田明璐,班松濤,袁 濤,王彥宇,馬 超,李琳一

(上海市農(nóng)業(yè)科學院農(nóng)業(yè)科技信息研究所,上海市數(shù)字農(nóng)業(yè)工程技術研究中心,農(nóng)業(yè)農(nóng)村部長三角智慧農(nóng)業(yè)技術重點實驗室,上海 201403)

稻縱卷葉螟是水稻的一種常見蟲害,大規(guī)模的蟲害會造成水稻嚴重減產(chǎn),因此對稻縱卷葉螟為害狀況的監(jiān)測十分重要[1]。花青素(Anthocyanin,Anth)是一類滲透調(diào)節(jié)物質(zhì),具有抗氧化、修復葉片損傷后等作用[2]。研究發(fā)現(xiàn)當植物遭受生物或非生物脅迫時,花青素濃度會顯著升高[3],花青素含量可以成為反映植物生理狀況的一種指標。從這一特性出發(fā),遭受稻縱卷葉螟為害的水稻葉片花青素含量能夠作為判斷蟲害程度的重要依據(jù)。稻縱卷葉螟對葉片的損害是從局部開始向全葉片蔓延,在同一片葉上不同位置花青素含量也有較大的差異。目前植物葉片花青素測量主要采用化學方法或便攜式儀器測量,無法精確描述葉片尺度上花青素含量的分布狀況。Gitelson等[2]、Sims等[4]研究表明,植物葉片內(nèi)花青素含量與波長為550 nm的反射光譜有著密切的關系;基于高光譜的植物葉片花青素反演已被劉秀英等[5]的研究證實為可行。而高光譜圖像具有圖譜合一的特點,圖像上每一個像元點都含有大量光譜信息,利用高光譜圖像可以進一步得到花青素在葉片上的分布狀況[6]。因此,本研究使用高光譜圖像估算稻縱卷葉螟蟲害葉片的花青素含量分布狀況,以期為水稻葉片花青素值測量和蟲害監(jiān)測提供一種直觀、快速、定量化的技術手段。

1 材料與方法

1.1 數(shù)據(jù)獲取與處理

于2018年8月20日,在同一塊水稻田內(nèi),采集50片健康水稻葉片和50片遭受不同程度稻縱卷葉螟蟲害的葉片,裝入保鮮袋中帶回實驗室。在暗室環(huán)境下,將葉片置于黑色吸光背景布上,使用高光譜成像系統(tǒng)分別獲取每一片葉片的高光譜圖像。該成像系統(tǒng)由高光譜成像儀、鹵素光源和電動傳動平臺三部分構成。所用到的高光譜成像儀型號為Resonon Pika L,是一種外置推掃式高光譜成像儀,光譜范圍為400—1 000 nm,光譜分辨率為2.1 nm,光譜通道數(shù)為281,空間通道數(shù)為900。高光譜圖像獲取完成后,使用Dualex Scientific+植物多酚測定儀測量水稻葉片花青素值。該儀器基于植物熒光技術實現(xiàn)對葉片花青素含量的無損測量,所得到的花青素值為無量綱數(shù)值,能夠表征葉片被測部位的花青素含量[7]。在健康葉片上選取葉中區(qū)域,在蟲害葉片上選取蟲害最集中的區(qū)域,測量花青素值,并標記測量位置,共計得到100個樣點的花青素值測量得到的各水稻葉片的花青素含量描述性統(tǒng)計信息如表1所示。

表1 水稻葉片花青素值描述性統(tǒng)計Table 1 Descriptive statistics of the rice leaf anthocyanin values

在ENVI軟件中,使用ROI(Region of interest)工具分別圈選每個葉片與花青素值測量對應的區(qū)域,統(tǒng)計區(qū)域內(nèi)所有像元的光譜反射率的平均值作為該區(qū)域的光譜反射率數(shù)據(jù),并與對應的花青素值進行關聯(lián),構成100組樣本數(shù)據(jù)。

1.2 研究方法

1.2.1 光譜處理

使用Savitaky-Golay卷積法對各樣本的光譜進行平滑處理,消除因探測器和環(huán)境造成的噪聲干擾[8]。為了進一步消除背景干擾,對平滑處理后的光譜進行一階導數(shù)變換[9]。一階導數(shù)光譜的計算公式為:

式中,λi為波段i的波長;R(λi)為i波段的波段反射率;Δλ為波長λi-1到波長λi的距離;R′(λi)為波長λi的一階導數(shù)光譜值。

1.2.2 植被指數(shù)選取

植被指數(shù)(Vegetation index,VI)通過對不同波段光譜反射率的數(shù)學運算,增強植被相關的信息[10]?；ㄇ嗨厥且环N植物色素,因此本研究選取12種與色素關系密切的植被指數(shù),分析這些植被指數(shù)與花青素值的相關關系。各植被指數(shù)的名稱及定義如表2所示。

表2 植被指數(shù)及計算公式Table 2 Vegetation indices and the formulas

1.2.3 建模方法

使用隨機抽樣法,從100組數(shù)據(jù)中選擇70個作為建模數(shù)據(jù)集(Calibration dataset,記為cal),余下30個作為驗證數(shù)據(jù)集(Validation dataset,記為val)。分別使用多元逐步回歸(Multiple stepwise regression,MSR)、偏最小二乘回歸(Partial least squares regression,PLSR)和支持向量機回歸(Support vector regression,SVR)3種算法構建水稻葉片花青素估算模型,以決定系數(shù)R2和均方根誤差(RMSE)為標準比較各模型的建模精度,比較不同模型的精度;當R2越接近于1、RMSE越接近于0時,模型精度越高。

2 結果與分析

2.1 水稻葉片花青素值與蟲害嚴重程度關系

通過葉片遭稻縱卷葉螟啃食面積所占比例,將蟲害分為健康(無蟲害)、輕度(葉片有一小部分輕微變黃,被害部分在20%以下)、中度(葉片約有1∕3變成黃白色,被害部分在40%以下)和重度(葉片大部分已成黃白色,被害部分在40%以上)4種程度等級,對比不同蟲害程度葉片花青素值的平均值,如圖1所示。健康水稻葉片的花青素值平均為0.05,輕度蟲害葉片的花青素均值為0.08,中度蟲害葉片的花青素均值為0.17,而重度蟲害的葉片花青素均值達到了0.27。結果表明,水稻葉片的花青素含量隨著蟲情的嚴重程度加劇而升高,葉片花青素值可以反映出水稻遭受蟲害的嚴重程度。

圖1 不同程度稻縱卷葉螟為害的水稻葉片花青素值Fig.1 Anthocyanin value of rice leaf in different infested level

2.2 水稻葉片花青素值與光譜相關性分析

分別對花青素值與對應的反射光譜和一階導數(shù)光譜進行相關性分析,結果如圖2所示。對于反射光譜,在波長為400—710 nm的可將光-紅邊波段范圍內(nèi),花青素值與光譜反射率表現(xiàn)為極顯著正相關(0.01水平),相關系數(shù)達到0.6以上,最高為0.878(677 nm處);在波長為730—870 nm的紅邊-近紅外波段范圍,花青素與光譜反射率表現(xiàn)為較弱的負相關,相關系數(shù)絕對值最大不超過0.35;在波長870—1 000 nm的近紅外范圍,二者不具有相關性。對于一階導數(shù)光譜,花青素值與一階導數(shù)光譜在波長為400—490 nm、520—536 nm、544—650 nm、690—760 nm、780—930 nm 5個波段范圍內(nèi)表現(xiàn)出極顯著相關(0.01水平),其中400—490 nm、520—536 nm和690—760 nm 3處范圍相關系數(shù)絕對值較高,對應的相關系數(shù)和波長分別為0.883(464 nm)、0.843(553 nm)、-0.811(713 nm)。

圖2 花青素值與各波段光譜相關性Fig.2 Correlation coefficient between the anthocyanin value and spectra at each band

2.3 水稻葉片花青素值與植被指數(shù)相關性分析

如圖3所示,水稻葉片花青素值與各植被指數(shù)均表現(xiàn)出極顯著相關(0.01水平),且相關系數(shù)絕對值都比較高,均在0.7以上。其中,花青素值與NDVI、RVI、GNDVI、SIPI、CRI1、CRI2、RARSc、NPQI和PRI 9個植被指數(shù)極顯著負相關,負相關性最強的為NDVI,相關系數(shù)為-0.887;與ARI1、ARI2和RARSa 3個植被指數(shù)極顯著正相關,正相關性最強的為RARSa,相關系數(shù)為0.878。

圖3 花青素值與各植被指數(shù)相關性Fig.3 Correlation coefficient between the anthocyanin value and vegetation indices

2.4 水稻葉片花青素值高光譜估算模型

使用建模數(shù)據(jù)集構建水稻葉片花青素估算模型:選用相關系數(shù)絕對值高于0.6的波段上的原始反射光譜、一階導數(shù)光譜、以及12個植被指數(shù)作為自變量,對每一種自變量分別采用MSR、PLSR和SVR 3種算法,構建水稻葉片花青素估算模型;將驗證數(shù)據(jù)集中對應的光譜變量代入各個模型中得到花青素預測值,通過對花青素預測值與實測值的線性擬合分析,對各模型精度進行檢驗;結果如表3所示。整體來說,各模型均達到較高的精度(Rcal2、Rval2均大于0.7)。其中精度最高的是以植被指數(shù)為自變量、使用PLSR算法的Anth_VI_PLSR模型:建模達Rcal2到0.801、驗證Rval2達到0.783,為所有模型中的最高值;RMSEcal為0.032、RMSEcal為0.035,是所有模型中的最低值。

表3 水稻葉片花青素值估算模型及精度驗證Table 3 Estimation models of rice leaf anthocyanin value and the precision validation

從自變量選擇的角度看,在使用同種建模算法時,采用植被指數(shù)為自變量的模型精度普遍較高。從建模算法選擇的角度看,在使用同種自變量時,SVR算法的建模精度相對較高,但驗證精度較低;PLSR算法在建模和驗證中都取得較高的精度;MSR算法的建模精度相對較低,但在模型驗證中精度優(yōu)于SVR模型;PLSR和MSR算法均表現(xiàn)出較好穩(wěn)定性。

2.5 水稻葉片花青素值分布

以遭受不同程度稻縱卷葉螟蟲害的1—3號葉片為例,使用Anth_VI_PLSR模型對3片葉的高光譜圖像進行逐像元解算,得到花青素值在3個葉片上的分布圖(圖4)。圖4b上每一個像元的值表示葉片上該點的花青素值?？梢钥闯?葉片上不同蟲害程度位置的花青素值有著明顯的差異,蟲害越嚴重,對應區(qū)域的花青素值越高。

圖4 水稻葉片花青素值分布Fig.4 Distribution of anthocyanin value in the infested leaves

3 討論

水稻葉片花青素值與反射率在可見光-紅邊波段范圍內(nèi)表現(xiàn)出極顯著正相關,并在紅光波段達到最大值,這些結果與前人對小麥[20]和玉米[5]葉片花青素值高光譜特征的研究相一致,這主要是由于花青素是非光合類色素,對可見光以反射為主,且對紅光反射能力最強[2]。此外,作為一種色素類物質(zhì),花青素值也與多個色素相關的植被指數(shù)有著很高的相關性,但針對具體指數(shù)的相關性系數(shù)與前人研究有所差異,這主要是由于植物種類的不同造成的。

基于不同光譜參數(shù)和算法建立的水稻葉片花青素值估算模型中,以植被指數(shù)為自變量、使用PLSR算法的Anth_VI_PLSR模型精度最高。采用植被指數(shù)為自變量的模型精度高于采用光譜反射率和一階導數(shù)光譜的模型。這主要是由于純光譜變量中引入的波段較多、噪音也較多,造成模型精度下降;植被指數(shù)通過比值、歸一化等運算可以消除噪聲信息,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算法綜合使用了主成分分析、典型相關分析和多元線性回歸分析等方法,在模型的構建中最大程度利用了自變量信息,因此具有較好的預測能力。

花青素具有輔助修復葉片損傷的功能,在植物受到脅迫時,葉片內(nèi)會產(chǎn)生更多花青素,因此葉片花青素值及其分布不但可以反映出水稻遭受蟲害的嚴重程度,也可以反映病害、干旱、養(yǎng)分缺乏等其他生物或非生物脅迫的嚴重程度,可以廣泛地用作一種定量化判斷水稻健康狀況的方法。

4 結論

本研究通過高光譜影像估算水稻葉片花青素值,并據(jù)此判斷遭受稻縱卷葉螟為害葉片的蟲害程度,主要結論為:(1)水稻葉片花青素值與反射率在波長為400—710 nm的可將光-紅邊波段范圍內(nèi)在0.01水平上表現(xiàn)出極顯著正相關,相關系數(shù)在677 nm的紅光波段達到最大值,為0.878;花青素值與一階導數(shù)光譜在多個波段范圍表現(xiàn)出極顯著相關性(0.01水平),相關系數(shù)絕對值在464 nm處達到最大值,為0.883;花青素值與多個植被指數(shù)高度相關,其中相關性最強的為NDVI,相關系數(shù)達到-0.887。(2)水稻葉片花青素值估算模型中,基于植被指數(shù)和PLSR算法的Anth_VI_PLSR模型精度最高(Rcal2為0.801)。基于Anth_VI_PLSR模型計算得到的水稻葉片花青素值分布圖能夠直觀的反映出花青素值隨著病害程度的變化規(guī)律。