一、引言

辣椒是一年生或有限多年生植物，是全球僅次于豆類、番茄的第三大蔬菜作物，可以鮮食、加工成食品和調(diào)味品，還可作為醫(yī)藥、化工、**等方面的原料，用途十分***，開發(fā)潛力巨大。近年來，貴州將辣椒產(chǎn)業(yè)作為全省12個農(nóng)業(yè)特色優(yōu)勢產(chǎn)業(yè)之一，2022年種植面積高達543萬畝，持續(xù)提升辣椒產(chǎn)業(yè)標準化、規(guī)?；?、品牌化水平，推進辣椒產(chǎn)業(yè)高質(zhì)量發(fā)展，是貴州實現(xiàn)鄉(xiāng)村振興的重要抓手。辣椒的生長狀況直接影響其品質(zhì)優(yōu)劣及經(jīng)濟價值，因此實時監(jiān)測辣椒生長狀況非常必要，這也是確保辣椒科學種植的前提。葉綠素作為植被進行光合作用的主要物質(zhì)，其含量的多少直接影響光合作用的效果，可將其作為衡量植物生長健康狀況的重要指標。近年來，無人機高光譜遙感技術和近地高光譜技術在農(nóng)作物的生長狀態(tài)監(jiān)測、分類等方面具有獨特的優(yōu)勢，它快速、高效、便捷、監(jiān)測范圍廣，可對植被進行連續(xù)動態(tài)監(jiān)測，在快速獲取大量植被表型信息的研究中有很好的應用前景。研究人員將高光譜技術應用到植被參數(shù)的反演中，可對植被進行快速無損監(jiān)測。

二、實驗設計與分析方法

2.1研究區(qū)概況

研究區(qū)選擇遵義市新蒲新區(qū)貴州省農(nóng)業(yè)科學院辣椒研究所官莊示范基地圖1，遵義市因辣椒品種豐富，營養(yǎng)價值高被世界辣椒聯(lián)盟授予“世界辣椒之都”榮譽稱號。研究區(qū)屬于中亞熱帶高原濕潤季風區(qū)，具有種植辣椒的天然優(yōu)勢。

圖1研究區(qū)位置示意圖

2.2田間實驗設計

小區(qū)試驗采用兩因素裂區(qū)設計，以黔椒8號、紅辣18號、辣研101號、紅全球四個辣椒品種為主區(qū)，以氮肥施用量為副區(qū)，施用4種不同氮肥用量，分別為0k/hm²、200k/hm²、350k/hm²、500k/hm²，按基追肥1:1分別于基肥、初花期進行。試驗共16個水平組合，重復3次，共計48個小區(qū)，每個小區(qū)面積為28.8m²。各處理磷肥、鉀肥施肥量一致，磷肥（P2O5）作基肥一次性施入，施用量為150k/hm²；鉀肥（K2O）施用量為300k/hm2，按基追肥1:1進行，追肥在初花期施用。有機肥按照100kg/畝用量一次性基施。其中，氮肥為尿素（46.4%），磷肥為過磷酸鈣（16%），鉀肥為硫酸鉀（50%）。

2.3高光譜數(shù)據(jù)獲取

以辣椒盛果期葉片為研究對象進行光譜測定，可采用萊森光學公司的iSpecField-WNIR系列便攜式地物光譜儀進行近地非成像光譜數(shù)據(jù)采集?？刹捎萌R森光學公司的iSpecHyper-VM系列無人機高光譜成像系統(tǒng)對研究區(qū)進行低空成像高光譜數(shù)據(jù)采集，采樣點點位分布見圖2。

圖2機載高光譜影像采樣點分布示意圖

三、辣椒葉片SPAD反演研究

本實驗研究期為辣椒盛果期，于研究區(qū)隨機選取80株植株作為研究樣本，每株植株為一個樣本，隨機選取75%的樣本數(shù)用于建立模型，25%用于驗證模型。

3.1冠層光譜特征分析

由圖3可知，在選取的樣本中，辣椒葉片反射率的整體趨勢保持一致，但由于葉綠素含量不同，反射率大小存在一定差異。在可見光的短波區(qū)域內(nèi)，葉片光譜反射率普遍較低，出現(xiàn)了一個波峰和兩個波谷，在可見光的長波區(qū)域內(nèi)，葉片反射率急劇增加至一個平穩(wěn)的高反射平臺。對比分析不同SPAD對應的反射率可知：葉綠素值越大，葉片的反射率越低，呈反比關系。因此可以推斷出葉片的反射率與葉綠素含量之間存在非常強的關聯(lián)，可以通過光譜反射率變化規(guī)律對葉片的葉綠素含量進行反演研究，從而獲得辣椒生長發(fā)育的信息，進一步根據(jù)實時狀態(tài)實施灌水、施肥等措施，確保辣椒健康生長。

圖3不同SPAD值對應的近地光譜反射率

圖4（a）展示了所有葉片樣本的葉綠素含量統(tǒng)計值，圖4（b）則將這些樣本分為了建模集和驗證集，在葉綠素統(tǒng)計圖中標記了**小值、**大值、平均值和標準差。觀察**小值和**大值可以得出訓練集樣本葉片的葉綠素含量分布范圍在37～76.5之間，而預測集樣本葉片的葉綠素含量分布范圍在45.3～75.2之間。訓練集葉綠素含量的平均值為60.5，標準差為9.4，而預測集葉片的葉綠素平均值為64，標準差為7。驗證集的葉綠素含量平均值相對于建模集略高，且葉綠素含量的分布范圍也較窄。

圖4 樣本葉片的葉綠素含量統(tǒng)計情況圖(近地光譜)

3.2 數(shù)據(jù)預處理

將光譜數(shù)據(jù)導入光譜儀自帶的軟件中，提取每個小區(qū)的葉片光譜反射率并導出作為原始光譜。實驗對原始光譜進行預處理，包括目測篩選、Savitzky-Golay平滑處理、光譜轉(zhuǎn)換技術，即將原始光譜進行倒數(shù)、對數(shù)、倒數(shù)對數(shù)、連續(xù)統(tǒng)去除、一階二階微分處理。

3.3基于波段與SPAD值的相關性分析

3.3.1 原始光譜與SPAD值的相關性分析

圖5 原始光譜與SPAD值的相關系數(shù)圖

通過分析數(shù)據(jù)可知，辣椒葉片光譜反射率與葉綠素含量在可見光范圍內(nèi)密切相關，特別是在綠光波段和紅光波段范圍，在近紅外波段（780～1000nm）幾乎不能反映其相關性，其中在421nm～726nm波段范圍內(nèi)呈現(xiàn)極***負相關（0.01***性水平），相關性比較好的波段是572nm和700nm，其相對應的相關系數(shù)分別是-0.69和-0.72。

3.3.2倒數(shù)、對數(shù)、倒數(shù)對數(shù)光譜于SPAD值的相關性分析

圖6倒數(shù)光譜與SPAD值的相關系數(shù)圖

圖7對數(shù)光譜與SPAD值的相關系數(shù)圖

圖8 倒數(shù)對數(shù)光譜與SPAD值的相關系數(shù)圖

三種數(shù)學變換光譜的主要作用為降低因光照條件對光譜產(chǎn)生的乘性因素，放大可見光區(qū)的光譜差異。由圖可知，對數(shù)、倒數(shù)、倒數(shù)對數(shù)相對于原始光譜**是相關系數(shù)及正負相關發(fā)生改變，敏感波段*相差1～2nm，并沒有突出其他光譜敏感波段。其中對數(shù)光譜在429nm～725nm范圍內(nèi)呈現(xiàn)極***正相關（0.01***性水平），相關性比較好的波段是573nm和700nm，其相對應的相關系數(shù)分別是-0.66和-0.67。倒數(shù)光譜446nm～724nm范圍內(nèi)呈現(xiàn)極***正相關（0.01***性水平），相關性比較好的波段是570nm和699nm，其相對應的相關系數(shù)分別是0.613和0.62。倒數(shù)對數(shù)光譜在428nm～726nm范圍內(nèi)呈現(xiàn)極***正相關（0.01***性水平），相關性比較好的波段是572nm和699nm，其相對應的相關系數(shù)分別是0.695和0.71。

3.3.3 連續(xù)統(tǒng)去除光譜與SPAD值的相關性分析

連續(xù)統(tǒng)去除處理可壓抑背景光譜，并擴大弱吸收特征信息。由圖可知，在520nm～748nm范圍內(nèi)呈現(xiàn)極***負相關（0.01***性水平），相關性比較好的波段是632nm和713nm，其相對應的相關系數(shù)分別是-0.48和-0.74。

圖9 連續(xù)統(tǒng)去除光譜與SPAD值的相關系數(shù)圖

3.3.4微分光譜與SPAD值的相關性分析

研究表明：一階微分可以消除部分線性或接近線性的噪聲光譜、背景等對目標光譜的影響；二階微分法可明顯消除基線和背景的干擾，提高分析精度，是近紅外常用的光譜預處理方法。其中一階微分在400nm～421nm、435nm～554nm、677nm～704nm波段區(qū)間內(nèi)呈極***負相關（0.01***性水平），相關性比較好的波段為499nm和688nm，其對應的相關系數(shù)值為-0.789和-0.791。在563nm～621nm、633nm～672nm、716nm～758nm波段區(qū)間內(nèi)呈極***正相關（0.01***水平），相關性比較好的波段為644nm和662nm，其對應的相關系數(shù)值為0.718和0.716。

二階微分光譜在483nm～541nm、573nm～580nm、616nm～625nm、643nm～651nm、662nm～nm、736nm～752nm波段區(qū)間內(nèi)呈極***負相關（0.01***性水平）相關性比較好的波段為498nm和647nm，其對應的相關系數(shù)值為-0.72和-0.83。在518nm～568nm、600nm～611nm、626nm～640nm、654nm～659nm、696nm～714nm波段區(qū)間內(nèi)呈極***正相關（0.01***水平）相關性比較好的波段為632nm和702nm，其對應的相關系數(shù)值為0.82和0.85。

圖10一階微分光譜與SPAD值的相關系數(shù)圖

圖11二階微分光譜與SPAD值的相關系數(shù)圖

綜上，選取上述原始光譜及6種變換光譜數(shù)據(jù)中與葉綠素含量相關性高的18條波段作為特征波段，將特征波段作為自變量建立模型并利用***LS進行二次篩選。

3.4 基于遺傳偏**小二乘法的特征參數(shù)選取

特征波段的選取至關重要。遺傳算法具有全局優(yōu)化搜索能力，偏**小二乘法善于處理小樣本數(shù)據(jù)，可以降低特征維數(shù)，使低維數(shù)據(jù)更具解釋性，從而獲得更好的識別精度，因此本研究采用***LS算法對Pearson法篩選的18條波段進一步篩選，進而建立更加穩(wěn)定、預測能力更強的模型。

圖12波段被選用頻次圖

3.5辣椒葉片SPAD值預測模型研究

分別將18條原始光譜和經(jīng)過***LS降維處理后得到的5條特征波段作為自變量輸入4個模型中。用20個驗證樣本對4個模型進行驗證，得到4個不同模型預測值和實測值之間的擬合圖，如圖3-11所示，圖中實線為實測值回歸方程，虛線為1:1，當回歸方程越接近于1:1線時，說明模型效果更好。

表1基于Pearson降維的模型精度表

表2基于Pearson結(jié)合***LS降維的模型精度表

由表可知，經(jīng)Pearson-***LS降維處理模型精度普遍比經(jīng)過Pearson相關性分析高，說明Pearson-***LS法比Pearson相關性分析對辣椒冠層光譜有更好的降維效果。由表2所示，建模集決定系數(shù)均大于0.6，4個模型預測值和實測值之間的R2均達到極***水平，RPD均大于1.4，RMSE均較小，可對樣品作粗略估測。根據(jù)R2值越接近1、RMSE值越小、RPD的值越大、擬合線斜率越接近1模型越好的原則，確定RF模型估算效果比較好。綜上分析，基于Pearson-***LS-RF模型比較好，其R2值為0.80、RMSE值為3.50、RPD值為2.21，對辣椒葉片葉綠素含量估測效果比較好。

圖13 4種不同模型辣椒葉片葉綠素含量估算模型驗證

四、討論

（1）結(jié)論顯示辣椒葉綠素含量的敏感波段多位于500nm、640nm、700nm處，與大多數(shù)綠色植物的變化趨勢一致。另外，微分光譜與葉綠素之間的相關性隨著波長的變化而發(fā)生劇烈變化，相關系數(shù)明顯高于原始光譜，在702nm處達到了**大值0.85，這可能是由于測量過程中受周圍環(huán)境影響較大，例如：土壤，薄膜等，而微分光譜可以很好地降低周圍因素的干擾。

（2）本研究采用Pearson-***LS算法對數(shù)據(jù)進行降維，Pearson法是用來衡量變量間的線性關系，而***LS算法可避免光譜局部比較好問題，此算法篩選的數(shù)據(jù)更利于搭建一個穩(wěn)定、精度高的模型。結(jié)論顯示RF是SPAD值的比較好反演模型，主要是因為RF具備建模結(jié)果較精確、不易對噪聲和異常情況發(fā)生反應和出現(xiàn)“過擬合”現(xiàn)象、且不需要檢驗變量的正態(tài)性和**性等優(yōu)勢，被***地應用到農(nóng)業(yè)參數(shù)的反演中。

五、小結(jié)

1）經(jīng)Pearson相關性分析篩選的18條光譜和辣椒葉片SPAD值都有較好的相關性，相關系數(shù)大多集中在0.7左右，其中二階微分光譜與葉綠素之間的相關性表現(xiàn)比較好，負相關系數(shù)為-0.82，正相關系數(shù)為0.85。

2）Pearson-***LS降維處理的模型相比于Pearson降維處理的模型，三個模型評價精度指標都有所提升，說明此方法對辣椒葉綠素特征波段篩選有明顯意義；其中RF模型表現(xiàn)比較好，建模集R2提升了0.25、RPD提升了1.03，驗證集R2提升了0.15、RMSE降低了1.92、RPD提升了0.79。

3）對比分析基于Pearson-***LS法降維處理的PLSR、RF、BPNN、LSSVM4種模型驗證集的估測精度，三個評價指標R2、RMSE、RPD值從高到低依次為RF>PLSR>LSSVM>BPNN；PLSR>BPNN>LSSVM>RF；RF>LSSVM>PLSR>BPNN，即Pearson-***LS-RF模型精度比較高，R2、RMSE和RPD分別為0.80，3.50和2.21，可對SPAD值進行較好預測。

推薦：

無人機高光譜成像系統(tǒng)iSpecHyper-VM100

iSpecHyper-VM系列無人機高光譜成像系統(tǒng)配合定制開發(fā)的高性能穩(wěn)定云臺，能夠有效降低飛行過程中無人機抖動引起的圖像扭曲與模糊。該系統(tǒng)與大疆M350RTK無人機完美適配，廣泛應用于農(nóng)業(yè)、林業(yè)、水環(huán)境等行業(yè)領域，系統(tǒng)支持配件升級及定制化開發(fā)，為教育科研、智慧農(nóng)業(yè)、目標識別、***反偽裝等行業(yè)**應用領域提供了高性價比解決方案。