烤烟叶片镉含量高光谱预测模型的构建

陈楠，冯慧琳，杨艳东，3，陈萍，任天宝*，贾方方，刘国顺

（1.河南农业大学烟草学院/河南省生物炭工程技术研究中心，郑州 450002；2.生物炭技术河南省工程实验室，郑州 450002；3.南京农业大学农学院，南京 210095；4.商丘师范学院生物与食品学院，河南 商丘 476000）

金属镉具有很强的生物毒性，被植物吸收后，不仅影响植被的生长发育，还会通过植物以及食物链危害人体健康[1-5]。植株吸收的镉含量达到一定量后会出现发育迟缓、植株矮小、叶片失绿等症状，进而导致品质降低以及作物减产。烟草是我国重要经济作物，镉胁迫会降低烟叶化学成分之间的协调性，如糖碱比、氮碱比等[6]，还会导致可溶性糖[7]、钾[8]含量降低，蛋白质[9]含量增加，品质下降。吴坤等[10]的研究发现，当烟草植株内镉元素达到一定量后，会使光合色素含量减少，导致光合速率降低，进而影响烤烟的安全和品质。曹玉巧等[11]的研究发现，镉在烟草叶片中积累过量时，会通过烟气进入人体，影响人体健康。

近些年来，随着遥感技术的发展，快速、无损、实时获取植被信息已经成为可能。运用遥感技术分析烟草冠层光谱反射率与理化参数的相关性，可建立各种理化参数的光谱监测模型。这些模型能够监测植物叶片的镉含量，例如李岚涛等[12]的研究发现，镉胁迫显著影响菊苣叶片的高光谱反射特性。刘来等[13]以油菜为研究对象，建立了油菜叶片镉含量与光谱特征参数之间的多元回归模型。关丽等[14]着重分析受镉污染的水稻叶片中叶绿素含量变化及其光谱反射特性，并建立了水稻冠层的叶绿素遥感监测参数对镉污染程度的响应模型，但估算精度还有待进一步提高。孙小香等[15]以水稻为研究对象，建立了水稻氮素的传统线性模型、多元线性模型和BP神经网络模型，研究表明BP 神经网络模型的预测效果最好。Chen等[16]以光谱参数为输入参数，构建BP 神经网络模型反演水稻色素含量，发现其精度高于多元逐步回归模型。与传统的线性模型相比，具有强大的非线性映射能力的BP 神经网络结合高光谱数据分析，可以提高植被的生理生化参数预测准确性[17]，对水稻[18]、小麦[19]、玉米[20]、大豆[21]等作物均具有良好的应用效果。

为快速准确地获取烟草叶片镉含量，本研究通过获取镉污染条件下烟草叶片中的镉含量和高光谱反射率，结合植被指数对两者进行分析，并基于植被指数构建烟草叶片镉含量监测模型，旨在为烟草安全生产和烟叶品质管控提供理论依据和参考。

1 材料与方法

1.1 试验设计

试验于2019 年6 月至9 月在河南农业大学国家烟草栽培生理生化重点实验室内进行。供试品种为中烟100。供试土壤取自河南农业大学许昌校区现代烟草科教园区0～20 cm耕层，土壤类型为褐土，基础肥力：pH7.25，碱解氮116.45 mg·kg-1，有效磷19.32mg·kg-1，速效钾158.15 mg·kg-1，有机质15.74 g·kg-1。采用超纯水和硫酸镉（3CdSO4·8H2O）配制硫酸镉水溶液，一次性均匀加入土壤中，分别调节4 个土壤镉含量为0、5、10、20 mg·kg-1，待水分蒸发后多次混筛均匀。试验采用盆栽的方式，将供试土壤自然风干后过10 目筛，每盆装土1.2 kg，土壤所施肥料为烟草复合肥（N∶P2O5∶K2O=10∶10∶20）0.01 kg、硫酸钾0.01 kg、过磷酸钙0.005 kg，将肥料与土壤充分混匀10 d后，选择苗龄、长势一致，生长状况良好的烟苗进行移栽，每盆一株，每日定时浇水。

从移栽后30 d 开始每隔15 d 对烟株镉含量和光谱数据进行测定，共测定3 个时期，每个时期每个处理6个重复，共72株。

1.2 叶片光谱数据的获取

分别在烟株移栽后30、45、60 d 进行叶片光谱测定。每处理选6 株生长正常、长势一致的烟株。采用FieldSpec3便携式地物光谱仪（美国ASD公司）测定高光谱数据，波长350～2 500 nm，其中350～1 000 nm范围内采样间隔1.4 nm，光谱分辨率3 nm；1 000～2 500 nm 范围内采样间隔2 nm，分辨率10 nm。采用叶片夹持器在每个烟株选取上、下2片叶测定光谱，每片叶测5个点，测定时尽量避开主脉和支脉，如图1所示。每点测定10条光曲线，每片叶共获取光谱曲线50条，取平均值作为该株烟的叶片光谱，所有处理光谱数据共计72组，其中有效数据71组。每次测定前均用标准参考白板进行校正。

图1 烟草叶片光谱测定位置示意图Figure 1 Position of tobacco leaf spectrum determination

1.3 烟叶中镉含量的测定

每次测完所有烟草叶片的光谱数据之后2～3 h内取样杀青，尽可能减小光谱测量与取样的时间差。采集的烟株叶片于烘箱中105 ℃杀青，65 ℃烘干，烘干后将烟叶研磨过40目筛。之后加入HNO3和H2O2置于自动消解仪中进行消解，消解后的溶液中镉含量采用电感耦合等离子原子发射光谱仪（ICP-OES）测定。

1.4 植被指数

植被指数是由光谱数据经线性和非线性组合构成的对植被有一定指示意义的光谱参数。比值植被指数（Ratio vegetation index，RVI）是绿色植物的灵敏指示参数，可用于监测和估算植物生物量；归一化植被指数（Normalized difference vegetation index，NDVI）是反映农作物长势和营养信息的重要参数，对获取作物信息具有重要的指导作用[22-23]。

式中：Rλ1指在波长λ1处叶片的光谱反射率；Rλ2指在波长λ2处叶片的光谱反射率。

1.5 BP神经网络

BP（Back propagation）神经网络是1986年由Rumelhart 和McClelland 等科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。本研究将筛选的植被指数作为BP 神经网络的输入因子，输入层传递函数为S 型正切传递函数（Tansig），训练函数采用L-M 优化算法函数（Trainlm），烟草叶片镉含量作为输出层，输出层传递函数采用线性传递函数（Purelin）。

1.6 数据分析

用ViewSpecPro 导出原始光谱数据后，用Excel进行前处理，Origin 进行绘图，采用Matlab 绘制等势图和进行BP神经网络模型训练与检验。

2 结果与讨论

2.1 不同镉含量烟草叶片光谱反射率

根据所有样本镉含量水平，将样本分为数量相近的3 类，分别为低镉（<15 mg·kg-1）、中镉（15～30 mg·kg-1）、高镉（>30 mg·kg-1）。如图2 所示，在可见光和近红外范围（400～910 nm）内，随着镉含量增加，反射率先降低后增加，这种变化在绿光波段尤为明显，在930～1 000 nm 波段范围内，叶片反射率与烟叶中镉含量呈正相关。这可能是由于低浓度的镉会促进植物的生长发育，使叶绿素含量增加，导致反射率降低[24]，当超过一定的浓度后就会产生极其显著的抑制作用，破坏叶片内部结构，使叶绿素含量减少，进而导致叶片黄化失绿、反射率增加[25]。除此之外，在1000～2 500 nm 波段范围内，随着镉含量增加，反射率先增加后降低。

图2 不同镉含量烤烟叶片冠层光谱反射率Figure 2 Spectral reflectance of flue-cured tobacco canopy withdifferent cadmium contents in leaves

前人对小白菜、油菜等作物的研究表明，叶片光谱特征与叶片镉含量具有较好的相关性[26-27]。本研究结果表明，不同镉含量的烟草叶片光谱反射率也具有一定规律性，这使得应用遥感技术监测烟草镉含量成为可能。

2.2 敏感波段的筛选

基于烟草叶片中镉含量与光谱反射率的关系，采用减量精细采样法，系统分析了不同条件下350～2 500 nm 光谱范围内任意两波段的光谱反射率组合构建的植被指数（RVI、NDVI）与烟草叶片镉含量的定量关系，并绘制了决定系数（R2）的等势图（图3）。

如图3a 所示，RVI 的R2>0.6 的波段组合范围为（510～555 nm，708～715 nm），筛选的核心波段为520 nm 和710 nm，光谱指数为RVI（520，710）；图3b 中，NDVI的R2>0.6的波段组合范围为（510～555 nm，708～714 nm），筛选的核心波段为530 nm 和710 nm，光谱指数为NDVI（530，710）。根据敏感波段，选择决定系数较大的RVI 和NDVI，建立预测烟草叶片镉含量的BP 神经网络模型。本研究筛选的波段主要集中在可见光和红边波段，这与刘来等[13]的研究结果一致。

图3 RVI和NDVI的决定系数（R2）等势图Figure 3 Isopotential diagram of determination coefficient（R2）of RVI and NDVI

2.3 镉含量监测模型

随机选取50 个样本用来建立模型，剩余21 个样本用来验证模型。选取已经筛选出的决定系数最大的前20 个RVI（520，710）和前20 个NDVI（530，710）作为独立的自变量，建立预测烟草叶片镉含量的BP神经网络模型。

BP 神经网络模型采用试错法比对不同节点数的对应值，获得最佳隐藏节点数为13，设定目标精度为0.01，迭代次数为5 000 次，当拟合精度达到目标精度时，神经网络自动停止训练。BP 神经网络的预测结果如图4 所示，该预测模型的R2为0.681，RMSE 为8.001，表明BP 神经网络对烟草叶片镉含量的预测效果良好。

图4 BP神经网络模型的训练结果Figure 4 Training results of BP neural network model

2.4 模型检验

选取剩余21 个样本对所建模型进行验证。图5所示为BP 神经网络模型的预测值与实测值之间1∶1关系图。图中的点越是集中分布在对角线周围，表明模型的预测精度越高、效果越好。BP 神经网络模型的预测值与实测值的R2为0.801，RMSE为4.430，检验结果表明BP神经网络模型对烟草叶片镉含量具有良好的预测效果。

图5 BP神经网络模型检验结果Figure 5 Test results of BP neural network model

3 结论

（1）本研究表明，烟草叶片镉含量与烟草叶片光谱反射率之间具有一定的相关性，镉含量对烟草叶片的反射率产生一定影响。随着镉含量增加，在可见光和近红外范围（400～910 nm）内反射率先降低后增加；在930～1 000 nm波段范围内，叶片反射率与烟叶中镉含量呈正相关；在1 000～2 500 nm 波段范围内随着镉含量增加，反射率先增加后降低。

（2）采用减量精细采样法绘制了RVI 和NDVI 的R2等势图。RVI的R2>0.6的波段组合范围为（510～555 nm，708～714 nm），筛选的光谱指数为RVI（520，710）；NDVI 的R2>0.6 的波段组合范围为（510～555 nm，708～714 nm），筛选的光谱指数为NDVI（530，710）。

（3）随机选取50 个样本建立了BP 神经网络模型，R2为0.681，RMSE 为8.001，并对模型进行了检验，R2为0.801，RMSE 为4.430，表明BP 神经网络模型对烟草叶片镉含量具有良好的预测效果。