水稻葉片SPAD 值高光譜成像估測

康 麗，高 睿，孔慶明，賈銀江，施玉博，蘇中濱*

（1.東北農業大學電氣與信息學院，哈爾濱 150030；2.大連工業大學信息科學與工程學院，遼寧 大連 116034；3.國網哈爾濱供電公司，哈爾濱 150000）

葉綠素含量是作物生長重要理化指標，可表征作物生長狀況，為農業遙感、生態監測等領域重要生物量衡量指標。傳統葉綠素含量檢測結果精確，但工序繁瑣、破壞性大、效率低。研究表明，SPAD（Soil and plant analyzer development）值可替代傳統方式衡量葉綠素含量[1]，應用于科研及生產。但目前SPAD值測量設備必須逐點接觸測量，耗時長、工作量大。近年來光譜檢測技術[2]，尤其高光譜檢測技術，以其“圖譜合一”特色兼具快速、無損、綠色等優勢被廣泛應用。在葉綠素含量估測方面，程志慶等以不同水肥脅迫楊樹葉片為研究對象，驗證SPAD值表示楊樹葉片葉綠素含量，并建立SPAD值高光譜估測模型[3]；于滋洋等通過6個氮梯度處理試驗獲取樣本，利用隨機森林模型綜合葉綠素敏感波段和水分吸收因素，對水稻SPAD值作高光譜估測[4]；于雷等在大豆鼓粒期采集80個不同田塊大豆葉片，經IRIV算法篩選獲得光譜特征波長變量，構建大豆葉片SPAD值估測模型[5]；董哲等對大田不同區域不同葉位隨機采樣，基于全譜和光譜特征參數建模估測玉米葉片SPAD值[6]；岳學軍等采集嫩綠、淺綠、深綠3種生長狀態龍眼葉片，基于高光譜圖像和卷積神經網絡預測葉片葉綠素含量分布[7]。

以上研究主要基于不同水肥脅迫、區域、生長位置或生長狀態等情況下葉綠素含量變化。當作物遭到病蟲災害侵染后其葉片葉綠素含量發生變化，對于病蟲災害狀態下作物葉綠素含量高光譜估測研究相對較少。Wang等基于連續小波變換對冬小麥凍害葉片作SPAD值估測[8]；謝傳奇等通過人為接種病菌，研究病害番茄葉片SPAD值高光譜估測[9]。周曉等通過人為投蟲，建立多個稻縱卷葉螟蟲害水稻冠層SPAD值高光譜估測模型[10]。目前作物病害狀態下葉綠素含量估測研究主要基于人工接種病菌，自然發病研究鮮有報道。本研究以水稻葉片為研究對象，自然發病為前提，采集健康和稻瘟病染病葉片，基于高光譜技術，采用不同特征變量選取方法，運用多種模型構建算法，構建水稻葉片SPAD值估測模型，并通過對比分析獲得最優模型。旨在為冠層、區域尺度估測提供研究基礎，為實時定量監測水稻健康狀況、評估病害影響提供理論支持。

1 材料與方法

1.1 數據采集

1.1.1 樣本采集

試驗地位于黑龍江省哈爾濱市方正縣水稻研究院試驗大田。試驗品種為東農426，試驗區面積760 m2。為獲取稻瘟病自然發病樣本，試驗區不作病蟲害防治處理，其他田間管理正常。通過田間觀測調查，水稻拔節期出現明顯發病植株，采集染病及健康葉片放入保溫箱，立即帶回試驗區內實驗室測量，最終獲得有效樣本共計242片，其中健康葉片92片，染病葉片150片。

1.1.2 高光譜圖像采集及SPAD值測定

高光譜圖像獲取采用美國HeadWall公司高光譜成像系統。系統主要由高光譜相機、載物臺、鹵素燈光源、光源箱、采集器、計算機等部件組成。測量光譜范圍400～1 000 nm，光譜分辨率2.4 nm，采樣間隔3 nm。鏡頭垂直向下固定高度為45 cm，曝光時間30 ms，將待測葉片平鋪在移動平臺黑紙板上采集圖像。經多次調整，載物臺移動速度設置為3.0 mm·s-1。為消除因光源強度分布不均、鏡頭中暗電流等因素所產生影響，采集圖像前作反射率標定，公式為：

式（1）中，Rw為掃描標準白板獲取標準圖像，Rb為關閉快門并蓋上鏡頭蓋獲取暗場圖像，Rr為待校正高光譜圖像，R為校正后高光譜圖像。圖1中（a）、（b）分別為健康葉片和染病葉片高光譜圖像（前端顯示圖像為643.921、552.054和472.041 nm波段合成）。

葉片SPAD值采用型號為TYS-3N植物養分測定儀與高光譜圖像采集同步測量。分散選取葉片葉脈兩側各3個點（染病葉片需包含病斑）測定葉綠素含量，計算所有測量點平均值作為該葉片SPAD值。

1.2 高光譜數據獲取及樣本劃分

利用ENVI5.3軟件選取葉片高光譜圖像葉脈兩側各3個矩形區域（染病葉片需包含病斑）為感興趣區域，計算區域內所有像素點光譜反射率平均值，得到該葉片高光譜數據。為降低由儀器、環境等因素產生噪聲對模型干擾，采用Savitzky-Golay（SG）卷積平滑算法對全部樣本高光譜數據作預處理。SG平滑算法既可有效消除噪聲又不丟失有效信息細節，是高光譜數據處理中最常用預處理方法。

將242個水稻葉片樣本高光譜數據按照SPAD值升序排序，每隔2個樣本選取1個，共取81個樣本（染病48、健康33）作為驗證集，其余161個作為建模集（染病102、健康59），建模集、預測集和總體樣本描述性統計如表1所示。

表1 SPAD值描述性統計Table 1 Descriptive statistics of SPAD value

1.3 特征變量選取

高光譜數據包含光譜波段多、數據量大，通常存在數據冗余、共線性甚至部分數據與所求不相關等情況，為保證建模精度、降低模型復雜度、提高運算速度，研究采用高光譜特征參數、競爭性自適應重加權（Competitive adaptive reweighted sampling，CARS）和主成分分析（Principle component analysis，PCA）3種方案對高光譜數據作水稻葉片SPAD值特征變量選取。

選用對綠色植物特征體現最明顯“紅邊”、綠峰反射率、紅谷反射率高光譜特征參數作分析建模?！凹t邊”參數包括紅邊幅值Dr、紅邊位置λr和紅邊面積SDr3個參數。紅邊幅值Dr和紅邊位置λr指紅邊（680～760 nm）內一階導數光譜最大值及其對應波長位置；紅邊面積SDr指在紅邊波段內一階導數光譜積分。綠峰反射率Rg即綠光（510～560 nm）內光譜反射率最大值；紅谷反射率Rr即紅光（650～690 nm）內光譜反射率最小值。

CARS是一種將蒙特卡羅采樣與偏最小二乘法（Partial least squares，PLS）模型回歸系數相結合實現特征波長選擇的方法。每次計算自適應加權采樣回歸系數權重，選取PLS模型中回歸系數絕對值權重較大、剔除權重較小變量；以剩余變量為新子集重新建立PLS模型計算、選取、剔除；經多次運算，最終利用交互驗證選取均方根誤差最低子集為特征波長。

PCA為常用數據壓縮、特征提取算法。PCA算法通過正交變換使具有相關性變量轉換為相互無關變量，保留有用信息同時充分解決數據冗余、共線性等問題，實現數據降維、特征變量提取。變換后用幾個新變量即主成分（Principle component，PC）代替原變量，在最大限度保留原變量信息同時，將主要信息集中在前幾個互不相關且正交PC中。

1.4 模型構建與精度驗證

為充分考慮高光譜數據中與水稻葉片SPAD值相關線性、非線性信息，選用偏最小二乘法回歸（Partial least squares regression，PLSR）線性建模算法、支持向量機（Support vector machine，SVM）和反向傳播神經網絡（Back propagation neural network，BPNN）非線性建模算法構建水稻葉片SPAD值高光譜估測模型。PLSR可用于解決科技領域常規回歸模型難以解決問題[11]，在計算過程中同時考慮光譜矩陣X變量和理化性質Y變量作用，有效消除自變量之間多重共線性干擾。SVM是一種以統計學習理論為基礎機器學習算法，采用結構化風險最小化準則，保證樣本誤差最小同時縮小模型泛化誤差上界以提高模型泛化能力，具有精度高、運算速度快、泛化能力強等優點，適用于解決小樣本、非線性及復雜關系建模[12]。BPNN是由非線性變換神經單元組成一種前饋型神經網絡，主要采用誤差反向傳播算法不斷修正網絡連接權值，使實際輸出值與預測值之間誤差最小，可實現輸入和輸出任意非線性映射。

模型精度驗證指標采用建模決定系數（Rc2）、預測決定系數（Rp2）、建模均方根誤差（RMSEC）、預測均方根誤差（RMSEP）及預測集相對誤差（RE）。Rc2、Rp2越大、RMSEC、RMSEP越小、RE越小，模型精度越高，預測效果越好。

高光譜數據獲取、處理及分析主要使用ENVI5.3、The Unscrambler X 10.4、MATLABR2019a及SPSS 25等軟件完成。

2 結果與分析

2.1 葉片光譜特征分析

染病和健康葉片在400～1 000 nm波段光譜曲線總體輪廓相同，均明顯呈現綠色植物光譜特征：綠光波段560 nm附近有明顯反射峰即“綠峰”，紅光波段680 nm附近出現反射率低谷即“紅谷”，700～760 nm光譜反射率急劇增強，760 nm后反射率變化趨緩。

通過分析染病和健康葉片平均光譜反射率差異顯著，如圖2所示。在530～570 nm波段染病葉片光譜反射率明顯低于健康葉片，綠峰波段附近差異最大；580～720 nm波段染病葉片光譜反射率高于健康葉片；730～900 nm近紅外區染病葉片光譜反射率低于健康樣本，760 nm附近差值最大。產生差異主要原因是：當葉片感染稻瘟病后，病菌致使葉綠素含量降低，葉片光合作用減弱，導致葉片對綠光反射能力下降，反射率降低；葉綠素、胡蘿卜素等葉色素含量降低，導致葉片對紅光吸收能力減弱，反射率增大；病菌不斷侵染致使葉片細胞間隙甚至結構發生變化，導致葉片在近紅外波段反射能力下降。

2.2 基于高光譜特征參數建模預測

計算“紅邊”、綠峰反射率、紅谷反射率高光譜特征參數值并與葉片SPAD值作相關性分析。結果顯示紅邊位置λr與SPAD值呈正相關，相關系數為0.4783，紅邊面積SDr、紅邊幅值Dr、綠峰反射率Rg、紅谷反射率Rr均與SPAD值呈負相關，相關系數分別為-0.2127、-0.5122、-0.7392、-0.6519。5個參數均與SPAD值0.01水平顯著相關，因此以這5個高光譜特征參數為自變量，建立SPAD值偏最小二乘回歸（PLSR）模型記為PLSR（Characteristicparameters）。模型建模集和預測集 Rc2、Rp2分別為0.7249、0.6777，RMSEC、RMSEP分別為2.4081、2.6984，預測集RE為5.50%，預測集散點圖如圖3（a）所示。

PLSR屬于線性建模方法，為將光譜非線性特征納入模型中，采用支持向量機（SVM）和反向傳播神經網絡（BPNN）作非線性建模。SVM模型類型選用nu-SVC，核函數為Radial basis function，采用十折交叉驗證，核函數參數利用網格搜索獲得最優分類預測結果，結果如圖2（b）所示。BPNN經反復訓練確定模型主要參數：隱含層數為1，學習速率為0.1，動量因子為0.9，最大允許誤差為0.0001，隱含層節點數為5，使用梯度下降優化算法，預測結果如圖3（c）所示。

由圖 3 可見，SVM（Characteristicparameters）模型、BPNN（Characteristicparameters）模型預測集決定系數Rp2分別為0.7305、0.7545，較 PLSR（Characteristicparameters）提高 7.79%、11.33%，均方根誤差RMSEP分別為2.4355、2.3318，較PLSR（Characteristicparameters）降低9.74%、13.58%，相對誤差RE分別為4.84%、4.57%，較PLSR（Characteristicparameters）降低12%、16.91%，二者預測精度均高于PLSR模型。

2.3 CARS特征波長選擇及建模預測

2.3.1 CARS特征波長選擇

采用CARS對高光譜數據作SPAD值特征波長選擇，選擇過程見圖4，采樣次數設置為50。由圖4（a）可見，隨采樣次數增加變量個數逐步減少；PLS模型交叉驗證RMSECV值隨采樣次數增加先降后升，見圖4（b）；由圖4（c）中星號位置可知，當采樣次數達38次時，RMSECV值最低，表明已去除與SPAD值不相關或共線性變量，此后，RMSECV值逐步變大，尤其39次后陡然上升，表明與SPAD值相關部分變量被剔除，模型性能變差。因此，選擇第38次采樣獲得變量為特征波長，包括442.407、507.603、569.835、756.532、883.961 和969.901 nm共6個，分布見圖5。

2.3.2 模型構建

通過CARS選取6個特征波長為輸入，分別采用PLS、SVM和BPNN 3種建模算法構建水稻葉片SPAD值估測模型CARS-PLSR、CARS-SVM和CARS-BPNN，預測結果見圖6。由圖6可見，CARS-PLSR模型預測精度在3個模型中最低，預測集決定系數Rp2為0.7067，均方根誤差RMSEP為2.5908；CARS-SVM模型預測精度略高于CARS-PLSR模型，預測集決定系數Rp2為0.7264，均方根誤差RMSEP為2.4512；CARS-BPNN模型精度最高，較前兩個模型提高明顯，其預測集決定系數Rp2為0.7629，均方根誤差RMSEP為2.2871，較精度最低CARS-PLSR模型分別提高7.95%、11.72%。

2.4 PCA特征提取及建模預測

2.4.1 PCA特征提取

采用主成分分析對所有葉片樣本高光譜數據作特征提取，表2為前8個主成分（Principle component，PC）特征值和累積貢獻率?？梢姷谝粋€主成分貢獻率占比最大，為71.96%，后續每個主成分占比少，但累積貢獻率增加，前8個主成分累積貢獻率已達99.21%，表達接近全部光譜特征信息。主成分個數選擇常規標準是方差累積貢獻率≥85%或者特征值≥1。由表2可知，前2個PC累積貢獻率為88.75，滿足≥85%標準；第5個PC特征值為1.764，第6個主成分特征值為0.664，前5個主成分滿足特征值≥1。分別以前2、5個主成分為自變量建立多元線性回歸模型，二者建模決定系數Rc2分別為0.6049、0.7407，后者優于前者，因此選擇前5個主成分作為特征變量繼續建模分析。

表2 前8個主成分特征值和累積貢獻率Table 2 Eigenvalues and the cumulative contributions of the first eight principal components

2.4.2 模型構建

以PCA選取前5個主成分為輸入，分別采用PLSR、SVM和BPNN算法構建水稻葉片SPAD值估測模型PCA-PLSR、PCA-SVM和PCA-BPNN，預測結果見圖7。

由圖7可知，3個模型中預測精度最低是PCAPLSR模型，其預測集決定系數Rp2為0.6980，均方根誤差RMSEP為2.6002。PCA-SVM模型、PCABPNN模型預測精度均高于PCA-PLSR模型，二者預測集決定系數Rp2分別為0.7642、0.8082，較PCA-PLSR分別提高9.48%、15.79%，二者均方根誤差RMSEP分別為2.2807、2.0783，較PCA-PLSR降低12.29%、20.07%。

2.5 模型比較

以上基于高光譜特征參數、CARS選擇特征波段和PCA提取特征變量，采用PLSR、SVM和BPNN構建水稻葉片SPAD值高光譜估測模型，建模集及預測集詳細結果如表3所示。

由表3可知，非線性模型中，PCA-SVM、PCABPNN模型精度分別高于CARS-SVM、CARSBPNN、SVM（Characteristicparameters）和 BPNN（Characteristicparameters），而線性模型中，PLSR（Characteristicparameters）和PCA-PLSR模型精度略低于CARS-PLSR，說明PCA提取特征變量相對較好保留與葉片SPAD值相關非線性信息，而CARS選擇特征波段相對較好保留與葉片SPAD值相關線性信息。相同特征變量選取算法下，SVM、BPNN模型精度均高于PLSR模型，BPNN模型精度全部高于SVM模型，如以CARS提取特征波段為輸入模型中，CARS-SVM、CARS-BPNN精度高于CARS-PLSR， CARS-BPNN精度高于CARSSVM，說明相對于線性建模方式，非線性建模方式，尤其BPNN相對更適用于水稻葉片SPAD值估測建模。

表3 SPAD值估測模型建模集和預測集結果Table 3 Calibration and prediction sets results of estimation models SPAD value

所有模型中，PCA-BPNN模型建模集和預測集各項指標均優于其他模型。在樣本建模集擬合度和精度方面，PCA-BPNN模型建模集決定系數Rc2為0.8712、均方根誤差RMSEC為1.6479，與相對精度最低PLSR（Characteristicparameters）模型相比，分別優化20.18%、30.57%；在預測樣本擬合度和精度方面，PCA-BPNN模型預測集決定系數Rp2、均方根誤差RMSEP、相對誤差RE分別為0.8082、2.0783、4.18%，比PLSR模型分別優化19.26%、22.98%、24%。CARS-BPNN模型建模集精度僅次于PCABPNN，決定系數為0.8468、均方根誤差RMSEC為1.7971，但預測集精度明顯較PCA-BPNN低，Rp2、RMSEP、RE分別低5.61%、10.05%、10.77%。因此，PCA-BPNN為本研究最優模型。

3 討論與結論

以大田水稻葉片為研究對象、自然發生稻瘟病為前提，分析染病及健康水稻葉片高光譜數據，分別以高光譜特征參數、CARS和PCA提取特征變量為輸入數據，運用PLSR、SVM和BPNN算法，構建并對比分析葉片SPAD值高光譜估測模型，研究結果如下：

獲取并分析染病及健康水稻葉片高光譜數據，染病葉片和健康葉片平均光譜反射率總體輪廓相似，平均光譜反射率530～570 nm、730～900 nm波段染病葉片低于健康葉片，在580～720 nm波段染病葉片高于健康葉片，符合綠色植物遭到病蟲害侵染后光譜特征，與Ashourloo等和Lu等研究結果一致[13-14]。

采用高光譜特征參數、CARS和PCA作特征提取，CARS選擇特征波段較高光譜特征參數和PCA提取特征變量保留與葉片SPAD值相關線性信息多，PCA保留非線性信息較CARS和高光譜特征參數多，相對于線性建模方式，非線性建模方式尤其BPNN更適用于水稻葉片SPAD值建模。最優模型為PCA-BPNN，建模集和預測集Rc2、Rp2分別為0.8712、0.8082，RMSEC、RMSEP分別為1.6479、2.0783，預測集RE為4.18%。對比其他SPAD值高光譜估測研究，預測精度比雷祥祥等提高[15]，但與李媛媛等研究精度存在差距[16]，主要是由于大田環境相對復雜、影響因素多，自然發病位置及狀態相對人工接種發病更難以精確控制。

限于時間、環境等條件，本研究未開展大范圍試驗，今后將增加試驗地域和時間跨度，擴大樣本空間，完善數據采集、分析處理等，進一步提升水稻葉片SPAD值估測精度，以實現為水稻生長狀況實時定量精準監測提供技術支持，為水稻精準化、智能化種植提供理論依據。