郭晶晶， 于海業(yè)， 劉 爽， 肖 飛， 趙曉漫， 楊亞平， 田紹楠， 張 蕾*

1. 吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院， 吉林 長(zhǎng)春 130022

2. 吉林農(nóng)業(yè)大學(xué)園藝學(xué)院， 吉林 長(zhǎng)春 130118

引 言

生菜是一種重要的經(jīng)濟(jì)作物， 綠色新鮮的生菜含有豐富的維生素C， 具有減脂， 降低膽固醇， 促進(jìn)血液循環(huán)等多種功效[1]。 葉綠素是綠色植物重要的光合色素和生化參數(shù)， 它的功能主要為吸收、 傳遞光量子， 進(jìn)而影響作物光合作用過程PSII和PSI之間能量的合成與轉(zhuǎn)換[2]。 高等植物的綠度是由體內(nèi)的葉綠素(chlorophyll, chl)引起的， 葉綠素包含葉綠素a和葉綠素b兩種色素， 前者使葉片呈藍(lán)綠色， 后者使葉片呈黃綠色。 蔬菜葉片的綠度情況常被用作評(píng)價(jià)蔬菜生長(zhǎng)過程的養(yǎng)分狀況、 水分狀況、 環(huán)境條件等是否適宜的初級(jí)判別指標(biāo)， 同時(shí)也是消費(fèi)者在選擇蔬菜產(chǎn)品時(shí)參考的主要感官指標(biāo)之一[3]。

目前葉片綠度的判別方法主要有三種： 圖像識(shí)別法， 分光光度計(jì)法和葉綠素儀法。 圖像識(shí)別法可以識(shí)別大量綠色葉片， 速度快， 適合野外大量數(shù)據(jù)采集， 但需要額外技術(shù)投入， 而且受環(huán)境影響特別是光照的影響較大[4]。 分光光度計(jì)法能準(zhǔn)確定量測(cè)出葉綠素含量， 檢測(cè)結(jié)果穩(wěn)定， 但是實(shí)驗(yàn)步驟多， 耗時(shí)長(zhǎng)， 時(shí)效差， 對(duì)實(shí)驗(yàn)員的操作水平要求較高， 而且需要破壞待測(cè)樣本。 分光光度計(jì)法為有損檢測(cè)， 難以滿足精準(zhǔn)農(nóng)業(yè)實(shí)時(shí)、 準(zhǔn)確、 大量獲取作物生長(zhǎng)信息的需求[5]。 葉綠素儀法操作簡(jiǎn)單， 設(shè)備體積小、 效率高， 不需要破壞葉片結(jié)構(gòu)就可以通過測(cè)定相對(duì)葉綠素含量(SPAD)值實(shí)現(xiàn)對(duì)葉片綠度的快速準(zhǔn)確判別。 目前， 葉綠素儀已在農(nóng)業(yè)領(lǐng)域得到較為廣泛的應(yīng)用， 對(duì)判別生菜葉片綠度十分有效， 且對(duì)葉片無損傷。 在科學(xué)研究中， 為了研究作物生理及生長(zhǎng)狀態(tài)等特征， 需要采用多個(gè)設(shè)備同時(shí)對(duì)同一片葉進(jìn)行多個(gè)參數(shù)指標(biāo)的采集， 如葉綠素?zé)晒狻?光合作用參數(shù)等， 甚至有些設(shè)備需要葉夾夾取葉片暗適應(yīng)20 min以上， 對(duì)同一葉片的相同位置進(jìn)行反復(fù)多次夾取、 測(cè)量， 將為葉片生理活動(dòng)造成一定的外在干擾， 反復(fù)多次操作還會(huì)為葉片帶來潛在的機(jī)械損傷風(fēng)險(xiǎn)， 特別是葉片脆性較高的葉菜。

高光譜技術(shù)作為近地遙感技術(shù)之一， 具有高分辨率， 高精度和快速檢測(cè)等特點(diǎn)。 高光譜包含的豐富信息量及強(qiáng)波段連續(xù)性為作物生理指標(biāo)及生長(zhǎng)狀態(tài)的實(shí)時(shí)無損快速檢測(cè)提供了有效途徑[6]。 近年來， 高光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用發(fā)展較快速。 此技術(shù)用于葉片綠度判別的研究主要針對(duì)大田作物， Shu等[7]對(duì)高光譜與SPAD進(jìn)行相關(guān)分析， 計(jì)算了20個(gè)植被指數(shù)(VI)， 用Boruta算法篩選出對(duì)SPAD值敏感的VI， 比較和分析SPAD值的估計(jì)精度， 結(jié)果表明： 構(gòu)建的預(yù)測(cè)模型條件良好， 可以有效預(yù)測(cè)玉米葉片SPAD， 模型精度較高。 Lin等[8]進(jìn)行了冬小麥冠層SPAD值的高光譜診斷研究于不同時(shí)期進(jìn)行了SPAD值估計(jì)。 在設(shè)施蔬菜栽培領(lǐng)域， 高光譜技術(shù)已應(yīng)用于蔬菜的養(yǎng)分、 水分等生理生化信息的檢測(cè)方面[9]， 但對(duì)于葉片綠度的判別研究尚無報(bào)道。

通過試驗(yàn)獲取數(shù)據(jù)， 建立高光譜對(duì)SPAD的反演模型， 對(duì)解析復(fù)雜的光譜信息具有重要的實(shí)際意義， 也可為多功能一體的儀器設(shè)備開發(fā)提供理論支撐。 試驗(yàn)基于不同光照強(qiáng)度下的生菜葉片， 進(jìn)行整個(gè)生長(zhǎng)期的高光譜和SPAD數(shù)據(jù)采集， 分析高光譜數(shù)據(jù)的變化特征， 明確其對(duì)不同光照強(qiáng)度的響應(yīng)特征。 同時(shí)， 基于原始高光譜進(jìn)行3種預(yù)處理方法與2種敏感波長(zhǎng)提取方法的組合運(yùn)算， 結(jié)合2種建模方法建立生菜葉片綠度預(yù)測(cè)模型， 探討基于不同輸入波長(zhǎng)和建模方法的組合對(duì)預(yù)測(cè)生菜綠度準(zhǔn)確性的影響。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)條件

試驗(yàn)于2020年8月17日至10月17日在吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院環(huán)境自動(dòng)調(diào)控溫室內(nèi)進(jìn)行。 8月17日開始育苗， 9月17日移苗定植， 定植后30 d收獲。 平均溫度為白天(19±4) ℃。 相對(duì)濕度60%～80%。 供試生菜品種為意大利耐抽苔生菜。 采用日本園式營(yíng)養(yǎng)液配方開展巖棉培試驗(yàn)， 營(yíng)養(yǎng)液設(shè)置變濃度管理[10]。 試驗(yàn)設(shè)置自然光照(對(duì)照組)、 固定補(bǔ)光(處理1)和智能補(bǔ)光(處理2)三種光照強(qiáng)度處理。 兩種補(bǔ)光處理均采用紅藍(lán)比5∶1的LED補(bǔ)光燈， 在自然光照低于8 000 lux時(shí)進(jìn)行補(bǔ)光， 補(bǔ)光時(shí)間為每天的9:00—17:00。 其中， 固定補(bǔ)光方式是將補(bǔ)光裝置固定在距離地面高度60 cm處， 補(bǔ)光強(qiáng)度為8 000 lux與實(shí)際光強(qiáng)的差值； 智能補(bǔ)光的補(bǔ)光強(qiáng)度與處理1相同， 但補(bǔ)光燈高度根據(jù)生菜株高生長(zhǎng)情況自動(dòng)調(diào)節(jié)， 即生菜冠層接收光強(qiáng)始終高于處理1。 每個(gè)處理種植10株生菜， 共30株生菜。

1.2 數(shù)據(jù)采集

生菜移植后的第10天、 20天和30天分別逐株采集葉片的高光譜和SPAD數(shù)據(jù)， 采集時(shí)間為每個(gè)采樣日的10:00—11:00。 每株生菜選取3片功能葉片進(jìn)行指標(biāo)測(cè)定。 至試驗(yàn)結(jié)束， 共取得樣本總量270個(gè)。 高光譜數(shù)據(jù)采用美國(guó)Analytical Spectral Devices分析光譜儀器公司生產(chǎn)HH2地物光譜儀測(cè)定， 測(cè)量范圍325～1 075 nm， 采樣間隔1.4 nm， 分辨率3 nm， 每片葉采集10條數(shù)據(jù)后取其平均值。 SPAD采用日本KONICA MINOLTA SPAD-502葉綠素儀測(cè)定， 每片葉采集3條數(shù)據(jù)后取平均值。 采用ViewSpec Pro， Matlab R2018b進(jìn)行數(shù)據(jù)處理與分析， 采用Origin 19.0進(jìn)行繪圖。

2 結(jié)果與討論

2.1 不同光照強(qiáng)度下的生菜高光譜響應(yīng)特征分析

高光譜儀獲取325～1 075 nm全波長(zhǎng)范圍的首尾波段范圍的反射率波動(dòng)幅度較大， 進(jìn)而會(huì)產(chǎn)生較多隨機(jī)噪聲， 不利于后續(xù)光譜分析， 將其去除， 選取450～850 nm波段范圍的高光譜作為有效高光譜用于研究。 高光譜可反映植物葉片內(nèi)部細(xì)微結(jié)構(gòu)的多種信息， 不同實(shí)驗(yàn)條件下的植物內(nèi)部信息變化情況可反映在高光譜曲線上[11]。 不同生長(zhǎng)期及不同光照強(qiáng)度處理下的生菜高光譜響應(yīng)特征如圖1所示。 生菜的高光譜曲線符合典型綠色植被的光譜特征， 即具有明顯的波峰、 波谷及高反射平臺(tái)。 在可見光450～680 nm波段范圍的550 nm處形成“綠峰”， 680 nm處形成“紅谷”， 在近紅外730～850 nm波段范圍形成高反射平臺(tái)。 進(jìn)一步分析不同光照強(qiáng)度度對(duì)高光譜曲線的影響， 生長(zhǎng)10， 20和30 d生菜的高光譜均表現(xiàn)出相同的響應(yīng)特征規(guī)律： 在可見光范圍內(nèi)， 自然光下的生菜高光譜反射率高于補(bǔ)光處理， 三種光照強(qiáng)度下的反射率大小關(guān)系為： 自然光>補(bǔ)光處理1>補(bǔ)光處理2。 而近紅外波段范圍的高光譜響應(yīng)特征恰好表現(xiàn)出與可見光波段范圍相反的規(guī)律。 探究其原因， 可見光波段的高光譜反射率主要受植物光合作用強(qiáng)弱的影響， 補(bǔ)光處理會(huì)增強(qiáng)生菜葉片的光合作用活性， 吸收的光更多， 反射的光更少， 因此表現(xiàn)出補(bǔ)光處理的生菜葉片反射率低于自然光處理。 而在近紅外波段， 高光譜反射率主要受葉片內(nèi)部細(xì)胞組織結(jié)構(gòu)的影響， 自然光下生長(zhǎng)的生菜葉片內(nèi)部細(xì)胞結(jié)構(gòu)發(fā)育更健康， 葉肉組織結(jié)構(gòu)更成熟， 使葉片吸收光的能力更強(qiáng)， 反射率較低， 故表現(xiàn)出自然光下的生菜葉片反射率低于補(bǔ)光處理。 基于上述高光譜曲線的特征差異， 可作為生菜是否處于自然環(huán)境的生長(zhǎng)狀態(tài)監(jiān)測(cè)指示。

2.2 基于高光譜的生菜綠度預(yù)測(cè)模型

由上述分析可知， 光照強(qiáng)度對(duì)生菜高光譜的影響顯著， 而高光譜可以反映植物的多種生理生化信息， 因此， 基于高光譜對(duì)不同光照強(qiáng)度下的生菜葉片綠度進(jìn)行判別意義重大。

2.2.1 高光譜預(yù)處理

270個(gè)生菜葉片樣本的原始高光譜及三種組合預(yù)處理后的高光譜如圖2所示。 為了減少實(shí)際測(cè)量過程中外界環(huán)境的影響， 降低計(jì)算難度， 加強(qiáng)波峰波谷信息， 將經(jīng)過Savitzky-Golay卷積平滑(SG)處理后的高光譜分別結(jié)合多元散射校正(multiplicative scatter correction, MSC)、 變量標(biāo)準(zhǔn)化(standard normal variate, SNV)和一階導(dǎo)數(shù)(first derivative, FD)三種預(yù)處理方法對(duì)原始高光譜進(jìn)行預(yù)處理。 由圖2可以看出， 經(jīng)過預(yù)處理后的高光譜有效減少了首尾波段處的“抖動(dòng)”， 并有效放大了波峰波谷等特征信息， 有利于后續(xù)分析。

圖1 不同生長(zhǎng)期的生菜高光譜特征

圖2 不同組合預(yù)處理后的高光譜

2.2.2 高光譜敏感波長(zhǎng)提取

高光譜波段有401個(gè)波長(zhǎng)， 含有較多的冗余信息， 為了提高高光譜建模的有效性， 減少或去除無效光譜的影響， 進(jìn)行敏感波長(zhǎng)的提取是非常必要的。 采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)取樣法(competitive adaptive reweighted sampling， CARS)和植被指數(shù)(vegetation index, VI)兩種方法進(jìn)行敏感波長(zhǎng)提取， 將上述組合預(yù)處理后的高光譜分別進(jìn)行敏感波長(zhǎng)提取。

2.2.2.1 基于CARS法提取敏感波長(zhǎng)

基于CARS法對(duì)四種預(yù)處理后的生菜葉片高光譜進(jìn)行敏感波長(zhǎng)提取過程如圖3所示。 經(jīng)過多次試驗(yàn)， 當(dāng)采樣次數(shù)為50時(shí)， 提取效果最優(yōu)， 故設(shè)定采樣次數(shù)為50。 CARS法選取最小交互驗(yàn)證均方根誤差(root means square error of cross validation， RMSECV)值(藍(lán)色“*”線)對(duì)應(yīng)的波長(zhǎng)集為敏感波長(zhǎng)。

圖3 CARS法提取敏感波長(zhǎng)過程

四種預(yù)處理后提取的敏感波長(zhǎng)結(jié)果如表1所示。 可以看出， 原始高光譜提取出的敏感波長(zhǎng)數(shù)最少， 僅有5個(gè)， 而采樣次數(shù)最大， 表明冗余波長(zhǎng)或共線性波長(zhǎng)對(duì)采樣過程具有較大的干擾。 不同預(yù)處理后的高光譜所提取的敏感波長(zhǎng)數(shù)由多到少的排序?yàn)椋?FD+SG>MSC+SG>SNV+SG>原始高光譜， 所選敏感波長(zhǎng)分別占全波長(zhǎng)的64.59%， 12.72%， 2.00%和1.25%， 去除的無效波長(zhǎng)數(shù)分別為142個(gè)， 350個(gè)， 393個(gè)和396個(gè)。 上述結(jié)果表明FD+SG預(yù)處理與CARS法結(jié)合可進(jìn)行生菜綠度敏感波長(zhǎng)信息的最有效提取。

表1 CARS法提取的高光譜敏感波長(zhǎng)

2.2.2.2 有效植被指數(shù)提取

植被指數(shù)可進(jìn)行作物多種生長(zhǎng)指標(biāo)的定性或定量指示， 故基于有效植被指數(shù)建立生菜綠度預(yù)測(cè)模型是可行的。 采用6種植被指數(shù)進(jìn)行生菜綠度判定模型預(yù)測(cè)， 6種光譜指數(shù)名稱及公式如表2所示。 其中，m和n代表任意波長(zhǎng)位置，Rm和Rn代表m和n波長(zhǎng)的原始光譜反射率，R550代表550 nm波長(zhǎng)的反射率。

為了更精準(zhǔn)地提取出與生菜綠度相關(guān)性最大的波長(zhǎng)， 在450～850 nm波長(zhǎng)范圍內(nèi)進(jìn)行所有波長(zhǎng)的(m，n)組合波長(zhǎng)提取， 以相關(guān)系數(shù)為提取指標(biāo)， 最終提取出有效波長(zhǎng)組合。 利用相關(guān)系數(shù)法對(duì)6種植被指數(shù)分別與綠度進(jìn)行相關(guān)性分析， 并繪制相關(guān)系數(shù)等勢(shì)圖如圖4所示。

以最大相關(guān)系數(shù)所在的(m，n)波長(zhǎng)作為有效波長(zhǎng)組合， 不同預(yù)處理后高光譜提取出的有效波長(zhǎng)組合如表3所示。 可以看出， 6種植被指數(shù)與綠度的最大相關(guān)系數(shù)均高于0.8， 表明具有較強(qiáng)的線性相關(guān)性， 可用于后續(xù)分析。 基于有效波長(zhǎng)組合計(jì)算得到有效植被指數(shù)， 將其用于后續(xù)建模分析。

2.2.3 基于高光譜建立生菜綠度預(yù)測(cè)模型的比較分析

表2 植被指數(shù)名稱、 公式及參考文獻(xiàn)

圖4 植被指數(shù)與SPAD值相關(guān)系數(shù)等勢(shì)圖

表3 不同預(yù)處理后有效波長(zhǎng)組合提取

表4 不同方法組合所建生菜綠度反演預(yù)測(cè)模型結(jié)果

續(xù)表4

3 結(jié) 論

以生菜的全生命周期為研究時(shí)期， 對(duì)不同光照強(qiáng)度下的生菜葉片進(jìn)行高光譜和葉綠素相對(duì)含量(SPAD)數(shù)據(jù)測(cè)量。 分析高光譜對(duì)不同光照強(qiáng)度的響應(yīng)特征， 對(duì)獲取的高光譜數(shù)據(jù)進(jìn)行FD， MSC和SNV三種預(yù)處理, 再對(duì)原始與預(yù)處理后的高光譜采用CARS和VI兩種方法提取敏感波長(zhǎng)， 最后基于敏感波長(zhǎng)結(jié)合PLS和LSSVM方法建立生菜葉片綠度預(yù)測(cè)模型。 得出以下結(jié)論：

(1) 可通過高光譜判別生菜全生命周期的光照強(qiáng)度。 可見光450～680 nm波段最高反射率和近紅外730～850 nm波段最低反射率表示生菜自然生長(zhǎng)， 可見光波段反射率的逐漸減小及近紅外波段反射率的逐漸增大表示生菜生長(zhǎng)所受的光照強(qiáng)度逐漸增加。

針對(duì)不同光環(huán)境下的生菜高光譜及生理信息進(jìn)行了相關(guān)研究， 但弱光環(huán)境下的生菜內(nèi)部信息變化差異尚不明確， 仍需進(jìn)一步探究。 另外， 所建綠度判定模型在多光譜遙感檢測(cè)中具有一定的應(yīng)用潛力， 但由于試驗(yàn)條件有限及有限的樣本量， 模型的普及性仍需進(jìn)一步驗(yàn)證。