李　梅，徐明珠，何　勇，胡耀華

(1.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌　712100；2.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州　310058)

?

馬鈴薯晚疫病葉片SPAD值的高光譜研究

李梅1，徐明珠1，何勇2，胡耀華1

(1.西北農(nóng)林科技大學(xué) 機(jī)械與電子工程學(xué)院，陜西 楊凌712100；2.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州310058)

摘要：對(duì)晚疫病害脅迫下馬鈴薯葉片中葉綠素含量(SPAD)及植被指數(shù)與高光譜特性進(jìn)行了關(guān)聯(lián)研究。首先，對(duì)接種晚疫病菌的馬鈴薯葉片進(jìn)行連續(xù)觀測(cè)7天，獲取375～1 018nm波段范圍內(nèi)葉片的高光譜信息和SPAD信息；然后，應(yīng)用ENVI軟件提取高光譜數(shù)據(jù)中感興趣區(qū)域的平均光譜信息，選擇預(yù)處理效果最好的方法建立不同的預(yù)測(cè)模型，包括基于全光譜和連續(xù)投影算法(Successive Projection Algorithm, SPA)選擇特征波長(zhǎng)的偏最小二乘回歸(Partial Least Squares Regression ,PLSR)模型與最小二乘支持向量機(jī)(Least Squares Support Vector Machines ,LS-SVM)模型，以及4種植被指數(shù)RENDVI、VOG1、VOG2、VOG3建立的簡(jiǎn)單經(jīng)驗(yàn)估測(cè)模型。建模結(jié)果表示：全光譜的PLSR模型預(yù)測(cè)效果最好，而基于特征波長(zhǎng)的LS-SVM模型和植被指數(shù)的二次多項(xiàng)式模型預(yù)測(cè)效果稍差，但大大簡(jiǎn)化了模型，為后續(xù)開發(fā)便攜式儀器提供理論依據(jù)。研究表明：應(yīng)用高光譜技術(shù)檢測(cè)遭受晚疫病害的馬鈴薯葉片的SPAD及植被指數(shù)是可行的，為病害脅迫下作物的其他化學(xué)指標(biāo)實(shí)時(shí)監(jiān)測(cè)提供了新的路徑。

關(guān)鍵詞：馬鈴薯；晚疫?。籗PAD ；高光譜技術(shù)；植被指數(shù)

0引言

葉綠素含量是植物營(yíng)養(yǎng)脅迫、光合能力和衰老進(jìn)程等各階段的良好指示劑[1-2]。當(dāng)作物遭到病害侵染后，其葉片的葉綠素含量會(huì)發(fā)生變化，因此可以通過葉片的葉綠素含量來監(jiān)測(cè)植物的生長(zhǎng)發(fā)育狀況和病害脅迫等情況，及時(shí)采取措施，按需施肥噴藥，減小作物減產(chǎn)風(fēng)險(xiǎn)。另外，植被指數(shù)是反映地表植被覆被情況的數(shù)學(xué)指標(biāo)[3]，可以定量地反演植物的物理和化學(xué)參量，如葉綠素和氮素等，及時(shí)掌握植物生長(zhǎng)狀況。

傳統(tǒng)測(cè)量植物葉綠素含量的方法主要有分光光度計(jì)法和活體葉綠素儀法兩種[4]。分光光度計(jì)法可以得到較為準(zhǔn)確的葉綠素值，但其步驟繁瑣、時(shí)效性差，且對(duì)葉片破壞性較大?；铙w葉綠素儀法常用的儀器是SPAD-502葉綠素儀。SPAD值也稱綠色度，是一個(gè)相對(duì)葉綠素含量讀數(shù)，目前已經(jīng)在農(nóng)業(yè)生產(chǎn)中廣泛應(yīng)用[5]?；铙w葉綠素儀法可以直接對(duì)處于生長(zhǎng)狀態(tài)的作物葉片進(jìn)行較為快速且非破壞性的測(cè)定，但需要對(duì)葉片進(jìn)行逐點(diǎn)檢測(cè)，存在工作量大、人為因素影響大等缺陷，無法實(shí)現(xiàn)實(shí)時(shí)在線監(jiān)測(cè)。

高光譜成像技術(shù)具有圖譜合一的優(yōu)點(diǎn)，能直接對(duì)植物葉片進(jìn)行微弱光譜差異的定量分析[6-7]。因此，利用高光譜的反射光譜數(shù)據(jù)來估測(cè)葉綠素含量及植被指數(shù)已經(jīng)成為作物長(zhǎng)勢(shì)檢測(cè)的一種重要手段，并取得了初步進(jìn)展。王偉等[8]利用高光譜成像技術(shù)以線掃描方式獲取冬小麥的反射光譜信息，通過相關(guān)分析和逐步回歸分析得到最佳優(yōu)化波長(zhǎng)并基于此建立多元線性模型預(yù)測(cè)SPAD值，校正集和預(yù)測(cè)集模型的決定系數(shù)分別達(dá)到0.843 4和0.709 3。謝傳奇等[9]研究了番茄葉片在灰霉病脅迫下的葉綠素含量(SPAD)及高光譜圖像信息，建立了4種預(yù)測(cè)模型，以最小二乘-支持向量機(jī)模型的預(yù)測(cè)效果最好，回歸系數(shù)達(dá)到了0.901 8。鄒小波等[10]在黃瓜葉片的高光譜數(shù)據(jù)中選取了8個(gè)具有代表性的植被指數(shù)，建立最優(yōu)植被指數(shù)與葉綠素含量之間的關(guān)系模型，校正集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.841 0和0.828 6。目前，對(duì)于流行病害脅迫下作物中化學(xué)指標(biāo)的檢測(cè)還少有報(bào)道，尤其是利用高光譜技術(shù)檢測(cè)流行病害脅迫下作物中SPAD值及植被指數(shù)的研究更是少見。

本研究以馬鈴薯葉片為研究對(duì)象、晚疫病為脅迫條件，采集不同感病階段馬鈴薯葉片的高光譜圖像信息并提取光譜信息，同時(shí)測(cè)量葉片的SPAD值；然后，結(jié)合化學(xué)計(jì)量學(xué)方法研究晚疫病脅迫下馬鈴薯葉片的SPAD值及植被指數(shù)與高光譜信息的響應(yīng)特性。

1實(shí)驗(yàn)項(xiàng)目

1.1　儀器設(shè)備與分析軟件

實(shí)驗(yàn)所用儀器高光譜成像系統(tǒng)包括Zolix Hypersis農(nóng)產(chǎn)品高光譜儀(北京卓立漢光儀器有限公司)、 V10E-QE型可見/近紅外波段光譜成像儀、暗箱、400～2 000nm波段用光源、高精度電控平移臺(tái)裝置(行程300nm)、標(biāo)準(zhǔn)反射板(Gilden PhotonicsLtd，UN)及計(jì)算機(jī)等，所用波長(zhǎng)范圍為375～1 018nm。為了減小環(huán)境光的影響，整個(gè)系統(tǒng)放置在暗箱當(dāng)中。SPAD值的測(cè)量用SPAD-502葉綠色儀完成。數(shù)據(jù)分析軟件包括ENVI4.8(光譜數(shù)據(jù)提取)、Unscrambler9.7(光譜數(shù)據(jù)預(yù)處理與模型建立)及MatLab R2014a(LS-SVM模型建立)等。

1.2　樣品準(zhǔn)備

實(shí)驗(yàn)所用馬鈴薯品種為中薯18號(hào)，采取盆栽方式進(jìn)行培育，4盆，每盆3株，共12株， 2015年6月種植于西北農(nóng)林科技大學(xué)科研用玻璃溫室內(nèi)，對(duì)其進(jìn)行日常管理。3個(gè)月后，開始實(shí)驗(yàn)，從12株馬鈴薯植株上每株采集2或3個(gè)葉片，采集葉片共計(jì)30個(gè)，并對(duì)30個(gè)葉片進(jìn)行馬鈴薯晚疫病菌接種測(cè)試。馬鈴薯晚疫病菌由西北農(nóng)林科技大學(xué)植物保護(hù)學(xué)院提供，接種部位在葉片背面二級(jí)葉脈之間，劑量為100 μL/葉。接菌完成后，樣品放入人工氣候箱進(jìn)行連續(xù)培養(yǎng)，培養(yǎng)溫度為18 ℃，相對(duì)濕度100%，并保持每天16 h光照和8 h黑暗培養(yǎng)的條件，連續(xù)培養(yǎng)7天。

2實(shí)驗(yàn)過程

2.1　高光譜數(shù)據(jù)采集與校正

高光譜數(shù)據(jù)采集前，先對(duì)高光譜成像系統(tǒng)預(yù)熱30min，防止因系統(tǒng)基線漂移帶來的誤差。高光譜數(shù)據(jù)采集前還進(jìn)行黑白校正[6, 11]以消除噪聲影響。具體做法是：與樣本采集的條件相同，采集標(biāo)準(zhǔn)反射板得到全白的標(biāo)定圖像W，采集蓋上鏡頭蓋后得到的全黑的標(biāo)定圖像B，采集馬鈴薯葉片得到的原始圖像為I，則經(jīng)過校正后的圖像R為

R=(I-B)/(W-B)

(1)

馬鈴薯葉片平放在黑色底板上進(jìn)行高光譜數(shù)據(jù)采集。馬鈴薯晚疫病菌接種前5h，對(duì)30個(gè)馬鈴薯葉片進(jìn)行第1次高光譜數(shù)據(jù)采集；接菌后19h，對(duì)30個(gè)葉片進(jìn)行第2次高光譜數(shù)據(jù)采集；之后的5天每隔24h對(duì)葉片進(jìn)行1次數(shù)據(jù)采集，得到樣本的高光譜數(shù)據(jù)210組。

2.2　SPAD值的測(cè)定

實(shí)驗(yàn)采用SPAD-502葉綠素儀進(jìn)行馬鈴薯葉片的SPAD值測(cè)量。每個(gè)葉片的高光譜圖像采集完畢后，使用SPAD-502葉綠素儀測(cè)量病斑部位5個(gè)不同測(cè)量點(diǎn)的SPAD值(病斑未出現(xiàn)前則測(cè)量接種部位的葉綠素含量)，求取平均值作為被測(cè)樣本的葉綠素含量值[12]。實(shí)驗(yàn)共得到SPAD數(shù)據(jù)207組，與高光譜數(shù)據(jù)一一對(duì)應(yīng)(由于SPAD-502葉綠素儀夾持損傷而導(dǎo)致最后一天缺失3組SPAD數(shù)據(jù))。

2.3　數(shù)據(jù)處理與分析

2.3.1原始數(shù)據(jù)的獲取

利用軟件ENVI4.8選取經(jīng)校正后的高光譜圖像病斑部位作為感興趣區(qū)域(Region of Interest, ROI)，葉片未發(fā)病時(shí)選取其相應(yīng)位置作為感興趣區(qū)域。計(jì)算感興趣區(qū)域像素點(diǎn)光譜反射率的平均值，作為之后計(jì)算分析的光譜數(shù)據(jù)。

對(duì)207組SPAD數(shù)據(jù)和與其對(duì)應(yīng)的光譜數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)前3天由于葉片未發(fā)病，數(shù)據(jù)幾乎沒有改變。所以，前3天的數(shù)據(jù)每天只取一半，即前3天90組數(shù)據(jù)中只取45組；后面幾天得到的數(shù)據(jù)中刪除由于光線干擾、葉片腐爛無法測(cè)量等原因引起的9組不合格數(shù)據(jù)后，總共得到樣本數(shù)據(jù)153組。按照3:1的比例選取建模集(Calibration Set)和預(yù)測(cè)集(Prediction Set)數(shù)據(jù)，最終得到建模集樣本數(shù)據(jù)115組，預(yù)測(cè)集樣本數(shù)據(jù)38組。SPAD值統(tǒng)計(jì)信息如表1所示。

表1　馬鈴薯葉片SPAD統(tǒng)計(jì)信息表

2.3.2光譜數(shù)據(jù)預(yù)處理及建模方法選取

試驗(yàn)數(shù)據(jù)采集過程中，雖然進(jìn)行了黑白校正，但仍然難免出現(xiàn)基線漂移和高頻噪聲等擾動(dòng)，進(jìn)而影響建模精度。本研究運(yùn)用了移動(dòng)平均平滑(Smoothing Moving Average，SMA)、光譜變換(Spectroscopic Transformation，ST)、多元散射校正(Multiplicative Scatter Correction， MSC)、標(biāo)準(zhǔn)化(Normalize)、二階導(dǎo)數(shù)(Second Derivatives，2nd-D)等多種預(yù)處理方法及其組合對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，并以經(jīng)過預(yù)處理后的光譜數(shù)據(jù)作為自變量X，以SPAD值作為應(yīng)變量Y，建立關(guān)于自變量X和應(yīng)變量Y的偏最小二乘回歸(Partial Least Squares Regression，PLSR)模型。通過比較，選出最優(yōu)模型，并以其數(shù)據(jù)作為輸入，建立了最小二乘支持向量機(jī)(Least Squares-Support Vector Machine，LS-SVM)模型。

PLSR提供了一種自變量與應(yīng)變量多對(duì)多的線性回歸建模的方法，在建模過程中集中了主成分分析、典型相關(guān)分析和線性回歸分析等方法的特點(diǎn)，其結(jié)果不僅有一個(gè)較為合理的回歸模型，還提供了一些主成分等更為豐富的信息[13]。PLSR模型的抗干擾能力較強(qiáng)，目前已經(jīng)得到了廣泛應(yīng)用[14-17]。

LS-SVM 是Suykens等[18]最初向量機(jī)耗費(fèi)太多資源的問題提出的改進(jìn)措施，能夠較好地解決線性和非線性問題。與SVM方法相比，LS-SVM求解速度更快，收斂精度更高，也能夠避免出現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)建模時(shí)出現(xiàn)的網(wǎng)絡(luò)結(jié)構(gòu)難以確定和“過擬合”問題，得到了國(guó)內(nèi)外研究者的廣泛認(rèn)可[19-20]。

3結(jié)果分析與評(píng)價(jià)

3.1　SPAD值分析

圖1為某樣本的SPAD值隨接菌時(shí)間變化的折線圖。其中，橫坐標(biāo)為樣本接菌后所經(jīng)歷的時(shí)間，縱坐標(biāo)為SPAD值。由圖1可知：晚疫病菌接種前3天和未接種相比，SPAD值變化較小，這可能是因?yàn)槿~片染病初期，植物的自我保護(hù)作用使得葉綠素含量變化不明顯[21]；接菌后第3天到第4天，SPAD值急劇下降，原因是該時(shí)間段內(nèi)樣本的晚疫病斑從接菌中心迅速蔓延，葉片組織細(xì)胞遭到嚴(yán)重破壞[22]；第4天到第5天，樣本的SPAD值繼續(xù)減小，原因是該時(shí)間段樣本的晚疫病進(jìn)一步惡化；之后，樣本的晚疫病已極為嚴(yán)重，葉片組織完全被破壞，其SPAD值又呈現(xiàn)較小的數(shù)值變化。

圖1　某樣本的SPAD值曲線

3.2　高光譜反射曲線分析

圖2為健康樣本和受晚疫病侵染后的樣本在全波段下的光譜反射率曲線。其中，橫坐標(biāo)為波長(zhǎng)，縱坐標(biāo)為光譜反射率值。由圖2可以看出：健康樣本和染病樣本的光譜曲線輪廓相似，并無顯著差異，均在550 nm附近出現(xiàn)一個(gè)反射峰，在680 nm附近出現(xiàn)一個(gè)吸收谷；在680～750nm光譜范圍內(nèi)光譜反射率急速增強(qiáng)，并在750～900nm之間增強(qiáng)緩慢。無論在可見光還是近紅外光區(qū)域，健康樣本的反射率均高于染病樣本，只在吸收谷附近差別不明顯。

圖2　健康和染病樣本的光譜反射率曲線

由于原始光譜在收尾波段處存在較大噪聲，為了方便研究，試驗(yàn)建模在500～960nm波段范圍內(nèi)進(jìn)行。

3.3　光譜預(yù)處理與全光譜預(yù)測(cè)模型

將153組樣本的光譜數(shù)據(jù)經(jīng)過預(yù)處理后，建立光譜反射率值X和Y變量SPAD值之間的PLSR模型。通過不同預(yù)處理方法建立的PLSR模型各自的預(yù)測(cè)效果有明顯不同，如表2所示。其中，以經(jīng)由ST的預(yù)處理方法建立的PLSR模型建模集相關(guān)系數(shù)(R-C)最大，均方根誤差(RMSEC)最小，分別是0.954和1.974；而從預(yù)測(cè)集的結(jié)果來看，經(jīng)過Normalize預(yù)處理的效果最好，其相關(guān)系數(shù)(R-P)最大且均方根誤差(RMSEP)最小，分別為0.922和2.651；從穩(wěn)定性上來看，經(jīng)2nd-D預(yù)處理的數(shù)據(jù)建模集和預(yù)測(cè)集的效果相差較小，經(jīng)Normalize預(yù)處理的數(shù)據(jù)次之。經(jīng)比較，以ST和Normalize預(yù)處理后的數(shù)據(jù)作為再建模時(shí)的輸入。

表2不同預(yù)處理方法所建PLSR模型的預(yù)測(cè)效果

Table 2Prediction results of PLSR models after different pretreatment methods

預(yù)處理方法建模集R-CRMSEC預(yù)測(cè)集R-PRMSEP未處理0.9342.3560.9032.941移動(dòng)平均平滑0.9122.6940.8992.994光譜變換0.9541.9740.9032.939

續(xù)表2

以經(jīng)ST和Normalize預(yù)處理方法后的數(shù)據(jù)作為自變量X與應(yīng)變量Y作為輸入，建立LS-SVM模型。其中，基于前者的建模集和預(yù)測(cè)集的相關(guān)系數(shù)分別為0.954和0.906，基于后者的建模集和預(yù)測(cè)集的相關(guān)系數(shù)分別為0.955和0.904，如表3所示。

表3　LS-SVM模型預(yù)測(cè)效果

與PLSR方法相比，LS-SVM方法提高了ST預(yù)處理數(shù)據(jù)的預(yù)測(cè)集相關(guān)系數(shù)，也提高了Normalize方法的建模集相關(guān)系數(shù)，卻降低了Normalize方法的預(yù)測(cè)集相關(guān)系數(shù)。綜合考慮，仍以經(jīng)Normalize預(yù)處理數(shù)據(jù)的PLSR模型為最好，其建模集和預(yù)測(cè)集的散點(diǎn)圖如圖4所示。因此，后續(xù)的分析都是基于此預(yù)處理后的光譜數(shù)據(jù)進(jìn)行的。

3.4　特征波長(zhǎng)建模預(yù)測(cè)

在進(jìn)行全光譜建模時(shí)，有些波段數(shù)據(jù)之間存在一定的相關(guān)性且有效信息很少，不僅增大了計(jì)算量，還會(huì)影響到模型的預(yù)測(cè)精度和穩(wěn)定性[12, 23]。因此，采用連續(xù)投影算法(Successive Projections Algorithm, SPA)提取特征波長(zhǎng)，降低冗余信息，提高建模效率。

圖3　Normalize預(yù)處理PLSR模型的散點(diǎn)圖

采用SPA算法，得到550.43、629.89、700.21、733.11、944.31、957.39nm共6個(gè)波長(zhǎng)作為建模時(shí)的特征波長(zhǎng)組合，分別使用PLSR算法和LS-SVM算法建模，得到的預(yù)測(cè)結(jié)果如表4所示。

表4　SPA-PLSR和SPA- LS-SVM模型預(yù)測(cè)效果

與全光譜建模相比，采用SPA選擇特征波長(zhǎng)建立的預(yù)測(cè)模型在預(yù)測(cè)精度稍有降低，但大大減少了計(jì)算量，節(jié)省了建模時(shí)間，提高了建模效率；另外，基于特征波長(zhǎng)的PLSR方法不如LS-SVM方法的建模效果好。SPA- LS-SVM建模集和預(yù)測(cè)集的散點(diǎn)圖如圖4所示。

圖4　SPA-LS-SVM模型的散點(diǎn)圖

3.5　基于植被指數(shù)建模預(yù)測(cè)

植被指數(shù)是反映植被狀況的無量綱的特征量，主要體現(xiàn)植被在可見光、近紅外波段反射與背景之間差異的指標(biāo)，各個(gè)植被指數(shù)在一定條件下能用來衡量植被的生長(zhǎng)狀況[24-25]。

通過SPA算法提取的特征波長(zhǎng)有可見光波段R550、R630、R700、R733和近紅外波段R944、R957，選擇可見光/近紅外的波長(zhǎng)組合計(jì)算歸一化差值植被指數(shù)NDVI，得到8種植被指數(shù)；再加上已被證明與葉綠素含量具有顯著相關(guān)性的4種植被指數(shù)，包括紅邊歸一化指數(shù)(RENDVI)、紅邊指數(shù)1(VOG1)、紅邊指數(shù)2(VOG2)、紅邊指數(shù)3(VOG3)[26]等，共12種不同植被指數(shù)用來建立馬鈴薯葉片SPAD預(yù)測(cè)模型。具體的計(jì)算公式如表5所示。

表5　植被指數(shù)模型

對(duì)建模集樣本的SPAD值與上述12種植被指數(shù)做相關(guān)分析，得到的結(jié)果如表6所示。結(jié)果顯示：由不同特征波長(zhǎng)組合的植被指數(shù)NDVI3(R630/R944)、NDVI4(R630/R957)、DVI5(R700/R944)、NDVI6(R700/R957)、DVI7(R733/R944)、NDVI8(R733/R957)都與SPAD值之間達(dá)到0.01顯著相關(guān)水平，可以用來反演葉片的SPAD值；但相關(guān)系數(shù)相對(duì)于其他幾種植被指數(shù)來說較小，適用于精度要求不高的場(chǎng)合。而RENDVI、VOG1、VOG2、VOG3這4種植被指數(shù)與SPAD值顯著相關(guān)并且相關(guān)系數(shù)較高，可以實(shí)現(xiàn)SPAD值更加精確的預(yù)測(cè)。

表6葉片SPAD值與植被指數(shù)之間的相關(guān)系數(shù)

Table 6Correlation coefficients between leafSPAD value and vegetation index

植被指數(shù)相關(guān)系數(shù)NDVI1(R550/R944)0.165NDVI2(R550/R957)0.158NDVI3(R630/R944)0.441**NDVI4(R630/R957)0.432**NDVI5(R700/R944)0.598**NDVI6(R700/R957)0.586**NDVI7(R733/R944)-0.435**NDVI8(R733/R957)-0.422**RENDVI0.803**VOG10.805**VOG2-0.759**VOG3-0.728**

**表示達(dá)到0.01顯著水平。

因此，選用NDVI5、NDVI6、RENDVI、VOG1、VOG2、VOG3這6種相關(guān)性較好的植被指數(shù)反演SPAD值，分別建立簡(jiǎn)單線性模型y=ax+b、二次多項(xiàng)式模型y=b0+b1x+b2x2以及指數(shù)函數(shù)模型y=b0eax來預(yù)測(cè)SPAD值，得到的結(jié)果如表7所示。結(jié)果顯示，基于不同植被指數(shù)的預(yù)測(cè)模型中，二次多項(xiàng)式模型的效果是最好的，相關(guān)系數(shù)最高可達(dá)0.820。

表7　基于植被指數(shù)的馬鈴薯葉片SPAD值的反演模型

續(xù)表7

進(jìn)一步，通過預(yù)測(cè)集的38個(gè)SPAD樣本檢驗(yàn)上述二次多項(xiàng)式模型的準(zhǔn)確性和穩(wěn)定性，結(jié)果如表8所示?；赩OG1的二次多項(xiàng)式預(yù)測(cè)結(jié)果最為精確，其建模集和預(yù)測(cè)集相關(guān)系數(shù)分別為0.820和0.824，校正均方模型根誤差和預(yù)測(cè)均方根誤差分別為3.825和4.827。

表8基于植被指數(shù)SPAD反演模型的預(yù)測(cè)結(jié)果

Table 8Prediction results for SPAD value estimation model based on vegetation indexes

植被指數(shù)建模集R-CRMSEC預(yù)測(cè)集R-PRMSEPNDVI50.6045.3230.5795.811NDVI60.5925.3840.5665.880RENDVI0.8043.9740.7974.306VOG10.8203.8250.8244.827VOG20.7814.5530.7614.634VOG30.7474.4440.7704.574

因此，有效地利用不同波長(zhǎng)組合建立基于植被指數(shù)的二次多項(xiàng)式模型，在一定程度上大大簡(jiǎn)化了預(yù)測(cè)模型，減少了計(jì)算量，為后期便攜式裝置的開發(fā)提供了理論依據(jù)，但在預(yù)測(cè)精度上還需要進(jìn)一步的提高和改善。

4結(jié)論

主要研究了晚疫病脅迫下馬鈴薯葉片的高光譜特性與SPAD值及植被指數(shù)的關(guān)聯(lián)關(guān)系。研究通過提取樣本感興趣區(qū)域的平均光譜信息，選擇預(yù)處理效果最好的Normalize方法，通過SPA算法提取對(duì)SPAD值敏感的特征波長(zhǎng)，并建立了基于全光譜、特征波長(zhǎng)和植被指數(shù)的SPAD預(yù)測(cè)模型。結(jié)果表示：全光譜PLSR模型的預(yù)測(cè)精度最高；而SPA-LS-SVM和植被指數(shù)二次多項(xiàng)式模型預(yù)測(cè)結(jié)果稍遜于全光譜，但二者均大大減少了計(jì)算量，一定程度上簡(jiǎn)化了模型，提高建模速度，為研制便攜式設(shè)備提供了一定的理論依據(jù)，具有現(xiàn)實(shí)意義。

本研究提出的基于高光譜技術(shù)檢測(cè)晚疫病脅迫下馬鈴薯葉片SPAD值及植被指數(shù)的方法，為實(shí)現(xiàn)馬鈴薯植株生長(zhǎng)狀況的實(shí)時(shí)監(jiān)測(cè)提供了新的路徑，同時(shí)也為流行病害脅迫下作物中其它化學(xué)指標(biāo)的實(shí)時(shí)監(jiān)測(cè)提供了新的思路。

參考文獻(xiàn)：

[1]Gitelson A A, Merzlyak M N, Chivkunova B O. Optical properties and nondestructive estimation of anthocyanin content in plant leaves [J]. Photochemistry and Photobiology, 2001,74(1):38-45.

[2]邢雪霞,劉國(guó)順,賈方方,等.烤煙葉片色素含量的高光譜預(yù)測(cè)模型研究 [J].中國(guó)煙草學(xué)報(bào), 2014(1): 54-60.

[3]吳海龍,余新曉,張振明,等.基于多種植被指數(shù)的土壤含水量估算方法[J].光譜學(xué)與光譜分析,2014(6):1615-1618.

[4]蘇正淑,姜晶,張憲政,等.乙酰水楊酸對(duì)無灌溉條件下小麥灌漿期活性氧代謝與產(chǎn)量的影響(簡(jiǎn)報(bào))[J]. 植物生理學(xué)通訊,2000, 36(3):216-218.

[5]張秀君,孫錢錢,喬雙,等.菠菜葉綠素提取方法的比較研究 [J].作物雜志,2011(3):57-59.

[6]譚昌偉,黃文江,金秀良,等.利用高光譜植被指數(shù)監(jiān)測(cè)緊湊型玉米葉綠素?zé)晒鈪?shù)[J].光譜學(xué)與光譜分析, 2012, 32(5):1287-1291.

[7]田有文,程怡,吳瓊,等.農(nóng)產(chǎn)品病蟲害高光譜成像無損檢測(cè)的研究進(jìn)展[J].激光與紅外, 2013, 43(12):1329-1335.

[8]王偉,彭彥昆,馬偉,等.冬小麥葉綠素含量高光譜檢測(cè)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(5):172-177.

[9]謝傳奇,何勇,李曉麗,等.基于高光譜技術(shù)的灰霉病脅迫下番茄葉片SPAD值檢測(cè)方法研究[J].光譜學(xué)與光譜分析,2012,32(12):3324-3328.

[10]鄒小波, 陳正偉, 石吉勇, 等. 基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(5): 152-156.

[11]馬本學(xué),肖文東,祁想想,等.基于漫反射高光譜成像技術(shù)的哈密瓜糖度無損檢測(cè)研究[J].光譜學(xué)與光譜分析,2012,32(11):3093-3097.

[12]丁希斌,劉飛,張初,等.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測(cè)[J].光譜學(xué)與光譜分析, 2015(2):486-491.

[13]高惠璇.兩個(gè)多重相關(guān)變量組的統(tǒng)計(jì)分析(3)[J].數(shù)理統(tǒng)計(jì)與管理,2002,21(3):58-64.

[14]叢智博,孫蘭香,辛勇,等.基于激光誘導(dǎo)擊穿光譜的合金鋼組分偏最小二乘法定量分析[J].光譜學(xué)與光譜分析,2014(2):542-547.

[15]郭衛(wèi)華,周永章.基于PLSR的中山市水資源壓力演變特征與趨勢(shì)[J].水資源保護(hù),2014,30(1): 23-27.

[16]王昶,黃馳超,余光輝,等. 近紅外光譜結(jié)合偏最小二乘法快速評(píng)估土壤質(zhì)量[J].土壤學(xué)報(bào), 2013, 50(5):881-890.

[17]趙明富,張政委,馮小平,等.基于SPA-PLSR的回收油鑒別研究 [J].激光雜志,2013,34(3):45-47.

[18]Suykens J A K,Vandewalle J. Least Squares Support Vector Machines Classifiers[J].Neural Network Letters, 1999, 19(3):293-300.

[19]Rumpf T, Mahlein A K, Steiner U, et al. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance[J].Computers and Electronics in Agriculture, 2010,74(1):91-99.

[20]陳浩林. 基于最小二乘支持向量機(jī)測(cè)定重油中金屬含量[J].廣州化工,2014(6):110-113.

[21]Kim MinHo, Shin JinChul, Lee ByunWo. Applicability of vegetation index and SPAD reading to nondestructive diagnosis of rice growth and nitrogen nutrition status [J]. Korean Journal of Crop Science, 2005, 50(6): 369-377.

[22]D. Moshou,C. Bravo,S. Wahlen et al.Simultaneous identification of plant stresses and diseases in arable crops based on a proximal sensing system and Self-Organising Neural Networks[C]//The 4th European Conference on Precision Agriculture. Berlin:[s.n.] , 2003.

[23]C. K. Reddy,E. Z. Nyakatawa.Remote Sensing of Cotton Leaf N Status Using the GER1500 Hyper-Spectro Radiometer and SPAD 502 Chlorophyll Meter in North Alabama[C]//30th International Symposium on Remote Sensing of Environment:Information for Risk Management and Sustainable Development . Honolulu HI:[s.n.],2003.

[24]葛昊,盧珊,趙云升.葉片茸毛對(duì)葉片反射光譜及高光譜植被指數(shù)的影響研究[J].光譜學(xué)與光譜分析, 2012,32(2):439-444.

[25]華開,張學(xué)霞,樊登星,等.基于高光譜數(shù)據(jù)的高羊茅SPAD快速估測(cè)研究[J].草地學(xué)報(bào), 2012(4): 699-704.

[26]鄧書斌. ENVI 遙感圖像處理方法[M].北京：科學(xué)出版社,2010：378-381.

SPAD Measurement of Potato Leaves Infected Late Blight Based on Hyper-spectral

Li Mei1, Xu Mingzhu1, He Yong2, Hu Yaohua1

(1.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2.College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：The relation between the content of chlorophyll (SPAD) on the vegetation indexes and hyper-spectral feature in potato leaves under the stress of late blight was studied in this paper. Potato leaves that were inoculated with pathogen of potato late blight were observed for 7 continuous days, and the hyper-spectral data from 375 to 1018nm and the SPAD value were acquired every day. The average spectral data was extracted by analyzing the region of interest (ROI) of the samples’ hyper-spectral data using the ENVI software，choose the best pretreatment method to build different estimation models, including: a SPAD value estimation model based on partial least squares regression (PLSR) and least squares support vector machines (LS-SVM), a SPAD value estimation model based on successive projections algorithm combined with PLS and LS-SVM(SPA-PLSR、SPA-LS-SVM)，4 kind of simple experience SPAD value estimation models. The results indicate that the optimal prediction performance is achieved by PLSR model in the whole wavelength region, LS-SVM model based on Characteristic wavelength and the quadratic polynomial model based on vegetation index have a slight poor prediction effect, but greatly simplify models, and provide theoretical basis for subsequent development of portable instrument.The research shows that it is feasible to detect SPAD of potato leaf suffered late blight and vegetation indexes using hyper-spectral, at the same time it provides a new path to implement real-time monitoring of other chemical indexes under crop disease stress.

Key words：potato; late blight; SPAD; hyper-spectral; vegetation index

中圖分類號(hào)：S379; TS207.3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-188X(2016)12-0136-07

作者簡(jiǎn)介：李梅(1991-)，女，陜西楊凌人，碩士研究生，(E-mail)limei513855225@sina.com。通訊作者：胡耀華(1973-), 女，江西奉新人，教授，(E-mail)huyaohua@nwsuaf.edu.cn。

基金項(xiàng)目：中央高?；究蒲许?xiàng)目(2452015191)；國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)項(xiàng)目(2011AA100705)

收稿日期：2015-11-12