红富士苹果叶片全钾含量高光谱预测研究

一、高光谱遥感技术理论

近年来快速发展的高光谱遥感技术已经具备了高时效、光谱波段多、光谱分辨率高等优势。与一般遥感技术相比，高光谱遥感技术的成像光谱仪可以分离成几十甚至数百个很窄的波段来接收信息，每个波段宽度小于10nm，所以波段排在一起能形成一条连续的完整的光谱曲线，光谱的覆盖范围从可见光到热红外的全部电磁辐射波普范围。而且利用光谱技术对植物、矿物中的化学元素含量的估测已经得到了广泛应用。钾能调节细胞的渗透压，调节植物生长和经济用水，增强植物的抗不良因素(旱、寒、病害、盐碱、倒伏)的能力，钾还可以改善农产品品质。因此对叶片中钾含量的估测研究对实际应用具有重要意义。由于高光谱对植物中水分含量，叶绿素等含量极其敏感，故叶片中钾的含量的变化必定会对反射光谱信息产生影响，可根据叶片的光谱信息来估测叶片中钾的含量。

1.1 理论基础

1、高光谱遥感的概念高光谱遥感（Hyperspectral Romote Sensing）即高光谱分辨率遥感指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它可在电磁波的紫外、可见光、近红外、中红外以至热红外区域，获取许多非常窄且光谱连续的图像数据。2、高光谱遥感的优势高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势：1）蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取地物近似连续的光谱反射率曲线，与地面实测值相匹配，将实验室地物光谱分析模型应用到遥感反演过程中。2）对地表覆盖的识别能力得到极大提高。高光谱数据能够探测具有诊断性光谱吸收特征的物质，能够准确区分地表植被覆盖类型、道路的铺面材料、河流水资源等。3）地形要素分类识别方法灵活多样。影像分类既可以采用各种模式识别方法，如贝叶斯判别、决策树、神经网络、支持向量机等，又可以采用基于地物光谱数据库的光谱匹配方法。分类识别特征，可以采用光谱诊断特征，也可以进行特征选择与提取，进行监督分类和非监督分类。4）地形要素的定量或半定量分类识别成为可能。在高光谱影像中，能估计出多种地物的状态参量，提高遥感高定量分析的精度和可靠性。3、高光谱遥感的应用领域高光谱遥感在植被生态方面、农业、农作物估测、矿物勘探等领域都有重要应用。

1.2 实验材料与方法

1、样品采集

供试苹果品种为处于盛果期的红富士，在秋梢停止生长期进行样品采集，依据研究区土地利用现状图和果园分布布设采样点。选取试验区3个镇的6个果园86棵苹果树为采样对象，随机取样，并尽量涵盖不同树势的叶片。每棵苹果树按东、西、南、北4个方位，在冠层外围各取1-2片充分展开、无损、无病虫害的健康功能叶片。将采集的叶片迅速装入保鲜袋、封口、编号，放盛有冰块的保鲜箱中，尽快带回实验室。

2、测定项目

光谱测定

光谱测定采用地物光谱仪，波段值为350~2500nm，其中350~1000nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1000~2500nm 光谱采样间隔为2nm，光谱分辨率为10nm。在一个能控制光照条件的暗室内进行光谱测定。测定前，对测定光谱的叶片，用脱脂棉擦拭干净。测定时，叶片单层平整置于反射率近似为零的黑色橡胶上，光谱仪视场角为25°，探头垂直向下正对待测叶片中部，距样品表面距离0.10 m；光源用光谱仪自带的50W 卤化灯，光源距样品表面距离0.50m，方位角60°。为消除外界干扰以保证精度，每片叶观测记录10个采样光谱，以其平均值作为该叶片的光谱反射值。测定过程中，及时进行标准白板校正。

钾素含量测定

将测定光谱的苹果叶片迅速放入80℃烘箱中，进行15~30min杀青处理，然后降温至60℃烘干至恒量。把烘干样品用研钵研磨至粉状，用H2SO4-H2O2消煮后，采用火焰光度法测定全钾含量。

数据处理

将测得的苹果叶片反射光谱数据,利用光谱处理软件进行处理,并通过EXCEL和SPSS软件统计分析和绘图等，进行进一步的分析。对86个样品光谱反射率求均值，得到苹果叶高光谱随波长变化曲线，分析其光谱特征。为了减小光照强度差异、背景光谱以及一起噪声对目标光谱特征的影响，我们对光谱反射率 R 进行了变换。具体变换形式如下：

①光谱的对数；

②光谱对数的一阶导数；

③光谱的倒数；

④光谱倒数的一阶导数；

⑤二阶微分光谱；

⑥光谱的一阶微分；

⑦光谱的一阶导数；

⑧钾含量与原始光谱；

并通过相关分析确定敏感波段，利用敏感波段构建特征光谱参数，建立预测模型。为评价预测值与实测值的拟合效果，选择决定系数R2进行评价。

模型的建立，优选和检验

首先，对86个苹果叶片原始光谱反射率及8种光谱变换数据与钾素含量分别进行相关分析，确定与苹果叶片钾含量相关性极显著的光谱形式；其次，用逐步回归分析方法筛选出敏感波长与光谱参数；用光谱参数建立苹果叶片钾含量估测模型；最后，对模型进行检验。在86个样本数据中，随即选取30个数据用来建立估测模型，其余31个则用于模型的检验。用决定系数对估测值与实测值之间的拟合结果进行综合研究评定，以检验模型的稳定性和适用性。

1.3 结果与分析

1、苹果叶片原始光谱反射率及其 8 种变换数据与钾素含量之间的相关分析

对苹果叶片原始光谱反射率及其8种变换数据与钾素含量进行了相关分析。结果显示，苹果叶片钾素含量与原始光谱反射率、对数、二阶微分光谱、光谱的一阶微分相关性较弱，与光谱倒数、光谱倒数的一阶导数、光谱的对数、光谱的对数的一阶导数相关性较强。并且在光谱倒数的一阶导数和光谱对数的一阶导数的相关系数中，能取得明显的极值，绝对值大于0.6，峰（谷）极值分别出现在波长417nm、487nm、973nm、1081nm、381nm、417nm、487nm、928nm、973nm、983nm、1081nm处（图1、图2）。

2、敏感波长的获取与估测模型的建立

对苹果叶片钾素含量与相关性较强的光谱变换数据分别进行了逐步回归分析，获取了估测苹果叶片钾素含量的敏感波长。经过多次调试，最后得到光谱对数的一阶导数，光谱倒数的一阶导数，敏感波长分别为928nm、1081nm。然后以敏感波长构建的光谱参数为自变量，分别建立了钾素含量估测模型。

1.4 结论

苹果叶片钾素含量与原始光谱反射率对数的一阶导数的相关性最好，其相关系数绝对值最大的峰（谷）分别是928nm、973nm、983nm、1081nm波长处。通过逐步回归分析方法筛选出的敏感波长为928nm、1081nm；以928nm对数的一阶导数与 1081nm对数的一阶导数为自变量建立的估测模型具有较好的线性趋势，相关系数为 0.7127。经检测样本的检验，其拟合方程的R2为0.5070，总均方根（RMSE）为 0.00046。

110表明模型对苹果叶片钾素含量的估测具有较好的准确性，可作为钾素含量的最佳估测。

审核编辑：符乾江