張民，李銀花，袁晴春，李娟，戴思慧，劉仲華，李明,2*

(1.湖南農(nóng)業(yè)大學 a.工學院；b.園藝園林學院，湖南 長沙410128；2.湖南省現(xiàn)代農(nóng)業(yè)裝備工程技術(shù)研究中心，湖南 長沙 410128；3.國家植物功能成分利用工程技術(shù)研究中心，湖南 長沙410128)

為及時掌握茶葉的生長發(fā)育狀況，通常需根據(jù)經(jīng)驗進行外觀診斷，可靠性不高；或采用化學方法進行成分分析，但對植株有損傷，且過程較復雜，費時費力。高光譜遙感具有較高的光譜分辨率，通常達到10–2λ 數(shù)量級，光譜信息能充分反映茶葉有效成分(包括多酚類、植物堿、氨基酸和蛋白質(zhì)等含氫基團成分) 的特征信息，在多層次定量分析與應用中顯現(xiàn)出良好前景[1–2]。劉建雄等[3]應用近紅外光譜技術(shù)對茶園病蟲害發(fā)生進行預測，結(jié)果預測值與實際值的決定系數(shù)R2為0.97，平均相對誤差3.93%；趙杰文等[4]利用高光譜技術(shù)研究了茶樹葉片中葉綠素含量及其分布；陳全勝等[5]基于高光譜圖像技術(shù)進行綠茶質(zhì)量等級的評判研究，建立的等級判別模型預測識別率為94%；胡永光等[6]利用可見–近紅外非高光譜成像預測茶鮮葉全氮含量，建立了茶葉含氮量的估計模型。Dutta 等[7]利用衛(wèi)星遙感和近紅外光譜相結(jié)合的方法來鑒定TV1 和 S3A3 兩種茶葉的質(zhì)量；Chaseok RYU 等[8]利用高光譜成像技術(shù)建立了茶葉產(chǎn)量估計模型。

筆者采用手持便攜式光譜分析儀采集茶樹冠層光譜數(shù)據(jù)，通過平滑、微分處理對光譜除噪后，選用主成分分析方法獲得特征波段波長和反射率，運用高效液相色譜法測定茶鮮葉的茶多酚含量，建立了茶鮮葉茶多酚含量與高光譜特征波段反射率的估算模型，并進行了驗證?，F(xiàn)將結(jié)果報道如下。

1 茶樹冠層高光譜數(shù)據(jù)的采集及處理

1.1 數(shù)據(jù)的采集

2013年4月中旬至10月上旬，于湖南省長沙縣高橋鄉(xiāng)湖南省茶葉研究所(東經(jīng)113°19′，北緯28°29′)，選擇晴好天氣，使用便攜式近紅外光譜儀ASD Field Spec Hand Held 2(美國)，采集10:00— 14:00 的茶樹冠層高光譜數(shù)據(jù)。選擇視場角為25°，光譜儀器與茶樹冠層的距離為50 cm，檢測區(qū)域的直徑為22 cm。抽取長勢、色澤差異較小的9個茶樹品種早白尖5 號、金觀音、福鼎大白茶、金萱、南江1 號、碧香早、湘妃翠、寒綠、安徽1 號，每個樣本區(qū)域測4個樣點， 每個樣點采集10個光譜數(shù)據(jù)(通過剔除異樣誤差之后進行均化處理，設(shè)定儀器2 s 掃描1次，為避免干擾每間隔10～15min 重新優(yōu)化1次)，取平均值作為樣點的真實測量值。

每個樣點采集4個茶鮮葉樣品，按照文獻[9]高效液相色譜法測定茶多酚含量。9個茶樹品種的春、夏、秋茶鮮葉的茶多酚含量列于表1。

表1 茶樹品種茶多酚的含量 Table1 Tea polyphenols of content

1.2 茶樹冠層高光譜數(shù)據(jù)的處理

1.2.1 茶樹冠層的反射光譜特征

剔除茶樹冠層光譜數(shù)據(jù)粗大誤差的光譜曲線，對每個樣點的光譜曲線進行均值處理，運用View Spec Pro Version 6.0 軟件得到光譜曲線圖，如圖1所示。

圖1 茶樹冠層的高光譜圖 Fig.1 Spectrum data of the sample tea

從圖1 可以看出，在光譜區(qū)間范圍內(nèi)，不同茶樹品種冠層的光譜曲線的增長與遞減是一致的。在波長700 nm 處反射率開始有較大幅度的增大；在波長765～960 nm 處各品種的反射率趨于穩(wěn)定。

由于外界條件(如光線強度、空氣中氧氣濃度、儀器系統(tǒng)誤差等)的影響，光譜曲線首尾兩端出現(xiàn)了比較雜亂的曲線，去除全光譜數(shù)據(jù)中325～425 nm 和960～1 175 nm 的首尾噪聲，以獲取信噪比高的波段，截取425～960 nm 的平均光譜曲線進行研究。

在425～900 nm 光譜范圍內(nèi)，9個茶樹品種冠層的平均樣本曲線雖然走勢基本相近，但在520～670 nm 和690～960 nm 波長范圍內(nèi)仍存在相對較大的光譜反射率差異。

1.2.2 光譜數(shù)據(jù)的預處理

為了減小噪聲，提高信噪比，選取4 種典型的平滑方法(“SG 卷積法”“多項式平滑”“相鄰平均法” “傅里葉變換濾波”)進行比較分析。

將平滑處理后的數(shù)據(jù)進行線性擬合，得到不同平滑處理方法的模型精度(表2)。

由表2 可知，平滑處理后的模型預測均方差均優(yōu)于未處理的，表明平滑處理可以去除由于測量過程中受環(huán)境因素影響而產(chǎn)生的大量細小而尖銳的雜峰，提高模型的精度。對比決定系數(shù)和預測均方差值，相鄰平均法的決定系數(shù)最高，預測均方差最小，因而采取相鄰平均法對光譜數(shù)據(jù)進行平滑處理來去除噪音。

表2 不同平滑處理方法的模型精度 Table 2 The model precision based on different smoothing method

通過對茶樹冠層光譜數(shù)據(jù)進行一階和二階導數(shù)處理，如圖2 所示，得到相關(guān)性的波段為425～960 nm，一階導數(shù)比二階導數(shù)處理后的光譜線性變化率大，應用一階導數(shù)進行光譜數(shù)據(jù)處理且設(shè)定差分寬度為65，R 為0.98，預測均方差為0.611，預測精度最高，可獲得較好的預測效果。

圖2 一階和二階導數(shù)處理后的特征波段 Fig.2 After the 1stDer and 2ndDer of the characteristics wave band

1.2.3 特征波段的選取

在去除噪音較大的325～425 nm 與960～1 175 nm 波段后仍有大量的波點數(shù)據(jù)。將每個樣本的光譜數(shù)據(jù)中425～960 nm波長的波點通過SPSS 軟件進行主成分分析計算，第一主成分的方差貢獻率為82.68%，第二主成分的方差貢獻率為9.35%，第三主成分的方差貢獻率為6.32%，第四主成分的方差貢獻率為1.65%。根據(jù)主成分載荷陣，可以得到第一主成分波段821 nm 的載荷為0.99，第二主成分波段765 nm 的載荷為0.90，第三主成分中波段940 nm 載荷率最高，第四主成分中波段520 nm 載荷達到0.88，故取4個主成分的波段反射率數(shù)據(jù)代表整個光譜數(shù)據(jù)的重要信息，據(jù)此可以提取出特征波段和反射率，經(jīng)過對原始光譜平滑處理與一階導數(shù)預處理，由主成分分析得到特征波點，結(jié)合主成分分析中矩陣差，得到特征波段波長為821、765、940、520 nm，特征波的反射率值分別用x1、x2、x3、x4表示。

2 茶多酚預測模型的建立

2.1 高光譜特征波段的選取

由茶樹冠層高光譜曲線的特征波段可以看出，不同品種之間的茶多酚含量與反射率存在差異，且同一品種的不同波段反射率也有明顯不同。選用春茶茶多酚含量的數(shù)據(jù)作為建模基準，如表3 所示。

表3 茶多酚含量和不同特征波段反射率 Table 3 Different samples of TP content and characteristics wave band reflectance

表3 數(shù)據(jù)表明，近紅外光譜反射率x1、x2、x3、x4和茶多酚含量存在相關(guān)性，多酚含量較高的品種吸收光能力較強，反射率較低。

2.2 茶多酚含量預測模型的建立

運用最小二乘法、多元線性回歸、多項式法分 別對4個特征波段進行處理，得到茶多酚估算模型(表4)。其中，y 為茶多酚含量，x 為高光譜特征波段反射率。

表4 不同方法建立的估算模型 Table 4 The model equation based on the different mean

從表4 可以看出，最小二乘法建立的模型相關(guān)性最好，相關(guān)系數(shù)R 達到0.99，預測均方差為1.96。最優(yōu)模型為y = 40.558 – 12.185x1+ 14.570x2– 11.857x3– 129.111x4。

3 模型的驗證

選取23個茶樹品種對所建立的模型進行檢驗，采集茶樹冠層的光譜數(shù)據(jù)，并將其特征波段的反射率值代入定量模型得出預測值，與實測值進行比較，如圖3 所示。

圖3 茶多酚含量實測值與預測值 Fig.3 The true data and predictive value scatter plot

結(jié)果表明，預測值與實測值的相關(guān)系數(shù)R 為0.97，平均相對誤差值為2.99%，說明對茶多酚的預測值與真實值誤差小，可以應用于茶鮮葉茶多酚含量估算。

4 結(jié)論

通過采集茶樹冠層的高光譜數(shù)據(jù)，對原始數(shù)據(jù)進行預處理，去除噪音干擾，采用主成分分析方法得到特征波段，提取出特征波段的反射率值。采用高效液相色譜測定樣品的茶多酚含量，運用多元線性回歸、一元線性回歸、最小二乘法建立光譜反射率與茶鮮葉茶多酚含量的回歸方程，其中最小二乘法模型精度最高，R 為0.99，預測均方差為1.96。選取23個茶樹品種對模型進行驗證，預測值與實測值的R 值為0.97，相對平均誤差值為2.99%，表明對檢驗樣品中的茶多酚含量預測值與實測值誤差較小，可實現(xiàn)利用高光譜技術(shù)對茶鮮葉茶多酚含量進行在線估算。

[1] 于海燕，應義斌．農(nóng)產(chǎn)品品質(zhì)近紅外光譜分析結(jié)果影響因素研究綜述[J]．農(nóng)業(yè)工程學報，2005，21(11)：168–171．

[2] Sun D W．Hyperspectral Imaging for Food Quality Analysis and Control[M]．San Diego： Academic Press / Elsevier，2009．

[3] 劉建雄，李明，陶棟材，等．基于高光譜技術(shù)的茶尺蠖危害程度研究[J]．湖南農(nóng)業(yè)大學學報：自然科學版，2013，39(3)：315–318．

[4] 趙杰文，王開亮，歐陽琴，等．高光譜技術(shù)分析茶樹葉片中葉綠素含量及分布[J]．光譜學與光譜分析，2011(2)：512–515．

[5] 胡永光，李萍萍，母建華，等．基于可見–近紅外光譜技術(shù)預測茶鮮葉全氮含量[J]．光譜學與光譜分析，2008，28(12)：2821–2825．

[6] 陳全勝，趙杰文，蔡健榮，等．利用高光譜圖像技術(shù)評判茶葉的質(zhì)量等級[J]．光學學報，2008，28(4)：669–674．

[7] Dutta R，Stein A，Bhagat R M．Integrating satellite images and spectroscopy to measuringgreen and black tea quality[J]．Food Chemistry，2013，127：866–874．

[8] Chanseok R Y U，Masahito Suguri，Miki Umeda. Estimation of the quantity and quality ofgreen tea using hyperspectral sensing[J]．Journal of the Japanese Society of Agricultural Machinery，2010，72(1)：46–53．

[9] 李健．不同季節(jié)綠茶中茶多酚、咖啡堿和氨基酸含量分析[J]．南京曉莊學院學報，2012 (6)：57–59．