基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

基于高光谱和ＰＬＳ—ＬＳ—ＳＶＭ的冬小麦叶绿素含量检测王伟１，彭彦昆１，王秀２，马伟２（１．中国农业大学工学院，北京１０００８３；２．国家农业信息化工程技术研究中心，北京１０００８９）摘要：定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义。

本研究验证高光谱成像技术结合偏最小二乘一最小二乘支持向量机（ＰＬＳ—ＬＳ—ＳＶＭ）建模方法预测大田冬小麦叶绿素含量的可行性。

首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱，进而得到其立方体图像数据，并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值。

为保证ＰＬＳ—Ｌｓ—ＳＶＭ模型的鲁棒性和预测稳定性，首先通过ＰＬ￥方法解决多重共线性问题并将输入变量维数减至４维，然后利用ＬＳ—ＳＶＭ进行训练建模。

所建叶绿素含量预测模型的决定系数达Ｒ２＝０．８４５９，预测均方根误差ＲＭＳＥＶ＝０．４３７０。

研究结果表明，基于高光谱成像系统，采用ＰＬＳ—ＬＳ—ＳＶＭ建立模型用来预测大田冬小麦叶绿素含量是完全可行的。

关键词：冬小麦；叶绿素含量；高光谱成像；偏最小二乘；最小二乘支持向量机中图分类号：Ｓ５１２．１＋１文献标识码：Ａ文章编号：１００３—１８８Ｘ（２０１０Ｊ０９－０１７０一∞０引言小麦是我国主要的粮食作物，氮素营养不仅对小麦生长发育、产量和品质形成有重要作用，而且不合理的氮素营养对环境也会造成威胁，因此氮素营养的监测是小麦优质、高产、高效、安全生产的一个主要措施。

叶绿素含量和植被的光合能力、发育阶段以及氮素状况有较好的相关性…，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器【３Ｊ。

因此，定量测定小麦叶片的叶绿素含量在小麦估产、农情监测等方面具有重要的意义。

传统的测量叶绿素的标准方法是化学分析法，即将叶片采集到实验室，经过化学溶剂提取，再在分光光度计上测定其提取液在两个特定波长处的吸光度，然后根据相应公式ＨＪ，计算出叶绿素的含量。

该方法费时、耗力¨Ｊ，无法实现快速、非破坏测量。

因此，准确、快速、经济的作物氮素营养水平诊断方法是农业生产的迫切需要。

比较而言，测量光谱反射率方法具有非破坏、快速特点，可以作为植被生化成分和生物物理参数十分有效的检测方法∞。

７】。

图像光谱技术集成了传统的图像和光谱技术，可同时获得被测物体的空间和光谱信息，尤其是高光谱图像技术因其高的光收稿日期：２００９一１１—１６基金项目：国家“８６３”高技术计划项目（２００６ＡＡｌ０Ａ３０８；２００６ＡＡＩＯＡ３０５—１）；国家“十一五”科技支撑计划项目（２００７ＢＡＤ８９８０４）作者简介：王伟（１９７５一），男，山东宁阳人，讲师。

博士，（Ｅ—ｍａｉｌ）ｐｌａｙｅｒｗｘｗ＠ｃａｕ．ｅｄｕ．ｃｎ。

谱分辨率已成为农产品品质评估和安全检测的强有力工具＂Ｊ。

国外众多的研究都表明通过定量的将叶绿素、水分等与高光谱反射图像数据建立关系，采用高光谱测量方法可以在植被叶片或冠层水平定量地确定其生化成分的含量一Ｊ。

本研究验证高光谱成像技术结合偏最小二乘一最小二乘支持向量机（Ｐａｒｔｉａｌｌｅａｓｔ—ｓｑｕａｒｅｓ＆Ｌｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＰＬＳ—ＬＳ—ｓＶＭ）建模方法预测大田冬小麦叶绿素含量的可行性，并将用ＰＬＳ—ＬＳ—ＳＶＭ方法所建模型分别与用偏最小二乘回归（ｐａｒｔｉａｌｌｅａｓｔ—ｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ，ＰＬＳＲ）和最小二乘支持向量机（１ｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＬＳ—ＳＶＭ）建模方法所建模型的性能进行比较。

主要研究内容包括：①利用实验室获取的冬小麦叶片线扫描图像构建ＥＮＶＩ格式的立方体图像，选择感兴趣区域并计算区域内的平均像素密度；②确定ＰＬＳ最佳因子数和ＬＳ—ＳＶＭ参数；③利用由ＰＬＳ获得的得分变量ｔ。

，ｔ２，…，ｔ。

代替初始输入变量戈。

，蠢：；…，％，然后利用ＬＳ—ＳＶＭ进行训练建模；④利用验证集评价ＰＬＳ—ＬＳ—ＳＶＭ所建模型的预测性能，并与用ＰＬＳ、ＬＳ—ＳＶＭ所建模型的性能进行比较。

１材料与方法１．１研究区域和叶片样本准备研究区域位于北京市昌平区小汤山镇国家精准农业示范基地，该试验区自２００１年投入运营专门用作精准农业研究。

选择冬小麦京冬２号作为研究对象，于２００９年３月用剪刀剪下来自４个氮胁迫区域的分别１５片叶子共计６０片叶子；剪下的叶子放人透明的聚乙烯采样袋，然后放迸便携式冰箱中，并在２ｈ内尽快送回中国农业大学农畜产品无损检测实验室。

剔除样本后共计４４片叶子作为研究用，选择属于１，２，３号氮胁迫区域的共计３３片小麦叶片作为校正集样本，４号区域的１１片小麦叶片作为验证集样本。

１．２高光谱成像系统结构组成采用的高光谱成像系统如图ｌ所示。

该系统主要包括１个高性能的背后照明式ＣＣＤ相机（ＳｅｎｃｉｃａｍＱＥ，Ｇｅｒｍａｎｙ）及其控制单元；１台波长范围在４００—１０００ｎｍ的图像光谱仪（ＩｍＳｐｅｃｔｏｒＶＩＯＥ，ＳｐｅｃｔｒａｌＩｍａ－ｇｉｎｇＬｔｄ．，Ｆｉｎｌａｎｄ），其光谱分辨率为２．８ｎｍ，波长间隔为０．７４ｎｍ；由石英卤钨灯和稳压电源组成的光源系统（ＯｒｉｅｌＩｎｓｔｒｕｍｅｎｔｓ６６８８２，ＵＳＡ）；试样载物台及其调节机构及聚光镜等。

使用前按照ＬｕａｎｄＣｈｅｎ（１９９８）的方法【ｌ驯对高光谱图像系统进行空间和光谱维校准。

试样载物台可沿高度方向进行调节并可在步进电机的带动下向前或向后移动，光源为可以覆盖整个样本并使各处光强一致的平面光源。

小麦叶片两端用橡皮筋压紧放置在载物台上，当光源照射在叶片表面时，叶片组织的漫反射光经聚光镜、光谱仪通过ＣＣＤ相机形成光谱图像，经数据采集卡生成１６位图像数据文件。

当移动平台向前移动时，高光谱图像系统根据所设定曝光时间和读取时间逐条线的扫描样本，并利用光谱仪将扫描线分光５２０个波长，分光后投射在ＣＣＤ探测器上，生成二维图像。

其中，一维代表扫描线的空间轴，另一维代表其光谱轴。

下：按照２：１比例配制丙酮与乙醇混合液，将配好的溶液倒入试管中，体积为２５ｍＬ；取新鲜小麦叶片，去除叶脉后将叶片剪成细丝，称取０．４９，将其装入装有２５ｍＬ丙酮与乙醇混合液的试管中，封口，放在暗处２４ｈ，中间振荡３次；摇匀后用紫外分光光度法分别测出６６３，６４５，６５２ｎｍ处的吸光度数值，然后依据叶绿素ａ和叶绿索ｂ的浓度与吸光度的关系按照文献［１１］方法计算出总的叶绿素含量。

１．４图像获取和预处理利用自编的步进电机平移台及相机曝光控制软件控制图像的获取过程，采用Ｍａｔｌａｂ和ＥＮＶＩ进行图像处理与分析。

为提高扫描效率，１次将来自４个不同施肥区域的小麦叶片作为１组，叶片两端分别用橡皮筋压紧并平行放置在黑色背景板上，然后按照小麦叶片长度方向与光谱仪狭缝垂直方向将背景板放置在载物台上。

这样１次线扫描可对４片小麦叶片同时进行扫描并成像在同一幅图像中，对每一组小麦叶片共进行３１６次线扫描，每次线扫描过程储存为１幅图像。

所扫描的图像数据通过ＵＳＢ接口送人计算机进行进一步处理。

扫描试样漫反射图像过程中，关上试验箱门以防止外部环境光影响。

设定ＣＣＤ的曝光时间为０．０２５ｓ，调整光密度使其最大值为相机总动态范围的１／３。

在采集所有试样图像之前，为校正相机暗电流和室内照明光对图像的影响，分别采用盖住镜头和采集标准白板（ＳｐｅｃｔｒａｌｏｎｂｙＬａｂｓｐｈｅｒｅ，ＮｏｒｔｈＳｕｔｔｏｎ，ＮＨ，ＵＳＡ）图像的方法获取黑、白图像，然后按公式（１）计算相对反射光谱，即Ｒ＝（Ｒ。

一Ｒｄ）／（Ｒ，一Ｒｄ）（１）其中，只为相对反射密度；Ｒ。

为试样原始图像反射密度；Ｒ，为标准参考白板反射密度；Ｒ。

为黑色图像。

所有的光谱数据在各单个波长沿扫描线上取平均值。

包括图像参数在内的图像数据均以１６位二进制格式文件存放。

为便于用ＥＮＶＩ软件分析线扫描图像，首先采用ＶＣ＋＋编写应用程序将上述３１６个线扫描图像转换为ＢＳＱ格式的立方体图像数据。

图２显示经分光后３个不同波长的原始反射图像合成的ＲＧＢ伪彩色图像。

图Ｉ高光谱图像系统架构基于此图像进一步通过选择感兴趣区域（ＲＯＩ）获取光Ｆｉｇ．１Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍｐｉｎｇ８ｙｓｔｅｍｆｏｒｍ嘲ｕｒｉｎｇｔｈｅｃｈｌｏｒｏｐｈｙｌｌｃｏｎｔｅｎｔ谱数据集，此处选择平均像素点数为９００的远离叶脉１．３叶绿素含量检测的长方形区域作为感兴趣区域，将感兴趣区域内所有所有叶片的光谱测量完成后，采用湿化学方法测像素的反射密度取平均作为该叶片样本的最终反射定叶片叶绿素含量作为建模的标准参照值，过程如密度。

・１７ｌ・图２图像感兴趣区域选择Ｆｉｇ．２ＣｏｍｐｏｓｉｔｉｖｅｉｍａｇｅａｎｄＲＯＩｓｅｌｅｃｔｅｄ１．５叶绿素含量检测１．５．１ＰＬＳ原理及特点在光谱数据的多变量分析过程中，若自变量之间存在多重共线性，则各自变量之间的取值可以线性地相互决定，导致回归方程的显著性降低，使回归模型与实际相差较大。

ＰＬＳ方法通过将高维空间投影到低维特征空间，得到相互正交的特征向量，正交特征投影使ＰＬＳ有效克服了普通最小二乘回归的共线性，而且使维数大大降低。

具体而言，在利用多个自变量Ｘ＝（ｘ。

，恐，…，ｘ。

）进行回归建模时，ＰＬＳ将自变量系统中的信息重新组合，有效地提取对因变量ｙ解释性最强、又最能概括自变量系统ｘ中信息的综合变量（即主成分）ｔ。

，ｔ１＇．”，ｔ；（ｉ≤，），剔除多重相关信息和无解释意义信息的干扰，从而克服自变量多重相关性在系统建模中的不良作用，得到一个更为可靠的分析结果。

然而，ＰＬＳ一种典型的线性建模方法，无法处理具有非线性性质的问题，因此针对此类问题应当寻求相应的解决方法。

１．５．２最／ｂ－乘支持向量机的回归原理Ｖａｐｎｉｋ等人提出的统计学习理论是一种专门的机器学习理论，避免了人工神经网络等方法的网络结构难于确定、过学习、欠学习以及局部极小等问题，被认为是目前针对小样本、非线性分类、回归等问题的最佳理论。

基于统计学习理论基础的支持向量机方法（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＳＶＭ），通过核函数将低维非线性问题隐式地映射成高维的线性问题，同时在结构风险最小化原则基础上通过间隔最大化方法，可同时兼顾训练精度和泛化能力两方面性能。

因此，该方法在分类、回归和人脸识别等诸多领域均取得了广泛应用。

然而标准支持向量机因其复杂的优化算法使得计算速度慢，因此这里拟采用一种改进的ＳＶＭ回归方法，即最小二乘支持向量机（１ｅａｓｔｓｑｕａｒｅｓｕｐｐｏｒｔｖｅｃ．ｔｏｒｍａｃｈｉｎｅｓ，ＬＳ—ＳＶＭ）对叶绿素含量进行预测，其估计函数的一般形式为ｙ（ｘ）＝∑ａｉＫ（ｘ，并ｉ）＋ｂｆ＝１，２，…，Ⅳ（２）概括地说，支持向量机方法就是通过升维手段将复杂的非线性问题进行线性化，而对于具有高分辨的高光谱数据而言，若将其直接升维则计算量势必非常巨大，从而导致计算速度的降低。