英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

基于高光谱成像的柑橘叶片氮磷含量预测

Liu Yanli^1,2，Lyu Qiang²，He Shaolan²，Yi Shilai²，Liu Xuefeng²，Xie Rangjin²，Zheng Yongqiang²，Deng Lie²

（1.西南大学园林学院，重庆400715；2.中国农业科学院西南大学柑橘研究所，重庆400712）

摘要：诊断柑橘叶片营养水平对农作物合理施肥非常重要。光谱技术是一种快速、无损的诊断方法，正在被广泛应用于植物营养评估。利用光谱技术诊断方法为柑橘叶片营养成分研究提供了可能。总共提取了135个成熟春梢脐橙树叶片（C. sinensis Osbeck，“纽荷尔”）并随机分组成两组样本：校准组为100个叶片，预测组为35个叶片。高光谱技术是扫描每个叶片的正面和背面，然后分别测量每片叶片的总氮（N）和磷（P）含量。提取原始光谱数据计算平均光谱曲线，用五种不同方法进行预处理，并建立N和P含量预测模型。五种预处理方法即Savitzky-Golay平滑（SGS），标准正态变量（SNV），乘性散射校正（MSC），一阶导数（1-Der）和二阶导数（2-Der），用线性偏最小二乘（PLS）模型和非线性最小平方支持向量机（LS-SVM）等。结果表明，SG-PLS和PLS模型预测柑橘叶片N含量最好，分别为N（Rp = 0.9049，RMSEP = 0.1041）和P（Rp = 0.9235，RMSEP = 0.0514）。研究表明，柑橘正面叶片的高光谱图像数据预测N和P的含量更好，且适合于营养成分的无损评估。

关键词：柑橘叶片；氮；磷；高光谱成像

1 绪论

N和P是叶片最重要的营养元素，过量或不足都会对植物生长发育造成影响。因此，实时准确地估测营养水平有助于实现更高的产量、品质并有助于合理施肥。最大限度地减少过量施肥对水体污染非常重要^[1]。

通常叶片N和P含量用化学分析法测量。这方法昂贵且费时费力，会损坏叶片且不适合于连续监测研究。因此，需要一个快速且无损测量N和P含量的方法迫在眉睫。

高光谱成像技术在定量和定性分析中被广泛应用于农业、食品、医药等工业领域，将无损、成本低、可靠为一体的监测方法^[2-4]。一些研究者利用植物叶子或檐篷的可见光和近红外光谱反射率来监测其含水量和营养水平。此外，Min等^[5] 专注于开发基于橙叶单一营养浓度预测的传感器。根据前人研究^[6-8]，他们选择叶绿素和蛋白质光谱吸收带（620-950nm和1 400-2500 nm），来减少测试环境噪声并对测量叶片反射率的影响。氮素传感器可以分类未知叶片，将样品氮素含量分为低、中、高，其分类准确度达到70％。考虑到叶片颜色差异，生长期间暴露于光线、气孔分布、其他结构和生化条件，叶片正面和背面光谱特征必不相同，如在近红外光谱各不相同^[9-10]。番茄双侧叶片的光谱多重结果回归分析（MRS）结果显示，叶片背面光谱预测叶绿素含量效果较好^[11]。同样，叶绿素含量在RGB系统下与B，B / R，b，b / r的值正相关，以及观察发现叶片背面HIS颜色系统下的饱和度（S）值比叶片正面更低^[12]。研究表明，使用遥感图像测量水稻叶片背面叶面积比传统的计算机视觉技术更容易^[13]。关于这项测量叶片营养状况的技术已经进行了很多研究，但很少有关于已有高光谱图像的叶片正面和背面预测精度结果进行比较的研究。

这项研究目的如下：1）探索使用高光谱成像技术（400-1000nm）来确定柑橘叶片营养（氮和磷)含量的敏感波段；2）评估不同光谱数据的预处理方法，包括Savitzky-Golay（SG）平滑，标准正态变量（SNV），乘法散射校正（MSC），一阶导数（1st-Der）和二阶导数（2nd-Der）；3）确定哪一侧叶片（正面和背面）更好地预测氮和磷含量；4）比较预测具有t的线性偏最小二乘（PLS）模型和非线性最小二乘支持向量机（LS-SVM）模型精度。

2 材料和方法

2.1 材料准备

实验采用中国纽荷尔脐橙（Citrus sinensis Osbeck），它是最早的脐橙品种。实验在中国科学院柑桔研究所进行，试验样本在中国重庆农业科学院实验室中生长（29.81°N，106.40°E）。从春芽收集叶片，到2013年9月中旬达到完全成熟。叶片保存在冰箱中，并立即取回到实验室。总共使用了135个叶片且在6小时内收集它们的高光谱数据。

2.2 高光谱图像采集

2.2.1 高光谱成像系统

高光谱数据通过使用高光谱成像系统（图1）所示。系统安装了以下部件：1）摄谱仪（ImSpector V10E，芬兰）；2）电子倍增电荷耦合器件（EMCCD）相机（Raptor光子学，FA285-CL，英国）；3）采用两个卤素灯（150 W / 21 V，照明技术公司，美国）；4）电动控制的移动平台，以及5）主控制器电脑。 前4个组件被封装在一个外壳。

图1 本研究中使用的高光谱成像系统

2.2.2 图像采集和校正

高光谱图像采集波长范围400-1000纳米，光谱分辨率为2.8纳米。叶片固定在黑色纸板上可忽略反射率然后放置到移动平台上。在图像采集过程中，平台行扫描移动进行了优化速度为1.78毫米/秒，照相机的曝光时间为60毫秒。高光谱图像校正使用以下公式 ；

(1)

其中，是相对反射率图像；是样本图像；是白板图像，是黑暗的图像。 使用标准白板获得具有99％反射率的板，被用帽盖住镜头。

2.2.3 软件

图像采集由成像数据控制采集软件光谱图像软件（五十铃光学公司，中国台湾）和图像校正软件HSI分析仪（Isuzu Optics Corp.，台湾，中国）。光谱数据用提取ENVI 4.7（可视化图像环境，ITTVisual Information Solutions Corp，美国）进行分析使用Unscrambler软件（版本9.7，CAMO，ASA，挪威）和Matlab R2010a（The Mathworks，Inc.，内蒂克，马萨诸塞州，美国）。

2.3 叶片氮和磷的测量

高光谱图像采集后，叶片立即放入105℃的烘箱中放置20分钟进行灭活酶，然后冷却至75℃晾干直至恒重。干叶片分别磨成细粉。每片叶片粉末称重，并在室温下湿消化在5毫升浓硫酸中过夜。硫酸/过氧化氢消化和使用比色测定来确定总量每片叶中磷和氮的含量^[14-15]。氮和磷的浓度分别计算。氮和磷的数量和含量的单位在表格和图表中是显示以干重百分比（％）。

2.4 建模

2.4.1 光谱数据提取

如图2所示，A1和B1是RGB（R：650nm，G：550nm，B：450nm）分别是同一柑橘叶片正面和背面的图像。显然，叶片正面（A1）的反射率比叶片背面（B1）强。感兴趣区域内手动选择的双侧叶片。双阈值分割方法来获得A2和B2的灰度图像添加相应的蓝色波段（480 nm）和红边（760nm）。ROI（A3和B3内）从灰度在0.45到0.70之间的区域中提取。该平均反射率光谱计算两幅图像的ROI所有像素进行平均。

A1，B1：同一叶片正面与背面RGB图像（R：650nm，G：550nm，B：450nm）；A2，B2：480nm和760nm同一叶片正面图像；A3，B3：叶的有效区域分割

图2叶样品的有效区域分割

2.4.2 柑橘叶的光谱特征

从ROI图像中获取的叶片正面和背面双侧光谱反射率曲线（图3）。在550nm绿光波段叶片正面和背面反射率差异最大，叶片背面反射率明显高于叶片正面反射率。这可能是叶片背面色素沉着较少有关。在近红外波段760-1000 nm范围形成高反射平台时，叶片背面反射率稍低于叶片正面反射率，表明叶片光谱反射率可能与叶片内部生物化学成分的浓度和结构有关^[16]。

图3 同一叶片正面和背面的反射光谱

2.4.3 光谱预处理结果

光谱预处理通常进行数学计算来校正光谱数据，如光散射和环境噪声及仪器带来的误差^[17]。利用以下预处理方法，包括SG平滑，SNV，MSC，1st-Der和2nd-Der进行校正。SG，SNV和MSC用于去噪、光散射校正、光路路径校正^{[ 18 ]}。对衍生物进行基线偏移^[19]校正。所有的预处理方法都是用“The Unscrambler V 9.8”（CAMO AS，挪威奥斯陆）。

2.4.4 校准模型

线性和非线性校准方法用来检索光谱之间的关系数据（X变量）与氮和磷含量（Y变量）。 PLS分析用于线性校准^[20]而LS-SVM用于非线性校准^[21]。

对于PLS模型，输入X变量（光谱数据）提取到新的特征向量中（潜在的变量，LV）表示原始光谱中最相关的信息。一个完整的交叉预测方法用于构建一个稳定的PLS模型。可以集中预测评估样品预测性能。

自由LSSVM工具箱（LSSVM V1.5，Suykens，比利时）是适用于发展LSSVM 模型，这种方法中可以中找到以前的研究内容^[22-24]。该方法采用了一套使用支持向量代替线性方程二次规划问题的减少复杂的优化过程。输入变量进行预处理方法来解决，并径向基函数（RBF）内核用作核功能，因为它可以减少非线性相关的复杂的计算量，并给出一个在一般平滑度假设下表现良好。gamma;（gamma;）和sigma;²（sigma;²）的模型参数通过使用两步网格搜索技术解决，留一法交叉预测。在LS-SVM算法，利用Matlab实现。

预测性能主要通过评估以下指标：校准的相关系数（）和预测（），均方根误差（RMSE），校准（RMSEC）和预测（RMSEP）。该RMSE的计算公式如下：

（2）

其中，n是样本数量; 和是分别是叶片的参考值和预测值。

3 结果与讨论

3.1 营养分析

对收集的135个叶片的高光谱图像分别进行N和P浓度分析。随机选择数100个叶片作为校准样本，剩下的35个叶片作预测样本。两个校准组都没有同时使用同一叶片做为预测样本。如表1所示，校准样本氮和磷含量与预测样本值分布一致，并且两组之间的差异非常小。这表明数据可以建立预测叶片中N和P含量的模型。

表1 中的总氮和磷含量校准和预测样本集

3.2 PLS模型

使用上述预处理方法评估PLS模型的R_p和RMSEP。如表2所示，相比其它预处理方法，SG得到了最高的R_p和最低RMSEP，并且是最好的预处理方法。叶片正面的光谱反射率比叶片背面的光谱反射率强。使用叶片正面的光谱数据进行的SG-PLS实现最佳预测，氮（R_p= 0.9049和RMSEP = 0.1041）和磷（R_p= 0.9235和RMSEP = 0.0514）。

表2利用不同预处理方法预测PLS对氮和磷的预测结果

3.3 LS-SVM模型

在LS-SVM中使用RBF核函数中。确定了模型参数（gamma;，sigma;²）通过网格搜索和交叉预测两步过程。搜索区域（gamma;，sigma;²）设置为氮10^-4至10⁴。磷10^-3至10³范围。且最佳gamma;和sigma;²分别为0.1和100。氮、磷的预测结果的校准和预测集使用上、下侧叶片光谱数据显示表3所示。我们可以从LS-SVM的结果预测表现来判断模型SG也是最好的预处理方法。当采用上侧叶片的光谱数据预测氮含量时，SG-PLS的结果优于SG-LS-SVM（R_p = 0.8962和RMSEP = 0.0179）。相反，当采用下侧叶片光谱数据时SG-LS-SVM对磷的预测结果最好（R_p= 0.9146和RMSEP = 0.2566），但其整体表现比SG-PLS差。

表3 使用不同预处理方法的LS-SVM对氮和磷的预测结果

3.4 最优模型的比较分析

从双侧叶片光谱反射率中获得氮和磷预测含量如表4所示。SG-PLS模型预测氮结果最好（Rp = 0.9049和RMSEP = 0.1041），通过PLS模型预测磷含量结果最好（Rp= 0.9235和RMSEP = 0.0514）。

表4预测叶片氮和磷含量的最佳建模

在这项研究中，虽然使用多元校准模型，基于叶片正面反射光谱预测氮、磷的结果最好。但是，结果表明提取柑橘叶片背面的反射光谱信息（图3-B3）比叶片正面反射光谱（图3-A3）更具信息性。该可能的解释是：

1. 叶片正面更平滑且有一层较厚的植物蜡，以及紧接着的栅栏组织中含有较多的叶绿素和更均匀的细胞结构。这些有助于获得稳定的反射光谱数据，从而增强了预测结果的准确性。与

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[24550]，资料为PDF文档或Word文档，PDF文档可免费转换为Word