冬小麦叶绿素含量高光谱检测技术研究报告

本研究的主要作者为中国农业大学工学院的王伟、彭彦昆、黄慧，以及国家农业信息化工程技术研究中心的马伟、王秀。该研究以题为《冬小麦叶绿素含量高光谱检测技术》发表于2010年5月的《农业机械学报》第41卷第5期。

一、 研究背景与目的 本研究属于农业信息技术与精准农业交叉领域，具体聚焦于作物生理生化参数的无损检测技术。叶绿素含量是评估植被光合能力、发育阶段和氮素营养状况的关键指标，对作物估产和农情监测具有重要意义。传统的叶绿素含量测定方法依赖于化学分析，过程繁琐、具有破坏性且无法实现快速原位测量。光谱反射率测量技术因其非破坏、快速的特点，成为检测植被生化成分的有效手段。高光谱成像（Hyperspectral imaging）技术集成了图像和光谱技术，能同时获取目标的空间和光谱信息，具有高光谱分辨率，为农产品品质评估提供了强大工具。国外已有研究通过建立叶绿素含量与高光谱数据的关系，在叶片或冠层水平定量分析生化成分。然而，高光谱数据维度高、信息冗余且存在多重共线性问题，直接建模效果不佳。因此，本研究旨在探索利用高光谱成像技术，通过筛选关键特征波长，建立高效、准确的冬小麦叶片叶绿素含量预测模型，评估该技术在大田冬小麦叶绿素含量无损检测中的可行性。

二、 详细研究流程 本研究包含材料准备、数据采集、数据处理、特征波长筛选、模型构建与验证等多个紧密衔接的步骤。

1. 试验材料与样本准备： 研究区域位于北京市昌平区国家精准农业示范基地。以冬小麦品种“京冬2号”为研究对象，从4个不同氮胁迫水平的区域共采集60片叶片（每区15片）。样本采集后立即放入便携式冰箱，并在2小时内运回中国农业大学实验室。最终，剔除不合格样本后，共使用44片叶片进行研究。其中，来自前3个氮胁迫区域的33片叶片作为建模的校正集（Calibration set），来自第4个区域的11片叶片作为验证模型泛化能力的预测集（Validation set）。

2. 高光谱图像系统与数据采集： 研究采用了一套专门搭建的高光谱成像系统。该系统核心组件包括：德国Sencicam QE型背照式CCD相机及控制器、芬兰Spectral Imaging Ltd.的ImSpector V10E型成像光谱仪（光谱范围400-1000 nm，分辨率2.8 nm）、美国Oriel Instruments的66882型卤钨灯光源系统及稳压电源、可调节高度的样品载物台、步进电机驱动平移台以及聚光镜。数据采集前，参照文献方法对系统进行了空间和光谱维的校准。 数据采集流程如下：将小麦叶片两端用橡皮筋压平固定于黑色背景板的载物台上，叶片长度方向与光谱仪狭缝垂直。一次可平行放置4片叶片进行扫描。通过自编软件控制步进电机带动载物台移动，同时控制相机曝光（设定为0.025秒）。系统以线扫描（Line scan）方式工作，对每组样本进行316次连续线扫描，每次扫描生成一幅二维图像（空间轴×光谱轴）。最终，将316幅线扫描图像合成为一个三维的“数据立方体”（Data cube），包含两个空间维和一个光谱维。

3. 叶绿素含量标准值测定与图像预处理： 在完成所有叶片的光谱测量后，采用标准的湿化学法（丙酮/乙醇混合液浸提，紫外分光光度法测量663 nm、645 nm和652 nm处吸光度）测定每片叶子的总叶绿素含量，作为建模和验证的基准真值。 图像预处理旨在提取有效光谱信息并减少噪声：首先，利用获取的标准白板和黑帧（暗电流）图像，按公式 R = (Rs - Rd) / (Rr - Rd) 计算每个像素点的相对反射率，以校正照明不均匀和暗电流影响。然后，使用VC++编写的程序将线扫描图像序列转换为ENVI软件可处理的BSQ格式立方体数据。为了克服叶片表面不平整带来的光谱变异，并避开叶脉的影响，研究者在每片叶子上远离叶脉的区域，手动选取一个包含约900个像素的长方形区域作为感兴趣区域（Region of Interest, ROI），计算该ROI内所有像素在各波长下反射率的平均值，以此作为该叶片样本的最终光谱反射率曲线。

4. 特征波长筛选： 为降低数据维度、消除冗余并避免多重共线性，研究将高光谱问题转化为多光谱问题，核心是筛选出最能表征叶绿素含量变化的关键波长。研究选取450-800 nm波段（避开两端噪声）进行分析。 筛选过程分为两步：首先进行相关分析。分别计算44个样本的原始反射光谱、一阶差分光谱（First derivative spectrum）与叶绿素含量之间的相关系数。结果显示，原始光谱在510-550 nm（绿峰附近）和650 nm附近（叶绿素b强吸收区）与叶绿素含量相关性较高；一阶差分光谱则在480-510 nm（“蓝边”区域）和700-770 nm（“红边”区域）表现出高相关性。这初步指明了潜在的特征波段。 接着，采用有进有出的逐步回归分析（Stepwise regression） 进行精确筛选。分别对原始光谱和一阶差分光谱数据，以叶绿素含量为因变量，以各波长反射率为自变量，设定因子进出模型的显著性水平为0.15，进行逐步回归。分析结果确定：从原始光谱中筛选出4个优化波长：650 nm、520 nm、542.5 nm、535.58 nm；从一阶差分光谱中筛选出3个优化波长：496.68 nm、710.85 nm、767.42 nm。至此，共获得7个候选特征波长。

5. 预测模型构建与优化： 研究采用多元线性回归（Multivariate Linear Regression, MLR）方法构建叶绿素含量预测模型。 首先，尝试使用上述7个波长全部作为自变量建立MLR模型。然而，回归统计结果显示模型决定系数R²仅为0.5672，调整R²更低（0.4830）。对模型进行假设检验发现，总体线性拟合不够显著（F检验），且对单个回归系数的t检验表明，波长496.68 nm、535.58 nm和542.5 nm对应的变量对模型的贡献不显著（p值>0.05）。 因此，研究者剔除了这3个不显著的波长变量，仅使用剩余的4个波长（710.85 nm, 767.42 nm, 650 nm, 520 nm）的反射率数据作为自变量，重新建立MLR模型。

6. 模型验证与评估： 使用校正集（33个样本）数据建立最终的MLR模型，方程为：叶绿素含量 = 1.917354 + 25.59723 * λ710.85 - 17.0818 * λ767.42 - 52.3437 * λ650 + 41.45504 * λ520。 对该模型进行统计检验：模型决定系数R²高达0.8917，调整R²为0.8806，两者接近且值高，表明模型拟合优度好。F检验值（80.29）远大于临界值，证明模型整体线性关系极显著。所有自变量（波长）及常数项的回归系数t检验p值均远小于0.05，表明每个变量对模型都有显著贡献。 最后，利用独立的预测集（11个样本）对模型进行外部验证。将预测集的4个波长反射率数据代入模型，计算预测的叶绿素含量，并与化学法测得的真实值进行比较。

三、 主要研究结果 1. 特征波长筛选结果：通过结合相关分析和逐步回归，从高光谱数据中成功筛选出7个与冬小麦叶绿素含量密切相关的优化波长。其中，650 nm位于叶绿素的红光吸收谷，520 nm、535.58 nm、542.5 nm位于绿色反射峰区域，反映了叶绿素的基础光学特性；496.68 nm位于蓝边区域，710.85 nm和767.42 nm位于红边区域，一阶差分光谱对这些区域的变化更为敏感，能有效捕捉因叶绿素含量变化引起的光谱形状（斜率）改变。 2. 模型优化结果：初步建立的7波长MLR模型效果不佳，经假设检验剔除了496.68 nm、535.58 nm和542.5 nm三个波长。这表明并非所有初步筛选的波长在多元线性模型中都具有独立的显著预测能力，可能存在信息冗余或共线性。最终保留的4个波长（710.85 nm, 767.42 nm, 650 nm, 520 nm）组合，涵盖了红边、红光吸收和绿光反射关键区域，构成了一个更精简、更有效的特征集。 3. 模型性能结果：基于4个优化波长建立的MLR模型表现出良好的预测能力。对于校正集，模型预测值与实测值之间的决定系数R²为0.8434，校正均方根误差（RMSEC）为0.1117。对于独立的预测集，预测值与实测值之间的决定系数R²为0.7093，预测均方根误差（RMSEV）为0.2551。预测集的R²虽然较校正集有所下降，但仍达到0.7以上，表明模型具有一定的鲁棒性和泛化能力，能够相对准确地预测未知样本的叶绿素含量。

四、 研究结论与价值 本研究得出结论：利用高光谱成像技术，结合特征波长筛选和多元线性回归建模，可以实现对大田冬小麦叶片叶绿素含量的快速、无损、相对精确的预测。 该方法通过线扫描获取叶片的空间-光谱联合信息，通过选择感兴趣区域平均光谱来抑制局部噪声，并通过数据驱动的方法筛选出少数关键波长，将复杂的高光谱分析简化为实用的多光谱模型。 研究的科学价值在于：提供了一套完整的从高光谱图像采集、预处理、特征波长优化到预测模型构建与验证的技术流程，为利用高光谱技术反演作物生化参数提供了方法学参考。其应用价值显著：所开发的模型和方法为开发便携式、低成本的多光谱叶绿素检测仪器奠定了理论基础，有望应用于田间作物长势监测、氮肥精准管理、产量预估等精准农业实践，提高农事管理的智能化水平和资源利用效率。

五、 研究亮点 1. 技术集成与创新：研究将高光谱成像（空间+光谱信息）、ROI分析（降低空间异质性）、一阶微分变换（增强光谱特征）与逐步回归-多元线性回归统计建模相结合，形成了一套系统性的叶绿素含量无损检测方法。 2. 特征波长筛选策略：采用了“相关分析初筛 + 逐步回归精筛 + 假设检验优化”的组合策略，不仅找到了与叶绿素相关的光谱位置，还通过统计检验进一步精简了模型变量，提高了模型的效率和稳健性。最终确定的4个波长（710.85, 767.42, 650, 520 nm）具有明确的生理光学意义。 3. 面向应用的模型简化：成功地将包含数百个波段的高光谱数据降维至仅用4个特征波长建立预测模型，这极大地降低了后续硬件开发（多光谱传感器）的成本和数据处理复杂度，体现了从理论研究向实际应用转化的重要一步。 4. 严谨的验证过程：研究设置了独立的预测集对模型进行外部验证，而非仅使用内部交叉验证，这更能客观评估模型在实际应用中的预测性能，增强了研究结论的可靠性。

六、 其他有价值内容 本研究详细描述了高光谱成像系统的硬件构成和校准、图像数据格式转换（BSQ）、以及利用ENVI和MATLAB进行数据处理的具体流程，为相关领域研究者复现或改进实验提供了详细的技术细节。此外，文中对光谱曲线（绿峰、红谷、红边）与叶绿素生理关系的简要阐释，有助于读者理解特征波长选择的物理依据。研究也指出了基于线扫描成像的方法能够涵盖叶片的空间差异信息，相比传统点光谱测量更具代表性。