關(guān)鍵詞：澳洲堅(jiān)果；高光譜；氮素營養(yǎng)；光譜變量；估算模型

中圖分類號(hào)：S664.9；S127 文獻(xiàn)標(biāo)志碼：A

澳洲堅(jiān)果（ Macadamia spp.） 是山龍眼科（Proteaceae）澳洲堅(jiān)果屬（Macadamia F. Muell）常綠喬木果樹，原產(chǎn)于澳大利亞，有“堅(jiān)果之王”的美譽(yù)[1]。截至2020 年底，全國澳洲堅(jiān)果的種植面積為26.61 萬hm²，居世界第一位，其中云南達(dá)23.53萬hm2[2]，已成為云南邊疆地區(qū)農(nóng)民增收、企業(yè)增效、財(cái)政增長的新興產(chǎn)業(yè)。澳洲堅(jiān)果是多年生經(jīng)濟(jì)作物，其營養(yǎng)狀況直接關(guān)系到產(chǎn)量、品質(zhì)以及樹體生產(chǎn)年限等。由于葉片養(yǎng)分含量直接反映樹體的營養(yǎng)狀況[3-4]，可以根據(jù)澳洲堅(jiān)果葉片中營養(yǎng)元素的豐缺程度進(jìn)行針對性施肥，為果樹及時(shí)補(bǔ)給養(yǎng)分[5]。當(dāng)前，澳洲堅(jiān)果葉片營養(yǎng)診斷施肥大多基于傳統(tǒng)的葉片化學(xué)分析，雖然具有較高的檢測精度，但存在消耗時(shí)間長、過程繁瑣、工作量大、時(shí)效性差等弊端。然而，植物在缺乏營養(yǎng)元素時(shí)，會(huì)引起葉片顏色、厚度、水分含量以及形態(tài)結(jié)構(gòu)等一系列變化，從而引起光譜反射率特征的變化。高光譜遙感技術(shù)因其光譜分辨率高，能夠探測到地物在光譜特征上的微小差異，故而廣泛用于作物營養(yǎng)快速檢測[6]。因此，基于高光譜遙感數(shù)據(jù)和營養(yǎng)元素分析，探索利用高光譜遙感技術(shù)估測澳洲堅(jiān)果葉片營養(yǎng)元素含量，對監(jiān)測澳洲堅(jiān)果樹的生長勢、促進(jìn)澳洲堅(jiān)果園的精細(xì)化管理具有重要的理論與現(xiàn)實(shí)意義。

氮素是合成蛋白質(zhì)和葉綠素的重要組成部分，并參與酶的合成，其含量直接影響果樹光合作用強(qiáng)度與糖類物質(zhì)的形成，缺氮或者過量施氮都將造成產(chǎn)量和果實(shí)品質(zhì)的下降。目前，將高光譜信息應(yīng)用到作物氮素營養(yǎng)快速診斷的研究大多聚焦在小麥、水稻等短期作物。FERNANDEZ 等[7]發(fā)現(xiàn)660 nm（紅光）和545 nm（綠光）的線性組合可以作為光譜變量預(yù)測小麥葉片的氮素含量，李粉玲等[8]則利用550～770 nm波段的吸收峰總面積來定量估算冬小麥葉片氮素含量水平，薛利紅等[9] 發(fā)現(xiàn)水稻冠層近紅外與綠光波段的比值（R₈₁₀/R₅₆₀）與葉片氮積累量呈顯著線性關(guān)系，白麗敏等[10]采用連續(xù)投影算法、結(jié)合偏最小二乘法建立了冬小麥拔節(jié)期葉片氮含量高光譜估算模型，張玉森等[11]基于偏最小二乘法建立了水稻新鮮葉片和干葉粉末的光譜氮素預(yù)測模型。另外，部分學(xué)者也將高光譜營養(yǎng)診斷技術(shù)向多年生經(jīng)濟(jì)作物擴(kuò)展。朱曉鈴等[12]發(fā)現(xiàn)對數(shù)變換光譜的983、1245、1316、1457 nm 等4 個(gè)波段組合可用于估測蜜柚葉片氮濃度，李金夢等[13]采用連續(xù)投影算法、結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)模型建立了柑橘樹葉片含氮量預(yù)測模型，黎小清等[14]分別采用光譜指數(shù)法和偏最小二乘法構(gòu)建了橡膠樹葉片氮素含量高光譜估算模型，林靈辰等[15]發(fā)現(xiàn)基于6個(gè)葉片光譜參數(shù)所構(gòu)建的支持向量回歸模型能夠較為準(zhǔn)確地估測毛竹葉片氮元素含量，馬文強(qiáng)等[16]采用組合預(yù)處理方法并結(jié)合連續(xù)投影算法構(gòu)建了核桃葉片氮元素含量的PLSR 預(yù)測模型。在澳洲堅(jiān)果上，DE SILVA 等[17]基于400～1000nm 全波段高光譜反射率數(shù)據(jù)建立了葉片氮素含量估算模型，但測試集R²僅為0.55。然而，氮素光譜數(shù)據(jù)的獲得受到作物種類、種植模式、區(qū)域條件等因素的影響，進(jìn)而導(dǎo)致基于高光譜遙感技術(shù)的氮素診斷施肥方法和模型尚需進(jìn)一步探索。

研究表明，通過敏感波段、植被指數(shù)、高光譜特征參數(shù)的篩選，消除光譜波段的冗余信息后再建立預(yù)測模型，預(yù)測精度明顯提升[16， 18]。此外，不同光譜變換也會(huì)影響模型的預(yù)測精度，通過對原始光譜進(jìn)行光譜變換，可增強(qiáng)光譜響應(yīng)，降低干擾影響，有效提高模型精度[19]。在現(xiàn)有的敏感變量提取研究中，大多是從多種數(shù)學(xué)變換處理中尋找一種最優(yōu)的處理方法，然后從最優(yōu)變換數(shù)據(jù)中篩選特征波長[20-21]。本研究擬以澳洲堅(jiān)果葉片為研究對象，分析葉片氮素含量和光譜特征，充分利用可用的光譜信息，嘗試從多種變換光譜數(shù)據(jù)中優(yōu)選氮素敏感光譜變量，并基于優(yōu)選的氮素敏感光譜變量建立澳洲堅(jiān)果葉片氮素含量估算模型，可為今后進(jìn)行澳洲堅(jiān)果葉片氮素營養(yǎng)監(jiān)測指導(dǎo)施用氮肥提供技術(shù)支撐。

1 材料與方法

1.1 材料

1.1.1 田間試驗(yàn) 于2020 年在臨滄市雙江縣勐勐鎮(zhèn)小黑江酒廠堅(jiān)果基地布置澳洲堅(jiān)果施肥試驗(yàn)。試驗(yàn)地地理位置23°24′5″N，99°44′22″E，海拔977 m，該基地0～20 cm 的土壤理化性質(zhì)如下：pH 5.28，有機(jī)質(zhì)為35.66 g/kg，全氮為1.43 g/kg，水解氮為119.95 mg/kg，有效磷為27.85 mg/kg，速效鉀為183.09 mg/kg。用于試驗(yàn)的澳洲堅(jiān)果品種為O.C和HAES344，1998 年種植，株行距4.0 m×6.0 m；各品種分別選擇長勢較一致的35株樹用于試驗(yàn)。試驗(yàn)設(shè)7 個(gè)施肥處理，每個(gè)處理5 株，N為尿素，P為鈣鎂磷，K 為硫酸鉀，于每年分3 次施肥：3 月（保果肥）、6月（壯果肥）、10月（果后肥），各個(gè)時(shí)期的施肥量數(shù)據(jù)見表1。

1.1.2 葉片樣品采集 葉片采集在晴天的上午9：00—11：00進(jìn)行，采集無病蟲害的成熟葉片。對于選取的澳洲堅(jiān)果采樣樹，在樹冠的同一高度、同一方向采集顏色和形態(tài)特征基本一致的5 片葉作為1 個(gè)樣品。在臨滄市雙江縣勐勐鎮(zhèn)小黑江酒廠堅(jiān)果基地試驗(yàn)區(qū)，考慮到澳洲堅(jiān)果葉片氮素含量的季節(jié)性變化，選擇多個(gè)月份進(jìn)行樣品采集，共采集6 次；每次從各處理的5 株澳洲堅(jiān)果樹中隨機(jī)選擇2 或3 株進(jìn)行采樣，累計(jì)采集224 個(gè)葉片樣品。為了盡可能獲得不同氮素營養(yǎng)水平的葉片樣本，本研究還在西雙版納州4 個(gè)澳洲堅(jiān)果園以同樣的方法進(jìn)行了5 次隨機(jī)采樣，共采集147個(gè)葉片樣品。因此，用于本研究的葉片樣品為371個(gè)（表2）。

1.2 方法

1.2.1 葉片光譜與氮素含量測定 鮮葉采集后迅速裝入自封袋，儲(chǔ)存于移動(dòng)冷藏箱中，12 h 內(nèi)完成鮮葉的光譜反射率測定。采用FieldSpec4光譜儀（美國ASD公司產(chǎn)）測定葉片光譜反射率，測定光源由植物探頭提供，測定葉片正面的光譜反射率。測量前先進(jìn)行參考白板校正，測量時(shí)利用葉片夾持器將葉片固定，選取葉片中部無病斑區(qū)域，測定葉片正面的光譜反射率，連續(xù)掃描3 次，每個(gè)葉片樣品的光譜反射率由15條光譜曲線取平均而得。去除噪聲較大的350～399 nm 波長，僅保留400～2500nm 光譜反射率用于本研究。將已采集光譜反射率的澳洲堅(jiān)果葉片，烘干后粉碎過40 目篩，采用連續(xù)流動(dòng)分析法測定葉片氮含量[22]。

1.2.2 樣本數(shù)據(jù)集劃分 2021—2022年采集的252個(gè)樣品中，先剔除2個(gè)光譜曲線明顯異常的樣品后，再采用“平均值±3 倍標(biāo)準(zhǔn)差”的方法剔除4 個(gè)氮素含量異常樣品，以剩余的246 個(gè)葉片樣品用于模型校正和驗(yàn)證，其中O.C 品種葉片樣品125 個(gè)，HAES344品種葉片樣品121 個(gè)。采用分層隨機(jī)抽樣方法劃分校正集和驗(yàn)證集，結(jié)合品種、采樣點(diǎn)和采樣日期，將246 個(gè)樣品分為14個(gè)類型，每個(gè)類型分別抽取80%的樣品作為校正集，剩余的樣品作為驗(yàn)證集，將抽取的各類型樣品按校正集和驗(yàn)證集進(jìn)行合并。將2020年采集的119個(gè)樣品作為測試集。表3 為用于模型校正、驗(yàn)證和測試的澳洲堅(jiān)果葉片樣品氮素含量描述性統(tǒng)計(jì)。

1.2.3 對數(shù)變換 本研究的對數(shù)變換是對光譜反射率R 的倒數(shù)求對數(shù)log（1/R）。光譜反射率R 經(jīng)對數(shù)變換后，可以增強(qiáng)原始光譜反射率值較低的波段（如可見光波段）的光譜差異。

本研究用于模型構(gòu)建的校正集樣本數(shù)為197個(gè)，當(dāng)決定系數(shù)DC（λ_i）gt;0.04 時(shí)，已經(jīng)處于0.01水平上顯著相關(guān)。通過上述方法提取得到不同變換形式光譜數(shù)據(jù)的氮素敏感波長，從而得到相應(yīng)的氮素敏感光譜變量。

本研究選取決定系數(shù)曲線圖中波峰特征點(diǎn)作為氮素敏感波長，主要依據(jù)有：（1）波峰特征點(diǎn)對應(yīng)的決定系數(shù)是某個(gè)波段范圍內(nèi)的最大值；（2）這些特征點(diǎn)的兩側(cè)波長變量通常與特征點(diǎn)波長變量有較強(qiáng)的共線性，因此去除特征點(diǎn)以外的波長。

1.2.6 模型建立與評(píng)價(jià) 選擇多元線性回歸（MLR）、偏最小二乘回歸（PLSR）、支持向量回歸（SVR）等3 種建模方法[23]，建立澳洲堅(jiān)果葉片氮素含量估算模型。采用決定系數(shù)（R²）、均方根誤差（RMSE）和相對分析誤差（RPD）進(jìn)行模型評(píng)價(jià)，R²越接近1，RMSE 越小，RPD越大，說明模型估算效果越好。當(dāng)RPD 在1.4～2時(shí)表示模型有一定的估算能力，在2～2.5時(shí)表示模型估算能力良好，大于2.5時(shí)則表明模型有很好的估算能力[24]。

2 結(jié)果與分析

2.1 澳洲堅(jiān)果葉片氮素含量與多種變換光譜數(shù)據(jù)的相關(guān)性分析

將197個(gè)校正集樣品用于分析澳洲堅(jiān)果葉片光譜反射率及其變換光譜與葉片氮含量的相關(guān)性。對原始光譜反射率R 先進(jìn)行l(wèi)og（1/R）計(jì)算，得到LR，再對R 和LR 進(jìn)行1 階導(dǎo)數(shù)變換得到FDR 和FDLR，最后對R 和LR 進(jìn)行2 階導(dǎo)數(shù)變換得到SDR 和SDLR，建立澳洲堅(jiān)果葉片氮素含量與光譜反射率R 及其變換形式光譜的相關(guān)系數(shù)曲線圖。結(jié)果如圖1 所示，R、LR、FDR、FDLR、SDR、SDLR 的最高相關(guān)系數(shù)分別為?0.507、0.515、?0.540、?0.584、0.618、?0.631，分別出現(xiàn)在528、527、2154、2070、532、522 nm 處。相比原始光譜反射率R，經(jīng)對數(shù)變換或?qū)?shù)變換處理后，光譜數(shù)據(jù)與葉片氮素含量的相關(guān)性得到了增強(qiáng)。從圖1 來看，導(dǎo)數(shù)變換后，雖然也會(huì)一定程度放大光譜噪聲，但大大增強(qiáng)了敏感波段光譜對氮素的響應(yīng)能力。

2.2 澳洲堅(jiān)果葉片氮素敏感光譜變量優(yōu)選

對圖1 的相關(guān)系數(shù)進(jìn)行平方運(yùn)算，得到澳洲堅(jiān)果葉片氮素含量與光譜反射率及其變換形式數(shù)據(jù)的決定系數(shù)曲線圖（圖2）。依據(jù)氮素敏感光譜變量提取方法，在決定系數(shù)大于0.04 的原則下，選擇決定系數(shù)曲線圖中波峰特征點(diǎn)對應(yīng)的波長作為氮素敏感波長。在氮素敏感波長提取過程中，去除決定系數(shù)較低的波長的同時(shí)，還剔除了與波峰特征點(diǎn)波長變量存在較強(qiáng)共線性的波峰特征點(diǎn)兩側(cè)波長變量，盡可能保留了可用的光譜信息。通過氮素敏感波長初步篩選，6 種形式光譜數(shù)據(jù)的變量總數(shù)從12 594 個(gè)壓縮到619 個(gè)，壓縮率達(dá)95%。其中，R、LR、FDR、FDLR、SDR、SDLR提取得到的氮素敏感波長個(gè)數(shù)分別為33、37、138、145、139、127。

從圖3 可以看出，R 與LR，F(xiàn)DR 與FDLR，以及SDR 與SDLR 的敏感波長分布基本一致，這是因?yàn)镽 與LR，F(xiàn)DR 與FDLR，以及SDR 與SDLR在相同波長處呈現(xiàn)高相關(guān)性。雖然在上述氮素敏感波長提取過程中，已經(jīng)消除了各變換形式光譜內(nèi)部的部分冗余波長，但不同變換形式光譜之間還存在較大的共線性問題。

為消除共線性的影響，采用逐步回歸法對619個(gè)氮素敏感光譜變量進(jìn)一步優(yōu)化。以619 個(gè)氮素敏感光譜變量為自變量，葉片氮素含量為因變量，將619個(gè)氮素敏感光譜變量與葉片氮素含量進(jìn)行逐步回歸分析。逐步回歸和共線性診斷結(jié)果如表4所示，對模型的貢獻(xiàn)達(dá)到顯著水平而被留在模型中的變量有19個(gè)。通過模型中變量共性線診斷發(fā)現(xiàn)，變量中方差膨脹因子均小于10，說明變量間不存在多重共線性[25]。最終確認(rèn)不存在共線性的19 個(gè)優(yōu)選氮素敏感光譜變量分別是：LR474、FDR1072 、FDR1414 、FDR1631 、FDR1837 、FDR2063、FDR2154、FDLR492、FDLR1672、FDLR2227、FDLR2389、FDLR2428、SDR587、SDR1595 、SDR1769 、SDR1780 、SDR1948 、SDLR2153、SDLR2328。其中，變量入選最多的光譜類型是FDR、FDLR 和SDR，氮素敏感波長主要分布在近紅外波段1072～2428 nm（圖4）。

2.3 澳洲堅(jiān)果葉片氮素含量估算模型的建立與驗(yàn)證

將19個(gè)優(yōu)選的澳洲堅(jiān)果葉片氮素敏感光譜變量作為自變量，葉片氮素含量作為因變量，并采用MLR、PLSR、SVR 等3 種方法構(gòu)建澳洲堅(jiān)果葉片氮素含量高光譜估算模型。分別利用驗(yàn)證集和測試集對構(gòu)建的澳洲堅(jiān)果葉片氮素含量高光譜估算模型性能進(jìn)行測試，結(jié)果如表5 所示，MLR、PLSR、SVR 等3 種模型估算能力均表現(xiàn)良好，驗(yàn)證集和測試集的RPD 均在2.0 以上。綜合來看，PLSR 模型為最優(yōu)估算模型，驗(yàn)證集和測試集的RPD 分別為2.099 與2.110，估算能力良好。由于測試集樣品全部采集于西雙版納州，而建模集和驗(yàn)證集約88.6%的樣品采集于臨滄市，從測試集的估算效果來看，本研究構(gòu)建的模型具有較強(qiáng)的區(qū)域普適性。

為了進(jìn)一步驗(yàn)證本研究構(gòu)建模型的普適性，將構(gòu)建的光譜最優(yōu)模型與常規(guī)的全波段PLSR 模型進(jìn)行性能和普適性對比（表6）。從驗(yàn)證集的估算表現(xiàn)來看，基于全波段原始光譜反射率（R）構(gòu)建的PLSR 模型效果最好。但從測試集的估算結(jié)果來看，本研究構(gòu)建的模型估算性能大大優(yōu)于6種變換光譜的全波段PLSR 模型，其RPD 為2.110，而全波段PLSR 模型的RPD 最高僅為1.136。結(jié)果表明，該光譜最優(yōu)模型的區(qū)域普適性優(yōu)于全波段PLSR 模型，適合推廣應(yīng)用。

3 討論

本研究首先采用對數(shù)變換、導(dǎo)數(shù)變換及變換組合對原始光譜反射率進(jìn)行多種數(shù)學(xué)變換，然后分析了澳洲堅(jiān)果葉片氮素含量與多種變換光譜數(shù)據(jù)的相關(guān)性。結(jié)果發(fā)現(xiàn)，R、LR、FDR、FDLR、SDR、SDLR 與澳洲堅(jiān)果葉片氮素含量的最高相關(guān)系數(shù)分別為?0.507、0.515、?0.540、?0.584、0.618與?0.631，分別出現(xiàn)在528、527、2154、2070、532、522 nm 處。這表明，經(jīng)對數(shù)變換、導(dǎo)數(shù)變換及變換組合處理后，各光譜數(shù)據(jù)與氮素含量的相關(guān)性均得到提升。其中，單一變換處理以二階導(dǎo)數(shù)變換的提升效果最明顯，與郭發(fā)旭等[26]的研究結(jié)果一致；組合變換處理則以對數(shù)變換結(jié)合二階導(dǎo)數(shù)變換的提升效果最明顯。本研究中，葉片氮素含量與R 的最高相關(guān)性在528 nm 波段，與前人在橡膠[14]和琯溪蜜柚[27]上的研究結(jié)果相似，但也有一定差異，這可能是作物類型的差異所致。JOHNSON 等[28]研究發(fā)現(xiàn)道格拉斯冷杉葉片氮素含量與FDR 在2160 nm 波段處的相關(guān)性最高，與本研究發(fā)現(xiàn)澳洲堅(jiān)果葉片氮素含量與FDR 最高相關(guān)性在2154 nm 波段處的結(jié)果基本一致。

大量研究表明，葉片氮素敏感波段主要在可見光波段[7-8]。本研究通過分析決定系數(shù)，篩選到619 個(gè)氮素敏感光譜變量，并采用逐步回歸法進(jìn)一步優(yōu)選到不存在共線性影響的19個(gè)氮素敏感光譜變量， 其波長主要分布在近紅外波段的1072～2428nm 區(qū)間，這與朱曉鈴等[12]的研究相似。薛利紅等[29]認(rèn)為，葉片中的氮素大多以蛋白質(zhì)的形態(tài)存在，而2100nm 左右為蛋白質(zhì)的吸收波段，因此2100nm 左右也是氮素的敏感波段，這在本研究中得到證實(shí)。本研究優(yōu)選的19 個(gè)氮素敏感光譜變量中，最多的光譜類型是FDR、FDLR和SDR，入選變量個(gè)數(shù)分別為6、5和5，這進(jìn)一步表明對數(shù)變換、導(dǎo)數(shù)變換及變換組合處理能夠有效增強(qiáng)敏感波段光譜對氮素的響應(yīng)能力。本研究發(fā)現(xiàn)，與澳洲堅(jiān)果葉片氮素含量最高相關(guān)的6個(gè)光譜變量中僅有FDR2154 入選為最優(yōu)的氮素敏感光譜變量，這是逐步回歸法的變量優(yōu)選結(jié)果，但不同的變量優(yōu)選方法可能會(huì)呈現(xiàn)不一樣的結(jié)果。

為得到最優(yōu)的澳洲堅(jiān)果葉片氮素含量高光譜估算模型，比較了MLR、PLSR 與SVR 等3 種模型的估算效果。結(jié)果顯示，PLSR 模型的估算效果要優(yōu)于MLR 和SVR，其驗(yàn)證集和測試集的RPD分別為2.099 及2.110，表明PLSR 模型具有較高的估算精度。與6 種變換光譜的全波段PLSR 模型相比，經(jīng)優(yōu)選氮素敏感光譜變量后的PLSR 模型效果最好，表明其具有較強(qiáng)的區(qū)域普適性，可能更適用于澳洲堅(jiān)果葉片氮素含量的實(shí)時(shí)預(yù)測，為澳洲堅(jiān)果樹科學(xué)合理施加氮肥提供了一定的參考依據(jù)。同時(shí)，基于多種變換光譜數(shù)據(jù)，優(yōu)選氮素敏感光譜變量，充分利用了不同變換光譜數(shù)據(jù)中可用的光譜信息，為光譜敏感變量的篩選提供新思路。