2結果與分析

2.1馬鈴薯葉片qP值統計分析與樣本集劃分

對馬鈴薯每個葉片樣本提取4個RoI的平均光譜，共獲取200個RoI的光譜數據。對采集到的200個RoI的葉綠素熒光參數qP值進行統計分析，SPXY算法劃分樣本集的結果如表1所示，建模集樣本qP值取值范圍(0.06～0.55)包含驗證集的取值范圍(0.08～0.50)，用于后續(xù)數據分析處理。

2.2馬鈴薯葉片光譜反射率曲線分析

圖2是葉片提取的RoI位置及對應的反射率曲線，呈現典型綠色植物反射光譜特性，在450 nm和670 nm附近出現強吸收峰，540 nm附近形成強反射峰，在紅邊位置附近(700～750 nm)反射率急劇上升進入近紅外平臺區(qū)。

2.3光譜反射率與qP值相關性分析

為了闡明葉片光化學吸收與反射光譜之間的關聯關系，分析馬鈴薯葉片光譜反射率與qP值之間的相關性。相關系數曲線如圖3所示，二者總體呈負相關，這是由于qP值與PSⅡ開放能力有關，體現了對光能的吸收能力，所以當PSⅡ吸收增強時，反射率降低;當PSⅡ吸收降低時，反射率增高，且在530.80～559.40 nm、699.80～716.67 nm、1 002.54～1 011.81 nm波段的相關系數絕對值均大于0.6。

2.4特征波長篩選結果

2.4.1基于si－PLS的特征波長篩選結果

使用si－PLS方法將原始光譜劃分為120個子區(qū)間，聯合3個區(qū)間進行特征波長的篩選。選擇最優(yōu)區(qū)間組合，區(qū)間序號分別為28、54和118，RMSECV為0.068 6，該區(qū)間組合包括18個波長，分別位于527.35～531.67 nm、663.54～667.95 nm、1 010.88～1 015.52 nm之間，選擇的波段位于qP值與光譜數據相關系數絕對值大于0.6的波段附近，如圖4所示，其中527.35～531.67 nm主要位于綠光強反射區(qū)域;663.54～667.95 nm屬于熒光發(fā)射波段區(qū)域;近紅外區(qū)域1 010.88～1 015.52 nm屬于植物葉片內部結構響應的高反射區(qū)，呈現C-H和H-O化學鍵的倍頻特征。

2.4.2基于RF算法的特征波長篩選結果

采用RF算法選取的波長如圖5所示，篩選出18個特征波長，按照被選擇概率由大到小依次為684.74、640.64、893.18、584.62、766.65、697.14、1 002.50、849.54、869.51、573.30、998.84、569.82、529.95、518.72、765.75、631.86、993.29、871.33 nm。這些波長主要集中于3個波段范圍，684.74、697.14、765.75、766.65、849.54 nm位于650～800 nm，屬于熒光發(fā)射波長范圍;518.72、529.95、569.82、573.30、584.62、631.86、640.64 nm位于葉綠素綠光強反射和紅光強吸收范圍，與葉片葉綠素濃度存在緊密關聯;893.18、869.51、871.33、998.84、993.29 nm位于近紅外波段(850～1 000 nm)，主要受植物細胞結構、水分的弱吸收等影響。與si－PLS算法相比，RF算法選取的波長分布范圍較廣，且主要包括了葉綠素濃度吸收的響應特征、紅邊、熒光輻射、水分弱吸收等多元化的特性。

2.5PLSR回歸模型建立

分別采用si－PLS和RF算法選擇的特征波長，建立馬鈴薯葉片qP值的PLSR預測模型，分別記為si－PLS－PLSR模型和RF－PLSR模型。使用10倍交叉驗證算法確定主成分的個數，結果如圖6所圖6RMSECV隨著主成分數的變化趨勢Fig．6Tendency ofRMSECV with increasing variables示。si－PLS和RF算法最優(yōu)主成分個數分別為8和9，RMSECV分別為0.065 0和0.059 7。建模結果如表2所示，si－PLS－PLSR模型R2c為0.628 5，RMSEC為0.059 7，R2v為0.610 3，RMSEV為0.062 1;RF－PLSR模型R2c為0.709 3，RMSEC為0.053 4，R2v為0.687 2，RMSEV為0.052 9。說明RF算法篩選的特征波長對馬鈴薯葉片qP值的解釋性優(yōu)于si－PLS算法，體現了葉綠素是進行光合作用的重要色素體，葉片光化學吸收與葉綠素含量、葉片內部結構、水分含量等屬性緊密關聯。因此研究選取RF－PLSR模型檢測馬鈴薯葉片qP值，結果如圖7b所示。

2.6馬鈴薯葉片葉綠素熒光探針參數qP值分布圖

利用RF－PLSR模型計算馬鈴薯葉片高光譜圖像所有像素點的qP值，使用偽彩色處理繪制馬鈴薯葉片葉綠素熒光參數qP值分布圖，結果如圖8所示。顏色深淺程度代表馬鈴薯葉片qP值的高低，葉脈部分的qP值略高于葉肉部分的qP值，且葉尖部和邊緣部分qP值顯著高于葉片中部。其中，葉脈部分在分布圖中主要呈綠色，qP值接近0.3，葉肉部分在分布圖中主要呈藍色，qP值接近0.2，葉尖部qP值大于0.4，說明了葉尖部和葉邊緣處光化學反應能力高于葉中部。qP值分布可視化可為直觀分析馬鈴薯作物光化學吸收與光合作用動態(tài)提供基礎。

3結論

(1)馬鈴薯葉片qP值與反射高光譜的相關性結果表明，qP值與光譜數據呈負相關關系，在530.80～559.40 nm、699.80～716.67 nm、1 002.54～1 011.81 nm波段的相關系數絕對值大于0.6，表明了利用反射高光譜數據評價作物qP值的可行性。

(2)基于反射率數據提取熒光微弱信號，進行馬鈴薯葉片qP值特征波長檢測，si－PLS算法篩選得到的18個特征波長分布在綠光強反射區(qū)(527.35～531.67 nm)、熒光發(fā)射波段區(qū)(663.54～667.95 nm)、植物葉片內部結構響應的高反射區(qū)(1 010.88～1 015.52 nm);RF算法篩選得到的18個特征分布在葉綠素綠光強反射和紅光強吸收波段(518.72～640.64 nm)、熒光發(fā)射波段(650～800 nm)以及反映葉片內部結構、水分含量的波段(850～1 000 nm)。表明葉綠素吸收與反射、植物葉片組織結構與水分等與馬鈴薯作物光化學吸收緊密相關。

(3)建立馬鈴薯葉片qP值檢測模型的結果表明，RF－PLSR模型檢測結果優(yōu)于si－PLS－PLSR，建模集決定系數R2c為0.709 3，驗證集決定系數R2v為0.687 2。繪制馬鈴薯葉片qP值分布圖可為快速檢測馬鈴薯葉片葉綠素熒光參數提供支持。

聲明：本文所用圖片、文字來源《農業(yè)機械學報》2020年12月，版權歸原作者所有。如涉及作品內容、版權等問題，請與本網聯系

相關鏈接：反射率，增強，結構，熒光