A hyperspectral inversion model for predicting chlorophyll content of Longan leaves based on deep learning
-
摘要:目的
探讨龙眼Dimocarpus longan Lour. 叶片发育过程中叶绿素含量二维分布变化规律，实现无损检测病虫害对叶片叶绿素含量分布的影响，为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。
方法利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像，自动提取感兴趣区域，利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性，建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性，将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量，结合“图谱信息”的SAE模型预测龙眼叶片叶绿素含量的分布情况。
结果龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰，嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698 和705 nm；全发育期的最敏感波段相关性远高于3个生长发育期，r达到0.890 3。回归模型中，吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R2c=0.856 8，RMSEc=0.219 5；R2v=0.771 2，RMSEv=0.286 2)，其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中，结合“图谱信息”的SAE模型预测效果最好(R2c=0.979 6，RMSEc=0.171 2；R2v=0.911 2，RMSEv=0.211 5)，且预测性能受叶片成熟度影响相对较小，3个生长阶段R2v的标准偏差仅为最小二乘回归模型标准偏差的29.9%。
结论提出了一种自动提取感兴趣区域的方法，成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大，而基于“图谱信息”融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高，SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。
Abstract:ObjectiveTo study the distribution of chlorophyll content of Longan (Dimocarpus longan Lour) leaves in different growth periods, realize non-destructive measurement of the influence of pests and diseases on chlorophyll distribution, and provide a reference for evaluating the cold-resistant ability of young leaves, fertilizing amount in the fruiting period and pruning of mature leaves.
MethodHyperspectral images of Longan leaves in three growth periods were acquired via an online hyperspectral imaging system within the spectral region of 369–988 nm wavelength. An automatic masking method was used to extract the interest regions. The chlorophyll content was measured by the spectrophotometric method. The relationships between the spectral response characteristics and chlorophyll contents of Longan leaves in three growth periods were measured based on Pearson correlation coefficient (r). A partial least squares regression (LSR) model was established. The relationship between the texture feature of selected image and chlorophyll content was analyzed. The spectroscopy and texture features were imported to the spare auto-encoder (SAE) model in deep learning to predict the chlorophyll content of Longan leaves. The distribution of chlorophyll content was predicted using SAE model based on the mapping information.
ResultThe peaks of correlation coefficient curves of Longan leaves in three growth periods appeared in the vicinity of 700 nm. The wavelength of the highest correlation coefficient for young, mature and old ripe leaves was 692, 698 and 705 nm, respectively. The correlation coefficient (r) of the most sensitive band in full period was higher than those in three growth periods, which was up to 0.890 3. Among all regression models, the prediction effect of LSR model based on the absorption band of the minimum reflectivity and total reflectivity was the best (R2c=0.856 8, RMSEc=0.219 5; R2v=0.771 2, RMSEv=0.286 2), and the determination coefficients of its calibration and validation sets were higher than those based on a single parameter. SAE model importing spectroscopy and texture features performed the best (R2c=0.979 6, RMSEc=0.171 2; R2v=0.911 2, RMSEv=0.211 5) and the most stable to predict chlorophyll contents of Longan leaves in different growth periods, its standard deviation was only 29.9% of LSR model.
ConclusionA method automatically extracting interest region was proposed, its success rate was 100%. The performance of SAE model based on spectroscopy and texture features was more stable than those of regression models based on spectroscopy to predict chlorophyll contents of Longan leaves in different growth periods. SAE model is suitable for predicting the distribution of chlorophyll content of Longan leaves as a non-destructive method.
-
银杏Ginkgo biloba原产于中国，最早起源于二叠纪，是迄今仍大批量存在的孑遗植物，被称为植物界的“活化石”[1-2]。银杏树是优良的景观和用材树种，而银杏果、叶是食物、保健品和医药等的重要原料[3]。
银杏种植范围广，但适生丰产区主要位于长江流域和华北平原的南部，该地区的气候特点是有充沛的热量和雨量，温和湿润[4]。由于高温、高积温等气候特点，不利于银杏的大规模种植，因此华南地区属于银杏低产区[5]，梁红等[6]调查广东省的银杏树资源分布，发现银杏主要分布在北纬24°以上的北部山区，其余地区都只是零星分布。广东省梅州市有较大规模的果用银杏种植基地，为实现银杏正常生产，不仅需要关注气候因素，还需要注意合理的施肥管理。
近年来，全国各地大力发展果用银杏[4]，可是有调查显示，银杏园管理粗放、施肥量不足、施肥方法不当、施肥模式单一、营养元素配比不合理等，导致白果的产量低、品质差，树势衰弱、病虫害严重等[7]，很大程度上影响了白果的经济效益。因此在生产中应根据林木的生长状况，选择适宜的肥料种类和施用量，提高土壤生产力，实现林木的高效培育[8]。与其他林木或经济作物一样，银杏施肥应基于土壤和银杏叶片的养分含量进行[9-10]。叶片养分含量可反映银杏果实的营养状况，叶片养分含量分析有助于评估肥料需求量，通过按需施肥，能够提高肥料的利用效率[11]。前人研究表明，植物需肥诊断一般有7种常用分析方法[12]，其中诊断施肥综合法(Diagnosis and recommendation integrated system，DRIS)应用最为广泛，且特别适用于果树或林木的营养诊断和施肥。该方法是通过比较植物叶片中的营养元素的比值和含量，对植物营养元素的盈亏程度进行排列[13]，最终确定施肥量以及施肥顺序，且得出的结果不受取样地点、树种、树龄和叶片部位等限制[14]。与叶片诊断的临界值法相比，DRIS法具有更高的准确性，在美国、南非、荷兰等国的生产中得到应用[15]。对林木营养诊断后进行科学施肥，可提高经济林的生产效益，提高肥料的利用率，降低对环境的污染[16]。
所以，基于DRIS法对果用银杏进行营养诊断，对提高白果产量有重要意义。目前关于华南地区银杏营养诊断的研究尚属少见。本文以广东省梅州市果用银杏园的高产园与低产园中的银杏作为研究对象，对其叶片养分含量状况进行分析，旨在为广东地区果用银杏的平衡施肥及集约化经营提供参考依据。
1. 材料与方法
1.1 研究区概况
梅州市地处广东省的东北部，地理坐标115°18′~116°56′E，23°23′~24°56′N。该地区属于亚热带气候区，热量丰富，年平均气温21.3 ℃，年平均降雨量1 612.4 mm，雨水多且集中，易受旱涝灾害，日照充足，年平均日照1 823.4 h，无霜期年平均311 d。用于开展研究的银杏基地位于梅州市梅县区梅西镇均田村，该银杏基地共有11处银杏果园，平均树龄25年，胸径100~120 mm，其中9处果园银杏挂果。
1.2 样品采集及测定方法
选取挂果的9处银杏果园(S1~S9)作为研究对象，于2018年7月，在每处果园内选取长势一致、产量大致相同的10棵银杏树进行叶片的采集及挂果量与SPAD的测定。
1.2.1 挂果量的测定
统计单株银杏树的营养枝数及单营养枝的挂果量，最后估算单株银杏树的挂果量，并以选取的10棵银杏树的平均挂果量作为该果园的平均单株挂果量。
1.2.2 叶片的采集
对已选取的10棵银杏树，每棵树随机选定东、西、南、北方向的4条营养枝，每条营养枝随机摘取2片银杏叶。然后将同一果园的叶片混合装袋，带回实验室分析营养元素。
1.2.3 SPAD的测定
每袋混合样随机选取20片叶片进行SPAD测定，取其平均值作为混合样的SPAD值。叶片SPAD值采用TYS-A叶绿素测定仪进行测定。
1.3 分析方法
1.3.1 叶片处理
用去离子水清洗2~3遍，自然风干后，于105 ℃杀青30 min，在75 ℃条件下烘干至恒质量，粉碎过0.25 mm的筛子后，放密封袋保存备用。
1.3.2 叶片营养元素测定
氮(N)采用H2SO4-H2O2消煮–奈氏试剂比色法测定；磷(P)采用H2SO4-H2O2消煮–钼锑抗比色法测定；钾(K)采用H2SO4-H2O2消煮–原子吸收法测定；钙(Ca)、镁(Mg)、锌(Zn)、锰(Mn)采用干灰化–原子吸收法测定；硼(B)采用干灰化–姜黄素比色法测定[17]。
1.4 数据处理
用组间平均连接法对9个果园的平均挂果量进行聚类分析，得出高、中、低产园后进行DRIS营养诊断。DRIS营养诊断一般采用图解法和指数法。DRIS法诊断步骤包括确定诊断标准和施肥次序[15]。鉴于DRIS指数法的实际指导意义更大，本文主要采用DRIS指数法对银杏叶片进行营养诊断。DRIS指数法是通过植物营养元素的具体指数来反映元素在植株中的平衡状况。指数趋向或等于0时，该元素在植株中处于平衡状态；指数大于0表示过剩，指数越大，该元素在植株中的过剩程度越高；反之，指数小于0则表示该元素缺乏，指数越小，证明该元素在植株中匮乏程度越大。
假设进行营养诊断的植物营养元素有A，B，C，…，n个，计算DRIS指数的公式如下：
$$ {\rm{A}}{\text{指数}}=\frac{{f\left( {A/B} \right) + f\left( {A/C} \right) \cdots - f\left( {B/A} \right) - f\left( {C/A} \right) \cdots }}{{n - 1}}, $$ (1) $$ {\text{当}}A/B > a/b{\text{时}},f\left( {A/B} \right) = \left( {\frac{{A/B}}{{a/b}} - 1} \right) \times \frac{{1\;000}}{{{\rm{C V}}}}, $$ (2) $$ {\text{当}}A/B < a/b{\text{时}},f\left( {A/B} \right) = \left( {1-\frac{{a/b}}{{A/B}} } \right) \times \frac{{1\;000}}{{{\rm{CV }}}} ,$$ (3) 式中：A、B为植物叶片2种营养元素含量的实测值；a/b为相应元素的高产园平均比值；CV为a/b的变异系数，%。所有元素的DRIS指数绝对值的对数和为养分不平衡指数，用NII表示，其值越大，表明该植物的养分越不平衡。
数据分析在SPSS17.0中进行，表格绘制在Microsoft excel 2016中进行。
2. 结果与分析
2.1 银杏果园的划分
根据各银杏园挂果量的聚类分析结果(图1)划分出高、中和低产园，其中S1、S3为高产园，S2、S4为中产园，S5~S9为低产园，选取高产园与低产园进行数据分析。
![]()
图 1 9个银杏园(S1~S9)挂果量的聚类分析Figure 1. Hierarchical cluster analysis dendogram of fruit amount in nine ginkgo orchards (S1−S9)2.2 银杏生长基本情况
通过图2及表1可知，高产园与低产园的银杏长势及其相应的叶片和果实状况。高产园的平均果径26.67 mm，平均单果鲜质量6.56 g，平均单果干质量2.44 g；低产园的平均果径19.00 mm，平均单果鲜质量4.36 g，平均单果干质量1.83 g。高产园的平均叶面积15 cm2，而低产园平均叶面积只有8 cm2。高产园的平均挂果量为908个·株−1，而低产园为135个·株−1，高产园是低产园的6.73倍。高产园的叶片SPAD平均值为56.15，而低产园为28.60，高产园叶片SPAD平均值是低产园的1.96倍。通过t检验可以看出，高产园的平均挂果量显著高于低产园(P<0.05)，而平均叶片SPAD值、果径、单果鲜质量、单果干质量和叶面积则无显著性差异(P>0.05)(表1)。
表 1 各银杏果园平均挂果量和单果质量及叶片SPAD1)Table 1. Average fruit number per tree, single fruit mass and leaf SPAD of each ginkgo orchard果园类型
Orchard type果园编号
Orchard number挂果量/(个·株−1)
Fruit amount叶片SPAD
SPAD of leaf单果鲜质量/g
Fresh mass of single fruit单果干质量/g
Dry mass of single fruit高产园
High yield orchardS1、S3 908* 56.15 6.56 2.44 中产园
Middle yield orchardS2、S4 619 54.25 5.50 2.67 低产园
Low yield orchardS5、S6、S7、S8、S9 135 28.60 4.36 1.83 1)“*”表示同列数据差异显著(P<0.05,t检验)
1)“*”indicates significant difference in the same column (P<0.05,t test)![]()
图 2 梅州市高产和低产园银杏的长势、叶片及果实Figure 2. Ginkgo growth, leaves and fruits in high yield and low yield orchards in Meizhou2.3 银杏叶片营养元素状况分析
各类型银杏园的银杏叶片养分含量见表2。由表2可知，高产园叶片中的N、P、K、Mn、Ca、Mg含量均高于低产园，而Zn、B的含量则是低产园高于高产园。中产园叶片中的N、P、K、Zn、Ca、Mg含量处于高产园与低产园之间，Mn含量高于高、低产园，B含量则低于高、低产园。通过Duncan’s多重比较发现，除高产园叶片Mg含量显著高于中、低产园外，其余养分在高、中、低产园之间没有显著性差异。
表 2 各类型银杏果园的银杏叶片养分含量1)Table 2. The nutrient contents of Ginkgo biloba leaves in different yield groups of ginkgo orchard果园类型
Orchard typew/(g·kg−1) w/(mg·kg−1) N P K Ca Mg Zn Mn B 高产园
High yield orchard31.29±8.33a 1.28±0.32a 13.22±4.28a 119.29±34.21a 16.96±2.50a 6.54±0.31a 16.33±9.08a 9.86±6.38a 中产园
Middle yield orchard30.92±2.96a 1.13±0.12a 11.76±2.47a 82.06±1.90a 11.67±1.23b 6.92±0.18a 16.59±8.56a 6.68±1.12a 低产园
Low yield orchard18.99±1.41a 0.92±0.07a 8.29±0.31a 67.38±7.32a 10.68±0.51b 7.70±0.93a 11.33±2.65a 16.18±4.46a 1)同列数据后的不同小写字母表示差异显著(P<0.05，Duncan’s法)
1) Different lowercase letters in the same column indicated significant difference(P<0.05, Duncan’s test)2.4 银杏果园DRIS指数法营养诊断
2.4.1 DRIS指数法参数确定
根据DIRS指数诊断法，对银杏高产园和低产园的N、P、K、Zn、Mn、Ca、Mg、B等8种元素含量以不同的诊断参数(N/P、N/K等)进行统计，共有56种诊断参数，分别计算每种诊断参数的均值(M)、标准差(SD)、方差(S2)、变异系数(CV/%)和方差比。如N/P、P/N中，选择方差比值高者(N/P)作为DRIS的诊断参数[18]，最终选取28种诊断参数(表3)。
表 3 银杏果园DRIS指数法诊断参数统计Table 3. Diagnostic parameters of ginkgo orchards based on DRIS index method诊断参数
Diagnostic parameter高产园 High yield orchard 低产园 Low yield orchard 方差比
Variance ratio均值
Mean标准差
Standard deviation方差
Variance变异系数/%
Coefficient of variance均值
Mean标准差
Standard deviation方差
Variance变异系数/%
Coefficient of varianceN/P 24.31 0.67 0.44 2.74 21.23 5.49 30.19 25.88 68.61 N/K 2.42 0.22 0.05 8.92 2.30 0.44 0.19 19.10 3.80 K/P 10.12 1.18 1.39 11.65 9.12 0.72 0.52 7.93 0.37 N/Zn 4 857.96 2 127.75 4 527 336.19 43.80 2 539.27 436.07 190 160.01 17.17 0.04 N/Mn 2 363.85 1 137.37 1 293 600.80 48.11 2 047.10 960.00 921 608.40 46.90 0.71 N/Mg 1.81 0.32 0.10 17.54 1.81 0.41 0.17 22.70 1.70 N/B 4 517.57 2 936.75 8 624 528.64 65.01 1 446.13 778.00 605 280.89 53.80 0.07 Ca/N 3.79 0.12 0.01 3.13 3.67 1.28 1.64 34.85 164.00 P/Zn 198.70 82.08 6 736.80 41.31 127.39 40.98 1 679.36 32.17 0.25 P/Mn 97.91 49.47 2 446.81 50.52 94.72 38.66 1 494.78 40.82 0.61 P/B 187.55 125.93 15 859.57 67.15 68.77 32.95 1 085.37 47.91 0.07 Ca/P 92.19 5.41 29.24 5.87 76.14 26.48 701.28 34.78 23.98 Mg/P 13.60 2.02 4.07 14.84 11.93 2.63 6.93 22.06 1.70 K/Zn 2 058.21 1 064.31 1 132 753.07 51.71 1 140.40 302.18 91 311.26 26.50 0.08 K/Mn 961.23 385.00 148 228.69 40.05 872.78 378.42 143 202.38 43.36 0.97 K/B 1 822.88 1 052.91 1 108 617.28 57.76 627.90 318.89 101 687.64 50.79 0.09 Ca/K 9.14 0.53 0.28 5.80 8.28 2.62 6.86 31.64 24.50 Mg/K 1.37 0.36 0.13 26.26 1.30 0.23 0.05 17.54 0.38 Mn/Zn 2.57 2.14 4.56 83.15 1.59 0.97 0.94 61.23 0.21 Ca/Zn 18 539.57 8 641.02 74 667 158.89 46.61 9 432.45 4 161.44 17 317 605.60 44.12 0.23 Mg/Zn 2 618.77 715.13 511 412.45 27.31 1 466.65 433.13 187 601.12 29.53 0.37 B/Zn 1.56 1.48 2.20 95.25 2.33 1.59 2.53 68.27 1.15 Mg/B 2 676.95 2 090.57 4 370 482.92 78.10 798.61 436.94 190 919.19 54.71 0.04 Mn/B 1.82 0.37 0.13 20.02 0.76 0.34 0.12 45.24 0.92 Ca/Mn 8 892.40 4 030.72 16 246 668.81 45.33 7 327.71 3 881.59 15 066 703.39 52.97 0.93 Mg/Mn 1 381.10 870.05 756 988.64 63.00 1 122.53 486.02 236 212.02 43.30 0.31 Ca/Mg 6.89 1.42 2.01 20.61 6.28 1.11 1.23 17.63 0.61 Ca/B 16 949.10 10 595.65 112 267 895.55 62.51 5 100.18 3 297.08 10 870 716.74 64.65 0.10 2.4.2 不同银杏果园的诊断指数和需肥顺序
根据式(2)与式(3)，计算出各参数的函数值。通过式(1)与函数值算出各个果园养分元素的DRIS指数。由表4可知，在高产园中，S1果园中N的DRIS指数(以下简称指数)(−4.47)、K指数(−2.97)、Mn指数(−10.06)、B指数(−12.37)为负值，表明各自含量相对缺乏，Mg指数(74.41)远大于0，表明其含量相对过剩，P、Zn、Ca指数均大于0，其值在2~12之间，表明这几个元素可以满足植物体的正常生长并有不同程度过剩。因此可以得出，S1果园的需肥顺序为B>Mn>N>K>P>Ca>Zn>Mg，由于Mg含量过高，导致林木的不平衡指数NII为121.82。与S1不同，S3果园缺Mg，且除Mg外，还缺乏N、P、Zn元素，所以应增加相应元素肥料的施用。
表 4 各银杏园DRIS诊断指数及需肥顺序Table 4. DRIS diagnosis index and fertilizer requirement order of each ginkgo orchard果园类型
Orchard type果园编号
Orchard numberDRIS指数
DRIS index需肥顺序
Fertilizer requirement order营养不平衡指数
Nutritional imbalance index(NII)N P K Mn Zn Ca Mg B 高产园
High yield orchardS1 −4.47 2.17 −2.97 −10.06 11.72 3.66 74.41 −12.37 B>Mn>N>K>P>Ca>Zn>Mg 121.82 S3 −7.48 −4.10 0.10 6.66 −13.19 4.32 −8.17 16.01 Zn>Mg>N>P>K>Ca>Mn>B 60.02 均值
Average−5.98 −0.97 −1.44 −1.70 −0.74 3.99 33.12 1.82 N>Mn>K>P>Zn>B>Ca>Mg 90.92 中产园
Middle yield orchardS2 6.30 1.64 −4.32 −9.04 10.94 −0.36 −35.68 0.82 Mg>Mn>K>Ca>B>P>N>Zn 69.10 S4 1.14 −2.18 5.11 17.57 −0.52 −13.74 −58.61 0.34 Mg>Ca>P>Zn>B>N>K>Mn 99.20 均值
Average3.72 −0.27 0.40 4.27 5.21 −7.05 −47.15 0.58 Mg>Ca>P>K>B>N>Mn>Zn 84.15 低产园
Low yield orchardS5 −15.04 −5.14 −7.46 −18.92 27.81 3.32 10.15 14.00 Mn>N>K>P>Ca>Mg>B>Zn 101.82 S6 −14.86 11.59 −2.70 −14.68 11.73 −16.89 −76.30 35.99 Mg>Ca>N>Mn>K>P>Zn>B 184.72 S7 −8.81 −19.19 −21.62 −7.74 31.77 −27.96 −68.70 60.47 Mg>Ca>K>P>N>Mn>Zn>B 246.26 S8 −49.50 −15.93 −30.53 −11.38 0.04 2.34 −19.87 108.61 N>K>Mg>P>Mn>Zn>Ca>B 238.19 S9 −49.96 21.55 −10.32 20.60 9.54 −33.88 −65.23 48.33 Mg>N>Ca>K>Zn>Mn>P>B 259.40 均值
Average−27.63 −1.42 −14.53 −6.42 16.18 −14.61 −43.99 53.48 Mg>N>Ca>K>Mn>P>Zn>B 206.08 在中产园中，S2与S4果园均不同程度地缺乏Mg，此外，S2果园还缺乏K、Mn、Ca元素，S4果园缺乏P、Zn、Ca元素，所以可增加相应元素肥料的施用。而S2果园的Zn指数(10.94)、S4果园的Mn指数(17.57)最高，表明相应元素在叶片中的含量高，应减少相应元素肥料的施用。
在低产园中，所有果园的N和K指数均为负值，说明其含量均为不同程度的缺乏；除N和K元素外，S5果园还缺乏P、Mn元素；S6果园还缺乏Mn、Ca、Mg元素；S7果园还缺乏P、Mn、Ca、Mg元素；S8果园还缺乏P、Mn、Mg元素；S9果园还缺乏Ca、Mg元素，因此可增加相应元素肥料的施用。所有果园的Zn和B指数均为正值，其中S8果园中的B指数达到108.61，说明其含量过剩。
在各元素需肥顺序中，N的需肥急迫程度在高产园中占比最高，其他元素在各高产园中均有不同的需求量；Mg在中产园中的需肥急迫程度最高；N、K在所有低产园中均有迫切需求，其次是Mg和Mn(共4个低产果园)、P和Ca(共3个低产果园)的需求占比较高。从表4还可以看出，高产园的营养不平衡指数NII范围为60.02~121.82，平均为90.92；中产园的NII范围为69.10~99.20，平均为84.15；低产园的NII范围为101.82~259.40，平均为206.08，高产园与中产园的营养平衡状态明显优于低产园。
2.4.3 梅州果用银杏DRIS指数分级初步标准
根据高产园各养分DRIS诊断指数，初步制定出银杏果园DRIS指数的分级指标，共分为5个等级。以高产园各养分DRIS指数的平均值作为平衡值，偏离4/3标准差以上为缺乏或者过剩，偏离2/3标准差以内为平衡状态，偏离2/3~4/3标准差的为轻度偏低或者偏高[19]，具体划分数值及区分见表5。并将9个银杏果园的养分元素分区状况列于表6。具体以S9果园为例，由表4可知，N、P、K、Mn、Zn、Ca、Mg和B的DRIS指数分别为−49.96、21.55、−10.32、20.60、9.54、−33.88、−65.23和48.33，对照表5可知，N、K、Ca和Mg缺乏，Zn平衡，P、Mn和B过剩，与需肥顺序结果基本一致，且该果园的养分指数除了Zn以外，其余元素指数没有处于平衡状态，这与DRIS指数诊断法中营养不平衡指数很大的结果是一致的。可见，DRIS指数分级标准能够更加准确地判断各果园的养分状态。
表 5 银杏果园DRIS指数的初步分级标准Table 5. DRIS index preliminary classification norms of ginkgo orchardsDRIS指数
DRIS index缺乏区
Deficient zone(DZ)偏低区
Low zone(LZ)平衡区
Balanced zone(BZ)偏高区
High zone(HZ)过剩区
Excess zone(EZ)N <−8.81 −8.81~−7.39 −7.39~−4.56 −4.56~−3.14 >−3.14 P <−6.88 −6.88~−3.92 −3.92~1.99 1.99~4.95 >4.95 K <−4.33 −4.33~−2.88 −2.88~0.01 0.01~1.46 >1.46 Mn <−17.46 −17.46~−9.58 −9.58~6.18 6.18~14.06 >14.06 Zn <−24.22 −24.22~−12.48 −12.48~11.01 11.01~22.75 >22.75 Ca <3.37 3.37~3.68 3.68~4.30 4.30~4.61 >4.61 Mg <−44.74 −44.74~−5.81 −5.81~72.05 72.05~110.98 >110.98 B <−24.94 −24.94~−11.56 −11.56~15.20 15.20~28.58 >28.58 表 6 基于DRIS指数的银杏果园的养分元素分区1)Table 6. Nutrient element zones of each ginkgo orchard basid on DRIS index果园类型
Orchard type果园编号
Orchard numberN P K Mn Zn Ca Mg B 高产园
High yield orchardS1 BZ HZ LZ LZ HZ LZ HZ LZ S3 LZ LZ HZ HZ LZ HZ LZ HZ 均值 Average BZ BZ BZ BZ BZ BZ BZ BZ 中产园
Middle yield orchardS2 EZ BZ LZ BZ BZ DZ LZ BZ S4 EZ BZ EZ EZ BZ DZ DZ BZ 均值 Average EZ BZ HZ BZ BZ DZ DZ BZ 低产园
Low yield orchardS5 DZ LZ DZ DZ EZ DZ BZ BZ S6 DZ EZ LZ LZ HZ DZ DZ EZ S7 LZ LZ DZ BZ EZ DZ DZ EZ S8 DZ LZ DZ LZ BZ DZ LZ EZ S9 DZ EZ DZ EZ BZ DZ DZ EZ 均值 Average DZ BZ DZ BZ HZ DZ LZ EZ 1)DZ：缺乏区；LZ：偏低区；BZ：平衡区；HZ：偏高区；EZ：过剩区
1)DZ：Deficient zone；LZ：Low zone；BZ：Balanced zone；HZ：High zone；EZ：Excess zone3. 讨论与结论
通过叶片营养诊断能够有效判断果树的营养状况，诊断结果可作为科学施肥的重要依据。DRIS指数法通过诊断植物体的多种元素含量状况，得出各种元素在植物体的盈亏情况和需肥顺序，由于其应用性广、不限树种等优势，目前在不同经济作物或树种中得到广泛的应用，如小麦[20]、芒果等[21]。但关于银杏营养诊断(尤其是在广东地区)的报道很少，对果用银杏的相关研究更少。有研究表明，与常温(25 ℃)相比，高温会降低银杏的生长速率和生物量，抑制其光合作用速率[22]。但是，适宜的施肥量可以缓解高温对叶片的胁迫程度，提高植物光合作用的能力[23]，所以在华南地区果用银杏栽培过程中，通过营养诊断提供施肥方案以维持银杏果的正常产量和品质是很有必要的。
本文研究的果园中，银杏树叶片主要缺乏N、P、K、Mg、Ca、Mn元素，而Zn和B元素较为充足或者过剩。N的供应状况和植物体花芽分化、光合作用有密切的关系，也是最容易缺乏的元素，N的缺乏会降低植物体内蛋白质、叶绿素、核酸及次生代谢物的合成[24]。研究表明，适当的施用氮肥能增加温州蜜柑的产量和品质[25]，但施氮量过多会破坏土壤养分平衡、降低椪柑的品质[26]，因此可根据营养诊断后的平衡区来添加N元素以提高银杏果的品质。根据诊断结果，部分果园银杏树叶片的P元素匮乏，这与南方地区土壤养分中低P有关[27]。吴家胜等[28]研究表明，适当的添加P元素能提高银杏对黄酮的累积量，提高品质。K元素在树体内扮演着大量酶活化和控制细胞渗透压的角色，缺乏K元素会导致叶片变黄和坏死，降低蛋白质和糖类的合成与运输速率，从而使果实的品质下降。有研究表明，添加K肥能增加甘蔗的产量，提高糖分的累积以及减少一定的病害[29]；施用K肥也会提高银杏内黄酮的累积量[30]。Ca是树体维持正常生长发育的必需营养元素，Ca与细胞壁的合成以及植物的抗病性有密切关系，Ca的缺乏会导致植物的抗病性减弱，果实或者农作物的产量和品质下降[31]；而过量的Ca也会抑制植物的生长和作物的产量[32]。本研究中，高产园的叶片Ca含量偏低或偏高，低产园部分样地(如S6、S7等)的叶片则缺乏Ca，可通过增加施肥量来使Ca含量达到平衡状态，使Ca指数为3.68~4.30。Mg元素是叶绿素分子的组成部分，当植物缺乏Mg元素时，植物的叶绿素合成会受阻，叶片失绿，导致植物的碳水化合物和蛋白质等营养物质合成速率下降，从而降低产量和品质[33]。本文诊断结果表明，Mg的含量在低产园叶片中有不同程度的匮乏，这与低产园SPAD值较低是一致的。郁万文等[10]研究结果表明，适宜浓度地配施Mg能增加银杏中总黄酮和萜内酯的含量，并提高叶绿素等物质的合成。中产园的大部分元素都在平衡区，但是缺乏Ca和Mg元素，这可能是中产园的样地产量未能达到高产园的原因之一。Mn是植物生长必需的微量元素之一，是合成氧化酶与过氧化氢酶的催化剂。有研究表明，Mn能促进N的吸收与利用率[34]，本研究也发现，低产园(S9果园除外)的Mn含量缺乏时，N含量也表现为缺乏。植物体内的Zn元素与蛋白质合成和生理代谢过程有密切关系，在正常含量条件下，Zn能够提高植物果实及农作物的品质，但Zn含量过高会毒害经济作物[35]。本研究发现，低产园的平均Zn含量高于高产园，且通过DRIS指数分析法发现S5、S6、S7的Zn指数处于偏高区或者过剩区，这可能是果实产量低的原因之一。另外，合适浓度的B元素在促进植物开花与幼果坐果方面起关键作用[36]，低产园叶片的B含量均有不同程度的过剩，平均含量高于高产园叶片。本研究通过DRIS指数法得出了银杏园各元素平衡浓度范围，可据此对本地区的果用银杏林进行合理施肥。
本研究中，高产园银杏叶片N、P、K、Mn、Ca、Mg的平均含量高于低产园，而低产园Zn、B平均含量高于高产园，高产园叶片中的平均养分含量可作为各养分的适宜含量。DRIS诊断指数值显示，研究区银杏果树总体上N、P、K、Ca、Mg缺乏，Zn和B供应充足，其中低产园银杏树体还缺乏Mn。高产园银杏的平均需肥顺序为N>Mn>K>P>Zn>B>Ca>Mg，低产园的平均需肥顺序为Mg>N>Ca>K>Mn>P>Zn>B。高产园和低产园的平均养分不平衡指数(NII)分别为90.92和206.08。本研究通过DRIS指数法还得出银杏园各元素DRIS指数的初步分级标准。本研究的营养诊断结果可为银杏的精准化营养管理提供参考依据。
-
![]()
图 2 龙眼叶片高光谱图像不同区域划分
R1：叶肉区域；R2：背景区域；R3：叶脉区域
Figure 2. Different regions in a hyperspectral image of Longan leaf
![]()
图 3 叶肉、背景与叶脉区域的光谱特征
Figure 3. The spectral characterisitics of mesophyll, background and vein
![]()
图 4 自动提取感兴趣区域去噪后的效果
Figure 4. The effect of automatically extracted image of interest area after background removal
![]()
图 5 龙眼叶片不同生长期光谱特性的相关性分析
Figure 5. Correlation analyses of spectral characteristics of Longan leaves in different growth periods
![]()
图 7 基于图像特征及光谱特征的SAE模型预测的龙眼叶片叶绿素含量
Figure 7. Prediction of chlorophyll contents of Longyan leaves using SAE model based on image and spectral features
![]()
图 8 基于SAE模型预测的龙眼叶片叶绿素含量分布图
Figure 8. Distribution maps of chlorophyll contents of Longyan leaves based on SAE model
表 1 龙眼叶片样本校正集与验证集的叶绿素含量
Table 1 Chlorophyll contents in Longan leaves for calibration and validation sets
项目 样本数/个 w(叶绿素)/(mg·g–1) 最大值 最小值 平均值 标准偏差 校正集 240 3.416 3 0.731 4 1.915 5 0.531 2 验证集 60 3.353 2 0.721 1 1.930 1 0.520 2 
下载: 导出CSV
表 2 龙眼叶片叶绿素含量与光谱特性相关性分析建模及验证结果1)
Table 2 Modeling and validation of correlation between chlorophyll content and spectral characteristic of Longan leaves
生长阶段 强相关
波长/nm入选波
段数/个最高相关性
波长/nm最高相关
系数(r)基于最高相关性
波长的回归方程校正集 验证集 R2c RMSEc R2v RMSEv 嫩叶 488~722 194 692 –0.856 9 y=–105.2x+55.8 0.657 9 0.577 6 0.551 3 0.600 1 成熟叶 508~648、682~721 149 698 –0.873 0 y=–270.6x+81.7 0.682 1 0.555 2 0.605 5 0.574 3 老熟叶 509~603、690~712 95 705 –0.852 3 y=–168.1x+86.2 0.676 5 0.566 5 0.599 1 0.589 4 全生长期 495~715 182 703 –0.890 3 y=–188.9x+82.5 0.762 2 0.256 9 0.621 2 0.289 6 1)回归方程中，x：最高相关性波段的反射率，y：叶绿素含量
下载: 导出CSV
表 3 不同光谱特征参数的龙眼叶片叶绿素含量反演结果
Table 3 The inversion results of chlorophyll contents of Longan leaves based on different spectral characteristic parameters
回归模型1) 校正集 验证集 R2c RMSEc R2v RMSEv y=0.155x1–106.1 0.823 4 0.232 4 0.756 7 0.301 2 y=–0.342x2+11.7 0.472 3 0.795 1 0.338 7 0.845 3 y=0.086x1–0.212x2–36.4 0.742 4 0.302 5 0.654 5 0.386 5 y=–0.434x3+242.1 0.175 0 1.204 5 0.155 4 1.468 2 y=–0.24x4+5.5 0.793 8 0.253 4 0.680 1 0.299 6 y=104.4–0.315x3+2.99x4 0.686 5 0.289 0 0.595 1 0.421 3 y=–0.14x5+95.5 0.816 8 0.234 4 0.757 9 0.296 0 y=–0.431x6+5.5 0.718 5 0.286 5 0.656 7 0.301 3 y=55.3–0.082x5+0.017x6 0.856 8 0.219 5 0.771 2 0.286 2 y=0.058x7+1.9 0.062 1 1.364 9 0.051 5 1.379 2 1) x1: 红边位置, 683~765 nm光谱曲线一阶导数最大值波段；x2: 683~765 nm红边反射率总和；x3: 490~595 nm反射率最大值波段；x4: 490~595 nm反射峰带所有反射率总和；x5: 595~682 nm吸收带反射率最小的波段；x6: 595~682 nm吸收带所有反射率总和；x7: 平台区800~960 nm所有反射率总和；y: 叶绿素含量
下载: 导出CSV
表 4 不同生长阶段龙眼叶片特征波段图像纹理特征与叶绿素含量的相关系数(r)
Table 4 The correlation coefficients of chlorophyll contents and texture parameters from characteristic wavelength images of Longyan leaves in different periods
λ/nm 嫩叶 成熟叶 老熟叶 全生长期 对比度 相关性 能量 同质性 对比度 相关性 能量 同质性 对比度 相关性 能量 同质性 对比度 相关性 能量 同质性 550 –0.37 0.54 0.61 0.64 –0.45 0.55 0.65 0.67 –0.44 0.56 0.66 0.69 –0.46 0.53 0.67 0.69 677 –0.41 0.56 0.62 0.64 –0.46 0.55 0.69 0.68 –0.50 0.60 0.69 0.71 –0.48 0.58 0.68 0.69 703 –0.48 0.55 0.65 0.62 –0.55 0.60 0.70 0.71 –0.51 0.63 0.71 0.72 –0.50 0.61 0.68 0.70
下载: 导出CSV
-
[1] 李粉玲, 王力, 刘京, 等. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J]. 农业机械学报, 2015, 46(9): 273-281. [2] 何启平, 陈莹. 校园常见植物叶绿素提取方法比较及其含量测定[J]. 黑龙江农业科学, 2015(10): 117-120. [3] 丁永军, 李民赞, 安登奎, 等. 基于光谱特征参数的温室番茄叶片叶绿素含量检测[J]. 农业工程学报, 2011, 27(5): 244-247. [4] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302. [5] 李媛媛, 常庆瑞, 刘秀英, 等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J]. 农业工程学报, 2016, 32(16): 135-142. [6] 冯雷, 骆一凡, 何勇, 等. 基于机器视觉技术的尖椒冠层SPAD值测定仪的开发[J]. 农业工程学报, 2016, 32(21): 177-182. [7] 赵艳茹, 余克强, 李晓丽, 等. 基于高光谱成像的南瓜叶片叶绿素分布可视化研究[J]. 光谱学与光谱分析, 2014, 34(5): 1378-1382. [8] 余克强, 赵艳茹, 李晓丽, 等. 高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究[J]. 光谱学与光谱分析, 2015, 35(3): 746-750. [9] CHENG J H, SUN D W, PU H, et al. Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp[J]. Innov Food Sci Emerg, 2014, 7(11): 3109-3120.
[10] 朱瑶迪, 邹小波, 石吉勇, 等. 高光谱图像技术快速预测发酵醋醅总酸分布[J]. 农业工程学报, 2014, 30(16): 320-327. [11] 李芳, 石吉勇, 张德涛, 等. 银杏叶中黄酮含量的叶面分布检测研究[J]. 食品工业科技, 2015, 36(9): 270-272. [12] JIN H L, LI L L, CHENG J H. Rapid and non-destructive determination of moisture content of peanut kernels using hyperspectral imaging technique[J]. Food Anal Method, 2015, 8(10): 2524-2532.
[13] 刘顺枝. 不同成熟度龙眼叶片组织显微结构的观察[J]. 嘉应大学学报, 2000, 18(6): 85-86. [14] 黄玉溢, 谭宏伟, 周柳强, 等. 龙眼施用长效氮肥的效应研究[J]. 南方农业学报, 2003(S2): 71-73. [15] 周庆贤, 周颂棠, 伦演鹏, 等. 广州地区石硖龙眼高产栽培技术[J]. 广东农业科学, 2005, 32(3): 83-84. [16] 彭庆芳. 浅谈龙眼优质高产栽培技术[J]. 吉林农业(学术版), 2010(7): 107. [17] 潘玲玲, 徐晓洁, 谭晶晶, 等. 分光光度法快速测定玉米叶片中的叶绿素[J]. 分析化学, 2007, 35(3): 413-415. [18] WU D, SHI H, WANG S, et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J]. Analytica Chimica Acta, 2012, 726(9): 57-66.
[19] WU D, SUN D W, HE Y. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet[J]. Innov Food Sci Emerg, 2012, 16(39): 361-372.
[20] 张永贺, 郭啸川, 褚武道, 等. 基于红边位置的木荷叶片叶绿素含量估测模型研究[J]. 红外与激光工程, 2013, 42(3): 798-804. [21] 薛利红, 杨林章. 采用不同红边位置提取技术估测蔬菜叶绿素含量的比较研究[J]. 农业工程学报, 2008, 24(9): 165-169. [22] 梁爽, 赵庚星, 朱西存. 苹果树叶片叶绿素含量高光谱估测模型研究[J]. 光谱学与光谱分析, 2012, 32(5): 1367-1370. [23] 岳有军, 杨雪, 赵辉, 等. 基于支持向量机的油菜缺素诊断研究[J]. 广东农业科学, 2015, 42(20): 145-148. [24] 尹征, 唐春晖, 张轩雄. 基于改进型稀疏自动编码器的图像识别[J]. 电子科技, 2016, 29(1): 124-127. [25] 孙文珺, 邵思羽, 严如强. 基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 机械工程学报, 2016, 52(9): 65-71. [26] LUO W, YANG J, XU W, et al. Locality-constrained sparse auto-encoder for image classification[J]. IEEE Signal Proc Let, 2015, 22(8): 1070-1073.
[27] VINCENT P, LAROCHELLE H, LAJOIE I, et al. Stacked denoising auto-encoders[J]. J Mach Learn Res, 2010, 11(12): 3371-3408.
[28] 刘文雅, 潘洁. 基于神经网络的马尾松叶绿素含量高光谱估算模型[J]. 应用生态学报, 2017, 28(4): 1128-1136. [29] 邹小波, 张小磊, 石吉勇, 等. 基于高光谱图像的黄瓜叶片叶绿素含量分布检测[J]. 农业工程学报, 2014, 30(13): 169-175. [30] 陈晨, 张永成. 马铃薯不同品种间气孔密度及叶绿素含量的差异性研究[J]. 中国农学通报, 2013, 29(27): 83-87. [31] 顾振芳, 王伟清, 朱爱萍, 等. 黄瓜对霜霉病的抗性与叶绿素含量、气孔密度的相关性[J]. 上海交通大学学报(农业科学版), 2004, 22(4): 381-384. [32] 颜惠霞, 徐秉良, 梁巧兰, 等. 南瓜品种对白粉病的抗病性与叶绿素含量和气孔密度的相关性[J]. 植物保护, 2009, 35(1): 79-81.
计量
- 文章访问数: 1885
- HTML全文浏览量: 6
- PDF下载量: 3097
