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的马铃平均光譜，共獲取200個RoI的薯叶光譜數據。對采集到的片光200個RoI的葉綠素熒光參數qP值進行統計分析，SPXY算法劃分樣本集的化学結果如表1所示，建模集樣本qP值取值範圍(0.06～0.55)包含驗證集的吸收取值範圍(0.08～0.50)，用於後續數據分析處理。反射分析

2.2馬鈴薯葉片光譜反射率曲線分析

圖2是光谱关联葉片提取的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，及检在450 nm和670 nm附近出現強吸收峰，马铃540 nm附近形成強反射峰，薯叶在紅邊位置附近(700～750 nm)反射率急劇上升進入近紅外平台區。片光

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化学關聯關係，分析馬鈴薯葉片光譜反射率與qP值之間的吸收相關性。相關係數曲線如圖3所示，反射分析二者總體呈負相關，光谱关联這是由於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波段的相關係數絕對值均大於0.6。

2.4特征波長篩選結果

2.4.1基於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個子區間，聯合3個區間進行特征波長的篩選。選擇最優區間組合，區間序號分別為28、54和118，RMSECV為0.068 6，該區間組合包括18個波長，分別位於527.35～531.67 nm、663.54～667.95 nm、1 010.88～1 015.52 nm之間，選擇的波段位於qP值與光譜數據相關係數絕對值大於0.6的波段附近，如圖4所示，其中527.35～531.67 nm主要位於綠光強反射區域;663.54～667.95 nm屬於熒光發射波段區域;近紅外區域1 010.88～1 015.52 nm屬於植物葉片內部結構響應的高反射區，呈現C-H和H-O化學鍵的倍頻特征。

2.4.2基於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。這些波長主要集中於3個波段範圍，684.74、697.14、765.75、766.65、849.54 nm位於650～800 nm，屬於熒光發射波長範圍;518.72、529.95、569.82、573.30、584.62、631.86、640.64 nm位於葉綠素綠光強反射和紅光強吸收範圍，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位於近紅外波段(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範圍較廣，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值的解釋性優於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，使用偽彩色處理繪製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值略高於葉肉部分的qP值，且葉尖部和邊緣部分qP值顯著高於葉片中部。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值大於0.4，說明了葉尖部和葉邊緣處光化學反應能力高於葉中部。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係，在530.80～559.40 nm、699.80～716.67 nm、1 002.54～1 011.81 nm波段的相關係數絕對值大於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)基於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(527.35～531.67 nm)、熒光發射波段區(663.54～667.95 nm)、植物葉片內部結構響應的高反射區(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模型檢測結果優於si－PLS－PLSR，建模集決定係數R2c為0.709 3，驗證集決定係數R2v為0.687 2。繪製馬鈴薯葉片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，請與本網聯係

相關鏈接：反射率，增強，結構，熒光