葡萄叶片叶绿素含量高光谱估测模型研究

牛鲁燕 张晓艳 郑纪业 孔庆富 王风云

摘要：针对传统方法测定叶绿素含量存在的不足，采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源，在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上，筛选敏感波段，建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型，即SPAD=59.352+44836.313R′601，其中R′601为601 nm波段原始光谱反射率一阶导数。

关键词：葡萄；叶绿素；高光谱；光谱特征

中图分类号：S123文献标识号：A文章编号：1001-4942（2018）07-0152-04

Abstract In view of the shortage of traditional monitoring methods for chlorophyll content， the hyperspectral technology was used to estimate the chlorophyll content in grape leaves rapidly， accurately and nondestructively. With the hyperspectral reflectance and SPAD value of grape leaves collected from the Wanjishan Base in Taian as data， the correlation between the SPAD value and the original spectral reflectance， spectral reflectance derivative and high spectral value were analyzed， and then the sensitive bands were screened out. Based on these， we established the estimation model of chlorophyll content in grape as SPAD=59.352+44836.313R′601， in which， R′601 was the spectral reflectance derivative of 601 nm brand.

Keywords Grape； Chlorophyll； Hyperspectral； Spectral features

葉绿素含量在指示植物营养胁迫、光合作用能力和生长状况等方面具有重要作用。传统的叶绿素含量测定一般采用破坏性的分光光度法，不仅繁琐、费时，而且野外条件下样本的保存及运输都存在困难。SPAD-502型叶绿素仪可以无损地即时测量植物叶片的叶绿素相对含量（SPAD值），使用简单、方便，且SPAD值与叶片的实际叶绿素含量显著正相关[1]，可以很好地表征植物叶片的叶绿素变化趋势，但该方法只能逐点对单个叶片进行测量，测定结果受叶片大小、厚薄影响较大，需取多次测定结果的平均值作为最终测定结果，工作量大[2]。

高光谱遥感是一种快速、无损的监测技术，可在不破坏植物组织结构的前提下，实现对作物生长季营养状况的监测[3，4]。目前国内学者对高光谱遥感技术在作物生长监测方面的研究多集中在水稻[5]、玉米[6，7]、小麦[8]等粮食作物以及棉花[9]、大豆[10]、苹果[11]等经济作物上，而在葡萄上的应用研究主要是针对果实，如：徐丽等[12]使用高光谱成像系统采集葡萄漫反射光谱，提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法，并证明基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测；吴迪等[13]采集60组酿酒葡萄样本高光谱图像，获取样本光谱曲线，并采用多元散射校正预处理方法提高信噪比，最终应用高光谱成像技术结合连续投影算法实现葡萄果皮中花色苷含量的快速无损检测，结果表明，利用近红外高光谱成像技术能够有效检测酿酒葡萄果皮中的花色苷含量；刘旭等[14]以酿酒葡萄赤霞珠果实为研究对象，采集60组样本的900～1 700 nm近红外波段高光谱图像，利用高光谱成像技术检测葡萄果皮中的花色苷含量，并用pH示差法测量样本果皮中花色苷含量，结果显示基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795；杨杰等[15]为明确采用高光谱成像技术对葡萄可溶性固形物检测的可行性，用高光谱成像系统采集葡萄样本的漫反射光谱，建立葡萄可溶性固形物的定量预测模型，并对比分析不同光程校正方法、不同预处理方法对建模精度的影响，结果表明，应用高光谱成像技术可以对葡萄可溶性固形物含量进行无损检测。但利用高光谱反射率对生长时期葡萄叶片叶绿素含量反演方面的研究甚少。本研究尝试利用葡萄叶片高光谱与叶绿素相对含量（SPAD值）数据，经相关分析筛选出敏感波段，并在此基础上建立葡萄叶片SPAD值与敏感波段光谱特征参量间的定量关系模型，探求利用光谱分析技术监测葡萄叶片叶绿素状况的可行性。

1 材料与方法

1.1 叶绿素测定及样品采集

2017年6月8日从山东泰安万吉山葡萄种植基地，选择巨玫瑰葡萄品种生长一致、健康的叶片，用SPAD-502型叶绿素仪测其SPAD值，然后采下叶片进行标记后立即装于保鲜袋中，在确保低温、无损害的条件下带回实验室，用于高光谱测定。

1.2 光谱数据采集

采用美国Surface Optics Corporation公司生产的SOC710VP可见-近红外高光谱成像式地物光谱仪在可控制光照条件（钨灯照明）的实验室内进行，光谱范围为350～1 050 nm，光谱分辨率为4.6875 nm。测定前，先用标准白板进行校正，并将待测叶片表面擦拭干净。测定时，将叶片单层、平整放置于反射率近似为零的黑色试验平台上，两端用黑色板压住防止叶片上翘；光谱仪的视场角为25°，探头距待测叶片0.50 m，垂直向下正对待测叶片的中部。

1.3 数据处理与分析

1.3.1 数据预处理 SOC710VP可见-近红外高光谱成像式地物光谱仪获得的高光谱图像立方数据是灰度值（DN值），灰度值是遥感影像像元亮度值，无单位，是一个整数值，值的大小与传感器的辐射分辨率、地物反射率、大气透过率和散射率等有关。为了便于计算和数据的分析处理，需将DN值转换成反射率值，利用SOC710VP可见-近红外高光谱成像式地物光谱仪自带的分析软件SRAnal710通过降噪、光谱标定、黑场标定及空间、光谱辐射标定等一系列操作来实现转换。

1.3.2 数据统计分析及模型检验 采用ENVI 4.7软件对数据進行进一步处理，选取感兴趣区，并计算得出每个波段所对应的平均反射率值。采用OriginPro 8.5、SPSS 18.0和Matlab进行一阶函数求导、相关分析等处理。

利用皮尔逊相关系数（Pearson）表征葡萄叶片原始光谱反射率、原始光谱反射率一阶导数与SPAD值的相关关系，Pearson相关系数的绝对值越大，相关性越强。

为检验模型估测的准确性，采用决定系数（R2）对模型进行测试和检验，筛选出适合葡萄叶片叶绿素含量的最佳高光谱监测模型。

2 结果与分析

2.1 葡萄叶片的高光谱特征

从图1可以看出，葡萄叶片的光谱反射率在紫光波段的373～418 nm处形成一个小的反射率峰，峰值出现在393 nm处；另一个较大的峰是在绿光和可见光区域的524～591 nm处，在从500 nm开始的绿波段，叶片的吸收减少，反射率增强，在555 nm处达到明显的反射率峰值，其左侧450 nm处为蓝光波段吸收谷，右侧675 nm处为红光波段吸收谷；之后反射率陡升，在774～989 nm的近红外波段形成一个较高的反射平台，可能是由于叶片的多孔薄壁细胞组织对近红外光强烈反射形成的；995 nm之后，葡萄叶片的光谱反射率开始下降。

2.2 红边位置的提取

红边是绿色植物在680～760 nm之间反射率增高最快的点，也是原始光谱一阶导数在该区间的拐点。红边区域内蕴含着丰富的植被生长信息，与植物生理生化参数关系密切。本研究中葡萄叶片红边位置的提取采用对原始光谱数据求一阶导数法，一阶微分变化最大的波段即为红边区域。对原始光谱反射率求一阶导数能达到减弱背景因素影响的目的，将植物光谱的变化特征较清晰地反映出来。从图2 可以看出，在680～750 nm处有一个明显的反射率峰，峰值位于720 nm波长处，即为本研究的红边位置。

2.3 葡萄叶片高光谱反射率及其一阶导数与叶绿素含量的相关分析

利用SPSS对葡萄叶片原始光谱反射率与叶绿素含量进行相关分析，结果（图3）显示，在波段398～408、462～498、669～684、726～1 039 nm处，葡萄叶片的原始光谱反射率与叶绿素含量呈正相关，其余波段处为负相关，但均未达到显著水平。

对葡萄叶片原始光谱反射率求一阶导数，并分析其与叶绿素含量的相关性，结果表明，在524、529、575、601、689 nm处葡萄叶片光谱反射率的一阶导数与叶绿素含量极显著相关，皮尔逊相关系数依次为-0.81674、-0.8052、0.780865、0.899322、-0.84706；在498、509、514、519、534、570、580、596、606、695、790、795、995、1 000 nm处两者间显著相关，皮尔逊相关系数依次为-0.76241、-0.67871、-0.68596、-0.75786、-0.69367、0.762222、0.719671、0.69382、0.639712、-0.76306、0.764118、0.691367、-0.74011、-0.76345。

2.4 基于敏感波段的模型建立

根据以上分析，我们选取原始光谱反射率一阶导数与叶绿素含量极显著相关的5个波段（524、529、575、601、689 nm）、显著相关中皮尔逊相关系数绝对值比较大的5个波段（498、570、695、790、1 000 nm）以及红边位置（720 nm），运用SPSS软件，建立SPAD值与敏感波段反射率一阶微分的回归模型，结果见表1。

可以看出，以601 nm处光谱反射率的一阶微分作为变量确定的线性函数估测模型和二次多项式估测模型R2最大，均达到0.809；其次是以689 nm处光谱反射率的一阶微分作为变量确定的幂函数、对数函数、二次多项式函数和线性函数估测模型，R2的值分别为0.726、0.720、0.719、0.718。因此，选择601 nm波段的2个估测模型进行进一步验证。

2.5 模型验证

为了检验估测模型的精确性和可靠性，选取同时期同一地点的20个样本的叶片光谱反射率和SPAD数据，对筛选出的葡萄叶片SPAD值的估测模型进行测试和验证，得到预测值与真实值的拟合方程，由表2可以看出，模型SPAD=59.352+44836.313R′601的检验精度最高，对葡萄叶片叶绿素相对含量的拟合效果较好。

3 讨论与结论

本研究采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法，得出如下结论：

（1）葡萄叶片光谱反射率在紫光波段、绿光和可见光区域出现两个明显的反射峰，峰值分别出现在393 nm和555 nm处。

（2）葡萄叶片光谱反射率的一阶导数与叶绿素含量极显著相关的波段出现在524、529、575、601、689 nm处。

（3）利用选出的敏感波段，建立了葡萄叶片叶绿素含量的高光谱监测模型，经过精度检验比较，确定其最佳估测模型为SPAD=59.352+44836.313R′601。该模型为葡萄叶片叶绿素含量的估测提供了比较快捷的方法和途径，并对葡萄的实时营养和长势监测具有一定的指导意义和参考价值。

本研究主要是对泰安基地6月8日采摘的葡萄叶片叶绿素含量进行监测研究，并用同一区域、同一时期的样本数据对模型进行了验证，但是对不同地区、不同树龄、不同品种、不同生长期的葡萄叶片叶绿素含量监测是否适用，还需要进一步探索。今后的研究中可以增加样本数量和种类，明确不同品种、不同树龄、不同生长期对葡萄叶片光谱指标模型的影响，以期建立预测性能高且可移植的模型，促进该技术在作物长势中的应用。

参 考 文 献：

[1] 李敏夏，张林森，李丙智，等.苹果叶片高光谱特性与叶绿素含量和SPAD值的关系[J].西北林学院学报，2010，25（2）：35-39.

[2] 王纪华，黄文江，劳彩莲，等.运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J].光谱学与光谱分析，2007，27（2）：1319-1322.

[3] 王克如，潘文超，李少昆，等.不同施氮量棉花冠层高光谱特征研究[J].光谱学与光谱分析， 2011，31（7）：1868-1872.

[4] 桂江生，吴子娴，顾敏，等. 高光谱成像技术在农业中的应用概述[J]. 浙江农业科学，2017，58（7）：1101-1105.

[5] 秦占飞，常庆瑞，申健，等.引黄灌区水稻红边特征及SPAD高光谱预测模型[J].武汉大学学报（信息科学版），2016，41（9）：1168-1175.

[6] 陈志强，王磊，白由路，等.整个生育期玉米叶片SPAD高光谱预测模型研究[J].光谱学与光谱分析，2013，33（10）：2838-2842.

[7] 牛鲁燕，孙家波，郑纪业，等.不同施肥处理两夏玉米品种穗位叶光谱特征比较[J].山东农业科学，2017，49（8）：145-149.

[8] 牛鲁燕，孙家波，刘延忠，等.基于成像高光谱的小麦叶片叶绿素含量估测模型研究[J].河南农业科学，2016，45（1）：150-154.

[9] 王烁，常庆瑞，刘梦云，等.基于高光谱遥感的棉花叶片叶绿素含量估算[J].中国农业大学学报，2017，22（4）：16-27.

[10]陳婉净，阎广建，吕琳，等.大豆叶片水平叶绿素含量的高光谱反射率反演模型研究[J].北京师范大学学报（自然科学版），2012，48（1）：60-65.

[11]韩兆迎，朱西存，王凌，等.基于连续统去除法的苹果树冠SPAD高光谱估测[J].激光与光电子学进展，2016，53（2）：214-223.

[12]徐丽，杨杰，王运祥，等.采后葡萄可溶性固形物含量的高光谱成像检测研究[J].河南农业科学，2017，46（3）：143-147.

[13]吴迪，宁纪锋，刘旭，等.基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量[J].食品科学，2014，35（8）：57-61.

[14]刘旭，吴迪，梁曼，等.基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析[J].农业机械学报，2013，44（12）：180-186，139.

[15]杨杰，马本学，王运祥，等.葡萄可溶性固形物的高光谱无损检测技术[J].江苏农业科学，2016，44（6）：401-403.