李梦竹 ，叶红朝，王惠，贾方方，刘国顺

1 河南农业大学烟草行业烟草栽培重点实验室，郑州市文化路95号 450002；

2 洛阳市烟草公司宜阳县分公司，河南省洛阳市宜阳县红旗中路32号 471600；

3 洛阳市烟草公司，河南省洛阳市洛龙区开元大道246号 471000；

4 商丘师范学院，河南商丘市文化路298号 476000

钾作为改善烟叶内在质量与外观品质的重要大量元素，对烤烟生长发育有着重要的生理意义[1-2]。而土壤水分条件对烟叶钾含量有着显著影响，刘世亮等[3]研究表明，土壤环境处于干旱或渍水状态均不利于烤烟对钾素的吸收与利用，以氧气充足且能持续供水的生长环境最佳，因此，实时监测不同水分胁迫程度下的烤烟叶片钾含量，可及时获取其钾素状况以及植烟土壤水分环境，可为及时改善烤烟生长环境、促进烤烟优质稳产提供很好的前提。

钾素的积累与作物水分状况密切相关，会影响可见/近红外等波段的光谱信息[4]，而传统植物钾素测定方法耗时、耗力，且具有破坏性[5]，因此，可利用光谱信息对烤烟叶片钾含量进行诊断。王兵等[6]研究表明作物钾含量与蓝、绿波段相关性较好，张俊华等[7]指出玉米钾含量核心波段处于680 nm 与810 nm。Mahajan 等[8]、Gomez[9]等分别对小麦、水稻、橄榄的光谱数据进行了分析研究，发现近红外波段为钾含量核心波段。说明光谱信息与作物钾含量具有一定相关性。

邓海龙等[10]对苹果叶片钾含量进行了预测；岳学军等[11]研究表明通过分析光谱数据可精确反演柑橘叶片钾素含量；齐浩等[12]在小麦钾素营养研究中指出与原始光谱反射率建模比较，光谱参数NDSI（2275，1875）、RSI（1865，2850）对小麦钾叶片含量的预测精度较好。由此可见，作物钾含量的光谱估测已有较多研究，而对于不同水分条件下烤烟全生长期钾含量的光谱估测研究较少。本试验研究了不同水分胁迫程度下烟叶钾含量与光谱特征变量、光谱参数间的相关关系，并依此构建烤烟叶片钾含量估算模型，以期能够精准快速无损地监测全生长期烤烟叶片钾素营养水平，从而为保证烤烟叶片质量提供技术参数。

1 材料与方法

1.1 试验设计

2015—2016 年连续两年在河南农业大学现代烟草科技示范园（北纬34°01′，东经113°49′）开展试验，两年均采用K326 和中烟100 两种烤烟品种进行桶栽（每桶1株），其中2015年试验数据作为构建模型样本，2016 年试验数据作为检验模型样本。将田间土壤均匀过筛后，取75 kg 与施用化肥均匀混合，装入高度为70 cm，直径为40 cm 的桶中，土壤理化性状见表1，所用化肥为分析纯（NH4）2SO4，KNO3和KH2PO4，m（N）：m（P2O5）：m（K2O）=1:1.5:3。

表1 供试土壤理化性状Tab. 1 Physical and chemical properties of tested soil

5 月15 日移栽，在还苗期后，利用Takeme-10 型土壤水分速测仪实时监测土壤水分状况，并按照表2中6 个处理的含水量占比每天进行严格控水，浇水质量按照下述公式计算。为避免雨水影响土壤水分状况，试验采用人工防雨棚。每个水分处理均有6 个重复，共计216 桶，随机区组设计。为保证阳光充足与通风良好，桶与桶之间均相隔75 cm。

表2 试验处理（土壤含水率占田间持水量的百分比）Tab. 2 Treatments (percentage of soil moisture content in field water-holding capacity)

每天浇水质量=（设定土壤绝对质量含水量－实际土壤绝对质量含水量）×土重

设定土壤绝对质量含水量=设定土壤相对含水量×田间持水量

实际土壤绝对质量含水量=绝对体积含水量÷土壤容重

1.2 烤烟叶片光谱测定

分别在烤烟伸根期、旺长期、成熟期，选择晴朗无云且无风的天气，于10：00～14：00 期间，利用Field Spec3 野外光谱测定仪（波段为350 nm～2500 nm）对各水分处理叶片光谱反射率进行采集。每个水分处理挑选3 株健康植株，利用叶片夹持器，分别夹紧其上、中、下三个部位的叶尖、近叶尖、近叶基、叶基进行测定，各处均采集10 次，最终取其平均值。

1.2.1 烤烟叶片钾含量测定

分别取已采集光谱信息烟株的不同部位鲜叶，在105℃下杀青15 min 后，在70℃～80℃下烘干2 h～3 h，粉碎后过60 目筛。采用化学品质常规测定[13-14]，盐酸提取火焰光度计法对烟叶叶片钾含量进行测定，测定值用干重（DW%）表示。

1.2.2 光谱分析

1.2.2.1 光谱特征变量

1）光谱位置变量：红边位置（λr），红边幅值（Dr）；黄边位置（λy），黄边幅值（Dy）；蓝边位置（λb），蓝边幅值（Db）；绿峰位置（λg），绿峰幅值（Rg）；红谷位置（λv），红谷幅值（Rr）。

2）光谱面积变量：红边面积（SDr），黄边面积（SDy），蓝边面积（SDb）。

3）光谱植被变量：Rg/Rr、（Rg-Rr）/(Rg+Rr)、SDr/SDb、SDr/SDy、（SDr-SDb）/（SDr+SDb）、（SDr-SDy）/（SDr+SDy）。

1.2.2.2 光谱参数的选择

参考前人研究得到的作物叶片钾含量敏感光谱参数，筛选出8 种与烤烟叶片钾含量具有相关性的光谱参数，分别为SR（R895/R680）[15]、NDII（819，1649）[15]、RDVI[15]、DVI[15]、SAVI[16]、MSAVI2[17]、mSR705[18]、NDSI（2275，1875）[19]。

1.3 数据分析

采用ViewSpec Pro 整理光谱数据，选用Excel、SPSS22.0、Sigmaplot10.0、Matlab6.0 进行数据分析、模型构建及绘图，采用决定系数R2、均方根误差RMSE 对模型精度进行检验。其中，2015 年试验数据（108 个样本）用于构建模型，2016 年试验数据（72个样本）用于模型的检验。

2 结果与分析

2.1 不同水分胁迫程度下烤烟叶片钾含量和光谱反射率的变化规律

如表3 所示，同正常需水量处理相比，不同程度水分胁迫下烤烟叶片钾含量在旺长期、成熟期均呈现不同程度降低，伸根期轻度干旱更有利于钾的积累，品种间规律一致，说明在不同处理下，伸根期轻度缺水可促进烤烟叶片对钾素的吸收，而随干旱程度增加，钾素积累量下降。在不同渍水胁迫下，随着水分增加，烤烟叶片钾含量亦呈现下降趋势，随着烤烟生育时期的推进，钾含量逐渐降低，在成熟期达到最低，这可能是因为在烤烟生长前期，钾素主要积累在叶片中，而在生长后期，叶片钾素积累速率下降且有向茎杆转移趋势[20-22]。

表3 不同处理下烤烟叶片钾含量的变化Tab. 3 Changes of potassium content in flue-cured tobacco leaves under different treatments

由图1 可知，不同水分胁迫程度下，各时期光谱曲线整体趋势表现一致，各波段处反射率呈现一定差异，特别是在近红外光区（700 nm～1075 nm）内差异表现明显，除伸根期外，中烟100 和K326 均表现为随着水分胁迫强度的增加，光谱反射率的值降低，这与不同水分胁迫程度下烤烟叶片钾含量的变化规律一致，这主要是因近红外光区光谱反射率是由烤烟叶片内部结构多次散射所致[23]，叶片内部结构又受到水分条件的影响，而水分占到烤烟叶片重量的80%以上，从而间接的影响了烤烟叶片光谱信息。表明在近红外光区，烤烟叶片反射率随叶片钾含量呈现规律性变化。

2.2 烤烟叶片钾含量与光谱特征变量的相关性

表4 烤烟叶片钾含量与光谱特征变量的相关系数(n=108)Tab. 4 Correlation coefficient between potassium content and spectral characteristic variables in flue-cured tobacco leaves (n=108)

图1 各时期不同水分胁迫程度下烤烟叶片光谱反射率Fig. 1 Spectral reflectance of flue-cured tobacco leaves under different water stress in different periods

在光谱位置变量中（见表4），λr、λy与烤烟叶片钾含量的相关性最差，均未达到显著水平，λv与其达到显著水平（P＜0.05），而其他位置变量均与烤烟叶片钾含量的相关性达到极显著水平（P＜0.01），其中，λg与烤烟叶片钾含量的相关性最好，相关系数为0.466。光谱面积变量均与烤烟叶片钾含量具有一定的相关性，SDb与其呈正相关关系，而SDr、SDy与其呈负相关关系，其中，SDr与烤烟叶片钾含量的相关性最好，相关系数为-0.641。对于光谱植被变量而言，只有（SDr-SDb）/（SDr+SDb）与烤烟叶片钾含量具有相关性，达到显著水平（P＜0.05），相关系数为0.199。

因此，通过以上特征变量与烤烟叶片钾含量的相关性分析（n=108），可以得到SDr 与烤烟叶片钾含量的相关性最好，其相关系数的绝对值最高。

2.3 烤烟叶片钾含量与光谱参数的相关性

利用筛选出的8 种光谱参数与烤烟叶片钾含量进行相关性分析（n=108），从表5 可看出，SR与烤烟叶片钾含量相关性达到显著水平（P＜0.05），NDII、DVI、SAVI、MSAVI2、mSR705、NDSI（2275，1875）均与烤烟叶片钾含量的相关性达到极显著水平（P＜0.01），其中，mSR705与烤烟叶片钾含量的相关性最好，相关系数达到-0.717，其绝对值高于SDr与烤烟叶片钾含量的相关系数。

图2 烤烟叶片钾含量的线性回归分析（n=108）Fig. 2 Linear regression analysis of potassium content in fluecured tobacco leaves（n=108）

2.4 烤烟叶片钾含量估算模型的建立

2.4.1 一元线性回归模型的建立

采用相关系数最高的光谱参数mSR705建立一元线性回归模型（n=108）。从表5 可以得到，烤烟叶片钾含量与mSR705呈负相关关系，利用光谱参数mSR705构建的线性回归方程为Y=26.144-23.744X，此模型的决定系数R2为0.514，均方根误差RMSE为0.067。

2.4.2 BP 神经网络模型的建立

根据敏感光谱特征变量与光谱参数的筛选结果，选取相关性最好的前8 个光谱指数分别为mSR705、SDr、DVI、MSAVI2、λg、Dr、NDSI（2275，1875）、RDVI，用这8 个光谱指数构建BP 神经网络模型，见图3。分别以SMLR 模型中的独立变量（8个光谱指数）作为输入层，其传递函数为正切S 型传递函数（tansig）；以烤烟叶片钾含量作为输出层，其传递函数为线性传递函数（purelin）；训练函数为trainlm。利用输入层、隐藏层、输出层三层BP神经网络，通过“试错法”进行多次尝试后，得到构建烤烟叶片钾含量模型的隐含层节点数为12。由图3 可知，利用本文筛选出的8 个最佳敏感光谱指数构建的烤烟叶片钾含量模型的R2为0.9336，RMSE为0.1348。

图3 BP 神经网络模型的预测结果（n=108）Fig. 3 The predicted result of the BP network model (n=108)

2.4.3 预测模型的检验

利用2016 年测定数据对上述构建的一元线性回归模型和BP 神经网络模型进行检验（n=72），由图4 烤烟叶片钾含量预测值与实测值的1：1 关系图可知，采用相关系数最高的光谱参数mSR705建立的一元线性回归模型的验证结果R2为0.320，RMSE为0.166，利用本文筛选出的8 个最佳敏感光谱指数构建的BP 神经网络模型的验证结果R2为0.814，RMSE为0.061。由此可见，利用筛选出的8 个最佳敏感光谱指数构建的BP 神经网络模型的准确性更好。

图4 一元线性回归模型和BP 神经网络模型的检验（n=72）Fig. 4 Tests for the regression model and BP network model（n=72）

3 结论与讨论

（1）在近红外光区，不同水分条件处理下烤烟叶片光谱反射率随叶片钾含量呈现规律性变化。不同基因型烤烟品种均表现为随水分胁迫强度的增加，伸根期反射率和叶片钾含量的值升高，而旺长期和成熟期的值均降低。

（2）光谱特征变量与光谱参数均与烤烟叶片钾素营养具有一定的相关性。经过筛选分析得到，光谱特征变量中以红边面积（SDr）与烤烟叶片钾含量的相关性最好，相关系数为-0.641；光谱参数中以mSR705与其相关性最佳，相关系数为-0.717。

（3）光谱参数更适合估算不同水分胁迫下烤烟叶片钾素营养状况，且BP 神经网络模型的效果要优于一元线性回归模型。利用光谱参数mSR705建立的烤烟叶片钾含量一元线性回归模型的R2为0.514，RMSE为0.067。利用本文筛选出的8 个最佳敏感光谱 指 数（mSR705、SDr、DVI、MSAVI2、λg、Dr、NDSI（2275，1875）、RDVI）构建的烤烟叶片钾含量模型的R2为0.9336，RMSE为0.1348。

综上所述，利用光谱参数能够更好地反映烤烟叶片钾含量，虽有学者[24-25]对烤烟钾含量敏感波段及估算模型有一定研究，但仅仅是利用线性或非线性回归方法构建了拟合度一般的估算模型，本文综合研究了不同水分条件下烤烟全生长期的叶片钾含量与叶片光谱信息，利用筛选的光谱参数构建了精度较好的烤烟叶片钾含量BP 神经网络预测模型，且模型验证结果较好，这为实时监测烤烟叶片钾素营养状况奠定了良好的理论依据，有利于推进烟草精益生产的快速发展。今后还应通过研究不同土壤类型，进一步从烤烟光谱全波段来挖掘筛选烤烟叶片钾含量的最佳敏感波段，并对其在烤烟大田实际生产中的实用性进行验证，以期为烤烟实际生产构建适用性更加广泛、精度更好的烤烟叶片钾含量估测模型。