(guān)系數(shù)圖進行特征波長篩選。由圖3(a)和(b)可知，大豆高光譜與葉綠素含量在0.05顯著性水平下相關(guān)的閾值分別為 -0.254(D1)和 -0.236(D2)，閾值線以下的波長為篩選出的特征波長，篩選出的特征波長變量分別為221個和97個，剔除的變量數(shù)分別為291個和415個，所選變量占全波段的43.16%和18.95%。由圖3(c)和(d)可知大豆高光譜與光能利用率在0.05顯著性水平下相關(guān)的閾值分別為-0.279(D1)和-0.236(D2)，篩選出的特征波長變量分別為234個和224個，剔除的變量數(shù)分別為278個和288個，所選變量占全波段的45.7%和43.75%。

圖3 CC法篩選特征波長(a): 葉綠素含量(D1); (b): 葉綠素含量(D2); (c): 光能利用率(D1); (d):光能利用率(D2)Fig.3 Characteristic wavelengths selected by CC algorithm(a): Chlorophyll content (D1); (b): Chlorophyll content(D2);(c): Light energy utilization (D1); (d): Light energy utilization(D2)

2.3 大豆生理信息反演模型的建立與比較

將MSC-SG-FD和SNV-SG-FD預(yù)處理后的光譜與不同特征波長優(yōu)選方法組合，分別對應(yīng)進行葉綠素含量和光能利用率的PLS建模。基于上述3種波長優(yōu)選方法的PLS建模結(jié)果如表2所示。與全波段變量所建模型相比，變量優(yōu)選后所建模型的反演結(jié)果均有明顯提升，通過比較發(fā)現(xiàn)，SPA法所建模型的性能優(yōu)于原始及另外2種特征波長提取方法所建模型。其中，葉綠素含量反演模型中，SPA法優(yōu)選出的變量數(shù)最少，變量壓縮率高達(dá)96.09%(D1)和95.51%(D2)，模型的校正Rc值從0.909分別提高到0.944和0.941，預(yù)測Rp值從0.882和0.880分別提高到0.911和0.903，建模因子數(shù)從10個減少到7個。光能利用率反演模型中，SPA法優(yōu)選出的變量壓縮率高達(dá)94.73%(D1)和92.77%(D2)，模型的校正Rc值從0.913和0.902分別提高到0.929和0.925，預(yù)測Rp值從0.894和0.869分別提高到0.912和0.907，建模因子數(shù)從10個減少到7個?？梢奡PA-PLS模型的計算和預(yù)測性能較PLS，CARS-PLS和CC-PLS模型均有顯著提高，表明通過SPA法篩選后，盡可能地剔除了噪聲數(shù)據(jù)，特征波長的有效信息完全釋放了出來，避免了有效特征信息被其他相關(guān)性不大的波長所遮蔽的現(xiàn)象，SPA法對大豆生理信息的反演表現(xiàn)出了最優(yōu)的性能，因此反演大豆生理信息模型的最優(yōu)波長篩選方法為SPA法。

表2 大豆生理信息反演模型結(jié)果Table 2 Soybean physiological information inversion model results

3 結(jié) 論

以大豆開花結(jié)莢期葉片為研究對象，在2個日期(D1和D2)進行了大豆葉片高光譜、葉綠素含量、凈光合速率和光合有效輻射的數(shù)據(jù)測量，采用5種不同的單一預(yù)處理方法、4種組合預(yù)處理方法及3種特征波長變量篩選算法對全波段高光譜數(shù)據(jù)進行處理，對篩選出的最優(yōu)預(yù)處理方法和特征波長變量進行組合建立大豆生理信息(葉綠素含量和光能利用率)的反演模型。結(jié)果表明：(1)在MSC，SNV，SG，F(xiàn)D，SD，MSC-SG-FD，MSC-SG-SD，SNV-SG-FD和SNV-SG-SD 9種全波段光譜PLS建模預(yù)處理方法中，MSC-SG-FD組合為大豆葉綠素含量反演模型的最優(yōu)預(yù)處理方法，SNV-SG-FD組合為大豆光能利用率反演模型的最優(yōu)預(yù)處理方法；(2)3種特征波長提取方法CARS，SPA和CC法均有效減少了建模變量數(shù)，其中SPA法優(yōu)選出的有效變量數(shù)最少，從512個變量中分別優(yōu)選出了20個(D1葉綠素含量)、23個(D2葉綠素含量)、27個(D1光能利用率)和37個(D2光能利用率)變量，對應(yīng)的變量壓縮率分別高達(dá)96.09%，95.51%，94.73%和92.77%；(3)反演大豆葉綠素含量的最優(yōu)建模方法為MSC-SG-FD-SPA-PLS，所用變量數(shù)分別為20個(D1)和23個(D2)，建模因子數(shù)為7個，對應(yīng)的Rc值為0.944和0.941，Rp值為0.911和0.903；(4)反演大豆光能利用率的最優(yōu)建模方法為SNV-SG-FD-SPA-PLS，所用變量數(shù)分別為27個(D1)和37個(D2)，建模因子數(shù)為7個，對應(yīng)的Rc值為0.929和0.925，Rp值為0.912和0.907。本研究可為大田及大范圍大面積種植大豆時檢測其生理信息提供參考，具有重要的指導(dǎo)和實踐意義。

高光譜技術(shù)在作物生理信息反演的實際應(yīng)用中仍存在一些問題有待解決，如不同品種的大豆或同一品種但生長地點不同時，其吸收能量及光合作用等能力必然會存在不同程度的差異，導(dǎo)致對光譜曲線及生理信息數(shù)據(jù)產(chǎn)生影響，進而影響提取的特征波長變量，則在進行生理信息反演時需要大量的數(shù)據(jù)及建模運算，工作量較大。另外，本研究及大多數(shù)學(xué)者的研究多以單一大豆生長期為試驗時期，其結(jié)果應(yīng)用于大豆的整個生長期時效果并不理想。如何將單個時期與整個生長期的生理信息反演模型通用并達(dá)到一定的反演精度仍需更深入的探索與實踐研究。