构建树木冠层光合性状预测模型及检测光合性状

摘要

本发明涉及一种构建树木冠层光合性状预测模型的方法及检测光合性状的方法。构建树木冠层光合性状预测模型的方法包括获取多个光照区域的光谱数据以及获取相应光照区域的光合性状参数，所述光谱数据为反射率随波长变化的对应关系；对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；根据一阶微分光谱的最大值和对应光照区域的光合性状参数拟合形成光合性状预测模型。根据本发明所公开的构建树木冠层光合性状预测模型的方法以及检测光合性状的方法，可以快速获取不同光照区域的光合能力，为整形修剪、提高果实的产量和品质等提供了有力的依据。

说明书

技术领域

本发明涉及光合性状研究领域，具体涉及构建树木冠层光合性状 预测模型及检测光合性状。

背景技术

光合作用是植物生长及外界环境变化响应的重要决定因素之 一，不仅能够用于判断植物在特定光环境下能否正常生长，还能够 说明植物对环境变化的适应潜力。光合作用形成的碳水化合物是产 量形成的主要物质基础，因此光合作用与果树丰产优质密切相关。 苹果树是喜光植物，通过测定苹果树不同光照区域下的叶片光合作 用参数，研究其光合特性，可为整形修剪、改善栽培措施、提高果 实的产量和品质等提供理论依据。

苹果树的产量和质量取决于光合分布，同时还受到“库-源”关 系的影响，叶片是“源”，它向果树提供必需的碳水化合物，影响果 实大小、颜色及硬度等指标。果树冠层内不同位置叶片的光合能力 有较大的不同。通常冠层上部叶片的最大光合速率是下部叶片的2-4 倍，主要原因在于光照影响了叶片的组分含量。果树通常成行种植， 具有特定的冠层结构，由于冠层具有较大的异质性，不同冠层空间 下叶片的光合能力存在较大差异，因此研究苹果树冠层不同空间格 局下的光合能力对于控制修剪量和负载量具有重要的意义。

许多研究结果表明，光照是影响光合作用最重要的环境因素。 强光会导致光合电子传递速率下降，从而影响了正常的光合作用。 适度的遮荫(72％)的自然光照会使得叶片厚度、氮含量、叶片比 重具有所提高，这说明不同的光照环境下，作物的光合能力也会有 所不同。张显川的研究(园艺学报,2005,32(6):975-979)表明：冠 层不同部位的光合能力存在一定的差别，平均光合速率的变化通常 为冠层外部>冠层中部>冠层内部，在晴天中午的时间段内是冠层中 部>冠层外部>冠层内部。欧毅的研究(西南农业大学学报(自然科学 版),2005,27(1):69-72)表明：冠层净光合速率与光照强度有相同 的变化趋势，即冠层外部>冠层内部>冠层中部，叶幕上层>叶幕中层> 叶幕下层。

光谱技术在构建植物冠层组分含量的预测模型中发挥了重要的 作用，其中，应用最广泛的是基于光谱技术的氮、叶绿素含量预测 模型的构建。李金梦(光谱学与光谱分析,2014,34(1):212-216) 在树冠东西南北四个方位的中上部外围各采集当年春梢顶部的叶 片，在暗箱环境下采集柑橘叶片高光谱图像，利用高光谱技术结合 多变量统计学方法构建了柑橘叶片含氮量预测模型，结果表明：利 用高光谱数据测定柑橘叶片含氮量具有可行性，研究结果为实时、 准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的 氮肥施加提供了一定的理论基础。张瑶(农业工程学 报,2013,29(z1):101-108)为探索不同生理物候期苹果树叶片氮元 素含量的快速检测方法，分别在果树坐果期、生理落果期和果实成 熟期，采集向阳主枝上顶部、中部、底部位置的叶片，苹果叶片使 用光谱仪测量了果树叶片在可见光和近红外区域的反射谱，同时在 实验室测定了过树叶片的全含氮量，构建了全光谱信息建立的氮素 含量预测模型。邓小蕾(农业工程学报,2014,30(14):14-147)以苹 果叶片叶绿素含量为研究对象，定量研究了光谱数据预处理方法对 光谱特征提取及叶绿素含量预测模型的影响，建立了苹果叶片叶绿 素含量预测模型，获得了较高的预测精度；Cigandal(Journal of  plant physiology,2009,166(2):157-167)利用红边(720-730nm) 和近红外(770-800nm)反射光谱特征建立了红边叶绿素指数来预测 玉米冠层叶绿素含量；Maccioni(Journal of Photochemistry and  Photobiology B:Biology,2001,61(1):52-61)等利用绿色波段和 红边归一化的单叶定向反射率计算新的植被指数对4种作物的叶绿 素浓度进行了预测。

上述研究的共同特点是：虽然选择的处理样本代表性强，但并未针对 不同光照区域的相关指标开展深入研究。虽然光谱技术在组分含量的 研究中发挥了重要作用，而对于光合能力的研究较少。针对上述研究 现状，构建基于光谱特性的光合性状预测模型，旨在快速、准确掌握 冠层不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果 实的产量和品质等提供依据。

发明内容

本发明所要解决的技术问题是：提供一种快速、准确地掌握不同 光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量 和品质等提供依据树木冠层光合性状预测模型及检测光合性状的方 法。

为此目的，在第一方面，本发明提出了一种构建树木冠层光合性 状预测模型的方法，包括：

获取多个光照区域的光谱数据以及获取相应光照区域的光合性 状参数，所述光谱数据为反射率随波长变化的对应关系；

对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光 谱；

根据所述一阶微分光谱的最大值和对应光照区域的所述光合性 状参数拟合形成光合性状预测模型。

优选地，所述不同光照区域，包括光照强度≤30％的光照区域、 光照强度>30％且≤60％的光照区域，光照强度>60％且≤85％的光照 区域和光照强度>85％的光照区域。

优选地，所述光合性状参数包括光化学效率、最大光化学量子效 率和表观光合量子传递效率。

优选地，所述一阶微分光谱的最大值为波长在680nm-760nm范围 内的一阶微分光谱的最大值。

优选地，所述根据所述一阶微分光谱的最大值和对应光照区域的 所述平均光合性状参数拟合形成光合性状预测模型，包括随机选取若 干个不同光照区域，将所述若干个不同光照区域的实际测量值和预测 值进行拟合，验证光合性状预测模型的有效性。

优选地，所述光合性状预测模型，包括光化学效率预测模型，所 述光化学效率预测模型为y＝-2×10⁶x³+56412x²-612.51x+2.8738，其中， x为一阶微分光谱的最大值，y为根据所述光化学效率预测模型得到 的光化学效率预测值。

优选地，所述光合性状预测模型，包括最大光化学量子效率预测 模型，所述最大光化学量子效率预测模型为 y＝6×10⁶x³-201837x²+2212.4x-7.0607，其中，x为一阶微分光谱的最大 值，y为根据所述最大光化学量子效率预测模型得到的最大光化学量 子效率预测值。

优选地，所述光合性状预测模型，包括表观光合量子传递效率预 测模型，所述表观光合量子传递效率预测模型为 y＝2×10⁹x³-6×10⁷x²+601307x-2046.5，其中，x为一阶微分光谱的最大 值，y为根据所述表观光合量子传递效率预测模型得到的表观光合量 子传递效率预测值。

在第二方面，本发明提出了一种检测光合性状的方法，包括：

获取待检测光照区域的光谱数据；

对所述光谱数据进行一阶微分处理得到一阶微分光谱；

将所述一阶微分光谱的最大值代入光合性状预测模型，得到所 需的光合性状参数。

通过采用本发明所公开的构建树木冠层光合性状预测模型的方 法，可以得到各种光合性状预测模型，再通过本发明所公开的光合性 状检测方法，可以快速获取不同光照区域的光合能力，为整形修剪、 改善栽培措施、提高果实的产量和品质等提供了有力的依据。

附图说明

通过参考附图会更加清楚地理解本发明的特征和优点，附图是示 意性的而不应理解为对本发明进行任何限制。

图1示出了构建树木冠层光合性状预测模型的流程。

图2(a)示出了试验处理样本A在不同光照区域的光谱反射率。

图2(b)示出了试验处理样本B在不同光照区域的光谱反射率。

图2(c)示出了试验处理样本C在不同光照区域的光谱反射率。

图2(d)示出了苹果树冠层不同光照区域的平均光谱反射率。

图3示出了波长在680nm-760nm范围内的不同光照区域的一阶微 分光谱。

图4示出了检测光合性状的方法的流程图。

图5示出了基于一阶微分光谱的光化学效率预测模型。

图6示出了光化学效率的预测值与实际测量值的拟合关系。

图7示出了基于一阶微分光谱的最大光化学量子效率预测模型。

图8示出了最大光化学量子效率的预测值与实际测量值的拟合关 系。

图9示出了基于一阶微分光谱的表观光合量子传递效率预测模 型。

图10示出了表观光合量子传递效率的预测值和实际测量值的拟合关 系。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

本发明为了解决能够快速、准确地掌握不同光照区域的光合能力 的问题而提出了一种构建树木冠层光合性状预测模型的方法，下面将 以构建苹果树冠层不同光照区域的光合性状预测模型的方法为例来 详细描述获得光合性状预测模型的具体的实施方法。

图1示出了构建树木冠层光合性状预测模型的方法流程图，如图 1所示，该方法包括：

S1：获取多个光照区域的光谱数据以及获取相应光照区域的光合 性状参数，光谱数据为反射率随波长变化的对应关系；

苹果树冠层不同光照区域(例如，光照强度≤30％的光照区域、 光照强度在(30％,60％〕区间的光照区域、光照强度在(60％,85％〕 区间的光照区域和光照强度>85％的光照区域)的光谱数据采集设备例 如选用美国ASD(Analytical Spectral Devices)公司的FieldSpec  HandHeld 2便携式地物光谱仪，当然也可以采用其他合适的设备。光 谱测量时间例如选择在上午10:00-12:00之间，当然还可以为其他合适 时间。利用例如FMS-2型脉冲调制式荧光仪及Li-6400便携式光合仪， 测量对应光照区域的光合性状参数，当然也可以选用其他合适的设 备。所测得的光合性状参数例如包括：光化学效率、最大光化学量子 效率、表观光合量子传递效率。

在采用美国ASD(Analytical Spectral Devices)公司的FieldSpec  HandHeld 2便携式地物光谱仪对苹果树冠层不同光照区域的叶片进 行光谱反射率测定时，采样波长范围例如为325nm-1075nm，波长精 度例如为1nm，光谱分辨率例如为3nm，最小采样时间间隔例如为 8.5ms，采样间隔例如为1.5nm，当然，也可选用其他的合适的采样波 长范围、波长精度、光谱分辨率以及最小采样时间间隔。试验所得到 的信息通过光谱仪内部的16位A/D转换器将模拟信号转化成数字信 号，再由标准的RS-232串行通信接口直接传送到计算机主存。

为避免外界自然环境的干扰，保证光谱测量的准确性，例如选择 在晴朗无云且无风的环境下进行试验，光谱测量时间例如选择在上午 10：00-12：00之间，传感器视场角例如为25°，测量时光学输入端 距离冠层叶片的距离例如为30cm，保证与叶片垂直，当然，也可选用 其他的合适的环境、光谱测量时间、传感器视场角以及测量时光学输 入端距离冠层叶片的距离。为了光谱测量数据的准确性及稳定性，利 用该光谱仪配套的植被高密度探头进行苹果树冠层不同光照区域的 光谱测量。

图2(a)-(c)分别示出了在一颗苹果树上得到的3个试验处理 样本(A、B和C)在不同光照区域的光谱反射率。处理样本A、处理 样本B和处理样本C在四个不同光照区域的整个波段 (325nm-1075nm)的光谱反射率变化曲线中，光照强度在(30％,60％〕 区间的光照区域的光谱反射率始终最高，而光照强度≤30％的光照区 域的光谱反射率最低，对于光照强度在(60％,85％〕区间的光照区域 及光照强度>85％的光照区域，处理样本A和处理样本C在光照强度在 (60％,85％〕区间的光照区域的光谱反射率大于光照强度>85％的光照 区域反射率，而处理样本B的情况正好相反，分析其原因是由于测量 过程中的随机误差所致。为了更好地表征不同光照区域的光谱特性， 以将图2(a)-(c)的三个处理样本做平均值处理为例，得到如图2 (d)所示的苹果树冠层不同光照区域的平均光谱反射率。本实施例 选取了三棵苹果树作为试验对象，对这三棵苹果树均做相同的处理， 即每个苹果树均得到三个试验处理样本，每个处理样本包含四个不同 光照区域的光谱反射率，对每棵苹果树的三个处理样本的相同光照区 域的反射率做平均值处理，得到三个处理后的处理样本(称为平均处 理样本)，根据这三个平均处理样本可得到三个平均光谱反射率，其 中，每个平均处理样本的平均光谱反射率包含四个不同光照区域的平 均光谱反射率。

在测量不同光照区域的反射率时，利用FMS-2型脉冲调制式荧光 仪及Li-6400便携式光合仪测量相应光照区域的光合性状参数(例如 光化学效率、最大光化学量子效率、表观光合量子传递效率)。每棵 苹果树得到三组光合性状参数，其中每组均包含四个不同光照区域的 光合性状参数，对每棵苹果树的每组相同光照区域的光合性状参数做 平均值处理，得到一组平均光合性状参数，这组平均光合性状参数包 含四个不同光照区域的平均光合性状参数。三棵苹果树做相同的处理 则可得到三组平均光合性状参数。

S2：对每个光照区域的光谱数据进行一阶微分处理得到一阶微分 光谱；

数据预处理方法有很多种，如一阶微分能明显地消除光谱的基线 平移、平缓背景干扰的影响，一方面，光谱一阶微分能够有效地消除 获取的光谱数据之间的系统误差，削弱自然环境中的大气辐射、散射 和吸收等因素对光谱目标数据的干扰，另一方面，光谱一阶微分可以 突显光谱曲线在坡度上的细微变化特征，能够分辨重叠的光谱，有利 于提取可识别的光谱吸收峰参数。

图3示出了红边区域(660nm-760nm)内的试验处理样本A、B、 C在不同光照区域的平均光谱反射率的一阶微分光谱曲线。

从图3显示的苹果树冠层不同光照区域的一阶微分光谱曲线中可 以看出，不同光照区域的一阶微分光谱的最大值及所对应的红边波长 均有所差异。表1列出了处理样本A、B、C以及三者平均处理后的一 阶微分光谱的最大值及所对应的红边波长。从表中数据可以看出：处 理样本A的红边波长变化规律不明显，但处理样本B、处理样本C及平 均处理样本的红边变化均呈现递增趋势。表中统计了红边区域，即红 光范围(680nm-760nm)内一阶微分光谱的最大值，并将其作为苹果 树冠层不同光照区域的相对光照强度值进行相关性分析，构建基于光 谱特性的光合性状预测模型。

表1处理样本不同光照区域的一阶微分光谱的最大值所对应的红边波 长及一阶微分光谱的最大值。

S3：根据一阶微分光谱的最大值和对应光照区域的光合性状参数 拟合形成光合性状预测模型；

由于苹果树冠层不同光照区域的一阶微分光谱的最大值随光照 强度不同发生了相应变化，且光照强度影响苹果树光合能力，因此将 一阶微分光谱的最大值与对应区域的光合性状参数作为预测模型的 输入端，其中一阶微分光谱的最大值作为自变量，光合性状参数作为 因变量，采用多项式回归模型构建出对应的光合性状预测模型。

在S2步骤中得到了三个平均光谱反射率，对这三个平均光谱反射 率均进行一阶微分处理可得到三个一阶微分光谱，由于每个一阶微分 光谱中包含四个不同光照区域的一阶微分光谱，每个光照区域对应一 个一阶微分光谱的最大值，这样根据这三个一阶微分光谱就得到了十 二个红光范围(680nm-760nm)内的一阶微分光谱的最大值。利用多 项式回归模型对这十二个一阶微分光谱的最大值和对应光照区域的 光合性状参数(比如光化学效率、最大光化学量子效率和表观光合量 子传递效率等)进行相关关系拟合，得到相应的光合性状预测模型。

如图4所示，示出了一种检测光合性状的方法，包括：

S1：获取待检测光照区域的光谱数据；

S2：对光谱数据进行一阶微分处理得到一阶微分光谱；

S3：将一阶微分光谱的最大值代入光合性状预测模型，得到所需 的光合性状参数。

本实施例根据上述检测光合性状的方法随机选取了三棵苹果树 的36个光照区域(每棵苹果树有三个试验处理处理样本，每个处理样 本中包含四个光照区域，那么每棵苹果树有12个光照区域，三棵苹果 树一共有36个光照区域)中的20个光照区域的光谱数据，对所述光谱 数据进行一阶微分得到一阶微分光谱，将红光范围(680nm-760nm) 内的一阶微分光谱的最大值代入光合性状预测模型中得到所需的光 合性状参数。为了验证光合性状预测模型的有效性，对光合性状参数 的实际测量值与相应的预测值进行了相关性分析。

本实施例根据上述方法构建了以下三个光合性状预测模型，并分 别对每个光合性状预测模型的有效性进行了相关性分析：

(1)光化学效率预测模型

构建了基于光谱特性的光化学效率预测模型，如图5所示，即： y＝-2×10⁶x³+56412x²-612.51x+2.8738，其中，x为一阶微分光谱的最大 值，y为根据所述光化学效率预测模型得到的光化学效率预测值。一 元三次多项式预测模型的相关系数R²为0.7497。

为验证光化学效率预测模型的有效性，将得到的预测值与实际测 量值进行相关分析，其一元线性相关关系如图6所示，线性方程为： y＝0.7666x+0.169，其中，x为光化学效率的实际测量值，y为光化 学效率的预测值。一元线性方程的相关系数R²为0.6646，均方根误差 (RMSE)值为0.057，平均绝对误差(MAPE)值为0.0478，平均平 方误差(MFE)值为0.0170，相对误差(RE)％值为12.538％，预测 模型精度为87.462％。

(2)最大光化学量子效率预测模型

构建了基于光谱特性的最大光化学量子效率预测模型，如图7所 示，即：y＝6×10⁶x³-201837x²+2212.4x-7.0607，其中，x为一阶微分光 谱的最大值，y为根据所述最大光化学量子效率预测模型得到的最大 光化学量子效率预测值。一元三次多项式预测模型的相关系数R²为 0.8722。

为验证最大光化学量子效率预测模型的有效性，将得到的预测值 与实际测量值进行相关分析，其一元线性相关关系如图8所示，线性 方程为：y＝0.6926x+0.2144，其中，x为最大光化学量子效率的实 际测量值，y为最大光化学量子效率的预测值。一元线性方程的相关 系数R²为0.7249，RMSE值为0.04923，MAPE值为0.0565，MFE值为 0.0390，RE％值为13.502％，预测模型精度为86.498％。

(3)表观光合量子传递效率预测模型

构建了基于光谱特性的表观光合量子传递效率预测模型，如图9 所示，即：y＝2E+0.9x³-6E+0.7x²+601307x-2046.5，其中，x为一阶 微分光谱的最大值，y为根据所述表观光合量子传递效率预测模型得 到的表观光合量子传递效率预测值。一元三次多项式预测模型的相关 系数R²为0.721。

为验证表观光合量子传递效率预测模型的有效性，将得到的预测 值与实际测量值进行相关分析，其一元线性相关关系如图10所示，线 性方程为：y＝0.861x+4.7092，其中，x为表观光合量子传递效率的 实际测量值，y为表观光合量子传递效率的预测值。一元线性方程的 相关系数R²为0.887，RMSE值为0.5745，MAPE值为0.2595，MFE值 为-0.2475，RE％值为18.633％，预测模型精度为81.367％。

通过采用本发明所公开的构建光合性状预测模型的方法，可以得 到各种光合性状预测模型，再通过本发明所公开的光合性状检测方 法，可以快速获取不同光照区域的光合能力，为整形修剪、改善栽培 措施、提高果实的产量和品质等提供了有力的依据。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可 以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样 的修改和变型均落入由所附权利要求所限定的范围之内。