陳珠琳 王雪峰

(中國(guó)林業(yè)科學(xué)研究院資源信息研究所，北京 100091)

鐵是土壤中含量較高的微量元素，也是植物生長(zhǎng)必需的營(yíng)養(yǎng)元素之一［1-2］。雖然鐵在土壤中的含量豐富，但可供植物直接利用的鐵離子（Fe2+）含量并不高，植物易出現(xiàn)缺鐵脅迫；但在天然的酸性土壤或者礦區(qū)附近，土壤中過(guò)多的Fe2+會(huì)產(chǎn)生鐵毒，迫使植物產(chǎn)生生理病變。

自植物營(yíng)養(yǎng)無(wú)損檢測(cè)技術(shù)成為農(nóng)林業(yè)研究的熱點(diǎn)后，植物在大量元素（氮（N）、磷（P）、鉀（K））脅迫下的光譜特征研究［3］已較為成熟，并成功應(yīng)用于田間管理。近年來(lái)，國(guó)內(nèi)學(xué)者致力于研究植物對(duì)微量元素［4］脅迫的光譜特征變化［5-6］。與其他重金屬不同［7］，鐵在微量礦物元素中需求量最大［8］。當(dāng)植物受到鐵脅迫時(shí)，其生理特征會(huì)發(fā)生變化，從而影響色譜信息。川梨受到缺鐵脅迫時(shí)，其葉綠素含量明顯降低，葉色變黃［9］。水稻在進(jìn)行鐵過(guò)量脅迫試驗(yàn)時(shí)，葉片中鐵含量增加，光譜反射率在可見(jiàn)光波段升高，同時(shí)明顯抑制水稻地上部和根系的生長(zhǎng)，降低下位葉片的葉綠素含量［10-12］。玉米發(fā)生鐵毒脅迫時(shí)，綠峰反射率升高、綠峰位置紅移、紅邊藍(lán)移，且綠峰反射率與紅邊藍(lán)移變幅隨濃度增加而增大［13］。

植物營(yíng)養(yǎng)無(wú)損診斷方法多樣，但數(shù)字圖像處理技術(shù)因其快捷方便、價(jià)格低廉的特點(diǎn)得到了廣泛應(yīng)用［14］。由于田間和林內(nèi)環(huán)境復(fù)雜，對(duì)圖像分割造成影響，所以研究者們針對(duì)不同的試驗(yàn)環(huán)境提出了多種圖像分割方法［15-18］。由于自然圖像的復(fù)雜性較強(qiáng)，傳統(tǒng)的紅綠藍(lán)（RGB）顏色系統(tǒng)無(wú)法滿足分割的精度，而亮度色彩模型（CIE Lab）具有對(duì)光照變化不敏感的特性［19］，增強(qiáng)了適應(yīng)性［20-21］，所以該顏色模型常用于分析野外自動(dòng)獲取的圖像。

在回歸預(yù)測(cè)方面，人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network, ANN）應(yīng)用較為普遍。其中，反向傳播神經(jīng)網(wǎng)絡(luò)［22-24］（Back propagation neural network, BPNN）在網(wǎng)絡(luò)理論和性能方面均較成熟，但BPNN學(xué)習(xí)速度慢，易陷入局部極小值，需結(jié)合各類優(yōu)化或迭代算法，以提高預(yù)測(cè)準(zhǔn)確率。

目前，珍貴樹(shù)種營(yíng)養(yǎng)診斷研究陸續(xù)展開(kāi)［25］，但均圍繞大量元素進(jìn)行。微量元素脅迫尚處于初步研究階段［26］，且均為實(shí)驗(yàn)室獲取光譜信息，人為消除了田間或林內(nèi)影響因素，應(yīng)用性較差。本文基于數(shù)字圖像技術(shù)預(yù)測(cè)檀香（Santalum album L.）葉片全鐵含量，對(duì)野外獲取圖像進(jìn)行分割，并根據(jù)鐵脅迫下檀香出現(xiàn)的顏色變化提取顏色因子，使用優(yōu)化后的BPNN進(jìn)行反演，旨在為珍貴樹(shù)種的微量元素營(yíng)養(yǎng)診斷與監(jiān)測(cè)提供更準(zhǔn)確、應(yīng)用性強(qiáng)的技術(shù)方法。

1 材料與方法

1.1 試驗(yàn)地概況

研究區(qū)設(shè)在海南省文昌市島東林場(chǎng)（1 9°4 3′5 8″～1 9°4 4′5 8″N，110°57′34″～110°57′50″E）。該林場(chǎng)位于沿海平原地帶，海拔5～10 m，屬熱帶海洋季風(fēng)氣候，年平均溫度23.9℃，年平均降水量1 808.8 mm，臺(tái)風(fēng)較多，常風(fēng)2～3級(jí)，年平均濕度為86%。主要土壤類型為初育土土綱的濱海沙土，試驗(yàn)地土壤pH 5.0～6.6，有效氮98.3～114.8 mg·kg-1，有效磷3.38～4.56 mg·kg-1，速效鉀69.9～78.2 mg·kg-1，有效鐵2.33～4.89 mg·kg-1。該區(qū)域植被類型為熱帶季雨林，人工經(jīng)營(yíng)樹(shù)種主要有木麻黃（Casuarina equisetifolia Forst）、椰子（Cocos nucifera L）、瓊崖海棠（Calophyllum inophyllum L）和桉樹(shù)（Eucalyptus robusta Smith）等。

1.2 試驗(yàn)設(shè)計(jì)及數(shù)據(jù)采集方法

研究所用的檀香采用種子育苗，待生長(zhǎng)4.5 a后，選取生長(zhǎng)良好的幼齡檀香進(jìn)行試驗(yàn)。本研究所用鐵源為乙二胺二鄰羥苯基大乙酸鐵鈉（EDDHAFeNa），采用根部埋施法。單因素試驗(yàn)設(shè)計(jì)，包括4個(gè)Fe濃度水平，分別為每棵苗0、10、15、20 g-1，記為CK（不施Fe）、Fe1（低濃度）、Fe2（中濃度）、Fe3（高濃度），每個(gè)濃度水平下種植8棵檀香。使用加拿大植物營(yíng)養(yǎng)公司的普羅丹高濃度水溶性復(fù)合肥施入其他元素，采用葉面噴施，施加量為每棵樹(shù)200 mg。

于2017年2月（鐵脅迫之前）測(cè)量東西冠幅（w01）和南北冠幅（w02），之后每個(gè)月進(jìn)行一次鐵脅迫，施肥量與初始施入量一致，其他營(yíng)養(yǎng)元素不再施加。數(shù)據(jù)采集時(shí)間為2017年4—12月，每隔兩個(gè)月進(jìn)行圖像、冠幅、養(yǎng)分?jǐn)?shù)據(jù)獲取，測(cè)量5次，數(shù)據(jù)總量為160個(gè)。圖像獲取選擇天氣晴朗少云少風(fēng)時(shí)進(jìn)行，拍攝時(shí)間為10：00—14：00，拍攝距離為1.5 m，使用Canon ESO700D相機(jī)拍攝，圖像大小為5 184×3 456像素。獲取圖像時(shí)，分為東、西、南、北四個(gè)方向進(jìn)行拍攝。之后進(jìn)行葉片采樣，分為上內(nèi)、上外、中內(nèi)、中外、下內(nèi)、下外共6個(gè)層次，每棵檀香共采集約15 g葉片。使用便捷式養(yǎng)分測(cè)定儀（Reflectoquant RQflex，德國(guó)）進(jìn)行全鐵含量測(cè)定，該儀器使用10點(diǎn)校正和雙光束測(cè)量，校正數(shù)據(jù)精度高。試驗(yàn)對(duì)每個(gè)樣品進(jìn)行3次測(cè)定，所有數(shù)據(jù)的變異系數(shù)均在3%之內(nèi)。

1.3 顏色系統(tǒng)的計(jì)算

紅綠藍(lán)（RGB）、色度飽和度亮度（HSI）、亮度色彩（Lab）是常用的三種顏色模型，其中，RGB最為常用，它是一種與人的視覺(jué)系統(tǒng)密切相連的模型［17,27］。由于不同模型、不同分量對(duì)顏色的表述不同，本文通過(guò)計(jì)算上述顏色系統(tǒng)各分量的顏色值，描述全鐵含量對(duì)葉片顏色的影響。

1.4 圖像法確定新葉區(qū)域

所有的圖像數(shù)據(jù)處理均在Matlab R2012a中實(shí)現(xiàn)。由于Fe2+脅迫對(duì)新葉和老葉的影響不同，可根據(jù)新老葉表現(xiàn)出的色譜差異來(lái)判定全鐵含量。但考慮到檀香長(zhǎng)勢(shì)并不相同，本研究通過(guò)定義4個(gè)方向（東、西、南、北各拍攝一張圖像）上同心圓的方式來(lái)確定新葉區(qū)域，如圖1所示，具體步驟如下：

首先完成檀香圖像分割，然后尋找最小外接圓，半徑記為Ri（i=1～4，分別代表東、西南、北拍攝的圖像）；確定同心圓ri的值（若該圖像為在南、北方向拍攝，則；若該圖像在東、西方向拍攝，則分別代表本次試驗(yàn)測(cè)得的東西、南北冠幅，代表上一次試驗(yàn)測(cè)得的東西、南北冠幅)；圓環(huán)部分葉片ARi-ri既為從圖像中獲取的新葉（如圖1所示），最終新葉部分為。

圖1 圖像確定新葉區(qū)域方法Fig. 1 Method using images to determine new leaf area

通過(guò)上述方法確定了兩個(gè)同心圓的大小，可獲得3個(gè)區(qū)域，即ARi（半徑為R的圓中葉片區(qū)域）、Ari（半徑為r的圓中葉片區(qū)域）和ARi-ri（圓環(huán)中的葉片區(qū)域）。因此，本研究進(jìn)行4組對(duì)比試驗(yàn)，所提取的顏色因子分別為：ARi的單通道顏色值（紅（R）、綠（G）、藍(lán)（B）、色調(diào)（H）、飽和度（S）、強(qiáng)度（I）、亮度（L）、橫軸顏色（a）、縱軸顏色（b））、ARi-ri的單通道顏色值（同上）、ARi-ri與ARi的單通道顏色比值（同上）、ARi-ri與Ari的單通道顏色比值（同上）。

1.5 不同神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建及檢驗(yàn)

BPNN的隱含層神經(jīng)元個(gè)數(shù)對(duì)預(yù)測(cè)精度影響較大，過(guò)多過(guò)少均會(huì)導(dǎo)致訓(xùn)練效果不佳，本文使用經(jīng)驗(yàn)公式，即

式中，n為隱含層神經(jīng)元個(gè)數(shù)；ni為輸入層神經(jīng)元個(gè)數(shù)；n0為輸出層神經(jīng)元個(gè)數(shù)；a為1～10之間的常數(shù)。

BPNN易出現(xiàn)過(guò)擬合等現(xiàn)象，所以常與其他尋優(yōu)或增強(qiáng)算法結(jié)合使用。常見(jiàn)的有遺傳算法［28-29］（Genetic algorithm, GA）、粒子群優(yōu)化算法［28］（Particle swarm optimization, PSO）和Adaboost迭代算法［29-31］。本文對(duì)三種優(yōu)化算法（下文分別縮寫(xiě)為GA-BPNN、PSO-BPNN、BPNN-Adaboost）不做詳細(xì)介紹，具體參考文獻(xiàn)［28］～［33］。

試驗(yàn)共獲取160個(gè)數(shù)據(jù)，隨機(jī)抽取110個(gè)為擬合樣本，剩余50個(gè)為檢驗(yàn)樣本。同時(shí)選擇擬合和檢驗(yàn)樣本的決定系數(shù)R2、平均殘差、均方根誤差RMSE對(duì)模型進(jìn)行評(píng)價(jià)。

2 結(jié)果與討論

2.1 基于Lab顏色模型的檀香圖像分割

本研究基于地面獲取檀香圖像進(jìn)行全鐵含量的反演，如圖2A所示，檀香圖像背景復(fù)雜，除土壤、雜草外，還有其他樹(shù)種，對(duì)圖像分割造成了很大難度。所以，為保證后期工作的質(zhì)量，有必要提出準(zhǔn)確的圖像分割算法。

大津（Otsu）法是1979年日本學(xué)者大津提出的一種自適應(yīng)性閾值確定方法，其基本原理是確定一個(gè)最佳閾值，使最佳分類狀態(tài)的類間分離性最好［16-17］。本研究將圖像分別轉(zhuǎn)換至Lab通道、L通道、a通道和b通道（圖2）并做Otsu法分割。通過(guò)大量試驗(yàn)發(fā)現(xiàn)，Lab通道使用Otsu法分割失敗，僅能將極小部分的土壤與綠色植物區(qū)分開(kāi)。a通道和b通道均可將檀香葉片與背景土壤區(qū)分開(kāi)，但b通道保留的葉片更完整。L通道則彌補(bǔ)了a、b通道的弱點(diǎn)，將檀香葉片與寄主等綠色植物區(qū)分開(kāi)，所以本文選擇結(jié)合b通道和L通道對(duì)自然圖像中的檀香進(jìn)行分割。

分割算法流程如下：（1）對(duì)b通道進(jìn)行Otsu法分割，并進(jìn)行7×7的中值濾波處理。（2）與原圖進(jìn)行掩膜并提取L通道，并使用原圖L通道得到的最佳閾值進(jìn)行分割。（3）使用7×7模板的中值濾波進(jìn)行平滑處理，然后使用半徑為5的圓形結(jié)構(gòu)元素腐蝕膨脹各2次。分割結(jié)果如圖3所示。

算法所使用的模板以及結(jié)構(gòu)元素均為在大量的對(duì)比分析后得到的最佳方案。為驗(yàn)證該分割算法的效果，使用Photoshop CS5軟件中的磁性套索工具（相當(dāng)于目視解譯法）手動(dòng)分割檀香，并將此結(jié)果作為評(píng)價(jià)基準(zhǔn)。將使用本文提出算法（編號(hào)為①）、ENVI 5.1軟件中的支持向量機(jī)分類法（編號(hào)為②）和Photoshop CS5處理(編號(hào)為③)得到的結(jié)果進(jìn)行比較，結(jié)果如表1所示。從表中可以看出，本文提出算法在像素?cái)?shù)和顏色誤差方面均要優(yōu)于支持向量機(jī)處理結(jié)果，這是因?yàn)橹С窒蛄繖C(jī)算法對(duì)土壤和葉片的分割效果較差，易出現(xiàn)誤分割，導(dǎo)致像素誤差較大，G均值降低，R均值和B均值升高。而本文提出算法像素?cái)?shù)誤差在5%之內(nèi)，各通道誤差控制在3%之內(nèi)，說(shuō)明該算法可行。

圖2 大津（Otsu）法分割檀香不同通道圖（A. 原圖， B. Lab， C. L通道， D. a通道， E. b通道）Fig. 2 Graphs of channels in Sandalwood images segmentation using Otsu’s method (A. Original image, B. Lab, C. Channel L, D.Channel a, and E. Channel b)

圖3 檀香圖像分割過(guò)程及結(jié)果（A. b通道Otsu法分割結(jié)果，B. 7×7中值濾波后腌膜圖像， C. L通道大津法分割及7×7中值濾波處理結(jié)果，D. 形態(tài)學(xué)處理， E. 最終圖像）Fig. 3 Process and results of sandalwood image segmentation (A. Segmentation using Otsu’s method via Channel b; B. Masked image after 7×7 median filtering; C. Segmentation using Otsu’s method via Channel L and masked image after 7×7 median filtering;D. Morphological processing; and E. Finalized image)

表1 分割方法評(píng)價(jià)Table 1 Segmentation method evaluation proposed in this paper

續(xù)表

2.2 數(shù)據(jù)樣本劃分及光譜反射率變化

表2所示為樣本的全鐵含量以及檀香圖像的RGB單通道值統(tǒng)計(jì)信息。試驗(yàn)采集的原始圖像數(shù)據(jù)包含RGB三個(gè)通道，通過(guò)顏色系統(tǒng)的轉(zhuǎn)換，最終得到R、G、B、H、S、I、L、a、b共9個(gè)通道的顏色值。

表2 檀香葉片全鐵含量及RGB單通道值統(tǒng)計(jì)信息Table 2 Statistical information of total iron content and RGB single channel color value

本研究將獲取的擬合數(shù)據(jù)按100為梯度劃分為6組，并求得平均值，分析不同全鐵含量對(duì)光譜反射率的影響，如圖4所示?？梢钥闯觯琑和B通道值先下降后上升，而G通道值先上升后下降。這說(shuō)明，全鐵含量的上升促進(jìn)了葉綠素濃度增加，葉片向純綠色變化；而隨著全鐵含量持續(xù)增高，葉片開(kāi)始失綠，說(shuō)明檀香受到了鐵毒脅迫作用，葉綠素遭到了破壞，生長(zhǎng)也會(huì)隨之受到影響。

2.3 主成分分析及預(yù)測(cè)結(jié)果

由于9種顏色因子之間存在較大的相關(guān)性，為了縮短建模時(shí)間、提高模型的精度，對(duì)其進(jìn)行了主成分分析，結(jié)果得到四種試驗(yàn)的前四個(gè)主成分的累計(jì)貢獻(xiàn)率均達(dá)到99%，所以本文選擇前四個(gè)主成分作為輸入因子。試驗(yàn)構(gòu)建4種神經(jīng)網(wǎng)絡(luò)模型，參數(shù)設(shè)置分別為：BPNN使用4-10-1的網(wǎng)絡(luò)結(jié)構(gòu)，其輸入、輸出層傳遞函數(shù)分別為T(mén)ansig和Purelin，訓(xùn)練函數(shù)使用L-M優(yōu)化算法，迭代次數(shù)為100；PSOBPNN中種群粒子數(shù)為20，每個(gè)粒子的維數(shù)為4，算法迭代進(jìn)化次數(shù)為100；GA-BPNN種群大小為20，遺傳代數(shù)為100，交叉概率為0.6，變異概率為0.005。BPNN-Adaboost中預(yù)測(cè)器個(gè)數(shù)選擇10，預(yù)測(cè)時(shí)迭代次數(shù)為20。

對(duì)4組試驗(yàn)得到的結(jié)果進(jìn)行分析，結(jié)果如表3所示?？梢钥闯?，單個(gè)評(píng)價(jià)指標(biāo)對(duì)不同試驗(yàn)的結(jié)果說(shuō)明不同，例如，BPNN模型中，試驗(yàn)2的決定系數(shù) R2高于試驗(yàn)1，但平均殘差高于試驗(yàn)1，為綜合考慮各評(píng)價(jià)指標(biāo)，本研究分別對(duì)建模和驗(yàn)證數(shù)據(jù)得到的決定系數(shù) R2、平均殘差、均方根誤差RMSE進(jìn)行打分，指標(biāo)最優(yōu)的記為1，最差的記為4，得分最低的為最佳試驗(yàn)方案。排名結(jié)果如表3最后一列所示。

圖4 紅綠藍(lán)（RGB）顏色值隨檀香葉片全鐵含量濃度變換趨勢(shì)Fig. 4 Variation of RGB color value with content of total iron in sandalwood leaves

表3 不同神經(jīng)網(wǎng)絡(luò)模型和不同試驗(yàn)的預(yù)測(cè)結(jié)果Table 3 Prediction results of different neural network models and different tests

由表3可知，試驗(yàn)1和試驗(yàn)2無(wú)論在擬合優(yōu)度和預(yù)測(cè)精度方面均相差不顯著，且在使用BPNN和GA-BPNN時(shí)，試驗(yàn)1的結(jié)果優(yōu)于試驗(yàn)2，而在使用PSO-BPNN和BPNN-Adaboost模型時(shí)，結(jié)果相反。但試驗(yàn)3和試驗(yàn)4的結(jié)果在各項(xiàng)指標(biāo)均有明顯提高，同時(shí)，所有模型均顯示試驗(yàn)4結(jié)果最佳，即使用新葉與老葉的顏色比值結(jié)果優(yōu)于新葉與整體的顏色比值，這是因?yàn)樵谌辫F狀態(tài)時(shí)，新葉失綠，老葉保持綠色，若計(jì)算整體比值，則新老葉的光譜特征差異減弱；而在鐵毒情況下，葉綠素受到破壞，新葉最先受到影響，葉片由綠變黃，所以新葉與整體的顏色比值同樣削弱了光譜特征差異，導(dǎo)致精度降低。

從表3中還可以看出，相同試驗(yàn)下，綜合分析擬合優(yōu)度以及預(yù)測(cè)精度，4種神經(jīng)網(wǎng)絡(luò)模型優(yōu)劣排名為GA-BPNN＞PSO-BPNN＞BPNNAdaboost＞BPNN。這說(shuō)明優(yōu)化后的神經(jīng)網(wǎng)絡(luò)確實(shí)減小了出現(xiàn)過(guò)擬合的概率，同時(shí)，尋優(yōu)算法（G A、P S O）的效果要優(yōu)于迭代增強(qiáng)（Adaboost），也說(shuō)明合適的初始值與閾值對(duì)網(wǎng)絡(luò)預(yù)測(cè)能力的提高更明顯。

3 結(jié) 論

以海南省文昌市島東林場(chǎng)栽植的檀香為試驗(yàn)對(duì)象，通過(guò)施加不同梯度的螯合鐵對(duì)檀香進(jìn)行鐵脅迫，從而研究植株葉片光譜參數(shù)與植株體內(nèi)全鐵含量之間的關(guān)系。結(jié)果表明，葉片從缺鐵向正常含量變化過(guò)程中，葉綠素含量增加，顏色變得濃綠；當(dāng)超過(guò)最佳值（250～300 mg·kg-1）時(shí)，葉綠素含量開(kāi)始減少，產(chǎn)生鐵毒效應(yīng)。研究通過(guò)將Lab系統(tǒng)中的b通道、L通道與大津法、中值濾波以及形態(tài)學(xué)運(yùn)算相結(jié)合完成檀香分割，計(jì)算冠幅生長(zhǎng)量占總冠幅的比例確定新葉區(qū)域，將新葉與老葉光譜參數(shù)比值作為GA-BPNN的輸入因子，得到較好的預(yù)測(cè)結(jié)果。與前人的研究相比，本文在模型輸入因子方面進(jìn)行了改進(jìn)，提出了圖像法確定新葉，并驗(yàn)證得出，通過(guò)該方法獲得的新老葉顏色比值作為輸入因子得到的結(jié)果最優(yōu)。同時(shí)，由于海南地區(qū)土壤類型多樣，不同土壤類型對(duì)試驗(yàn)結(jié)果是否產(chǎn)生較大的影響，也需要后期的討論分析。