鐘穗希，李子波，唐榮年

(海南大學(xué) 機(jī)電工程學(xué)院，海南 海口 570228)

天然橡膠是一種優(yōu)質(zhì)的天然材料，其綜合機(jī)械性能在軍事、醫(yī)療等領(lǐng)域起著重要作用[1].由于巨大的經(jīng)濟(jì)效益，橡膠樹被廣泛種植在東南亞的熱帶和亞熱帶地區(qū)[2-3].研究表明，氮素作為一種重要的營養(yǎng)元素，它與橡膠樹的健康狀況密切相關(guān)[4-5]，缺乏或過量使用氮肥都可能會對橡膠樹造成不利影響[6].此外，有文獻(xiàn)指出，橡膠樹葉片的氮含量與橡膠的產(chǎn)量成正相關(guān).因此，實(shí)時評估橡膠樹葉片中的氮含量對指導(dǎo)橡膠樹的精確施肥和估計(jì)橡膠產(chǎn)量具有重要意義.盡管經(jīng)驗(yàn)豐富的工人可以對橡膠樹的營養(yǎng)狀況進(jìn)行初步分析，但是這種分析方法準(zhǔn)確性較低，并且相當(dāng)依賴于熟練工人的經(jīng)驗(yàn).目前，基于近紅外高光譜技術(shù)的研究大多數(shù)集中在一年生的水果和蔬菜作物上.已有研究表明，近紅外光譜技術(shù)可被有效應(yīng)用于黃瓜葉片的氮含量監(jiān)測[7].此外，高光譜技術(shù)還可用于探究小麥的富氮波段和對其指標(biāo)的估算[8]；基于高光譜數(shù)據(jù)的小麥葉片氮含量監(jiān)測可為小麥氮含量的診斷打下基礎(chǔ)[9].有研究表明，多光譜技術(shù)可有效用于果樹葉片氮素水平的快速檢測[10]；也有研究表明，可見-近紅外光譜可有效用于估測西紅柿葉片的氮含量[11].Tian等人將植被信息應(yīng)用于檢測水稻葉片的氮含量水平[12].有研究表明，水稻冠層光譜可有效檢測水稻的氮含量水平[13].亦有研究表明，近紅外光譜技術(shù)可有效用于評價橘子葉片的氮含量水平[14].此外，高光譜技術(shù)對于預(yù)測辣椒葉片氮素的空間分布也有較高的精度[15].由于氮素在橡膠樹葉片上的分布并不均勻[16-18]，而在當(dāng)前的研究中，常選用隨機(jī)點(diǎn)光譜選擇方法、感興趣區(qū)域光譜選擇方法、原始平均光譜法來進(jìn)行高光譜數(shù)據(jù)選點(diǎn)，上述傳統(tǒng)的光譜選取方法均沒有對橡膠樹葉片高光譜數(shù)據(jù)的氮素敏感區(qū)域進(jìn)行選擇.因此本研究提出一種新的基于空間-光譜信息的光譜聚類方法，并通過聚類手段來研究橡膠樹葉片的氮素敏感區(qū)域，旨在提高光譜診斷模型的預(yù)測精度.為達(dá)此目的，本研究使用GaiaField光譜儀來采集割膠期橡膠葉片的高光譜數(shù)據(jù)，并通過PCA-Kmeans方法和基于空間-光譜信息對高光譜數(shù)據(jù)進(jìn)行聚類，分別以21組聚類區(qū)域光譜數(shù)據(jù)為基礎(chǔ)，結(jié)合偏最小二乘算法(Partial least square，PLS)建立了橡膠樹氮素的光譜檢測模型，同時對比傳統(tǒng)選點(diǎn)方法的建模結(jié)果來探究橡膠樹葉片的氮素敏感區(qū)域，目的是為高光譜數(shù)據(jù)的選點(diǎn)過程提供理論依據(jù).

1 材料與方法

1.1 試驗(yàn)材料本研究的樣本均選自2017年5月25日從海南省儋州市采集的橡膠樹葉片，為了確保樣本的隨機(jī)性，所有樣本均從實(shí)驗(yàn)地點(diǎn)隨機(jī)選取.在該實(shí)驗(yàn)中，在去除不完整和有明顯病蟲害的葉片之后，從所采摘的葉子中共挑選了147片成熟葉子.研究所用儀器設(shè)備為：GaiaField-F-N17近紅外高光譜儀和實(shí)驗(yàn)室光譜采集暗箱GaiaSorter.高光譜儀的光譜分辨率為4 nm，在840～1 680 nm波長范圍內(nèi)以3.3 nm的采集間隔均勻地采集光譜數(shù)據(jù).

1.2 數(shù)據(jù)獲取以GaiaField-N-17E高光譜儀測量葉片樣本的光譜反射率.在實(shí)驗(yàn)前，為了避免灰塵等外在因素的影響，葉片表面均用蒸餾水清洗干凈.測量葉片前，需要蓋上設(shè)備鏡頭蓋以獲取黑幀圖像，并且拍攝99%反射率的標(biāo)準(zhǔn)白板以獲取白幀圖像.于GaiaSorter暗箱獲取完整葉片樣本的高光譜圖像數(shù)據(jù)，隨后，在計(jì)算機(jī)中進(jìn)行高光譜數(shù)據(jù)的存儲、黑白校正和分析，并對原始高光譜數(shù)據(jù)的非樣本區(qū)域進(jìn)行了置0處理.

根據(jù)現(xiàn)有文獻(xiàn)，凱氏定氮法是一種可靠的氮素含量的檢測方法[19-20]，因此，在本研究中，以凱氏定氮法所獲得的氮素含量來作為橡膠樹葉片樣本的參考值.詳細(xì)流程如下：在摘除葉片的葉柄后，將葉片樣本加熱到105～108 ℃進(jìn)行殺青，并在60 ℃的環(huán)境下將葉片進(jìn)行干燥和研磨.稱取0.08～0.10 g樣本和量取3 mL濃H2SO4，混合后于380 ℃恒溫1.5 h.為樣液澄清并表現(xiàn)出褐色時，加入H2O2并持續(xù)加熱5 min后冷卻，之后便可以把溶液加入凱氏氮含量分析儀(FOSS 2300)來檢測樣本的氮素含量.在進(jìn)行稱重、溶液混合以及把溶液加入凱氏氮含量分析儀等操作時，由于人工操作以及機(jī)器誤差等不確定的因素可能會給研究帶來檢驗(yàn)誤差，因此，為了盡可能地提高所測葉片氮含量的準(zhǔn)確性，對上述操作均重復(fù)兩次并取其平均值，并以此作為最終氮含量的參考值.

1.3 PCA-Kmeans聚類方法已知氮素在作物葉片上的分布并不均勻，因此本文提出對高光譜數(shù)據(jù)的像素點(diǎn)進(jìn)行聚類，以探討哪一類區(qū)域的光譜數(shù)據(jù)最適用于橡膠樹葉片氮含量診斷模型的建立.為了進(jìn)一步探究不同采點(diǎn)區(qū)域?qū)ο鹉z樹高光譜數(shù)據(jù)氮素含量模型的影響，需要對高光譜數(shù)據(jù)的空間信息進(jìn)行提取.基于顏色識別的機(jī)器視覺分割方法已被廣泛用于馬鈴薯、柑橘、蘋果和其他樣品的損傷識別[22-24]，然而，沒有研究表明橡膠樹葉片的顏色與氮素的分布有關(guān).

高光譜數(shù)據(jù)由于其數(shù)據(jù)的多波段性，基于顏色識別的計(jì)算機(jī)視覺方法并不適用于橡膠樹葉片高光譜數(shù)據(jù)的聚類過程，因此，本研究提出了一種新的基于PCA-Kmeans法的高光譜數(shù)據(jù)像素點(diǎn)的聚類方法，這使得具有相似光譜特征的光譜數(shù)據(jù)形成了一個簇，并使簇間的差異盡可能的大，從而實(shí)現(xiàn)了基于空間-光譜信息的橡膠樹葉片高光譜數(shù)據(jù)的聚類.

1.3.1 基于PCA特征向量的重加權(quán)PCA是最流行的高光譜數(shù)據(jù)預(yù)處理方法之一，是一種降維和特征提取的方法，在統(tǒng)計(jì)學(xué)中被廣泛使用[25-27]. 基于最大化方差的理論，PCA方法旨在找到一系列線性變換矢量來最大化原始數(shù)據(jù)的方差[28]，它可以通過解決以下優(yōu)化問題來獲得線性變換系數(shù)μ：

式中X表示經(jīng)過去均值處理后的高光譜數(shù)據(jù)：X=(x1,x2,x3,…,xj,…,xn)，其中，xj為經(jīng)過第j波段的二維圖像經(jīng)整形處理后所得到的一維向量數(shù)據(jù).優(yōu)化結(jié)果為：μTXXTμ=μTλμ=λ，特征向量的方向?yàn)橥队暗淖畲蠓讲畹姆较?

于是在本實(shí)驗(yàn)的PCA主成分分析中，以最大方差所對應(yīng)的主成分特征向量作為高光譜數(shù)據(jù)的空間特征.

1.3.2 Kmeans均值聚類為了對PCA提取的高光譜數(shù)據(jù)的空間特征進(jìn)行聚類，本研究選取了Kmeans聚類算法.K均值聚類算法(Kmeans)是一種迭代求解的算法，具有無監(jiān)督、迭代速度快的特性[29-30]，其在數(shù)據(jù)空間的聚類方面具有較好的效果.Kmeans的優(yōu)化目標(biāo)是使類重心與內(nèi)部成員位置距離的平方和最小，其優(yōu)化目標(biāo)如下式：

其中x(j)為聚類結(jié)果中每一個簇的樣本坐標(biāo)，μi為每一個聚類簇的聚類中心的坐標(biāo).

在本研究中，Kmeans的具體流程如下：

步驟1：將每個經(jīng)PCA提取的樣本重加權(quán)系數(shù)矩陣整形為1維列向量；

步驟2：以每個樣本的像素權(quán)值為變量，單獨(dú)輸入Kmeans函數(shù)中，對權(quán)值進(jìn)行聚類；

步驟3：對Kmeans聚類結(jié)果進(jìn)行規(guī)則化，并與高光譜數(shù)據(jù)的索引進(jìn)行匹配；

步驟4：改變K的取值K=(2,3,4,5,6，7)，重復(fù)上述操作.

在Kmeans對每個樣本的權(quán)值系數(shù)進(jìn)行聚類，并匹配到原始高光譜數(shù)據(jù)的索引后，按照索引獲取高光譜數(shù)據(jù)中相應(yīng)區(qū)域的光譜數(shù)據(jù)，進(jìn)行平均，得到PCA-Kmeans聚類簇區(qū)域的平均光譜.

1.4 平均光譜的獲取辦法對每個聚類類別的所有聚類簇?cái)?shù)據(jù)求平均值，以獲得ASC(Average Spectrum of Cluster).為了驗(yàn)證基于PCA-Kmeans的ASC光譜數(shù)據(jù)的建模效果，出于比較的目的，本研究還參考了三種常用的高光譜數(shù)據(jù)采集方法，獲得了147個高光譜數(shù)據(jù)樣本的ASRS(Average Spectrum of Random Spectrum)和ASROI(Average Spectrum of ROI)以及ASL(Average Spectrum of Leaf).

ASRS、ASROI采樣的詳細(xì)過程如下：在葉片區(qū)域中將每片橡膠葉片的高光譜數(shù)據(jù)從上到下分為六個部分，并從每個部分中隨機(jī)選擇三點(diǎn)光譜，對所選光譜數(shù)據(jù)進(jìn)行平均以獲得ASRS.對于ASROI，通過平均尺寸為40 * 40像素的矩形框內(nèi)的1 600個相鄰光譜數(shù)據(jù)，以獲得ASROI.至于ASL則是以完整橡膠樹葉片的所有像素點(diǎn)作為感興趣區(qū)域，并對該感興趣區(qū)域求平均，以獲取ASL光譜數(shù)據(jù).

1.5 模型構(gòu)建本研究中，從樣本中隨機(jī)抽取118個樣本用于建模，余下29個樣品用于驗(yàn)證模型的精度.本文采用偏最小二乘回歸進(jìn)行模型的建立，偏最小二乘法是通過最小化誤差的平方和來找到數(shù)據(jù)的最佳匹配函數(shù)，它兼并多種算法的特點(diǎn)，包括多元線性回歸分析、典型相關(guān)分析以及主成分分析，因此，偏最小二乘法在建立回歸模型上具有表達(dá)更全面信息的能力.為此，采用21組聚類簇光譜數(shù)據(jù)、隨機(jī)點(diǎn)平均光譜、ROI平均光譜、原始平均光譜數(shù)據(jù)來分別建立回歸模型，并且以均方根誤差(RMSE)、決定系數(shù)(R2)及相關(guān)系數(shù)作為評價模型預(yù)測精度的指標(biāo).

1.6 統(tǒng)計(jì)分析軟件采用Matlab 2017b對試驗(yàn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析.

2 結(jié)果與分析

2.1 橡膠樹葉片的氮含量本研究中，分別應(yīng)用凱氏定氮法對所采集的147個橡膠樹葉片進(jìn)行了葉片氮素含量參考值的測定.本研究根據(jù)所測得的橡膠樹葉片的氮素含量對其進(jìn)行了劃分，其結(jié)果如下.

表1 本研究所用樣本的氮含量等級劃分

所采集的橡膠樹葉片樣本涵蓋了各個等級，這有利于建立精準(zhǔn)模型.

2.2 橡膠樹葉片的光譜數(shù)據(jù)本研究所基于的SpecView高光譜儀采集的近紅外波段高光譜數(shù)據(jù)是一種三維數(shù)據(jù)，它不僅具有光譜維信息，而且還具有空間維信息.為了驗(yàn)證本研究所基于的假設(shè)，即不同采點(diǎn)區(qū)域光譜數(shù)據(jù)的特征不同，本研究以第十號葉片樣本的高光譜數(shù)據(jù)為例，采集了橡膠樹葉片高光譜數(shù)據(jù)不同采點(diǎn)區(qū)域的光譜數(shù)據(jù)，如圖1所示.

圖1 橡膠樹葉片高光譜數(shù)據(jù)不同像素位置的光譜曲線

圖1是分別從高光譜數(shù)據(jù)的葉邊緣區(qū)域、葉肉區(qū)域、葉片側(cè)脈區(qū)域和主葉脈區(qū)域人為地選擇單一像素點(diǎn)對應(yīng)的光譜數(shù)據(jù)，即1*1*230的光譜數(shù)據(jù)，各像素點(diǎn)光譜數(shù)據(jù)均有著相似的趨勢.在926 nm～1 300 nm區(qū)域均有著較高光譜反射率，在1 376 nm～1 526 nm存在明顯的下降趨勢，在1 450 nm區(qū)域有一個較高的吸收峰.

但是不同像素點(diǎn)光譜數(shù)據(jù)在反射率上存在較大的差異，在1 076 nm～1 100 nm區(qū)域和1 226 nm～1 376 nm區(qū)域，光譜反射率的差異尤為明顯.橡膠樹葉片不同選點(diǎn)區(qū)域的高光譜數(shù)據(jù)確實(shí)存在較大的光譜差異，這說明不同選點(diǎn)區(qū)域的內(nèi)部化學(xué)成分存在差異，這可能是因?yàn)椴煌睾克鶎?dǎo)致.

2.3 PCA重加權(quán)結(jié)果原始平均光譜的采集過程等效于將高光譜數(shù)據(jù)中每個像素的光譜權(quán)重默認(rèn)地設(shè)置為1，然而，對于高光譜數(shù)據(jù)而言，每個像素的光譜特征是不同的，均勻的權(quán)重不利于研究橡膠樹葉片高光譜數(shù)據(jù)的空間特性.從統(tǒng)計(jì)意義上講，方差越大意味著離散數(shù)據(jù)的波動越大，數(shù)據(jù)越分散， 因此，基于放大像素點(diǎn)權(quán)重差異的目的，本研究選擇PCA方法，在最大方差的反向上提取高光譜數(shù)據(jù)的空間特征，這為后續(xù)Kmeans算法提供了聚類依據(jù).

本研究中，采用了PCA重加權(quán)方式來探究橡膠樹葉片的高光譜數(shù)據(jù)的空間信息，所有樣本第一主成分PC1的貢獻(xiàn)率均大于85%，因此本研究中，選用PC1的特征向量作為重加權(quán)系數(shù).在本文中，我們比較了基于PCA重加權(quán)系數(shù)矩陣和原始系數(shù)矩陣(每個元素均為1)之間所有樣本的高光譜數(shù)據(jù)的投影方差，如圖2所示.

Variance6004002000050100150VarianceofPCAVarianceofOriginalSample圖2 原始高光譜數(shù)據(jù)投影方差和基于PCA重加權(quán)系數(shù)的投影方差圖3 PCA獲取的葉片樣本8的重加權(quán)系數(shù)矩陣

為了使得PCA獲取的重加權(quán)系數(shù)矩陣的結(jié)果更為直觀，對重加權(quán)矩陣進(jìn)行了可視化操作(見圖3).

圖3中，黑色區(qū)域?qū)?yīng)權(quán)值最小的區(qū)域，白色區(qū)域?qū)?yīng)權(quán)值最大的區(qū)域，如圖所示，重加權(quán)矩陣在葉脈、葉邊緣、葉肉區(qū)域有明顯的區(qū)分.

結(jié)果表明，前者的投影方差明顯大于后者的投影方差.由于方差越大，數(shù)據(jù)的離散度就越大，因此在PCA加權(quán)矩陣方向上的投影確實(shí)會擴(kuò)大樣本像素之間的差異. 圖3顯示了一個樣本的權(quán)重系數(shù)矩陣的可視化結(jié)果，可視化的權(quán)值矩陣可以明顯地區(qū)分出橡膠葉片的各個區(qū)域，即PCA重加權(quán)過程確實(shí)可以從高光譜立方體的巨大波段數(shù)據(jù)中找到合適的二維平面.

2.4 高光譜數(shù)據(jù)聚類的結(jié)果對比與分析為使得聚類選點(diǎn)的結(jié)果更加直觀，本論文對聚類的選點(diǎn)區(qū)域進(jìn)行了可視化操作，其中，8號葉片樣本的PCA-Kmeans聚類可視化結(jié)果如下圖所示：圖4至圖6是類別2、3和6每個聚類簇的可視化圖像，圖中白色區(qū)域是與每個聚類簇?cái)?shù)據(jù)集相對應(yīng)的像素位置，僅在圖4(a)中展示了非葉片區(qū)域的聚類簇，而在其余圖中均不作展示.

聚類結(jié)果表明，隨著K的增大，葉片區(qū)域的區(qū)分越精細(xì).如圖4所示，當(dāng)K為3時，可以清楚地區(qū)分葉肉區(qū)和葉脈區(qū)；如圖5所示，當(dāng)K為4時，可進(jìn)一步地區(qū)分出主葉脈和側(cè)葉脈；當(dāng)K為7時，如圖6所示，可將葉片的簇?cái)?shù)據(jù)集劃分得更加細(xì)膩，包括葉邊緣區(qū)域、葉肉區(qū)域、側(cè)脈區(qū)域和主脈區(qū)域.

abc圖5 類別3的各個聚類簇的可視化圖像

abcdef圖6 類別5的各個聚類簇的可視化圖像

2.5 最佳氮素敏感區(qū)域的選擇在橡膠樹的生長過程中，營養(yǎng)狀況、水分含量以及光照等因素都會影響橡膠樹葉片的尺寸和形狀，其大小具有隨機(jī)性，氮素敏感ROI區(qū)域的尺寸難以量化，因此本文提出了一種基于PCA-Kmeans的無監(jiān)督聚類方法，依據(jù)像素點(diǎn)的空間特征進(jìn)行了ROI的劃分和選擇.

當(dāng)重加權(quán)矩陣分別以K=2～7聚類時，相應(yīng)的聚類有6種聚類類別，每個聚類類別中的高光譜數(shù)據(jù)被聚類成相應(yīng)的K個簇?cái)?shù)據(jù)集.由于橡膠樹葉片的高光譜數(shù)據(jù)具有非葉片區(qū)域和葉片區(qū)域，因此在每個類別的簇?cái)?shù)據(jù)集中均包含了K-1個葉片區(qū)域簇ASC(Average Spectral of Cluster)和1個非葉片區(qū)域簇?cái)?shù)據(jù)集ASC0.應(yīng)當(dāng)指出，category1的ASC1，即聚類類別1的第二個聚類簇?cái)?shù)據(jù)集，其對應(yīng)于高光譜數(shù)據(jù)的整個葉片區(qū)域的平均光譜.

本研究基于PCA-Kmeans法選擇了21組聚類簇平均光譜進(jìn)行建模，其建模結(jié)果如表2，由表2可知，聚類類別2的ASC1聚類簇平均光譜所建立的模型的建模精度最佳，其R2達(dá)到0.957，RMSE為0.139 9.同時，聚類類別3的ASC2；聚類類別4的ASC2和聚類類別5的ASC3的模型精度也較好，其R2分別為0.941、0.934和0.943.

表2中比較了每個類別中所有ASC的建模結(jié)果，從表2可以看出，隨著K值的增加，每個類別的整體建模精度都會下降，因此，本論文僅研究了2≤K≤7時的聚類情況.基于類別2的ASC1數(shù)據(jù)的預(yù)測模型，其預(yù)測精度最高，R2達(dá)到0.957；基于類別6的ASC6的預(yù)測模型，其預(yù)測精度最差，但其R2也達(dá)到了0.863.

表2 基于所有聚類類別全部ASC所建模型的R2和RMSE對比

結(jié)合表2數(shù)據(jù)和圖4～6，始終發(fā)現(xiàn)基于葉肉區(qū)域聚類數(shù)據(jù)的模型，其準(zhǔn)確性要優(yōu)于基于其他區(qū)域數(shù)據(jù)模型的準(zhǔn)確性，例如，表2類別2的ASC 1的精度明顯優(yōu)于類別2中的ASC 2的精度.聚類ASC 1的光譜數(shù)據(jù)主要分布在葉肉區(qū)域，而ASC 2的光譜數(shù)據(jù)主要分布在葉肉區(qū)域.在類別3的所有建模案例中，最好的模型預(yù)測精度出現(xiàn)在ASC 2所建立的模型中，其對應(yīng)的是葉肉區(qū)域的聚類簇光譜數(shù)據(jù).同樣，在類別4、5、6中，最佳建模精度也出現(xiàn)在基于葉肉聚類簇所建立的模型中.以葉肉簇?cái)?shù)據(jù)建立的模型似乎總是伴隨著最佳的建模精度，而葉邊緣和葉脈簇的氮含量檢測模型的精度則稍差.

且隨著K增大，每個類別中各個簇區(qū)域的選點(diǎn)個數(shù)減小，其整體建模精度也在下降.該現(xiàn)象在葉邊緣區(qū)域和葉脈區(qū)域尤為明顯，其表現(xiàn)為隨著所選取的像素點(diǎn)光譜數(shù)據(jù)越多，其建模精度越高.

2.6 與傳統(tǒng)選點(diǎn)方式所建立的氮素檢測模型的比較表3展示了ASRS，ASL，ASROI和ASC的建模結(jié)果.其中，ASC為基于類別2的ASC 1數(shù)據(jù)的建模結(jié)果.在幾種選點(diǎn)方式的建模結(jié)果對比中，基于ASC數(shù)據(jù)的模型其精度最高，基于ASL的模型其精度略低于基于ASC數(shù)據(jù)的模型精度，但也高于基于其他兩個光譜數(shù)據(jù)的模型的精度.

基于ASRS的建模結(jié)果與其他三種選點(diǎn)方式的建模結(jié)果差異較大，在此對其光譜的譜形作以下分析.圖7和圖8分別顯示了ASRS和類別2的ASC 1的光譜圖像.

reflectance0.700.650.600.550.50107612261376wavelengthbreflectance0.80.60.40.292610761226137615261678wavelengtha圖7 ASRS數(shù)據(jù)的散點(diǎn)圖以及其局部區(qū)域的散點(diǎn)圖

reflectance0.700.650.600.550.50107612261376wavelengthbreflectance0.70.60.50.40.30.292610761226137615261678wavelengtha圖8 ASC數(shù)據(jù)的散點(diǎn)圖以及其局部區(qū)域的散點(diǎn)圖

ASRS和ASC數(shù)據(jù)在926 nm～1 678 nm波長范圍內(nèi)具有相同的趨勢，但是反射率的局部位置有較大差異，ASRS大部分樣本數(shù)據(jù)的反射率高于ASC樣本數(shù)據(jù)的反射率，同時ASRS數(shù)據(jù)的平滑程度較低，局部位置的波動比較明顯，而ASC數(shù)據(jù)的平滑程度相對理想.

ASRS的建模結(jié)果不理想，其決定系數(shù)R2較低，僅為0.638，均方根差為0.407 3. 雖然對于ASRS僅僅采集了18像素點(diǎn)光譜，但其建模結(jié)果遠(yuǎn)低于現(xiàn)在所需的建模精度. 與基于ASRS數(shù)據(jù)所建立的模型相比， 基于ASROI數(shù)據(jù)所建立的模型其建模精度比ASRS的建模精度好，但與ASC和ASL的建模結(jié)果相比仍有一定的差距.ASC所需像素點(diǎn)光譜比ASL所需像素點(diǎn)光譜要少，而其基于類別2的ASC 1所建立的模型，其準(zhǔn)確性高于基于ASL數(shù)據(jù)所建模型的準(zhǔn)確性.由表3可以看出，本研究提出的模型比傳統(tǒng)方法建立的模型其精度更高，可以用于橡膠樹葉片氮素的快速無損檢測，并可為橡膠樹葉片氮素敏感區(qū)域的選取提供參考依據(jù).

表3 基于類別2聚類簇1、ASRS、ASROI和ASL所建模型的R2和RMSE對比

所以在具體檢測中，可以使用基于PCA-Kmeans的無監(jiān)督聚類方法來進(jìn)行氮素敏感ROI區(qū)域的選擇.如果需要進(jìn)行人工的ROI選取，可選取復(fù)數(shù)個尺寸較小的ROI區(qū)域，使得這些區(qū)域可以在避開主葉脈的同時避開側(cè)葉脈區(qū)域，僅采集并盡可能多地采集葉肉區(qū)域的光譜數(shù)據(jù).

3 討 論

實(shí)時監(jiān)測氮素含量，在橡膠樹精確施肥和橡膠產(chǎn)量評估的方面具有重要意義[31].基于氮素在橡膠樹葉片上分布不均勻的假設(shè)，本論文認(rèn)為傳統(tǒng)的隨機(jī)選點(diǎn)方法不適用于橡膠樹葉片氮素模型的建立，因此有必要研究橡膠樹葉片的氮素敏感區(qū)域.通過PCA-Kmeans聚類光譜并結(jié)合PLSR建立模型，此法可用于檢測橡膠樹葉片的氮含量，傳統(tǒng)選點(diǎn)方法已應(yīng)用于多項(xiàng)研究之上：黎小清等[31]在葉片非葉脈區(qū)域進(jìn)行隨機(jī)點(diǎn)光譜選取，并通過基于零階導(dǎo)數(shù)和二次多項(xiàng)式下的SG平滑模式預(yù)處理建立了最優(yōu)的橡膠樹氮含量的PLS模型；鄭濤等[32]選用10×10單位像素矩陣來提取每個樣本的ROI平均光譜；劉燕清等[33]把贛南臍橙葉片的全葉片作為ROI區(qū)域，以全葉片平均光譜來研究葉片的氮含量.作為對比，在本次實(shí)驗(yàn)中采用了上述傳統(tǒng)選點(diǎn)方法來建立模型，這些選點(diǎn)方法分別有隨機(jī)點(diǎn)平均光譜法、感興趣區(qū)域平均光譜法和原始平均光譜法.建模得到如下結(jié)果：ASRS-PLS：R2=0.638，RMSE=0.403 7；ASROI-PLS：R2=0.907，RMSE=0.205 9；ASL-PLS：R2=0.942，RMSE=0.162 3.本研究中采取了基于PCA-Kmeans的聚類選點(diǎn)方法，獲取了21組聚類簇平均光譜.基于該方法，本研究的建模結(jié)果以聚類類別2的第1組簇?cái)?shù)據(jù)的模型預(yù)測精度最佳，其R2=0.957，RMSE=0.139 9，比傳統(tǒng)選點(diǎn)方法的模型精度高.這是由于和之前傳統(tǒng)的選點(diǎn)方法相比，本實(shí)驗(yàn)在最大方差的方向上提取了高光譜數(shù)據(jù)的空間特征，并經(jīng)過Kmeans聚類，把相似權(quán)值的高光數(shù)據(jù)聚成一簇，由此，通過PLSR來探究橡膠樹葉片氮素的敏感區(qū)域，所以選點(diǎn)過程更具有針對性.

在本研究中，對不同聚類簇區(qū)域進(jìn)行了建模分析，結(jié)果顯示，葉肉區(qū)域簇的建模精度總是比非葉肉區(qū)域簇的建模精度高.該結(jié)論與溫新[34]對于蘋果葉片氮素含量的反演結(jié)果具有相似的趨勢，且本研究的結(jié)果表明，遠(yuǎn)葉柄的葉肉區(qū)域的光譜模型精度比近葉柄的葉肉區(qū)域的光譜模型精度高.

本研究基于氮素的不均勻分布特性，提取了橡膠樹葉片高光譜數(shù)據(jù)的空間-光譜信息，探究了橡膠樹葉片的氮素敏感區(qū)域.通過應(yīng)用PCA-Kmeans聚類光譜并結(jié)合PLSR，可準(zhǔn)確地預(yù)測橡膠樹葉片的氮含量.本研究提出的PCA-Kmeans聚類方法，進(jìn)一步提高了基于高光譜數(shù)據(jù)的橡膠樹葉片氮素模型的精度，這為今后橡膠樹氮素含量的預(yù)測模型提供了理論依據(jù)，同時也為橡膠樹葉片光譜診斷模型的在線選點(diǎn)過程提供了指導(dǎo)意見.本研究僅對橡膠樹葉片樣本的氮素敏感區(qū)域進(jìn)行了研究，所采用的方法在其他營養(yǎng)元素的研究以及在其他作物葉片的氮素敏感區(qū)域問題上是否具有范化性還有待進(jìn)一步的研究.

4 結(jié) 論

應(yīng)用空間-光譜信息的聚類方法可探究橡膠樹葉片的氮素敏感區(qū)域，所建立的模型可實(shí)現(xiàn)橡膠樹葉片氮素的快速無損檢測.該方法可為橡膠樹氮素檢測模型的采集過程提供參考依據(jù)，同時，也可為實(shí)現(xiàn)橡膠樹營養(yǎng)元素的快速無損檢測提供技術(shù)支持.