本發(fā)明涉及一種基于SOC高光譜指數的植物葉片花青素含量估算方法及裝置，屬于精準農業(yè)中作物生長信息無損測定技術領域。

背景技術：

花青素是植物葉片色素中第3類主要色素，能夠提供植物生理狀況及對脅迫響應有價值的信息。通常，花青素在植物幼小和衰老葉片中含量豐富。許多的環(huán)境脅迫，包括強光、中波紫外線照射、低溫、干旱、損傷、細菌及真菌感染、氮和磷的缺乏、某些除草劑及污染物等都會引起花青素含量的有效積累，從而對環(huán)境脅迫產生抵抗?；ㄇ嗨鼐哂泄獗Ｗo的功能，能提高植物抗冰凍與抗干旱脅迫的能力，具有抗氧化特性，有助于葉片損傷后的修復等。

傳統(tǒng)花青素含量的測定主要是通過濕化學方法，然而實驗室測量勞動強度大，費時、費力并損壞葉片，不能進行原位重復測量及大區(qū)域監(jiān)測，因此需要一種精確、高效、實用的方法來估計花青素含量。不同的物種具有不同的色素含量及冠層和葉片結構，生長的環(huán)境也大不相同，因此針對特定的植被有必要構建對應的光譜指數用于花青素含量估算，以便提高模型的預測精度。處于特殊情況下，比如：缺磷、缺氮、低溫、病菌感染等，玉米葉片或植株可能會在苗期或者生長過程中變紅，因此，對玉米葉片或植株進行花青素含量預測，是了解玉米缺肥或病菌感染，實施科學田間管理的重要環(huán)節(jié)。

技術實現要素：

本發(fā)明的目的是提供一種基于SOC高光譜指數的植物葉片花青素含量估算方法及裝置，以解決目前花青素含量估算準確度低的問題。

本發(fā)明為解決上述技術問題而提供一種基于SOC高光譜指數的植物葉片花青素含量估算方法，該估算方法包括以下步驟：

1)在自然光照條件下獲取處于脅迫狀態(tài)的植物葉片樣本的高光譜遙感圖像及花青素相對含量；

2)在設定波段范圍內計算任意兩波段組合而成的高光譜指數與花青素含量的相關性，并選取相關性最大的高光譜指數；

3)根據所選取的高光譜指數建立花青素含量估算模型；

4)測定待測植物葉片的高光譜圖像，并根據所選取的高光譜指數對應的波段計算待測植物葉片高光譜指數，并將得到的高光譜指數帶到步驟3)所建立的估算模型進行計算，所得結果即為待測植物葉片花青素含量的估算值。

所述步驟2)中高光譜指數包括差值指數DI、比值指數RI、歸一化指數NI及倒數差指數RI中的至少一個，

RI＝Ri/Rj

DI＝Ri-Rj

NI＝(Ri-Rj)/(Ri+Rj)

RDI＝(1/Ri-1/Rj)

其中Ri和Rj分別表示植物葉片在波長i和波長j處的光譜反射率，i和j分別代表參與光譜指數計算的兩個波段。

對于玉米葉片，步驟2)中根據相關系數的大小選擇的高光譜指數為RI(515，628)、DI(550，706)、NI(515，696)、RDI(628，520)，其相關系數(R²)分別為0.820、0.809、0.824、0.788。

所述步驟3)中的估算模型采用一元線性回歸方法建立。

對于玉米葉片，步驟3)建立的花青素含量一元線性回歸模型如下：

C(ANTH)＝-1.044RI(515,628)+1.306(n＝52R²＝0.845^**)

C(ANTH)＝-3.781DI(550,706)+0.012(n＝52R²＝0.817^**)

C(ANTH)＝-1.329NI(515,696)+0.010(n＝52R²＝0.824^**)

C(ANTH)＝-0.061RDI(628,520)+0.280(n＝52R²＝0.810^**)

其中C(ANTH)為花青素相對含量，n為樣本量，R²為決定系數。

步驟3)所建立的花青素含量估算模型還需經PRD評價標準的檢驗，選取RPD大于設定值的模型作為最終的花青素含量估算模型。

在對所建立的花青素含量估算模型進行檢驗時，選取獨立于模型建立時所采用的樣本數據。

本發(fā)明還提供了一種基于SOC高光譜指數的植物葉片花青素含量估算裝置，該估算裝置包括信息采集模塊、高光譜指數選取模塊、估算模型建立模塊和花青素含量估算模塊，

所述信息采集模塊用于在自然光照條件下獲取處于脅迫狀態(tài)的植物葉片樣本高光譜遙感圖像及花青素相對含量；

所述高光譜指數選取模塊用于在設定波段范圍內計算任意兩波段組合而成的高光譜指數與花青素含量的相關性，并選取相關性最大的高光譜指數；

所述估算模型建立模塊根據所選取的高光譜指數建立花青素含量估算模型；

所述花青素含量估算模塊用于測定待測植物葉片的高光譜圖像，并根據所選取的高光譜指數對應的波段計算待測植物葉片高光譜指數，并將得到的高光譜指數帶到估算模型建立模塊所建立的估算模型進行計算，所得結果即為待測植物葉片花青素含量的估算值。

高光譜指數選取模塊所采用的高光譜指數包括差值指數DI、比值指數RI、歸一化指數NI及倒數差指數RI中的至少一個，

RI＝Ri/Rj

DI＝Ri-Rj

NI＝(Ri-Rj)/(Ri+Rj)

RDI＝(1/Ri-1/Rj)

其中Ri和Rj分別表示植物葉片在波長i和波長j處的光譜反射率，i和j分別代表參與光譜指數計算的兩個波段。

估算模型建立模塊采用一元線性回歸方法建立估算模型，且該估算模型建立模塊所建立的花青素含量估算模型還需經PRD評價標準的檢驗，選取RPD大于設定值的模型作為最終的花青素含量估算模型。

本發(fā)明的有益效果是:本發(fā)明首先在自然光照條件下獲取處于脅迫狀態(tài)的植物葉片高光譜遙感圖像及花青素相對含量；然后在設定波段范圍內計算任意兩波段組合而成的高光譜指數與花青素含量的相關性，并選取相關性最大的高光譜指數根據所選取的高光譜指數建立花青素含量估算模型；測定待測植物葉片的高光譜圖像并計算其高光譜指數，并將得到的高光譜指數帶到所建立的估算模型進行計算，所得結果即為待測植物葉片花青素含量的估算值。本發(fā)明將葉片光譜反射率數據與花青素含量數據相融合，通過相關性分析選取高光譜指數，基于高光譜指數法提取色素含量，操作簡便、快速，有效避免實驗室化學方法提取過程中產生的誤差，為利用高光譜圖像數據快速無損估算玉米葉片花青素含量提供了新的波段組合和理論依據，為花青素含量大面積監(jiān)測研究提供了參考。

并且給出玉米葉片的估算模型，所選擇的高光譜指數有3個，每個高光譜指數僅需兩個波段光譜反射率，即可實現花青素含量的原位、無損預測。

附圖說明

圖1是玉米葉片花青素含量與SOC光譜兩波段組合的4類指數的相關等勢圖；

圖2是預測值與測量值的關系圖。

具體實施方式

下面結合附圖對本發(fā)明的具體實施方式做進一步的說明。

本發(fā)明植物葉片花青素含量估算方法的實施例

本發(fā)明的植物葉片花青素含量估算方法獲取葉片的高光譜遙感圖像及花青素相對含量，分析400-1000nm波段范圍內的任意兩波段組合而成的窄波段高光譜指數與花青素含量的相關性，選擇各類相關性最大的高光譜指數，結合一元線性回歸方法建立玉米葉片花青素含量估算模型，利用獨立樣本進行驗證。

玉米種植時需進行缺肥處理，當玉米處于灌漿期和乳熟期時，部分葉片或莖桿出現葉綠素含量減少，花青素含量增加，葉片和莖桿變紅。下面以玉米花青素含量的估算過程為例對本發(fā)明的具體實施過程進行詳細說明。

1.獲取玉米葉片的高光譜圖像

選擇晴朗、無云、無風的天氣，分兩次基于可視化特征采集不同顏色(紫紅、微紅、綠色)的玉米葉片78個；將葉片平展擺放在平鋪于地面的黑布上，標準灰板同時平放在黑布上，10個葉片為一組，然后自然光照條件下進行葉片成像高光譜遙感數據獲取(簡稱SOC高光譜圖像)。本實施例采用美國SOC公司生產的710便攜式可見/近紅外高光譜成像式地物光譜儀測定葉片高光譜遙感圖像，數據獲取時將高光譜成像式地物光譜儀(技術參數見表1)固定在垂直高度約3m的三腳架上，傳感器探頭垂直向下觀測，鏡頭焦距12mm。

表1 SOC儀器參數

2.測定玉米葉片的花青素含量測定

與步驟1同步，采用植物多酚-葉綠素測量計(DUALEX SCIENTIFC+TM)測量玉米葉片的花青素含量，本實施例在玉米葉片中部、顏色較均勻的部分測量6-8個點，以其算術平均值作為樣本值。

3.根據在400-1000nm波段范圍內的任意兩波段組合而成的窄波段高光譜指數與花青素含量的相關性選擇高光譜指數。

1)對玉米葉片SOC高光譜圖像進行預處理，提取玉米葉片的高光譜反射率。

本實施例采用SOC光譜儀自帶的分析軟件SRAnal710，對玉米葉片的SOC高光譜圖像進行一系列預處理：波長定標、輻射定標、反射率轉換，然后在ENVI軟件中獲取每個玉米葉片中間部位多個感興趣區(qū)域的光譜反射率，取平均值作為樣本的光譜反射率。

2)計算兩兩波段組合的4類窄波段指數

計算兩兩波段組合的差值指數(DI)、比值指數(RI)、歸一化指數(NI)及倒數差值指數(RDI)，計算公式如下：

RI＝Ri/Rj (1)

DI＝Ri-Rj (2)

NI＝(Ri-Rj)/(Ri+Rj) (3)

RDI＝(1/Ri-1/Rj) (4)

式中：Ri、Rj表示玉米葉片在波長i或j處的光譜反射率；i或j分別代表參與光譜指數計算的兩個波段。

3)對窄波段指數與花青素含量進行相關分析，選取相關性最大的指數作為高光譜指數。

采用R語言編程計算窄波段指數、對窄波段指數與花青素含量進行相關分析并制作相關等勢圖，如圖1所示，本實施例針對玉米葉片樣本選取的相關性最大的高光譜指數為RI(515，628)、DI(550，706)、NI(515，696)、RDI(628，520)，其相關系數(R²)分別為0.820、0.809、0.824、0.788。

4.建立花青素含量估算模型

本實施例采用基于高光譜指數結合一元線性回歸建立玉米葉片花青素含量估算模型，所建立的模型如下：

C(ANTH)＝-1.044RI(515,628)+1.306(n＝52R²＝0.845^**)(5)

C(ANTH)＝-3.781DI(550,706)+0.012(n＝52R²＝0.817^**)(6)

C(ANTH)＝-1.329NI(515,696)+0.010(n＝52R²＝0.824^**)(7)

C(ANTH)＝-0.061RDI(628,520)+0.280(n＝52R²＝0.810^**)(8)

式中：C(ANTH)為花青素相對含量，n為樣本量，R²為決定系數。

5.測定待測植物葉片的高光譜圖像，在其設定波段范圍內計算其高光譜指數，并將得到的高光譜指數帶到步驟4所建立的估算模型進行計算，所得結果即為待測植物葉片花青素含量的估算值。

本實施例采用美國SOC公司生產的710便攜式可見/近紅外高光譜成像式地物光譜儀測定玉米葉片高光譜遙感圖像，提取高光譜指數，直接代入上述3個估算模型中的任一個，計算可得玉米葉片的花青素含量，見下表2。

表2玉米葉片光譜數據及預測、實測的花青素含量(部分)

本實施例中玉米葉片花青素含量高光譜監(jiān)測模型的穩(wěn)定性、適應性良好，準確性高，適用于玉米葉片及其它中、低花青素含量植物葉片原位重復測量及大區(qū)域監(jiān)測。

為了進一步提高花青素含量估算的準確性，本發(fā)明在上述實施例的基礎上還采用獨立樣本對所建立的估算模型進行分析評價，確定預測能力好的估算模型作為本發(fā)明花青素含量的估算模型。

模型的分析評價采用決定系數(Coefficient of determination，R²)、均方根誤差(Root Mean Square Error，RMSE)和相對預測偏差(Residual prediction deviation，RPD)來衡量。通過計算RPD值來衡量每一個模型的預測能力，RPD的評價標準采用Chang等(2002)提出的閾值劃分方法，當RPD>2.0表明模型是穩(wěn)定的、準確的，可以對參量進行準確預測；當1.4<RPD<2.0時是可以接受的模型，能對參量進行粗略預測，有待改進；但當RPD<1.4時表明模型的預測能力很差。總之，一個好的預測模型應該有大的R²和RPD值，小的RMSE。

$R^2=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{({\hat{y}}_i-y)}^2/\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-\stackrel{\&OverBar;}{y})}^2---\left(9\right)$

$RMSE=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{({\hat{y}}_i-y_i)}^2/n}---\left(10\right)$

$RPD={\mathrm{SD}}_V/{\mathrm{RMSE}}_V\sqrt{n/(n-1)}---\left(11\right)$

其中：是預測值；是觀測值的均值；y是觀測值；n是預測或觀測值的數量，用i＝1,2,…,n表示；SDv是驗證集的標準偏差；RMSEv是驗證集的均方根誤差。

本實施例在數據集中按照花青素含量排序，每隔2個選1個組成驗證集，因此共選取2/3的數據作為校正集，1/3的數據作為驗證集，在SPSS軟件中采用一元線性回歸方法建立基于RI(515，628)、DI(550，706)、NI(515，696)、RDI(628，520)的玉米葉片花青素含量估算模型，模型的R²分別為0.845、0.817、0.824、0.810，均大于0.81。采用沒有參與建模的26組樣本，提取高光譜指數，代入估算模型，輸出花青素含量值。經計算，模型的預測值與實測值的擬合模型及評價參數如下：

y＝1.029x+0.008(n＝26R²＝0.773^**RMSE＝0.108RPD＝2.063)(12)

y＝1.108x-0.018(n＝26R²＝0.798^**RMSE＝0.105RPD＝2.118)(13)

y＝1.181x+0.079(n＝26R²＝0.836^**RMSE＝0.098RPD＝2.275)(14)

y＝1.105x-0.012(n＝26R²＝0.756^**RMSE＝0.115RPD＝1.928)(15)

式中：x、y分別表示花青素含量的實測值與預測值，RMSE表示均方根誤差，RPD值表示預測殘差偏差。可見各模型的R²均大于0.75，RMSE均小于0.12，但是基于RDI(628,520)建立的模型的驗證RPD值為1.928，介于1.4-2.0之間，而基于RI(515,628)、DI(550,706)、NI(515,696)建立的線性模型的驗證RPD值均大于2.0，因此，選取RI(515,628)、DI(550,706)、NI(515,696)建立的一元線性模型作為玉米葉片花青素含量的估算模型。以預測花青素含量為橫坐標、實測花青素含量為縱坐標建立回歸方程，花青素含量預測值與測量值的散點圖及擬合曲線見圖2所述?？梢?，所選取的這三種模型得到的預測值與實際測量值的誤差不大，實際測量值均在預測曲線的附近，本發(fā)明所建立的三種估算模型均能準確的預測出葉片的花青素含量。

本發(fā)明植物葉片花青素含量估算裝置的實施例

本發(fā)明的植物葉片花青素含量估算裝置包括信息采集模塊、高光譜指數選取模塊、估算模型建立模塊和花青素含量估算模塊，信息采集模塊用于在自然光照條件下獲取處于脅迫狀態(tài)的植物葉片高光譜遙感圖像及花青素相對含量；高光譜指數選取模塊用于在設定波段范圍內計算任意兩波段組合而成的高光譜指數與花青素含量的相關性，并選取相關性最大的高光譜指數；估算模型建立模塊根據所選取的高光譜指數建立花青素含量估算模型；花青素含量估算模塊用于測定待測植物葉片的高光譜圖像，并根據所選取的高光譜指數對應的波段計算待測植物葉片高光譜指數，并將得到的高光譜指數帶到估算模型建立模塊所建立的估算模型進行計算，所得結果即為待測植物葉片花青素含量的估算值。該裝置中各模塊的具體實現手段已在方法的實施例中進行了詳細說明，這里不再贅述。

本發(fā)明僅需兩個波段的信息，即可實現對玉米葉片花青素含量的快速、準確估算，為花青素含量便攜式測定儀的開發(fā)提供波段參考；野外自然光照條件下獲取高光譜圖像，提取高光譜指數進行建模，有利于與低空或高空遙感圖像結合，實現不同尺度、大區(qū)域色素含量監(jiān)測。