一、引言
红枣营养丰富,富含多种营养物质,既可鲜食也可干制,有很高的食用和药用价值。南疆地区气候独特,有着光照时间长、昼夜温差大、年均降水量低的特点,适宜红枣等特色林果的种植。红枣是南疆地区的重要经济作物,红枣产业更是兵团支柱产业之一。图1显示了新疆和兵团红枣种植面积的变化,近10年来,新疆红枣种植面积呈现先升后降的趋势,但整体上种植面积变化不大,近两年有下降趋势,兵团红枣种植面积趋于稳定。
图1全国及新疆、兵团红枣产量变化趋势
随着红枣产量的逐渐增加,优质红枣产量不足的问题逐渐暴露出来,红枣市场中出现“劣币驱逐良币”的现象,影响了红枣的价格,导致农民收入下降、种植积极性降低,阻碍了红枣产业的发展。而要提高优质红枣的市场竞争力,减少以次充好的现象,需要实现对红枣品质的快速无损检测。红枣的含水率和和可溶性固形物含量是重要的品质评价指标,其中,红枣的含水率对红枣口感、贮藏条件和加工方式有着较大的影响,不同品种、产地、栽培管理的红枣含水率差异较大,且水分的散失速率也不尽相同,因此,只有准确测量其含水率才能合理评定红枣品质,合理选择贮藏条件和加工方法,常用的含水率测定方法为烘干减重法,虽然检测结果较为准确,但耗时长,对红枣具有破坏性。可溶性固形物含量同样是红枣品级评定的重要指标,直接影响红枣的口感,传统的红枣可溶性固形物检测通常采用化学滴定方法,虽然能准确获取红枣内部糖分含量,但操作复杂、成本高、检测速度慢。
传统方法无法满足现代农业快速实时获取农产品品质信息的要求,随着农业科技的发展和各种光学传感器的普及应用,光谱分析技术以其操作简单、信息丰富、快速无损的特点在众多品质检测方法中脱颖而出。
二、数据获取及分析方法
卫星遥感技术能够快速获取区域尺度下的遥感数据,通过建立模型可以实现对区域尺度下大面积植被和作物的生长信息的监测,广泛应用于作物长势、养分、土壤、环境等的监测上。但是,由于卫星运行轨道固定,且卫星遥感探测距离较,存在空间分辨率低、数据可靠性易受外界环境影响、无法长时间对同一地点进行监测等不足,这些不足制约了其在农业领域的应用。无人机遥感可在较大程度上弥补卫星遥感数据的上述不足。
2.1 实验区概况
本研究所选择区域为新疆生产建设兵团第一师阿拉尔市10团、11团和13团的部分红枣园。阿拉尔市地处塔里木河上游,光照时间长、全年降水量少、昼夜温差大,且土壤多为沙土,适宜特色林果业的发展,产出的红枣含糖量高,品质优异。
2.2 实验数据获取
2.2.1红枣单果尺度光谱数据获取
研究采用无人机高光谱成像系统采集红枣高光谱数据,高光谱相机采用透射光栅进行分光,以线性推扫式进行光谱数据采集,得到近红外范围的高光谱图像。高光谱分选系统内布置有均匀光源,内部涂有黑色吸光漆以降低外界环境干扰。计算机中安装高光谱数据采集软件,能够实现黑白校正、传送带移动速度、相机高度、曝光时间调整和高光谱数据的存储等功能室内高光谱数据采集时,需要进行准备工作。将高光谱相机打开,预热光源30min确保光谱发出的光稳定,不会对试验结果产生影响,之后进行黑白校正,进一步消除光源、仪器噪声对高光谱数据的影响。单果尺度数据采集于2020年10月1日,挑选出大小合适、表面无损伤的红枣样本135个,对样品进行标号,光谱数据采集时,设定高光谱相机高度为42cm、传送带行程为30cm、传送速度为1.6cm/s,分多次采集红枣光谱,采集图如图2所示
图 2 红枣光谱采集图
2.2.2红枣冠层尺度光谱数据获取
冠层光谱数据采集于2020年10月1日,采集时间为14:00至16:00,天气晴朗,无云层遮挡,为了降低冠层枣树树枝、叶片及阴影的影响,选择红枣密集且叶片相对教少的枣树进行测量,并对尽可能多的红枣进行标记,将高光谱相机固定在旋转云台上,同时测量枣树到相机的距离、高度及太阳高度角等信息,并在测量后摘下相机视野范围的红枣带回实验室进行后续试验。为了减少因为太阳光强度对光谱的影响,在每次拍摄时需要采集既包含冠层同时含有标准白板的图像,以便后续进行平场校正。红枣带回室内后进行暗室光谱数据采集,并测定红枣含水率和可溶性固形物含量信息。
2.2.3红枣无人机区域尺度光谱数据获取
无人机数据采集于2021年11月9日和11日,时间为16:00至18:00,地点为第一师10团,坐标为东经81°18′,北纬40°35′,此时红枣处于完熟期,冠层无明显枝叶遮挡,有利于红枣无人机图像数据的获取。获取红枣区域冠层的无人机多光谱数据,无人机采集示意图如图3所示。
图 3 红枣无人机多光谱图像采集
无人机可以短时间内获取中心波长为450nm、560nm、650nm、730nm和840nm这5个波长下的多光谱图像和RGB图像,无人机采集光谱数据时,设置飞行高度为距离枣树冠2~3m,采集完成后取采样区域内标记的样品带回实验室测定含水率信息。
2.2.4红枣含水率及可溶性固形物含量测定
红枣光谱采集完成后,测量含水率和可溶性固形物含量信息。使用烘干减重法测量红枣的含水率,用电子天平称取3g左右红枣,记录重量后放入电热鼓风干燥箱中。红枣可溶性固形物含量使用手持式糖度计测量。
2.3 数据分析方法
2.3.1异常样本剔除方法及样品集划分方法
在数据采集时,使得部分样品的信息与其他样本呈现一定差异,会对后续模型建立有一定影响,因此需要对异样样本进行剔除。本研究使用浓度残差方法对红枣含水率和可溶性固形物异常样本进行剔除,使用光谱残差方法对光谱异常样本进行剔除。异常样品剔除后,需要对样品集进行合理划分以提高模型的预测性能和稳定性,本研究使用光谱-理化值共生矩阵(SPXY)方法进行样品集划分,训练集与预测集的划分比例为3:1。
2.3.1.1浓度残差方法
浓度残差方法用于剔除理化信息异常样本,首先使用样品光谱信息和理化信息建立预测模型,之后利用检验方法对样品理化信息的测量值和预测值进行检验,进而判断异样样本信息,也可给定某一阈值进行异常样本剔除。
2.3.1.2光谱残差方法
光谱残差方法用于对光谱信息异样样本进行剔除,通过对原始光谱进行主成分分析得到重构光谱,之后判断原始光谱与重构光谱的光谱残差,之后计算残差的方差,通过设定阈值判断样品光谱是否异常。
2.3.1.3光谱-理化值共生矩阵方法
使用随机选择方法对样品进行划分时,无法充分考虑样品的光谱和理化特征,甚至可能出现预测集数据范围超出训练集数据的范围的现象。而SPXY方法能同时考虑到样品的光谱信息和理化信息,并对训练集和预测集数据范围进行合理划分,有助于提高模型性能。
三、单果尺度的红枣品质检测方法研究
单果尺度光谱通常在室内暗室环境采集,环境相对理想且不易受外界环境影响,因此采集到的光谱接近样本的真实光谱。本章节采用高光谱成像装置采集单果尺度的红枣光谱,分析红枣含水率和可溶性固形物与高光谱数据之间的关系,建立两种品质指标的检测模型,并对比不同光谱预处理以及特征波长选择方法的结果,为后续冠层尺度光谱建立品质检测模型做铺垫。
3.1 红枣光谱数据采集及光谱特性分析
光谱采集完成后,需要对光谱图像进行黑白校正,使用软件在每个样本中选择5*5pi大小的区域作为感兴趣区域,计算感兴趣区域的平均光谱曲线,如图4所示。
图 4 红枣光谱曲线
在近红外波段,室内暗箱得到的红枣光谱中,背景噪声和环境光影响较小,光谱曲线极为平滑,且在1150nm和1450nm出现显著的吸收峰,其中1450nm吸收峰与水的吸收有关,1150nm的吸收峰可能与红枣内含有O-H键的其它成分相关。为了降低噪声对模型的影响,对首尾端的噪声信息进行剔除,保留932-1718nm范围内的光谱数据进行后续研究。
3.2 红枣含水率与可溶性固形物含量统计
红枣光谱采集完成后,样品进行光谱采集的一面一分为二之后,依据GB/5009.3-2010《食品中水分的测定》,使用手持式糖度计测量红枣可溶性固形物测量。为了降低异常样本和光谱对后续模型建立的影响,需要对异样样本进行剔除,本文使用浓度残差法剔除品质异常样本,计算光谱数据的光谱残差剔除异常光谱曲线,图5为使用浓度残差法对品质样本进行剔除的结果,结果表明共有7个样本含水率异常,6个样本可溶性固形物含量异常,图6为异常光谱曲线剔除结果,有6个样本的光谱曲线异常。
图 5 浓度残差法剔除异常样本
图 6光谱残差法剔除异常样本
对异常样本进行剔除后,需要合理划分训练集和预测集以提升模型的预测性能,并对样本数据范围进行分析以确定模型适用的数据范围。本研究采用光谱-理化值共生矩阵(SPXY)方法对样本集进行划分,训练集和预测集比例为3:1,结果如表1所示。
表 1 红枣样品训练集与预测集划分结果
从总体来看,含水率和可溶性固形物含量的预测集数据范围被包含在训练集范围内,有助于模型的建立。
四、总结
本章通过采集红枣单果尺度光谱数据和品质(含水率、可溶性固形物含量)信息,建立了红枣品质的模型,对比了不同预处理方法对模型性能影响,并确定了最佳预处理方法。使用三种特征波长选择方法筛选特征波长变量并建立模型,通过对比模型预测结果得到最优特征波长选择方法,实现对单果尺度下的红枣含水率和可溶性固形物的检测。事实证明,无人机高光谱可应用于红枣含水量、可溶性固物含量监测。