基于高光谱的辣椒叶片SPAD反演研究

无人机高光谱遥感技术和近地高光谱技术在农作物的生长状态监测、分类等方面具有独特的优势，它快速、高效、便捷、监测范围广，可对植被进行连续动态监测，在快速获取大量植被表型信息的研究中有很好的应用前景。

 

一、引言

辣椒是一年生或有限多年生植物，是全球仅次于豆类、番茄的第三大蔬菜作物，可以鲜食、加工成食品和调味品，还可作为医药、化工、军工等方面的原料，用途十分广泛，开发潜力巨大。近年来，贵州将辣椒产业作为全省12个农业特色优势产业之一，2022年种植面积高达543万亩，持续提升辣椒产业标准化、规模化、品牌化水平，推进辣椒产业高质量发展，是贵州实现乡村振兴的重要抓手。辣椒的生长状况直接影响其品质优劣及经济价值，因此实时监测辣椒生长状况非常必要，这也是确保辣椒科学种植的前提。叶绿素作为植被进行光合作用的主要物质，其含量的多少直接影响光合作用的效果，可将其作为衡量植物生长健康状况的重要指标。近年来，无人机高光谱遥感技术和近地高光谱技术在农作物的生长状态监测、分类等方面具有独特的优势，它快速、高效、便捷、监测范围广，可对植被进行连续动态监测，在快速获取大量植被表型信息的研究中有很好的应用前景。研究人员将高光谱技术应用到植被参数的反演中，可对植被进行快速无损监测。

二、实验设计与分析方法

2.1研究区概况

研究区选择遵义市新蒲新区贵州省农业科学院辣椒研究所官庄示范基地图1，遵义市因辣椒品种丰富，营养价值高被世界辣椒联盟授予“世界辣椒之都”荣誉称号。研究区属于中亚热带高原湿润季风区，具有种植辣椒的天然优势。

图1研究区位置示意图

2.2田间实验设计

小区试验采用两因素裂区设计，以黔椒8号、红辣18号、辣研101号、红全球四个辣椒品种为主区，以氮肥施用量为副区，施用4种不同氮肥用量，分别为0k/hm、200k/hm、350k/hm、500k/hm，按基追肥1:1分别于基肥、初花期进行。试验共16个水平组合，重复3次，共计48个小区，每个小区面积为28.8m。各处理磷肥、钾肥施肥量一致，磷肥（P2O5）作基肥一次性施入，施用量为150k/hm；钾肥（K2O）施用量为300k/hm2，按基追肥1:1进行，追肥在初花期施用。有机肥按照100kg/亩用量一次性基施。其中，氮肥为尿素（46.4%），磷肥为过磷酸钙（16%），钾肥为硫酸钾（50%）。

2.3高光谱数据获取

以辣椒盛果期叶片为研究对象进行光谱测定，可采用莱森光学公司的iSpecField-WNIR系列便携式地物光谱仪进行近地非成像光谱数据采集。可采用莱森光学公司的iSpecHyper-VM系列无人机高光谱成像系统对研究区进行低空成像高光谱数据采集，采样点点位分布见图2。

图2机载高光谱影像采样点分布示意图

三、辣椒叶片SPAD反演研究

本实验研究期为辣椒盛果期，于研究区随机选取80株植株作为研究样本，每株植株为一个样本，随机选取75%的样本数用于建立模型，25%用于验证模型。

3.1冠层光谱特征分析

由图3可知，在选取的样本中，辣椒叶片反射率的整体趋势保持一致，但由于叶绿素含量不同，反射率大小存在一定差异。在可见光的短波区域内，叶片光谱反射率普遍较低，出现了一个波峰和两个波谷，在可见光的长波区域内，叶片反射率急剧增加至一个平稳的高反射平台。对比分析不同SPAD对应的反射率可知：叶绿素值越大，叶片的反射率越低，呈反比关系。因此可以推断出叶片的反射率与叶绿素含量之间存在非常强的关联，可以通过光谱反射率变化规律对叶片的叶绿素含量进行反演研究，从而获得辣椒生长发育的信息，进一步根据实时状态实施灌水、施肥等措施，确保辣椒健康生长。

图3不同SPAD值对应的近地光谱反射率

图4（a）展示了所有叶片样本的叶绿素含量统计值，图4（b）则将这些样本分为了建模集和验证集，在叶绿素统计图中标记了最小值、最大值、平均值和标准差。观察最小值和最大值可以得出训练集样本叶片的叶绿素含量分布范围在37～76.5之间，而预测集样本叶片的叶绿素含量分布范围在45.3～75.2之间。训练集叶绿素含量的平均值为60.5，标准差为9.4，而预测集叶片的叶绿素平均值为64，标准差为7。验证集的叶绿素含量平均值相对于建模集略高，且叶绿素含量的分布范围也较窄。

图4样本叶片的叶绿素含量统计情况图(近地光谱)

3.2数据预处理

将光谱数据导入光谱仪自带的软件中，提取每个小区的叶片光谱反射率并导出作为原始光谱。实验对原始光谱进行预处理，包括目测筛选、Savitzky-Golay平滑处理、光谱转换技术，即将原始光谱进行倒数、对数、倒数对数、连续统去除、一阶二阶微分处理。

3.3基于波段与SPAD值的相关性分析

3.3.1原始光谱与SPAD值的相关性分析

图5原始光谱与SPAD值的相关系数图

通过分析数据可知，辣椒叶片光谱反射率与叶绿素含量在可见光范围内密切相关，特别是在绿光波段和红光波段范围，在近红外波段（780～1000nm）几乎不能反映其相关性，其中在421nm～726nm波段范围内呈现极显著负相关（0.01显著性水平），相关性最好的波段是572nm和700nm，其相对应的相关系数分别是-0.69和-0.72。

3.3.2倒数、对数、倒数对数光谱于SPAD值的相关性分析

图6倒数光谱与SPAD值的相关系数图

图7对数光谱与SPAD值的相关系数图

图8倒数对数光谱与SPAD值的相关系数图

三种数学变换光谱的主要作用为降低因光照条件对光谱产生的乘性因素，放大可见光区的光谱差异。由图可知，对数、倒数、倒数对数相对于原始光谱仅仅是相关系数及正负相关发生改变，敏感波段仅相差1～2nm，并没有突出其他光谱敏感波段。其中对数光谱在429nm～725nm范围内呈现极显著正相关（0.01显著性水平），相关性最好的波段是573nm和700nm，其相对应的相关系数分别是-0.66和-0.67。倒数光谱446nm～724nm范围内呈现极显著正相关（0.01显著性水平），相关性最好的波段是570nm和699nm，其相对应的相关系数分别是0.613和0.62。倒数对数光谱在428nm～726nm范围内呈现极显著正相关（0.01显著性水平），相关性最好的波段是572nm和699nm，其相对应的相关系数分别是0.695和0.71。

3.3.3连续统去除光谱与SPAD值的相关性分析

连续统去除处理可压抑背景光谱，并扩大弱吸收特征信息。由图可知，在520nm～748nm范围内呈现极显著负相关（0.01显著性水平），相关性最好的波段是632nm和713nm，其相对应的相关系数分别是-0.48和-0.74。

图9连续统去除光谱与SPAD值的相关系数图

3.3.4微分光谱与SPAD值的相关性分析

研究表明：一阶微分可以消除部分线性或接近线性的噪声光谱、背景等对目标光谱的影响；二阶微分法可明显消除基线和背景的干扰，提高分析精度，是近红外常用的光谱预处理方法。其中一阶微分在400nm～421nm、435nm～554nm、677nm～704nm波段区间内呈极显著负相关（0.01显著性水平），相关性最好的波段为499nm和688nm，其对应的相关系数值为-0.789和-0.791。在563nm～621nm、633nm～672nm、716nm～758nm波段区间内呈极显著正相关（0.01显著水平），相关性最好的波段为644nm和662nm，其对应的相关系数值为0.718和0.716。

二阶微分光谱在483nm～541nm、573nm～580nm、616nm～625nm、643nm～651nm、662nm～nm、736nm～752nm波段区间内呈极显著负相关（0.01显著性水平）相关性最好的波段为498nm和647nm，其对应的相关系数值为-0.72和-0.83。在518nm～568nm、600nm～611nm、626nm～640nm、654nm～659nm、696nm～714nm波段区间内呈极显著正相关（0.01显著水平）相关性最好的波段为632nm和702nm，其对应的相关系数值为0.82和0.85。

图10一阶微分光谱与SPAD值的相关系数图

图11二阶微分光谱与SPAD值的相关系数图

综上，选取上述原始光谱及6种变换光谱数据中与叶绿素含量相关性高的18条波段作为特征波段，将特征波段作为自变量建立模型并利用GA-PLS进行二次筛选。

3.4基于遗传偏最小二乘法的特征参数选取

特征波段的选取至关重要。遗传算法具有全局优化搜索能力，偏最小二乘法善于处理小样本数据，可以降低特征维数，使低维数据更具解释性，从而获得更好的识别精度，因此本研究采用GA-PLS算法对Pearson法筛选的18条波段进一步筛选，进而建立更加稳定、预测能力更强的模型。

图12波段被选用频次图

3.5辣椒叶片SPAD值预测模型研究

分别将18条原始光谱和经过GA-PLS降维处理后得到的5条特征波段作为自变量输入4个模型中。用20个验证样本对4个模型进行验证，得到4个不同模型预测值和实测值之间的拟合图，如图3-11所示，图中实线为实测值回归方程，虚线为1:1，当回归方程越接近于1:1线时，说明模型效果更好。

表1基于Pearson降维的模型精度表

表2基于Pearson结合GA-PLS降维的模型精度表

由表可知，经Pearson-GAPLS降维处理模型精度普遍比经过Pearson相关性分析高，说明Pearson-GAPLS法比Pearson相关性分析对辣椒冠层光谱有更好的降维效果。由表2所示，建模集决定系数均大于0.6，4个模型预测值和实测值之间的R2均达到极显著水平，RPD均大于1.4，RMSE均较小，可对样品作粗略估测。根据R2值越接近1、RMSE值越小、RPD的值越大、拟合线斜率越接近1模型越好的原则，确定RF模型估算效果最好。综上分析，基于Pearson-GAPLS-RF模型最优，其R2值为0.80、RMSE值为3.50、RPD值为2.21，对辣椒叶片叶绿素含量估测效果最佳。

图134种不同模型辣椒叶片叶绿素含量估算模型验证

四、讨论

（1）结论显示辣椒叶绿素含量的敏感波段多位于500nm、640nm、700nm处，与大多数绿色植物的变化趋势一致。另外，微分光谱与叶绿素之间的相关性随着波长的变化而发生剧烈变化，相关系数明显高于原始光谱，在702nm处达到了最大值0.85，这可能是由于测量过程中受周围环境影响较大，例如：土壤，薄膜等，而微分光谱可以很好地降低周围因素的干扰。

（2）本研究采用Pearson-GAPLS算法对数据进行降维，Pearson法是用来衡量变量间的线性关系，而GA-PLS算法可避免光谱局部最优问题，此算法筛选的数据更利于搭建一个稳定、精度高的模型。结论显示RF是SPAD值的最佳反演模型，主要是因为RF具备建模结果较精确、不易对噪声和异常情况发生反应和出现“过拟合”现象、且不需要检验变量的正态性和独立性等优势，被广泛地应用到农业参数的反演中。

五、小结

1）经Pearson相关性分析筛选的18条光谱和辣椒叶片SPAD值都有较好的相关性，相关系数大多集中在0.7左右，其中二阶微分光谱与叶绿素之间的相关性表现最优，负相关系数为-0.82，正相关系数为0.85。

2）Pearson-GAPLS降维处理的模型相比于Pearson降维处理的模型，三个模型评价精度指标都有所提升，说明此方法对辣椒叶绿素特征波段筛选有明显意义；其中RF模型表现最优，建模集R2提升了0.25、RPD提升了1.03，验证集R2提升了0.15、RMSE降低了1.92、RPD提升了0.79。

3）对比分析基于Pearson-GAPLS法降维处理的PLSR、RF、BPNN、LSSVM4种模型验证集的估测精度，三个评价指标R2、RMSE、RPD值从高到低依次为RF>PLSR>LSSVM>BPNN；PLSR>BPNN>LSSVM>RF；RF>LSSVM>PLSR>BPNN，即Pearson-GAPLS-RF模型精度最高，R2、RMSE和RPD分别为0.80，3.50和2.21，可对SPAD值进行较好预测。

审核编辑 黄宇