基于高光谱的烤烟烟碱含量估测模型研究

摘要：为实现快速、准确估测烤烟烟碱含量，推动现代烟草农业进程，利用美国ASD公司生产的FieldSpec3野外光谱测定仪按不同生育期测定不同光质条件下光谱值，并同步测定烤烟叶片中烟碱含量。在提取相关植被指数的基础上，采用主成分回归和逐步回归等分析方法，建立烤烟烟碱含量的定量估测模型。结果显示，不同植被指数和烟碱含量相关性差异较大，红边面积/蓝边面积指数SDr/SDb与烟碱含量相关性最大，达到0.97；对于不同的建模方法，以主成分回归的建模效果最好，模型的测试决定系数和均方根误差分别为0.924、0.29。因此，主成分回归法是建立不同光质条件下烤烟烟碱含量估测模型的最优方法。

关键词：高光谱；烟碱；植被指数；逐步回归；主成分回归

中图分类号：S572.01文献标识号：A文章编号：1001-4942（2016）06-0142-05

烟碱是一种存在于生物体中含有氮杂环的有机化合物，也是烟草特有的化学组分。烟碱含量高低直接影响到烟叶色泽、吃味、刺激性和生理强度[1]。烤烟作为中国种植面积较大的一种经济作物，实时、准确、快速和动态监测烟叶中的烟碱含量，对合理指导田间施肥技术，提高叶片的工农业可用性具有重要意义。近年来，高光谱技术作为一种农作物含氮率信息的非损伤性获取方法备受关注[2]。该技术拥有测量目标连续波谱和分析目标物质成分的优势，可用来精准监测农作物长势和反演农作物理化参数[3]。因此，建立烟碱含量的高光谱预测模型可以为烤烟烟碱含量的遥感监测提供理论依据。

国内外关于利用植物光谱反射率进行营养状况诊断、作物生物量估测进行了大量研究。石吉勇等[4]利用近红外技术对黄瓜氮、镁营养状况进行了快速无损诊断；朱艳等[5]对小麦顶部叶片叶绿素荧光参数和反射光谱特征的变化规律及其相互关系进行了分析，结果显示小麦叶片叶绿素荧光参数Fv/Fm和Fv/Fo随施氮水平提高呈上升趋势；陈鹏飞等[6]利用主成分回归法构建了冬小麦籽粒蛋白质含量的遥感预测模型；Curran等[7]对干松针叶的12种生化组分（叶绿素a、叶绿素b、叶绿素a+b、木质素、氮、纤维素、水分、磷、蛋白质、氨基酸、糖和淀粉）含量进行了高光谱预测。前人虽然对植物的生化指标研究较多，但对高光谱在烤烟烟碱含量预测方面鲜有报道。

本文利用高光谱技术，在大田试验数据的基础上，选择反映含氮化合物的氮素营养参数，并与不同光质条件下烟碱含量进行植被指数的线性和非线性拟合、逐步回归分析和主成分回归分析，筛选出烟碱含量的最优高光谱监测模型，旨在快速、准确预测烤烟品质和工农业的可用性。

1材料与方法

1.1田间试验设置

2012年在南阳金叶园进行试验。该试验地的基础肥力：速效氮含量为56.1 mg/kg，速效磷含量为18.0 mg/kg，速效钾含量为135.0 mg/kg，pH为7.47，有机质含量为11.45 mg/kg。每个试验施氮量为46 kg/hm2，氮磷钾配比为1∶1∶3.5，且条施70%，穴施30%。

供试品种为云烟87，移栽时间为4月25日，种植密度为666.7m2 1 100株。试验于移栽后30 d进行，以太阳光透过白色、绿色、蓝色、红色和黄色的滤光膜（生产厂商为上海伟康有色薄膜厂）获取不同的光质条件，并将其搭建在6 m×6 m×2.8 m的南北走向的拱形支架上。根据优质生产技术规范进行田间管理。

1.2光谱的采集及烟碱含量的测定

采用美国ASD公司生产的FieldSpec3野外光谱仪进行叶片光谱的测定。光谱仪的参数和测定方法见参考文献[8]。叶片光谱的测定时期为：烟株打顶之后5（下部叶采收）、10、15、20、25、30（中部叶采收）、35、40、45、50天（上部叶采收）。将测定完叶片光谱的烟叶于105℃条件下杀青15 min，60℃烘干至恒重后过60目筛，带回实验室，采用AAⅢ型连续流动化学分析仪（德国BRAN+LUEBBE公司生产）测定烟碱含量。

1.3植被指数的构建

从已有的研究中总结得出对植物氮素营养潜在敏感的10个植被指数（表1）。

1.4数据分析软件

数据分析软件主要包括ViewSpecPro、Microsoft Excel 2007和DPS v 7.05。样本总量为85个，其中建模样本60个，检验样本25个。

1.5烟碱含量高光谱遥感模型的精度检验

选择决定系数（R2）和均方根误差（RMSE）评价模型的拟合效果。

2结果与分析

2.1烟碱含量与植被指数之间的相关性

通过分析烤烟烟碱含量与植被指数之间的相关性（表2）可知：烟碱含量与10种植被指数之间的相关性均达到了极显著水平，其中红边比值指数ZM和归一化差异指数ND705分别与烟碱含量呈极显著负相关，其它呈极显著正相关。红边面积/蓝边面积指数SDr/SDb与烟碱含量相关性最大，达到0.97，这可能是因为红边和蓝边面积包含较多氮营养敏感波段；最优土壤调节植被指数OSAVI和红边敏感点参数REIP与烟碱含量相关性较大，达到0.90以上，但是红边敏感点参数REIP较最优土壤调节植被指数OSAVI小。红边比值指数ZM和归一化差异指数ND705与烟碱含量相关系数较小，这可能与植被指数包含的波段单一有关。易秋香等[15]研究表明，相同自变量不同拟合模型，拟合效果差别较大。提取与烟碱含量相关性较大的五个植被指数（mND705、SR、REIP、OSAVI、SDr/SDb）进行线性与非线性拟合、主成分回归和逐步回归，建立烟碱含量的最优高光谱监测模型。

2.2烟碱含量与植被指数之间的线性和非线性方程拟合

烟碱含量与植被指数之间的线性和非线性方程拟合结果（表2）显示，烟碱含量与植被指数红边面积/蓝边面积指数SDr/SDb相关性最好。利用建模数据，对其进行以下线性和非线性函数的拟合：简单线性函数y=a+bx；幂函数y=axb；指数函数：y=aebx；抛物线函数y=a+bx+cx2（y为烟碱含量的拟合值；x为植被指数；a、b、c均为常数）。由表3可知，烟碱含量与SDr/SDb之间以抛物线函数的拟合R2最大，达到0.94；指数函数拟合程度最差，拟合度仅为0.69。由此可知，烟碱含量与植被指数SDr/SDb之间的最优非线性拟合回归方程为：y=-0.79+0.42（SDr/SDb）-0.01（SDr/SDb）2。

2.3烟碱含量与植被指数之间的主成分回归分析

主成分回归分析可以有效避免在多元线性回归分析中因自变量之间的多重共线性造成的误差[16]。由表4可知，60个建模样本中，植被指数之间存在极显著相关关系，共线性现象严重。为充分合理利用各个植被指数，避免共线性造成的预测模型精度降低，在主成分分析之前，首先进行数据标准化处理。

表5为主成分回归分析的结果，提取前4个能代表原变量99%变异的主成分，建立标准化烟碱含量预测模型，然后进一步去标准化，获得基于植被指数估测烟碱含量的高光谱预测模型。主成分回归分析获得的烟碱含量高光谱预测模型的表达式为：烟碱含量=-7.63+0.13SDr/SDb+1.11OSAVI+0.89mND705+0.01SR+0.01REIP，决定系数R2为0.98。

2.4烟碱含量与植被指数之间的逐步回归分析

利用DPS数据统计软件进行逐步回归分析，根据引入变量之后的显著性进行变量的引入或者剔除，最终确定引入的变量为SDr/SDb、OSAVI和mNR705。逐步回归分析最终获得的预测模型为：烟碱含量=-1.69+0.12 SDr/SDb+2.55 OSAVI+0.7 mND705，决定系数为0.67。

为进一步研究烟碱含量与SDr/SDb、OSAVI和mNR705三个植被指数之间的数量关系，在逐步回归分析的基础上进行通径分析（表6）。结果显示：SDr/SDb与OSAVI和烟碱含量的通径系数分别为0.5677、0.4716，即正相关；mND705与烟碱含量的通径系数为-0.0231，即负相关。这与梁惠平等[3]的研究结果相反，可能和试验处理以及试验材料不同等有关。

2.5烤烟烟碱含量高光谱反演模型的精度检验

利用25组检验样本，对线性和非线性最优拟合方程、主成分回归以及逐步回归模型进行精度检验，确定最优的烟碱含量高光谱预测模型。由图1可以看出，主成分回归和逐步回归模型的预测效果较好，预测值和实测值之间的拟合决定系数R2达到0.9以上，但是逐步回归模型的均方根误差最高，达到0.49；抛物线模型的拟合度较低，决定系数仅为0.463，均方根误差较高，预测效果差，可能与其参数比较单一有关。主成分回归模型建模决定系数和预测效果最好，为最优的预测模型，预测烤烟烟碱含量可行性强，预测较准确。

3讨论与结论

本研究采用大田试验，利用叶片光谱反演不同光质条件下的烤烟烟碱含量，比较分析植被指数法、主成分回归法和逐步回归法对烟碱含量预测的精度，得出以下结论：烟碱含量与植被指数之间存在极显著相关性，其中与植被指数红边面积/蓝边面积指数SDr/SDb相关性最好。 主成分回归分析能有效降低共线性对预测模型造成的不稳定性，大大提高模型的稳定性和普适性；主成分分析得到的烟碱含量预测模型最优。

本研究所建立的模型是基于烤烟单一品种、单一年份的试验数据，今后仍需要通过不同烤烟品种类型、不同生产力水平多年的田间试验数据进行进一步的验证与完善，从而达到快速检测烤烟品质，实现烟叶生产的信息化和规模化管理。

参考文献：

[1]

王瑞新.烟草化学[M].北京：中国农业出版社，2003.

[2]梁亮，杨敏华，臧卓.基于小波去噪与SVR的小麦冠层含氮率高光谱测定[J].农业工程学报，2010，26（12）：248-253.

[3]梁惠平，刘湘南.玉米氮营养指数的高光谱计算模型[J].农业工程学报，2010（1）：250-255.

[4]石吉勇，邹小波，赵杰文，等.近红外光谱技术快速无损诊断黄瓜植株氮、镁元素亏缺[J].农业工程学报，2011，27（8）： 283-287.

[5]朱艳，田永超，马吉锋，等.小麦叶片叶绿素荧光参数与反射光谱特征的关系[J].作物学报，2007，33（8）：1286-1292.

[6]陈鹏飞，王吉顺，潘鹏，等.基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演[J].农业工程学报，2011，27（9）：75-80.

[7]Curran P J，Dungan J L，Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry：testing the Kokaly and Clark methodologies[J].Remote Sensing of Environment，2001，76（3）：349-359.

[8]邢雪霞，刘国顺，贾方方，等.烤烟叶片色素含量的高光谱预测模型研究[J].中国烟草学报，2014，20（1）：54-60.

[9]Zarco-Tejada P J， Miller J R， Noland T L，et al.Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J].IEEE Transactions on Geoscience and Remote Sensing，2001，39（7）：1491-1507.

[10]Gitelson A，Merzlyak M N.Quantitative estimation of chlorophyll-a using reflectance spectra：experiments with autumn chestnut and maple leaves [J].Journal of Photochemistry and Photobiology B：Biology，1994，22（3）： 247-252.

[11]Sims D A，Gamon J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages [J].Remote Sensing of Environment，2002，81（2）：337-354.

[12]Rondeaux G，Steven M，Baret F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment，1996，55（2）：95-107.

[13]李向阳，刘国顺，杨永锋，等.烤烟叶片高光谱参数与多种生理生化指标关系研究[J].中国农业科学，2007，40（5）： 987-994.

[14]冯伟，朱艳，田永超，等.基于高光谱遥感的小麦叶片氮积累量[J].生态学报，2008（1）：23-32.

[15]易秋香，黄敬峰，王秀珍，等.玉米叶绿素高光谱遥感估算模型研究[J].科技通报，2007，23（1）：83-105.

[16]唐启义，冯明光.DPS数据处理系统[M].北京：科学出版社，2007.